深度学习在定量磁化率图像重建中的应用

发布时间：2021-06-16 05:11

　　作为非侵入并能够提供多种图像对比度的断层成像手段,磁共振成像（MRI）是临床医学中不可或缺的影像方法之一。定量磁化率成像（QSM）是一种利用MRI相位图计算组织磁化率分布的新型对比成像方法,能够估计钙化、体内铁含量和静脉血氧饱和度的变化,为许多重大疾病的诊断提供信息。原始MRI相位图需要经过相位解卷褶、背景场去除和磁偶极子反卷积等复杂的重建流程,才能获得定量磁化率图像。其中,从局域场图反卷积磁化率图像是定量磁化率图像重建的关键问题。由于k空间中磁偶极子魔角的存在,磁化率图像重建是一个病态逆问题。目前,解决该问题的方法有多方位采集、单方位贝叶斯与非贝叶斯算法等,但都存在一定的局限性。本文尝试利用深度学习,特别是卷积神经网络（CNN）,解决QSM图像重建中的磁偶极子反演的病态反问题。主要内容包括:首先,本文提出基于CNN伪影去除的磁偶极子反演模型,方法结合了k空间阈值除法和图像域CNN伪影去除来克服病态性。我们用基于模拟与真实数据的实验证明了我们的算法可以重建出高质量的QSM图像。其次,在所提出的CNN伪影去除的反演模型的基础上,进一步提出了基于CNN图像先验的k空间融合算法。算法综合贝叶... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

1QSM测量健康被试与原发性PD患者黑质中铁的含量

2. 定量磁化率图像重建流程磁化率图像重建，根据数据采集的不同分为多方位和单方位。单方方向单次扫描 QSM 序列，多方位指的是在不同方向上多次扫描次单方位重建的主要流程主要分为以下过程[6]（如图 1.3.1）：步：通过单回波或多回波 3DGRE 序列采集数据，将多通道线圈获图像组合成一个相位图。步：对通道组合过的相位图进行相位解卷褶，并对视野(Field Of源产生总磁场扰动进行频率估计。步：使用掩模取出感兴趣区域(Region Of Interested, ROI)，去除 ，获得 ROI 内磁源产生的局域场。步：应用磁偶极子反演算法，根据局域场图求解逆问题, 反演获得

一、相位解卷褶由公式 2 可得，相位 是空间与时间的函数，在 GRE 序列中，磁化矢量在演化过程中，相位不断随时间累积。但是，由于相位的值域范围为 )，在该范围内的相位，是随磁场扰动的大小和时间呈线性变化，当相位超出值域范围时，相位会发生跃变，折叠至起始范围。卷褶的相位 可以写成如下表达，即： = ( ) (5)其中 和 分别为卷褶前和卷褶后的相位， ( )为卷褶的整数值。由公式 5 可以看出，卷褶相位可以通过加减 2 的整数倍还原得到原始相位。卷褶的物理解释是在复平面上的矢量转动一个周期后会重新回到初始位置，此时矢量的终止位置与初始位置将重合。相位解卷褶的目标就是估计整数值，相位解卷褶是一个病态的逆问题，由于无穷多解的存在，使用先验知识和数学假设成为相位解卷褶的主要手段。


本文编号：3232430