基于压缩感知的心脏磁共振快速成像的应用现状与发展趋势

为了改善心脏磁共振成像(Cardiac Magnetic Resonance,CMR)在实际应用中成像时间长且存在运动伪影等不足,将压缩感知理论(Compressed Sensing,CS)引入其中,充分利用K空间信息冗余的特性,实现由部分K空间数据重构心脏组织影像,在减少伪影、保证精度的同时加快成像速度。结合近3年的国内外文献,首先对CMR现状、常用序列和技术以及采样模式、压缩感知理论框架分别进行阐述;其次对CMR的最新成果及应用现状进行综述和概括;然后介绍压缩感知图像重构的相关定量评价指标,给出作者在CS-CMR图像重构方面的研究进展;最后总结当前研究中的不足,并展望未来的发展方向。     

基于帧差与非相邻帧差的自适应镜头检测方法

针对突变和渐变的特点,实现了一种基于帧差和非相邻帧差的自适应镜头检测方法。方法通过计算相邻帧差有效地检测突变镜头,通过计算非相邻帧差实现对渐变镜头的有效检测,二者结合可检测出几乎所有的突变和渐变镜头,获得了良好的综合检测效果。该方法不用设全局阈值,适应性强且计算量小,实验结果表明了方法的通用性和有效性。     

用于磁共振成像重构的级联UGR-Net模型

近年来,深度学习在图像处理中表现显著,因此研究者开始将深度学习用于磁共振成像的重构.现有的深度学习模型需要依赖大量数据进行训练,而医学图像很难获得大量数据,因此,为有效的提高MR成像重构的质量,本文提出一个在小数据集上表现良好的深度学习MRI重构方法.本文对U-Net模型进行改进,结合GoogleLeNet和ResNe...     

基于迭代p阈值算法压缩感知磁共振成像重构

从优化网络结构出发,在基于迭代软阈值网络的压缩感知磁共振成像深度网络基础上,加入由p阈值函数组成的优化模块,进一步优化软阈值函数,以抑制噪声,减少重建误差,从而提高重建质量。上述算法结合了压缩感知磁共振重建和深度学习的优势,所有参数都是端到端学习得到的,既具有很好的理论可解释性,又具有良好的网络泛化能力。对上述算法与其它算法进行对比,仿真结果表明,所提算法提高了磁共振成像的重建精度,特别对于结构复杂的磁共振图像重建效果更好。     

基于自适应稀疏表达的并行磁共振重建方法

为精确地进行并行磁共振成像,文章利用字典学习的强大捕捉细节和稀疏开发能力,提出了一种基于自适应稀疏表达的重建方法。该方法将并行磁共振重建问题转化为最小化由字典学习和数据拟合项构成的目标函数,并采用了分而治之的方案求解未知变量。为验证其有效性,将该方法与目前主流的两种方法在人体实际磁共振数据上进行了测试。测试结果显示,文章提出的方法能在抑制图像噪声的同时较好地保存图像细节。     

磁共振并行成像技术综述

介绍了常用的磁共振成像加速方法,其中并行成像尤为重要,因为它可以和其他加速方法互补;还介绍了5种常见的并行成像方法:利用局部灵敏度的部分并行成像、灵敏度编码、空间谐波同时获取、泛化自校正部分并行获取、与基于阵列线圈灵敏度的并行编码与复原.最后,讨论了这5种方法的互相联系,以及在工业上的应用,并展望了动态成像和非笛卡尔坐...     

FFT在ISAR成像中的应用

提出了两个提高成像效率的方法,即选取特定的距离单元来进行方位聚焦和通过一定的预处理,使得能够直接应用FFT来实现方位聚焦,并编制成像程序,利用模拟回波信号获得了清晰的目标图像.     

PF-FICOTA-SENSE:一种MRI快速重构方法

如何实现快速磁共振成像(Magnetic resonance imaging, MRI)是MRI医学图像技术发展和应用的关键, 现有的快速MRI成像技术在成像速度及成像质量方面仍存在很大的提升空间.本文基于Contourlet变换, 对磁共振图像进行稀疏表示, 并结合传统PF-CS-SENSE框架, 提出一种基于Contourlet变换的组合MRI重构方法, 即PF-FICOTA-SENSE.考虑到组合MRI采样模式、低频数据的对称性以及Contourlet能更好地拟合曲线轮廓等因素, 进一步提出一种快速组合MRI方法, 该方法通过将低频部分重建由FICOTA重建替换为直接填零的傅里叶重建, 来实现快速重建.对比实验表明, 无论在MRI重构速度还是重构质量方面, 本文算法均能取得更好的性能.     

基于自适应字典学习的动态磁共振并行重建

动态磁共振成像技术在时空扫描精度上不能兼顾,是目前医学界的一个难点。动态磁共振成像数据在时空域具有很强的稀疏特性,使得压缩感知技术被广泛应用于MR图像重建。提出一种基于压缩感知自适应字典学习的动态磁共振并行重建方法,以高精采样的第一帧作为参考,实现对任意n个相邻帧的dMRI图像子序列的实时并行重建。与目前国际上比较先进的两种方法DTV和kt-SLR进行比较,实验结果表明该算法在重建精度方面具有一定优势。     

多媒体传感器网络视频的帧分类联合重构

为降低多媒体传感器网络中视频压缩感知的计算复杂度,提出一种基于帧分类的多媒体传感器网络视频联合重构算法。依据视频数据的联合稀疏模型将视频帧分为关键帧和非关键帧。对于压缩感知重构中欠定线性方程组,可利用关键帧和非关键帧之间的相关边信息进行重构初始化,同时运用有界约束二次规划对其进行求解。从仿真结果可知,相对于传统的视频压缩感知算法而言,在保证视频重构质量的前提下,所提方法在重构算法复杂度上不但能有效降低,同时,在视频重构上能提高其实时性。     

Compressed sensing SAR imaging based on sparse representation in fractional Fourier domain

Compressed sensing(CS)is a new technique of utilizing a priori knowledge on sparsity of data in a certain domain for minimizing necessary number of measurements.Based on this idea,this paper proposes a novel synthetic aperture radar(SAR)imaging approach by exploiting sparseness of echo data in the fractional Fourier domain.The effectiveness and robustness of the approach are assessed by some numerical experiments under various noisy conditions and different measurement matrices.Experimental results have shown that,the obtained images by using the CS technique depend on measurement matrix and have higher output signal to noise ratio than traditional pulse compression technique.Finally simulated and real data are also processed and the achieved results show that the proposed approach is capable of reconstructing the image of targets and effectively suppressing noise.     

一种新的码片内多径时延估计方法

根据信道冲激响应的稀疏特性,提出了一种频域的时延估计压缩感知模型,将时延估计问题转化为基于欠采样数据的稀疏向量估计问题.利用离散傅里叶变换(Discrete Fourier transform,DFT)矩阵的子矩阵所满足的受限等距性(Restricted isometry property,RIP)以及信道冲激响应的稀疏特性充分降低了时延估计所需数据量的要求.分析了本文模型具有码片内多径分辨能力以及良好抗噪性能的原因,并与多信号分类(Multiple signal classification,MUSIC)和旋转不变技术的信号参数估计(Estimation of signal parameters via rotational invariance technique,ESPRIT)算法的时延估计性能进行仿真比较.仿真结果表明,本文提出的方法不需要预知多径的条数,对码片内多径时延具有较高的估计精度,其时延估计性能在特定条件下优于MUSIC和ESPRIT算法.     

动态场景红外图像的压缩感知域高斯混合背景建模

针对动态场景下红外图像的背景模型构建问题,提出一种基于压缩感知（Compressed sensing,CS）域高斯混合模型（Gaussian mixture model,GMM）的背景建模方法.该方法不是对图像中的每个像素建立高斯混合模型,而是对图像局部区域的压缩感知测量值建立高斯混合模型.1）通过提取红外图像轮廓的角点特征,估计相邻帧图像间的相对运动参数以对图像进行校正与配准;2）将每帧图像网格化为适当数目的局部子图,利用序列图像构建每个局部子图的压缩感知域高斯混合背景模型;3）采用子空间学习训练稀疏字典,通过子空间追踪对可能含有目标的局部子图进行选择性稀疏重构;4）通过背景减除实现前景目标检测.以红外图像数据集CDnet2014和VIVID PETS2005进行实验验证,结果表明：该方法能建立有效的动态场景红外图像背景模型,对成像过程中所受到的场景动态变化、背景扰动等具有较强的鲁棒性,其召回率、精确率、F-measure等性能指标及处理速度较之于同类算法具有明显优势.     

磁共振图像的原始-对偶近似迭代重建算法

基于压缩感知（CS）的磁共振成像（MRI）是一种利用磁共振（MR）图像的稀疏性的快速成像技术,经典CS-MRI重建数学模型是在包含线性合成非平滑正则约束下的最优化问题。针对重建模型中的线性合成正则项提出利用原始-对偶框架同时求解原始-对偶问题,对原始-对偶问题的增广Lagrangian形式求解其最优解,提出了一种原始-对偶迭代重建算法;对于非平滑正则项的处理,提出使用Moreau包络进行平滑近似,然后利用近似算子得到平滑近似函数的导数形式。用体模图像和真实MR图像,与共轭梯度算法（CG）、算子分离算法（TVCMRI）、变量分离算法（RecPF）和快速混合分离算法（FCSA）进行比较,表明该算法重建效果最好,算法复杂度与最快的FCSA算法相当。     

LFM宽带雷达信号的多通道盲压缩感知模型研究

在传统压缩感知(Compressed sensing, CS)基础上,提出了一种基于盲压缩感知(Blind compressed sensing, BCS)理论的线性调频(Linear frequency modulated, LFM)雷达信号欠采样与重构的多通道模型.这一机制在稀疏基未知的条件下,利用LFM信号在分数阶傅里叶变换(Fractional Fourier transform, FRFT)域上良好的能量聚集特性,将多个LFM信号看作是在多个未知阶次下FRFT域的稀疏表达,通过时延相关解线调和逐次消去相结合的的欠采样方法逐一估计出每个通道的LFM信号满足聚集性条件的特定分数阶傅里叶域,以此构造出该通道LFM信号对应的DFRFT正交稀疏基字典,以各DFRFT 正交基为对角块构建混合信号正交稀疏基字典,最后利用块重构算法从测量值中估计出稀疏信号,同时验证了LF M信号多通道BCS问题解的唯一性,从而实现了稀疏基未知情况下针对多路LFM宽带雷达信号的多通道盲压缩感知.     

基于主成分迭代支集检测的多对比度磁共振快速成像

很多磁共振成像应用(如 T1、T2 参数成像)需要连续采集一系列不同对比度的图像。丰富的对比度机制反映了人体组织的内在特性,为临床提供了有效的定量诊断手段。然而,由于扫描时间过长,这种方法在临床上的应用受到一定的限制。近几年兴起的压缩感知理论在磁共振快速成像方面显示了巨大的潜能。其中,学者们提出一种基于主成分分析的快速磁共振成像方法。该方法从已知的解析物理模型和参数范围中训练主成分,并通过截断的方式利用图像序列的时域稀疏性。但是,当这种截断先验信息不准确时,上述方法可能会产生模型误差。 本文通过采用迭代支集检测的方法实现主成分系数支集的适应性估计。文章最后通过两组人体膝盖数据的重建实验,验证了该方法的有效性。     

基于深度展开模型的毫米波稀疏成像算法

针对传统压缩感知算法的高计算成本问题,从稀疏信号的恢复角度出发,提出一种基于深度展开模型的稀疏成像算法。首先构建复数稀疏重建网络VAMP-Net,在该网络中,复数形式的降采样回波信号被拆分成实部和虚部作为输入,接着代入到基于VAMP算法的迭代块中,最后通过卷积神经模块进行最优非线性稀疏变换,得到恢复的实部和虚部信号,两者进行合并后得到恢复的目标图像。对于所提算法,采用人工合成的数据集在不同目标密集程度、迭代次数和噪声环境下进行仿真实验,并与传统的迭代收缩阈值算法和深度学习重构算法进行比较。再使用不同程度稀疏性的数据进行实测验证。实验结果表明,该算法重构的图像在NMSE、TBR、重构耗时以及内存使用上有更好的表现。