一种核Overhauser增强成像方法及系统

一种核overhauser增强成像方法及系统
技术领域
1.本发明涉及磁共振成像技术领域，特别是涉及一种核overhauser增强成像方法及系统。


背景技术：

2.核overhauser增强(noe)效应是通过交叉弛豫产生的一种磁化传递(mt)效应的衍生物，noe为磁共振成像(mri)提供了一种新的对比机制。尽管noe效应与化学交换饱和转移(cest)效应的直接化学交换作用的机理不同，但都可以在z谱中使特定频率范围内的信号下降，和cest效应类似，noe成像结果具有强的特异性，可以间接体现组织的生理和病理信息，在疾病诊断、肿瘤分级等方面具有重要的应用价值。常规的noe对比图的计算方法有三点偏移法、洛伦兹差法、bloch-mcconnell方程拟合法、多池洛伦兹拟合法等。这些方法都有各自的局限性，例如三点偏移法和洛伦兹差法无法避免mt效应对noe定量的影响，在脂肪较多的组织存在较大的误差；bloch-mcconnell方程拟合法计算较准确，但对拟合参数的范围和初值要求严格且对噪声敏感，导致计算得到的图像不平滑；多池洛伦兹拟合法同样对噪声敏感且需采集较多的频点，尤其当池数增加时，计算精度下降且计算耗时增长。因此，需要研究更高效的方法来重建更高质量的noe对比图。


技术实现要素：

3.本发明的目的是提供一种核overhauser增强成像方法及系统，可快速重建出高质量的noe对比图。
4.为实现上述目的，本发明提供了如下方案：
5.一种核overhauser增强成像方法，包括：
6.获取待处理的cest图像；
7.对所述待处理的cest图像进行预处理得到预处理后的cest图像；
8.在所述预处理后的cest图像中选取多个感兴趣区域；
9.采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值；所述样本参数包括noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度；
10.根据所有所述感兴趣区域内各样本参数的值中的最值确定各所述样本参数的取值范围；
11.根据各所述样本参数的取值范围生成设定量的训练样本；所述训练样本包括调制后的模拟noe浓度图、调制后的模拟noe交换速率图和加入噪声后的模拟cest图像；
12.根据各所述训练样本，以所述调制后的模拟noe浓度图和所述调制后的模拟noe交换速率图为标签，以所述加入噪声后的模拟cest图像为输入对深度神经网络进行训练得到训练好的深度神经网络；
13.将所述预处理后的cest图像输入所述训练好的深度神经网络得到noe对比图。
14.可选的，所述对所述待处理的cest图像进行预处理得到预处理后的cest图像，具体包括：
15.以所述待处理的cest图像中最大频偏下的饱和图像为基准，对所述待处理的cest图像进行归一化，得到归一化后的cest图像；
16.对所述归一化后的cest图像进行滤波，得到滤波后的cest图像；
17.对所述滤波后的cest图像进行平滑处理，得到预处理后的cest图像。
18.可选的，所述根据各所述样本参数的取值范围生成设定量的训练样本，具体包括：
19.多次执行训练样本生成过程；
20.所述训练样本生成过程为：
21.根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图；
22.采用经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制以使所述模拟noe浓度图和所述模拟noe交换速率图产生纹理，得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图；
23.根据所述磁场不均匀度的取值范围和所述射频场不均匀度的取值范围生成模拟磁场图和模拟射频场图；
24.将所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图、所述模拟磁场图和所述模拟射频场图输入bloch-mcconnell方程模型得到模拟cest图像；
25.对所述模拟cest图像加入随机噪声得到加入噪声后的模拟cest图像；
26.确定所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图和所述加入噪声后的模拟cest图像为训练样本。
27.可选的，所述采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值，具体包括：
28.获取bloch-mcconnell方程模型的方程解类型、池参数和生成所述待处理的cest图像时的采样参数；
29.将所述采样参数、池参数和方程解类型输入所述bloch-mcconnell方程模型得到确定的bloch-mcconnell方程模型；
30.采用所述确定的bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各感兴趣区域内样本参数的值。
