基于稀疏重建的磁共振图像尖峰噪声消除方法

doi:10.11938/cjmr20150105

波谱学杂志 ›› 2015, Vol. 32 ›› Issue (1): 40-50.doi: 10.11938/cjmr20150105

基于稀疏重建的磁共振图像尖峰噪声消除方法

李智敏1，谢海滨1，周敏雄1，张成秀2，奚伟2，姜小平2，杨光1*

1. 华东师范大学物理系，上海市磁共振重点实验室，上海 200062；
2 上海卡勒幅磁共振技术有限公司，上海 201614

收稿日期:2014-05-05 修回日期:2015-01-09 出版日期:2015-03-05 发布日期:2015-03-05
作者简介:李智敏(1987-)，女，山西长治人，硕士研究生，无线电物理专业. *通讯联系人：杨光，电话：021-62233873,E-mail: gyang@phy.ecnu.edu.cn.
基金资助:
上海市科委资助项目(08DZ1900700).

Spike Noise Removal for Magnetic Resonance Imaging Based on Sparse Reconstruction

LI Zhi-min1，XIE Hai-bin1，ZHOU Min-xiong1，ZHANG Cheng-xiu2，XI Wei2，JIANG Xiao-ping2，YANG Guang1*

1. Shanghai key Laboratory of Magnetic Resonance, Department of Physics, East China Normal University, Shanghai 200062, China;
2. Shanghai COLORFUL Magnetic Resonance Technology Corporation Limited, Shanghai 201614, China

Received:2014-05-05 Revised:2015-01-09 Online:2015-03-05 Published:2015-03-05
About author:*Corresponding author：YANG Guang, Tel: +86-021-62233873，E-mail: gyang@phy.ecnu.edu.cn.
Supported by:
上海市科委资助项目(08DZ1900700).

摘要/Abstract

摘要：

磁共振图像K 空间中的尖峰噪声会严重影响图像质量．该文在磁共振图像压缩感知的共轭梯度重建法的基础上，提出一种新的利用磁共振图像稀疏性进行尖峰噪声修复的方法．传统的共轭梯度重建是通过小波域迭代进行的，对于K 空间的尖峰噪声的消除不是最适合．首先提出压缩感知的K 空间重建算法，该算法与小波域重建等效．在此基础上，提出可以较好地修复尖峰噪声的K 空间部分重建算法．即在迭代过程中，以图像的稀疏性作为约束条件，仅修改尖峰噪声所遮盖区域的数据，其他位置的数据保持不变．该算法与传统的插值算法及共轭梯度算法相比，能够更好地修复K 空间尖峰噪声点，减少图像伪影，同时降低了对尖峰噪声定位准确性的要求

关键词: 磁共振成像(MRI), 压缩感知, 非线性共轭梯度法, K 空间重建, 尖峰噪声

Abstract:

It is well-known that, in magnetic resonance imaging (MRI), the presence of spike noise in the K-space will degrade the quality of reconstructed images. In this work, we proposed a method to remove spike noises based on the non-linear conjugate gradient (NLCG) reconstruction algorithm of compressed sensing (CS). The traditional CG algorithm reconstructs images in the wave-domain, making it difficult to remove spike noises. The proposed algorithm is a partial K-space reconstruction algorithm. Using image sparsity as a restrain, the algorithm reconstructs only the data which is covered by spike noises. Compared with the interpolation and NLCG algorithm, the proposed algorithm was shown to yield better images with less artifacts without the need to know the accurate localization of the spike noises.

Key words: MRI, compressed sensing, non-linear conjugate gradient, K-space reconstruction, spike noise

中图分类号:

O482.53

李智敏1，谢海滨1，周敏雄1，张成秀2，奚伟2，姜小平2，杨光1. 基于稀疏重建的磁共振图像尖峰噪声消除方法[J]. 波谱学杂志, 2015, 32(1): 40-50.

LI Zhi-min1，XIE Hai-bin1，ZHOU Min-xiong1，ZHANG Cheng-xiu2，XI Wei2，JIANG Xiao-ping2，YANG Guang1. Spike Noise Removal for Magnetic Resonance Imaging Based on Sparse Reconstruction[J]. Chinese Journal of Magnetic Resonance, 2015, 32(1): 40-50.

参考文献

[1] Fogiel M. Handbook of Mathematical, Scientific and Engineering Formulas, Tables, Functions, Graphs, Transforms[M]. New Jersey: Research and Education Association, 1989. 568.

[2] Zu Dong-lin(俎栋林). Magnetic Resonance Imaging(核磁共振成像学)[M]. Beijing(北京): Higher Education Press(高等教育出版社)，2004. 495－499.

[3] Foo T K F, Grigsby N S, Mitchell J D, et al. SNORE : spike noise removal and detection[J]. IEEE T Med Imaging, 1994, 13: 133－136.

[4] Kao Y H, MacFall J R. Correction of MR K-space data corrupted by spike noise[J]. IEET T Med Imaging, 2000, 19: 671－680.

[5] Chen Hua-li(陈华莉), Zhang Cheng-xiu(张成秀), Xi Wei(奚伟), et al. Spike noise removal for magnetic resonance imaging based on the information in the background region(基于背景信息的磁共振成像尖峰噪声消除)[J]. Chinese J Magn Reson(波谱学杂志), 2012, 29(4): 537－546.

[6] Donoho D. Compressed sensing[J]. IEEE T Inform Theor, 2006, 52(4): 1 289－1 306.

[7] Majumdar A, Ward R K. On the choice of compressed sensing priors and sparsifying transforms for MR image reconstruction: An experimental study[J]. Signal Processing-Image, 2012, 27: 1 035－1 048.

[8] Kutyniok G. Theory and applications of compressed sensing[J]. GAMM Mitteilungen, 2013, 36(1): 79－101.

[9] Tsao J, Kozerke S. MRI temporal acceleration techniques[J]. J Magn Reson Imaging, 2012, 36(3): 543－560.

[10] Needell D, Ward R. Stable image reconstruction using total variation minimization[J]. Society for Industry and Applied Mathematics(SIAM), 2013, 6(2): 1 035－1 058.

[11] Liu Xiao-zheng(刘小征), Fu Cai-xiang(傅彩霞), Yang Guang(杨光). An MRI image denoising algorithm using neural network analysis and wavelet transformation(基于神经网络和小波变换的MRI 图像去噪方法)[J]. Chinese J Magn Reson(波谱学杂志), 2008, 25(2): 234－243.

[12] Chan R W, Ramsay E A, Cheung E Y, et al. The influence of radial undersampling schemes on compressed sensing reconstruction in breast MRI[J]. Magn Reson Med, 2012, 67(2): 363－377.

[13] Khare K, Hardy C J, King K F, et al. Accelerated MR imaging using compressive sensing with no free parameters[J]. Magn Reson Med, 2012, 68(5): 1 450－1 457.

[14] Akcakaya M, Basha T A, Goddu B, et al. Low-dimensional-structure self-learning and thresholding: regularization beyond compressed sensing for MRI reconstruction[J]. Magn Reson Med, 2011, 66(3): 756－767.

[15] Bilgic B, Goyal V K, Adalsteinsson E. Multi-contrast reconstruction with bayesian compressed sensing[J]. Magn Reson Med, 2011, 66(6): 1 601－1 615.

[16] Johnson K M, Block W F, Reeder S B, et al. Improved least squares MR image reconstruction using estimates of K-space data consistency[J]. Magn Reson Med, 2012, 67(6): 1 600－1 608.

[17] Lustig M, Donoho D L, Pauly J M. Sparse MRI: The application of compressed sensing for rapid MR imaging[J]. Magn Reson Med, 2007, 58(6): 1 182－1 195.

