一種塔式分解和字典學(xué)習(xí)的帶噪cs-mri重構(gòu)方法
【專利摘要】本發(fā)明公開了一種塔式分解和字典學(xué)習(xí)的帶噪CS-MRI重構(gòu)方法。該方法首先利用拉普拉斯塔形濾波器(Laplacian?Pyramid，LP)對(duì)輸入的帶噪醫(yī)學(xué)圖像MRI進(jìn)行多尺度分解，一次LP分解將帶噪MRI信號(hào)分解為低頻分量和高頻分量，遞歸地對(duì)低頻分量進(jìn)行分解，使之得到整個(gè)多分辨率圖像；其次結(jié)合K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法對(duì)各層的高頻分量進(jìn)行稀疏表示；然后將學(xué)習(xí)后的高頻信號(hào)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低一層的低頻信息，直到最低一層；最后將第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到去噪的醫(yī)學(xué)圖像。本發(fā)明提供的降噪方法適宜于處理含有更多高斯噪聲的MRI圖像，能夠更好的保留圖像的邊緣信息和細(xì)節(jié)信息，有效的改善視覺(jué)效果，對(duì)醫(yī)學(xué)的診斷、醫(yī)療和后續(xù)工作都十分重要。
【專利說(shuō)明】—種塔式分解和字典學(xué)習(xí)的帶噪CS-MRI重構(gòu)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于壓縮感知和醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種利用塔式分解和字典學(xué)習(xí)的壓縮感知對(duì)帶噪MRI圖像進(jìn)行去噪和加速的方法。
技術(shù)背景
[0002]核磁共振攝影(亦稱磁振造影，Magnetic Resonance Imaging, MRI)是近年來(lái)應(yīng)用于臨床醫(yī)學(xué)中的重要疾病診斷技術(shù)。它能獲取人體重要部位的影像，其高質(zhì)量的成像對(duì)實(shí)際應(yīng)用具有重要的意義。
[0003]影響MRI成像質(zhì)量的主要因素來(lái)源于噪聲。噪聲會(huì)使得MRI圖像的一些組織邊界變的模糊，細(xì)微結(jié)構(gòu)難以辨別。同時(shí)，噪聲也限制了 MRI信噪比與靈敏度的進(jìn)一步提高，影響了成像質(zhì)量。Newman曾經(jīng)總結(jié)了磁共振圖像的11種噪聲源。并且列出了他們對(duì)圖像的污染程度。一般而言，常見(jiàn)的噪聲源主要包括以下三種:Gauss、Rician、Spike等。本發(fā)明采用的是通過(guò)增加高斯白噪聲建立對(duì)數(shù)字圖像噪聲影響的模型。
[0004]成像速度主要取決于采樣和重構(gòu)方面。傳統(tǒng)的全采樣需要大量的時(shí)間開銷，降低了采樣速度，這無(wú)疑給信號(hào)處理的能力提出了更高的要求，也給相應(yīng)的硬件設(shè)備帶來(lái)了極大的挑戰(zhàn)。尋找新的數(shù)據(jù)采集、處理方法成為一種必然。而降采樣是一種較好的加速策略。2004年，由Donoho與Candes等人提出的壓縮感知(CS, Compressed Sensing)表明，當(dāng)信號(hào)具有稀疏性或可壓縮性時(shí)，通過(guò)采集少量的信號(hào)投影值就可實(shí)現(xiàn)信號(hào)的準(zhǔn)確或近似重構(gòu)。目前，CS理論已應(yīng)用到醫(yī)學(xué)MRI成像領(lǐng)域中。
[0005]現(xiàn)有的方法中存在兩方面缺陷:①傳統(tǒng)的全采樣需要大量的時(shí)間開銷，降低了采樣速度，這無(wú)疑給MRI圖像的處理能力提出了更高的要求，也給相應(yīng)的硬件設(shè)備帶來(lái)了極大的挑戰(zhàn)。②傳統(tǒng)的MRI去噪算法通常會(huì)有圖像邊緣和細(xì)節(jié)部分一定程度的模糊的問(wèn)題。

【發(fā)明內(nèi)容】

[0006]本發(fā)明所解決的技術(shù)問(wèn)題是提供一種解決傳統(tǒng)MRI去噪算法導(dǎo)致圖像邊緣和細(xì)節(jié)部分一定程度的模糊，可以利用LP塔式多尺度分解和雙正交基字典學(xué)習(xí)的自適應(yīng)訓(xùn)練相結(jié)合的一種塔式分解和字典學(xué)習(xí)的壓縮感知MRI重構(gòu)方法。
[0007]為解決上述的技術(shù)問(wèn)題，本發(fā)明采取的技術(shù)方案:
[0008]基于塔式分解和雙正交基字典學(xué)習(xí)的壓縮感知MRI重構(gòu)方法，其特殊之處在于:首先使用拉普拉斯塔形濾波器(Laplacian Pyramid, LP)對(duì)原MRI圖像進(jìn)行多尺度分解,一次LP分解將原始MRI信號(hào)分解為低頻分量和高頻分量，遞歸地對(duì)低頻分量進(jìn)行分解，使之得到整個(gè)多分辨率圖像；其次結(jié)合K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法對(duì)各層的高頻分量進(jìn)行稀疏表示；然后將學(xué)習(xí)后的高頻信息的稀疏系數(shù)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低一層的低頻信息，直到最低一層；最后將第一層采集數(shù)據(jù)進(jìn)行LP逆變換，得到去噪后的MRI圖像。
[0009]具體步驟如下:[0010]①對(duì)NXN的含噪MRI圖像進(jìn)行一級(jí)拉普拉斯(Laplacian Pyramid,LP)分解即多尺度分解，變換后的圖像分為低頻部分和高頻部分，MRI圖像的大量有用信息分布在低頻部分，高頻部分主要是MRI圖像的細(xì)節(jié)分量、邊緣輪廓分量以及噪聲分量。
[0011]②遞歸地對(duì)低頻部分進(jìn)行LP分解，依次循環(huán)進(jìn)行，直到滿足MRI圖像的分解層數(shù)。
[0012]③利用K-SVD算法對(duì)各層的高頻子帶進(jìn)行自適應(yīng)訓(xùn)練，得到各層高頻子帶信號(hào)的稀疏表示，結(jié)合自適應(yīng)字典學(xué)習(xí)算法，既能有效的去除圖像噪聲，又一定程度上保留圖像的細(xì)節(jié)信息。
[0013]④頂層數(shù)據(jù)直接作為低頻子帶系數(shù)保持不變，由于低頻信號(hào)不是稀疏的，所以只對(duì)稀疏的同層高頻信號(hào)進(jìn)行字典學(xué)習(xí)。
[0014]⑤將學(xué)習(xí)后的高頻信息的稀疏系數(shù)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低
一層的低頻信息，直到最低一層。
[0015]⑥對(duì)第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到重構(gòu)MRI圖像，至此MRI圖像的去噪過(guò)程結(jié)束。
[0016]本發(fā)明方法與現(xiàn)有技術(shù)相比較，具有如下突出的實(shí)質(zhì)性特點(diǎn)和顯著優(yōu)點(diǎn):
[0017]該方法首先對(duì)輸入的帶噪醫(yī)學(xué)MRI圖像利用拉普拉斯塔形濾波器(LaplacianPyramid, LP)進(jìn)行多尺度分解，一次LP分解將原始MRI圖像分解為低頻分量和高頻分量，遞歸地對(duì)低頻分量進(jìn)行分解，使之得到整個(gè)多分辨率圖像；其次結(jié)合K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法對(duì)各層的高頻分量進(jìn)行稀疏表示；然后將學(xué)習(xí)后的高頻信號(hào)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低一層的低頻信息，直到最低一層；最后將第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到去噪的MRI圖像。
[0018]具體特點(diǎn)和優(yōu)點(diǎn)為:
[0019]針對(duì)現(xiàn)有的具有代表性的基于Contourlet變換去噪方法中Contourlet變換的缺點(diǎn):Contourlet變換首先使用拉普拉斯塔式濾波器(Laplacian Pyramid, LP)對(duì)原圖像進(jìn)行多尺度分解，然后對(duì)分解的高頻分量使用方向?yàn)V波器組(Directional Filter Bank,DFB)進(jìn)行方向分解，使分布在同方向上的不連續(xù)點(diǎn)連接成線，合并成為同一系數(shù)，最終以類似于輪廓段的結(jié)構(gòu)來(lái)逼近原圖像。使用方向?yàn)V波器組對(duì)高頻分量進(jìn)行方向分解就會(huì)有很大的局限性，只會(huì)對(duì)某些特定紋理的圖像有較好的降噪效果。但是將塔式分解和K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法應(yīng)用到MRI圖像中，不僅對(duì)MRI圖像進(jìn)行多尺度分解，還對(duì)其進(jìn)行自適應(yīng)的降噪處理，這樣得到的效果會(huì)更好且適用范圍也會(huì)大大提高。
[0020]本發(fā)明提供的降噪方法能很好地提高帶噪MRI圖像的質(zhì)量，能更加全面、準(zhǔn)確的保留圖像的邊緣信息和細(xì)節(jié)信息，有效的改善視覺(jué)效果，對(duì)醫(yī)學(xué)的診斷、醫(yī)療和后續(xù)工作都十分重要。
【專利附圖】

【附圖說(shuō)明】
[0021]圖1為本發(fā)明的帶噪CS-MRI圖像重構(gòu)方法的示意框圖；
[0022]圖2是Axial brain的MRI圖像重構(gòu)圖；
[0023]圖2-1是對(duì)大小為256X256的Axial brain圖像加了噪聲方差為15的高斯白噪聲后的待去噪圖像；
[0024]圖2-2是用現(xiàn)有的Contourlet算法對(duì)圖2-1進(jìn)行去噪的結(jié)果圖；[0025]圖2-3是用現(xiàn)有的Wavelet threshold算法對(duì)圖2-1進(jìn)行去噪的結(jié)果圖；
[0026]圖2-4是用本發(fā)明對(duì)圖2-1進(jìn)行去噪的結(jié)果圖；
[0027]圖 3 是 Shepp-Logan phantom 的 MRI 圖像重構(gòu)圖；
[0028]圖3-1是對(duì)大小為256X256的Sh印p-Logan phantom圖像加了噪聲方差為15的
高斯白噪聲后的待去噪圖像；
[0029]圖3-2是用現(xiàn)有的Contourlet算法對(duì)圖3-1進(jìn)行去噪的結(jié)果圖；
[0030]圖3-3是用現(xiàn)有的Wavelet threshold算法對(duì)圖3-1進(jìn)行去噪的結(jié)果圖；
[0031]圖3-4是用本發(fā)明對(duì)圖3-1進(jìn)行去噪的結(jié)果圖；
【具體實(shí)施方式】
[0032]本發(fā)明的帶噪CS-MRI圖像重構(gòu)方法，如圖1所示。首先使用拉普拉斯塔形濾波器(Laplacian Pyramid, LP)對(duì)MRI圖像進(jìn)行多尺度分解，一次LP分解將原始MRI信號(hào)分解為低頻分量和高頻分量，遞歸地對(duì)低頻分量進(jìn)行分解，使之得到整個(gè)多分辨率圖像；其次結(jié)合K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法對(duì)各層的高頻分量進(jìn)行稀疏表示；然后將學(xué)習(xí)后的高頻信號(hào)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到下一層的低頻信息，直到最低一層；最后將第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到最終的降噪圖像，達(dá)到圖像降噪的目的。
[0033]具體步驟為:
[0034]①輸入256X256的帶噪MRI圖像。同時(shí)設(shè)定LP變換(LP結(jié)構(gòu)采用“9-7”雙正交小波分解)中的分解層數(shù)K。利用LP變換對(duì)帶噪MRI圖像進(jìn)行多尺度分解，遞歸的對(duì)低頻部分進(jìn)行LP變換，依次循環(huán)，直到滿足要求的分解層數(shù)。
[0035]②對(duì)每一層高頻信息分塊，利用bXb大小的滑動(dòng)窗口(b e [5,15]的整數(shù))，從上到下，從左到右遍歷整幅圖像，依次提取圖像子塊，并將其展開為b2Xl的列向量。
[0036]③初始化字典的構(gòu)造:
[0037]構(gòu)造一個(gè)雙正交基聯(lián)合字典D= [D1, D2]，雙正交基的構(gòu)造公式是:
[0038]m=cos ((i_l) (k_l) π / 8)
[0039]n = sin(ik3i / 9) ；i,k = 1,2,...8 (I)
[0040]雙正交基聯(lián)合字典的構(gòu)造步驟為:
[0041](a)初始化字典為
【權(quán)利要求】
1.一種塔式分解和字典學(xué)習(xí)的帶噪CS-MRI重構(gòu)方法，其特征在于首先利用拉普拉斯塔形濾波器(Laplacian Pyramid, LP)對(duì)帶噪MRI圖像進(jìn)行多尺度分解,一次LP分解將原始MRI信號(hào)分解為低頻分量和高頻分量，遞歸地對(duì)低頻分量進(jìn)行分解，使之得到整個(gè)多分辨率圖像；其次結(jié)合K-SVD自適應(yīng)訓(xùn)練學(xué)習(xí)算法對(duì)各層的高頻分量進(jìn)行稀疏表示；然后將學(xué)習(xí)后的高頻信號(hào)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低一層的低頻信息，直到最低一層；最后將第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到去噪的醫(yī)學(xué)圖像。
2.根據(jù)權(quán)利要求1所述的一種塔式分解和字典學(xué)習(xí)的帶噪CS-MRI重構(gòu)方法，其特征在于: ①對(duì)NXN的帶噪MRI圖像進(jìn)行一級(jí)拉普拉斯(LaplacianPyramid, LP)分解即進(jìn)行多尺度分解，變換后的圖像分為低頻部分和高頻部分，MRI圖像大量的有用信息留在了低頻部分，高頻部分主要是MRI的細(xì)節(jié)分量、邊緣輪廓分量以及噪聲分量； ②遞歸的對(duì)低頻部分進(jìn)行LP分解，依次循環(huán)變換下去，直到滿足要求的層數(shù)以使醫(yī)學(xué)MRI圖像的多分辨率性更佳； ③利用K-SVD算法對(duì)各層的高頻子帶進(jìn)行自適應(yīng)訓(xùn)練，得到各層高頻子帶信號(hào)的稀疏表示系數(shù)，由于該方法具有自適應(yīng)學(xué)習(xí)的優(yōu)勢(shì)，所以既能有效的去除圖像噪聲，又一定程度上保留了圖像的細(xì)節(jié)信息； ④頂層數(shù)據(jù)直接作為低頻子帶系數(shù)保持不變，由于低頻信號(hào)不是稀疏的，所以只對(duì)稀疏的同層高頻信號(hào)進(jìn)行字典學(xué)習(xí)； ⑤將學(xué)習(xí)后的高頻信號(hào)與同層的低頻信號(hào)一起進(jìn)行LP逆變換得到低一層的低頻信息，直到最低一層。 ⑥對(duì)第一層圖像數(shù)據(jù)進(jìn)行LP逆變換，得到重構(gòu)圖像，至此醫(yī)學(xué)MRI去噪過(guò)程結(jié)束。
3.根據(jù)權(quán)利要求1所述的一種塔式分解和字典學(xué)習(xí)的帶噪CS-MRI重構(gòu)方法，其特征在于所述的以雙正交基為初始字典的字典學(xué)習(xí)步驟為: (a)構(gòu)造一個(gè)雙正交基聯(lián)合字典D= [D1, D2]，雙正交基的構(gòu)造公式是:
【文檔編號(hào)】G06T5/00GK103632341SQ201310388361
【公開日】2014年3月12日 申請(qǐng)日期:2013年8月30日 優(yōu)先權(quán)日:2013年8月30日
【發(fā)明者】王勇, 張鳳, 鄭娜, 王燦, 陳楚楚, 高全學(xué), 許錄平 申請(qǐng)人:王勇