【技术实现步骤摘要】
本专利技术涉及磁共振成像，具体而言，涉及一种基于流形学的非线性映射并行成像重建方法和装置。
技术介绍
1、磁共振成像（mri）在医学诊断中因其对软组织的高分辨率和无辐射危害的优点得到了广泛应用。然而，低场磁共振由于其低成本和较少的屏蔽要求，具有在临床和科研应用中的潜力，但其较低的信噪比和较长的扫描时长成为制约其应用的关键因素。为了提高低场磁共振的实际应用性，需要在保证图像质量的前提下尽可能缩短扫描时长。然而，传统并行成像方法在低场磁共振中难以有效补全欠采样数据，导致图像质量下降和伪影增多，进一步影响临床诊断和研究的准确性。
2、现有并行成像技术的主要问题在于重建图像信噪比低，这一方面来自于采样数的减少；另一方面来自于系统矩阵的病态性，使得求逆过程中acs部分原本的噪声被放大，重建图像信噪比下降，质量不够理想。其中最具代表性的grappa(generalizedautocalibrating partially parallel acquisitions)重建算法，通过线性模型从未完全采样的k空间数据中重建完整的k空间数据。然而，grappa算法存在以下缺点：1、重建精度有限：由于仅依赖线性项进行数据拟合，无法充分捕捉数据中的非线性关系，导致重建图像的精度较低。2、抗噪性能较差：线性模型对噪声较为敏感，噪声可能会显著影响重建结果的质量。3、适用性有限：对于复杂的mr数据，线性模型难以提供足够的重建质量，限制了其在高分辨率和复杂成像任务中的应用。4、数据利用不足：未充分利用已获取的k空间数据中的高阶信息，导致重建过程中信
技术实现思路
1、本专利技术实施例提供了一种基于流形学的非线性映射并行成像重建方法和装置，以至少解决现有磁共振成像速度慢的技术问题。
2、根据本专利技术的一实施例，提供了一种基于流形学的非线性映射并行成像重建方法，包括以下步骤：
3、s101:多通道采集k空间数据；
4、s102:根据实际采集的k空间数据设置邻域大小，自适应优化调整高维映射的关键参数；
5、s103:将k空间数据的非线性相关的图像信息与噪声成分作为特征输入，通过流行学方法映射到更高维特征空间，建立高维特征空间的拓扑关系；
6、s104:在高维特征空间中，通过流形学回归平滑邻域内数据点之间的差异，以及不同领域之间中心点的差异，最终建立噪声特征最小化的非线性模型来拟合补全降采样的k空间部分，基于补全的k空间数据可逆傅里叶变换恢复到图像空间。
7、进一步地，在步骤s101中，利用多个接收线圈在低场磁共振系统中并行采集k空间数据。
8、进一步地，步骤s101具体包括：
9、建立低场磁共振条件下的k空间模型，确定k空间模型中回波信号的采集轨迹；
10、根据采集轨迹确定低场磁共振扫描的时间序列参数，并计算磁共振成像系统所需施加的编码梯度；
11、采集并行成像的k空间数据。
12、进一步地，在步骤s102中，根据实际数据特征确定邻域大小，自适应优化调整高维映射的关键参数，关键参数为核宽度。
13、进一步地，步骤s102具体包括：
14、分析k空间数据，确定高维映射从acs部分数据中划分的每个邻域大小，生成数据分析结果；
15、根据数据分析结果选择初始核宽度；
16、在重建过程中，通过误差反馈机制动态调整核宽度，进行自适应迭代优化。
17、进一步地，步骤s103具体包括：
18、将k空间数据的非线性相关的图像信息与噪声成分作为特征输入，通过流行学方法映射到更高维特征空间，得到高维空间的非线性关系特征；最小化acs的缺失位置实际采样值与线性组合的高维映射后特征值之间的差异对非线性关系特征进行选择与流形学建模；
19、对高维特征空间进行调整，平衡计算复杂度与流形学模型性能；
20、构建高维特征空间的拓扑关系，通过调整后的高维数据来深入挖掘每个邻域kernel之间在流形学中的复杂关联，并结合多层次的流形特征分析，揭示信号与噪声、不同组织之间的非线性关系。
21、进一步地，在步骤s104中，通过核回归平滑邻域内数据点之间的差异包括：利用流形学回归对邻域内的数据进行平滑处理,使信号强度在局部区域内更加一致。
22、进一步地，在步骤s104中，通过流形学回归平滑邻域内数据之间的差异之后还包括：通过回归模型对不同邻域kernel中心点进行非线性增强，使信号强度在全局区域内更加一致。
23、进一步地，在步骤s104中，通过流形学回归在高维特征空间中处理信号和噪声之间的非线性关系，最终建立噪声特征最小化的非线性模型来拟合补全降采样的k空间部分，基于补全的k空间数据可逆傅里叶变换恢复到图像空间包括：
24、在插值重构过程中，首先利用acs数据自适应迭代优化得到的流形学回归结果对k空间中的未采样点进行插值，以补全降采样数据；在高维空间中进行流形学回归拟合进一步减小插值误差；然后，将插值后的数据与已有采样点结合，生成完整的k空间数据；最后，将重构后的k空间数据通过ift转换至图像空间。
