CN105759233A - 一种快速化学交换饱和转移成像方法和系统 - Google Patents

Abstract

一种快速化学交换饱和转移成像方法和系统，通过判断图像的平均信号强度与预先设置的信号强度阈值的关系，来确定当前图像是采用第一降采率，还是采用第二降采率。解决了所有的CEST图像使用相同的降采率而导致的低信噪比图像难以达到较好的重建结果的问题，实现了CEST成像欠采样模式的自适应性，进而提高CEST成像速度，保证CEST图像的重建质量。

Description

一种快速化学交换饱和转移成像方法和系统

技术领域

本申请涉及磁共振成像技术领域，具体涉及一种快速化学交换饱和转移成像方法和系统。

背景技术

磁共振化学交换饱和转移(ChemicalExchangeSaturationTransfer，CEST)成像是一种新的磁共振对比成像机制，这种成像方法对稀释大分子的化学交换和化学动力学较为敏感，在获取光谱信息方面显示了很大的潜力，可用于跟踪肿瘤细胞、细菌/病毒感染、pH值和温度变化等方面。近年来，CEST成像已越来越多的用于在体疾病如肿瘤、急性中风和肾损伤等的研究，成为磁共振分子影像的一种新手段。

化学交换饱和转移成像是一种新的内源性分子影像学成像方法，它使用全新的对比机制，通过选择性饱和可交换的质子或分子，把饱和的能量通过化学交换转移给水，通过测量水分子信号的变化间接获得生物体组织分子特性和环境特性。化学交换饱和转移成像是一种相对较新的分子成像方法，它的原理为：与水质子共振频率不同的可交换质子，首先被射频脉冲饱和；当质子和水进行化学交换的时候，饱和的能量也同时被转移给水，引起水信号的降低。

然而，为了保证CEST成像的稳定性和可靠性，CEST成像需要采集多幅不同激发脉冲强度B1和偏振饱和频率的图像，导致扫描时间过长，约为1到3个小时。这是由于CEST成像对主磁场强度B0较为敏感，很小的B0变化都会在实验中引入不确定性，所以通常需要对整个频段进行成像来克服这些不确定性，导致总扫描时间较长，严重制约着CEST的应用。

现有的快速成像技术已被用来减少CEST的扫描时间，如并行成像技术，但并行成像技术依赖于接收线圈的性能，同时以牺牲图像信噪比为代价，这些条件极大的限制了并行成像的加速倍数。

另请参见公布号为CN104997511A的中国专利，其提供了一种用于磁共振化学交换饱和转移成像的CESTR测量方法和系统，通过提取感兴趣区域，对感兴趣区域内进行图像的密集采集，对剩余区域进行图像的稀疏采集，以缩短CEST成像的扫描时间，并提高成像的准确性。

发明内容

本申请提供一种快速化学交换饱和转移成像方法和系统，解决了CEST成像时间长的问题。

根据本申请的第一方面，本申请提供了一种快速化学交换饱和转移成像方法，包括：

采集多组全采的CEST数据作为测试数据；

根据所述测试数据计算不同偏振频率下图像的平均信号强度；

判断图像的平均信号强度与预先设置的信号强度阈值的关系，当所述关系符合预设条件时，当前图像采用预先设置的第一降采率进行采集，否则，当前图像采用第二降采率进行采集；第二降采率与第一降采率满足预先设置的比例关系；

根据图像所采用的降采率计算采样模板；

根据所述采样模板采集CEST成像数据；

根据采集到的CEST成像数据进行图像重建。

根据本申请的第二方面，本申请提供了一种快速化学交换饱和转移成像系统，包括：

测试数据获取模块，用于采集多组全采的CEST数据作为测试数据；

平均信号强度获取模块，用于根据所述测试数据计算不同偏振频率下图像的平均信号强度；

降采率确定模块，用于判断图像的平均信号强度与预先设置的信号强度阈值的关系，当所述关系符合预设条件时，当前图像采用预先设置的第一降采率进行采集，否则，当前图像采用第二降采率进行采集；第二降采率与第一降采率满足预先设置的比例关系；