31.可选的，所述根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图，具体包括：
32.创建一个空白模板；
33.根据所述noe浓度的取值范围和所述noe交换速率的取值范围，分别在所述空白模板内逐像素点随机生成noe浓度和noe交换速率，得到模拟noe浓度图和模拟noe交换速率图。
34.一种核overhauser增强成像系统，包括：
35.图像获取模块，用于获取待处理的cest图像；
36.图像预处理模块，用于对所述待处理的cest图像进行预处理得到预处理后的cest图像；
37.感兴趣区域确定模块，用于在所述预处理后的cest图像中选取多个感兴趣区域；
38.样本参数值确定模块，用于采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值；所述样本参数包括noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度；
39.样本参数取值范围确定模块，用于根据所有所述感兴趣区域内各样本参数的值中的最值确定各所述样本参数的取值范围；
40.训练样本生成模块，用于根据各所述样本参数的取值范围生成设定量的训练样本；所述训练样本包括调制后的模拟noe浓度图、调制后的模拟noe交换速率图和加入噪声后的模拟cest图像；
41.网络训练模块，用于根据各所述训练样本，以所述调制后的模拟noe浓度图和所述调制后的模拟noe交换速率图为标签，以所述加入噪声后的模拟cest图像为输入对深度神经网络进行训练得到训练好的深度神经网络；
42.noe对比图重建模块，用于将所述预处理后的cest图像输入所述训练好的深度神经网络得到noe对比图。
43.可选的，所述图像预处理模块，具体包括：
44.归一化子模块，用于以所述待处理的cest图像中最大频偏下的饱和图像为基准，对所述待处理的cest图像进行归一化，得到归一化后的cest图像；
45.滤波子模块，用于对所述归一化后的cest图像进行滤波，得到滤波后的cest图像；
46.平滑子模块，用于对所述滤波后的cest图像进行平滑处理，得到预处理后的cest图像。
47.可选的，所述训练样本生成模块，具体包括：
48.训练样本生成子模块，用于多次执行训练样本生成过程；
49.所述训练样本生成子模块包括：
50.模拟noe浓度图和模拟noe交换速率图确定单元，用于根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图；
51.调制单元，用于采用经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制以使所述模拟noe浓度图和所述模拟noe交换速率图产生纹理，得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图；
52.模拟场图确定单元，用于根据所述磁场不均匀度的取值范围和所述射频场不均匀度的取值范围生成模拟磁场图和模拟射频场图；
53.模拟cest图像确定单元，用于将所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图、所述模拟磁场图和所述模拟射频场图输入bloch-mcconnell方程模型得到模拟cest图像；
54.噪声单元，用于对所述模拟cest图像加入随机噪声得到加入噪声后的模拟cest图像；
55.训练样本确定单元，用于确定所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图和所述加入噪声后的模拟cest图像为训练样本。
56.可选的，所述样本参数值确定模块，具体包括：
57.获取子模块，用于获取bloch-mcconnell方程模型的方程解类型、池参数和生成所
述待处理的cest图像时的采样参数；
58.bloch-mcconnell方程模型确定子模块，用于将所述采样参数、池参数和方程解类型输入所述bloch-mcconnell方程模型得到确定的bloch-mcconnell方程模型；
59.样本参数值确定子模块，用于采用所述确定的bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各感兴趣区域内样本参数的值。
60.可选的，所述模拟noe浓度图和模拟noe交换速率图确定单元，具体包括：
61.模板创建子单元，用于创建一个空白模板；
62.模拟noe浓度图和模拟noe交换速率图确定子单元，用于根据所述noe浓度的取值范围和所述noe交换速率的取值范围，分别在所述空白模板内逐像素点随机生成noe浓度和noe交换速率，得到模拟noe浓度图和模拟noe交换速率图。
