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。     

基于多通道并行采集的部分可分离函数高分辨动态磁共振成像

部分可分离函数(Partial Separability,PS)是一种高分辨动态磁共振稀疏成像模型,可以对心脏等运动目标实现高 分辨动态成像,然而该模型需要充足的扫描数据才能进行图像重建,因此存在扫描时间较长的缺点。文章在 PS 模型基础 上,利用并行成像原理对磁共振数据进行降采样,从而缩短 PS 模型的扫描时间。数学仿真和载体实验结果表明,该方法 可以准确重建出高时空分辨率磁共振图像并且将扫描速度提高 2～3 倍。     

面向磁共振图像重建的k空间降采样优化

成像速度是关系磁共振临床应用效能的重要因素,在k空间中降采样,再配合图像重建,可有效加快成像速度.因此,文中考虑降采样方式对磁共振图像重建质量的影响,在训练深度学习网络进行磁共振图像重建的情况下,提出联合优化k空间降采样方式与重建模型的方法.从k空间全采样入手,逐步删除次要的相位编码,直到针对相位编码的采样满足稀疏性要求为止.同时,采样方式的优化是和深度学习图像重建模型参数优化交替进行,即赋予每个相位编码一个权重,通过权重大小确定相位编码的重要性,在优化重建网络参数的同时,完成对k空间降采样方式的优化.实验表明文中方法可提升磁共振图像重建质量.     

网格化并行磁共振成像非线性重建

迭代重建法能够解决径向采样数据欠采样后网格化重建存在伪影的问题。非线性反演法能够提高并行磁共振成像图像重建的质量,它能够利用少量k-空间中心的数据来同时估计图像的信息和线圈的灵敏度。利用TV正则化的高斯牛顿迭代方法对欠采样因子较大的径向轨迹并行磁共振数据进行重建,得到无伪影的高质量图像。     

基于相邻帧差能量的步态识别研究

本文提出了一种利用相邻帧差能量图来进行步态识别方法.经过图像预处理,得到标准大小的步态图像,从标准图像序列中计算相邻帧差图序列,然后计算帧差能量图,以此作为步态特征进行分类识别,相邻帧差能量图能够较好的反映步态的动态信息.     

压缩感知自动校准并行成像重建算法

针对核磁共振并行成像重建提出了一种联合稀疏性模型,并与新的软阈值函数结合,将有助于提高重建图像质量。首先利用校准数据生成重建核,重建未采样数据点;然后采用联合稀疏性模型和新的软阈值函数,对各线圈图像数据进行处理;最后用改进的凸投影集算法（POCS）对压缩感知核磁共振并行成像进行重建。对于仿真图像和脑部图像,改进算法相比原算法,重建图像归一化均方根误差(nRMSE)在加速比为4时分别减少了23%和9%。实验结果表明,加速比较大时改进算法能明显提高并行成像重建图像的准确性。     

基于变量分裂法的稀疏约束并行磁共振图像重建

针对并行磁共振成像技术中,数据欠采样造成重建图像存在的混迭伪影和噪声问题,提出一种稀疏约束下并行磁共振的图像重建算法。该算法将一阶差分作为稀疏投影算子,构建在各向异性全变分最小化约束下并行磁共振的图像重建问题。同时,提出基于变量分裂法的求解方法,并在不同实验环境下分析该算法的有效性和鲁棒性。结果表明该算法可显著提高加速因子最大时并行磁共振重建图像的质量。     

基于参考图像梯度方向先验的压缩感知 磁共振快速成像

压缩感知理论为快速磁共振成像提供了一种系统的理论框架,即通过少量非相干的采样数据便可实现精确的图像重建。然而,在高度欠采样的情况下,混叠伪影依然很严重。目前,已有大量的研究工作探讨了利用来自参考图像的先验信息来提高重建质量的方法。文章提出基于参考图像梯度方向先验的压缩感知磁共振成像方法。该方法通过约束目标图像中结构边缘的切向量与参考图像中对应位置的法向量相垂直,以使目标图像中结构边缘的方向和参考图像保持一致。最后,运用多对比度扫描的实验数据,通过与传统的压缩感知磁共振成像方法相比较,验证了该方法能够实现快速且高质量的磁共振成像。     

