基于动态增强磁共振的脑脊液输运参数推断方法及系统
本发明涉及医学图像处理,具体涉及基于动态增强磁共振的脑脊液输运参数推断方法及系统。
背景技术:
1、类淋巴系统假说认为,脑脊液沿血管周围通路和脑实质通路与组织间液交换,从而参与脑内溶质输运及代谢废物清除。脑组织内的示踪剂迁移可同时受到平流和扩散影响,二者的相对作用随脑区、组织微环境和生理状态而变化,主导输运机制仍有争议。对该输运过程进行全脑定量分析,有助于研究脑清除机制、神经系统疾病和药物递送。
2、现有活体流动测量技术通常具有侵入性,或者只能获得表浅区域及少量空间位置的测量结果。动态增强磁共振成像能够连续观察示踪剂在全脑三维空间中的传播,形成随时间变化的四维数据,已成为活体类淋巴输运研究的重要手段。现有dce-mri定量研究主要分析分区信号增强、到达与清除过程或解剖输运通路。这些指标能够描述示踪剂分布变化,但不能直接恢复具有空间分辨率的完整三维速度场。
3、从dce-mri时间序列估计流动仍存在三项主要困难。第一,观测数据仅是在若干离散时刻获得的示踪剂浓度代理,相邻时刻间隔较大,而未知速度和输运参数需要解释整个时段内的连续变化,因此该问题具有较强的不适定性。第二,待测流速通常较低,并与扩散、边界流入及源汇作用共同影响浓度变化。相比之下,心脏等高速流动中的整体运动更明显,更容易从图像中分离。第三,该问题同时涉及三维空间和时间,随着全脑数据空间分辨率提高,存储量和计算量迅速增加。
4、与上述任务相关的一类方法采用最优质量输运(optimal mass transport,omt)求解光流。该方法最初用于动态火焰纹理的运动估计,随后被用于脑dce-mri,在质量守恒约束下寻找相邻示踪剂浓度状态之间能量最小的输运路径并估计速度。正则化最优质量输运和非平衡最优质量输运进一步引入扩散正则项及质量变化,以描述脑组织内更实际的溶质输运。另有研究采用伴随方法,通过偏微分方程约束优化从人体类淋巴磁共振数据估计输运参数。
5、另一类方法采用物理信息神经网络,以连续函数表示时空场,并通过偏微分方程残差约束网络。在脑磁共振数据处理中,已有方法将磁共振观测与平流-扩散方程结合,用于估计隐藏输运场或方程参数。磁共振人工智能测速方法还加入达西流约束(darcy流约束),以重建全脑速度、压力和渗透率场。最优质量输运方法需要反复执行高维优化,物理信息神经网络也需要针对每个病例分别拟合隐藏场。两类方法通常还需要预先给定脑脊液示踪剂扩散系数;例如,最优质量输运采用经验性的空间均匀自扩散系数,磁共振人工智能测速方法虽可设置多种扩散系数分布,其结果仍对平均值较为敏感。因此,现有物理约束方法的计算成本较高,并且尚未将空间变化的有效扩散系数作为辅助场与速度共同估计。
6、第三类方法采用深度学习光流,根据图像特征之间的对应关系估计稠密运动。递归全对场变换(raft)方法(z. teed,j. deng,raft:用于光流估计的循环全对场变换,欧洲计算机视觉会议(eccv 2020),计算机科学讲义,2020,12347:402-419,)在每次循环中利用源图像与目标图像全部位置组合的相关信息,逐步修正运动结果。三维体积递归全对场变换(volraft)方法(t. m. wong,j. moosmann,b. zeller-plumhoff,volraft:用于基于同步辐射微型ct骨-植入物界面图像数字体相关的体积光流网络,2024 ieee/cvf计算机视觉与模式识别会议研讨会,2024:53-62)将该类循环特征对应机制扩展至成对三维图像,可估计体数据运动,并通过循环更新得到三维位移场。
7、现有深度学习光流方法主要恢复表观位移,没有显式描述标量浓度的平流-扩散过程及示踪剂弥散。这一差异在dce-mri中尤为重要,因为相邻时刻浓度的变化同时包含输运和扩散作用。总体而言,最优质量输运和物理信息神经网络能够引入输运方程,但需要针对病例执行优化;深度学习光流能够较快地估计三维运动,但未直接约束标量输运动力学。现有方法尚难同时兼顾三维体数据处理效率、速度场恢复、空间变化有效扩散系数估计和浓度输运方程一致性。
技术实现思路
1、本发明的目的在于提供一种基于动态增强磁共振的脑脊液输运参数推断方法及系统,能够实现速度场估计和有效扩散系数估计。
2、为实现上述发明目的,本发明提供如下技术方案:
3、本发明提供了一种基于动态增强磁共振的脑脊液输运参数推断方法,包括:
4、(1)构造具有速度和有效扩散系数真值的dce-mri合成数据,并通过离线模拟器生成目标浓度,获得合成样本;
5、(2)构建输运参数推断模型,包括:以目标浓度为输入,通过三维递归速度预测器对目标浓度编码生成源特征和目标特征,并沿输运特征线确定查询位置,并提取源特征的查询位置邻域的目标特征向量,根据源特征向量和目标特征向量计算相关信息后映射得到速度场;再根据速度场对目标浓度执行纯平流模拟并计算浓度残差,有效扩散系数校正器根据浓度残差及其绝对值输出非负有效扩散系数;
6、(3)通过合成样本对输运参数推断模型进行监督预训练,以及基于真实dce-mri体数据为无标签数据调整监督预训练参数,获得训练后的输运参数推断模型;
7、(4)获取相邻时刻三维动态增强磁共振体数据并生成示踪剂的浓度,输入到训练后的输运参数推断模型,输出包括速度和有效扩散系数的脑脊液输运参数。
