阅读说明：本技术 基于共轭和层间信息的并行磁共振成像算法 (Parallel magnetic resonance imaging algorithm based on conjugation and interlayer information ) 是由 何汶静 杨汉丰 祝元仲 于 2020-12-10 设计创作，主要内容包括：本发明公开了一种基于共轭和层间信息的并行磁共振成像算法,包括:对成像物体的梯度正向高频部分和梯度负向高频部分进行R倍欠采样,并将中间低频部分作为校准区进行全采样,得到矩阵F；构建欠采样数据的预测矩阵A；利用本层及相邻层矩阵F的校准区构建权重计算矩阵B；构建权重计算矩阵B的列向量矩阵C；根据权重计算矩阵B与权重矩阵W的乘积得到列向量矩阵C,采用最小二乘法可拟合得到插值窗内权重矩阵W；构建欠采样行数据的预测矩阵D；根据预测矩阵D与插值窗内权重矩阵W的乘积,得到列向量E；填充获得重建矩阵H,经傅里叶变换后得到并行磁共振成像的图像。本发明具有成像速度快、预测源矩阵信息量丰富、信噪比较高等优点。(The invention discloses a conjugate and interlayer information-based parallel magnetic resonance imaging algorithm, which comprises the steps of carrying out R-time undersampling on a gradient positive high-frequency part and a gradient negative high-frequency part of an imaging object, and carrying out full sampling by taking a middle low-frequency part as a calibration area to obtain a matrix F; constructing a prediction matrix A of undersampled data; constructing a weight calculation matrix B by utilizing the calibration areas of the matrixes F in the current layer and the adjacent layer; constructing a column vector matrix C of the weight calculation matrix B; obtaining a column vector matrix C according to the product of the weight calculation matrix B and the weight matrix W, and obtaining the weight matrix W in the interpolation window by fitting by adopting a least square method; constructing a prediction matrix D of undersampled row data; obtaining a column vector E according to the product of the prediction matrix D and the weight matrix W in the interpolation window; and filling to obtain a reconstruction matrix H, and performing Fourier transform to obtain an image of parallel magnetic resonance imaging. The invention has the advantages of high imaging speed, rich information quantity of the predicted source matrix, high signal-to-noise ratio and the like.)

基于共轭和层间信息的并行磁共振成像算法

技术领域

本发明涉及磁共振成像技术领域，尤其是基于共轭和层间信息的并行磁共振成像算法。

背景技术

并行磁共振成像(parallel MRI,p-MRI)是医疗图像高速成像及图像重建领域的重大技术突破，已经被应用于各大磁共振设备。并行磁共振成像过程是由多通道相控阵线圈采集磁共振K空间信号，由于相控阵线圈每个通道都包含有相邻通道的信息，所以我们能够通过相邻线圈的信息估计降采样部分信息，通过减少相位编码次数，提升磁共振扫描速度。

目前，现有技术中的图像重建算法主要分为两类：

第一，基于图像域的重建，该类算法主要利用线圈灵敏度进行图像重构，得到无伪影图像，代表算法为SENSE(Sensitivity Encoding)及随后发展出的扩展方法SC-SENSE(Self-calibrating)、PILS(Local Sensitivities)等，该类算法要求通道线圈有更为精确的灵敏度，线圈灵敏信息由采集低频信号计算而得，当灵敏度已知，Chaari等人将压缩感知与SENSE结合，增加正则项，取得了较好的重构效果，但是，准确估计往往非常困难。如专利申请号为“201711246873.0”、名称为“一种基于自适应联合稀疏编码的并行磁共振成像方法、装置以及计算机可读介质”的中国发明专利。

