一种基于分类图像块字典学习的灵敏度编码重建方法技术

本发明专利技术涉及一种基于分类图像块字典学习的灵敏度编码重建方法，属于磁共振成像领域。在磁共振图像重建中引入基于分类图像块的快速字典学习(fastdictionary learning on classified patches,FDLCP)方法，可以提高稀疏性。本发明专利技术基于灵敏度编码(sensitivity encoding,SENSE)重构框架，提出一种基于分类图像块字典学习的磁共振成像重构模型，命名为FDLCP

【技术实现步骤摘要】
一种基于分类图像块字典学习的灵敏度编码重建方法


[0001]本专利技术涉及一种基于分类图像块字典学习的灵敏度编码重建方法，属于磁共振成像


技术介绍

[0002]磁共振成像(magnetic resonance imaging,MRI)作为临床上重要的医学成像诊断工具，可以提供清晰的人体组织图像，并且对人体没有电离辐射损伤。它通过频率编码和相位编码获取图像K空间的数据，其成像速度主要受限于相位编码间冗长的弛豫时间，成像的速度比较慢。并行成像(parallel imaging,PI)是加速MRI的重要技术。
[0003]并行成像通过利用多通道相控阵列线圈同时采集磁共振信号，利用各个线圈的空间灵敏度差异来编码空间信息。灵敏度编码(sensitivity encoding,SENSE)是一种应用广泛的并行磁共振技术，它通过显式利用线圈的灵敏度信息来恢复图像信息。
[0004]基于SENSE模型进行线圈灵敏度估计重建图像需要正则化来抑制噪声和减少混叠效应。目前常见的基于SENSE模型与正则化的结合主要有：TV正则项与SENSE模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分类图像块字典学习的灵敏度编码重建方法，其特征在于：包括以下步骤：S0:初始化，令x0＝(RFS)
H
y,z0＝0,α0＝0,其中，上标“0”表示迭代前的初始值，上标“H”表示共轭转置运算，表示待重构图像，N＝N
v
×
N
h
，N
v
和N
h
分别是图像的行数和列数，x0表示x的初始值；是K空间欠采样矩阵，M表示单线圈K空间数据实际采样的点数，且M＜＜N，I
L
表示L
×
L的单位矩阵，L表示并行成像使用的接收线圈个数，表示从单线圈的K空间网格中选择采样点的矩阵，R
T
表示R的转置，表示欠采样的多线圈K空间数据，表示欠采样的多线圈K空间数据，表示二维傅里叶变换，U
h
、U
v
分别表示N
h
、N
v
点的傅里叶变换矩阵，表示克罗内克积，表示灵敏度矩阵，表示第1个线圈的灵敏度，表示第L个线圈的灵敏度，第l个线圈的灵敏度用表示，S
l
是一个对角矩阵；表示辅助变量，n表示图像块的像素点数，z0和α0表示z和α的初始值，和分别表示对应于z和α的拉格朗日乘子，和表示u
z
和u
α
的初始值；S1:从初始重构图像x0中提取第j个含n个像素点的图像块的矩阵为：则提取的第j个图像块表示为：G
j
x0，总共有N个可以重叠的图像块，j＝1......N，按照基于分类图像块的快速字典学习FDLCP方法，将N个图像块分成几何方向为ω∈{ω1......ω
Q
}的Q个类，学习得到几何方向为ω的自适应分析...

【专利技术属性】
技术研发人员：段继忠，王成菊，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：