CN102217934A - 磁共振成像方法及系统 - Google Patents

Abstract

一种磁共振成像方法，包括以下步骤：进行采样得到导航数据和动态图像数据；通过对所述导航数据进行鲁棒主成分分析提取时间基函数；根据所述时间基函数和动态图像数据进行预测得到空间基函数；由所述时间基函数和空间基函数进行插值恢复信号数据；对恢复的信号数据进行傅里叶逆变换得到磁共振图像。上述磁共振成像方法及系统对时间基函数和动态图像通过正则化方法进行拟合得到空间基函数，即使动态图像受到了噪声的污染，预测所得到的空间基函数也不会发生波动，不会受到噪声的影响，图像信噪比显著提高，进一步提高了拟合的准确性和图像重建的质量。

Description

磁共振成像方法及系统

【技术领域】

本发明涉及磁共振技术，特别是涉及一种磁共振成像方法及系统。

【背景技术】

磁共振成像由于具有非常好的软组织分辨力、可进行多方位多参数地成像，并且对患者不会产生辐射损害的优势被广泛应用于临床中。但是，磁共振的成像速度慢，在磁共振的动态成像中常常产生严重的运动伪影，极大地降低了图像质量，从而影响临床诊断，严重地限制了磁共振成像在心脏、冠状动脉等运动器官和神经功能影像等领域中的应用。

为实现高分辨率的动态磁共振成像，传统的磁共振成像方法大致可分为快速扫描成像方法、并行成像方法以及基于模型的成像方法。快速扫描成像方法是利用快速序列来实现的，例如，快速序列可以是回波平面成像序列(Echo Planar Imaging，EPI)，利用回波平面成像序列通过一次射频激发即可采集所有的数据，整个扫描过程可以在20毫秒至100毫秒内完成，成像速度较高但对噪声以及磁场不均匀性等因素较为敏感。

并行成像方法是利用多通道的相控阵线圈空间信息取代梯度编码信息，多个接收线圈单元同时进行欠采样，结合线圈的空间灵敏度信息和欠采样数据重建出无混叠的磁共振图像，整个成像过程中每个线圈单元需要采集的信号数量大大减少，成像扫描时间也相应减少，但是在进行采样的过程中常常存在着噪声的放大。

基于模型的成像方法是利用成像过程中原始数据的冗余来进行稀疏采样，然后根据采集到的少量原始数据结合特定的重建方法来得到图像。在基于模型的成像方法中，基于部分可分离函数理论(Partially Separable Functions，PSF)的成像方法是针对运动物体进行扫描成像，因此适宜用于动态成像中，但是在进行拟合的过程中对噪声非常敏感，鲁棒性差，且噪声是在采集过程中无法避免的，因而利用传统的基于部分可分离函数理论重建出的图像质量不高，严重地限制了基于部分可分离函数理论的成像方法在动态磁共振成像中的应用。

【发明内容】

基于此，有必要提供一种可降低噪声影响的磁共振成像方法。

此外，还有必要提供一种可降低噪声影响的磁共振成像系统。

一种磁共振成像方法，包括以下步骤：

进行采样得到导航数据和动态图像数据；

通过对所述导航数据进行鲁棒主成分分析提取时间基函数；

根据所述时间基函数和动态图像数据进行预测得到空间基函数；

由所述时间基函数和空间基函数进行插值恢复信号数据；

对恢复的信号数据进行傅里叶逆变换得到磁共振图像。

优选地，进行采样的每一条相位编码线的中重复时间满足所述导航数据的时间奈奎斯特速率，相位编码方向采样间隔满足空间奈奎斯特速率，从所述动态图像数据中获取的采样帧数在频率成像参数的经验值以上。

优选地，所述通过对所述导航数据进行鲁棒主成分分析提取时间基函数的步骤为：

从所述导航数据中抽取导航数据矩阵；

通过凸优化从所述导航数据矩阵中恢复出真实导航矩阵；

对所述真实导航矩阵进行奇异值分解得到所述真实导航矩阵的左特征向量，并估计频率成分参数；

按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。

优选地，所述根据所述时间基函数和动态图像函数进行预测得到空间基函数的步骤为：

对时间基函数和动态图像函数通过正则化方法进行拟合得到空间基函数。

优选地，所述正则化方法为修正的截断奇异值分解正则化方法。

一种磁共振成像系统，至少包括：

采集装置，用于进行采样得到导航数据和动态图像数据；

导航数据处理装置，用于通过对导航数据进行鲁棒主成分分析提取时间基函数；

动态数据处理装置，用于根据所述时间基函数和动态图像数据进行预测得到空间基函数；

图像重建装置，用于由所述时间基函数和空间基函数进行插值恢复信号数据，并对恢复的信号数据进行傅里叶逆变换得到磁共振图像。

优选地，所述采集装置在进行采样的过程中每一条相位编码线的的重复时间满足所述导航数据的时间奈奎斯特速率，相位编码方向采样间隔满足空间奈奎斯特速率，从所述动态图像数据中获取的采样帧数在频率成像参数的经验值以上。

