[发明专利]利用紧框架学习的动态图像重建

权利要求书

1.一种用于基于所学习的紧框架来重建图像的计算机实现的方法，该方法包括：

使用交错过程在一段时间内采集欠采样的k–空间数据；

确定欠采样的k–空间数据的平均值；

基于该欠采样的k–空间数据的平均值来生成参考图像；

基于该参考图像来确定紧框架运算符；以及

经由利用该紧框架运算符的稀疏重建，根据欠采样的k–空间数据来生成被重建的图像数据，

其中基于该参考图像来确定紧框架运算符包括：

基于该参考图像来确定参考矢量；

使用现有的紧框架系统来初始化一个或多个紧框架滤波器；以及

执行迭代过程，其包括：

基于紧框架滤波器来定义分析运算符；

通过对该参考矢量应用该分析运算符来确定包括多个紧框架系数的系数矢量；

通过对紧框架系数应用硬阈值运算符来更新该系数矢量；以及

基于更新的系数矢量来更新紧框架滤波器。

2.根据权利要求1所述的方法，其中该交错过程以预定采样率对多行k–空间数据进行采样。

3.根据权利要求1所述的方法，其中在基于该段时间的时间方向上确定该欠采样的k–空间数据的平均值。

4.根据权利要求1所述的方法，其中基于该欠采样的k–空间数据的平均值来生成参考图像包括：

对该欠采样的k–空间数据的平均值应用傅里叶变换。

5.根据权利要求1所述的方法，其中基于该参考图像来确定参考矢量包括：

将多列参考图像垂直地连接在一起以产生参考矢量。

6.根据权利要求1所述的方法，其中使用奇异矢量分解过程来更新紧框架滤波器。

7.根据权利要求1所述的方法，其中该迭代过程被重复与预定的用户选择的迭代数量相等的次数。

8.根据权利要求1所述的方法，其中紧框架运算符被用作该稀疏重建中的正则项。

9.根据权利要求1所述的方法，其中基于一个或多个附加的参考图像来进一步确定该紧框架运算符。

10.一种用于基于所学习的紧框架来重建图像的制品，该制品包括非瞬态有形计算机可读介质，其保持有用于执行方法的计算机可执行指令，该方法包括：

使用交错过程在一段时间内采集欠采样的k–空间数据；

确定欠采样的k–空间数据的平均值；

基于该欠采样的k–空间数据的平均值来生成参考图像；

基于该参考图像来确定紧框架运算符；以及

经由利用该紧框架运算符的稀疏重建，根据欠采样的k–空间数据来生成被重建的图像数据，

其中基于该参考图像来确定紧框架运算符包括：

基于该参考图像来确定参考矢量；

使用现有的紧框架系统来初始化一个或多个紧框架滤波器；以及

执行迭代过程，其包括：

基于紧框架滤波器来定义分析运算符；

通过对该参考矢量应用该分析运算符来确定包括多个紧框架系数的系数矢量；

通过对紧框架系数应用硬阈值运算符来更新该系数矢量；以及

基于更新的系数矢量来更新紧框架滤波器。

11.根据权利要求10所述的制品，其中在基于该段时间的时间方向上确定该欠采样的k–空间数据的平均值。

12.根据权利要求10所述的制品，其中基于该参考图像来确定参考矢量包括：

将多列参考图像垂直地连接在一起以产生参考矢量。

13.根据权利要求10所述的制品，其中使用奇异矢量分解过程来更新紧框架滤波器。

14.根据权利要求10所述的制品，其中该迭代过程被重复与预定的用户选择的迭代数量相等的次数。