[发明专利]一种基于奇异值分解的MRI迭代自校准并行成像算法

权利要求书

1.一种基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，包括以下步骤：

(1)在SPGR、DESPGR序列中应用并行采集技术实现磁共振成像扫描；

(2)对采集到的原始K空间数据做填零和数据重排以及滤波处理获取优化的K空间数据；

(3)提取K空间中心满采数据，作为校准矩阵的计算数据，采用n*n校正块，在满采数据中做移动采集，构造出校准矩阵；

(4)对校准矩阵做奇异值分解，得到矩阵的特征值和特征向量；

(5)将特征向量做数据重排，得到敏感谱分布矩阵，并将矩阵中特征值最大的一行作为敏感谱矩阵；

(6)将敏感谱矩阵作为参数进入非线性共轭梯度迭代，得到缺失的K空间数据；

(7)将完整的K空间数据做IFFT，并与敏感谱矩阵做点积，求和最终得到完整图像。

2.根据权利要求1所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，所述步骤(1)中通过改变中心满采数据行数实现磁共振扫描加速，由中心向两边隔行采样，在中心满采校准数据。

3.根据权利要求1所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，所述校正块为6*6。

4.根据权利要求1所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，还包括以下步骤：在将校准矩阵做奇异值分解之前，先采用阈值对校准矩阵进行切割，仅保留部分校准矩阵。

5.根据权利要求4所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，所述阈值为60。

6.根据权利要求1所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，所述奇异值分解的具体方法为：将x表示成原图像的k空间和线圈灵敏度加权后的结果x＝FSm，S＝[S₁,S₂,...,S_n]是敏感谱；以矩阵形式重写第一个约束，并合并第二个约束的所有相同方程:

Wx＝x

Px＝Py

可得到进一步的表达式：

WFSm＝FSm

在等号两边同时做IFFT，得到线圈的敏感向量是F^-1WF的特征值为“1”时对应的特征向量

F^-1WFSM＝Sm。

7.根据权利要求6所述的基于奇异值分解的MRI迭代自校准并行成像算法，其特征在于，所述步骤(5)中敏感谱矩阵的计算方法为：对W进行直接的特征值分解，在图像阈内通过对半正定矩阵的逐点运算实现去耦：

将算子W的特征值分解简化为求解图像空间中每个位置的特征值分解

在位置m处，m(q)非零，得到了产生敏感值的条件：

对所有只选择特征值“＝1”的特征向量进行特征值分解，得到敏感谱矩阵。