弥散张量成像方法及系统
阅读：544发布：2020-05-13
专利汇可以提供弥散张量成像方法及系统专利检索，专利查询，专利分析的服务。并且一种 弥散张量成像 方法，其特征在于，包括以下步骤：计算概率 密度 函数；按照所述概率密度函数进行变密度 采样 得到无弥散图和多个弥散图所对应的数据；对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像。上述弥散张量成像方法中，通过计算出概率密度函数，并根据概率密度函数对无弥散图和各弥散图的数据进行变密度采样，大大减少了所需采样的数据，使得采集时间大幅减少，实现快速弥散张量成像。此外，还提供了弥散张量成像系统。，下面是弥散张量成像方法及系统专利的具体信息内容。
1.一种弥散张量成像方法，包括步骤：进行预采样得到预采样数据；计算概率密度函数；按照所述概率密度函数进行变密度采样得到无弥散图和多个弥散图所对应的数据，对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像；其中，所述计算概率密度函数的步骤为：分别对所述预采样数据进行计算得到概率密度函数；所述变密度采样的方式为：将低频信号作为主要信号进行采集，对低频区信号的采集量大于对高频区信号的采集量；其特征在于，所述预采样数据包括无弥散图或任意一弥散图的预采样数据；
所述分别对所述预采样数据进行计算得到概率密度函数的步骤具体为：对所述无弥散图或任意一弥散图的预采样数据进行计算得到无弥散图或任意一弥散图对应的概率密度函数；
所述按照所述概率密度函数进行变密度采样得到无弥散图数据和多个弥散图所对应的数据的步骤具体为：按照所述无弥散图或任意一弥散图对应的概率密度函数进行变密度采样，得到无弥散图数据和多个弥散图所对应的数据。
2.一种弥散张量成像系统，包括处理模块、采样模块及重建模块，所述处理模块用于计算概率密度函数；所述采样模块与所述处理模块电连接，所述采样模块用于按照所述概率密度函数进行变密度采样得到无弥散图数据和弥散图数据，所述变密度采样的方式为：将低频信号作为主要信号进行采集，对低频区信号的采集量大于对高频区信号的采集量；其中，所述采样模块还用于进行预采样得到预采样数据；所述计算概率密度函数的步骤为：
分别对所述预采样数据进行计算得到概率密度函数；所述重建模块与所述采样模块电连接，用于对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像；其特征在于，包括：
所述预采样数据包括无弥散图或任意一弥散图的预采样数据；所述分别对所述预采样数据进行计算得到概率密度函数的步骤具体为：对所述无弥散图或任意一弥散图的预采样数据进行计算得到无弥散图或任意一弥散图对应的概率密度函数；所述按照所述概率密度函数进行变密度采样得到无弥散图数据和多个弥散图所对应的数据的步骤具体为：按照所述无弥散图或任意一弥散图对应的概率密度函数进行变密度采样，得到无弥散图数据和多个弥散图所对应的数据。
弥散张量成像方法及系统
【技术领域】
[0001] 本发明涉及磁共振技术，特别是涉及一种弥散张量成像方法及系统。【背景技术】
[0002] 弥散张量成像(DTI)，是在弥散加权成像(DWI)基础上发展起来的新方法，是磁共振成像(MRI)的特殊形式，是近几年发展迅速的一项新的磁共振成像技术。弥散张量成像技术利用是利用水分子的弥散各向异性进行成像，可从微观的领域评价组织结构的完整性，可以在细胞及分子水平给出疾病状况，是功能磁共振成像的一个重要组成部分。弥散张量成像是目前唯一无创性活体研究脑白质结构及白质束形态的检查技术，也是目前唯一反映活体组织空间组成信息及病理状态下各组织成分之间水分子交换功能状况的检查方法。基于弥散张量成像的高空间分辨率、非入侵性的优点，弥散张量成像主要应用于脑部各方向白质纤维和白质纤维束的评价，且逐渐扩展到人体的其他部位(比如心脏、肾脏、骨骼肌等)，可以为疾病的诊断、治疗提供更多信息。
