CN109671129A - 一种自适应参数学习的动态磁共振图像重建方法和装置 - Google Patents
一种自适应参数学习的动态磁共振图像重建方法和装置 Download PDFInfo
- Publication number
- CN109671129A CN109671129A CN201811532908.1A CN201811532908A CN109671129A CN 109671129 A CN109671129 A CN 109671129A CN 201811532908 A CN201811532908 A CN 201811532908A CN 109671129 A CN109671129 A CN 109671129A
- Authority
- CN
- China
- Prior art keywords
- image
- indicate
- indicates
- dct
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请提供了一种自适应参数学习的动态磁共振图像重建方法和装置,其中,该方法是对CS‑MRI模型中的正则化项进行改进,包括在空间域使用DCT和在时间域使用TV对动态磁共振图像进行去冗余,并且利用卷积神经网络来对CS‑MRI中大量的参数进行自适应学习,建立磁共振图像重建模型;通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;计算全采样图像与重建图像的差值;根据差值,利用网络中的反向传播算法,对模型中的参数,包括DCT、TV滤波算子和正则化参数等进行更新。通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建,得到重建精度和重建速度很高的图像,从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种自适应参数学习的动态磁共振图像重建方法和装置。
背景技术
磁共振成像(Magnetic Resonance Imaging,简称为MRI)可以准确获取人体器官和组织的生理功能、解剖结构、病变和功能信息。然而,传统的磁共振信号的扫描和图像的重建需要很长的时间。例如:心脏、灌注和功能成像这些对实时性要求比较高的项目,磁共振成像往往无法满足。进一步的,由于扫描时间长,患者可能会感到不舒服并引入运动伪影。
然而,针对如何缩短磁共振扫描的时间提升重建图像的精度,目前上述提出有效的解决方案。
发明内容
本申请目的在于提供一种自适应参数学习的动态磁共振图像重建方法和装置,通过建立的磁共振图像重建模型可以对欠采样图像进行高效的重建,得到所需的图像,从而可以有效缩短磁共振扫描的时间。本申请提供一种自适应参数学习的动态磁共振图像重建方法和装置是这样实现的:
一种自适应参数学习的动态磁共振图像重建方法,所述方法包括:
将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
在一个实施方式中,根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型,包括:
利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;
对所述稀疏性表达公式进行融合转换,得到目标公式;
利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;
将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
在一个实施方式中,利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式,包括:
将如下公式的滤波算子设置为DCT算子和TV算子:
其中,arg min f(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,Nt={x1,x2,...,xT},表示时间方向共有T帧图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数。
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
在一个实施方式中,所述目标公式为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
在一个实施方式中,多个子问题求解公式为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
在一个实施方式中,将所述多个子问题求解公式进行网络化得到:
其中,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量。w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
一种自适应参数学习的动态磁共振图像重建装置,该装置包括:
替换模块,用于将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
建立模块,用于根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
重建模块,用于通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算模块,用于计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
迭代更新模块,用于根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
应用模块,用于根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
在一个实施方式中,所述建立模块包括;
生成单元,用于利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;
第一转换单元,用于对所述稀疏性表达公式进行融合转换,得到目标公式;
第二转换单元,用于利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;
网络化单元,用于将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
在一个实施方式中,所述生成单元,具体用于将如下公式的滤波算子设置为DCT算子和TV算子:
其中,arg min f(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数。