采样模板计算模块，用于根据降采率确定模块所采用的图像的降采率计算采样模板；

CEST成像数据采集模块，用于根据所述采样模板采集CEST成像数据；

图像重建模块，用于根据CEST成像数据采集模块采集到的CEST成像数据进行图像重建。

本申请提供的快速化学交换饱和转移成像方法和系统中，通过判断图像的平均信号强度与预先设置的信号强度阈值的关系，来确定当前图像是采用第一降采率，还是采用第二降采率。解决了所有的CEST图像使用相同的降采率而导致的低信噪比图像难以达到较好的重建结果的问题，实现了CEST成像欠采样模式的自适应性，进而提高CEST成像速度，保证CEST图像的重建质量。

附图说明

图1为本申请一种实施例中快速化学交换饱和转移成像方法的流程示意图；

图2为本申请一种实施例中快速化学交换饱和转移成像系统的模块结构示意图。

具体实施方式

本申请的发明构思在于：

在CEST图像中，信号强度随偏振频率变化很大，特别是偏振频率接近零的图像，信号强度很低，而每幅图像中的噪声强度是相同的，这就造成了图像信噪比不同。压缩感知框架对图像信噪比较为敏感，在低信噪比图像中，其图像重建结果较差，因此，如果所有的CEST图像使用相同的降采率，低信噪比图像难以达到较好的重建结果。并且，由此产生的误差会进一步影响到所有图像的重建质量。因此，CEST成像的欠采样模式应当具有自适应性，以提高图像的重建质量。

目前的CEST采集方法需要采集多个B0值(Z-offset)和多组B1值数据，导致总的扫描时间很长，而常用的并行成像技术加速倍数有限(加速倍数<2)，针对这一问题，本申请提出一种新的快速化学交换饱和转移成像方法和系统，基于压缩感知的重建技术来进行重建，实现快速化学交换饱和转移成像，以在保证成像质量的前提下提高成像速度，例如，在加速倍数约为4倍的情况下，仍可获得较好的图像。

下面通过具体实施方式结合附图对本申请作进一步详细说明。

实施例一

请参考图1，本实施例提供了一种快速化学交换饱和转移成像方法，包括下面步骤：

步骤1.1：采集多组全采的CEST数据作为测试数据。。

步骤1.2：根据采集到的测试数据计算不同偏振频率下图像的平均信号强度。本申请中，图像灰度信号的平均值即作为图像的平均信号强度。

在采集CEST成像数据之前是不知道信号分布的，所以要先用测试数据来预先估计信号强度的分布情况，以确定下面步骤中所采用的降采率，然后按所选择的降采率进行采集。

步骤1.3：判断图像的平均信号强度与预先设置的信号强度阈值T的关系，当该关系符合预设条件时，当前图像采用预先设置的第一降采率R进行采集，第一降采率可以根据实际情况选择经验值，否则，当前图像采用第二降采率R′进行采集；第二降采率R′与第一降采率R满足预先设置的比例关系。

本实施例中，该预设条件为：图像的平均信号强度大于信号强度阈值T。当然，在其他实施例中，预设条件也可以根据实际情况进行定义，例如定义预设条件为：图像的平均信号强度大于或等于信号强度阈值T。

并且，该比例关系为：

$R^{\&prime;}=\frac{I^{\&prime;}}{T}R$

其中，R为第一降采率，R′为第二降采率，I′为图像的平均信号强度，T为信号强度阈值。

当然，在其他实施例中，第二降采率与第一降采率之间满足的比例关系也可以根据实际情况进行定义，例如，在本实施例提供的上述比例关系的基础上，加上一个调整系数。

通过本实施例提供的上述比例关系可知，整体数据的真实欠采样率会略低于预先设定的第一降采率R。

步骤1.4：根据步骤1.3中每幅图像所采用的降采率计算采样模板。本实施例中，频率编码方向为全采，相位编码方向为变密度采样，相位编码-偏振空间(phase-Z)符合压缩感知的随机采样理论。

步骤1.5：根据计算得到的采样模板采集CEST成像数据。

步骤1.6：根据采集到的CEST成像数据进行图像重建。

下面，提供了一种图像重建方法，需要说明的是，在其他实施例中，也可以采用现有技术中任意一种可行的图像重建方法。

本实施例中，采用固定稀疏变换和字典学习的变换模式对CEST图像进行重建，其求解方程如下：

$\begin{array}{c}\underset{x,D,{\mathrm{\&alpha;}}_n}{\min }\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(\mathrm{\&Phi;}x\right)|{|}_2^2+v\left|\right|F_{p}x-y|{|}_2^2+\mathrm{\&xi;}|\left|{\mathrm{\&Phi;}}^{T}D\right|{|}_F^2\}\\ \begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0\end{array},\&ForAll;n\end{array}---\&lsqb;1\&rsqb;$

