CN107942271B - 基于迭代的speed快速磁共振成像方法 - Google Patents
基于迭代的speed快速磁共振成像方法 Download PDFInfo
- Publication number
- CN107942271B CN107942271B CN201711250384.2A CN201711250384A CN107942271B CN 107942271 B CN107942271 B CN 107942271B CN 201711250384 A CN201711250384 A CN 201711250384A CN 107942271 B CN107942271 B CN 107942271B
- Authority
- CN
- China
- Prior art keywords
- ghost
- image
- data
- reconstruction
- space
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 32
- 239000010410 layer Substances 0.000 description 25
- 239000003814 drug Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于迭代的SPEED快速磁共振成像方法,本发明主要包括六个步骤:k空间数据采集、填零重建、鬼影定位、基于双层鬼影模型的SPEED图像重建、生成高分辨率图像、迭代。填零重建包含三个步骤:两组欠采样数据的填零重建、差分变换和k空间中心数据填零重建成低分辨率图像,鬼影定位包含三个步骤:差分变换、建立重叠鬼影图和确立鬼影阶数。基于双层鬼影模型的SPEED图像重建包含四个步骤:双层鬼影模型求解、重叠鬼影的分离、多个分离鬼影图像的配准求和、逆滤波重建。采用本发明方法,提高了SPEED方法的数据采集速度和鬼影定位的精度,获得更高的SPEED成像质量。
Description
技术领域
本发明属于磁共振的图像成像领域,涉及一种基于迭代的SPEED快速磁共振成像方法。
背景技术
SPEED(Skipped Phase Encoding and Edge Deghosting)成像技术是一种通过在相位编码(Phase Encoding,PE)方向上减少数据点来缩短采集时间的快速磁共振成像(Magnetic Resonance Imaging,MRI)方法(QS Xiang,Accelerating MRI by skippedphase encoding and edge deghosting(SPEED),Magnetic Resonance in Medicine,53:1112-1117,2005)。SPEED通过在k空间进行简单规则的欠采样来采集数据,基于差分图像的稀疏性和双层鬼影模型,可通过解析法来重建图像,其解析求解过程非常快速。SPEED成像方法不但易于实现,而且也易于和现有的采集方式结合,是一种很有应用潜力的MRI快速成像方法。
目前已申请的关于SPEED快速成像方面的MRI专利有:基于小波域稀疏表示的SPEED快速磁共振成像方法(授权号:ZL 2013102071971.1),提出基于小波域的数据稀疏特性来提高SPEED快速成像方法的成像质量。基于离散余弦变换的SPEED快速磁共振成像方法(授权号:ZL201310719667.2),提出基于离散余弦变换来提高SPEED快速成像方法的成像质量。基于k空间中心鬼影定位的SPEED磁共振成像方法(申请号:201610920503.X),提出一种通过利用k空间中心数据来进行鬼影定位,进一步减小SPEED数据采集组数,加快SPEED成像速度的方法。
目前还未能查询到任何基于迭代的SPEED快速磁共振成像方法的授权发明专利或申请。
国内外已发表的关于SPEED成像方面的文章有:2016年,金朝阳等人提出了基于离散余弦变换和离散小波变换的SPEED快速成像方法(Jin Z,Ye H,Du YP,XiangQS.Improving image quality for skipped phase encoding and edge deghosting(SPEED)by exploiting several sparsifying transforms.Magnetic Resonance inMedicine.75:2031-2045,2016),该方法利用离散余弦变换和离散小波变换对数据进行稀疏表示,相比于常规SPEED方法采用基于离散差分变换的数据稀疏表示方法,该方法获得了更好的成像质量。