一种基于深度学习的磁共振指纹序列参数优化设计方法

1.本发明涉及磁共振指纹成像技术领域，具体涉及一种基于深度学习的磁共振指纹序列参数优化设计方法。


背景技术：

2.磁共振量化成像通过测量诸如质子密度(pd)、自旋晶格弛豫时间(t1)和自旋自旋弛豫时间(t2)等组织参数进行量化成像，能够提供更准确的组织特性信息，降低诊断的主观性，实现精准的疾病诊断与追踪。磁共振指纹成像技术
1.作为一种全新的磁共振量化成像方案，通过全新设计的数据采集与后处理方案，克服了传统量化成像方案中成像时间长、多参数成像困难等缺点，为量化成像技术的进一步临床应用奠定了基础。在磁共振指纹成像技术中，常采用随机或伪随机变化的脉冲扫描序列，使得人体各组织的响应信号具有独特的响应信号演变，常称为组织磁共振指纹信号。同时，根据磁共振信号激发的布洛赫模型构建包含所有可能人体组织的理论磁共振信号的指纹字典，然后基于模式匹配方法，将采集的组织磁共振指纹信号与指纹字典中的条目进行匹配，实现多组织参数的同时定量成像。脉冲序列直接影响组织磁共振指纹信号的演变，对成像质量起着决定性的作用，但脉冲序列对定量成像效果的影响机理尚不明确。现有方法多依据经验生成脉冲序列，缺乏脉冲序列与定量成像精度之间的关联模型理论依据。此外，为了保证模式匹配的精度，磁共振指纹成像时需要采集较长时间帧的指纹信号，因此脉冲序列长度较长(》1000)，包含参数数目多，导致磁共振指纹脉冲序列参数求解复杂度高。
3.因此，需要构建脉冲序列与定量成像精度的关联模型，并基于此关联模型设计一种高计算效率的磁共振指纹序列参数优化设计方法。


技术实现要素：

4.本发明提出一种基于深度学习的磁共振指纹序列参数优化设计方法，用以解决脉冲序列与定量成像精度关联关系不明，以及脉冲序列参数求解复杂的问题。
5.本发明为解决上述问题所采取的技术方案：
6.一种基于深度学习的磁共振指纹序列参数优化设计方法，包括以下步骤：
7.步骤一、根据磁共振指纹成像模型构建脉冲序列参数优化模型，该模型包括字典可分性最优项和参数估计最优项两部分；
8.步骤二、基于磁共振指纹成像脉冲序列物理特性构建神经网络；
9.步骤三、构造神经网络输入：采用与脉冲序列尺度相同的高斯随机序列作为网络的输入；
10.步骤四、设置序列参数优化收敛条件；
11.步骤五、将输入序列输入网络，优化磁共振指纹脉冲序列参数；
12.步骤六、利用步骤一定义的优化模型评估网络优化后的脉冲序列参数；
13.步骤七、判断是否达到迭代收敛条件，是则输出最终优化的磁共振指纹脉冲序列
参数；否则根据优化模型反向传播修正网络参数，并返回步骤五，继续迭代。
14.进一步地，步骤一构建的脉冲序列参数优化模型为：
[0015][0016]
其中，w表示权重聚焦矩阵，表示经过逐条目归一化的组织指纹字典，i表示单位对角矩阵，λ》0表示可调整的超参数，表示归一化后的磁共振指纹数据，表示线性退化算子，引入欠采样伪影与噪声。
[0017]
进一步地，步骤二中所述的基于磁共振指纹成像脉冲序列物理特性构建神经网络，构建过程具体为：基于循环门控神经单元与平滑约束模块构建序列参数生成单元，由若干脉冲序列参数生成单元串联构成脉冲序列参数生成网络。构建的网络能够充分利用脉冲序列上下文之间的相关性信息，并使生成的脉冲序列参数满足磁共振脉冲激发的物理要求。
[0018]
进一步地，步骤三中脉冲序列参数生成网络的输入为表示与待生成脉冲序列尺度相同的高斯白噪声。
[0019]
进一步地，步骤四根据所提出的脉冲序列参数优化模型定义序列参数性能的相对变化量为：∈n＝costn/cost
n-1
，设定迭代收敛条件为∈n《1e-5
。
[0020]
进一步地，步骤五将构建的输入序列输入网络，经构建的序列参数生成网络生成优化的脉冲序列参数：
[0021][0022]
其中，表示构造的输入序列，f
net
(
·
)表示构建的脉冲序列参数生成网络，表示网络生成的优化的脉冲序列参数，表示网络的参数。
[0023]
进一步地，步骤六按照构建的脉冲序列参数优化模型对网络生成的脉冲序列参数进行评估。
[0024]
进一步地，步骤七根据生成的优化后的序列参数评估结果，判断是否达到了所设置的迭代收敛条件，是则停止迭代并输出生成的脉冲序列参数，否则返回步骤五，继续迭代，生成新的脉冲序列参数。
[0025]
本发明具有以下有益技术效果：
[0026]
