CN104360295A - 基于字典学习的磁共振并行成像方法和装置 - Google Patents

Abstract

一种基于字典学习的磁共振并行成像方法，所述方法包括：利用并行采集部分k空间数据预估灵敏度得到编码矩阵；采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，所述数据拟合项中包括所述编码矩阵；将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程；在所述转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据；迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。采用该方法，能够自适应地获取目标图像的结构信息。此外还提供一种基于字典学习的磁共振并行成像装置。

Description

基于字典学习的磁共振并行成像方法和装置

技术领域

本发明涉及磁共振技术领域，特别是涉及一种基于字典学习的磁共振并行成像方法和装置。 

背景技术

并行磁共振成像技术通过采用多个接收线圈同时采集磁共振信号的空间信息，并且每个线圈均未对所有信号进行全采集，利用各个线圈空间敏感度的差异性来对空间信息进行编码，通过相关的重建算法得到最终的图像。SENSE(Sensitivity Encoding，敏感度编码)并行磁共振成像技术是一种典型的图像域重建算法。它的重建步骤主要包括：(1)通过并行线圈对k空间数据以加速因子R进行欠采样，对每个线圈得到的欠采样数据进行逆傅里叶变换，从而得到每个线圈的混叠图像；(2)对并行线圈的敏感度分布进行分析，在敏感度分布图上展开卷褶图像，从而得到全视野的FOV(field of view，视野)图像，即完整的重建图像。具体的模型框架可以用下式描述：其中相当于采样模版，代表离散傅里叶变换，代表第j个通道的敏感度映射，代表向量形式的待重建的图像，运算符表示逐点相乘，表示第j个通道的部分k空间数据。在传统的SENSE并行磁共振成像重建方法中，由于模型框架中所使用的正则项通常是一种基于全局图像的变换，比如小波变换，TV(total variation，全变分)变换等，导致目标图像(即磁共振图像)的结构信息不能自适应地进行获取。 

发明内容

基于此，有必要针对上述技术问题，提供一种能够自适应获取目标图像结构信息的基于字典学习的磁共振并行成像方法和装置。 

一种基于字典学习的磁共振并行成像方法，所述方法包括： 

利用并行采集部分k空间数据预估灵敏度得到编码矩阵； 

采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，所述数据拟合项中包括所述编码矩阵； 

将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程； 

在所述转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据； 

迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。 

一种基于字典学习的磁共振并行成像装置，所述装置包括： 

编码矩阵获取模块，用于利用并行采集部分k空间数据预估灵敏度得到编码矩阵； 

目标函数建立模块，用于采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，所述数据拟合项中包括所述编码矩阵； 

迭代转换模块，用于将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程； 

结构信息获取模块，用于在所述转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据； 

成像模块，用于迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。 

上述基于字典学习的磁共振并行成像方法和装置，通过利用并行采集部分k空间数据预估灵敏度得到编码矩阵；采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，数据拟合项中包括编码矩阵；将计算目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程；在转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据；迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。由于对待目标函数采用了字典表达的自适应稀疏约束项进行约束，并在迭代过程中对字典进行更新，由此实现了自适应地获取目标图像的结构信息数据，从而得到结构信息更为精细的重建后的目标图像。 

附图说明

图1为一个实施例中基于字典学习的磁共振并行成像方法的流程图； 

图2为一个实施例中基于字典学习的磁共振成像装置的结构示意图； 

图3为又一个实施例中基于字典学习的磁共振成像装置的结构示意图； 

图4为另一个实施例中基于字典学习的磁共振成像装置的结构示意图； 

图5为再一个实施例中基于字典学习的磁共振成像装置的结构示意图。 

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 

在一个实施例中，如图1所示，提供了一种基于字典学习的磁共振并行成像方法，具体包括： 

步骤102，利用并行采集部分k空间数据预估灵敏度得到编码矩阵。 

目标图像是指高精度的磁共振图像，可采用x来表示。部分k空间数据可以通过并行线圈对k空间数据以加速因子R进行欠采样的方式来得到。部分k空间数据也就是频域数据，可采用y来表示。x与y之间的关系可以表示为:y＝Ex，其中E为磁共振并行成像中的编码矩阵。 

