CN103076583B - 磁共振快速成像方法和系统 - Google Patents

Abstract

本发明提供了一种磁共振快速成像方法和系统。所述方法包括：目标图像表示为基于参考图像的图像信息与残余图像信息之和；依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息；利用并行成像获得残余的图像信息；通过所述多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示；联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。采用本发明能够在保证重建图像质量的同时提高成像速度；在相同的欠采样率的情况下，改善重建质量。

Description

磁共振快速成像方法和系统

技术领域

本发明涉及成像技术，特别是涉及一种磁共振快速成像方法和系统。

背景技术

随着磁共振成像技术的发展，磁共振成像的速度将影响着磁共振成像技术的实际应用。压缩感知成像技术和并行成像技术是两种最为主要的加速磁共振成像的方案。其中，压缩感知成像技术是利用磁共振图像的稀疏性，通过欠采样的K空间数据重建图像，磁共振并行成像技术是通过多通道相控阵列线圈同时采集数据，并利用各线圈不同的敏感度将空间质子密度信息编码到采样数据中。

然而，对于压缩感知成像技术而言，磁共振图像往往只是高度可压缩的，而并非严格稀疏的，这种稀疏性不足的状况将会导致重建的图像中产生不连续的伪影，从而大大限制了压缩感知成像技术的应用。

对于并行成像技术而言，随着接收线圈个数的增加，各线圈的敏感度场将高度相关。这一特性将会放大采样数据中的噪声，限制并行成像技术在实际磁共振成像应用中的加速效果。

发明内容

基于此，有必要提供一种能在保证重建图像质量的同时提高成像速度的磁共振快速成像方法。

此外，还有必要提供一种能在保证重建图像质量的同时提高成像速度的磁共振快速成像系统。

一种磁共振快速成像方法，包括如下步骤：

目标图像表示为基于参考图像的图像信息与残余图像信息之和；

依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息；

利用并行成像获得残余图像信息；

通过所述多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示；

联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

在其中一个实施例中，所述通过参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息的步骤为：

根据参考先验信息构建基函数；

联合估计多线圈模型系数，进而得到所述构建的图像模型所表示的基于参考图像的图像信息。

在其中一个实施例中，所述通过并行成像获得残余图像信息的步骤为：

通过多通道相控阵列线圈进行并行采样得到与所述基于参考图像的图像信息相匹配的残余图像信息。

在其中一个实施例中，所述目标图像重建的步骤为：

依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程；

并采用基于凸集投影的迭代算法进行求解。

一种磁共振快速成像系统，包括：

目标图像定义模块，用于将目标图像表示为基于参考图像的图像信息与残余图像之和；

图像模型处理模块，用于依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息；

并行成像模块，用于进行并行成像得到残余图像信息；

稀疏表示模块，用于通过所述多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示；

重建模块，用于联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

在其中一个实施例中，所述图像模型处理模块包括：

构建单元，用于根据参考先验信息构建基函数；

估计单元，用于估计多线圈模型系数，进而得到所述图像模型所表示的基于参考图像的图像信息。

在其中一个实施例中，所述并行成像模块用于通过多通道相控阵列线圈进行并行采样，得到与所述基于参考图像的图像信息相匹配的残余图像信息。

在其中一个实施例中，所述重建模块包括：

构建单元，用于依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程。

求解单元，用于通过基于凸集投影的迭代算法进行求解。

上述磁共振快速成像方法和系统，将参考先验信息引入磁共振的快速成像中，通过参考先验信息构建图像模型，以捕获得到基于参考图像的图像信息，通过并行成像得到残余图像信息，并联合利用图像模型、并行成像和目标函数增强的稀疏性进行图像重建。由于并行成像技术仅用于重建残余图像信息，残余图像较好的空间稀疏性有效地缓解了并行成像系统的病态特性，减轻了并行成像过程中噪声的放大现象，进而能够在保证重建图像质量的同时提高成像速度。

