一种基于SNN-CIM的MRI图像重构方法和装置
本发明涉及量子启发式计算与图像处理,尤其涉及一种基于snn-cim的mri图像重构方法和装置。
背景技术:
1、磁共振成像(mri)是临床诊断的重要手段,但其成像速度受限于数据采集时间。在压缩感知(cs)技术下,为了减少mri扫描时间需要进行“欠采样”,但这会导致重构出的图像存在伪影、质量不高的问题,申请人对该问题进行剖析:
2、数学上范数代表“绝对稀疏”(直接计算非零元素的个数),cs技术依赖信号的“稀疏性”来恢复图像,因此如果能准确求解出,就能得到最完美的图像。但是,求解是一个np-hard问题(计算复杂度呈指数级,传统计算机算不出来),目前现有方案多采用正则化,采用范数来代替范数,因为是容易计算出的。但是范数仅是范数的凸近似,往往无法达到最优稀疏解,并且正则化在计算时会对大系数产生收缩效应(过度惩罚),牺牲了对大信号特征的保真度,导致原本强烈的真实图像特征被削弱。
3、面对现有mri重构算法难以平衡稀疏性与计算效率不足的问题,如何兼顾mri重构算法的稀疏性与计算效率,是当前亟待解决的关键问题。
技术实现思路
1、本发明提供一种基于snn-cim的mri图像重构方法和装置,基于 snn-cim和混合辅助二进制编码的正则化mri重构方法,能够有效平衡稀疏性与计算效率。技术方案如下:
2、第一方面,本发明的实施例提供一种基于snn-cim的mri图像重构方法,包括:
3、利用稀疏基对采集到的mri原始信号数据进行稀疏化处理,得到稀疏系数向量x';
4、根据线性观测方程y=ax'+n,得到k空间观测信号向量y,其中为加性噪声,a为观测矩阵,,为掩码矩阵,为傅里叶变换;
5、根据最小化目标能量函数h和所述k空间观测信号向量y,将所述最小化目标能量函数h转化得到qubo模型的耦合矩阵q,并将所述耦合矩阵q作为snn-cim求解器的输入,求解得到和,其中所述最小化目标能量函数h为:
6、
7、其中为观测矩阵a中第l行、第i列的元素,代表第i个稀疏特征在进行第l次k空间采样时的权重,为所述k空间观测信号向量y中的第l个测量值,n为待重构的稀疏信号x的总维数,m为所述k空间观测信号向量y的总维数,为正则化参数,,为二值辅助变量,用于指示第个分量是否为零,约束条件为且;
8、根据求解得到的和,以及预设的混合辅助编码规则,得到重构出的稀疏系数向量,其中为预设的系数动态范围上限;
9、对所述重构出的稀疏系数向量执行逆变换,获得mri重构图像。
10、可选地,所述稀疏基包括以下至少一种:haar小波、daubechies小波、离散余弦变换dct或预先训练的字典矩阵。
11、可选地,所述利用稀疏基对采集到的mri原始信号数据进行稀疏化处理,得到稀疏系数向量x'包括:利用所述haar小波对所述mri原始信号数据进行稀疏化处理,得到小波域稀疏系数向量x',x'=,其中为所述mri原始信号数据;
12、所述对所述重构出的稀疏系数向量执行逆变换包括:对所述重构出的稀疏系数向量执行逆haar小波变换,,其中为重构出的mri信号数据。
13、可选地,所述最小化目标能量函数h基于标准的正则化压缩感知数学模型,采用如下方法得到:
14、使用带有偏置的二进制向量表示实数信号,其中对于一个由个分量组成的信号,第个分量定义为,,其中;
15、定义带有偏置的二进制编码方式:;
16、引入二值辅助变量来指示第个分量是否为零,其中如果为零,则;
17、建立所述约束条件:且;
18、对所述约束条件进行编码,得到由数据保真项矩阵、稀疏正则项矩阵和逻辑约束惩罚项矩阵组成的所述最小化目标能量函数h。
19、可选地,所述数据保真项矩阵为;
20、所述稀疏正则项矩阵为;
21、所述逻辑约束惩罚项矩阵为。
