【技术实现步骤摘要】
本专利技术涉及磁共振成像
，具体是涉及一种压缩感知理论下基于张量字典学习的磁共振图像重建方法。
技术介绍
自1996年Olshausen等在Nature等国际顶尖杂志上发表有关自然图像稀疏编码的开创性论文之后，人们对字典学习的关注越来越多。Olshausen等导出了以l1范数作为系数稀疏性度量，令人惊奇的是这种以稀疏性为准则进行学习获得的字典其每个原子的形态与视觉皮层中V1区简单细胞的感受也类似，他们的研究成果奠定了稀疏编码的神经生理学基础。近些年，以信号的稀疏性先验求解图像反问题引起了学者们的广泛关注，尤其是压缩感知领域。根据Donoho和Candes等提出的相关理论，信号在字典下的表示系数越稀疏则重构质量越高，因此字典的选择十分重要，它决定了图像反问题的求解质量。传统的基于矩阵字典的构造方法一般分为两种：解析方法和学习方法。解析方法通过事先定义好的某种数学变换或调和分析方法来构造，如离散余弦变换、小波变换、双树复数小波变换、轮廓波变换、Shearlet、Grouplet以及参数化字典等。传统的字典设计及其相应算法都是基于矩阵型字典，随着科技的发展，在图像处理、计算机视觉、数据挖掘、脑科学、盲源分离等领域产生的数据在本质是一个高维数据(即张量)。如果继续用传方法处理，必须要将张量数据转化成矩阵数据，这样有可能会造成细节的丢失，也难以利用原始数据的结构信息。因此，针对现有技术不足，提供一种基于张量字典学习的磁共振图像重建方法以克服现有技术不足甚为必要。
技术实现思路
本专利技术的目的是针对现有的磁共振图像重建方法的不足，提供一种基于张量字典学习的磁共振...
【技术保护点】
一种基于张量字典学习的磁共振图像重建方法，其特征在于，包括如下步骤：(1)采用变密度随机欠采样方式得到原始k空间数据，对采样数据进行傅里叶逆变换得到初始重建图像；(2)建立基于张量字典学习的压缩感知重建模型；(3)对所述重建图像随机提取部分三维子图像块进行张量字典学习，得到一个用于稀疏表示的张量字典；(4)用硬域值法对所有子图像块进行所述张量字典下的稀疏表示；(5)用最小二乘法更新重建图像；(6)重复步骤(3)‑(5)直至收敛，得到最终重建图像。
【技术特征摘要】
1.一种基于张量字典学习的磁共振图像重建方法，其特征在于，包括如下步骤：(1)采用变密度随机欠采样方式得到原始k空间数据，对采样数据进行傅里叶逆变换得到初始重建图像；(2)建立基于张量字典学习的压缩感知重建模型；(3)对所述重建图像随机提取部分三维子图像块进行张量字典学习，得到一个用于稀疏表示的张量字典；(4)用硬域值法对所有子图像块进行所述张量字典下的稀疏表示；(5)用最小二乘法更新重建图像；(6)重复步骤(3)-(5)直至收敛，得到最终重建图像。2.根据权利要求1所述的基于张量字典学习的磁共振图像重建方法，其特征在于，所述步骤(2)中，建立基于压缩感知重建模型：其中，||·||0表示零范数，通过计算非零元素个数来定义，||·||F表示Frobenius范数， 表示欠采样的三维k空间数据，为待重建图像，ΦM为部分K空间编码算子，D1、D2、D3为自适应张量字典的因子矩阵，D＝1D1×2D2×3D3为张量字典，v为正则化参数，是由所有系数组成的四阶张量，是由所有图像块在D下的表示系数组成的四阶张量，其中i＝1，2，…，L，L是通过滑动窗口方法提取的图像块总数。3.根据权利要求1所述的基于张量字典学习的磁共振图像重建方法，其特征在于，所述随机提取部分三维子图像块进行张量字典学习的步骤，包括：把和看成已知常量，将式(I)变成如下式(II)：其中(·)...
【专利技术属性】
技术研发人员：冯衍秋，黄进红，冯前进，陈武凡，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。