基于相邻帧差能量图的步态识别研究

在图像预处理阶段,本文提出了一种用步态能量图静态部分去嗓的方法去除较大空洞和缺口嗓声;在步态特征提取阶段,本文提出了一种用相邻帧差能量图来表征步态特征的特征提取方法.首先对步态序列经过标准化处理,得到标准大小的步态图像,然后从标准化的图像序列中计算相邻帧差图序列,最后计算相邻帧差能量图来表征步态特征,结果表明,相邻帧差能量图能够很好的表征步态的动态和静态信息.在分类识别中,本文采用NN分类器进行分类.实验结果表明,本文方法具有较高的识别率.     

基于梯度域的卷积稀疏编码磁共振成像重建

从欠采样数据中进行磁共振成像（简称MRI）重建一直是一项具有挑战性和吸引力的任务,因为这是一个病态问题,且伴随着压缩感知理论会具有重要的意义.基于压缩感知的多数先进稀疏表示方法是将图像分割成重叠的图像块,然后每个图像块分开处理.然而,这些方法丢失了信号的重要空间结构,且忽略了对MR图像有强大约束的像素一致性.在文章中我们提出了一种新型的重建方法,这种方法是将最近提出的卷积稀疏编码与梯度域结合起来用于解决上述所提到的问题.不同于基于图像块状的方法,本文提出的算法是直接在整个梯度域图像中获取相邻局部的相关性,利用梯度域图像的全局相关性产生更好的梯度域图像边缘,锐利特征.提出的算法也能够高效的获取暗含在梯度域图像中的局部特征.与对比算法相比,大量的实验结果表明本文算法具有更好的质量重建,且在不同采样方案,不同K-空间加速因子情况下具有更快速的收敛.     

最优方向耦合字典学习的遥感影像超分辨率重建

针对遥感影像超分辨率重建问题,提出了一种改进联合字典学习的超分辨率重建模型。利用最优方向字典更新算法进行耦合字典对的学习,将由低分辨率字典学习得到的稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像。该算法通过优化,实现训练样本自动截取,通过验证实验表明：与已有的经典算法相比,提出的算法定量评价指标有明显改善,同时,在字典学习过程中所需时间远少于现有经典算法,大大提高了遥感影像重建的效率,其重建影像更加清晰,几何纹理结构更加明显,证明了该算法的高效性。     

基于场景检测的自适应Intra帧差错掩盖算法

为了减小视频传输中的错误对解码端重建视频质量的影响,提出了一种基于场景检测的自适应Intra帧差错掩盖算法。该算法利用H.264/AVC的帧内预测模式分布差异检测Intra帧的场景切换,对非场景切换的Intra帧进行空时域掩盖的失真度估算,在此基础上进行自适应的空时域掩盖。实验结果表明,该算法充分利用了Intra帧的时域相关性,与已有的Intra帧差错掩盖算法比较,该算法恢复的视频序列平均峰值信噪比提高了1~2 dB,具有更好的差错掩盖效果。     

Image Reconstruction from Sparse Projections Using S-Transform

Sparse projections are an effective way to reduce the exposure to radiation during X-ray CT imaging. However, reconstruction of images from sparse projection data is challenging. This paper introduces a new sparse transform, referred to as S-transform, and proposes an accurate image reconstruction method based on the transform. The S-transform effectively converts the ill-posed reconstruction problem into a well-defined one by representing the image using a small set of transform coefficients. An algorithm is proposed that efficiently estimates the S-transform coefficients from the sparse projections, thus allowing the image to be accurately reconstructed using the inverse S-transform. The experimental results on both simulated and real images have consistently shown that, compared to the popular total variation (TV) method, the proposed method achieves comparable results when the projections is sparse, and substantially improves the quality of the reconstructed image when the number of the projections is relatively high. Therefore, the use of the proposed reconstruction algorithm may permit reduction of the radiation exposure without trade-off in imaging performance.     

