肖 亮，婁煜堃，周航宇

用于SAR估計(jì)的基于U-Net網(wǎng)絡(luò)的快速膝關(guān)節(jié)模型重建

肖 亮*，婁煜堃，周航宇

北京化工大學(xué) 信息科學(xué)與技術(shù)學(xué)院，北京 100029

膝關(guān)節(jié)高場磁共振成像（MRI）時(shí)，射頻功率沉積（）是一個(gè)關(guān)鍵的安全指標(biāo)．目前對(duì)于局部的準(zhǔn)確估計(jì)只能通過電磁仿真實(shí)現(xiàn)，這就要求得到每一個(gè)個(gè)體的膝關(guān)節(jié)模型．本文提出一種針對(duì)低場磁共振圖像的基于卷積神經(jīng)網(wǎng)絡(luò)的分割方法，以實(shí)現(xiàn)膝關(guān)節(jié)磁共振圖像的快速重建．?dāng)?shù)據(jù)集來自于矢位1加權(quán)自旋回波圖像，將膝關(guān)節(jié)組織按照“肌肉-脂肪-骨骼”模型進(jìn)行簡化，除脂肪與骨骼之外的其他組織歸類為肌肉．采用一種全卷積的神經(jīng)網(wǎng)絡(luò)，即U-Net進(jìn)行逐層的圖像分割，卷積層數(shù)為4，訓(xùn)練采用交叉熵函數(shù)．本文對(duì)圖像的自動(dòng)分割結(jié)果與手動(dòng)標(biāo)注結(jié)果進(jìn)行了定量的比較．此外，采用3 T正交鳥籠線圈進(jìn)行了仿真，結(jié)果驗(yàn)證了組織簡化對(duì)于估計(jì)的可行性，并且所提方法構(gòu)建的模型可以得到較為精準(zhǔn)的局部分布．

高場磁共振成像；射頻功率沉積（）；膝關(guān)節(jié)；U-Net網(wǎng)絡(luò)；圖像分割

引 言

目前，磁共振成像（MRI）是膝關(guān)節(jié)的主要影像學(xué)檢查方法．高場與超高場MRI具有圖像信噪比高和空間分辨率高的優(yōu)點(diǎn)，為膝關(guān)節(jié)疾病的進(jìn)一步精確診斷提供了強(qiáng)有力的工具．然而，3 T以上1+與電場在人體組織中分布的不均勻性增強(qiáng)，造成圖像質(zhì)量降低；而且電場的非均勻分布導(dǎo)致人體組織中可能出現(xiàn)局部射頻功率沉積（）超標(biāo)的情況[1]，對(duì)人體組織造成傷害，從而成為MRI掃描過程中一個(gè)關(guān)鍵的安全因素．

對(duì)于膝關(guān)節(jié)高場成像而言，國際上已經(jīng)開展了一些局部的研究[2-4]．而國內(nèi)迄今主要是全局的研究[5]，局部僅限于胚胎、盆腔等[6]．與全局不同，局部一般而言不能通過在體實(shí)測得到，不同個(gè)體的局部精準(zhǔn)估計(jì)需要通過電磁仿真實(shí)現(xiàn)[7-9]．為了達(dá)到實(shí)用的目的，要求能夠快速而精確的獲得個(gè)體的膝關(guān)節(jié)模型．這就需要在磁共振圖像的基礎(chǔ)上進(jìn)行圖像分割，標(biāo)定各像素所屬的組織類型，從而重建出膝關(guān)節(jié)模型．

一些情況下，基于低場磁共振圖像或小翻轉(zhuǎn)角掃描獲得的高場圖像重建病人的膝關(guān)節(jié)模型，能夠降低高場掃描中超標(biāo)的風(fēng)險(xiǎn)．但由于這些圖像的信噪比與對(duì)比度較低，因此要分割出所有組織非常困難．然而，對(duì)于估計(jì)而言，有研究[10-12]表明采用“肌肉-脂肪-肺”模型可以達(dá)到一定的近似程度，即考慮組織的介電性能（介電常數(shù)與電導(dǎo)率），在重建中與肌肉、脂肪、肺接近的組織分別歸類為肌肉、脂肪與肺．

