隹Isl^iSls V12021年第02期(总第218期)
磁共振弥散成像后处理平台的设计与实现
严序
windows开发平台(西门子医疗系统有限公司，上海201318)
摘要：磁共振弥散定量技术在临床上具有较大潜力，通过集成和独立实现多种高级弥散模型计算，多个常规预处理步骤，以及平台与医学成像设备之间的数据传输，本平台实现了高级弥散模型快速、自动化的处理。本平台将复杂的弥散技术引入到了医院临床应用场景中，将极大促进该技术的临床验证，并加速器由科研向临床转化的过程。
关键词：系统设计；弥散成像；磁共振成像；数据处理；医学
中图分类号：O482.53B文献标识码:B文章编号：2096-9759(2021)02-0162-03
Design and Implementation of Post-Processii^Platform of M agnetic Resonance Diffiiskm Imaging
XuYan
(Siemens Healthcare Limited,Shanghai201318)
Abstract：Magnetic resonance diffusion imaging showed great potential in clinical application.It is a fast and automatic postprocessing platform integrating or independently implementing algorithms of m ultiple advance diiiusion models,multiple common pre-processing steps and data transfer function between the platform and medical imaging devices.The platform brings complex techniques of diffusion models into scene of clinical application in hospital,which will greatly facilitate its clinical validation and accelerate the conversion progress from research to clinical usage.
Key Words：system design;diffusion imaging;magnetic resonance imaging;data processing;medicine
1概述
磁共振成像是医院临床上最重要的影像设备之一，凭借其良好的组织对比度和无电离辐射损伤的优势，广泛应用于全身各个系统疾病的临床诊断和疗效评估。目前磁共振成像主要的应用为基于高分辨率的结构成像的定性诊断，可以清楚的凸显病灶和正常组织之间的差异，而其髙级定量成像方法具有较大临床价值，但目前主要出于科研阶段，尚未在临床中大量使用。
弥散成像m是磁共振成像的一种重要定量手段，具有较大临床应用潜力。该方法是目前世界上唯一一种可以测量活体组织中水分子运动状态的技术，由于水分子广泛存在于人体组织的细胞内外，从而通过对水分子运动速率和方向的测量可以反映组织的细胞结构、密度和类型的信息，为神经、肿瘤方面的疾病诊断提供独特、精准的定量信息，在目前临床科研中大量应用悶。特别是基于弥散成像原理发展出来的高级定量模型，在近年的神经和肿瘤疾病的科研工作中扮演的重要角。
弥散张量成像(DTI)[5]模型可以通过大脑神经纤维间水分子运动方向的空间各异性直接计算出纤维自身的走向，从而重建出大脑神经的3D结构；弥散峰度成像(DKI)m的模型，可以反映神经和肿瘤组织内细胞层面的微观结构变化，如细胞毒性水肿(细胞个体增大)和多种组织成分混杂，在脑肿瘤、乳腺癌、直肠癌等疾病的鉴别和分级中有较高临床价值；另外有一种称为神经突方向离散度和密度成像(NODDI)m的模型，可以反映细胞内、外的弥散信号的比例，对神经突密度的变化较敏感，从而可以用于评估老年痴呆、帕金森、癫痫等疾病导致的大脑神经的损伤。2平台核心需求和设计方案
2.1.平台临床应用需求和难点
虽然多种弥散模型具有较高的临床应用潜力，但其中大多模型目前实际临床应用较少，主要的原因有两方面，较长的数据釆集时间和较复杂的分析流程。采集时间可以通过最新的磁共振加速技术来解决，如目前商业化的同时多层技术皿，可以成倍的加快弥散数据的釆集速度。
而后处理方面则存在更多问题，是限制该技术临床应用的主要原因，目前主要有下面几个方面:①大多弥散定量模型目前主要处于临床科研阶段，目前并无全面覆盖目前神经、体部常见的弥散模型计算的平台;②处理平台功能不够全面，除核心的弥散模型计算之外，还需要一系列预处理流程，图形化界面和高级数据分析功能;③缺乏数据传输功能，绝大数目前的处理平台均为科研工具，处理结果无法与医院影像和数据系统连接。
