[发明专利]迭代细化压缩感知欠采样磁共振图像重构方法、重构系统

说明书

本发明属于图像处理技术领域，公开了迭代细化压缩感知欠采样磁共振图像重构方法、重构系统。通过零填充原始获取欠采样磁共振傅里叶空间数据初步重建磁共振图像；对获得初步重建的磁共振图像进行像素级非局部细化获得细化的磁共振图像；将细化的磁共振图像再变换回磁共振傅里叶空间数据；通过第k次迭代将恢复的数据逐步补充到欠采样傅里叶空间的零填充位置；使用细化的磁共振傅里叶空间数据和欠采样磁共振傅里叶空间数据构造的一个映射之间的点乘获得一个残差分量，将该残差分量添加到原始欠采样的磁共振傅里叶空间数据中以恢复部分欠采样的数据；获得最后重构的磁共振图像，在4倍与8倍加速欠采样磁共振图像重建的结果中都表现出最稳健的性能。

技术领域

本发明属于图像处理技术领域，尤其涉及迭代细化压缩感知欠采样磁共振图像重构方法、重构系统。

背景技术

在早期阶段，一些加速技术，如快速序列算法和基于并行磁共振成像的算法必须利用满足奈奎斯特-香农采样标准的全傅里叶空间覆盖。然而，上述全采样方法更多地取决于采集线圈的数量和性能，因此加速磁共振成像的潜力有限。直接降低采样率可以显著加快成像速度，然而，采样率的降低不可避免地在重建图像中引入混叠伪影，这会严重影响了医生的诊断。

因此，一个被广泛研究的问题是如何从欠采样的k空间数据中重建磁共振图像，以尽可能多地保留来自完全采样数据的信息。

还有，在过去二十年中，压缩感知理论为磁共振图像的加速重建提供了强有力的技术支持。在压缩感知理论中，稀疏性是重构欠采样信号的先决条件。现有的压缩感知磁共振图像重构方法通常探索特定变换域中的稀疏表示，例如全变分、离散小波变换和离散余弦变换，稀疏表示可以使用字典学习直接从数据中学习。一旦获得所需的稀疏表示矩阵，就可以使用非线性优化算法来获得更好的重建结果。然而，上述传统的压缩感知磁共振图像重构方法通常难以使用预定义的或固定的稀疏变换来捕获复杂的图像细节，例如，基于全变分的方法可能会引入阶梯状伪影，而基于小波变换的方法可能引入环形伪影。为了缓解上述问题，一些基于字典学习的方法直接从数据中学习稀疏表示。

此外，基于图像片的非局部算子方法提出用图像块的非局部自相似性先验来构造稀疏变换，然而，在图像的轮廓或纹理区域的重建过程中，块级非局部自相似性方法仍然不能获得令人满意的结果。最近，强大的深度神经网络也被广泛应用于压缩感知磁共振图像重构研究。根据学习方法分类，基于深度神经网络的欠采样磁共振图像重构模型可以大致分为有监督的和无监督的学习模型。在有监督学习模型中，最初的深度端到端深度学习模型将图像分割模型UNet引入到欠采样磁共振图像重建任务中，并取得了良好的性能。后来，采用了自我注意机制以获得更高的视觉质量重建结果。然而，端到端深度学习模型通常需要大样本来训练网络。此外，一些基于展开优化的监督模型试图将深度神经网络与传统的基于迭代的压缩感知算法相结合，通过学习正则化方法来约束图像重建，然而，其迭代重建方法需要更多的计算时间。有监督学习模型通常需要大量成对数据来建立欠采样到完全采样图像域之间的映射，然而，成对数据在现实世界中很难获得。为了缓解这一问题，无监督学习模型提出了一种使用正则化学习方法并交替优化重建图像和模型参数的新解决方案，取得了较好的欠采样磁共振图像重构性能。然而，无论是有监督模型还是无监督模型，它们的泛化能力通常比传统的压缩感知磁共振图像重构方法更有限，并且它们可能无法充分考虑数据的稀疏性。

通过上述分析，现有技术存在的问题及缺陷为：

（1）现有技术中进行欠采样重建的磁共振图像结果通常会引入较强的混叠伪影，使得图像保真度欠缺。

（2）现有技术未能更好地发掘欠采样磁共振图像的稀疏性，最后重构的磁共振图像清晰度低。

（3）现有技术的图像重构在主观视觉质量和相应的误差图上稳健性能差，以及在保持图像细节方面不够理想。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了迭代细化压缩感知欠采样磁共振图像重构方法、重构系统，涉及欠采样磁共振图像重构领域。