技术领域
[0001] 本
发明涉及
磁共振成像，尤其是涉及基于重叠回波的单扫描同步磁共振扩散(apparent diffusion coefficient，ADC)及T2成像方法。
背景技术
[0002] 磁共振定量成像可以提供用于以非入侵的方式分析正常和病态活体组织的对比机制，目前已应用于脑、心脏、脊髓微细结构的研究[1,2]。定量成像可以消除独立于组织性质的影响，比如对操作者依赖性、扫描参数差异、
磁场空间变化和图像缩放等[3]。多参数的定量成像在临床磁共振成像(magnetic resonance imaging,MRI)中获得越来越多的关注。多参数的定量成像通过采集不同参数的定量图(如T2和扩散图)，并用这些图对感兴趣区域(region of interest，ROI)进行联合分析，从而得到更多更准确的关于人体生理状态的变化或者神经结构的信息[4-6]。T2图需要通过拟合多个不同回波时间(echo time,TE)的自旋回波MRI数据得到，扩散图需要拟合多个不同扩散加权的MRI数据得到，因而一般获取T2和[7-9]扩散图的时间很长。较长的
采样时间也使得T2和扩散图像容易受到运动伪影的影响 。平面回波成像(echo-planar imaging，EPI)，可以作为单扫描快速成像方法用于T2和扩散成像，但也至少需要两次的EPI 采样才能得到T2或扩散图，病人在扫描间的运动或生理状态的变化仍会导致伪影的出现[10]。现有的用于估计和校正运动伪影的
算法无法校正层间运动造成的伪影和运动造成的图像模糊[11,12]。已经提出的通过重叠回波分离(overlapping-echo detachment，OLED)平面成像方法能够在单次扫描中获得高
质量的T2图像[13]，其
时空分辨率与传统的单扫描EPI图像相当。除了 T2成像，OLED还被用于单扫描扩散成像[14]。OLED的T2和扩散图还显示出对运动伪影和非理想B1场的更强的抵抗
力。但传统的OLED图像重建方法在高T2或高扩散值的区域，如
脑脊液(cerebrospinal fluid，CSF)，往往会失真，图像的空间分辨率也十分有限。前不久，一种基于
深度学习卷积神经网络的OLED T2成像重建方法被提出[15]，该方法重建出的OLED T2图比传统方法得到的OLED T2图与更高的分辨率，提高CSF区域的
精度。
[0003] 参考文献：
[0004] 1.Zhao B,Lam F,Liang ZP.Model-based MR parameter mapping with sparsity constraints: parameter estimation andperformance bounds.IEEE T Med Imaging 2014；33:1832-1844.
[0005] 2.Garces P,Pereda E,Hernandez-Tamames JA,Del-Pozo F,Maestu F,Pineda-Pardo JA. Multimodal description ofwhole brain connectivity:a comparison ofresting state MEG,fMRI,and DWI.Hum Brain Mapp 2016；37:20-34.
[0006] 3.Margaret Cheng HL,Stikov N,Ghugre NR,Wright GA.Practical medical applications of quantitative MR relaxometry.J Magn Reson Imaging 2012；36:805-824.
[0007] 4.Calamante F,Jeurissen B,Smith RE,Tournier JD,Connelly A.The role of whole-brain diffusion MRI as a tool for studying human in vivo cortical segregation based on a measure of neurite density.Magn Reson Med 2018；79:2738-2744.
[0008] 5.Aliotta E,Moulin K,Zhang Z,Ennis DB.Simultaneous measurement of T2 and apparent diffusion coefficient(T2+ADC)in the heart with motion-compensated spin echo diffusion-weighted imaging.Magn Reson Med 2018；79:654-662.
[0009] 6.Staroswiecki E,Granlund KL,Alley MT,Gold GE,Hargreaves BA.Simultaneous estimation of T(2)and apparent diffusion coefficient in human articular cartilage in vivo with a modified three-dimensional double echo steady state(DESS)sequence at 3 T.Magn Reson Med 2012；67:1086-1096.[0010] 7.Le Bihan D,Poupon C,Amadon A,Lethimonnier F.Artifacts and pitfalls in diffusion MRI. J Magn Reson Imaging 2006；24:478-488.