2013年,金朝阳和向清三提出了通用G-SPEED(General-SPEED)采样方法(Jin Z,Xiang QS.Accelerated MRI by SPEED with generalized samplingschemes.Magnetic Resonance in Medicine.70:1674-1681,2013),G-SPEED方法突破了传统SPEED方法的采样间隔周期N必须是质数(例如:N=5、7、11)的限制,通过秩判据的方式,使得N不但可为质数,也可为合数(例如:N=2、4、6、8、9)。2009年,常征等人提出EMA-SPEED(Efficient Multiple Acquisition by SPEED)算法(Chang Z,Xiang QS,Ji J,and YinFF.Efficient multiple acquisitions by skipped phase encoding and edgedeghosting(SPEED)using shared spatial information.Magnetic Resonance inMedicine.61:229-233,2009),通过共享多个采集间的相似空间信息进一步缩短了SPEED的数据采集时间,从而可获得比单次采集更高的加速比。2007年,基于MRA数据本身就非常稀疏的特性,常征和向清三将SPEED的双层模型简化到单层模型(Chang Z and XiangQS.Simplified skipped phase encoding and edge deghosting(SPEED)for imagingsparse objects with applications to MRA.Med Phys.34:3173-3182,2007),提出了S-SPEED(Simplified-SPEED)算法,该算法适用于数据本身就非常稀疏的场合,例如暗背景亮信号的MRA应用(Chang Z,Xiang QS,Shen H and Yin FF.Accelerating non-contrast-enhanced MR angiography with inflow inversion recovery imaging by skippedphase encoding and edge deghosting(SPEED).Journal of Magnetic ResonanceImaging.31:757-765,2010)。2006年,常征和向清三将SPEED算法与并行成像技术进一步结合,提出了SPEED-ACE成像法(Chang Z and Xiang QS.Highly accelerated MRI byskipped phase encoding and edge deghosting with array coil enhancement(SPEED-ACE).Med Phys.33:3758-3766,2006),通过采用多个采集线圈来共同采集k-空间欠采样数据,从而提高成像速度。
以上发表的关于SPEED快速成像方面的文章或已授权的发明专利,是基于直接解析求解来进行图像重建的方法,还未公开过任何基于迭代的SPEED快速磁共振成像方法。
发明内容
本发明针对现有SPEED技术的不足,基于相位具有成片连贯性的特性,通过利用低分辨率图来预测高分辨率欠采样重建图中的重叠鬼影阶数,将常规SPEED快速成像的数据采集组数减少了三分之一,进一步提高了SPEED成像速度;提出通过迭代的方法来抑制低分辨率重建图中的吉布斯环状伪影(Gibbs Ringing Artifacts),进而提高了重叠鬼影的定位精度和SPEED成像质量。本发明主要包括六个步骤:k空间数据采集、填零重建、鬼影定位、基于双层鬼影模型的SPEED图像重建、生成高分辨率图像、迭代。
步骤1:k空间数据采集
在k空间的相位编码方向,即PE(Phase Encoding)方向,每隔N行采集一行数据,共采集两组,分别用S1和S2表示。用d1,d2表示每组欠采样数据在PE方向上的偏移量,采样方式用N(d1,d2)表示。根据图像大小,在PE方向的k空间中心区域采集16至64行数据,用Sc表示。在k空间的频率编码方向,即FE(Frequency Encoding)方向的数据为全采集。
步骤2:填零重建
填零重建包含三个步骤:两组欠采样数据的填零重建、差分变换、k空间中心数据填零重建成低分辨率图像。
步骤2-1:两组欠采样数据的填零重建
对于两组欠采样的数据S1和S2,其对应k空间中没有进行数据采集的点用0表示,进行常规的填零傅立叶重建,重建后图像分别用I1和I2表示。k空间中每隔N行采集一行数据使得每组数据对应的填零傅立叶重建图像中有N层重叠的鬼影,每个像素点上最多有N层重叠的鬼影。例如,当N=4时,I1和I2上分别有4层重叠的鬼影。
步骤2-2:差分变换
对步骤2-1得到的图像I1和I2分别进行差分变换,得到稀疏的边缘鬼影图像E1和E2。在稀疏的鬼影图像中,每个像素点上通常只有两层重叠的鬼影。
步骤2-3:k空间中心数据填零重建成低分辨率图像
