自適應(yīng)字典壓縮感知模型及其在MRI成像中的應(yīng)用.pdf

1、磁共振成像(Magnetic Resonance Imaging,MRI)作為醫(yī)學影像的一個重要部分,具有無輻射、多平面成像、掃描參數(shù)多、提供病理生理信息多、軟組織對比分辨率高等優(yōu)點,已成為臨床診斷和醫(yī)學科研的一種十分重要的檢測手段。然而由于成像設(shè)備本身及成像方式等多種因素的影響,常規(guī)的MR成像時間較長,這一點會影響診療效果;另一方面被成像者的運動和其他生理性運動也會導(dǎo)致成像質(zhì)量下降。MRI的數(shù)據(jù)采集是順序進行的,其成像時間與采集的數(shù)據(jù)

2、量之間成一定的比例關(guān)系。因而研究部分K空間數(shù)據(jù)(即僅采集部分數(shù)據(jù))重建方法,以保證成像質(zhì)量的前提下提高MRI成像速度具有重要的理論與實際應(yīng)用價值。
　　 壓縮傳感(Compressive sensing,CS)理論是新近提出的一種非線性信號采樣理論,該理論指出可壓縮信號可由遠低于采樣定理要求的數(shù)據(jù)量,利用信號的稀疏性等先驗知識通過非線性重建方法有效重建。該理論為部分K空間數(shù)據(jù)重建指明了方向。論文在CS理論框架下,深入研究MR圖像

3、的稀疏先驗知識,提出一種綜合多種先驗知識的部分K空間數(shù)據(jù)重建方法。論文的主要研究內(nèi)容與成果如下:
　　 1.針對現(xiàn)有基于優(yōu)化的自適應(yīng)字典學習方法難以自動確定稀疏度、噪聲方差或重構(gòu)殘差等參數(shù),論文提出一種基于spike-slab稀疏先驗的非參數(shù)貝葉斯自適應(yīng)字典稀疏表示方法,并將其應(yīng)用于MR圖像去噪領(lǐng)域。相關(guān)實驗表明,基于自適應(yīng)字典稀疏表示方法的MR圖像去噪算法可獲得更優(yōu)的去噪效果。另外,該去噪方法可自適應(yīng)確定信號噪聲方差及信號的稀

4、疏度,這對于基于CS的部分K空間數(shù)據(jù)重建具有重要的意義。
　　 2.針對MR圖像同時滿足小波等解析字典稀疏和圖像塊自適應(yīng)字典稀疏兩種特性,論文提出一種綜合利用圖像塊稀疏和全局稀疏兩種先驗信息的部分K空間數(shù)據(jù)重建框架。在此框架下,依據(jù)所用先驗信息的不同分別給出三種重建模型:
　　 1)利用基于Beta過程的Bayesian稀疏表示模型對圖像塊的稀疏性進行建模,并結(jié)合部分K空間數(shù)據(jù)實現(xiàn)圖像重建(Bprec)。相比于其他基于塊

5、稀疏的重建方法,Bprec模型具有同時實現(xiàn)局部塊估計、稀疏字典學習、噪聲估計等優(yōu)點:
　　 2)利用廣義高斯分布(GGD)對圖像的小波變換系數(shù)建模,并與Bprec相結(jié)合,構(gòu)建Bprec+Wavelet混合重建模型,以實現(xiàn)對重建圖像的小波域稀疏與圖像塊自適應(yīng)字典域稀疏的雙重約束。
　　 3)利用總體變差函數(shù)(TV)對圖像整體的分片光滑性進行約束,并將其與Bprec對圖像塊稀疏性的約束相結(jié)合,構(gòu)建Bprec+TV混合重建模型