[0011] 8.Marami B,Scherrer B,Afacan O,Erem B,Warfield SK,Gholipour A.Motion-robust diffusion-weighted brain MRI reconstruction through slice-level registration-based motionc tracking.IEEE Trans Med Imaging 2016；35:2258-2269.[0012] 9.Arthurs OJ,Edwards A,Austin T,Graves MJ,Lomas DJ.The challenges of neonatal magnetic resonance imaging.Pediatr Radiol 2012；42:1183-1194.[0013] 10.Shi X,Kholmovski EG,Kim SE,Parker DL,Jeong EK.Improvement of accuracy of diffusion MRI using real-time self-gated data acquisition.NMR Biomed 2009；22:545-550.
[0014] 11.Alhamud A,Taylor PA,Laughton B,van der Kouwe AJ,Meintjes EM.Motion artifact reduction in pediatric diffusion tensor imaging using fast prospective correction.J Magn Reson Imaging 2015；41:1353-1364.
[0015] 12.Brockstedt S,Moore JR,Thomsen C, S, F.High-resolution diffusion imaging using phase-corrected segmented echo-planar imaging.Magn Reson Imaging 2000；18:649-657.
[0016] 13.Cai C,Zeng Y,Zhuang Y,Cai S,Chen L,Ding X,Bao L,Zhong J,Chen Z.Single-shot T2 mapping through Overlapping-echo Detachment(OLED)Planar Imaging.IEEE Trans Biomed Eng 2017；64:2450–2461.
[0017] 14.Ma L,Cai C,Yang H,Cai S,Qian J,Xiao L,Zhong K,Chen Z.Motion-tolerant diffusion mapping based on single-shot overlapping-echo detachment(OLED)planar imaging.Magn Reson Med 2018；80:200–210.
[0018] 15.Cai C,Wang C,Zeng YQ,Cai SH,Liang D,Wu YW,Chen Z,Ding XH and Zhong JH, Single-Shot T2Mapping using OverLapping-Echo Detachment Planar Imaging and a Deep ConvolutionalNeural Network,Magn Reson in Med,2017.DOI:10.1002/mrm.27205.
发明内容
[0019] 本发明的目的在于提供将OLED序列进行改进，实现单次扫描可以同时获得四个回波不同扩散和T2加权的
信号，然后利用深度学习技术从四个重叠的回波信号重建出可靠T2和扩散图的基于重叠回波的单扫描同步磁共振扩散及T2成像方法。
