CN113034639B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113034639B CN113034639B CN202110303699.9A CN202110303699A CN113034639B CN 113034639 B CN113034639 B CN 113034639B CN 202110303699 A CN202110303699 A CN 202110303699A CN 113034639 B CN113034639 B CN 113034639B
- Authority
- CN
- China
- Prior art keywords
- matrix
- separable
- magnetic resonance
- image
- representing
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 14
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 239000011521 glass Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000013507 mapping Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
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,涉及磁共振成像。提供通过利用多个可分离汉克尔矩阵的低秩特性来降低磁共振图像重建时间的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。包括以下步骤:1)建立基于可分离汉克尔矩阵的图像重建模型;2)建立基于可分离汉克尔矩阵重建模型的求解算法;3)重建多通道磁共振图像,多通道合并后即得到基于可分离汉克尔矩阵的磁共振成像的图像。通过构建多个可分离的汉克尔矩阵来代替大规模结构化矩阵,以达到加快重建计算速度,减小重建所需内存的目的。通过约束多个可分离汉克尔矩阵的低秩性,来代替约束大规模结构化矩阵的低秩性,能够显著降低计算时间,减小计算内存。
Description
技术领域
本发明涉及磁共振成像,尤其是涉及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。
背景技术
磁共振成像被广泛应用在临床医疗诊断中。但是,磁共振成像需要较长时间来采集位于傅里叶空间的数据。稀疏采样重建可以从小于奈奎斯特采样率采集的数据中重建磁共振图像,因此可以用来缩短采样时间。
稀疏采样通过施加约束从欠采样数据中重建图像,其中稀疏和低秩是两种常用约束。稀疏约束通过寻找磁共振图像在预先构造或自适应字典基上的稀疏表示(Xiaobo Qu,Yingkun Hou,Fan Lam,Di Guo,Jianhui Zhong,Zhong Chen,"Magnetic resonance imagereconstruction from undersampled measurements using a patch-based nonlocaloperator,"Medical Image Analysis,vol.18,pp.843-856,2014.;Zongying Lai,XiaoboQu,Yunsong Liu,Di Guo,Jing Ye,Zhifang Zhan,Zhong Chen,"Image reconstructionof compressed sensing MRI using graph-based redundant wavelet transform,"Medical Image Analysis,vol.27,pp.93-104,2016)。典型的低秩约束(Bo Zhao,JustinP.Haldar,Anthony G.Christodoulou,Zhi-Pei Liang,"Image reconstruction fromhighly undersampled(k,t)-space data with joint partial separability andsparsity constraints,"IEEE Transactions on Medical Imaging,vol.31,pp.1809-1920,2012.)利用了多幅图像的低秩特性来重建磁共振图像。近些年,结构化矩阵低秩方法因其更低的重建误差,被广泛应用到磁共振图像重建中(Justin P.Haldar,"Low-rankmodeling of local k-space neighborhoods(LORAKS)for constrained MRI,"IEEETransaction on Medical Imaging,vol.33,pp.668-81,2014.;Greg Ongie,MathewsJacob,"Off-the-grid recovery of piecewise constant images from few Fouriersamples,"SIAM Journal on Imaging Sciences,vol.9,no.3,pp.1004-1041,2016;KyongHwanJin,Dongwook Lee,Jong Chul Ye,"A general framework for compressed sensingand parallel MRI using annihilating filter based low-rank Hankel matrix,"IEEETransactions on Computational Imaging,vol.2,pp.480-495,2016;Xinlin Zhang,DiGuo,Yiman Huang,Ying Chen,Liansheng Wang,Feng Huang,Qin Xu,Xiaobo Qu,"Imagereconstruction with low-rankness and self-consistency of k-space data inparallel MRI,"Medical Image Analysis,vol.63,p.101687,2020.)。但上述结构化矩阵低秩的方法需要构建大规模结构化矩阵或块汉克尔矩阵,这使得在重建计算过程中,计算耗时久,内存占用大。
