CN106780372A - 一种基于广义树稀疏的权重核范数磁共振成像重建方法 - Google Patents
一种基于广义树稀疏的权重核范数磁共振成像重建方法 Download PDFInfo
- Publication number
- CN106780372A CN106780372A CN201611077729.4A CN201611077729A CN106780372A CN 106780372 A CN106780372 A CN 106780372A CN 201611077729 A CN201611077729 A CN 201611077729A CN 106780372 A CN106780372 A CN 106780372A
- Authority
- CN
- China
- Prior art keywords
- sparse
- data
- norm
- tree
- weight
- 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
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000011084 recovery Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000013459 approach Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 230000003190 augmentative effect Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims 1
- 210000004556 brain Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于广义树稀疏的权重核范数磁共振成像重建方法,首先,获取测试磁共振成像采样数据样本进行傅立叶变换;并根据采样的信号构建出树结构的稀疏信号,利用带权重的核范数逼近约束的目标函数的稀疏表达;再通过增广拉格朗日乘子法优化约束的目标函数和交替方向搜索算法对所述测试数据进行迭代更新,直至得到估计的恢复数据;再通过构建树稀疏反变换得到最后的恢复图像。本发明利用充分挖掘图像信号的内部结构关系,将图像块的广义树稀疏结构特性与权重核范数结合,并利用ADMM算法简化计算过程,降低算法复杂度,提高了部分空间数据重建图像的性能,在更少的扫描测量下更精确地重建图像,减少重建图像的伪影,实现快速磁共振成像。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其是指一种基于广义树稀疏的权重核范数磁共振成像(MRI)重建方法,主要用于对医学图像的清晰快速恢复,减少重建图像的伪影,恢复更多的图像细节。
背景技术
磁共振成像MRI,因其低损害性及高诊断意义而得到医学界的广泛应用,磁共振MRI建立在磁共振原理的基础上。磁共振涉及的基本物理概念主要包括原子的自旋和磁矩,自旋磁矩在外磁场中的能量状态,产生磁共振的条件,拉莫进动,磁化强度矢量,以及射频场对磁化强度矢量和弛豫过程。
传统的磁共振成像MRI要对原始数据按照奈奎斯特采样定理进行密集采样,然后对所采集密集数据通过逆傅立叶变换重建磁共振MRI图像,这将导致重建磁共振成像所需采样量大的难题。压缩感知理论的提出允许对原始数据空间进行欠采样,使采集的原始数据空间样本可以远小于传统磁共振MRI成像中所需采集的原始数据空间样本数,从而大大减少采样所需数据及节约采样时间。而如何从欠采样的数据样本重构出高清晰的磁共振MRI图像是压缩感知磁共振MRI成像方法成功的一个关键因素,也是近年来研究的热点。
现有磁共振压缩感知CS‐MRI图像重建方法,是利用磁共振MRI图像的稀疏性来重建磁共振MRI图像,现阶段有不少学者通过的选取多利用全变差、小波基、以及自适应字典学习等对磁共振MRI图像进行稀疏表示。相比全变差、以及小波基,基于自适应字典学习的稀疏表示有明显的优越性,能更好地刻画磁共振MRI图像中的边缘结构,但是现有的这种利用自适应稀疏字典表示方法在实际MRI图像重建过程中存在一定的问题,如并没有考虑到信号的内部结构性,它忽略了信号本身内部的结构关系。
此外,从欠采样的原始数据K稀疏恢复磁共振MRI图像的稀疏表示系数是一个病态逆问题。通过对充分挖掘信号内部的结构性可以有效提升图像稀疏分解的精度,这种结构稀疏模型已被证明是一个更加鲁棒、更精确的稀疏模型。但是,现有CS‐MRI图像重建方法由于主要是利用磁共振MRI图像的稀疏性实现对图像重建,并没有考虑到信号的内在结构稀疏性,因而难以精确重建出原始真实的磁共振MRI图像,导致医学诊断困难。
发明内容
本发明的目的在于克服现有技术的缺点和不足,提供一种基于广义树稀疏的权重核范数磁共振成像(MRI)重建方法,利用树稀疏结构的低采样率数据,建立基于权重核范数逼近的MRI重建数学模型,采用交替方向迭代方法对模型进行迭代求解,简化计算过程,降低算法复杂度;本发明对欠采样的数据经过树稀疏结构变换后,可以用更少的稀疏系数和更少的计算量来重构图像,因此进一步地稀疏表示图像,并更好地利用图像的局部信息和非局部相似性,得到更好的图像重建效果;在更少的测量数据下得到更精确的重建图像,减少重建图像的伪影,更加适用于实际场景。