[0003] 弥散张量成像中参数的计算需要一个无弥散图及多个(至少6个)施加了弥散梯度的弥散图来计算张量D。这个计算过程是一个拟合过程，为了让拟合效果更好，我们通常会采用多b值来进行拟合。多b值中的b值越大，弥散越大，信号的信噪比也就越小；为了满足信噪比的要求，通常需要重复多次；为了得到更多的生理信息，还要选择多个层面成像，但这往往导致了总的采样数据时间过长。在传统的弥散张量成像过程中，总的采集数据时间会很长，从而导致整个完全弥散张量成像过程时间过长。【发明内容】
[0004] 基于此，有必要提供一种快速的弥散张量成像方法。
[0005] 一种弥散张量成像方法，包括以下步骤：计算概率密度函数；按照所述概率密度函数进行变密度采样得到无弥散图和多个弥散图所对应的数据；对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像。
[0006] 进一步地，所述计算概率密度函数的步骤之前还包括：进行预采样得到预采样数据；所述计算概率密度函数的步骤为：分别对所述预采样数据进行计算得到概率密度函数。
[0007] 进一步地，所述预采样数据包括无弥散图和多个弥散图对应的预采样数据；所述分别对所述预采样数据进行计算得到概率密度函数的步骤具体为：分别对所述无弥散图和多个弥散图对应的预采样数据进行计算得到无弥散图和多个弥散图对应的概率密度函数。
[0008] 进一步地，所述分别对所述预采样数据进行计算得到概率密度函数的步骤之后还包括：对所述无弥散图和多个弥散图对应的概率密度函数进行拟合得到第一统一概率密度函数；所述按照所述概率密度函数进行变密度采样得到无弥散图和多个弥散图所对应的数据的步骤具体为：按照所述第一统一概率密度函数进行变密度采样，得到与所述无弥散图和多个弥散图相对应的数据。
[0009] 进一步地，所述分别对所述预采样数据进行计算得到概率密度函数的步骤之后还包括：对多个弥散图对应的概率密度函数进行拟合，得到第二统一概率密度函数的步骤；所述按照所述概率密度函数进行变密度采样得到无弥散图和多个弥散图所对应的数据的步骤具体为：按照无弥散图的概率密度函数进行变密度采样，得到无弥散图的数据；按照所述第二统一概率密度函数进行变密度采样，得到多个弥散图所对应的数据。
[0010] 进一步地，所述预采样数据包括无弥散图或任意一弥散图的预采样数据；所述分别对所述预采样数据进行计算得到概率密度函数的步骤具体为：对所述无弥散图或任意一弥散图的预采样数据进行计算得到无弥散图或任意一弥散图对应的概率密度函数；所述按照所述概率密度函数进行变密度采样得到无弥散图数据和多个弥散图所对应的数据的步骤具体为：按照所述无弥散图或任意一弥散图对应的概率密度函数进行变密度采样，得到无弥散图数据和多个弥散图所对应的数据。
[0011] 进一步地，所述预采样数据包括无弥散图及任意一弥散图的预采样数据；所述分别对所述预采样数据进行计算得到概率密度函数的步骤具体为：对所述无弥散图及任意一弥散图的预采样数据进行计算得到无弥散图及任意一弥散图对应的概率密度函数；所述按照所述概率密度函数进行变密度采样得到无弥散图数据和多个弥散图所对应的数据的步骤具体为：按照所述无弥散图的概率密度函数进行变密度采样，得到无弥散图的数据；按照所述任一弥散图对应的概率密度函数进行变密度采样，得到多个弥散图的数据。
[0012] 此外，还有必要提供一种快速的弥散张量成像系统。
[0013] 一种弥散张量成像系统，其特征在于，包括处理模块、采样模块及重建模块；处理模块用于计算概率密度函数；采样模块与所述处理模块电连接，所述采样模块用于按照所述概率密度函数进行变密度采样得到无弥散图数据和弥散图数据；重建模块，与所述采样模块电连接，用于对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像。
[0014] 进一步地，所述采样模块还用于进行预采样得到预采样数据。
