论文部分内容阅读
磁共振成像(MRI)技术是近代出现的一项重要的医学诊断技术。然而成像速度慢限制了其在很多场合的应用。并行磁共振成像技术(PMRI)采用多个接收线圈阵列同时采集数据,对K空间进行欠采样,大幅度缩短了扫描时间,提高了成像速度。由于PMRI的采样率低于奈奎斯特采样率,若对数据直接进行傅立叶变换,得到的是带有混叠伪影的图像。敏感度编码(SENSE)成像是一种广泛用于展开混叠像素的PMRI重建方法,然而其重建过程是一个病态求逆问题,存在噪声放大现象。目前,基于正则化模型的图像重建能够有效改善这种问题,并且得到了广泛的研究与应用。本文主要针对基于全变差(TV)正则化的SENSE图像重建算法进行研究。从病态问题出发,重点研究了Tikhonov正则化和TV正则化,利用图像的先验信息建立基于正则化的SENSE重建代价函数。虽然此方法可以在一定程度上缓解SENSE重建的病态性,但在加速因子R比较高的情况下,较高的正则化程度会造成数据不一致,从而导致了图像伪影的加重。针对此问题,提出了一种改进的迭代TV正则化SENSE重建方法。相比于传统正则化SENSE重建方法固定不变的正则项,本文提出的改进方法是基于Bregman距离在两次连续的迭代之间自适应地更新正则化函数。对水膜、心脏、大脑等磁共振数据分别进行仿真实验,其结果表明,与传统TV正则化SENSE重建相比,改进的迭代TV正则化SENSE重建算法在迭代8次左右就可以得到混叠伪影较少、信噪比(SNR)较高的重建结果,说明改进的算法有效可行。全变差正则化理论一般都是基于连续模型的,将传统求解TV正则化数值解的算法应用到基于TV正则化的SENSE重建模型上,其收敛速度慢且不能很好地逼近模型的最优解,造成重建速度的缓慢和质量的下降。本文在TV正则化SENSE重建模型基础上,引入了一种高效且快速分裂的Bregman迭代算法来求解此模型的数值解。新的算法把L1正则化问题转化为一系列非约束优化问题和Bregman更新,把代价函数的L1和L2部分分裂开,分别迭代最小化,使得该算法很高效。通过仿真实验表明,基于快速分裂Bregman迭代的TV正则化SENSE重建不但迭代次数少、收敛速度快,而且能够减缓一般重建结果中的混叠伪影,极大地降低了归一化均方误差(NMSE)值。