CN103400402A - 基于低秩结构稀疏的压缩感知mri图像重建方法 - Google Patents
基于低秩结构稀疏的压缩感知mri图像重建方法 Download PDFInfo
- Publication number
- CN103400402A CN103400402A CN2013102921374A CN201310292137A CN103400402A CN 103400402 A CN103400402 A CN 103400402A CN 2013102921374 A CN2013102921374 A CN 2013102921374A CN 201310292137 A CN201310292137 A CN 201310292137A CN 103400402 A CN103400402 A CN 103400402A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- lambda
- singular value
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000002595 magnetic resonance imaging Methods 0.000 title abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 94
- 238000011084 recovery Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 claims 1
- 102000050111 human SERPINA9 Human genes 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 14
- 238000004088 simulation Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 231100000053 low toxicity Toxicity 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于低秩结构稀疏的压缩感知MRI图像重建方法,主要解决现有技术难以精确恢复磁共振MRI图像的问题。其实现步骤是:采用传统压缩感知初始恢复磁共振MRI图像,并在该图像中寻找相似块矩阵,形成索引集合;对相似块矩阵进行奇异值分解并计算阈值,利用该阈值对奇异值进行阈值计算得到阈值后奇异值;利用阈值后奇异值优化磁共振MRI图像,即对该磁共振MRI图像循环进行更新相似块矩阵及其索引、相似块矩阵奇异值分解以及算阈值和奇异值阈值计算的过程,得到最后的恢复图像。本发明所恢复的磁共振MRI图像更清晰,图像边缘更锐利,可用于对医学影像的处理。
Description
技术领域
本发明涉及医学影像处理技术领域,具体涉及一种磁共振成像MRI的图像重建方法,主要用于对医学图像的清晰快速恢复。
背景技术
磁共振成像MRI,因其低损害性及高诊断意义而得到医学界的广泛应用,磁共振MRI建立在磁共振原理的基础上。磁共振涉及的基本物理概念主要包括:原子的自旋和磁矩,自旋磁矩在外磁场中的能量状态,产生磁共振的条件,拉莫进动,磁化强度矢量,以及射频场对磁化强度矢量和弛豫过程。
传统的磁共振成像MRI需要对原始数据K空间按照奈奎斯特采样定理进行密集采样,然后对所采集密集数据通过逆傅立叶变换重建磁共振MRI图像,这将导致重建磁共振成像所需数据量大采样时间长的难题。压缩感知理论的出现允许对原始数据K空间进行降采样,采集的原始数据K空间样本可以远小于传统磁共振MRI成像中所需采集的原始数据K空间样本数,从而大大减少采样所需数据,节约采样时间。而如何从降采样的原始数据K空间样本重建高清晰的磁共振MRI图像是压缩感知磁共振MRI成像方法成功的一个关键因素,也是近年来研究的热点。
现有磁共振压缩感知CS-MRI图像重建方法,是利用磁共振MRI图像的稀疏性来重建磁共振MRI图像,稀疏基的选取多利用全变差、DCT、小波基、以及学习得到的冗余字典对磁共振MRI图像进行稀疏表示。相比全变差、DCT以及小波基,基于学习的冗余字典有明显的优越性,能更好地刻画磁共振MRI图像中的边缘结构,但是现有的这种基于字典学习方法学习得到全局的字典难以有效表征各种磁共振MRI图像的局部结构。
此外,从欠采样的原始数据K空间恢复磁共振MRI图像的稀疏表示系数是一个病态逆问题。通过对稀疏系数存在的结构相关性进行约束可以有效提升图像稀疏分解的精度,这种结构稀疏模型已被证明是一个更加鲁棒、更精确的稀疏模型。但是,现有CS-MRI图像重建方法由于主要是利用磁共振MRI图像的稀疏性实现对图像重建,并没有利用稀疏表示系数之间存在的结构相关性,因而难以精确重建出原始真实的磁共振MRI图像,导致医学诊断困难。
发明内容
本发明的目的在于针对现有CS-MRI重建方法的不足,提出一种基于低秩结构稀疏的压缩感知磁共振MRI图像重建方法,以提升重建图像的质量。
实现本发明目的技术思路是:利用结构聚类技术对局部图像块进行结构聚类,将图像内的相似块聚为一类,对于每一个子类,利用结构稀疏模型对相似图像块进行联合稀疏编码;通过局部PCA字典学习方法构造局部自适应稀疏字典,并利用矩阵低秩逼近的方法来优化求解PCA字典学习联合结构稀疏编码问题。具体步骤包括如下:
(1)输入磁共振MRI原始K空间观测数据y,对该输入数据y进行传统压缩感知初始恢复,得到初始恢复图像x(1),x(1)∈CN,CN表示N维复数空间;
(2)在初始恢复图像x(1)内以第i个像素为中心,取大小为n的块采用k近邻方式在块周围找到与其相似的m个相似块,创建相似块矩阵 表示在初始恢复图像x(1)内的第jis块与相似,生成相似块矩阵索引集合Gi=[ji1,ji2,...,jim],s=1,2,...,m,i=1,2,...,N;
(3)初始化循环次数t=1,2,...,M,M为迭代次数最大值,初始化块更新次数L,L<M,使用低秩结构稀疏算法优化重构磁共振MRI图像Z:
(3a)对相似块矩阵进行奇异值分解,即其中,表示第t次奇异值分解所得相似块矩阵的左酉矩阵,表示第t次奇异值分解所得相似块矩阵的右酉矩阵, 表示第t次奇异值分解所得相似块矩阵的奇异值矩阵,表示奇异值矩阵第p个奇异值元素,p=1,2,...,r,r=min(n,m),svd表示奇异值分解符号,diag表示对角线矩阵;
其中, p=1,2,...,r,σn为噪声方差;
其中,表示目标函数取得最小值时x所取的值,表示2范数,H表示随机观测矩阵,x为未知真实图像,β为可调参数,Rj表示取图像xt第j个块的矩阵,即取块矩阵,xj为图像xt的第j个块,为右酉矩阵的第j列转置;
(3f)求解步骤(3e)目标函数,得到优化的图像x(t+1)为:
(3i)重复步骤(3a)-(3g)共M次,得到最终的优化图像x(M+1),x(M+1)即为低秩结构稀疏算法优化重构的磁共振MRI图像Z。
本发明与现有技术相比具有以下优点:
第一,本发明由于在图像重建中,利用到了稀疏系数的结构相关性,能更加精确恢复磁共振MRI图像;
第二,本发明由于在参数调解中,对正则参数自适应的选取,使得重构方法更加鲁棒性;
第三,本发明提出了局部PCA字典学习方法,并提出利用矩阵低秩逼近的方法来求解PCA字典学习和联合结构稀疏编码问题,使得重构图像更加精确。
附图说明
图1为本发明的总流程图;
图2为本发明仿真实验所用的磁共振MRI人脑图像Head原图;
图3为用SparseMRI方法对人脑图像Head在观测码率为0.2时的恢复结果;
图4为用TVCMRI方法对人脑图像Head在观测码率为0.2时的恢复结果;
图5为用RecPF方法对人脑图像Head在观测码率为0.2时的恢复结果;
图6为用TV_CSA方法对人脑图像Head在观测码率为0.2时的恢复结果;
图7为用本发明方法对人脑图像Head在观测码率为0.2时的恢复结果。
具体实施方式
参照图1,本发明是基于低秩结构稀疏的压缩感知MRI图像重建方法,其实现步骤如下:
步骤1,对输入磁共振MRI原始K空间观测数据y进行传统压缩感知初始恢复,求得初始恢复图像x(1)。
(1a)设置传统压缩感知恢复阈值Q>0,对输入磁共振MRI原始K空间观测数据y进行初始阈值计算,得初始阈值计算结果
其中,yi为观测数据y内的元素;
(1c)利用传统压缩感知算法对磁共振MRI图像进行恢复:
(1c1)初始化最大循环次数E=300,设置传统压缩感知恢复循环次数:
e=1,2,...,E;
(1c2)生成随机观测矩阵H,设置传统压缩感知迭代步长ξ>0,本实例取ξ=1.2;
(1c3)对观测数据fe进行反投影,得到第e次传统压缩感知恢复数据ge:
ge=fe+ξ(HT(y-A)),
(1c4)对反投影所得恢复数据ge内的元素进行阈值计算,得第e次阈值计算结果
(1d)生成N维傅里叶变换基D,将上述恢复数据fE+1与傅里叶基D相乘,得到磁共振MRI初始恢复图像x(1)为:
x(1)=DfE+1。
(2a)将初始恢复图像按步长1分成大小为n的块C=[x1,x2,x3,...],标注每块在初始恢复图像x(1)中的位置索引A=[1,2,3,...];
Gi=[ji1,ji2,...,jis,...,jim]。
步骤3,使用低秩结构稀疏算法优化重构磁共振MRI图像Z。
(3a)设置循环次数t=1,2,....,M,设置相似块矩阵更新次数1≤L≤M,设置最大循环次数M≥200,本实例取L=18,M=300;
(3b)对相似块矩阵进行奇异值分解,即其中,表示第t次奇异值分解所得相似块矩阵的左酉矩阵,表示第t次奇异值分解所得相似块矩阵的右酉矩阵, 表示第t次奇异值分解所得相似块矩阵的奇异值矩阵,表示奇异值矩阵第p个奇异值元素,p=1,2,...,r,r=min(n,m),svd表示奇异值分解符号,diag表示对角线矩阵;
其中, p=1,2,...,r,σn为噪声方差;
(3f1)由磁共振MRI图像的非局部自相似性,构建压缩感知图像恢复的先验项为:
(3g)求解步骤(3f2)的目标函数,得到优化的图像x(t+1)为:
(3i)重复步骤(3b)-(3h)共L次,按步骤(2)方法在优化图像x(t+1)中重新寻找相似块矩阵更新索引Gi;
(3j)重复步骤(3b)-(3h)共M次,得到最终的优化图像x(M+1),x(M+1)即为低秩结构稀疏算法优化重构的磁共振MRI图像Z。
本发明的效果可以通过如下仿真实验具体说明:
1.仿真条件:
1)仿真实验观测矩阵采用随机傅里叶观测矩阵;
2)仿真实验所用编程平台为MatlabR2010b;
3)仿真实验所用人脑图像Head来源于飞利浦公司,如图2所示;
4)仿真试验中,采用峰值信噪比PSNR指标来评价压缩感知实验结果,峰值信噪比PSNR定义为:
其中,x为原图像,Z为恢复出来的图像。
2.仿真内容:
仿真1,采用SparseMRI方法,对人脑图像Head在观测码率为0.2时进行恢复,其恢复结果如图3所示;
仿真2,采用TVCMRI方法,对人脑图像Head在观测码率为0.2时进行恢复,其恢复结果如图4所示;
仿真3是采用RecPF方法,对人脑图像Head在观测码率为0.2时进行恢复,其恢复结果如图5所示;
仿真4,采用TV_CSA方法,对人脑图像Head在观测码率为0.2时进行恢复,其恢复结果如图6所示;
仿真5,采用本发明方法对人脑图像Head在观测码率为0.2时进行恢复。其恢复结果如图7所示。
从图3-图7所显示的人脑图像Head的恢复结果可以看出,本发明的低秩结构稀疏的压缩感知磁共振MRI重建方法恢复出来的图像比其他方法恢复出来的图像更干净,清晰,图像边缘更锐利,视觉效果更好。
将SparseMRI方法、TVCMRI方法、RecPF方法、TV_FCSA方法和本发明方法分别对人脑图像Head进行压缩感知图像重建仿真,得到的峰值信噪比PSNR结果见表1。
表1恢复图像的峰值信噪比PSNR值(单位dB)
从表1可以看出,本发明的峰值信噪比PSNR比SparseMRI和TVCMRI在观测码率为0.2的时候要平均高出15.86B和12.19dB,比TV_FCSA高出5.45dB。
Claims (2)
1.一种基于低秩结构稀疏的压缩感知MRI图像重建方法,包括如下步骤:
(1)输入磁共振MRI原始K空间观测数据y,对该输入数据y进行传统压缩感知初始恢复,得到初始恢复图像x(1),x(1)∈CN,CN表示N维复数空间;
(2)在初始恢复图像x(1)内以第i个像素为中心,取大小为n的块采用k近邻方式在块周围找到与其相似的m个相似块,创建相似块矩阵 表示在初始恢复图像x(1)内的第jis块与相似,生成相似块矩阵索引集合Gi=[ji1,ji2,...,jim],s=1,2,...,m,i=1,2,...,N;
(3)初始化循环次数t=1,2,...,M,M为迭代次数最大值,初始化块更新次数L,L<M,使用低秩结构稀疏算法优化重构磁共振MRI图像Z:
(3a)对相似块矩阵进行奇异值分解,即 其中,表示第t次奇异值分解所得相似块矩阵的左酉矩阵,表示第t次奇异值分解所得相似块矩阵的右酉矩阵, 表示第t次奇异值分解所得相似块矩阵的奇异值矩阵,表示奇异值矩阵第p个奇异值元素,p=1,2,...,r,r=min(n,m),svd表示奇异值分解符号,diag表示对角线矩阵;
其中, p=1,2,...,r,σn为噪声方差;
其中,表示目标函数取得最小值时x所取的值,表示2范数,H表示随机观测矩阵,x为未知真实图像,β为可调参数,Rj表示取图像xt第j个块的矩阵,即取块矩阵,xj为图像xt的第j个块,为右酉矩阵的第j列转置;
(3f)求解步骤(3e)目标函数,得到优化的图像x(t+1)为:
其中,HT表示随机观测矩阵H的转置,表示取块矩阵Rj的转置;
(3i)重复步骤(3a)-(3g)共M次,得到最终的优化图像x(M+1),x(M+1)即为低秩结构稀疏算法优化重构的磁共振MRI图像Z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310292137.4A CN103400402B (zh) | 2013-07-12 | 2013-07-12 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310292137.4A CN103400402B (zh) | 2013-07-12 | 2013-07-12 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400402A true CN103400402A (zh) | 2013-11-20 |
CN103400402B CN103400402B (zh) | 2016-05-25 |
Family
ID=49564013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310292137.4A Expired - Fee Related CN103400402B (zh) | 2013-07-12 | 2013-07-12 | 基于低秩结构稀疏的压缩感知mri图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400402B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN105306064A (zh) * | 2015-10-31 | 2016-02-03 | 电子科技大学 | 基于压缩感知的超分辨率信号估计方法 |
CN105513026A (zh) * | 2015-12-17 | 2016-04-20 | 浙江大学 | 一种基于图像非局部相似的压缩感知重构方法 |
CN105654527A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于结构化字典学习的磁共振成像重建方法和装置 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
CN106295677A (zh) * | 2016-07-28 | 2017-01-04 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN104156994B (zh) * | 2014-08-14 | 2017-03-22 | 厦门大学 | 一种压缩感知磁共振成像的重建方法 |
CN106651778A (zh) * | 2016-05-25 | 2017-05-10 | 西安电子科技大学昆山创新研究院 | 基于自适应耦合观测与非线性压缩学习的光谱成像方法 |
CN107025634A (zh) * | 2016-02-01 | 2017-08-08 | 通用电气公司 | 负字典学习 |
CN107330953A (zh) * | 2017-07-06 | 2017-11-07 | 桂林电子科技大学 | 一种基于非凸低秩的动态mri重建方法 |
CN107977468A (zh) * | 2017-12-21 | 2018-05-01 | 横琴国际知识产权交易中心有限公司 | 一种稀疏型数据文件的传输方法及系统 |
CN107993205A (zh) * | 2017-11-28 | 2018-05-04 | 重庆大学 | 一种基于学习字典与非凸范数最小化约束的mri图像重构方法 |
CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
CN108447102A (zh) * | 2018-02-11 | 2018-08-24 | 南京邮电大学 | 一种低秩与稀疏矩阵分解的动态磁共振成像方法 |
CN108833024A (zh) * | 2018-04-23 | 2018-11-16 | 温州市特种设备检测研究院 | 一种多通道无线分布式场车制动数据传输方法 |
CN109345548A (zh) * | 2018-10-23 | 2019-02-15 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110113607A (zh) * | 2019-04-25 | 2019-08-09 | 长沙理工大学 | 一种基于局部与非局部约束的压缩感知视频重建方法 |
CN110146836A (zh) * | 2018-02-12 | 2019-08-20 | 深圳先进技术研究院 | 一种磁共振参数成像方法、装置、设备及存储介质 |
CN110161442A (zh) * | 2018-02-12 | 2019-08-23 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、医学设备及存储介质 |
CN111025385A (zh) * | 2019-11-26 | 2020-04-17 | 中国地质大学(武汉) | 一种基于低秩和稀疏约束的地震数据重建方法 |
WO2020119581A1 (zh) * | 2018-12-12 | 2020-06-18 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、设备及存储介质 |
CN111475768A (zh) * | 2020-03-11 | 2020-07-31 | 重庆邮电大学 | 一种基于低相干单位范数紧框架的观测矩阵构造方法 |
WO2023108423A1 (zh) * | 2021-12-14 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于图像结构以及物理弛豫先验的磁共振定量成像方法 |
CN116738764A (zh) * | 2023-08-08 | 2023-09-12 | 中国海洋大学 | 一种基于奇异值阈值算法的海洋平台舱室舒适度评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110241673A1 (en) * | 2010-04-02 | 2011-10-06 | Fa-Hsuan Lin | Method for magnetic resonance imaging with parallel and localized spatial encoding magnetic fields |
CN102621534A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院电子学研究所 | 基于噪声失效奇异值分解的地基雷达杂波抑制方法 |
CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
-
2013
- 2013-07-12 CN CN201310292137.4A patent/CN103400402B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110241673A1 (en) * | 2010-04-02 | 2011-10-06 | Fa-Hsuan Lin | Method for magnetic resonance imaging with parallel and localized spatial encoding magnetic fields |
CN102621534A (zh) * | 2011-01-26 | 2012-08-01 | 中国科学院电子学研究所 | 基于噪声失效奇异值分解的地基雷达杂波抑制方法 |
CN103049892A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 基于相似块矩阵秩最小化的非局部图像去噪方法 |
Non-Patent Citations (3)
Title |
---|
DAVI MARCO LYRA-LEITE等: "Improved MRI reconstruction and denoising using SVD-based low-rank approximation", 《ENGINEERING APPLICATIONS (WEA), 2012 WORKSHOP ON》 * |
HUISU YOON等: "Motion compensated compressed sensing dynamic MRI with low rank patch-based residual reconstruction", 《BIOMEDICAL IMAGING (ISBI), 2013 IEEE 10TH INTERNATIONAL SYMPOSIUM ON》 * |
王郗雨等: "基于奇异值分解的压缩感知核磁共振图像重构算法", 《计算机应用研究》 * |
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632385B (zh) * | 2013-12-05 | 2016-09-21 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
CN103632385A (zh) * | 2013-12-05 | 2014-03-12 | 南京理工大学 | 基于空谱联合稀疏先验的卫星高光谱压缩感知重建方法 |
CN104036519B (zh) * | 2014-07-03 | 2017-05-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN104036519A (zh) * | 2014-07-03 | 2014-09-10 | 中国计量学院 | 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法 |
CN104156994B (zh) * | 2014-08-14 | 2017-03-22 | 厦门大学 | 一种压缩感知磁共振成像的重建方法 |
CN105306064A (zh) * | 2015-10-31 | 2016-02-03 | 电子科技大学 | 基于压缩感知的超分辨率信号估计方法 |
CN105306064B (zh) * | 2015-10-31 | 2018-08-31 | 电子科技大学 | 基于压缩感知的超分辨率信号估计方法 |
CN105513026A (zh) * | 2015-12-17 | 2016-04-20 | 浙江大学 | 一种基于图像非局部相似的压缩感知重构方法 |
CN105513026B (zh) * | 2015-12-17 | 2019-05-21 | 浙江大学 | 一种基于图像非局部相似的压缩感知重构方法 |
CN105654527A (zh) * | 2015-12-31 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 一种基于结构化字典学习的磁共振成像重建方法和装置 |
CN107025634A (zh) * | 2016-02-01 | 2017-08-08 | 通用电气公司 | 负字典学习 |
CN107025634B (zh) * | 2016-02-01 | 2022-06-21 | 通用电气公司 | 负字典学习 |
CN106651778A (zh) * | 2016-05-25 | 2017-05-10 | 西安电子科技大学昆山创新研究院 | 基于自适应耦合观测与非线性压缩学习的光谱成像方法 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