步骤104，采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，数据拟合项中包括编码矩阵。 

字典是指根据字典学习算法建立起的模型框架。字典学习算法具有强大的捕获图像结构信息以及移除伪影和噪声能力。字典学习算法的模型框架如下： 

$\underset{D,\mathrm{\Γ}}{\min }\underset{i=1}{\overset{L}{\mathrm{\Σ}}}[{\left|\right|R_{l}x-{\mathrm{D\α}}_l\left|\right|}_2^2+\mathrm{\λ}{\left|\right|{\mathrm{\α}}_l\left|\right|}_1]$

其中为提取矩阵，可以从图像中提取图像块，λ为正则化参数， 为过完备(P＞＞M)的字典，为第l个图像块R_lx∈C^M所对应的稀疏系数。 

数据拟合项可以用来表达，字典学习的稀疏约束可以用 来表达。在一个实施例中个，目标函数为 

其中x为目标图像，E为磁共振并行成像中的编码矩阵，y为k空间数据，D为字典，为提取矩阵，为提取的样本，L为样本总数量，α_l为稀疏系数，Γ为所有样本稀疏系数的集合，μ和λ分别为正则化参数。 

步骤106，将计算目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程。 

要想得到高分辨率高精度的目标图像，需要计算目标函数的最优化解，也 就是需要得到函数值最小的目标图像。例如，可采用Bregman迭代算法，来求解最小函数值，如： 

其中为不可微的凸函数，而为光滑的凸函数。Bregman距离可以将求解最小函数值的过程转换为迭代过程，Bregman距离定义如下： 

其中为在x′的子梯度。通过Bregman距离转换得到的迭代过程如下： 

其中μ＞0,为在x^k+1处的子梯度. 

采用Bregman迭代算法，将计算目标函数 

最优化解的迭代过程进行转换。在一个实施例中，转后的迭代过程为： 

其中k为外循环的迭代次数。 

步骤108，在转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据。 

由于目标函数是基于字典学习算法建立起来的，在转换后的迭代过程，每次迭代都会对字典进行更新，字典的更新次数与迭代次数保持一致，根据更新后的字典，可以自适应地获取目标图像的结构信息数据。 

步骤110，迭代达到终止条件时，根据结构信息数据得到重建后的目标图像。 

开始进行迭代时即对迭代次数为0时，需进行初始化设置，如x⁰=E^Ty，y⁰=y，Γ⁰=0，C⁰=0，D⁰=DCT。当迭代达到终止条件时，即 其中Error_Tol为预设误差的最大值，迭代终止。迭代终止后，即可根据获取到的结构信息数据重建出目标图像，也就是得到最终的磁共振成像。这种成像方法也称为基于字典学习的并行成像技术(Dictionary learning based Parallel imaging，简称DL-PI)。 

本实施例中，通过利用并行采集部分k空间数据预估灵敏度得到编码矩阵；采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，数据拟合项中包括编码矩阵；将计算目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程；在转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据；迭代达到终止条件时，根据结构信息数据得到重建后的目标图像。由于对待目标函数采用了字典表达的自适应稀疏约束项进行约束，并在迭代过程中对字典进行更新，由此实现了自适应地获取目标图像的结构信息数据，从而得到结构信息更为精细的重建后的目标图像。 

在一个实施例中，将计算目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程的步骤之前，还包括：将计算内循环的最优化解的过程进行转换，得到转后的过程为 

其中z_l为第一辅助变量，k为外循环的迭代次数；当外循环的迭代次数为预设值时，将内循环转后的过程再次进行转换，得到内循环的迭代过程为 

其中m为内循环的迭代次数，z_l为第一辅助变量，c_l为第二辅助变量，β为Bregman迭代算子。 

本实施例中，计算最优化解的过程需要进行嵌套循环，嵌套循环包括内循环和外循环。为了能够进行上述实施例中提及的迭代，首先需要对内计算循环的最优化解的过程进行转换得到内循环的迭代过程。 