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Nt={x1,x2,...,xT},表示时间方向共有T帧图像。Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
在一个实施方式中,所述目标公式为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
在一个实施方式中,多个子问题求解公式为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
在一个实施方式中,将所述多个子问题求解公式进行网络化得到:
其中,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量。w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
一种终端设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现如下步骤:
将空间域的DCT滤波算子和时间域的TV滤波算子,作为正则化参数;
根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
根据所述差值,对所述磁共振重建模型进行反向迭代,以更新DCT滤波算子和TV滤波算子的值,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现如下步骤:
将空间域的DCT滤波算子和时间域的TV滤波算子,作为正则化参数;
根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
根据所述差值,对所述磁共振重建模型进行反向迭代,以更新DCT滤波算子和TV滤波算子的值,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
本申请提供的自适应参数学习的动态磁共振图像重建方法和装置,由于磁共振图像是稀疏的,并且存在噪声,通过将空间域的DCT滤波算子和时间域的TV滤波算子,作为正则化参数,建立磁共振图像重建模型,可以分别在空间方向和时间方向去除冗余,因此,可以有效提升重建效果。进一步的,通过网络自主的学习的方式,对上述DCT滤波算子和时间域的TV滤波算子进行调整,可以有效提升磁共振图像重建模型的精度,通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建,得到重建精度和重建速度很高的图像,从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提供的自适应参数学习的动态磁共振图像重建方法一种实施例的方法流程图;
图2是本申请提供的自适应参数学习的动态磁共振图像稀疏处理的示意图;
图3是本申请提供的网络化后得到的神经网络的模型示意图;
图4是本申请提供的终端设备的架构示意图;
图5是本申请提供的自适应参数学习的动态磁共振图像重建装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
目前加快磁共振成像速度的方式主要有:并行磁共振成像(Parallel MRimaging)与k空间欠采样。本例主要是针对k空间欠采样来提高磁共振成像速度进行的研究。考虑到,压缩感知磁共振成像(Compressed Sensing-Magnetic Resonance Imaging,简称为CS-MRI)由数据保真项和正则化项组成,对于正则化项的研究有小波稀疏正则化、总变差稀疏正则化和自适应字典学习;进一步的,有研究表明低秩模型对动态磁共振成像是有效的。现有的基于稀疏和低秩的方法虽然有比较好的重建效果,但仍然无法很好地重建信号,基于低秩方法并没有考虑图像中的噪声,而基于稀疏的方法,滤波器的选择是人为选择的,不具有代表性,基于字典学习的方法重建时间比较长。
基于此,在本例中,从实际应用的角度出发,基于压缩感知理论重建算法以快速实现磁共振成像。由于磁共振图像是稀疏的,并且存在噪声,在本例中提出了一种在空间上利用离散余弦(Discrete Cosine Transform,简称为DCT)滤波,在时间方向上利用总变差(Total Variation,简称为TV)滤波,由于其分别在空间方向和时间方向去除冗余,因此,可以有效提升重建效果。
具体的,利用磁共振图像是稀疏的,利用离散余弦变换将图像变换到稀疏域,滤波器的值可以是网络自主学习得到的,不需要人为进行选择。在时间方向上利用TV进行滤波,不仅能去除噪声,还能进一步增强MR图像的稀疏性,提高图像的重建质量。
针对磁共振成像,尤其是动态磁共振成像扫描速度慢的问题,在本例中通过欠采样的方法来提高动态磁共振成像的扫描速度。针对欠采样直接重建会产生伪影的问题,在本例中,通过利用CS-MRI技术,对其中的正则化项进行探索,并结合深度学习自适应学习的方法,使得欠采样的磁共振图像能快速重建出高分辨率的近似于全采样的图像。
如图1所示,是本申请所述一种自适应参数学习的动态磁共振图像重建方法一个实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构,但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中,这些步骤的执行顺序或装置的模块结构不限于本申请实施例描述及附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时,可以按照实施例或者附图所示的方法或模块结构连接进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至分布式处理环境)。
具体的,如图1所示,本申请一种实施例提供的一种自适应参数学习的动态磁共振图像重建方法可以包括(步骤101到步骤106):
步骤101:将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
步骤102:根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
具体的,根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型可以包括:
S1:利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;
例如:可以将如下公式的滤波算子设置为DCT滤波算子和TV滤波算子:
其中,arg min f(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数。
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Nt={x1,x2,...,xT},表示时间方向共有T帧图像。Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
