【摘要】：磁共振成像(MRI,Magnetic resonance imaging)是一種無損傷、軟組織對比度高和多參數(shù)的成像方法,由于其獨特優(yōu)勢快速成為醫(yī)學診斷的主要工具之一。但MRI最大的缺點為掃描時間過長,病人無法長時間保持不動,導致產(chǎn)生運動偽影。為了縮短掃描時間,通常加大層厚,但獲得的3D-MR圖像為低分辨率,即層面選擇方向的分辨率遠遠低于層面內(nèi)方向的分辨率,導致體素為各向異性。這種低分辨率3D-MR圖像容易產(chǎn)生部分容積效應,限制后期對圖像的處理、分析和疾病診斷等。因此,提高各向異性3D-MR圖像的分辨率是亟待解決的問題。超分辨率重建算法作為一種高效的圖像處理技術,在提高3D-MR圖像分辨率的同時,平衡了3D-MR圖像的分辨率、信噪比和掃描時間,比以增加掃描時間為代價直接獲取高分辨率臨床3D-MR圖像更具有優(yōu)越性。本文針對單幅或多幅低分辨率3D-MR圖像超分辨率重建問題,創(chuàng)新性地提出了三種基于稀疏表示的超分辨率重建算法,目的是減小低分辨率3D-MR圖像的層厚,去除部分容積效應,重建高分辨3D-MR圖像。本文主要的創(chuàng)新性研究成果如下:(1)提出了基于跨層面方向字典學習的單幅3D-MR圖像超分辨率重建算法(cpSFSR,Cross Plane direction dictionary learning based Single Frame Super Resolution reconstruction algorithm)。cpSFSR算法利用3D-MR圖像跨層面方向的自相似性,提取層面內(nèi)方向的高分辨率層面作為訓練集合學習字典;再根據(jù)得到的過完備字典提高層面選擇方向的分辨率,從而獲得高分辨率3D-MR圖像。cpSFSR算法解決了傳統(tǒng)基于稀疏表示的超分辨率重建算法對額外訓練集合的依賴問題,同時解決了過完備字典的魯棒性和重建精度平衡問題。模擬數(shù)據(jù)和臨床數(shù)據(jù)實驗結果表明,與傳統(tǒng)的插值算法相比,cp SFSR算法重建圖像的峰值信噪比(PSNR,Peak Signal-to-Noise Ratio)和基于結構的相似度(SSIM,Structural SIMilarity)更高,重建圖像更清晰。與非局部均值算法比較,在模擬數(shù)據(jù)的實驗中,當重建尺度較小時,cpSFSR算法重建圖像的PSNR值與SSIM值略低于非局部均值算法;但在臨床數(shù)據(jù)的實驗中,cpSFSR算法能夠取得與非局部均值算法基本相似的重建效果,同時有效地減少了時間復雜度和空間復雜度。(2)提出了基于多模態(tài)先驗的單幅3D-MR圖像超分辨率重建算法(mmSFSR,Multi-Modality MR images based Single Frame Super Resolution algorithm)。利用T1加權像和T2加權像的互補性,將同一對象的T1加權像的先驗知識引入到低分辨率T2加權像的超分辨率重建過程中。為了同時利用T1加權像的先驗知識和T2加權像自身的特征,本文構建了基于稀疏表示和非局部自相似性的多約束超分辨率重建優(yōu)化模型,并提出了mmSFSR算法對其求解。模擬數(shù)據(jù)和臨床數(shù)據(jù)實驗結果表明,與傳統(tǒng)插值算法、cpSFSR算法和基于多模態(tài)先驗的非局部均值算法比較,mmSFSR算法重建圖像的PSNR和SSIM值最高,同時通過主觀觀察和分析剖面像素值分布表明重建圖像質量更好。(3)提出了基于正交3D-MR圖像的多幅圖像超分辨率重建算法(o MFSR,Orthogonal 3D-MR images based Multi-Frames Super Resolution reconstruction algorithm)。利用同一對象的多幅正交3D-MR圖像的互相關性和自相似性,提出了基于稀疏表示的超分辨率重建算法。oMFSR算法首次利用稀疏表示的思想求解多幅3D-MR圖像的超分辨率重建問題,同時不需要額外的訓練集合。oMFSR算法主要包括三個步驟:基于稀疏表示的重建步驟,基于小波分解的圖像融合步驟和基于反向投影誤差的全局優(yōu)化步驟。模擬數(shù)據(jù)和臨床數(shù)據(jù)實驗結果表明,與單幅3D-MR圖像超分辨率重建算法相比,oMFSR算法雖然時間復雜度相對較高,但融合了多幅低分辨率3D-MR圖像的細節(jié)信息,重建的高分辨3D-MR圖像質量遠遠優(yōu)于單幅圖像超分辨率重建算法的重建結果;與cpSFSR算法、傳統(tǒng)均值融合算法和基于小波分解的重建算法相比,oMFSR算法重建圖像的PSNR和SSIM值最高,同時通過主觀觀察和分析剖面像素值分布表明重建圖像的質量更好。
[Abstract]:......
【學位授予單位】：重慶大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術;2004年03期