为实现上述目的,本发明所提供的技术方案为:一种基于广义树稀疏的权重核范数磁共振成像重建方法,首先,获取测试磁共振成像采样数据样本进行傅立叶变换;然后根据采样的信号构建出树结构的稀疏信号,利用带权重的核范数逼近约束的目标函数的稀疏表达;接着再通过增广拉格朗日乘子法优化约束的目标函数和交替方向搜索算法对所述测试数据进行迭代更新,直至得到估计的恢复数据;最后再通过构建树稀疏反变换得到最后的恢复图像;其包括以下步骤:
1)采样数据是根据临床志愿者提供的,输入磁共振MRI的笛卡尔欠采样数据或非笛卡尔欠采样数据,这个由具体型号的设备参数和被采集对象决定;
2)将欠采样数据进行相应的傅立叶变换,并通过变换后的数据进行相应的树稀疏结构模型构建;
3)采用自适应奇异值分解求解得到每一分类对应的权重核范数逼近;
4)采用交替方向搜索(ADMM)算法,迭代更新直到迭代次数达到预设的阈值,得到最终每一分类对应的稀疏向量;
5)对树稀疏向量进行反变换最终求解得到对应的稀疏向量重建MRI图像。
所述步骤2)包括以下步骤:
2.1)根据MRI设备获取MR欠采样数据y;
2.2)进行相应的傅立叶变换,即:θ=Fy;
2.3)构建树稀疏结构模型G,即:Gθ。
在步骤3)中,所述权重核范数逼近是一种新的范数模式,既具有l0范数的全局性,又具有l0范数的准确性,它的目标是寻找混合范数最优解,同时满足采样约束条件,其相应的模型:
其中,σi(x)表示x的第i个奇异值,wi为对应的权重;
原子范数优化问题:
这里σi(x)为对应的奇异值,λ为辅助参量;
基于树结构的权重核范数最小化的求解能够转换成一个无约束的最小化问题:
其中,y为欠采样的数据,w表示权重,*表示原子范数以及A为欠定观测矩阵;
该优化问题等价于增广拉格朗日乘子法无约束问题:
其中,z,ρ是辅助参量,d为拉格朗日乘子。
在步骤4)中,结合交替方向搜索算法,优化分解为:
dk+1=dk-(Gθ-z+dk)
轮换地更新一个变量,同时固定其它变量:固定辅助变量zk,求解xk+1;固定图像xk,通过迭代软阈值方法更新zk+1;
对于估算出的数据z的子问题,通过迭代软阈值方法可解,如下:
SW(zk+1)=max(σi(xi)-wi,0)
其中,SW(zk+1)表示软阈值,σi(x)表示x的第i个奇异值,wi为对应的权重;
而在步骤5),通过迭代优化得到的数据,进行稀疏信号树结构反变换就求解重构图像。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明由于在图像重建中,利用构建广义树稀疏的信号结构,能更加精确恢复磁共振MRI图像。
2、本发明由于结合ADMM算法,该算法对正则参数自适应的选取,使得重构方法更加鲁棒性,恢复速度更快。
3、本发明提出了利用权重核范数逼近的方法来求解以更优于1-范数问题,使得重构图像更加精确,呈现更少的混叠伪影,恢复的图像有更好的保真度。
附图说明
图1为本发明方法的流程示意图。
图2为本发明方法与其他五种方法的恢复精度对比效果图。
图3为不同的迭代次数变化情况下,方法恢复出来的信噪比值示意图。
具体实施方式
下面结合具体实施例对本发明做进一步的说明。
如图1所示,本实施例所述的基于广义树稀疏的权重核范数磁共振成像(MRI)重建方法,具体是:首先,获取测试磁共振成像(MRI)采样数据样本进行傅立叶变换;然后根据采样的信号构建出树结构的稀疏信号,利用带权重的核范数逼近约束的目标函数的稀疏表达;再通过增广拉格朗日乘子法优化约束的目标函数和交替方向搜索(ADMM)算法对所述测试数据进行迭代更新,直至得到估计的恢复数据;最后,通过构建树稀疏反变换得到最后的恢复图像。其包括以下步骤:
1)采样数据是根据临床志愿者提供的,输入磁共振MRI的笛卡尔欠采样数据,也可以是非笛卡尔采样,这个由具体型号的设备参数和被采集对象决定。
2)将欠采样数据进行相应的傅立叶变换,并通过变换后的数据进行相应的树稀疏结构模型构建(由于是在欠采样数据上进行,它的规模远小于全采样数据,其数据量取决于采样率和采样模式),具体如下:
2.1)根据MRI设备获取MR欠采样数据y;
2.2)进行相应的傅立叶变换,即:θ=Fy;
2.3)构建树稀疏结构模型G,即:Gθ。
3)采用自适应奇异值分解求解得到每一分类对应的权重核范数逼近,如下:
在CS‐MRI重建中,l1范数最小化是求解非线性凸优化问题,它能确保重构解的稳定性,但得到的解不是最优解。l0范数解才是我们要求的理想最优解,然而l0范数问题是NP‐hard问题,很难直接求解。所以,如何确保解的准确性和收敛性是重构面临的重要问题。而本发明提出的权重核范数逼近是一种新的范数模式,既具有l0范数的全局性,又具有l0范数的准确性,它的目标是寻找混合范数最优解,同时满足采样约束条件,其相应的模型:
其中,σi(x)表示x的第i个奇异值,wi为对应的权重;
原子范数优化问题:
这里σi(x)为对应的奇异值;
基于树结构的权重核范数最小化的求解能够转换成一个无约束的最小化问题:
其中,y为欠采样的数据,w表示权重,*表示原子范数以及A为欠定观测矩阵;
