CN114723644A - 一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 - Google Patents
一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114723644A CN114723644A CN202210242407.XA CN202210242407A CN114723644A CN 114723644 A CN114723644 A CN 114723644A CN 202210242407 A CN202210242407 A CN 202210242407A CN 114723644 A CN114723644 A CN 114723644A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- target
- compressed sensing
- initial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005070 sampling Methods 0.000 claims description 93
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种压缩感知磁共振图像重建方法、装置、存储介质以及电子设备,其中方法包括:获取初始欠采样数据;至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。本申请中的压缩感知磁共振图像重建方法能够避免常规压缩感知重建方法中产生的卷叠伪影。
Description
技术领域
本申请涉及医学成像技术领域,尤其涉及一种压缩感知磁共振图像重建方法、装置、存储介质以及电子设备。
背景技术
压缩感知(Compressed Sensing,简称CS;)是基于应用数学的一种前沿的信号采集与处理创新技术,可以大幅度提升磁共振扫描速度与时间、空间分辨率。压缩感知是针对具有稀疏特性的信号,可以实现以低于奈奎斯特采样定理的速率采样,通过获取的少量信号实现图像重建的一种数学方法。
然而,现有笛卡尔系磁共振采集过程模式中,读出方向为满采信号,当采用压缩感知方法进行图像重建后,由于读出方向信号不满足压缩感知理论,导致重建图像在读出方向出现了卷叠伪影。
发明内容
有鉴于此,本发明提供了一种压缩感知磁共振图像重建方法、装置、存储介质以及电子设备,主要目的在于解决传统压缩感知重建中出现的较重的卷叠伪影问题。
为解决上述问题,本申请提供一种压缩感知磁共振图像重建方法,包括:
获取初始欠采样数据;
至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。
可选的,所述至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像,包括:
采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;
对所述目标数据进行图像重建处理,得到所述第一图像。
可选的,所述对所述目标数据进行图像重建处理,得到所述第一图像,具体包括:
对目标数据中与各采集通道对应的第一数据进行傅里叶逆变换处理,得到与各采集通道对应的第一子图像;
基于各所述第一子图像和敏感度谱的共轭值,确定与各采集通道对应的第二子图像;
将各所述第二子图像进行合成,得到所述第一图像。
可选的,所述采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据,具体包括:
对所述初始欠采样数据进行数据提取处理,获得目标区域采样数据;
对所述目标区域采样数据进行第一数据处理,得到沿相位编码方向的第一目标数据矩阵;
对所述目标区域采样数据进行第二数据处理,得到沿层选编码方向的第二目标数据矩阵;
基于所述第一目标数据矩阵、所述第二目标数据矩阵和所述初始欠采样数据对所述初始欠采样数据进行数据填充处理,获得第一采样数据;
基于所述第一采样数据以及所述初始欠采样数据,组合得到所述目标数据。
可选的,所述方法还包括:
基于所述第一图像、空图像以及先验图像中的任意一种图像获取初始图像;
所述以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像具体包括:
以所述第一图像作为约束项,基于所述初始欠采样数据以及所述初始图像进行压缩感知图像重建处理,得到目标重建图像。
可选的,所述约束项采用L2范数或者Lp范数。
为解决上述问题,本申请提供一种压缩感知磁共振图像重建装置,包括:
获取模块:用于获取初始欠采样数据;
第一图像重建模块:用于至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
目标图像重建模块:用于以所述第一图像作为约束项,至少基于所述初始欠采样数据和所述第一图像进行压缩感知图像重建处理,得到目标重建图像。
可选的,所述第一图像重建模块,具体用于:
采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;
对所述目标数据进行图像重建处理,得到所述第一图像。
为解决上述问题本申请提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述压缩感知磁共振图像重建方法的步骤。
为解决上述问题本申请提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述压缩感知磁共振图像重建方法的步骤。
本申请通过初始欠采样数据获得无伪影的第一图像,并以无伪影的第一图像作为压缩感知重建的一个约束项,进行重建处理得到目标重建图像,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论导致的,在读出方向上出现卷叠伪影,可以促使诊疗结果更加精准。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本申请实施例一种压缩感知磁共振图像重建方法的流程图;
图2为本申请又一实施例一种压缩感知磁共振图像重建方法的流程图;
图3为本申请又一实施例一种压缩感知磁共振图像重建装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种压缩感知磁共振图像重建方法,如图1所示,包括如下步骤:
步骤S101:获取初始欠采样数据;
本步骤在具体实施过程中,首先对待测试样本进行随机采样,采集到的初始欠采样数据是以低于奈奎特斯采样定理所要求的频率采集到的数据,在一示例中,初始欠采样数据在K空间的中心区域信号可以是满采的,在K空间的中心区域以外的周围区域信号可以是欠采的,初始欠采样数据在频率编码方向可以是满采的。
步骤S102:至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
本步骤在具体实施过程中,可以基于GROWL算法首先对欠采的k空间数据进行数据填充处理,数据填充处理后得到k空间空缺的第一采样数据,基于k空间的第一采样数据和所述初始欠采样数据组合得到目标数据,对所述目标数据进行图像重建处理得到所述第一图像。通过GROWL算法重建出一个预先结果,即第一图像,虽然由于采样模式违背了奈奎特斯采样定理,导致通过GROWL算法重建得到的图像信噪比较低,图像细节缺失,但是没有CS重建后的卷叠伪影。在本示例中,无伪影的第一图像主要指无卷叠伪影的图像。第一图像的重建方法不局限于GROWL算法,只要采用初始欠采样数据获得无卷叠图像的方法均可以应用到本申请实施例,因此具体方法不做特别限定。
步骤S103:以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。
本步骤在具体实施过程中,具体是通过构造压缩感知图像求解模型来实现图像重建的,本实施例压缩感知图像求解模型如公式(1)所示:
公式(1)中,u为图像变量,u的最优解为本实施例中的目标重建图像;f为初始欠采样数据;ΨT代表稀疏域变换;argmin表示取最小值;“‖‖”表示范数,“‖‖1”表示L1范数;“‖‖2”表示L2范数;“‖‖TV”表示全变分;μ、λ、α是正则化系数,一般采用经验值,例如:μ取值可以为0.01,λ取值可以为0.01,α取值可以为10000,μ、λ、α取值在实际应用中与扫描部位以及扫描序列有关系,且数值可以根据实际需要进行调整。其中Ap和f定义为:
S代表了敏感度谱,Fp代表降采及傅里叶变换。1至J代表采集采样数据的1至J的采集通道;fJ表示J通道对应的磁共振压缩感知采样数据;公式(1)中,作为所述第一图像的L2范数的约束项,将所述约束项与传统压缩感知重建模型相结合得到所述公式(1)所示的压缩感知重建模型,其中公式(1)中,
其中,为x方向的u的偏导数,为y方向的u的偏导数,偏导数也即有限差分。所述目标重建图像是将初始欠采样数据、所述初始图像和所述第一图像输入到压缩感知图像求解模型公式(1)中,经过循环迭代达到预设迭代停止条件时,得到所述目标重建图像。
本申请通过初始欠采样数据获得无伪影的第一图像,并以无伪影的第一图像作为压缩感知重建的一个约束项,进行重建处理得到目标重建图像,例如可以通过在传统的压缩感知求解模型中加入了基于GROWL算子的一个范数的约束项,获得预设的压缩感知模型,基于该预设的压缩感知模型进行图像重建得到的目标重建图像,由于受到无伪影的第一图像的先验信息的约束,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论,导致重建图像在读出方向上出现卷叠伪影,形成的全局振铃效应进而可以促使诊疗结果更加精准。
本申请在上述实施例的基础上,为了使得对压缩感知磁共振图像重建方法更加准确,本申请又一实施例提供压缩感知磁共振图像重建方法,包括如下步骤:
步骤S201:获取初始欠采样数据;
本步骤在具体实施过程中,首先对待测试样本进行随机采样,采集到的初始欠采样数据是以低于奈奎特斯采样定理所要求的频率采集到的数据,在一示例中,初始欠采样数据在K空间的中心区域信号可以是满采的,在K空间的中心区域以外的周围区域信号可以是欠采的。
步骤S202:对所述初始欠采样数据进行数据提取处理,获得目标区域采样数据;
本步骤在具体实施过程中,首先确定一个满采区域的K空间中心区域,所述目标区域采样数据即为K空间的中心满采区域对应的采样数据,本申请通过分析目标区域采样数据沿相位编码方向和沿层选编码方向的线性关系,以基于所述线性关系实现对K空间的数据的填充处理。初始欠采样数据分布在k空间的不同位置,每个位置都对应着不同的k空间坐标值,采样数据在K空间对应着四个维度,x维,y维,z维和采样通道维度,初始欠采样数据在K空间的坐标值记作K(kx,ky,kz),并且初始欠采样数据对应在k空间是长度为通道长度的向量。
步骤S203:对所述目标区域采样数据进行第一数据处理,得到第一目标数据矩阵;
本步骤在具体实施过程中,首先依次将所述目标区域中的各所述采样数据作为基准采样数据;其次分别基于各所述基准采样数据沿相位编码方向,获取与各基准采样数据对应的采样数据对;最后基于各所述采样数据对和各采样数据在K空间分布的坐标值,采用最小二乘法计算得到第一目标数据矩阵。例如:当K空间中心区域有16*16个采样数据,则将此16*16个采样数据作为基准采样数据,沿着相位编码方向,为基准采样数据匹配与之对应的采样数据,获取与各基准采样数据对应的采样数据对,具体的可以沿着相位编码方向的相邻两个数据进行匹配,当16*16个采样数据匹配后得到15*16个数据对,基于各所述采样数据对和各采样数据在K空间分布的坐标值,利用如下所示公式(2):
采用最小二乘法计算得到K空间中心区域各基准采样数据沿相位编码方向的线性关系即所述第一目标数据矩阵。其中H代表赫尔米特转置;-1代表矩阵的逆运算;m为沿着相位编码方向(y方向)偏移一个点的位移;Δky为K空间中相位编码方向(y方向)一个点的跨度;K(kx,ky,kz)为采集通道长度的向量;·为矩阵乘法运算;为nc×nc的卷积核矩阵,其中nc代表采集通道的个数。矩阵数值随着m数值变化得到不同的数值矩阵,例如当m=1时,可以得到基准采样点与沿相位编码方向的上部相邻采样点的线性关系矩阵,当m=-1时,可以得到基准采样点与沿相位编码方向的下部相邻的采样点的线性关系矩阵。基于K空间中心区域各基准采样数据沿相位编码方向的线性关系即所述第一目标数据矩阵为后续恢复初始欠采样数据沿相位编码方向的空缺采样数据奠定了基础。
步骤S204:对所述目标区域采样数据进行第二数据处理,得到第二目标数据矩阵;
本步骤在具体实施过程中,首先依次将所述目标区域中的各所述采样数据作为基准采样数据;其次分别基于各所述基准采样数据沿层选编码方向,获取与各基准采样数据对应的采样数据对;最后基于各所述采样数据对和各采样数据在K空间分布的坐标值,采用最小二乘法计算得到第二目标数据矩阵。例如:如上所述的K空间中心区域有16*16个采样数据,则将此16*16个采样数据作为基准采样数据,沿着层选编码方向,为基准采样数据匹配与之对应的采样数据,获取与各基准采样数据对应的采样数据对,具体的可以沿着层选编码方向的相邻两个数据进行匹配,当16*16个采样数据匹配后得到16*15个数据对,基于各所述采样数据对和各采样数据在K空间分布的坐标值利用如下所示公式(3):
采用最小二乘法计算得到各K空间中心区域各基准采样数据沿层选编码方向的线性关系,即所述第二目标数据矩阵。其中H代表赫尔米特转置;-1代表矩阵的逆运算;n为沿着层选编码方向(z方向)偏移一个点的位移;Δkz为K空间层选编码方向(z方向)一个点的跨度;K(kx,ky,kz)为采集通道长度的向量;·为矩阵乘法运算;为nc×nc的卷积核矩阵,其中nc代表采集通道的个数。矩阵数值随着n数值变化得到不同的数值矩阵,例如当n=1时,可以得到基准采样点与沿层选编码方向的右侧相邻采样点的线性关系矩阵,当n=-1时,可以得到基准采样点与沿相位编码方向的左侧相邻的采样点的线性关系矩阵。基于K空间中心区域各基准采样数据沿相位编码方向的线性关系即所述第二目标数据矩阵为后续恢复初始欠采样数据沿层选编码方向的空缺采样数据奠定了基础。
步骤S205:基于所述第一目标数据矩阵、所述第二目标数据矩阵和所述初始欠采样数据进行数据填充处理,获得第一采样数据;
本步骤在具体实施过程中,首先获取初始欠采样数据中采样掩码为1的采样数据,基于各所述采样数据应用如下所述公式(4):
对所述初始欠采样数据进行数据填充处理,具体的可以根据采样掩码为1的采样数据所在K空间的坐标值分别与第一目标数据矩阵和第二目标数据矩阵相乘,可以得到该采样数据沿层选编码方向和相位编码方向两侧的空缺数据值,例如当n=0、m=1时,此时公式可以转化为K(kx,ky+Δky,kz=Gy,m·Kkx,ky,kz,此时可以根据当前采样点获取得到沿相位编码方向与当前采样点相邻的上部的一个采样点;又例如当n=0、m=-1时,此时公式可以转化为此时可以根据当前采样点获取得到沿相位编码方向与当前采样点相邻的下部的一个采样点;又例如当n=1、m=0时,此时公式可以转化为 此时可以根据当前采样点获取得到沿层选编码方向与当前采样点相邻的右侧一个采样点;又例如当n=-1、m=0时,此时公式可以转化为此时可以根据当前采样点获取得到沿层选编码方向与当前采样点相邻的左侧一个采样点。基于此种方法将各所述采样掩码为1的采样数据上下左右的采样数据进行数据填充处理,得到所述第一采样数据。
步骤S206:基于所述第一采样数据以及所述初始欠采样数据,组合得到所述目标数据。
本步骤在具体实施过程中,k空间恢复的第一采样数据和所述初始欠采样数据组合在一起得到了相对完整的采样数据,即得到所述目标数据,为后续基于目标数据进行图像重建奠定了基础。
步骤S207:对所述目标数据进行图像重建处理,得到所述第一图像。本步骤在具体实施过程中根据如下公式(5)
公式中F*代表傅里叶逆变换,SH代表敏感度谱的共轭变换,首先对目标数据中与各采集通道对应的第一数据Ki进行傅里叶逆变换处理,得到与各采集通道对应的第一子图像,此时得到的第一子图像灰度分布不是特别均匀。其次基于各所述第一子图像和敏感度谱的共轭值,确定与各采集通道对应的第二子图像,具体的将所述各采集通道对应的第一子图像乘以该通道对应的敏感度谱的共轭值得到灰度较为均匀的所述第二图像。最后将各所述第二子图像进行合成,得到所述第一图像Growl(f),具体的将所述第二子图像进行叠加处理,获取得到所述第一图像Growl(f)。通过GROWL算法重建出一个预先的CS结果,即第一图像,虽然由于采样模式违背了奈奎特斯采样定理,导致通过GROWL算法重建得到的图像信噪比较低,图像细节缺失,但是没有CS重建后的伪影。
步骤S208:获取初始图像;
其中,初始图像u0=0时是空图像,是一副全黑的图像;先验图像可以是通过核磁共振算法处理得到的图像。例如:对于受检者的待检测部位进行磁共振压缩感知采样,得到数据D1,所述数据D1为初始欠采样数据;对受检者的待检测部位进行磁共振算法处理得到图像I1,所述图像I1为先验图像一般先验图像都含有卷叠伪影;基于初始欠采样数据采用GROWL算法进行图像重建处理,得到无伪影的图像I2;所述空图像、图像I1和图像I2可以作为本申请中压缩感知重建模型的初始图像。
步骤S209:基于所述第一图像的Lp范数或L2范数作为约束项,至少基于所述初始欠采样数据以及所述初始图像进行压缩感知图像重建处理,获得当前重建图像;
本步骤在具体实施过程中,具体是利用预设的压缩感知图像重建模型来进行图像重建的压缩感知图像重建模型如下公式(1)所示:
公式(1)中,u为图像变量,u的最优解为本实施例中的目标重建图像;f为初始欠采样数据;ΨT代表稀疏域变换;argmin表示取最小值;“‖‖”表示范数,“‖‖1”表示L1范数;“‖‖2”表示L2范数;“‖‖TV”表示全变分;μ、λ、α是正则化系数,一般采用经验值,例如:腹部双回波扫描时,μ取值可以为0.01,λ取值可以为0.01,α取值可以为10000,μ、λ、α取值在实际应用中与扫描部位以及扫描序列有关系,且数值可以根据实际需要进行调整。其中Ap和f定义为:
S代表了敏感度谱,Fp代表降采及傅里叶变换。1至J代表采集采样数据的1至J的采集通道;fJ表示J通道对应的磁共振压缩感知采样数据;公式(1)中,是所述的第一图像的L2范数的约束项,将所述约束项与传统压缩感知重建模型相结合得到所述公式(1)所示的压缩感知重建模型,其中公式(1)中:
压缩感知重建模型也可以为如下公式(6)所示的公式:
公式中‖·‖p代表Lp范数,α‖u-Growl(f)‖p是所述的第一图像的Lp范数的约束项,将所述约束项与传统压缩感知重建模型相结合得到所述公式(6)所示的压缩感知重建模型。
压缩感知重建模型也可以为如下公式(7)所示的公式:
压缩感知重建模型也可以为如下公式(8)所示的公式:
压缩感知重建模型也可以为如下公式(9)所示的公式:
压缩感知重建模型也可以为如下公式(10)所示的公式:
压缩感知重建模型也可以为如下公式(11)所示的公式:
压缩感知重建模型也可以为如下公式(12)所示的公式:
压缩感知重建模型也可以为如下公式(13)所示的公式:
压缩感知重建模型也可以为如下公式(14)所示的公式:
压缩感知重建模型也可以为如下公式(15)所示的公式:
压缩感知重建模型也可以为如下公式(16)所示的公式:
当第一图像采用GROWL算法获得时,由于GROWL算法重建后的结果SNR(Signal-Noise Ratio)较低,但是组织结构相对完整,故而采用L2范数效果较好。
步骤S210:基于所述当前重建图像和/或图像重建次数,判断是否满足预设迭代停止条件,在满足预设迭代停止条件的情况下执行步骤S211;在不满足预设迭代停止条件的情况下执行步骤S212;
所述预设迭代停止条件可以是迭代次数达到最大图像重建次数阈值,所述最大图像重建次数阈值可以根据实际需要设定。
所述预设迭代停止条件也可以是本次重建后获得的图像变量的值ui与上一次重建后获得的图像变量的值ui-1之差的范数小于或等于预设差值阈值ε。所述ε取值可以根据实际需要设定。
步骤S211:基于所述当前重建图像,获得所述目标重建图像;
本步骤在具体实施过程中,得到的当前重建图像即为所述压缩感知图像重建模型公式(1)的最优解,也就是所述目标重建图像。
步骤S212:基于所述当前重建图像对所述初始图像进行图像更新返回步骤S208,获得更新后的初始图像作为下一次图像重建过程的初始图像。
本步骤在具体实施过程中,基于所述当前重建图像对所述初始图像进行更新以获得下一次图像重建过程的初始图像,以基于所述获得的下一次图像重建过程的初始图像以及所述初始欠采样数据进行图像重建处理,获得当前重建图像。
