[发明专利]一种基于参考支撑集的共稀疏分析模型的MRI重构方法、系统及计算机可读存储介质

说明书

本发明公开的一种基于参考支撑集的共稀疏分析模型的MRI重构方法、系统及计算机可读存储介质，方法包括：获取待重构的MRI图像数据和参考的另一对比度MRI图像的全采样数据；对两张不同对比度的MRI图像分别进行小波变换得到对应的稀疏表示，再求得对应的支撑集Ω₁和Ω₂；利用支撑集Ω₁和Ω₂学习更为准确的支撑集Ω^*；利用支撑集Ω^*得到基于参考支撑集的共稀疏分析模型；基于支撑集的稀疏约束和共稀疏分析模型得到最优化模型；求解最优化模型，输出重构的MRI图像。本发明利用已知对比度的全采样图像作为参考图像，引导学习更为准确的支撑集，利用支撑集的稀疏约束对共稀疏分析模型进行优化得到最优化模型，利用共轭梯度法和交替迭代的思想重构MRI图像，提高了重构效率，实现简单，性能良好。

技术领域

本发明涉及医疗影像理技术领域，更具体的，涉及一种基于参考支撑集的共稀疏分析模型的MRI重构方法、系统及计算机可读存储介质。

背景技术

磁共振成像(Magnetic resonance imaging，MRI)是一种无创、无电离的检测技术，能从分子水平反映人体器官的紊乱和早期病变。成像过程中，无需电离辐射和造影剂即可获得高对比度图像。MRI技术的安全性决定了MRI在医学成像中的重要地位。MRI已广泛应用于临床诊断中，但其长时间的扫描不利于危重病人和不合作病人的检查，同时因为病人的生理和心理受到相应的影响，可能会造成伪影的出现，这增加了医生观察病灶的难度以及误诊的概率。为了避免产生伪影，需要在确保成像质量的前提下，缩短扫描时间。在信号处理理论的支持下，可以通过减少信号采样点的方法来缩短扫描时间。因此，研究如何从少量样本中快速精准的重构MRI图像具有重要应用意义。

一些MRI图像，如血管造影照片，在空间域中已经很稀疏，其他更复杂的图像在一些变换域中具有稀疏表示，常用的有小波变换、离散余弦变化、伽柏变换等等，还可以将不同的转换域结合起来，更加有效的重构MRI图像。针对MRI图像的稀疏表示，国内外的科学家已做了许多相应的研究。正常情况下，只有遵从奈奎斯特率，即以大于最高频率两倍的采样频率进行采样，才能不失真的重构图像。而随着科学家们对稀疏采样的不断深入挖掘，T.Tao、E.Candes及D.Donoho等人提出了一种全新的理论：压缩感知理论。该理论充分利用信号的稀疏性作为先验信息，以远低于奈奎斯特率的采样频率对稀疏系数进行采样，通过设计相应的最优化模型及重构算法，精准快速的重构原信号。压缩传感是一种线性的，不完全采样的信号采集方法，它改变了传统采样方法，开辟了稀疏信号研究的新纪元。虽然这些固定的转换域的算法实现简单快捷，但对MRI图像的刻画能力有所欠缺。随着研究的深入，有学者提出并设计了正交基矩阵，利用多个正交的矩阵合成一个字典，并以此为稀疏矩阵对信号进行稀疏处理，得到原信号最优的一组稀疏向量。随后，Aharon等人设计出了超完备的字典集，并用其对信号进行稀疏化表示。对于自适应的字典学习方法而言，虽然在一定程度上改善了MRI图像的刻画能力，但需要花费大量时间对字典进行训练。与传统的综合模型相比，2011年Sangnam Nam提出了一种新的分析模型：解析模型，也称为共稀疏解析模型(Cosparse Analysis Model)。相较于传统模型，Cosparse解析模型重点关注稀疏表示系数中的零元素，而不是非零元素，且信号与稀疏表示系数中为零的系数对应的解析原子张成的子空间正交。在相同的维数下，解析模型的子空间数量更多，稀疏表示能力更丰富和灵活。