附图说明

图1为一个实施例中磁共振快速成像方法的流程图；

图2为图1中通过参考先验信息构建图像模型，并通过图像模型捕获基于参考图像的图像信息的方法流程图；

图3为图1中联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像的方法流程图；

图4为一个实施例中磁共振快速成像系统的结构示意图；

图5为一个实施例中图像模型处理模块的结构示意图；

图6为一个实施例中重建模块的结构示意图；

图7为一个磁共振成像实验的重建结果对比图。

具体实施方式

如图1所示，在一个实施例中，一种磁共振快速成像方法，包括如下步骤：

步骤S110，将目标图像表示为基于参考图像的图像信息与残余图像信息之和。

步骤S130，依据参考先验信息构建图像模型，并通过图像模型捕获基于参考图像的图像信息。

在一个实施例中，参考先验信息是可以预先扫描得到的。例如，在脑部动态对比度增强磁共振成像实验中，在注射对比介质之前，可以预先对脑部进行二维静态成像，所得到的参考图像即可作为参考先验信息。类似的成像应用还包括介入式成像、心脏电影成像、多对比度扫描等。

本实施例中，图像模型（Generalized Series模型）能够有效地获取与参考图像之间变化光滑的信息部分（低频部分）。在并行成像中，Generalized Series（GS）模型可以用来表示基于参考图像的多线圈图像函数信息，即其中，r表示空间坐标，α_n(j)表示第j个线圈的模型系数，M表示K空间中心区域Nyquist采样点的个数,表示图像模型的基函数。

如图2所示，在一个实施例中，上述步骤S130的具体过程为：

步骤S131，依据参考先验信息运算得到基函数。

本实施例中，由于基函数包括了一系列线圈敏感度加权的参考先验信息，因此，可通过公式计算得到用于构建图像模型的基函数，其中，ρ_REF(r,j)为参考图像信息，Δk为K空间Nyquist采样间隔。

步骤S133，估计多线圈模型系数，进而得到图像模型所表示的基于参考图像的图像信息。

本实施例中，由重建模型可知，为运用并行成像技术重建残余图像信息，应当先对多线圈模型系数的初始值进行估计。详细过程如以下公式所示，采用多线圈系数联合的形式对K空间中心区域进行运算，以得到多线圈模型系数：

${\mathrm{\α}}_{\mathrm{GS}}=\underset{{\mathrm{\α}}_{\mathrm{GS}}}{\arg \min }{\left|\right|D_g{\mathrm{F\Φ}}_{\mathrm{GS}}{\mathrm{\α}}_{\mathrm{GS}}-y_g\left|\right|}_2^2$

其中，α_GS表示由多线圈模型系数构成的向量，Φ_GS表示实现由图像模型系数映射到图像函数的矩阵变换，D_g表示选取K空间中心区域的采样模式，y_g表示K空间中心区域的数据。

步骤S150，通过并行成像获得残余图像信息。

在一个实施例中，并行成像技术主要分为两类，一类是显性运用线圈敏感度的方法，例如，SENSE（Sensitivity Encoding）等；另一类是利用多线圈K空间数据相关性的方法，例如，GRAPPA（Generalized autocalibrating partially parallelacquisitions）和SPIRiT（Self-consistent parallel imaging reconstruction）等。对于第一类方法，由于需要预先进行线圈敏感度函数的估计，因此难以应用于某些具体应用场合中，而第二类方法则是认为多线圈K空间数据之间是线性相关的，即任何一个K空间数据均可表示成其空间邻域内所有通道上数据的线性组合，组合权重仅取决于各数据与被拟合数据点的相对位置，其表达式为：

$s_j(k_x,k_y)=\underset{l=1}{\overset{N_c}{\mathrm{\Σ}}}\underset{m=-\frac{(b_x-1)}{2}}{\overset{\frac{(b_x-1)}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{(b_y-1)}{2}}{\overset{\frac{(b_y-1)}{2}}{\mathrm{\Σ}}}{w}_{j,l}^{*}(m,n)s_l(k_x+\mathrm{m\Δ}{k}_x,k_y+\mathrm{n\Δ}{k}_y)$

其中，s_j(k_x,k_y)表示第j个线圈在K空间位置(k_x,k_y)的数据，N_c表示相控阵列线圈的个数，b_x和b_y分别表示K空间域邻域沿x方向和y方向的大小，通常取奇数。例如当b_x和b_y都为7时，表示K空间内点的三邻域；w_j，l表示第l个线圈数据对第j个线圈数据的贡献权重，它仅与数据的相对位置(m,n)有关；Δk_x和Δk_y分别表示K空间沿x方向和y方向的采样间隔。GRAPPA方法假设未采样数据仅与其领域已采样的数据有关；SPIRiT方法则假设数据点与其邻域内所有的数据相关。

