【技术实现步骤摘要】
本专利技术涉及磁共振成像，具体为一种基于距离约束的自校准部分采集的并行成像方法。
技术介绍
1、磁共振成像mri是一种非侵入性的成像技术，已经是生物医学医学领域中一个重要的应用技术，可以根据选择序列产生详细的二维或三维图像，还可以对做出横断面、矢状面、冠状面和各种斜面的体层图像。与计算机断层扫描ct相比，mri对人体没有损伤这在使用x射线的ct中是难以实现的，而且具有良好的组织分辨率，为病变诊断提供详细的影像信息，mri主要的缺点便是扫描时间过长，所以更快的扫描速度与更高的图像质量一直都是mri研究的两个重要领域。
2、随着mri技术的发展进步，出现了许多加速方案，其中应用较为广泛的是并行成像。并行成像是通过由全采样到部分欠采样，降低k空间相位编码的采样点数，降低采样时间的方式加速成像。常用的并行成像算法包括sense、grappa、smash等，其中以sense和grappa应用较为广泛。
3、grappa技术是一种基于k空间的重建算法，它以满足奈奎斯特采样定律要求的频率采集k空间中心数据作为自动校正数据(acs)，利用多通道k空间相邻的点线性相关性进行每个通道的k空间欠采样的填充，得到每个通道的全k空间，最后通过通道融合得到最终的无卷褶图像。
4、现有的grappa技术运用中，自校准部分并行采集对选取核内的各个数据的权重相同，而实际情况是用于重建的缺失数据和采样数据的贡献是不同的，且越靠近待重建数据的采样数据贡献越大，因此会产生数据失真问题；为此，我们提出一种基于距离约束的自校准部分采集的
技术实现思路
1、本专利技术的目的在于提供了一种基于距离约束的自校准部分采集的并行成像方法，本技术引入距离约束针对grappa技术进一步优化。即在所有满足线性相关性的权重解中，通过距离约束，迫使最终解接近实际情况(越靠近待重建数据的采样数据贡献越大)舍弃其他解。
2、本专利技术可以通过以下技术方案实现：一种基于距离约束的自校准部分采集的并行成像方法，包括如下步骤：
3、步骤一、准备阶段，数据采集与生成以及参数设置；
4、设定欠采样因子并根据grappa技术采集得到欠采样数据矩阵和acs数据矩阵；
5、设置kernel块大小并利用kernel块将欠采样数据矩阵分割完全分割处理；
6、步骤二、惩罚函数构建；
7、在kernel块中定义源数据点和目标数据点，对kernel块中每个目标数据点和其他所有源数据点的相对位置构建关于相对位置的惩罚函数lc，用于对目标数据点和其他所有源数据点的相对位置进行优化；
8、步骤三、权重矩阵的构建与求解；
9、通过设定的kernel块在acs数据矩阵中移动分割整合得到源数据矩阵s和目标数据矩阵t，再根据惩罚函数矩阵lc，计算每个目标数据点的权重，将最终结果合并为权重矩阵w；
10、步骤四、目标数据矩阵t的数据重建；
11、根据求解的权重矩阵w和用欠采样数据构建的源数据矩阵s重建对应扫描操作中的目标数据矩阵t；
12、步骤五、辅助步骤，对比确认重建数据与全采集数据的误差。
13、本专利技术的进一步技术改进在于：惩罚函数为lc＝diag(pf(p))，lc表示对源数据矩阵s内数据点的惩罚函数，且lc为广义对角矩阵；其中，数c表示每次更换目标数据点选择不同的惩罚函数，p为人为设置的度量距离，pf(p)为由p决定的惩罚值。
14、本专利技术的进一步技术改进在于：在步骤三中，构建源数据矩阵s和目标数据矩阵t的操作具体包括：kernel块作为一个移动框在acs数据矩阵中移动n个这样大小的块，则将得到n个块数据矩阵；
15、将每个kernel块中的源数据一维展开得到源数据矩阵s的一行,同理，将kernel块中的目标数据一维展开得到目标数据矩阵t的一行，合并得到整个源数据矩阵s和目标数据矩阵t。
16、本专利技术的进一步技术改进在于：步骤三中所述权重矩阵的构建包括：
17、将grappa技术下采集的欠采样数据集与acs数据集进行拟合，拟合模型为：
18、其中，左侧ky-mδky表示目标数据点，右侧ky-baδky表示源数据点，a表示加速因子，nb表示重建过程中使用的kernel块的数量，n(j，b，l，m)表示在这个扩展的线性组合中使用的权重组合，j表示待求解线圈的编号索引，b表示kernel块的编号索引，m表示块内待求解点的编号索引，l表示所用线圈的编号索引；
