本文提出了一种基于自适应低秩去噪的磁共振图像重构算法. 该方法使用去噪近似消息传递算法重构磁共 振图像, 将自适应加权 Schatten-p 范数最小化方法 (Weighted Schatten p-Norm Minimization, WSNM) 作为其降噪模 型, 研究图像的重构性能. 根据算法迭代过程中估计的噪声标准差自适应的设定 WSNM 的图像块大小及相似块个 数. 实验表明, 与近几年提出的磁共振图像重构算法比较, 本文提出的算法可以获得更高的峰值信噪比 (Peak Signal to Noise Ratio, PSNR) 和更低的相对 范数误差 (Relative Norm Error, RLNE), 得到更好的重建效果.
1 引言
磁共振成像 (Magnetic Resonance Imaging, MRI) 是以核磁共振 (Nuclear Magnetic Resonance, NMR) 为 物理基础的一种成像技术, 该技术通过在静磁场中将 一定频率的射频脉冲施加到人体上, 以刺激人体内的 氢质子引起共振现象. 与计算机 X 射线断层扫描成像 技术 (Computed Tomography, CT) 相比, MRI 不仅无需 使用造影剂和没有电离辐射, 而且可以直接做出横断面、矢状面和冠状面等优点[1] . 压缩感知[2] 理论的提 出, 打破了传统的奈奎斯特采样定律的限制. 基于压缩 感知的磁共振成像 (CS-MRI)[3] 技术大大推动了磁共 振成像的发展. 基于 CS-MRI 的重构问题可以表示如下:
图像去噪是一个较为成熟的研究领域, 实现去噪 的途径之一是利用图像的稀疏性. 常用的图像稀疏方 法有傅里叶变换、全变差变换、小波变换以及字典学 习等. 近年来, 基于非局部自相似块思想[4] 的低秩去噪 方法在 CS-MRI 领域中得到应用. 非局部自相似性的 原理通过在图像中寻找与参考块相似的相似块组, 利 用该相似块组所组成的矩阵具有的低秩属性进行图像 去噪. 求解矩阵的秩函数是 NP 难问题, 常使用核范数 来近似代替秩函数的求解. 其中最经典的方法是核范 数最小化[5] 算法. NNM 通过对待修复的矩阵奇异值分 解, 对奇异值进行阈值处理来求解核范数最小化问题, 该方法称为奇异值阈值算法 (Singular Value Thresholding, SVT). 由于 NNM 平等的对每个奇异值进行收缩, 忽略 了矩阵奇异值的差异. 在此基础上, Dong 提出了加权 核范数最小化 (Weighted Nuclear Norm Minimization, WNNM)[6] 算法, 针对不同大小的奇异值, 设定不同的 权值进行收缩, 得到了更好的秩最小化问题的解, 实验 表明较 NNM 其保留更多原始图像的边缘信息, 去噪 性能更高. 研究表明, Schatten-p 范数是一种比核范数 更加逼近低秩矩阵的范数, Xie 等[7] 在 2016 年提出加 权 Schatten-p 范数最小化 (Weighted Schatten p-norm Minimization, WSNM) 去噪问题, 该方法比 WNNM 具 有更好的去噪性能。
CS-MRI 重建算法的研究一直是 MRI