一種基于塊加權(quán)約束的壓縮感知圖像重建方法及裝置的制造方法
【專利摘要】本發(fā)明提供了一種基于塊加權(quán)約束的壓縮感知圖像重建方法及裝置，所述方法包括，根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確定感興趣目標(biāo)區(qū)域；確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重；根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知圖像重建算法模型；求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重建圖像。本發(fā)明能夠避免目標(biāo)區(qū)域外高強(qiáng)度噪聲的影響，同時(shí)能夠保留目標(biāo)區(qū)域內(nèi)微小的邊緣細(xì)節(jié)信息不被過(guò)度平滑，能夠在欠采倍數(shù)很高同時(shí)噪聲強(qiáng)度較大的情況下準(zhǔn)確地重建圖像中微小的邊緣細(xì)節(jié)信息。另省去了局部加權(quán)的約束項(xiàng)中計(jì)算權(quán)重的步驟，提高了算法效率，增加了靈活性。
【專利說(shuō)明】
-種基于塊加權(quán)約束的壓縮感知圖像重建方法及裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于磁共振成像領(lǐng)域，特別設(shè)及一種基于塊加權(quán)約束的壓縮感知圖像重建 方法及裝置。
【背景技術(shù)】
[0002] 磁共振成像技術(shù)已經(jīng)成為臨床醫(yī)學(xué)檢查的重要手段之一，能夠?yàn)榕R床醫(yī)學(xué)提供非 常有價(jià)值的診斷信息。磁共振成像技術(shù)與其它醫(yī)學(xué)影像技術(shù)相比，具有無(wú)福射危害、多方位 和多參數(shù)成像等優(yōu)點(diǎn)，其對(duì)軟組織的檢查非常敏感，不僅能夠顯示人體解剖結(jié)構(gòu)的形態(tài)信 息，而且還能反映人體組織的某些生理生化信息。但磁共振成像技術(shù)的成像速度較慢，成像 過(guò)程中被檢者身體中的生理性運(yùn)動(dòng)都會(huì)使影像模糊，對(duì)比度失真，無(wú)法滿足屯、臟動(dòng)態(tài)成像、 腦功能成像、人體運(yùn)動(dòng)成像W及屯、腦血管等快速成像的要求，因此如何高分辨率的實(shí)現(xiàn)快 速磁共振成像已經(jīng)成為磁共振成像技術(shù)發(fā)展和應(yīng)用的關(guān)鍵。
[0003] 加速磁共振成像的方法有許多種，其中最主要的一個(gè)方法就是減少采樣數(shù)據(jù)量， 同時(shí)又能準(zhǔn)確地重建圖像。
[0004] 在最近=十多年的磁共振成像研究中，為了能夠大幅度地減少圖像重建所需的采 樣數(shù)據(jù)量，提高加速倍數(shù)，研究者提出了很多種基于壓縮感知成像(Compressed Sensing: CS)的正則化算法。壓縮感知作為一個(gè)新的采樣理論，它通過(guò)開(kāi)發(fā)磁共振圖像的稀疏特性， 在遠(yuǎn)小于Nyquist采樣率的條件下，用隨機(jī)采樣獲取信號(hào)的離散樣本，然后通過(guò)非線性迭代 算法完美的重建圖像。其中為了解決重建模型中的病態(tài)解問(wèn)題，根據(jù)圖像本身的一些先驗(yàn) 信息，例如圖像本身稀疏、邊緣突出、已知目標(biāo)區(qū)域位置等特點(diǎn)，利用一些對(duì)應(yīng)的約束項(xiàng)加 入到重建模型中能夠幫助準(zhǔn)確地重建圖像。目前已經(jīng)提出了多種約束項(xiàng)，例如Ll約束項(xiàng)、小 波變換約束項(xiàng)和全變差(Total Variation:TV)約束項(xiàng)等等。我們把運(yùn)些約束項(xiàng)分為兩大 類:第一類是針對(duì)圖像全局的約束項(xiàng)，例如Ll約束項(xiàng)、小波變換約束項(xiàng)和全變差約束項(xiàng)等。 在重建過(guò)程中，運(yùn)些約束項(xiàng)對(duì)圖像中所有像素點(diǎn)的懲罰權(quán)重是一致的，因此會(huì)導(dǎo)致圖像過(guò) 度模糊，或者微小細(xì)節(jié)信息丟失的問(wèn)題。第二類是針對(duì)圖像局部加權(quán)的約束項(xiàng)，例如保邊全 變差巧dge-Preserving Total Variation:EPTV)約束項(xiàng)等，運(yùn)種約束項(xiàng)是基于全變差的一 種圖像全局加權(quán)懲罰約束項(xiàng)。運(yùn)種約束項(xiàng)對(duì)圖像中所有像素點(diǎn)進(jìn)行加權(quán)，根據(jù)像素點(diǎn)的局 部梯度相應(yīng)地改變其懲罰權(quán)重。因此能夠準(zhǔn)確重建較明顯的組織邊緣，但是對(duì)于較高強(qiáng)度 的噪聲不能很好地去除，反而同時(shí)也會(huì)將對(duì)比度較低的微小細(xì)節(jié)信息作為噪聲模糊掉。