本发明是一种基于深度学习的磁共振指纹序列参数优化设计方法。本发明构建了脉冲序列与定量参数成像精度的相关联的序列参数优化模型，充分考虑了噪声以及数据欠采样对定量成像精度的影响，定量评估脉冲序列参数的性能；并基于磁共振信号激发原理提出了脉冲序列参数生成网络，充分列用序列参数的上下文相关信息，并利用并行计算提高脉冲序列参数优化效率。使用优化后的脉冲序列进行磁共振指纹成像，能够在不增加其他开销的情况下，大幅提高磁共振指纹成像的参数估计精度。
[0027]
本发明用以解决脉冲序列与定量成像精度关联关系不明，以及脉冲序列参数求解复杂的问题。本发明方法的技术要点包括构建脉冲序列与定量成像精度相关联的脉冲序列参数优化模型；基于磁共振脉冲激发物理原理构建脉冲序列参数生成网络；采用与脉冲序列尺度相同的高斯随机序列作为网络的输入；根据所提出的脉冲序列参数优化模型设置迭代收敛条件；将构建的输入序列输入网络，经构建的序列参数生成网络生成优化的脉冲序
列参数；按照构建的脉冲序列参数优化模型对网络生成的脉冲序列参数进行评估；根据生成的优化后的序列参数评估结果，判断是否达到了所设置的迭代收敛条件，是则停止迭代并输出生成的脉冲序列参数。本发明可用于磁共振指纹脉冲序列参数的优化设计。
附图说明
[0028]
图1为本发明方法流程图。
[0029]
图2为本发明所提出的脉冲序列参数生成网络结构示意图。
[0030]
图3为利用本发明提出的方法生成的优化后的磁共振指纹脉冲序列参数与原始采用的序列参数的对比示意图，其中original表示原始采用的序列参数，ours表示利用本发明得到的优化后的序列参数，序列长度为400。
[0031]
图4为利用本发明优化后的序列参数与原始序列参数分别生成的组织指纹字典的相关性示意图，将进行了可视化以直观的展示相关性，颜色越深相关性越低，利用本发明优化后的序列参数，使得组织指纹信号的相关性最低，也即可分性最优。
[0032]
图5为利用本发明优化后的序列参数与原始序列进行定量成像性能验证的实验结果，展示了同等条件下三种参数图的成像结果：纵向弛豫时间t1，横向弛豫时间t2，质子密度pd。实验结果显示，本发明所提出的方法优化的脉冲序列能够有效的提升磁共振指纹成像的精度。
具体实施方式
[0033]
下面结合附图和实例对本发明进行详细说明。
[0034]
磁共振指纹成像过程主要分为以下三个步骤：
[0035]
(1)对给定的磁共振指纹脉冲序列及其参数，通过磁共振扫描设备运行该脉冲序列得到磁
[0036]
共振指纹数据x；
[0037]
(2)根据脉冲序列及其参数，利用计算机仿真形成指纹信号字典d；
[0038]
(3)将指纹数据x与指纹信号字典d做匹配，重建磁共振参数定量图像。
[0039]
本发明的目的是克服上述步骤(1)中脉冲序列与定量成像精度关联关系不明，以及脉冲序列参数求解复杂的问题，提出了一种基于深度学习的磁共振指纹序列参数优化设计方法，能够高效的进行脉冲序列参数的优化生成，并在不增加其他开销的情况下，大幅提高磁共振指纹成像的参数估计精度。
[0040]
图1示出了根据本发明实施方式的一种基于深度学习的磁共振指纹序列参数优化设计方法的示意性流程图。如图1所示，本发明的具体实施步骤包括：
[0041]
步骤一、根据磁共振指纹成像模型构脉冲序列参数优化模型，该模型包括字典可分性最优项和参数估计最优项两部分；
[0042]
根据本发明实施例，磁共振指纹数据的获取表示为：
[0043][0044]
其中，表示获取的欠采样的频域(k空间)数据，nc表示线圈数目，ns表示单个线圈获取的k空间数据个数。表示包含线圈敏感度与欠采样的线性退化算子，
表示待恢复的无失真的频域磁共振指纹数据，n表示高斯分布的白噪声。当频域数据x恢复后，时域磁共振指纹数据x可以利用逆傅里叶变换获得：x
i，:
(1≤i≤n
x
ny)表示特定位置组织的响应信号，可以表示为
[2]
：
[0045]
x
i，:
＝ρib(ηi，θ)i＝1，
···
，n
x
ny[0046]
其中，表示质子密度(pd)，b(
·
)表示bloch方程，ηi表示有多个组织参数构成的参数向量，通常包括纵向弛豫时间t1，横向弛豫时间t2等，θ则表示磁共振指纹序列的参数，包括重复时间(tr)、回波时间(te)和翻转角(fa)等。相似的，磁共振指纹成像中预先构建的组织指纹字典可以表示为：
[0047]
d＝[d