该优化问题等价于增广拉格朗日乘子法无约束问题:
其中,z,ρ是辅助参量,d为拉格朗日乘子。
4)采用交替方向搜索算法,迭代更新直到迭代次数达到预设的阈值,得到最终每一分类对应的稀疏向量,如下:
结合ADMM算法,优化分解为:
dk+1=dk-(Gθ-z+dk)
轮换地更新一个变量,同时固定其它变量:固定辅助变量zk,求解xk+1;固定图像xk,通过迭代软阈值方法更新zk+1。
对于估算出的数据z的子问题,通过迭代软阈值方法可解,如下:
SW(zk+1)=max(σi(xi)-wi,0)
其中,SW(zk+1)表示软阈值,σi(x)表示x的第i个奇异值,wi为对应的权重;
5)对树稀疏向量进行反变换最终求解得到对应的稀疏向量重建MRI图像。其中通过迭代优化,并将得到的稀疏信号树结构反变换就求解重构图像。
本发明效果通过以下实验进一步说明:
实验条件:本发明采用标准核共振MRI上采样数据进行算法比较;所用编程平台为MatlabR2010b;其欠采样率为30%,经过恢复后的核共振成像的的质量通过使用由下式来衡量:
其中,为x原图像,为恢复出来的图像。
图2中(a)‐(e)分明RecPF方法、FCSA方法,WaTMRI方法、,NESTA Tree方法和本发明对人脑图像重构仿真,(f)‐(i)分别为对应RecPF方法、FCSA方法,WaTMRI方法、,NESTA Tree方法和本发明对人脑图像重构后丢失的像素。
图2所显示的人脑图像的恢复结果可以看出,本发明的基于广义树稀疏的权重核范数磁共振成像(MRI)重建方法恢复出来的图像比其他方法恢复出来的图像更干净,清晰,图像边缘更锐利,恢复更多的图像细节。
如图3所示,从图中可以看出不同的迭代次数变化情况下,几种同类方法恢复出来的信噪比值随迭代次数的变化情况。特别地,随着迭代次数的增加,本发明所采用的方法具有良好的恢复稳定性。进一步说明本发明方法重建结果可以获得更清晰的图像对比度以及更精确的解剖结构描述,恢复的图像有更好的保真度。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于广义树稀疏的权重核范数磁共振成像重建方法,其特征在于:首先,获取测试磁共振成像采样数据样本进行傅立叶变换;然后根据采样的信号构建出树结构的稀疏信号,利用带权重的核范数逼近约束的目标函数的稀疏表达;接着再通过增广拉格朗日乘子法优化约束的目标函数和交替方向搜索算法对所述测试数据进行迭代更新,直至得到估计的恢复数据;最后再通过构建树稀疏反变换得到最后的恢复图像;其包括以下步骤:
1)采样数据是根据临床志愿者提供的,输入磁共振MRI的笛卡尔欠采样数据或非笛卡尔欠采样数据,这个由具体型号的设备参数和被采集对象决定;
2)将欠采样数据进行相应的傅立叶变换,并通过变换后的数据进行相应的树稀疏结构模型构建;
3)采用自适应奇异值分解求解得到每一分类对应的权重核范数逼近;
4)采用交替方向搜索算法,迭代更新直到迭代次数达到预设的阈值,得到最终每一分类对应的稀疏向量;
5)对树稀疏向量进行反变换最终求解得到对应的稀疏向量重建MRI图像。
2.根据权利要求1所述的一种基于广义树稀疏的权重核范数磁共振成像重建方法,其特征在于,所述步骤2)包括以下步骤:
2.1)根据MRI设备获取MR欠采样数据y;
2.2)进行相应的傅立叶变换,即:θ=Fy;
2.3)构建树稀疏结构模型G,即:Gθ。
3.根据权利要求1所述的一种基于广义树稀疏的权重核范数磁共振成像重建方法,其特征在于:在步骤3)中,所述权重核范数逼近是一种新的范数模式,既具有范数的全局性,又具有范数的准确性,它的目标是寻找混合范数最优解,同时满足采样约束条件,其相应的模型:
其中,σi(x)表示x的第i个奇异值,,wi表示对应的权重;
原子范数优化问题:
这里σi(x)为对应的奇异值;
基于树结构的权重核范数最小化的求解能够转换成一个无约束的最小化问题:
其中,y为欠采样的数据,w表示权重,*表示原子范数以及A为欠定观测矩阵;
该优化问题等价于增广拉格朗日乘子法无约束问题:
其中,z,ρ是一个辅助参量,d为拉格朗日乘子。
在步骤4)中,结合交替方向搜索算法,优化分解为:
dk+1=dk-(Gθ-z+dk)
轮换地更新一个变量,同时固定其它变量:固定辅助变量zk,求解xk+1;固定图像xk,通过迭代软阈值方法更新zk+1;
对于估算出的数据z的子问题,通过迭代软阈值方法可解,如下:
SW(zk+1)=max(σi(xi)-wi,0)
其中,SW(zk+1)表示软阈值,σi(x)表示x的第i个奇异值,wi为对应的权重;
而在步骤5),通过迭代优化得到的数据,进行稀疏信号树结构反变换就求解重构图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077729.4A CN106780372B (zh) | 2016-11-30 | 2016-11-30 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