25、根据本专利技术的另一实施例，提供了一种基于流形学的非线性映射并行成像重建装置，包括：
26、采集单元，用于多通道采集k空间数据；
27、参数优化单元，根据采集的k空间数据设置邻域大小，自适应优化调整高维映射的关键参数；
28、映射单元，将k空间数据的非线性相关的图像信息与噪声成分作为特征输入，通过流行学方法映射到更高维特征空间，建立高维特征空间的拓扑关系；
29、拟合恢复单元，用于在高维特征空间中，通过流形学回归平滑邻域内数据点之间的差异，以及不同领域之间中心点的差异，最终建立噪声特征最小化的非线性模型来拟合补全降采样的k空间部分，基于补全的k空间数据可逆傅里叶变换恢复到图像空间。
30、一种存储介质，存储介质存储有能够实现上述任意一项基于流形学的非线性映射并行成像重建方法的程序文件。
31、一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于流形学的非线性映射并行成像重建方法。
32、本专利技术实施例中的基于流形学的非线性映射并行成像重建方法和装置，将数据映射到高维空间中，而不需要明确地计算高维特征。该方法让信号和噪声更加分离，同时能够捕捉复杂的成像特征，从而能够更准确的补全缺失采样的k空间信息，更准确地恢复图像的细节，通过增加交互项或非线性特征，模型可以更细致地识别潜在的风险模式，提高重建图像的精度和抗噪性能，扩大算法的适用范围，解决低场强磁共振并行成像中信噪比低的问题，显著提升了重建图像的质量和诊断价值。
本文档来自技高网...【技术保护点】
1.一种基于流形学的非线性映射并行成像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤S101中，利用多个接收线圈在低场磁共振系统中并行采集K空间数据。
3.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤S101具体包括：
4.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤S102中，根据实际数据特征确定邻域大小，自适应优化调整高维映射的关键参数，关键参数为核宽度。
5.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤S102具体包括：
6.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤S103具体包括：
7.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤S104中，通过流行学回归平滑邻域内数据点之间的差异包括：利用流形学回归对邻域内的数据进行平滑处理,使信号强度在局部区域内更加一致。p>
8.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤S104中，通过流形学回归平滑邻域内数据之间的差异之后还包括：通过回归模型对不同邻域kernel中心点进行非线性增强，使信号强度在全局区域内更加一致。
9.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤S104中，通过流形学回归在高维特征空间中处理信号和噪声之间的非线性关系，最终建立噪声特征最小化的非线性模型来拟合补全降采样的K空间部分，基于补全的K空间数据可逆傅里叶变换恢复到图像空间包括：
10.一种基于流形学的非线性映射并行成像重建装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于流形学的非线性映射并行成像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤s101中，利用多个接收线圈在低场磁共振系统中并行采集k空间数据。
3.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤s101具体包括：
4.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，在步骤s102中，根据实际数据特征确定邻域大小，自适应优化调整高维映射的关键参数，关键参数为核宽度。
5.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤s102具体包括：
6.根据权利要求1所述的基于流形学的非线性映射并行成像重建方法，其特征在于，步骤s103具体包括：
7.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：周谊航，董续豪，梁栋，郑海荣，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。