国际上的著名的DIPY^开源项目是目前弥散成像后处理最全面的工具，包含了多个弥散模型计算的算法、预处理和可视化工具。除了弥散模型需要进一步拓展之外，但其无法实现临床应用的原因主要在于无图形化操作界面，其应用医生需要一定编程能力调用Python命令，同时整个处理过程除了模型计算还包含多个预处理步骤。因此，对于医学工作者来说，这些髙级应用在临床上的广泛应用难度较大。
针对临床实际应用的需求，本平台的设计将针对上述三方面问题，给出解决方案，下面介绍具体的设计思路。
2.2弥散模型
目前学术界提出的弥散模型数量较多，为了同时满足临床工作者研究和临床应用的需求，本平台的目标是囊括目前
收稿日期=2021-01-20
作者简介：严序(1984-)，男，湖北武汉人，博士，研究方向：医疗影像处理。
162
国内外最常用和最新的模型，便于用户的按需使用或者进行不同模型间的比较和联合应用O
平台需要涵盖的弥散模型较多，完全自行实现算法需要较大的工作量，同时算法准确性和稳定性难以保证，因此，本平台合理利用目前国际上的开源资源，特别是经过多中心项目应用验证和优化后的资源。同时，开源资源便于未来弥散模型算法的持续更新和拓展。然而，开源资源基于的操作系统和编程语言各不相同，目前主要有下面这些用户量较大的开源项目:①前面提到的DEPY项目，完全基于Python3开发，里面包含了大量神经弥散包括如DTI,DKI,MAP和IVIM模型的重建算法，同时也包含了一些预处理方法，如图像配准、涡流校正和去噪等，可以直接集成;②FSL，著名且在神经磯共振成像研究领域广泛应用的开源工具，基于Linux平台，大部分算法基于C++，其中除了包含常用的DTT模型还有许多预处理算法，如去头壳、涡流校正，并且这些步骤在大量研究中验证和优化;③AMICOI15］库，基于Python2开发的神经弥散后处理平台，为美国脑计划的数据分析设计，包含了快速NOd DI模型算法，但由于其基于快速计算库没有Python3版本，无法直接集成到在Python3中。
为了便于开源资源的集成，本平台将以跨平台语言Python 为基础进行构建，同时考虑到未来程序的拓展性，使用Py-血尬3。目前基于Python的医疗影像处理的算法库较多，包括医疗数据格式读写和传输和转换工具Pydicom,dicom2nifiy 库，数据和图像处理工具SCIPY,PyOpenCy SimpleETK等。为了适应国内用户操作的习惯和流畅性，平台基于Windows 系统开发。
对于跨平台跨编程语言的程序集成思路如下:①基于Py・thon3的算法库直接集成;②基于Linux平台或者windows的C++程序，可基于在Windows平台上编译成可执行文件直接调用，统一输入输出数据格式;③基于Pyth(m2的算法库，同样在windows平台上编译成可执行文件直接调用。
目前弥散模型较多，主要分为两类，即用于神经系统和体部的模型。其主要区别在于神经结构具有空间异质性，需要采集空间上不同弥散方向的数据进行重建，而除神经结构之外的组织大多为空间各向同性的结构，无需多方向数据。本平台的神弥散模型DTI,DKI以及近年来最近提出的平均表观传播(MAP)模型，直接利用开源库DIPY,NODDI模型基于AMICO库的算法，体部弥散模型则包括最基本的单指数模型，体部的DKI模型(无需多方向数据)，可以同时定量弥散和微血管灌注的体素内不相关运动(IVIM严模型和拉伸指数模型(SEM)叫由于体部模型并没有开源资源，这里直接实现算法。
2.3数据处理流程
为了获得高质量的弥散模型计算结果，其后处理通常需要包含以下处理步骤：
(1)背景去除，对于大脑数据去除头壳外数据，对于其他体部应用，需要去除背景区域的噪声。
(2)涡流校正，由于弥散成像过程中需要快速施加了较强的梯度磁场，会产生涡流，在弥散图像中弥散梯度场施加的方向上的产生变形，需要进行校正。
(3)图像去噪，弥散图像的信噪比较低，可以通过图像去噪技术进行有效提升。
(4)模型计算，对经过前3步预处理后的弥散图像计算弥散模型。
2.4数据來源与格式
医院使用的影像设备和数据存储设备PACS系统均基于DICOM标准冋，本平台支持DICOM数据的浏览、传输，通过Python的PyDicom库实现。但由于医学图像处理中数据格式并非DICOM，因此需要进行转换。目前绝大部分后处理工具支持NIFTY格式数据，如国际著名的医学图像处理算法和可视化开源库1TK,VTK，因此平台在处理前会将DICOM格式数据转换成NIFTY格式。
平台集成的开源资源中基于可执行文件的处理工具之间则直接通过NIFTY数据和专门定义的信息文件进行参数传递，以提高集成效率。
2.5数据传输
与医院设备间的通讯基于DICOM标准。在模型计算完成后,NIFTY格式重新转换成DICOM格式，并发送回影像设备。3平台实现
平台在Windows系统上基于Python3.5开发。软件界面使用PyQT5，包含三个模块:①数据预览和转换模块;②图像显示模块;③数据处理模块。
3.1数据预览和转换模块
平台可处理数据包括DICOM和NIFTI格式，分别基于Py・Dicom和Nibabel库实现信息读取和写入。界面包含一个文件夹浏览界面，选中文件在预览框中实时显示图像和数据对应的头文件，便于数据选择和观察数据信息，见图1.
图］弥散成像后处理平台预览界面
数据格式转Nifty格式通过MricroGL的dcm2nii工具实现，并通过python进行封装。弥散数据包括原始弥散加权数据(NIFTY格式)和b值大小(bval)、方向列表(bvec〉文件。Nifty格式转回DICOM使用PyDicom库。本平台与磁共振成像设备和EACS的DICOM数据传输通过DCM1K库实现。3.2图像显示模块
图像显示模块使用基于PyQT5的PyQTGraph库实现高效显示。图像上方显示文件名称或定量参数名称，下方显示数据信息，弥散原始数据显示对应的b值，并可通过左右键切换不同b值观察，定量参数
数据显示取值范围，见图2.
163
图2弥散成像后处理平台图像显示模块界面数据对比度调整（窗宽窗位〉，不同层的切换和图像的缩放平移通过数据的做左、中和右键操作实现，便于用户操作。同时可以将灰度图像转换成伪彩图。
3.3数据处理模块
弥散数据预处理步骤通过下面工具或者库实现，包插:①去除头壳，使用FSL软件回的BET工具实现,FSL是基于Linux 的软件,BET工具在Windows系统上重新编译;②涡流校正，使用DiflftisionKit1143的Bneddy工具;③图像平滑，基于3D高斯滤波，平滑核默认sigma=1.25，基于SCIPY库实现。
模型计算方面，神经弥散模型中DTI、DKI和MAP模型基于DIPY库切实现,NODDI模型基于AMTCO1同库计算。体部弥散模型方面,DKI,IVIM和SEM模型则直接在Python中实现。4应用结果
为了验证平台数据计算效果，测试使用了自愿者大脑弥散数据，在3T磁共振成像扫描仪上采集。采集方案包括99个不同弥散方向和b值，最大b值为3000s/mm2，通过同时多层技术加速，加速因子为3，层面内加速因子为2，其他参数TR/ TE=3700/72ms，带宽1820，弥散时间6/A=15.9/35.0ms，体素尺寸为2.0x2.0x2.2mm3,FOV=220x220mm，总扫描层数为60层，扫描时间6分37秒。
平台将在磁共振扫描仪上生成的DICOM数据转换为Nb FTY数据，并使用默认设置进行弥散数据预处
理和神经弥散模型计算，同一个数据集可以计算获得DTI,DKI,NODDI和MAP四个模型的定量参数，见图3。
图3四种神经弥散成像模型的结果展示
5结语
磁共振弥散定量技术在临床上具有较大潜力，本平台实现了最新的多种高级弥散模型的全流程处理，并可以实现自动化处理流程和与医学成像设备之间的连接，将极大促进临床工作者将最新的影响技术应用到更多临床场景中，快速这些技术科研向临床转化的过程。
此外，本平台最终的目的是集成多种弥散模型相关的预处理和模型计算，未来还可以进一步拓展。在拓展性方面，由于平台通过Python构架，可以实现跨平台工具的集成，如基于C++,JAVA,Matlab的工具，不同工具间的接口通过Nifty数据实现。未来还会引入更多弥散模型模型。
当然，平台还有许多地方需要迸一步改进和维护，这将在我们今后的实现探索中不断迭代更新，最终期待该工具能在医疗单位中大量应用，为推动精准医疗事业的发展积极努力。參考文献：
[1]Hagmann R Jonasson L,Maeder R Thiran毗Wedeen J
Meuli R.Understanding difiusicm MR imaging techniques: From scalar difiusion-wei^ited imaging to di血tensor imaging and beyond[J].Radiographics,Published online2006. [2]Ma K,Zhang X,Zhang H,et al.Mean apparent propagator-
MRI:A new diHusion model which improves temporal lobe q>ilq)sy lateralization[J].Eur J Radiol,2020,126.
[3]Le H,Zeng W Zhang H,etal.Mean Apparent Pr(4)agator
MRI Is Better Than Conventional Difiusian Tensor Imaging for the Evaluation of P arkinson's Disease:A Prospective Pilot Study[J].Front Aging Neurosci,2020,12.
[4]Park JE,Kim HS,Paik S乂et al.Prediction of c ore signaling
pathway by using difiusionand perfusion-based mri radiomics and next-generaikm sequencing in isocitrate dehydrogenase wild-type glioblastoma[J].Radiology,2020,294(2):388-397.
[5]Basser PJ,Mattiello J,LeBihan D.MR.difiHisioii tensor spec
troscopy and imaging[J].Biophys J,1994,66(1):259-267. [6]Jensen JH,Helpern JA,Ramani A,Lu H,Kaczynski K.Dif-
fusional kurtosis imaging：The quantification of non-Gaus-sian water difiusion by means of magnetic resonance ima-ging[J].Magn Reson Med,2005,53(6):1432-1440.
[7]Zhang H,Schneider T,Wheeler-Kingshott CA,Alexander
DC.NODDI:practical in vivo neurite ori^itatian dispasion and density imaging of the human brain[J].Neuroimage, 2012,61(4):1000-1016.
[8]Barth M,Breuer F,Koopmans PJ,Norris DG,Poser BA.
Simultaneous multislice(SMS)imaging techniques[J].
Magn Reson Med,2016,75(1):63-81.
[9]Gaiy&Bidis E,Brett M,Amiibekiaii B,et al.Dipy,a library
for the analysis of difiusion MRI data[J].Front Neuroin-form,2014,&&
[10]Le Bihan D,Turner R.Intravoxel incoherent motion imaging
using spin echoes[J].Magn ResonMed,1991,19(2):221-227.
[11]Bennett KM,Schmainda KM,Bennett RT,Rowe DB,Lu H,
Hyde JS.Characterization of continuously distributed cortical water division rates with a stretched-exponential mod-el[J].Magn Reson Med,2003,50(4):727-734.
[12]Welfesr D,Scharcanski J.PA.CS based on open-source soft
ware components[J].In:Handbook of Research on Distributed Medical Informatics and E-Health.;2008:338-349. [13]Jenkinson M,Beckmann CF,Behrens TE,Woolrich M\^
Smith SM.FSL[J].Neuroimage,2012,62(2):782-790. [14]Xie S,Chen L,Zuo N,Jiang T.Di伍isionKit:A light one-
stop solution for division MRI data analysis]〕].J Neurosci Methods,2016,273:107-119.
[15]Daducci A,Canales-Rodriguez EJ,Zhang H,Dyrby TB,
Alexander DC,Thiran IP.Accelerated Microstructure Imaging via Convex Optimization(AMICO)from difiusion MRI data[J].Neuroimage,2015,105:32-44.
164
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论