22、可选地,所述将所述最小化目标能量函数h转化得到qubo模型的耦合矩阵q,包括:
23、定义复合二进制向量来统一表示所有的逻辑变量和数值变量,以将mri重构问题被转化为在多维能量景观中寻找最小值的组合优化问题;
24、基于数据保真项矩阵和逻辑约束惩罚项矩阵融合得到所述qubo模型的耦合矩阵q;
25、其中所述数据保真项矩阵基于所述数据保真项矩阵转化得到;
26、所述逻辑约束惩罚项矩阵基于所述稀疏正则项矩阵和所述逻辑约束惩罚项矩阵转化得到。
27、第二方面,本发明的实施例提供一种基于snn-cim的mri图像重构装置,包括:
28、第一处理模块,用于利用稀疏基对采集到的mri原始信号数据进行稀疏化处理,得到稀疏系数向量x';
29、第二处理模块,用于根据线性观测方程y=ax'+n,得到k空间观测信号向量y,其中为加性噪声,a为观测矩阵,,为掩码矩阵,为傅里叶变换;
30、求解模块,用于根据最小化目标能量函数h和所述k空间观测信号向量y,将所述最小化目标能量函数h转化得到qubo模型的耦合矩阵q,并将所述耦合矩阵q作为snn-cim求解器的输入,求解得到和,其中所述最小化目标能量函数h为:
31、
32、其中为观测矩阵a中第l行、第i列的元素,代表第i个稀疏特征在进行第l次k空间采样时的权重,为所述k空间观测信号向量y中的第l个测量值,n为待重构的稀疏信号x的总维数,m为所述k空间观测信号向量y的总维数,为正则化参数,,为二值辅助变量,用于指示第个分量是否为零,约束条件为且;
33、第三处理模块,用于根据求解得到的和,以及预设的混合辅助编码规则,得到重构出的稀疏系数向量,其中为预设的系数动态范围上限;
34、第四处理模块,用于对所述重构出的稀疏系数向量执行逆变换,获得mri重构图像。
35、第三方面,本发明的实施例提供一种电子设备,包括:收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述基于snn-cim的mri图像重构方法的步骤。
36、第四方面,本发明的实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述基于snn-cim的mri图像重构方法的步骤。
37、第五方面,本发明的实施例提供一种计算机程序产品,包括计算机指令,所述计算机指令被处理器执行时实现如第一方面所述基于snn-cim的mri图像重构方法的步骤。
38、本发明的上述技术方案的有益效果是:
39、本发明实施例利用稀疏基对采集到的mri原始信号数据进行稀疏化处理,得到稀疏系数向量x';根据线性观测方程y=ax'+n,得到k空间观测信号向量y;根据最小化目标能量函数h和所述k空间观测信号向量y,将所述最小化目标能量函数h转化得到qubo模型的耦合矩阵q,并将所述耦合矩阵q作为snn-cim求解器的输入,求解得到和;根据求解得到的和,以及预设的混合辅助编码规则,得到重构出的稀疏系数向量,其中为预设的系数动态范围上限;对所述重构出的稀疏系数向量执行逆变换,获得mri重构图像。本发明实施例将重构问题转化为优化模型,包含稀疏变换(hwt)、混合变量编码以及qubo模型的耦合矩阵的构建,利用snn-cim中神经元的非线性动力学和混沌现象,通过x脉冲与k脉冲的反馈机制使系统在局部极小值处失稳,有效解决了传统cim在处理大规模复杂问题时易陷入死区的问题,并且不同于传统的范数凸近似模型,本发明实施例直接针对范数精确模型进行建模求解,配合混合辅助二进制编码方案,能够更真实地还原mri图像的稀疏结构,减小重构误差。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com