CN116152375A - 一种基于bm4d的多方向联合的扩散磁共振图像重建方法 - Google Patents
一种基于bm4d的多方向联合的扩散磁共振图像重建方法 Download PDFInfo
- Publication number
- CN116152375A CN116152375A CN202310184837.5A CN202310184837A CN116152375A CN 116152375 A CN116152375 A CN 116152375A CN 202310184837 A CN202310184837 A CN 202310184837A CN 116152375 A CN116152375 A CN 116152375A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image reconstruction
- diffusion
- image
- bm4d
- 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
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于BM4D的多方向联合的扩散磁共振图像重建方法,包括以下步骤:获取成像对象的欠采样多方向k空间的扩散磁共振数据;利用全采样的b=0的数据计算磁共振线圈敏感度信息;b=0表示不加扩散梯度;利用扩散磁共振数据和磁共振线圈敏感度信息构建联合图像重建模型;基于凸集投影的迭代方法对所述联合图像重建模型进行优化求解,得到各个方向的最优扩散磁共振图像;本发明重建图像信噪比更高、伪影更少,在高倍加速采样情况下,获得高质量的扩散磁共振图像,具有更高的精度。
Description
技术领域
本发明涉及磁共振图像重建领域,特别涉及一种基于BM4D的多方向联合的扩散磁共振图像重建方法。
背景技术
扩散成像作为唯一一种可无创检测组织内水分子扩散运动的磁共振成像技术,具有重要的临床诊断价值。然而,在扩散成像中,传统的单激发技术无法同时获得低形变、高空间分辨率的图像,而分辨率低、形变大的图像会影响与临床有关的小病灶的诊断。虽然多次激发扩散成像技术可以同时获得低形变和高分辨率的图像,但是扫描时间成倍增加,严重限制的该技术的临床应用。
扩散成像技术和多通道采集并行成像技术(SENSE:sensitivity encoding、GRAPPA:generalized autocalibrating partially parallel acquisitions等)结合可以大大加快扫描速度,同时在一定程度上缓解了扩散图像的形变,提高了图像的空间分辨率。但是,这些并行成像技术受到线圈几何因子(g-factor)的限制,高加速倍数下,图像的噪声大,并且欠采样引起的混叠伪影难以消除,得到的扩散磁共振图像存在质量差的问题。
专利号为CN202210884744.9的一种提高核磁共振图像信噪比的方法与系统,通过将滤波后的核磁共振图像与去噪后的核磁共振图像进行插值替换得到核磁共振图像,不仅可以有效的消除核磁共振图像中的噪声,提高了图像的信噪比,而且还大大提高了医生对图像的判读效果,为后续病灶定位提供了有利的影像依据。并不能解决高加速倍数下,图像的噪声大,并且欠采样引起的混叠伪影难以消除,得到的扩散磁共振图像存在质量差的问题。
发明内容
发明的目的在于提供一种基于BM4D的多方向联合的扩散磁共振图像重建方法,解决了高加速倍数下,图像的噪声大,并且欠采样引起的混叠伪影难以消除,得到的扩散磁共振图像存在质量差的问题。
本发明是这样实现的,一种基于BM4D的多方向联合的扩散磁共振图像重建方法,所述方法包括以下步骤:
步骤一:获取成像对象的欠采样多方向k空间的扩散磁共振数据;
步骤二:利用全采样的b=0的数据计算磁共振线圈敏感度信息;b=0表示不加扩散梯度;
步骤三:利用步骤一中的扩散磁共振数据和步骤二中的磁共振线圈敏感度信息构建联合图像重建模型;所述联合图像重建模型包括并行成像图像重建和多方向图像数据低秩约束;
步骤四:基于凸集投影的迭代方法对所述联合图像重建模型进行优化求解,得到各个方向的最优扩散磁共振图像。
本发明将基于相似性块匹配的BM4D(Block-Matching 4D filtering)的低秩约束方法嵌套到传统的SENSE(SENSitivity Enconding)并行成像图像重建框架中,并在优化中采用凸集投影方法(Projection Onto Convex Sets,POCS)进行求解,因此本方法可称为BM4D-SENSE;重建图像信噪比更高、伪影更少,重建算法充分利用了BM4D去噪模型的优点,从而在高倍加速采样情况下,获得高质量的扩散磁共振图像,相比传统的SENSE和TV-SENSE方法,本发明具有更高的精度,具体表现为更低的标准均方根误差(Normalized root-mean-square-error,NRMSE)。
本发明基于并行磁共振成像技术,基于扩散成像不同方向图像间和图像内的数据的冗余性和BM4D算法优异的低秩恢复特性,利用BM4D来约束不同扩散方向间的图像,并将其嵌套于传统的SENSE重建中,从而降低欠采样引起的图像混叠伪影和重建噪声,大大提高图像重建质量。
本发明的进一步技术方案是:所述步骤三中,联合图像重建模型利用磁共振线圈敏感度信息结合SENSE并行成像图像重建技术,获得各个方向的扩散磁共振图像,且所述联合图像重建模型利用BM4D对SENSE重建的各个方向的扩散磁共振图像进行图像内和图像间的基于相似性图像块的低秩约束。
联合图像重建模型充分利用了BM4D去噪模型的优点,利用其对不同扩散方向的图像以及单个扩散方向图像内的相似性图像块的低秩特性进行约束,并将其集合到SENSE重建中,以此来提高图像重建质量。
本发明的进一步技术方案是:将多方向图像数据低秩约束集合到并行成像图像重建中,所述联合图像重建模型为:
min||X(m)||*s.t.k(d)=PFSm(d);
其中,P为欠采样矩阵,F为快速傅里叶变化操作,S为线圈敏感度信息,k(d)和m(d)分别为扩散方向d对应的欠采样的k空间采样数据和重建的扩散磁共振图像,X为用于构建低秩矩阵的BM4D操作算子,||||*表示核范数。
本发明的进一步技术方案是:所述步骤四中,凸集投影算法依次利用SENSE方法逐方向的重建各个方向的扩散磁共振图像,随后利用BM4D对各个方向的扩散磁共振图像进行图像内和图像间的低秩约束;通过多次迭代的交替求解各个方向的扩散磁共振图像以及低秩约束优化问题,直到获得最优的图像重建质量为止。
本发明的进一步技术方案是:所述获得最优的图像重建质量为前后两次迭代重建图像的图像误差小于设定阈值,达到收敛。
所述步骤四中采用基于凸集投影的迭代方法交替进行BM4D优化和SENSE并行成像图像重建,以获得各个方向的最优扩散图像。
本发明的进一步技术方案是:所述扩散磁共振图像的质量采用标准均方根误差(Normalized root-mean-square-error,NRMSE)来评价,公式如下:
其中Iref(r)是全采样数据重建得到的图像,I(r)是基于BM4D的多方向联合的扩散磁共振图像重建方法重建得到的图像。
本发明的有益效果:本发明将基于相似性块匹配的BM4D(Block-Matching 4Dfiltering)的低秩约束方法嵌套到传统的SENSE(SENSitivity Enconding)并行成像图像重建框架中,并在优化中采用凸集投影方法(Projection Onto Convex Sets,POCS)进行求解,因此本方法可称为BM4D-SENSE;重建图像信噪比更高、伪影更少,重建算法充分利用了BM4D去噪模型的优点,从而在高倍加速采样情况下,获得高质量的扩散磁共振图像,相比传统的SENSE和TV-SENSE方法,本发明具有更高的精度,具体表现为更低的标准均方根误差(Normalized root-mean-square-error,NRMSE);
本发明基于并行磁共振成像技术,基于扩散成像不同方向图像间和图像内的数据的冗余性和BM4D算法优异的低秩恢复特性,利用BM4D来约束不同扩散方向间的图像,并将其嵌套于传统的SENSE重建中,从而降低欠采样引起的图像混叠伪影和重建噪声,大大提高图像重建质量。
附图说明
图1为本发明扩散磁共振图像重建方法的流程示意图;
图2为本发明3倍欠采样情况下的SENSE、TV-SENSE和BM4D-SENSE重建的其中的4个代表性方向的扩散图像的比较;
图3为本发明4倍欠采样情况下的SENSE、TV-SENSE和BM4D-SENSE重建的其中的4个代表性方向的扩散图像的比较;
图4为本发明5倍欠采样情况下的SENSE、TV-SENSE和BM4D-SENSE重建的其中的4个代表性方向的扩散图像的比较;
图5为本发明不同欠采样情况下的SENSE、TV-SENSE和BM4D-SENSE重建的10个方向的扩散图像的总的NRMSE结果的定量比较。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