通过固定目标图像x^k和k空间数据y^k不变，引入第一辅助变量z_l，将计算内循环的最优化解的过程进行转换。固定是指将上一次迭代过程中产生的数据作为已知量，而不再看作是未知量。当外循环的迭代次数达到预设值时，再次运用Bregman迭代，将内循环转后的过程再次进行转换，得到内循环的迭代过程。 

在一个实施例中，内循环包括第一层内循环和第二层内循环，在第一层内循环中对字典进行更新，在第二层内循环中对稀疏系数进行更新，待重建的目标图像根据更新后的字典和更新后的稀疏系数进行更新。 

本实施例中，当第一层内循环次数m小于或等于第一层最大内循环次数M_Tol，即m≤M_Tol时，对字典进行更新，根据梯度更新准则，有 

$\begin{array}{c}{D}^{k,m+1}=\arg \underset{D}{\min }\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{H}_l=D^{k,m}-\∈\frac{\∂{\mathrm{\Σ}}_{l=1}^L{H}_l}{\∂D}\\ =D^{k,m}+\∈\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{c}_l^{k,m}{\left({\mathrm{\α}}_l^{k,m,I_{\mathrm{tol}}}\right)}^T\\ =D^{k,m}+\∈C^{k,m+1}{\left({\mathrm{\Γ}}^{k,m,I_{\mathrm{tol}}}\right)}^T\end{array}$

其中的值为0，C=[c₁,…,c_L]和Γ=[α₁,…,α_L]。 

当第二层内循环次数i小于或等于第二层内循环最大次数I_Tol，即I≤I_Tol时，对稀疏系数进行更新，具体如下： 

$\begin{array}{c}{\mathrm{\α}}_l^{k,m,i+1}=\arg \underset{{\mathrm{\α}}_l}{\min }\{\frac{\mathrm{\λ}}{2}{\left|\right|z_l\left|\right|}_2^2+{\left|\right|{\mathrm{\α}}_l\left|\right|}_1+\frac{\mathrm{\β}}{2}{\left|\right|D^{k,m}{\mathrm{\α}}_l+z_l-R_l{x}^k-\frac{c_l^{k,m,i+1}}{\mathrm{\β}}\left|\right|}_2^2\}\\ =\arg \underset{{\mathrm{\α}}_l}{\min }\{{\left|\right|{\mathrm{\α}}_l\left|\right|}_1+\frac{\mathrm{\λ\β}}{2(\mathrm{\λ}+\mathrm{\β})}{\left|\right|D^{k,m}{\mathrm{\α}}_l-R_l{x}^k-\frac{c_l^{k,m,i+1}}{\mathrm{\β}}\left|\right|}_2^2\}\\ =\mathrm{SHRINK}({\mathrm{\α}}_l^{k,m,i}+\frac{(\mathrm{\λ}+\mathrm{\β}){\left(D^{k,m}\right)}^T{c}_l^{k,m,i+1}}{\mathrm{\γ\λ\β}},\frac{\mathrm{\λ}+\mathrm{\β}}{\mathrm{\γ\λ\β}}),\end{array}$

其中SHRINK(·,·)是一个阈值收缩算子。SHRINK(·,·)的第一个输入可以是一个标量，一个向量或者一个矩阵，第二个输入是一个标量。SHRINK(·,·)的输出的维数和它的第一个输入一样。i为更新稀疏系数的迭代数，γ为辅助的标量，c_l为第二辅助变量，引入c_l可进一步方便稀疏系数的更新。 

待重建的目标图像的更新过程可以采用如下计算方式： 

为了避免去计算病态的编码矩阵E的逆，通过一阶泰勒展开式去逼近H(x)，得到： 

$H\left(x\right)\&ap;H\left(x^k\right)+<x-x^k,\&dtri;H\left(x^k\right)>+\frac{\mathrm{\&eta;}}{2}{\left|\right|x-x^k\left|\right|}_2^2$