PCT/CN2017/112639 WO2018099321A1 (zh) | 2016-11-30 | 2017-11-23 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611077729.4A CN106780372B (zh) | 2016-11-30 | 2016-11-30 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106780372A true CN106780372A (zh) | 2017-05-31 |
CN106780372B CN106780372B (zh) | 2019-06-18 |
Family
ID=58898155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611077729.4A Active CN106780372B (zh) | 2016-11-30 | 2016-11-30 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106780372B (zh) |
WO (1) | WO2018099321A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945129A (zh) * | 2017-11-28 | 2018-04-20 | 电子科技大学 | 一种mri图像重构方法 |
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN109242822A (zh) * | 2018-07-20 | 2019-01-18 | 河南师范大学 | 一种用于核磁共振成像质量控制的数据处理方法 |
CN109636725A (zh) * | 2018-12-13 | 2019-04-16 | 厦门大学 | 一种磁共振扩散排序谱的高分辨率重建方法 |
CN110490832A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨工业大学 | 一种基于正则化深度图像先验方法的磁共振图像重建方法 |
CN111047661A (zh) * | 2019-12-12 | 2020-04-21 | 重庆大学 | 一种基于稀疏流形联合约束的cs-mri图像重构方法 |
CN111714124A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
WO2020215597A1 (zh) * | 2019-04-24 | 2020-10-29 | 深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
CN112070855A (zh) * | 2020-09-07 | 2020-12-11 | 安徽师范大学 | 低采样率下肺部ct图像稀疏重构 |
CN113792767A (zh) * | 2021-08-27 | 2021-12-14 | 国网福建省电力有限公司 | 基于图信号处理的负荷用电特征监测分析方法 |
CN114004764A (zh) * | 2021-11-03 | 2022-02-01 | 昆明理工大学 | 一种基于稀疏变换学习的改进灵敏度编码重建方法 |
CN114596292A (zh) * | 2022-03-14 | 2022-06-07 | 中科微影(浙江)医疗科技有限公司 | 一种核磁共振信号采集处理方法与系统 |
CN114677305A (zh) * | 2022-03-29 | 2022-06-28 | 燕山大学 | 一种磁共振成像的重构方法、装置、电子设备及存储介质 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087246B (zh) * | 2018-08-15 | 2023-03-14 | 江南大学 | 一种基于稀疏重构的超声图像重构方法 |
CN109065128A (zh) * | 2018-09-28 | 2018-12-21 | 郑州大学 | 一种加权图正则化稀疏脑网络构建方法 |
CN109584323B (zh) * | 2018-10-18 | 2023-03-31 | 天津大学 | 超声反射信息约束的腹部病变电阻抗图像重建方法 |
CN109978798B (zh) * | 2019-04-08 | 2022-11-29 | 湖南师范大学 | 基于图像梯度稀疏性的重影反射去除方法 |
CN110429938B (zh) * | 2019-06-25 | 2022-07-26 | 四川轻化工大学 | 一种高速核信号的压缩采样及重建方法 |
CN110969638B (zh) * | 2019-11-12 | 2023-09-29 | 桂林电子科技大学 | 一种基于张量的背景减除方法及系统 |
CN111062999B (zh) * | 2019-12-13 | 2023-10-27 | 河南师范大学 | 有效保留锐利边缘的生物医学电阻抗层析成像方法 |
CN110934586B (zh) * | 2019-12-17 | 2023-06-20 | 河南师范大学 | 一种灰度值矩阵快速分解重建的正则化方法 |
