[發明專利]一種非局部低秩約束的自校準并行磁共振成像重構方法

有效

• 申請號: 202110452944.2
• 申請日: 2021-04-26
• 公開（公告）號: CN112991483B
• 公開（公告）日: 2022-03-01
• 發明（設計）人: 段繼忠;潘婷
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06T11/00
• 分類號: G06T11/00
• 代理公司: 昆明明潤知識產權代理事務所(普通合伙) 53215
• 代理人: 馬海紅

本發明涉及一種非局部低秩約束的自校準并行磁共振成像重構方法，屬于磁共振成像技術領域。并行磁共振成像重構一直是近幾年的研究熱點。本發明基于SPIRiT重構框架，提出一種圖像非局部低秩約束(nonlocal low?rank，NLR)的高質量磁共振成像重構模型，命名為NLR?SPIRiT，利用交替方向乘子法(alternating direction method of multipliers，ADMM)進行求解。實驗比較了結合了聯合全變分(Joint Total Variation,JTV)正則項的迭代自一致并行成像JTV?SPIRiT模型。實驗結果表明，NLR?SPIRiT算法重構出的圖像有更好的重構質量，能更好的去除欠采樣偽影。

技術領域

本發明涉及一種非局部低秩約束的自校準并行磁共振成像重構方法，屬于磁共振成像技術領域。

背景技術

磁共振成像(Magnetic Resonance Imaging,MRI)是一種主要的醫學成像技術，對于學術研究和臨床應用都有很大的價值。壓縮感知(Compressed Sensing，CS)與并行成像(Parallel Imaging，PI)技術都能通過減少k空間數據的采集量來加快磁共振成像速度。如何從低于奈奎斯特采樣率的采樣數據下重構出高質量的圖像，一直是磁共振成像領域的研究熱點。

在壓縮感知重構中，使用正則化約束探索圖像先驗信息，通過非線性重建算法重構圖像。探索圖像先驗信息的正則化有：利用圖像局部特性的全變分(Total Variation，TV)，利用固定變換下存在稀疏性的l1范數，以及一些自適應的變換方法，例如字典學習(Dictionary Learning，DL)和變換學習(Transform Learning，TL)。

除了稀疏性之外，圖像還包含非局部結構，例如自相似性：補丁通常與同一圖像中的其他非局部結構相似。在壓縮感知中使用塊匹配(Block Match，BM)方法獲取非局部組稀疏性，之后通過低秩方法解決最小化問題，得到了基于非局部低秩正則化的壓縮感知模型(Compressive Sensing via Nonlocal Low-Rank Regularization，NLR-CS)，與之前的方法相比具有顯著的提高。

并行成像也是一種流行的加速磁共振算法。早期的并行成像利用線圈的不同的靈敏度來獲取k空間數據。如基于線圈靈敏度信息的靈敏度編碼(SENSitivity Encoding，SENSE)，它是一種直接的利用靈敏度信息進行并行采樣圖像恢復的方法，在具有準確的靈敏度信息時允許最佳的重構結果。Uecker等人提出特征向量算子的迭代自一致性的并行成像重構(iTerative Self-consistent Parallel Imaging Reconstruction usingEigenvector maps,ESPIRiT)模型，通過間接的方式，應用k空間算子的主要特征向量來表示線圈靈敏度算子，這些靈敏度算子可以通過在圖像空間中的使用奇異值分解來快速計算，從而能夠從k空間中心的自校準區域中有效的估計線圈靈敏度，是一種有效的圖像并行重構方案。

然而，在實際應用中高精度的靈敏度信息測量很困難，迭代自一致性并行成像重構(Iterative self-consistent parallel imaging reconstruction，SPIRiT)方法是一類基于自校準的重構方法，只需要利用少量中心全采樣信號(ACS)進行校準，無需直接使用線圈靈敏度，也就避免了靈敏度估計困難的問題。但是現有的方法僅使用了簡單的將聯合全變分(Joint Total Variation，JTV)和聯合L1范數(Joint L1-norm，JL1)正則化項，算法重構圖像的圖像質量還有待提高。

發明內容

本發明的目的在于克服現有技術的不足，提供一種非局部低秩約束的自校準并行磁共振成像重構方法，能進一步提高磁共振成像重構圖像的質量。

本發明采用的技術方案是：一種非局部低秩約束的自校準并行磁共振成像重構方法，包括以下步驟：