磁共振部分K空间重建算法

磁共振成像（MRI）是必要的获取临床图像的影像学方法之一,但是它获取数据过程缓慢使得成像时间过长。目前提出了许多高效的成像算法来降低磁共振的成像时间,如半傅里叶成像和压缩感知MRI等。半傅里叶成像仅采用多于一半的K空间数据进行图像重建,不仅提高了MRI的成像速度,而且降低了运动伪影,是有效的部分K空间重建技术之一。基于压缩感知理论的MRI仅采用25%~30%的K空间数据就能重建出MRI图像,与其它成像技术相比,可在相同的扫描时间内获得更高质量的MRI图像,也可在相同的空间分辨率下加速成像。本文综述几种半傅里叶成像算法的原理,也阐述了压缩感知理论与MRI相结合的原理,包括MR图像的稀疏表示、K空间的采样轨迹设计、重建算法的选择等。     

应用MRI数据重建脑梗塞病人的脑部三维模型

目的:应用MRI图像数据建立脑梗塞病人脑部的三维模型。方法:应用个人计算机设备,对病人的脑部MRI图像数据进行配准、分隔和边界提取,通过三维图像重建软件,进行病人脑部的三维模型重建。结果:应用病人1mm层面的脑部MRI图像数据建立了脑部三维模型,精确显示了脑组织内部的侧脑室、基底节和病灶以及三者之间的关系,三维测量结果显示病灶大小为21.85mm×14.96mm×16.16mm,侵犯基底节深度为7.30mm。结论:应用MRI图像数据建立病人脑组织结构的三维模型,可以从不同角度演示病灶的形状、大小以及和毗邻结构的关系,并能在三维模型上进行解剖学测量,尤其在颅脑外科中有实用的临床意义。     

无监督的磁共振图像重建方法研究进展

近年,深度学习技术在磁共振(magnetic resonance, MR)图像重建领域飞速发展。然而,由于有监督的MR图像重建方法所依赖的高质量配对MR数据难以获取,无监督的MR图像重建方法逐渐成为了研究者们关注的重点,并展现出巨大的应用前景。当前关于此类问题的研究层出不穷,但仍缺乏系统性的归纳和分析。为此,本文综述了无监督MR图像重建方法的研究进展。首先,本文对无监督的MR图像重建方法进行了总结,无监督的MR图像重建方法能够从图像域或K空间域数据学习先验信息,实现在缺少配对数据情况下的MR图像重建;其次,本文根据学习先验信息的作用域的不同,将这些方法分为基于K空间域、基于图像域和基于混合域的无监督MR图像重建方法,并重点对各类方法的算法模型和实现流程进行了详细的介绍。最后,本文对无监督MR图像重建领域的进展和各类方法的特点进行了较为全面的总结,并对未来的发展方向进行了展望,以期为实现无监督MR图像重建提供思路和参考,并促进MR成像的临床应用。     

基于Deep CG的肺部电阻抗成像方法

针对电阻抗图像重建空间分辨率不足问题，基于深度学习理论提出一种共轭梯度快速预重建与深度堆栈式自编码器后处理的电阻抗成像方法(Deep CG)。该方法的核心思想是：融合数值重建算法与深度学习算法，使胸腔内肺部的结构和电导率分布更加精准。首先采用共轭梯度算法进行图像预重建，获得边界电压与胸腔内部电导率分布的预映射关系；再采用深度堆栈式自编码器，将编码和解码层级连接，充分利用不同空间特征信息，实现特征提取和图像重建；最后根据公开的80名临床患者的CT结构图像构建了数据集，采用混合式监督训练方法调参，不仅避免了深度网络中信息流和梯度流弥散问题，而且优化了算法模型。采用图像相对误差、相关系数进行量化指标评价，并与常用的数值图像重建算法和全连接神经网络模型进行对比。结果显示，Deep CG算法的比常用图像重建算法图像和全连接神经网络模型相对误差从0.50和0.24降低到0.11,相关系数由0.80和0.90提高到0.96。该方法获得了空间分辨率高，尤其边界更清晰的电阻抗图像，有望进一步推动EIT技术在临床的应用研究。     

