自适应磁共振并行成像方法和装置制造方法及图纸

一种自适应磁共振并行成像方法，所述方法包括：利用并行采集的k空间数据，预估通道的灵敏度初始值并对字典进行初始化；利用所述值灵敏度和字典建立目标图像对应的目标函数，所述字典中包括稀疏系数；将所述目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与所述目标函数进行交互更新，在所述交互更新的过程中，对所述灵敏度进行迭代更新，并对所述字典和稀疏系数进行更新；利用更新后的字典学习，自适应地提取目标图像的结构信息，根据所述结构信息和所述目标函数得到重建后的目标图像。采用该方法能够自适应地捕捉待重建的目标图像的结构信息，并且对每个通道的灵敏度进行更新。此外还提供一种自适应磁共振并行成像装置。

【技术实现步骤摘要】

本专利技术涉及磁共振
，特别是涉及一种自适应磁共振并行成像方法和装置。
技术介绍
并行磁共振成像是近几年临床上最常见的成像技术，该技术通常利用多个接收线圈空间敏感度的差异性来对空间信息进行编码。SENSE(Sensitivity Encoding，灵敏度编码)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进行周期性欠采样，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。SENSE并行磁共振成像重建流程如图1所示。其成像目标函数可以表示为：其中u为待重建的目标图像，sj为第j个通道的灵敏度，为欠采样的傅里叶变换，M为欠采样的掩模，为全傅里叶编码矩阵满足FHF＝IN，为关于目标图像先验信息的约束项。目前常用的约束项有两种，一种是基于TV(total variation，全差分)全差分约束，即则其相应的目标函数为：u*=argminuΣj=1J||FM(sj·u)-fj||22+||u||TV]]>另一种是基于小波变换的稀疏约束，即其相应的目标函数为：u*=argminuΣj=1J||FM(sj·u)-fj||22+||ΨTu||1]]>其中Ψ为正交小波变换。然而，现有技术的这些固定变换并不能自适应地捕捉目标图像的结构信息。而且传统的算法仅仅是单独针对待重建的目标图像进行更新，对每个通道的灵敏度只是进行了初步估计却未进行更新，导致重建结果不理想。
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地捕捉待重建的目标图像的结构信息，并且对每个通道的灵敏度进行更新的自适应磁共振并行成像方法和装置。一种自适应磁共振并行成像方法，所述方法包括：利用并行采集的k空间数据，预估通道的灵敏度初始值并对字典进行初始化；利用所述值灵敏度和字典建立目标图像对应的目标函数，所述字典中包括稀疏系数；将所述目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与所述目标函数进行交互更新，在所述交互更新的过程中，对所述灵敏度进行迭代更新，并对所述字典和稀疏系数进行更新；利用更新后的字典学习，自适应地提取目标图像的结构信息，根据所述结构信息和所述目标函数得到重建后的目标图像。一种自适应磁共振并行成像装置，所述装置包括：初始化模块，用于利用并行采集的k空间数据，预估通道的灵敏度初始值并对字典进行初始化；目标函数建立模块，用于利用所述值灵敏度和字典建立目标图像对应的目标函数，所述字典中包括稀疏系数；更新模块，用于将所述目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与所述目标函数进行交互更新，在所述交互更新的过程中，对所述灵敏度进行迭代更新，并对所述字典和稀疏系数进行更新；成像模块，用于利用更新后的字典学习，自适应地提取目标图像的结构信息，根据所述结构信息和所述目标函数得到重建后的目标图像。上述自适应磁共振并行成像方法和装置，利用并行采集的部分k空间数据，预估通道的灵敏度初始值并对字典进行初始化；利用值灵敏度和字典建立目标图像对应的目标函数，字典中包括稀疏系数；将目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与目标函数进行交互更新，在交互更新的过程中，对灵敏度进行迭代更新，并对字典和稀疏系数进行更新；利用更新后的字典学习，自适应地提取目标图像的结构信息，根据结构信息和目标函数得到重建后的目标图像。由于目标函数是利用字典、稀疏系数和通道的灵敏度建立起来的，目标函数在增广拉格朗日框架下与拉格朗日乘子向量进行交互更新的过程中，对通道的灵敏度、字典和稀疏系数分别进行了更新，利用更新后的字典进行学习，由此能够自适应地捕捉目标图像的结构信息，并且实现了对每个通道的灵敏度进行更新。附图说明图1为SENSE并行磁共振成像重建流程图；图2为一个实施例中自适应磁共振并行成像方法的流程图；图3为一个实施例中自适应磁共振并行成像装置的结构示意图；图4为另一个实施例中自适应磁共振并行成像装置的结构示意图；图5为又一个实施例中自适应磁共振并行成像装置的结构示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。在一个实施例中，如图2所示，提供了一种自适应磁共振并行成像方法，该方法包括：步骤202，利用并行采集的部分k空间数据，预估通道的灵敏度初始值并对字典进行初始化。部分k空间数据可以通过并行线圈对k空间数据以加速因子R进行欠采样的方式来得到。部分k空间数据也就是频域数据，可采用f来表示。通道的灵敏度用s来表示。字典是指根据字典学习算法生成的字典，用D来表示，字典学习算法优选K-SVD(K-singular vector decomposition，简称K-SVD)算法。步骤204，利用值灵敏度和字典建立目标图像对应的目标函数，字典中包括稀疏系数。目标图像是指高精度的磁共振图像，可采用u来表示。在一个实施例中，目标函数为u*=argminu,sj{λ2Σj=1J||FM(sj·u)-fj||22+minD,Γ[β2Σl=1L||Rlu-Dαl||22+Σl=1L||αl||0]本文档来自技高网...

【技术保护点】
一种自适应磁共振并行成像方法，所述方法包括：利用并行采集的k空间数据，预估通道的灵敏度初始值并对字典进行初始化；利用所述值灵敏度和字典建立目标图像对应的目标函数，所述字典中包括稀疏系数；将所述目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与所述目标函数进行交互更新，在所述交互更新的过程中，对所述灵敏度进行迭代更新，并对所述字典和稀疏系数进行更新；利用更新后的字典学习，自适应地提取目标图像的结构信息，根据所述结构信息和所述目标函数得到重建后的目标图像。

【技术特征摘要】
1.一种自适应磁共振并行成像方法，所述方法包括：
利用并行采集的k空间数据，预估通道的灵敏度初始值并对字典进行初始
化；
利用所述值灵敏度和字典建立目标图像对应的目标函数，所述字典中包括
稀疏系数；
将所述目标函数放入增广拉格朗日框架，对拉格朗日乘子向量与所述目标
函数进行交互更新，在所述交互更新的过程中，对所述灵敏度进行迭代更新，
并对所述字典和稀疏系数进行更新；
利用更新后的字典学习，...

【专利技术属性】
技术研发人员：王珊珊，梁栋，刘建博，苏正航，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