【技术实现步骤摘要】
本专利技术涉及磁共振
,特别是涉及一种基于字典学习的磁共振并行成像方法和装置。
技术介绍
并行磁共振成像技术通过采用多个接收线圈同时采集磁共振信号的空间信息,并且每个线圈均未对所有信号进行全采集,利用各个线圈空间敏感度的差异性来对空间信息进行编码,通过相关的重建算法得到最终的图像。SENSE(Sensitivity Encoding,敏感度编码)并行磁共振成像技术是一种典型的图像域重建算法。它的重建步骤主要包括:(1)通过并行线圈对k空间数据以加速因子R进行欠采样,对每个线圈得到的欠采样数据进行逆傅里叶变换,从而得到每个线圈的混叠图像;(2)对并行线圈的敏感度分布进行分析,在敏感度分布图上展开卷褶图像,从而得到全视野的FOV(field of view,视野)图像,即完整的重建图像。具体的模型框架可以用下式描述:其中相当于采样模版,代表离散傅里叶变换,代表第j个通道的敏感度映射,代表向量形式的待重建的图像,运算符表示逐点相乘,表示第j个通道的部分k空间数据。在传统的SENSE并行磁共振成像重建方法中,由于模型框架中所使用的正则项通常是一种基于全局图像的变换,比如小波变换,TV(total variation,全变分)变换等,导致目标图像(即磁共振图像)的结构信息不能自适应地进行获取。
技术实现思路
基于此,有必要针对上述技术问题,提供一种能够自适应获取目标图像结构信息的基于字典学习的磁共振并行成像方法和装置。 一种基于字典学习的磁共振并行成像方法,所述方法包括: 利用并行采集部分k空间数据预估 ...
【技术保护点】
一种基于字典学习的磁共振并行成像方法,所述方法包括:利用并行采集部分k空间数据预估灵敏度得到编码矩阵;采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数,所述数据拟合项中包括所述编码矩阵;将计算所述目标函数最优化解的迭代过程进行转换,得到转换后的迭代过程;在所述转换后的迭代过程中对字典进行更新,自适应地获取目标图像的结构信息数据;迭代达到终止条件时,根据所述结构信息数据得到重建后的目标图像。
【技术特征摘要】
1.一种基于字典学习的磁共振并行成像方法,所述方法包括:
利用并行采集部分k空间数据预估灵敏度得到编码矩阵;
采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数,
所述数据拟合项中包括所述编码矩阵;
将计算所述目标函数最优化解的迭代过程进行转换,得到转换后的迭代过
程;
在所述转换后的迭代过程中对字典进行更新,自适应地获取目标图像的结
构信息数据;
迭代达到终止条件时,根据所述结构信息数据得到重建后的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述目标函数为
其中x为目标图像,E为磁共振并行成像中的编码矩阵,y为k空间数据,D为
字典,为提取矩阵,为提取的样本,L为样本总数量,αl为稀疏系数,Γ为
所有样本稀疏系数的集合,μ和λ分别为正则化参数。
3.根据权利要求2所述的方法,其特征在于,所述转换后的迭代过程为:
其中k为外循环的迭代次数。
4.根据权利要求3所述的方法,其特征在于,所述将计算所述目标函数最优
化解的迭代过程进行转换,得到转换后的迭代过程的步骤之前,还包括:
将计算内循环的最优化解的过程进行转换,得到转后的过程为
其中zl为第一辅助变量,k为外循环的迭代次数;
当外循环的迭代次数为预设值时,将内循环转后的过程再次进行转换,得
到内循环的迭代过程为
其中m为内循环的迭代次数,zl为第一辅助变量,cl为第二辅助变量,β为
Bregman迭代算子。
5.根据权利要求4所述的方法,其特征在于,所述内循环包括第一层内循
环和第二层内循环,在所述第一层内循环中对字典进行更新,在所述第二层内
循环中对稀疏系数进行更新,所述待重建的目标图像根据更新后的字典和更新
后的稀疏系数进行更新。
6.根据权利要求4所述的方法,其特征在于,所述将计算内循环的最优化
解的过程进行转换的步骤之后,还包括:
对所述第一辅助变量进行更新,得到7.根据权利要求6所述的方法,其特征在于,所述对所述第一辅助变量进
行更新,得到的步骤之后,还包括:
对所述第二辅助变量的迭代更新进行修正,得到
clk,m,i+1=λβλ+β(-Dk,mαlk,m,i+Rlxk+clk,m-1,ITolβ),]]>其中i为更新稀疏系数的迭代
次数,ITol为第二层内循环最大次数。
8.一种基于字典学习的磁共振并行成像装置,其特征在于,所述装置包括:
编码矩阵获取模块,用于...
【专利技术属性】
技术研发人员:王珊珊,苏正航,梁栋,刘建博,刘新,郑海荣,
申请(专利权)人:中国科学院深圳先进技术研究院,
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。