[發(fā)明專(zhuān)利]一種壓縮感知磁共振成像的重建方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410401751.4
• 申請(qǐng)日: 2014-08-14
• 公開(kāi)（公告）號(hào): CN104156994A
• 公開(kāi)（公告）日: 2014-11-19
• 發(fā)明（設(shè)計(jì)）人: 陳金楚;丁興號(hào);林溱;廖英豪
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廈門(mén)大學(xué)
• 主分類(lèi)號(hào): G06T11/00
• 分類(lèi)號(hào): G06T11/00;G06T5/00
• 代理公司: 廈門(mén)南強(qiáng)之路專(zhuān)利事務(wù)所(普通合伙) 35200
• 代理人: 馬應(yīng)森

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理，具體是涉及一種壓縮感知磁共振成像的重建方法。

背景技術(shù)

磁共振成像技術(shù)(MRI)是利用磁場(chǎng)共振原理成像，能夠使人們無(wú)損傷地獲取活體器官和組織的詳細(xì)診斷圖像，避免了不必要的手術(shù)痛苦以及探查性手術(shù)所帶來(lái)的副損失及并發(fā)癥。由于其能夠給醫(yī)生提供清晰、精細(xì)、分辨率高、對(duì)比度好、信息量大的人體結(jié)構(gòu)醫(yī)學(xué)圖像，目前已普遍應(yīng)用于臨床，已成為一些疾病診斷必不可少的檢查手段。

然而MRI的不足之處就在于成像速度慢，人在成像過(guò)程中必須保持靜止?fàn)顟B(tài)，即使是輕微的運(yùn)動(dòng)也會(huì)使成像產(chǎn)生偽影，影響臨床的診斷。壓縮感知(CS)理論的出現(xiàn)使得人們?cè)讷@取低數(shù)據(jù)量的情況下也能夠獲得高分辨率的圖像。CS理論認(rèn)為在K空間對(duì)原始數(shù)據(jù)進(jìn)行下采樣(采集的數(shù)據(jù)可以遠(yuǎn)小于全采樣的數(shù)據(jù))，只要滿(mǎn)足獲得的MR圖像在某一變換域上是稀疏的，則可以從這一小部分K空間數(shù)據(jù)中精確恢復(fù)出原圖像，從而解決了在成像速度快的條件下也能夠獲得分辨率高的MR圖像。

傳統(tǒng)的壓縮感知MRI圖像的重建方法，是利用MR圖像的稀疏性來(lái)重建的。隨著稀疏表示理論在MRI領(lǐng)域的應(yīng)用，越來(lái)越多的方法開(kāi)始被提出來(lái)，大部分方法可以歸結(jié)為兩類(lèi)：一類(lèi)是利用圖像在某一變換域下的稀疏表示重建圖像，例如Lusting(Lusting?et?al.,Sparse?mri:The?application?of?compressed?sensing?for?rapid?mr?imaging,Magnetic?Resonance?in?Medicine,vol.58,no.6,pp.1182–1195,2007)以及屈小波(X.Qu?et?al.,Undersampled?mri?reconstruction?with?patchbased?directional?wavelets,Magnetic?Resonance?Imaging,vol.30,no.7,pp.964–977,2012)提出的小波域稀疏方法；另一類(lèi)是根據(jù)樣本學(xué)習(xí)字典來(lái)重建數(shù)據(jù)，例如S.Ravishankar(S.Ravishankar?et?al.,Mr?image?reconstruction?from?highly?undersampled?k-space?data?by?dictionarylearning,IEEE?Trans.on?Medical?Imaging,vol.30,no.5,pp.1028–1041,2011)提出的KSVD方法來(lái)訓(xùn)練字典，然后重構(gòu)MR圖像。最近，已有一些學(xué)者對(duì)圖像的非局部先驗(yàn)(特殊的稀疏性)進(jìn)行了研究，Kostadin(Kostadin?et?al.,Image?denoising?by?sparse?3d?transform-domain?collaborative?filtering,IEEE?Trans.on?Image?Processing,vol.16,no.8,pp.2080–2095,2007)提出基于協(xié)同濾波的BM3D方法，董偉生(W.Dong,Nonlocal?image?restoration?with?bilateral?variance?estimation:a?low-rank?approach,IEEE?Trans.Image?Processing,vol.22,no.2,pp.700–711,2013)提出的一種基于非局部先驗(yàn)的低秩方法。但是這些方法沒(méi)有充分利用非局部以及低秩先驗(yàn)知識(shí)來(lái)提升MR圖像重建算法性能。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有的MRI圖像重建方法的不足，提供可提升重建圖像的主觀視覺(jué)效果的一種壓縮感知磁共振成像的重建方法。

本發(fā)明包括如下步驟：

A、在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造MRI圖像重建的目標(biāo)函數(shù)；

B、根據(jù)構(gòu)造出的目標(biāo)函數(shù)，利用變量替換方法將目標(biāo)函數(shù)的優(yōu)化求解問(wèn)題轉(zhuǎn)化為低秩矩陣的去噪與目標(biāo)圖像重建的求解問(wèn)題；

C、對(duì)于低秩矩陣的去噪問(wèn)題，采用奇異值分解方法將聚類(lèi)的低秩矩陣進(jìn)行分解，對(duì)分解得到的特征值進(jìn)行軟閾值處理，獲得去噪后的低秩矩陣；

D、將得到的低秩矩陣帶入到目標(biāo)函數(shù)中，經(jīng)過(guò)近似優(yōu)化，利用最小二乘算法得到最終重建后的MR圖像。

在步驟A中，所述在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造MRI圖像重建的目標(biāo)函數(shù)的具體步驟如下：

利用低秩矩陣的特性，構(gòu)造基本MRI重構(gòu)模型：