CN106295677B (zh) * | 2016-07-28 | 2019-07-26 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN106295677A (zh) * | 2016-07-28 | 2017-01-04 | 浙江工业大学 | 一种联合拉斯正则项和特征自学习的水流图像分簇方法 |
CN107330953A (zh) * | 2017-07-06 | 2017-11-07 | 桂林电子科技大学 | 一种基于非凸低秩的动态mri重建方法 |
CN107330953B (zh) * | 2017-07-06 | 2020-06-26 | 桂林电子科技大学 | 一种基于非凸低秩的动态mri重建方法 |
CN107993205A (zh) * | 2017-11-28 | 2018-05-04 | 重庆大学 | 一种基于学习字典与非凸范数最小化约束的mri图像重构方法 |
CN107977468B (zh) * | 2017-12-21 | 2021-12-03 | 深圳中智经济技术合作有限公司 | 一种稀疏型数据文件的传输方法及系统 |
CN107977468A (zh) * | 2017-12-21 | 2018-05-01 | 横琴国际知识产权交易中心有限公司 | 一种稀疏型数据文件的传输方法及系统 |
CN108447102A (zh) * | 2018-02-11 | 2018-08-24 | 南京邮电大学 | 一种低秩与稀疏矩阵分解的动态磁共振成像方法 |
CN110146836A (zh) * | 2018-02-12 | 2019-08-20 | 深圳先进技术研究院 | 一种磁共振参数成像方法、装置、设备及存储介质 |
CN110161442A (zh) * | 2018-02-12 | 2019-08-23 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、医学设备及存储介质 |
CN110146836B (zh) * | 2018-02-12 | 2020-04-21 | 深圳先进技术研究院 | 一种磁共振参数成像方法、装置、设备及存储介质 |
CN110161442B (zh) * | 2018-02-12 | 2020-04-21 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、医学设备及存储介质 |
CN108416819B (zh) * | 2018-02-24 | 2022-04-26 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
CN108416819A (zh) * | 2018-02-24 | 2018-08-17 | 南京医科大学 | 一种基于curvelet-fista的压缩采样磁共振图像重建方法 |
CN108833024A (zh) * | 2018-04-23 | 2018-11-16 | 温州市特种设备检测研究院 | 一种多通道无线分布式场车制动数据传输方法 |
CN108833024B (zh) * | 2018-04-23 | 2021-07-16 | 温州市特种设备检测研究院 | 一种多通道无线分布式场车制动数据传输方法 |
CN109345548B (zh) * | 2018-10-23 | 2021-08-13 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
CN109345548A (zh) * | 2018-10-23 | 2019-02-15 | 江南大学 | 一种基于总变差的织物疵点分割方法 |
WO2020119581A1 (zh) * | 2018-12-12 | 2020-06-18 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、设备及存储介质 |
CN109522971B (zh) * | 2018-12-18 | 2023-04-28 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN109522971A (zh) * | 2018-12-18 | 2019-03-26 | 重庆大学 | 一种基于分类图像块稀疏表示的cs-mri图像重构方法 |
CN109712077B (zh) * | 2018-12-29 | 2020-07-17 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110113607B (zh) * | 2019-04-25 | 2022-02-01 | 长沙理工大学 | 一种基于局部与非局部约束的压缩感知视频重建方法 |
CN110113607A (zh) * | 2019-04-25 | 2019-08-09 | 长沙理工大学 | 一种基于局部与非局部约束的压缩感知视频重建方法 |
CN111025385A (zh) * | 2019-11-26 | 2020-04-17 | 中国地质大学(武汉) | 一种基于低秩和稀疏约束的地震数据重建方法 |
