CN110942491B - 基于块稀疏统计预测的pet-mri多模态联合重建方法 - Google Patents

基于块稀疏统计预测的pet-mri多模态联合重建方法 Download PDF

Info

Publication number
CN110942491B
CN110942491B CN201911163032.2A CN201911163032A CN110942491B CN 110942491 B CN110942491 B CN 110942491B CN 201911163032 A CN201911163032 A CN 201911163032A CN 110942491 B CN110942491 B CN 110942491B
Authority
CN
China
Prior art keywords
pet
mri
image
representing
reconstruction
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
Application number
CN201911163032.2A
Other languages
English (en)
Other versions
CN110942491A (zh
Inventor
武婷婷
史力
赵翊辰
邵金波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201911163032.2A priority Critical patent/CN110942491B/zh
Publication of CN110942491A publication Critical patent/CN110942491A/zh
Application granted granted Critical
Publication of CN110942491B publication Critical patent/CN110942491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10104Positron emission tomography [PET]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了基于块稀疏统计预测的PET‑MRI多模态联合重建方法,是一种新的多模态图像匹配的PET‑MRI联合重建模型。首先,我们利用稀疏表示统计预测模型将PET与MRI的观测信息进行匹配;其次,利用基于数据驱动紧框架的联合重建方法对PET和MRI图像进行重建。本发明采用PAM算法高效求解所提出的模型。数值实验表明,本发明所提出的模型不仅解决了常见方法中PET观测信息与MRI观测信息不匹配的问题,还能够重建出更好的PET和MRI图像。通过与JSDDTF模型相比较,本发明的模型在相对误差、峰值信噪比以及视觉效果方面均有明显改进。