本申请通过初始欠采样数据获得无伪影的第一图像,并以无伪影的第一图像作为压缩感知重建的一个约束项,进行重建处理得到目标重建图像,例如可以通过在传统的压缩感知求解模型中加入了基于GROWL算子的一个范数的约束项,获得预设的压缩感知模型,基于该预设的压缩感知模型进行图像重建得到的目标重建图像,由于受到无伪影的第一图像的先验信息的约束,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论,导致重建图像在读出方向上出现卷叠伪影,形成的全局振铃效应进而可以促使诊疗结果更加精准。
本申请另一实施例提供一种压缩感知磁共振图像重建装置,如图3所示,包括:
获取模块1:用于获取初始欠采样数据;
第一图像重建模块2:用于至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
目标图像重建模块3:用于以所述第一图像作为约束项,至少基于所述初始欠采样数据和所述第一图像进行压缩感知图像重建处理,得到目标重建图像。
本实施例在具体实施过程中,所述第一图像重建模块具体用于:采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;对所述目标数据进行图像重建处理,得到所述第一图像。
具体的,所述第一图像重建模块还用于:采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;对所述目标数据进行图像重建处理,得到所述第一图像;其中,所述采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据,具体包括:对所述初始欠采样数据进行数据提取处理,获得目标区域采样数据;对所述目标区域采样数据进行第一数据处理,得到沿相位编码方向的第一目标数据矩阵;对所述目标区域采样数据进行第二数据处理,得到沿层选编码方向的第二目标数据矩阵;基于所述第一目标数据矩阵、所述第二目标数据矩阵和所述初始欠采样数据对所述初始欠采样数据进行数据填充处理,获得第一采样数据;基于所述第一采样数据以及所述初始欠采样数据,组合得到所述目标数据。
具体的,所述第一图像重建模块还用于:对所述目标数据进行图像重建处理,得到所述第一图像,具体包括:对目标数据中与各采集通道对应的第一数据进行傅里叶逆变换处理,得到与各采集通道对应的第一子图像;基于各所述第一子图像和敏感度谱的共轭值,确定与各采集通道对应的第二子图像;将各所述第二子图像进行合成,得到所述第一图像。
具体的,所述第一图像重建模块还用于:所述约束项采用L2范数或者Lp范数。
所述压缩感知磁共振图像重建装置还包括第二获取模块,所述第二获取模块具体用于:基于所述第一图像、空图像以及先验图像中的任意一种图像获取初始图像。
所述目标图像重建模块具体用于:所述以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像具体包括:以所述第一图像作为约束项,基于所述初始欠采样数据以及所述初始图像进行压缩感知图像重建处理,得到目标重建图像。
本申请通过在传统的压缩感知求解模型中加入了基于GROWL算子的一个范数的约束项,获得预设的压缩感知模型,基于该预设的压缩感知模型进行图像重建得到的目标重建图像,由于受到无伪影的第一图像的先验信息的约束,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论,导致重建图像在读出方向上出现伪影,形成的全局振铃效应,进而可以促使诊疗结果更加精准。
本申请另一实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
步骤一:获取初始欠采样数据;
步骤二:至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
步骤三:以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。
本申请通过初始欠采样数据获得无伪影的第一图像,并以无伪影的第一图像作为压缩感知重建的一个约束项,进行重建处理得到目标重建图像,例如可以通过在传统的压缩感知求解模型中加入了基于GROWL算子的一个范数的约束项,获得预设的压缩感知模型,基于该预设的压缩感知模型进行图像重建得到的目标重建图像,由于受到无伪影的第一图像的先验信息的约束,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论,导致重建图像在读出方向上出现卷叠伪影,形成的全局振铃效应进而可以促使诊疗结果更加精准。
本申请另一实施例提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤:
步骤一:获取初始欠采样数据;
步骤二:至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
步骤三:以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。