[18] Sun Wen-yu(孙文瑜), Xu Cheng-xian(徐成贤), Zhu De-tong(朱德通). Optimization Methods(2nd ed) (最优化方法, 第二版)[M]. Beijing(北京): Higher Education Press(高等教育出版社), 2010. 123－126, 146－158.

[19] Peng Si-jun(彭斯俊). Application of Optimal Algorithm in Structure Design(优化算法在结构设计中的应用)[D]. Wuhan(武汉): Wuhan University of Technology(武汉理工大学), 2004. 16－23.

基于稀疏重建的磁共振图像尖峰噪声消除方法

Spike Noise Removal for Magnetic Resonance Imaging Based on Sparse Reconstruction

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	魏国境, 易佩伟, 陶泉, 冯衍秋. CEST成像不同量化方式在急性帕金森氏病小鼠模型研究中的应用比较[J]. 波谱学杂志, 2019, 36(2): 195-207.
[2]	黄朝晖, 张志, 陈黎, 陈俊飞, 张震, 陈方, 刘朝阳. MRI梯度预加重模块的分时复用设计[J]. 波谱学杂志, 2018, 35(4): 465-474.
[3]	柴青焕, 苏冠群, 聂生东. 双树小波变换与小波树稀疏联合的低场CS-MRI算法[J]. 波谱学杂志, 2018, 35(4): 486-497.
[4]	刘颖, 宋明辉, 王坤, 章浩伟. 基于全可编程SoC和LabVIEW的磁共振接收系统设计[J]. 波谱学杂志, 2018, 35(4): 475-485.
[5]	汪红志, 赵地, 杨丽琴, 夏天, 周皛月, 苗志英. 基于AI+MRI的影像诊断的样本增广与批量标注方法[J]. 波谱学杂志, 2018, 35(4): 447-456.
[6]	陈海燕, 赵世龙, 李晓南, 刘国强, 胡丽丽, 刘弢. 低场永磁体磁共振射频场映像[J]. 波谱学杂志, 2018, 35(4): 498-504.
[7]	陶泉, 易佩伟, 魏国境, 冯衍秋. 基于CEST机制的pH成像方法、原理和应用[J]. 波谱学杂志, 2018, 35(4): 505-519.
[8]	翟国强, 张苗, 薄斌仕, 王乙, 范明霞, 李建奇. 基于复值和模值的肝脏磁共振水脂分离组合算法[J]. 波谱学杂志, 2018, 35(4): 417-426.
[9]	张波, 谢海滨, 严序, 李文静, 杨光. 旋转不变的非局域均值算法在磁共振图像去噪中的应用[J]. 波谱学杂志, 2018, 35(2): 162-169.
[10]	崔妍, 肖亮. 磁共振成像谱仪B₀信号的高精度发生与测试[J]. 波谱学杂志, 2018, 35(2): 170-177.
[11]	孙炜航, 孙钰, 汪丰, 王超洪, 杨涛. 变延迟进动定制激发(DANTE)序列在工程中的优化设计[J]. 波谱学杂志, 2018, 35(2): 150-161.
[12]	马芸, 郭虹, 王秋实, 张伟国, 吴昊. 基于影像的形态学特征与胶质母细胞瘤特征分子表达的相关性研究[J]. 波谱学杂志, 2018, 35(1): 22-30.
[13]	黄丽洁, 宋阳, 赵献策, 谢海滨, 吴东梅, 杨光. 一种结合并行成像和压缩感知的快速磁共振成像新方法[J]. 波谱学杂志, 2018, 35(1): 31-39.
[14]	罗庆, 张成秀, 李文静, 郑慧, 谢海滨, 杨光. 一种新的磁共振图像处理流水线的设计与实现[J]. 波谱学杂志, 2018, 35(1): 40-51.
[15]	宋瑞, 何砚发, 张波. 一种永磁磁共振中磁体涡流场的测量方法[J]. 波谱学杂志, 2018, 35(1): 52-59.