一种带噪CS-MRI图像重建方法技术

本发明专利技术公开了一种带噪CS-MRI图像重建方法，包括步骤：S101、利用K-means聚类算法对带噪MRI图像信号进行聚类，形成M个分类；S102、采用DCT基构建每一分类的初始字典，并将所述初始字典的列单位化，得到每一分类的字典；S103、根据所述每一分类的字典采用OMP算法求解得到每一分类对应的稀疏向量；S104、采用K-SVD算法，对每一分类的字典中每一列与其对应的稀疏向量进行更新；S105、重复迭代S103和S104，直到迭代次数达到预设阈值，得到最终每一分类的字典和对应的稀疏向量；S106、根据所述最终每一分类的字典和对应的稀疏向量重建MRI图像。本发明专利技术精确性更高。

【技术实现步骤摘要】

本专利技术涉及压缩感知和医学图像处理领域，尤其涉及一种带噪CS-MRI图像重建 方法。
技术介绍
磁共振成像（magnetic resonance imaging，MRI)是一种利用核磁共振原理对于 处于均匀静磁场中的人体器官进行成像，具有成像参数多、无电离辐射、可任意方向断层成 像等诸多优点，在临床诊断中被广泛应用。然而，常规的磁共振成像的时间较长，成本较高， 带有较大的噪声，从而限制了它的实际临床应用。 影响磁共振成像速度的因素主要包括两个方面：（1)原始数据采集速度；(2) k_t 空间数据采集数量。研究人员通过改进MRI硬件、快速序列设计研究及有效的采样轨迹来 提高原始数据的采集速度。但由于硬件和人的生理条件的限制，在缩短数据采集时间方面 已经接近极限。因此，更多的研究者把精力放在如何在不降低图像质量下减少数据采集总 量上。 近年来，随着压缩感知理论的提出，医学图像处理领域引入一种新的信号采样方 法--压缩感知（Compressed Sensing，CS)。压缩感知是一种线性的不完全信号获取方 法，主要涉及了信号的稀疏性、感知信号的获取以及感知信号的重建，它突破传统采样方式 的禁锢。该方法一经提出便引起广泛的关注，大量学者在信号的稀疏性分析、测量矩阵的设 计、重建算法的优化以及CS理论的实际应用方面展开深入的研究。 以往常规的信号采集、编码过程要求信号的采样应当满足奈奎斯特采样定理，要 求采样速率不得低于信号带宽的两倍，这给信号处理能力提出了更高的要求，也使得相应 的硬件设备面临很大的压力。在信号采样的压缩和解压过程中，会舍弃采样的大部分数据， 造成数据和内存资源的浪费。考虑到MRI图像本身数据的冗余，从稀疏信号重建理论应用 的必要条件出发，稀疏信号重建理论可以应用于MRI图像的重建。压缩感知利用磁共振图 像在变换域上的稀疏性，从高度欠采样的k空间精确的重建出原始信号。在MRI图像重建 的过程中，图像本身稀疏或者在某些变换域下稀疏是图像能够准确重建的基础，而且信号 越稀疏重建的效果越好。 传统的的稀疏字典表不方法一般为全局固定变换如全变差、离散余弦变换 (Discrete Cosine Transform，DCT)、小波变换（Wavelet)、有限差分变换等。但是利用固 定的稀疏字典表示方法在实际MRI图像重建过程中存在一定的问题： 1、图像往往是具有复杂结构特征的二维信号，只用一种正交变换基函数，不能有 效的表示图像的结构特征，从而不能对图像形成最稀疏的表示。 2、在图像噪声处理和边缘保持方面有一定的局限性。 另一类是学习字典，如最大似然估计（Maximum Likelihood，ML)、最优方向法 (MOD)和K-SVD(K_Singular Value Decomposition)算法。现有的这种基于字典学习方法 学习得到全局的字典难以有效表征各种磁共振MRI图像的局部结构。
技术实现思路
本专利技术所要解决的技术问题在于，提供一种带噪CS-MRI图像重建方法，采用图像 内容聚类和K-SVD算法的字典构造方法进行MRI图像重建。在压缩感知重建提高磁共振成 像速度基础上，更加精确重构了真实的磁共振MRI图像。 为了解决上述技术问题，本专利技术提供了一种带噪CS-MRI图像重建方法，包括步 骤： S101、利用K-means聚类算法对带噪MRI图像信号进行聚类，形成M个分类； S102、采用DCT基构建每一分类的初始字典，并将所述初始字典的列单位化，得到 每一分类的字典； S103、根据所述每一分类的字典采用OMP算法求解得到每一分类对应的稀疏向 量； S104、采用K-SVD算法，对每一分类的字典中每一列与其对应的稀疏向量进行更 新； S105、重复迭代S103和S104,直到迭代次数达到预设阈值，得到最终每一分类的 字典和对应的稀疏向量； S106、根据所述最终每一分类的字典和对应的稀疏向量重建MRI图像。 进一步的，所述SlOl包括： S1011、从带噪MRI图像信号Y中随机选取M个原子作为分类中心； S1012、对于剩余的原子，计算其与各个分类中心的距离，并根据最近邻分配法则 将其分配到与其距离最近的分类中； S1013、重新计算每个分类的平均值作为分类中心； S1014、反复执行S1012和S1013,直到每个分类不再变化为止，最终形成M个分类 {Y」i = 1，···，Μ}，其中，Y1表示第i个分类。 进一步的，所述S102包括： 采用DCT基构建分类Y1的初始字典，并将所述初始字典的列单位化，得到分类Y i 的字典Dj，其中，Dj表示初始时分类Y i的字典D i的值，D J为η行K列矩阵，i = 1，...，M。 进一步的，所述S103包括： 31031、对字典01°做正交化处理，并初始化残差。°=￥1，丨=1，...，1，其中，巧°表 示初始时分类Y1的残差r i的值； S1032、将残差&向字典D i做投影，选择一个与残差r i最为匹配的原子d i对字典 D1进行更新；其中，更新公式为D ，式中，D114表示更新后字典D i的值，D ^ 1表示 上次迭代时字典D1的值； S1033、通过求解模型更新X1，式中，X1表示分 类Yi的稀疏向量； S1034、更新残差 L= Y ^D1X1; S1035、重复迭代S1032、S1033和S1034,当选定原子个数大于T。或者当残差r /J、 于预定阀值时，迭代结束，得到迭代结束时分类Y1的稀疏向量X P 进一步的，所述S104包括： S1041、定义使用字典D1的一列〇?.的样本组为 ..In 式中，< 表示稀疏向量Xi的第η列，表示用表示信号Yi时所对应的向量，表示的非零项所在的位置； S1042、计算 S1042、限制En只能选取与^对应的列，得到EnR; S1043、运用SVD分解EnR= U iA ^t1，选取矩阵1^的第一列U u作为新的原子，将 Λ i (1，1)与V1第一列的乘积作为新的稀疏向量，BP : S1044、采用￡%计算得到新的字典D1，采用计算得到新的稀疏向量 进一步的，所述S106包括： 根据迭代结束后每一分类的字典D1和对应的稀疏向量X i重建MRI图像，其中，重 建公式SY1= D1X113 实施本专利技术，具有如下有益效果： (1)由于上述字典是围绕各个图像样本分类各自构造得到的，所以其相比较经典 的K-SVD算法得到的字典，在稀疏信号方面更具针对性。 (2)该算法旨在寻找适应每一类图形块的优化字典，使基于此字典的稀疏表示对 于样本的残差达到最小。 (3)本专利技术在图像噪声处理和边缘保持方面相比传统方式有明显的优势，可以有 效的保持图像的边缘信息和细节信息，有效的改善视觉效果，更加精确的重建图像。【附图说明】 为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。 图1是本专利技术提供的带噪CS-MRI图像重建方法的一个实施例的流程示意图； 图2(a)是本专利技术的Sheep本文档来自技高网...

【技术保护点】
一种带噪CS‑MRI图像重建方法，其特征在于，包括步骤：S101、利用K‑means聚类算法对带噪MRI图像信号进行聚类，形成M个分类；S102、采用DCT基构建每一分类的初始字典，并将所述初始字典的列单位化，得到每一分类的字典；S103、根据所述每一分类的字典采用OMP算法求解得到每一分类对应的稀疏向量；S104、采用K‑SVD算法，对每一分类的字典中每一列与其对应的稀疏向量进行更新；S105、重复迭代S103和S104，直到迭代次数达到预设阈值，得到最终每一分类的字典和对应的稀疏向量；S106、根据所述最终每一分类的字典和对应的稀疏向量重建MRI图像。

【技术特征摘要】

【专利技术属性】
技术研发人员：鹿浩，马林冲，曹宁，胡居荣，汪飞，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32