[发明专利]基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质

说明书

本发明公开了一种基于深度学习的弥散微循环模型驱动参数估计方法、装置及介质。该方法首先采集弥散微循环模型对应的多b值数据，并对各b值的弥散加权数据进行迭代配准以消除运动伪影；然后采用贝叶斯估计的方法，对感兴趣区域中的体素数据进行拟合，得到的模型参数作为训练数据的金标准；之后设计基于Transformer的编码器和基于弥散微循环模型的SCDNN解码器，并将两者结合得到基于模型驱动的深度学习网络结构，最后利用金标准数据对网络进行训练，得到可以用于估计弥散微循环模型参数的模型。本方法可以在采集时间更少的情况下获得近似于相同质量的图像信息，具有较高的准确度和精确性，并且估计效果优于其他的弥散微循环模型估计方法，更具备模型的解释性。

技术领域

本申请涉及磁共振成像优化与数据模型拟合领域，尤其涉及弥散微循环模型的参数估计方法优化、装置及存储介质。

背景技术

弥散磁共振成像(dMRI)是一种基于水分子在生物组织中受限弥散的无创探测组织微结构的重要医学成像工具。常用的表观弥散系数(ADC)是用一个指数来计算的，该模型对脑卒中、肿瘤等病理变化敏感，但对微观结构特性不敏感。现在发展出了先进的生物物理模型来表征特定的微结构特性，如弥散张量成像(DTI)、弥散峰度成像(DKI)、体素内不相干运动模型(IVIM)和其他房室模型。

准确的估计微结构特性的模型参数对诊断具有重要意义。然而，大多数dMRI模型由多个数学上复杂且高度非线性的部分组成。用最小二乘法等传统的优化技术对这些模型进行拟合，容易产生估计误差。此外，从数据获取的角度来看，先进的dMRI模型需要在q空间中获取多个b值和弥散方向，这既耗时又容易受到运动伪影的影响。

深度学习技术为dMRI模型拟合开辟了新的途径。q空间学习的方法是一种基于多层感知器(MLP)的方法，它利用q空间数据的一个子集来估计DTI参数。然而，它与生物物理模型无关，因此很难被解释。在深层神经网络中引入领域知识作为先验信息被认为是提高网络性能和可解释性的有效途径。此外，MLP框架在捕获图像中丰富信息方面的能力有限。卷积网络被设计用于图像特征提取，但由于感知野固定，卷积网络的应用受到限制。在q空间深度学习方法中加入适应动态感知野的自注意机制，提高学习性能，形成Transformer结构。

发明内容

为了克服现有采集技术时间长、受运动影响大的缺点和深度学习方法可解释性差的缺点，本发明提出了一种基于深度学习的弥散微循环模型驱动参数估计方法，该方法借助深度学习方法，结合弥散微循环模型的物理原理，利用Transformer结构的长距离建模能力和深度神经网络的万能逼近性原理，可以通过少数b值的q空间信息拟合，有效的缩短采集数据所消耗的时间，并且能够比现有的参数估计方法有更小的误差。

为了达到上述目的，本发明采用以下技术方案予以实现：

第一方面，本发明提供了一种基于深度学习的弥散微循环模型驱动参数估计方法，用于估计弥散微循环模型的模型参数，其包括以下步骤：

S1、对多b值下采集的磁共振弥散加权图像进行多b值间的循环配准，对配准后的图像进行感兴趣区域的划分；

S2、以S1中得到的多b值下图像感兴趣区域中体素的信号值为拟合数据，采用贝叶斯估计方法对弥散微循环模型进行参数拟合，得到视为金标准的弥散微循环模型的模型参数；

S3、在S1采集的磁共振弥散加权图像基础上，取其中部分b值作为b值组合，将b值组合中各个b值对应的弥散磁共振信号作为输入，将对应体素中S2中拟合得到的模型参数作为真值标签，构建为缺省b值的训练数据；利用缺省b值的训练数据训练一个弥散微循环模型驱动的深度学习网络，训练完毕后得到参数估计模型；