63.根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明在预处理后的cest图像中选取多个感兴趣区域；采用bloch-mcconnell方程模型对各感兴趣区域分别进行拟合求解得到各感兴趣区域内样本参数的值；根据所有感兴趣区域内各样本参数的值中的最值确定各样本参数的取值范围；根据各样本参数的取值范围生成设定量的训练样本；根据各训练样本，以调制后的模拟noe浓度图和调制后的模拟noe交换速率图为标签，以加入噪声后的模拟cest图像为输入对深度神经网络进行训练得到训练好的深度神经网络；将预处理后的cest图像输入训练好的深度神经网络得到noe对比图。因为bloch-mcconnell方程模型具有高精度的优点，而且深度神经网络具有处理速度快的优点，所以本发明提高了重建noe对比图的质量和速度。
附图说明
64.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
65.图1为本发明实施例提供的核overhauser增强成像方法流程图；
66.图2为本发明实施例提供的核overhauser增强成像系统结构图；
67.图3为传统方法计算得到的鸡蛋的noe对比图；
68.图4为根据本发明提供的成像方法得到的鸡蛋的noe对比图。
具体实施方式
69.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
70.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
71.本发明实施例提供了一种核overhauser增强成像方法，如图1所示，所述方法包括：
72.步骤101：获取待处理的cest图像；所述待处理的cest图像由多个频偏下的饱和图像组成。
73.步骤102：对所述待处理的cest图像进行预处理得到预处理后的cest图像。
74.步骤103：在所述预处理后的cest图像中选取多个感兴趣区域。
75.步骤104：采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值；所述样本参数包括noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度。
76.步骤105：根据所有所述感兴趣区域内各样本参数的值中的最值确定各所述样本参数的取值范围。
77.步骤106：根据各所述样本参数的取值范围生成设定量的训练样本；所述训练样本包括调制后的模拟noe浓度图、调制后的模拟noe交换速率图和加入噪声后的模拟cest图像。
78.步骤107：根据各所述训练样本，以所述调制后的模拟noe浓度图和所述调制后的模拟noe交换速率图为标签，以所述加入噪声后的模拟cest图像为输入对深度神经网络进行训练得到训练好的深度神经网络。
79.步骤108：将所述预处理后的cest图像输入所述训练好的深度神经网络得到noe对比图，noe对比图包括noe浓度图和noe交换速率图。
80.在实际应用中，所述对所述待处理的cest图像进行预处理得到预处理后的cest图像，具体包括：
81.以所述待处理的cest图像中最大频偏下的饱和图像为基准，对所述待处理的cest图像进行归一化，得到归一化后的cest图像。
82.对所述归一化后的cest图像进行滤波，得到滤波后的cest图像。
83.对所述滤波后的cest图像进行平滑处理，得到预处理后的cest图像。
84.在实际应用中，所述根据各所述样本参数的取值范围生成设定量的训练样本，具体包括：
85.多次执行训练样本生成过程。
86.所述训练样本生成过程为：
87.根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图。
88.采用经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制以使所述模拟noe浓度图和所述模拟noe交换速率图产生纹理，得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图。
89.根据所述磁场不均匀度的取值范围和所述射频场不均匀度的取值范围生成模拟磁场图和模拟射频场图。
90.将所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图、所述模拟磁场图和所述模拟射频场图输入bloch-mcconnell方程模型得到模拟cest图像。
91.对所述模拟cest图像加入随机噪声得到加入噪声后的模拟cest图像。
92.确定所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图和所述加入噪声后的模拟cest图像为训练样本。
93.在实际应用中，所述采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值，具体包括：
94.获取bloch-mcconnell方程模型的方程解类型、池参数和生成所述待处理的cest图像时的采样参数。
95.将所述采样参数、池参数和方程解类型输入所述bloch-mcconnell方程模型得到确定的bloch-mcconnell方程模型。
96.采用所述确定的bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各感兴趣区域内样本参数的值。