将采集到的k空间中心部分数据Sc也进行填零傅立叶重建,形成一个低分辨率的重建图像Ic。
步骤3:鬼影定位
鬼影定位包含三个步骤:差分变换、建立重叠鬼影图和确立鬼影阶数。
步骤3-1:差分变换
对Ic进行差分变换,得到稀疏的边缘鬼影图像Ec。
步骤3-2:建立重叠鬼影图
在相位编码方向对Ec分别进行长度为Ny×n/N的平移,其中Ny表示沿PE方向的数据矩阵的大小,n表示边缘鬼影的阶数(不同的阶表示鬼影位置不同),n=0,1,2,…,N-1。这n个稀疏的边缘鬼影相加后形成一个重叠的鬼影映射图Ec,n。
步骤3-3:确立鬼影阶数
在鬼影映射图Ec,n中,为每个像素点找出两个最强的鬼影,并记录下它们对应的鬼影阶数(n1,n2)。
步骤4:基于双层鬼影模型的SPEED图像重建
基于双层鬼影模型的SPEED图像重建包含四个步骤:双层鬼影模型求解、重叠鬼影的分离、多个分离鬼影图像的配准求和、逆滤波重建。
步骤4-1:双层鬼影模型求解
稀疏边缘鬼影图像E1和E2中,由于每个像素点上通常只有两层鬼影的重叠,因此采用双层稀疏边缘鬼影模型来描述E1和E2中的每个像素点。双层稀疏边缘鬼影模型表示为:
公式[2]中d表示每组欠采样数据在PE方向上的偏移量d1和d2,n为鬼影阶数。
在公式[1]中,由于E1、E2、d和N已知,步骤3-3得到了鬼影阶数(n1,n2),即公式[1]中的两个方程,仅有两个未知数Gn1和Gn2,因此可直接解出公式[1]中的两个重叠的鬼影Gn1和Gn2。
步骤4-2:重叠鬼影的分离
对步骤4-1得到的Gn1和Gn2中的像素点,按不同的鬼影阶数n进行分类,产生N个分离的鬼影映射图Gn,其中n=0,1,…,N-1。
步骤4-3:多个分离鬼影图像的配准求和
步骤4-2得到的N个鬼影映射图Gn,各自对应的鬼影位置不同,可通过移位和对齐来配准。配准后各鬼影图对应的像素点求和后,得到没有重叠鬼影的边缘映射图像E0。
步骤4-4:逆滤波重建
步骤4-3得到的边缘映射图像E0经离散傅立叶变换(DFT)到k空间,其对应k空间中实际进行数据采集的点的值用实际采集的数据替代,得到k空间数据R0。基于逆滤波公式[3]重建出SPEED图像I0。
公式[3]中IDFT表示离散傅立叶逆变换,ky表示沿PE方向的k空间位置。
步骤5:生成高分辨率图像
将步骤2-3得到的低分辨率图像Ic与步骤4-4得到的重建图像I0进行对应像素点之间的相乘操作,得到高分辨率的Icnew图像。
步骤6:迭代
令Ic=Icnew,重复步骤3到步骤6,迭代一次或多次,得到最终的SPEED重建图Ifinal=I0。
采用本发明方法,即通过迭代生成的高分辨率图可以提高重叠鬼影定位的精度,从而在缩短SPEED数据采集时间的前提下,提高了SPEED重建图的质量。同时本发明具有以下特点:
(1)本发明通过迭代,将低分辨率图与SPEED重建图对应点相乘,生成高分辨率图对应的k空间数据的连续性和完整性可以抑制低分辨率图中的吉布斯环状伪影;另一方面基于k空间中心数据的低分辨率图像具有高频噪声小的优点。因此合成的高分辨率图像,既可以抑制吉布斯环状伪影,又可以减少图像噪声,极大地提高了鬼影定位的精度。
(2)本发明提高了SPEED成像方法的数据采集速度。常规SPEED技术需采集三组k空间欠采样数据,而本发明通过计算出鬼影阶数,只需采集两组k空间欠采样数据即可进行SPEED双层鬼影模型的求解,提高了SPEED成像方法的数据采集速度。
(3)本发明采取简单有规律方式进行数据的欠采样,无需更改MRI硬件,就能提高数据采集的速度,且易于与常规的临床数据采集方式集成。
附图说明
图1是本发明数据采集方式的示意图;
图2是迭代SPEED重建过程示意图;
图3是采用本发明进行数据采集和图像重建实例的结果图。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明主要包括六个步骤:k空间数据采集、填零重建、鬼影定位、基于双层鬼影模型的SPEED图像重建、生成高分辨率图像、迭代。
步骤1:k空间数据采集
在k空间的相位编码方向,即PE(Phase Encoding)方向,每隔N行采集一行数据,共采集两组,分别用S1和S2表示。用d1,d2表示每组欠采样数据在PE方向上的偏移量,采样方式用N(d1,d2)表示。根据图像大小,在PE方向的k空间中心区域采集16至64行数据,用Sc表示。在k空间的频率编码方向,即FE(Frequency Encoding)方向的数据为全采集,如图1所示。
步骤2:填零重建
填零重建包含三个步骤:两组欠采样数据的填零重建、差分变换、k空间中心数据填零重建成低分辨率图像。
步骤2-1:两组欠采样数据的填零重建
对于两组欠采样的数据S1和S2,其对应k空间中没有进行数据采集的点用0表示,进行常规的填零傅立叶重建,重建后图像分别用I1和I2表示。k空间中每隔N行采集一行数据使得每组数据对应的填零傅立叶重建图像中有N层重叠的鬼影,每个像素点上最多有N层重叠的鬼影。例如,当N=4时,I1和I2上分别有4层重叠的鬼影,如图2所示。