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是當(dāng)前發(fā)展迅速的深度學(xué)習(xí)方法，在膝關(guān)節(jié)分割方面已有一定的應(yīng)用[13-15]．2015年，Ronneberger等[16]以CNN為基礎(chǔ)提出了一種改進(jìn)的全卷積網(wǎng)絡(luò)U-Net，其在傳統(tǒng)全卷積網(wǎng)絡(luò)的編解碼結(jié)構(gòu)上增加了淺層編碼結(jié)果與深層解碼結(jié)果的跳躍連接，邊緣分割比較精細(xì)．

本研究采用U-Net對(duì)低場矢位膝關(guān)節(jié)圖像進(jìn)行分割與標(biāo)注，考慮到膝關(guān)節(jié)中骨骼的比例與骨骼的介電性能，采用“肌肉-脂肪-骨骼”模型對(duì)組織進(jìn)行簡化歸類．重建出的膝關(guān)節(jié)模型置于3 T的正交鳥籠線圈中進(jìn)行電磁仿真，所得到的10g（局部的一種指標(biāo)，即10 g組織中的平均值）與手動(dòng)標(biāo)注全部組織所重建的模型進(jìn)行比較判斷．實(shí)驗(yàn)表明，采用U-Net能夠得到較好的分割圖像．同時(shí)，仿真結(jié)果驗(yàn)證了組織簡化用于估計(jì)的可行性，并且本方法構(gòu)建的模型的10g的最大值接近于手動(dòng)分割的結(jié)果，熱點(diǎn)區(qū)域基本不變．

1 材料與方法

1.1 數(shù)據(jù)集

本研究采用的膝關(guān)節(jié)矢位磁共振圖像在嘉恒醫(yī)療裝備有限公司的0.35 T MRI系統(tǒng)JC35P上掃描得到，成像時(shí)間在2016~2017年．訓(xùn)練集15人、測試集14人，受試者平均年齡約51歲．訓(xùn)練與測試集中各有約1/2的受試者存在半月板、韌帶損傷或者骨質(zhì)增生等問題．掃描均獲得所有受試者知情與同意，并經(jīng)過溫州醫(yī)科大學(xué)附屬第一醫(yī)院倫理委員會(huì)的許可．

磁共振圖像掃描采用矢位1加權(quán)的自旋回波序列，使用90?翻轉(zhuǎn)脈沖．圖像層厚為4.5 mm、層間距為0.5 mm、層數(shù)處于19~24之間、脈沖間隔時(shí)間（）為600 ms（19層）~750 ms（24層）、回波時(shí)間（）為16 ms、成像視野（）為230×230 mm2，圖像重建分辨率為384×384．既往研究表明，對(duì)于3 T系統(tǒng)的估計(jì)而言，5 mm的模型分辨率可以滿足要求[10,11,17]．所有圖像均經(jīng)過預(yù)增強(qiáng)，灰度分布調(diào)整到0~4 095之間．

組織的手動(dòng)標(biāo)注由兩名有多年經(jīng)驗(yàn)的影像科醫(yī)生在Photoshop軟件上完成，基本上按照完整的膝關(guān)節(jié)組織類型來標(biāo)注，包括肌肉、脂肪、松質(zhì)骨、皮質(zhì)骨、半月板、軟骨、積液等．韌帶與肌腱由于占有像素較少，且不明顯，因此作為肌肉的一部分．

1.2 組織的簡化歸類

膝關(guān)節(jié)是人體的一個(gè)復(fù)雜的部位，包含若干種類型的組織，對(duì)其進(jìn)行精確的分割是極其困難與耗時(shí)的．研究表明在電磁仿真中，可以采用“肌肉-脂肪-肺”模型進(jìn)行組織簡化：人體器官大部分組織的介電性能與肌肉接近，脂肪與肌肉相差非常明顯，肺處于兩者之間[18]．這樣通過電磁仿真可以在一定近似度上實(shí)現(xiàn)對(duì)局部的估計(jì)．