[0015] 上述弥散张量成像方法及系统中，通过计算出概率密度函数，并根据概率密度函数对无弥散图和各弥散图的数据进行变密度采样，大大减少了所需采样的数据，使得采集时间大幅减少，实现快速弥散张量成像。【附图说明】
[0016] 图1为弥散张量成像方法的流程图；
[0017] 图2为另一实施例中无弥散概率密度函数、各个弥散概率函数及第一统一概率密度函数的示意图；
[0018] 图3为另一实施例的弥散张量成像方法的流程图；
[0019] 图4为另一实施例的弥散张量成像方法的流程图；
[0020] 图5为另一实施例中无弥散概率密度函数、各个弥散概率函数及第二统一概率密度函数的示意图；
[0021] 图6为另一实施例的弥散张量成像方法的流程图；
[0022] 图7为另一实施例的弥散张量成像方法的流程图；
[0023] 图8为弥散张量成像系统的模块图。【具体实施方式】
[0024] 为了解决在传统的弥散张量成像过程中总的采集数据时间过长的问题，提出了一种快速的弥散张量成像方法来缩短整个弥散张量成像过程的时间。
[0025] 弥散张量成像(DTI)中参数的计算需要一个无弥散图及多个施加了弥散梯度的弥散图来计算张量D，从而进行图像重建。D是一个3*3的对称阵，所以要想解出D，至少需要施加六个不共线的弥散梯度，即想计算出D，至少需要六个弥散图。通过解对称矩阵D的特征值和特征向量就可以得到分析弥散张量成像的一些常用参数，如各向异性分数(fractional anisotropy，FA)，相对各向异性(relative anisotropy，RA)及表观弥散系数(apparent diffusion coefficient，ADC)等。
[0026] 请参阅图1，一种弥散张量成像方法，包括以下步骤：
[0027] 步骤S10，计算概率密度函数。
[0028] 概率密度函数用于确定采样密度，以控制采样过程。在实际的采样过程中，只对部分数据进行采样能够有效地减少耗费的时间，而图像的信息主要集中于低频区域，高频区域所含的信息量非常少，因此可以通过由概率密度函数所控制的采用变密度采样的方式进行采样，这样既可以减少采样过程中耗费的时间，还能够有效地减少混叠伪影的产生。
[0029] 具体地，概率密度函数包括非自适应的概率密度函数和自适应的概率密度函数。在没有先验信息的情况下，可以构造非自适应的概率密度函数，例如高斯分布函数。非自适应的概率密度函数构造过程较为简单，可应用于精确度较低的弥散张量成像过程。在优选的实施例中，概率密度函数为自适应的概率密度函数，自适应的概率密度函数是根据由一组图像组成的先验信息构造出来的，其采样效果明显好于非自适应的概率密度函数。
[0030] 由于按照自适应的概率密度函数更得到更好的采样效果，在一个实施例中，步骤S10之前还包括进行预采样得到预采样数据的步骤。同时，步骤S10具体为：分别对预采样数据进行计算得到概率密度函数。通过进行预采样，得到先验信息，构建自适应的概率密度函数。
[0031] 通过预采样中图像所对应预采样数据在相位编码y方向各行上所有点进行平方，并加和，再经归一化，最终产生图像所对应概率密度函数。根据每一个图像，构建所对应自适应的概率密度函数，能得到更好的采样效果。
[0032] 步骤S20，按照概率密度函数进行变密度采样得到无弥散图和多个弥散图所对应的数据。
[0033] 因为图像的能量主要集中在低频区域，高频区域所含的信息量很少，这样我们就可以采用变密度采样的方式，主要采低频信号，高频区的信号尽量少采或者不采，这样就可以有效地减少混叠伪影，提高采样的速度。根据自适应的概率密度函数对无弥散图和多个弥散梯度图的数据进行变密度采样，只对部分数据进行采样，可以大幅减少扫描时间。
[0034] 步骤S30，对无弥散图和多个弥散梯度图所对应的数据进行重建得到重建图像。
[0036] 上述弥散张量成像方法中，通过计算出概率密度函数，并根据概率密度函数对无弥散图和各弥散图的数据进行变密度采样，大大减少了所需采样的数据，使得采集时间大幅减少，实现快速弥散张量成像。