实施例一:
图1示出了一种基于BM4D的多方向联合的扩散磁共振图像重建方法,所述方法包括以下步骤:
步骤一:获取成像对象的欠采样多方向k空间的扩散磁共振数据;
步骤二:利用全采样的b=0的数据计算磁共振线圈敏感度信息;b=0表示不加扩散梯度;
步骤三:利用步骤一中的扩散磁共振数据和步骤二中的磁共振线圈敏感度信息构建联合图像重建模型;所述联合图像重建模型包括并行成像图像重建和多方向图像数据低秩约束;
步骤四:基于凸集投影的迭代方法对所述联合图像重建模型进行优化求解,得到各个方向的最优扩散磁共振图像。
本发明将基于相似性块匹配的BM4D的低秩约束方法嵌套到传统的SENSE并行成像图像重建框架中,并在优化中采用用凸集投影方法(Projection Onto Convex Sets,POCS)进行求解,因此本方法可称为BM4D-SENSE;重建图像信噪比更高、伪影更少,重建算法充分利用了BM4D去噪模型的优点,从而在高倍加速采样情况下,获得高质量的扩散磁共振图像,相比传统的SENSE和TV-SENSE方法,本发明具有更高的精度,具体表现为更低的标准均方根误差(Normalized root-mean-square-error,NRMSE)。
本发明基于并行磁共振成像技术,基于扩散成像不同方向图像间和图像内的数据的冗余性和BM4D算法优异的低秩恢复特性,利用BM4D来约束不同扩散方向间的图像,并将其嵌套于传统的SENSE重建中,从而降低欠采样引起的图像混叠伪影和重建噪声,大大提高图像重建质量。
在本实施例中,所述步骤三中,联合图像重建模型利用磁共振线圈敏感度信息结合SENSE并行成像图像重建技术,获得各个方向的扩散磁共振图像,且所述联合图像重建模型利用BM4D对SENSE重建的各个方向的扩散磁共振图像进行图像内和图像间的基于相似性图像块的低秩约束。
联合图像重建模型充分利用了BM4D去噪模型的优点,利用其对不同扩散方向的图像以及单个扩散方向图像内的相似性图像块的低秩特性进行约束,并将其集合到SENSE重建中,以此来提高图像重建质量。
在本实施例中,本发明提出的基于BM4D的多方向联合的扩散磁共振图像重建方法,其实质是将基于相似性块匹配的BM4D的低秩约束方法嵌套到传统的SENSE并行成像图像重建框架中,并在优化中采用用凸集投影方法(Projection Onto Convex Sets,POCS)进行求解,因此本方法称为BM4D-SENSE,其重建模型为:
min||X(m)||*s.t.k(d)=PFSm(d);
其中,P为欠采样矩阵,F为快速傅里叶变化操作,S为线圈敏感度信息,k(d)和m(d)分别为扩散方向d对应的欠采样的k空间采样数据和重建的扩散磁共振图像,X为用于构建低秩矩阵的BM4D操作算子,||||*表示核范数。采用基于凸集投影的迭代方法对基于BM4D的多扩散方向联合的扩散磁共振成像模型进行优化求解,以获得各个方向的扩散图像。
在本实施例中,对于模型优化,凸集投影算法依次利用SENSE方法逐方向的重建各个方向的扩散图像,随后利用BM4D对各个方向的扩散图像进行图像内和图像间的低秩约束。通过多次迭代的交替求解上述两个优化问题,直到获得最优的图像重建质量为止,即前后两次迭代重建图像的图像误差小于设定阈值,达到收敛。本实例中,凸集投影算法迭代计算截止的阈值为前后两次重建图像的NRMSE为0.001。
所述步骤四中采用基于凸集投影的迭代方法交替进行BM4D优化和SENSE并行成像图像重建,以获得各个方向的最优扩散图像。
重建图像信噪比更高、伪影更少。算法充分利用了BM4D去噪模型的优点,相比传统的SENSE和TV-SENSE方法,本发明具有更高的精度,具体表现为更低的标准均方根误差(Normalized root-mean-square-error,NRMSE)。
实验如下:图2至图5所示为本发明的中的方法得到的扩散图像与现有技术SENSE、TV-SENSE得到的扩散图像的对比图,数据来自Philips Achieva 3.0T的磁共振,采集过程中使用了8通道的头部线圈和双自旋多激发EPI序列,成像数据的层厚为4毫米,扫描视野为21厘米,2次平均,b值为800,扩散方向数为10。总共执行三组扫描,三组实验完成整个k空间采集的激发次数分别为3次、4次、5次,每组实验只取中间一次激发的数据用于重建方法比较,即三组重建实验的加速倍数分别为3、4、5。
从图2、图3和图4所示,可以看出现有的SENSE以及TV-SENSE技术重建的图像存在明显的噪声,特别是在高加速倍数5倍时,这两种技术重建的图像包含明显的噪声以及混叠伪影,严重影响临床诊断。而本发明提供的BM4D-SENSE在3倍、4倍甚至5倍的高加速倍数下,仍能重建出信噪比高、无伪影的高质量图像。
用标准均方根误差(Normalized root-mean-square-error,NRMSE)来评价磁共振图像的质量,公式如下:
其中Iref(r)是全采样数据重建得到的图像,I(r)是基于BM4D的多方向联合的扩散磁共振图像重建方法重建得到的图像。
图5定量分析了10个扩散方向的图像的总的NRMSE,可以看出,BM4D-SENSE的NRMSE明显低于SENSE以及TV-SENSE,结果更接近全采样重建的参考图像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于:所述方法包括以下步骤:
步骤一:获取成像对象的欠采样多方向k空间的扩散磁共振数据;
步骤二:利用全采样的b=0的数据计算磁共振线圈敏感度信息;b=0表示不加扩散梯度;
步骤三:利用步骤一中的扩散磁共振数据和步骤二中的磁共振线圈敏感度信息构建联合图像重建模型;所述联合图像重建模型包括并行成像图像重建和多方向图像数据低秩约束;
步骤四:基于凸集投影的迭代方法对所述联合图像重建模型进行优化求解,得到最优的各个方向的扩散磁共振图像。
2.根据权利要求1所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述步骤三中,并行成像图像重建为:联合图像重建模型利用磁共振线圈敏感度信息结合SENSE并行成像图像重建技术,获得各个方向的扩散磁共振图像。
3.根据权利要求2所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述多方向图像数据低秩约束为:联合图像重建模型利用利用BM4D对SENSE重建的各个方向的扩散磁共振图像进行图像内和图像间的基于相似性图像块的低秩约束。
4.根据权利要求3所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述联合图像重建模型为:
min||X(m)||*s.t.k(d)=PFSm(d);
其中,P为欠采样矩阵,F为快速傅里叶变化操作,S为线圈敏感度信息,k(d)和m(d)分别为扩散方向d对应的欠采样的k空间采样数据和重建的扩散磁共振图像,X为用于构建低秩矩阵的BM4D操作算子,|| ||*表示核范数。
5.根据权利要求1-4中任意一项所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述步骤四中采用基于凸集投影的迭代方法交替进行BM4D优化和SENSE并行成像图像重建,以获得各个方向的最优扩散图像。
6.根据权利要求5所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述SENSE并行成像图像重建为利用SENSE方法逐方向的重建各个方向的扩散磁共振图像,所述BM4D优化为:利用BM4D对各个方向的扩散磁共振图像进行图像内和图像间的低秩约束;所述步骤四通过多次迭代的交替求解各个方向的扩散磁共振图像以及低秩约束优化问题,直到获得最优的图像重建质量为止。
7.根据权利要求6所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,获得最优的图像重建质量为前后两次迭代重建图像的图像误差小于设定阈值,达到收敛。
8.根据权利要求7所述的一种基于BM4D的多方向联合的扩散磁共振图像重建方法,其特征在于,所述设定阈值为0.001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184837.5A CN116152375A (zh) | 2023-03-01 | 2023-03-01 | 一种基于bm4d的多方向联合的扩散磁共振图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310184837.5A CN116152375A (zh) | 2023-03-01 | 2023-03-01 | 一种基于bm4d的多方向联合的扩散磁共振图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116152375A true CN116152375A (zh) | 2023-05-23 |