在一个实施例中，上述步骤S150的具体过程为：通过多通道相控阵列线圈进行并行采样，获取残余图像信息所对应的自校准（ACS，Auto-CalibrationSignal）线，计算组合权重；利用权重及欠采样数据恢复残余图像信息所对应的完整的K空间数据。

本实施例中，应用多通道相控阵列线圈同时采集数据，运用SPIRiT方法重建残余图像信息。该残余图像信息即是目标图像和Generalized Series模型所捕获的图像信息的差。

步骤S170，通过所述多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示。

步骤S190，联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

如图3所示，在一个实施例中，上述步骤S190的具体过程为：

步骤S191，依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程。

本实施例中，依据多线圈图像模型、并行成像、稀疏采样理论，联合估计图像模型系数和残余图像信息：

$({\mathrm{\α}}_{\mathrm{GS}};x)=\underset{{\mathrm{\α}}_{\mathrm{GS}},x}{\arg \min }{\left|\right|D({\mathrm{F\Φ}}_{\mathrm{GS}}{\mathrm{\α}}_{\mathrm{GS}}+x)-y\left|\right|}_2^2+{\mathrm{\λ}}_1{\left|\right|U(G_{\mathrm{resi}}-I)x\left|\right|}_2^2+{\mathrm{\λ}}_2(\mathrm{\μ}{\left|\right|{\mathrm{\α}}_{\mathrm{GS}}\left|\right|}_{\mathrm{1,2}}+{\left|\right|{\mathrm{\ΨF}}^{-1}x\left|\right|}_{\mathrm{1,2}})$

其中，y表示已采样数据，x表示残留图像对应的K空间数据，μ是一个预先设定的常数，用以控制图像模型所表示的基于参考图像的图像信息和残余图像部分的能量分布，λ₁和λ₂是正则化系数，U为二值矩阵点乘运算，用于消除多线圈模型系数引起的不一致性，D表示从整个K空间获得已采样数据的采样模式，运算符G_resi表示由残余图像信息的K空间ACS线估计的权重所对应的矩阵变换，Ψ为稀疏变换矩阵，I为单位对角阵，F为傅立叶变换矩阵。

步骤S193，通过基于凸集投影的迭代算法求解重建方程。

本实施例中，在得到重建模型之后，将通过基于凸集投影（project overconvex sets，简称POCS）的迭代算法来高效地对重建模型进行求解。

具体的，在重建模型的求解过程中，首先估计多线圈模型系数的初始值，并计算运行符G_resi ⁽⁰⁾和x⁽⁰⁾＝D^T(y-DFΦ_GSα_GS ⁽⁰⁾)，并将迭代次数设置为零，即k＝0，以实现初始化过程。x^(k)表示第k步迭代中x的值。

在完成了初始过程之后，将不断进行迭代运行，即：

1、Ux^(k+1)＝UG_resi ^(k)x^(k)；

$2,x^{(k+1)}=D_c^T{D}_c{x}^{(k+1)}+D^T(y-{\mathrm{DF\Φ}}_{\mathrm{GS}}{{\mathrm{\α}}_{\mathrm{GS}}}^{\left(k\right)});$

3、α_W ^(k)＝Ψ_WF^-1x^(k+1)；

4、[μ·α_GS ^(k+1);α_W ^(k+1)]＝JointSoftThresh([μ·α_GS ^(k);α_W ^(k)])；

$5,x^{(k+1)}=D_c^T{D}_c{\mathrm{F\Ψ}}_W^{-1}{{\mathrm{\α}}_W}^{(k+1)}+D^T(y-{\mathrm{DF\Φ}}_{\mathrm{GS}}{{\mathrm{\α}}_{\mathrm{GS}}}^{(k+1)});$