97.在实际应用中，所述根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图，具体包括：
98.创建一个空白模板。
99.根据所述noe浓度的取值范围和所述noe交换速率的取值范围，分别在所述空白模板内逐像素点随机生成noe浓度和noe交换速率，得到模拟noe浓度图和模拟noe交换速率图。
100.在实际应用中，所述采用经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制以使所述模拟noe浓度图和所述模拟noe交换速率图产生纹理，得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图，具体包括：
101.将所述带纹理的自然图像进行滤波处理得到经过滤波处理的带纹理的自然图像。
102.采用所述经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图。
103.本发明还提供了一种与上述方法对应的核overhauser增强成像系统，如图2所示，所述系统包括：
104.图像获取模块a1，用于获取待处理的cest图像。
105.图像预处理模块a2，用于对所述待处理的cest图像进行预处理得到预处理后的cest图像。
106.感兴趣区域确定模块a3，用于在所述预处理后的cest图像中选取多个感兴趣区域。
107.样本参数值确定模块a4，用于采用bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各所述感兴趣区域内样本参数的值；所述样本参数包括noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度。
108.样本参数取值范围确定模块a5，用于根据所有所述感兴趣区域内各样本参数的值中的最值确定各所述样本参数的取值范围。
109.训练样本生成模块a6，用于根据各所述样本参数的取值范围生成设定量的训练样本；所述训练样本包括调制后的模拟noe浓度图、调制后的模拟noe交换速率图和加入噪声后的模拟cest图像。
110.网络训练模块a7，用于根据各所述训练样本，以所述调制后的模拟noe浓度图和所述调制后的模拟noe交换速率图为标签，以所述加入噪声后的模拟cest图像为输入对深度神经网络进行训练得到训练好的深度神经网络。
111.noe对比图重建模块a8，用于将所述预处理后的cest图像输入所述训练好的深度
神经网络得到noe对比图。
112.作为一种可选的实施方式，所述图像预处理模块，具体包括：
113.归一化子模块，用于以所述待处理的cest图像中最大频偏下的饱和图像为基准，对所述待处理的cest图像进行归一化，得到归一化后的cest图像。
114.滤波子模块，用于对所述归一化后的cest图像进行滤波，得到滤波后的cest图像。
115.平滑子模块，用于对所述滤波后的cest图像进行平滑处理，得到预处理后的cest图像。
116.作为一种可选的实施方式，所述训练样本生成模块，具体包括：
117.训练样本生成子模块，用于多次执行训练样本生成过程。
118.所述训练样本生成子模块包括：
119.模拟noe浓度图和模拟noe交换速率图确定单元，用于根据所述noe浓度的取值范围和noe交换速率的取值范围得到模拟noe浓度图和模拟noe交换速率图。
120.调制单元，用于采用经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制以使所述模拟noe浓度图和所述模拟noe交换速率图产生纹理，得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图。
121.模拟场图确定单元，用于根据所述磁场不均匀度的取值范围和所述射频场不均匀度的取值范围生成模拟磁场图和模拟射频场图。
122.模拟cest图像确定单元，用于将所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图、所述模拟磁场图和所述模拟射频场图输入bloch-mcconnell方程模型得到模拟cest图像。
123.噪声单元，用于对所述模拟cest图像加入随机噪声得到加入噪声后的模拟cest图像。
124.训练样本确定单元，用于确定所述调制后的模拟noe浓度图、所述调制后的模拟noe交换速率图和所述加入噪声后的模拟cest图像为训练样本。
125.作为一种可选的实施方式，所述样本参数值确定模块，具体包括：
126.获取子模块，用于获取bloch-mcconnell方程模型的方程解类型、池参数和生成所述待处理的cest图像时的采样参数。
127.bloch-mcconnell方程模型确定子模块，用于将所述采样参数、池参数和方程解类型输入所述bloch-mcconnell方程模型得到确定的bloch-mcconnell方程模型。
128.样本参数值确定子模块，用于采用所述确定的bloch-mcconnell方程模型对各所述感兴趣区域分别进行拟合求解得到各感兴趣区域内样本参数的值。
129.作为一种可选的实施方式，所述模拟noe浓度图和模拟noe交换速率图确定单元，具体包括：