Description

基于块稀疏统计预测的PET-MRI多模态联合重建方法
技术领域
本发明属于图形分析技术领域,具体涉及一种基于块稀疏统计预测的PET-MRI多模态联合重建方法。
背景技术
PET-MRI是在PET-CT之后出现的又一个联合成像系统,它是将正电子发射计算机断层显像像(Magnetic resonance imaging,MRI)功能结合起来的一种新技术。在联合重建过程中,PET与MRI之间共享信息,即每一种模态图像在重建过程中都可以获取来自 另一种模态图像的信息。由于该成像系统结合了PET与MRI各自成像的优点,因此受 到学者的广泛关注。
近几年,M.J.Ehrhardt等人首次提出了利用最大后验法(Maximum a PosterioriEstimation,MAP)将PET与MRI之间的结构相似性信息作为先验信息进行联合重建,并 且在2014年和2015年分别提出了平行水平集(Parallel Level Set,PLS)以及联合全变分(Joint Total Variation,JTV)先验信息模型。
最近,J.K.Choi等人提出了一种基于数据驱动紧框架的PET-MRI联合重建模型(Joint Sparsity Based Data Driven Tight Frame,JSDDTF),该模型较好地抑制了PET和MRI 图像的伪影,进一步提高了图像的成像质量。然而,Choi等人的模型并没有考虑在一些情况下,获取到的PET观测信息尺度比例较小,与MRI观测信息不匹配,因此导致在 联合重建过程中会出现PET与MRI图像无法配对的情况。为了解决这个问题,Julian Rasch等人在2017年提出了利用Bregman距离的方法进行PET-MRI联合重建,该方法 在联合重建中充分利用了两种模态图像的边界信息,较好地解决了两种模态图像观测信 息不匹配的问题。
发明内容
发明目的:基于上述描述,为了克服现有技术中存在的不足,本发明考虑联合成像中PET和MRI图像尺度不匹配的情况,基于J.K.Choi等人提出的基于数据驱动紧框架 的PET-MRI联合成像模型,利用基于稀疏表示的统计预测模型对含有PET观测信息的 弦图进行超分辨率放大,使之与MRI观测信息相匹配,提供一种基于块稀疏统计预测 的PET-MRI多模态联合重建方法,模型较好地解决了Choi等人提出模型所存在的观测 信息不匹配的问题,并且在重建图像的质量上得到了一定的提升。
技术方案:为实现上述目的,本发明采用的基于多模态图像匹配的PET-MRI联合重建方法的技术方案为:
1.1数据驱动紧框架
目前,张量积小波紧框架被广泛应用于图像重建领域,由于它能够有效地逼近图像 纹理、结构以及边缘等重要信息,因此利用它作为稀疏正则项可以使重建图像的质量得到一定的提升。而与张量积小波紧框架不同,有文献提出的数据驱动紧框架模型能够更 加稀疏地逼近输入图像,从而进一步提高图像重建的速度以及成像质量。在本发明中, 将数据驱动紧框架应用于PET-MRI联合重建的模型中,提高图像重建的质量。下面给 出数据驱动紧框架的具体构造方法,即求如下最小化问题:
Figure BDA0002286667800000021
其中:W表示由小波紧框架系统滤波器得到的紧框架变换算子,WT表示W的转置,即紧框架的重构算子,u表示输入的图像,v表示紧框架的系数向量,||·||0表示向量中非 零元素的个数,λ表示一个正值常数。
目前,这种紧框架构造方法已经扩展到多通道图像的问题上,如下所示:
Figure RE-GDA0002321765410000022
其中:Wi,ui和vi分别表示对应于第i个通道的紧框架变换算子、输入图像和紧框架系 数,||v||2,0=|{k:|v1[k]|2+…+|vc[k]|2≠0}|,该零范数表示各通道图像之间的结构相似性,wi表示一个正值权重系数。
1.2PET-MRI联合重建模型
基于前一小节的分析,下面讨论PET-MRI的联合重建模型。设
Figure BDA0002286667800000023
Figure BDA0002286667800000024
分别表示PET和MRI的图像,其大小相同。在当前PET-MRI联合成像的研究当中,重建 问题通常表示为如下最小化模型:
Figure BDA0002286667800000025
其中:F1(u1)和F2(u2)分别表示PET和MRI图像重建的拟合项,R(u1,u2)表示u1和u2的联合正则项。根据最大似然原理,PET拟合项可以表示成下式[3]
F1(u1)=<1,Au1+c>-<l1,ln(Au1+c)>,(4)
其中:A表示PET图像的投影系数矩阵,<·,·>表示在欧几里得向量空间上的内积,1表 示元素全为1的向量,l1表示观测到的PET信息,c表示泊松噪声。
类似地,MRI拟合项可以表示成下式:
Figure BDA0002286667800000031
其中:B表示含有傅里叶变换的投影系数矩阵,l2表示观测到的MRI信息,θ表示根据 MRI噪声水平得到的权重系数,||·||2表示2-范数。结合以上分析,可以得到PET-MRI的联合重建模型,如下所示:
Figure BDA0002286667800000032
结合上一小节的分析,可以得到Choi等人提出的基于数据驱动紧框架的联合重建模型,如下所示:
Figure BDA0002286667800000033
其中:W1和W2分别表示根据PET和MRI图像得到的紧框架,θ1以及θ2是正值常数, 用于在重建过程中平衡两种图像的结构相似性和相异性。在实际观测中,由于MRI图 像的噪声水平比PET图像的噪声水平低,因此在模型(7)中选取的θ2应比θ1大。
但是,在Choi等人的模型中并没有考虑PET和MRI观测信息不匹配的问题。因此 我们考虑联合成像中PET和MRI观测信息存在不匹配的情况,基于现有的PET-MRI联 合重建模型,建立本发明模型,如下所示:
Figure BDA0002286667800000041
其中:K(·)表示PET观测信息的放大处理算子,用于使PET观测信息与MRI观测 信息相匹配。对于PET与MRI观测信息匹配的问题,本发明利用基于图像块稀疏表示 的统计预测模型对PET的弦图进行超分辨率放大,从而能够得到K(l1)。具体方法详见 1.3小节。
1.3基于图像块稀疏表示的统计预测模型
为了使PET的观测信息l1与MRI的观测信息l2相匹配,即其大小相同,我们选择 对PET的弦图进行超分辨率放大,使之在联合重建过程中与MRI图像相匹配。对于图 像超分辨率重建,目前的常用方法有双线性差值、双三次插值、最大后验概率法等。而 在本发明我们将利用基于图像块稀疏表示的统计预测模型对PET的弦图进行超分辨率 放大。该模型已经被证明具有良好的重建性能,与其他超分辨率重建模型相比其重构图 像与真实图像之间的预测误差较小,并且重建时间得到了很好的控制。
设原始图像为p,过完备原子库,即原始图像的字典为D,α为稀疏表示系数,η 表示图像的噪声,则图像的稀疏表示模型如下所示:
p=Dα+η, (9)
若设低分辨率图像块与高分辨率图像块的字典以及稀疏表示系数分别为Dl,Dh,αl和αh,则对于这两种图像块的稀疏表示形式与式(9)类似。
首先,利用MMSE(Minimum Mean Square Error)估计得到高分辨率图像块的预测,如下所示:
Figure BDA0002286667800000042
其中,αh,j表示高分辨率图像块的稀疏表示系数,sl表示在硬阈值下的稀疏模式,chl表 示正态分布均值矩阵,bh,j表示高分辨率图像块的偏移向量,whl,j表示高分辨率图像块 与对应低分辨率图像块之间的相互作用矩阵,Φ(·)表示激活函数,在本发明中选取Sigmoid函数作为激活函数。
为了得到质量更好的高分辨率图像,我们须要对Θ={Dl,Dh,Chl,bh,Whl}进行训练。 本发明使用下式作为损失函数:
Figure BDA0002286667800000051
损失函数的值越小表示图像超分辨率重建的效果越好。因此可以将图像超分辨率重 建的问题转化为求如下极小值问题:
Figure BDA0002286667800000052
其中,
Figure BDA0002286667800000053
表示哈达玛积。
其中,N表示图像块的总个数,k表示第k个图像块,bh表示高分辨率图像稀疏模 式的偏移向量,Whl表示高分辨率图像块与对应低分辨率图像块之间的相互作用矩阵, Chl表示元素c集合的正态分布均值矩阵,pl表示低分辨率图像块,ph表示高分辨率图 像块。
2PAM算法
本发明使用PAM算法(Proximal Alternating Minimization)对所提出的模型(8)进行求 解。该算法具体如算法1所示:
对PET观测信息进行处理:
①输入PET的原弦图,得到训练样本对
Figure BDA0002286667800000054
②求PET原始弦图的字典Dl
③求PET原始弦图的稀疏表示稀数
Figure BDA0002286667800000055
以及稀疏模式
Figure BDA0002286667800000056
④初始化高分辨率弦图的字典Dh,并计算其稀疏表示稀数
Figure BDA0002286667800000057
以及稀疏模式
Figure BDA0002286667800000058
⑤根据
Figure BDA0002286667800000059
以及
Figure BDA00022866678000000510
初始化预测矩阵Chl
⑥更新高分辨率弦图的字典Dh和预测矩阵Chl
⑦根据
Figure BDA0002286667800000061
初始化bh和Whl,并根据
Figure BDA0002286667800000062
Figure BDA0002286667800000063
更新bh和Whl
⑧利用MMSE算法计算高分辨率图像稀疏系数的估计
Figure BDA0002286667800000064
并计算当前Dh、Chl、bh和Whl的估计。之后更新高分辨率弦图的字典Dh
⑨得到Dl、Dh、Chl、bh和Whl,由此得到高分辨率PET弦图的估计。
初始化:
①利用EM算法对PET重建图像初始化,利用离散反傅立叶变换对MRI重建图像 进行初始化;初始化后得到的PET图像和MRI图像记为
Figure BDA0002286667800000065
②对于v,W1和W2的初始值,可以利用下式得到:
Figure BDA0002286667800000066
联合重建:
①利用投影比例梯度法求
Figure BDA0002286667800000067
类似地,利用投影梯度法求
Figure BDA0002286667800000068
②利用SVD分解法求W1 k以及
Figure BDA0002286667800000069
③利用硬阈值公式求Vk+1[3]
Figure BDA00022866678000000610
Figure BDA0002286667800000071
有益效果:本发明提供的基于块稀疏统计预测的PET-MRI多模态联合重建方法,与现有技术相比,是一种新的多模态图像匹配的PET-MRI联合重建模型方法。首先, 我们利用稀疏表示统计预测模型将PET与MRI的观测信息进行匹配;其次,利用基于 数据驱动紧框架的联合重建方法对PET和MRI图像进行重建。本发明采用PAM算法高 效求解所提出的模型。数值实验表明,本发明所提出的模型不仅解决了常见方法中PET 观测信息与MRI观测信息不匹配的问题,还能够重建出更好的PET和MRI图像。通过 与JSDDTF模型相比较,本发明的模型在相对误差、峰值信噪比以及视觉效果方面均有 明显改进。