第二种，基于K空间的逐线圈重建技术，该类技术采集中间行数据作为自校准信号(ACS)，多通道直接重构最终图像，不需要估计线圈灵敏度，由欠采样的K空间数据计算出多通道线圈的权重系数，用这些权重系数拟合欠采样缺失数据，再将其重建为诊断图像，代表算法为AUTO-SMASH(Simulataneous Acquisition of Spatial Harmonics)、GRAPPA(Generalized Auto-calibrating Partially Parallel Acquisitions)，VD-AUTO-SMASH算法等。如专利申请号为“201510216413.8”、名称为“一种并行磁共振成像相位处理方法”的中国发明专利，其通过：对并行磁共振成像中多通道线圈采集的K空间数据进行傅里叶反变换，得到各个线圈图像的幅值和相位；构造参考线圈图像，估计多通道各个线圈的空间敏感度分布；将参考线圈图像的空间敏感度进行二维傅里叶变换，截取中间的矩阵作为卷积核；构造K空间数据卷积模型，求解线圈的联合权重W；得到虚拟线圈K空间值，傅里叶反变换得到虚拟线圈图像；相位解缠绕，并去除虚拟线圈图像背景的相位；使用蒙板图像提取感兴趣区域的相位。

目前，现有技术中的GRAPPA算法在计算重建系数矩阵的过程中，随着加速倍数增加，方程系数矩阵条件数随之增大，可利用信息量降低，方程病态程度增加。使求逆矩阵过程中噪声被放大。

另外，现有技术中的GRAPPA算法对2倍加速能够很好地避免卷褶伪影，但是对于超过2倍的加速情况下重建效果欠佳，噪声明显并且仍然还有卷褶伪影残留。这对于磁共振三维采集、动态成像、实时成像以及平面回波成像等对扫描速度敏感的应用场景是一个亟需解决的问题。

在专利申请号为“2020111409917.9”、名称为“一种并行磁共振成像的改进算法”的中国发明专利中，虽然可以实现并行磁共振成像3倍及以下成像重建质量较高，但是在3倍以上的加速情况下，空缺信息太多，此时如果仍然仅利用层内的共轭信息加入至插值窗，虽然可以显著提高成像效果，但仍然存在信息量太少的问题，信噪比不够，无法达到理想成像质量。

因此，急需要提出一种基于共轭和层间信息的并行磁共振成像算法，其利用共轭对应行数据和邻近层，以增加插值窗内的数据量，增大预测源矩阵信息量，在加速的同时提高信噪比。

发明内容

针对上述问题，本发明的目的在于提供一种基于共轭和层间信息的并行磁共振成像算法，本发明采用的技术方案如下：

基于共轭和层间信息的并行磁共振成像算法，利用相控阵线圈接收的K空间数据，所述相控阵线圈设置有L个，所述L为大于1的正整数，包括以下步骤:

对成像物体的梯度正向高频部分和梯度负向高频部分进行R倍欠采样，并将中间低频部分作为校准区进行全采样，得到矩阵F；所述采样扫描共计Z层，所述Z为大于1的正整数；

构建矩阵F的预测矩阵A：将矩阵F内临近的第z+1层的第i行采样数据填充至第z层，对第z层内共轭对称数据互填；

利用本层及相邻层的矩阵F的校准区构建权重计算矩阵B：所述权重计算矩阵B为第z层的L个相控阵线圈的K空间数据在位置x(i,j,l)和位置x(-i,j,l)的插值窗数据的变换组合，以及第z+1层的L个相控阵线圈的K空间数据在位置x(i,j,l)和位置x(-i,j,l)的插值窗数据的变换组合；

在校准区移动x(i,j,1)的位置，获得权重计算矩阵B的任一行数据，并记录该位置x(i,j,l)的数据，任一数据为一行，得到列向量矩阵C；

根据权重计算矩阵B与权重矩阵W的乘积得到列向量矩阵C可知，采用最小二乘法可拟合得到插值窗内权重矩阵W；

查询矩阵F中未采样的数据，并记录其位置为在预测矩阵A中的位置处设置插值窗，并组成欠采样行数据的预测矩阵D；

根据预测矩阵D与插值窗内权重矩阵W的乘积，得到列向量E；

将位置的数据填充中矩阵F中对应的位置，并去除原填充的0，以获得重建的矩阵H，经傅里叶变换后得到并行磁共振成像的图像。

进一步地，所述矩阵F的构建过程如下：

将任一相控阵线圈接收的K空间数据分为梯度正向和负向两个对称部分；

从梯度正向的低频部分开始采样，在第z层，若梯度为正向时，则对第q+z％R行进行采样；所述q满足q％R＝1；

若梯度为负向时，则对-(q+z％R+1)行进行采样；

对未采样行采用0进行填充，且对中间低频部分进行全采样，得到矩阵F。

优选地，所述R为4或5或6。

与现有技术相比，本发明具有以下有益效果：

(1)本发明可增加插值窗内的数据，本发明不仅利用了层内共轭信息，也加入了相邻层的信息来进行拟合，可增加信息量，增大信噪比，减少卷褶伪影；例如如果加入相邻1层的信息，则可增加3行拟合数据，如果用上下相邻2层的数据，则可增加5行；

