迭代细化压缩感知欠采样磁共振图像重构方法、重构系统技术方案

本发明专利技术属于图像处理技术领域，公开了迭代细化压缩感知欠采样磁共振图像重构方法、重构系统。通过零填充原始获取欠采样磁共振傅里叶空间数据初步重建磁共振图像；对获得初步重建的磁共振图像进行像素级非局部细化获得细化的磁共振图像；将细化的磁共振图像再变换回磁共振傅里叶空间数据；通过第k次迭代将恢复的数据逐步补充到欠采样傅里叶空间的零填充位置；使用细化的磁共振傅里叶空间数据和欠采样磁共振傅里叶空间数据构造的一个映射之间的点乘获得一个残差分量，将该残差分量添加到原始欠采样的磁共振傅里叶空间数据中以恢复部分欠采样的数据；获得最后重构的磁共振图像，在4倍与8倍加速欠采样磁共振图像重建的结果中都表现出最稳健的性能。中都表现出最稳健的性能。中都表现出最稳健的性能。

【技术实现步骤摘要】
迭代细化压缩感知欠采样磁共振图像重构方法、重构系统


[0001]本专利技术属于图像处理
，尤其涉及迭代细化压缩感知欠采样磁共振图像重构方法、重构系统。

技术介绍

[0002]在早期阶段，一些加速技术，如快速序列算法和基于并行磁共振成像的算法必须利用满足奈奎斯特
‑
香农采样标准的全傅里叶空间覆盖。然而，上述全采样方法更多地取决于采集线圈的数量和性能，因此加速磁共振成像的潜力有限。直接降低采样率可以显著加快成像速度，然而，采样率的降低不可避免地在重建图像中引入混叠伪影，这会严重影响了医生的诊断。
[0003]因此，一个被广泛研究的问题是如何从欠采样的k空间数据中重建磁共振图像，以尽可能多地保留来自完全采样数据的信息。
[0004]还有，在过去二十年中，压缩感知理论为磁共振图像的加速重建提供了强有力的技术支持。在压缩感知理论中，稀疏性是重构欠采样信号的先决条件。现有的压缩感知磁共振图像重构方法通常探索特定变换域中的稀疏表示，例如全变分、离散小波变换和离散余弦变换，稀疏表示可以使用字典学习直接从数据中学习。一旦获得所需的稀疏表示矩阵，就可以使用非线性优化算法来获得更好的重建结果。然而，上述传统的压缩感知磁共振图像重构方法通常难以使用预定义的或固定的稀疏变换来捕获复杂的图像细节，例如，基于全变分的方法可能会引入阶梯状伪影，而基于小波变换的方法可能引入环形伪影。为了缓解上述问题，一些基于字典学习的方法直接从数据中学习稀疏表示。
[0005]此外，基于图像片的非局部算子方法提出用图像块的非局部自相似性先验来构造稀疏变换，然而，在图像的轮廓或纹理区域的重建过程中，块级非局部自相似性方法仍然不能获得令人满意的结果。最近，强大的深度神经网络也被广泛应用于压缩感知磁共振图像重构研究。根据学习方法分类，基于深度神经网络的欠采样磁共振图像重构模型可以大致分为有监督的和无监督的学习模型。在有监督学习模型中，最初的深度端到端深度学习模型将图像分割模型UNet引入到欠采样磁共振图像重建任务中，并取得了良好的性能。后来，采用了自我注意机制以获得更高的视觉质量重建结果。然而，端到端深度学习模型通常需要大样本来训练网络。此外，一些基于展开优化的监督模型试图将深度神经网络与传统的基于迭代的压缩感知算法相结合，通过学习正则化方法来约束图像重建，然而，其迭代重建方法需要更多的计算时间。有监督学习模型通常需要大量成对数据来建立欠采样到完全采样图像域之间的映射，然而，成对数据在现实世界中很难获得。为了缓解这一问题，无监督学习模型提出了一种使用正则化学习方法并交替优化重建图像和模型参数的新解决方案，取得了较好的欠采样磁共振图像重构性能。然而，无论是有监督模型还是无监督模型，它们的泛化能力通常比传统的压缩感知磁共振图像重构方法更有限，并且它们可能无法充分考虑数据的稀疏性。
[0006]通过上述分析，现有技术存在的问题及缺陷为：
（1）现有技术中进行欠采样重建的磁共振图像结果通常会引入较强的混叠伪影，使得图像保真度欠缺。
[0007]（2）现有技术未能更好地发掘欠采样磁共振图像的稀疏性，最后重构的磁共振图像清晰度低。
[0008]（3）现有技术的图像重构在主观视觉质量和相应的误差图上稳健性能差，以及在保持图像细节方面不够理想。

