[发明专利]一种基于稀疏变换学习的改进灵敏度编码重建方法

说明书

本发明涉及一种基于稀疏变换学习的改进灵敏度编码重建方法，属于磁共振成像技术领域。灵敏度编码(SENSE)是一种显式利用多个接收线圈灵敏度信息来减少扫描时间的技术。为了提高磁共振重建质量、减少重建的伪影，本发明将数据驱动的自适应稀疏变换学习TL引入SENSE模型中，提出了一种基于灵敏度编码结合变换学习正则项的并行磁共振成像重建算法(Transform Learning‑Sensitivity Encoding,TL‑SENSE)。该模型利用交替方向乘子法(Alternating Direction Method Of Multipliers,ADMM)进行求解，通过变换更新、硬阈值去噪和图像更新三步实现磁共振成像重建。仿真实验结果表明，与基于全变分(Total Variation，TV)和Lp伪范数全变分(LpTV)正则项的灵敏度编码重建模型相比，提出的模型对图像去噪和修复具有较好的效果。

技术领域

本发明涉及一种基于稀疏变换学习的改进灵敏度编码重建方法，属于磁共振成像技术领域。

背景技术

磁共振成像(Magnetic Resonance Imaging,MRI)技术是目前临床医学重要的影像学工具之一。如何加快磁共振成像扫描速度及提高重建质量广受关注。

并行成像(Parallel Imaging,PI)和压缩感知(Compressed Sensing,CS)是加速磁共振成像的常用技术。并行成像技术通过使用多个灵敏度不同的接收线圈同时采集信号。灵敏度编码(SENSitivity Encoding,SENSE)模型显式利用灵敏度信息进行并行磁共振成像的重建，可显著提高磁共振成像的性能。2001年，Pruessmann等人结合了网格划分原理和共轭梯度迭代法提出针对任意k空间轨迹的SENSE技术，减少了非笛卡尔SENSE重构所需的时间。并行成像有效的加速了磁共振成像，且提高了成像的鲁棒性，但是边缘的保留完整度较差，灵敏度估计也存在误差。

压缩感知理论表明：若信号具有有效稀疏性，则可以从欠采样数据中精确恢复出原信号。为了弥补传统线圈灵敏度估计和并行磁共振图像重建技术的不足，Ying等人于2007年提出了一种联合估计线圈灵敏度和重建所需图像的方法，该方法从线圈灵敏度的初始估计开始，在每次迭代中交替更新重建图像和线圈灵敏度。2008年Liu等人将压缩感知与SENSE模型结合，引入全变分(Total Variation,TV)正则项，即SparseSENSE，该方法能有效的提高重构图像质量。2011年，Ramani等人提出利用增广拉格朗日方法求解含有全变分(Total Variation,TV)正则项、小波变换的L1范数正则项的SENSE模型重构问题，即TV-SENSE，该算法有较快的收敛速度。2020年，鲍中文等人提出基于Lp伪范数全变分(LpTV)正则项的图像重建算法，利用变量分裂技术将复杂的LpTV-SENSE问题解耦成多个容易求解的子问题进行求解。由此可见，正则项的引入使SENSE模型在抑制噪声和去除伪影方面表现出良好的性能。

基于灵敏度编码技术进行线圈灵敏度估计重建图像需要正则化来抑制噪声和减少混叠效应。目前常见的基于正则化器的灵敏度编码技术，主要有基于TV正则项的TV-SENSE算法和基于Lp伪范数全变分(LpTV)正则项的LpTV-SENSE算法。但这些算法处理的图像仍存在问题：重建图像存在阶梯伪影和模糊伪影，细节和边缘保留完整度较低，目标图像与原始图像一致性较低。

发明内容

本发明的目的在于克服现有技术的不足，提供基于稀疏变换学习的改进灵敏度编码重建方法，能进一步提高磁共振成像重建图像的质量。

本发明的目的是通过以下技术方案来实现的：基于稀疏变换学习的改进灵敏度编码重建方法，它包括以下几个步骤：