在膝關(guān)節(jié)中，骨骼占有一定的比例，而骨骼的介電性能處于脂肪與肌肉之間．因此，這里將上述模型修改為“肌肉-脂肪-骨骼”模型．圖像分為背景、肌肉、脂肪以及骨骼四種區(qū)域，除脂肪與骨骼外的其他組織均歸類為肌肉，以此為基礎(chǔ)進(jìn)行訓(xùn)練與測試，以及局部的估計(jì)．

1.3 U-Net網(wǎng)絡(luò)結(jié)構(gòu)

圖1給出了一個(gè)典型的U-Net網(wǎng)絡(luò)結(jié)構(gòu)（參考文獻(xiàn)[16]的Fig.1），它是一種具有全卷積形式的改進(jìn)型CNN．傳統(tǒng)的CNN由于下采樣，特征圖不斷收縮，所以相對(duì)而言更適合圖像識(shí)別而非分割．而U-Net在收縮路徑之后添加了與之對(duì)稱的擴(kuò)張路徑，在每一個(gè)下采樣操作對(duì)稱的位置進(jìn)行上采樣操作（一般進(jìn)行轉(zhuǎn)置卷積計(jì)算，也稱為反卷積），這樣在擴(kuò)張路徑上特征圖尺寸會(huì)不斷恢復(fù)，因此就有較大的可能得到原始圖像的分割結(jié)果．此外，這種網(wǎng)絡(luò)結(jié)構(gòu)能夠在相對(duì)較小的數(shù)據(jù)集上進(jìn)行訓(xùn)練．

圖1 U-Net網(wǎng)絡(luò)結(jié)構(gòu)的示例，這里圖像大小為384′384，卷積層數(shù)為4（依據(jù)文獻(xiàn)[16]重制）

1.4 網(wǎng)絡(luò)訓(xùn)練

在一臺(tái)桌面電腦上完成U-Net網(wǎng)絡(luò)的全部訓(xùn)練與測試，其配置為：四核Intel i7-4770處理器，16 GB內(nèi)存，一塊GPU顯卡，型號(hào)為GeForce GTX TITAN．電腦上運(yùn)行64位Windows操作系統(tǒng)，網(wǎng)絡(luò)運(yùn)行的軟件平臺(tái)為TensorFlow，編程語言為Python．

U-Net網(wǎng)絡(luò)訓(xùn)練中，經(jīng)反復(fù)調(diào)整得到優(yōu)化的結(jié)構(gòu)與參數(shù)．卷積層數(shù)為4，下采樣操作的數(shù)量為3，卷積核的大小為7×7，初始的卷積核數(shù)量為16．網(wǎng)絡(luò)訓(xùn)練采用梯度下降算法[19,20]，使用的誤差函數(shù)為交叉熵函數(shù)，定義為：

是來自一批次輸入中的每一個(gè)輸入，()是預(yù)測對(duì)象的真實(shí)值，()是網(wǎng)絡(luò)輸出結(jié)果通過softmax函數(shù)預(yù)測的值．softmax函數(shù)的作用是將輸出結(jié)果作映射，映射后所有類別的輸出范圍為[0, 1]，且和為1，其定義為：

p表示第類輸出，表示求和時(shí)來自所有類別的第類．

1.5 圖像分割效果評(píng)估

為了評(píng)估網(wǎng)絡(luò)的分割效果，采用骰子系數(shù)（）進(jìn)行定量分析，以手動(dòng)標(biāo)注為參考．用表示網(wǎng)絡(luò)分割結(jié)果，表示手動(dòng)標(biāo)注的結(jié)果，則定義如下：

其中運(yùn)算符| |表示統(tǒng)計(jì)區(qū)域中像素的數(shù)量．

1.6 SAR仿真與計(jì)算

的電磁場仿真采用Remcom XFDTD軟件（Remcom Inc.，State College，PA）進(jìn)行，硬件平臺(tái)為前面所述的桌面電腦．線圈模型來自于一個(gè)3 T的正交鳥籠膝線圈[21]，該線圈有8根桿，長度為180 mm、直徑為175 mm，采用集總元件，重建的膝關(guān)節(jié)模型置于線圈中心．定義為單位質(zhì)量組織中所吸收的射頻功率，由(4)式給定：

