[发明专利]基于块稀疏统计预测的PET-MRI多模态联合重建方法

说明书

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。

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：

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，W^T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。