CN113327196A - 一种面向mr图像超分辨的联合字典训练优化方法 - Google Patents
一种面向mr图像超分辨的联合字典训练优化方法 Download PDFInfo
- Publication number
- CN113327196A CN113327196A CN202110488060.2A CN202110488060A CN113327196A CN 113327196 A CN113327196 A CN 113327196A CN 202110488060 A CN202110488060 A CN 202110488060A CN 113327196 A CN113327196 A CN 113327196A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- resolution
- image
- training
- following
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009795 derivation Methods 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及一种面向MR图像超分辨的联合字典训练优化方法,属于MR图像重建领域。
背景技术
字典学习方法被用于许多领域,包括医学图像分类、数据分类、人脸识别、诊断磁共振图像超分辨率、影像再现、联合稀疏主成分分析、补丁对齐、对象跟踪、医学图像超限分辨光谱学量化、医学图像超限分辨。字典学习是构造稀疏表示模型的关键问题。在基于字典学习的图像重建中,稀疏系数和字典是影响重建性能的重要问题。基于稀疏表示的信号表示是用其他不同信号的线性组合来近似一个信号,其中这些信号称为原子,信号集称为字典。因此,信号的稀疏编码受到信号字典的影响。在信号处理领域,如图像和音频,优化字典学习是可行的,也是值得关注的。
学习字典的流行方法是基于迭代的最小化问题求解。在稀疏编码阶段,在求解稀疏系数时预先固定字典,在字典更新阶段,根据得到的系数生成字典。在稀疏编码阶段,之前的工作中提出了很多字典学习方法。例如,将正交匹配追求(OMP)方法应用于基于MOD的字典学习,将迭代收缩阈值法应用于基于优化方法 (MM)的字典学习。MOD就是用伪逆的表示矩阵生成观测矩阵,最大后验概率(MAP)为基础的字典学习方法应用梯度下降法和字典列的归一化。
但是,所有的方法都没有考虑代价函数的不确定参数,即正则化参数。作为字典学习的另一类,使用了基于机器学习的字典学习方法,如K-Singular值分解(K-SVD)。提取边缘、纹理和结构的特征来生成字典。针对基于SR的图像超分辨率,提出了一种基于约束的字典训练方法。将迭代计算方法应用于基于稀疏域的图像消噪,只训练单一的高分辨率字典。在之前的工作中,我们在基于字典的稀疏表示中提出了稀疏表示的精确字典表示方法。这些字典学习方法直接从字典更新中直接稀疏编码,因此这些方法不能快速、充分地提取字典的潜在表达式信息。
磁共振成像(MR)在疾病诊断中有着广泛的应用。硬件成像受到分辨率的限制,磁的高辐射强度和时间会对人体造成伤害。基于软件的图像超分辨技术是解决这一问题的一种有前景的技术,特别是基于稀疏重构的图像超分辨技术具有良好的性能。字典生成是影响超分辨算法性能的关键问题,因为字典生成过程中没有考虑到可能存在的判别信息。针对这个问题,我们提出了训练目标函数优化字典学习算法用于MR稀疏超分辨率重建。
发明内容
本发明的目的是提出一种面向MR图像超分辨的联合字典训练优化方法,本方法优化了目标函数,考虑了高低分辨率字典个体重构误差,摒弃了传统的级联计算方法,有效减小了重构的误差,提升了图像的重构精度提高,从而解决了字典联合级联训练仅考虑联合图像块对误差而未考虑高低分辨率字典个体重构误差的问题。
一种面向MR图像超分辨的联合字典训练优化方法,所述优化方法包括以下步骤:
步骤三:循环,对于i=1,2,....,N执行如下优化公式;
进一步的,在步骤三中,所述优化公式:
的解算过程为:
令Ω={j||zj|>0+},因此:
则求得:
本发明的有以下优点:本发明的一种面向MR图像超分辨的联合字典训练优化方法,针对字典联合级联训练仅考虑联合图像块对误差而未考虑高低分辨率字典个体重构误差的问题,提出了基于高低分辨率字典重构误差独立计算的字典训练方法,优化了目标函数,考虑了高低分辨率字典个体重构误差,摒弃了传统的级联计算方法,有效减小了重构的误差,提升了图像的重构精度。
附图说明
图1是本本发明的一种面向MR图像超分辨的联合字典训练优化方法的流程图;
图2是应用本发明的一种面向MR图像超分辨的联合字典训练优化方法的测试图像;
图3是使用本发明所述方法优化后的训练字典。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,根据联合字典存在的问题,本发明提出了联合字典目标函数优化方法。高低分辨率特征空间的映射关系为yi=Γ(xi),且Γ(·)可以使线性的也可以是非线性未知的。对于任何图像块{yi,xi},理想的字典对{Dy,Dx}满足:
表示空间X的训练样本,是空间Y的训练样本,是稀疏表示系数。对于给定的输入图像y,求取高分辨率图像块x的过程为:(1)根据公式(12)求取稀疏系数zi;(2)估计x=Dxz,使得重建图像块误差最小,即:
为保证输入图像块y可以用字典Dy很好的表示,增加重建误差函数:
公式(4)是一个非线性且非凸函数,利用迭代优化方法优化该公式。
第一步:固定Dy,优化公式变为:
这是一个二次约束的二次规划问题,可以采用共轭梯度下降法求解。
第二步:固定Dx,优化Dy,最小化公式(5)是一个双层优化问题,其上层优化是依据变量zi,是低级的l1最小化问题,利用梯度下降法,寻找一个合适的梯度下降方向,应用微分的链式求导法则。
令Ω={j||zj|>0+},因此:
则求得:
参照图2-图3所示,为了验证本文算法的有效性,采用MR图像训练样本以及T1WI和T2WI测试样本。本文采用图一MR图像超分辨重建算法框架,采用优化后的联合字典损失函数进行训练。在开源的MR数据集中挑选100张图像作为字典训练样本。初始参数设定为:字典大小为512、平衡参数=0.1、分块大小5×5、重叠块为4、样本块数量150000。在实验中为了对比图像重建效果,将原始的MR图像数据作为高分辨率图像数据,采用双三次方下采样的方式实现对应低分辨率图像的获取。获取两种不同超分尺度的训练数据集和测试数据集,分别是×2、×4。
本文采用峰值信噪比(Peaksignaltonoiseratio,PSNR)对不同MR图像超分辨算法的重建质量进行评价。表1列出了不同超分辨方法的重建效果,包括双三次方插值、最近邻、联合字典学习以及我们的基于联合字典损失函数优化的超分辨方法,其中粗体标出的数值在相应图像质量评价指标下最优。通过表1可以看出,我们提出的联合字典损失函数优化方法在颈部和脚踝重建结果均是最优的。
表1几种超分辨重建图像质量的比较
以上所述仅为本发明原理的具体说明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488060.2A CN113327196B (zh) | 2021-04-30 | 2021-04-30 | 一种面向mr图像超分辨的联合字典训练优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110488060.2A CN113327196B (zh) | 2021-04-30 | 2021-04-30 | 一种面向mr图像超分辨的联合字典训练优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113327196A true CN113327196A (zh) | 2021-08-31 |
CN113327196B CN113327196B (zh) | 2023-04-07 |
Family
ID=77414210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110488060.2A Active CN113327196B (zh) | 2021-04-30 | 2021-04-30 | 一种面向mr图像超分辨的联合字典训练优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113327196B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631807A (zh) * | 2015-12-21 | 2016-06-01 | 西安电子科技大学 | 基于稀疏域选取的单帧图像超分辨重建方法 |
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及*** |
CN109712074A (zh) * | 2018-12-20 | 2019-05-03 | 黑龙江大学 | 双参数贝塔过程联合字典的遥感图像超分辨重建方法 |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN111612691A (zh) * | 2020-04-17 | 2020-09-01 | 重庆大学 | 一种基于稀疏表示的图像超分辨率处理改进方法 |
-
2021
- 2021-04-30 CN CN202110488060.2A patent/CN113327196B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631807A (zh) * | 2015-12-21 | 2016-06-01 | 西安电子科技大学 | 基于稀疏域选取的单帧图像超分辨重建方法 |
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及*** |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN109712074A (zh) * | 2018-12-20 | 2019-05-03 | 黑龙江大学 | 双参数贝塔过程联合字典的遥感图像超分辨重建方法 |
CN111612691A (zh) * | 2020-04-17 | 2020-09-01 | 重庆大学 | 一种基于稀疏表示的图像超分辨率处理改进方法 |
Non-Patent Citations (4)
Title |
---|
HUANYU LIU 等: "PSR: Unified Framework of Parameter-Learning-Based MR Image Superresolution", 《JOURNAL OF HEALTHCARE ENGINEERING》 * |
JUN-BAO LI 等: "Training samples-optimizing based dictionary learning algorithm for MR sparse superresolution reconstruction", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
刘家奇 等: "基于深度学习网络的医学核磁共振成像超分辨率重构实验", 《中国医学物理学杂志》 * |
雷倩: "基于深度学习的图像超分辨率重构", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113327196B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Multi-contrast MRI super-resolution via a multi-stage integration network | |
CN110378980B (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
Johnson et al. | Conditional generative adversarial network for 3D rigid‐body motion correction in MRI | |
CN108090871B (zh) | 一种基于卷积神经网络的多对比度磁共振图像重建方法 | |
Guo et al. | ReconFormer: Accelerated MRI reconstruction using recurrent transformer | |
Wen et al. | Image recovery via transform learning and low-rank modeling: The power of complementary regularizers | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
WO2021253722A1 (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
Liu et al. | A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling | |
WO2021102644A1 (zh) | 图像增强方法、装置及终端设备 | |
CN111047512B (zh) | 图像增强方法、装置及终端设备 | |
Fan et al. | An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation | |
CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
Yang et al. | MGDUN: An interpretable network for multi-contrast MRI image super-resolution reconstruction | |
Sriwastawa et al. | Vision transformer and its variants for image classification in digital breast cancer histopathology: A comparative study | |
CN113327196B (zh) | 一种面向mr图像超分辨的联合字典训练优化方法 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
Levac et al. | Accelerated motion correction with deep generative diffusion models | |
CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及*** | |
Guan et al. | MRI reconstruction using deep energy-based model | |
CN108846797B (zh) | 基于两种训练集合的图像超分辨率方法 | |
CN113435243A (zh) | 一种高光谱真实下采样模糊核估计方法 | |
TWI781027B (zh) | 用於染色影像的神經網路系統與影像染色轉換方法 | |
CN113095353A (zh) | 一种基于ap聚类的欠定盲源分离方法 |
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 |