8、本方法通过输运特征线约束的局部相关计算降低三维速度估计计算量,并通过纯平流残差驱动有效扩散系数估计,提高浓度输运模型与动态增强磁共振观测之间的一致性。
9、生成的目标浓度包括相邻两个时刻的浓度c0和c1,计算方法为:
10、;
11、其中,i(x,tj)表示配准后的相邻三维dce-mri信号体;ibase(x)表示由示踪剂进入前一个或多个基线帧求平均得到的基线体;ε表示防止分母为零的正数;c(x,tj)表示由磁共振信号相对基线的增强量形成的浓度。
12、在步骤(2)中,所述三维递归速度预测器包括:
13、编码器,分别编码c0和c1,生成源特征f0、目标特征f1、初始隐藏状态h(0)和静态上下文q;
14、输运特征线查询模块,在每个递归步i,根据当前位移d(i)沿输运特征线反向追踪,得到相关信息的查询位置;
15、相关信息生成模块,由目标特征f1生成若干个空间尺度的目标特征,在每次递归更新时,对每个源特征提取当前查询位置附近的目标特征向量,现场计算源特征向量与目标特征向量的归一化内积,作为相关信息;
16、递归更新模块,相关信息经运动编码器映射为运动特征后,与初始隐藏状态h(0)静态上下文q合并后输入卷积门控循环单元处理后输入到位移更新头,输出位移增量δd(i),累加位移增量获得d(i+1),完成n次递归后将最终索引坐标位移转换为物理速度场u。
17、进一步地,所述编码器包括:
18、特征编码器,分别将c0和c1映射为下采样特征f0和f1;
19、上下文编码器,将c0映射为初始隐藏状态h(0)和静态上下文q。
20、在步骤(2)中,将可微模拟器特化为有效扩散系数deff=0的纯平流模拟器(无扩散模拟器),用于对目标浓度c0执行纯平流模拟生成纯平流路径浓度cadv,并将目标浓度c0与纯平流路径浓度之差作为浓度残差。
21、进一步地,在步骤(2)中,有效扩散系数校正器包括:
22、残差编码器,用于提取浓度残差在三维空间中的分布特征;
23、特征融合模块,用于合并分布特征;
24、扩散系数解码器,用于将合并后的分布特征恢复到目标空间分辨率,输出非负有效扩散系数deff。
25、在步骤(3)中,所述监督预训练的损失包括控制数据损失、浓度物理一致性损失、散度损失、总变分损失和稳定性损失。
26、在步骤(3)中,以真实dce-mri体数据为无标签数据,通过可微模拟器生成模拟浓度,根据模拟浓度与真实目标浓度之间的差异以及速度物理约束更新监督预训练后的输运参数推断模型,获得最终的输运参数推断模型。
27、本发明还提供了一种基于动态增强磁共振的脑脊液输运参数推断系统,包括:
28、数据构建模块,构造具有速度和有效扩散系数真值的dce-mri合成数据,并通过离线模拟器生成目标浓度,获得合成样本;
29、模型构建模块,构建输运参数推断模型,包括:以目标浓度为输入,通过三维递归速度预测器对目标浓度编码生成源特征和目标特征,并沿输运特征线确定查询位置,并提取源特征的查询位置邻域的目标特征向量,根据源特征向量和目标特征向量计算相关信息后映射得到速度场;再根据速度场对目标浓度执行纯平流模拟并计算浓度残差,有效扩散系数校正器根据浓度残差及其绝对值输出非负有效扩散系数;
30、模型训练模块,通过合成样本对输运参数推断模型进行监督预训练,以及基于真实dce-mri体数据为无标签数据调整监督预训练参数,获得训练后的输运参数推断模型;
31、输运参数推断模块,获取相邻时刻三维动态增强磁共振体数据并生成示踪剂的浓度,输入到训练后的输运参数推断模型,输出包括速度和有效扩散系数的脑脊液输运参数。
32、本发明还提供了一种计算设备,包括存储器和一个或多个处理器,所述存储器中存储有可执行程序,所述一个或多个处理器在执行所述程序时实现上述的基于动态增强磁共振的脑脊液输运参数推断方法。
33、本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理执行时实现上述的基于动态增强磁共振的脑脊液输运参数推断方法。
34、本发明提供的方法为一种从相邻时刻三维动态增强磁共振成像(dynamiccontrast-enhanced magnetic resonance imaging,dce-mri)体数据中联合推断示踪剂输运物理速度场和有效扩散系数场的方法。
35、本发明通过输运特征线查询使相关采样位置与半拉格朗日浓度输运路径一致,从而本方法通过输运特征线约束的相关信息计算降低三维速度估计计算量;
36、本发明通过纯平流残差驱动有效扩散系数估计,提高浓度输运模型与动态增强磁共振观测之间的一致性:纯平流模拟先计算速度能够解释的浓度变化,再把剩余浓度差作为校正器的输入来估计deff,从计算顺序上减少速度分支与未分辨扩散作用之间的混淆;有效扩散系数校正器和三维递归速度预测器分别使用独立参数,并且在训练初期保持校正器参数不变,从而减少两个学习目标相互干扰;
37、因此,本发明提供的方法及系统能够实现有效扩散系数估计和浓度输运一致性,从而解决了现有方案难以同时兼顾三维体数据的对应关系、示踪剂输运物理、空间变化有效扩散系数和新病例计算效率的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com