[0020] 本发明包括以下步骤：
[0021] 1)在磁共振成像仪操作台上，打开磁共振成像仪中相应的操作
软件，首先对成像物体进行感兴趣区域
定位，然后进行调谐、匀场、功率和
频率校正；
[0022] 2)导入事先编译好的DT2M-OLED成像序列，根据具体的实验情况，设置脉冲序列的各个参数；
[0023] 在步骤2)中，所述DT2M-OLED成像序列的结构可依次为：第1翻转
角为α的激发脉冲、脉冲间距δTE、第2翻转角为α的激发脉冲、第2移位梯度、第1翻转角为β的重聚脉冲、第一个采样回波链、第2翻转角为β的重聚脉冲、第二个采样回波链；所述脉冲间距δTE中包含第1移位梯度和扩散梯度，第1移位梯度包含沿频率维(x方向)的梯度Gro1和沿
相位维 (y方向)的梯度Gpe1；第2移位梯度包含沿频率维(x方向)的梯度Gro2和沿相位维(y方向)的梯度Gpe2。
[0024] 所述第1翻转角和第2翻转角为α的激发脉冲结合第1移位梯度和第2移位梯度，使两个回波在k空间的中心产生偏移，重聚脉冲以及两个小角度激发脉冲都与层选方向(z方向) 的层选梯度Gss相结合进行层选；第2翻转角为α的激发脉冲前后分别施加回波延时，其中δTE的长度为1/3回波链长，重聚脉冲前后有x，y，z三个方向的破坏梯度作用。
[0025] 所述第一个采样回波链和第二个采样回波链是由分别作用在x，y方向的梯度链组成；x 方向的梯度链由一系列正负梯度构成，且每个梯度的面积是所述移位梯度Gro1的三倍；y方向的梯度链是由一系列大小相等的尖峰梯度构成，且尖峰梯度的面积和等于移位梯度Gpe1面积的三倍。
[0026] 在第一个采样回波链之前，频率和相位方向分别施加了重聚梯度，频率维的重聚梯度的面积是频率维采样梯度Gro梯度面积的一半，方向与Gro相反；相位维的重聚梯度的面积是所述所有尖峰梯度面积的一半，方向与尖峰梯度相反；第一个采样回波链的信号包含第一个回波和第二个回波的信号；
[0027] 在第一个采样回波链之后，利用重聚脉冲产生两个新的自旋回波，并利用第二个采样回波链采样，第二个采样回波链的信号包含第三个回波和第四个回波的信号。
[0028] 3)执行步骤2)设置好的DT2M-OLED成像序列，进行数据采样，数据采样完成后，得到两个回波链的信号；
[0029] 4)对步骤3)得到的两个回波链的信号进行归一化、充零和快速傅里叶变换，将k空间的信号转换到图像域，再将图像域的信号用基于卷积神经网络的方法重建，得实验数据；
[0030] 5)根据实验样品的特征生成随机的模板，对模板进行模拟采样得到k空间信号，然后对 k空间信号进行归一化、充零和快速傅里叶变换，得到
训练数据；
[0031] 6)使用tensorflow深度学习
框架和python搭建卷积神经网络模型，设置好训练的相关参数，得数据训练网络；
[0032] 7)使用步骤6)得到的数据训练网络，直至数据训练网络收敛并达到稳定，得到训练好的网络模型，然后对步骤4)得到的实验数据进行重建，得到可靠的ADC和T2图像。
[0033] 在步骤3)中，所述DT2M-OLED成像序列采集到的两个回波链的信号进行分析，并对回波信号磁化矢量演化进行理论推导，在第一个采样回波链采样期，信号表达式如下：
[0034]
[0035] 式中 是扩散因子。
[0036] 在第二个采样回波链采样期，信号表达式如下：
[0037]
[0038] 通过实验发现，当α＝45°，β＝180°时，四个回波信号的强度都相对较高。
[0039] 在步骤5)中，所述随机的模板是根据实验样本的特征分布使用计算机批量随机生成，同时保证模板的复杂性较高能够包含实验样本的所有特征；在模拟采样过程中，考虑到真实实验环境变化，加入不稳定因素，提高网络模型对不理想实验环境的鲁棒性；所述不稳定因素包括激发脉冲角度偏差、移位梯度偏差和噪声等。