基于k空间加速采集的磁共振成像技术

磁共振成像(MRI)已成为临床医学影像检查的重要手段之一.然而,由于k空间信号采集受奈奎斯特(Nyquist)采样定理限制,其成像速度仍然较低.在一定的主磁场和梯度场条件下,要获得具有实用价值的高分辨率图像必须进行较长时间的信号采集.为实现磁共振快速动态成像,除提高主磁场强度、梯度强度及其切换率以外,还可以通过一定的数学方法,在稀疏采样的情况下使最终重建图像数据满足奈奎斯特采样定理,从而减少k空间信号采集的数量,缩短信号采集时间.随着研究的深入,许多基于k空间数据共享和欠采样的快速磁共振成像方法被提出,如半傅里叶成像、钥孔成像、并行成像、部分可分离函数(PSF)等.在描述k空间填充方式的基础上,对这些快速成像技术进行综述.     

磁共振波谱成像(MRSI)的数据重建及波谱量化分析软件系统

采用交互式数据语言开发了基于PC机的磁共振波谱成像数据重建和波谱量化分析的软件系统.它可以实现临床MRSI原始数据和图像数据读入、代谢物种类设计、数字幻影模型生成、k-空间采样轨迹设计、k-空间原始数据生成、数据重建、波谱定量分析以及代谢物图像生成等功能.该系统有助于学习和开发新的MRSI采样轨迹,数据重建方法和波谱量化分析方法,在国内还未见前例.     

基于curvelet变换快速迭代收缩阈值算法的压缩采样磁共振图像重建

目的 为提高MR图像的重建效果和降低重建图像边缘模糊,本文提出一种基于curvelet变换的MRI快速迭代收缩阈值算法(fast iterative shrinkage-thresholding algorithm,FISTA)。方法 利用curvelet变换多尺度、各向奇异性、对图像边缘有更好的几何表达等特性,将curvelet稀疏变换和FISTA结合,并与传统基于小波变换的FISTA对相同MR图像作重建对比。重建图像的质量以峰值信噪比(peak signal to noise ratio,PSNR)、均方误差(mean square error,MSE)、结构相似性度(structural similarity degree,SSIM)来衡量。结果 实验选用Lena图像和脑部MR图像,从重建图像细节、差值图像、评估参数三方面对算法重建效果进行比较分析,证明该curvelet-FISTA算法可有效恢复完全采样图像从核磁共振成像中的欠采样数据。结论 与传统基于小波变换的FISTA相比,该方法可以更好地保持重建图像的细节信息,并有效地消除图像边缘的模糊现象,显示了较好的重建效果。     

非笛卡尔并行磁共振成像数据的自适应约束重建新算法

多通道欠采样非笛卡尔轨迹数据重建是当前磁共振成像的研究热点,当欠采样因子比较大时,病态问题往往使得敏感度编码(SENSE)方法重建图像信噪比严重降低,传统的解决方法是在重建方程中引入Tikhonov约束或TV约束。提出自适应约束的SENSE重建算法,由先验图像的梯度特征并借鉴PM模型的思想决定惩罚函数,在梯度幅值较大的区域使用各向异性扩散的TV约束方式,在梯度幅值较小的区域使用各向同性扩散的Tikhonov约束方式。进行8通道2.6倍欠采样可变密度螺旋轨迹人体动静脉畸形瘤动脉注射X线的仿真实验。结果表明,与平方和(SOS)重建方法、传统无约束SENSE重建方法以及TV约束SENSE重建方法相比,本算法可以有效抑制部分数据成像带来的噪声和伪影,并能较好保护图像细节尤其是小细节信息,成像效果优于传统方法。     

MR图像Ghost伪影的校正

原始K空间奇偶回波单独重建图像数据时，根据二维多项式拟合参考扫描各点相位漂移估计值对图像进行相位校证，可减轻伪影的影响。但在噪声较严重的情况下，校正后的图像仍含有较严重的残余伪影。按相位编码方向对图像数据采用基于最小二乘法多项式拟合的方法可减轻噪声对图像的干扰，再利用二维抑制Ghost伪影算法能更有效地消除EPI成像过程中由于涡流引起的伪影。该算法的缺点是会引起图像信息强度的变化及造成图像高频信息的衰减。但由于MRI图像主要集中为低频信息，且Ghost伪影信息强度不超过图像信息最大强度20％时，该方法对图像信息的损失不会影响对病灶的识别。     

