[发明专利]基于合成分析反卷积网络的快速成像方法及系统

说明书

一种基于合成分析反卷积网络的快速成像方法，包括以下步骤：在融入DN和MRF先验信息的合成分析反卷积网络上用图像库进行滤波器学习；在滤波器训练过程中利用轮换技术、半二次分离技术和迭代重加权最小二乘法更新滤波器和稀疏系数；在已训练的滤波器基础上，从欠采样K空间中获取初始图像，建立图像重建模型；在重建模型上利用轮换技术、半二次元分离技术和迭代重加权最小二乘法进行稀疏系数和目标图像更新；满足收敛条件得到重建图像。本发明在一定程度上提高了图像重建的精度，同时还提供了一种运用上述合成分析反卷积网络的快速成像方法的基于合成分析反卷积网络的快速成像系统，能够得到较高精度的重建图像。

技术领域

本发明属于医学成像技术领域，尤其涉及一种基于合成分析反卷积网络的快速成像方法

背景技术

医学磁共振(MRI)成像等逆问题通常转化为最小化一个合适的能量函数，这种最小化提供数据一致项和先验信息项之间的平衡。早期推导先验信息的算法包含全变差、小波稀疏和更普遍的马尔科夫随机场等。传统的预定义字典/变换方法可能无法稀疏表示目标函数。为了解决这一问题，自适应学习方法(比如字典更新)引起了巨大的关注。一般来说，有两种经典的学习策略来表示图像特征结构：基于合成学习的模型和基于分析学习的模型。

在合成学习的稀疏模型中，字典学习方法用传统的基于块状的稀疏表示来进行图像重建，因此它有一个本质的缺点：由于细分成块的图像块间相互独立，图像中有意义的重要空间结构会丢失。为了弥补传统的基于块的稀疏表示方法的缺陷，Zeiler等人提出了反卷积网络，它主要用到的工具是卷积稀疏编码：

其中，第一项和第二项分别表示为重建误差和范数惩罚；*代表二维离散卷积算子；为避免无意义解，要求每个滤波器的能量为1。

稀疏分析模型是从另一个角度考虑稀疏表示，稀疏分析模型通常假设图像局部高度不连贯，滤波器组大多数元素提供几乎为零的响应。在这类方法中最经典最普遍的是全变差及FoE模型。Chen等人证明基于全局图像的分析模型等同于马尔科夫随机场模型的高阶滤波器如FoE模型。FoE模型的势函数如下表示：

其中，Z(Θ)是正则化和配分函数；表示图像u矢量化与线性滤波器d_k的卷积；φ(x；α)＝(1+x²/2)^-α是一个经验函数；α_k是第k个滤波器的参数。

Zhu等人提出将图像块划分成两种类型的原子子空间：具有规则结构的低维显性流行和随机纹理的高维隐性流行。随后证明稀疏表示模型对于获得显性流行和马尔科夫随机场模型对于获得隐性流行是很好的策略。它们分别是生成扩展的方式与降低熵的方式。现有技术通常单独使用分析算子或者合成算子并取得了一定的效果，但未有将合成算子和分析算子合并到一个相同的学习过程和约束条件中的技术。

发明内容

基于此，本发明提出一种基于合成分析反卷积网络的快速成像方法及系统，结合合成算子和分析算子的快速成像方法及系统。

本发明所述的一种基于合成分析反卷积网络的快速成像方法(SADN)，包括以下步骤：

步骤(a)：在融入了反卷积网络和马尔科夫随机场先验信息的合成分析反卷积网络框架上用图像库进行滤波器训练，建立滤波器训练模型。

步骤(b)：在训练滤波器过程中利用轮换技术更新滤波器和稀疏系数，特别地利用迭代重加权最小二乘方法和共轭梯度下降法更新滤波器；利用半二次分离技术和共轭梯度下降法更新稀疏系数。

步骤(c)：在合成分析反卷积网络框架上融入已训练好的滤波器，从欠采样K空间中获取初始图像，建立图像重建模型。

步骤(d)：在图像重建过程利用轮换技术、半二次元分离技术和迭代重加权最小二乘方法，进行稀疏系数更新、目标图像更新。