融合DCNNs和超极化气体MRI的COPD智能分级诊断和优化研究

The incidence and mortality rates of chronic obstructive pulmonary disease (COPD) have been very high in China with a gradually rising trend, leading to serious and sustained economic and social burden. However, the conventional diagnostic methods (such as pulmonary function tests, CT etc.) all have their own deficiencies, which severely restrict the early detection and diagnosis of COPD. The hyperpolarized gas MRI, emerged and developed in recent years, has unique advantages in COPD detection with features of harmlessness and no ionizing radiation. Based on the large data of lung hyperpolarized gas MRI, this project means to explore lung health conditions and COPD grading diagnostic criteria. First, the lung hyperpolarized gas MR images are preprocessed (for example, removing the trachea, blood vessels, marking the area of ventilation defects, etc.) to construct a lung image database. Secondly, build a network framework consistent with the characteristics of hyperpolarized gas MR images using with the autonomous learning characteristics of the deep convolutional neural networks (DCNNs). Then, using the transfer learning theory to train and optimize of DCNNc structure and the weighting parameters, so as to intelligently diagnose COPD, and analyze COPD grading standards qualitatively and quantitatively. The implementation of this project will help promote the transfer and conversion of hyperpolarized gas MRI technique to clinic applications, and finally improve the early diagnosis rate and medical quality of COPD.

慢性阻塞性肺疾病（COPD）发病率和致死率在我国一直居高不下，且呈逐步上升的趋势，从而导致严重、持续增长的经济负担和社会负担。常规的诊断方法（如肺功能检查、CT等）均存在一定的不足，制约着COPD的早发现和早诊断。近年来发展的超极化气体MRI无电离辐射、无损伤的特点使其在COPD探测上具有独特的优势。本项目基于肺部超极化气体MRI大数据，探索肺部健康情况和COPD分级诊断标准。首先，流程化处理肺部超极化气体MR图像（如移除肺图像中的气管、血管等区域、标记通气缺陷区域等），构建肺部图像数据库；其次，结合深度卷积神经网络（DCNNs）的自主学习特征，搭建符合超极化气体MR图像特征的网络结构；然后，利用迁移学习理论，训练和优化DCNNs结构和权重参数，智能化诊断COPD，及定性、定量分析COPD分级标准。本项目的实施有助于推动超极化气体MRI向临床的转移和转化，提高COPD早期诊断率和医疗质量。

本研究针对MRI扫描时间瓶颈的问题以及肺部MRI对成像速度的需求，对基于CS的快速超极化气体 MRI 展开研究。文中利用CS技术研究超极化气体肺部MR快速成像，同时对基于HOSVD 的张量稀疏变换的CS-MRI方法在三维超极化气体肺部MRI中的应用进行了探讨和研究。基于HOSVD的CS重建方法不同于传统的肺部MRI中CS重建之处在于它可以挖掘MRI数据的高维稀疏表达，并且和传统的二维稀疏表达相结合可以挖掘MRI数据更稀疏的表达从而提高肺部MRI扫描和重建速度。用3D 超极化气体肺部通气MRI的回溯欠采的仿真重建实验和两个健康志愿者的2-5倍欠采数据进行了相关的重建研究，证实了基于HOSVD的张量稀疏重建在肺部快速成像领域的有效性，该方法有利于加速肺部气体MRI 的成像扫描时间和成像重建时间，它在肺部快速成像领域的实验研究值得期待和验证，有利于肺部MRI快速成像、动态成像的研究和发展。.同时，提出基于肺部结构和气体运动的特性的自适应方法对肺部超极化动态k空间数据进行高倍欠采——肺部超极化129Xe的高倍自适应欠采动态MRI。高倍的自适应欠采之后，发展了一个有效的重建算法重建动态MR图像，该算法涉及低秩、总体稀疏性、气体流入效果和联合稀疏性。无论是仿真还是活体实验结果都验证了，在质量和定量方面，该方法都比现有的方法有更为出色的表现。最后，深度学习方面提出了一种深度残差密集网络（DC-RDN），用于从高度欠采样的k空间中重建多b值气体DW-MRI。DC-RDN由一系列的密集残差模块和数据一致性层交替连接构成。在每个RDB-DC模块中，不同b值的DW图像共享相同的特征图，而DC层则保证了RDB输出和测量的k空间数据之间的一致性。在网络训练完成后，将获得最优的网络参数，快速和精确地重建欠采样的DW-MRI数据。本研究在4倍加速下，将成像时间由17.8 s缩短至4.7s，显著减小受试者的屏气负担，同时重建时间仅为毫秒量级。