[0037] 如图2所示，B0为根据实际图像计算得的无弥散图的概率密度函数，B1～B6为根据实际图像计算得的各个弥散图的概率密度函数。由图2可以看出，各个弥散图及无弥散图之间的相关系数接近于1。因此，为了进一步减少整个弥散张量成像过程的时间，在另一个实施例中，如图3所示，预采样数据为无弥散图和多个弥散图对应的预采样数据，上述弥散张量成像方法包括如下步骤：
[0038] 步骤S301，进行预采样得到无弥散图和多个弥散图对应的预采样数据。
[0039] 步骤S303，分别对无弥散图和多个弥散图对应的预采样数据进行计算得到无弥散图和多个弥散图对应的概率密度函数。
[0040] 步骤S305，对无弥散图和多个弥散图对应的概率密度函数进行拟合得到第一统一的概率密度函数。图2中MeanB0-B6为所有概率密度函数拟合出的第一统一概率密度函数。
[0041] 步骤S307，按照第一统一概率密度函数进行变密度采样，得到与无弥散图和多个弥散图相对应的数据。
[0042] 通过无弥散图及多个弥散图的概率密度函数，拟合出一个可适用于所有无弥散图和多个弥散图的第一统一概率密度函数，并根据该第一统一概率密度函数来对无弥散图和多个弥散图的数据进行变密度采样。基于弥散张量成像中各个图像之间的相关性，采用同一个概率密度函数对各个图像进行变密度采样，进一步节省了采集时间。
[0043] 步骤S309，对无弥散图和多个弥散图所对应的数据进行重建得到重建图像。
[0044] 需要指出的是，通过图3可以看出，无弥散图的概率密度函数同多个弥散图的概率密度函数的差异性较各个弥散图之间的概率密度函数的差异性要大。
[0045] 为了提高图像的精度，在另一个实施例中，如图4所示，步骤S305和步骤S307可替换成如下步骤：
[0046] 步骤S401，对多个弥散图对应的概率密度函数进行拟合，得到第二统一概率密度函数。
[0047] 步骤S403，按照无弥散图的概率密度函数进行变密度采样，得到无弥散图的数据。
[0048] 步骤S405，按照第二统一概率密度函数进行变密度采样，得到多个弥散图所对应的数据。
[0049] 请参阅图5，MeanB1-B6为所有弥散图的概率密度函数拟合出的第二统一概率密度函数。以上步骤利用多个弥散图之间的相关性，构建一个第二统一概率密度函数，来对弥散图所对应的数据进行采样，使得采样结果更加精确。
[0050] 在另一实施例中，如图6所示，预采样数据为无弥散图或任意一弥散图的预采样数据，上述弥散张量成像方法包括如下步骤：
[0051] 步骤S601，进行预采样得到无弥散图或任意一弥散图的预采样数据。
[0052] 步骤S603，对无弥散图或任意一弥散图的预采样数据进行计算得到无弥散图或任意一弥散图对应的概率密度函数。
[0053] 步骤S605，按照无弥散图或任意一弥散图对应的概率密度函数进行变密度采样，得到无弥散图数据和多个弥散图所对应的数据。
[0054] 步骤S607，对无弥散图和多个弥散图所对应的数据进行重建得到重建图像。
[0055] 由于各个弥散图及无弥散图之间的相关系数接近于1，这里采用无弥散图或多个弥散图中任意一个的概率密度函数来对无弥散图和多个弥散图进行变密度采样，无须计算其它图像的概率密度函数，在保证一定精确性的同时更进一步减少采集时间。
[0056] 在另一实施例中，为了进一步提高采集数据的速度，如图7所示，预采样数据为无弥散图及任意一弥散图的预采样数据，上述弥散张量成像方法包括如下步骤：
[0057] 步骤S701，进行预采样得到无弥散图及任意一弥散图的预采样数据。
[0058] 步骤S703，对无弥散图及任意一弥散图的预采样数据进行计算得到无弥散图及任意一弥散图对应的概率密度函数。
[0059] 步骤S705，按照无弥散图的概率密度函数进行变密度采样，得到无弥散图的数据。
[0060] 步骤S707，按照任一弥散图对应的概率密度函数进行变密度采样，得到多个弥散图的数据。
[0061] 步骤S709，对无弥散图和多个弥散图所对应的数据进行重建得到重建图像。
[0062] 无弥散图的概率密度函数同多个弥散图的概率密度函数之间的差异性较各个弥散图之间的概率密度函数的差异性要大，各个弥散图之间的概率密度函数之间的差异非常小。在本实施例中根据无弥散图的概率密度函数来对无弥散图的数据进行变密度采样，根据任一弥散图的概率密度函数来对各个弥散图的数据进行变密度采样，使得数据采集的结果更为精确。
[0063] 请参阅图8，还提供了一种弥散张量成像系统，包括处理模块100、采样模块200及重建模块300。
[0064] 处理模块100用于计算概率密度函数。通过进行预采样，得到先验信息，构建自适应的概率密度函数，并通过预采样中图像所对应预采样数据在相位编码y方向各行上所有点进行平方，并加和，再经归一化，最终产生图像所对应概率密度函数。根据每一个图像，构建所对应自适应的概率密度函数，能得到更好的采样效果。需要指出的是，在没有先验信息的情况下，处理模块100还可建立非自适应的概率密度函数，如高斯分布函数。具体在弥散张量成像过程中，处理模块100用于计算无弥散图和多个弥散图对应的概率密度函数。
[0065] 采样模块200与处理模块100电连接，采样模块200用于按照所述概率密度函数进行变密度采样得到无弥散图数据和弥散图数据。采样模块200还用于进行预采样，得到预采样数据，预采样数据用于供处理模块100计算概率密度函数。根据自适应的概率密度函数对无弥散图和多个弥散图所对应的数据进行变密度采样，只对部分数据进行采样，可以大幅减少扫描时间。
[0066] 重建模块300与采样模块200电连接，用于对所述无弥散图和多个弥散图所对应的数据进行重建得到重建图像。对各个图像的数据进行压缩感知(Compressed Sensing，CS)重建及全变差处理，得到重建图像。
[0067] 上述弥散张量成像系统中，通过计算出概率密度函数，并根据概率密度函数对无弥散图和多个弥散图所对应的数据进行变密度采样，大大减少了所需采样的数据，使得采集时间大幅减少，实现快速弥散张量成像。
[0068] 需要指出的是，由于各个图像之间的相关性，处理模块100还可以用于对多个图像对应的概率密度函数进行拟合得到一个概率密度函数，以只使用一个概率密度函数对各个图像进行采样，使得采样的速度进一步提高。
[0069] 同时，处理模块100也可以只计算出任意一个图的概率密度函数，并通过该概率密度函数对无弥散图和多个弥散图的数据进行变密度采样。由于各个图像之间的相关性，通过同一个概率密度函数对多个图像进行采样，在保证了一定的精确性的同时节省了采集时间。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 磁共振弥散张量成像的去噪方法和系统 | 2020-05-17 | 962 |
| 磁共振弥散张量成像纤维束追踪装置 | 2020-05-14 | 140 |
| 一种汉语语言功能区测查用功能磁共振成像数据的处理方法 | 2020-05-24 | 156 |
| 一种基于磁共振弥散张量成像确定目标边界的方法 | 2020-05-22 | 125 |
| 一种基于弥散张量成像实现经颅磁刺激深部脑区的方法 | 2020-05-18 | 146 |
| 磁共振成像的扫描方法和弥散张量成像系统 | 2020-05-15 | 486 |
| 大脑异常参数的提取方法和系统 | 2020-05-26 | 695 |
| 弥散张量成像方法及系统 | 2020-05-15 | 641 |
| 基于多模态磁共振影像的大脑灰质及白质追踪方法及装置 | 2020-05-27 | 441 |
| 腕管综合征影像学定位方法在腕管疾病研究中的创新应用 | 2020-05-24 | 559 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