一種優(yōu)化的核磁共振圖像重建方法

摘要：成像速度慢制約了核磁共振在臨床醫(yī)學(xué)診斷中的應(yīng)用，壓縮感知理論提供了解決問題的新思路，可以利用圖像稀疏性壓縮信息并通過數(shù)學(xué)模型重建圖像，方法的關(guān)鍵是模型和算法。本文提出了聯(lián)合先驗(yàn)的重建模型，改進(jìn)了迭代閾值法和增廣拉格朗日法，并通過對比實(shí)驗(yàn)證明了優(yōu)化后圖像重建方法的有效性。

關(guān)鍵詞：核磁共振圖像;壓縮感知;聯(lián)合先驗(yàn)?zāi)Ｐ?拉格朗日算法

中圖分類號：TP311

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）04-0211-02

收稿日期：2019-11-02

作者簡介：郭姿鷸（1994—），女，云南楚雄人，碩士，主要研究方向?yàn)榇髷?shù)據(jù)與信息安全。

An Optimized Way to Reconstruct MRI

GUO Zi-yu .

（College of Electronic and Information Engineering，Tongji University，Shanghai 201 804，China）

Abstract：The slow imaging speed restricts the application of nuclear magnetic resonance，and compressive sensing theory provides a new way to solve the problem，which can compress information Based on image sparsity and reconstruct image via mathematical model.This paper proposes a joint priori reconstruction model，improves the iterative threshold method and the Lagrange method，and proves the effectiveness of image reconstruction method by comparison experiments.

Key words：nuclear magnetic resonance;compressive sensing;joint priori model;Lagrange algorithm

1 背景

核磁共振是現(xiàn)代醫(yī)療診斷技術(shù)的重要組成部分，但受到傳統(tǒng)尼奎斯特采樣方式的限制，臨床應(yīng)用中成像速度慢，帶來了患者不適、運(yùn)動(dòng)噪影、成本過高等問題，制約了其發(fā)展和應(yīng)用。Candes等[1-2]提出的壓縮感知理論為解決該問題開辟了新路徑，該理論的必要條件是圖像具有稀疏性或是可被稀疏化，通過滿足等距限制條件的觀測矩陣將原始圖像壓縮保存到觀測數(shù)據(jù)中，降低采樣量減少了采樣時(shí)間，同時(shí)減輕了后續(xù)步驟中傳輸、解壓和存儲數(shù)據(jù)的成本。Lustig等[3]在深入分析壓縮感知理論應(yīng)用于磁共振快速成像的可行性，首次提出了基于壓縮感知的磁共振成像問題（簡稱CS—MRI）。

2 基礎(chǔ)知識框架

核磁共振技術(shù)的原理是對受檢患者施加外部磁場，使得人體內(nèi)的氫原子在磁場中共振，從而產(chǎn)生電磁波在K空間進(jìn)行編碼最后成像。

傳統(tǒng)信號處理首先要對信號進(jìn)行采樣，采樣時(shí)遵循尼奎斯特采樣定理，若要無失真重建新號，采樣頻率不能小于信號最大頻率的兩倍，即滿足f采樣≥2fmax。采樣頻率過高難以實(shí)現(xiàn)，壓縮后還是會(huì)有大量信息冗余，在這個(gè)信息爆炸的年代大大增加了信息處理和管理的成本。

壓縮感知理論突破了傳統(tǒng)采樣的限制，解決了以上技術(shù)和成本問題，主要是通過對原始信號進(jìn)行稀疏表示，選擇滿足限制等距限制原則的觀測矩陣將原始圖像的高維信號壓縮保存到觀測數(shù)據(jù)的低維空間，然后根據(jù)數(shù)學(xué)原理建立合適的模型進(jìn)行求解，其原理和流程如圖1所示。

稀疏性是壓縮感知理論應(yīng)用的基礎(chǔ)和必要條件，同時(shí)也是磁共振圖像的重要先驗(yàn)信息，常用的稀疏變換有傅里葉變換、小波變換、輪廓波等后小波變換、離散余弦波變換、多尺度幾何分析的脊波、曲波等。在此基礎(chǔ)上研究發(fā)展出了雙樹復(fù)小波變換[4]、基于塊方向性小波[5]、基于塊稀疏的K-SVD方法和稀疏基為自適應(yīng)字典學(xué)習(xí)的DLMRI方法[6]等。除了稀疏性外，其特征也可以作為圖像先驗(yàn)，如結(jié)構(gòu)的相似性、非局部相似性、像素域的幅值和位置、區(qū)域連通性等，將其引入CS-MRI重建模型有助于實(shí)現(xiàn)欠采樣模式下的圖像重建，進(jìn)一步提升重建效率。

基于壓縮感知的磁共振圖像重建可以通過求解l0范數(shù)最優(yōu)化問題來實(shí)現(xiàn)，但l0范數(shù)問題屬于NP難問題。凸優(yōu)化算法將最小l0范數(shù)可以被轉(zhuǎn)化為最小l1范數(shù)問題進(jìn)行求解，經(jīng)典方法有基追蹤算法、梯度下降法和分離布雷格曼迭代算法等。貪婪追蹤算法直接求解l0范數(shù)問題獲得最優(yōu)近似解，核心思想是通過不斷迭代修正當(dāng)前圖像來逼近原始圖像，經(jīng)典方法有正交.匹配追蹤和迭代閾值算法，并在此基礎(chǔ)上發(fā)展出了快速迭代閾值收縮算法和兩步迭代閾值算法。

與圖像特征、先驗(yàn)信息和模型特點(diǎn)結(jié)合更緊密的算法也逐漸發(fā)展，如基于圖像局部相似性先驗(yàn)提出塊匹配算法BM3D7，適用于無約束凸優(yōu)化模型的RecPF算法[8]，適用于求解多正則項(xiàng)模型的分裂增廣拉格朗日收縮算法[9]等。

3 優(yōu)化方案實(shí)現(xiàn)

目前對于CS-MRI的建模研究，逐漸從原本的單一先驗(yàn)轉(zhuǎn)向多種先驗(yàn)聯(lián)合，所以也會(huì)出現(xiàn)多正則項(xiàng)的重建模型，如公式（1）所示。

結(jié)合已有研究基礎(chǔ)，本文引入了兩項(xiàng)圖像先驗(yàn)信息作為模型的正則項(xiàng)，分別是非局部自相似先驗(yàn)和總變分稀疏先驗(yàn)，簡稱為聯(lián)合先驗(yàn)的CS-MRI正則模型，如公式（2）所示，

其中， ?為數(shù)據(jù)保真項(xiàng)， ?為基于總變分稀疏先驗(yàn)的正則項(xiàng)， ?為基于非局部自相似性先驗(yàn)的正則項(xiàng)，λ平衡數(shù)據(jù)保真項(xiàng)和正則項(xiàng)的因子。

標(biāo)準(zhǔn)的總變分正則項(xiàng)需要假設(shè)被處理圖像是近似光滑的，在處理紋理細(xì)節(jié)豐富的圖像時(shí)會(huì)導(dǎo)致重要信息的丟失，具有一定局限性，所以對模型中的總變分正則項(xiàng)采用重加權(quán)的方式進(jìn)行了改良，根據(jù)像素點(diǎn)進(jìn)行重加權(quán)，以適應(yīng)梯度變化保留細(xì)節(jié)信息，表示為公式（3）。

一般情況下，磁共振圖像中有大量結(jié)構(gòu)相似的圖像塊，稱為圖像的非局部相似性，即假設(shè)圖像在i像素點(diǎn)有大小為VExV后的標(biāo)準(zhǔn)圖像塊p;∈C，對于每個(gè)標(biāo)準(zhǔn)塊p;，都存在許多大小相同、結(jié)構(gòu)相似的相似塊。