发明内容
本发明的目的在于针对现有技术存在的上述问题,提供通过利用多个可分离汉克尔矩阵的低秩特性来降低磁共振图像重建时间的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。
本发明包括以下步骤:
1)建立基于可分离汉克尔矩阵的图像重建模型;
2)建立基于可分离汉克尔矩阵重建模型的求解算法;
3)重建多通道磁共振图像,多通道合并后即得到基于可分离汉克尔矩阵的磁共振成像的图像。
在步骤1)中,所述建立基于可分离汉克尔矩阵的图像重建模型的具体方法可为:
其中,X=[X1,...,Xj,...,XJ]表示待重建的所有线圈图像,其中Xj为待重建的第j个线圈的图像,大小为M×N,M、N和J分别表示多通道磁共振图像的行数、列数和通道数;大小为N×J,大小为M×J;其中,表示由X第j个通道第m行的数据构成的列向量,表示由X第j个通道第n列的数据构成的列向量;H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到;算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即 算子的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵,算子的具体操作可表示为:其中上标表示对向量进行沿中心翻转并取共轭的操作;Y表示采样数据并在未采样点进行填零操作后得到的傅里叶空间数据,U表示欠采样并在未采样的位置进行填零操作的算子,F2D表示对X的每个通道图像都进行二维傅里叶变换的算子;||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,||·||2指向量的二范数,λ与λ1是正则化参数。vec(X)=[x1;…;xj;…;xJ],表示待重建的所有线圈图像构成的列向量,其中,xj表示待重建的第j个线圈的图像Xj排列成的列向量。G是图像域校准数据一致性的矩阵,可以表示为:
其中,Ga,b是大小为MN×MN的矩阵,表示第b个线圈图像相对于第a个线圈图像的加权系数,I表示单位阵,大小为MNJ×MNJ。Ga,b可以通过自动校准数据计算得出。
在步骤2)中,所述建立基于可分离汉克尔矩阵重建模型的求解算法的具体方法可为:利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,ZhongChen,Xiaobo Qu,"Fast multi-class dictionaries learning with geometricaldirections in MRI reconstruction,"IEEE Transactions on BiomedicalEngineering,vol.63,pp.1850-1861,2016.)求解公式(1)中的最优化问题;引入中间变量以及拉格朗日乘子
其中,<·,·>为内积;根据以下公式迭代更新(3)中的变量:
当达到最大迭代次数K或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束;上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(k)”表示第k次迭代的解,X(k),分别表示变量X,在第k次迭代时的值,表示奇异值收缩算子,阈值为参数λ,λ1,β和τ都是正数;初值化算法中,也就是k=1时,和是值全为0的矩阵,和是值全为1的矩阵。
3)由步骤2)得到重建的多通道磁共振图像X,对重建的多通道磁共振图像X进行多通道合并,最终得到磁共振图像。
本发明通过构建多个可分离的汉克尔矩阵来代替大规模结构化矩阵,以达到加快重建计算速度,减小重建所需内存的目的。首先建立基于可分离汉克尔矩阵的图像重建模型,然后通过迭代算法重建磁共振的图像,最后将多通道图像通过合并得到最终重建的磁共振图像。本发明通过约束多个可分离汉克尔矩阵的低秩性,来代替约束大规模结构化矩阵的低秩性,因此能够显著降低计算时间,减小计算内存。
附图说明
图1是本发明实施例中对傅里叶空间数据进行欠采样的采样模板。在图1中,白色表示采样到的点,黑色表示未采样到的点。
图2是本发明重建的磁共振图像。
图3是全采样的磁共振图像。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明,并给出重建结果。本实施例使用磁场强度为3特斯拉的磁共振成像仪对志愿者的大脑进行成像。全采样数据为磁共振成像全身扫描仪的4通道数据。本实施例使用的序列为T2加权快速自旋回波,全采样的直接维与间接维均为256个点,TR/TE=6100ms/99ms,视野为220mm×220mm,层厚为3mm。采样模板(如图1所示)采样34%的数据,则采样的数据点为22272点。正则化参数λ=104,λ1=106。本实施例中,β=1。具体步骤如下:
1)建立基于可分离汉克尔矩阵的图像重建模型:
其中,X=[X1,...,Xj,...,XJ]表示待重建的所有线圈图像,其中Xj为待重建的第j个线圈的图像,大小为M×N,M、N和J分别表示多通道磁共振图像的行数、列数和通道数。本实施例中,M=256,N=256,J=4。大小为256×4,大小为256×4。其中,表示由X第j个通道第m行的数据构成的列向量,表示由X第j个通道第n列的数据构成的列向量,这里m=1,…,256,n=1,…,256。
