CN103654789A - 磁共振快速参数成像方法和系统 - Google Patents

Abstract

本发明提供了一种磁共振快速参数成像的方法，所述方法包括：根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，所述先验信息是参数估计过程中预先获知的信息；将所述目标图像序列代入参数估计模型中生成参数图像。由于在图像序列重构步骤中引入了参数估计步骤中的先验信息，进而可以修正压缩感知图像重建中所产生的重建误差，提高通过参数估计模型生成参数图像的准确性。

Description

磁共振快速参数成像方法和系统

技术领域

本发明涉及成像技术领域，特别是涉及一种磁共振快速参数成像方法和系统。

背景技术

磁共振成像（MRI）是一种利用原子核在磁场内共振产生信号并重建成像的一种成像技术，磁共振成像因具有安全、快速、准确的优点而在成像领域中被广泛使用。其中，磁共振参数成像提供了可以定量分析生命组织生物化学特性的方法。然而，由于需要连续采集一系列图像，磁共振参数成像速度缓慢，从而限制了其临床的广泛使用。

压缩感知技术是一种加速磁共振成像的先进技术。基于压缩感知的磁共振参数成像方法包括图像序列重构和参数估计两个步骤。由于欠采样以及采样噪声的存在，现代先进水平的基于压缩感知的磁共振参数图像序列重构中将难免引入重建误差，进而影响参数估计的准确性。

发明内容

基于此，有必要针对磁共振参数成像不准确的问题，提供一种能提高磁共振参数成像准确性的磁共振快速参数成像方法。

此外，还有必要提供一种能提高磁共振参数成像准确性的磁共振快速参数成像系统。

一种磁共振快速参数成像的方法，所述方法包括：

根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，所述先验信息是参数估计过程中预先获知的信息；

将所述目标图像序列代入参数估计模型中生成参数图像。

在其中一个实施例中，所述根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列的步骤之前，所述方法还包括：

对目标进行扫描得到欠采样磁共振信号。

在其中一个实施例中，所述根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列的步骤为：

通过填零傅立叶方法初始化目标图像序列；

通过基于非线性滤波稀疏重建的方法对所述目标图像序列重构进而求解得到所述目标图像序列。

在其中一个实施例中，所述通过基于非线性滤波稀疏重建的方法对所述目标图像序列重构进而求解得到所述目标图像的步骤为：

基于稀疏采样理论，对所述目标图像序列在某一稀疏变化域内的系数做软阈值处理；

根据所述参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵；

对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减；

将所述欠采样磁共振信号代入所述目标图像序列的K空间，以使得目标图像序列跟所述欠采样磁共振信号一致；

反复迭代上述步骤直至收敛得到目标图像序列。

在其中一个实施例中，所述对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减的步骤为：

通过奇异值分解对所述Hankel矩阵求低秩近似矩阵；

沿所述低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复所述低秩近似矩阵的Hankel结构；

从所述低秩近似Hankel矩阵中提取所述目标图像序列每一空间位置对应的时间信号。

一种磁共振快速参数成像系统，所述系统包括：

图像重建模块，用于根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，所述先验信息是参数估计过程中预先获知的信息；

参数估计模块，用于将所述目标图像序列代入参数估计模型中生成参数图像。

在其中一个实施例中，所述系统还包括：

信号获取模块，用于对目标进行扫描得到欠采样磁共振信号。

在其中一个实施例中，所述图像重建模块包括：

初始化单元，用于通过填零博立叶方法初始化目标图像序列；

运算单元，用于通过基于非线性滤波的稀疏重建方法对所述目标图像序列重构进而求解得到所述目标图像序列。

在其中一个实施例中，所述运算单元包括：

稀疏约束单元，用于基于稀疏采样理论，对所述目标图像序列在某一稀疏变化域内的系数做软阈值处理；

矩阵构造单元，用于根据所述参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵；

模型约束单元，用于对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减；

信号保真单元，用于将所述欠采样磁共振信号代入所述目标图像序列的K空间，以使得目标图像序列跟所述欠采样磁共振信号一致；

迭代收敛单元，用于反复迭代上述单元直至收敛得到目标图像序列。

在其中一个实施例中，所述模型约束单元包括：

低秩近似矩阵求解单元，用于通过奇异值分解对所述Hankel矩阵求低秩近似矩阵；

Hankel矩阵恢复单元，用于沿所述低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复所述低秩近似矩阵的Hankel结构；