其中，x∈C^N×L是待重建的图像，将每幅图像转换成列向量作为x的一列x_j，x_j∈C^N，N为图像像素数，L是图像的数目，Φ为沿偏振方向的固定稀疏变换(如主成份分析(PCA)，有限差分(TV)变换等)，D∈C^L×K是从固定变换系数中学习得到的过完备字典，K为字典原子个数，R_n为第n个图像块的提取算子，A_n表示第n个图像块在字典D上的表示系数，T₀控制表示系数α_n的稀疏度，y为测得的k空间信号，F_p为欠采样的傅立叶算子，为两种变换基的F范数(用于提高两组基的非相关性)，v和ξ为正则化系数(用来平衡稀疏约束和非相关约束)。

解法如下：

(1)用逆傅立叶变换将数据从k空间转换到图像域，得到一系列有混叠伪影的图像。此处以主成份分析(PCA)为例，PCA作为的固定稀疏，计算方法如下：将每幅图像的所有像素点转换为一维列向量，组成训练矩阵x，x的大小为N(图像的像素数)×L(回波数)。主成份分析的基PC可通过对矩阵x的相关矩阵进行奇异值分解得到，即xx^T＝BΣB^T，Σ为半正定对角阵，即为PC基组成的矩阵。则PC系数V为V＝xB。

(2)在PC系数上求解和PC基非相关的字典及与字典对应的系数，公式[1]简化如下：

$\begin{array}{c}\underset{D,{\mathrm{\&alpha;}}_n}{\min }\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(xB\right)|{|}_2^2+\mathrm{\&xi;}\left|\right|B^{T}D\left|{|}_F^2\right\}\\ \begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0\end{array},\&ForAll;n\end{array}---\&lsqb;2\&rsqb;$

解该子问题分为下面两个步骤：

a、固定字典D，通过贪婪算法正交匹配追踪(OMP)来更新α_n。该具体过程可参见下面参考文献：

[1]IEEETransactionsonsignalprocessing,Volume:54,Issue:11,November2006

K-SVD:AnAlgorithmforDesigningOvercompleteDictionariesforSparseRepresentation

MichalAharon,MichaelElad,andAlfredBruckstein

[2]IEEETransactionsonMedicalImagingVolume:30,Issue:5,pp.1028–1041,May2011

MRimagereconstructionfromhighlyundersampledk-spacedatabydictionarylearning

SaiprasadRavishankarandYoramBresler

b、固定表示系数α_n，更新字典，则求解公式如下:

$\underset{D}{min}\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(xB\right)|{|}_2^2+\mathrm{\&xi;}\left|\right|B^{T}D\left|{|}_F^2\right\}---\&lsqb;3\&rsqb;$

可直接求解该方程，得到D的显式解。其求解过程如下：

将公式[3]转换为向量表示：

$min\left|\right|D\mathrm{\&alpha;}-xB|{|}_F^2+\mathrm{\&xi;}|\left|B^{T}D\right|{|}_F^2---\&lsqb;4\&rsqb;$

将上述方程对D求导，导数为0时，即为该方程的最小值，求导结果如下：

$\begin{array}{c}(D\mathrm{\&alpha;}-\mathrm{\&Phi;}x){\mathrm{\&alpha;}}^T+{\mathrm{\&xi;\&Phi;\&Phi;}}^{T}D=0\\ =>{\mathrm{D\&alpha;\&alpha;}}^T+{\mathrm{\&xi;\&Phi;\&Phi;}}^{T}D={\mathrm{\&Phi;x\&alpha;}}^T\end{array}---\&lsqb;5\&rsqb;$

令A＝αα^T，A为对称阵，因此可将A分解为特征值和特征向量相乘的形式，即V_A为特征向量组成的矩阵，Λ_A＝diag(τ₁,τ₂,…,τ_K)，(τ₁,τ₂,…,τ_K)为对角线元素为A的特征值。采用PCA变换时，Φ是正交阵，因为ΦΦ^T为单位阵；若采用有限差分变换(TV)时，有限差分算子在周期边界条件下是一个块循环的线性算子，则ΦΦ^T可以被离散傅立叶算子正交化。因此，当Φ是正交阵或有限差分变换时，ΦΦ^T＝FΛ_BF^T，F为离散傅立叶算子，Λ_B＝diag(γ₁,γ₂,…,γ_K)，(γ₁,γ₂,…,γ_K)为ΦΦ^T的特征值，令C＝Φxα^T，则公式[5]可以表示为：

${\mathrm{DV}}_A{\mathrm{\&Lambda;}}_A{V}_A^T+{\mathrm{\&zeta;F\&Lambda;}}_B{F}^{T}D=C$

在该方程两侧分别乘以F^T和V_A，得到

$F^T({\mathrm{DV}}_A{\mathrm{\&Lambda;}}_A{V}_A^T+{\mathrm{\&zeta;F\&Lambda;}}_B{F}^{T}D)V_A=F^T{\mathrm{CV}}_A$

将该式展开，得F^TDV_AΛ_A+ζΛ_BF^TDV_A＝F^TCV_A

令D＝F^TDV_A，C＝F^TCV_A＝[C_ij]_L×K，可得到 $D={\&lsqb;\frac{C_{ij}}{{\mathrm{\&tau;}}_i+{\mathrm{\&zeta;\&gamma;}}_j}\&rsqb;}_{L\&times;K},$ 则 $D={\mathrm{FDV}}_A^T.$

(3)固定字典和表示系数，重建图像，更新原始k空间数据，公式[1]可简化为如下子问题：

$\underset{x}{min}\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_{n}V|{|}_2^2+v\left|\right|F_{P}x-y\left|{|}_2^2\right\}---\&lsqb;6\&rsqb;$

对于固定的字典D和系数α_n，该问题的解相当于先求得重建的PC系数V，再通过V求得重建图像x，即x＝VB^T，对x做傅立叶变换，得到新的k空间数据对未采样点，直接用对应的值填充；对已采样点，更新k空间数据为其中y⁰为原采样数据点值。

(4)重复步骤(1)-(3)，直到算法收敛为止，获得重建图像x。

实施例二

请参考图2，本实施例提供了一种快速化学交换饱和转移成像系统，包括测试数据获取模块101、平均信号强度获取模块102、降采率确定模块103、采样模板计算模块104、CEST成像数据采集模块105和图像重建模块106。

测试数据获取模块101用于采集多组全采的CEST数据作为测试数据。

平均信号强度获取模块102用于根据测试数据获取模块101采集到的测试数据计算不同偏振频率下图像的平均信号强度。本申请中，图像灰度信号的平均值即作为图像的平均信号强度。

在采集CEST成像数据之前是不知道信号分布的，所以要先用测试数据来预先估计信号强度的分布情况，以确定下面处理过程中所采用的降采率，然后按所选择的降采率进行采集。

降采率确定模块103用于判断图像的平均信号强度与预先设置的信号强度阈值T的关系，当该关系符合预设条件时，当前图像采用预先设置的第一降采率R进行采集，第一降采率可以根据实际情况选择经验值，否则，当前图像采用第二降采率R′进行采集；第二降采率R′与第一降采率R满足预先设置的比例关系。

本实施例中，该预设条件为：图像的平均信号强度大于信号强度阈值T。当然，在其他实施例中，预设条件也可以根据实际情况进行定义，例如定义预设条件为：图像的平均信号强度大于或等于信号强度阈值T。

并且，该比例关系为：

$R^{\&prime;}=\frac{I^{\&prime;}}{T}R$

其中，R为第一降采率，R′为第二降采率，I′为图像的平均信号强度，T为信号强度阈值。

当然，在其他实施例中，第二降采率与第一降采率之间满足的比例关系也可以根据实际情况进行定义，例如，在本实施例提供的上述比例关系的基础上，加上一个调整系数。

通过本实施例提供的上述比例关系可知，整体数据的真实欠采样率会略低于预先设定的第一降采率R。

采样模板计算模块104用于根据每幅图像所采用的降采率计算采样模板。本实施例中，频率编码方向为全采，相位编码方向为变密度采样，相位编码-偏振空间(phase-Z)符合压缩感知的随机采样理论。

CEST成像数据采集模块105用于根据计算得到的采样模板采集CEST成像数据。

图像重建模块106用于根据采集到的CEST成像数据进行图像重建。

下面，提供了一种图像重建方式，需要说明的是，在其他实施例中，也可以采用现有技术中任意一种可行的图像重建方式。

本实施例中，图像重建模块106用于采用固定稀疏变换和字典学习的变换模式对CEST图像进行重建，其求解方程如下：

$\begin{array}{c}\underset{x,D,{\mathrm{\&alpha;}}_n}{\min }\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(\mathrm{\&Phi;}x\right)|{|}_2^2+v\left|\right|F_{p}x-y|{|}_2^2+\mathrm{\&xi;}|\left|{\mathrm{\&Phi;}}^{T}D\right|{|}_F^2\}\\ \begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0\end{array},\&ForAll;n\end{array}---\&lsqb;1\&rsqb;$

其中，x∈C^N×L是待重建的图像，将每幅图像转换成列向量作为x的一列x_j，x_j∈C^N，N为图像像素数，L是图像的数目，Φ为沿偏振方向的固定稀疏变换(如主成份分析(PCA)，有限差分(TV)变换等)，D∈C^L×K是从固定变换系数中学习得到的过完备字典，K为字典原子个数，R_n为第n个图像块的提取算子，A_n表示第n个图像块在字典D上的表示系数，T₀控制表示系数α_n的稀疏度，y为测得的k空间信号，F_p为欠采样的傅立叶算子，为两种变换基的F范数(用于提高两组基的非相关性)，v和ξ为正则化系数(用来平衡稀疏约束和非相关约束)。

解法如下：

(1)用逆傅立叶变换将数据从k空间转换到图像域，得到一系列有混叠伪影的图像。此处以主成份分析(PCA)为例，PCA作为的固定稀疏，计算方法如下：将每幅图像的所有像素点转换为一维列向量，组成训练矩阵x，x的大小为N(图像的像素数)×L(回波数)。主成份分析的基PC可通过对矩阵x的相关矩阵进行奇异值分解得到，即xx^T＝BΣB^T，Σ为半正定对角阵，即为PC基组成的矩阵。则PC系数V为V＝xB。

(2)在PC系数上求解和PC基非相关的字典及与字典对应的系数，公式[1]简化如下：

$\begin{array}{c}\underset{D,{\mathrm{\&alpha;}}_n}{\min }\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(xB\right)|{|}_2^2+\mathrm{\&xi;}\left|\right|B^{T}D\left|{|}_F^2\right\}\\ \begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0\end{array},\&ForAll;n\end{array}---\&lsqb;2\&rsqb;$

解该子问题分为下面两个步骤：

a、固定字典D，通过贪婪算法正交匹配追踪(OMP)来更新α_n。该具体过程可参见下面参考文献：

[1]IEEETransactionsonsignalprocessing,Volume:54,Issue:11,November2006

K-SVD:AnAlgorithmforDesigningOvercompleteDictionariesforSparseRepresentation

MichalAharon,MichaelElad,andAlfredBruckstein

[2]IEEETransactionsonMedicalImagingVolume:30,Issue:5,pp.1028–1041,May2011

MRimagereconstructionfromhighlyundersampledk-spacedatabydictionarylearning

SaiprasadRavishankarandYoramBresler

b、固定表示系数α_n，更新字典，则求解公式如下:

$\underset{D}{min}\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_n\left(xB\right)|{|}_2^2+\mathrm{\&xi;}\left|\right|B^{T}D\left|{|}_F^2\right\}---\&lsqb;3\&rsqb;$

可直接求解该方程，得到D的显式解。其求解过程如下：

将公式[3]转换为向量表示：

$min\left|\right|D\mathrm{\&alpha;}-xB|{|}_F^2+\mathrm{\&xi;}|\left|B^{T}D\right|{|}_F^2---\&lsqb;4\&rsqb;$

将上述方程对D求导，导数为0时，即为该方程的最小值，求导结果如下：

$\begin{array}{c}(D\mathrm{\&alpha;}-\mathrm{\&Phi;}x){\mathrm{\&alpha;}}^T+{\mathrm{\&xi;\&Phi;\&Phi;}}^{T}D=0\\ =>{\mathrm{D\&alpha;\&alpha;}}^T+{\mathrm{\&xi;\&Phi;\&Phi;}}^{T}D={\mathrm{\&Phi;x\&alpha;}}^T\end{array}---\&lsqb;5\&rsqb;$

令A＝αα^T，A为对称阵，因此可将A分解为特征值和特征向量相乘的形式，即V_A为特征向量组成的矩阵，Λ_A＝diag(τ₁,τ₂,…,τ_K)，(τ₁,τ₂,…,τ_K)为对角线元素为A的特征值。采用PCA变换时，Φ是正交阵，因为ΦΦ^T为单位阵；若采用有限差分变换(TV)时，有限差分算子在周期边界条件下是一个块循环的线性算子，则ΦΦ^T可以被离散傅立叶算子正交化。因此，当Φ是正交阵或有限差分变换时，ΦΦ^T＝FΛ_BF^T，F为离散傅立叶算子，Λ_B＝diag(γ₁,γ₂,…,γ_K)，(γ₁,γ₂,…,γ_K)为ΦΦ^T的特征值，令C＝Φxα^T，则公式[5]可以表示为：

${\mathrm{DV}}_A{\mathrm{\&Lambda;}}_A{V}_A^T+{\mathrm{\&zeta;F\&Lambda;}}_B{F}^{T}D=C$

在该方程两侧分别乘以F^T和V_A，得到

$F^T({\mathrm{DV}}_A{\mathrm{\&Lambda;}}_A{V}_A^T+{\mathrm{\&zeta;F\&Lambda;}}_B{F}^{T}D)V_A=F^T{\mathrm{CV}}_A$

将该式展开，得F^TDV_AΛ_A+ζΛ_BF^TDV_A＝F^TCV_A

令D＝F^TDV_A，C＝F^TCV_A＝[C_ij]_L×K可得到 $D={\&lsqb;\frac{C_{ij}}{{\mathrm{\&tau;}}_i+{\mathrm{\&zeta;\&gamma;}}_j}\&rsqb;}_{L\&times;K},$ 则 $D={\mathrm{FDV}}_A^T.$

(3)固定字典和表示系数，重建图像，更新原始k空间数据，公式[1]可简化为如下子问题：

$\underset{x}{min}\left\{\underset{n}{\mathrm{\&Sigma;}}\right||{\mathrm{D\&alpha;}}_n-R_{n}V|{|}_2^2+v\left|\right|F_{P}x-y\left|{|}_2^2\right\}---\&lsqb;6\&rsqb;$

对于固定的字典D和系数α_n，该问题的解相当于先求得重建的PC系数V，再通过V求得重建图像x，即x＝VB^T，对x做傅立叶变换，得到新的k空间数据对未采样点，直接用对应的值填充；对已采样点，更新k空间数据为其中y⁰为原采样数据点值。

(4)重复步骤(1)-(3)，直到算法收敛为止，获得重建图像x。

本申请实施例提供的快速化学交换饱和转移成像方法和系统中，通过判断图像的平均信号强度与预先设置的信号强度阈值的关系，来确定当前图像是采用第一降采率，还是采用第二降采率。解决了所有的CEST图像使用相同的降采率而导致的低信噪比图像难以达到较好的重建结果的问题，实现了CEST成像欠采样模式的自适应性，进而提高CEST成像速度，保证CEST图像的重建质量。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来控制相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存取存储器、磁盘或光盘等。

以上内容是结合具体的实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请发明构思的前提下，还可以做出若干简单推演或替换。

Claims (10)

1.一种快速化学交换饱和转移成像方法，其特征在于，包括：

采集多组全采的CEST数据作为测试数据；

根据所述测试数据计算不同偏振频率下图像的平均信号强度；

判断图像的平均信号强度与预先设置的信号强度阈值的关系，当所述关系符合预设条件时，当前图像采用预先设置的第一降采率进行采集，否则，当前图像采用第二降采率进行采集；第二降采率与第一降采率满足预先设置的比例关系；

根据图像所采用的降采率计算采样模板；

根据所述采样模板采集CEST成像数据；

根据采集到的CEST成像数据进行图像重建。

2.如权利要求1所述的方法，其特征在于，所述预设条件为：图像的平均信号强度大于所述信号强度阈值。

3.如权利要求2所述的方法，其特征在于，所述比例关系为：

$R^{\&prime;}=\frac{I^{\&prime;}}{T}R$

其中，R为第一降采率，R′为第二降采率，I′为图像的平均信号强度，T为信号强度阈值。

4.如权利要求1-3任一项所述的方法，其特征在于，根据采集到的CEST成像数据，采用固定稀疏变换和字典学习的变换模式对CEST图像进行重建。

5.如权利要求4所述的方法，其特征在于，对CEST图像进行重建时，采用下面求解方程：

$\underset{x,D,{\mathrm{\&alpha;}}_n}{min}\left\{\underset{n}{\&Sigma;}\right||{\mathrm{D\&alpha;}}_n-R_n\left(\mathrm{\&Phi;}x\right)|{|}_2^2+v\left|\right|F_{p}x-y|{|}_2^2+\mathrm{\&xi;}|\left|{\mathrm{\&Phi;}}^{T}D\right|{|}_F^2\}$ $\begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0,\&ForAll;n\end{array}$

其中，x∈C^N×L是待重建的图像，将每幅图像转换成列向量作为x的一列x_j，x_j∈C^N，N为图像像素数，L是图像的数目，Φ为沿偏振方向的固定稀疏变换，D∈C^L×K是从固定变换系数中学习得到的过完备字典，K为字典原子个数，R_n为第n个图像块的提取算子，A_n表示第n个图像块在字典D上的表示系数，T₀控制表示系数α_n的稀疏度，y为测得的k空间信号，F_p为欠采样的傅立叶算子，为两种变换基的F范数，v和ξ为正则化系数。

6.一种快速化学交换饱和转移成像系统，其特征在于，包括：

测试数据获取模块，用于采集多组全采的CEST数据作为测试数据；

平均信号强度获取模块，用于根据所述测试数据计算不同偏振频率下图像的平均信号强度；

降采率确定模块，用于判断图像的平均信号强度与预先设置的信号强度阈值的关系，当所述关系符合预设条件时，当前图像采用预先设置的第一降采率进行采集，否则，当前图像采用第二降采率进行采集；第二降采率与第一降采率满足预先设置的比例关系；

采样模板计算模块，用于根据降采率确定模块所采用的图像的降采率计算采样模板；

CEST成像数据采集模块，用于根据所述采样模板采集CEST成像数据；

图像重建模块，用于根据CEST成像数据采集模块采集到的CEST成像数据进行图像重建。

7.如权利要求6所述的系统，其特征在于，所述预设条件为：图像的平均信号强度大于所述信号强度阈值。

8.如权利要求6所述的系统，其特征在于，所述比例关系为：

$R^{\&prime;}=\frac{I^{\&prime;}}{T}R$

其中，R为第一降采率，R′为第二降采率，I′为图像的平均信号强度，T为信号强度阈值。

9.如权利要求6-8任一项所述的系统，其特征在于，图像重建模块用于根据CEST成像数据采集模块采集到的CEST成像数据，采用固定稀疏变换和字典学习的变换模式对CEST图像进行重建。

10.如权利要求9所述的系统，其特征在于，图像重建模块用于对CEST图像进行重建时，采用下面求解方程：

$\underset{x,D,{\mathrm{\&alpha;}}_n}{min}\left\{\underset{n}{\&Sigma;}\right||{\mathrm{D\&alpha;}}_n-R_n\left(\mathrm{\&Phi;}x\right)|{|}_2^2+v\left|\right|F_{p}x-y|{|}_2^2+\mathrm{\&xi;}|\left|{\mathrm{\&Phi;}}^{T}D\right|{|}_F^2\}$

$\begin{array}{cc}s.t.& \left|\right|{\mathrm{\&alpha;}}_n|{|}_0\&le;T_0,\&ForAll;n\end{array}$

其中，x∈C^N×L是待重建的图像，将每幅图像转换成列向量作为x的一列x_j，x_j∈C^N，N为图像像素数，L是图像的数目，Φ为沿偏振方向的固定稀疏变换，D∈C^L×K是从固定变换系数中学习得到的过完备字典，K为字典原子个数，R_n为第n个图像块的提取算子，A_n表示第n个图像块在字典D上的表示系数，T₀控制表示系数α_n的稀疏度，y为测得的k空间信号，F_p为欠采样的傅立叶算子，为两种变换基的F范数，v和ξ为正则化系数。