论文部分内容阅读
磁共振成像（MRI）是利用人体的磁性核（氢核）在磁场中所表现出来的特性进行成像的技术。该技术的具有无伤害性、组织对比度高和组织分辨率高等优点，己成为临床医学的一种十分重要的检测手段。但是，目前MRI仍遭遇到成像速度太慢的瓶颈问题，被成像者长时间滞留在成像仪器内，被成像者的运动会使图像产生运动模糊；较慢的速度已经大大制约了MRI成像技术的发展。因此，MRI研究领域中最热门的课题就是如何提高MRI数据采集速度，减少成像时间。其中，利用部分K空间数据成像是加快MRI成像速度的最常用的方法。随着成像方法越来越好，对于运动肿瘤的放射治疗也变得越来越复杂，4D-MRI将会为放射治疗方案提供经得起检验的信息，如何获得高分辨率的4D-MRI也十分具有研究意义。本文主要研究利用高倍下采样的部分K空间序列数据重构高分辨率磁共振图像的方法，提出了一种基于自适应双字典学习的部分K空间序列图像重构算法和一种基于相似性插值的部分K空间序列图像重构算法，并将其应用到多个健康志愿者和多个癌症患者的MRI重构中。同时，本文还研究了如何利用多层2D动态MRI获得高分辨率的4D-MRI，提出了一种基于双字典学习的4D-MRI超分辨率重构算法。本论文的主要创新点如下：(1)提出了一种基于自适应双字典学习的部分K空间序列图像重构算法。该方法不需要已知参考图，而是充分利用部分K空间序列数据之间的相关性，产生一些完整的K空间数据，得到高分辨字典，这样不仅减少了数据的采集量，提高了数据的采集速度，同时合成参考图和待重构图像具有结构相似性，获得的字典自适应性更强。通过残差补偿进一步补偿了丢失信息，修正了重构图像的一些细节边缘，使图像的视觉效果得到进一步的提高。此外，通过适时更新字典，该方法能够显著降低序列数据的重构误差，从而大大增强算法的自适应性和鲁棒性。(2)提出了一种基于相似性插值的部分K空间序列图像重构方法。该方法不需要采集高采样率的K空间数据，而是充分利用部分K空间序列数据之间的相似性，合成一些较完整的K空间数据，降低了采样率。然后利用呼吸状态最相似的合成数据对待重构的部分K空间数据进行插值补充，而不是仅仅用相邻的K空间数据进行插值，插值的数据更为精确，重构效果更好。此外，通过适时更新合成K空间数据，能够显著降低序列数据的重构误差，从而大大增强算法的自适应性和鲁棒性。(3)提出了一种基于双字典学习的4D-MRI超分辨率重构算法。该方法利用预先采集的几层2D动态MRI作为训练样本来获得高、低分辨率字典，训练样本图像与待重构图像相关度高，重构图像的视觉效果较好，图像的细节信息都保持的比较完整，并且能够重构出一个完整呼吸周期的图像，并且保持呼吸变化规律，能够为医生的诊断和治疗提供较大的帮助。