2 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術與方法綜述[J];光學技術;2009年02期

3 王春霞;蘇紅旗;范郭亮;;圖像超分辨率重建技術綜述[J];計算機技術與發(fā)展;2011年05期

4 張銀林;;視頻圖像超分辨率增強技術[J];硅谷;2011年16期

5 余徽;陳華旺;;圖像超分辨率技術研究進展[J];光學與光電技術;2012年05期

6 葉兆豐;;圖像超分辨率重建技術及研究[J];電子世界;2013年09期

7 強振平;何麗波;狄光智;陳旭;;一種基于稀疏表征的圖像超分辨率重建方法[J];云南大學學報(自然科學版);2013年S2期

8 黃華;樊鑫;齊春;朱世華;;基于粒子濾波的人臉圖像超分辨率重建方法[J];軟件學報;2006年12期

9 丁海勇;卞正富;;數(shù)字圖像超分辨率重構技術研究[J];計算機與數(shù)字工程;2007年10期

10 唐斌兵;王正明;;基于先驗約束的圖像超分辨率復原[J];紅外與毫米波學報;2008年05期

相關會議論文 前7條

1 張煜東;吳樂南;奚吉;王水花;;變長小生境算法用于圖像超分辨率復原[A];2009年通信理論與信號處理學術年會論文集[C];2009年

2 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學學術會議摘要集[C];2010年

3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚;;利用示例圖像獲取先驗知識的圖像超分辨率重建算法[A];第一屆中國高校通信類院系學術研討會論文集[C];2007年

4 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國數(shù)字成像技術及相關材料發(fā)展與應用學術研討會論文摘要集[C];2004年

5 顧瑩;朱秀昌;;基于CS的圖像超分辨率重建[A];2010年通信理論與信號處理學術年會論文集[C];2010年

6 韓玉兵;殷瑋瑋;吳樂南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

7 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

相關博士學位論文 前10條

1 曹明明;基于鄰域嵌入的圖像超分辨率重建研究[D];南京郵電大學;2015年

2 李小燕;基于廣義圖像先驗的圖像超分辨率重建算法研究[D];西南交通大學;2015年

3 康凱;圖像超分辨率重建研究[D];中國科學技術大學;2016年

4 徐海明;圖像超分辨率重建關鍵技術的基礎研究[D];中國科學技術大學;2013年

5 李娟;基于稀疏表示的圖像超分辨率復原研究[D];武漢科技大學;2016年

6 鄧良劍;圖像處理若干問題的數(shù)學模型和高性能算法研究[D];電子科技大學;2016年

7 王新蕾;基于鄰域學習和稀疏原子聚類字典的圖像超分辨率重構算法研究[D];東南大學;2016年

8 賈媛媛;基于稀疏表示的3D磁共振圖像超分辨率重建算法研究[D];重慶大學;2016年

9 張劍;圖像超分辨率重建問題研究[D];中南大學;2010年

10 何宇清;圖像超分辨率重建關鍵技術研究[D];天津大學;2007年

相關碩士學位論文 前10條

1 雷倩;基于深度學習的圖像超分辨率重構[D];河北師范大學;2015年

2 馬瑩;基于字典學習的圖像超分辨率復原算法研究[D];燕山大學;2015年

3 張志超;單幅圖像超分辨率重建算法研究[D];鄭州大學;2015年

4 王賀青;基于稀疏表示和非下采樣輪廓波變換的單幅圖像超分辨率[D];哈爾濱工業(yè)大學;2015年

5 曹柱利;基于學習的毫米波圖像超分辨率算法研究[D];電子科技大學;2014年

6 吳秀秀;基于配準的肺4D-CT圖像超分辨率重建研究[D];南方醫(yī)科大學;2015年

7 熊智;車牌圖像超分辨率重建算法研究[D];南昌航空大學;2015年

8 趙新;圖像超分辨率重建系統(tǒng)的研究與實現(xiàn)[D];河北工業(yè)大學;2015年

9 王保全;基于混合專家模型的快速圖像超分辨率方法研究與實現(xiàn)[D];哈爾濱工業(yè)大學;2015年

10 徐光耀;基于稀疏表示的人臉圖像超分辨率技術研究[D];上海交通大學;2015年

，

本文編號：2464029