即,将原始公式中的滤波算子选定为DCT滤波算子和TV滤波算子,使得可以在时间和空间上进行去冗余。
S2:对所述稀疏性表达公式进行融合转换,得到目标公式;
其中,目标公式可以表示为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
具体的,该目标公式可以是按照如下方式转换得到的:
考虑到在实际应用中,用于稀疏正则化的稀疏诱导范数包括:l0范数,l1范数,l2,1范数定义为行向量的l2范数之和,最小化l2,1范数的目的是选择尽量少的非零行向量。例如:利用l2,p矩阵范数(0<p<1)做特征选择可以取得更稀疏的解,因此,选择l2,p范数,并另α=β。相应的,上述的公式:
可以简化为:
其中,Φ表示Φ1与Φ2的融合,λl=λ1=λ2为正则化参数,g(·)是l2,p范数的一个近似函数。
利用展开迭代的方法对上述方式进行求解,在图像域引入辅助变量z,可以将公式:
转换为:
s.t.z=x
其中,上述的增广拉格朗日函数为:
该增广拉格朗日函数就是目标公式。通过上述方式就完成了从基础公式到目标公式的转换。
S3:利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;
其中,交替方向乘子法(Alternating Direction Method of Multipliers,简称为ADMM)是一种求解优化问题的计算框架,适用于求解分布式凸优化问题,特别是统计学习问题。ADMM通过分解协调(Decomposition-Coordination)过程,将大的全局问题分解为多个较小、较容易求解的局部子问题,并通过协调子问题的解而得到大的全局问题的解。
在本例中,通过交替方向乘子法可以将上述目标公式转换为:
多个子问题求解公式为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,是更新率,H(·)表示g(·)的梯度,D1表示变换矩阵(如DCT、小波变换等)。
S4:将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
具体的,将上述多个子问题求解公式进行网络化可以得到:
其中,I表示单位矩阵。C1、C2分别表示两个卷积层。w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量,w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量。SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
步骤103:通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
通过上述方式网络化之后,就可以得到磁共振重建模型的神经网络,基于该神经网络可以对样本图像进行重建,以得到重建后的图像。
步骤104:计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
步骤105:根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
进一步的,在重建之后,可以对重建后的图像与原图像通过标准均方误差可以计算loss值,表达式如下:
其中,Λ表示训练集的个数,基于loss值可以对该网络模型进行反向传播更新参数,以便基于loss值对网络模型中的各个参数进行优化更新,以使得最终确定的网络模型的参数,可以保证网络模型的重建精度更高。
其中,反向传播参数的更新过程,可以是Loss层梯度更新,可以表示为:
步骤106:根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
在上例中,CS-MRI模型中的正则化项进行改进,包括在空间域使用离散余弦滤波算子(DCT)和在时间域使用总变差滤波算子(TV)对动态磁共振图像进行去冗余,并且利用卷积神经网络来对CS-MRI中大量的参数进行自适应学习,建立磁共振图像重建模型;通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;计算全采样图像与重建图像的差值;根据差值,利用网络中的反向传播算法,对模型中的参数,包括DCT、TV滤波算子和正则化参数等进行更新,实现对磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建,得到重建精度和重建速度很高的图像,从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。
下面结合一个具体实施例对上述方法进行说明,然而,值得注意的是,该具体实施例仅是为了更好地说明本申请,并不构成对本申请的不当限定。
为了进行图像重建,引入了正则化项,为了构造好的正则项,往往需要获取图像的特征信息和先验知识。然而,已有的迭代方法需要人为设计正则项的权重参数,而不同的图像所对应的最优参数可能是不同的,这使得这类方法的普适性不是很强,且现有的迭代方法所需的时间比较长。
在本例中,如图2所示,磁共振图像是稀疏的,利用磁共振图像(MRI)本身特有的稀疏低秩等先验信息,在正则化项中的空间域引入DCT滤波,时间域引入TV滤波,这两者的组合可以极大低降图像的冗余。进一步的,利用迭代重建的方法进行求解,因为在迭代过程中会用到真实的投影数据,因此重建结果在理论上将会更为精确。将迭代过程网络化,可以自主学习图像的正则化参数,不需人为设定。
具体的,利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,可以按照如下公式进行:
其中,是重建的MRI图像,y是欠采样的k空间数据,A=PF,其中,P是一个欠采样矩阵,F是傅里叶变换。Φ表示滤波算子(例如:小波变换DWT、离散余弦变换DCT、总变差TV),λ1、λ2是平衡数据保真项与正则化项的参数。
根据图像的稀疏性,可以将上述公式1改为:
其中,表示空间域的图像,表示时间域的图像,α和β是两个正则化参数。Φ1表示DCT的滤波算子、Φ2表示TV的滤波算子。||·||DCT表示离散余弦变换,||·||TV表示总变差变换。其中,表示前一帧的有限差分算子和表示后一帧的有限差分算子。
在实际应用中,用于稀疏正则化的稀疏诱导范数包括:l0范数,l1范数,l2,1范数定义为行向量的l2范数之和,最小化l2,1范数的目的是选择尽量少的非零行向量。然而,这都只能应用于向量范数。基于深度学习的出现,特征选择、多视角学习等领域的研究者提出用矩阵范数来做稀疏正则化,例如:利用l2,p矩阵范数(0<p<1)做特征选择可以取得更稀疏的解。在本例中,选择l2,p范数,为简化说明,另α=β。相应的,上述公式2可以简化为:
其中,Φ表示Φ1与Φ2的融合,λl=λ1=λ2为正则化参数,g(·)是l2,p范数的一个近似函数。
利用展开迭代的方法来求解上述公式3,在图像域引入辅助变量z,上述公式3可以转换为:
s.t.z=x (公式4)
其中,上述公式4的增广拉格朗日函数为:
利用交替方向乘子法,将上述公式5转化为若干个子问题来求解,结果如下:
其中,β为拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
为了将上述公式6网络化,可以将上述公式6修改为:
该公式为前向传播图像的重建过程,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量。w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,如图3所示,图3中DCTV-Net表示网络流程图,其中,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
在重建之后,重建后的图像与原图像通过标准均方误差可以计算loss值,表达式如下:
其中,Λ表示训练集的个数,图2中正向箭头是迭代一次重建的结果,反向箭头表示反向传播更新参数的过程。
其中,反向传播参数的更新过程,可以是Loss层梯度更新,可以表示为:
在上例中,通过时频域稀疏网络化对磁共振图像进行稀疏约束,从而使得在不损失空间分辨率的情况下获得更高的加速倍数。进一步的,利用自适应学习的方法,将CS-MRI中大量的求解参数用CNN来替代,这样可以避免人为选择所带来的偶然性。相较于深度学习的重建方法,当数据量有限时,在本例中所使用的方法相较于传统的深度学习方法具有更高的重建精度。在相同加速倍数的条件下,本例的方式重建精度更高,重建效果更好。在本例中,利用神经网络来学习这些正则化参数,并且通过线下训练获得训练好的模型,线上测试仅需要3秒左右的时间就能获得高度欠采样的MRI重建图像。
本申请上述实施例所提供的方法实施例可以在终端设备、计算机终端或者类似的运算装置中执行。以运行在终端设备上为例,图4是本发明实施例的一种自适应参数学习的动态磁共振图像重建方法的计算机终端的硬件结构框图。如图4所示,终端设备10可以包括一个或多个(图中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输模块106。本领域普通技术人员可以理解,图4所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图4中所示更多或者更少的组件,或者具有与图4所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块,如本发明实施例中的自适应参数学习的动态磁共振图像重建方法对应的程序指令/模块,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的自适应参数学习的动态磁共振图像重建方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输模块106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输模块106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在软件层面,上述装置可以如图5所示,可以包括:
替换模块501,用于将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
建立模块502,用于根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
重建模块503,用于通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算模块504,用于计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
迭代更新模块505,用于根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
应用模块506,用于根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
在一个实施方式中,上述建立模块502可以包括:生成单元,用于利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;第一转换单元,用于对所述稀疏性表达公式进行融合转换,得到目标公式;第二转换单元,用于利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;网络化单元,用于将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
在一个实施方式中,上述生成单元,具体可以用于将如下公式的滤波算子设置为DCT算子和TV算子:
其中,arg min f(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数。
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Nt={x1,x2,...,xT},表示时间方向共有T帧图像,Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
在一个实施方式中,上述目标公式可以表示为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
在一个实施方式中,上述多个子问题求解公式可以表示为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
在一个实施方式中,将多个子问题求解公式进行网络化可以得到:
其中,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量。w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
本申请的实施例还提供能够实现上述实施例中的自适应参数学习的动态磁共振图像重建方法中全部步骤的一种电子设备的具体实施方式,所述电子设备具体包括如下内容:
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的自适应参数学习的动态磁共振图像重建方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤1:将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