优选地，所述导航数据处理装置包括：

抽取单元，用于从所述导航数据中抽取导航数据矩阵；

优化单元，用于通过凸优化从所述导航数据矩阵中恢复出真实导航矩阵；

计算单元，用于对所述真实导航矩阵进行奇异值分解得到所述真实导航矩阵的左特征向量，并估计成分参数，按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。

优选地，所述动态数据处理装置对时间基函数和动态图数据通过正则化方法进行拟合得到空间基函数。

优选地，所述正则化方法为修正的截断奇异值分解正则化方法。上述磁共振成像方法及系统通过对导航数据进行鲁棒主成分分析提取时间基函数，从被噪声污染了的导航数据中通过对噪声不敏感的鲁棒性成分分析方法提取出时间基函数，极大地降低了噪声的影响，从而提高提取到的时间基函数、空间基函数的准确性和图像重建的质量。

上述磁共振成像方法及系统对时间基函数和动态图像通过正则化方法进行拟合得到空间基函数，即使动态图像受到了噪声的污染，预测得到的空间基函数也不会发生波动，减少噪声的影响，图像信噪比显著提高，进一步提高了拟合的准确性和图像重建的质量。

【附图说明】

图1为一个实施例中磁共振成像方法的流程图；

图2为图1中进行采样的示意图；

图3为图1中通过对导航数据进行鲁棒主成分分析提取时间基函数的步骤流程图；

图4为一个实施例中磁共振成像系统的结构示意图；

图5为图4中导航数据处理装置的结构示意图；

图6a为一个实施例中通过传统的磁共振成像方法所得到的图像；

图6b为图6a中通过传统的磁共振成像方法所得到的下一帧图像；

图6c为与图6a对应的通过磁共振成像方法所得到的磁共振图像；

图6d为与图6b对应的通过磁共振成像方法所得到的磁共振图像；

图7为图像的信噪比曲线对比图；

图8a为另一个实施例中通过传统的磁共振成像方法所得到的图像；

图8b为通过传统的磁共振成像方法得到的连续多帧图像随时间的演变图；

图8c为与图8a对应的通过磁共振成像方法所得到的磁共振图像；

图8d为与图8c对应的通过传统的磁共振成像方法得到的连续多帧图像随时间的演变图。

【具体实施方式】

图1示出了一个实施例中的磁共振成像方法，包括以下步骤：

步骤S101，进行采样得到导航数据和动态图像数据。本实施例中，根据导航激励协议(Navigator Excitation Protocol)采集两个互补的数据集，即高空间分辨率低时间分辨率的动态图像数据和高时间分辨率低空间分辨率的导航数据。

在运动物体的磁共振动态成像中，考虑到傅里叶成像，实际接收的信号数据S(k，t)和图像函数ρ(r，t)的关系如以下公式所示：

$S(k,t)={\∫}_{-\∞}^{+\∞}\mathrm{\ρ}(r,t)e^{-i2\mathrm{\πk}\·r}\mathrm{dr}---\left(1\right)$

其中，实际接收的信号数据S(k，t)在被采集的过程中存在着噪声的污染，并且受到主磁场强度、梯度场切换速率等实际因素的限制，图像函数ρ(r，t)难以精确地测定，因而在动态磁共振成像中只能尽量高分辨率地恢复出图像函数ρ(r，t)。然而根据传统的奈奎斯特征(Nyquist)采样定理中需要进行稠密采样，需要采集的数据量随着物理维数的增加而指数增长，造成了空间分辨率和时间分辨率的矛盾，若得到高空间分辨率的图像函数ρ(r，t)，则需要牺牲时间分辨率，若提高图像函数ρ(r，t)的时间分辨率，则空间分辨率将会降低，两者不可能同时达到高分辨率，而为了解决这一矛盾，如图2所示，可进行高稀疏采样得到导航数据S_nav(k，t)和动态图像数据S_img(k，t)。进行采样的每一条相位编码线的中重复时间T_R满足导航数据(Navigator data)的时间奈奎斯特速率，相位编码方向采样间隔Δk_y满足空间奈奎斯特速率，从动态图像数据(Image data)中获取的采样帧数N在频率成像参数的经验值以上。