Family
ID=86359909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310184837.5A Pending CN116152375A (zh) | 2023-03-01 | 2023-03-01 | 一种基于bm4d的多方向联合的扩散磁共振图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152375A (zh) |
-
2023
- 2023-03-01 CN CN202310184837.5A patent/CN116152375A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dar et al. | Prior-guided image reconstruction for accelerated multi-contrast MRI via generative adversarial networks | |
US9581671B2 (en) | Magnetic resonance imaging with consistent geometries | |
Bilgic et al. | Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction | |
CN113096208B (zh) | 基于双域交替卷积的神经网络磁共振图像的重建方法 | |
CN108776318B (zh) | 磁共振多对比度图像重建 | |
US20020156364A1 (en) | Artifact suppression in dynamic magnetic resonance imaging | |
CN108287324B (zh) | 磁共振多对比度图像的重建方法和装置 | |
CN117223028A (zh) | 用于带去噪磁共振图像重建的系统和方法 | |
CN105022010A (zh) | 基于正则化迭代的并行磁共振图像重建方法 | |
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 | |
US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
CN117826045A (zh) | 一种基于平面回波成像的超低场磁共振成像方法 | |
CN113866694B (zh) | 一种快速三维磁共振t1定量成像方法、系统及介质 | |
CN116152375A (zh) | 一种基于bm4d的多方向联合的扩散磁共振图像重建方法 | |
CN115236576A (zh) | 快速多对比度磁共振扩散成像和重建方法及系统 | |
CN110907873B (zh) | 一种基于线圈灵敏度相位约束的运动伪影消除方法 | |
CN113854995A (zh) | 一种基于单次激发的弥散加权成像扫描重建方法及系统 | |
CN113506258A (zh) | 多任务复值深度学习的欠采样肺部气体mri重建方法 | |
CN108378851B (zh) | 磁共振弥散加权成像方法和装置 | |
CN112634385A (zh) | 一种基于深度拉普拉斯网络的快速磁共振成像方法 | |
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 | |
Hewlett et al. | Deep‐learning‐based motion correction using multichannel MRI data: a study using simulated artifacts in the fastMRI dataset | |
CN117233674B (zh) | 基于单激发buda采集和联合约束重建的mr成像方法及系统 | |
Inam et al. | Accelerating parallel magnetic resonance image reconstruction on graphics processing units using cuda | |
CN112505598B (zh) | 定量磁化率成像重建方法及系统、存储介质及终端 |
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 |