CN110991419B (zh) * | 2019-12-23 | 2023-04-07 | 长安大学 | 基于稀疏低秩协同优化框架的齿轮箱局部故障诊断方法 |
CN111626942A (zh) * | 2020-03-06 | 2020-09-04 | 天津大学 | 基于时空联合矩阵恢复动态视频背景方法 |
CN111553863B (zh) * | 2020-04-30 | 2023-03-03 | 河南大学 | 一种基于非凸全变分型正则化的图像增强方法 |
CN112084847B (zh) * | 2020-07-30 | 2024-05-03 | 浙江工业大学 | 基于多通道截断核范数及全变差正则化的高光谱图像去噪方法 |
CN112132930A (zh) * | 2020-09-02 | 2020-12-25 | 厦门大学 | 一种加权冗余稀疏约束磁共振图像的迭代重建方法 |
CN112712486B (zh) * | 2020-11-26 | 2024-04-26 | 贵州大学 | 一种基于激活函数的射电天文图像重建方法 |
CN112508813B (zh) * | 2020-12-04 | 2022-09-06 | 上海交通大学 | 一种基于改进Kernel方法结合稀疏约束的PET图像重建方法 |
CN112837387B (zh) * | 2021-01-25 | 2024-04-16 | 浙江工业大学 | 一种基于分布式采样结构的emt图像重建方法 |
CN113378614B (zh) * | 2021-01-29 | 2022-11-29 | 华北电力大学 | 一种局部放电信号去噪处理方法及系统 |
CN113112563B (zh) * | 2021-04-21 | 2023-10-27 | 西北大学 | 一种优化区域知识先验的稀疏角cb-xlct成像方法 |
CN113222834B (zh) * | 2021-04-22 | 2024-03-22 | 南京航空航天大学 | 一种基于平滑约束和矩阵分解的视觉数据张量补全方法 |
CN113221377B (zh) * | 2021-05-31 | 2024-04-02 | 西北大学 | 基于Consensus-ADMM优化的可重构纯相位稀疏阵列综合方法、装置及介质 |
CN113222860B (zh) * | 2021-06-02 | 2022-09-20 | 哈尔滨工程大学 | 基于噪声结构多重正则化的图像恢复方法及系统 |
CN113393402B (zh) * | 2021-06-25 | 2022-09-13 | 广东工业大学 | 一种基于张量环分解恢复图像背景的方法 |
CN113674172B (zh) * | 2021-08-17 | 2023-11-28 | 上海交通大学 | 一种图像处理方法、系统、装置及存储介质 |
CN113724351B (zh) * | 2021-08-24 | 2023-12-01 | 南方医科大学 | 一种光声图像衰减校正方法 |
CN113758708B (zh) * | 2021-09-14 | 2024-03-26 | 北京化工大学 | 一种基于l1范数与组范数约束的滚动轴承信号的频域故障诊断方法 |
CN113892938B (zh) * | 2021-10-09 | 2023-10-27 | 昆明理工大学 | 一种基于非局部低秩约束的改进灵敏度编码重构方法 |
CN117314763A (zh) * | 2023-08-17 | 2023-12-29 | 贵州医科大学附属口腔医院 | 一种基于机器学习的口腔卫生管理方法及系统 |
CN117478365B (zh) * | 2023-10-17 | 2024-05-10 | 南京邮电大学 | 一种计及攻击的能源互联网用电数据软恢复方法、设备及介质 |
CN117890486B (zh) * | 2024-03-15 | 2024-05-14 | 四川吉利学院 | 基于稀疏切空间投影的磁瓦内部缺陷检测方法 |
CN118068290A (zh) * | 2024-04-25 | 2024-05-24 | 西安电子科技大学 | 一种宽带雷达高速目标长时间相参积累方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100275145A1 (en) * | 2007-12-14 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Labeling a segmented object |
CN103218841A (zh) * | 2013-04-26 | 2013-07-24 | 中国科学技术大学 | 结合生理模型和数据驱动模型的三维发音器官动画方法 |
CN103793711A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN104574456A (zh) * | 2014-12-01 | 2015-04-29 | 南昌大学 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103595414B (zh) * | 2012-08-15 | 2017-02-08 | 湖南涉外经济学院 | 一种稀疏采样与信号压缩感知重构方法 |
US9734601B2 (en) * | 2014-04-04 | 2017-08-15 | The Board Of Trustees Of The University Of Illinois | Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms |
CN104933683B (zh) * | 2015-06-09 | 2018-12-04 | 南昌大学 | 一种用于磁共振快速成像的非凸低秩重建方法 |
CN106780372B (zh) * | 2016-11-30 | 2019-06-18 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
-
2016
- 2016-11-30 CN CN201611077729.4A patent/CN106780372B/zh active Active
-
2017
- 2017-11-23 WO PCT/CN2017/112639 patent/WO2018099321A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100275145A1 (en) * | 2007-12-14 | 2010-10-28 | Koninklijke Philips Electronics N.V. | Labeling a segmented object |
CN103218841A (zh) * | 2013-04-26 | 2013-07-24 | 中国科学技术大学 | 结合生理模型和数据驱动模型的三维发音器官动画方法 |
CN103793711A (zh) * | 2014-01-17 | 2014-05-14 | 首都医科大学 | 一种基于脑部核磁共振图像的多维度纹理提取方法 |
CN104574456A (zh) * | 2014-12-01 | 2015-04-29 | 南昌大学 | 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 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
CN107945129A (zh) * | 2017-11-28 | 2018-04-20 | 电子科技大学 | 一种mri图像重构方法 |
CN107945129B (zh) * | 2017-11-28 | 2020-07-31 | 电子科技大学 | 一种mri图像重构方法 |
CN108765330A (zh) * | 2018-05-21 | 2018-11-06 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN108765330B (zh) * | 2018-05-21 | 2022-05-27 | 西北大学 | 基于全局和局部先验联合约束的图像去噪方法和装置 |
CN109242822A (zh) * | 2018-07-20 | 2019-01-18 | 河南师范大学 | 一种用于核磁共振成像质量控制的数据处理方法 |
CN109636725B (zh) * | 2018-12-13 | 2022-05-17 | 厦门大学 | 一种磁共振扩散排序谱的高分辨率重建方法 |
CN109636725A (zh) * | 2018-12-13 | 2019-04-16 | 厦门大学 | 一种磁共振扩散排序谱的高分辨率重建方法 |
US11397231B2 (en) | 2019-04-24 | 2022-07-26 | Shenzhen Institutes Of Advanced Technology | Magnetic-resonance imaging method, apparatus and system, and storage medium |
WO2020215597A1 (zh) * | 2019-04-24 | 2020-10-29 | 深圳先进技术研究院 | 磁共振成像方法、装置、系统及存储介质 |
CN110490832A (zh) * | 2019-08-23 | 2019-11-22 | 哈尔滨工业大学 | 一种基于正则化深度图像先验方法的磁共振图像重建方法 |
CN111047661B (zh) * | 2019-12-12 | 2022-04-08 | 重庆大学 | 一种基于稀疏流形联合约束的cs-mri图像重构方法 |
CN111047661A (zh) * | 2019-12-12 | 2020-04-21 | 重庆大学 | 一种基于稀疏流形联合约束的cs-mri图像重构方法 |
CN111714124A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
CN111714124B (zh) * | 2020-06-18 | 2023-11-03 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
CN112070855A (zh) * | 2020-09-07 | 2020-12-11 | 安徽师范大学 | 低采样率下肺部ct图像稀疏重构 |
CN112070855B (zh) * | 2020-09-07 | 2023-09-12 | 安徽师范大学 | 低采样率下肺部ct图像稀疏重构方法 |
CN113792767A (zh) * | 2021-08-27 | 2021-12-14 | 国网福建省电力有限公司 | 基于图信号处理的负荷用电特征监测分析方法 |
CN114004764A (zh) * | 2021-11-03 | 2022-02-01 | 昆明理工大学 | 一种基于稀疏变换学习的改进灵敏度编码重建方法 |
CN114004764B (zh) * | 2021-11-03 | 2024-03-15 | 昆明理工大学 | 一种基于稀疏变换学习的改进灵敏度编码重建方法 |
CN114596292A (zh) * | 2022-03-14 | 2022-06-07 | 中科微影(浙江)医疗科技有限公司 | 一种核磁共振信号采集处理方法与系统 |
CN114596292B (zh) * | 2022-03-14 | 2022-09-09 | 中科微影(浙江)医疗科技有限公司 | 一种核磁共振信号采集处理方法与系统 |
CN114677305A (zh) * | 2022-03-29 | 2022-06-28 | 燕山大学 | 一种磁共振成像的重构方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106780372B (zh) | 2019-06-18 |
WO2018099321A1 (zh) | 2018-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780372A (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 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN106056647B (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 | |
CN104933683B (zh) | 一种用于磁共振快速成像的非凸低秩重建方法 | |
CN103472419B (zh) | 磁共振快速成像方法及其系统 | |
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 | |
CN108090871A (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
CN110378980A (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
CN112150568A (zh) | 基于Transformer模型的磁共振指纹成像重建方法 | |
CN106373167A (zh) | 一种基于深度神经网络的压缩传感核磁共振成像方法 | |
CN106934778A (zh) | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 | |
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 | |
CN104013403B (zh) | 一种基于张量分解稀疏约束的三维心脏磁共振成像方法 | |
CN103957784A (zh) | 对脑功能磁共振数据进行处理的方法 | |
CN112991483B (zh) | 一种非局部低秩约束的自校准并行磁共振成像重构方法 | |
CN107845065A (zh) | 超分辨率图像重建方法和装置 | |
CN104714200A (zh) | 一种基于广义双层伯格曼非凸型字典学习的磁共振超欠采样k数据成像方法 | |
CN113538611A (zh) | 一种无监督的心脏磁共振参数定量图像重建方法 | |
CN110288672A (zh) | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 | |
CN106093814A (zh) | 一种基于多尺度低秩模型的心脏磁共振成像方法 | |
CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
CN117576240A (zh) | 基于双域Transformer的磁共振图像重建方法 | |
CN105654527A (zh) | 一种基于结构化字典学习的磁共振成像重建方法和装置 | |
Liu et al. | High-fidelity MRI reconstruction using adaptive spatial attention selection and deep data consistency prior |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |