基于自適應雙字典學習的MRI序列圖像重構.pdf

1、磁共振成像(MRI)是利用人體的磁性核(氫核)在磁場中所表現出來的特性進行成像的技術。該技術的具有無傷害性、組織對比度高和組織分辨率高等優(yōu)點,己成為臨床醫(yī)學的一種十分重要的檢測手段。但是,目前MRI仍遭遇到成像速度太慢的瓶頸問題,被成像者長時間滯留在成像儀器內,被成像者的運動會使圖像產生運動模糊;較慢的速度已經大大制約了MRI成像技術的發(fā)展。因此,MRI研究領域中最熱門的課題就是如何提高MRI數據采集速度,減少成像時間。其中,利用部分K

2、空間數據成像是加快MRI成像速度的最常用的方法。隨著成像方法越來越好,對于運動腫瘤的放射治療也變得越來越復雜,4D-MRI將會為放射治療方案提供經得起檢驗的信息,如何獲得高分辨率的4D-MRI也十分具有研究意義。
　　本文主要研究利用高倍下采樣的部分 K空間序列數據重構高分辨率磁共振圖像的方法,提出了一種基于自適應雙字典學習的部分 K空間序列圖像重構算法和一種基于相似性插值的部分 K空間序列圖像重構算法,并將其應用到多個健康志愿者

3、和多個癌癥患者的MRI重構中。同時,本文還研究了如何利用多層2D動態(tài)MRI獲得高分辨率的4D-MRI,提出了一種基于雙字典學習的4D-MRI超分辨率重構算法。本論文的主要創(chuàng)新點如下:
　　(1)提出了一種基于自適應雙字典學習的部分 K空間序列圖像重構算法。該方法不需要已知參考圖,而是充分利用部分 K空間序列數據之間的相關性,產生一些完整的 K空間數據,得到高分辨字典,這樣不僅減少了數據的采集量,提高了數據的采集速度,同時合成參考圖

4、和待重構圖像具有結構相似性,獲得的字典自適應性更強。通過殘差補償進一步補償了丟失信息,修正了重構圖像的一些細節(jié)邊緣,使圖像的視覺效果得到進一步的提高。此外,通過適時更新字典,該方法能夠顯著降低序列數據的重構誤差,從而大大增強算法的自適應性和魯棒性。
　　(2)提出了一種基于相似性插值的部分 K空間序列圖像重構方法。該方法不需要采集高采樣率的K空間數據,而是充分利用部分K空間序列數據之間的相似性,合成一些較完整的 K空間數據,降低了

5、采樣率。然后利用呼吸狀態(tài)最相似的合成數據對待重構的部分K空間數據進行插值補充,而不是僅僅用相鄰的K空間數據進行插值,插值的數據更為精確,重構效果更好。此外,通過適時更新合成 K空間數據,能夠顯著降低序列數據的重構誤差,從而大大增強算法的自適應性和魯棒性。
　　(3)提出了一種基于雙字典學習的4D-MRI超分辨率重構算法。該方法利用預先采集的幾層2D動態(tài)MRI作為訓練樣本來獲得高、低分辨率字典,訓練樣本圖像與待重構圖像相關度高,重構