本发明涉及磁共振成像领域，尤其涉及一种加速化学交换饱和转移对比成像的方法。
背景技术：
1、化学交换饱和转移成像(cest)是一种新型的磁共振成像(mri)技术，它提供了一种强大的灵敏度增强机制，可对某些低浓度代谢物和蛋白质分子进行定量成像，而传统的磁共振成像方法很难对这些代谢物和蛋白质分子进行观测。通过提供分子水平的信息和非侵入性诊断能力，cest成像显著增强了临床医生诊断各种疾病的能力。尽管cest成像具有诸多优点，但通常需要采集不同饱和频率(即频偏)下的数据，其较长的采集时间可能会导致治疗延误、加重患者不适以及增加扫描失败的可能性。因此，实施加速成像技术对于促进cest更广泛的临床应用至关重要。
2、常规的cest成像序列由饱和模块和读出模块组成。其中读出模块通常采用快速自旋回波(fse)或回波平面成像(epi)技术。fse读出模块提供较高质量的cest图像，但需要较长的扫描时间来采集多个饱和频率下的数据，这对其应用造成了严重限制。epi读出模块可以节省扫描时间，但获得的cest图像可能会发生畸变，从而干扰诊断结果。
3、近年来已开发出多种技术来加速cest成像。并行成像(pi)是一种成熟的磁共振成像加速技术，已被整合到常规cest序列，尤其是在三维应用中。压缩传感(cs)已成为磁共振成像加速的另一种流行技术。具体来说，敏感度编码技术(cs-sense-cest)通过一种可变密度k空间欠采样方案显著提高了cest成像速度，同时保持了图像的完整性和定量准确性。此外，并行盲压缩感知(pbcs)、slam-cest(spectroscopy with linear algebraicmodeling)和kt-slr(k-t sparsity and low-rank)等先进方法有效利用了cest数据固有的时空稀疏先验，大大缩短了cest成像的扫描时间。在多任务技术中，低秩张量子空间(lrtes)建模被用来利用在不同饱和频率下获取的图像之间的相关性，以减少cest成像的扫描时间。深度学习算法已成为提高磁共振成像效率的有力工具。监督学习技术被有效地用于将低质量图像转换为高质量图像。然而，在磁共振成像中获取足够数量的全采样参考数据是一项重大挑战，尤其是在cest成像中。为了解决这些限制，人们开发了无监督深度学习算法。其中，tddip(time-dependent deep image prior)技术被提出用于加速磁共振成像重建，它运用一维流形来学习磁共振成像数据的时间依赖性。但是，以上方法在加速因子较大时，往往重建结果会存在一定的伪影，导致诊断结果出现误差。
4、综上所述，cest成像技术目前存在以下问题：
5、1)最大问题在于成像时间较长。由于需要在多个饱和频率下采集数据，常规的成像序列扫描过程耗时较长。长时间扫描会带来持续的射频能量输入，提高了组织的吸收能量，进而导致sar值升高。这种高sar值带来安全和技术上的挑战，不仅增加了患者的不适感，还限制了其在临床环境中的广泛应用。且由于成像时间长，患者的微小移动都会导致运动伪影，这些伪影会降低图像的清晰度和准确性，影响诊断结果。特别是对需要保持静止的患者，如儿童、老年人或患有某些疾病的患者。甚至会影响患者的依从性，甚至导致无法完成扫描。
6、2)cest成像由于其固有的长扫描时间和高sar限制，导致难以获得大批量的全采样数据集。这种数据采集的限制对有监督的深度学习方法的应用提出了显著挑战，因为有监督学习依赖于大量高质量的标注数据来训练模型。在cest成像中，数据不足和采样不完整的问题使得传统有监督深度学习模型难以有效地学习和泛化，从而限制了这些方法在cest成像中的实用性和有效性。
7、3)尽管现有的压缩感知类算法以及无监督学习类算法在加速cest成像方面展示了潜力，但在实现高倍加速时，仍需进一步的技术创新和优化，以克服当前存在的重建质量和图像准确性问题。这要求开发更为高效的采样策略、重建算法和深度学习模型，以在保证图像质量的前提下，显著提升成像速度。
8、如何保证cest成像高效的采集以及高倍加速下重建的质量是目前亟待研究的热点问题。
9、因此，本领域的技术人员致力于开发一种加速化学交换饱和转移对比成像的方法。
技术实现思路
1、有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何加速cest成像数据的采集以及如何保证高倍加速下重建cest图像的质量。
2、为实现上述目的，本发明提供了一种加速化学交换饱和转移对比成像的方法，包括以下步骤：
3、步骤1、设定不同频偏的射频饱和脉冲，在每次所述不同频偏的射频饱和脉冲后，使用非笛卡尔序列采集数据，得到采集的不同频偏的k空间数据；
4、所述非笛卡尔序列在z谱维上采用随机化欠采样方式，所述z谱维为所述不同频偏的射频饱和脉冲对应的序列采集维度；
5、所述非笛卡尔序列为黄金角旋转的堆叠星轨迹序列或黄金角旋转的三维球形径向轨迹序列；
6、步骤2、将所述采集的不同频偏的k空间数据输入深度学习算法，重建得到cest图像。
7、进一步地，步骤2所述深度学习算法为采用隐式神经表达与显式先验信息结合的无监督学习算法inresp，具体包括以下步骤：
8、步骤2.1、根据所述采集的不同频偏的k空间数据，通过坐标生成函数生成与之对应的均匀分布的初始化坐标；
9、步骤2.2、将所述初始化坐标输入可训练编码模块，可训练编码模块将所述初始化坐标编码到一个变换域，进行图像像素点特征向量的提取与计算，得到cest特征图；
10、步骤2.3、将所述cest特征图输入特征转换模块进行计算，得到所述cest图像的实部和虚部，所述特征转换模块由mlp网络构成；
11、步骤2.4、将所述cest图像的实部和虚部和所述采集的不同频偏的k空间数据输入inr重建数据一致性模型，将显式先验信息输入显式稀疏先验正则化模型，得到数据一致性项rdc损失函数、加权联合稀疏正则化项rwjs损失函数、时域tv正则化项rtv损失函数和低秩正则化项rlr损失函数，具体如下：
12、将所述cest图像的实部和虚部和所述采集的不同频偏的k空间数据输入所述inr重建数据一致性模型，得到如下数据一致性公式：
13、
14、其中，表示所述采集的不同频偏的k空间数据，表示拟合的不同频偏的k空间数据，其中是所述cest图像的实部和虚部组合后的复数cest图像，φ＝fncs表示多线圈欠采样算子，所述多线圈欠采样算子采用所述非笛卡尔序列，fnc是非均匀快速傅立叶变换算子，s表示线圈灵敏度图，θ代表所述inr重建数据一致性模型中需要优化的权值；
15、所述显式先验信息为加权联合稀疏性、时域tv、低秩，将所述显式先验信息带入所述显式稀疏先验正则化模型，得到如下显式先验信息正则化公式：
16、
17、其中，是所述cest图像的实部和虚部组合后的复数cest图像，
18、是所述加权联合稀疏的正则化项，
19、是所述时域tv的正则化项，
20、是所述低秩的正则化项；
21、dn(n＝1,2)和d3是空间维和频偏维的一阶差分矩阵，是加权联合稀疏项的加权张量，‖‖21表示l21范式，‖‖1表示l1范式，‖‖*表示核范式，λ1，λ2和λ3是正则化参数；
22、根据cs理论中的优化问题模型将所述数据一致性公式和所述显式先验信息正则化公式结合，得到所述无监督学习算法inresp如下：
23、
24、其中，为所述数据一致性项rdc损失函数，
25、为所述加权联合稀疏正则化项rwjs损失函数，
26、为所述时域tv正则化项rtv损失函数，
27、为所述低秩正则化项项rlr损失函数；
28、步骤2.5、通过链式法则计算所述数据一致性项rdc损失函数、所述加权联合稀疏正则化项rwjs损失函数、所述时域tv正则化项rtv损失函数和所述低秩正则化项rlr损失函数相对于模型参数的梯度，所述模型参数包括所述图像像素点特征向量和所述mlp网络的权重参数；
29、并利用所述梯度通过adam优化算法更新所述模型参数，以最小化所述数据一致性项rdc损失函数、所述加权联合稀疏正则化项rwjs损失函数、所述时域tv正则化项rtv损失函数和所述低秩正则化项rlr损失函数，得到cest图像重建模型；
30、步骤2.6、将初始化坐标输入所述cest图像重建模型，重建得到所述cest图像。
31、进一步地，步骤1所述在z谱维上采用随机化欠采样方式为采用黄金角旋转采样。
32、进一步地，步骤1所述黄金角旋转的堆叠星轨迹序列为在kx-ky平面中采用黄金角旋转的径向采样，沿kz维度采用笛卡尔采样。
33、进一步地，步骤1所述黄金角旋转的堆叠星轨迹序列在kz方向上使用中心向外的采样方式。
34、进一步地，步骤1所述黄金角旋转的三维球形径向轨迹序列为在每个交错之间进行黄金角旋转采样。
35、进一步地，步骤2所述可训练编码模块为混合特征哈希编码模块，所述变换域为混合哈希表，所述编码的具体步骤如下：
36、在所述混合特征哈希编码模块中，构建m个不同分辨率的网格mi(i＝1,2,…,m)和m个混合哈希表hi(i＝1,2,…,m)；
37、通过体素窗口将每一个所述网格mi(i＝1,2,…,m)进一步划分为不同分辨率的体素网格，所述体素窗口数量为w个，得到l＝m·w个体素网格数量，每个所述体素网格有8个角点，每个所述角点对应一个角点索引，每个所述角点中存储f个角点特征向量，l个所述体素网格存储8×l×f个所述角点特征向量；
38、将8×l×f个所述角点特征向量存入到m个所述混合哈希表hi(i＝1,2,…,m)，并根据空间哈希函数h(x)，生成每个所述角点索引的混合哈希表链接索引，所述哈希函数h(x)公式如下：
39、
40、其中，xi是所述角点索引，π1＝1，π2和π3是两个大素数，表示位向xor运算符，mod表示取模运算符,t为所述混合哈希表的大小；
41、对每个所述体素网格的8个所述角点索引的所述混合哈希表链接索引分别进行三线性插值，得到l个图像像素点特征向量，将l个所述图像像素点特征向量组合，得到所述cest特征图。
42、进一步地，所述方法还包括对步骤2.6重建得到所述cest图像进行b0校正和/或b1校正。
43、进一步地，所述方法还包括cest定量图像的计算，计算公式如下：
44、(s(ω)-s(-ω))/s0，
45、其中，s(ω)为施加特定频偏射频饱和脉冲ω后，通过所述加速化学交换饱和转移对比成像的方法获得的cest图像，
46、s(-ω)为施加对称频偏射频饱和脉冲-ω后，通过所述加速化学交换饱和转移对比成像的方法获得的cest图像，
47、s0为不施加射频饱脉冲，通过所述加速化学交换饱和转移对比成像的方法获得的cest图像。
48、进一步地，所述方法还包括z谱的拟合和mtr谱的拟合，
49、所述z谱的拟合具体为：
50、将所述不同频偏作为横坐标，重建得到的cest图像选定区域的平均磁化强度作为纵坐标，绘制成图，得到拟合的z谱；
51、所述mtr谱的拟合具体为：
52、在所述z谱的基础上，通过将在所述不同频偏下的饱和cest信号强度与未饱和cest信号强度相减，并与在没有所述射频饱和脉冲时的基线cest信号强度归一化处理，得到拟合的mtr谱。
53、本发明的技术效果如下：
54、1)本发明基于改进的非笛卡尔采集序列多维度的稀疏采样实现了高倍数的加速，缩短扫描时间，进而缩短了总的cest成像时间。使用黄金角旋转的堆叠星轨迹或者黄金角旋转的三维球形径向轨迹，即在每个饱和脉冲后，在三维空间中沿着旋转的径向路径采集数据，采用黄金角(约137.5度)进行连续角度增量采样，实现更均匀的欠采样采集，有利于在空间维更高倍数加速成像，在不同频偏数据的采集上，本发明以黄金角的角度增量初始化第一根径向轨迹的角度，这种旋转角度的方式增加了在频偏方向采集到的k空间数据的不相干性，实现了频偏维的加速。
55、由于非笛卡尔采集策略能够同时在相位编码方向(空间维度)和频率编码方向(频偏维度)加速，从而实现更多维度的加速。相比之下，传统的笛卡尔采集方法仅能在相位编码方向上实现加速。具体而言基于stack-of-stars序列采集的cest成像可以从x,y,频偏维三个方向稀疏采样，从而可以实现20倍甚至30倍的加速。基于三维球形径向轨迹(3dkooshball)序列采集的cest成像可以从x,y,z,频偏维四个方向稀疏采样，从而可以实现30倍甚至50倍的加速。