若設(shè)矩陣P;是每個(gè)標(biāo)準(zhǔn)塊p;在k鄰域內(nèi)的相似塊的集合，相似塊都屬于待重建圖像x，故P;可以由圖像x在特定選擇矩陣上的投影得到，如公式（4）。

基于非局部自相似性先驗(yàn)信息恢復(fù)CS-MRI，需要充分運(yùn)用每一個(gè)標(biāo)準(zhǔn)塊所對應(yīng)非局部相似塊集合體現(xiàn)出的低秩特性，正則項(xiàng)表示為公式（5），其中L;為相似圖像塊組成的低秩矩陣。

模型構(gòu)建后需要合適、高效的算法對其進(jìn)行求解。如公式（2）所示，本章所建模型是多正則項(xiàng)且非凸的，求解思路是結(jié)合迭代閾值法和增廣拉格朗日算法。利用低秩矩陣L;本身特性，用迭代閾值法進(jìn)行求解，模型轉(zhuǎn)換為兩個(gè)正則項(xiàng)且非凸的CS-MRI模型，通過優(yōu)化的增廣拉格朗日方法進(jìn)行求解。

首先引入約束項(xiàng)和拉格朗日算子將模型轉(zhuǎn)換為拉格朗日形式，接下來再分解子問題，迭代交替解決直到收斂。引入約束項(xiàng)的輔助變量p=Fux，q=Vx，r=x，并通過增廣拉格朗日方法將所有等式約束引入到重建函數(shù)中：

其中，a，b，c是每個(gè)約束項(xiàng)的拉格朗日算子，μ1up：1Hc都是前置參數(shù)，該參數(shù)的設(shè)置會(huì)影響解空間的收斂性，但是求解方法本身對前置參數(shù)不敏感。每次迭代交替求解子問題時(shí)，相關(guān)的參數(shù)都會(huì)更新，每個(gè)參數(shù)更新時(shí)都會(huì)假設(shè)其他會(huì)更新的參數(shù)固定不變。

4 對比實(shí)驗(yàn)

為了驗(yàn)證提出的聯(lián)合先驗(yàn)的CS-MRI重建方法的有效性，需要通過圖像重建實(shí)驗(yàn)與同類重建方法進(jìn)行對比。

本實(shí)驗(yàn)運(yùn)行在CPU主頻為2.6 GHz Intel Core i5，內(nèi)存為8GB，操作系統(tǒng)為macOS Sierra 10.12.6的計(jì)算機(jī)設(shè)備上，實(shí)驗(yàn)工具和編程語言為MATLAB，版本為MATLAB2019a。實(shí)驗(yàn)的評價(jià)指標(biāo)是圖像的視覺感受信噪比（簡稱SNR）和結(jié)構(gòu)相似度（簡稱SSIM）。實(shí)驗(yàn)的參數(shù)設(shè)置及說明如下：非局部相似性的圖像塊大小設(shè)置為6x6，即k=36;每個(gè)標(biāo)準(zhǔn)圖像塊在K鄰域內(nèi)的匹配45個(gè)相似塊進(jìn)入標(biāo)準(zhǔn)塊p：的相似塊集合，即P;∈Ckxm中m=45;在垂直和水平方向上每隔5個(gè)像素點(diǎn)選取一個(gè)位置作為標(biāo)準(zhǔn)圖像塊像素點(diǎn)位置。重建模型的正則項(xiàng)度量參數(shù)入設(shè)置為0.01，12設(shè)置為0.01;增廣拉格朗日算法中的前置參數(shù)設(shè)置μA =μp =μc=1，其余參數(shù)設(shè)置按照重建算法流程中的初始化設(shè)置進(jìn)行。實(shí)驗(yàn)的對照方法為SparseMRI，TVCMRI和RecPF，選用偽隨機(jī)采樣矩陣，采樣率為25%，噪聲水平為0.01，結(jié)果如圖2所示，數(shù)據(jù)結(jié)果如表1所示。