6、更新G_resi ^(k+1)k＝k+1。

其中，运算符D_c表示从整个K空间选取未采样的点，函数JointSoftThresh表示多通道联合软阀值滤波。

如图4所示，在一个实施例中，一种磁共振快速成像系统，包括目标图像定义模块110、图像模型处理模块130、并行成像模块150、稀疏表示模块170和重建模块190。

目标图像定义模块110，用于将目标图像表示为基于参考图像的图像信息与残余图像信息之和。

图像模型处理模块130，用于依据参考先验信息构建图像模型，并通过图像模型捕获基于参考图像的图像信息。

在一个实施例中，参考先验信息是可以预先扫描得到的。例如，在脑部动态对比度增强磁共振成像实验中，在注射对比介质之前，可以预先对脑部进行二维静态成像，所得到的参考图像即可作为参考先验信息。类似的成像应用还包括介入式成像、心脏电影成像、多对比度扫描等。

本实施例中，图像模型（Generalized Series模型）能够有效地获取与参考图像之间变化光滑的信息部分（低频部分）。在并行成像中，Generalized Series（GS）模型可以用来表示基于参考图像的多线圈图像函数信息，即其中，r表示空间坐标，α_n(j)表示第j个线圈的模型系数，M表示K空间中心区域Nyquist采样点的个数,表示图像模型的基函数。

如图5所示，在一个实施例中，上述图像模型处理模块130包括构建单元131和估计单元133。

构建单元131，用于依据参考先验信息计算得到基函数。

本实施例中，由于基函数包括了一系列线圈敏感度加权的参考先验信息，因此，可通过公式计算得到用于构建图像模型的基函数，其中，ρ_REF(r,j)为参考图像信息，Δk为K空间Nyquist采样间隔。

估计单元133，用于估计多线圈模型系数，进而得到图像模型所表示的基于参考图像的图像信息。

本实施例中，由重建模型可知，为运用并行成像技术重建残余图像信息，应当先对多线圈模型系数的初始值进行估计。详细过程如以下公式所示，采用多线圈系数联合的形式对K空间中心区域进行运算，以得到多线圈模型系数：

${\mathrm{\α}}_{\mathrm{GS}}=\underset{{\mathrm{\α}}_{\mathrm{GS}}}{\arg \min }{\left|\right|D_g{\mathrm{F\Φ}}_{\mathrm{GS}}{\mathrm{\α}}_{\mathrm{GS}}-y_g\left|\right|}_2^2$

其中，α_GS表示由多线圈模型系数构成的向量，Φ_GS表示实现由图像模型系数映射到图像函数的矩阵变换，D_g表示选取K空间中心区域的采样模式，y_g表示K空间中心区域的数据。

并行成像模块150，用于进行并行成像获得残余图像信息。

在一个实施例中，并行成像技术主要分为两类，一类是显性运用线圈敏感度的方法，例如，SENSE（Sensitivity Encoding）等；另一类是利用多线圈K空间数据相关性的方法，例如，GRAPPA（Generalized autocalibrating partially parallelacquisitions）和SPIRiT（Self-consistent parallel imaging reconstruction）等。对于第一类方法，由于需要预先进行线圈敏感度函数的估计，因此难以应用于某些具体应用场合中，而第二类方法则是认为多线圈K空间数据之间是线性相关的，即任何一个K空间数据均可表示成其空间邻域内所有通道上数据的线性组合，组合权重仅取决于各数据与被拟合数据点的相对位置，其表达式为：

$s_j(k_x,k_y)=\underset{l=1}{\overset{N_c}{\mathrm{\Σ}}}\underset{m=-\frac{(b_x-1)}{2}}{\overset{\frac{(b_x-1)}{2}}{\mathrm{\Σ}}}\underset{n=-\frac{(b_y-1)}{2}}{\overset{\frac{(b_y-1)}{2}}{\mathrm{\Σ}}}{w}_{j,l}^{*}(m,n)s_l(k_x+\mathrm{m\Δ}{k}_x,k_y+\mathrm{n\Δ}{k}_y)$

