CN104063886A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104063886A CN104063886A CN201410112663.2A CN201410112663A CN104063886A CN 104063886 A CN104063886 A CN 104063886A CN 201410112663 A CN201410112663 A CN 201410112663A CN 104063886 A CN104063886 A CN 104063886A
- Authority
- CN
- China
- Prior art keywords
- image
- count
- subblock
- magnetic resonance
- image subblock
- 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
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及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,主要目的是提高核磁共振图像的重建质量。本发明的具体步骤是:首先,对磁共振图像对应的傅里叶变换系数,采用变密度随机下采样的方式采样,对采样数据进行傅里叶反变换得到用于重建的初始参考图像;其次,对参考图像进行分块,得到的每类图像子块具有相似的结构特征,并得到每类图像子块对应的字典和图像子块的稀疏表示系数;最后,利用图像子块的非局部相似性估计原始图像,对图像子块的稀疏系数进行约束,结合图像在小波域的稀疏性,通过混合正则项求解模型进行迭代重建。本发明充分利用图像的非局部相似性,能有效重建图像中的复杂纹理,提高重建图像质量。
Description
技术领域
本发明属于图像处理技术领域,涉及一种核磁共振图像重建方法,具体是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。
背景技术
磁共振成像是一种重要的医学成像技术,在临床中有着广泛的应用。近年来的研究表明,压缩感知理论能够利用相比其它方法更少的采样数据较好重建图像。该理论指出在重建磁共振图像的问题中,如果图像在某个确定的变换域中能够稀疏的表示,那么利用核磁共振图像对应的频域下采样数据能够以很高的概率完整重建原始图像。一种重建图像的方法是将图像的重建问题转化为凸优化问题。已有的采用全变差约束和稀疏域l1范数约束的凸优化重建方法,对纹理结构复杂的图像重建效果不佳,图像的细节很难重建。通过利用非局部相似性先验信息对图像的稀疏表示系数进行约束,可以降低重建图像中的块效应,改善图像中纹理结构的重建效果。进而降低所需的采样数据量,具有实际意义。
发明内容
本发明的目的是提供一种充分利用图像非局部相似性的核磁共振图像重建方法,使得能够有效重建图像中的各种结构,提高重建质量。
为了实现上述目的,本发明提供的技术方案如下:
首先,对磁共振图像对应的傅里叶变换系数,采用变密度随机下采样的方式采样,由采样得到的数据通过傅里叶反变换得到用于重建的初始参考图像;其次,对初始参考图像进行分块,依据图像子块中的边缘和结构对图像子块进行分类,并得到每类图像子块对应的字典和图像子块的稀疏表示系数;最后,利用非局部相似性先验信息引入针对图像稀疏系数的约束项,结合图像在小波域的稀疏性,通过混合正则项求解模型对图像进行迭代重建。
具体实现方案包括以下步骤:
步骤(1)获取用于重建的初始参考图像,具体是:
对磁共振图像对应的傅里叶变换系数,采用变密度随机下采样的方式采样,即对傅里叶系数对应图像低频信息的部分较多的采样,对傅里叶系数对应图像高频信息的部分较少采样;对得到的采样数据矩阵缺失的部分补零值,然后用二维傅里叶反变换得到用于重建的初始参考图像x(0)。
步骤(2)对参考图像分块并对图像子块分类,求得每类对应的字典和图像子块对应类字典的稀疏系数,具体是:
将输入图像x=x(0)进行分块,即利用提取图像子块的矩阵Pi通过式xi=Pix从x中得到大小为n×n的图像子块xi,总的分块数为Π,其中对图像子块进行高通滤波,然后使用K均值算法对图像子块进行分类,得到具有相似结构特征的K类图像子块;利用主成分分析法(PCA)求得每一类的字典,由K类图像子块对应的K个子字典构成整个图像的字典;对于每一图像子块xi选择该块所属类k对应的子字典则图像子块xi对应的稀疏系数可以通过求解l1范数最小问题得到,如式(1)所示:
其中常数λ表示正则化参数,由此,得到对应的稀疏表示为
步骤(3)对图像子块稀疏系数进行约束,迭代重建磁共振图像,具体是:
对于每个图像子块xi,以xi的中心为中心、大小为S×S的范围内搜索其非局部相似的块,得到xi所有非局部相似图像子块的集合表示为Ci,Q(Ci)为该集合中的元素个数;利用图像的非局部相似性对重建图像进行估计,令xi,j为xi的非局部相似的图像子块,其稀疏系数表示为则重建图像子块xi对应的稀疏系数的无偏估计表示为可通过式(2)计算:
其中,ωi,j是权重,可以通过式(3)计算,其中h为权重控制常数;
非局部中心化的稀疏表示约束项为其中表示的转置;利用该约束项可使重建图像的稀疏系数逼近由估计得到的稀疏系数,从而得到重建模型为式(4):
其中,R表示局部傅里叶变换(Partial Fourier Transform)矩阵,K空间下采 样数据为b=Rx+noise,noise为高斯白噪声,正则项中的稀疏变换矩阵采用小波变换矩阵,常数β、γ为正则化参数,为图像子块xi所属类的子字典。
