[发明专利]基于自适应双字典学习的部分K空间序列图像重构方法

摘要

本发明公开了一种基于自适应双字典学习的部分K空间序列图像重构方法，主要解决现有方法在10倍下采样的情况下重构图像质量下降比较严重的问题。其主要步骤为：采集部分K空间数据，利用这些部分K空间数据之间的相关性，合成完整的K空间数据，由完整的K空间数据获得训练图像；再用KSVD算法对训练图像进行训练得到高、低分辨率字典；利用高、低分辨率字典之间的关系对输入的部分K空间数据进行重构，并对重构图像进行残差补偿得到更准确的重构结果。本发明在10倍下采样的条件下能够有效提高重构图像质量，可用于多个部位的MRI序列图像重构。

主权项

1.一种基于自适应双字典学习的部分K空间序列图像重构方法，包括如下步骤： （1）采集N幅部分K空间数据，用这N幅部分K空间数据合成n幅完整的K空间数据Q_i，对Q_i进行10倍下采样，得到对应的部分K空间数据P_i；对Q_i作傅里叶反变换，得到高分辨率图像H_i，对P_i作傅里叶反变换，得到低分辨率图像L_i，把这n对高分辨率图像H_i和低分辨率图像L_i作为训练图像；（2）分别输入高分辨率训练图像H_i和低分辨率训练图像L_i，并采用不重叠的方式对每幅训练图像取4×4的小块，获得初始高分辨率字典H和初始低分辨率字典L； （3）利用KSVD算法对初始高分辨率字典H和初始低分辨率字典L进行训练，得到新的高分辨率字典D_h和新的低分辨率字典D_l，以及高分辨率图像H_i的稀疏系数α_hi和低分辨率图像L_i的稀疏系数α_li； （4）输入待重构的部分K空间数据P_t，对该部分K空间数据P_t采用补零法处理，得到初始重构图像L_t，（5）利用低分辨率字典D_l和初始重构图像L_t，求解初始重构图像L_t的稀疏系数α_l； （6）分别求初始重构图像L_t和n幅低分辨率训练图像L_i的误差：得到初始重构图像L_t与n幅低分辨率训练图像中的第j幅训练图像L_j的最小误差：（7）判断最小误差er_j是否小于设定的阈值σ=0.1，若误差er_j小于阈值σ，求出待重构的高分辨率图像的稀疏系数α_h；若误差er_j大于阈值，返回步骤（1），重新采集N幅部分K空间数据，更新字典；（8）利用高分辨率字典D_h和待重构的高分辨率图像的稀疏系数α_h，求得高 分辨率图像：再对改高分辨率图像进行残差补偿，得到最终重构图像H_t。