【核磁共振成像】方格化重建

这篇具有很好参考价值的文章主要介绍了【核磁共振成像】方格化重建。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。


一、缩放比例

  对于笛卡尔K空间直线轨迹数据可直接用FFT重建,而如果K空间轨迹的任何部分都是非均匀取样的 可用DFT直接重建,有时称为共轭相位重建,但此法太慢不实用。把数据再取样到直线格使能FFT重建要快得多普遍应用的内插方法是把数据与一个平滑函数卷积再取样,这个 重建过程(包括FFT) 被称为 方格化
  方格化在K空间中用一个卷积转换输入数据到一个均匀直线格数据集,因自选密度本身是紧支的(即有限区域外都是零),只要测量值是大于或等于奈奎斯特频率采样的,任意位置的K空间值都可以被测量值的sinc内插精确计算(即测量的K空间值与sinc函数卷积)。
  sinc内插的缺点是sinc函数不是紧支的。因此,在每个新K空间位置计算K空间值,要求sinc函数被所有测量的数据乘,导致比较长的计算时间
  在方格化中,sinc函数被一个紧支函数(方格化核)取代以节省计算时间K空间数据与方格化核卷积等价于图像被核的FT乘
  sinc卷积方格化导致些许图像质量损失,因为再取样卷积的K空间导致一个带有混叠的图像。通常通过K空间过取样以增大FOV(把直线混叠的复制进一步推离开推向),以降低混叠,然后在FT后放弃额外的FOV。
【核磁共振成像】方格化重建,核磁共振成像,计算机视觉,论文阅读,图像处理,算法,数据分析,傅立叶分析,数据可视化
  左为模拟的spiral扫描图像,显示有混叠伪影
  混叠延申到无限远,即使显示的截面有限(方框是扫描中指定的FOV)。
  右为从左图(尚无直线再取样)的K空间数据的内插产生的图像
  如果对应于左图的K空间数据与一紧支函数而不是sinc卷积,混叠伪影就不会被截去

  径向投影MR数据也可以用CT中常用的滤波背投影算法,但此法在MRI中不受欢迎。对一个离散数据集再取样问题已经发展了许多方法,直接内插会导致伪影基于卷积的方法比如方格化在MRI中被广泛使用,因为它比其他方法快,并且能给出足够好的图像质量。

  所谓 两个函数的卷积,本质上就是先将一个函数翻转,然后进行滑动叠加在连续情况下叠加指的是对两个函数的乘积求积分在离散情况下就是加权求和,为简单起见就统一称为叠加。卷积的“卷”,指的的函数的翻转,从 g(t) 变成 g(-t) 的这个过程;同时,“卷”还有滑动的意味在里面。如果把卷积翻译为“褶积”,那么这个“褶”字就只有翻转的含义了。卷积的“积”,则指的是积分/加权求和

  以信号分析为例,卷积的结果是不仅跟当前时刻输入信号的响应值有关,也跟过去所有时刻输入信号的响应都有关系,考虑了对过去的所有输入的效果的累积。在图像处理中,卷积处理的结果,其实就是把每个像素周边的,甚至是整个图像的像素都考虑进来,对当前像素进行某种加权处理。所以说,“积”是全局概念,或者说是一种“混合”,把两个函数在时间或者空间上进行混合。
  进行“卷”(翻转)的目的其实是施加一种约束,它指定了在“积”的时候以什么为参照。在信号分析的场景,它指定了在哪个特定时间点的前后进行“积”,在空间分析的场景,它指定了在哪个位置的周边进行累积处理。


二、方格化变换的基础

  方格化所需要的步骤为:
  (1)对各个输入数据点计算K空间位置和密度补偿。
  (2)计算方格化核及其反傅里叶变换,存储方格化核作为一个查找表或者对各个输入、输出数据样本存储值。
  (3)如果需要,从输入数据减去基线
  (4)准备一个待输出K空间矩阵,对各个输入数据样本在输入点的紧支距离内找出所有均匀直线输出位置。
  (5)应用一个K空间窗和符号交替到再取样的直线K空间数据上。
  (6)反傅里叶变换均匀直线再取样的K空间数据上。
  (7)如果K空间过取样用于降低混叠,提取图像的中间位置相应于所希望的最终FOV
  (8)用方格化核的反傅里叶变换除以中间像
  (9)如果需要实像或虚像,进行符号交替
  (10)计算最终图像,比例缩放。
【核磁共振成像】方格化重建,核磁共振成像,计算机视觉,论文阅读,图像处理,算法,数据分析,傅立叶分析,数据可视化

