[发明专利]一种基于深度字典学习的HARDI压缩感知超分辨率重建方法

摘要

本发明涉及一种基于深度字典学习的HARDI压缩感知超分辨率重建方法，包括对采集的高角度弥散图像进行预处理得到训练数据，建立用于字典学习的包括多层字典的深层网络模型，通过训练数据对构建的深层网络模型进行训练，采用正交三角分解按顺序提取正交向量作为初始字典，在对最后一层学习字典进行求解时，加上稀疏性约束项使其进行稀疏表示，采集密度远低于原始数据的数据作为测试数据，基于测试数据得到稀疏表示系数，最后通过径向积分得到的方向分布函数生成关于人体的重建三维弥散磁共振图像。本发明重建出相同分辨率的弥散磁共振图像所需的采样数据量更少。有着更快的数据采样速度。有着更好的神经纤维重建能力。

主权项

1.一种基于深度字典学习的HARDI压缩感知超分辨率重建方法，其特征在于，所述方法包括：步骤1：通过弥散磁共振仪器采集人体的高角度弥散图像，并对所述高角度弥散图像进行标准化预处理，得到训练数据；步骤2：建立用于字典学习的深层网络模型，所述深层网络模型用于字典学习的字典为多层字典，每层字典包括用于学习信号角度特征的角度字典和用于学习信号空间特征的空间字典，所述角度字典和空间字典构成联合字典，由多个所述联合字典和一个稀疏编码一起由矩阵与向量的乘积的形式表示原始信号，采用所述训练数据对所述神经网络模型进行训练，采用正交三角分解按顺序提取出正交向量作为初始字典；步骤3：对所述多层字典采用一次一层、逐层的学习方法，并在所述多层字典的最后一层求解时加上稀疏性约束项使其能对信号进行稀疏表示；步骤4：在对人体采集高角度弥散图像时，利用循环测量矩阵采集密度远低于所述原始数据的数据，并进行数据预处理得到测试数据；步骤5：将所述测量矩阵与训练完成的所述多层字典通过矩阵乘法组合在一起得到一个单个字典，用于后续的数据重建；步骤6：对步骤4预处理后得到的测试数据，基于组合后得到的所述单个字典和解的稀疏性约束使用正交匹配追踪算法得到需要重建的数据的稀疏表示系数；步骤7：通过采样数据的稀疏表示系数与多层字典的乘积得到重建信号；步骤8：利用傅里叶变换关系将所述重建信号转换为弥散方向的概率密度函数，然后通过径向积分的方式得到方向分布函数，并使用Qball成像方法将所述方向分布函数生成关于人体的三维弥散磁共振图像。