H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到。算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即算子的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵,算子的具体操作可表示为:其中上标表示对向量进行沿中心翻转并取共轭的操作。Y表示采样数据并在未采样点进行填零操作后得到的傅里叶空间数据,U表示欠采样并在未采样的位置进行填零操作的算子,F2D表示对X的每个通道图像都进行二维傅里叶变换的算子。||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,||·||2指向量的二范数,λ与λ1是正则化参数。vec(X)=[x1;…;xj;…;xJ],表示待重建的所有线圈图像构成的列向量,其中,xj表示待重建的第j个线圈的图像Xj排列成的列向量。G是图像域校准数据一致性的矩阵,可以表示为:
其中,Ga,b是大小为MN×MN的矩阵,表示第b个线圈图像相对于第a个线圈图像的加权系数,I表示单位阵,大小为MNJ×MNJ。Ga,b可以通过自动校准数据计算得出。
2)建立基于可分离汉克尔矩阵重建模型的求解算法:
在步骤1),所述建立基于可分离汉克尔矩阵重建模型的求解算法的具体方法可为:可以利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,ZhongChen,Xiaobo Qu,"Fast multi-class dictionaries learning with geometricaldirections in MRI reconstruction,"IEEE Transactions on BiomedicalEngineering,vol.63,pp.1850-1861,2016.)求解公式(1)中的最优化问题。引入中间变量以及拉格朗日乘子
其中,<·,·>为内积。
根据以下公式迭代更新(3)中的变量:
当达到最大迭代次数K或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束。在本实施例中,K=80,μ=10-5。上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(k)”表示第k次迭代的解,X(k)、分别表示变量X,在第k次迭代时的值,表示奇异值收缩算子,阈值为τ的取值为1。初值化算法中,也就是k=1时,和是值全为0的矩阵,和是值全为1的矩阵。
3)由步骤2)得到重建的多通道磁共振图像X,对重建的多通道磁共振图像X进行多通道合并,最终得到磁共振图像。
表1给出基于块汉克尔矩阵的图像重建时间与按照本发明方法的图像重建时间对比。
表1
磁共振图像重建方法 | 重建耗时(单位:秒) |
基于块汉克尔矩阵的磁共振图像重建方法 | 1090.3 |
本发明方法 | 80.3 |
由表1可见,本发明方法重建耗时明缩短,本发明通过构建多个可分离的汉克尔矩阵来代替大规模结构化矩阵,以达到加快重建计算速度,减小重建所需内存的目的。通过约束多个可分离汉克尔矩阵的低秩性,来代替约束大规模结构化矩阵的低秩性,因此能够显著降低计算时间,减小计算内存。
图2是本发明重建的磁共振图像,图3是全采样的磁共振图像。从图2和图3可以看出,本发明利用多个可分离汉克尔矩阵的低秩性,能够以较小误差重建欠采样磁共振图像,同时重建时间短,所需计算内存小。
Claims (1)
1.一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法,其特征在于包括以下步骤:
1)建立基于可分离汉克尔矩阵的图像重建模型,具体方法为:
其中,X=[X1,...,Xj,...,XJ]表示待重建的所有线圈图像,其中Xj为待重建的第j个线圈的图像,大小为M×N,M、N和J分别表示多通道磁共振图像的行数、列数和通道数;大小为N×J,大小为M×J;其中,表示由X第j个通道第m行的数据构成的列向量,表示由X第j个通道第n列的数据构成的列向量;H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到;算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即 算子的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵,算子的具体操作表示为:其中上标表示对向量进行沿中心翻转并取共轭的操作;Y表示采样数据并在未采样点进行填零操作后得到的傅里叶空间数据,U表示欠采样并在未采样的位置进行填零操作的算子,F2D表示对X的每个通道图像都进行二维傅里叶变换的算子;||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,||·||2指向量的二范数,λ与λ1是正则化参数;vec(X)=[x1;…;xj;…;xJ],表示待重建的所有线圈图像构成的列向量,其中,xj表示待重建的第j个线圈的图像Xj排列成的列向量;G是图像域校准数据一致性的矩阵,表示为:
其中,Ga,b是大小为MN×MN的矩阵,表示第b个线圈图像相对于第a个线圈图像的加权系数,I表示单位阵,大小为MNJ×MNJ;Ga,b通过自动校准数据计算得出;
2)建立基于可分离汉克尔矩阵重建模型的求解算法,具体方法为:
其中,<·,·>为内积;根据以下公式迭代更新(3)中的变量:
当达到最大迭代次数K或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束;上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(k)”表示第k次迭代的解,X(k),分别表示变量X, 在第k次迭代时的值,表示奇异值收缩算子,阈值为参数λ,λ1,β和τ都是正数;初值化算法中,也就是k=1时,和是值全为0的矩阵,和是值全为1的矩阵;
3)重建多通道磁共振图像,多通道合并后即得到基于可分离汉克尔矩阵的磁共振成像的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303699.9A CN113034639B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303699.9A CN113034639B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034639A CN113034639A (zh) | 2021-06-25 |