觀察不同方法的重建圖像可知，本文所提方法在整體圖像精度和細(xì)節(jié)保留度上均有更好的效果。特別觀察區(qū)域邊界，由于非局部自相似性和重加權(quán)TV稀疏項(xiàng)的結(jié)合，其細(xì)節(jié)信息保留得更好。從數(shù)據(jù)結(jié)果來看，稀疏低秩的重建方法也比其他方法的重建效果更好，驗(yàn)證了基于稀疏低秩的CS-MRI重建模型的有效性。

5結(jié)束語

國民健康意識日益增強(qiáng)，醫(yī)療圖像領(lǐng)域不斷發(fā)展，其中磁共振成像技術(shù)成為重要的醫(yī)學(xué)診療手段。磁共振原理需要對電磁信號進(jìn)行編碼采樣并恢復(fù)原始圖像，傳統(tǒng)采樣方法受到尼奎斯特定理的限制，導(dǎo)致MRI成本高、速度慢、質(zhì)量不佳。新興的壓縮感知原理打破了這一局限。

本文基于壓縮感知原理，提出了結(jié)合非局部相似性與總變分稀疏性的聯(lián)合先驗(yàn)重建模型，使用重加權(quán)方法優(yōu)化總變分正則項(xiàng)，通過低秩聚類充分挖掘非局部相似性的先驗(yàn)信息，采用問題分解多重循環(huán)、多次迭代的算法方案，合理運(yùn)用迭代閾值法優(yōu)化低秩矩陣，優(yōu)化增廣拉格朗日算法用于求解兩正則項(xiàng)的非凸模型，最后通過對比同類方法的實(shí)驗(yàn)，以信噪比和結(jié)構(gòu)相似度為客觀指標(biāo)，結(jié)果表明所提出方法能夠提升重建圖像的質(zhì)量，證明了本文提出的聯(lián)合先驗(yàn)的磁共振重建方法的正確性與有效性。

參考文獻(xiàn)：

[1]Candes E.Compressive sampling[M]/Proceedings of the International Congress of Mathematicians Madrid，August 22-30，2006.Zuerich，Switzerland：European Mathematical SocietyPublishing House，2006：1433-1452.

[2]Tsaig Y，Donoho D L.Extensions of compressed sensing[J].Signal Processing，2006，86（3）：549-571.

[3]Lustig M，Donoho D，Pauly J M.Sparse MRI：The application of compressed sensing for rapid MR imaging[J].Magnetic Resonance in Medicine，2007，58（6）：1182-1195.

[4]Kim Y，Altbach MI，Trouard TP，Bilgin A.Compressed Sensing Using Dual-tree Complex W avelet Transform[C].Proceedings of International Society for Magnetic Resonance in Medi-cine.Hawaii，2009：2814.

[5]Qu X B，Guo D，Ning B D，et al.Undersampled MRI reconstruction with patch-based directional wavelets[J].Magnetic Resonance Imaging，2012，30（7）：964-977.

[6]Ravishankar S，Bresler Y.MR image reconstruction from highly undersampled k-space data by dictionary learning[J].IEEE Transactions on Medical Imaging，2011，30（5）：1028-1041.

[7]Dabov K，F(xiàn)oi A，Katkovnik V，et al.Image denoising by sparse 3-D transform-domain collaborative filtering[J].IEEE Transac-tions on Image Processing，2007，16（8）：2080-2095.

[8]Afonso M V，BioucasDias J M，F(xiàn)igueiredo M A T.An augmented Lagrangian approach to the constrained optimization formulation of imaging inverse problems[J].IEEE Transactions on Image Processing，201 1，20（3）：681-695.

[9]鄭清彬.分裂增廣拉格朗日收縮法在基于壓縮感知的磁共振成像中的應(yīng)用研究[D].濟(jì)南：山東大學(xué)，2014.

[通聯(lián)編輯：光文玲]