[0040] 在步骤6)中，所述使用tensorflow深度学习框架和python搭建卷积神经网络模型包括：网络的主体结构以及相关的训练参数，网络模型的目标函数为：
[0041]
[0042] 其中，N是同一批训练图像的数量，f(·)是训练网络，W和b是网络参数，xk是第k个回波链信号经步骤4)后得到的图像，y是输入图像对应的模板，ychange是对y中小于0.06的值置为0.06之后的矩阵，ymask是对y使用canny算子求得的图像边缘信息，λ表示正则项参数，▽代表梯度算子。
[0043] 在步骤7)中，所述使用步骤6)得到的数据训练网络由于使用随机的模板进行训练，泛化性较强，能适用于多种样品的重建。
[0044] 本发明用两个相同偏转角的小角度激发脉冲和两个回波链采样产生四个回波，每个回波链采集两个回波信号。在第一个激发脉冲之后有一段演化时间和一对扩散梯度，使得第一次采样中的两个回波信号的横向弛豫时间和扩散加权不同。同时，在每个激发脉冲之后都加一个频率维和相位维的移位梯度使得不同的激发脉冲产生的信号在k空间的
位置不一样。在第一次采样结束后，用一个重聚脉冲重聚两个回波信号，然后进行第二次采样，在第二次采样中可以获得了两个具有相同横向弛豫时间和不同扩散加权的回波信号。然后将采样信号用深度学习的方法进重建得到定量T2图像和ADC图像。该方法可以在单次扫描中获得可靠的T2图像和ADC图像。
附图说明
[0045] 图1为本发明采用的DT2M-OLED成像序列图。
[0046] 图2为展示了模型的ADC和T2重建结果；(a)是用EPI序列采模型的结构图，其中的5 个用红色圆圈标出的区域是感兴趣区域(region ofinterest，ROI)，分别用数字1～5编号。(b) 是用DT2M-OLED序列采集第一个采样回波链的原始幅值图。(c)是用EPI拟合出来的ADC 图像。(d)是DT2M-OLED数据重建得到的ADC图像。(e)是用EPI拟合出来的ADC图像。
[0047] 图3为展示5个ROI的T2统计结果。
[0048] 图4为展示5个ROI的ADC统计结果。
具体实施方式
[0049] 以下
实施例将结合附图对本发明作进一步说明。
[0050] 本发明提供了基于重叠回波的单扫描同步磁共振扩散及T2成像方法，具体实施过程中的各个步骤如下：
[0051] (1)在磁共振成像仪操作台上，打开磁共振成像仪中相应的操作软件，首先对成像物体进行感兴趣区域定位，然后进行调谐、匀场、功率和频率校正；
[0052] (2)导入事先编译好的DT2M-OLED成像序列：根据具体的实验情况，设置脉冲序列的各个参数。
[0053] 所述DT2M-OLED成像序列的结构如图1依次为：第1翻转角为α的激发脉冲、脉冲间距δTE、第2翻转角为α的激发脉冲、第2移位梯度、第1翻转角为β的重聚脉冲、第一个采样回波链、第2翻转角为β的重聚脉冲、第二个采样回波链。所述脉冲间距δTE中包含了第1 移位梯度和扩散梯度。第1移位梯度包含了沿频率维(x方向)的梯度Gro1和沿相位维(y方向) 的梯度Gpe1。第2移位梯度包含了沿频率维(x方向)的梯度Gro2和沿相位维(y方向)的梯度Gpe2。
[0054] 所述第1翻转角和第2翻转角为α的激发脉冲结合第1移位梯度和第2移位梯度，使两个回波在k空间的中心产生偏移，重聚脉冲以及两个小角度激发脉冲都与层选方向(z方向) 的层选梯度Gss相结合进行层选；第2翻转角为α的激发脉冲前后分别施加回波延时，其中δTE的长度为1/3回波链长，重聚脉冲前后有x，y，z三个方向的破坏梯度作用。
[0055] 采样回波链是由分别作用在x，y方向的梯度链组成；x方向的梯度链由一系列正负梯度构成，且每个梯度的面积是所述移位梯度Gro1的三倍；y方向的梯度链是由一系列大小相等的尖峰梯度构成，且尖峰梯度的面积和等于移位梯度Gpe1面积的三倍。
