CN109165432A - 一种基于部分奇异值和的磁共振波谱重建方法 - Google Patents
一种基于部分奇异值和的磁共振波谱重建方法 Download PDFInfo
- Publication number
- CN109165432A CN109165432A CN201810903898.1A CN201810903898A CN109165432A CN 109165432 A CN109165432 A CN 109165432A CN 201810903898 A CN201810903898 A CN 201810903898A CN 109165432 A CN109165432 A CN 109165432A
- Authority
- CN
- China
- Prior art keywords
- singular value
- magnetic resonance
- resonance spectrum
- matrix
- part singular
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于部分奇异值和的磁共振波谱重建方法,涉及磁共振波谱重建方法。传统的磁共振波谱重建方法主要通过最小化核范数来约束汉克尔矩阵的低秩特性来重建磁共振波谱。但最小化核范数可能导致低强度谱峰失真或丢失。从磁共振波谱的时间信号特性出发,采用基于部分奇异值和的方法来更好地重建低强度谱峰。首先引入汉克尔矩阵,然后提出基于部分奇异值和的信号重建模型,之后采用迭代算法求解得到补全的磁共振波谱的时间信号,最后对补全的时间信号进行傅里叶变换得到磁共振波谱,能较准确地重建低强度谱峰。
Description
技术领域
本发明涉及磁共振波谱重建方法,尤其是涉及一种基于部分奇异值和的磁共振波谱重建方法。
背景技术
在生物医学应用中,磁共振波谱可以确定几乎所有常见官能团的环境,是生物医学工程中进行机构分析的强有力手段之一。在实际运用中,由于磁共振采样时间较长,为了节省采样时间,可以磁共振波谱的时间信号进行欠采样并进行时间信号或者对应频谱的欠采样重建。基于低秩汉克尔矩阵的方法(X.Qu,M.Mayzel,J.-F.Cai,Z.Chen,andV.Orekhov,“Accelerated NMR spectroscopy with low-rank reconstruction,”AngewandteChemie International Edition,2015,54(3):852-854;J.Ying,H.Lu,Q.Wei,J.-F.Cai,D.Guo,J.Wu,Z.Chen,and X.Qu,“Hankel matrix nuclear norm regularizedtensor completion for N-dimensional exponential signals,”IEEE Transactions onSignal Processing,2017,65(14):3702-3717;H.Lu,X.Zhang,T.Qiu,J.Yang,J.Ying,D.Guo,Z.Chen,and X.Qu,“Low rank enhanced matrix recovery of hybrid time andfrequency data in fast magnetic resonance spectroscopy,”IEEE Transactions onBiomedical Engineering,2018,65(4):809-820;D.Guo,H.Lu,and X.Qu,“A fast lowrank Hankel matrix factorization reconstruction method for non-uniformlysampled magnetic resonance spectroscopy,”IEEE Access,2017,5,16033-16039;D.Guo,and X.Qu,“Improved reconstruction of low intensity magnetic resonancespectroscopy with weighted low rank Hankel matrix completion,”IEEE Access,2018,6,4933-4940)提供了很好的重建结果。但在采样率较低时,这些重建方法可能无法可靠地重建低强度峰。
发明内容
本发明的目的在于提供重建精度高,尤其在低强度峰值重建方面效果较好的一种基于部分奇异值和的磁共振波谱重建方法。
本发明包括以下步骤:
1)构建汉克尔矩阵;
在步骤1)中,所述构建汉克尔矩阵的具体方法可为:给定一个维度为N的复数向量其形式为x=[x1,x2,x3,…,xN]T,其中,上标T表示对向量进行转置,将x转为汉克尔矩阵的算子记为满足如下形式:
其中,Q是表示汉克尔矩阵的列数。
2)建立基于部分奇异值和的汉克尔矩阵重建模型:
其中,x为待重建的磁共振波谱的时间信号,表示对x进行欠采样,y为欠采样得到的时间信号,λ为正则化参数并用于权衡和的重要性,||·||p=r表示矩阵的部分奇异值和(T.H.Oh,Y.W.Tai,J.C.Bazin,H.Kim,and I.S.Kweon,“Partialsum minimization of singular values in robust PCA:algorithm andapplications,”IEEE Transactions on Pattern Analysis and Machine Intelligence,2016,38(4):744-758,),下标p=r表示的是部分奇异值和当中预设的矩阵秩为r,一般取正整数。部分奇异值和的定义式为:
