多对比度定量磁共振成像在中枢神经系统中的应用

多对比度定量MRI是当前热门的MRI技术之一,已在神经影像的研究中取得了较多进展,主要包括基于磁共振集成(magnetic resonance image compilation,MAGiC)序列、多参数(multiple parametric,MTP)集成序列及战略性获取的梯度回波(strategically acquired gradient echo,STAGE)序列等MRI技术。它们可以通过一次扫描获得多种对比度及定量图像,与常规单独序列MRI相比,扫描时间显著缩短;同时作为一种三维序列,MTP集成序列融合了当前多种先进的技术,保证了图像的高信噪比和高分辨率。本文就多对比度定量MRI技术的原理及其在中枢神经系统中的研究进展、优势及局限性进行综述,旨在为该技术感兴趣的学者提供参考,推动其进一步研究及在临床中的应用。

基于主成分迭代支集检测的多对比度磁共振快速成像

很多磁共振成像应用(如T1、T2参数成像)需要连续采集一系列不同对比度的图像。丰富的对比度机制反映了人体组织的内在特性,为临床提供了有效的定量诊断手段。然而,由于扫描时间过长,这种方法在临床上的应用受到一定的限制。近几年兴起的压缩感知理论在磁共振快速成像方面显示了巨大的潜能。其中,学者们提出一种基于主成分分析的快速磁共振成像方法。该方法从已知的解析物理模型和参数范围中训练主成分,并通过截断的方式利用图像序列的时域稀疏性。但是,当这种截断先验信息不准确时,上述方法可能会产生模型误差。本文通过采用迭代支集检测的方法实现主成分系数支集的适应性估计。文章最后通过两组人体膝盖数据的重建实验,验证了该方法的有效性。

基于梯度域的多对比度磁共振成像重建

多对比度磁共振成像由于能够提供丰富且不同的对比度信息,因此在临床应用中是一种强大的成像工具。本文提出了一种高效的基于梯度域的无监督深度学习方法(UDLGD)用于多对比度磁共振成像重建,该方法的目的在于从部分采样的K空间数据中重建相同解剖截面的多对比度图像。UDLGD算法主要包含两个迭代关系阶段:其中在先验学习阶段,利用分数匹配生成网络模型从单对比度图像数据集中获取梯度域先验信息;先验信息可以应用于不同对比度图像数量、不同采样轨迹等多场景的磁共振成像重建。随后在迭代重建阶段通过迭代更新数据一致性、梯度域先验信息和组合稀疏性,以获得满意的重建结果。大量采用活体磁共振图像数据的实验结果表明,UDLGD方法与其他方法相比可以获得更低的重建误差和更好的图像纹理结构。

基于物理模型的级联生成对抗网络加速定量多参数磁共振成像

目的探讨基于物理模型的级联生成对抗网络使用原始的多回波多线圈k空间数据加速定量多回波多参数磁共振成像方法的可行性分析与解释。方法提出了一种基于物理模型的级联生成对抗网络,利用多域信息联合训练以及通过系统矩阵学习图像重建所需的关键参数,并自适应地优化k空间生成器和图像生成器结构来增强图像特征信息以获得高质量的重建图像。使用原始的多回波多线圈k数据加速多对比度多参数磁共振图像成像。提出了基于物理驱动的深度学习重建方法,通过建立系统矩阵函数而不是直接通过模型端到端训练的方式来增加模型的泛化能力和提高模型性能。结果在整体回波图像质量评价方面,该模型在80例测试集上的重建图像的平均PSNR值为34.13,SSIM为0.965,NRMSE为0.114,大幅度优于本文的其它对比方法。在多对比度多参数图像重建方面,该模型评估的PDW、T1W以及T2*Map的PSNR分别为38.87、35.62和34.38,在定量上也显著优于其它对比方法,并拟合出更为清晰的大脑灰质、白质和脑脊液特征。除此以外,在重建时间相差不到10%的前提下与现有的方法相比,本研究的方法对PSNR、SSIM和NRMSE的指标提升最高可达到20%。结论相比现有的方法,基于物理模型的级联生成对抗网络方法可以重建出更多的图像细节和特征,从而提高了图像的质量和准确性,并有望将其应用于临床诊疗流程中。

3D脑肿瘤分割的Dice损失函数的优化

脑肿瘤的精确诊断对于提高病人的生存率,提供积极有效的治疗方案有着重要的意义。磁共振(MR)影像检查可提供脑肿瘤诊断结果并增加脑肿瘤诊断率,而精确分割三维脑肿瘤MR图像对于脑肿瘤的诊断,治疗以及术后追踪都有着非常重要的意义。本文针对在三维MR图像上的脑肿瘤分割问题,提出了直接优化评价指标的新损失函数的深度神经网络算法,可直接优化全肿瘤区,肿瘤核心区和增强肿瘤区这三个重要临床所需的分割目标的Sorensen Dice系数。最终测试集在全肿瘤区、肿瘤核心区和增强肿瘤区这三个目标区域的平均Sorensen Dice系数分别达到:0.875、0.829、0.695,全面优于传统的交叉熵损失函数,为脑肿瘤的精确分割提供了新的自动工具。