一种基于局部低秩核磁共振图像运动伪影矫正方法及装置与流程

1.本发明涉及磁共振成像技术技术领域，具体为一种基于局部低秩核磁共振图像运动伪影矫正方法及装置。


背景技术：

2.传统的磁共振图像分离方法中，运动伪影是由人体无规则或者无意识的运动引起的，主要包括人体器官的周期性运动和非周期性生理移动等因素，由于在mri成像过程中相位编码与采样存在一段时间间隔，因此运动会使信号的定位产生误差，从而导致叠加的信号在傅立叶变换时发生数据的空间错位，在相位编码方向上产生间断的条纹或半弧形阴影；运动组织的高强度信号重叠，也会使得相位编码方向连续边缘不清晰，产生运动伪影。含运动伪影的图像较模糊、组织结构不清晰，给医学诊断带来困难。利用多镜头dwi过程中，由于mri多次激发，运动产生相位失配问题更为严重。


技术实现要素：

3.本发明的目的在于提供一种基于局部低秩核磁共振图像运动伪影矫正方法及装置，本发明提出了一个机器模型，可以基于局部低秩和机器学习方法，通过评估稀疏图像的运动核，对多次激发的磁共振成像中的运动伪影问题进行矫正。
4.本发明是这样实现的：
5.一种基于局部低秩核磁共振图像运动伪影矫正方法，具体按以下步骤执行；
6.s1：采集多帧核磁共振原始数据获取采集顺序数据i＝{i1，i1，...，in}，其中每一帧图像大小均为256
×
256像素，将上述磁共振序列中的第i帧图像ii输入到模型中，其中1≤i≤n；
7.s2：输入步骤s1磁共振序列中的第i帧图像ii，其中1≤i≤n；并对mri图像帧ii进行稀疏低秩矩阵分解，分别得到稀疏图像a；
8.s3：在稀疏图像a上使用机器学习方法，预测得到子窗口a'及运动模糊核k；
9.s4：利用步骤4中得到的模糊核k，对mri图像帧ii进行去卷积运算，得到去除运动伪影的mri图像li；
10.s5：在步骤s1得到的序列i中重复步骤s2至步骤s5，最终得到去除运动伪影的序列l＝{l1，l1，...，ln}。
11.进一步，在步骤s2中，具体通过式(1)进行稀疏低秩矩阵分解；
[0012][0013]
其中：是欧几里得投影，γ为常数，β是惩罚参数，k为迭代次数，bk指第k次迭代后的低秩矩阵，zk指第k次迭代后的线性约束矩阵，依据图像性质选择迭代次数，最终得到稀疏矩阵a。
[0014]
进一步，在步骤s2中，得到的稀疏图像a上手动选择一个用来估计运动模糊核的子
窗口a'，该子窗口必须包含存在运动伪影的目标，且大小不超过mri图像ii的大小。
[0015]
进一步，利用机器学习算法得到伪影核k:随机初始化一个大小为3
×
3的高斯模糊核k0，在子窗口a上采用步进法，将子窗口a分解为若干大小为8
×
8的补块，利用k0对子窗口a'进行去卷积操作并送入机器学习模型，计算损失函数loss直至收敛，得到此时的伪影核k；损失函数的定义如式(2)-式(4)：
[0016]
loss
reg
＝mean((loc
pred-loc
label*
)2)
ꢀꢀꢀ
式(2)
[0017][0018]
loss
cls
＝-l
idh log(p
idh
)-(1-l
idh
)log(1-p
idh
)
ꢀꢀꢀ
式(4)
[0019]
进一步，损失函数由三部分组成，边界框回归损失、分类损失、分割损失定义如下，这里回归的损失函数是预测loc
pred
的位置和loc
label*
的位置之间的均方损失，分割的损失函数是预测分割图p
seg
和标记分割图loc
label
之间的dice损失。分类的损失函数是预测概率p
idh
和idhl
idh
的对应标签之间的交叉熵，最终损失函数是上述三种损失的加权和，去卷积计算得到去伪影图像：利用s4得到的伪影核k对ii进行richardson-lucy去卷积运算，得到清晰去伪影图像li；
[0020]
如式(5)-式(7)所示：
[0021]
loss
reg
＝mean((loc
pred-loc
label*
)2)
ꢀꢀꢀ
式(5)
[0022][0023]
进一步，本发明的一种基于局部低秩核磁共振图像运动伪影矫正装置包括处理器，用于存储处理器可执行指令的存储器，其中，所述处理器被配置为实现上述步骤中的任一项所述的方法。
[0024]
与现有技术相比，本发明的有益效果是：
[0025]
本发明提出了一个松弛的模型，可以对多次激发的磁共振成像中的运动伪影问题进行矫正。该方法无需使用相位估计即可解决发射到发射的相位不匹配问题。该方法解决了多镜头扩散加权成像(dwi)的运动引起的相位失配问题，从而可以重建高分辨率扩散加权图像。此过程可充分利用不同激发图像之间的相关性，以数据一致性(采集数据和求解图像的一致性)和求解图像的局部低秩的线性结合为目标函数，优化多次激发的磁共振成像结果。
附图说明
[0026]
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0027]
图1是本发明的方法流程结构图。
具体实施方式
[0028]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0029]
请参阅图1，一种基于局部低秩核磁共振图像运动伪影矫正方法，具体按以下步骤执行；
[0030]
s1：采集多帧核磁共振原始数据获取采集顺序数据i＝{i1，i1，...，in}，其中每一帧图像大小均为256
×
256像素，将上述磁共振序列中的第i帧图像ii输入到模型中，其中1≤i≤n；
[0031]
s2：输入步骤s1磁共振序列中的第i帧图像ii，其中1≤i≤n；并对mri图像帧ii进行稀疏低秩矩阵分解，分别得到稀疏图像a；
[0032]
s3：在稀疏图像a上使用机器学习方法，预测得到子窗口a'及运动模糊核k；
[0033]
s4：利用步骤4中得到的模糊核k，对mri图像帧ii进行去卷积运算，得到去除运动伪影的mri图像li；
[0034]
s5：在步骤s1得到的序列i中重复步骤s2至步骤s5，最终得到去除运动伪影的序列l＝{l1，l1，...，ln}。
[0035]
本实施例中，在步骤s2中，具体通过式(1)进行稀疏低秩矩阵分解；
[0036][0037]
其中：是欧几里得投影，γ为常数，β是惩罚参数，k为迭代次数，bk指第k次迭代后的低秩矩阵，zk指第k次迭代后的线性约束矩阵，依据图像性质选择迭代次数，最终得到稀疏矩阵a。
[0038]
本实施例中，在步骤s2中，得到的稀疏图像a上手动选择一个用来估计运动模糊核的子窗口a'，该子窗口必须包含存在运动伪影的目标，且大小不超过mri图像ii的大小。
[0039]
本实施例中，利用机器学习算法得到伪影核k:随机初始化一个大小为3
×
3的高斯模糊核k0，在子窗口a上采用步进法，将子窗口a分解为若干大小为8
×
8的补块，利用k0对子窗口a'进行去卷积操作并送入机器学习模型，计算损失函数loss直至收敛，得到此时的伪影核k；损失函数的定义如式(2)-式(4)：
[0040]
loss
reg
＝mean((loc
pred-loc
label*
)2)
ꢀꢀꢀ
式(2)
[0041][0042]
loss
cls
＝-l
idh
log(p
idh
)-(1-l
idh
)log(1-p
idh
)
ꢀꢀꢀ
式(4)
[0043]
本实施例中，损失函数由三部分组成，边界框回归损失、分类损失、分割损失定义
如下。这里回归的损失函数是预测loc
pred
的位置和loc
label*
的位置之间的均方损失，分割的损失函数是预测分割图p
seg
和标记分割图loc
label
之间的dice损失。分类的损失函数是预测概率p
idh
和idhl
idh
的对应标签之间的交叉熵，最终损失函数是上述三种损失的加权和，去卷积计算得到去伪影图像：利用s4得到的伪影核k对ii进行richardson-lucy去卷积运算，得到清晰去伪影图像li；
[0044]
如式(5)-式(7)所示：
[0045]
loss
reg
＝mean((loc
pred-loc
label*
)2)
ꢀꢀꢀ
式(5)
[0046][0047]
本实施例中，本发明的一种基于局部低秩核磁共振图像运动伪影矫正装置包括处理器，用于存储处理器可执行指令的存储器，其中，所述处理器被配置为实现上述步骤中的任一项所述的方法。
[0048]
以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。