(2)本发明采用欠采样获取梯度正向和负向的高频采样数据，并采用全采样获取中间低频部分，在减少采样数据、提高成像速度的同时，也能保证信息量充分；

(3)本发明在共轭对称性的基础上，在降采样的情况下也能获得更多有用信息，有效地提高了信噪比；

(4)本发明利用利用本层及相邻层矩阵F的校准区求得插值窗内权重矩阵，并将插值窗内权重矩阵运用于欠采样区域，以获得未采样信号周围的数据，用信息量较大的预测源矩阵重建出欠采样点；

综上所述，本发明具有预测源矩阵信息量丰富、信噪比较高等优点，在磁共振成像技术领域具有很高的实用价值和推广价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，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保护范围的限定，对于本领域技术人员来说，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。

图1为本发明的矩阵F的结构示意图。

图2为本发明的预测矩阵A的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例

如图1至图2所示，本实施例提供了基于共轭和层间信息的并行磁共振成像算法，利用相控阵线圈接收的K空间数据，所述相控阵线圈设置有L个，本实施例的并行磁共振成像算法包括以下步骤:

第一步，利用磁共振设备成像系统对成像物体的梯度正向高频部分和梯度负向高频部分进行R(4、5、6)倍欠采样，并将中间低频部分(16行)作为校准区进行全采样，得到矩阵F；

在本实施例中，将任一相控阵线圈接收的K空间数据分为梯度正向和负向两个对称部分；从梯度正向的低频部分开始采样，在第z层横断面，若梯度为正向时，则对第q+z％R行进行采样；所述q满足q％R＝1；若梯度为负向时，则对-(q+z％R+1)进行采样；对未采样行采用0进行填充，且对中间低频部分进行全采样，得到矩阵F。

第二步，构建矩阵F的预测矩阵A：在欠采样区内，将矩阵F内临近的第z+1层的第i行采样数据填充至第z层，对第z层内共轭对称数据互填；由于第一步中已经确保当第m行是已采样数据时，则第-m行必然是欠采样数据，所以进行层内共轭对称行数据互填，不会覆盖已有数据。此时插值窗内的数据由原算法的2行变为5行。

第三步，本层及相邻层矩阵F的校准区构建权重计算矩阵B：所述权重计算矩阵B为第z层的L个相控阵线圈的K空间数据在位置x(i,j,l)(即所在K空间位置为第i行，第j列，第l个线圈，i、j、l均为大于1的正整数)和位置x(-i,j,l)的插值窗数据的变换组合，以及第z+1层的L个相控阵线圈的K空间数据在位置x(i,j,l)和位置x(-i,j,l)的插值窗数据的变换组合；在校准区移动x(i,j,1)的位置，每个位置获得一行数据构成矩阵B。

第四步，在校准区移动x(i,j,1)的位置，获得权重计算矩阵B的任一行数据，并记录该位置x(i,j,l)的数据，任一数据为一行，得到列向量矩阵C；

第五步，根据权重计算矩阵B与权重矩阵W的乘积得到列向量矩阵C可知，采用最小二乘法可拟合得到插值窗内权重矩阵W；

第六步，查询矩阵F中未采样的数据，并记录其位置为在预测矩阵A中的位置处设置插值窗，并组成欠采样行数据的预测矩阵D；

第七步，根据预测矩阵D与插值窗内权重矩阵W的乘积，得到列向量E；

第八步，将位置的数据填充中矩阵F中对应的位置，并去除原填充的0，以获得重建的矩阵H，经傅里叶变换后得到并行磁共振成像的图像。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。