基于张量奇异值分解的动态核磁共振图像重建

本文为了改善动态MR图像重建质量,提出了一种结合张量奇异值分解和全变分稀疏模型(TV)的动态核磁共振图像重建算法。算法对动态MR图像进行了低秩约束规范和稀疏约束规范,分别使用了张量奇异值分解阈值方法和全变分稀疏变化基方法求解。实验结果和重建视觉效果表明,在相同采样率下本文算法与单独使用全变分方法,k-t SLR方法,单独使用张量奇异值分解方法相比重建质量更优,在峰值信噪比(PSNR),均方差(MSE)和结构相似性度量(SSIM)的评价指标上有所提高,对图像去噪去模糊重建有具体的应用价值。     

Recovery of image and video based on compressive sensing via tensor approximation and Spatio-temporal correlation

In recent years, block-based compressive sensing (BCS) has been extensively studied because it can reduce computational complexity and data storage by dividing the image into smaller patches, but the performance of the reconstruction algorithm is not satisfactory. In this paper, a new reconstruction model for image and video is proposed. The model makes full use of spatio-temporal correlation and utilizes low-rank tensor approximation to improve the quality of the reconstructed image and video. For image recovery, the proposed model obtains a low-rank approximation of a tensor formed by non-local similar patches, and improves the reconstruction quality from a spatial perspective by combining non-local similarity and low-rank property. For video recovery, the reconstruction process is divided into two phases. In the first phase, each frame of the video sequence is regarded as an independent image to be reconstructed by taking advantage of spatial property. The second phase performs tensor approximation through searching similar patches within frames near the target frame, to achieve reconstruction by putting the spatio-temporal correlation into full play. The resulting model is solved by an efficient Alternating Direction Method of Multipliers (ADMM) algorithm. A series of experiments show that the quality of the proposed model is comparable to the current state-of-the-art recovery methods.

     

基于时空相关性的分布式压缩感知多假设预测重构算法

综合考虑到视频序列本身的不同特性以及时空相关性, 将传统视频编码中的多假设预测运动估计思想引入到分布式压缩感知视频编码系统中, 提出一种新的基于时空相关性的分布式压缩感知多假设预测重构算法。在编码端增加CS帧的块模式判别, 在解码端CS帧根据模式判别进行相应的基于块的多假设预测估计和残差稀疏重构。仿真实验表明, 与传统的分布式压缩感知多假设预测重构算法相比, 所提出的算法能够较好地改善视频序列的重建质量。     

基于多重假设的视频压缩感知分层重建

为了改进视频压缩感知方案的性能,提出了一种基于多重假设的视频压缩感知分层重建方案。该重建方案以图像组为单位进行,首先独立重建关键帧,接下来对图像组中的每个非关键帧分配重建层级,并按照层级顺序由低至高逐层重建。每个非关键帧的重建过程逐块进行,需要其时域参考帧及当前帧中的空域数据集为每个重建块做混合多重假设预测,并通过求解全变分最小化问题重建预测残差,最后将预测值与预测残差相加得到重建图像。实验结果表明,在相同采样率下,本文提出的基于多重假设的分层重建方案比已有的方法可以获得最高约3.2dB的峰值信噪比增益。     

基于混合POCS的视频图像超分辨率重建

提出混合凸集投影算法HPOCS对视频图像进行超分辨率重建,利用连续视频图像间的互异信息生成更高分辨率的视频图像.该算法首先采用图像匹配估计视频图像间的运动位移;然后进行基于的APEX盲解卷积,估计点扩散函数和理想视频图像;最后在凸集投影的理论框架下进行图像重建.实验表明,HPOCS重建后,视频图像的分辨率相对于原始图像、双线性内插图像和POCS重建图像明显提高,图像边缘更加清晰,细节信息更加突出.