[发明专利]脑组织自由水成像重建方法及系统、存储介质及终端

说明书

本发明提供一种脑组织自由水成像重建方法及系统、存储介质及终端，包括以下步骤：基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。本发明的脑组织自由水成像重建方法及系统、存储介质及终端通过深度学习算法来实现脑组织自由水成像的重建，有效提升图像质量并极大缩减自由水图像重建速度。

技术领域

本发明涉及图像重建的技术领域，特别是涉及一种脑组织自由水(Free Water)成像重建方法及系统、存储介质及终端。

背景技术

自由水定义为没有流动(flow)且不受周围环境限制的水分子。对于典型的实验弥散时间而言，约为30-50ms。自由水的弥散表现为各向同性，在人体温度中的弥散系数为d＝3×10-3mm2/s。若体素内同时存在组织与自由水，即同一体素内包含具有不同弥散特性的部分，则弥散张量成像(Diffusion Tensor Imaging，DTI)指标会反映各部分的加权平均值。也就是所谓的部分容积效应，使得通过DTI得到的各指标产生误差，无法准确地表示组织的弥散特性，从而影响绘制组织的几何形状。

自由水成像是一种用于弥散磁共振成像(Magnetic Resonance Imaging，MRI)数据的分析方法。采用自由水量作为对比机制，代表体素内自由水所占的体积分数。该方法可以分别模拟细胞外自由水和细胞组织附近水的弥散衰减。使用自由水成像可以提高常规指标如各向异性分数(Fractional Anisotropy，FA)的精度，并定量估计血管性水肿的程度以及可能的神经炎症。校正自由水可消除部分容积效应，并提高通过受脑脊液(Cerebrospinal Fluid，CSF)污染和水肿影响的区域纤维束成像的精度。常规MRI成像方式(如弥散张量成像)，对于细胞外和细胞过程(例如神经炎症和轴突变性)的采集结果具有相似作。而自由水成像则能够从组织中的水中分离出细胞外自由水。这意味着可以针对细胞外空间的异常(例如神经炎症)和组织异常(例如轴突变性)评估组差异，有助于了解疾病的来源，并针对特定病理制定对应治疗方案。

目前，深度学习技术在计算机视觉和图像处理等领域都取得了极大的成功。已经有研究者将深度学习用于医学影像重建，如PET、CT和MR。深度学习在脑组织自由水成像的重建过程中也有一些应用。目前，采用深度学习对DTI相关参数进行回归预测多采用多层感知机(Multiple Layer Perception，MLP)，以体素为单位进行非线性映射关系的学习，从而进行逐体素的回归预测。采用多层感知机计算DTI相关参数的方法很大程度地提高了计算速度，但是一定程度上忽略了空间信息。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种脑组织自由水成像重建方法及系统、存储介质及终端，基于弥散张量图像到自由水及相关参数图像的数学关系，通过深度学习算法来实现脑组织自由水成像的重建，有效地提升了图像质量的同时极大了缩短了图像的重建速度。

为实现上述目的及其他相关目的，本发明提供一种脑组织自由水成像重建方法，包括以下步骤：基于双张量模型，根据弥散张量图像获取脑组织自由水图像以及消除自由水后的各向异性分数图像和平均扩散系数图像；基于所述弥散张量图像与对应的脑组织自由水图像、消除自由水后的各向异性分数图像和平均扩散系数图像，训练脑组织自由水成像重建模型；将目标弥散张量图像输入训练好的脑组织自由水成像重建模型，获取重建后的脑组织自由水图像及对应的消除自由水后的各向异性分数图像和平均扩散系数图像。