方格化流程,包括用FFT的图像重建

  方格化是一个局部过程,只需在原取样点附近执行
  为了节省计算时间,方格化核值通常不再对各个输出点计算。方格化核值只对相对小数量点计算,比如256点,并存在一个查找表中。如果同样的K空间轨迹用于重复的重建,并且有足够多存储器的话,第一个像之后所有像的重建时间可通过查表而大大节省


三、重建时间

   方格化重建 可分为三步:卷积、FFT和被方格化核的IFT除
  卷积步乘法运算次数输入数据样本数Ns乘以位于各输入样本的距离w内的均匀直线位置数。如果w是用均匀直线样本的单位给定的,乘运算次数对于1D方格化是wNs,对2D方格化是w^2Ns,以此类推。

  例如 在傅里叶变换中,一个复数函数的实部和虚部分别对应着信号的振幅和相位。如果一个信号的傅里叶变换F(k)的共轭F*(k)等于F(-k),那么这个信号的相位是对称的,即F(k)和F*(k)相位相等。相位信息可以用来描述信号的时间演化和频率成分

  受敲击的鼓面振幅沿半径方向的分布就是一个贝塞尔函数(考虑正负号)。实际上,这些振动是各阶贝塞尔函数的叠加

  根据图像阵列的特性,对其按下列步骤进行FFT变换
  (1)将图像数据阵列变换为按列存储,即从下到上,从左到右;
  (2)对每一列图像数据进行1-D FFT;
  (3)将按列处理后的数据结果存储,并对它们按原图像阵列的形式,即按行重新存储;
  (4)对重新排列的数据逐行进行1-D FFT;
  (5)将每行处理后的数据存储起来,即得到2-D 数字图像FFT结果。

  关于离散傅里叶变换变换:
  (1)实数信号变换的结果X[k]是一组复数,里面一半数据和另一半是共轭的。意味着N点DFT,只有N/2的数据是含有有用信息的。
  (2)用DFT的结果如何做频谱分析,即在采样频率为fs的情况下, x[n]的n只是一个离散的数值。


四、方格化核

  最佳1D方格化核g(K)是Kaiser-Bessel函数,在终像最逼近理想像(例如用共轭相位重建)的意义上说,Kaiser-Bessel函数作为方格化核能给出最佳结果
【核磁共振成像】方格化重建,核磁共振成像,计算机视觉,论文阅读,图像处理,算法,数据分析,傅立叶分析,数据可视化
  (a)图为Kaiser-Bessel函数(任意单位)作为K空间距离(以K空间为单位)的函数
  (b)图为Kaiser-Bessel函数(任意单位)的反傅里叶变换曲线作为图像视野L的函数,Kaiser-Bessel函数参数w=4,b=8文章来源地址https://www.toymoban.com/news/detail-684541.html

到了这里,关于【核磁共振成像】方格化重建的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • LabVIEW使用支持向量机对脑磁共振成像进行图像分类

    LabVIEW使用支持向量机对脑磁共振成像进行图像分类 医学成像是用于创建人体解剖学图像以进行临床研究、诊断和治疗的技术和过程。它现在是医疗技术发展最快的领域之一。通常用于获得医学图像的方式是X射线,计算机断层扫描(CT),磁共振成像(MRI)和超声成像。在医

    2024年02月15日
    浏览(46)
  • 【计算机视觉:算法和应用】第二章:图像形成——2.2相机辐射成像

           在对图像生成过程进行建模时,我们已经描述了世界中的三维几何特征是如何投影到图像中的二维特征的。然而,图像不是由二维特征组陈大哥,而是由离散的颜色或强度值组成的。这些值是哪里来的呢?他们是如何与环境中的光源,表面属性和几何,相机光学以及