[0005] 目前基于壓縮感知上應(yīng)用的各種約束項(xiàng)在加速倍數(shù)較高時(shí)，都存在著重建圖像中 組織邊緣模糊的問(wèn)題?，F(xiàn)有的全局約束項(xiàng)給予圖像中每一個(gè)像素點(diǎn)同樣的懲罰權(quán)重，使得 圖像過(guò)度平滑，造成微小組織的邊緣模糊，丟失了細(xì)節(jié)信息；而像素點(diǎn)局部加權(quán)的約束項(xiàng) 中，容易受到高強(qiáng)度噪聲點(diǎn)影響，導(dǎo)致應(yīng)該保留的邊緣細(xì)節(jié)信息被強(qiáng)度較大的噪聲所淹沒(méi)， 因此并不能在噪聲較嚴(yán)重W及欠采倍數(shù)較高的情況下很好地保留邊緣細(xì)節(jié)信息。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明提供一種基于塊加權(quán)約束的壓縮感知圖像重建方法及裝置，用于解決現(xiàn)有 技術(shù)中磁共振成像重建圖像存在組織邊緣模糊，在噪聲較嚴(yán)重及欠采倍數(shù)較高的情況下不 能很好保留邊緣細(xì)節(jié)信息等問(wèn)題。
[0007] 為了解決上述技術(shù)問(wèn)題，本發(fā)明的技術(shù)方案為提供一種基于塊加權(quán)約束的壓縮感 知圖像重建方法，
[0008] 根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確定感興趣目標(biāo)區(qū)域；
[0009] 確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重；
[0010] 根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知圖像重建算法 模型；
[0011] 求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重建圖像。
[0012] 本發(fā)明另提供一種對(duì)目標(biāo)區(qū)域重建的磁共振成像裝置，
[0013] 區(qū)域劃分單元，用于根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確 定感興趣目標(biāo)區(qū)域；
[0014] 懲罰權(quán)重確定單元，用于確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重；
[0015] 模型生成單元，用于根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮 感知圖像重建算法模型；
[0016] 計(jì)算單元，用于求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重 建圖像。
[0017] 本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法及裝置提出了一種塊加 權(quán)約束項(xiàng)，即對(duì)現(xiàn)有技術(shù)的圖像重建算法模型中的第二類約束項(xiàng)進(jìn)行了改進(jìn)，對(duì)圖像進(jìn)行 了區(qū)域劃分，利用圖像的先驗(yàn)信息，針對(duì)感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)給予相同的較小的懲 罰權(quán)重，給予其他區(qū)域像素點(diǎn)較大的懲罰權(quán)重。本發(fā)明能夠避免感興趣目標(biāo)區(qū)域外高強(qiáng)度 噪聲的影響，同時(shí)能夠保留感興趣目標(biāo)區(qū)域內(nèi)微小的邊緣細(xì)節(jié)信息不被過(guò)度平滑，能夠在 欠采倍數(shù)很高同時(shí)噪聲強(qiáng)度較大的情況下準(zhǔn)確地重建圖像中微小的邊緣細(xì)節(jié)信息。另省去 了局部加權(quán)的約束項(xiàng)中計(jì)算權(quán)重的步驟，提高了算法效率，增加了靈活性。
【附圖說(shuō)明】
[0018] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將對(duì)實(shí)施例描述中所需要使用 的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本 領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可W根據(jù)運(yùn)些附圖獲得其他的 附圖。
[0019] 圖1為本發(fā)明一實(shí)施例的基于塊加權(quán)約束的壓縮感知圖像重建方法流程圖；
[0020] 圖2A~2B為本發(fā)明一實(shí)施例的目標(biāo)區(qū)域分塊示意圖；
[0021] 圖3為本發(fā)明一實(shí)施例的基于塊加權(quán)約束的壓縮感知圖像重建裝置結(jié)構(gòu)圖；
