[发明专利]基于自适应正交字典学习的动态磁共振并行重建方法

说明书

本发明公开了一种基于自适应正交字典学习的动态磁共振并行重建方法，将原本在离线模式下运行的相对较慢的的字典学习算法应用到在线模式当中来，以高精度采样的第一帧为参考，实现对任意n个相邻帧MR图像的实时在线重建，以三维图像小块作为重建对象，采用正交字典作为稀疏约束条件和奇异值分解算法提高重建速度和精度。

技术领域：

本发明属于医学图像重建技术领域，具体是涉及一种基于自适应正交字典学习的动态磁共振并行重建方法。

背景技术：

磁共振成像(magnetic resonance imaging，MRI)技术具有无伤口、无辐射、分辨率高和可多维成像等优点，不仅可显示人体组织的解剖信息，而且可显示其功能信息。MRI被广泛的应用于临床医学各个系统，是继CT以后的又一重要临床检测方法。但MR成像速度慢是其一大缺点，尤其是动态磁共振成像(dynamic magnetic resonance imaging，dMRI)，需要在较短时间内获得高时空分辨率的MRI图像序列，目前是医学界的一个难题。过长的扫描时间加上病人的器官运动(如呼吸，吞咽等)，会导致成像模糊，同时也无法满足动态实时成像和功能成像的需求。在k空间进行降采样是提高成像速度的一种方法，但如果直接从k空间逆里叶逆变重建图像，根据奈奎斯特采样定理，会导致重建图像产生混叠效应。动态磁共振成像数据在时空域的具有很强的稀疏特性，使得压缩感知(compressive sensing，CS)技术被广泛应用到MR图像重建当中来。CS理论指出，如果一个信号在变换域是稀疏的，且变换基和测量矩阵是不相关的(又称有限等距性质，RIP)，则采用CS方法可以从降采样(远小于奈奎斯特采样率条件下)的数据样本当中，通过非线性重建算法完美重建该信号。

dMRI重建方法可以分为在线模式和离线模式。采用离线模式重建时，需要在重建之前获得整个dMRI序列的采样数据。常见的离线重建方法有运动校正，字典学习，和低秩近似等。这些方法充分利用整个dMRI序列稀疏特性进行高精度重建，其缺点是重建速度较慢，并且需要等待较长的扫描时间。采用在线方法重建时，每一帧的重建仅仅跟之前的帧有关，可以边扫描边重建，节省了等待时间，但由于缺乏整个序列的完整信息，重建精度无法保障，同时对重建速度也提出更高的要求。

在线重建有两种常用的方案：串行和并行。串行方案通常利用图像或变换域中相邻帧之间的稀疏性，这也是大多数现有在线方法中常用的策略。然而，这些方法往往会导致累积误差。Chen C等人采用了一种新的动态全变差(dTV)的并行重建方案来解决误差累积问题。该方法采用第一帧高精度采样作为参考帧，其余的帧与其逐一比较并行重建。该方法每次只能利用两帧之间的稀疏作为重建的先验知识，导致比离线方法精度低。

发明内容：

为解决现有技术中存在的问题，本发明提出了一种基于自适应正交字典学习的实时动态磁共振并行重建方法。

为达到上述目的，本发明的技术方案如下：

一种基于自适应正交字典学习的动态磁共振并行重建方法，包括如下步骤：

S1：输入原始dMRI序列X，输入测量值y，所述测量值y为k-t空间的欠采样数据，采用伪随机射线欠采样模式，输入算法的第一循环迭代次数OutLoop，输入算法的第二循环迭代次数InnerLoop，输入字典学习参数；

S2：初始化，将重建图像初始值设为这里为第k次迭代后重建的MR子序列图像，x_zf为k-t空间欠采样后零填充数据，初始化字典D，所述字典D为DCT字典；

S3：迭代更新，

for i＝1:OutLoop

forj＝InnerLoop

更新自适应字典D；

更新图像块稀疏表示系数α_i；