步骤2:根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
步骤3:通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
步骤4:计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
步骤5:根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,直至磁共振图像重建模型满足预设精度要求;
步骤6:根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
从上述描述可知,由于磁共振图像是稀疏的,并且存在噪声,通过将空间域的DCT滤波算子和时间域的TV滤波算子,作为正则化参数,建立磁共振图像重建模型,可以分别在空间方向和时间方向去除冗余,因此,可以有效提升重建效果。进一步的,通过网络自主的学习的方式,对上述DCT滤波算子和时间域的TV滤波算子进行调整,可以有效提升磁共振图像重建模型的精度,通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建,得到重建精度和重建速度很高的图像,从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。
本申请的实施例还提供能够实现上述实施例中的自适应参数学习的动态磁共振图像重建方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的自适应参数学习的动态磁共振图像重建方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤1:将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
步骤2:根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
步骤3:通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
步骤4:计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
步骤5:根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
步骤6:根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
从上述描述可知,由于磁共振图像是稀疏的,并且存在噪声,通过将空间域的DCT滤波算子和时间域的TV滤波算子,作为正则化参数,建立磁共振图像重建模型,可以分别在空间方向和时间方向去除冗余,因此,可以有效提升重建效果。进一步的,通过网络自主的学习的方式,对上述DCT滤波算子和时间域的TV滤波算子进行调整,可以有效提升磁共振图像重建模型的精度,通过上述方式建立的磁共振图像重建模型可以对高度欠采样图像进行高效的重建,得到重建精度和重建速度很高的图像,从而可以在不损失空间分辨率的情况下有效缩短磁共振扫描的时间。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书实施例的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (14)
1.一种自适应参数学习的动态磁共振图像重建方法,其特征在于,所述方法包括:
将空间域的离散余弦DCT滤波算子和时间域的总变差TV滤波算子,作为压缩感知-磁共振成像CS-MRI的正则化项;
根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
2.根据权利要求1所述的方法,其特征在于,根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型,包括:
利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;
对所述稀疏性表达公式进行融合转换,得到目标公式;
利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;
将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
3.根据权利要求2所述的方法,其特征在于,利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式,包括:
将如下公式的滤波算子设置为DCT滤波算子和TV滤波算子:
其中,argminf(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,Nt={x1,x2,...,xT},表示时间方向共有T帧图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数;
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
4.根据权利要求3所述的方法,其特征在于,所述目标公式为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
5.根据权利要求4所述的方法,其特征在于,多个子问题求解公式为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
6.根据权利要求5所述的方法,其特征在于,将所述多个子问题求解公式进行网络化得到:
其中,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量,w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
7.一种自适应参数学习的动态磁共振图像重建装置,其特征在于,包括:
替换模块,用于将空间域的DCT滤波算子和时间域的TV滤波算子,作为CS-MRI的正则化项;
建立模块,用于根据引入DCT滤波算子和TV滤波算子的正则化项,建立磁共振图像重建模型;
重建模块,用于通过建立的磁共振重建模型对样本图像进行重建,得到重建图像;
计算模块,用于计算所述样本图像对应的全采样图像与所述重建图像之间的差值;
迭代更新模块,用于根据所述差值,利用网络中的反向传播算法,对所述磁共振重建模型中的DCT滤波算子、TV滤波算子和正则化参数进行更新,实现对所述磁共振重建模型的优化训练,直至磁共振图像重建模型满足预设精度要求;
应用模块,用于根据满足预设精度要求的磁共振图像重建模型,进行磁共振图像重建。
8.根据权利要求7所述的装置,其特征在于,所述建立模块包括:
生成单元,用于利用联合稀疏模型,在空间域利用DCT滤波,在时间域利用TV滤波来增强图像的稀疏性,得到稀疏性表达公式;
第一转换单元,用于对所述稀疏性表达公式进行融合转换,得到目标公式;
第二转换单元,用于利用交替方向乘子法,将所述目标公式转换为多个子问题求解公式;
网络化单元,用于将所述多个子问题求解公式进行网络化,得到磁共振图像重建模型。
9.根据权利要求8所述的装置,其特征在于,所述生成单元,具体用于将如下公式的滤波算子设置为DCT滤波算子和TV滤波算子:
其中,argminf(x)表示使得函数f(x)取得其最小值的所有自变量x的集合,是重建的磁共振图像,y表示欠采样的k空间数据,A=PF,其中,P为一个欠采样矩阵,F表示傅里叶变换,Φ表示滤波算子,λ表示参数;
得到如下公式:
其中,表示空间域的图像,表示时间域的图像,Nt={x1,x2,...,xT},T表示共有T帧图像,Φ1表示DCT滤波算子、Φ2表示TV滤波算子,||·||DCT表示离散余弦变换,||·||TV表示总变差变换,λ1、λ2为平衡数据保真项与正则化项的参数。
10.根据权利要求9所述的装置,其特征在于,所述目标公式为:
其中,z表示辅助变量,α表示拉格朗日乘子,g(·)表示l2,p范数的一个近似函数,ρ表示惩罚参数。
11.根据权利要求10所述的装置,其特征在于,多个子问题求解公式为:
其中,T表示转置,β表示拉格朗日乘子的缩放因子,k∈{1,2,...,Nt}表示梯度下降中的迭代次数,n表示第n层,μ1=(1-lrρ),μ2=lrρ,分别表示可学习的权重参数,lr表示步长的大小,表示更新率,H(·)表示g(·)的梯度,D1表示变换矩阵。
12.根据权利要求11所述的装置,其特征在于,将所述多个子问题求解公式进行网络化得到:
其中,I表示单位矩阵,C1、C2分别表示两个卷积层,w1对应于DCT和TV滤波器的组合,大小为3*3*1*L,b1表示L维的偏置向量,w2对应于DCT和TV滤波器的组合,大小为3*3*L,b2表示1维偏置向量,SPLF(·)表示一个由点控制的分段线性函数,NC是一个参数,用于控制分段线性函数中的点,Recon表示重建层,Addition表示叠加层,Conv1表示卷积层,Nonlinear表示非线性变换层,Conv2表示卷积层,Multi表示乘子更新层。
13.一种终端设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现权利要求1至6中任一项所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机指令,所述指令被执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532908.1A CN109671129B (zh) | 2018-12-14 | 2018-12-14 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532908.1A CN109671129B (zh) | 2018-12-14 | 2018-12-14 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109671129A true CN109671129A (zh) | 2019-04-23 |
CN109671129B CN109671129B (zh) | 2022-10-14 |
Family
ID=66144864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532908.1A Active CN109671129B (zh) | 2018-12-14 | 2018-12-14 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109671129B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188808A (zh) * | 2019-05-22 | 2019-08-30 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像分离方法、***、终端及存储介质 |
CN110728732A (zh) * | 2019-10-12 | 2020-01-24 | 深圳先进技术研究院 | 一种图像重建方法、装置、设备及介质 |
CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110992436A (zh) * | 2019-11-06 | 2020-04-10 | 上海东软医疗科技有限公司 | 图像重建方法及设备、图像数据的处理方法及装置 |
CN111009020A (zh) * | 2019-12-02 | 2020-04-14 | 上海联影医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN111127575A (zh) * | 2019-12-12 | 2020-05-08 | 深圳先进技术研究院 | 图像重建方法、计算机可读介质及计算机设备 |
CN111292390A (zh) * | 2020-03-03 | 2020-06-16 | 台州学院 | 一种动态磁共振快速重建方法 |
CN111856364A (zh) * | 2019-04-24 | 2020-10-30 | 深圳先进技术研究院 | 一种磁共振成像方法、装置、***及存储介质 |
CN111856365A (zh) * | 2019-04-24 | 2020-10-30 | 深圳先进技术研究院 | 磁共振成像方法、磁共振成像方法及装置 |
CN112258410A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种可微分的低秩学习网络图像修复方法 |
CN112489155A (zh) * | 2020-12-07 | 2021-03-12 | 中国科学院深圳先进技术研究院 | 图像重建方法和装置、电子设备以及机器可读存储介质 |
CN112767504A (zh) * | 2020-01-22 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 用于图像重建的***和方法 |
CN113592973A (zh) * | 2021-07-30 | 2021-11-02 | 哈尔滨工业大学(深圳) | 一种基于多频复数卷积的磁共振图像重建方法及装置 |
CN115308658A (zh) * | 2021-05-06 | 2022-11-08 | 西门子医疗有限公司 | 用于自适应重建mr数据的方法、重建单元和磁共振设备 |
