[发明专利]一种加速扩散磁共振成像采集的方法

说明书

本发明公开了一种加速扩散磁共振成像采集的方法。本方法为：1）整理准备用于机器学习的数据集，包括扩散磁共振图像及其对应的扩散参数图；2）构建并训练机器学习模型，使其学习扩散磁共振图像与扩散参数图的对应关系；3）计算训练集中各扩散磁共振图像对训练后的机器学习模型的重要性；4）保留重要性符合设定条件的扩散磁共振图像作为新数据集；5）利用该新数据集重新训练该机器学习模型，使其学习扩散磁共振图像与扩散参数图的对应关系；6）利用步骤5）训练的机器学习模型计算扩散参数图，验证该扩散参数图的计算效果，如果验证通过则保留步骤5）用到的扩散磁共振图像的对应扫描条件，然后利用该扫描条件进行扩散磁共振图像采集。

技术领域

本发明属于医学影像和磁共振影像（MRI）图像处理技术领域，具体涉及一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法。

背景技术

磁共振影像（MRI）中的扩散磁共振成像（Diffusion MRI），临床上也常称为弥散磁共振成像。扩散磁共振成像通过测量组织内水分子扩散的程度和方向，间接观测脑组织的微观结构特性，例如脑白质神经纤维束走向。它是目前唯一的一种能够无损地显示活体的脑白质神经纤维束走向的技术，因而被广泛应用于临床和科学研究。扩散磁共振成像通常需要采集多个扫描条件的图像（例如设置不同的扩散敏感梯度强度、方向），足够的不同条件下采集的图像才能够带入模型计算，得到反映微观结构信息的扩散参数图。

当前有很多种用于计算扩散磁共振成像的模型，包括扩散张量成像（DiffusionTensor Imaging，DTI）、扩散峰度成像（Diffusion Kurtosis Imaging，DKI）、神经突起方向离散度与密度成像（Neurite Orientation Dispersion and Density Imaging，NODDI）、受限球面反卷积（Constrained Spherical Deconvolution，CSD）、分数化运动（FractionalMotion，FM）等。为了更稳定准确地计算扩散参数，这些模型都需要采集很多不同扫描条件的图像。这就导致了图像采集时间过长，严重限制了模型的实际应用。

近年来，有很多研究者尝试利用机器学习技术计算扩散参数。结果表明，与之前的模型拟合方法相比，机器学习的计算方法精度更高、速度更快。尤其是它对原始图像的要求更低，只需要少量不同条件的图像就可以得到模型拟合方法用大量图像才能计算出的结果。因此，利用机器学习方法估计扩散参数图，可以减少所需采集的图像总数，加速图像采集过程。

虽然已经有研究表明机器学习方法可以减少需要采集的图像，但是上述研究都只是随机地选择剔除哪些扫描条件的图像、保留哪些扫描条件的图像。这样很可能剔除包含有关键信息的图像，导致计算精度的损失。目前还没有一种既能减少所需采集的图像、又能最大程度保证计算精度的方法。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法。在机器模型训练好后，计算每个输入图像的对机器学习模型的重要性。以此为依据，采集时剔除对模型重要性低的图像，减少所需采集的图像数目，加速图像采集过程。

为达到上述目的，本发明的技术方案如下：

一种基于机器学习特征选择技术的加速扩散磁共振成像采集的方法，包括如下步骤：

A、整理准备用于机器学习的数据集，需要包括扩散磁共振图像及其对应的扩散参数图；

B、构建并训练机器学习模型，使其学习扩散磁共振图像与扩散参数图的对应关系；

C、计算该数据集中各扩散磁共振图像对训练后的机器学习模型的重要性；