CN104107044A - 一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 - Google Patents
一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 Download PDFInfo
- Publication number
- CN104107044A CN104107044A CN201410296691.4A CN201410296691A CN104107044A CN 104107044 A CN104107044 A CN 104107044A CN 201410296691 A CN201410296691 A CN 201410296691A CN 104107044 A CN104107044 A CN 104107044A
- Authority
- CN
- China
- Prior art keywords
- norm
- image
- magnetic resonance
- algorithm
- mri
- 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.)
- Pending
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
基于TV范数和L1范数两个正则项线性组合的磁共振成像是一个非常难解的问题。为了能够解决这一类复杂问题,本发明公开了一种有效算法。首先,本发明将原始问题分裂为相应的L1正则项和TV全变差正则项的两个子问题,这两个子问题可以通过现有技术SALSA(SplitAugmentedLagrangianShrinkageAlgorithm)有效解决,然后在每次的算法迭代中,将子问题的解通过线性组合得到重构图像。大量实验表明,本发明公开的算法具有较好的重构效果。
Description
技术领域
本发明涉及医学成像检测技术领域,特别涉及医学磁共振成像技术领域,具体是指一种基于TV(Total Variation)范数和L1范数的压缩感知磁共振图像重构方法。
背景技术
磁共振成像不仅具有对人体无辐射伤害、无需造影剂、多参数控制等优点,而且能够清楚的描述人体软组织结构的变化情况,因此被广泛的应用于临床医学诊断。如今,不断完善的压缩感知理论显示,可以从K空间欠采样的数据中精确的重构出磁共振图像,从而降低扫描时间。
影响磁共振成像速度的主要包括两个方面:(1)原始数据采集速度;(2) k-t空间数据采集数量。研究人员通过改进MRI硬件、快速序列设计研究及有效的采集轨迹来提高原始数据采集速度。但是由于硬件和人的生理条件限制,在缩短数据采集时间方面已经接近极限。因此,更多的研究者把精力放在如何在不降低图像质量条件下减少数据采集总量上。
传统的快速磁共振成像方法都受到奈奎斯特定理的限制。但是近年来提出的压缩感知理论,突破了香农(Shannon)采样定理关于采样速率必须高于两倍信号带宽的极限,因此,一些基于压缩感知理论的磁共振成像方法被提了出来,例如TVCMRI(Compressed MRI Reconstruction based on Total Variation)、 RecPF(Reconstruction from Partial Fourier data)、CSA(Composite Splitting Algorithm)和 FCSA(Fast Composite Splitting Algorithm)等。这些基于压缩感知的算法能够更好的利用k空间和时间的相关性,来减少采集成像所需的数据,不仅减少误差,而且进一步加速图像采集,因此成为磁共振成像领域的研究热点。
发明内容
本发明的目的是为了解决基于TV范数和L1范数两个正则项线性组合的磁共振成像问题,公开了一种基于TV范数和L1范数的压缩感知磁共振图像重构方法(apply SALSA to solve CS-MRI with two Regularizations,SALSA-2R-CSMRI)。本发明基于TV范数和L1范数的压缩感知磁共振图像重构方法具体步骤如下:
(1) 设置初始条件, ,,,,,,和;
(2) 循环计算子问题,
;
;
;
;
(3) 第次迭代重构图像
;
(4) 更新,,和,
;
;
;
;
(5) 更新,;
(6) 判断是否满足停止条件。
附图说明
图1 Brain原始图像和各种算法重建的图像视觉效果对比,(a)原始图,(b)TVCMRI,(c)RecPF,(d)CSA,(e)FCSA,(f)SALSA-2R-CSMRI。
图2 Cardiac原始图像和各种算法重建的图像视觉效果对比,(a)原始图,(b)TVCMRI,(c)RecPF,(d)CSA,(e)FCSA,(f)SALSA-2R-CSMRI。
图3 (a) Brain MR 图像重建各种算法迭代时间(CPU Time)和重构图像信噪比 (SNR) 对比曲线;(b) Cardiac MR图像重建各种算法迭代时间和重构图像信噪比对比曲线。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
(1) 测量值由如下形式所得,
其中为高斯白噪声,其标准方差=0.001,为部分傅里叶变换,为原始图像信息。
(2) 和作为已知的输入数据,同时考虑图像稀疏特性和图像光滑特性,建立如下复合正则化目标函数,
(1)
(3) 正则参数确定。设定正则项参数的值为:=0.001和=0.035。
(4) 用SALSA方法求解复合正则化问题,得到的解就是重建的磁共振图像信息。
图1和图2对于脑部(Brain)和心脏(Cardiac)MR图像,不同算法重构的图像视觉效果对比中,本发明公布的方法能够有效重构原始图像信息,而且大大改善了重构图像质量。
在图3中信噪比SNR如下定义,
(2)
其中是原始图像,是算法重建的图像。
Claims (3)
1.一种基于TV范数和L1范数的压缩感知磁共振图像重构方法,其特征在于采用分裂增广拉格朗日收缩算法(Split Augmented Lagrangian Shrinkage Algorithm,SALSA)来求解如下同时考虑图像稀疏和图像光滑的复合正则化问题,
(1)
其中,为磁共振图像,是部分傅里叶变换操作算子,为图像在K空间的采样数据(又称测量值),即,为估计值,和为大于零的参数,为小波变换矩阵。
2.一种基于TV范数和L1范数的压缩感知磁共振图像重构方法,其特征在于该方法包括以下步骤:
2.1 将式(1)分裂为TV正则项和L1正则项的两个简单易解的子问题;
2.2 采用SALSA算法并行解决分裂所得的子问题;
2.3 然后将子问题所得的结果进行线性组合获得重构图像。
3.该发明利用了SALSA的快速收敛性和有效性,并行求解每个正则项,从而大大的改善了重构图像质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410296691.4A CN104107044A (zh) | 2014-06-27 | 2014-06-27 | 一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410296691.4A CN104107044A (zh) | 2014-06-27 | 2014-06-27 | 一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104107044A true CN104107044A (zh) | 2014-10-22 |
Family
ID=51704171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410296691.4A Pending CN104107044A (zh) | 2014-06-27 | 2014-06-27 | 一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104107044A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019189A (zh) * | 2016-05-18 | 2016-10-12 | 西南石油大学 | 一种基于自一致性的并行磁共振成像快速重构方法 |
CN106097441A (zh) * | 2016-06-25 | 2016-11-09 | 北京工业大学 | 基于l1范数与tv范数的复合正则化生物发光断层成像重建方法 |
CN107045728A (zh) * | 2016-12-14 | 2017-08-15 | 北京工业大学 | 生物发光断层成像复合正则化重建的自适应参数选择方法 |
CN107863969A (zh) * | 2017-09-06 | 2018-03-30 | 郑州工商学院 | 一种基于分析稀疏模型的信号恢复处理方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108460810A (zh) * | 2018-02-11 | 2018-08-28 | 南京邮电大学 | 一种全变分的并行磁共振图像快速重构方法 |
CN106019189B (zh) * | 2016-05-18 | 2019-07-16 | 西南石油大学 | 一种基于自一致性的并行磁共振成像快速重构方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975935A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于部分回波压缩感知的快速磁共振成像方法 |
CN103505206A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知理论的快速并行动态磁共振成像方法 |
-
2014
- 2014-06-27 CN CN201410296691.4A patent/CN104107044A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975935A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于部分回波压缩感知的快速磁共振成像方法 |
CN103505206A (zh) * | 2012-06-18 | 2014-01-15 | 山东大学威海分校 | 一种基于压缩感知理论的快速并行动态磁共振成像方法 |
Non-Patent Citations (2)
Title |
---|
JUNZHOU HUANG ET AL: "Efficient MR image reconstruction for compressed MR imaging", 《MEDICAL IMAGING ANALYSIS》, vol. 15, no. 5, 24 June 2011 (2011-06-24), XP028278040, DOI: doi:10.1016/j.media.2011.06.001 * |
MANYA V. AFONSO ET AL: "An Augmented Lagrangian Approach to the Constrained Optimization Formulation of Imaging Inverse Problems", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 20, no. 3, 31 March 2011 (2011-03-31) * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019189A (zh) * | 2016-05-18 | 2016-10-12 | 西南石油大学 | 一种基于自一致性的并行磁共振成像快速重构方法 |
CN106019189B (zh) * | 2016-05-18 | 2019-07-16 | 西南石油大学 | 一种基于自一致性的并行磁共振成像快速重构方法 |
CN106097441A (zh) * | 2016-06-25 | 2016-11-09 | 北京工业大学 | 基于l1范数与tv范数的复合正则化生物发光断层成像重建方法 |
CN107045728A (zh) * | 2016-12-14 | 2017-08-15 | 北京工业大学 | 生物发光断层成像复合正则化重建的自适应参数选择方法 |
CN107045728B (zh) * | 2016-12-14 | 2022-01-28 | 北京工业大学 | 生物发光断层成像复合正则化重建的自适应参数选择方法 |
CN107863969A (zh) * | 2017-09-06 | 2018-03-30 | 郑州工商学院 | 一种基于分析稀疏模型的信号恢复处理方法 |
CN107863969B (zh) * | 2017-09-06 | 2021-03-23 | 武昌首义学院 | 一种基于分析稀疏模型的信号恢复处理方法 |
CN108416723A (zh) * | 2018-02-07 | 2018-08-17 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108416723B (zh) * | 2018-02-07 | 2022-02-18 | 南京理工大学 | 基于全变分正则化和变量分裂的无透镜成像快速重构方法 |
CN108460810A (zh) * | 2018-02-11 | 2018-08-28 | 南京邮电大学 | 一种全变分的并行磁共振图像快速重构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
US10671939B2 (en) | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction | |
Zhao et al. | Image reconstruction from highly undersampled (k, t)-space data with joint partial separability and sparsity constraints | |
Ravishankar et al. | Sparsifying transform learning for compressed sensing MRI | |
US9910118B2 (en) | Systems and methods for cartesian dynamic imaging | |
Geethanath et al. | Compressive sensing could accelerate 1H MR metabolic imaging in the clinic | |
CN104107044A (zh) | 一种基于tv范数和l1范数的压缩感知磁共振图像重构方法 | |
US20140219531A1 (en) | Systems and methods for accelerated dynamic magnetic resonance imaging | |
Menchón-Lara et al. | Reconstruction techniques for cardiac cine MRI | |
CN103505206A (zh) | 一种基于压缩感知理论的快速并行动态磁共振成像方法 | |
US20150285889A1 (en) | Systems and methods for accelerated imaging using variable density sampling and compressed sensing with parallel imaging | |
WO2009098371A2 (fr) | Procede de reconstruction d'un signal a partir de mesures experimentales perturbees et dispositif de mise en oeuvre | |
CN103472419A (zh) | 磁共振快速成像方法及其系统 | |
Han et al. | Temporal/spatial resolution improvement of in vivo DCE-MRI with compressed sensing-optimized FLASH | |
CN105678822B (zh) | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 | |
CN104143178A (zh) | 一种基于压缩感知理论的三个正则项的磁共振图像重构方法 | |
CN109920017B (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
WO2018187662A1 (en) | Methods for iterative reconstruction of medical images using primal-dual optimization with stochastic dual variable updating | |
Cao et al. | Full-view photoacoustic tomography using asymmetric distributed sensors optimized with compressed sensing method | |
CN112881958B (zh) | 基于低秩与稀疏分解的磁共振介入成像方法、系统及介质 | |
Quan et al. | Multi-GPU reconstruction of dynamic compressed sensing MRI | |
Konar et al. | Region of interest compressed sensing MRI | |
US11391803B2 (en) | Multi-shot echo planar imaging through machine learning | |
Malczewski | Super-Resolution with compressively sensed MR/PET signals at its input | |
Razzaq et al. | Non-uniform sparsity in rapid compressive sensing MRI |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20141022 |
|
WD01 | Invention patent application deemed withdrawn after publication |