本文關(guān)鍵詞：基于壓縮感知理論的MR圖像重建

  更多相關(guān)文章： 壓縮感知 磁共振成像 聯(lián)合子空間 圖像重建 運動校正 自適應(yīng)重加權(quán) 稀疏性 結(jié)構(gòu)信息 圖像配準 總廣義全變分

【摘要】：磁共振成像（MRI）作為當今最重要的影像學(xué)手段之一，已在臨床醫(yī)學(xué)診斷中得到了廣泛應(yīng)用。然而，其相對緩慢的成像速度一直是影響MRI臨床吞吐量和成像質(zhì)量的主要因素。為提高成像速度，本文研究利用壓縮感知理論，設(shè)計有效的MR圖像重建方法。本文的主要研究內(nèi)容如下： 1.考慮到l1范數(shù)約束較l0范數(shù)約束會導(dǎo)致MR圖像重建所需要的測量數(shù)據(jù)增多，提出了一種混合加權(quán)l(xiāng)1-TV最小化的CS-MRI方法。該方法對圖像各像素及其梯度分配不同的權(quán)值，以逼近l0范數(shù)約束，并提出了具有魯棒性的權(quán)值選取準則，以及自適應(yīng)重加權(quán)迭代算法。通過交替地重建圖像并更新權(quán)值，最終得到精確的重建結(jié)果。基于實際MR圖像的仿真實驗表明，該方法在保持圖像邊緣和細節(jié)信息等方面具有明顯優(yōu)勢，相比于傳統(tǒng)方法和同類加權(quán)方法，可在相同采樣數(shù)據(jù)量下獲得更為精確的重建結(jié)果。 2.除MR圖像的稀疏性外，利用其結(jié)構(gòu)信息，提出了一種基于聯(lián)合子空間的CS-MRI方法。該方法在聯(lián)合子空間框架下對MR圖像進行建模，將MR圖像投影至K維聯(lián)合子空間，并提出了一種子空間更新算法（SUA）定位圖像所在的子空間。最后，通過求解包含TV正則化項的目標函數(shù)估計K個稀疏系數(shù)。針對稀疏Shepp-logan圖像和多幅實際MR圖像的實驗結(jié)果表明，只估計K個大系數(shù)可獲得比估計所有系數(shù)更為精確的重建結(jié)果。 3.利用參考圖像與目標圖像之間的相似性，提出了基于非局部全變差（NLTV）和部分支撐已知的CS-MRI方法。該方法從參考圖像中提取目標圖像的已知支撐集作為結(jié)構(gòu)化先驗信息，此外，使用NLTV正則化，克服了經(jīng)典的TV正則化帶來的塊狀效應(yīng)以及邊緣和細節(jié)信息丟失的問題。實驗結(jié)果表明，該方法可有效克服塊狀效應(yīng)，能夠在保證重建質(zhì)量的同時進一步降低測量率，提高MR成像速度。 4.研究基于參考圖像的MR圖像重建問題，提出了基于非均勻自由形變（FFD）運動校正的CS-MRI方法。該方法將待重建的目標圖像建模為經(jīng)聯(lián)合運動校正的參考圖像和差異圖像之和，從而將目標圖像的重建轉(zhuǎn)化為形變參數(shù)和差異圖像的聯(lián)合求解問題。為增強差異圖像的稀疏性，引入非均勻控制點的多層FFD模型，在保證配準精度的前提下顯著減少了計算復(fù)雜度。針對所提出的聯(lián)合求解模型，采用交替最小化算法，迭代地實現(xiàn)運動校正并重建差異圖像。該重建方法不僅準確地校正了運動偏移，而且能夠在低測量率下實現(xiàn)目標圖像的精確重建。 5.通過對基于參考圖像的CS-MRI方法的進一步研究，提出了一種利用差異圖像小波域稀疏性和總廣義變分（TGV）正則化的CS-MRI方法。該方法是將目標圖像建模為經(jīng)一次全局運動校正的參考圖像和差異圖像之和，利用差異圖像在小波域和離散梯度域的稀疏性約束重建。其顯著的優(yōu)勢在于：在重建過程中，避免了對比度差異的建模和計算；只需對參考圖像進行一次運動校正，，避免了多次迭代造成的巨大運算量。此外，引入二階TGV計算差異圖像的離散梯度，以抑制階梯效應(yīng)的產(chǎn)生。實驗結(jié)果表明，該方法在相同測量數(shù)據(jù)量下，提高了成像質(zhì)量，并有效抑制了階梯效應(yīng)的產(chǎn)生。 6.研究醫(yī)學(xué)圖像配準技術(shù)，提出了一種新的相似性測度——聯(lián)合均方差異和（SSD）與差異稀疏性的相似性測度（SSD-Sparsity）。SSD-Sparsity通過同時最小化灰度差異值和存在差異的像素個數(shù)來達到精確的配準效果，強化了配準的空間一致性。實驗結(jié)果表明，SSD-Sparsity相比經(jīng)典SSD測度具有更高的配準精度。 本文所提出的方法不僅可用于靜態(tài)MRI，且對于動態(tài)成像，介入手術(shù)成像等先進的MRI技術(shù)，以及其他成像領(lǐng)域，都具有實用價值和應(yīng)用前景。
【關(guān)鍵詞】：壓縮感知 磁共振成像 聯(lián)合子空間 圖像重建 運動校正 自適應(yīng)重加權(quán) 稀疏性 結(jié)構(gòu)信息 圖像配準 總廣義全變分
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• Abstract7-10
• 目錄10-14
• 符號14-15
• 插圖目錄15-17
• 表格目錄17-18
• 第1章 緒論18-26
• 1.1 課題研究背景和意義18-19
• 1.2 研究現(xiàn)狀19-24
• 1.2.1 磁共振快速成像技術(shù)研究現(xiàn)狀19-21
• 1.2.2 基于壓縮感知理論的磁共振成像研究現(xiàn)狀21-24
• 1.3 本文的主要工作及內(nèi)容安排24-26
• 第2章 磁共振成像與壓縮感知理論26-47
• 2.1 磁共振成像原理26-32
• 2.1.1 磁共振信號的產(chǎn)生與檢測26-29
• 2.1.2 磁共振成像的空間定位29-31
• 2.1.3 圖像重建31-32
• 2.2 壓縮感知理論32-39
• 2.2.1 數(shù)學(xué)模型32-33
• 2.2.2 稀疏表示33-34
• 2.2.3 測量矩陣設(shè)計34-36
• 2.2.4 壓縮感知重建算法36-39
• 2.3 基于壓縮感知理論的磁共振圖像重建39-46
• 2.3.1 利用圖像自身稀疏性的 CS-MR 圖像重建40-43
• 2.3.2 利用參考圖像的 CS-MR 圖像重建43-45
• 2.3.3 利用結(jié)構(gòu)化信息的 CS-MR 圖像重建45-46
• 2.3.4 存在的一些問題46
• 2.4 本章小結(jié)46-47
• 第3章 混合加權(quán) l1-TV 最小化的 CS-MRI 方法47-63
• 3.1 混合加權(quán) l1-TV 最小化的重建方法47-55
• 3.1.1 混合加權(quán) l1-TV 最小化模型48-51
• 3.1.2 自適應(yīng)重加權(quán)迭代算法51-55
• 3.2 實驗結(jié)果與分析55-61
• 3.2.1 實驗一56
• 3.2.2 實驗二56-61
• 3.3 討論61-62
• 3.4 本章小結(jié)62-63
• 第4章 基于聯(lián)合子空間的 CS-MRI 方法63-75
• 4.1 重建方法63-66
• 4.1.1 圖像建模63-64
• 4.1.2 重建步驟64-66
• 4.2 實驗結(jié)果與分析66-72
• 4.2.1 實驗一66-68
• 4.2.2 實驗二68-72
• 4.3 討論72-74
• 4.3.1 K 值對重建性能的影響72-73
• 4.3.2 定位準確性對重建性能的影響73-74
• 4.4 本章小結(jié)74-75
• 第5章 基于參考圖像的 CS-MRI 方法75-121
• 5.1 基于 NLTV 和部分支撐已知的 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 實驗結(jié)果與分析79-85
• 5.1.4 討論85
• 5.2 醫(yī)學(xué)圖像配準技術(shù)85-91
• 5.2.1 特征提取86-87
• 5.2.2 空間變換87-89
• 5.2.3 相似性測度89-90
• 5.2.4 優(yōu)化算法90-91
• 5.3 聯(lián)合 SSD 和差異稀疏性測度91-94
• 5.3.1 SSD-Sparsity 測度91-92
• 5.3.2 實驗結(jié)果92-94
• 5.4 基于非均勻 FFD 運動校正的 CS-MRI 方法94-107
• 5.4.1 圖像建模95-99
• 5.4.2 重建模型99
• 5.4.3 算法99-101
• 5.4.4 實驗結(jié)果與分析101-105
• 5.4.5 討論105-107
• 5.5 利用差異圖像小波域稀疏性和 TGV 正則化的 CS-MRI 方法107-118
• 5.5.1 圖像建模107-108
• 5.5.2 重建模型108-112
• 5.5.3 算法112-114
• 5.5.4 實驗結(jié)果與分析114-118
• 5.6 重建結(jié)果對比118-119
• 5.7 本章小結(jié)119-121
• 第6章 結(jié)論與展望121-124
• 6.1 本文的主要貢獻和創(chuàng)新121-122
• 6.2 研究展望122-124
• 參考文獻124-140
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單140-141
• 致謝141-142
• 作者簡介142

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 練秋生;陳書貞;;基于解析輪廓波變換的圖像稀疏表示及其在壓縮傳感中的應(yīng)用[J];電子學(xué)報;2010年06期

2 李亞峰;馮象初;;L1投影問題的分裂Bregman方法[J];電子學(xué)報;2010年11期

3 許建樓;馮象初;郝巖;;自適應(yīng)二階總廣義變分圖像恢復(fù)方法[J];光電子.激光;2013年02期

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

5 楊俊杰;劉海林;;增廣Lagrange函數(shù)優(yōu)化算法在稀疏信號重構(gòu)問題中的應(yīng)用[J];計算機科學(xué);2011年09期

6 侯金曼;何寧;呂科;;基于壓縮感知的圖像快速重建方法[J];計算機工程;2011年19期

7 楊海蓉;方紅;張成;韋穗;;基于回溯的迭代硬閾值算法[J];自動化學(xué)報;2011年03期

8 翁卓;謝國喜;劉新;熊承義;鄭海榮;邱本勝;;基于k空間加速采集的磁共振成像技術(shù)[J];中國生物醫(yī)學(xué)工程學(xué)報;2010年05期

9 吳巧玲;倪林;何德龍;;基于非下采樣contourlet變換的壓縮感知圖像重建[J];中國科學(xué)技術(shù)大學(xué)學(xué)報;2012年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 劉吉英;壓縮感知理論及在成像中的應(yīng)用[D];國防科學(xué)技術(shù)大學(xué);2010年

2 金晶;醫(yī)學(xué)圖像配準算法研究[D];哈爾濱工業(yè)大學(xué);2008年

本文編號：791923