其中η为正则化参数，那么就进一步得到： 

$\begin{array}{c}{x}^{k+1}=\arg \underset{x}{\min }\{<x,{\mathrm{\&mu;E}}^T({\mathrm{Ex}}^k-y^k)\\ >+\frac{\mathrm{\&lambda;}}{2}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{\left|\right|R_{l}x-{\mathrm{D\&alpha;}}_l\left|\right|}_2^2+\frac{\mathrm{\&eta;}}{2}{\left|\right|x-x^k\left|\right|}_2^2+C\}\end{array}$

对该函数进行求导并令导数为0，得到： 

$\mathrm{\&lambda;}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{R}_l^T(R_{l}x-{\mathrm{D\&alpha;}}_l)+\mathrm{\&mu;}{E}^T({\mathrm{Ex}}^k-y^k)+\mathrm{\&eta;}(x-x^k)=0$

$\mathrm{\&lambda;}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{R}_l^T{R}_{l}x+\mathrm{\&eta;x}=\mathrm{\&lambda;}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{R}_l^{T}D{\mathrm{\&alpha;}}_l+{\mathrm{\&mu;E}}^T(y^k-{\mathrm{Ex}}^k)+{\mathrm{\&eta;x}}^k$

$\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{R}_l^T{R}_l=\mathrm{\&omega;I}$

$\mathrm{\&lambda;}\left(\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{R}_l^T{R}_l\right)x+<\mathrm{\&eta;I},x>=<\mathrm{\&lambda;\&omega;},x>+<\mathrm{\&eta;I},x>$

其中，ω是滑动距离，由此得到对待重建的目标图像进行更新的函数，如下： 

$x^{k+1}=\frac{\mathrm{\&lambda;}{\mathrm{\&Sigma;}}_{l=1}^L{R}_l^{T}D{\mathrm{\&alpha;}}_l+{\mathrm{\&mu;E}}^T(y^k-{\mathrm{Ex}}^k)+{\mathrm{\&eta;x}}^k}{\mathrm{\&lambda;\&omega;}+\mathrm{\&eta;}}$

其中，T为转置运算。在对待重建的目标图像进行更新的同时，对频域数据也进行更新。频域数据更新的计算方式为：y^k+1=y^k+y-Ex^k+1。 

在一个实施例中，将计算内循环的最优化解的过程进行转换的步骤之后，还包括：对第一辅助变量进行更新，得到

本实施例中，第一辅助变量用z_l来表示。z_l更新的过程为： 

$\begin{array}{c}{z}_l=\arg \underset{z_l}{\min }\{\frac{\mathrm{\&lambda;}}{2}{\left|\right|z_l\left|\right|}_2^2+{\left|\right|{\mathrm{\&alpha;}}_l\left|\right|}_1+\frac{\mathrm{\&beta;}}{2}{\left|\right|{\mathrm{D\&alpha;}}_l+z_l-R_{l}x-\frac{c_l}{\mathrm{\&beta;}}\left|\right|}_2^2\}\\ =\frac{\mathrm{\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}({R_{l}x}^k+\frac{c_l}{\mathrm{\&beta;}}-{\mathrm{D\&alpha;}}_l)\end{array}$

β值越大，字典学习对目标函数的贡献越大。由于对第一辅助变量进行了更新，从而加快了成像速度。 

在一个实施例中，对第一辅助变量进行更新，得到 的步骤之后，还包括：对第二辅助变量的迭代更新进行修正，得到  $c_l^{k,m,i+1}=\frac{\mathrm{\&lambda;\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}(-D^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}+R_l{x}^k+\frac{c_l^{k,m-1,I_{\mathrm{Tol}}}}{\mathrm{\&beta;}}),$ 其中i为更新稀疏系数的迭代次数，I_Tol为第二层内循环最大次数。 

本实施例中，第二辅助变量用c_l来表示，对c_l的迭代更新进行修正的过程如下： 

$\begin{array}{c}{c}_l^{k,m,i+1}=c_l^{k,m-1,I_{\mathrm{Tol}}}+\mathrm{\&beta;}(R_l{x}^k-D^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}-z_l^{k,m,i})\\ =\frac{\mathrm{\&lambda;\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}(-D^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}+R_l{x}^k+\frac{c_l^{k,m-1,I_{\mathrm{Tol}}}}{\mathrm{\&beta;}})\end{array}$