[0022] 圖4為本發(fā)明一實(shí)施例的改進(jìn)的化epp-Logan仿真圖像；
[0023] 圖5為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與現(xiàn)有技術(shù)欠 采樣圖像重建方法重建的圖像的對(duì)比圖；
[0024] 圖6為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與現(xiàn)有技術(shù)欠 采樣圖像重建方法在不同加速倍數(shù)下重建圖像目標(biāo)區(qū)域之間的標(biāo)準(zhǔn)均方誤差圖；
[0025] 圖7為采用全采樣方法獲得的磁共振圖像；
[0026] 圖8為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與現(xiàn)有技術(shù)欠 采樣圖像重建方法重建的圖像的對(duì)比圖；
[0027] 圖9為本發(fā)明一實(shí)施例的穿過(guò)冠狀動(dòng)脈中屯、的16個(gè)像素點(diǎn)的標(biāo)準(zhǔn)化像素值的變化 圖；
[0028] 圖IOA~IOC為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與現(xiàn) 有技術(shù)欠采樣圖像重建方法在不同加速倍數(shù)下的標(biāo)準(zhǔn)化灰度值變化對(duì)比圖。
【具體實(shí)施方式】
[0029] 為了使本發(fā)明的技術(shù)特點(diǎn)及效果更加明顯，下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案做 進(jìn)一步說(shuō)明，本發(fā)明也可有其他不同的具體實(shí)例來(lái)加 W說(shuō)明或?qū)嵤?，任何本領(lǐng)域技術(shù)人員 在權(quán)利要求范圍內(nèi)做的等同變換均屬于本發(fā)明的保護(hù)范疇。
[0030] 如圖1所示，圖1為本發(fā)明一實(shí)施例的基于塊加權(quán)約束的壓縮感知圖像重建方法流 程圖。
[0031] 本實(shí)施例根據(jù)先驗(yàn)信息對(duì)圖像進(jìn)行分塊加權(quán)，準(zhǔn)確地將目標(biāo)圖像的感興趣區(qū)域內(nèi) 微小邊緣細(xì)節(jié)信息重建出來(lái)，克服了現(xiàn)有的約束項(xiàng)帶來(lái)的在高倍欠采時(shí)丟失細(xì)節(jié)信息的瓶 頸問(wèn)題，同時(shí)大大縮短了成像時(shí)間，使其更能實(shí)際應(yīng)用到磁共振成像中。
[0032] 具體的，基于塊加權(quán)約束的壓縮感知圖像重建方法包括：
[0033] 步驟101:根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確定感興趣目 標(biāo)區(qū)域；
[0034] 具體實(shí)施時(shí)，待重建圖像中的感興趣目標(biāo)可通過(guò)觀察或分析欠采樣數(shù)據(jù)得到。
[003引假設(shè)圖像U被分割為N塊，即
，NEZ+而 且每一區(qū)域大小不等且互不相交，即
，對(duì)于Vi # 乂 1《i，j《N，其中 包含感興趣目標(biāo)區(qū)域的塊為W。。'感興趣目標(biāo)區(qū)域的個(gè)數(shù)可W為一個(gè)也可W為多個(gè)，本發(fā)明 對(duì)感興趣目標(biāo)區(qū)域個(gè)數(shù)不做限制。
[0036] 步驟102:確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重；
[0037] 步驟103:根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知圖像 重建算法模型；
[0038] 步驟104:求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重建圖 像。
[0039] 基于塊加權(quán)約束的壓縮感知圖像重建算法模型的求解可通過(guò)現(xiàn)有技術(shù)中非線性 最優(yōu)化迭代算法進(jìn)行求解，如最速下降法、共輛梯度法、Bregman迭代法等，本發(fā)明對(duì)求解基 于塊加權(quán)約束的壓縮感知圖像重建算法模型的算法不做限制。
[0040] 本發(fā)明一實(shí)施例中，約束項(xiàng)類型選擇方法為:若所述待重建圖像在圖像域內(nèi)稀疏， 則選取1-范數(shù)，計(jì)算公式為MuMi,其中U為重建圖像，M ? I Ii為1-范數(shù);若所述待重建圖像 在小波域稀疏，則選取小波變換范數(shù)，計(jì)算公式為IlWu Ml，其中Wu為圖像的小波變換，U為 重建圖像;若所述待重建圖像在全變差域稀疏，則選取全變差范數(shù)，計(jì)算公式為Mu Mtv, ? I Itv為全變差范數(shù)。
