基于对数范数和先验信息的核磁共振图像重构方法及系统技术方案

本发明专利技术公开了一种基于对数范数和先验信息的核磁共振图像重构方法及系统，涉及图像处理技术领域，所述方法包括：获取待重构的目标核磁共振图像；通过预先构建好的核磁共振图像重构模型对所述目标核磁共振图像进行求解，得到重构后的核磁共振图像；其中，所述核磁共振图像重构模型是基于对数范数正则化和图像的先验信息构建的。本发明专利技术利用对数范数描述核磁共振图像的全局低秩特性，同时学习核磁共振图像的局部和潜在先验信息，基于对数范数和图像的先验信息构建核磁共振图像重构模型，以完成对核磁共振图像的重构，可充分挖掘核磁共振图像的全局结构和局部先验信息，提升了核磁共振图像的重构性能，重构效果好，且重构效率高。且重构效率高。且重构效率高。

【技术实现步骤摘要】
基于对数范数和先验信息的核磁共振图像重构方法及系统


[0001]本专利技术涉及图像处理
，具体涉及一种基于对数范数和先验信息的核磁共振图像重构方法及系统。

技术介绍

[0002]核磁共振成像采用一种非侵入式的成像模式，对人体没有相应的电离辐射和损害，其成像能够有效地反映人体的生理信息和分子生物信息特征。更重要的是，核磁共振成像能够获取人体器官在时域维度上的解剖结构以及生理特征上的连续影像，在医院的临床诊断具有重大的参考作用，尤其在视觉引导手术、计算机辅助诊断以及临床病理机理研究等领域。核磁共振成像虽然具备以上优点，但也存在一些不足，如扫描的速度较慢、成像质量不佳。扫描数据的缓慢速度一方面影响了成像的视觉质量，导致核磁共振图像中出现混叠伪影、噪声等，低质量的核磁共振图像很难辅助医生的疾病诊断；另一方面，扫描的时间过长，对病人的要求相应的提高，即要求病人长时间的保持不动，给病人增加了痛苦，同时也使其规模化的生产应用受到了一定的局限。
[0003]近年来，基于压缩感知的核磁共振成像(Compressed Sensing based Magnetic Resonance Imaging，简称CS
‑
MRI)技术被引入到了核磁共振图像重构中，压缩感知只需要采样少数的K空间(也就是傅里叶域)数据，即可从中恢复出完整的核磁共振图像，该技术显著地提升了成像速度。当前的CS
‑
MRI图像重构方法主要包括离线CS
‑
MRI图像重构和在线CS
‑
MRI图像重构两类方法，其中，离线CS
‑
MRI图像重构方法一般在对信号进行重构前需要获得整个图像序列的下采样数据，这类图像重构方法主要利用的是帧与帧之间的纹理相关性和整个序列在时空域上的结构稀疏性，从而重构得到整个序列影像；不同于离线CS
‑
MRI图像重构方法，在线CS
‑
MRI图像重构方法一般基于单帧重构，即对整个动态核磁影像序列的恢复是一帧一帧得到的，这类图像重构方法只利用本帧图像的观测数据及已经重构得到的图像来恢复当前帧。
[0004]虽然CS
‑
MRI图像重构方法具有较好的优点，但使用CS
‑
MRI图像重构方法获得的图像质量受到两个因素的影响，其中一个因素是感兴趣信号的稀疏性或者在某种表示下的稀疏性对重构性能的影响，另一个因素是采样矩阵的约束等距性常数。在实际应用中，图像重构方法需要求解一个非线性凸优化问题，当核磁共振图像数据量较大时，重构效率将较低。另外，在重构算法设计中，大部分正则化方法基于L1范数进行求解，具体为：
[0005]对于一个待重构的核磁共振图像现有的基于压缩感知的核磁共振图像重构方法的主要步骤包括：
[0006]确定核磁共振图像X对应的K空间下采样数据Y，Y可通过公式(1)表示，公式(1)为：
[0007]Y＝F
μ
X+η
[0008]其中，Y满足q＜＜m
×
n，F
μ
表示下采样傅里叶变换，η表示加性白高斯噪声，下采样率R＝q/(m
×
n)
×
100％；
[0009]基于核磁共振图像在某个变换方法(如傅里叶变换、小波变换)下的稀疏性，将公
式(1)转化为一个凸优化问题进行求解，最终恢复出高质量的图像，具体地：首先设核磁共振图像X在某个变换方法φ下的表示是稀疏的，即X＝φα，且||α||0＜＜L，α是变换后的系数，然后定义一个新的采样矩阵M(M＝F
μ
φ)，求解重构模型，该重构模型可通过公式(2)表示，公式(2)为：
[0010][0011]其中，ε>0且ε是一个很小的常数；
[0012]接着将公式(2)转化为无约束优化问题，该无约束优化问题可通过公式(3)表示，公式(3)为：
[0013][0014]其中，λ是正则化参数，其作用是平衡公式(3)中的数据保真项和正则项||α||1，以控制解α的稀疏度；
[0015]最后采用迭代软阈值算法求解上述公式(3)，得到系数再通过计算即可获得重构后的核磁共振图像。
[0016]实际上，现有的基于压缩感知的核磁共振图像重构方法中，采用L1范数作为模型的正则项并不能取得最稀疏的结果，只能获得次优解，导致降低了对核磁共振图像的重构效果。