WO2023029087A1 (zh) * | 2021-09-03 | 2023-03-09 | 中国科学院深圳先进技术研究院 | 一种低场磁共振快速成像方法、终端设备及计算机存储介质 |
WO2023108787A1 (zh) * | 2021-12-16 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 梯度域的矩阵弹性网卷积下确界正则化加速磁共振参数成像方法、终端设备以及计算机存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022010A (zh) * | 2015-07-08 | 2015-11-04 | 中国科学院苏州生物医学工程技术研究所 | 基于正则化迭代的并行磁共振图像重建方法 |
US20160125599A1 (en) * | 2013-06-07 | 2016-05-05 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
CN106618571A (zh) * | 2016-11-16 | 2017-05-10 | 深圳先进技术研究院 | 一种磁共振成像方法和*** |
CN108577840A (zh) * | 2018-02-11 | 2018-09-28 | 南京邮电大学 | 一种动态磁共振稳健pca成像方法 |
CN108765293A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种基于稀疏表示的磁共振图像重建方法及*** |
-
2018
- 2018-12-14 CN CN201811532908.1A patent/CN109671129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125599A1 (en) * | 2013-06-07 | 2016-05-05 | Paul Scherrer Institut | Image fusion scheme for differential phase contrast imaging |
CN105022010A (zh) * | 2015-07-08 | 2015-11-04 | 中国科学院苏州生物医学工程技术研究所 | 基于正则化迭代的并行磁共振图像重建方法 |
CN106618571A (zh) * | 2016-11-16 | 2017-05-10 | 深圳先进技术研究院 | 一种磁共振成像方法和*** |
CN108577840A (zh) * | 2018-02-11 | 2018-09-28 | 南京邮电大学 | 一种动态磁共振稳健pca成像方法 |
CN108765293A (zh) * | 2018-05-31 | 2018-11-06 | 成都信息工程大学 | 一种基于稀疏表示的磁共振图像重建方法及*** |
Non-Patent Citations (1)
Title |
---|
朱庆永,彭玺,王珊珊,梁栋: "基于参考图像梯度方向先验的压缩感知磁共振快速成像", 《集成技术》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856364A (zh) * | 2019-04-24 | 2020-10-30 | 深圳先进技术研究院 | 一种磁共振成像方法、装置、***及存储介质 |
CN111856365B (zh) * | 2019-04-24 | 2023-03-14 | 深圳先进技术研究院 | 磁共振成像方法、装置、***及存储介质 |
CN111856364B (zh) * | 2019-04-24 | 2023-03-28 | 深圳先进技术研究院 | 一种磁共振成像方法、装置、***及存储介质 |
CN111856365A (zh) * | 2019-04-24 | 2020-10-30 | 深圳先进技术研究院 | 磁共振成像方法、磁共振成像方法及装置 |
CN110188808A (zh) * | 2019-05-22 | 2019-08-30 | 山东颐邦齐鲁医生集团管理有限公司 | 一种磁共振图像分离方法、***、终端及存储介质 |
CN110728732A (zh) * | 2019-10-12 | 2020-01-24 | 深圳先进技术研究院 | 一种图像重建方法、装置、设备及介质 |
CN110766768A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110766769B (zh) * | 2019-10-23 | 2023-08-11 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110766768B (zh) * | 2019-10-23 | 2023-08-04 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
WO2021077557A1 (zh) * | 2019-10-23 | 2021-04-29 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
CN110992436B (zh) * | 2019-11-06 | 2023-08-29 | 上海东软医疗科技有限公司 | 图像重建方法及设备、图像数据的处理方法及装置 |
CN110992436A (zh) * | 2019-11-06 | 2020-04-10 | 上海东软医疗科技有限公司 | 图像重建方法及设备、图像数据的处理方法及装置 |
CN111009020A (zh) * | 2019-12-02 | 2020-04-14 | 上海联影医疗科技有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
WO2021114216A1 (zh) * | 2019-12-12 | 2021-06-17 | 深圳先进技术研究院 | 图像重建方法、计算机可读介质及计算机设备 |
CN111127575A (zh) * | 2019-12-12 | 2020-05-08 | 深圳先进技术研究院 | 图像重建方法、计算机可读介质及计算机设备 |
CN112767504A (zh) * | 2020-01-22 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 用于图像重建的***和方法 |
CN111292390B (zh) * | 2020-03-03 | 2023-04-11 | 台州学院 | 一种动态磁共振快速重建方法 |
CN111292390A (zh) * | 2020-03-03 | 2020-06-16 | 台州学院 | 一种动态磁共振快速重建方法 |
