【摘要】：磁共振成像(Magnetic Resonance Imaging, MRI)是一種非侵入式的成像模態(tài),具有無電離輻射和優(yōu)秀的軟組織對(duì)比度等優(yōu)點(diǎn)。然而,MRI較慢的成像速度仍是制約其廣泛應(yīng)用的一大瓶頸。目前,可通過快速數(shù)據(jù)采集等方法來改善成像速度,其中欠采樣k空間是一種減少數(shù)據(jù)采集時(shí)間的常用方法,但會(huì)導(dǎo)致重構(gòu)MR圖像的質(zhì)量退化,從而影響其診斷價(jià)值。因此,如何通過欠采樣后空間數(shù)據(jù)快速準(zhǔn)確地重構(gòu)MR圖像是目前研究的難點(diǎn)和熱點(diǎn),具有重要的理論意義和廣泛的應(yīng)用價(jià)值。近些年發(fā)展起來的壓縮感知(Compressed Sensing, CS)理論為快速M(fèi)R成像研究提供了一個(gè)新途徑,并且已表現(xiàn)出很大的潛力。作為CS理論的一個(gè)前提條件,稀疏性或可壓縮性對(duì)于改善重構(gòu)圖像質(zhì)量起著重要作用。本文針對(duì)現(xiàn)有預(yù)定義分析型變換和圖像域單尺度字典在稀疏表示中存在的不足,從尋求最優(yōu)的稀疏先驗(yàn)信息和探索重構(gòu)最優(yōu)化問題的有效數(shù)值求解算法以適用于相應(yīng)稀疏化結(jié)構(gòu)兩個(gè)方面,基于CS理論開展了通過欠采樣k空間數(shù)據(jù)重構(gòu)達(dá)到臨床診斷質(zhì)量MR圖像的研究,并提出改進(jìn)思路與方法,達(dá)到改善重構(gòu)圖像質(zhì)量的目的。論文主要內(nèi)容如下：1.針對(duì)目前已被應(yīng)用在CS-MRI重構(gòu)中的稀疏變換存在的不足,提出了一種基于非子采樣Shearlet變換(Non-Subsampled Shearlet transform, NSST)稀疏先驗(yàn)的高度欠采樣MR圖像重構(gòu)方法。考慮到MR圖像包含各個(gè)方向的特征信息以及重構(gòu)的準(zhǔn)確性,對(duì)NSST分解方向數(shù)進(jìn)行了改進(jìn),每個(gè)尺度可分解為任意偶數(shù)個(gè)方向子帶,使得方向的選擇性更加靈活。高度的方向敏感性和最優(yōu)稀疏逼近特性,使NSST能更好地捕獲MR圖像固有的特征信息,從而改善重構(gòu)圖像的質(zhì)量。相應(yīng)的重構(gòu)最優(yōu)化問題采用有效的迭代軟閡值算法進(jìn)行數(shù)值求解。對(duì)體模和人體大腦活體掃描的實(shí)數(shù)和復(fù)數(shù)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,該方法重構(gòu)圖像的質(zhì)量明顯優(yōu)于其他方法,不僅能很好地保護(hù)圖像邊緣細(xì)節(jié)等信息,還能有效抑制偽影和噪聲干擾,具有較好的主觀視覺效果和客觀評(píng)價(jià)指標(biāo),表明了該方法的有效性以及將NSST作為稀疏先驗(yàn)信息融入在重構(gòu)中的優(yōu)勢(shì)。2.針對(duì)預(yù)定義的稀疏化變換缺乏自適應(yīng)性的問題,提出了一種基于自適應(yīng)字典過完備稀疏表示和分塊約束型分裂增廣拉格朗日收縮的CS-MRI重構(gòu)方法。該方法包括基于圖像塊的字典學(xué)習(xí)以及通過擴(kuò)展的分塊約束型分裂增廣拉格朗日收縮算法實(shí)現(xiàn)MR圖像重構(gòu)兩個(gè)過程�？紤]有約束的基于字典學(xué)習(xí)的CS-MRI重構(gòu)模型,以k空間數(shù)據(jù)的保真度以及所有圖像塊對(duì)于字典總的擬合誤差共同作為最小化的目標(biāo),將圖像塊的稀疏性作為約束條件,交替完成訓(xùn)練稀疏化字典和重構(gòu)圖像兩個(gè)過程。再者,相應(yīng)于字典學(xué)習(xí)的分塊操作,進(jìn)一步擴(kuò)展約束型分裂增廣拉格朗日收縮算法,以適用于字典學(xué)習(xí)分塊稀疏化結(jié)構(gòu),并對(duì)重構(gòu)模型進(jìn)行有效地?cái)?shù)值求解。不同欠采樣模式和不同采樣率下的重構(gòu)實(shí)驗(yàn)表明,基于分塊的稀疏化方法能有效捕獲局部圖像特征,獲得比全局稀疏化變換更好的重構(gòu)質(zhì)量。此外,擴(kuò)展的算法能較好地保持圖像細(xì)節(jié)、紋理及邊緣等信息,并且能快速收斂,具有較強(qiáng)的適用性。3.針對(duì)預(yù)定義的稀疏化變換和單尺度字典學(xué)習(xí)在稀疏表示信號(hào)時(shí)存在的不足,改進(jìn)了基本的字典學(xué)習(xí)模型,提出了一種基于均勻離散Curvelet變換(Uniform Discrete Curvelet Transform, UDCT)域多尺度字典雙重稀疏化模型,并應(yīng)用于CS-MRI重構(gòu)。該模型通過在UDCT的多尺度結(jié)構(gòu)上訓(xùn)練過完備字典來構(gòu)建。構(gòu)造的UDCT域多尺度字典融合了多分辨率特性與字典學(xué)習(xí)的自適應(yīng)數(shù)據(jù)匹配能力。然后,將該字典的稀疏先驗(yàn)信息引入到重構(gòu)模型中,為適用于多尺度分層和分塊稀疏化結(jié)構(gòu),進(jìn)一步擴(kuò)展約束型分裂增廣拉格朗日收縮方法,并用于模型的數(shù)值求解。實(shí)驗(yàn)結(jié)果表明,相比于僅僅使用預(yù)定義的分析型變換和圖像域單尺度字典稀疏先驗(yàn),該雙重稀疏化模型能夠用更少的稀疏系數(shù)自適應(yīng)地匹配圖像在多尺度多方向的各種結(jié)構(gòu)成分,有利于保留MR圖像不同分辨率的精細(xì)特征和重構(gòu)的快速收斂。提出的方法顯著地改善了高度欠采樣情況下重構(gòu)圖像的質(zhì)量,充分體現(xiàn)了UDCT域多尺度字典雙重稀疏化模型的優(yōu)勢(shì)以及擴(kuò)展的數(shù)值求解算法的有效性和穩(wěn)定性。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 石光明;劉丹華;高大化;劉哲;林杰;王良君;;壓縮感知理論及其研究進(jìn)展[J];電子學(xué)報(bào);2009年05期

本文編號(hào)：2744670