附图说明
图1为PET与MRI的真实图像;其中,(a)PET真实图像,(b)MRI真实图像。
图2为两种模型重建图像比较;其中,(a)JSDDTF PET图像,(b)JSDDTF MRI 图像,(c)本模型PET图像,(d)本模型MRI图像。
图3为两种模型重建图像的局部放大图;其中,(a)JSDDTF PET局部放大,(b)JSDDTF MRI局部放大,(c)本模型PET局部放大,(d)本模型MRI局部放大。
具体实施方式
实施例:数值实验
为了验证本发明PET-MRI联合重建模型的有效性,使用了Harvard Whole BrainAtlas 提供的PET和MRI图像进行数值实验,如图1(a)、图1(b)所示,其分辨率均为256×256。
本发明采用的采样方式为10%的随机采样。
采样后,PET弦图的分辨率为256×256。为了模拟PET弦图分辨率较低的情况,利用Matlab中的imresize函数对PET弦图进行双三次差值缩小,缩小后PET弦图的分辨 率为128×128。
重建算法的参数选取为κ=1,θ1=0.0245,θ2=2,
Figure BDA0002286667800000081
Figure BDA0002286667800000082
图2(a)(b)分别是利用JSDDTF模型重建得到的PET和MRI图 像,图2(c)(d)分别是利用本模型重建得到的PET和MRI图像。
根据图2,我们可以看出本发明提出的模型相比于JSDDTF模型能够更好地抑制噪声和伪影,同时也能够较好地保持图像的结构信息。
图3是两种模型重建图像的局部放大图。通过对比局部放大部位,可以看出我们得到的重建图像具有更加清晰的图像纹理,一定程度上改善了重建图像的细节。
为了客观地对联合重建结果进行比较,本发明选择以下量化评价指标对其进行评价:相对误差(Relative Error,RelErr),峰值信噪比(Peak Signal-to-Noise Ratio,PSNR), 它们的定义如下所示:
Figure BDA0002286667800000083
Figure BDA0002286667800000084
其中:ui表示重建后得到的图像,
Figure BDA0002286667800000085
表示真实图像。
表1两种模型的RelErr、PSNR值
Figure BDA0002286667800000086
Figure BDA0002286667800000091
由表1可以看出,利用本发明模型得到的PET以及MRI重建图像的相对误差比JSDDTF模型小,而且峰值信噪比比JSDDTF大,因此可以从另外一个角度证明本发明 所提出的模型可以得到更好的重建图像。
基于图2、图3和表1的分析,证明了本发明模型不仅有效地解决了PET-MRI联合 重建中伪影和匹配两大问题,同时有效提高了重建的图像质量。
综上所述,本发明考虑了在PET-MRI联合重建中匹配和伪影两大难题,在数据紧框架下,提出了一种新的PET-MRI联合重建模型。利用基于稀疏表示的统计预测模型 对PET的弦图进行放大,在最大程度上保持了原有的PET观测信息,同时提高了原弦 图的分辨率,有效地使PET图像与MRI图像相匹配。同时本发明利用PAM算法高效快 速地解决所提出的模型。数值实验表明了本发明模型的有效性,本发明所提出的模型不 仅有效地解决了PET和MRI两种模态图像的匹配问题,还很好地抑制了伪影现象,提 高了重建图像的质量。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员 来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于块稀疏统计预测的PET-MRI多模态联合重建方法,其特征在于:包括以下步骤:
首先,利用稀疏表示统计预测模型将PET与MRI的观测信息进行匹配:对PET的弦图进行超分辨率放大,使之在联合重建过程中与MRI图像相匹配,使得PET的观测信息l1与MRI的观测信息l2相匹配,即其大小相同;
其次,利用基于数据驱动紧框架的联合重建方法对PET和MRI图像进行重建,得到PET-MRI联合重建模型为:
Figure FDA0003723030890000011
s.t.Wi TWi=I,i=1,2,
其中,Wi和vi分别表示对应于第i个通道的紧框架变换算子、输入图像和紧框架系数;
Figure FDA0003723030890000012
Figure FDA0003723030890000013
分别表示PET和MRI的图像,F1(u1)和F2(u2)分别表示PET和MRI图像重建的拟合项;||v||2,0=|{k:|v1[k]|2+…+|vc[k]|2≠0}|,||·||2表示2-范数,λ表示正值常数;A表示PET图像的投影系数矩阵,<·,·>表示在欧几里得向量空间上的内积,1表示元素全为1的向量,l1表示观测到的PET信息,c表示泊松噪声;θ1以及θ2是正值常数,用于在重建过程中平衡两种图像的结构相似性和相异性;K(·)表示PET观测信息的放大处理算子,用于使PET观测信息与MRI观测信息相匹配;
其中,利用基于图像块稀疏表示的统计预测模型对PET的弦图进行超分辨率放大的具体方法为:
设原始图像为p,过完备原子库,即原始图像的字典为D,α为稀疏表示系数,η表示图像的噪声,则图像的稀疏表示模型如下所示:
