基于压缩感知理论的MR图像重建

发布时间：2017-09-04 13:49

  本文关键词：基于压缩感知理论的MR图像重建

  更多相关文章： 压缩感知 磁共振成像 联合子空间 图像重建 运动校正 自适应重加权 稀疏性 结构信息 图像配准 总广义全变分

【摘要】：磁共振成像（MRI）作为当今最重要的影像学手段之一，已在临床医学诊断中得到了广泛应用。然而，其相对缓慢的成像速度一直是影响MRI临床吞吐量和成像质量的主要因素。为提高成像速度，本文研究利用压缩感知理论，设计有效的MR图像重建方法。本文的主要研究内容如下： 1.考虑到l1范数约束较l0范数约束会导致MR图像重建所需要的测量数据增多，提出了一种混合加权l1-TV最小化的CS-MRI方法。该方法对图像各像素及其梯度分配不同的权值，以逼近l0范数约束，并提出了具有鲁棒性的权值选取准则，以及自适应重加权迭代算法。通过交替地重建图像并更新权值，最终得到精确的重建结果。基于实际MR图像的仿真实验表明，该方法在保持图像边缘和细节信息等方面具有明显优势，相比于传统方法和同类加权方法，可在相同采样数据量下获得更为精确的重建结果。 2.除MR图像的稀疏性外，利用其结构信息，提出了一种基于联合子空间的CS-MRI方法。该方法在联合子空间框架下对MR图像进行建模，将MR图像投影至K维联合子空间，并提出了一种子空间更新算法（SUA）定位图像所在的子空间。最后，通过求解包含TV正则化项的目标函数估计K个稀疏系数。针对稀疏Shepp-logan图像和多幅实际MR图像的实验结果表明，只估计K个大系数可获得比估计所有系数更为精确的重建结果。 3.利用参考图像与目标图像之间的相似性，提出了基于非局部全变差（NLTV）和部分支撑已知的CS-MRI方法。该方法从参考图像中提取目标图像的已知支撑集作为结构化先验信息，此外，使用NLTV正则化，克服了经典的TV正则化带来的块状效应以及边缘和细节信息丢失的问题。实验结果表明，该方法可有效克服块状效应，能够在保证重建质量的同时进一步降低测量率，提高MR成像速度。 4.研究基于参考图像的MR图像重建问题，提出了基于非均匀自由形变（FFD）运动校正的CS-MRI方法。该方法将待重建的目标图像建模为经联合运动校正的参考图像和差异图像之和，从而将目标图像的重建转化为形变参数和差异图像的联合求解问题。为增强差异图像的稀疏性，引入非均匀控制点的多层FFD模型，在保证配准精度的前提下显著减少了计算复杂度。针对所提出的联合求解模型，采用交替最小化算法，迭代地实现运动校正并重建差异图像。该重建方法不仅准确地校正了运动偏移，而且能够在低测量率下实现目标图像的精确重建。 5.通过对基于参考图像的CS-MRI方法的进一步研究，提出了一种利用差异图像小波域稀疏性和总广义变分（TGV）正则化的CS-MRI方法。该方法是将目标图像建模为经一次全局运动校正的参考图像和差异图像之和，利用差异图像在小波域和离散梯度域的稀疏性约束重建。其显著的优势在于：在重建过程中，避免了对比度差异的建模和计算；只需对参考图像进行一次运动校正，，避免了多次迭代造成的巨大运算量。此外，引入二阶TGV计算差异图像的离散梯度，以抑制阶梯效应的产生。实验结果表明，该方法在相同测量数据量下，提高了成像质量，并有效抑制了阶梯效应的产生。 6.研究医学图像配准技术，提出了一种新的相似性测度——联合均方差异和（SSD）与差异稀疏性的相似性测度（SSD-Sparsity）。SSD-Sparsity通过同时最小化灰度差异值和存在差异的像素个数来达到精确的配准效果，强化了配准的空间一致性。实验结果表明，SSD-Sparsity相比经典SSD测度具有更高的配准精度。 本文所提出的方法不仅可用于静态MRI，且对于动态成像，介入手术成像等先进的MRI技术，以及其他成像领域，都具有实用价值和应用前景。
【关键词】：压缩感知 磁共振成像 联合子空间 图像重建 运动校正 自适应重加权 稀疏性 结构信息 图像配准 总广义全变分
【学位授予单位】：北京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• Abstract7-10
• 目录10-14
• 符号14-15
• 插图目录15-17
• 表格目录17-18
• 第1章 绪论18-26
• 1.1 课题研究背景和意义18-19
• 1.2 研究现状19-24
• 1.2.1 磁共振快速成像技术研究现状19-21
• 1.2.2 基于压缩感知理论的磁共振成像研究现状21-24
• 1.3 本文的主要工作及内容安排24-26
• 第2章 磁共振成像与压缩感知理论26-47
• 2.1 磁共振成像原理26-32
• 2.1.1 磁共振信号的产生与检测26-29
• 2.1.2 磁共振成像的空间定位29-31
• 2.1.3 图像重建31-32
• 2.2 压缩感知理论32-39
• 2.2.1 数学模型32-33
• 2.2.2 稀疏表示33-34
• 2.2.3 测量矩阵设计34-36
• 2.2.4 压缩感知重建算法36-39
• 2.3 基于压缩感知理论的磁共振图像重建39-46
• 2.3.1 利用图像自身稀疏性的 CS-MR 图像重建40-43
• 2.3.2 利用参考图像的 CS-MR 图像重建43-45
• 2.3.3 利用结构化信息的 CS-MR 图像重建45-46
• 2.3.4 存在的一些问题46
• 2.4 本章小结46-47
• 第3章 混合加权 l1-TV 最小化的 CS-MRI 方法47-63
• 3.1 混合加权 l1-TV 最小化的重建方法47-55
• 3.1.1 混合加权 l1-TV 最小化模型48-51
• 3.1.2 自适应重加权迭代算法51-55
• 3.2 实验结果与分析55-61
• 3.2.1 实验一56
• 3.2.2 实验二56-61
• 3.3 讨论61-62
• 3.4 本章小结62-63
• 第4章 基于联合子空间的 CS-MRI 方法63-75
• 4.1 重建方法63-66
• 4.1.1 图像建模63-64
• 4.1.2 重建步骤64-66
• 4.2 实验结果与分析66-72
• 4.2.1 实验一66-68
• 4.2.2 实验二68-72
• 4.3 讨论72-74
• 4.3.1 K 值对重建性能的影响72-73
• 4.3.2 定位准确性对重建性能的影响73-74
• 4.4 本章小结74-75
• 第5章 基于参考图像的 CS-MRI 方法75-121
• 5.1 基于 NLTV 和部分支撑已知的 CS-MRI 方法75-85
• 5.1.1 重建模型75-77
• 5.1.2 算法77-79
• 5.1.3 实验结果与分析79-85
• 5.1.4 讨论85
• 5.2 医学图像配准技术85-91
• 5.2.1 特征提取86-87
• 5.2.2 空间变换87-89
• 5.2.3 相似性测度89-90
• 5.2.4 优化算法90-91
• 5.3 联合 SSD 和差异稀疏性测度91-94
• 5.3.1 SSD-Sparsity 测度91-92
• 5.3.2 实验结果92-94
• 5.4 基于非均匀 FFD 运动校正的 CS-MRI 方法94-107
• 5.4.1 图像建模95-99
• 5.4.2 重建模型99
• 5.4.3 算法99-101
• 5.4.4 实验结果与分析101-105
• 5.4.5 讨论105-107
• 5.5 利用差异图像小波域稀疏性和 TGV 正则化的 CS-MRI 方法107-118
• 5.5.1 图像建模107-108
• 5.5.2 重建模型108-112
• 5.5.3 算法112-114
• 5.5.4 实验结果与分析114-118
• 5.6 重建结果对比118-119
• 5.7 本章小结119-121
• 第6章 结论与展望121-124
• 6.1 本文的主要贡献和创新121-122
• 6.2 研究展望122-124
• 参考文献124-140
• 攻读学位期间发表论文与研究成果清单140-141
• 致谢141-142
• 作者简介142