對(duì)于1個(gè)特定體素，其局部（這里為10g）定義為：

這里是以為中心的質(zhì)量等于10 g的區(qū)域，是中的任一體素．

2 實(shí)驗(yàn)結(jié)果

為簡便起見，這里將包含完整組織類型的手動(dòng)標(biāo)注稱為手動(dòng)標(biāo)注（完整），依據(jù)“肌肉-脂肪-骨骼”進(jìn)行組織簡化的手動(dòng)標(biāo)注稱為手動(dòng)標(biāo)注（簡化）．

2.1 圖像分割結(jié)果

為驗(yàn)證U-Net網(wǎng)絡(luò)的分割性能，將測試集圖像輸入訓(xùn)練好的網(wǎng)絡(luò)，其輸出逐層地與手工標(biāo)注（簡化）結(jié)果進(jìn)行比較．采用作為定量評(píng)價(jià)標(biāo)準(zhǔn)，結(jié)果如表1所示．表1顯示，基于U-Net的分割結(jié)果在三種組織上的平均值都大于0.92．

表1 測試集基于U-Net分割結(jié)果與手動(dòng)標(biāo)注（簡化）的骰子系數(shù)（DCC）

圖2給出了兩個(gè)例子，分別顯示了兩名受試者的網(wǎng)絡(luò)分割與手動(dòng)標(biāo)注（簡化）圖像．圖2(a)為一名正常的受試者（女性，年齡21歲），圖2(b)為一名半月板損傷并有積液的受試者（女性，年齡58歲），為便于顯示，這里給出了中間連續(xù)7層的圖片．

圖2 兩名女性受試者的U-Net分割與手動(dòng)標(biāo)注（簡化）圖像．(a)和(b)分別為一名21歲和58歲的女性受試者. 紅色、黃色、白色區(qū)域分別對(duì)應(yīng)肌肉、脂肪與骨骼

2.2 局部SAR的估計(jì)

對(duì)于測試集，根據(jù)其U-Net分割與手動(dòng)標(biāo)注（完整）結(jié)果分別重建了膝關(guān)節(jié)模型，將該模型分別置于鳥籠線圈中進(jìn)行了電磁場仿真，再根據(jù)仿真得到的電場強(qiáng)度計(jì)算其10g．找出10g的最大值Max(10g)，并計(jì)算U-Net分割與手動(dòng)標(biāo)注（完整）得到的Max(10g)的相對(duì)誤差（無量綱），然后在整個(gè)測試集范圍計(jì)算相對(duì)誤差的平均值與標(biāo)準(zhǔn)差，結(jié)果如表2所示．為了驗(yàn)證組織簡化的合理性，手動(dòng)標(biāo)注（完整）與手動(dòng)標(biāo)注（簡化）所構(gòu)建的模型也進(jìn)行了仿真與結(jié)果分析．

表2 基于U-Net分割與手動(dòng)標(biāo)注得到的測試集的Max(SAR10g)的相對(duì)誤差

圖2所示的兩名受試者的網(wǎng)絡(luò)分割與手動(dòng)標(biāo)注所重建膝關(guān)節(jié)的10g如圖3所示，由于層數(shù)較多，這里顯示的是10g的最大密度投影（MIP）圖．

圖3 兩名女性受試者（與圖2相同）膝關(guān)節(jié)SAR10g分布的MIP. (a)一名21歲女性受試者，手動(dòng)分割（完整）、手動(dòng)標(biāo)注（簡化）以及U-Net分割得到的Max(SAR10g)分別為0.088 7 W/kg、0.088 5 W/kg以及0.087 5 W/kg；(b)一名58歲的女性受試者，手動(dòng)分割（完整）、手動(dòng)標(biāo)注（簡化）以及U-Net分割得到的Max(SAR10g)分別為0.078 1 W/kg、0.079 6 W/kg以及0.081 8 W/kg．每個(gè)圖最右邊的色條表示圖中不同的顏色對(duì)應(yīng)的SAR10g（單位為W/kg）