其中，s_j(k_x,k_y)表示第j个线圈在K空间位置(k_x,k_y)的数据，N_c表示相控阵列线圈的个数，b_x和b_y分别表示K空间域邻域沿x方向和y方向的大小，通常取奇数。例如当b_x和b_y都为7时，表示K空间内点的三邻域；w_j,l表示第l个线圈数据对第j个线圈数据的贡献权重，它仅与数据的相对位置(m,n)有关；Δk_x和Δk_y分别表示K空间沿x方向和y方向的采样间隔。GRAPPA方法假设未采样数据仅与其领域已采样的数据有关；SPIRiT方法则假设数据点与其邻域内所有的数据相关。

在一个实施例中，上述步骤S150的具体过程为：通过多通道相控阵列线圈进行并行采样，获取残余图像信息所对应的自校准（ACS，Auto-CalibrationSignal）线，计算组合权重；利用权重及欠采样数据恢复残余图像信息所对应的完整的K空间数据。

本实施例中，应用多通道相控阵列线圈同时采集数据，运用SPIRiT方法重建残余图像信息。该残余图像信息即是目标图像和Generalized Series模型所捕获的图像信息的差。

稀疏表示模块170，用于通过所述多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示。

重建模块190，用于联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

如图6所示，在一个实施例中，上述重建模块190包括构建单元191和求解单元193。

构建单元191，用于依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程。

本实施例中，依据多线圈图像模型、并行成像、稀疏采样理论，联合估计图像模型系数和残余图像信息：

$({\mathrm{\α}}_{\mathrm{GS}};x)=\underset{{\mathrm{\α}}_{\mathrm{GS}},x}{\arg \min }{\left|\right|D({\mathrm{F\Φ}}_{\mathrm{GS}}{\mathrm{\α}}_{\mathrm{GS}}+x)-y\left|\right|}_2^2+{\mathrm{\λ}}_1{\left|\right|U(G_{\mathrm{resi}}-I)x\left|\right|}_2^2+{\mathrm{\λ}}_2(\mathrm{\μ}{\left|\right|{\mathrm{\α}}_{\mathrm{GS}}\left|\right|}_{\mathrm{1,2}}+{\left|\right|{\mathrm{\ΨF}}^{-1}x\left|\right|}_{\mathrm{1,2}})$

其中，y表示已采样数据，x表示残留图像对应的K空间数据，μ是一个预先设定的常数，用以控制图像模型所表示的基于参考图像的图像信息和残余图像部分的能量分布，λ₁和λ₂是正则化系数，U为二值矩阵点乘运算，用于消除多线圈模型系数引起的不一致性，D表示从整个K空间获得已采样数据的采样模式，运算符G_resi表示由残余图像信息的K空间ACS线估计的权重所对应的矩阵变换，Ψ为稀疏变换矩阵，I为单位对角阵，F为傅立叶变换矩阵。

求解单元193，用于通过基于凸集投影的迭代算法求解重建方程。

本实施例中，在得到重建模型之后，将通过基于凸集投影（project overconvex sets，简称POCS）的迭代算法来高效地对重建模型进行求解。

具体的，在重建模型的求解过程中，首先估计多线圈模型系数的初始值，并计算运行符G_resi ⁽⁰⁾和x⁽⁰⁾＝D^T(y-DFΦ_GSα_GS ⁽⁰⁾)，并将迭代次数设置为零，即k＝0，以实现初始化过程。x^(k)表示第k步迭代中x的值。

在完成了初始过程之后，将不断进行迭代运行，即：

1、Ux^(k+1)＝UG_resi ^(k)x^(k)；

$2,x^{(k+1)}=D_c^T{D}_c{x}^{(k+1)}{+D}^T(y-{\mathrm{DF\Φ}}_{\mathrm{GS}}{{\mathrm{\α}}_{\mathrm{GS}}}^{\left(k\right)});$

3、α_W ^(k)＝Ψ_WF^-1x^(k+1)；

4、[μ·α_GS ^(k+1);α_W ^(k+1)]＝JointSoftThresh([μ·α_GS ^(k);α_W ^(k)])；

$5,x^{(k+1)}=D_c^T{D}_c{\mathrm{F\Ψ}}_W^{-1}{{\mathrm{\α}}_W}^{(k+1)}+D^T(y-{\mathrm{DF\Φ}}_{\mathrm{GS}}{{\mathrm{\α}}_{\mathrm{GS}}}^{(k+1)});$

6、更新G_resi ^(k+1)k＝k+1。

其中，运算符D_c表示从整个K空间选取未采样的点，函数JointSoftThresh表示多通道联合软阀值滤波。

下面结合一个磁共振成像实验来说明上述磁共振快速成像方法和系统。如图7所示，左半部分由上至下分别是带噪声的全采样目标图像、参考先验图像和其中一个线圈敏感度场图。目标图像和参考先验图像分别取自一个脑部变翻转角实验的图像序列。8通道的脑部线圈通过模拟仿真获得。所示图像通过所有线圈图像平方和的均方根得到。右半部分由左至右分别是SPIRiT、GS-SPIRiT、L1-SPIRiT、GS-SPIRiT-L1方法的重建结果，由上至下分别对应重建图像、均值误差、g因子图像。K空间欠采样数据由随机变密度采样模式降采样获得。加速倍数为5.8。图像右下方的百分比数表示标准化的均方根误差（normalized MeanSquare Error）。由重建结果可知，在并行成像中引入参考先验信息（GS-SPIRiT方法）较传统的并行成像方法（SPIRiT方法）而言，能够有效的减轻噪声的放大现象。并且在高度欠采样和含噪的情况下，本发明所提出的方法较目前先进的L1-SPIRiT方法保留了更多的图像细节信息，重建图像中的伪影明显减少。这表明参考先验信息的引入，增加了目标图像函数的稀疏性，能够有效的改善重建图像的质量。

上述磁共振快速成像方法和系统，将参考先验信息引入磁共振的快速成像中，通过参考先验信息构建图像模型，以捕获得到基于参考图像的图像信息，通过并行成像得到残余图像信息，并联合利用图像模型、并行成像和目标函数增强的稀疏性进行图像重建。由于并行成像技术仅用于重建残余图像信息，残余图像较好的空间稀疏性有效地缓解了并行成像系统的病态特性，减轻了并行成像过程中噪声的放大现象，进而能够在保证重建图像质量的同时提高成像速度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。

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 (8)

1.一种磁共振快速成像方法，包括如下步骤：

将目标图像表示为基于参考图像的图像信息与残余图像信息之和；

依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息；

利用并行成像获得残余图像信息；

通过所述图像模型的多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示；

联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

2.根据权利要求1所述的磁共振快速成像方法，其特征在于，所述依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息的步骤为：

根据参考先验信息构建基函数；

联合估计多线圈模型系数，进而得到所述图像模型所表示的基于参考图像的图像信息。

3.根据权利要求1所述的磁共振快速成像方法，其特征在于，所述利用并行成像获得残余图像信息的步骤为：

通过多通道相控阵列线圈进行并行采样，得到与所述基于参考图像的图像信息相匹配的残余图像信息。

4.根据权利要求1所述的磁共振快速成像方法，其特征在于，所述成像方法依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程，并采用基于凸集投影的迭代算法进行求解。

5.一种磁共振快速成像系统，其特征在于，包括：

目标图像定义模块，用于将目标图像表示为基于参考图像的图像信息与残余图像之和；

图像模型处理模块，用于依据参考先验信息构建图像模型，并通过所述图像模型捕获基于参考图像的图像信息；

并行成像模块，用于进行并行成像得到残余图像信息；

稀疏表示模块，用于通过所述图像模型的多线圈模型系数和残余图像信息在稀疏变换域内的系数形成目标图像的稀疏表示；

重建模块，用于联合利用图像模型、并行成像和目标函数增强的稀疏性重建目标图像。

6.根据权利要求5所述的磁共振快速成像系统，其特征在于，所述图像模型处理模块包括：

构建单元，用于根据参考先验信息构建基函数；

估计单元，用于估计多线圈模型系数，进而得到所述图像模型所表示的基于参考图像的图像信息。

7.根据权利要求5所述的磁共振快速成像系统，其特征在于，所述并行成像模块用于通过多通道相控阵列线圈进行并行采样得到与所述基于参考图像的图像信息相匹配的残余图像信息。

8.根据权利要求5所述的磁共振快速成像系统，其特征在于，所述重建模块包括：

构建单元，用于依据多线圈图像模型、并行成像、稀疏采样理论构建重建方程；

求解单元，用于通过基于凸集投影的迭代算法进行求解。