基于合成分析反卷积网络的快速成像方法及系统技术方案

一种基于合成分析反卷积网络的快速成像方法，包括以下步骤：在融入DN和MRF先验信息的合成分析反卷积网络上用图像库进行滤波器学习；在滤波器训练过程中利用轮换技术、半二次分离技术和迭代重加权最小二乘法更新滤波器和稀疏系数；在已训练的滤波器基础上，从欠采样K空间中获取初始图像，建立图像重建模型；在重建模型上利用轮换技术、半二次元分离技术和迭代重加权最小二乘法进行稀疏系数和目标图像更新；满足收敛条件得到重建图像。本发明专利技术在一定程度上提高了图像重建的精度，同时还提供了一种运用上述合成分析反卷积网络的快速成像方法的基于合成分析反卷积网络的快速成像系统，能够得到较高精度的重建图像。

Fast imaging method and system based on synthetic analysis deconvolution network

A fast imaging method for the synthesis of deconvolution analysis based on network, which comprises the following steps: using images of filter learning in the synthetic analysis network into DN and MRF deconvolution on the a priori information; using rotation technique, quadratic separation technique and iterative reweighted least squares method to update the filter and filter coefficients in the sparse training process; on the basis of filter have training, obtain the initial images from undersampled K space, establish image reconstruction model; re weighted least square method is used for sparse coefficients and the target image is updated by rotation technology, two dimensional separation technique and iterative reconstruction in the model; meet the convergence condition of the reconstructed image. The invention improves the image reconstruction accuracy to a certain extent, but also provides a fast imaging system using synthetic deconvolution analysis based on network fast imaging method for the synthesis of deconvolution analysis network, can get higher accuracy of image reconstruction.

