[发明专利]一种基于多组织区域拟合的MRI线圈灵敏度估计方法

摘要

发明提供一种基于多组织区域拟合的MRI线圈灵敏度估计方法，该方法关键点在于：1）区域增长法确定感兴趣区域，用区域增长法确定的感兴趣区域能够保证有足够多的点和足够精确的灰度差去估计灵敏度函数；2）多组织区域的确定：迭代选取多个组织区域防止外推误差；3）单线圈估计中的多项式累积，通过累积多项式可以在不放大噪声的同时精确地估计线圈灵敏度函数。线圈图像由于低信噪比不能通过对其进行校正带入下一次迭代，已有的方法都是在每次迭代中重新利用低阶多项式去作为灵敏度的估计，但这样不能完全的模拟出灵敏度的变化趋势。本发明利用一种层次累积的方法，在保证不放大线圈图像噪声的情况下对多次迭代的多项式进行累积，能够更为精确地估计出线圈灵敏度。

主权项

1.一种基于多组织区域拟合的MRI线圈灵敏度估计方法，其特征在于，利用图像的梯度信息确定组织区域，既保证了区域的准确性又保持了较大的灰度差，同时利用多项式累积来增加拟合精度，该方法的具体流程如下：1、预处理在进行估计之前要对原始的线圈图像进行去噪处理，预处理还包括了图像的外轮廓提取，剔除边缘的背景区域；2、感兴趣区域的确定利用区域增长法，首先感兴趣区域通过确定一些种子点来初始化，通过对这些种子点的邻居判断是否与种子相似来决定是否将其加入感兴趣区域，具体步骤如下：2.1、种子区域的选取种子点组成了种子区域，种子点以较大的概率属于同一组织区域，定义一个指示器M(r)来标记一个体素是否属于种子区域，当一个体素r属于种子区域时，M(r)＝1，否则，M(r)＝0，通过以下的规则决定M(r)：M(r)=1,p-σ<I0(r)<p+σ0,other]]>其中I₀(r)代表初始图像中体素r的灰度值，初始图像由上次迭代重建的图像得到，第一次迭代利用各线圈图像的简单平均得到，p是合成图像直方图中去除背景区域之后的峰值，σ为合成图像的噪声方差，最终的种子区域表示为这就是区域增长算法的初始化区域；2.2、区域增长一旦确定了种子区域，就可以以种子点为初始感兴趣区域，不断地将相似的点加入进来以扩展感兴趣区域，通过对每个感兴趣区域内的点与它的八邻域点行比较，如果二者的梯度差小于某个阈值，则认为此点是与感兴趣区域内的点是相似的，将其加入感兴趣区域，如果遇到边界或与其他组织的临界处，则由于梯度值过大而不会将其作为相似点加入，通过不断的迭代，感兴趣区域不断增长，直至其不再变化为止，假设在确定第R个感兴趣区域，迭代到第n次，则第n次的感兴趣区域更新如下：MR(n)=MR(n-1)∪{p|p∈Neigh(q),Grad(p)<δ,q∈MR(n-1)}]]>其中，是用于初始化的种子区域，δ是允许的最大梯度，其值由经验值决定，可根据不同的图像进行调节，设置为种子区域内所有点的梯度值的一半。Neigh(q)代表点q的八邻域内的点，Grad(p)是利用sobel算子算出的点p的梯度值，当新加入的点的数量不再变化时，停止区域增长；2.3多个感兴趣区域的确定通过寻找多个感兴趣区域对灵敏度进行估计以减小估计误差；3、线圈灵敏度的估计由于感兴趣区域是对不同组织类型的划分，因此每个区域内的点的灰度值应该是一致的，对于每个线圈图像，感兴趣区域内的灰度值的变化即可认为是由线圈灵敏度引起，但这些组织区域的真实灰度值是不可知的，假设我们寻找出m个感兴趣区域，标记为S_i(i＝1,…,m)，在第i个区域内，点x的灰度值为S_i(x)，S_i内的灰度均值设为μ_i，那么x点处的线圈灵敏度可以粗略地估计为：g^i(x)=Si(x)μi]]>由于区域增长的误差，S_i内可能错误地包含了不同组织的体素点，这样就有可能造成不同组织之间的高对比度反映在的剧烈变化上，这就不符合线圈灵敏度是缓慢变化的假设，在拟合时也会带来非常大的误差，为了抑制这种影响，对S_i内的点在进行一次低通滤波处理，得到一个稍好的估计g‾i(x)=LPF(g^i(·))]]>标记所有感兴趣区域的集合假设S内一共存在Q个点，分别是r₁,r₂,…,r_Q，那么这些点的线圈灵敏度初始估计为（即对应的值），假设选取k阶多项式进行拟合，包含各项分别为其中l+m≤k,l≥0，m≥0（r_x与r_y是水平与竖直方向的坐标），那么一共有K＝(k+1)(k+2)/2个这样的项，标记为，F_i(r),i＝1,2,…,K，设多项式中F_i(r)的系数为ω_i，则这些系数满足以下关系：G‾=FW]]>其中，G‾=g‾(r1)g‾(r2)...g‾(rQ),]]>W=ω1ω2...ωK.]]>利用最小二乘法，得到：W＝(F^tF)^-1F^tS其中t与-1分别代表矩阵的转置与逆，求解出W，可以推导出在全图像每个点r的线圈灵敏度：g(r)＝[F₁(r),F₂(r),…,F_K(r)]W以上是通过多项式拟合估计线圈灵敏度g(r)的全过程，将这个过程标记为：g(r)=poly(g‾(r))]]>4、迭代通过迭代多次低阶多项式来逼近精确的线圈灵敏度，在第j次迭代中，通过以下公式估计第c个线圈的第j次多项式β_c^(j)(r)，即：βc(j)(r)=poly(g‾c(r)/gc(j-1)(r))]]>其中为第c个线圈的低通滤波后的初始灵敏度估计，g_c^(j-1)(r)为前j-1次多项式的累积：gc(j-1)(r)=Πi=1j-1βci(r),gc(0)(r)=1.]]>获得所有线圈的灵敏度估计之后，通过以下公式合成一幅新的重建图像：Ire(r)=R(r)Ψ-1B‾H(r)B‾(r)Ψ-1B‾H(r)]]>其中R(r)代表像素r处的线圈图像的灰度向量，即R(r)＝[R₁(r),R₂(r),…,R_L(r)]，为线圈灵敏度向量B‾(r)=[b‾1(r),b‾2(r),···,b‾L(r)],]]>Ψ为线圈耦合矩阵，一般情况下设置为单位矩阵，重建后的图像作为下一次迭代的初始图像去更新感兴趣区域，迭代终止条件是当感兴趣区域基本不再变化。