其中,min(N-Q+1,Q)为N-Q+1与Q中的最小值,σi(X)为矩阵X的第i大的奇异值;
3)基于部分奇异值和的汉克尔矩阵重建模型的求解算法;
在步骤3)中,所述基于部分奇异值和的汉克尔矩阵重建模型的求解算法的具体方法可为:为求解(2)中的重建模型,采用交替乘子算法(X.Qu,M.Mayzel,J.-F.Cai,Z.Chen,and V.Orekhov,“Accelerated NMR spectroscopy with low-rank reconstruction,”AngewandteChemie International Edition,vol.54,no.3,pp.852-4,2015),引入一个中间变量Z,令将式(2)松弛为:
式(4)的增广拉格朗日形式为:
其中,<·,·>为向量内积空间,即 表示取复数的实部,表示矩阵的弗罗贝尼乌斯范数的平方,参数β取大于零的值,D为拉格朗日乘子;
采用交替乘子法对式(5)求解,式(5)的优化问题可以通过求解下式得到:
对x进行求解,结果为:
其中,xk+1为x第k+1次迭代时的值,Zk,Dk为Z,D第k次迭代时的值,*表示共轭算子,矩阵右上角符号“-1”表示矩阵的逆。
采用部分奇异值收缩算子(T.H.Oh,Y.W.Tai,J.C.Bazin,H.Kim,and I.S.Kweon,“Partial sum minimization of singular values in robust PCA:algorithm andapplications,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.38,no.4,pp.744-758,2016.)对Z进行求解,结果为:
其中,Zk+1为Z第k+1次迭代时的值,为部分奇异值收缩算子。令部分奇异值收缩算子的定义为:
其中,
DY1=diag(σ1,...,σr,0,...,0) (10)
DY2=diag(0,...,0,σr+1,...,σmin(N-Q+1,Q)) (11)
其中,diag(·)表示将向量对角化成矩阵,也就是将括号中的元素依次替换一个全零矩阵的对角元素;
令g表示DY2对角线上的元素,为软阈值算子,sign(g)表示变量g的符号函数,表示取与0当中的最大值;
最后,对D求解,结果为:
Dk+1←Dk+τ(Rxk+1-Zk+1) (12)
其中,τ为迭代步长;
当达到迭代停止准则时,可根据公式(7)得到完整的xk+1,即为磁共振波谱的完整时间信号。迭代停止准则设定为小于设置的阈值η或达到最大迭代次数。
4)对xk+1进行傅里叶变换得到磁共振波谱。
本发明从磁共振波谱的时间信号特性出发,采用基于部分奇异值和的方法来更好地重建低强度谱峰。首先引入汉克尔矩阵,然后提出基于部分奇异值和的信号重建模型,之后采用迭代算法求解得到补全的磁共振波谱的时间信号,最后对补全的时间信号进行傅里叶变换得到磁共振波谱。该方法能较准确地重建低强度谱峰。
附图说明
图1为全采样512个数据点的磁共振波谱。
图2为本发明用欠采样后的41个数据点重建得到的磁共振波谱。
具体实施方式
下面通过具体实施例对本发明作进一步的说明,并给出重建结果。使用一维磁共振波谱的时间域的全采样的512个数据点,经过傅里叶变换得到的完整磁共振波谱(如图1所示)。对512个数据进行欠采样,采样率为8%,得到的总采样数据点为41个。利用部分奇异值和的汉克尔矩阵重建得到的磁共振波谱(如图2所示)。
本发明包括以下步骤:
1)构建汉克尔矩阵:给定一个维度为N的复数向量其形式为x=[x1,x2,x3,…,xN]T,其中的上标T表示对向量进行转置,记将x转为汉克尔矩阵的算子为满足如下形式:
其中,Q是表示汉克尔矩阵的列数。此处,N=512,Q=256。
2)建立基于部分奇异值和的汉克尔矩阵重建模型:
其中,x为待重建的磁共振波谱的时间信号,表示对x进行欠采样,y为欠采样得到的时间信号,λ为正则化参数并用于权衡和的重要性。||·||p=r表示矩阵的部分奇异值和(T.H.Oh,Y.W.Tai,J.C.Bazin,H.Kim,and I.S.Kweon,“Partialsum minimization of singular values in robust PCA:algorithm andapplications,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.38,no.4,pp.744-758,2016.),下标p=r表示的是部分奇异值和当中预设的矩阵秩为r,一般取正整数。此处,p=r=5,λ=500。部分奇异值和的定义式为:
其中,min(N-Q+1,Q)为N-Q+1与Q中的最小值,σi(X)为矩阵X的第i大的奇异值。
1)基于部分奇异值和的汉克尔矩阵重建模型的求解算法:为求解(2)中的重建模型,采用交替乘子算法(X.Qu,M.Mayzel,J.-F.Cai,Z.Chen,and V.Orekhov,“AcceleratedNMR spectroscopy with low-rank reconstruction,”AngewandteChemie InternationalEdition,vol.54,no.3,pp.852-4,2015.),引入一个中间变量Z,令将式(2)松弛为:
式(4)的增广拉格朗日形式为:
其中,<·,·>为向量内积空间,即 表示取复数的实部。表示矩阵的弗罗贝尼乌斯范数的平方,参数β取大于零的值,D为拉格朗日乘子。此处,β=1。
采用交替乘子法对式(5)求解,式(5)的优化问题可以通过求解下式得到:
对x进行求解,结果为:
其中,xk+1为x第k+1次迭代时的值,Zk,Dk为Z,D第k次迭代时的值,*表示共轭算子,矩阵右上角符号“-1”表示矩阵的逆。
采用部分奇异值收缩算子(T.H.Oh,Y.W.Tai,J.C.Bazin,H.Kim,and I.S.Kweon,“Partial sum minimization of singular values in robust PCA:algorithm andapplications,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.38,no.4,pp.744-758,2016.)对Z进行求解,结果为:
其中,Zk+1为Z第k+1次迭代时的值,为部分奇异值收缩算子。令部分奇异值收缩算子的定义为:
其中,
DY1=diag(σ1,...,σr,0,...,0) (10)
DY2=diag(0,...,0,σr+1,...,σmin(N-Q+1,Q)) (11)
其中,diag(·)表示将向量对角化成矩阵,也就是将括号中的元素依次替换一个全零矩阵的对角元素。令g表示DY2对角线上的元素,为软阈值算子,sign(g)表示变量g的符号函数,表示取与0当中的最大值。
最后,对D求解,结果为:
Dk+1←Dk+τ(Rxk+1-Zk+1) (12)
其中,τ为迭代步长,此处τ=1。
当达到迭代停止准则时,可根据公式(7)得到完整的xk+1,即为磁共振波谱的完整时间信号。迭代停止准则设定为小于设置的阈值η=10-4,或达到最大迭代次数200次。
2)对xk+1进行傅里叶变换得到磁共振波谱。
Claims (3)
1.一种基于部分奇异值和的磁共振波谱重建方法,其特征在于包括以下步骤:
1)构建汉克尔矩阵;
2)建立基于部分奇异值和的汉克尔矩阵重建模型:
其中,x为待重建的磁共振波谱的时间信号,表示对x进行欠采样,y为欠采样得到的时间信号,λ为正则化参数并用于权衡和的重要性,||·||p=r表示矩阵的部分奇异值和,下标p=r表示的是部分奇异值和当中预设的矩阵秩为r,一般取正整数;部分奇异值和的定义式为:
其中,min(N-Q+1,Q)为N-Q+1与Q中的最小值,σi(X)为矩阵X的第i大的奇异值;
3)基于部分奇异值和的汉克尔矩阵重建模型的求解算法;
4)对xk+1进行傅里叶变换得到磁共振波谱。
2.如权利要求1所述一种基于部分奇异值和的磁共振波谱重建方法,其特征在于在步骤1)中,所述构建汉克尔矩阵的具体方法为:给定一个维度为N的复数向量其形式为x=[x1,x2,x3,…,xN]T,其中,上标T表示对向量进行转置,将x转为汉克尔矩阵的算子记为满足如下形式:
其中,Q是表示汉克尔矩阵的列数。
3.如权利要求1所述一种基于部分奇异值和的磁共振波谱重建方法,其特征在于在步骤3)中,所述基于部分奇异值和的汉克尔矩阵重建模型的求解算法的具体方法为:为求解式(2)中的重建模型,采用交替乘子算法,引入一个中间变量Z,令将式(2)松弛为:
式(4)的增广拉格朗日形式为:
其中,<·,·>为向量内积空间,即 表示取复数的实部,表示矩阵的弗罗贝尼乌斯范数的平方,参数β取大于零的值,D为拉格朗日乘子;
采用交替乘子法对式(5)求解,式(5)的优化问题通过求解下式得到:
对x进行求解,结果为:
其中,xk+1为x第k+1次迭代时的值,Zk,Dk为Z,D第k次迭代时的值,*表示共轭算子,矩阵右上角符号“-1”表示矩阵的逆;
采用部分奇异值收缩算子对Z进行求解,结果为:
其中,Zk+1为Z第k+1次迭代时的值,为部分奇异值收缩算子;令部分奇异值收缩算子的定义为:
其中,
DY1=diag(σ1,...,σr,0,...,0) (10)
DY2=diag(0,...,0,σr+1,...,σmin(N-Q+1,Q)) (11)
其中,diag(·)表示将向量对角化成矩阵,也就是将括号中的元素依次替换一个全零矩阵的对角元素;
令g表示DY2对角线上的元素,为软阈值算子,sign(g)表示变量g的符号函数,表示取与0当中的最大值;
最后,对D求解,结果为:
Dk+1←Dk+τ(Rxk+1-Zk+1) (12)
其中,τ为迭代步长;
当达到迭代停止准则时,根据公式(7)得到完整的xk+1,即为磁共振波谱的完整时间信号,迭代停止准则设定为小于设置的阈值η或达到最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903898.1A CN109165432B (zh) | 2018-08-09 | 2018-08-09 | 一种基于部分奇异值和的磁共振波谱重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810903898.1A CN109165432B (zh) | 2018-08-09 | 2018-08-09 | 一种基于部分奇异值和的磁共振波谱重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165432A true CN109165432A (zh) | 2019-01-08 |