频率成像参数的经验值是在运动器官成像中的经验值，例如，在心脏成像中，频率成像参数的经验值通常是16，则可以将采样帧数设定为40至50。

步骤S103，通过对导航数据进行鲁棒主成分分析提取时间基函数。本实施例中，根据部分可分离函数模型，可认为图像函数ρ(r，t)的空间变化和时间变化是L阶可分离的，因此利用部分可分离函数的性质和傅里叶变换的线性特性，实际接收的信号数据S(k，t)可以表示为空间基函数c_l(k)和时间基函数

这两个独立变量函数之和：

通过公式(2)将实际接收的信号数据在时间空间联合维度中的复杂运动转化为空间每一点的信号随时间变化的问题。

为准确估计时间基函数，通过鲁棒主成分分析(Robust Principal Component Analysis，简称RPCA)的方式从被噪声污染的导航数据中提取出时间基函数。

在一个具体的实施例中，如图3所示，通过对导航数据进行鲁棒主成分分析提取时间基函数的步骤为：

步骤S113，从导航数据中抽取导航数据矩阵。本实施例中，将采集到的导航数据抽取成导航数据矩阵：

由于采样过程中不可避免地受到噪声的影响，在公式(3)中的导航数据矩阵中包含了噪声矩阵和真实导航矩阵。

步骤S133，通过凸优化从导航数据矩阵中恢复出真实导航矩阵。本实施例中，为排除噪声矩阵的影响，如以下公式所示，可通过求解凸优化问题来恢复出真实导航矩阵：

$\underset{C_r,E}{\min }\left|\right|C_r|{|}_{*}+\mathrm{\λ}{\left|E\right|}_1$ subject to  C＝C_r+E    (4)

其中，C_r是待恢复的真实导航矩阵，E为噪声矩阵，|| ||_*为一个矩阵的核范数，||₁代表该矩阵的一范数，λ为非负权重参数。

为求解上述优化问题，可通过临近梯度法(Proximal Gradient Approach)、对偶法(dual approach)等数值方法进行求解。在一个具体的实施例中，利用临近梯度法求解公式(4)的过程可以描述为：

$\underset{A,E}{\min }\mathrm{\μ}{\left|\right|C_r\left|\right|}_{*}+\mathrm{\μ\λ}{\left|E\right|}_1+\frac{1}{2}{\left|\right|C-C_r-E\left|\right|}_F^2---\left(5\right)$

其中，定义

为等同限制惩罚函数，|| ||_F为矩阵Frobenius范数。

步骤S153，对真实导航矩阵进行奇异值分解得到真实导航矩阵的左特征向量，并估计频率成分参数。本实施例中，在求解出真实导航矩阵之后，对真实导航矩阵进行奇异分解：

$C_r=\underset{l}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H---\left(6\right)$

其中，{λ_l}为C_r的按照降序排列的奇异值，{μ_l}和{v_l}是C_r的左特征向量和右特征向量。

根据真实导航矩阵C_r估计出频率成分参数L的值。例如，频率成分参数可通过以下方式估计得到：

${\left|\right|C_r-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H\left|\right|}_2=\underset{\mathrm{rank}\left(B\right)\≤L}{\min }{\left|\right|C_r-B\left|\right|}_2={\mathrm{\λ}}_{L+1}---\left(7\right)$

或

${\left|\right|C_r-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H\left|\right|}_F=\underset{\mathrm{rank}\left(B\right)\≤L}{\min }{\left|\right|C_r-B\left|\right|}_F=\sqrt{\underset{l=L+1}{\overset{\min \{N,Q\}}{\mathrm{\Σ}}}{\mathrm{\λ}}_l}---\left(8\right)$

也可以根据真实导航矩阵C_r和噪声矩阵E估计得到。

步骤S173，按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。

步骤S105，根据时间基函数和动态图像数据进行预测得到空间基函数。本实施例中，对时间基函数和动态图像函数组成的超定方程组问题通过正则化方法进行拟合得到空间基函数。如以下公式所示，可利用已经得到的时间基函数和采集到的动态图像数据来预测空间基函数。