信号提取单元，用于从所述低秩近似Hankel矩阵中提取所述目标图像序列每一空间位置对应的时间信号。

上述磁共振快速参数成像方法和系统，运用欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，并将目标图像序列代入参数估计模型中生成参数图像。所述先验信息是指在参数估计过程中能够预先获知的信息。

由于在图像序列重构步骤中引入了参数估计步骤中的先验信息，进而可以修正压缩感知图像重建中所产生的重建误差，提高通过参数估计模型生成参数图像的准确性。

附图说明

图1为一个实施例中磁共振快速参数成像方法的流程图；

图2为另一个实施例中磁共振快速参数成像方法的流程图；

图3为一个实施例中根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列的方法的流程图；

图4为一个实施例中通过基于非线性滤波稀疏重建的方法对所述目标图像序列重构进而求解得到所述目标图像的方法的流程图；

图5为一个实施例中对Hankel矩阵求低秩近似，以使得目标图像序列每一空间位置所对应的时间信号呈指数衰减的方法的流程图；

图6为一个实施例中磁共振参数成像系统的结构示意图；

图7为另一个实施例中磁共振参数成像系统的结构示意图；

图8为一个实施例中图像重建模块的结构示意图；

图9为一个实施例中图像重建模块中运算单元的结构示意图；

图10为一个实例中运算单元中模型约束单元的结构示意图。

具体实施方式

如图1所示，在一个实施例中，一种磁共振快速参数成像方法包括如下步骤：

步骤S20，根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，先验信息是参数估计过程中预先获知的信息。

本实施例中，先验信息即关于信号特性的一切先验知识，如稀疏性、平滑性、指数衰减特性等。其中，指数衰减特性是由信号的物理模型决定的，即参数估计中可预先获知的信息。利用先验信息和欠采样磁共振信号进行目标图像序列重构能够得到目标图像序列。由于目标图像序列重构的过程中引入了参数估计中可预先获知的信息，从而可以进一步减少目标图像序列重构产生的误差，使得参数估计更加准确。

步骤S30，将目标图像序列代入参数估计模型中生成参数图像。

本实施例中，将上述的目标图像序列代入参数估计模型求解得到参数图像。参数成像包括：单指数、多指数模型的T2成像、T2*成像、T1ρ成像、髓鞘分数成像等。

具体的，以T2参数成像为例，T2加权磁共振图像序列一般满足如下指数递减关系，其公式可以表示为：

${\mathrm{\ρ}}_n\left(r\right)={\mathrm{\ρ}}_0\left(r\right)\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{e}^{-\mathrm{n\ΔTE}/T_{2l}\left(r\right)}---\left(1\right)$

其中ρ₀表示质子的密度分布函数，ρ_n表示第n个回波时间对应的T2加权图像，r为空间坐标，ΔTE为回波间隔，T_2l为第l种水分子中氢质子的T2参数图。通常情况下L的取值范围为1～3。在假定高斯噪声的条件下，将T2加权图像序列代入（1）式，运用最小二乘法就可估计得到T2参数图像。

如图2所示，在另一个实施例中，步骤S20之前，磁共振快速参数成像方法还包括：

步骤S10，对目标进行扫描得到欠采样磁共振信号。

本实施例中，通过磁共振扫描仪对目标进行扫描就能获取目标的欠采样磁共振信号。根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，先验信息是参数估计过程中预先获知的信息。将目标图像序列代入参数估计模型中生成参数图像。

如图3所示，在一个实施例中，步骤S20包括：

步骤S21，通过填零傅立叶方法初始化目标图像序列。

本实施例中，通过填零傅立叶（zero-padding FFT）方法对目标图像序列进行初始化：ρ^（0）=F^HW^Hy，其中ρ⁽⁰⁾表示初始化的目标图像序列，y为K空间的欠采样数据，F为傅立叶变换矩阵，W表示欠采样算子，H表示共轭转置。

步骤S23，通过基于非线性滤波稀疏重建的方法对目标图像序列重构进而求解得到目标图像序列。

本实施例中，通过基于非线性滤波稀疏重建的方法对目标图像序列重构进而求解得到目标图像序列。具体的，以T2参数成像为例，将Hankel矩阵的秩作为约束条件引入目标图像序列重建模型中进行求解。求解公式如下：