模型求解之前给出如下定义:给定连续凸函数g(s)和参数ρ>0,表示函数f在点u处的梯度,则s到u的近似映射过程定义为:
模型求解的具体步骤如下:
1)输入:步骤(1)中重建的初始参考图像x(0),迭代次数count=1,最大迭代次数MaxIter,重建误差ε,初始化参数ρ,β,γ,t(count)=1,r(count)=x(0);
2)更新重建图像: 其中
3)通过迭代阈值收缩算法求解,即分别求解:
xgi=Pixg
4)求解xv1、xv2的算术平均:
5)求解x(count)在图像数据范围的投影,即求解x(count)=project(x(count),[l,h]):投影函数θ=project(θ,[l,h])定义为:l,h为常数,变量θ满足①当l≤θ≤h时,θ=θ;②当θ<l时,θ=l;③当θ>h时,θ=h;
6)更新迭代过程中的参数t(count),r(count):
count=count+1 (8)
r(count)=x(count-1)+((t(count-1)-1)/t(count))(x(count-1)-x(count-2)) (10)
7)判断迭代终止条件:当满足count>MaxIter或者满足式(11)时停止迭代,执行步骤8),否则返回步骤2)继续迭代;
8)输出重构图像x=x(count-1)。
本发明在算法的迭代过程中,利用图像中存在的非局部相似性得到估计的图像,在采用传统重建算法中基于稀疏性先验约束的同时,约束重建图像的稀疏系数逼近估计获得的图像的稀疏系数;得到了非局部稀疏表示正则化的磁共振图像重建模型,该模型能够有效降低重建图像中的块效应,对纹理结构复杂的图像能够较好的重建。
具体实施方式
以下结合实施实例对本发明进行详细说明:
步骤(1)获取用于重建的初始参考图像,具体是:
对大小为256×256的核磁共振灰度图像进行傅里叶变换,采用变密度随机下采样的方式对傅里叶变换系数进行采样,即对傅里叶系数对应图像低频信息的部分较多的采样,对傅里叶系数对应图像高频信息的部分较少采样;可以取采样得到的数据量占全部傅里叶变换数据的16%-30%,如取20%;对得到的采样数据矩阵缺失的部分补零值,然后用二维傅里叶反变换得到用于重建的初始参考图像x(0);
步骤(2)对参考图像分块并对图像子块分类,求得每类对应的字典和图像子块对应类字典的稀疏系数,具体是:
将输入图像x=x(0)进行分块,即利用提取图像子块的矩阵Pi通过式xi=Pix从x中得到大小为n×n的图像子块xi,总的分块数为Π,其中对图像子块进行高通滤波,然后使用K均值算法对图像子块进行分类,得到具有相似结构特征的K类图像子块,此处K取40;利用PCA求得每一类的字典,由K类图像子块对应的K个子字典构成整个图像的字典;对于每一图像子块xi选择该块所属类k对应的子字典则图像子块xi对应的稀疏系数可以通过求解l1范数最小问题得到,如式(1)所示:
其中常数λ表示正则化参数,由此,得到对应的稀疏表示为
步骤(3)对图像子块稀疏系数进行约束,迭代重建磁共振图像,具体是:
对于每个图像子块xi,以xi的中心为中心、大小为13×13的范围内搜索其非 局部相似的块,得到xi所有非局部相似图像子块的集合表示为Ci,Q(Ci)为该集合中的元素个数;利用图像的非局部相似性对重建图像进行估计,令xi,j为xi的非局部相似的图像子块,其稀疏系数表示为则重建图像子块xi对应的稀疏系数的无偏估计表示为可通过式(2)计算:
其中,ωi,j是权重,可以通过式(3)计算,其中h为权重控制常数取75;
非局部中心化的稀疏表示约束项为其中表示的转置;利用该约束项可使重建图像的稀疏系数逼近由估计得到的稀疏系数,从而得到重建模型为式(4):
其中,R表示Partial Fourier transform矩阵,K空间下采样数据为b=Rx+noise,noise为高斯白噪声,正则项中的稀疏变换矩阵采用小波变换矩阵,常数β、γ为正则化参数,为图像子块xi所属类的子字典;
模型求解之前给出如下定义:给定连续凸函数g(s)和参数ρ>0,表示函数f在点u处的梯度,则s到u的近似映射过程定义为:
模型求解的具体步骤如下:
1)输入:步骤(1)中重建的初始参考图像x(0),迭代次数count=1,最大迭代次数MaxIter,重建误差ε,初始化参数ρ,β,γ,t(count)=1,r(count)=x(0);
2)更新重建图像: 其中
3)通过迭代阈值收缩算法求解,即分别求解:
xgi=Pixg
4)求解xv1、xv2的算术平均:
5)求解x(count)在图像数据范围的投影,即求解x(count)=project(x(count),[l,h]):投影函数θ=project(θ,[l,h])定义为:l,h为常数,变量θ满足①当l≤θ≤h时,θ=θ;②当θ<l时,θ=l;③当θ>h时,θ=h;
6)更新迭代过程中的参数t(count),r(count):
count=count+1 (8)
r(count)=x(count-1)+((t(count-1)-1)/t(count))(x(count-1)-x(count-2)) (10)
7)判断迭代终止条件:当满足count>MaxIter或者满足式(11)时停止迭代,执行步骤8),否则返回步骤2)继续迭代;
8)输出重构图像x=x(count-1)。
Claims (1)
1.一种基于稀疏表示和非局部相似的核磁共振图像重建方法,其特征在于该方法包括如下步骤:
步骤(1)获取用于重建的初始参考图像,具体是:
对磁共振图像对应的傅里叶变换系数,采用变密度随机下采样的方式采样,即对傅里叶系数对应图像低频信息的部分较多的采样,对傅里叶系数对应图像高频信息的部分较少采样;对得到的采样数据矩阵缺失的部分补零值,然后用二维傅里叶反变换得到用于重建的初始参考图像x(0);
步骤(2)对参考图像分块并对图像子块分类,求得每类对应的字典和图像子块对应类字典的稀疏系数,具体是:
将输入图像x=x(0)进行分块,即利用提取图像子块的矩阵Pi通过式xi=Pix从x中得到大小为n×n的图像子块xi,总的分块数为Π,其中 对图像子块进行高通滤波,然后使用K均值算法对图像子块进行分类,得到具有相似结构特征的K类图像子块;利用主成分分析法求得每一类的字典,由K类图像子块对应的K个子字典构成整个图像的字典;对于每一图像子块xi选择该块所属类k对应的子字典则图像子块xi对应的稀疏系数可以通过求解l1范数最小问题得到,如式(1)所示:
其中常数λ表示正则化参数,由此,得到对应的稀疏表示为
步骤(3)对图像子块稀疏系数进行约束,迭代重建磁共振图像,具体是:
对于每个图像子块xi,以xi的中心为中心、大小为S×S的范围内搜索其非局部相似的块,得到xi所有非局部相似图像子块的集合表示为Ci,Q(Ci)为该集合中的元素个数;利用图像的非局部相似性对重建图像进行估计,令xi,j为xi的非局部相似的图像子块,其稀疏系数表示为则重建图像子块xi对应的稀疏系数的无偏估计表示为可通过式(2)计算:
其中,ωi,j是权重,通过式(3)计算,其中h为权重控制常数;
非局部中心化的稀疏表示约束项为其中 表示的转置;利用该约束项可使重建图像的稀疏系数逼近由估计得到的稀疏系数,从而得到重建模型为式(4):
其中,R表示局部傅里叶变换矩阵,K空间下采样数据为b=Rx+noise,noise为高斯白噪声,正则项中的稀疏变换矩阵采用小波变换矩阵,常数β、γ为正则化参数,为图像子块xi所属类的子字典;
模型求解之前给出如下定义:给定连续凸函数g(s)和参数ρ>0,表示函数f在点u处的梯度,则s到u的近似映射过程定义为:
模型求解的具体步骤如下:
1)输入:步骤(1)中重建的初始参考图像x(0),迭代次数count=1,最大迭代次数MaxIter,重建误差ε,初始化参数ρ,β,γ,t(count)=1,r(count)=x(0);
2)更新重建图像:其中
3)通过迭代阈值收缩算法求解,即分别求解:
xgi=Pixg
4)求解xv1、xv2的算术平均:
5)求解x(count)在图像数据范围的投影,即求解x(count)=project(x(count),[l,h]):投影函数θ=project(θ,[l,h])定义为:l,h为常数,变量θ满足①当l≤θ≤h时,θ=θ;②当θ<l时,θ=l;③当θ>h时,θ=h;
6)更新迭代过程中的参数t(count),r(count):
count=count+1 (8)
r(count)=x(count-1)+((t(count-1)-1)/t(count))(x(count-1)-x(count-2)) (10)
7)判断迭代终止条件:当满足count>MaxIter或者满足式(11)时停止迭代,执行步骤8),否则返回步骤2)继续迭代;
8)输出重构图像x=x(count-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410112663.2A CN104063886B (zh) | 2014-03-24 | 2014-03-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410112663.2A CN104063886B (zh) | 2014-03-24 | 2014-03-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104063886A true CN104063886A (zh) | 2014-09-24 |
CN104063886B CN104063886B (zh) | 2017-01-11 |
Family
ID=51551578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410112663.2A Expired - Fee Related CN104063886B (zh) | 2014-03-24 | 2014-03-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104063886B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104463793A (zh) * | 2014-11-12 | 2015-03-25 | 合肥工业大学 | 一种基于稀疏表达与极坐标下的向量连分式插值的视频超分辨率重建方法及其系统 |
CN105184833A (zh) * | 2015-08-25 | 2015-12-23 | 河海大学 | 一种带噪cs-mri图像重建方法 |
CN105321156A (zh) * | 2015-11-26 | 2016-02-10 | 三维通信股份有限公司 | 一种基于多元结构的图像复原方法 |
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 |
