[发明专利]一种深度学习结合特异性MR数据处理用于QSM分析的方法

说明书

本发明公开了一种深度学习结合特异性MR数据处理用于QSM分析的方法，包括步骤：利用MGE序列采集T2*和Phase磁共振数据、科研人员手工标注生物结构外轮廓；结合MGE特点实现数据增强与科研人员的标注组成深度学习的训练数据集；构建基于预训练骨干改进的深度学习分割网络；训练模型对边界模糊生物组织T2*图像进行分割并生成相位掩膜；相位掩膜数据批处理并与Phase磁共振数据配准，最终用以QSM分析。本发明利用改进的深度学习方法生成QSM分析中所需的相位掩膜，结合特异性MR数据处理实现批量图像配准，将加快QSM分析方法应用于动物MRI影像研究并辅助科研分析，提高了分析准确率。

技术领域

本发明涉及磁共振影像数据处理，特别涉及一种深度学习结合特异性MR数据处理用于QSM分析的方法。

背景技术

磁共振成像(MRI)技术在过去的十年间飞速发展，基于磁共振影像中的相位图(Phase)数据发展而来的磁敏感加权成像技术和定量磁化率成像(QSM)技术在快速更新迭代的过程中使得生物体内铁含量的可视化和定量测量成为可能(A.Deistung，F Schweser,and J.R.Reichenbach，“Overview of quantitative susceptibility mapping,”NMRBiomed，vol.30，no.4，pp.e3569，Apr，2017.)。具体而言，多梯度回波(MGE)序列与后处理技术和建模运算相结合，显著提高了图像中含铁区域与其他区域间的对比度，并实现了铁含量的定量计算。生物体局部组织的磁化率高低分布在QSM中被反应出来，使得原本不易辨认的不同区域之间显示出明显边界。近年来，QSM不仅应用于生物组织的MRI数据分析，还被逐渐拓展到外源性磁性材料在生物体内的示踪研究中(Y.Wang，and T.Liu，“Quantitativesusceptibility mapping(QSM)：Decoding MRI data for a tissue magneticbiomarker,”MagnReson Med，vol.73，no.1，pp.82-10l，Jan，2015.)。定量相对磁化率分析能够反应外源性物体的驻留时效及其在生物体内的分布情况，为新型材料在体示踪提供新视角和新方案，因此愈发受人关注。然而现有的QSM分析软件(如STI suite，Medi等)主要针对的应用场景是生物脑组织MRI图像(W.Li，B.Wu，and C.Liu，“Quantitativesusceptibility mapping of human brain reflects spatial variation in tissuecomposition,”Neuroimage，vol.55，no.4，pp.1645-56，Apr 15，2011.)，当QSM应用于其他组织(如肾脏、颈部等)并且加入外源性物质时，QSM分析最终结果可能会出现信号丢失的情况。这是由于在QSM处理的初期阶段需要生成相位掩膜将生物组织和外源性材料整体进行遮罩处理，而上述QSM软件中自带的掩膜生成方法性能较弱，无法生成正确的掩膜造成的。根据生物组织结构，高效地生成正确的相位掩膜图像，实现MRI数据的快速QSM处理，具有重要的应用和科研价值。