$\begin{array}{c}\underset{\mathrm{\ρ}}{\min }|\mathrm{\ΨB\ρ}{|}_1\\ s.t.{\left|\right|y-\mathrm{WF\ρ}\left|\right|}_2^2\≤\mathrm{\ϵ}\\ \mathrm{rank}\left(H\right[{\mathrm{\ρ}}_1\left(r\right),{\mathrm{\ρ}}_2\left(r\right),\·\·\·,{\mathrm{\ρ}}_M\left(r\right)\left]\right)=L,\∀r\∈\mathrm{\Ω}\end{array}---\left(2\right)$

其中ρ表示目标图像序列，y为K空间的欠采样数据，F为傅立叶变换矩阵，W表示欠采样算子，B表示时间域的稀疏变换矩阵（如主成分分析PCA变换），Ψ表示图像域的稀疏变换矩阵（如小波变换）。ε控制重建图像与采样数据间的相对距离，通常与噪声等级成正比。函数H[ρ₁(r),ρ₂(r),...,ρ_M(r)]表示形式Hankel矩阵的运算，Ω表示图像域坐标点集合。（2）式可以通过基于非线性滤波稀疏重建的方法求解。

如图4所示，在一个实施例中，步骤S23包括：

步骤S231，基于稀疏采样理论，对目标图像序列在某一稀疏变化域内的系数做软阈值处理。

本实施例中，通过对目标图像序列在某一稀疏变化域（如PCA、小波变换）内的系数进行软阈值处理，使得目标图像序列在该稀疏变换域内是稀疏的。

具体的，对目标图像序列利用公式：（a）α^(k)=ΨBρ^(k)，（b）α^(k+1)＝SoftThresholding(α^(k),τ)，（c）ρ^(k+1)＝B^HΨ^Hα^(k+1)，进行迭代。其中α为变换域系数，ρ表示目标图像序列，B表示时间域的稀疏变换矩阵（如PCA变换），Ψ表示图像域的稀疏变换矩阵（如小波变换），上标k表示第k次迭代，SoftThresholding()是软阈值函数，阈值为τ。

步骤S232，根据参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵。

本实施例中，根据T2参数估计模型，将目标图像序列的每一空间位置对应的时间信号排列成如下形式：

$H=\left[\begin{array}{cccc}{\mathrm{\ρ}}_1\left(r\right)& {\mathrm{\ρ}}_2\left(r\right)& \·\·\·& {\mathrm{\ρ}}_K\left(r\right)\\ {\mathrm{\ρ}}_2\left(r\right)& {\mathrm{\ρ}}_3\left(r\right)& \·\·\·& {\mathrm{\ρ}}_{K+1}\left(r\right)\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\ρ}}_{M-K+1}\left(r\right)& {\mathrm{\ρ}}_{M-K+2}\left(r\right)& \·\·\·& {\mathrm{\ρ}}_M\left(r\right)\end{array}\right]$

上述形式的矩阵称之为Hankel矩阵。其中，M表示回波时间总数，即图像序列的图像个数。只要图像序列满足公式（1），上述Hankel矩阵就是一个低秩矩阵，且秩等于L。

步骤S233对Hankel矩阵求低秩近似，以使得目标图像序列每一空间位置所对应的时间信号呈指数衰减。

本实施例中，求解出Hankel矩阵的低秩近似Hankel矩阵，其中Hankel矩阵的秩是根据参数估计模型选取的，从Hankel矩阵的低秩近似矩阵中提取图像序列空间位置所对应的指数衰减信号。

如图5所示，在一个实施例中，步骤S233，包括：

步骤S2331，通过奇异值分解对Hankel矩阵求低秩近似矩阵。

本实施例中，利用公式：[U S V]＝svd(H)对Hankel矩阵做奇异值分解。其中U和V分别是左、右奇异值向量矩阵，对角阵S为奇异值矩阵。令u_k和v_k分别表示U和V的第k列，σ_k为第k个奇异值。取前L个最大的奇异值及其对应的奇异向量形成低秩近似矩阵，该低秩近似矩阵可以表示为: $\tilde{H}={\mathrm{\Σ}}_{k=1}^L{u}_k{\mathrm{\σ}}_k{v}_k^T.$