CN109165432B CN109165432B (zh) | 2022-12-13 |
Family
ID=64895337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810903898.1A Active CN109165432B (zh) | 2018-08-09 | 2018-08-09 | 一种基于部分奇异值和的磁共振波谱重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165432B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658484A (zh) * | 2019-10-17 | 2020-01-07 | 东北大学 | 一种磁共振波谱重建方法及系统 |
CN110728624A (zh) * | 2019-09-29 | 2020-01-24 | 厦门大学 | 一种高分辨率扩散加权图像重建方法 |
CN113034639A (zh) * | 2021-03-22 | 2021-06-25 | 厦门大学 | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102805625A (zh) * | 2012-08-22 | 2012-12-05 | 清华大学 | 质子磁共振波谱信号中的水峰处理方法 |
US20140191755A1 (en) * | 2013-01-04 | 2014-07-10 | Christina Bauer | Method and magnetic resonance apparatus for automated analysis of the raw data of a spectrum |
CN105808869A (zh) * | 2016-03-16 | 2016-07-27 | 厦门理工学院 | 一种基于块Hankel矩阵的磁共振波谱重建方法 |
CN105976329A (zh) * | 2016-04-27 | 2016-09-28 | 厦门大学 | 一种基于时域信号低秩的频谱恢复方法 |
US20160370444A1 (en) * | 2013-12-10 | 2016-12-22 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Magnetic resonance rapid parameter imaging method and system |
US20170010861A1 (en) * | 2014-02-07 | 2017-01-12 | Mitsubishi Electric Corporation | System identification device |
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107423543A (zh) * | 2017-04-14 | 2017-12-01 | 厦门大学 | 一种超复数磁共振波谱的快速重建方法 |
-
2018
- 2018-08-09 CN CN201810903898.1A patent/CN109165432B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102805625A (zh) * | 2012-08-22 | 2012-12-05 | 清华大学 | 质子磁共振波谱信号中的水峰处理方法 |
US20140191755A1 (en) * | 2013-01-04 | 2014-07-10 | Christina Bauer | Method and magnetic resonance apparatus for automated analysis of the raw data of a spectrum |
US20160370444A1 (en) * | 2013-12-10 | 2016-12-22 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Magnetic resonance rapid parameter imaging method and system |
US20170010861A1 (en) * | 2014-02-07 | 2017-01-12 | Mitsubishi Electric Corporation | System identification device |
CN105808869A (zh) * | 2016-03-16 | 2016-07-27 | 厦门理工学院 | 一种基于块Hankel矩阵的磁共振波谱重建方法 |
CN105976329A (zh) * | 2016-04-27 | 2016-09-28 | 厦门大学 | 一种基于时域信号低秩的频谱恢复方法 |
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107423543A (zh) * | 2017-04-14 | 2017-12-01 | 厦门大学 | 一种超复数磁共振波谱的快速重建方法 |
Non-Patent Citations (5)
