基于部分K空间数据子空间分解的贝叶斯非参数压缩感知MRI重建方法

Compressed sensing has had a major impact on magnetic resonance imaging (MRI) since it gives a way to significantly undersample the Fourier measurement domain of MR images (called k-space), while still allowing for a high-quality image reconstruction. However, CS-MRI still has limitations in clinical applications because of the disappearance of low-contrast structure necessary for clinical diagnosis, poor performances with low sampling rate and the burdensome requirement of manually estimating key parameters. Motivated by real-world clinical applications, this proposal aims to combine subspace analysis, image fusion, and Bayesian nonparametric models in order to significantly improve the performances of CS-MRI. Using our methodology, we first propose decomposing the partial k-space data into different subspaces in order to exploit the nonuniform distribution of data magnitude, power, and sparsity in k-space to individually reconstruct images from each subspace. Second, we propose Bayesian nonparametric modeling to adaptively infer the key parameters in CS-MRI, and to combine the various priors from different subspaces using a hierarchical representation. Finally, we reconstruct the MRI by fusing images from different subspaces using the strategies of ‘divide and conquer’ and ‘progressive approximation’. As a result, the methodology of this proposal combines subspace analysis, image fusion, and Bayesian nonparametric analysis in order to significantly improve the performance of CS-MRI, providing doctors with better information for making diagnoses. We also anticipate that our approach will have broader applications outside of CS-MRI, providing a way to solve various inverse problems in image processing.

基于压缩感知理论（CS）由部分K空间数据重建MRI图像（CSMRI）是一种有效的加快成像速度的方法，然而现有CSMRI存在弱对比度结构易丢失、低采样率时重建图像质量差以及模型中关键参数需设定等不足，难以满足医学应用需求。项目旨在依据实际应用特点，研究将子空间分析、图像融合与贝叶斯非参数CS理论相结合的CSMRI重建方法，以提升CSMRI重建性能。具体为：1)由部分K空间数据子空间分解，获得子空间图像对应的部分K空间数据，通过子空间图像各自重建以深入挖掘K空间数据幅值、能量及稀疏度分布不均匀特性；2)由贝叶斯非参数模型重建子空间图像，解决现有CSMRI的关键参数需人为设定且难以有效将多种先验有机结合到同一模型的问题；3）采取“分而治之”与“渐进逼近”策略，并结合原始部分K空间观测数据将多子空间图像融合为待重建图像。相关研究既针对医学应用实际，又对图像处理中的各种反问题求解具有一定借鉴意义。

核磁共振成像是一种重要的医学成像手段。但其成像速度较为缓慢。压缩感知理论通过部分K空间数据非线性重建加速成像，是当前快速MRI的研究热点之一。.目前传统的压缩感知MRI成像方法利用稀疏表示方法迭代重建图像。但此类方法缺乏对原始观测域K空间数据特性的研究，并未充分考虑K空间不同频率信号的特性差异。针对这一问题，课题组提出了基于分而治之的子空间分解策略，对不同频区的K空间数据分别重建再有效融合。此外，外部海量影像数据的利用不足，稀疏变换基底缺乏高层语义表示能力，迭代优化耗时过久均为制约CSMRI方法性能进一步提升的关键瓶颈。近年来提出的深度学习方法可以有效解决这些问题，但其仍存在诸多局限，具体有高层语义信息抽取中的信息损失，参数量过大制约实际应用，并未综合利用多对比度MRI中的互补信息以及对重建后续分析环节研究不足。因此，课题组开展基于深度学习的快速、高质量CS-MRI重建与分割方法研究并将其拓展至其他领域，提出了基于信息保持跳连结构的轻量化深度网络CS-MRI重建模型，基于信息共享的深度网络CS-MRI重建模型，基于分割感知的深度融合网络CS-MRI重建模型，统一深度学习框架下的联合CS-MRI重建和MRI分割，基于图像分割的感兴趣区域CS-MRI重建方法，子空间分而治之CSMRI重建框架。同时，课题组提出了基于3D多模态MRI的特征增强与重标网络用于脑部MRI图像分割。此外，课题组在DR胸部图片分析以及新型OLED成像中均取得了优异成果。相关研究既是对CS-MRI理论的极大丰富，同时又为脑科学等提供快速、高质量的成像工具，具有重要的实际应用价值，经济与社会意义显著。.相关成果主要发表在MICCAI，IPMI，AAAI,ECCV, CVPR，ICCV，ICIP，IEEE TIP, IEEE TMI, IEEE TNNLS, MRM, MRI等国际人工智能、计算机视觉和磁共振成像领域的顶级会议与期刊中，其中ESI高引论文1篇。同时，课题组提出的脑分割模型在国际顶级医学影像会议MICCAI所主办的脑分割竞赛的13年和18年两个测试数据集中均取得第一名的成绩，有效提高课题组在医学影像分割领域的国际影响力。另外，课题组的医学影像智能分析系统，还获得“全球（南京）人工智能大赛”医学影像组第一，“首届中国‘AI+’创新创业比赛”创新奖、创业奖，吴文俊人工智能自然科学三等奖等。