步骤S2333，沿低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复低秩近似矩阵的Hankel结构。

步骤S2335，从低秩近似Hankel矩阵中提取目标图像序列每一空间位置对应的时间信号。

本实施例中，对低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复低秩近似矩阵的Hankel结构，并从低秩近似Hankel矩阵中提取目标图像序列每一空间位置对应的时间信号。

步骤S234，将欠采样磁共振信号代入目标图像序列的K空间，以使得目标图像序列跟欠采样磁共振信号一致

本实施例中，通过公式：

以使得图像序列与目标图像序列的K空间数据一致。其中y为K空间的欠采样数据，F为傅立叶变换矩阵，W_C表示取选取K空间未采样位置的矩阵运算。

步骤S235，反复迭代上述步骤直至收敛得到目标图像序列。

本实施例中通过重复步骤S231，步骤S232，步骤S233，步骤S234的运算直到所求目标图像序列收敛，得到最终的目标图像序列。

上述方法通过约束图像序列所形成的Hankel矩阵的低秩特性，将图像序列的指数衰减信号作为先验知识引入图像序列重构过程中，修正了压缩感知图像重建中所产生的误差，提高通过参数估计模型生成参数图像的准确性。

如图6所示，在一个实施例中，一种磁共振快速参数成像系统，系统包括：图像重建模块20和参数估计模块30。

图像重建模块20，用于根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，先验信息是参数估计过程中预先获知的信息。

本实施例中，先验信息即关于信号特性的一切先验知识，如稀疏性、平滑性、指数衰减特性等。其中，指数衰减特性是由信号的物理模型决定的，即参数估计中可预先获知的信息。利用先验信息和欠采样磁共振信号进行目标图像序列重构能够得到目标图像序列。由于目标图像序列重构的过程中引入了参数估计中可预先获知的信息，从而可以进一步减少目标图像序列重构产生的误差，使得参数估计更加准确。

参数估计模块30，用于将目标图像序列代入参数估计模型中生成参数图像。

本实施例中，将上述的目标图像序列代入参数估计模型求解得到参数图像。参数成像包括：单指数、多指数模型的T2成像、T2*成像、T1ρ成像、髓鞘分数成像等。

具体的，以T2参数成像为例，T2加权磁共振图像序列一般满足如下指数递减关系，其公式可以表示为：

${\mathrm{\ρ}}_n\left(r\right)={\mathrm{\ρ}}_0\left(r\right)\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{e}^{-\mathrm{n\ΔTE}/T_{2l}\left(r\right)}---\left(1\right)$

其中ρ₀表示质子的密度分布函数，ρ_n表示第n个回波时间对应的T2加权图像，r为空间坐标，ΔTE为回波间隔，T_2l为第l种水分子中的氢质子的T2参数图。通常情况下L的取值范围为1～3。在假定高斯噪声的条件下，将T2加权图像序列代入（1）式，运用最小二乘法就可估计得到T2参数图像。

如图7所示，在另一个实施例中，磁共振快速参数成像系统还包括：

信号获取模块10，用于对目标进行扫描得到欠采样磁共振信号。

本实施例中，通过磁共振扫描仪对目标进行扫描就能获取目标的欠采样磁共振信号。根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，先验信息是参数估计过程中预先获知的信息。将目标图像序列代入参数估计模型中生成参数图像。

如图8所示，在一个实施例中，图像重建模块20包括：

初始化单元21，用于通过填零傅立叶方法初始化目标图像序列。

本实施例中，通过填零傅立叶方法对目标图像序列进行初始化：ρ^（0）=F^HW^Hy，其中ρ⁽⁰⁾表示初始化的目标图像序列，y为K空间的欠采样数据，F为傅立叶变换矩阵，W表示欠采样算子，H表示共轭转置。

运算单元23，用于通过基于非线性滤波稀疏重建的方法对目标图像序列重构进而求解得到目标图像序列。

本实施例中，通过基于非线性滤波稀疏重建的方法对目标图像序列重构进而求解得到目标图像序列。具体的，以T2参数成像为例，将Hankel矩阵的秩作为约束条件引入目标图像序列重建模型中进行求解。求解公式如下：

