用同像权提高任意采样轨迹磁共振图像重建的精度

同像权是一种新的采样密度补偿函数 ,可用来提高任意k空间采样轨迹磁共振图像重建的精度。以同像准则为基础 ,导出了同像权满足的方程 ,并给出了一个迭代解法。首先 ,把同像权用于一维模型 ,从随机采样的数据中重建一维图像。随后 ,把同像权用于二维图像重建 ,从螺旋轨迹采集的数据中分别重建Shepp Logan模型、水影模型和人体脑部图像。最后 ,计算了同像权重建的图像与模型图像或Pipe权重建图像的差值。这些差值图像显示用同像权重建图像的精度高于Pipe权的精度。

基于快速分裂Bregman迭代的全变差正则化SENSE磁共振图像重建

在并行磁共振成像中,由于敏感度编码(SENSE)重建过程的病态性,当加速因子增大时,其重建图像的信噪比将会明显降低.通过深入分析全变差(TV)正则化的SENSE重建模型,引入一种高效快速的分裂Bregman迭代算法来得到优化解,进而有效改善图像重建效果.分别对磁共振的体模数据和大脑数据进行仿真实验研究.结果表明,与传统TV正则化SENSE重建相比,此算法不但迭代次数少、收敛速度快,而且能够有效消除混叠伪影,提高图像信噪比并减小归一化均方误差.

基于SENSE和GRAPPA的并行磁共振图像重建算法

并行磁共振成像技术降低了采样时间,提高了成像速度和图像分辨率,但重建图像信噪比有所下降。为此提出了一种基于SENSE(Sensitivity Encoding)和GRAPPA(Gene Relized Autocalibrating Patially Parallel Acquisitions)的并行成像算法,降低由于减少采样行而造成的信噪比损失。在采集较少K空间中心自标定(ACS)行基础上,先用GRAPPA算法拟合出更多中心数据估计得到较为精确的线圈灵敏度,采用共轭梯度法进行图像重建,得到质量较好的重建图像,进而结合估计的线圈灵敏度进行交替迭代优化,计算出误差较小、分辨率较高的最终重建图像。采用了不同加速因子的人脑磁共振K空间欠采样数据以验证该算法的重建性能。仿真实验结果表明,该算法重建出的MR图像从视觉效果上和定量对比结果上都优于已有算法。尤其是在加速因子较大、采样行数较少时可以重建出质量更高的磁共振图像,具有更低的归一化均方误差和更高的信噪比(能提高22%)。新算法降低K空间采样行的同时,提高了并行磁共振重建图像信噪比并降低了噪声干扰。

基于Moreau-包络的近似平滑迭代磁共振图像重建算法

针对基于压缩感知(CS)的磁共振成像(MRI)稀疏重建中存在的两个非平滑正则项问题,提出了一种基于Moreau包络的近似平滑迭代算法(PSIA)。基于CS的经典MRI稀疏重建是求解一个由最小二乘保真项、小波变换稀疏正则项和总变分(TV)正则项线性组合成的目标函数最小化问题。首先,对目标函数中的小波变换正则项作平滑近似;然后,将数据保真项与平滑近似后的小波正则项的线性组合看成一个新的可以连续求导的凸函数;最后,采用PSIA对新的优化问题进行求解。该算法不仅可以同时处理优化问题中的两个正则约束项,还避免了固定权重带来的算法鲁棒性问题。仿真得到的体模图像及真实磁共振图像的实验结果表明,所提算法与四种经典的稀疏重建算法:共轭梯度(CG)下降算法、TV1范数压缩MRI(TVCMRI)算法、部分k空间重建算法(RecPF)和快速复合分离算法(FCSA)相比,在图像信噪比、相对误差和结构相似性指数上具有更好的重建结果,且在算法复杂度上与现有最快重建算法即FCSA相当。

基于Gadgetron平台的多GPU分布式磁共振图像重建

为了满足磁共振成像(MRI)临床扫描的需求,磁共振图像重建算法的开发一直在不断进行.目前广泛使用的算法实现方式是利用中央处理器(CPU)对磁共振扫描数据进行数学变换得到图像,随着算法复杂度的提升,计算性能问题逐渐显露.利用CPU在大数据量下执行复杂算法时,计算并行性的缺失以及运算中产生的海量数据的存储负荷会导致计算变得极为缓慢,使得一些算法因为重建时间过长,在临床上面临难以推广的问题,也制约了基础研究中新算法的研发.本文设计并实现了一种新的重建算法执行方式,利用Gadgetron磁共振软件重建平台在多核CPU基础上搭载多块图形处理器(GPU),将磁共振图像重建以分布式并行计算方式实现,并以重建耗时较长的3D径向数据采集Stack of Star(SOS)的图像重建为实例,展示这种重建的实现方法能以相对低廉的硬件成本极大提升重建的速度.

基于多尺度密集嵌套型网络的磁共振图像重建

目的:研究一种从欠采样K空间数据中重建高质量磁共振图像的算法。方法:利用密集连接网络与多尺度思想设计一种网络模型来实现磁共振图像的高质量重建。首先以密集连接网络为基础框架,将不同空洞率的组合分别放置在密集连接单元;然后基于切片间的先验信息来建立相邻切片间特征信息的传输通道,并嵌套在密集连接网络当中;最后对K空间进行数据保真,并在网络迭代层加入密集连接机制。结果:对于12.5%和25%的K空间数据,重建的磁共振图像峰值信噪比(PSNR)分别为36.12 dB,40.45 dB。结论:在Calgary-Campinas数据集上的实验结果表明,与传统网络模型相比,所提模型重建精度更高、收敛更快。

基于Split Bregman算法的MRI图像重建参数分析

压缩感知理论已应用在MRI成像中,作为压缩感知的非线性重建算法的重要分支,以Split Bregman算法为代表的凸松弛法将信号重建问题转化为凸优化问题求解,其计算效率高.对Split Bregman算法的正则化参数功能和调节机制进行了理论研究,分析了正则化参数对该算法收敛精度和收敛速度的影响.仿真结果表明了3个正则化参数对MRI图像重建效率和精度的影响程度.

基于虚拟线圈和卷积神经网络的多层同时激发图像重建

本文提出一种基于虚拟共轭线圈(Virtual Coil Concept,VCC)技术和k空间插值鲁棒人工神经网络(Robust Artificial-neural-networks for k-space Interpolation,RAKI)的图像重建方法,用于磁共振多层同时激发成像(Simultaneous Multi-Slice imaging,SMS),该方法能够有效提升重建图像的质量,被命名为VIRGINIA(VIRtual conjuGate colls Neural-networks InterpolAtion).为了得到更高质量的SMS图像,本文提出的VIRGINIA方法利用磁共振线圈数据的复数共轭对称性质扩展了SMS所获取的多通道数据,并将扩展后的数据用于RAKI网络的训练,利用训练后的网络实现高质量的SMS图像重建.本文将VIRGINIA方法和其他SMS图像重建方法(RAKI和Slice-GRAPPA方法)进行了对比,并采用结构相似指数(Structural Similarity Index,SSIM)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和均方根误差(Root Mean Square Error,RMSE)对不同方法的重建图像进行了量化对比分析.结果显示,在相同的SMS加速倍数下,使用VIRGINIA方法进行重建的图像质量均好于RAKI方法,且远好于传统Slice-GRAPPA方法.

低秩和稀疏联合重建模型的加速算法

低秩和稀疏联合重建模型是近些年发展起来的处理信号重建或信号恢复问题较为有效的方法之一,诸多研究者的实验表明它比单独使用低秩或稀疏约束更为有效和鲁棒,但传统的求解算法存在速度较慢的问题,这在一定程度上限制了模型的应用.文章利用传统方法的加速版本,对磁共振图像重建中涉及的低秩和稀疏联合重建模型提出了一种新的快速求解算法,并利用动态磁共振图像重建的仿真实验说明了算法的有效性.

一种SENSE模型下信号重建的类-Dykstra近点有效算法（英文）

本文研究了SENSE模型下从部分傅里叶数据中信号的重建问题.利用类Dykstra近点方法和Bregman迭代方法,我们获得了一种SENSE模型下信号重建的加速类-Dykstra近点有效算法,并证明了该算法的收敛性.实验仿真显示,该方法比经典的分裂Bregman方法有效.

基于教师督导的磁共振图像联合重建与分割

现有的深度学习方法倾向于将磁共振图像重建与分割作为两个单独的任务来处理,而没有考虑到两个任务之间的相关性。如果简单地对重建网络与分割网络进行拼接训练,则可能会由于任务之间的优化难度差异而影响重建与分割的最终效果。基于改进后的教师督导网络训练策略,开发了一种磁共振图像联合重建与分割的多任务深度学习方法。新设计的教师督导策略迭代地以中间重建输出和全采样数据来指导多任务网络训练,缓解误差积累。在一个公开数据集和一个内部数据集上对所提方法进行评估,并与6种现有方法进行了比较。实验结果表明,与对比方法相比,所提方法在实现重建与分割协同优化的同时提升了重建图像质量和分割精度。