p=Dα+η, (2)
若设低分辨率图像块与高分辨率图像块的字典以及稀疏表示系数分别为Dl,Dh,αl和αh,则对于这两种图像块的稀疏表示形式与式(2)类似;
首先,利用MMSE估计得到高分辨率图像块的预测:
Figure FDA0003723030890000021
其中,
Figure FDA0003723030890000022
表示高分辨率图像块的稀疏表示系数,sl表示在硬阈值下的稀疏模式,chl,j表示正态分布均值矩阵,bh,j表示高分辨率图像块的偏移向量,whl,j表示高分辨率图像块与对应低分辨率图像块之间的相互作用矩阵,Φ(·)表示激活函数,选取Sigmoid函数作为激活函数;
其次,对Θ={Dl,Dh,Chl,bh,Whl}进行训练,使用的损失函数L(Θ)为:
Figure FDA0003723030890000023
其中,N表示图像块的总个数,k表示第k个图像块,bh表示高分辨率图像稀疏模式的偏移向量,Whl表示高分辨率图像块与对应低分辨率图像块之间的相互作用矩阵,Chl表示元素c集合的正态分布均值矩阵,pl表示低分辨率图像块,ph表示高分辨率图像块;
将图像超分辨率重建的问题转化为求极小值问题:
Figure FDA0003723030890000024
其中,
Figure FDA0003723030890000025
表示哈达玛积,Φ(·)表示激活函数。
2.根据权利要求1所述的基于块稀疏统计预测的PET-MRI多模态联合重建方法,其特征在于:使用PAM算法对所提出的模型(1)进行求解,具体为:
(1)对PET观测信息进行处理:
①将PET观测信息l1转化成弦图sinogram_PET;
②利用基于图像块稀疏表示的统计预测模型对sinogram_PET进行放大;
③根据sinogram_PET得到与MRI相匹配的PET观测信息,即K(l1);
(2)初始化u1,u2,W1,W2以及v;
(3)联合重建:
①利用投影比例梯度法求
Figure FDA0003723030890000031
利用投影梯度法求
Figure FDA0003723030890000032
②利用SVD分解法求W1 k以及
Figure FDA0003723030890000033
③利用硬阈值公式求Vk+1
3.根据权利要求2所述的基于块稀疏统计预测的PET-MRI多模态联合重建方法,其特征在于:对PET观测信息进行处理的具体步骤为:
①输入PET的原弦图,得到训练样本对
Figure FDA0003723030890000034
②求PET原始弦图的字典Dl
③求PET原始弦图的稀疏表示稀数
Figure FDA0003723030890000035
以及稀疏模式
Figure FDA0003723030890000036
④初始化高分辨率弦图的字典Dh,并计算其稀疏表示稀数
Figure FDA0003723030890000037
以及稀疏模式
Figure FDA0003723030890000038
⑤根据
Figure FDA0003723030890000039
以及
Figure FDA00037230308900000310
初始化预测矩阵Chl
⑥更新高分辨率弦图的字典Dh和预测矩阵Chl
⑦根据
Figure FDA00037230308900000311
初始化bh和Whl,并根据
Figure FDA00037230308900000312
Figure FDA00037230308900000313
更新bh和Whl
⑧利用MMSE算法计算高分辨率图像稀疏系数的估计
Figure FDA00037230308900000314
并计算当前Dh、Chl、bh和Whl的估计,之后更新高分辨率弦图的字典Dh
⑨得到Dl、Dh、Chl、bh和Whl,由此得到高分辨率PET弦图的估计。
4.根据权利要求2所述的基于块稀疏统计预测的PET-MRI多模态联合重建方法,其特征在于:初始化的具体方法为:
①利用EM算法对PET重建图像初始化,利用离散反傅立叶变换对MRI重建图像进行初始化;初始化后得到的PET图像和MRI图像记为
Figure FDA00037230308900000315
②对于v,W1和W2的初始值,利用下式得到:
Figure FDA0003723030890000046
5.根据权利要求2所述的基于块稀疏统计预测的PET-MRI多模态联合重建方法,其特征在于:联合重建的具体方法为:
①优化u1、u2
Figure FDA0003723030890000041
Figure FDA0003723030890000042
②优化W1、W2
Figure FDA0003723030890000043
Figure FDA0003723030890000044
③优化v:
Figure FDA0003723030890000045
CN201911163032.2A 2019-11-25 2019-11-25 基于块稀疏统计预测的pet-mri多模态联合重建方法 Active CN110942491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911163032.2A CN110942491B (zh) 2019-11-25 2019-11-25 基于块稀疏统计预测的pet-mri多模态联合重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911163032.2A CN110942491B (zh) 2019-11-25 2019-11-25 基于块稀疏统计预测的pet-mri多模态联合重建方法