$\begin{array}{c}\underset{\mathrm{\ρ}}{\min }|\mathrm{\ΨB\ρ}{|}_1\\ s.t.{\left|\right|y-\mathrm{WF\ρ}\left|\right|}_2^2\≤\mathrm{\ϵ}\\ \mathrm{rank}\left(H\right[{\mathrm{\ρ}}_1\left(r\right),{\mathrm{\ρ}}_2\left(r\right),\·\·\·,{\mathrm{\ρ}}_M\left(r\right)\left]\right)=L,\∀r\∈\mathrm{\Ω}\end{array}---\left(2\right)$

其中ρ表示目标图像序列，y为K空间的欠采样数据，F为傅立叶变换矩阵，W表示欠采样算子，B表示时间域的稀疏变换矩阵（如主成分分析PCA变换），Ψ表示图像域的稀疏变换矩阵（如小波变换）。ε控制重建图像与采样数据间的相对距离，通常与噪声等级成正比。函数H[ρ₁(r),ρ₂(r),...,ρ_M(r)]表示形式Hankel矩阵的运算，Ω表示图像域坐标点集合。（2）式可以通过基于非线性滤波稀疏重建的方法求解。

如图9所示，在一个实施例中，运算单元23包括：

稀疏约束单元231，用于基于稀疏采样理论，对目标图像序列在某一稀疏变化域内的系数做软阈值处理。

本实施例中，通过对目标图像序列在某一稀疏变化域（如PCA、小波变换）内的系数进行软阈值处理，使得目标图像序列在该稀疏变换域内是稀疏的。

具体的，对目标图像序列利用公式：（a）α^(k)=ΨBρ^(k)，（b）α^(k+1)＝SoftThresholding(α^(k),τ)，（c）ρ^(k+1)＝B^HΨ^Hα^(k+1)，进行迭代。其中α为变换域系数，ρ表示目标图像序列，B表示时间域的稀疏变换矩阵（如PCA变换），Ψ表示图像域的稀疏变换矩阵（如小波变换），上标k表示第k次迭代，SoftThresholding()是软阈值函数，阈值为τ。

矩阵构造单元232，用于根据参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵。

本实施例中，根据T2参数估计模型，将目标图像序列的每一空间位置对应的时间信号排列成如下形式：

$H=\left[\begin{array}{cccc}{\mathrm{\ρ}}_1\left(r\right)& {\mathrm{\ρ}}_2\left(r\right)& \·\·\·& {\mathrm{\ρ}}_K\left(r\right)\\ {\mathrm{\ρ}}_2\left(r\right)& {\mathrm{\ρ}}_3\left(r\right)& \·\·\·& {\mathrm{\ρ}}_{K+1}\left(r\right)\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ {\mathrm{\ρ}}_{M-K+1}\left(r\right)& {\mathrm{\ρ}}_{M-K+2}\left(r\right)& \·\·\·& {\mathrm{\ρ}}_M\left(r\right)\end{array}\right]$

上述形式的矩阵称之为Hankel矩阵。其中，M表示回波时间总数，即图像序列的图像个数。只要图像序列满足公式（1），上述Hankel矩阵就是一个低秩矩阵，且秩等于L。模型约束单元233，用于对Hankel矩阵求低秩近似，以使得目标图像序列每一空间位置所对应的时间信号呈指数衰减。

本实施例中，求解出Hankel矩阵的低秩近似Hankel矩阵，其中Hankel矩阵的秩是根据参数估计模型选取的，从Hankel矩阵的低秩近似矩阵中提取图像序列空间位置所对应的指数衰减信号。

如图10所示，在一个实施例中，模型约束单元233包括：

低秩近似矩阵求解单元2331，用于通过奇异值分解对Hankel矩阵求低秩近似矩阵。

本实施例中，利用公式：[U S V]＝svd(H)对Hankel矩阵做奇异值分解。其中U和V分别是左、右奇异值向量矩阵，对角阵S为奇异值矩阵。令u_k和v_k分别表示U和V的第k列，σ_k为第k个奇异值。取前L个最大的奇异值及其对应的奇异向量形成低秩近似矩阵，该低秩近似矩阵可以表示为: $\tilde{H}={\mathrm{\Σ}}_{k=1}^L{u}_k{\mathrm{\σ}}_k{v}_k^T.$

Hankel矩阵恢复单元2333，用于沿低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复低秩近似矩阵的Hankel结构。

信号提取单元2335，用于从低秩近似Hankel矩阵中提取目标图像序列每一空间位置对应的时间信号。

本实施例中，对低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复低秩近似矩阵的Hankel结构，并从低秩近似Hankel矩阵中提取目标图像序列每一空间位置对应的时间信号。

信号保真单元234，用于将欠采样磁共振信号代入目标图像序列的K空间，以使得目标图像序列跟欠采样磁共振信号一致。

本实施例中，通过公式：

以使得图像序列与目标图像序列的K空间数据一致。其中y为K空间的欠采样数据，F为傅立叶变换矩阵，W_C表示取选取K空间未采样位置的矩阵运算。

迭代收敛单元235，用于反复迭代上述步骤直至收敛得到目标图像序列。

本实施例中通过重复步骤S231，步骤S232，步骤S233，步骤S234的运算直到所求目标图像序列收敛，得到最终的目标图像序列。

上述方法通过约束图像序列所形成的Hankel矩阵的低秩特性，将图像序列的指数衰减信号作为先验知识引入图像序列重构过程中，修正了压缩感知图像重建中所产生的误差，提高通过参数估计模型生成参数图像的准确性。

以上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)

1.一种磁共振快速参数成像的方法，所述方法包括：

根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，所述先验信息是参数估计过程中预先获知的信息；

将所述目标图像序列代入参数估计模型中生成参数图像。

2.根据权利要求1所述的方法，其特征在于，所述根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列的步骤之前，所述方法还包括：

对目标进行扫描得到欠采样磁共振信号。

3.根据权利要求1所述的方法，其特征在于，所述根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列的步骤为：

通过填零傅立叶方法初始化目标图像序列；

通过基于非线性滤波稀疏重建的方法对所述目标图像序列重构进而求解得到目标图像序列。

4.根据权利要求3所述的方法，其特征在于，的步骤为：

基于稀疏采样理论，对所述目标图像序列在某一稀疏变化域内的系数做软阈值处理；

根据所述参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵；

对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减；

将所述欠采样磁共振信号代入所述目标图像序列的K空间，以使得目标图像序列跟所述欠采样磁共振信号一致；

反复迭代上述步骤直至收敛得到目标图像序列。

5.根据权利要求4所述的方法，其特征在于，所述对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减的步骤为：

通过奇异值分解对所述Hankel矩阵求低秩近似矩阵；

沿所述低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复所述低秩近似矩阵的Hankel结构；

从所述低秩近似Hankel矩阵中提取所述目标图像序列每一空间位置对应的时间信号。

6.一种磁共振快速参数成像系统，所述系统包括：

图像重建模块，用于根据欠采样磁共振信号和先验信息进行目标图像序列重构得到目标图像序列，所述先验信息是参数估计过程中预先获知的信息；

参数估计模块，用于将所述目标图像序列代入参数估计模型中生成参数图像。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：

信号获取模块，用于对目标进行扫描得到欠采样磁共振信号。

8.根据权利要求6所述的系统，其特征在于，所述图像重建模块包括：

初始化单元，用于通过填零博立叶方法初始化目标图像序列；

运算单元，用于通过基于非线性滤波的稀疏重建方法对所述目标图像序列重构进而求解得到所述目标图像序列。

9.根据权利要求8所述的系统，其特征在于，所述运算单元包括：

稀疏约束单元，用于基于稀疏采样理论，对所述目标图像序列在某一稀疏变化域内的系数做软阈值处理；

矩阵构造单元，用于根据所述参数估计模型，将目标图像序列每一空间位置对应的时间信号构造成Hankel矩阵；

模型约束单元，用于对所述Hankel矩阵求低秩近似，以使得所述目标图像序列每一空间位置所对应的时间信号呈指数衰减；

信号保真单元，用于将所述欠采样磁共振信号代入所述目标图像序列的K空间，以使得目标图像序列跟所述欠采样磁共振信号一致；

迭代收敛单元，用于反复迭代上述单元直至收敛得到目标图像序列。

10.根据权利要求9所述的系统，其特征在于，所述模型约束单元包括：

低秩近似矩阵求解单元，用于通过奇异值分解对所述Hankel矩阵求低秩近似矩阵；

Hankel矩阵恢复单元，用于沿所述低秩近似矩阵的反对角线方向作平均值运算增强信号，恢复所述低秩近似矩阵的Hankel结构；

信号提取单元，用于从所述低秩近似Hankel矩阵中提取所述目标图像序列每一空间位置对应的时间信号。

Images