论文部分内容阅读
经过几十年的发展,磁共振成像技术(Magnetic Resonance Imaging,MRI)在世界范围内得到了广泛地应用。然而,MRI常用于疾病的定性或者加权分析,例如比较一个组织与其周围环境时,通常使用图像强度高低来区分,而没有进行具体的定量分析。因此,MRI可能无法准确地显示疾病的严重程度。近年来,定量磁共振成像方法(qMRI)例如T2*Mapping技术,开始广泛应用于临床和神经科学领域。T2*Mapping技术不仅能够间接地可视化微观结构以及发生生化变化的软骨基质,还能在膝盖组织发生形态学损害前就提供预警。除此以外,T2*Mapping技术对人体软骨含水量、胶原组成和组织各向异性的变化特别敏感,可以实现对骨性关节炎(OA)具有重要诊断依据的生化参数的准确测定,因此,T2*Mapping技术可以作为诊断和随访软骨异常的有意义的评估工具。T2*Mapping技术传统上通过梯度回波(GRE)序列在多个TE间隔内探测T2*值衰变,即使用不同回波时间的一系列图像按照指数衰减来拟合,计算获取T2*弛豫时间。这样的采集方法时间非常长,于是研究者提出了多种加快T2*Mapping技术采集的方法:(1)是像SENSE和GRAPPA等算法,它们通过多通道线圈收集欠采样信号,然后将所收集信号的数据冗余信息作为先验知识用来恢复整个k-space的信号,最后重建所需的图像以及T2*Map。方法(1)通常会增加成像系统的成本和复杂性。(2)是采用k空间欠采样技术,它通过压缩感知、稀疏或者低秩等条件从欠采样数据中重建得到所需的图像以及T2*Map。方法(2)通过减少k空间数据的采集过程减少T2*Mapping技术所需要的时间。然而,欠采样技术的引入,会导致图像出现不可避免的伪影和噪声,影响T2*值的准确计算。本研究旨在通过深度学习的方法,去除欠采样图像中的伪影和噪声,实现基于欠采样数据的T2*Mapping过程。本研究的主要工作分为四步:第一步,通过3D UTE-CONGS序列采集全采样和欠采样的膝关节K空间数据,然后使用Regridding和ESPIRiT重建算法得到重建MR图像。第二步,将MR图像输入到一个带残差的三层卷积网络中,学习多倍欠采样MR图像与全采样MR图像之间的映射关系,训练得到一个可以去除欠采样图像伪影和噪声的模型。第三步,用这个模型对未训练的欠采样MR图像进行优化,然后使用单指数拟合方法对优化后的MR图像进行T2*的拟合计算,最后得到一副完整的T2*Map图像的过程。第四步,使用定性和定量分析方法,分析文中所提方法是否能实现基于欠采样数据的T2*Mapping过程。在本文中,我们明确了定量磁共振成像在基于客观证据来辅助医生决策的重要性,其中T2*Mapping技术就可以作为评估OA疾病过程中不同阶段软骨状态的可靠工具。针对欠采样技术可以加快T2*Mapping技术但会影响T2*Map准确度的问题,文中提出了一种基于残差卷积神经网络的图像重建方法。通过分析,该方法在图像质量和T2*Map准确度方面优于其它常规重建算法,并且该方法所得T2*测量值和全采样MR数据所得T2*测量值不存在显著性差异。因此,文中所提方法可以提高基于欠采样数据的T2*Map准确度,甚至实现基于欠采样数据的T2*Mapping过程。