Title |
---|
DI GUO 等: "A Fast Low Rank Hankel Matrix Factorization", 《SPECIAL SECTION ON ADVANCED SIGNAL PROCESSING METHODS IN MEDICAL IMAGING》 * |
屈小波 等: "基于FID低秩汉克尔矩阵的非均匀采样NMR谱重建方法", 《第十九届全国波谱学学术会议论文摘要集》 * |
张晓涛 等: "基于奇异值和奇异向量的振动信号降噪方法", 《振动.测试与诊断》 * |
杨峰 等: "欠采样技术的超宽带信号子空间重建方法", 《电子科技大学学报》 * |
詹应键 等: "奇异值分解法对磁共振谱数据的量化研究", 《北京生物医学工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728624A (zh) * | 2019-09-29 | 2020-01-24 | 厦门大学 | 一种高分辨率扩散加权图像重建方法 |
CN110658484A (zh) * | 2019-10-17 | 2020-01-07 | 东北大学 | 一种磁共振波谱重建方法及系统 |
CN113034639A (zh) * | 2021-03-22 | 2021-06-25 | 厦门大学 | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 |
CN113034639B (zh) * | 2021-03-22 | 2022-09-06 | 厦门大学 | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109165432B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106646303B (zh) | 一种欠采样磁共振波谱的快速重建方法 | |
Ying et al. | Hankel matrix nuclear norm regularized tensor completion for $ n $-dimensional exponential signals | |
US10018698B2 (en) | Magnetic resonance rapid parameter imaging method and system | |
WO2020151355A1 (zh) | 一种基于深度学习的磁共振波谱重建方法 | |
CN104933683B (zh) | 一种用于磁共振快速成像的非凸低秩重建方法 | |
CN109165432A (zh) | 一种基于部分奇异值和的磁共振波谱重建方法 | |
CN105808869A (zh) | 一种基于块Hankel矩阵的磁共振波谱重建方法 | |
CN105827250A (zh) | 一种基于自适应字典学习的电能质量数据压缩重构方法 | |
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 | |
CN105807241B (zh) | 一种利用先验信息的指数信号去噪方法 | |
CN111324861A (zh) | 一种基于矩阵分解的深度学习磁共振波谱重建方法 | |
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 | |
Jia et al. | A fast rank-reduction algorithm for three-dimensional seismic data interpolation | |
CN107423543B (zh) | 一种超复数磁共振波谱的快速重建方法 | |
CN112819949B (zh) | 一种基于结构化低秩矩阵的磁共振指纹图像重建方法 | |
CN104899906A (zh) | 基于自适应正交基的磁共振图像重建方法 | |
Kim et al. | Greedy algorithms for nonnegativity-constrained simultaneous sparse recovery | |
Hu et al. | High-quality MR fingerprinting reconstruction using structured low-rank matrix completion and subspace projection | |
CN108828482B (zh) | 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法 | |
CN108537738A (zh) | 一种矩阵补全方法 | |
CN110045184A (zh) | 一种基于压缩感知macsmp的超次谐波测量方法 | |
CN109191540A (zh) | 一种基于截断核范数的磁共振波谱重建方法 | |
CN105759233B (zh) | 一种快速化学交换饱和转移成像方法和系统 | |
CN109188327A (zh) | 基于张量积复小波紧框架的磁共振图像快速重构方法 | |
CN106649201A (zh) | 一种基于指数信号的范德蒙分解的数据补全方法 |
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 |