從圖3可以看出，U-Net分割與手動(dòng)標(biāo)注（簡化）的Max(10g)均接近手動(dòng)標(biāo)注（完整）的結(jié)果，并且10g的熱點(diǎn)區(qū)域位置基本相同．

3 討論

3.1 U-Net分割、組織簡化與SAR估計(jì)

U-Net是一種全卷積的神經(jīng)網(wǎng)絡(luò)，相比傳統(tǒng)CNN，由于增加了上采樣層以及下、上采樣層之間的連接通道，其更適合于完成精細(xì)的圖像分割工作．相比半自動(dòng)分割方法，它能夠?qū)崿F(xiàn)全自動(dòng)的分割，提高實(shí)時(shí)性，減輕醫(yī)生或研究人員的工作量．因此，在臨床與科研方面具有很大的應(yīng)用潛力．

對(duì)于膝關(guān)節(jié)而言，由于包含的組織類型較多，采用U-Net進(jìn)行完整組織的圖像分割具有較大的難度，花銷數(shù)十小時(shí)的訓(xùn)練時(shí)間也難以收斂，分割效果較差，即使增加網(wǎng)絡(luò)層數(shù)其改善也不明顯．考慮到估計(jì)的應(yīng)用背景，電磁場仿真主要取決于介質(zhì)的介電常數(shù)與電導(dǎo)率，肌肉、脂肪以及骨骼的這兩種參數(shù)相互之間差別較大，而肌肉與膝關(guān)節(jié)其他大部分組織比較接近，這樣構(gòu)成“肌肉-脂肪-骨骼”模型用于組織的簡化分類．U-Net依據(jù)該模型對(duì)矢位1加權(quán)自旋回波圖像進(jìn)行訓(xùn)練與測試，不到10 h就能達(dá)到收斂，并且具有較好的分割效果，單幅384×384圖像的平均分割時(shí)間小于0.3 s．與依據(jù)“肌肉-脂肪-骨骼”手動(dòng)標(biāo)注的圖像相比，三種組織的平均值均大于0.92，展現(xiàn)了一定程度的良好的分割性能．

仿真與計(jì)算初步表明，依據(jù)“肌肉-脂肪-骨骼”手動(dòng)標(biāo)注并重建的膝關(guān)節(jié)模型的局部的最大值，接近按照完整組織手動(dòng)標(biāo)注并重建的結(jié)果，相對(duì)誤差平均值小于3%，熱點(diǎn)區(qū)域基本不變，這驗(yàn)證了組織簡化在估計(jì)方面的有效性．基于組織簡化的U-Net圖像分割所重建出的膝關(guān)節(jié)模型，其Max(10g)的最大值相對(duì)誤差平均值小于4%（見表2），熱點(diǎn)區(qū)域也基本不變，表明U-net分割所重建出的膝關(guān)節(jié)模型具有較高的相似度，能夠較好地應(yīng)用于估計(jì)．

3.2 不足與展望

CNN訓(xùn)練集的大小對(duì)網(wǎng)絡(luò)性能有較大影響，在本研究中，訓(xùn)練集人數(shù)為15，盡管超過10（一般公認(rèn)的人數(shù)底線），但仍希望能夠明顯地?cái)U(kuò)大人員數(shù)量，增大在年齡、體型、病變情況等方面的覆蓋面．同時(shí)，測試集的樣本數(shù)量也需要擴(kuò)大，以充分驗(yàn)證所提方法的可信度．在今后的工作中增加數(shù)據(jù)集規(guī)模的同時(shí)，希望針對(duì)性的增加帶有病變組織的膝關(guān)節(jié)圖像，以驗(yàn)證本方法對(duì)于膝關(guān)節(jié)疾病組織的分割敏感性與特異性．鑒于此，本研究尚屬膝關(guān)節(jié)估計(jì)的一個(gè)初步性的工作．