CN111475768A (zh) * | 2020-03-11 | 2020-07-31 | 重庆邮电大学 | 一种基于低相干单位范数紧框架的观测矩阵构造方法 |
CN111475768B (zh) * | 2020-03-11 | 2023-07-25 | 重庆邮电大学 | 一种基于低相干单位范数紧框架的观测矩阵构造方法 |
WO2023108423A1 (zh) * | 2021-12-14 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 基于图像结构以及物理弛豫先验的磁共振定量成像方法 |
CN116738764A (zh) * | 2023-08-08 | 2023-09-12 | 中国海洋大学 | 一种基于奇异值阈值算法的海洋平台舱室舒适度评估方法 |
CN116738764B (zh) * | 2023-08-08 | 2023-10-20 | 中国海洋大学 | 一种基于奇异值阈值算法的海洋平台舱室舒适度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103400402B (zh) | 2016-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400402B (zh) | 基于低秩结构稀疏的压缩感知mri图像重建方法 | |
CN105513026B (zh) | 一种基于图像非局部相似的压缩感知重构方法 | |
CN104063886B (zh) | 一种基于稀疏表示和非局部相似的核磁共振图像重建方法 | |
Zhussip et al. | Training deep learning based image denoisers from undersampled measurements without ground truth and without image prior | |
CN111047515A (zh) | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 | |
CN102722896B (zh) | 基于自适应压缩感知的自然图像非局部重构方法 | |
CN102332153B (zh) | 基于核回归的图像压缩感知重构方法 | |
CN107133930A (zh) | 基于低秩矩阵重建和稀疏表示的行列缺失图像填充方法 | |
CN107038730B (zh) | 基于高斯尺度结构块分组的稀疏表示图像重建方法 | |
CN106097278B (zh) | 一种多维信号的稀疏模型、重建方法和字典训练方法 | |
CN106934778A (zh) | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 | |
CN110139046B (zh) | 一种基于张量的视频帧合成方法 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN107154064A (zh) | 基于深度稀疏编码的自然图像压缩感知重建方法 | |
CN105488759B (zh) | 一种基于局部回归模型的图像超分辨率重建方法 | |
CN102722866A (zh) | 基于主成份分析的压缩感知方法 | |
CN103093431A (zh) | 基于pca字典和结构先验信息的压缩感知重构方法 | |
Liu et al. | Multi-filters guided low-rank tensor coding for image inpainting | |
Xia et al. | Meta-learning-based degradation representation for blind super-resolution | |
CN104915935B (zh) | 基于非线性压缩感知与字典学习的压缩光谱成像方法 | |
CN105590296A (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
Cao et al. | CS-MRI reconstruction based on analysis dictionary learning and manifold structure regularization | |
CN114202459A (zh) | 一种基于深度先验的盲图像超分辨率方法 | |
CN105338219A (zh) | 视频图像去噪处理方法和装置 | |
CN107451961A (zh) | 多幅模糊噪声图像下清晰图像的恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160525 Termination date: 20210712 |
|
CF01 | Termination of patent right due to non-payment of annual fee |