技术实现思路

[0017]本专利技术所要解决的技术问题为：在核磁共振图像重构方法中，采用L1范数作为模型的正则项不能取得最稀疏的结果，只能获得次优解，导致降低了对核磁共振图像的重构效果。为解决该技术问题，本专利技术提供了一种基于对数范数和深度先验信息的核磁共振图像重构方法及系统。
[0018]本专利技术解决上述技术问题的技术方案如下：
[0019]一种基于对数范数和先验信息的核磁共振图像重构方法，包括以下步骤：
[0020]步骤S1，获取待重构的目标核磁共振图像；
[0021]步骤S2，通过预先构建好的核磁共振图像重构模型对所述目标核磁共振图像进行求解，得到重构后的核磁共振图像；其中，所述核磁共振图像重构模型是基于对数范数正则化和图像的先验信息构建的。
[0022]本专利技术的有益效果是：利用对数范数描述核磁共振图像的全局低秩特性，同时学习核磁共振图像的局部和潜在先验信息，基于对数范数和图像的先验信息构建核磁共振图像重构模型，利用构建好的核磁共振图像重构模型完成对核磁共振图像的重构，可充分挖掘核磁共振图像的全局结构和局部先验信息，提升了核磁共振图像的重构性能，重构效果好，且重构效率高。
[0023]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0024]进一步，所述目标核磁共振图像包括第一核磁共振图像和第二核磁共振图像。
[0025]进一步，所述步骤S1包括：
[0026]获取原始核磁共振图像，所述原始核磁共振图像包括多个时刻下采集到的原始核磁共振图像帧；
[0027]对于每个所述原始核磁共振图像帧，对所述原始核磁共振图像帧进行下采样处理，得到所述原始核磁共振图像帧对应的下采样核磁共振图像帧；
[0028]根据各个所述下采样核磁共振图像帧，构建第一核磁共振图像；
[0029]对于每个所述原始核磁共振图像帧，对所述原始核磁共振图像帧进行向量化处理，得到所述原始核磁共振图像帧对应的向量化核磁共振图像帧；
[0030]根据各个所述向量化核磁共振图像帧，构建第二核磁共振图像。
[0031]采用上述进一步方案的效果是：采用下采样方式获取部分核磁共振图像数据，减少了后续步骤所需处理的数据量，提高了图像重构的处理速度；同时，本方法可并行地处理图像数据，得到第一核磁共振图像和第二核磁共振图像，进一步提高了对核磁共振图像进行重构的重构效率。
[0032]进一步，所述核磁共振图像重构模型为：
[0033][0034]其中，表示所述重构后的核磁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对数范数和先验信息的核磁共振图像重构方法，其特征在于，包括以下步骤：步骤S1，获取待重构的目标核磁共振图像；步骤S2，通过预先构建好的核磁共振图像重构模型对所述目标核磁共振图像进行求解，得到重构后的核磁共振图像；其中，所述核磁共振图像重构模型是基于对数范数正则化和图像的先验信息构建的。2.根据权利要求1所述的方法，其特征在于，所述目标核磁共振图像包括第一核磁共振图像和第二核磁共振图像。3.根据权利要求2所述的方法，其特征在于，所述步骤S1包括：获取原始核磁共振图像，所述原始核磁共振图像包括多个时刻下采集到的原始核磁共振图像帧；对于每个所述原始核磁共振图像帧，对所述原始核磁共振图像帧进行下采样处理，得到所述原始核磁共振图像帧对应的下采样核磁共振图像帧；根据各个所述下采样核磁共振图像帧，构建第一核磁共振图像；对于每个所述原始核磁共振图像帧，对所述原始核磁共振图像帧进行向量化处理，得到所述原始核磁共振图像帧对应的向量化核磁共振图像帧；根据各个所述向量化核磁共振图像帧，构建第二核磁共振图像。4.根据权利要求2所述的方法，其特征在于，所述核磁共振图像重构模型为：其中，表示所述重构后的核磁共振图像，min(
·
)表示最小化算子，U表示下采样算子，F表示二维离散傅里叶变换，X表示所述第二核磁共振图像，B表示所述第一核磁共振图像，表示矩阵(UFX
‑
B)的F范数的平方，λ1和λ2均表示正则化参数，||X||
L
表示X的对数范数，表示潜在的正则化项，表征了所述第二核磁共振图像中的深度先验信息。5.根据权利要求4所述的方法，其特征在于，所述潜在的正则化项是通过基于深度学习的神经网络模型学习所述第二核磁共振图像中的深度先验信息确定的。6.根据权利要求4所述的方法，其特征在于，所述步骤S2中，所述通过预先构建好的核磁共振图像重构模型对所述目标核磁共振图像进行求解，得到重构后的核磁共振图像，包括：引入辅助变量，所述辅助变量包括第一辅助变量和第二辅助变量；根据所述辅助变量，将所述核磁共振图像重构模型转化为优化问题，所述优化问题为：s.t.M＝X,Y＝M其中，M表示所述第一辅助变量，Y表示所述第二辅助变量，s.t.表示约束条件；将所述优化问题转化成增广拉格朗日函数，所述增广拉格朗日函数为：
其中，表示最小化算子，Λ1和Λ2均表示拉格朗日乘子，<Λ1,X
‑
M>表示Λ1与矩阵(X
‑
M)的内积，<...

【专利技术属性】
技术研发人员：刘红梅，刘金华，
申请(专利权)人：电子科技大学成都学院，
类型：发明
国别省市：