步骤2-2:差分变换
对步骤2-1得到的图像I1和I2分别进行差分变换,得到稀疏的边缘鬼影图像E1和E2。在稀疏的鬼影图像中,每个像素点上通常只有两层重叠的鬼影,如图2所示。
步骤2-3:k空间中心数据填零重建成低分辨率图像
将采集到的k空间中心部分数据Sc也进行填零傅立叶重建,形成一个低分辨率的重建图像Ic,如图2所示。
步骤3:鬼影定位
鬼影定位包含三个步骤:差分变换、建立重叠鬼影图和确立鬼影阶数。
步骤3-1:差分变换
对Ic进行差分变换,得到稀疏的边缘鬼影图像Ec,如图2所示。
步骤3-2:建立重叠鬼影图
在相位编码方向对Ec分别进行长度为Ny×n/N的平移,其中Ny表示沿PE方向的数据矩阵的大小,n表示边缘鬼影的阶数(不同的阶表示鬼影位置不同),n=0,1,2,…,N-1。这n个稀疏的边缘鬼影相加后形成一个重叠的鬼影映射图Ec,n,如图2所示。
步骤3-3:确立鬼影阶数
在鬼影映射图Ec,n中,为每个像素点找出两个最强的鬼影,并记录下它们对应的鬼影阶数(n1,n2),如图2所示。
步骤4:基于双层鬼影模型的SPEED图像重建
基于双层鬼影模型的SPEED图像重建包含四个步骤:双层鬼影模型求解、重叠鬼影的分离、多个分离鬼影图像的配准求和、逆滤波重建。
步骤4-1:双层鬼影模型求解
稀疏边缘鬼影图像E1和E2中,由于每个像素点上通常只有两层鬼影的重叠,因此采用双层稀疏边缘鬼影模型来描述E1和E2中的每个像素点。双层稀疏边缘鬼影模型表示为:
公式[2]中d表示每组欠采样数据在PE方向上的偏移量d1和d2,n为鬼影阶数。
在公式[1]中,由于E1、E2、d和N已知,步骤3-3得到了鬼影阶数(n1,n2),即公式[1]中的两个方程,仅有两个未知数Gn1和Gn2,因此可直接解出公式[1]中的两个重叠的鬼影Gn1和Gn2,如图2所示。
步骤4-2:重叠鬼影的分离
对步骤4-1得到的Gn1和Gn2中的像素点,按不同的鬼影阶数n进行分类,产生N个分离的鬼影映射图Gn,其中n=0,1,…,N-1。
步骤4-3:多个分离鬼影图像的配准求和
步骤4-2得到的N个鬼影映射图Gn,各自对应的鬼影位置不同,可通过移位和对齐来配准。配准后各鬼影图对应的像素点求和后,得到没有重叠鬼影的边缘映射图像E0,如图2所示。
步骤4-4:逆滤波重建
步骤4-3得到的边缘映射图像E0经离散傅立叶变换(DFT)到k空间,其对应k空间中实际进行数据采集的点的值用实际采集的数据替代,得到k空间数据R0。基于逆滤波公式[3]重建出SPEED图像I0。
公式[3]中IDFT表示离散傅立叶逆变换,ky表示沿PE方向的k空间位置,如图2所示。
步骤5:生成高分辨率图像
将步骤2-3得到的低分辨率图像Ic与步骤4-4得到的重建图像I0进行对应像素点之间的相乘操作,得到高分辨率的Icnew图像,如图2所示。
步骤6:迭代
令Ic=Icnew,重复步骤3到步骤6,迭代可重复进行,一般迭代一次即可,得到最终的SPEED重建图Ifinal=I0,如图2所示。
以下结合人体头部的MRI数据,对基于迭代的SPEED磁共振成像方法进行实例说明。假设要采集的MRI图像的矩阵大小为kx×ky=256×256。首先以采样方式N(d1,d2)=5(0,4)进行数据采集,在k空间的相位编码PE方向每隔N=5行采集一行k空间数据,共采集两组,分别得到欠采样的k空间数据S1和S2。在信息量集中的k空间中心区域进行全采样,共采集32行相位编码数据。接下来,对两组欠采样数据S1和S2和k空间中心数据Sc分别进行常规的填零傅立叶重建,重建后图像分别为I1、I2和Ic。然后对图像I1、I2和Ic分别进行差分变换,得到稀疏的鬼影图像E1、E2和Ec。在相位编码方向对Ec分别进行长度为256×n/5的平移,其中n=0,1,2,3,4。这5个边缘鬼影相加后生成一个重叠的鬼影映射图Ec,n=Ec,5。在鬼影映射图Ec,5中,为每个像素点找出两个最强的鬼影,并记录下它们对应的鬼影阶数(n1,n2)。基于鬼影阶数(n1,n2)和稀疏鬼影图E1和E2,可直接解出双层鬼影模型中的两个主要的重叠鬼影Gn1和Gn2。根据不同的鬼影阶数值,对Gn1和Gn2中的像素点分类,产生5个分离的鬼影映射图像Gn,n=0,1,2,3,4。这5个鬼影映射图像经过移位、配准和求和后得到无重叠鬼影的边缘映射图E0。E0经过DFT变换到k空间,然后用实际采集到的k空间数据替换部分k空间数据,再经过逆滤波公式[3]重建出最终的SPEED图像I0。将Ic和I0图像的对应点相乘生成高分辨率Icnew图像,用Icnew替换Ic后进行步骤3到步骤6的迭代重建,迭代1次后得到最终的Ifinal图像。