基于双边滤波迭代修正的CT欠投影ART重建

针对CT欠投影数据进行成像问题,本文提出了一种基于双边滤波迭代修正的代数迭代(ART)重建算法。该算法在每一次迭代过程中,先采用ART算法重建图像并进行非负约束,然后采用双边滤波法对以上约束后的图像进行修正,再进入下一次迭代,直到满足迭代终止条件。为了进一步提高图像重建质量和加快迭代收敛速度,利用改进的双边滤波算法以提高迭代效能。通过对Shepp-Logan体模和真实投影数据进行重建,验证了本文算法的可行性,并与滤波反投影(FBP)算法、ART算法、ART混合高斯滤波(GF-ART)算法相比较。结果表明,本文算法重建出的图像信噪比更高,能够更好的保持图像边缘信息。     

并行磁共振成像的编码与重建技术

近几年出现的并行磁共振成像推动了并行成像技术的发展,该技术的主要特点是欠采样多线圈数据的图像重建。根据这个特点,并行成像技术分成两类:k空间方法和图像域方法。本文首先回顾了基本的并行成像重建算法,指出了不同重建算法应遵循的基本原则。然后详细阐述了重建中的编码机制和采样问题,并对两类重建算法进行了比较。最后,本文讨论了并行成像中的噪声传递和抑制问题,并总结了并行成像中的关键问题。     

基于正则化的磁共振相控阵线圈图像均匀性校正算法

由于能提供更大的扫描视野,更高的信噪比和缩短扫描时间,相控阵线圈已经被广泛使用在磁共振成像(MRI)设备中。相控阵线圈的图像重建合成最常用的是SOS算法,但是SOS算法通常会造成图像的灰度不均匀。这样不仅会直接影响医生诊断的准确性,同时对图像自动分割等后处理技术的使用也会产生不良影响。本文提出一种改进的基于正则化的最小二乘化方法,用于MRI相控阵图像的合成。在该方法中利用均匀的大体线圈和相控阵线圈进行预扫描获得线圈敏感图,通过引入正则函数来控制重建图像的噪声。此外,在正则函数中还使用大体线圈的预扫描图像作为参考图像。使用水模和志愿者成像数据验证,该方法能够有效提高相控阵线圈重建图像的均匀性。     

多模态图像配准技术在HIFU手术中的应用

在交互式的图像导航热疗手术中 ,需要对病灶目标进行非常精确的实时成像和定位。而现有的超声成像技术很难单独完成这个任务。本研究提出了一种用手术前MRI图像重建的三维图像与手术中的超声图像进行配准的方法 ,对肝部肿瘤热疗手术中的目标进行定位。其配准方法采用的是基于肝部血管和表皮等特征的遗传配准算法。     

人体颅脑MRI图像中下颌骨的分割及三维建模

目的:在目前的影像医疗诊断中,仅凭观察二维CT、MRI图像是很难实现准确的确定病变体的空间位置、大小、几何形状及与周围生物组织的空间关系的。本研究利用CT、MRI图像数据,帮助医生对病变体及其人体组织感兴趣的区域进行分割提取,用于医学图像的三维显示、三维重建。材料与方法:应用Mimics软件,对132层,层间距为1.0mm的MRI扫描图像进行图像去噪、分割和平滑等处理,最终创建三维模型。结果:建立了更为精确,应用更为广泛的下颌骨三维模型。结论:运用Mimics对MRI医学图像进行分割,重建三维模型,能全面显示病变的病理解剖改变,为临床治疗提供精细的影像学信息,从而使重建后的三维模型可清晰地再现病灶与周围组织的解剖关系,大大增强了医学图象分析系统的临床实用价值。     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

基于深度学习单投影的CT断层成像三维重建

【摘要】目的:提出一种基于深度学习的计算机断层扫描（CT）单视图断层成像三维（3D）重建方法,在减少数据采集量和降低成像剂量的情况下对不同患者进行CT图像的3D重建。方法:对不同患者的CT图像进行数据增强和模拟生成对应的数字重建放射影像（DRR）,并进行数据归一化操作。利用预处理后的数据通过卷积神经网络训练出一个普适于不同患者的神经网络模型。将训练好的神经网络模型部署在测试数据集上,使用平均绝对误差（MAE）、均方根误差（RMSE）、结构相似性（SSIM）和峰值信噪比（PSNR）对重建结果进行评估。结果:定性和定量分析的结果表明,该方法可以使用不同患者的单张2D图像分别重建出质量较高的3D CT图像,MAE、RMSE、SSIM和PSNR分别为0.006、0.079、0.982、38.424 dB。此外,相比特定于单个患者的情况,该方法可以大幅度提高重建速度并节省70%的模型训练时间。结论:构建的神经网络模型可通过不同患者的2D单视图重建出相应患者的3D CT图像。因此,本研究对简化临床成像设备和放射治疗当中的图像引导具有重要作用。     

径向K空间采样技术在胎儿心脏磁共振成像中的应用

目的:探讨径向K空间采样技术在胎儿心脏磁共振成像(MRI)中的应用价值。方法:选取33例2015年1~10月胎儿心脏超声心动图检查后怀疑先天性心脏病畸形的孕妇行胎儿心脏MRI检查。孕妇平均年龄(28.63±2.55)岁,孕龄平均(28.57±4.45)周。在其它扫描参数一致的前提下,采用径向采样和笛卡尔采样两种不同的K空间填充方式,测量升主动脉、心肌、羊水的图像信号强度值和噪声值,并计算主动脉的对比噪声比。由两位有10年以上心血管异常MRI诊断经验的医生对两组图像进行5分制双盲主观评分,评价整体图像质量、图像伪影和图像锐利度。结果:33例患者中,径向采样和笛卡尔采样的主动脉对比噪声比有统计学差异(P0.05),径向K空间填充相比于笛卡尔填充在整体图像质量、图像伪影和图像锐利度方面主观评价有统计学差异(P0.05),径向K空间采样在抑制条带状伪影中有明显优势。结论:径向K空间采样是一项MRI K空间填充技术,可有效抑制胎儿心脏MRI检查中的条带状伪影。胎儿MRI在诊断心外大血管畸形中有良好的空间分辨率和诊断优势,可以作为胎儿心脏超声检查的补充手段。     

探索建立颅脑MRI图像、断层标本图像及三维重建图像的对比数据模型

目的利用计算机图像处理系统对颅脑主要重要结构进行三维成像,探索建立1套正常颅脑部MRI图像、断层标本及三维重建图像的数据对照计算机模型,为影像诊断及颅脑部手术定位提供形态依据。方法利用Microsoft Visual Studio将获得的MRI图像、断层标本图像及重建的三维图像建立数据模型。结果建立的数据模型提供了颅脑部正常解剖学影像学对比特点,构建了主要结构的三维立体模型图像,使抽象结构数字化、立体化、可视化,有助于对人脑的理解。结论本数据模型把颅脑结构的三维图像结合到标本MRI的对比图中,有利于初次接触颅脑断层的初学者。     

基于深度监督全卷积神经网络的MRI脑图像语义分割算法

目的 依据临床诊断对MRI脑图像自动分割算法的需求,基于卷积神经网络(convolutional neural networks,CNN)设计了一种端到端的深度监督全卷积网络(deeply supervised fully convolutional network,DS-FCN)以解决脑图像中脑组织的自动分割问题。方法 针对三维MRI脑图像,先将体数据切割成二维图像切片,在FCN网络结构的基础上,加入了深度监督机制,即在特征提取的多层级结构中提前得到损失值反馈。结果 以三维MRI脑图像公开数据集LPBA-40为实验数据,56类脑组织的准确率(precision rate)、召回率(recall rate)、F1评估值分别为74. 40%、74. 82%、73. 75%,测试速率为152 ms。结论 通过引入深度监督结构,改进后的DS-FCN在MRI脑组织分割任务中得到了更精准的分割效果。     

节点反投影方法在三维EIT模型中的仿真与实验研究

电阻抗成像(EIT)技术中逆问题的病态特性是造成重建图像分辨率较低的主要原因之一,增加先验信息是改善成像效果的可行方法.建立三维圆柱体仿真模型,对边界电压数据进行多项式曲面拟合,增加先验信息,采用节点反投影方法进行图像重建.对两种目标模型进行仿真实验,并利用本实验室设计的128通道EIT系统进行水槽物理模型重建实验.仿真实验结果表明,较之传统的反投影方法,两种目标模型采用节点反投影方法重建的总体误差分别降低了8.87％和6.85％;在物理模型中,重建图像可清晰显示目标物体.所提出的方法有望用于提高临床检测与监护的成像质量.