【参考文献】

中国期刊全文数据库 前9条

1 练秋生;陈书贞;;基于解析轮廓波变换的图像稀疏表示及其在压缩传感中的应用[J];电子学报;2010年06期

2 李亚峰;冯象初;;L1投影问题的分裂Bregman方法[J];电子学报;2010年11期

3 许建楼;冯象初;郝岩;;自适应二阶总广义变分图像恢复方法[J];光电子.激光;2013年02期

4 ;L_(1/2) regularization[J];Science China(Information Sciences);2010年06期

5 杨俊杰;刘海林;;增广Lagrange函数优化算法在稀疏信号重构问题中的应用[J];计算机科学;2011年09期

6 侯金曼;何宁;吕科;;基于压缩感知的图像快速重建方法[J];计算机工程;2011年19期

7 杨海蓉;方红;张成;韦穗;;基于回溯的迭代硬阈值算法[J];自动化学报;2011年03期

8 翁卓;谢国喜;刘新;熊承义;郑海荣;邱本胜;;基于k空间加速采集的磁共振成像技术[J];中国生物医学工程学报;2010年05期

9 吴巧玲;倪林;何德龙;;基于非下采样contourlet变换的压缩感知图像重建[J];中国科学技术大学学报;2012年02期

中国博士学位论文全文数据库 前2条

1 刘吉英;压缩感知理论及在成像中的应用[D];国防科学技术大学;2010年

2 金晶;医学图像配准算法研究[D];哈尔滨工业大学;2008年

本文编号：791923