[發明專利]一種加速擴散磁共振成像采集的方法

有效

• 申請號: 202010445650.2
• 申請日: 2020-05-25
• 公開（公告）號: CN111354056B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 許博巖;范陽;廖攀
• 申請（專利權）人: 南京慧腦云計算有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06N20/00;G06K9/62;G01R33/48
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

本發明公開了一種加速擴散磁共振成像采集的方法。本方法為：1）整理準備用于機器學習的數據集，包括擴散磁共振圖像及其對應的擴散參數圖；2）構建并訓練機器學習模型，使其學習擴散磁共振圖像與擴散參數圖的對應關系；3）計算訓練集中各擴散磁共振圖像對訓練后的機器學習模型的重要性；4）保留重要性符合設定條件的擴散磁共振圖像作為新數據集；5）利用該新數據集重新訓練該機器學習模型，使其學習擴散磁共振圖像與擴散參數圖的對應關系；6）利用步驟5）訓練的機器學習模型計算擴散參數圖，驗證該擴散參數圖的計算效果，如果驗證通過則保留步驟5）用到的擴散磁共振圖像的對應掃描條件，然后利用該掃描條件進行擴散磁共振圖像采集。

技術領域

本發明屬于醫學影像和磁共振影像（MRI）圖像處理技術領域，具體涉及一種基于機器學習特征選擇技術的加速擴散磁共振成像采集的方法。

背景技術

磁共振影像（MRI）中的擴散磁共振成像（Diffusion MRI），臨床上也常稱為彌散磁共振成像。擴散磁共振成像通過測量組織內水分子擴散的程度和方向，間接觀測腦組織的微觀結構特性，例如腦白質神經纖維束走向。它是目前唯一的一種能夠無損地顯示活體的腦白質神經纖維束走向的技術，因而被廣泛應用于臨床和科學研究。擴散磁共振成像通常需要采集多個掃描條件的圖像（例如設置不同的擴散敏感梯度強度、方向），足夠的不同條件下采集的圖像才能夠帶入模型計算，得到反映微觀結構信息的擴散參數圖。

當前有很多種用于計算擴散磁共振成像的模型，包括擴散張量成像（DiffusionTensor Imaging，DTI）、擴散峰度成像（Diffusion Kurtosis Imaging，DKI）、神經突起方向離散度與密度成像（Neurite Orientation Dispersion and Density Imaging，NODDI）、受限球面反卷積（Constrained Spherical Deconvolution，CSD）、分數化運動（FractionalMotion，FM）等。為了更穩定準確地計算擴散參數，這些模型都需要采集很多不同掃描條件的圖像。這就導致了圖像采集時間過長，嚴重限制了模型的實際應用。

近年來，有很多研究者嘗試利用機器學習技術計算擴散參數。結果表明，與之前的模型擬合方法相比，機器學習的計算方法精度更高、速度更快。尤其是它對原始圖像的要求更低，只需要少量不同條件的圖像就可以得到模型擬合方法用大量圖像才能計算出的結果。因此，利用機器學習方法估計擴散參數圖，可以減少所需采集的圖像總數，加速圖像采集過程。

雖然已經有研究表明機器學習方法可以減少需要采集的圖像，但是上述研究都只是隨機地選擇剔除哪些掃描條件的圖像、保留哪些掃描條件的圖像。這樣很可能剔除包含有關鍵信息的圖像，導致計算精度的損失。目前還沒有一種既能減少所需采集的圖像、又能最大程度保證計算精度的方法。

發明內容

有鑒于此，本發明的主要目的在于提供一種基于機器學習特征選擇技術的加速擴散磁共振成像采集的方法。在機器模型訓練好后，計算每個輸入圖像的對機器學習模型的重要性。以此為依據，采集時剔除對模型重要性低的圖像，減少所需采集的圖像數目，加速圖像采集過程。

為達到上述目的，本發明的技術方案如下：

一種基于機器學習特征選擇技術的加速擴散磁共振成像采集的方法，包括如下步驟：

A、整理準備用于機器學習的數據集，需要包括擴散磁共振圖像及其對應的擴散參數圖；

B、構建并訓練機器學習模型，使其學習擴散磁共振圖像與擴散參數圖的對應關系；

C、計算該數據集中各擴散磁共振圖像對訓練后的機器學習模型的重要性；