并行磁共振成像及相位信息获取方法研究

发布时间：2017-04-14 22:14

  本文关键词：并行磁共振成像及相位信息获取方法研究，，由笔耕文化传播整理发布。

【摘要】：磁共振成像(magnetic resonance imaging,MRI)以其无电离辐射、无创伤性和良好的软组织对比度等优点成为临床诊断和医学研究中的重要检测工具之一,但过长的扫描时间阻碍了其进一步的推广和应用。并行磁共振成像技术(parallel MRI,pMRI)能在扫描视野和空间分辨率保持不变的情况下有效地减少成像时间,从而受到广泛关注。然而,受重建过程中混叠伪影和噪声放大的影响,现有pMRI方法只能在很小的采样加速因子下才能取得较好的图像质量,其成像速度和重建质量有待进一步提高。MRI信号的相位信息能反映生物组织的磁敏感性和主磁场的不均匀性等信息,因而有着广泛的应用前景。在低场MRI中采集到的相位信息的信噪比较低,且相位本身存在缠绕等因素,造成相位信息在现有的MRI重建过程中被忽略。超导和pMRI技术的出现极大地提高了信号的信噪比,使得相位信息在高场MRI中受到越来越多的重视。在pMRI中,每幅线圈接收到的相位是主磁场,自旋质子和接收线圈三者相位的叠加。为了获取质子的真实相位,需要设计出优化的多通道线圈联合方式以去除线圈和主磁场的相位,但目前尚未有标准的线圈联合方法以获取准确的相位信息。针对以上情况,本文以pMRI重建及相位信息获取为研究课题,重点研究了基于K空间重建的广义自校准并行采集成像技术中插值窗的选择、伪影和噪声的去除问题、以及从多通道线圈采集的K空间数据中获取相位信息的方法等。主要研究内容分为以下四部分:(1)研究了一种基于多核学习和支撑向量机的广义自校准并行采集成像算法,以解决传统广义自校准并行采集成像算法的重建精度严重依赖于插值窗等重建参数和采样参数的选取等问题。提出的方法同时利用线性核、多项式核和高斯核将接收到的K空间数据映射到不同的高维特征空间,然后在联合后的高维特征空间中使用支撑向量机方法拟合插值函数。通过MRI设备上采集到的体模和人体成像数据在不同的采样条件下进行重建,其结果表明本文提出的方法能在不同加速因子下完成噪声和伪影之间的权衡和折衷,并且重建结果对参数选取不敏感。(2)将基于K空间重建的pMRI方法中所使用的数据相关性归纳为前向约束、后向约束和自约束。结合这三种约束,提出了一种分离式自约束的并行磁共振成像方法,将K空间的插值问题转化为线性方程组来进行求解。提出的方法分别利用采集到的数据和未采集到的数据构造一种分离式自约束,将由采集到的数据构造的自约束用来自适应地校准自约束系数,从而减少了由于数据相关性在K空间范围内不一致而引入的重建误差。此外,考虑到自约束重建中插值源点和插值目标点都是未采集数据,且在加速采样因子较大时相距较远,本文方法在重建方程中引入了自约束权重以防止过学习问题。并设计了一种通过计算三种约束在全采样的自校准区域的拟合误差来自动估计自约束权重的方法。通过体模和人体成像数据在加速采样下的重建实验结果表明,提出的算法能有效地减少当前pMRI算法重建图像中的混叠伪影和噪声。(3)提出了一种核范数正则化的并行磁共振成像算法以抑制现有pMRI重建中的噪声。提出的方法先将基于K空间重建pMRI中的插值问题转化为线性反问题以便引入正则化约束进行重建。同时,将所有线圈采集到的K空间数据重新排列成具有低秩特性的结构矩阵,从而在反问题求解中引入低秩约束。然后利用核范数代替非凸的秩函数,将重建问题转化为无约束的凸优化问题,并通过交替方向乘子法进行快速求解。通过采集到的人体脑部数据进行加速采样下的重建对比实验,其结果表明本文提出的算法能有效抑制传统pMRI重建中的噪声。(4)首次提出了基于K空间解卷积的相位信息获取方法以解决当前基于图像域幅值加权的相位信息获取方法受pMRI重建中的噪声放大和伪影的影响难以准确地获取扫描组织的相位信息的问题。提出的方法首先通过平方和方法和相位对齐方法分别获取一幅参考线圈图像的幅值和相位,以用来计算线圈敏感度及其频域信息。然后通过截断的线圈敏感度频域信息和接收到的K空间数据来解卷积线圈K空间的联合权重,再通过联合线圈K空间数据得到质子分布的K空间信号,最后通过傅里叶逆变换得到其幅值和相位信息。通过采集到的MRI数据进行相位信息获取实验,其结果表明本文提出的方法与基于幅值加权的方法相比,能有效地减少线圈联合中的相位消除,获取的相位图像中不一致性伪影更少。
【关键词】：磁共振成像 并行磁共振成像 K空间 广义自校准并行采集 相位信息
【学位授予单位】：电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41;O482.532
【目录】：

• 摘要5-7
• ABSTRACT7-19
• 第一章 绪论19-32
• 1.1 研究背景与意义19-21
• 1.2 研究现状21-26
• 1.2.1 基于K空间性质成像21-22
• 1.2.2 基于快速序列的成像方法22-23
• 1.2.3 并行磁共振成像23-24
• 1.2.4 基于压缩感知的成像方法24-25
• 1.2.5 磁共振相位信息获取25-26
• 1.3 主要研究内容及创新点26-30
• 1.4 论文章节安排30-32
• 第二章 磁共振成像原理与并行磁共振成像方法32-52
• 2.1 磁共振物理32-36
• 2.1.1 自旋32-33
• 2.1.2 进动33-34
• 2.1.3 射频激发与共振34-35
• 2.1.4 驰豫35-36
• 2.2 磁共振成像36-40
• 2.2.2 梯度选层37-38
• 2.2.3 相位和频率编码38-40
• 2.2.4 成像序列40
• 2.3 图像重建40-43
• 2.3.1 K空间41-42
• 2.3.2 采样与伪影42-43
• 2.4 并行磁共振成像技术43-51
• 2.4.2 敏感度编码成像44-46
• 2.4.3 空间协调并行采集技术46-47
• 2.4.4 广义自校准并行采集47-49
• 2.4.5 SENSE与GRAPPA比较49-50
• 2.4.6 几何因子50-51
• 2.5 本章小结51-52
• 第三章 基于稀疏多核学习和支撑向量机的GRAPPA方法52-79
• 3.1 引言52
• 3.2 广义自校准并行采集52-54
• 3.3 非线性广义自校准并行采集54-55
• 3.4 基于稀疏多核学习和支撑向量机的GRAPPA方法55-63
• 3.4.1 稀疏多核学习55-56
• 3.4.2 支撑向量机56-58
• 3.4.3 MKGRAPPA重建58-60
• 3.4.4 核的选择60-61
• 3.4.5 估计模糊权重61-62
• 3.4.6 重建步骤62-63
• 3.5 实验结果及分析63-78
• 3.5.1 数据采集63-64
• 3.5.2 对比方法64-65
• 3.5.3 体模数据重建结果65-70
• 3.5.4 脑部数据重建结果70-72
• 3.5.5 心脏数据重建结果72-75
• 3.5.6 定量分析75-78
• 3.6 本章小结78-79
• 第四章 基于分离式自约束的广义自校准并行采集成像方法79-107
• 4.1 引言79-80
• 4.2 基于K空间重建PMRI中的约束模型80-82
• 4.2.1 前向约束80-81
• 4.2.2 后向约束81
• 4.2.3 自约束81-82
• 4.3 基于自适应自校准并行采集成像82-88
• 4.3.1 分离式自约束82-85
• 4.3.2 SSC-GRAPPA重建85-87
• 4.3.3 参数估计87-88
• 4.3.4 算法步骤88
• 4.4 实验结果与分析88-102
• 4.4.1 数据采集88-91
• 4.4.2 图像重建实验91-93
• 4.4.3 体模数据结果93-96
• 4.4.4 脑部矢状位数据结果96-97
• 4.4.5 脑部横轴位数据结果97-98
• 4.4.6 心脏数据数据结果98-99
• 4.4.7 定量比较99-102
• 4.5 分析与讨论102-106
• 4.5.1 与先前方法比较102-103
• 4.5.2 参数选择103-105
• 4.5.3 计算成本105-106
• 4.6 本章小结106-107
• 第五章 核范数正则化的并行磁共振成像方法107-117
• 5.1 引言107-108
• 5.2 低秩矩阵重建108
• 5.3 核范数正则化的并行磁共振成像方法108-113
• 5.3.1 低秩模型108-110
• 5.3.2 优化算法110-112
• 5.3.3 算法框架112-113
• 5.4 实验结果与分析113-115
• 5.4.1 数据采集113
• 5.4.2 重建对比113
• 5.4.3 实验结果113-115
• 5.5 本章小结115-117
• 第六章 基于K空间解卷积的相位信息获取方法117-133
• 6.1 引言117-118
• 6.2 理论及现有方法118-120
• 6.2.1 问题描述118-119
• 6.2.2 幅值加权平均法119-120
• 6.2.3 相位对齐法120
• 6.3 基于K空间解卷积的相位获取方法120-127
• 6.3.2 线圈K空间联合模型121-123
• 6.3.3 算法步骤123-127
• 6.4 实验结果与分析127-132
• 6.4.1 数据采集127-129
• 6.4.2 体模数据结果129
• 6.4.3 脑部数据结果129-132
• 6.5 本章小结132-133
• 第七章 结论133-137
• 7.1 本文主要贡献133-135
• 7.2 下一步工作的展望135-137
• 致谢137-139
• 参考文献139-154
• 攻博期间取得的研究成果154-156

【共引文献】

中国期刊全文数据库 前10条

1 张彬彬;曹万林;王海城;张建伟;;延拓小波变换识别的桥梁模态参数研究[J];四川建筑科学研究;2012年03期

2 王尔丹;人群运动与密度估计技术研究[J];安全;2005年03期

3 冯学军;;最小二乘支持向量机的研究与应用[J];安庆师范学院学报(自然科学版);2009年01期

4 周德强;冯建中;;建筑物沉降预测的改进Verhulst模型研究[J];地下空间与工程学报;2011年01期

5 王立平;孔小梅;付梦印;王美玲;张甲文;姜明;;Temperature Drift Modeling of FOG Based on LS-WSVM[J];Journal of China Ordnance;2008年03期

6 王亮;胡静涛;;基于LS-SVM的光刻过程R2R预测控制方法[J];半导体技术;2012年06期

7 田盛丰;基于核函数的学习算法[J];北方交通大学学报;2003年02期

8 薛彦轶;刘晓东;;基于最小二乘支持向量机的航材备件需求建模[J];兵工自动化;2007年06期

9 高博;谭永红;张新良;;基于在线LSSVM的超声波电机转速预测器[J];兵工自动化;2007年09期

10 张丽叶;郑绍钰;;基于LS-SVM的装备研制费用建模与分析[J];兵工自动化;2009年02期

中国博士学位论文全文数据库 前10条

1 赵莹;半监督支持向量机学习算法研究[D];哈尔滨工程大学;2010年

2 李书艳;单点氨基酸多态性与疾病相关关系的预测及其机制研究[D];兰州大学;2010年

3 张明;电能质量扰动相关问题研究[D];华中科技大学;2010年

4 许伟;基于进化算法的复杂化工过程智能建模方法及其应用[D];华东理工大学;2011年

5 向国齐;支持向量回归机代理模型设计优化及应用研究[D];电子科技大学;2010年

6 桑永胜;空间数据分析的神经计算方法[D];电子科技大学;2010年

7 渠瑜;基于SVM的高不平衡分类技术研究及其在电信业的应用[D];浙江大学;2010年

8 包鑫;稳健回归技术及其在光谱分析中的应用[D];浙江大学;2010年

9 甘良志;核学习算法与集成方法研究[D];浙江大学;2010年

10 邵咏妮;水稻生长生理特征信息快速无损获取技术的研究[D];浙江大学;2010年

  本文关键词：并行磁共振成像及相位信息获取方法研究，由笔耕文化传播整理发布。

本文编号：306985