CN112258410B (zh) * | 2020-10-22 | 2022-09-06 | 福州大学 | 一种可微分的低秩学习网络图像修复方法 |
CN112258410A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种可微分的低秩学习网络图像修复方法 |
CN112489155A (zh) * | 2020-12-07 | 2021-03-12 | 中国科学院深圳先进技术研究院 | 图像重建方法和装置、电子设备以及机器可读存储介质 |
WO2022120899A1 (zh) * | 2020-12-07 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 图像重建方法和装置、电子设备以及机器可读存储介质 |
CN112489155B (zh) * | 2020-12-07 | 2024-01-26 | 中国科学院深圳先进技术研究院 | 图像重建方法和装置、电子设备以及机器可读存储介质 |
CN115308658A (zh) * | 2021-05-06 | 2022-11-08 | 西门子医疗有限公司 | 用于自适应重建mr数据的方法、重建单元和磁共振设备 |
CN113592973A (zh) * | 2021-07-30 | 2021-11-02 | 哈尔滨工业大学(深圳) | 一种基于多频复数卷积的磁共振图像重建方法及装置 |
WO2023029087A1 (zh) * | 2021-09-03 | 2023-03-09 | 中国科学院深圳先进技术研究院 | 一种低场磁共振快速成像方法、终端设备及计算机存储介质 |
WO2023108787A1 (zh) * | 2021-12-16 | 2023-06-22 | 中国科学院深圳先进技术研究院 | 梯度域的矩阵弹性网卷积下确界正则化加速磁共振参数成像方法、终端设备以及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109671129B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109671129A (zh) | 一种自适应参数学习的动态磁共振图像重建方法和装置 | |
Liu et al. | RARE: Image reconstruction using deep priors learned without groundtruth | |
CN108828481B (zh) | 一种基于深度学习和数据一致性的磁共振重建方法 | |
CN109325985A (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
Nguyen et al. | Downsampling of signals on graphs via maximum spanning trees | |
CN110310227A (zh) | 一种基于高低频信息分解的图像超分辨率重建方法 | |
CN113920213B (zh) | 基于长距离注意力模型重建的多层磁共振成像方法及装置 | |
de Leeuw Den Bouter et al. | Deep learning-based single image super-resolution for low-field MR brain images | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Korkmaz et al. | Deep MRI reconstruction with generative vision transformers | |
Bhadra et al. | Medical image reconstruction with image-adaptive priors learned by use of generative adversarial networks | |
CN110766768A (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
CN113920212B (zh) | 磁共振重建模型训练方法、计算机装置及存储介质 | |
Song et al. | Deep memory-augmented proximal unrolling network for compressive sensing | |
CN110264538A (zh) | 用于核磁共振图像重建的方法、***和装置 | |
CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及*** | |
CN110246200B (zh) | 磁共振心脏电影成像方法、装置及磁共振扫描仪 | |
CN106991651B (zh) | 基于合成分析反卷积网络的快速成像方法及*** | |
Saltori et al. | Compositional semantic mix for domain adaptation in point cloud segmentation | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
Qiu et al. | Cardiac Magnetic Resonance Images Superresolution via Multichannel Residual Attention Networks | |
Jobst et al. | Efficient MPS representations and quantum circuits from the Fourier modes of classical image data | |
Sun et al. | DIR3D: Cascaded Dual-Domain Inter-Scale Mutual Reinforcement 3D Network for highly accelerated 3D MR image reconstruction | |
Wang et al. | Spatial-intensity transform GANs for high fidelity medical image-to-image translation | |
Zhang et al. | A wavelet-based asymmetric convolution network for single image super-resolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |