数据与模型双驱动的高效压缩感知磁共振成像重构算法

传统压缩感知磁共振成像重构算法基于先验构造与迭代求解,通常具有很低的计算效率,近期提出的深度方法依赖训练数据与结构设计,因此泛化能力差.针对两者的问题,提出一种高效鲁棒的重构算法以实现性能与效率的平衡.算法从互补的视角出发,对细节恢复和伪影去除2个问题分别构建模型驱动的先验表达过程与数据驱动的深度预测过程,实现了领域知识与深度信息的充分融合;交替迭代的求解机制保证中间结果被及时修正,进一步引导解序列沿着理想的传播方向逼近目标解.针对T1加权与T2加权数据的实验结果表明,与现有先进算法相比,所提算法在3种采样模板与5种采样频率下均能实现更高的重构精度,且提高了在GPU与CPU上的计算效率,进一步实验表明所提算法对采样部位差异与莱斯噪声干扰具有更强的鲁棒性.

基于广义Ricci曲率及深度信息的图像采样方法

随着采样技术的提高、数据量的剧增,给数据的存储及传输造成了一定困难,因此对数据进行重采样,以压缩数据量是解决该问题的一个有效手段.针对灰度图像采样问题,利用密度流形的广义Ricci曲率提出一种采样点之间相关性的衡量方法.首先,将图像看做是对二维流形的着色,通过处理目标物的深度或构造其深度,保留需要着重采样区域的深度信息;其次,结合深度与灰度信息计算密度流形的Ricci曲率;最后,根据相关性原则筛选采样点并重建图像.此外,针对采样过程提出了全局采样及加速的局部采样2种方式,用于权衡速度与精度.采用大量的标准测试图进行实验结果表明,该方法可以有效地应用于灰度图像的压缩;与已有方法相比,该方法在灰度变化剧烈、复杂的边缘采样点分布更为密集,同时对灰度变化平缓的区域采样点也相对更少.