CN113034639B true CN113034639B (zh) | 2022-09-06 |
Family
ID=76472511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303699.9A Active CN113034639B (zh) | 2021-03-22 | 2021-03-22 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034639B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0600987L (zh) * | 2006-05-04 | 2007-11-05 | ||
CN109165432A (zh) * | 2018-08-09 | 2019-01-08 | 厦门理工学院 | 一种基于部分奇异值和的磁共振波谱重建方法 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
-
2021
- 2021-03-22 CN CN202110303699.9A patent/CN113034639B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0600987L (zh) * | 2006-05-04 | 2007-11-05 | ||
CN109165432A (zh) * | 2018-08-09 | 2019-01-08 | 厦门理工学院 | 一种基于部分奇异值和的磁共振波谱重建方法 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113034639A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107064845B (zh) | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 | |
CN109615675B (zh) | 一种多通道磁共振成像的图像重建方法 | |
CN108535675B (zh) | 一种基于深度学习和数据自洽的磁共振多通道重建方法 | |
US11327137B2 (en) | One-dimensional partial Fourier parallel magnetic resonance imaging method based on deep convolutional network | |
US10527699B1 (en) | Unsupervised deep learning for multi-channel MRI model estimation | |
CN107274462B (zh) | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 | |
RU2626184C2 (ru) | Способ, устройство и система для реконструкции магнитно-резонансного изображения | |
CN111754598B (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 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN114820849A (zh) | 基于深度学习的磁共振cest图像重建方法、装置及设备 | |
CN114972041A (zh) | 基于残差网络的极化雷达图像超分辨率重建方法和装置 | |
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 | |
CN113129401B (zh) | 一种参数化磁共振成像的图像重建方法 | |
CN109934884B (zh) | 一种基于变换学习和联合稀疏性的迭代自一致性并行成像重构方法 | |
CN112617798B (zh) | 一种基于Lp范数联合全变分的并行磁共振成像重构方法 | |
US20230044166A1 (en) | Accelerated time domain magnetic resonance spin tomography | |
CN113034639B (zh) | 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 | |
Zong et al. | Fast reconstruction of highly undersampled MR images using one and two dimensional principal component analysis | |
CN109188327B (zh) | 基于张量积复小波紧框架的磁共振图像快速重构方法 | |
US11967004B2 (en) | Deep learning based image reconstruction | |
CN112634385B (zh) | 一种基于深度拉普拉斯网络的快速磁共振成像方法 | |
CN113674379B (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 | |
CN114140404A (zh) | 基于人工智能的肺部多核mri双域超分辨率重建方法 | |
CN113628298B (zh) | 基于特征向量的自一致性和非局部低秩的并行mri重构方法 | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 |
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 |