在一个实施例中，如图2所示，提供了一种基于字典学习的磁共振并行成像装置，该装置包括：编码矩阵获取模块202、目标函数建立模块204、迭代转换模块206、结构信息获取模块208和成像模块210，其中： 

编码矩阵获取模块202，用于利用并行采集部分k空间数据预估灵敏度得到编码矩阵。 

目标函数建立模块204，用于采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，数据拟合项中包括所述编码矩阵。在一个实施例中，目标函数为 

其中x为目标图像，E为磁共振并行成像中的编码矩阵，为k空间数据，D为字典，为提取矩阵，为提取的样本，L为样本总数量，α_l为稀疏系数，Γ为所有样本稀疏系数的集合，μ和λ分别为正则化参数。 

迭代转换模块206，用于将计算目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程。在一个实施例中，磁共振并行成像装置转换后的迭代过 程为： 

其中k为外循环的迭代次数。 

结构信息获取模块208，用于在转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据。 

成像模块210，用于迭代达到终止条件时，根据结构信息数据得到重建后的目标图像。 

在一个实施例中，如图3所示，基于字典学习的磁共振并行成像装置还包括：内循环第一转换模块212和内循环第二转换模块214，其中： 

内循环第一转换模块212，用于将计算内循环的最优化解的过程进行转换，得到转后的过程为 

其中z_l为第一辅助变量，k为外循环的迭代次数； 

内循环第二转换模块214，用于当外循环的迭代次数为预设值时，将内循环转后的过程再次进行转换，得到内循环的迭代过程为 

其中m为内循环的迭代次数，z_l为第一辅助变量，c_l为第二辅助变量，β为字典学习的权重参数。 

在一个实施例中，基于字典学习的磁共振并行成像装置的内循环包括第一层内循环和第二层内循环，在第一层内循环中对字典进行更新，在第二层内循环中对稀疏系数进行更新，待重建的目标图像根据更新后的字典和更新后的稀疏系数进行更新。 

在一个实施例中，如图4所示，基于字典学习的磁共振并行成像装置还包括：第一辅助变量更新模块216，用于对第一辅助变量进行更新，得到  $z_l=\frac{\mathrm{\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}(R_l{x}^k+\frac{c_l}{\mathrm{\&beta;}}-{\mathrm{D\&alpha;}}_l).$

在一个实施例中，如图5所示，基于字典学习的磁共振并行成像装置还包括：第二辅助变量修正模块218，用于对第二辅助变量的迭代更新进行修正，得到 $c_l^{k,m,i+1}=\frac{\mathrm{\&lambda;\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}(-D^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}+R_l{x}^k+\frac{c_l^{k,m-1,I_{\mathrm{Tol}}}}{\mathrm{\&beta;}}),$ 其中i为更新稀疏系数的迭代次数，I_Tol为第二层内循环最大次数。 

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 (14)

1.一种基于字典学习的磁共振并行成像方法，所述方法包括：

利用并行采集部分k空间数据预估灵敏度得到编码矩阵；

采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，所述数据拟合项中包括所述编码矩阵；

将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程；

在所述转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据；

迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。

2.根据权利要求1所述的方法，其特征在于，所述目标函数为

其中x为目标图像，E为磁共振并行成像中的编码矩阵，y为k空间数据，D为字典，为提取矩阵，为提取的样本，L为样本总数量，α_l为稀疏系数，Γ为所有样本稀疏系数的集合，μ和λ分别为正则化参数。

3.根据权利要求2所述的方法，其特征在于，所述转换后的迭代过程为：

其中k为外循环的迭代次数。

4.根据权利要求3所述的方法，其特征在于，所述将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程的步骤之前，还包括：

将计算内循环的最优化解的过程进行转换，得到转后的过程为

其中z_l为第一辅助变量，k为外循环的迭代次数；

当外循环的迭代次数为预设值时，将内循环转后的过程再次进行转换，得到内循环的迭代过程为

其中m为内循环的迭代次数，z_l为第一辅助变量，c_l为第二辅助变量，β为Bregman迭代算子。

5.根据权利要求4所述的方法，其特征在于，所述内循环包括第一层内循环和第二层内循环，在所述第一层内循环中对字典进行更新，在所述第二层内循环中对稀疏系数进行更新，所述待重建的目标图像根据更新后的字典和更新后的稀疏系数进行更新。

6.根据权利要求4所述的方法，其特征在于，所述将计算内循环的最优化解的过程进行转换的步骤之后，还包括：

对所述第一辅助变量进行更新，得到

7.根据权利要求6所述的方法，其特征在于，所述对所述第一辅助变量进行更新，得到的步骤之后，还包括：

对所述第二辅助变量的迭代更新进行修正，得到 $c_l^{k,m,i+1}=\frac{\mathrm{\&lambda;\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}({-D}^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}+R_l{x}^k+\frac{c_l^{k,m-1,I_{\mathrm{Tol}}}}{\mathrm{\&beta;}}),$ 其中i为更新稀疏系数的迭代次数，I_Tol为第二层内循环最大次数。

8.一种基于字典学习的磁共振并行成像装置，其特征在于，所述装置包括：

编码矩阵获取模块，用于利用并行采集部分k空间数据预估灵敏度得到编码矩阵；

目标函数建立模块，用于采用数据拟合项与字典学习的稀疏约束项建立目标图像对应的目标函数，所述数据拟合项中包括所述编码矩阵；

迭代转换模块，用于将计算所述目标函数最优化解的迭代过程进行转换，得到转换后的迭代过程；

结构信息获取模块，用于在所述转换后的迭代过程中对字典进行更新，自适应地获取目标图像的结构信息数据；

成像模块，用于迭代达到终止条件时，根据所述结构信息数据得到重建后的目标图像。

9.根据权利要求8所述的装置，其特征在于，所述目标函数为

其中x为目标图像，E为磁共振并行成像中的编码矩阵，y为k空间数据，D为字典，为提取矩阵，为提取的样本，L为样本总数量，α_l为稀疏系数，Γ为所有样本稀疏系数的集合，μ和λ分别为正则化参数。

10.根据权利要求9所述的装置，其特征在于，所述转换后的迭代过程为：

其中k为外循环的迭代次数。

11.根据权利要求10所述的装置，其特征在于，所述装置还包括：

内循环第一转换模块，用于将计算内循环的最优化解的过程进行转换，得到转后的过程为

其中z_l为第一辅助变量，k为外循环的迭代次数；

内循环第二转换模块，用于当外循环的迭代次数为预设值时，将内循环转后的过程再次进行转换，得到内循环的迭代过程为

其中m为内循环的迭代次数，z_l为第一辅助变量，c_l为第二辅助变量，β为Bregman迭代算子。

12.根据权利要求11所述的装置，其特征在于，所述内循环包括第一层内循环和第二层内循环，在所述第一层内循环中对字典进行更新，在所述第二层内循环中对稀疏系数进行更新，所述待重建的目标图像根据更新后的字典和更新后的稀疏系数进行更新。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

第一辅助变量更新模块，用于对所述第一辅助变量进行更新，得到 $z_l=\frac{\mathrm{\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}(R_l{x}^k+\frac{c_l}{\mathrm{\&beta;}}-{\mathrm{D\&alpha;}}_l).$

14.根据权利要求13所述的装置，其特征在于，所述装置还包括：

第二辅助变量修正模块，用于对所述第二辅助变量的迭代更新进行修正，得到 $c_l^{k,m,i+1}=\frac{\mathrm{\&lambda;\&beta;}}{\mathrm{\&lambda;}+\mathrm{\&beta;}}({-D}^{k,m}{\mathrm{\&alpha;}}_l^{k,m,i}+R_l{x}^k+\frac{c_l^{k,m-1,I_{\mathrm{Tol}}}}{\mathrm{\&beta;}}),$ 其中i为更新稀疏系数的迭代次数，I_Tol为第二层内循环最大次数。