CN105678822A (zh) * | 2016-01-13 | 2016-06-15 | 哈尔滨理工大学 | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 |
CN105676156A (zh) * | 2015-12-31 | 2016-06-15 | 深圳先进技术研究院 | 一种基于多通道协作编码的磁共振成像重建方法和装置 |
CN105957029A (zh) * | 2016-04-25 | 2016-09-21 | 南方医科大学 | 基于张量字典学习的磁共振图像重建方法 |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106485764A (zh) * | 2016-11-02 | 2017-03-08 | 中国科学技术大学 | Mri图像的快速精确重建方法 |
CN107301632A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于排序联合稀疏表示的sar图像降斑方法 |
CN107301629A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于变换域联合稀疏表示的图像重构方法 |
WO2018137199A1 (en) * | 2017-01-25 | 2018-08-02 | Tsinghua University | Real-time phase-contrast flow mri with low rank modeling and parallel imaging |
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 |
CN108825205A (zh) * | 2018-04-09 | 2018-11-16 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
CN110573896A (zh) * | 2017-06-29 | 2019-12-13 | 上海联影医疗科技有限公司 | 用于磁共振成像加速的系统和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100308824A1 (en) * | 2009-05-27 | 2010-12-09 | Siemens Corporation | Method for reconstructing images of an imaged subject from a parallel mri acquisition |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN102651125A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于非局部全变差的核磁共振图像重构方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN103617607A (zh) * | 2013-11-28 | 2014-03-05 | 天津大学 | 一种单幅图像超分辨率重建方法 |
-
2014
- 2014-03-24 CN CN201410112663.2A patent/CN104063886B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100308824A1 (en) * | 2009-05-27 | 2010-12-09 | Siemens Corporation | Method for reconstructing images of an imaged subject from a parallel mri acquisition |
CN102142137A (zh) * | 2011-03-10 | 2011-08-03 | 西安电子科技大学 | 基于高分辨率字典的稀疏表征图像超分辨重建方法 |
CN102651125A (zh) * | 2012-04-07 | 2012-08-29 | 西安电子科技大学 | 基于非局部全变差的核磁共振图像重构方法 |
CN103295196A (zh) * | 2013-05-21 | 2013-09-11 | 西安电子科技大学 | 基于非局部字典学习和双正则项的图像超分辨率重建方法 |
CN103617607A (zh) * | 2013-11-28 | 2014-03-05 | 天津大学 | 一种单幅图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
JUNZHOU HUANG 等: "Efficient MR image reconstruction for compressed MR imaging", 《MEDICAL IMAGE ANALYSIS》 * |
沈松 等: "基于稀疏表示的超分辨率图像重建", 《电子测量技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299193B (zh) * | 2014-09-29 | 2017-02-15 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104299193A (zh) * | 2014-09-29 | 2015-01-21 | 杭州电子科技大学 | 一种基于高频和中频信息的图像超分辨率重建方法 |
CN104463793A (zh) * | 2014-11-12 | 2015-03-25 | 合肥工业大学 | 一种基于稀疏表达与极坐标下的向量连分式插值的视频超分辨率重建方法及其系统 |
CN104463793B (zh) * | 2014-11-12 | 2017-08-04 | 合肥工业大学 | 一种视频超分辨率重建方法及其系统 |
CN105184833A (zh) * | 2015-08-25 | 2015-12-23 | 河海大学 | 一种带噪cs-mri图像重建方法 |
CN105321156A (zh) * | 2015-11-26 | 2016-02-10 | 三维通信股份有限公司 | 一种基于多元结构的图像复原方法 |
CN105321156B (zh) * | 2015-11-26 | 2018-05-22 | 三维通信股份有限公司 | 一种基于多元结构的图像复原方法 |
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 |
CN105676156A (zh) * | 2015-12-31 | 2016-06-15 | 深圳先进技术研究院 | 一种基于多通道协作编码的磁共振成像重建方法和装置 |
CN105678822A (zh) * | 2016-01-13 | 2016-06-15 | 哈尔滨理工大学 | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 |
CN105678822B (zh) * | 2016-01-13 | 2018-09-11 | 哈尔滨理工大学 | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 |
CN105957029A (zh) * | 2016-04-25 | 2016-09-21 | 南方医科大学 | 基于张量字典学习的磁共振图像重建方法 |
CN105957029B (zh) * | 2016-04-25 | 2019-06-04 | 南方医科大学 | 基于张量字典学习的磁共振图像重建方法 |
CN106204482A (zh) * | 2016-07-08 | 2016-12-07 | 桂林电子科技大学 | 基于加权稀疏的混合噪声去除方法 |
CN106485764A (zh) * | 2016-11-02 | 2017-03-08 | 中国科学技术大学 | Mri图像的快速精确重建方法 |
CN106485764B (zh) * | 2016-11-02 | 2019-11-22 | 中国科学技术大学 | Mri图像的快速精确重建方法 |
WO2018137199A1 (en) * | 2017-01-25 | 2018-08-02 | Tsinghua University | Real-time phase-contrast flow mri with low rank modeling and parallel imaging |
CN107301632A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于排序联合稀疏表示的sar图像降斑方法 |
CN107301629A (zh) * | 2017-06-28 | 2017-10-27 | 重庆大学 | 一种基于变换域联合稀疏表示的图像重构方法 |
CN110573896A (zh) * | 2017-06-29 | 2019-12-13 | 上海联影医疗科技有限公司 | 用于磁共振成像加速的系统和方法 |
CN110573896B (zh) * | 2017-06-29 | 2022-05-24 | 上海联影医疗科技股份有限公司 | 用于磁共振成像加速的系统和方法 |
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 |
CN108825205A (zh) * | 2018-04-09 | 2018-11-16 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
CN108825205B (zh) * | 2018-04-09 | 2020-09-22 | 中国石油大学(北京) | 井下核磁共振波谱信号压缩感知采集方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104063886B (zh) | 2017-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104063886A (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 | |
Ongie et al. | Off-the-grid recovery of piecewise constant images from few Fourier samples | |
Liu et al. | Projected iterative soft-thresholding algorithm for tight frames in compressed sensing magnetic resonance imaging | |