技术实现思路

[0009]为克服相关技术中存在的问题，本专利技术公开实施例提供了迭代细化压缩感知欠采样磁共振图像重构方法、重构系统，涉及欠采样磁共振图像重构领域。
[0010]所述技术方案如下：一种迭代细化压缩感知欠采样磁共振图像重构方法包括：对欠采样磁共振图像的重建任务引入了一种像素级非局部自相似性先验，通过迭代的像素级非局部细化来获得稳健的欠采样重建结果。
[0011]迭代细化压缩感知欠采样磁共振图像重构方法，对欠采样磁共振图像的重建任务引入了一种像素级非局部自相似性先验，通过迭代的像素级非局部细化来获得稳健的欠采样重建结果；具体包括以下步骤：S21，选取某一邻域内与参考块具有最小欧式距离的多个图像块；S22，将选取的所有图像块各自扫描成列向量，然后将所有向量拼接为二维矩阵，选取任一行作为参考行与二维矩阵中的每一行计算欧氏距离，选取若干最小距离行为匹配的行；S23，将选取的匹配的行堆叠成一个相似像素矩阵，对该相似像素矩阵执行二维可分的哈尔变换，然后对变换系数执行结构硬阈值，获得系数矩阵，将变换后的系数矩阵的所有高频变换系数全部置为零；并对变换系数执行可分哈尔逆变换获得细化的相似像素矩阵，将所有的细化的相似像素矩阵加权聚合放回图像中的原始位置获得基本细化的磁共振图像；S24，用基本细化的磁共振图像执行同步骤S21
‑
步骤S22的匹配方法获得相似像素群组；同步获得经迭代输入的图像中的相似像素群组，结合经步骤S23获得的对匹配的相似像素群组以及迭代相似像素群组的哈尔变换系数执行改进的维纳滤波；将维纳滤波后的哈尔变换系数执行逆哈尔变换获得迭代的最终细化相似像素矩阵，对迭代的最终细化相似像素矩阵中同一个像素点的不同估计值赋予它们一个权值，取加权平均结果作为最终的结果；将加权聚合后的结果放回到图像中的原始位置获得迭代的最终细化磁共振图像。
[0012]在步骤S21中，选取某一图像邻域（W
×
W）内一个图像块作为参考块与该邻域内的所有图像块计算欧氏距离，，其中为待匹配的所有图像块，为参考块，为参考块与第个待匹配的所有图像块的欧式距离，为图像邻域。
[0013]在步骤S22中，二维矩阵表示为，为参考块的任一参考行，任一参考行作为与该二维矩阵中的每一行计算欧氏距离为：，；其
中，为任一参考行与第个待匹配行的欧式距离，为待匹配的所有行。
[0014]在步骤S23中，匹配的行堆叠成一个相似像素矩阵，对该相似像素矩阵执行二维可分的哈尔变换；所述哈尔逆变换为，其中与分别为两个正交哈尔变换矩阵，与分别为与的转置矩阵，为当前迭代的相似像素群组变换系数；由于正交性，即为各自的逆矩阵。
[0015]在步骤S24中，改进的维纳滤波为，其中，为前一步迭代的相似像素群组变换系数，为当前迭代步骤中基本加细后的相似像素群组变换系数，为正则化参数，为第步迭代中噪声标准偏差。
[0016]在S21前需进行：S1，给定欠采样的磁共振傅里叶空间数据，使用零填充作为预处理来获得全尺寸的二维磁共振傅里叶空间数据；获得初步重建的磁共振图像。