    2024年02月03日
    浏览(56)
  • 计算机视觉之三维重建-SFM系统

    北邮三维重建课笔记 PnP问题:就是利用其中两个相机算出三维点坐标,再利用三维点坐标和第三个相机的像平面坐标求出第三个相机的外参数。(这样计算的速度快一点。) P3P求摄像机位姿。 思路:1.随机抽取两个点算出直线方程 2.算出其余点到这个直线的距离 3.设置阈值

    2023年04月09日
    浏览(52)
  • 计算机视觉之三维重建(5)---双目立体视觉

     如下图即是一个平行视图。特点:(1) 两个平面平行。 (2) 基线平行于图像平面,极点 e e e 和 e ′ e\\\' e ′ 位于无穷远处。  1. 对于基础矩阵我们有另一个表达式: F = e ′ × K ′ R K − 1 F=e\\\'×K\\\'RK^{−1} F = e ′ × K ′ R K − 1 ,推导过程如下所示。  2. 在平行视图情况下,极点

    2024年04月12日
    浏览(50)
  • 计算机视觉之三维重建(一)(摄像机几何)

    针孔摄像机 添加屏障: 使用针孔( o =光圈=针孔=摄像机中心),实现现实与成像一对一映射,减少模糊。其中针孔与像平面的距离为 f (焦距);虚拟像平面位于针孔与真实物体之间,与像平面互为倒立关系。 位置映射:利用相似三角形得到现实坐标在像平面上的映射坐标。 光

    2024年02月12日
    浏览(54)
  • 计算机视觉之三维重建(二)(摄像机标定)

    标定示意图 标定目标 P ′ = M P w = K [ R   T ] P w P^{\\\'}=MP_w=K[R space T]P_w P ′ = M P w ​ = K [ R   T ] P w ​ 其中 K K K 为内参数, [ R   T ] [R space T] [ R   T ] 为外参数。该式子需要使用至少六对内外点对进行求解内外参数(11个未知参数)。 其中 R 3 × 3 , T 3 × 1 R_{3 times 3}, T_{3 times

    2024年02月12日
    浏览(53)
  • 【计算机视觉|人脸建模】3D人脸重建基础知识(入门)

    本系列博文为深度学习/计算机视觉论文笔记,转载请注明出处 三维重建(3D Reconstruction)是指根据单视图或者多视图的图像重建三维信息的过程。 人工几何模型 仪器采集 基于图像的建模 描述 基于几何建模软件通过人机交互生成物体三维几何模型 基于结构光和激光扫描技术

    2024年02月14日
    浏览(61)
  • 计算机视觉新巅峰,微软&牛津联合提出MVSplat登顶3D重建

    3D场景重建和新视角合成是计算机视觉领域的一项基础挑战,尤其是当输入图像非常稀疏(例如,只有两张)时。尽管利用神经场景表示,例如场景表示网络(SRN)、神经辐射场(NeRF)和光场网络(LFN)等,取得了显著进展,但这些方法在实际应用中仍然不尽人意,原因包括

    2024年04月15日
    浏览(68)
  • 用 MATLAB 实现的计算机CT断层扫描图像重建项目源码

    计算机断层扫描图像重建 介绍 计算机断层扫描是堆叠在一起的 X 射线图像的集合,以获得作为诊断图像第三维的深度信息。这些 “ 堆叠的 ” X 射线图像作为正弦图从 CT 机架接收,代表对象单层的 X 射线吸收剖面。该项目的目标是重建该单层的原始 2D 图像,并使用光衰减信

    2024年02月04日
    浏览(44)
  • 【计算机视觉|人脸建模】深度学习时代的3D人脸重建调查报告

    本系列博文为深度学习/计算机视觉论文笔记,转载请注明出处 标题: 3D Face Reconstruction in Deep Learning Era: A Survey 链接:3D Face Reconstruction in Deep Learning Era: A Survey - PubMed (nih.gov) 随着深度学习的出现和图形处理单元的广泛应用,3D人脸重建已成为生物特征识别最引人入胜的主题。

    2024年02月14日
    浏览(60)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包