Publications (2)

Publication Number Publication Date
CN110942491A CN110942491A (zh) 2020-03-31
CN110942491B true CN110942491B (zh) 2022-08-12

Family

ID=69908105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911163032.2A Active CN110942491B (zh) 2019-11-25 2019-11-25 基于块稀疏统计预测的pet-mri多模态联合重建方法

Country Status (1)

Country Link
CN (1) CN110942491B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064406A (zh) * 2018-08-26 2018-12-21 东南大学 一种正则化参数自适应的稀疏表示图像重建方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064406A (zh) * 2018-08-26 2018-12-21 东南大学 一种正则化参数自适应的稀疏表示图像重建方法

Also Published As

Publication number Publication date
CN110942491A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN108090871B (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
Yao et al. An efficient algorithm for dynamic MRI using low-rank and total variation regularizations
CN104156994B (zh) 一种压缩感知磁共振成像的重建方法
WO2018099321A1 (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
US11645791B2 (en) Systems and methods for joint reconstruction and segmentation of organs from magnetic resonance imaging data
CN107330953B (zh) 一种基于非凸低秩的动态mri重建方法
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
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
Sun et al. Region-of-interest undersampled MRI reconstruction: a deep convolutional neural network approach
Aghabiglou et al. Projection-Based cascaded U-Net model for MR image reconstruction
CN105654425A (zh) 一种应用于医学x光图像的单幅图像超分辨率重建方法
CN111754598A (zh) 基于变换学习的局部空间邻域并行磁共振成像重构方法
CN109920017B (zh) 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法
CN115471580A (zh) 一种物理智能高清磁共振扩散成像方法
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
CN107240131B (zh) 一种基于迭代纹理形变场的乳腺影像配准方法
CN110942491B (zh) 基于块稀疏统计预测的pet-mri多模态联合重建方法
CN114758028B (zh) 一种基于优化正则化和cnn的欠采样磁共振图像的高性能重建方法
CN116468763A (zh) 一种基于代价体积的电子显微镜图像配准方法
CN105976412A (zh) 一种基于离线字典稀疏正则化的低管电流强度扫描的ct图像重建方法
CN114004764B (zh) 一种基于稀疏变换学习的改进灵敏度编码重建方法
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
Aghabiglou et al. Densely connected wavelet-based autoencoder for MR image reconstruction
CN113674379A (zh) 一种基于参考支撑集的共稀疏分析模型的mri重构方法、系统及计算机可读存储介质
Srinivasan et al. Group sparse based super-resolution of magnetic resonance images for superior lesion diagnosis

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