56、空间维度上，基于黄金角旋转的非笛卡尔采集序列优化了k空间填充，提高了数据采集的均匀性和覆盖率，减少了采集冗余和运动伪影。具体而言，使用黄金角旋转的堆叠星轨迹或者三维球形径向轨迹(3d kooshball)轨迹，即便在高倍欠采样的条件下，仍然可以实现均匀的采集。其独特的黄金角增量，确保每次采集的径向路径以非重复和非周期性的方式填充k空间。这种黄金角旋转避免了数据采样的重叠和空隙，均匀地分布采样点，最大化了k空间覆盖率，从而提高了图像的重建质量和效率。这种方法特别有效地减少了运动伪影，并增强了时间分辨率。
57、频偏维度上，黄金角旋转的方式增加了在频偏方向cest数据的非相干性，这样每个频偏点的采样都均匀分布且不重叠，从而确保了采样的多样性和完整性，减少了数据的冗余。这样也实现了频偏维的加速。从而使得频偏方向的数据稀疏度更高，实现更高倍加速采集。
58、2)在kz方向上使用中心向外(center-out)的采集方式，使得每次射频饱和脉冲后，越低频的信号越优先采集，使得cest效应更加明显，成像质量得到进一步提升。
59、3)开发的隐式神经表达(implicit neural representation，inr)与显式先验信息(explicit sparse prior，esp)相结合的无监督学习算法inresp，可以在没有全采样参数数据的情况下，对特定扫描的高倍欠采样数据实现高质量的重建。
60、该算法利用隐式神经表达通过连续表达函数和可训练的编码方式学习cest数据内在特征的优点，以及将图像域显式先验信息通过复合损失函数结合到隐式神经表达的无监督学习算法中。由于该算法对数据固有特征以及cest图像的显式先验信息的充分利用，在实际应用中，我们只需要采集少量有效的k空间数据即可重建出较好的cest图像，而实现cest图像的加速成像。该算法具有普适性和通用性的特点，同时具有噪声鲁棒性强、泛化能力强等优点，可以重建高倍欠采样的非笛卡尔数据，并得到接近于全采样金标准的结果。
61、4)隐式神经表达结合可训练混合特征哈希编码(hybrid-feature hashencoding)，能够提高网络整体性能，并减少网络的大小和参数量，通过利用多分辨率混合哈希表中不同特征网格的冗余，以较少的编码参数实现更高质量的cest图像重建。
62、以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
1.一种加速化学交换饱和转移对比成像的方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤2所述深度学习算法为采用隐式神经表达与显式先验信息结合的无监督学习算法inresp，具体包括以下步骤：
3.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤1所述在z谱维上采用随机化欠采样方式为采用黄金角旋转采样。
4.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤1所述黄金角旋转的堆叠星轨迹序列为在kx-ky平面中采用黄金角旋转的径向采样，沿kz方向采用笛卡尔采样。
5.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤1所述黄金角旋转的堆叠星轨迹序列在kz方向上使用中心向外的采样方式。
6.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤1所述黄金角旋转的三维球形径向轨迹序列为在每个交错之间进行黄金角旋转采样。
7.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，步骤2所述可训练编码模块为混合特征哈希编码模块，所述变换域为混合哈希表，所述编码的具体步骤如下：
8.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，所述方法还包括对步骤2.6重建得到所述cest图像进行b0校正和/或b1校正。
9.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，所述方法还包括cest定量图像的计算，计算公式如下：
10.如权利要求1所述的加速化学交换饱和转移对比成像的方法，其特征在于，所述方法还包括z谱的拟合和mtr谱的拟合，
