论文部分内容阅读
心脏疾病是目前威胁人类健康的最重要疾病之一,是人类健康和生命的头号杀手,而且随着各种因素的影响其发病率依然呈上升趋势。如今,心脏磁共振影像可以为心脏提供结构和功能全方位的信息,已经成为心脏疾病诊断与治疗重要的工具。大量的理论研究和临床实验表明,心脏疾病与心室心房的形状变化、心肌的运动状况等有着直接联系。基于图像序列鲁棒地检测心脏的动力学参数(如位移场,应变场),对于提高心脏疾病的早期确诊率和治疗效果至关重要。本文主要研究同时获取心脏多参数动态图像序列和从图像序列中鲁棒提取心肌运动变形问题。由于传统的磁共振多参数定量成像的时间过长并且成像质量易受到患者呼吸的影响,因此本文选择成像时间更短的磁共振指纹成像技术进行多参数图像重建。磁共振指纹成像技术在伪随机成像参数不同的状态下可以为各组织弛豫时间的每个体素创建唯一的时间信号。有别于传统重建方法提取混合参数图的图像特征的重建思路,本文提出的Transformer网络可以直接对指纹序列进行映射,实现了从高度欠采样的图像序列中分离重建出组织参数图像。该方法通过编码器-解码器结构实现了序列对序列的重建,其中一次正向的传播便可逐个得到整个目标序列的预测过程。这种方法摒弃了磁共振指纹图像重建中多采用的卷积神经网络和递归神经网络的架构,完全利用注意力机制来进行信息提取,因此Transformer网络兼顾了这两种网络架构在时间的依赖性方面和在网络训练速率上的优点。另一方面从图像序列中恢复整个心肌的运动场和变形参数是一个病态逆问题,需要添加适合的约束来获得唯一的最优解。本文提出了一种利用稀疏正则化的图变分模型,该方法利用图变分挖掘图像序列中不同区域之间的空间相似性,在整个图像序列中建立了不考虑空间距离的相似区域之间的连接,克服了仅考虑与邻近区域相似性的局限性,并保留了纹理细节和精细结构。仿真实验和真实实验验证了该方法的精确性与鲁棒性。