130.模板创建子单元，用于创建一个空白模板。
131.模拟noe浓度图和模拟noe交换速率图确定子单元，用于根据所述noe浓度的取值范围和所述noe交换速率的取值范围，分别在所述空白模板内逐像素点随机生成noe浓度和noe交换速率，得到模拟noe浓度图和模拟noe交换速率图。
132.作为一种可选的实施方式，所述调制单元，具体包括：
133.滤波处理子单元，用于将所述带纹理的自然图像进行滤波处理得到经过滤波处理
的带纹理的自然图像。
134.调制子单元，用于采用所述经过滤波处理的带纹理的自然图像分别对所述模拟noe浓度图和所述模拟noe交换速率图进行调制得到调制后的模拟noe浓度图和调制后的模拟noe交换速率图。
135.本发明实施例还提供了一种更加详细的核overhauser增强成像方法(基于bloch-mcconnell方程和深度神经网络的核overhauser增强成像方法)，方法大体步骤为：采集化学交换饱和转移(cest)磁共振成像数据，得到原始cest图像；对所述原始cest图像进行预处理，得到预处理后的cest图像；根据所述预处理后的cest图像获取训练样本的noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度参数范围；根据所述训练样本的noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度参数范围生成深度神经网络的训练样本；构建重建noe对比图的深度神经网络；采用所述训练样本对所述深度神经网络进行训练，得到训练好的深度神经网络；将所述预处理后的cest图像输入所述训练好的深度神经网络进行重建，得到noe对比图，包括noe浓度图和noe交换速率图。方法的具体步骤包括：
136.s1：采集化学交换饱和转移(cest)磁共振成像数据，得到原始cest图像(待处理的cest图像)。
137.s1具体包括：
138.s11：确定采集cest磁共振成像数据的脉冲序列。
139.s12：确定采样参数，包括射频饱和脉冲的形状、射频饱和脉冲的个数、射频饱和脉冲的强度、射频饱和脉冲的持续时间、射频饱和脉冲的频偏列表、射频激发脉冲的翻转角、脉冲序列重复时间和脉冲序列回波时间。
140.s13：采用s11中脉冲序列在s12中采样参数下对成像对象进行磁共振成像扫描，获得原始cest图像，所述原始cest图像由多个频偏下的饱和图像组成。
141.s2：对s1中原始cest图像进行预处理，得到预处理后的cest图像。
142.s2具体包括：
143.s21：以所述待处理的cest图像中最大频偏下的饱和图像为基准，对原始cest图像进行归一化，得到归一化后的cest图像。
144.s22：对s21中归一化后的cest图像进行滤波。
145.s23：对s22中滤波后的图像进行平滑处理，得到预处理后的cest图像。
146.s3：根据s2中预处理后的cest图像获取训练样本的noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度参数范围。
147.s3具体包括：
148.s31：在s2中预处理后的cest图像内选取多个具有代表性的感兴趣区域(roi)。
149.s32：将s11中采样参数输入bloch-mcconnell方程模型。
150.s33：确定池参数并输入s32得到的bloch-mcconnell方程模型。
151.s34：确定方程解类型并输入s33得到的bloch-mcconnell方程模型。
152.s35：采用s34得到的bloch-mcconnell方程模型对各roi内cest图像数据进行拟合求解，得到各roi内noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度的解。
153.s36：根据s35中各roi内noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度的解的最值确定这些参数范围的上下限，得到训练样本的参数范围。
154.s4：根据s3中训练样本的noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度参数范围生成深度神经网络的训练样本。
155.s4具体包括：
156.s41：创建一个空白矩形模板。
157.s42：根据s3中训练样本的noe浓度和noe交换速率范围，在模板内逐像素点随机生成noe浓度和noe交换速率，得到模拟noe浓度图和模拟noe交换速率图。
158.s43：采用经过滤波处理的带纹理的自然图像对s42中模拟noe浓度图和模拟noe交换速率图进行调制以产生纹理，得到调制后的模拟noe浓度图和模拟noe交换速率图，所述纹理用于模拟真实成像对象的纹理。
159.s44：根据s3中训练样本的磁场不均匀度和射频场不均匀度参数范围，生成模拟磁场图和模拟射频场图；所述模拟磁场图和模拟射频场图用于模拟实际磁共振成像扫描的磁场和射频场条件。