[0056] 在第一个采样回波链之前，频率和相位方向分别施加了重聚梯度，频率维的重聚梯度的面积是频率维采样梯度Gro梯度面积的一半，方向与Gro相反；相位维的重聚梯度的面积是所述所有尖峰梯度面积的一半，方向与尖峰梯度相反；第一个采样回波链的信号包含第一个回波和第二个回波的信号。
[0057] 在第一个采样回波链之后，利用重聚脉冲产生两个新的自旋回波，并利用第二个采样回波链采样，第二个采样回波链的信号包含了第三个回波和第四个回波的信号。
[0058] (3)执行步骤(2)设置好的所述DT2M-OLED成像序列，进行数据采样；数据采样完成后，得到两个回波链的信号。
[0059] (4)对步骤(3)得到的第一个采样回波链和第二个采样回波链的信号进行归一化、充零和快速傅里叶变换将k空间的信号转换到图像域。对得到的信号进行分析，并对回波信号磁化矢量演化进行理论推导，在第一个采样回波链采样期，信号表达式如下：
[0060]
[0061] 式中 是扩散因子。
[0062] 在第二个采样回波链采样期，信号表达式如下：
[0063]
[0064] 通过实验发现，当α＝45°，β＝180°时，四个回波信号的强度都相对较高；
[0065] (5)步骤(5)～(7)主要是把步骤(4)中图像域的信号用基于卷积神经网络的方法重建。根据实验样品的特征生成随机的模板，对模板进行模拟采样得到k空间信号，然后对信号进行归一化、充零和快速傅里叶变换得到训练数据。
[0066] 所述随机模板是根据实验样本的特征分布使用计算机批量随机生成，同时保证模板的复杂性较高能够包含实验样本的所有特征；在模拟采样过程中，考虑到真实实验环境变化，加入了一些不稳定因素，比如激发脉冲角度偏差、移位梯度偏差和噪声等来提高网络模型对不理想实验环境的鲁棒性。
[0067] (6)使用tensorflow深度学习框架和python搭建卷积神经网络模型，设置好训练的相关参数。
[0068] 在步骤(6)中，所述卷积神经网络模型主要包括：网络的主体结构以及相关的训练参数。网络模型的目标函数为：
[0069]
[0070] 其中，N是同一批训练图像的数量,f(·)是训练网络,W和b是网络参数，xk是第k个回波链信号经步骤(4)后得到的图像，y是输入图像对应的模板，ychange是对y中小于0.06的值置为0.06之后的矩阵，ymask是对y使用canny算子求得的图像边缘信息，λ表示正则项参数，▽代表梯度算子。
[0071] (7)使用步骤(6)得到的数据训练网络，直至网络收敛并达到稳定得到训练好的网络模型，然后对步骤(4)得到的实验数据进行重建，得到可靠的ADC和T2图像。
[0072] 所述训练好的网络模型由于使用随机模板进行训练，泛化性较强，能适用于多种样品的重建。
[0073] 以下给出具体实施例：
[0074] 用基于重叠回波的单扫描同步磁共振扩散及T2成像方法进行了模型实验，用来验证本发明的可行性。实验前，用
水、四水、氯化锰(Mncl2.4H2O)和琼脂糖按照表1的配比配制如图1中的凝胶模型。实验是在小动物
核磁共振7T成像仪下进行的。在磁共振成像仪操作台上，打开成像仪中相应的操作软件，首先对成像物体进行感兴趣区域定位，然后进行调谐、匀场、功率和频率校正。为了评价该方法得到图像的有效性，在相同环境下进行平面回波(Echo Planar Imaging，EPI)成像实验作为对比。然后导入已经编译好的DT2M-OLED成像序列(如图1)，根据具体实验情况，设置脉冲序列的各个参数，本实施例的实验参数设置如下：成像
视野FOV为55cm×55cm，45°激发脉冲的激发时间为1ms，180°重聚脉冲的激发时间为
1.6ms，扩散系数b＝500s/mm2，TE1＝48.61ms，TE2＝25.10ms，TE3＝25.10ms，TE4＝48.61ms，x 方向采样点数Nx为96，y方向采样点数Ny为96。将以上实验参数设置好后，直接开始采样。
[0075] 表1
[0076] 1 2 3 4 5
