[發明專利]基于熵和幾何方向的分類多字典學習磁共振圖像重建方法

有效

• 申請號: 201710499767.7
• 申請日: 2017-06-27
• 公開（公告）號: CN107274462B
• 公開（公告）日: 2020-06-23
• 發明（設計）人: 宋立新;張楠楠
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T11/00
• 分類號: G06T11/00;A61B5/00;A61B5/055
• 代理公司: 哈爾濱市偉晨專利代理事務所(普通合伙) 23209
• 代理人: 張月

本發明涉及磁共振成像技術領域，具體涉及一種基于熵和幾何方向的分類多字典學習磁共振圖像重建方法。本發明的目的是為解決現有DLMRI算法對核磁共振圖像重建時，細節部分存在不足的問題。本發明利用降采樣模型獲取部分K空間數據；對獲取的部分K空間數據建立磁共振圖像重建模型；對部分K空間數據做傅里葉逆變換得到初始圖像；將初始圖像分成重疊圖像塊；求出每一圖像塊的熵，將圖像塊樣本按照熵從小到大分成四類，將后兩類圖像塊根據幾何方向進一步分類后，再對圖像塊樣本進行字典訓練，并求出對應該字典的稀疏系數，得到重建圖像矩陣；再對重建圖像矩陣做傅里葉變換，更新圖像矩陣，對更新后的圖像矩陣做傅里葉逆變換，得到重建磁共振圖像。

技術領域

本發明涉及磁共振成像技術領域，具體涉及一種基于熵和幾何方向的分類多字典學習磁共振圖像重建方法。

背景技術

磁共振成像(Magnetic Resonance Imaging，MRI)技術是目前應用最廣泛的醫學成像手段之一，壓縮感知(Compressed Sensing，CS)作為一種新的采樣理論，為磁共振成像提供關鍵的理論依據，即在僅獲取部分K空間數據的前提下，通過優化重建算法就可以獲得滿足臨床診斷質量需求的磁共振圖像，CS-MRI對MRI精確重建的前提是MR圖像在某種變換域或字典下可以稀疏表示，以信號的稀疏先驗求解圖像的反問題，從而利用部分K空間數據實現MR圖像的精確重建。

信號的稀疏表示，給定一組訓練信號，使用一個包含該訓練信號信息的字典，信號可由字典中少量原子線性組合表示，字典可以是預先定義的一組基函數，如DCT基、Gabor基等，也可以是通過某種算法學習得到的學習型字典，學習型字典能夠根據訓練樣本自適應的構建訓練字典，因此稀疏誤差要比固定基字典小，S.Ravishankar等在2011年提出自字典學習算法(Dictionary Learning Magnetic resonance Imaging，DLMRI)，該算法是一種迭代算法，可以根據不同的參考圖像產生自適應字典，對圖像進行分塊稀疏表示，因此該算法具有自適應性，將參考圖像作為訓練原子庫進行字典訓練，K-SVD依次進行字典更新，其中訓練字典的每一列原子和相應的稀疏表示同時更新，固定當前訓練字典，利用貪婪算法，如正交匹配追蹤算法進行稀疏編碼求解稀疏系數矩陣，由字典和稀疏系數矩陣重建出圖像，使用DLMRI算法對MR圖像重建，但重建細節部分還存在不足。

圖像紋理作為一種區域特征，是對于圖像各像元之間空間分布的一種描述，它能夠較好的兼顧圖像的宏觀性質和細微結構兩方面，由于紋理能充分利用圖像信息，可以作為圖像分類的重要依據，與其他紋理特征相比，熵能夠提取圖像的紋理先驗信息，是圖像所具有的信息量的度量，它可以表示圖像紋理的非均勻程度和變化幅度的綜合信息，當復雜程度高時，熵值較大，反之則較小。

Bandelet變換是一種基于邊緣的圖像表示方法，能自適應的跟蹤圖像的幾何正則方向，在圖像塊分類中，充分考慮到圖像結構中的幾何正則方向信息，利用預先求解圖像塊的最優幾何方向信息，對圖像塊進行更準確的分類。

發明內容

本發明的目的是為解決現有DLMRI算法對核磁共振圖像重建時，細節部分存在不足的問題，提出一種基于熵和幾何方向的分類多字典學習的磁共振圖像重建方法，實現圖像塊更準確的分類，提高字典的稀疏能力，同時保留了圖像的細節分量消除偽影，提高磁共振圖像的重建質量。

本發明為解決上述問題采取的技術方案是：本發明的基于熵和幾何方向的分類多字典學習磁共振圖像重建方法，具體步驟包括：

步驟a、采用輻射型降采樣模型對K空間數據進行降采樣，獲得部分K空間數據，并將所述部分K空間數據進行傅里葉逆變換，得到初始圖像；

步驟b、根據滑動距離s，提取圖像塊樣本，并將圖像塊樣本轉換成列向量，組成字典訓練矩陣；

步驟c、計算步驟b中獲取的每個圖像塊樣本的熵，并按照熵從小到大的順序將圖像塊樣本分成四類，并獲取每一圖像塊樣本在初始圖像的位置索引；