由于低場MRI在信噪比與分辨率等方面的不足，研究所用的圖像難以清晰地反映關(guān)節(jié)以及相鄰?fù)炔拷M織的細(xì)節(jié)，同時(shí)模型也不能用于7 T MRI系統(tǒng)的仿真之中．今后希望能夠獲得高場高分辨的數(shù)據(jù)集，層厚為2 mm，甚至1 mm，這樣不僅可以對(duì)U-Net網(wǎng)絡(luò)性能進(jìn)行高可信度的評(píng)估，而且所建模型能夠用于7 T甚至9.4 T MRI系統(tǒng)的仿真，顯著地?cái)U(kuò)大所提方法的適用面．

實(shí)驗(yàn)結(jié)果表明，單個(gè)U-Net分割效果總體較好，但也有部分圖像的有待提高．為了進(jìn)一步改善網(wǎng)絡(luò)的分割精度，除了加大訓(xùn)練集的人員數(shù)量外，可以考慮調(diào)整網(wǎng)絡(luò)的結(jié)構(gòu)，采用多U-Net網(wǎng)絡(luò)并行結(jié)構(gòu)，這樣預(yù)期可以取得更好的效果．

4 結(jié)論

本文針對(duì)高場膝關(guān)節(jié)MRI中局部估計(jì)的現(xiàn)實(shí)需求，提出了一種基于低場磁共振圖像的分割方法以重建膝關(guān)節(jié)模型．依據(jù)“肌肉-脂肪-骨骼”模型進(jìn)行組織簡化，采用U-Net進(jìn)行圖像的自動(dòng)分割，實(shí)驗(yàn)結(jié)果表明所重建的模型能夠獲得與手動(dòng)標(biāo)注模型接近的10g分布，從而為高場膝關(guān)節(jié)掃描的實(shí)時(shí)而準(zhǔn)確的估計(jì)提供了有潛在價(jià)值的手段．

[1] PADORMO F, BEQIRI A, HAJNAL J V, et al. Parallel transmission for ultrahigh-field imaging[J]. NMR Biomed, 2016, 29(9): 1145-1161.

[2] BOSS A, GRAF H, BERGER A, et al. Tissue warming and regulatory responses induced by radio frequency energy deposition on a whole-body 3-Tesla magnetic resonance imager[J]. J Magn Reson Imaging, 2007, 26(5): 1334-1339.

[3] JIN J, WEBER E, DESTRUEL A, et al. An open 8-channel parallel transmission coil for static and dynamic 7T MRI of the knee and ankle joints at multiple postures[J]. Magn Reson Med, 2018, 79(3): 1804-1816.

[4] GAGLIARDI V, RETICO A, BIAGI L, et al. Subject-specific knee SAR prediction using a degenerate birdcage at 7 T[C]. 2018 IEEE International Symposium on Medical Measurements and Applications (MeMeA), 2018: 1-5. doi: 10.1109/MeMeA.2018.8438709.

[5] 燕新強(qiáng), 薛蓉, 豐寶桐, 等. 一種多通道磁共振成像設(shè)備的SAR實(shí)時(shí)監(jiān)測系統(tǒng)及方法: 中國, CN201410503941.7[P]. 2014-12-24.

[6] HUANG Q H, GAO Y, XIN X G. Study on the law of1field homogeneity and SAR inside human body varying with field strength at high and ultra-high field MR[J]. Chin J Biomed Eng, 2013, 32(1): 21-27.黃綺華, 高勇, 辛學(xué)剛. 高場和超高場MR下人體內(nèi)1場均勻性及SAR隨場強(qiáng)變化規(guī)律的研究[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào), 2013, 32(1): 21-27.

[7] GRAESSLIN I, HOMANN H, BIEDERER S, et al. A specific absorption rate prediction concept for parallel transmission MR[J]. Magn Reson Med, 2012, 68(5): 1664-1674.

[8] GRAESSLIN I, VERNICKEL P, B?RNERT P, et al. Comprehensive RF safety concept for parallel transmission MR[J]. Magn Reson Med, 2015, 74(2): 589-598.

[9] VAN DEN BERGEN B, VAN DEN BERG CA, BARTELS LW, et al. 7 Tesla body MRI: B1 shimming with simultaneous SAR reduction[J]. Phys Med Biol, 2007, 52: 5429-5441.

