[发明专利]一种扩散张量成像参数量化方法、系统、设备和介质

说明书

本发明提供了一种扩散张量成像参数量化方法、系统、设备和介质，其中方法包括：获取dMRI数据{Ssubgt;0/subgt;,Ssubgt;b/subgt;(gsubgt;n/subgt;),n＝1,2,…,N}，以及获取dMRI数据对应的b值和扩散编码方向gsubgt;n/subgt;；根据扩散编码方向gsubgt;n/subgt;，求取球谐函数对dMRI数据进行数据变换，得到扩散衰减图像，并根据扩散衰减图像和球谐函数的复共轭计算球谐系数图；将球谐系数图输入已构建的深度学习网络，得到DTI扩散张量场；根据DTI扩散张量场，计算得到DTI量化参数图。本发明能够提高DTI扩散张量估计的准确性，进而提高DTI量化参数的准确性，为精准医疗提供可靠的量化依据。

技术领域

本发明属于磁共振技术领域，尤其涉及一种扩散张量成像参数量化方法、系统、设备和介质。

背景技术

扩散磁共振成像(Diffusion Magnetic Resonance Imaging，dMRI)可以对活体组织中水分子的扩散运动进行无创映射，是临床重要检查手段之一。扩散张量成像(Diffusion tensor imaging,DTI)是一种常见的扩散磁共振成像方式，需要采集至少一副非扩散加权图像和六幅扩散加权(diffusion-weighted,DW)图像，目前已广泛应用于临床量化诊断以及脑白质纤维束可视化。b值是DW图像的重要参数，含义为扩散敏感系数，其大小影响着DW图像信号的衰减，b值越高，DW图像信号越弱。因此DW图像的噪声较常规的结构磁共振图像更为严重。噪声的存在会模糊图像细节，降低图像质量，导致DTI扩散张量场估计不准确，从而导致平均扩散率(mean diffusivity,MD)、各向异性分数(fractionalanisotropy,FA)等DTI量化参数计算不准确，影响临床诊断和科学研究。

因此，降低DW图像的噪声是十分必要的。在临床上，通常使用重复采集多次DW图像取平均值的方法来提高DW图像的信噪比，然而该方法会延长采集时间，进而增加采集成本和被试者在采集过程中发生运动的概率。为此，研究学者们相继提出了大量后处理技术以降低噪声对DTI参数量化的影响。这些后处理技术包括传统方法和深度学习方法。其中，MPPCA、NLM、BM3D等对DW图像进行去噪的方法属于传统方法。传统方法的缺点主要为计算时间长，算法复杂度高。现阶段的深度学习方法为：根据有噪声的DW图像，利用深度学习网络来预测无噪的DW图像或DTI扩散张量场或DTI量化参数。现有深度学习方法较传统方法效果好，速度快。然而现有的深度学习方法受限于指定的采集方案(扩散编码方向指向、方向个数、b值大小)，泛化能力差，难以在临床上推广使用。

发明内容

本发明的目的在于提供一种扩散张量成像参数量化方法、系统、设备和介质，能够提高DTI扩散张量场估计的准确性，进而提高DTI量化参数的准确性，为精准医疗提供可靠的量化依据。

本发明是通过以下技术方案实现的：

一种扩散张量成像参数量化方法，包括以下步骤：

获取dMRI数据{S₀,S_b(g_n),n＝1,2,…,N}，以及获取dMRI数据对应的b值和扩散编码方向g_n；

根据扩散编码方向g_n，求取球谐函数Y_l^m(g_n)；

对dMRI数据进行数据变换，得到扩散衰减图像，并根据扩散衰减图像和球谐函数的复共轭Y_l^m*(g_n)计算球谐系数图；

将球谐系数图输入已构建的深度学习网络，得到DTI扩散张量场；

根据DTI扩散张量场，计算得到DTI量化参数图。

进一步地，对dMRI数据进行数据变换的步骤包括：