160.s45：将s43中调制后的模拟noe浓度图和模拟noe交换速率图以及s44中模拟磁场图和模拟射频场图代入bloch-mcconnell方程模型，得到模拟cest图像。
161.s46：对s45中模拟cest图像加入随机噪声，所述随机噪声用于模拟实际磁共振成像扫描的噪声。
162.s47：将s43中调制后的模拟noe浓度图和模拟noe交换速率图作为神经网络的标签，将s46中加入噪声后的模拟cest图像作为神经网络的输入，得到一个训练样本。
163.s48：重复s41-s47，生成训练样本集，所述训练样本集包含设定量的训练样本。
164.s5：构建重建noe对比图的深度神经网络。
165.s6：采用s4中生成的训练样本对s5中深度神经网络进行训练，得到训练好的深度神经网络。
166.s7：将s2处理后的cest图像输入s6中训练好的深度神经网络进行重建，得到noe对比图，包括noe浓度图和noe交换速率图。
167.在实际应用中，所述s11中，采用的采集cest磁共振成像数据的脉冲序列为cest-fse。
168.在实际应用中，所述s12中，采样参数设置如下：射频饱和脉冲的强度为1.2μt、持续时间为4s、形状为矩形、个数为1，频偏列表为[-5,-4.75,-4.5,-4.25,-4,-3.75,-3.5,-3.25,-3,-2.75,-2.5,-2.25,-2,-1.75,-1.5,-1.25,-1,-0.75,-0.5,-0.25,0,0.25,0.5,0.75,1,100](单位:ppm)，射频激发脉冲的翻转角为90
°
，脉冲序列重复时间为6s、回波时间为40ms，成像视野为70mm
×
70mm，矩阵为64
×
96。
[0169]
在实际应用中，所述s21中，100ppm处的cest图像为最大频偏下的饱和图像，用于信号归一化。
[0170]
在实际应用中，所述s22中，采用主成分分析算法进行滤波以滤除主要噪声，将所述归一化后的cest图像逐像素点的z谱信号值按行重组成casorati矩阵，对该矩阵按列求平均得到平均z谱信号，并对该矩阵进行特征分解，得到特征值和特征向量，根据特征值确定最优特征向量的数量，然后将确定的最优特征向量映射到每行z谱信号与平均z谱信号的差值再逆向重组，得到滤波后的cest图像。
[0171]
在实际应用中，所述s23中，平滑处理的具体方法为：对滤波后的cest图像的k空间
数据充零至128
×
128并进行二维快速傅里叶变换，得到处理后的cest图像；
[0172]
在实际应用中，所述s31中，代表性roi数量为4个，单个roi包含10个像素点。
[0173]
在实际应用中，所述s33中池参数如下：池数为3，直接饱和对应的纵向弛豫时间t1＝1.2s，横向弛豫时间t2在[15,35](单位:ms)之间均匀分布，频偏为0ppm，noe池对应的t1＝2.2s，t2＝0.4ms，频偏为-3.6ppm，mt池的浓度为8mol/l，交换速率为30hz，t1＝1s，t2＝9.1μs，频偏为-2.4ppm，mt池的线型为超洛伦兹线型。
[0174]
在实际应用中，所述s34中，方程解类型为数值解。
[0175]
在实际应用中，所述s36中，参数范围的确定方式如下：分别将所有roi内noe浓度、noe交换速率、磁场不均匀度和射频场不均匀度的数值解中最小值的50％设置为参数范围的下限，最大值的150％设置为参数范围的上限以覆盖真实情况，得到训练样本的参数范围。
[0176]
在实际应用中，所述s43中，将带纹理的自然图像进行高斯滤波处理得到经过滤波处理的带纹理的自然图像。
[0177]
在实际应用中，所述s48中训练样本的数量为900。
[0178]
在实际应用中，所述s46中随机噪声服从以数学期望值为0，标准差为0.0035的正态分布。
[0179]
在实际应用中，所述s5中深度神经网络为u型卷积神经网络(u-net)，输入的单个训练样本的大小为128
×
128，采用l1范数对重建结果进行约束，分块大小为64
×
64，批次数为8，迭代次数为20万次。
[0180]
如图3和图4所示，其中图3(a)和图3(b)作为对照，分别为传统bloch-mcconnell方程拟合得到的noe浓度图和noe交换速率图，图4(a)和图4(b)分别为根据本发明重建得到的noe浓度图和noe交换速率图。从图3和图4中可以看出，本发明可较好地还原成像对象的细节，并解决因噪声造成的图像不平滑及不均匀磁场干扰问题。同时，传统bloch-mcconnell方程拟合方法计算时间为69分钟，本发明对于相同采集条件下的同一类成像对象，只需数秒便可重建得到结果。
[0181]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0182]
1.本发明实现了快速noe对比图重建。
[0183]
2.本发明得到的noe对比图质量高。
[0184]
3.本发明有效校正了不均匀磁场对noe对比图的影响。
[0185]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0186]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。