本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及基于mr圖像的手指損傷檢測方法及系統(tǒng)領(lǐng)域。

背景技術(shù)：

人類雙手能做復(fù)雜而靈巧的多種動作，有極其精細(xì)的感覺，其功能的復(fù)雜性與其解剖結(jié)構(gòu)密切相關(guān)。手指損傷中最常見的是肌腱、韌帶及其支持結(jié)構(gòu)的損傷，這種損傷會導(dǎo)致不同程度的功能障礙或喪失。如何最大限度的恢復(fù)其功能，熟練掌握及靈活運用功能解剖學(xué)知識，是手外科診治的重要基礎(chǔ)。手指早期肌腱、韌帶等軟組織損傷經(jīng)常被忽視和誤診，而延誤診斷和治療治，甚至影響患者的功能恢復(fù)、導(dǎo)致其生活質(zhì)量的下降。因此，如何早期發(fā)現(xiàn)手指肌腱韌帶及其支持結(jié)構(gòu)的損傷是一個亟待解決醫(yī)學(xué)難題，正確全面掌握手指精細(xì)解剖對損傷的診斷和治療至關(guān)重要。

磁共振成像(magneticresonanceimaging,mri)作為一種無創(chuàng)性的影像學(xué)檢查方法，因其良好的軟組織分辨率，能夠提供手部關(guān)節(jié)軟骨、肌腱、韌帶等精細(xì)解剖結(jié)構(gòu)的高分辨率形態(tài)學(xué)信息，對病變早期發(fā)現(xiàn)、早期診斷具有重要的意義。目前，手指解剖研究多集中于大體解剖領(lǐng)域，雖然近年來，對于手指的細(xì)微解剖結(jié)構(gòu)的三維可視化研究日益興起，但歸根結(jié)底，這些研究的基礎(chǔ)仍然是斷層解剖影像。

前期研究證明，mr成像技術(shù)可清晰顯示手指精細(xì)解剖結(jié)構(gòu)及損傷情況，前提是需要高場強的磁共振掃描儀、分辨率足夠的線圈及合理的掃描方案；而目前該領(lǐng)域研究多集中于科研方面，未廣泛應(yīng)用于臨床，尤以缺乏規(guī)范的掃描成像方案，而進一步限制了其臨床應(yīng)用。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)問題，為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案是：

第一方面，本發(fā)明提供一種基于mr圖像的手指損傷檢測方法，包括：

步驟s1，獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

步驟s2，將所述待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進行比較，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指的檢測結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測方法，其技術(shù)方案為：獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將所述待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進行比較，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指的檢測結(jié)果。

本發(fā)明研究手指的微細(xì)斷層解剖與mr影像特點的相關(guān)性及手指不同部位損傷的mr影像特點，應(yīng)用高場強的mr掃描儀，極大提高精細(xì)解剖結(jié)構(gòu)的圖像質(zhì)量及診斷效能，可適用于常規(guī)臨床工作，為手指損傷的診斷和治療提供的可靠的影像學(xué)依據(jù)。

進一步地，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得，具體為：

以待檢測對象手指的肌腱韌帶損傷處為中心，定義掃描范圍，包括病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位；

進行掃描序列設(shè)定，所述掃描序列包括t1和質(zhì)子壓脂兩個序列，所述質(zhì)子壓脂序列選用快速自旋回波tse序列和spair壓脂序列；

進行掃描參數(shù)設(shè)定；

設(shè)定掃描序列和掃描參數(shù)后，通過掃描儀進行病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位的掃描，得到待檢測對象手指mr圖像。

進一步地，所述t1序列設(shè)置為tr范圍為521-780ms，te范圍為20-40ms；

所述質(zhì)子壓脂序列設(shè)置為tr范圍為2347-3657ms，te范圍為40-45ms。

進一步地，還包括線圈，所述線圈為4通道表面線圈或8通斷腕關(guān)節(jié)線圈，配合所述掃描議獲得待測對象手指mr圖像。

第二方面，本發(fā)明提供一種基于mr圖像的手指損傷檢測方法，包括：

獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

將所述待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；

根據(jù)所述特征分類結(jié)果中的特征比重，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測方法，其技術(shù)方案為：獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將所述待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；根據(jù)所述特征分類結(jié)果中的特征比重，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測方法，基于正常手指mr斷層解剖結(jié)構(gòu)和不同部位損傷的mr影像特點，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對待檢測對象手指mr圖像進行特征分類，實現(xiàn)通過手指mr圖像的特征判斷手指的損傷情況，檢測結(jié)果準(zhǔn)確快速。

進一步地，通過標(biāo)準(zhǔn)手指mr圖像建立所述特征分類器，具體為：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，所述標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過圖像處理算法對所述標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第一特征，每個第一特征包括對所述標(biāo)準(zhǔn)圖像進行標(biāo)記的多種標(biāo)記特征；

在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對所述多幀標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第二特征，形成特征集合；

根據(jù)所述第一相關(guān)特征，得到多個第二相關(guān)特征，形成相關(guān)特征集合；

通過混合特征算法對所述特征集合和所述相關(guān)特征集合分別進行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)所述預(yù)設(shè)條件對所述最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行設(shè)置，結(jié)合多核svm模型對所述最優(yōu)特征子集和所述最優(yōu)相關(guān)特征子集進行整合，形成特征分類器。

進一步地，在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個第一特征之間的相關(guān)性，形成第一相關(guān)特征，具體為：

將n個具有所述標(biāo)記特征的特征形成的向量通過計算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，所述相關(guān)矩陣中每個元素表示兩個具有所述標(biāo)記特征的特征之間的相關(guān)性；

將第i個具有所述標(biāo)記特征的特征和第j個具有所述標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個特征中所述標(biāo)記特征的特征值、第j個特征中所述標(biāo)記特征的特征值；

則第i個具有所述標(biāo)記特征的特征和第j個具有所述標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個特征和第j個特征之間所述標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

進一步地，所述待檢測對象手指mr圖像的檢測結(jié)果包括所述待檢測對象手指為健康或有損傷，當(dāng)所述待檢測對象手指的檢測結(jié)果為有損傷，還包括：

選擇所述待檢測對象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在所述可能損傷部位圖像中尋找強度分布與所述手指損傷圖像模型中的強度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，所述手指損傷圖像模型基于健康手指mr圖像中灰度級分布計算得到；

根據(jù)所述匹配區(qū)域圖像和所述可能損傷部位圖像，計算得到真實損傷部位圖像和健康部位圖像；

通過二進制標(biāo)簽對所述健康部位圖像進行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)所述健康部位圖像，通過輔助函數(shù)對成本函數(shù)進行優(yōu)化處理，計算得到最優(yōu)標(biāo)簽；

根據(jù)所述最優(yōu)標(biāo)簽，計算得到邊界區(qū)域；

根據(jù)所述邊界區(qū)域，計算得到最終損傷區(qū)域，所述最終損傷區(qū)域為所述手指mr圖像中的真實損傷區(qū)域。

第三方面，本發(fā)明提供了一種基于mr圖像的手指損傷檢測系統(tǒng)，包括：

圖像獲取模塊，用于獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

特征分類模塊，用于將所述待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；

手指損傷檢測模塊，用于根據(jù)所述特征分類結(jié)果中的特征比重，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測系統(tǒng)，其技術(shù)方案為：通過圖像獲取模塊，獲得待檢測對象手指mr圖像，所述待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；通過特征分類模塊，將所述待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；通過手指損傷檢測模塊，根據(jù)所述特征分類結(jié)果中的特征比重，判斷所述待檢測對象手指mr圖像對應(yīng)的癥狀，得到所述待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測系統(tǒng)，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對待檢測對象手指mr圖像進行特征分類，實現(xiàn)通過手指mr圖像的特征判斷手指的損傷情況，檢測結(jié)果準(zhǔn)確快速。

進一步地，所述特征分類模塊，具體用于通過標(biāo)準(zhǔn)手指mr圖像建立所述特征分類器：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，所述標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過圖像處理算法對所述標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第一特征，每個第一特征包括對所述標(biāo)準(zhǔn)圖像進行標(biāo)記的多種標(biāo)記特征；

在所述多種標(biāo)記特征中選擇一種特征標(biāo)記，建立所述一種標(biāo)記特征與所述多個第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對所述多幀標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第二特征，形成特征集合；

根據(jù)所述第一相關(guān)特征，得到多個第二相關(guān)特征，形成相關(guān)特征集合；

通過混合特征算法對所述特征集合和所述相關(guān)特征集合分別進行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)所述預(yù)設(shè)條件對所述最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行設(shè)置，結(jié)合多核svm模型對所述最優(yōu)特征子集和所述最優(yōu)相關(guān)特征子集進行整合，形成特征分類器。

進一步地，所述預(yù)設(shè)條件為：

所述特征分類模塊，具體用于：

將n個具有所述標(biāo)記特征的特征形成的向量通過計算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，所述相關(guān)矩陣中每個元素表示兩個具有所述標(biāo)記特征的特征之間的相關(guān)性；

將第i個具有所述標(biāo)記特征的特征和第j個具有所述標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個特征中所述標(biāo)記特征的特征值、第j個特征中所述標(biāo)記特征的特征值；

則第i個具有所述標(biāo)記特征的特征和第j個具有所述標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個特征和第j個特征之間所述標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

進一步地，還包括預(yù)約反饋模塊，用于：

所述手指損傷檢測模塊中，所述待檢測對象手指mr圖像的檢測結(jié)果包括所述待檢測對象手指為健康或有損傷，當(dāng)所述待檢測對象手指的檢測結(jié)果為有損傷，還包括手指損傷檢測子模塊，用于：

選擇所述待檢測對象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在所述可能損傷部位圖像中尋找強度分布與所述手指損傷圖像模型中的強度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，所述手指損傷圖像模型基于健康手指mr圖像中灰度級分布計算得到；

根據(jù)所述匹配區(qū)域圖像和所述可能損傷部位圖像，計算得到真實損傷部位圖像和健康部位圖像；

通過二進制標(biāo)簽對所述健康部位圖像進行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)所述健康部位圖像，通過輔助函數(shù)對成本函數(shù)進行優(yōu)化處理，計算得到最優(yōu)標(biāo)簽；

根據(jù)所述最優(yōu)標(biāo)簽，計算得到邊界區(qū)域；

根據(jù)所述邊界區(qū)域，計算得到最終損傷區(qū)域，所述最終損傷區(qū)域為所述手指mr圖像中的真實損傷區(qū)域。

附圖說明

為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹。

圖1示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測方法的第一流程圖；

圖2示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測方法的待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像的對照示意圖；

圖3示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測方法的掃描mr圖像示意圖；

圖4示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測方法的第二流程圖；

圖5示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測系統(tǒng)的示意圖。

具體實施方式

下面將結(jié)合附圖對本發(fā)明技術(shù)方案的實施例進行詳細(xì)的描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來限制本發(fā)明的保護范圍。

實施例一

圖1示出了本發(fā)明實施例所提供的一種基于mr圖像的手指損傷檢測方法的流程圖；如圖1所示，本實施例提供的一種基于mr圖像的手指損傷檢測方法，包括：

步驟s1，獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

步驟s2，將待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進行比較，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指的檢測結(jié)果。

本發(fā)明提供的基于mr圖像的手指損傷檢測方法，其技術(shù)方案為：獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進行比較，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指的檢測結(jié)果。

優(yōu)選地，還包括線圈，線圈為4通道表面線圈或8通斷腕關(guān)節(jié)線圈，配合掃描議獲得待測對象手指mr圖像。

其中，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；具體為：

以待檢測對象手指的肌腱韌帶損傷處為中心，定義掃描范圍，包括病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位；

進行掃描序列設(shè)定，所述掃描序列包括t1和質(zhì)子壓脂兩個序列，所述質(zhì)子壓脂序列選用快速自旋回波tse序列和spair壓脂序列；

進行掃描參數(shù)設(shè)定；

設(shè)定掃描序列和掃描參數(shù)后，通過掃描儀進行病變上下鄰近關(guān)節(jié)面，手指軸位、冠狀位及矢狀位的掃描，得到待檢測對象手指mr圖像。

掃描定位時，正常人的定位線以手指目標(biāo)關(guān)節(jié)為中心，損傷患者定位線以患指肌腱韌帶損傷處為中心；掃描范圍應(yīng)包括病變上下鄰近關(guān)節(jié)面，對手指進行軸位、冠狀位及矢狀位掃描。每個掃描方向包括t1wi(t1序列的加權(quán)成像)和質(zhì)子壓脂(pd-fs)兩個序列(可視具體情況而定，能夠清晰顯示病變、滿足診斷要求即可，常規(guī)掃描三個方向的pd壓脂序列加一個方向的twi序列)，pd脂肪抑制選用快速自旋回波(tse)序列加spair壓脂序列。常規(guī)掃描參數(shù)如下：fov(100-140)mm*(70-100)mm*(26-40)mm，nex2-4，層厚1.0mm，層間距2.0mm，體素(0.15-0.25)mm*(0.15-0.25)；mm*1.50mm。掃描序列：se(fse)t1wi序列，tr521-780ms，te20-40ms(質(zhì)子密度加權(quán)像的長tr和短te)；pd-fs序列，tr2347-3657ms,te40-45ms。冠狀位成像可以較好的觀察和評估側(cè)韌帶的損傷，矢狀位適用于觀察伸肌腱、屈肌腱和滑車的損傷，而軸位可用于評價側(cè)副韌帶、伸肌腱、屈肌腱和滑車結(jié)構(gòu)等。根據(jù)不同的待檢測對象手指mr圖像，可進行手指損傷的判斷。

其中，各個方位的mr掃描方法為：

a：冠狀位掃描：根據(jù)軸位圖像確定冠狀位掃描定位像，掃描平面平行于目標(biāo)掌骨或指骨掌側(cè)緣。同時參照矢狀位圖像，確定掃描中心和范圍。根據(jù)病變選擇不同層厚，一般為1-3mm。

b：矢狀位掃描：根據(jù)軸位圖像確定矢狀位掃描定位像，掃描平面垂直于目標(biāo)掌骨或指骨掌側(cè)緣。同時參照冠狀位圖像，確定掃描中心和范圍。根據(jù)病變選擇不同層厚，一般為1-2mm。

c：橫軸位掃描：利用矢狀位或冠狀位圖像確定軸位掃描定位線，掃描平面垂直于目標(biāo)掌骨、指骨長軸，選擇病變部位局部進行掃描。根據(jù)病變選擇不同層厚，一般為1-2mm。

然后將掃描得到的待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像進行比較，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指的檢測結(jié)果。

參見圖2，為待檢測對象手指mr圖像與標(biāo)準(zhǔn)手指mr圖像的對照：

圖2中a：拇指矢狀位斷層標(biāo)本得到的標(biāo)準(zhǔn)手指mr圖像。正常拇長伸肌腱在大體標(biāo)本上表現(xiàn)為拇指背側(cè)白色細(xì)條狀結(jié)構(gòu)，拇長伸肌腱遠(yuǎn)端附著點位于遠(yuǎn)節(jié)指骨背側(cè)基底部(白色實線箭頭)。正常拇長屈肌腱在大體標(biāo)本上表現(xiàn)為拇指掌側(cè)白色稍粗條狀結(jié)構(gòu)，拇長屈肌腱遠(yuǎn)端附著點位于遠(yuǎn)節(jié)指骨掌側(cè)基底部(白色虛線箭頭)。

圖2中b：待檢測對象手指的拇指矢狀位mr圖像，t1wi序列。正常拇長伸肌腱在mr圖像上表現(xiàn)為拇指背側(cè)細(xì)條狀低信號帶，拇長伸肌腱遠(yuǎn)端附著點位于遠(yuǎn)節(jié)指骨背側(cè)基底部(白色實線箭頭)。正常拇長屈肌腱在mr圖像上表現(xiàn)為拇指掌側(cè)稍粗條狀低信號帶，拇長屈肌腱遠(yuǎn)端附著點位于遠(yuǎn)節(jié)指骨掌側(cè)基底部(白色虛線箭頭)。

以上述掃描方案對損傷手指進行mr掃描成像，以一位男損傷者為例，該手指損傷則40歲，左手拇長伸肌腱損傷屈曲位mr圖像，參見圖3。

圖3中a：pd-fs序列軸位，近節(jié)指骨基底部骨髓水腫，拇長伸肌腱(白色實線箭頭)信號增高，纖維模糊。

圖3中b：t1wi序列軸位，拇長伸肌腱(白色實線箭頭)形態(tài)模糊、增粗。

圖3中c：pd-fs序列矢狀位，拇長伸肌腱損傷處信號明顯增高(白色實線箭頭)

圖3中d：t1wi序列矢狀位，拇長伸肌腱損傷處(白色實線箭頭)纖維欠清晰、信號增高。

根據(jù)上述圖3中對mr圖像的觀察，可判斷手指的損傷程度。

本發(fā)明應(yīng)用mr成像技術(shù)，研究手指的微細(xì)斷層解剖與mr影像特點的相關(guān)性，及手指不同部位損傷的mr影像特點；其優(yōu)勢在于應(yīng)用高場強的mr掃描儀，小孔徑表面線圈的高固有基礎(chǔ)分辨力，可減小掃描圖像的體素、提高空間分辨率，更加適用于位置表淺、解剖結(jié)構(gòu)細(xì)微的手指mri檢查，加之掃描方案的優(yōu)化，從而極大提高精細(xì)解剖結(jié)構(gòu)的圖像質(zhì)量及診斷效能，可適用于常規(guī)臨床工作，為手指損傷的診斷和治療提供的可靠的影像學(xué)依據(jù)。

實施例二

基于實施例一中的手指mr圖像掃描方法，基于獲得的待檢測對象手指mr圖像，本發(fā)明還提出了一種基于mr圖像的手指損傷檢測方法，參見圖4，包括：

獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

將待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；

根據(jù)特征分類結(jié)果中的特征比重，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測方法，其技術(shù)方案為：獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；將待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；根據(jù)特征分類結(jié)果中的特征比重，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測方法，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對待檢測對象手指mr圖像進行特征分類，實現(xiàn)通過手指mr圖像的特征判斷手指的損傷情況，檢測結(jié)果準(zhǔn)確快速。

優(yōu)選地，通過標(biāo)準(zhǔn)手指mr圖像建立特征分類器，具體為：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過圖像處理算法對標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第一特征，每個第一特征包括對標(biāo)準(zhǔn)圖像進行標(biāo)記的多種標(biāo)記特征；

其中，每個第一特征可代表手指的一種損傷或病癥，標(biāo)記特征可代表一種損傷或病癥中的表現(xiàn)癥狀，因為一種損傷或病癥會有多種表現(xiàn)癥狀，因此每個第一特征包括多種標(biāo)記特征。

在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對多幀標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第二特征，形成特征集合；

根據(jù)第一相關(guān)特征，得到多個第二相關(guān)特征，形成相關(guān)特征集合；

通過混合特征算法對特征集合和相關(guān)特征集合分別進行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)預(yù)設(shè)條件對最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行設(shè)置，結(jié)合多核svm模型對最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行整合，形成特征分類器。

對標(biāo)準(zhǔn)手指mr圖像進行特征和相關(guān)特征的提取、設(shè)置特征相對于相關(guān)特征在分類器中功能比例的權(quán)重因子、通過多核svm模型整合形成特征分類器，通過特征分類器可用于不同疾病的輔助診斷，疾病分類的準(zhǔn)確性高，且具有較強的適用性。

優(yōu)選地，通過圖像處理算法對標(biāo)準(zhǔn)手指mr圖像進行多維特征提取之前，還包括：

對一幀標(biāo)準(zhǔn)手指mr圖像進行區(qū)域劃分。

優(yōu)選地，通過圖像處理算法對標(biāo)準(zhǔn)手指mr圖像進行多維特征提取之后，還包括：

對每個第一特征中的多種標(biāo)記特征分別進行歸一化處理。

考慮到不同種類標(biāo)記特征的個體差異，對每個第一特征中的分別進行歸一化處理，消除個體差異，提高特征提取的準(zhǔn)確率。

優(yōu)選地，在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個第一特征之間的相關(guān)性，形成第一相關(guān)特征，具體為：

將n個具有標(biāo)記特征的特征形成的向量通過計算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，相關(guān)矩陣中每個元素表示兩個具有標(biāo)記特征的特征之間的相關(guān)性；

將第i個具有標(biāo)記特征的特征和第j個具有標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個特征中標(biāo)記特征的特征值、第j個特征中標(biāo)記特征的特征值；

則第i個具有標(biāo)記特征的特征和第j個具有標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個特征和第j個特征之間標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

優(yōu)選地，混合特征算法包括對特征集合和相關(guān)特征集合依次進行特征選擇的第一過濾特征選擇算法、第二過濾特征選擇算法以及封裝特征選擇算法；其中第一過濾特征選擇算法用于減少特征數(shù)量；第二過濾特征選擇算法為最小冗余最大相關(guān)特征選擇方法，獲取最優(yōu)特征子集；封裝特征選擇算法為基于支持向量機的遞歸特征消除算法，獲取進一步優(yōu)化的最優(yōu)特征子集。

因為特征和相關(guān)特征都是高維特征，采用混合特征算法對特征集合和相關(guān)特征集合分別進行特征選擇，降維，避免維數(shù)災(zāi)難，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集。

其中，預(yù)設(shè)條件指已設(shè)置好的第二特征在特征分類器中所占比例的權(quán)重因子。通過權(quán)重因子，根據(jù)手指mr圖像中提取的特征即可實現(xiàn)特征的分類，不同的權(quán)重因子對應(yīng)不同的分類結(jié)果，不同的分類結(jié)果對應(yīng)不同的損傷或病癥。

優(yōu)選地，通過權(quán)重因子以及多核svm模型整合最優(yōu)特征子集、最優(yōu)相關(guān)特征子集，形成特征分類器，包括以下步驟：

通過基于徑向基核函數(shù)對最優(yōu)特征子集和最優(yōu)相關(guān)特征子集分別建立核矩陣；

定義n個訓(xùn)練樣本，定義所述權(quán)重因子為βm；則第i個樣本的特征向量為：xi＝{xi⁽¹⁾，...，xi^(m)}；其中，m為標(biāo)記特征的種類；每個特征向量對應(yīng)的標(biāo)簽為yi＝{-1,1}；

那么，混合的核矩陣為：其中，k^(m)(xi^(m)，xj^(m))＝＜φ(xi^(m)),φ(xj^(m))＞；

而當(dāng)0≤ai≤c時，φ(·)表示核函數(shù)引導(dǎo)的映射函數(shù)，k^(m)(xi^(m)，xj^(m))表示訓(xùn)練樣本xi^(m)和xj^(m)在第m中特征上核矩陣，a表示拉格朗日乘子，＜·,·＞表示內(nèi)積運算，c表示模型參數(shù)中約束條件的個數(shù)；

因此，多核分類器為

其中，權(quán)重因子βm越大，特征在特征分類器中的對應(yīng)的損傷概率越大。

優(yōu)選地，通過4通道表面線圈或8通斷腕關(guān)節(jié)線圈，配合掃面議獲得待測對象的手指mr圖像。

4通道表面線圈或8通斷腕關(guān)節(jié)線圈為小孔徑表面線圈，可減小掃描圖像的體素，提高空間分辨率，更加適用于位置表淺、結(jié)構(gòu)細(xì)微的手指mr掃描檢查，提高手指損傷檢測的精準(zhǔn)度。

優(yōu)選地，待檢測對象手指mr圖像的檢測結(jié)果包括待檢測對象手指為健康或有損傷，當(dāng)待檢測對象手指的檢測結(jié)果為有損傷，還包括：

選擇待檢測對象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在可能損傷部位圖像中尋找強度分布與手指損傷圖像模型中的強度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，手指損傷圖像模型基于健康手指mr圖像中灰度級分布計算得到；

根據(jù)匹配區(qū)域圖像和可能損傷部位圖像，計算得到真實損傷部位圖像和健康部位圖像；

通過二進制標(biāo)簽對健康部位圖像進行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)健康部位圖像，通過輔助函數(shù)對成本函數(shù)進行優(yōu)化處理，計算得到最優(yōu)標(biāo)簽；

根據(jù)最優(yōu)標(biāo)簽，計算得到邊界區(qū)域；

根據(jù)邊界區(qū)域，計算得到最終損傷區(qū)域，最終損傷區(qū)域為手指mr圖像中的真實損傷區(qū)域。

通過對檢測到的可能損傷部位圖像進行重新分割，以確定可能損傷部位的精確區(qū)間，根據(jù)精確區(qū)間，可提高檢測結(jié)果的準(zhǔn)確性。

下面結(jié)合具體分割過程進行說明：

由于損傷區(qū)域和正常區(qū)域圖像的灰度強度不同，因此，定義可能損傷部位圖像為i，定義兩個變量，表示正常區(qū)域，ωi表示損傷區(qū)域，根據(jù)正常區(qū)域估計灰度強度mi的非參數(shù)模型分布，建立手指損傷圖像模型，其中包括手指mr圖像中正常區(qū)域(健康區(qū)域)的所有特征信息。

設(shè)mi(z)為內(nèi)圖像i的灰度級分布核密度估計：

其中，表示的面積(即區(qū)域內(nèi)像素點的數(shù)量)；

k(z)為核函數(shù)：

其中，σ為內(nèi)核寬度，u為期望值。

在損傷區(qū)域ωi內(nèi)找尋強度分布最可能接近手指損傷圖像模型mi的區(qū)域ri，即匹配區(qū)域圖像,通過ωi/ri計算得到真實損傷部位圖像，則健康部位圖像為

通過二進制標(biāo)簽對健康部位圖像進行優(yōu)化處理，得到優(yōu)化后的健康部位圖像，具體為：

設(shè)li:ωi→{0,1}為圖像域的一個可變分區(qū)，對于正常的區(qū)域(無損傷的區(qū)域)，ri:{p∈ωi|li(p)＝1}，對于真實損傷部位圖像，通過最小化全局成本函數(shù)來獲取最優(yōu)標(biāo)簽，全局成本函數(shù)包括一個基于巴氏度量的非線性分布匹配和一個平滑約束。為了表示成本函數(shù)，對任何二進制標(biāo)簽li:ωi→{0,1}，設(shè)定以下符號：

其中，a(ri)表示ri的面積。

本發(fā)明中通過最小化以下成本函數(shù)來找到一個最優(yōu)標(biāo)簽

其中，

其中，s(li)為平滑度，用來調(diào)整分割邊界：

其中，且

n為包含ωi中所有相鄰元素對{p,q}的領(lǐng)域組。λ時一個正常數(shù)，用來平衡分布匹配項與正則項的相對貢獻，給出了一個強度分布與mi最匹配邊界區(qū)域，為最優(yōu)區(qū)域，該最優(yōu)區(qū)域被期望與ωi中的非損傷區(qū)域相對應(yīng)。因此，最終損傷區(qū)域sri根據(jù)計算：

其中，根據(jù)健康部位圖像，通過輔助函數(shù)對成本函數(shù)進行優(yōu)化處理，具體為：

設(shè)a(u,uⁱ)為成本函數(shù)fi(u)的輔助函數(shù)，且滿足以下條件：

fi(u)≤a(u,uⁱ),i>1

本發(fā)明中迭代優(yōu)化一系列輔助函數(shù)，表示為a(u,uⁱ),i≥1，i表示迭代次數(shù)，這樣能夠比fi(u)更容易優(yōu)化：

根據(jù)獲取的解序列使原函數(shù)fi(u)降序排列：

fi(uⁱ)＝a(uⁱ,uⁱ)≥a(uⁱ⁺¹,uⁱ)≥fi(uⁱ⁺¹)

此外，由原函數(shù)存在下屆，因此解序列收斂于fi(uⁱ)的最小值，進而得到最優(yōu)標(biāo)簽。

參見圖5，本發(fā)明提供了一種基于mr圖像的手指損傷檢測系統(tǒng)10，包括：

圖像獲取模塊101，用于獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；

特征分類模塊102，用于將待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；

手指損傷檢測模塊103，用于根據(jù)特征分類結(jié)果中的特征比重，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明提供的一種基于mr圖像的手指損傷檢測系統(tǒng)10，其技術(shù)方案為：通過圖像獲取模塊101，獲得待檢測對象手指mr圖像，待檢測對象手指mr圖像通過預(yù)先設(shè)定的掃面序列及參數(shù)掃描獲得；通過特征分類模塊102，將待檢測對象手指mr圖像通過預(yù)先建立的特征分類器進行特征分類，得到特征分類結(jié)果；通過手指損傷檢測模塊103，根據(jù)特征分類結(jié)果中的特征比重，判斷待檢測對象手指mr圖像對應(yīng)的癥狀，得到待檢測對象手指mr圖像的檢測結(jié)果。

本發(fā)明的基于mr圖像的手指損傷檢測系統(tǒng)10，將手指損傷與手指mr圖像建立起特征相關(guān)性，基于相關(guān)性對待檢測對象手指mr圖像進行特征分類，實現(xiàn)通過手指mr圖像的特征判斷手指的損傷情況，檢測結(jié)果準(zhǔn)確快速。

優(yōu)選地，特征分類模塊102，具體用于通過標(biāo)準(zhǔn)手指mr圖像建立特征分類器：

獲得一幀標(biāo)準(zhǔn)手指mr圖像，標(biāo)準(zhǔn)手指mr圖像包括健康手指mr圖像和損傷手指mr圖像；

通過圖像處理算法對標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第一特征，每個第一特征包括對標(biāo)準(zhǔn)圖像進行標(biāo)記的多種標(biāo)記特征；

在多種標(biāo)記特征中選擇一種特征標(biāo)記，建立一種標(biāo)記特征與多個第一特征之間的相關(guān)性，形成第一相關(guān)特征；

獲取多幀標(biāo)準(zhǔn)手指mr圖像，對多幀標(biāo)準(zhǔn)手指mr圖像進行多維特征提取，得到多個第二特征，形成特征集合；

根據(jù)第一相關(guān)特征，得到多個第二相關(guān)特征，形成相關(guān)特征集合；

通過混合特征算法對特征集合和相關(guān)特征集合分別進行特征選擇，選擇出最優(yōu)特征子集和最優(yōu)相關(guān)特征子集；

根據(jù)預(yù)設(shè)條件對最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行設(shè)置，結(jié)合多核svm模型對最優(yōu)特征子集和最優(yōu)相關(guān)特征子集進行整合，形成特征分類器。

優(yōu)選地，特征分類模塊102，具體用于：

將n個具有標(biāo)記特征的特征形成的向量通過計算相關(guān)系數(shù)建立為n×n的相關(guān)矩陣，相關(guān)矩陣中每個元素表示兩個具有標(biāo)記特征的特征之間的相關(guān)性；

將第i個具有標(biāo)記特征的特征和第j個具有標(biāo)記特征的特征之間的不相關(guān)性定義為：d(i，j)＝[t(i)-t(j)]²，其中，t(i)和t(j)分別表示第i個特征中標(biāo)記特征的特征值、第j個特征中標(biāo)記特征的特征值；

則第i個具有標(biāo)記特征的特征和第j個具有標(biāo)記特征的特征之間的相關(guān)性定義為：其中，δi和δj分別表示第i個特征和第j個特征之間標(biāo)記特征特征值的標(biāo)準(zhǔn)差；即，s(i，j)為相關(guān)特征。

優(yōu)選地，還包括手指mr圖像獲得模塊，用于通過4通道表面線圈或8通斷腕關(guān)節(jié)線圈，配合掃面議獲得待測對象的手指mr圖像。

優(yōu)選地，還包括預(yù)約反饋模塊，用于：

手指損傷檢測模塊103中，待檢測對象手指mr圖像的檢測結(jié)果包括待檢測對象手指為健康或有損傷，當(dāng)待檢測對象手指的檢測結(jié)果為有損傷，還包括手指損傷檢測子模塊，用于：

選擇待檢測對象手指mr圖像中的可能損傷部位圖像；

獲取預(yù)先建立的手指損傷圖像模型，在可能損傷部位圖像中尋找強度分布與手指損傷圖像模型中的強度匹配的圖像區(qū)域，得到匹配區(qū)域圖像，手指損傷圖像模型基于健康手指mr圖像中灰度級分布計算得到；

根據(jù)匹配區(qū)域圖像和可能損傷部位圖像，計算得到真實損傷部位圖像和健康部位圖像；

通過二進制標(biāo)簽對健康部位圖像進行優(yōu)化處理，得到優(yōu)化后的健康部位圖像；

根據(jù)健康部位圖像，通過輔助函數(shù)對成本函數(shù)進行優(yōu)化處理，計算得到最優(yōu)標(biāo)簽；

根據(jù)最優(yōu)標(biāo)簽，計算得到邊界區(qū)域；

根據(jù)邊界區(qū)域，計算得到最終損傷區(qū)域，最終損傷區(qū)域為手指mr圖像中的真實損傷區(qū)域。

實施例三

基于實施例一及實施例二提供的一種基于mr圖像的手指損傷檢測方法，及基于mr圖像的手指損傷檢測系統(tǒng)10，由于mri的成像速度慢，人在成像過程中必須保持靜止?fàn)顟B(tài)，即使是輕微的運動也會使成像產(chǎn)生偽影，影響手指損傷的診斷?；诖?，本實施例提出一種基于壓縮感知的mr圖像重建方法，具體為：

在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造mr圖像重建的目標(biāo)函數(shù)；

根據(jù)構(gòu)造出的目標(biāo)函數(shù)，利用變量替換方法將目標(biāo)函數(shù)的優(yōu)化求解問題轉(zhuǎn)化為低秩矩陣的去噪與目標(biāo)圖像重建的求解問題；

對于低秩矩陣的去噪問題，采用奇異值分解方法將聚類的低秩矩陣進行分解，對分解得到的特征值進行軟閾值處理，獲得去噪后的低秩矩陣；

將得到的低秩矩陣帶入到目標(biāo)函數(shù)中，經(jīng)過近似優(yōu)化，利用最小二乘算法得到最終重建后的mr圖像。

其中，在基于非局部相似塊構(gòu)成的低秩矩陣下構(gòu)造mr圖像重建的目標(biāo)函數(shù)的具體步驟如下：

利用低秩矩陣的特性，構(gòu)造基本mr重構(gòu)模型：

其中，y表示經(jīng)過磁共振掃描儀獲得的觀測數(shù)據(jù)，fu為部分傅立葉變換操作算子，x為重建后的圖像；已知，ai表示在圖像x中以像素點i為中心的圖像塊，圖像塊集合為n表示圖像總的像素點個數(shù)，ai表示以圖像塊ai為參考塊，在其一定領(lǐng)域內(nèi)尋找與ai最相似的m塊圖像塊將這些相似塊拉成列向量，構(gòu)成的相似塊矩陣；rank(ai)表示對矩陣ai求秩操作；

式(1)是一個非凸優(yōu)化問題，可以放松約束條件，用核范數(shù)最小替代秩最小，所以式(1)可以改寫成:

其中，矩陣ai的核范數(shù)||ai||*定義為λi,j為矩陣ai的特征值，r表示矩陣ai的秩大小，λ＞0是權(quán)重參數(shù)。

其中，根據(jù)構(gòu)造出的目標(biāo)函數(shù)，利用變量替換方法將目標(biāo)函數(shù)的優(yōu)化求解問題轉(zhuǎn)化為低秩矩陣的去噪與目標(biāo)圖像重建的求解問題的具體方法如下：

利用變量替換的方法將目標(biāo)模型(1)變換為如下形式：

其中bi是在求解mr圖像過程中產(chǎn)生的中間變量，稱之為輔助變量，然后再將這個目標(biāo)函數(shù)寫成非約束形式：

其中，定義為：xi,j表示矩陣x中坐標(biāo)(i,j)的像素值，ω為常數(shù)；對于式(4)，采用交替最小化過程將目標(biāo)函數(shù)轉(zhuǎn)化為低秩矩陣的復(fù)原以及目標(biāo)圖像重建問題。

其中，對于低秩矩陣的去噪問題，采用奇異值分解方法將聚類的低秩矩陣進行分解，對分解得到的特征值進行軟閾值處理，獲得去噪后的低秩矩陣的具體步驟如下：

對于目標(biāo)函數(shù)(4)，當(dāng)x已知的情況下，求解未知變量bi，得到下式：

對低秩矩陣ai進行一個閾值去噪，得到新的低秩矩陣bi，具體可分為兩步：

a、對低秩矩陣ai進行奇異值分解(svd)：

(ui,σi,vi)＝svd(ai)

其中，σi表示對矩陣ai分解獲得的特征值矩陣，而ui與vi為分解得到的酉矩陣；

b、對特征值矩陣進行軟閾值處理閾值其中，r表示矩陣ai秩大小，估計是根據(jù)矩陣ai所包含的噪聲大小來確定的，噪聲方差估計如下：

其中，s表示矩陣ai的特征值由第1個至第k個特征值之和小于ai總能量的85％所對應(yīng)的最大k值，1＜k＜r，n、p分別表示ai的行數(shù)與列數(shù)，min(n-1,p)表示取n-1與p之間較小的一方的值，特征值閾值為：

通過閾值去噪后得到

將得到的低秩矩陣帶入到目標(biāo)函數(shù)中，經(jīng)過近似優(yōu)化，利用最小二乘算法得到最終重建后的mr圖像的具體步驟如下：

對于目標(biāo)函數(shù)(4)，當(dāng)bi已知的情況下，求解未知變量x，得到下式：

其中，λ1＝λ·ω，為了能夠把重構(gòu)mr圖像x寫成閉型解的形式，需要對式(6)進行改寫以便能夠得到一個最小二乘的解，由于可以寫成向量的和的形式，所以可以得到：

其中，n是圖像x像素個數(shù)，ai表示圖像x中第i個像素點對應(yīng)的圖像塊向量，bi表示與ai對應(yīng)的中間變量，oi表示在中出現(xiàn)的次數(shù)，因此，必然滿足：

其中，omin和omax分別表示的最小值和最大值，因此可以對取一個近似的估計因此式(6)可以寫為：

λ2是一個權(quán)重常數(shù)，由于是復(fù)原的所有圖像塊的集合，通過圖像塊加權(quán)平均，得同樣，通過塊加權(quán)平均得到圖像x，因此，可以將式(8)轉(zhuǎn)變成式(9)：

λ3是大于0的常數(shù)；

在式(9)的基礎(chǔ)上，利用admm算法在圖像域以及空間域的約束項中同時引入噪聲回加過程，可得到式(10)：

式(10)是一個典型的最小二乘問題，從而能夠得到重構(gòu)后的x'，其中，ex與ek是噪聲回加變量，更新的ex'與ek'分別為：

本發(fā)明利用非局部塊的相似性以及相似塊構(gòu)成的低秩矩陣這兩種先驗知識，提出了一種新的算法，利用自適應(yīng)的參數(shù)估計以及最小二乘算法來很好的重建mr圖像。通過實驗證明了該算法模型相比于傳統(tǒng)的方法在對mr圖像的細(xì)節(jié)邊緣處理上具有很好的重建效果。

通過本實施例中的mr圖像重建方法，采用一種近似最小二乘的思路來重建mr圖像，相比于現(xiàn)有技術(shù)在邊緣及邊界區(qū)域復(fù)原更加清晰，使的獲得的手指mr圖像更加清晰，便于提高對手指mr檢測的精準(zhǔn)性。

最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說明書的范圍當(dāng)中。