论文部分内容阅读
磁共振成像(Magnetic ResonanceImaging,MRI)是一种非侵入、无电离辐射的影像学技术,可以为临床提供高分辨率的结构和功能影像。但是,传统MRI以氢质子(1H)为观测对象,而肺部主要由空腔组成,1H密度低,因此肺部是传统MRI的“盲区”。利用自旋交换光抽运技术,能够将惰性气体(如3He和129Xe等)的极化度提高4-5个量级,从而使肺部气体磁共振成像成为可能。超极化气体MRI为肺部的结构和功能评估提供了一种独特策略,在肺部疾病的早发现、早诊断和早治疗方面具有巨大潜力。然而,超极化气体的纵向磁化矢量具有不可恢复性,给超极化气体磁共振信号的采集带来很大限制。此外,大部分超极化气体MRI方法需要在单次屏气内完成,但较长的屏气时间会给受试者带来很大负担。因此,发展快速成像技术对促进超极化气体MRI的临床应用具有重要意义。压缩感知MRI(Compressed Sensing-MRI,CS-MRI)通过欠采样k空间数据加快成像速度,不需要额外的硬件和序列,是目前超极化气体MRI中最常用的快速成像方法。但是,CS-MRI技术存在的一些缺陷,如非线性重建需要较长的重建时间和复杂的超参数选择等,限制了其在临床上的广泛应用。最近,深度学习在欠采样MRI重建领域得到成功应用。相比于CS-MRI,基于深度学习的MRI重建在重建速度、重建质量和加速倍数等方面都具有显著优势。基于深度学习的重建方法需要大量高质量的参考图像作为训练集。然而,由于超极化气体MRI易受噪声和伪影影响,很难获得高质量的超极化气体肺部图像,这使得将深度学习应用于超极化气体MRI面临很大困难。针对该问题,我们利用超极化气体MRI的先验知识,发展了一系列基于深度学习的超极化气体肺部快速磁共振成像方法,在高加速倍数下,实现超极化气体肺部图像的快速和精确重建,主要内容如下:第一,我们首次提出了一种级联卷积神经网络(Cascaded Convolutional Neural Networks,CasNet)用于从高度欠采样的k空间中重建超极化气体肺部通气图像。CasNet包含两个级联的重建网络C-net和F-net,组成由粗到精的重建框架。其中,C-net用于去除欠采样伪影和恢复部分肺部细节信息,而F-net用于利用1H图像的先验知识进一步提高肺部区域的重建效果。我们使用来自72名志愿者的784幅(90%)和87幅(10%)超极化129Xe肺部通气图像分别对CasNet进行训练和测试。与传统的CS-MRI方法相比,CasNet能够在包含各种肺部疾病的测试集中获得更优的重建效果,且重建速度更快,重建一幅96 × 84的肺部通气图像仅需31 ms,能够满足实时重建的需求。此外,CasNet重建还可以有效保护通气图像的通气缺陷分布,从而准确计算通气缺陷百分比(Ventilation Defect Percentage,VDP)。第二,由于多b值采集和较长的扩散梯度时间,超极化气体扩散加权MRI(Diffusion-Weighted MRI,DW-MRI)需要更长的扫描时间。因此,我们首次提出了 一种深度级联残差密集网络(Deep Cascade of Residual Dense Network,DC-RDN)用于加速多b值超极化129Xe DW-MRI。DC-RDN由残差密集模块(Residual Dense Blocks,RDBs)和数据一致性层(Data Consistency,DC)交替级联而成。在RDB中,不同b值的DW图像共享相同的特征图,这有助于利用DW图像在扩散方向上的结构相似性来提高重建效果。同时,使用DC层保证重建图像和欠采样k空间测量的数据一致性,从而可以有效保护肺部的微结构信息。由于缺乏训练集,我们从超极化129Xe通气图像中生成了大量仿真的多b值DW-MRI数据用于训练DC-RDN。实验结果表明,DC-RDN能够有效去除欠采样伪影,并准确估计肺部形态学参数。在4倍的加速因子下,DC-RDN能够将多b值129Xe DW-MRI的成像时间由17.8 s减少至4.7 s,并且重建一层DW图像(5个b值)仅需7.2 ms。综上所述,本文提出的基于深度学习的快速成像方法能够有效加快超极化气体肺部MRI的成像速度,并获得高质量的重建图像和准确的定量参数,有望促进超极化气体MRI的临床转化和肺部疾病研究。