WO2018099321A1 (zh) | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 | |
Ravishankar et al. | Data-driven learning of a union of sparsifying transforms model for blind compressed sensing | |
CN103472419B (zh) | 磁共振快速成像方法及其系统 | |
Kelkar et al. | Compressible latent-space invertible networks for generative model-constrained image reconstruction | |
Yousif et al. | An improved approach for medical image fusion using sparse representation and Siamese convolutional neural network | |
CN106056647A (zh) | 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法 | |
CN104574456B (zh) | 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法 | |
Nguyen-Duc et al. | Frequency-splitting dynamic MRI reconstruction using multi-scale 3D convolutional sparse coding and automatic parameter selection | |
CN103142228A (zh) | 压缩感知磁共振快速成像方法 | |
CN104899906A (zh) | 基于自适应正交基的磁共振图像重建方法 | |
Wang et al. | Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction | |
Aghabiglou et al. | Projection-Based cascaded U-Net model for MR image reconstruction | |
Zhang et al. | High-dimensional embedding network derived prior for compressive sensing MRI reconstruction | |
Qiusheng et al. | Compressed sensing MRI based on the hybrid regularization by denoising and the epigraph projection | |
Zhang et al. | Unrolled convolutional neural network for full-wave inverse scattering | |
Manimala et al. | Sparse MR image reconstruction considering Rician noise models: A CNN approach | |
Lang et al. | Undersampled MRI reconstruction based on spectral graph wavelet transform | |
Srikanth et al. | Image fusion based on wavelet transform for medical diagnosis | |
Ning et al. | Spectral quantification for high-resolution MR spectroscopic imaging with spatiospectral constraints | |
Kumar Sharma et al. | Denoising of brain MRI images using a hybrid filter method of Sylvester-Lyapunov equation and non local means | |
Yang et al. | Local sparsity enhanced compressed sensing magnetic resonance imaging in uniform discrete curvelet domain | |
He et al. | Dynamic MRI reconstruction exploiting blind compressed sensing combined transform learning regularization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 Termination date: 20180324 |
|
CF01 | Termination of patent right due to non-payment of annual fee |