m，:
]，d
m，:
＝b(ηm，θ)
[0048]
其中d表示构建的组织指纹字典，其条目d
m，:
，m＝1，
···
，m表示了组织参数ηm下的理论响应信号，响应的参数对照表lut＝[ηm]记录了字典条目与相对应组织参数的对应关系。因此。磁共振指纹参数匹配过程可以表示为：
[0049][0050][0051]
其中ki表示字典中最佳匹配条目的索引，和则表示估计的组织参数。
[0052]
构建的磁共振指纹脉冲序列参数优化模型，包括可分性最优项和参数估计最优项两部分：
[0053]
1)可分性最优项
[0054]
根据上述的参数匹配模型，组织指纹信号间的可分性可以通过最小化组织指纹字典条目间相关性来提高：
[0055][0056]
如果将字典进行逐条目归一化，上式可以利用矩阵运算提高效率：
[0057][0058]
其中表示经过逐条目归一化的字典，i表示单位对角矩阵。式(7)对所有条目施加相同的优化权重，本发明引入权重聚焦矩阵来提高生成序列对具有相近参数的组织的指纹信号的区分能力：
[0059][0060]
其中w表示权重聚焦矩阵，随优化迭代更新：
[0061][0062]
其中，表示上一迭代后根据优化的脉冲序列参数生成的组织指纹字典。权重聚焦矩阵对参数相近的组织施加更高的权重系数，能够提升优化的脉冲序列对参数相近组织的区分能力。
[0063]
2)参数估计最优项
[0064]
磁共振指纹成像的参数估计过程，利用矩阵运算可以重写为：
[0065]
x＝rd
[0066]
其中表示匹配矩阵，其每一行为一稀疏向量，如果所有的数据经过归一化，可以采用矩阵运算求解匹配矩阵以提高效率：
[0067][0068]
其中和表示归一化后的数据，算子argmax
dim＝2
(
·
)表示求矩阵沿第二维的最大值索引，上式描述的匹配矩阵求解过程，通过忽略质子密度简化了参数估计过程，提高了求解效率。然而算子argmax
dim＝2
(
·
)不可导，无法直接将定量成像精度与脉冲序列参数相关联。基于磁共振指纹参数估计模型的进一步简化，本发明提出了一个可导的参数估计最优项来提高脉冲序列在噪声干扰以及数据欠采样影响下的定量成像性能，可以表示为：
[0069][0070]
其中表示基于的数据获取模型构建的线性退化算子，引入欠采样伪影与噪声：与欠采样和噪声数据相比，全采样的无失真数据在模式匹配时精度最高。因此，上式中描述的优化方案旨在最小化欠采样伪影和噪声对定量成像精度的影响。
[0071]
结合字典可分性最优项和参数估计最优项，构建的磁共振指纹脉冲序列参数优化模型可以表示为：
[0072][0073]
其中λ》0表示可调整的超参数，用来平衡两部分的优化项。可分性最优项能够增加不同组织响应信号的可分性，提高模式匹配与定了参数成像的精度；参数估计最优项能够提高脉冲序列在存在噪声干扰以及数据欠采样影响下的定量成像性能。所提出的脉冲序列参数优化模型将脉冲序列与定量成像精度相关联，并充分考虑了成像系统缺陷对成像精度的影响，能够提高优化后的脉冲序列的成像性能。
[0074]
步骤二、基于磁共振指纹成像脉冲序列物理特性构建神经网络；
[0075]
所提出的脉冲序列参数生成网络结构见附图2。为了充分利用脉冲序列上下文之间的相关性信息，本发明提出了基于循环门控神经单元的磁共振指纹脉冲序列参数生成网络(简称psg-net)。所提出的网络由一系列的脉冲序列参数生成单元(简称psg cell)串联组成，psg cell的数量与待生成的脉冲序列的长度一致。所提出的psg cell是基于门控循环神经单元(gru cell)设计的，以捕获脉冲序列中的上下文之间包含的相关特征先验。
[0076]
此外，有研究表明
[3]
，序列参数(尤其是翻转角fa)的平滑变化使得组织响应信号具有较平滑演变，有助于提高参数估计对欠采样和噪声的鲁棒性。因此，本发明在所提出的psg cell中引入了一个平滑模块，以使得网络生成的脉冲序列参数具有平滑的参数变化。同时，具有类残差结构的平滑模块可以进一步提高对脉冲序列的上下文相关性所隐含的先验信息的利用，并有效降低神经网络的学习难度。平滑模块本身所包含的参数(ψ)也是可学习的，能够随着网络的优化逐渐调整，对生成的序列参数进行更精细的调整。所提出的psg cell可以表示为：
[0077]
[0078][0079]
ψ＝[ψ
fa
，ψ
tr
]
[0080]