【技术实现步骤摘要】
基于合成分析反卷积网络的快速成像方法及系统
本专利技术属于医学成像
，尤其涉及一种基于合成分析反卷积网络的快速成像方法
技术介绍
医学磁共振(MRI)成像等逆问题通常转化为最小化一个合适的能量函数，这种最小化提供数据一致项和先验信息项之间的平衡。早期推导先验信息的算法包含全变差、小波稀疏和更普遍的马尔科夫随机场等。传统的预定义字典/变换方法可能无法稀疏表示目标函数。为了解决这一问题，自适应学习方法(比如字典更新)引起了巨大的关注。一般来说，有两种经典的学习策略来表示图像特征结构：基于合成学习的模型和基于分析学习的模型。在合成学习的稀疏模型中，字典学习方法用传统的基于块状的稀疏表示来进行图像重建，因此它有一个本质的缺点：由于细分成块的图像块间相互独立，图像中有意义的重要空间结构会丢失。为了弥补传统的基于块的稀疏表示方法的缺陷，Zeiler等人提出了反卷积网络，它主要用到的工具是卷积稀疏编码：其中，第一项和第二项分别表示为重建误差和范数惩罚；*代表二维离散卷积算子；为避免无意义解，要求每个滤波器的能量为1。稀疏分析模型是从另一个角度考虑稀疏表示，稀疏分析模型通常假设图像局部高度不连贯，滤波器组大多数元素提供几乎为零的响应。在这类方法中最经典最普遍的是全变差及FoE模型。Chen等人证明基于全局图像的分析模型等同于马尔科夫随机场模型的高阶滤波器如FoE模型。FoE模型的势函数如下表示：其中，Z(Θ)是正则化和配分函数；表示图像u矢量化与线性滤波器dk的卷积；φ(x；α)＝(1+x2/2)-α是一个经验函数；αk是第k个滤波器的参数。Zhu等人提出将图像块划分成两种类型的原子子空间：具有规则结构的低维显性流行和随机纹理的高维隐性流行。随后证明稀疏表示模型对于获得显性流行和马尔科夫随机场模型对于获得隐性流行是很好的策略。它们分别是生成扩展的方式与降低熵的方式。现有技术通常单独使用分析算子或者合成算子并取得了一定的效果，但未有将合成算子和分析算子合并到一个相同的学习过程和约束条件中的技术。
技术实现思路
基于此，本专利技术提出一种基于合成分析反卷积网络的快速成像方法及系统，结合合成算子和分析算子的快速成像方法及系统。本专利技术所述的一种基于合成分析反卷积网络的快速成像方法(SADN)，包括以下步骤：步骤(a)：在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练，建立滤波器训练模型。步骤(b)：在训练滤波器过程中利用轮换技术更新滤波器和稀疏系数，特别地利用迭代重加权最小二乘方法和共轭梯度下降法更新滤波器；利用半二次分离技术和共轭梯度下降法更新稀疏系数。步骤(c)：在合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型。步骤(d)：在图像重建过程利用轮换技术、半二次元分离技术和迭代重加权最小二乘方法，进行稀疏系数更新、目标图像更新。步骤(e)：满足收敛条件，得到重建图像。进一步地说，本专利技术所述方法步骤(a)为：在合成分析反卷积网络框架上进行滤波器训练，建立滤波器训练模型。其中第一项为重建误差，第二项为范数约束稀疏系数，第三项为分析模型的马尔科夫随机场(MRF)先验信息稀疏项。λ1和λ2分别为两个平衡合成稀疏性和分析稀疏性先验信息权重的惩罚参数。利用分离变量法，对上述问题分离出分别与d和z有关的项。进一步地说，本专利技术所述方法步骤(b)为：1)固定滤波器，更新稀疏系数。分离出的与稀疏系数z有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数z。2)固定稀疏系数，更新滤波器。分离出的与滤波器d有相关的子问题，通过迭代重加权最小二乘方法和共轭梯度下降法更新滤波器d。进一步地说，本专利技术所述方法步骤(c)在合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型。s.t.zc,0＝xc其中，第一项为控制误差的范数约束数据保真项，Fp为部分欠采样算子，y为采集到的部分k-空间数据。利用分离变量法，对上述问题分离出分别与z和x有关的项。进一步地说，本专利技术所述方法步骤(d)为：1)固定目标图像，更新稀疏系数。分离出的与稀疏系数z有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数z。2)固定稀疏系数，更新目标图像。分离出的与目标图像x有相关的子问题，通过迭代重加权最小二乘方法和共轭梯度下降法更新目标图像x。本专利技术所述的一种基于合成分析反卷积网络的快速成像系统，包括：滤波器训练模块、训练模型更新模块、图像重建模型建立模块、重建模型更新模块以及输出重建图像模块，所述滤波器训练模块、训练模型更新模块、图像重建模型建立模块、重建模型更新模块和输出重建图像模块顺次连接。所述滤波器训练模块在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练。所述训练模型更新模块利用轮换技术更新滤波器和稀疏系数，特别地利用迭代重加权最小二乘方法和共轭梯度下降法更新滤波器，利用半二次分离技术和共轭梯度下降法更新稀疏系数。所述图像重建模型建立模块通过合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型。所述重建模型更新模块包括更新稀疏系数单元固定目标图像，分离出的与稀疏系数有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数。利用轮换技术、半二次元分离技术和迭代重加权最小二乘方法，进行稀疏系数更新、目标图像更新，输出重建图像模块，满足收敛条件，得到重建图像。更具体地说，本专利技术所述系统滤波器训练模块用于在合成分析反卷积网络框架上用磁共振(MRI)图像库进行滤波器训练，建立滤波器训练模型。更具体地说，本专利技术所述系统训练模型更新模块包括更新稀疏系数单元和滤波器更新单元。稀疏系数更新单元用于固定滤波器，分离出的与稀疏系数有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数。滤波器更新单元用于固定稀疏系数，分离出的与滤波器有相关的子问题，通过迭代重加权最小二乘方法和共轭梯度下降法更新滤波器。更具体地说，本专利技术所述系统图像重建模型建立模块用于从欠采样K空间中获取初始图像，在合成分析反卷积网络框架上结合已训练好的滤波器的基础上，建立重建模型。更具体地说，本专利技术所述系统重建模型更新模块包括稀疏系数更新单元和目标图像更新单元。疏系数更新单元用于固定目标图像，分离出的与稀疏系数有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数。目标图像更新单元用于固定稀疏系数，分离出的与目标图像有相关的子问题，通过迭代重加权最小二乘方法和共轭梯度下降法更新目标图像。本专利技术的技术方案具有以下的优点或有益效果：本专利技术实施例基于合成分析反卷积网络的快速成像方法及系统，按模型训练方法从测试图像库中获取卷积滤波器，此滤波器含有许多沿着各个方向的高频滤波器，这些高频滤波器对于表示图像具有生成和区别的能力，从而除能够有效表示图像中一些基础边缘结构外，还能表示边缘交集、平行线条和对称线条。再在训练好的滤波器基础下，从欠采样K空间中获取初始图像，进一步地的重建模型。这种算法不仅需要生成的编码系数稀疏，而且要求滤波器与图像间的卷积稀疏，从而实现在更少的测量下快速精确的进行图像重本文档来自技高网...