19、上述的n(j，b，l，m)表示在这个扩展的线性组合中使用的权重组合整合构建为权重矩阵w。
20、本专利技术的进一步技术改进在于：源数据矩阵s、目标数据矩阵t与权重矩阵之间的矩阵表达为
21、根据kernel块中不同位置的数据对重建的t矩阵中数据点的贡献值不同，上述矩阵表达转化为
22、其中，tin表示t矩阵中第n个通道第i个数据点，grin(p)表示对求解数据点对应的权重，r表示距离约束；
23、引入惩罚函数，对目标数据点和其他所有源数据点的相对位置进行优化，具体为：
24、从而重建得到距离约束后的t矩阵。
25、本专利技术的进一步技术改进在于：源数据与目标点数据相对位置的距离r小于p时，则令pf(p)＝λn；
26、当源数据与目标点数据相对位置的距离r不小于p时，则令pf(p)＝λn+an。
27、本专利技术的进一步技术改进在于：惩罚值的大小正相关于源数据与目标数据之间间隔距离。
28、与现有技术相比，本专利技术具备以下有益效果：
29、本专利技术引入了针对不同数据点的惩罚函数，对于远离目标数据点的源数据点设置更高的惩罚值，对不同位置的源数据点进行相对位置差异的补偿，使预测值更准确，同时引入关于相对位置的惩罚函数，不再是计算整体的权重矩阵，对每个目标数据点要单独计算，使结果更加贴近真实；
30、相较于原始grappa技术，本方法有更高的结构相似性,用于评估两幅图像相似度的指标,常用于衡量图像失真前与失真后的相似性,也用于衡量模型生成图像的真实性。
本文档来自技高网...【技术保护点】
1.一种基于距离约束的自校准部分采集的并行成像方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，所述惩罚函数为LC＝diag(PF(p))，LC表示对源数据矩阵S内数据点的惩罚函数，且LC为广义对角矩阵；其中，数c表示每次更换目标数据点选择不同的惩罚函数，p为人为设置的度量距离，PF(p)为由p决定的惩罚值。
3.根据权利要求1所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，在步骤三中，构建源数据矩阵S和目标数据矩阵T的操作具体包括：Kernel块作为一个移动框在ACS数据矩阵中移动N个这样大小的块，则将得到N个块数据矩阵；
4.根据权利要求2所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，步骤三中所述权重矩阵的构建包括：
5.根据权利要求4所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，所述源数据矩阵S、目标数据矩阵T与权重矩阵之间的矩阵表达为
6.根据权利要求5所述的一种基于距离约束的自校准部分采
7.根据权利要求6所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，所述惩罚值的大小正相关于源数据与目标数据之间间隔距离。
...【技术特征摘要】
1.一种基于距离约束的自校准部分采集的并行成像方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，所述惩罚函数为lc＝diag(pf(p))，lc表示对源数据矩阵s内数据点的惩罚函数，且lc为广义对角矩阵；其中，数c表示每次更换目标数据点选择不同的惩罚函数，p为人为设置的度量距离，pf(p)为由p决定的惩罚值。
3.根据权利要求1所述的一种基于距离约束的自校准部分采集的并行成像方法，其特征在于，在步骤三中，构建源数据矩阵s和目标数据矩阵t的操作具体包括：kernel块作为一个移动框在acs数据矩阵中移动n个这样大小的块，则将得...
【专利技术属性】
技术研发人员：林凯文，周建太，张华彬，胡姣姣，何睦，罗鹏辉，
申请(专利权)人：安徽福晴医疗装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。