如图3所示,图3(a)为人体头部的全采样参考图。第二行各子图是基于低分辨率图像来定位重叠鬼影的SPEED方法的部分结果图,图3(b)为Ic图像,图3(c)为稀疏鬼影图Ec,可以看出有明显的吉布斯环状伪影,图3(d)为图3(c)经过移位叠加后的图像Ec,n,共叠加了5个不同位置的鬼影图像,图3(e)为基于低分辨率图像来定位重叠鬼影的SPEED方法的重建结果图,图3(f)为图3(e)与图3(a)相比较的误差映射图。第三行是本发明提出的基于迭代SPEED成像的部分结果图,图3(g)为高分辨率图Icnew,图3(h)为高分辨率稀疏鬼影图Ec,吉布斯环状伪影得到很好的抑制,图3(i)为Ec经过移位叠加后的图像Ec,n,共叠加了5个不同位置的鬼影图像,图3(j)为基于迭代的SPEED成像结果,图3(k)为图3(j)与图3(a)相比较的误差映射图。从图3中可以看出,图3(j)的质量优于图3(e),从误差映射图(f)和(k)的主观评价可以看出,本发明的方法误差比较小。从客观的相对均方差误差测量值(TRE)也可看出,3(j)的TRE值为9.00e-4,明显小于图3(e)的的TRE值9.97e-4。可见本发明通过确定鬼影阶数,只采集了两组欠采样数据,提高了SPEED方法的数据采集速度;重建时通过迭代,提高鬼影的定位精度,获得了更高的成像质量。
Claims (1)
1.基于迭代的SPEED快速磁共振成像方法,其特征在于,该方法包括以下步骤:
步骤1:k空间数据采集
在k空间的相位编码方向,即PE方向,每隔N行采集一行数据,共采集两组,分别用S1和S2表示;用d1,d2表示每组欠采样数据在PE方向上的偏移量,采样方式用N(d1,d2)表示;根据图像大小,在PE方向的k空间中心区域采集16至64行数据,用Sc表示;在k空间的频率编码方向,即FE方向的数据为全采集;
步骤2:填零重建
填零重建包含三个步骤:两组欠采样数据的填零重建、差分变换、k空间中心数据填零重建成低分辨率图像;
步骤2-1:两组欠采样数据的填零重建
对于两组欠采样的数据S1和S2,其对应k空间中没有进行数据采集的点用0表示,进行常规的填零傅立叶重建,重建后图像分别用I1和I2表示;k空间中每隔N行采集一行数据使得每组数据对应的填零傅立叶重建图像中有N层重叠的鬼影,每个像素点上最多有N层重叠的鬼影;
步骤2-2:差分变换
对步骤2-1得到的图像I1和I2分别进行差分变换,得到稀疏的边缘鬼影图像E1和E2;
步骤2-3:k空间中心数据填零重建成低分辨率图像
将采集到的k空间中心部分数据Sc也进行填零傅立叶重建,形成一个低分辨率的重建图像Ic;
步骤3:鬼影定位
鬼影定位包含三个步骤:差分变换、建立重叠鬼影图和确立鬼影阶数;
步骤3-1:差分变换
对Ic进行差分变换,得到稀疏的边缘鬼影图像Ec;
步骤3-2:建立重叠鬼影图
在相位编码方向对Ec分别进行长度为Ny×n/N的平移,其中Ny表示沿PE方向的数据矩阵的大小,n表示边缘鬼影的阶数,n=0,1,2,…,N-1;这n个稀疏的边缘鬼影相加后形成一个重叠的鬼影映射图Ec,n;
步骤3-3:确立鬼影阶数
在鬼影映射图Ec,n中,为每个像素点找出两个最强的鬼影,并记录下它们对应的鬼影阶数(n1,n2);n1,n2∈n;
步骤4:基于双层鬼影模型的SPEED图像重建
基于双层鬼影模型的SPEED图像重建包含四个步骤:双层鬼影模型求解、重叠鬼影的分离、多个分离鬼影图像的配准求和、逆滤波重建;
步骤4-1:双层鬼影模型求解
稀疏边缘鬼影图像E1和E2中,由于每个像素点上通常只有两层鬼影的重叠,因此采用双层稀疏边缘鬼影模型来描述E1和E2中的每个像素点;双层稀疏边缘鬼影模型表示为:
公式[2]中d表示每组欠采样数据在PE方向上的偏移量d1和d2,n为鬼影阶数;
在公式[1]中,由于E1、E2、d和N已知,步骤3-3得到了鬼影阶数(n1,n2),即公式[1]中的两个方程,仅有两个未知数Gn1和Gn2,因此可直接解出公式[1]中的两个重叠的鬼影Gn1和Gn2;
步骤4-2:重叠鬼影的分离
对步骤4-1得到的Gn1和Gn2中的像素点,按不同的鬼影阶数n进行分类,产生N个分离的鬼影映射图Gn,其中n=0,1,…,N-1;
步骤4-3:多个分离鬼影图像的配准求和
步骤4-2得到的N个鬼影映射图Gn,各自对应的鬼影位置不同,可通过移位和对齐来配准;配准后各鬼影图对应的像素点求和后,得到没有重叠鬼影的边缘映射图像E0;
步骤4-4:逆滤波重建
步骤4-3得到的边缘映射图像E0经离散傅立叶变换到k空间,其对应k空间中实际进行数据采集的点的值用实际采集的数据替代,得到k空间数据R0;基于逆滤波公式[3]重建出SPEED图像I0;
公式[3]中IDFT表示离散傅立叶逆变换,ky表示沿PE方向的k空间位置;
步骤5:生成高分辨率图像
将步骤2-3得到的低分辨率图像Ic与步骤4-4得到的重建图像I0进行对应像素点之间的相乘操作,得到高分辨率的Icnew图像;
步骤6:迭代
