[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

说明书

一种基于奇异值分解的MRI迭代自校准并行成像算法（SSCPIiT），本算法创新性的加入了敏感谱信息，并且结合了SENSE和GRAPPA并行采集技术，从而继承了SENSE和GRAPPA并行加速采集的优势，同时具有GRAPPA自校准并行采集技术的优点。通过结合SENSE和GRAPPA两种技术的优点，SSCPIiT并行采集技术采集时间短而且信噪比相较于SENSE和GRAPPA更高。SSCPIiT方法有效地解决了SENSE存在伪影和GRAPPA信噪比较低的问题。因此，SSCPIiT具有很高的临床应用价值。

技术领域

本发明属于于磁共振成像领域，具体涉及一种基于奇异值分解的MRI迭代自校准并行成像算法。

背景技术

在并行MRI中，数据同时从多个接收器线圈获取，允许从欠采样的多线圈数据中重建图像。每个线圈都表现出不同的空间灵敏度，作为额外的空间编码功能。这可以通过对k空间进行二次采样和利用灵敏度信息重建图像来加速图像的获取。目前使用的重建算法有两条不同的路线：基于线圈灵敏度的显式重构算法(SENSE)和k空间中基于局部核的重构算法，它们利用k-空间中相邻点的多个通道之间的相关性(GRAPPA和SPIRiT)。但是SENSE 算法存在伪影，GRAPPA算法信噪比较低，得到的影像效果不佳。

发明内容

本发明要解决的技术问题是提供一种敏感谱更加平滑，鲁棒性更强，可以明显的降低图像噪声的基于奇异值分解的MRI迭代自校准并行成像算法。

为了解决上述技术问题，本发明采用的技术方案是一种基于奇异值分解的 MRI迭代自校准并行成像算法(An MRI Iterative Self-Calibrating Parallel ImagingAlgorithm Based on Singular Value Decomposition简称SSCPIiT)，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(CG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。

由于计算量较大，在计算过程中进行内存的分配释放会严重影响程序的稳定性，重复的分配释放内存同时会增加计算时间，因此在计算之前还会先进行内存预分配。由于步骤(4)-(7)对于CPU内存需求巨大，同时计算复杂，用时较长；为此将上述步骤在GPU中计算，这样可以大大降低计算时间，同时可以优化CPU内存，大大提升了程序的运行时的稳定性。

进一步的，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。在SPGR和DESPGR序列中采用并行采集技术，通过改变中心满采数据行数实现SSCPIiT磁共振扫描加速；由中心向两边隔行采样，与2倍速SENSE相同，只是中心需要部分满采行，用于计算敏感谱矩阵，中心满采部分又与 GRAPPA类似，均需要中心满采校准数据。

进一步的，所述校正块为6*6。

进一步的，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。选取合适的阈值对校准矩阵进行切割，仅保留部分校准矩阵，这样做主要目的在于方便计算敏感谱，节省内存，阈值不易过大，本发明中根据实际经验将阈值设为60。