其中，

为时间基函数(l＝1，2，...，L；n＝1，2...，N)，为空间基函数，

为动态图像数据(p＝1，2，...，P；n＝1，2...，N)。上式可简写为：

${\mathrm{\Φ}}_p{\stackrel{\→}{c}}_p=s_p---\left(10\right)$

由于采样过程中的采样帧数在频率成像参数的经验值以上，该经验值是大于频率成分参数的，因此公式(10)为超定线性方程组。为避免公式(10)中等号左边或右边的矩阵受到噪声污染而发生较大波动，从而解出的空间基函数与理想值之间发生非常大的偏离，采用鲁棒性更好的正则化方法(regularization)来进行拟合。

正则化方法为工程中求解病态问题的稳态解的方法。在严格的数学意义上，通常不可能对病态问题进行求解并得到准确解答。但是，可以通过使用先验知识来得到一个接近准确答案的解答。正则化方法是利用一族与原不适定问题相“邻近”的适定问题的解去逼近原问题的解。正则化方法有基于变分原理的Tikhonov正则化、各种迭代方法以及其它的一些改进方法，都可用于求解出空间基函数。

在优选的实施例中，正则化方法为修正的截断奇异值分解正则化方法，可描述为：

$\min {\left|\right|R{\stackrel{\→}{c}}_p\left|\right|}_2\mathrm{subjectto}\min {\left|\right|{\mathrm{\Φ}}_p^k{\stackrel{\→}{c}}_p-s_p\left|\right|}_2---\left(11\right)$

其中，R为广义奇民值分解中的微分操作子矩阵，为对Φ_p进行截断奇异值分解的k阶低秩矩阵，通过改变矩阵R，稳态解的属性可以得到控制。

步骤S107，由时间基函数和空间基函数进行插值恢复信号数据。本实施例中，根据时间基函数和空间基函数进行高时间分辨率高空间分辨率覆盖密度的插值恢复，从而恢复出高时间分辨率高空间分辨率的全部信号数据。

步骤S109，对恢复的信号数据进行傅里叶逆变换得到磁共振图像。本实施例中，对恢复出的高时间分辨率高空间分辨率的全部信号数据进行傅里叶逆变换(Inverse Fourier Transformation，简称IFT)得到高时间分辨率高空间分辨率的磁共振图像。

图4示出了一个实施例中的磁共振成像系统，至少包括采集装置10、导航数据处理装置30、动态数据处理装置50以及图像重建装置70。

采集装置10，用于进行采样得到导航数据和动态图像数据。本实施例中，采集装置10根据导航激励协议采集两个互补的数据集，即高空间分辨率低时间分辨率的动态图像数据和高时间分辨率低空间分辨率的导航数据。

在运动物体的磁共振动态成像中，考虑到傅里叶成像，实际接收的信号数据S(k，t)和图像函数ρ(r，t)的关系如以下公式所示：

$S(k,t)={\∫}_{-\∞}^{+\∞}\mathrm{\ρ}(r,t)e^{-i2\mathrm{\πk}\·r}\mathrm{dr}$

采集装置10在进行采样的过程中每一条相位编码线的的重复时间满足导航数据的时间奈奎斯特速率，相位编码方向采样间隔满足空间奈奎斯特速率，从动态图像数据中获取的采样帧数在频率成像参数的经验值以上。频率成像参数的经验值是在运动器官成像中的经验值，例如，在心脏成像中，频率成像参数的经验值通常是16，则可以将采样帧数设定为40至50。

导航数据处理装置30，用于通过对导航数据进行鲁棒主成分分析提取时间基函数。本实施例中，为准确估计时间基函数，导航数据处理装置30通过鲁棒主成分分析的方式从被噪声污染的导航数据中提取出时间基函数。

动态数据处理装置50，用于根据时间基函数和动态图像数据进行预测得到空间基函数。本实施例中，动态数据处理装置50对时间基函数和动态图像数据组成的超定方程组问题通过正则化方法进行拟合得到空间基函数。

为避免受到噪声污染而发生较大波动，从而解出的空间基函数与理想值之间发生非常大的偏离，动态数据处理装置50采用鲁棒性更好的正则化方法来进行拟合。正则化方法为工程中求解病态问题的稳态解的方法。在严格的数学意义上，通常不可能对病态问题进行求解并得到准确解答。但是，可以通过使用先验知识来得到一个接近准确答案的解答。正则化方法是利用一族与原不适定问题相“邻近”的适定问题的解去逼近原问题的解。正则化方法有基于变分原理的Tikhonov正则化、各种迭代方法以及其它的一些改进方法，都可用于求解出空间基函数。