[10] HOMANN H, B?RNERT P, EGGERS H, et al. Toward individualized SAR models and in vivo validation[J]. Magn Reson Med, 2011, 66(6): 1767-1776.

[11] WOLF S, DIEHL D, GEBHARDT M, et al. SAR simulations for high-field MRI: how much detail, effort, and accuracy is needed?[J]. Magn Reson Med, 2013, 69(4): 1157-1168.

[12] WU T N, SHAO Q, YANG L. Simplified segmented human models for whole body and localised SAR evaluation of 20 MHz to 6 GHz electromagnetic field exposures[J]. Radiat Prot Dosimetry, 2013, 153(3): 266-272.

[13] PRASOON A, PETERSEN K, IGEL C, et al. Deep feature learning for knee cartilage segmentation using a triplanar convolutional neural network[C]. International conference on MICCAI 2013, 2013: 246-253.

[14] LIU F, ZHOU Z Y, JANG H, et al. Deep convolutional neural network and 3D deformable approach for tissue segmentation in musculoskeletal magnetic resonance imaging[J]. Magn Reson Med, 2018, 79(4): 2379-2391.

[15] ZHOU Z Y, ZHAO G Y, KIJOWSKI R, et al. Deep convolutional neural network for segmentation of knee joint anatomy[J]. Magn Reson Med, 2018, 80(6): 2759-2770.

[16] RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional networks for biomedical image segmentation[C]. International Conference on MICCAI 2015, 2015: 234-241.

[17] COLLINS C M, SMITH M B. Spatial resolution of numerical models of manand calculated specific absorption rate using the FDTD method: a study at 64 MHz in a magnetic resonance imaging coil[J]. J Magn Reson Imaging, 2003, 18(3): 383-388.

[18] HASGALL P A, DI GENNARO F, BAUMGARTNER C, et al. IT’IS Database for thermal and electromagnetic parameters of biological tissues[R]. Version 4.0, 2018-5-15. doi: 10.13099/VIP21000-04-0.itis swiss/database.

[19] HINTON G, SRIVASTAVA N, SWERSKY K. Neural networks for machine learning lecture 6a: Overview of mini-batch gradient descent[R]. Toronto University, 2012: 14.

[20] YUAN K, YING B, VLASKI S, et al. Stochastic gradient descent with finite samples sizes[C]. 2016 IEEE 26th International Workshop on Machine Learning for Signal Processing (MLSP), 2016: 1-6.

[21] PETERSON D M, CARRUTHERS C E, WOLVERTON B L, et al. Application of a birdcage coil at 3 Tesla to imaging of the human knee using MRI[J]. Magn Reson Med, 1999, 42(2): 215-221.

A U-Net Network-Based Rapid Construction of Knee Models for Specific Absorption Rate Estimation

*，，

College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China

The specific absorption rate () needs to be estimated for safety concerns when performing high-field magnetic resonance imaging (MRI) on knee joint. Electromagnetic simulation can be used to calculate the localon knees if a patient-specific knee model is available. In this work, a method for rapid construction of knee models from low-field magnetic resonance knee images was proposed. A convolutional neural network (CNN) was first used to segment the sagittal1-weighted spin echo images of knees into fat, bone and muscle. All the pixels other than those from the fat and bone are classified as muscle pixels. The U-Net network, a full CNN with a convolutional layer number of four and adopting a cross entropy function, was used to perform segmentation slice-by-slice. The results from automatic segmentation were compared with those obtained with manual delineation with quantitative measures. Moreover,with a 3 T quadrature birdcage coil was calculated. The simulation results validated the proposed method by showing that and a relatively accurate localestimation could be obtained with the knee models constructed from low-field knee images.

high-field magnetic resonance imaging (MRI), specific absorption rate (), knee joint, U-Net network, image segmentation

O482.53；TP751.1

A

10.11938/cjmr20192716

2019-02-27;

2019-05-30

北京化工大學(xué)高精尖科技創(chuàng)新團(tuán)隊(duì)基金資助項(xiàng)目(buctylkjcx06).

* Tel: 010-64414931, E-mail: xiaoliang@mail.buct.edu.cn.