基于多b值图像联合重建的弥散磁共振成像新方法研究

Multiple quantitative metrics fitted from multiple b-value diffusion-weighed magnetic resonance imaging (dMRI) data by using bi-exponential function or non-Gaussian diffusion models can more accurately characterize the tissue diffusion, and thus is helpful to increase the detection rate of disease and has great potential in the differential diagnosis, staging and therapeutic evaluation of lesions. Thus, the technique and application of multiple-b-value dMRI have been receiving substantive attention in current research. The diffusion parameter quantification accuracy and precision in multiple-b-value dMRI is challenged by low signal-to-noise ratios. The current imaging techniques usually require a large number of b-value acquisitions and multiple averages to obtain accurate and precise high-resolution quantification maps, but at expense of significantly increased imaging time, which limits the wide application of multiple-b-value dMRI in routine clinical practice. To tackle this problem, in this project, we propose to incorporate the correlation between multiple b-value images into the image reconstruction and parameter quantification process. We focus on developing novel model-based priors, data-driven constraints and motion correction methods for the effective introduction of inter-image correlation to the conventional reconstruction. The combination of the proposed methods with multiband excitation and sparsity constraint will have great potential to improve quality of reconstruction and the parameter quantification accuracy and precision of multiple-b-value dMRI. The project may reduce the required averages at high b values, and thus will significantly shorten the imaging time. In summary, this project will provide novel and improved techniques for quantification in multiple-b-value dMRI, and benefit the differential diagnosis, staging and therapeutic evaluation of various lesions.

采集多个b值的扩散加权磁共振（dMRI）图像，利用双指数衰减或非高斯弥散模型进行拟合获得多个量化参数，可以更准确地刻划组织的弥散特性，用于疾病的诊断，有助于提高病变的检出率，在疾病的鉴别、分级与疗效评价中具有重要的应用前景。获得高精准高分辨率的多b值弥散参数图，由于受信噪比低的限制，当前的成像方法需要采集较多的b值与平均次数，成像时间较长，是该技术难以在临床广泛应用的主要障碍。本项目提出在多b值dMRI中的图像重建与量化参数估计引入图像之间的相关信息做约束，开展dMRI多b值联合重建中的模型相关先验约束设计、数据驱动先验约束设计及运动校正方法研究，结合多频带激发与稀疏约束，目标是提高低信噪比与欠采样k空间数据下多b值dMRI量化参数估计的精准度，降低成像所需时间。本项目研究将为多b值dMRI的量化参数估计提供更快速更精准的技术方法，使其更好地服务于病变组织的鉴别、分级与疗效评价。

弥散加权磁共振成像，简称dMRI，可以反映生物组织中的水分子随机运动信息，广泛应用于脑科学研究与临床影像学检查。采集多b值dMRI图像，利用数学模型进行拟合，可获得刻划组织弥散特性的量化参数，有助于提高病变的检出率，并在病变的鉴别、分级与疗效评价中具有重要的应用前景。.本项目按照原计划开展的主要研究内容包括：模型相关先验的dMRI多b值图像联合重建方法；数据驱动先验的dMRI多b值图像联合重建方法；dMRI多b值图像联合重建中的运动校正方法。此外，拓展研究了如下内容：定量磁化率成像、dMRI图像Gibbs伪影去除、相位解缠绕、多b值dMRI定量参数用于肝窦阻塞综合征评估等。.本项目提出了一种基于模型的多b值欠采样dMRI数据重建算法，该算法将图像间指数衰减模型作为先验信息引入重建目标函数，同时对参数图加入全变分约束，可以直接从k空间原始数据出发重建出定量的参数图；提出了一种多方向图像联合dMRI重建算法，先得到各向同性图像，然后再叠加上各向异性图像得到每个方向的扩散加权图像，在数据量变少的情况下，能够获得更准确的定量参数图；提出一种基于特征值分析的数据驱动多次dMRI图像重建算法，从导航回波数据中利用特征值分析的方法提取相位不一致信息和线圈敏感度编码信息，然后在图像域重建出最终的图像，图像信噪比优于传统的k空间域重建结果；提出一种迭代运动补偿算法来校正多激发dMRI中的大范围运动问题，用导航回波估计相位和运动信息，然后将估计的运动信息代入到迭代重建框架中来校正存在的大范围的运动；提出一种基于聚类的CIRIS方法来校正大范围运动对多激发高分辨率dMRI的影响，降低了运动造成的图像模糊与伪影。.本项目研究获得的基于多b值图像之间相关性的dMRI重建系列新方法，将为多b值dMRI的量化参数成像提供更快速更精准的技术方法，为病变组织的分级或分期提供更可靠的量化诊断信息，更好地服务于临床疾病的诊断与治疗。