【技术保护点】
一种基于合成分析反卷积网络的快速成像方法，其特征是包括以下步骤：步骤(a)：在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练，建立滤波器训练模型；步骤(b)：在训练滤波器过程中利用轮换技术更新滤波器和稀疏系数，特别地利用迭代重加权最小二乘方法和共轭梯度下降法更新滤波器；利用半二次分离技术和共轭梯度下降法更新稀疏系数；步骤(c)：在合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型；步骤(d)：在图像重建过程利用轮换技术、半二次元分离技术和迭代重加权最小二乘方法，进行稀疏系数更新、目标图像更新；步骤(e)：满足收敛条件，得到重建图像。

【技术特征摘要】
1.一种基于合成分析反卷积网络的快速成像方法，其特征是包括以下步骤：步骤(a)：在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练，建立滤波器训练模型；步骤(b)：在训练滤波器过程中利用轮换技术更新滤波器和稀疏系数，特别地利用迭代重加权最小二乘方法和共轭梯度下降法更新滤波器；利用半二次分离技术和共轭梯度下降法更新稀疏系数；步骤(c)：在合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型；步骤(d)：在图像重建过程利用轮换技术、半二次元分离技术和迭代重加权最小二乘方法，进行稀疏系数更新、目标图像更新；步骤(e)：满足收敛条件，得到重建图像。2.根据权利要求1所述的合成分析反卷积网络的快速成像方法，其特征是所述的步骤(a)为：在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练，建立如下滤波器训练模型；其中，模型中第一表示为重建误差，第二表示用l1范数约束稀疏系数，第三项表示分析算子模型的马尔科夫随机场先验信息稀疏性；λ1和λ2是两个分别平衡合成稀疏性和分析稀疏性先验信息权重的惩罚参数。3.根据权利要求2所述的基于合成分析反卷积网络的滤波器训练模型，其特征是所述的步骤(b)为：根据固定滤波器，更新稀疏系数，分离出的与稀疏系数z有相关的子问题，通过半二次分离技术和共轭梯度下降法更新稀疏系数；根据固定稀疏系数，更新滤波器，分离出的与滤波器有相关的子问题，通过迭代重加权最小二乘方法和共轭梯度下降法更新滤波器d。4.根据权利要求1所述的基于合成分析反卷积网络的重建模型，其特征是所述的步骤(c)为：根据训练好的滤波器，从欠采样K空间中获取初始图像，建立如下图像稀疏表示模型：

【专利技术属性】
技术研发人员：刘且根，熊娇娇，徐晓玲，张明辉，王玉皞，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西,36