令Ic=Icnew,重复步骤3到步骤6,迭代一次或多次,得到最终的SPEED重建图Ifinal=I0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250384.2A CN107942271B (zh) | 2017-12-01 | 2017-12-01 | 基于迭代的speed快速磁共振成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711250384.2A CN107942271B (zh) | 2017-12-01 | 2017-12-01 | 基于迭代的speed快速磁共振成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107942271A CN107942271A (zh) | 2018-04-20 |
CN107942271B true CN107942271B (zh) | 2020-09-22 |
Family
ID=61948338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711250384.2A Active CN107942271B (zh) | 2017-12-01 | 2017-12-01 | 基于迭代的speed快速磁共振成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107942271B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4332605A1 (en) * | 2022-09-05 | 2024-03-06 | Canon Medical Systems Corporation | Image processing apparatus, image processing method, and magnetic resonance imaging apparatus |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300136B (zh) * | 2018-08-28 | 2021-08-31 | 众安信息技术服务有限公司 | 一种基于卷积神经网络的危及器官自动分割方法 |
CN112748382A (zh) * | 2020-12-15 | 2021-05-04 | 杭州电子科技大学 | 基于CUNet伪影定位的SPEED磁共振成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
CN103728581A (zh) * | 2013-12-20 | 2014-04-16 | 杭州电子科技大学 | 基于离散余弦变换的speed快速磁共振成像方法 |
CN104217448A (zh) * | 2014-09-05 | 2014-12-17 | 中国科学院深圳先进技术研究院 | 基于迭代特征修正的磁共振快速成像方法及系统 |
CN106526511A (zh) * | 2016-10-21 | 2017-03-22 | 杭州电子科技大学 | 基于k空间中心鬼影定位的SPEED磁共振成像方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6784664B2 (en) * | 2002-12-11 | 2004-08-31 | The Board Of Trustees Of The Leland Stanford Junior University | Fast method for dynamic MR imaging |
CN104123705B (zh) * | 2014-07-22 | 2016-08-24 | 北华大学 | 一种超分辨率重建图像质量Contourlet域评价方法 |
US10338178B2 (en) * | 2015-01-12 | 2019-07-02 | The Board Of Trustees Of The University Of Illinois | System and method for high-resolution spectroscopic imaging |
CN105005965B (zh) * | 2015-08-12 | 2017-11-21 | 西安电子科技大学 | 基于最大期望算法的自然图像超分辨方法 |
-
2017
- 2017-12-01 CN CN201711250384.2A patent/CN107942271B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
CN103728581A (zh) * | 2013-12-20 | 2014-04-16 | 杭州电子科技大学 | 基于离散余弦变换的speed快速磁共振成像方法 |
