基于深度学习的扩散磁共振成像高效加速方法及应用研究

Diffusion magnetic resonance imaging (dMRI) plays a significant role in the clinical diagnosis and treatment of gliomas. Most current clinical dMRI applications are constrained by acquisition time and limited in their accuracy. More advanced high-order diffusion models, while providing better connections to pathophysiology of diseases, usually require a large number of high-quality diffusion weighted (DW) images, and are therefore very time-consuming. In this study, we propose to combine fast imaging acquisition and machine learning techniques for rapid and precise dMRI of golioma. We will use deep learning method to bridge the underlying link between DW signal and diffusion model parameters. The learning could build a well-trained model-specific deep neural network (DNN), extremely efficient in computing multiple diffusion parameters, even with a much smaller subset of images comparing to the current general model-fitting methods. The proposed method could reduce the data sampling in q-space by up to 10 times. We will combine the sub-samples of q-space for several selected models, and form a merged acquisition protocol for gliomas imaging. As a further part of the study, we will also develop a real-time image quality control and feedback system to ensure high data quality of images in minimum number. Our approach will be tested on around 60 patients, and validated with clinical evidence. In all, the achievements of our study will provide solid foundations for precise diagnosis and treatment of gliomas.

基于扩散磁共振成像(dMRI)的肿瘤微结构分析和边界纤维束追踪对胶质瘤的精准诊疗有重要意义。常规简单dMRI准确度非常有限，而高阶模型虽然更精准但相应的扫描时间往往增加近十倍。高级dMRI的扫描成像是亟需解决的重大技术难题。本项目根据现有理论和实验证据，提出基于深度学习的加速成像思路。具体是针对选定的扩散模型，应用深度神经网络(DNN)训练获得胶质瘤dMRI信号与高级模型参数间的深层次联系。与一般模型拟合方法相比，DNN可以成倍地降低了对图像信号数量的需求，有能力实现在q空间10倍左右的高效降采样。本研究还将进一步组合优化不同高阶模型的降采样策略，开发针对胶质瘤成像的组合降采样方法，同时满足一系列高阶模型的综合应用需求。研究还将开发实时图像质控和反馈系统，保障降采样图像质量的稳定。研究将开展近60例病人的临床对比验证。本项目最终有望丰富加速成像理论，并为胶质瘤精准诊疗提供强有力支持。

本项目以高阶扩散磁共振成像（dMRI）模型在脑肿瘤临床辅助诊疗应用的迫切需求出发，开展了基于dMRI的微结构分析和纤维束追踪方法的基础研究。研究中，项目按计划围绕dMRI的高阶模型筛选校正、深度学习网络构建、降采样加速优化和系统实现几个方面展开。具体而言，项目组重点研究了以下几项关键内容，包括：(1) 多b值高角分辨扩散磁共振成像的优化和高阶模型筛选校正。首先通过梯度方向分布策略的优化和并行技术的应用，提高MS-HARDI的信噪比，降低伪影；引入高b值 ( > 2000 s/mm2 ）达到更充分地抑制CSF信号的目的，提高组织对比度；研究了T2、SNR等成像参数对dMRI模型结果的修正作用。（2）高阶dMRI模型参数的深度神经网络。面向多个扩散模型参数训练目标的深度学习网络，实现对大脑关键微结构特征的高效训练要求。通过实验验证分析，所提出的深度网络方法的估计准确度明显优于传统方案。（3）面向脑肿瘤的纤维追踪技术优化研究。解决受肿瘤的压迫，神经纤维束大角度偏移后导致的追踪错误问题。本项目提出了一种自动化纤维束重建方法，该方法根据当前纤维追踪状态，自动调整算法阈值，连续多次追踪以获得完整的纤维束，剔除虚假干扰纤维，获得光滑完整的神经纤维束。（4）基于深度学习的q空间降采样策略的联合优化和实时质控。提出较可靠的深度学习网络，实现降采样DWI的优化采集策略，满足多重应用目标的降采样加速采集方法。并开发实现了DWI图像的实时质控反馈系统。.总之，项目组分工明确、紧密合作，围绕多参数联合扩散成像的应用需求，提出了基于深度学习的联合估计方法，实现了从高度欠采样DWI 数据准确估计多个关键扩散参数的目标，为多参数联合扩散成像技术的推广和应用提供了更大的便利。在项目支持下，团队共合作完成论文18篇，发表在NeuroImage、Magnetic Resonance in Medicine、Medical physics等期刊上。申请发明专利共计6项，其中国际授权1项，国家发明专利授权4项，申请中1项。共培养博士生研究生毕业3人，硕士研究生毕业1人，本科学生科研创新训练和毕业论文共9人次。