总质量(g) 5 5 5 5 50
Mncl2.4H2O(μg) 12 9 6 3 0
甘油(g) 0 0.35 0.7 1 0
琼脂糖(mg) 50 50 50 50 500
[0077] 数据采样完成后，按照上述步骤(4)～(7)对数据进行重建，重建出来ADC和T2的图像如图2所示。(a)是用EPI序列采模型的结构图，其中的5个用红色圆圈标出的区域是感兴趣区域(region ofinterest，ROI)，分别用数字1～5编号。(b)是用DT2M-OLED序列采集第一个采样回波链的原始幅值图，图中斜条纹是两个回波信号重叠在一起造成的。(c)是用EPI 拟合出来的ADC图像。(d)是DT2M-OLED数据重建得到的ADC图像。(e)是用EPI拟合出来的T2图像。(f)是DT2M-OLED数据重建得到的T2图像。图3给出展示5个ROI的T2统计结果，图4给出展示5个ROI的ADC统计结果，图3和4是对图2中的5个感兴趣区域的ADC (图4)和T2(图3)进行定量统计，即对每个感兴趣区域的ADC和T2值求平均。从图2 中可以看出DT2M-OLED序列得到的ADC和T2图像整体上与EPI一致，图3和4中的统计结果也表明5个ROI区域的ADC和T2值都有较好的准确性。
[0078] 本发明用两个相同偏转角的小角度激发脉冲和两个回波链采样产生四个回波，每个回波链采集两个回波信号。在第一个激发脉冲之后有一段演化时间和一对扩散梯度，使得第一次采样中的两个回波信号的横向弛豫时间和扩散加权不同。同时，在每个激发脉冲之后都加一个频率维和相位维的移位梯度使得不同的激发脉冲产生的信号在k空间的位置不一样。在第一次采样结束后，用一个重聚脉冲重聚两个回波信号，然后进行第二次采样，在第二次采样中可以获得了两个具有相同横向弛豫时间和不同扩散加权的回波信号。然后将采样信号经过归一化、充零和快速傅里叶变换之后输入到已经训练好的卷积神经网络中重建得到定量T2图像和ADC图像。卷积神经网络的训练数据来源于模拟数据，通过随机生成模板，然后模拟实验环境采样得到网络的输入图像，模板作为标签，通过训练得到输入图像和输出图像之间的映射关系。
[0079] 符号说明
[0080]符号 符号说明
T1 纵向弛豫时间
T2 横向弛豫时间
T2* 受磁场不均匀影响后的横向弛豫时间
b 扩散系数
ADC 表观扩散系数
α 激发脉冲翻转角度
β 重聚脉冲翻转角
Gd 矢量，扩散梯度
Gro1 矢量，频率维第一个移位梯度
Gro2 矢量，频率维第二个移位梯度
Gpe1 矢量，相位维第一个移位梯度，持续时间与Gro1相同
Gpe2 矢量，相位维第二个移位梯度，持续时间与Gro2相同
G1 矢量，频率维第一个移位梯度和相位维第一个移位梯度的矢量和
G2 矢量，频率维第二个移位梯度和相位维第二个移位梯度的矢量和
δTE 两个激发脉冲之间的时间间隔
δ 两个扩散梯度的持续时间间隔
Δ 两个扩散梯度开始的时间间隔
Gss 层选脉冲
Gro 矢量，频率维采样梯度
Gpe 矢量，相位维采样梯度，即所有尖峰梯度的和
Npe 相位维采样点数
TE1 第一个回波第一次重聚的回波时间
TE2 第二个回波第一次重聚的回波时间
TE3 第一个回波第二次重聚的回波时间
TE4 第二个回波第二次重聚的回波时间
Ecoh1 第一个回波信号第一次重聚的中心位置
Echo2 第二个回波信号第一次重聚的中心位置
Ecoh3 第一个回波信号第二次重聚的中心位置
Echo4 第二个回波信号第二次重聚的中心位置
δ1 Gro1的持续时间
δ2 Gro2的持续时间
γ 磁旋比
r 矢量，产生信号的点的空间位移
S1 第一个回波第一次重聚产生的信号
S2 第二个回波第一次重聚产生的信号
S3 第一个回波第二次重聚产生的信号
S4 第二个回波第二次重聚产生的信号
[0081] 本发明提出的方法可以在单次扫描中同时获得可靠的T2图像和ADC图像。