在优选的实施例中，正则化方法为修正的截断奇异值分解正则化方法，可描述为：

$\min {\left|\right|R{\stackrel{\→}{c}}_p\left|\right|}_2\mathrm{subjectto}\min {\left|\right|{\mathrm{\Φ}}_p^k{\stackrel{\→}{c}}_p-s_p\left|\right|}_2$

其中，R为广义奇民值分解中的微分操作子矩阵，

为对Φ_p进行截断奇异值分解的k阶低秩矩阵，通过改变矩阵R，稳态解的属性可以得到控制。

图像重建装置70，用于由时间基函数和空间基函数进行插值恢复信号数据，并对恢复的信号数据进行傅里叶逆变换得到磁共振图像。本实施例中，图像重建装置70根据时间基函数和空间基函数进行高时间分辨率高空间分辨率覆盖密度的插值恢复，从而恢复出高时间分辨率高空间分辨率的全部信号数据。对恢复出的高时间分辨率高空间分辨率的全部信号数据进行傅里叶逆变换得到高时间分辨率高空间分辨率的磁共振图像。

在一个具体的实施例中，如图5所示，导航数据处理装置30包括抽取单元301、优化单元303以及计算单元305。

抽取单元301，用于从导航数据中抽取导航数据矩阵。本实施例中，抽取单元301将采集到的导航数据抽取成导航数据矩阵：

由于采样过程中不可避免地受到噪声的影响，导航数据矩阵中包含了噪声矩阵和真实导航矩阵。

优化单元303，用于通过凸优化从导航数据矩阵中恢复出真实导航矩阵。本实施例中，为排除噪声矩阵的影响，优化单元303可通过求解凸优化问题来恢复出真实导航矩阵：

$\underset{C_r,E}{\min }\left|\right|C_r|{|}_{*}+\mathrm{\λ}{\left|E\right|}_1\mathrm{subjecttoC}=C_r+E$

其中，C_r是待恢复的真实导航矩阵，E为噪声矩阵，|| ||_*为一个矩阵的核范数，||₁代表该矩阵的一范数，λ为非负权重参数。

为求解上述优化问题，优化单元303可通过临近梯度法(Proximal Gradient Approach)、对偶法(dual approach)等数值方法进行求解。在一个具体的实施例中，优化单元303利用临近梯度法求解，其过程可以描述为：

$\underset{A,E}{\min }\mathrm{\μ}{\left|\right|C_r\left|\right|}_{*}+\mathrm{\μ\λ}{\left|E\right|}_1+\frac{1}{2}{\left|\right|C-C_r-E\left|\right|}_F^2---\left(5\right)$

其中，定义为等同限制惩罚函数，|| ||_F为矩阵Frobenius范数。

计算单元305，用于对真实导航矩阵进行奇异值分解得到真实导航矩阵的左特征向量，并估计出成分参数，按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。本实施例中，在求解出真实导航矩阵之后，计算单元305对真实导航矩阵进行奇异分解：

$C_r=\underset{l}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H$

其中，{λ_l}为C_r的按照降序排列的奇异值，{μ_l}和{v_l}是C_r的左特征向量和右特征向量。

计算单元305根据真实导航矩阵C_r估计出频率成分参数L的值。例如，频率成分参数可通过以下方式估计得到：

${\left|\right|C_r-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H\left|\right|}_2=\underset{\mathrm{rank}\left(B\right)\≤L}{\min }{\left|\right|C_r-B\left|\right|}_2={\mathrm{\λ}}_{L+1}---\left(7\right)$

或

${\left|\right|C_r-\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\λ}}_l{\mathrm{\μ}}_l{v}_l^H\left|\right|}_F=\underset{\mathrm{rank}\left(B\right)\≤L}{\min }{\left|\right|C_r-B\left|\right|}_F=\sqrt{\underset{l=L+1}{\overset{\min \{N,Q\}}{\mathrm{\Σ}}}{\mathrm{\λ}}_l}---\left(8\right)$

也可以根据真实导航矩阵C_r和噪声矩阵E估计得到。

下面通过具体的磁共振图像来证实上述磁共振成像方法及系统的成像效果，图6a和6b是通过传统的磁共振成像方法所得到的两帧图像，图6c和图6d是通过上述磁共振成像方法及系统得到的对应两帧磁共振图像，经过对比可以看出图6c和和图6d中的伪影减少了，并且对于这两帧连续的图像中连续帧之间图像随时间演变的平滑性得到了改善。

图7示出了一个实施例中信噪比曲线对比，传统的磁共振方法所得到的图像信噪比远大于由上述磁共振成像方法所得到的图像信噪比。

图8b和图8d是连续多帧图像随时间演变的结果，其中每一列代表贯穿心脏的一条竖直线，竖直轴为图像y轴纬度，水平轴为时间维度。由图8a、图8b和图8c、图8d相比较，可以看出一系列连续帧之间图像随时间演变的平滑性得到了显著地改善。

上述磁共振成像方法及系统通过对导航数据进行鲁棒主成分分析提取时间基函数，从被噪声污染了的导航数据中通过对噪声不敏感的鲁棒性成分分析方法提取出时间基函数，极大地降低了噪声的影响，从而提高提取到的时间基函数、空间基函数的准确性和图像重建的质量。

上述磁共振成像方法及系统对时间基函数和动态图像通过正则化方法进行拟合得到空间基函数，即使动态图像受到了噪声的污染，预测得到的空间基函数也不会发生波动，不会受到噪声的影响，图像信噪比显著提高，进一步提高了拟合的准确性和图像重建的质量。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种磁共振成像方法，包括以下步骤：

进行采样得到导航数据和动态图像数据；

通过对所述导航数据进行鲁棒主成分分析提取时间基函数；

根据所述时间基函数和动态图像数据进行预测得到空间基函数；

由所述时间基函数和空间基函数进行插值恢复信号数据；

对恢复的信号数据进行傅里叶逆变换得到磁共振图像。

2.根据权利要求1所述的磁共振成像方法，其特征在于，进行采样的每一条相位编码线的重复时间满足所述导航数据的时间奈奎斯特速率，相位编码方向采样间隔满足空间奈奎斯特速率，从所述动态图像数据中获取的采样帧数在频率成像参数的经验值以上。

3.根据权利要求1所述的磁共振成像方法，其特征在于，所述通过对所述导航数据进行鲁棒主成分分析提取时间基函数的步骤为：

从所述导航数据中抽取导航数据矩阵；

通过凸优化从所述导航数据矩阵中恢复出真实导航矩阵；

对所述真实导航矩阵进行奇异值分解得到所述真实导航矩阵的左特征向量，并估计频率成分参数；

按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。

4.根据权利要求1所述的磁共振成像方法，其特征在于，所述根据所述时间基函数和动态图像函数进行预测得到空间基函数的步骤为：

对时间基函数和动态图像函数组成的超定方程组问题通过正则化方法进行拟合得到空间基函数。

5.根据权利要求4所述的磁共振成像方法，其特征在于，所述正则化方法为修正的截断奇异值分解正则化方法。

6.一种磁共振成像系统，其特征在于，至少包括：

采集装置，用于进行采样得到导航数据和动态图像数据；

导航数据处理装置，用于通过对导航数据进行鲁棒主成分分析提取时间基函数；

动态数据处理装置，用于根据所述时间基函数和动态图像数据进行预测得到空间基函数；

图像重建装置，用于由所述时间基函数和空间基函数进行插值恢复信号数据，并对恢复的信号数据进行傅里叶逆变换得到磁共振图像。

7.根据权利要求6所述的磁共振成像系统，其特征在于，所述采集装置在进行采样的过程中每一条相位编码线的的重复时间满足所述导航数据的时间奈奎斯特速率，相位编码方向采样间隔满足空间奈奎斯特速率，从所述动态图像数据中获取的采样帧数在频率成像参数的经验值以上。

8.根据权利要求6所述的磁共振成像系统，其特征在于，所述导航数据处理装置包括：

抽取单元，用于从所述导航数据中抽取导航数据矩阵；

优化单元，用于通过凸优化从所述导航数据矩阵中恢复出真实导航矩阵；

计算单元，用于对所述真实导航矩阵进行奇异值分解得到所述真实导航矩阵的左特征向量，并估计成分参数，按照由大到小的顺序依次取频率成分参数个左特征向量作为时间基函数。

9.根据权利要求6所述的磁共振成像系统，其特征在于，所述动态数据处理装置对时间基函数和动态图数据组成的超定方程组问题通过正则化方法进行拟合得到空间基函数。

10.根据权利要求9所述的磁共振成像系统，其特征在于，所述正则化方法为修正的截断奇异值分解正则化方法。

Images