其中表示输入脉冲序列的第i个参数向量，表示由第i个所提出的psg cell优化生成的第i个参数向量。可学习的平滑参数ψ由ψ
fa
∈[0，ψ
fa
]和ψ
tr
∈[0，ψ
tr
]两部分组成，分别对翻转角fa和重复时间tr施加平滑约束。生成序列的平滑度也可以通过设置平滑模块参数的取值范围来有效调整。是由gru cell提取的特征先验，gru cell的参数用表示。表示psg cell(在平滑模块之前)从输入的序列参数中提取的特征。
[0081]
序列优化问题不具备传统深度学习技术所需的真实样本参考值。所提出的psg-net的特殊设计结构充分考虑了脉冲序列的特点，可以大大降低网络优化序列的难度。因此，所提出的网络可以在无监督学习模式下根据所提出的代价函数实现磁共振指纹成像脉冲序列的优化生成。
[0082]
步骤三、构造神经网络输入：采用与脉冲序列尺度相同的高斯随机序列作为网络的输入；
[0083]
根据本发明实施例，脉冲序列参数生成网络的输入为表示与待生成脉冲序列尺度相同的高斯白噪声。
[0084]
步骤四、设置序列参数优化收敛条件；
[0085]
根据步骤一所提出的脉冲序列参数优化模型，定义优化模型评估序列参数性能的相对变化量为：∈n＝costn/cost
n-1
，设定迭代收敛条件为∈n《1e-5
。
[0086]
步骤五、将输入序列输入网络，优化磁共振指纹脉冲序列参数；
[0087]
根据本发明实施例，利用步骤二构建的网络生成优化的脉冲序列参数：
[0088][0089]
其中，表示步骤三构造的输入序列，f
net
(
·
)表示步骤二中构建的网络，表示网络生成的优化的脉冲序列参数，表示网络的参数。
[0090]
步骤六、利用步骤一定义的优化模型评估网络优化后的脉冲序列参数；
[0091]
按照步骤一定义的脉冲序列参数优化模型对网络生成的脉冲序列参数进行评估。
[0092]
步骤七、判断是否达到迭代收敛条件，是则输出最终优化的磁共振指纹脉冲序列参数；否则根据优化模型反向传播修正网络参数，并返回步骤五。
[0093]
根据本发明实施例，为了定量分析本发明的效果，采用nmse指标对实验结果进行分析，nmse指标的定量分析公式为：
[0094][0095]
其中，θ和分别表示参考参数图和估计的参数图。
[0096]
将本发明方法与原始采用的序列参数进行比较。
[0097]
图3为利用本发明提出的方法生成的优化后的磁共振指纹脉冲序列参数与原始采用的序列参数的对比示意图，其中original表示原始采用的序列参数，ours表示利用本发
明得到的优化后的序列参数，序列长度为400。
[0098]
图4为利用本发明优化后的序列参数与原始序列参数分别生成的组织指纹字典的相关性示意图，将进行了可视化以直观的展示相关性，颜色越深相关性越低，利用本发明优化后的序列参数，使得组织指纹信号的相关性最低，也即可分性最优。
[0099]
图5为利用本发明优化后的序列参数与原始序列进行定量成像性能验证的实验结果，展示了同等条件下三种参数图的成像结果：纵向弛豫时间t1，横向弛豫时间t2，质子密度pd。实验结果显示，本发明所提出的方法优化的脉冲序列能够有效的提升磁共振指纹成像的精度。
[0100]
本发明援引的文献如下：
[0101]
[1]ma d,gulani v,seiberlich n,et al.magnetic resonance fingerprinting[j].nature,2013,495(7440):187-192.
[0102]
[2]davies m,puy g,vandergheynst p,et al.a compressed sensing framework for magnetic resonance fingerprinting[j].siam journal on imaging sciences,2014,7(4):2623-2656.
[0103]
[3]zhao b,haldar j p,liao c,et al.optimal experiment design for magnetic resonance fingerprinting:cram
é
r-rao bound meets spin dynamics[j].ieee transactions on medical imaging,2018,38(3):844-861.