本申请通过初始欠采样数据获得无伪影的第一图像,并以无伪影的第一图像作为压缩感知重建的一个约束项,进行重建处理得到目标重建图像,例如可以通过在传统的压缩感知求解模型中加入了基于GROWL算子的一个范数的约束项,获得预设的压缩感知模型,基于该预设的压缩感知模型进行图像重建得到的目标重建图像,由于受到无伪影的第一图像的先验信息的约束,能够去除现有的压缩感知方法采集信号过程中,不满足压缩感知理论,导致重建图像在读出方向上出现卷叠伪影,形成的全局振铃效应进而可以促使诊疗结果更加精准。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种压缩感知磁共振图像重建方法,其特征在于,包括:
获取初始欠采样数据;
至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像。
2.如权利要求1所述的方法,其特征在于,所述至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像,包括:
采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;
对所述目标数据进行图像重建处理,得到所述第一图像。
3.如权利要求2所述的方法,其特征在于,所述对所述目标数据进行图像重建处理,得到所述第一图像,具体包括:
对目标数据中与各采集通道对应的第一数据进行傅里叶逆变换处理,得到与各采集通道对应的第一子图像;
基于各所述第一子图像和敏感度谱的共轭值,确定与各采集通道对应的第二子图像;
将各所述第二子图像进行合成,得到所述第一图像。
4.如权利要求2所述的方法,其特征在于,所述采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据,具体包括:
对所述初始欠采样数据进行数据提取处理,获得目标区域采样数据;
对所述目标区域采样数据进行第一数据处理,得到沿相位编码方向的第一目标数据矩阵;
对所述目标区域采样数据进行第二数据处理,得到沿层选编码方向的第二目标数据矩阵;
基于所述第一目标数据矩阵、所述第二目标数据矩阵和所述初始欠采样数据对所述初始欠采样数据进行数据填充处理,获得第一采样数据;
基于所述第一采样数据以及所述初始欠采样数据,组合得到所述目标数据。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第一图像、空图像以及先验图像中的任意一种图像获取初始图像;
所述以所述第一图像作为约束项,至少基于所述初始欠采样数据进行压缩感知图像重建处理,得到目标重建图像具体包括:
以所述第一图像作为约束项,基于所述初始欠采样数据以及所述初始图像进行压缩感知图像重建处理,得到目标重建图像。
6.根据权利要求2所述的方法,其特征在于,所述约束项采用L2范数或者Lp范数。
7.一种压缩感知磁共振图像重建装置,其特征在于,包括:
获取模块:用于获取初始欠采样数据;
第一图像重建模块:用于至少基于所述初始欠采样数据进行图像重建处理,获得无伪影的第一图像;
目标图像重建模块:用于以所述第一图像作为约束项,至少基于所述初始欠采样数据和所述第一图像进行压缩感知图像重建处理,得到目标重建图像。
8.如权利要求7所述的装置,其特征在于,所述第一图像重建模块,具体用于:
采用GROWL重建方法对所述初始欠采样数据进行数据处理,得到目标数据;
对所述目标数据进行图像重建处理,得到所述第一图像。
9.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述压缩感知磁共振图像重建方法的步骤。
10.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-6任一项所述压缩感知磁共振图像重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242407.XA CN114723644A (zh) | 2022-03-11 | 2022-03-11 | 一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210242407.XA CN114723644A (zh) | 2022-03-11 | 2022-03-11 | 一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723644A true CN114723644A (zh) | 2022-07-08 |
Family
ID=82236872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210242407.XA Pending CN114723644A (zh) | 2022-03-11 | 2022-03-11 | 一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116725515A (zh) * | 2023-08-14 | 2023-09-12 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
-
2022
- 2022-03-11 CN CN202210242407.XA patent/CN114723644A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116725515A (zh) * | 2023-08-14 | 2023-09-12 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
CN116725515B (zh) * | 2023-08-14 | 2024-01-26 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111513716B (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
US20200294229A1 (en) | Self ensembling techniques for generating magnetic resonance images from spatial frequency data | |
CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
US10671939B2 (en) | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction | |
CN109615675B (zh) | 一种多通道磁共振成像的图像重建方法 | |
US8587307B2 (en) | Systems and methods for accelerating the acquisition and reconstruction of magnetic resonance images with randomly undersampled and uniformly undersampled data | |
CN110133556B (zh) | 一种磁共振图像处理方法、装置、设备及存储介质 | |
CN109239631B (zh) | 一种磁共振成像方法和装置 | |
RU2626184C2 (ru) | Способ, устройство и система для реконструкции магнитно-резонансного изображения | |
US20140286560A1 (en) | Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images | |
CN108287324B (zh) | 磁共振多对比度图像的重建方法和装置 | |
CN112526423B (zh) | 基于共轭和层间信息的并行磁共振成像算法 | |
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 | |
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 | |
CN114529473A (zh) | 图像重建方法、装置、电子设备、存储介质和计算机程序 | |
CN114723644A (zh) | 一种压缩感知磁共振图像重建方法、装置、存储介质及电子设备 | |
Ouchi et al. | Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain | |
CN103091656A (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 | |
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 | |
EP4177625A1 (en) | Magnetic resonance imaging apparatus, image processing apparatus, and image processing method | |
Zong et al. | Fast reconstruction of highly undersampled MR images using one and two dimensional principal component analysis | |
CN112557981B (zh) | 一种并行磁共振成像的改进算法 | |
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 | |
CN115115722A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
WO2018037868A1 (ja) | 磁気共鳴イメージング装置および画像再構成方法 |
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 |