[0017]在步骤S24后需进行：S3，通过快速傅里叶变换将细化的磁共振图像变换回磁共振傅里叶空间数据；S4，通过第k次迭代将恢复的数据补充到欠采样傅里叶空间的零填充位置；S5，在每一步迭代中，使用细化的磁共振傅里叶空间数据和欠采样磁共振傅里叶空间数据构造的一个映射之间的点乘来获得一个残差分量，将该残差分量添加到原始欠采样的磁共振傅里叶空间数据中以恢复部分欠采样的数据；S6，用逆傅里叶变换以获得部分信号恢复重建磁共振图像，该图像将用作下一次迭代的输入；经过多步迭代后获得最后重构的磁共振图像。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种迭代细化压缩感知欠采样磁共振图像重构方法，其特征在于，对欠采样磁共振图像的重建任务引入了一种像素级非局部自相似性先验，通过迭代的像素级非局部细化来获得稳健的欠采样重建结果；具体包括以下步骤：S21，选取某一邻域内与参考块具有最小欧式距离的多个图像块；S22，将选取的所有图像块各自扫描成列向量，然后将所有向量拼接为二维矩阵，选取任一行作为参考行与二维矩阵中的每一行计算欧氏距离，选取若干最小距离行为匹配的行；S23，将选取的匹配的行堆叠成一个相似像素矩阵，对该相似像素矩阵执行二维可分的哈尔变换，然后对变换系数执行结构硬阈值，获得系数矩阵，将变换后的系数矩阵的所有高频变换系数全部置为零；并对变换系数执行可分哈尔逆变换获得细化的相似像素矩阵，将所有的细化的相似像素矩阵加权聚合放回图像中的原始位置获得基本细化的磁共振图像；S24，用基本细化的磁共振图像执行同步骤S21
‑
步骤S22的匹配方法获得相似像素群组；同步获得经迭代输入的图像中的相似像素群组，结合经步骤S23获得的对匹配的相似像素群组以及迭代相似像素群组哈尔变换系数执行改进的维纳滤波；将维纳滤波后的哈尔变换系数执行逆哈尔变换获得迭代的最终细化相似像素矩阵，对迭代的最终细化相似像素矩阵中同一个像素点的不同估计值赋予它们一个权值，取加权平均结果作为最终的结果；将加权聚合后的结果放回到图像中的原始位置获得迭代的最终细化磁共振图像。2.根据权利要求1所述的迭代细化压缩感知欠采样磁共振图像重构方法，其特征在于，在步骤S21中，选取某一图像邻域内一个图像块作为参考块与该邻域内的所有图像块计算欧氏距离，，其中为待匹配的所有图像块，为参考块，为参考块与第个待匹配的所有图像块的欧式距离，为图像邻域。3.根据权利要求1所述的迭代细化压缩感知欠采样磁共振图像重构方法，其特征在于，在步骤S22中，二维矩阵表示为，为参考块的任一参考行，任一参考行与该二维矩阵中的每一行计算欧氏距离为：，；其中，为任一参考行与第个待匹配行的欧式距离，为待匹配行。4.根据权利要求1所述的迭代细化压缩感知欠采样磁共振图像重构方法，其特征在于，在步骤S23中，匹配的行堆叠成一个相似像素矩阵，对该相似像素矩阵执行二维可分的哈尔变换；所述哈尔逆变换为，其中，与分别为两个正交哈尔变换矩阵，与分别为与的转置矩阵，为当前迭代的相似像素群组变换系数。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：侯迎坤，耿杨，侯昊，邵宇辰，梁凤鸣，吕泽锟，林涛，戴晓雅，丁鹏，魏本征，
申请(专利权)人：泰山学院，
类型：发明
国别省市：