[0041] 本發(fā)明一實(shí)施例中，感興趣目標(biāo)區(qū)域的形狀是根據(jù)約束項(xiàng)類型確定的，如小波約 束項(xiàng)只能對(duì)矩形塊進(jìn)行計(jì)算，而全變差約束項(xiàng)可W對(duì)不規(guī)則形狀進(jìn)行計(jì)算。圖2A及2B表達(dá) 了根據(jù)不同的約束項(xiàng)可W選擇不同的目標(biāo)區(qū)域的形狀。圖2A為一種規(guī)則矩形分塊方式，其 中矩形塊1為感興趣目標(biāo)區(qū)域（即目標(biāo)區(qū)域），其他區(qū)域2為非目標(biāo)區(qū)域。圖2B所示則為一種 不規(guī)則的分塊方式，其中不規(guī)則形塊1為感興趣目標(biāo)區(qū)域，其他區(qū)域2為非目標(biāo)區(qū)域。
[0042] 因?yàn)槊糠幚韴D像中目標(biāo)區(qū)域的大小和位置可能是不一樣的，圖2A及圖2B只是 一種目標(biāo)區(qū)域的大小和位置的安排方式，具體實(shí)施時(shí)，可根據(jù)需求設(shè)定目標(biāo)區(qū)域大小及位 置，只要保證目標(biāo)區(qū)域能夠?qū)⒏信d趣目標(biāo)包含在目標(biāo)區(qū)域內(nèi)即可。
[0043] 本發(fā)明一實(shí)施例中，確定感興趣目標(biāo)區(qū)域及非目標(biāo)區(qū)域的懲罰權(quán)重進(jìn)一步包括： 對(duì)于感興趣目標(biāo)區(qū)域外的懲罰權(quán)重?n,，i聲C可W設(shè)置較大，通常設(shè)置為1，從而使得整體解 足夠稀疏。而感興趣目標(biāo)區(qū)域的權(quán)重?。?？蒞根據(jù)欠采造成的噪聲的強(qiáng)度設(shè)置，具體的，當(dāng) 待重建圖像的欠采倍數(shù)大于預(yù)定欠采倍數(shù)(如預(yù)定欠采倍數(shù)為3)時(shí)，設(shè)定所述感興趣目標(biāo) 區(qū)域的懲罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的10%~30%，從而平滑噪點(diǎn)同時(shí)保留感興 趣目標(biāo)區(qū)域內(nèi)微小的細(xì)節(jié)信息；當(dāng)待重建圖像的欠采倍數(shù)小于或等于預(yù)定欠采倍數(shù)(如預(yù) 定欠采倍數(shù)為3)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的 1%~15%，從而使得感興趣目標(biāo)區(qū)域內(nèi)微小的邊緣信息不會(huì)過(guò)度平滑。
[0044] 使用上述規(guī)則設(shè)定感興趣目標(biāo)區(qū)域及非目標(biāo)區(qū)域的懲罰權(quán)重能夠在較少欠采樣 數(shù)據(jù)的情況下，保證感興趣目標(biāo)區(qū)域內(nèi)的微小的邊緣細(xì)節(jié)得W保留，同時(shí)也使得目標(biāo)區(qū)域 外的結(jié)構(gòu)足夠平滑，保留大體的結(jié)構(gòu)信息。
[0045] 本發(fā)明對(duì)感興趣目標(biāo)區(qū)域及非感興趣區(qū)域設(shè)定的懲罰權(quán)重的具體取值不做限制， 可根據(jù)需求設(shè)定。
[0046] 因?yàn)槟繕?biāo)區(qū)域內(nèi)的噪聲強(qiáng)度比區(qū)域外的強(qiáng)度小，所W可W對(duì)包含目標(biāo)區(qū)域的塊再 進(jìn)行細(xì)化加權(quán)，本發(fā)明一實(shí)施例中，確定感興趣目標(biāo)區(qū)域的懲罰權(quán)重進(jìn)一步包括，
[0047] 通過(guò)如下公式確定感興趣目標(biāo)區(qū)域內(nèi)不同像素點(diǎn)的懲罰權(quán)重，進(jìn)行細(xì)化加權(quán)：
[004引
[0049] 其中，X為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，婦感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)X的 值;Oc為感興趣目標(biāo)區(qū)域，O為平滑參數(shù)，V/f。(.V)為像素點(diǎn)X的梯度值，M ? I Ii為1-范數(shù)。
[0050] 本發(fā)明一實(shí)施例中，根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮 感知圖像重建算法模型(步驟103)進(jìn)一步包括，
[0051] 步驟1031:根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型得到待重建圖像的塊加權(quán)約束項(xiàng)；
[0052] 通過(guò)如下公式計(jì)算待重建圖像的塊加權(quán)約束項(xiàng)：
[0053] fb(u)=/Oof (u〇)d〇,
[0054] 其中，fb(u)為塊加權(quán)正則范數(shù)，f(u。)為塊u。的約束項(xiàng)范數(shù)，《。則為塊u。的懲罰權(quán) 重。
[0055] 進(jìn)一步的，若感興趣目標(biāo)區(qū)域內(nèi)不同的像素點(diǎn)根據(jù)梯度值大小給予不同的權(quán)重， 上式中的打(U)表示為：
[0化6] ，
[0057] 其中：
。為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，M。-。的 為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)X的值;Oc為感興趣目標(biāo)區(qū)域，O為平滑參數(shù)，Vw。（.X-)為像素 點(diǎn)X的梯度值，I I ? I Ii為1-范數(shù)。
[0058] 步驟1032:根據(jù)待重建圖像的塊加權(quán)約束項(xiàng)構(gòu)造基于塊加權(quán)約束的壓縮感知圖像 重建算法模型。
[0059] 通過(guò)如下公式得到基于塊加權(quán)約束的壓縮感知圖像重建算法模型：
[0060]
[0061] 其中，uGCnXn為待重建圖像像素矩陣，F(xiàn)為傅里葉編碼矩陣，y為采樣的數(shù)據(jù)矩陣，入 為平衡數(shù)值保真項(xiàng)和正則項(xiàng)之間的正則因子，打(U)為塊加權(quán)正則范數(shù)，Il ? Ih為矩陣的2- 范數(shù)。
[0062] 本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法提出了一種塊加權(quán)約束 項(xiàng)，即對(duì)現(xiàn)有技術(shù)的圖像重建算法模型中的第二類約束項(xiàng)進(jìn)行了改進(jìn)，對(duì)圖像進(jìn)行了區(qū)域 劃分，利用圖像的先驗(yàn)信息，針對(duì)目標(biāo)區(qū)域內(nèi)的像素點(diǎn)給予相同的較小的懲罰權(quán)重，給予其 他區(qū)域像素點(diǎn)較大的懲罰權(quán)重。本發(fā)明能夠避免目標(biāo)區(qū)域外高強(qiáng)度噪聲的影響，同時(shí)能夠 保留目標(biāo)區(qū)域內(nèi)微小的邊緣細(xì)節(jié)信息不被過(guò)度平滑，能夠在欠采倍數(shù)很高同時(shí)噪聲強(qiáng)度較 大的情況下準(zhǔn)確地重建圖像中微小的邊緣細(xì)節(jié)信息。另省去了局部加權(quán)的約束項(xiàng)中計(jì)算權(quán) 重的步驟，提高了算法效率，增加了靈活性。
[0063] 如圖3所示，圖3為本發(fā)明一實(shí)施例的基于塊加權(quán)約束的壓縮感知圖像重建裝置結(jié) 構(gòu)圖。
[0064] 該裝置包括:區(qū)域劃分單元301，用于根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖 像進(jìn)行劃分，確定感興趣目標(biāo)區(qū)域；
[0065] 懲罰權(quán)重確定單元302，用于確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán) 重；
[0066] 模型生成單元303,用于根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的 壓縮感知圖像重建算法模型；
[0067] 計(jì)算單元304,用于求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到 重建圖像。
[0068] 本發(fā)明一實(shí)施例中，懲罰權(quán)重確定單元302具體用于，當(dāng)待重建圖像的欠采倍數(shù)大 于預(yù)定倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的10 % ~30%;當(dāng)待重建圖像的欠采倍數(shù)小于或等于預(yù)定倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲 罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的1 %~15%。
[0069] 本發(fā)明一實(shí)施例中，懲罰權(quán)重確定單元302可進(jìn)一步通過(guò)如下公式確定感興趣目 標(biāo)區(qū)內(nèi)不同像素點(diǎn)的懲罰權(quán)重，進(jìn)行細(xì)化加權(quán)：
[0070]
[0071] 其中，X為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，（.0為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)X的 值;0。為感興趣目標(biāo)區(qū)域，O為平滑參數(shù)，^%>：)為像素點(diǎn)X的梯度值，M ? Mi為1-范數(shù)。
[0072] 本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建裝置提出了一種塊加權(quán)約束 項(xiàng)，即對(duì)現(xiàn)有技術(shù)的圖像重建算法模型中的第二類約束項(xiàng)進(jìn)行了改進(jìn)，對(duì)圖像進(jìn)行了區(qū)域 劃分，利用圖像的先驗(yàn)信息，針對(duì)目標(biāo)區(qū)域內(nèi)的像素點(diǎn)給予相同的較小的懲罰權(quán)重，給予其 他區(qū)域像素點(diǎn)較大的懲罰權(quán)重。本發(fā)明能夠避免目標(biāo)區(qū)域外高強(qiáng)度噪聲的影響，同時(shí)能夠 保留目標(biāo)區(qū)域內(nèi)微小的邊緣細(xì)節(jié)信息不被過(guò)度平滑，能夠在欠采倍數(shù)很高同時(shí)噪聲強(qiáng)度較 大的情況下準(zhǔn)確地重建圖像中微小的邊緣細(xì)節(jié)信息。另省去了局部加權(quán)的約束項(xiàng)中計(jì)算權(quán) 重的步驟，提高了算法效率，增加了靈活性。
[0073] 為了使本申請(qǐng)技術(shù)方案更加清楚，下面W兩組實(shí)驗(yàn)結(jié)果來(lái)進(jìn)行說(shuō)明，第一組為仿 真實(shí)驗(yàn)，第二組為健康志愿者實(shí)驗(yàn)。需要說(shuō)明的是，運(yùn)兩組實(shí)驗(yàn)選取的為全變差約束項(xiàng)。
[0074] 第一組仿真實(shí)驗(yàn)：
[0075] 如圖4所示，圖4為改進(jìn)的化epp-Logan仿真圖像，該圖像的大小為256 X 256，圖像 中屯、放置了一個(gè)微小的圓環(huán)，厚度大約為2~3個(gè)像素點(diǎn)，用于模擬微小的血管壁。圓環(huán)內(nèi)壁 放置相鄰的3個(gè)灰度值較高的像素點(diǎn)，用于模擬血管壁內(nèi)的斑塊。右側(cè)框內(nèi)所示即為插值放 大后的細(xì)節(jié)圖像。運(yùn)模擬的是圖像中微小的細(xì)節(jié)信息，本發(fā)明的目的即在重建圖像中準(zhǔn)確 重建運(yùn)些信息。另外，在合適的位置放置了2個(gè)圓和1個(gè)楠圓，目的是減少圖像整體的稀疏 性，W模擬真實(shí)圖像的稀疏性。
[0076] 對(duì)設(shè)計(jì)好的仿真圖像進(jìn)行傅里葉變換，得到的數(shù)據(jù)作為k-space的全采樣數(shù)據(jù)。接 下來(lái)根據(jù)我們?cè)O(shè)計(jì)的采樣模式進(jìn)行數(shù)據(jù)采集，即在相位編碼方向進(jìn)行欠采，在k-space中間 密集采集24條相位線，邊緣稀疏隨機(jī)采集，據(jù)此來(lái)模擬欠采樣的k-space數(shù)據(jù)，欠采倍數(shù)分 別取為2、4、6和8。在運(yùn)一組實(shí)驗(yàn)中，我們用已有的常規(guī)TV、EPTV約束項(xiàng)W及本發(fā)明提出基于 塊加權(quán)的全變差約束項(xiàng)(Block-Wei曲ted Total Variation:BWTV)分別重建模擬數(shù)據(jù)，并 進(jìn)行比較。結(jié)果如圖5所示。
[0077] 從圖5可W看出當(dāng)欠采倍數(shù)較低，如2倍時(shí)，現(xiàn)有技術(shù)(TV及EPTV約束項(xiàng)）和本發(fā)明 提出的塊加權(quán)約束的壓縮感知圖像重建方法(BWTV約束項(xiàng))都能很好地保存重建圖像中模 擬的血管壁和斑塊。但隨著欠采倍數(shù)的加大，現(xiàn)有技術(shù)TV和EPTV重建的圖像中微小的細(xì)節(jié) 信息很快就會(huì)丟失，然而本發(fā)明提出的BWTV仍然能夠準(zhǔn)確地重建運(yùn)些信息。即使是達(dá)到最 高欠采倍數(shù)，如8倍時(shí)，相比現(xiàn)有技術(shù)重建的圖像中微小細(xì)節(jié)信息已完全丟失，本發(fā)明提出 的技術(shù)仍然能夠從重建圖像中清楚地看到模擬的血管壁和斑塊。
[0078] 如圖6所示，圖6為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與 現(xiàn)有技術(shù)欠采樣圖像重建方法在不同加速倍數(shù)下重建圖像目標(biāo)區(qū)域之間的標(biāo)準(zhǔn)均方誤差 圖（normalized mean-squared erroriNMSE)。標(biāo)準(zhǔn)均方誤差越小，表明重建的圖像與原圖 越接近。由圖6可知，本發(fā)明提供的基于BWTV約束項(xiàng)構(gòu)造的壓縮感知圖像重建算法模型得到 的重建圖像比現(xiàn)有技術(shù)重建的圖像要好，即時(shí)在最高加速倍數(shù)8倍時(shí)，與仿真原圖也非常接 近，具有誤差小的特點(diǎn)。
[0079] 第二組實(shí)驗(yàn)中，采集了4名健康志愿者的冠狀動(dòng)脈的數(shù)據(jù)。利用的是3D黑血序列結(jié) 合微小黃金角的徑向采樣軌跡，掃描參數(shù)包括:TR和TE分別為3.8和1.9毫秒，空間分辨率為 0.83 X0.83 X 2.Omm3,帶寬為992Hz/Pixel，采樣層數(shù)和徑向條數(shù)分別為12和240。全采樣的 參考圖像如圖7所示，圖像中微小的邊緣細(xì)節(jié)信息為圖像目標(biāo)區(qū)域中屯、的冠狀動(dòng)脈血管壁 (箭頭所指）。
[0080] 分別根據(jù)欠采倍數(shù)2、3和4對(duì)采集的數(shù)據(jù)進(jìn)行欠采樣，然后分別用常規(guī)的TV約束 項(xiàng)、EPTV約束項(xiàng)W及本發(fā)明提出的一種塊加權(quán)約束項(xiàng)--BWTV約束項(xiàng)對(duì)運(yùn)些數(shù)據(jù)進(jìn)行重 建。具有代表性的結(jié)果如圖8所示，現(xiàn)有技術(shù)重建的圖像中冠狀動(dòng)脈血管壁(箭頭所指)在欠 采倍數(shù)高于2倍時(shí)，不能很好地重建冠狀動(dòng)脈血管壁，然而本發(fā)明提出的技術(shù)即使在欠采倍 數(shù)高達(dá)4倍時(shí)仍然能夠清楚地描述血管壁。
[0081] 如圖9所示，圖9為本發(fā)明一實(shí)施例的穿過(guò)冠狀動(dòng)脈中屯、的16個(gè)像素點(diǎn)的標(biāo)準(zhǔn)化像 素值的變化圖。水平穿過(guò)冠狀動(dòng)脈中屯、的16個(gè)像素點(diǎn)如圖9中白色虛線所示。如圖IOA~IOC 所示，圖IOA~IOC為采用本發(fā)明提供的基于塊加權(quán)約束的壓縮感知圖像重建方法與現(xiàn)有技 術(shù)欠采樣圖像重建方法在不同加速倍數(shù)下的標(biāo)準(zhǔn)化灰度值變化對(duì)比圖，用于比較=種技術(shù) (TV約束項(xiàng)、EPTV約束項(xiàng)及BWTV約束項(xiàng))重建的血管壁的精確程度。與全采樣參考圖像標(biāo)準(zhǔn) 化像素值變化曲線(黑色實(shí)線曲線)越相近的重建圖像質(zhì)量越好，由圖IOA~IOC可W看出在 對(duì)微小的邊緣信息的重建精確度最好的是本發(fā)明提出的技術(shù)。
[0082] 本發(fā)明具有W下優(yōu)點(diǎn)：
[0083] 本發(fā)明相比于全局約束項(xiàng)來(lái)說(shuō)只針對(duì)圖像的目標(biāo)區(qū)域進(jìn)行約束，可W有效地避免 了全局約束造成的重建圖像過(guò)度平滑，細(xì)節(jié)信息丟失的問(wèn)題；同時(shí)，本發(fā)明相比與像素點(diǎn)局 部加權(quán)約束來(lái)說(shuō)，可W避免了目標(biāo)區(qū)域外高強(qiáng)度噪聲的干擾，同時(shí)還減少了計(jì)算權(quán)重的時(shí) 間，大大提高了算法的效率，增加了靈活性。
[0084] W上所述僅用于說(shuō)明本申請(qǐng)技術(shù)方案，任何本領(lǐng)域普通技術(shù)人員均可在不違背本 發(fā)明的精神及范疇下，對(duì)上述實(shí)施例進(jìn)行修飾與改變。因此，本發(fā)明的權(quán)利保護(hù)范圍應(yīng)視權(quán) 利要求范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，包括， 根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確定感興趣目標(biāo)區(qū)域； 確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重； 根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知圖像重建算法模型； 求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重建圖像。2. 如權(quán)利要求1所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，確定感 興趣目標(biāo)區(qū)域的懲罰權(quán)重進(jìn)一步包括： 當(dāng)待重建圖像的欠采倍數(shù)大于預(yù)定欠采倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲罰權(quán)重 為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的10%~30% ; 當(dāng)待重建圖像的欠采倍數(shù)小于或等于預(yù)定欠采倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲 罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的1 %~15%。3. 如權(quán)利要求2所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，確定感 興趣目標(biāo)區(qū)域的懲罰權(quán)重進(jìn)一步包括， 通過(guò)如下公式確定感興趣目標(biāo)區(qū)域內(nèi)不同像素點(diǎn)的懲罰權(quán)重：其中，X為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，〃σ_ (.V)為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)X的值;σ。 為感興趣目標(biāo)區(qū)域，σ為平滑參數(shù)，▽~（.Ο為像素點(diǎn)X的梯度值，M · I Ii為卜范數(shù)。4. 如權(quán)利要求1所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，根據(jù)所 述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知圖像重建算法模型進(jìn)一步包括， 根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型得到待重建圖像的塊加權(quán)約束項(xiàng)； 根據(jù)待重建圖像的塊加權(quán)約束項(xiàng)構(gòu)造基于塊加權(quán)約束的壓縮感知圖像重建算法模型。5. 如權(quán)利要求4所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，通過(guò)如 下公式計(jì)算待重建圖像的塊加權(quán)約束項(xiàng)： fb(u)=/〇0f(u〇)d〇, 其中，fb (u)為塊加權(quán)正則范數(shù)，f (u。)為塊u。的約束項(xiàng)范數(shù)，ω。則為塊u。的懲罰權(quán)重。6. 如權(quán)利要求5所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，通過(guò)如 下公式得到基于塊加權(quán)約束的壓縮感知圖像重建算法模型：其中，ueCnXn為待重建圖像像素矩陣，F(xiàn)為傅里葉編碼矩陣，y為采樣的數(shù)據(jù)矩陣，λ為平 衡數(shù)值保真項(xiàng)和正則項(xiàng)之間的正則因子，fb(u)為塊加權(quán)正則范數(shù)，U · I |2為矩陣的2-范 數(shù)。7. 如權(quán)利要求1所述的基于塊加權(quán)約束的壓縮感知圖像重建方法，其特征在于，所述約 束項(xiàng)類型的確定進(jìn)一步包括， 若所述待重建圖像在圖像域內(nèi)稀疏，則選取1-范數(shù)； 若所述待重建圖像在小波域稀疏，則選取小波變換范數(shù)； 若所述待重建圖像在全變差域稀疏，則選取全變差范數(shù)。8. -種基于塊加權(quán)約束的壓縮感知圖像重建裝置，其特征在于，包括， 區(qū)域劃分單元，用于根據(jù)待重建圖像中的感興趣目標(biāo)對(duì)待重建圖像進(jìn)行劃分，確定感 興趣目標(biāo)區(qū)域； 懲罰權(quán)重確定單元，用于確定感興趣目標(biāo)區(qū)域及非感興趣目標(biāo)區(qū)域的懲罰權(quán)重； 模型生成單元，用于根據(jù)所述懲罰權(quán)重及約束項(xiàng)類型構(gòu)造基于塊加權(quán)約束的壓縮感知 圖像重建算法模型； 計(jì)算單元，用于求解所述基于塊加權(quán)約束的壓縮感知圖像重建算法模型，得到重建圖 像。9. 如權(quán)利要求8所述的基于塊加權(quán)約束的壓縮感知圖像重建裝置，其特征在于，懲罰權(quán) 重確定單元具體用于， 當(dāng)待重建圖像的欠采倍數(shù)大于預(yù)定欠采倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲罰權(quán)重 為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的10%~30% ; 當(dāng)待重建圖像的欠采倍數(shù)小于或等于預(yù)定欠采倍數(shù)時(shí)，設(shè)定所述感興趣目標(biāo)區(qū)域的懲 罰權(quán)重為非感興趣目標(biāo)區(qū)域懲罰權(quán)重的1 %~15%。10. 如權(quán)利要求9所述的基于塊加權(quán)約束的壓縮感知圖像重建裝置，其特征在于，懲罰 權(quán)重確定單元進(jìn)一步通過(guò)如下公式確定感興趣目標(biāo)區(qū)內(nèi)不同像素點(diǎn)的懲罰權(quán)重：其中，X為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)，\ 為感興趣目標(biāo)區(qū)域內(nèi)的像素點(diǎn)X的值; 為感興趣目標(biāo)區(qū)域，σ為平滑參數(shù)，為像素點(diǎn)X的梯度值，M · I Ii為1-范數(shù)。
【文檔編號(hào)】G06T5/00GK106023116SQ201610370865
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月30日
【發(fā)明人】謝國(guó)喜, 陳中舟, 劉新, 鄭海榮
【申請(qǐng)人】中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院