CN104217448A (zh) * | 2014-09-05 | 2014-12-17 | 中国科学院深圳先进技术研究院 | 基于迭代特征修正的磁共振快速成像方法及系统 |
CN106526511A (zh) * | 2016-10-21 | 2017-03-22 | 杭州电子科技大学 | 基于k空间中心鬼影定位的SPEED磁共振成像方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4332605A1 (en) * | 2022-09-05 | 2024-03-06 | Canon Medical Systems Corporation | Image processing apparatus, image processing method, and magnetic resonance imaging apparatus |
Also Published As
Publication number | Publication date |
---|---|
CN107942271A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103124517B (zh) | Mri图像的多维迭代相位循环重构 | |
CN106526511B (zh) | 基于k空间中心鬼影定位的SPEED磁共振成像方法 | |
CN113096208A (zh) | 基于双域交替卷积的神经网络磁共振图像的重建方法 | |
JP2018519909A (ja) | 動き検出を用いるmr撮像 | |
CN105232045A (zh) | 基于双回波的单扫描定量磁共振扩散成像方法 | |
CN103323805B (zh) | 基于小波域稀疏表示的speed快速磁共振成像方法 | |
CN102540116A (zh) | 磁共振成像方法和系统 | |
CN107942271B (zh) | 基于迭代的speed快速磁共振成像方法 | |
CN104068859A (zh) | 用于确定多个磁共振图像的方法和磁共振设备 | |
WO2020006959A1 (zh) | 基于平面回波成像的磁共振水脂分离和定量方法及装置 | |
US20200300947A1 (en) | System and method for reducing artifacts in echo planar magnetic resonance imaging | |
CN105678822B (zh) | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 | |
CN103584864A (zh) | 一种磁共振成像方法和装置 | |
Curtis et al. | Primer and historical review on rapid cardiac CINE MRI | |
US20210041517A1 (en) | Synthetic Three-Dimensional Magnetic Resonance Imaging | |
Yan et al. | SMIR: A Transformer-Based Model for MRI super-resolution reconstruction | |
CN103091656B (zh) | 基于正则化约束多项式拟合磁共振线圈灵敏度的计算方法 | |
CN103728581B (zh) | 基于离散余弦变换的speed快速磁共振成像方法 | |
US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
WO2020198475A1 (en) | Propeller echo planar time-resolved imaging with dynamic encoding | |
CN108051766A (zh) | 基于奇异谱分析的speed快速磁共振成像方法 | |
CN112748382A (zh) | 基于CUNet伪影定位的SPEED磁共振成像方法 | |
Zhong et al. | Understanding aliasing effects and their removal in SPEN MRI: A k‐space perspective | |
WO2022027419A1 (zh) | 磁共振成像方法、装置及计算机存储介质 | |
Seo et al. | A dual domain network for MRI reconstruction using gabor loss |
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 |