文摘

diffusion-weighted成像的空间分辨率(驾车)是有限的几个生理和临床因素,如实际扫描时间。插值方法,广泛用于提高分辨率,常常导致模糊边缘。先进的超限分辨扫描获得与特定的协议和长时间采集图像。在本文中,我们提出一种新颖的单图像超限分辨(SR)方法,介绍了高阶圣言(HOSVD)规范patch-based SR框架驾车数据集。该方法是一种自适应的基础上实现了一个更精确的重建高分辨率驾车数据集。同时,内在维度HOSVD也有利于减少财产的减少计算负担。实验结果从合成和真实的酒后驾驶数据表明,该方法增强了细节重构高分辨率酒后驾驶数据集和优于传统插值方法和外地upsampling等技术。

1。介绍

Diffusion-weighted成像(驾车)是一种无创性磁共振模式可以用来推断局部组织解剖学的特点,从水中组成,微观结构位移测量(1]。水不扩散同样在整个大脑和该属性已经得到了广泛的应用在活的有机体内白质结构的分析和神经疾病(2,3]。尽管这种技术的迅速发展和广泛应用各向异性扩散特性,醉酒驾车展览一个固有的低信噪比(信噪比)与其他成像方法相比。此外,由于醉酒驾车在多个方向,实现EPI扫描下的空间分辨率是相对贫穷的有限物理和临床因素如持久的扫描时间的病人。

已经表明,有限的决议酒后介绍部分体积效应(牛皮纸),结果偏差在醉酒驾车成像分析(4]。醉酒驾车的提高空间分辨率高的信噪比为大脑结构的分析提供了一个更好的敏感性和临床疾病5,6]。此外,高分辨率醉酒驾车可以改善扩散张量成像的估计精度,从而证明是有益的纤维tractography和细束分析(7]。

在文献中提出了几种方法来提高驾车的空间分辨率。在采购阶段,长时间收购仍然是一个主要的障碍阻止的方法是临床真正的兴趣。例如,米勒et al。8)实施五天的扫描获取后期高分辨率与高信噪比醉酒驾车。为了避免长时间扫描,超限分辨(SR)收购成为一种有效的技术,最初提出了核磁共振,但很快就适应了醉酒驾车。亚像素变化的平面尺寸提出了多个低分辨率图像重建获得到更高分辨率的图像(9]。各向异性扫描另一个策略是用于获得低分辨率图像重建。谢勒et al。10)采用最大后验估计的正交各向异性收购重建各向同性高分辨率驾车图像。

与SR收购中实现特定的扫描协议,SR算法在后处理阶段一直参与现场SR重建图像。这种方法类别无关的收购协议,曾在MRI上实现。最直观的方法来提高分辨率插值方法,如双三次的和b样条插值(11]。这些方法估计新压根据一些平滑假设无效的不均匀区域。因此,插值方法通常导致线模糊边缘和工件。如今,先进的超限分辨算法对场景图像提出了磁共振成像和主要的思想是重建高分辨率图像内容的信息。Manjon et al。12)外地估计重建高分辨率核磁共振成像使用一个低分辨率的数据集。卢梭(13涉及到多峰性核磁共振提高SR质量。双门跑车等。7)实施了非局部估计也在醉酒驾车和合并 提高重建结果的信息。稀疏表示,最近的趋势在信号和图像处理,也被有效地在MRI中实现。埃达et al。14]重建单个核磁共振数据集的基于先验知识与pretrained overcomplete字典。陈等人。15]扩展与非负稀疏表示的表达式,从而消除噪音和superresolve两套在一起。

大多数目前使用老方法是基于MRI形态结构,适用于醉酒驾车时,应考虑联合信息更好的重建(16]。从相邻扫描获得的联合信息来自冗余的方向。这额外的信息有利于提高空间分辨率酒后驾车。单值分解)中起着重要的作用减少低维数据和高维数据是一个经典的方法参与逆问题,如去噪(17)和修复(18]。最近,高阶单值分解(HOSVD)被用来概括一个矩阵的奇异值分解成一个高阶矩阵和提供了一个简单而优雅的方法来处理类似的补丁(19]。此外,HOSVD基础是改编自稀疏表示图像内容,可能达到比固定的基础。在本文中,我们提出一个新颖的SR方法使用HOSVD醉酒驾车的数据集。类似于外地patch-based SR方法成功地实现了对核磁共振和醉酒驾车7,12,13),HOSVD被用来构造方法的正则化框架。HOSVD SR方法的价值源于自适应HOSVD基础导致更准确的重建。HOSVD也只是在类似补丁堆栈实现的,同时,有效地降低了计算复杂度。对酒后驾驶这是特别有用,因为共同的参与信息从相邻方向驾车数据集大大增加了计算负担(16]。

本文的其余部分组织如下:首先详细描述该方法,然后将它应用到合成和在活的有机体内酒后驾驶数据集实验评估。实验结果和计算效率中演示了一节4并给出结论5。

2。方法

老形象会导致一个不适定反问题是有关LR的形象 和人力资源形象 ;一般的模型可以表示如下: 在哪里 代表采集噪声, 代表杀害多人者操作符, 代表了退化函数(7,12,13]。

基于该模型,SR图像可以被最小化一个最小二乘估计成本函数如下:

对于这样的逆问题,正则化项应该添加稳定收敛;因此,人力资源的形象 可以从LR观察估计 使用以下方程: 在哪里 正则化项, 是一个忠诚的术语, 是一个平衡参数。所展示的双门跑车等。7),外地补丁方法可以是一个有效的方式来定义正则化项。而不是使用非局部均值估计量,我们建议使用高阶奇异值分解的实现作为估计在这项研究中,由于其简单的应用程序,并承诺性能(19]。

HOSVD估计集群类似补丁到一个堆栈,的方式类似于其他patch-based方法(7,12),然后执行一个HOSVD转换获取HOSVD基础和系数。截断后的系数,然后补丁由HOSVD逆变换重建。

有鉴于此,正则化项超限分辨过程(3)可以定义如下: 在哪里 估计是HOSVD基地。

给定一个 补丁 集中在 ,我们定义 (包括类似补丁 ), ,在那里 , 获得如下类似补丁。

让我们表示 随着堆栈 ;协议栈的HOSVD可以被定义为(20.] 在哪里 是一组高阶张量的系数矩阵 , 代表了 th模式中定义的张量积(20.),而 , , 是标准正交酉矩阵。

应用HOSVD变换后,补丁可以被取消估计系数假设清廉形象有稀疏的系数分布。显示在[19),系数可以截断使用硬阈值如下: 在哪里 表示定义的硬阈值 堆栈的 补丁的大小 。如前所述(20.),系数张量年代不一定是积极和硬阈值被定义为系数的绝对值数组: 在哪里 表示 张量的th元素 。

截断后,堆栈 重建与截断使用反相变换系数获得最后HOSVD估计量 :

自驾车的数据集是三维的,上面的方法应该扩展到包括四阶HOSVD变换与3 d相似栈补丁。除此之外,门槛应该修改 堆栈的大小 。

在[12),平均一致性校正后与物理收购模型估计量,以确保一致性。这是实现保真项:

这样做是完整的位置 LR的数据集在二次抽样一致性对重建的补丁。最后,总结了迭代过程(8)和(9应用),直到收敛。 神经网络是最近邻插值,在哪里 是迭代数。

为了进一步提高SR性能,提出HOSVD SR方法可以增强使用联合信息从相邻方向驾车数据集[16]。为每一个补丁 ,相应的堆栈 是由 类似的补丁是决定如下:距离阈值选择所有的补丁 被选为 ,在那里 噪声的方差。这个阈值之间的平衡中所示的估计精度和计算速度(19]。介绍了联合信息通过扩大搜索窗口 相邻的酒后驾驶数据集, 被定义为 和 表示 之前和之后的方向。摘要HOSVD超限分辨方法使用联合信息在多个方向称为HOSVD-M。

3所示。实验

为了定量评估重建的质量,介绍了b样条插值,醉酒驾车分辨率增强的文献[21,22),用于比较。除此之外,一个外地的老方法的图像(12]也涉及到一个有效的外地patch-based SR方法比较的目的。在本节中,合成和在活的有机体内数据集实施进行评估。补丁的大小 经验设置为5,建议在23),主要用于去噪和还演示了健壮的结果在这个工作。平衡参数 在所有的实验设置为0.01。以来为这个参数敏感性分析表明,生成的值在0.001和0.2之间只有不到0.1 dB PSNR值的变化,这意味着重建几乎没有这个参数的依赖性也观察到在文献[14]。

模拟数据集没有噪音被选为地面真理,它由3 d结构领域提出了重建的挑战[现成的在2012年24),占据了一个16×16×5卷,模仿现实的3 d系统配置。如图1(一),这个数据集是由五个不同的纤维束产生弯曲的空间的配置,穿越,亲吻大片。纤维束都具有0.75和0.90之间的分数各向异性。更好地探索该方法,这种合成数据集也被Rician噪声(信噪比= 30)作为显示在图1 (e)。原始数据集和嘈杂的设置被因素downsampled 2使用最近邻插值在每个轴。之后,LR数据集被superresolved使用b样条方法,非局部方法和该方法。除了视觉比较显示在图1,角精度也测量了用于定量评价(24]。的角精度估计的方向纤维隔间评估中位数之间的平均误差(度)估计各体素中呈现纤维方向和真正的方向: 在统一的向量 和 人口是一个真正的纤维的体素和最近的估计的方向。为进一步分析,所有体素的平均误差计算和box-and-whisker中演示图。箱子的上下边缘是75和25百分位,分别;最小的和最大的两端须观察。均值和中位数演示了使用红点和线,和为每个重建数据集,2%的最差结果被选为异常值,消除异常的结果。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
图1
原则特征向量的张量模型应用于合成幻影。(a)原始数据集,幻影数据重建使用(b) b样,(c)非局部方法,提出HOSVD (d), (e)拟议中的HOSVD-M。(f)的幽灵(信噪比= 30)和幻影数据集重新使用(g) b样,(h)非局部方法,(我)拟议中的HOSVD,拟议中的HOSVD-M (j)。

的在活的有机体内醉酒驾车的数据集使用7 t飞利浦收购阿奇沃全身扫描仪(飞利浦医疗保健、克利夫兰、哦)配备一个卷头线圈传输和32频道。DW双旋转回声,感觉加速msh-EPI被用来获得酒后驾驶数据( 价值:700年代/毫米2;15扩散方向),FOV = 210×30×21毫米3矩阵大小= 300×300 15片,和空间分辨率为0.7×0.7×2毫米3。为了验证该方法定量和定性,构造了基于金本位形象在活的有机体内人力资源驾车数据集。这是计算平均10收购的高分辨率DW图像在图像空间(0.7×0.7×2毫米3)。LR图像被用于实验和模拟,将采样的黄金标准使用最近邻插值因子2在每个轴(即, ),导致模拟LR的图像大小1.4×1.4×4毫米3。

为了定量评价superresolved酒后驾驶数据集,两个客观的测量矩阵,即峰值信噪比(PSNR)和结构相似度(SSIM) [25),使用。PSNR措施的程度噪声抑制和SSIM指标之间的结构和知觉相似性原始和重建的图像: 在哪里 和 图像的平均值吗 和 。条款 和 的标准偏差 和 分别 它们之间的协方差,常量 和 选为建议(25]。

张量的估计在活的有机体内醉酒驾车的数据集是superresolved数据集之间的定量评估和黄金标准。首先,扩散张量场和主要特征向量计算使用卡米诺(26),显示在图1;图2包含均角误差估计(11)。分数各向异性(FA)地图和colormap估计DTI计算和显示的比较。最后,张量的主要方向是视觉比较还演示了。

(一)
(一)
(b)
(b)
图2
box-and-whisker图分布的角精度 。在每一个盒子,盒子的边缘代表第25和第75百分位数,而均值和中位数为红点和线,分别。胡须扩展到最小的和最大的观测数据,2%的最差结果视为离群值分别绘制蓝点。

4所示。结果

图1说明了张量模型的特征向量原理合成幻影和结果使用b样条插值重构,外地upsampling HOSVD提议,提议HOSVD-M。很明显从结果图中,superresolved方法显著优于插值方法。该方法实现最好的结果,通过目测,嘈杂的和没有噪音的配置。这可能是由于自适应HOSVD基地来自堆叠补丁,这是更适合重建。提供了图定量比较2为更全面的评估。预期的重建使用插值方法显然不能反映为最高 价值在原始和嘈杂的幻影数据集。与此同时,提出HOSVD HOSVD方法达到最低的最佳重建质量 价值和显著的稳定性。图中可以看到2(一个)在原始数据集,提出两种HOSVD方法实现窄角误差分布与其他方法相比。除此之外,在嘈杂的数据集(图2 (b)),提出HOSVD-M成果较低的均值和中位数比NLM方法。此外,HOSVD方法证明合理的稳定与异常值显著低于NLM的方法。

重建的结果在活的有机体内酒后驾驶数据证明了定量和定性数据3和4,分别。图3显示了PSNR和SSIM重建驾车数据集使用上面的方法。正如前面指出,patch-based SR方法明显优于插值方法。拟议中的HOSVD方法优于外地upsampling方法在大多数扩散方向和HOSVD-M方法在大多数人取得最好的结果。图4显示了一个重建的酒后驾驶的视觉对比图像。插值结果(图4 (b))是模糊的。使用该方法图像重建是最类似于原始图像。扩大区域(图4(左))表明该HOSVD显然重建裂缝区域的空间特性如红色箭头表示,作为与同一地区重建的其他方法相比,边缘的模糊,难以区分。

(一)
(一)
(b)
(b)
图3
PSNR和SSIM估计之间的黄金标准和图像重建的模拟LR的形象。(一)情节显示方法相比的PSNR值。(b)情节显示SSIM的比较方法。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
图4
Diffusion-weighted图像重建测试使用不同方法获得的。(一)的黄金标准。(b) downsampled数据集。(c) b样条重建的结果,(d)非局部方法,提出HOSVD (e), (f)拟议中的HOSVD-M。放大的细节(g)金本位制,(h) downsampled数据集,(i) b样条重建、(j)非局部方法,提出HOSVD (k), (l)拟议中的HOSVD-M。

数据5和6演示使用superresolved醉酒驾车的张量估计结果数据集。图5显示了估计的DTI的FA地图数据集。拟议中的HOSVD-M方法实现最好的结果扩大地区和保留大部分的结构和组织从原始图像。它可以更清楚地看到,在剩余地图,结果HOSVD-M仍少与他人相比,结构信息。纤维方向表明FA colormap如图6。它可以观察到在图6 (e)拟议中的HOSVD-M获得强劲的方向重建结果。例如,在胼胝体包,大部分压保持不变的颜色。这与图一致7 (f)的主要特征向量在胼胝体压保持同一个方向。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
(k)
(k)
(左)
(左)
(m)
(m)
(n)
(n)
图5
FA地图使用金本位和其他几个方法估计。(一)使用金本位FA地图估计;FA地图获得重建数据集使用(b) b样条,(c)非局部方法,提出HOSVD (d), (e)拟议中的HOSVD-M。放大的细节(f)黄金标准,(g) b样条重建、(h)非局部方法,(我)拟议中的HOSVD,拟议中的HOSVD-M (j)。红色的roi显示详细的重建。视觉上,英足总地图获得使用该方法更接近黄金标准的英足总。足总剩余(k)的b样条,(l)非局部方法,提出HOSVD (m),提出HOSVD-M (n)。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图6
(一)FA colormap黄金标准;FA colormaps为重建数据集使用(b) b样条,(c)非局部方法,提出HOSVD (d), (e)拟议中的HOSVD-M。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
图7
扩散张量估计在一个中央部分,集中和放大胼胝体。(一)张量估计黄金标准;红色的roi显示详细的重建。张量估计重建数据集(b)使用b样条,(c)非局部方法,提出HOSVD (d), (e)拟议中的HOSVD-M。蓝贴表示扩散张量的主要特征向量。

另外,我们应用我们的直接方法在活的有机体内黄金标准驾车数据集。图8使用不同的方法显示了重建的结果。因为它可以观察到,该方法实现了合理的重建。红色箭头指出,HOSVD-M保留细节和重建的显式裂纹边界进一步应用程序可能是有益的。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图8
Diffusion-weighted图像重建在活的有机体内黄金标准的数据集。该决议从而增加从0.7×0.7×2毫米30.35×0.35×1毫米3。(一)的黄金标准。(b) b样条重建的结果,(c)非局部方法,提出HOSVD (d), (e)拟议中的HOSVD-M。

5。讨论和结论

在这项工作中,我们研究了小说patch-based单一图像超限分辨方法增加酒后驾驶数据集的空间分辨率。该方法引入HOSVD SR框架作为正则化项来取得更好的图像重建和更有效的计算。联合信息从相邻的醉酒驾车还涉及进一步改进的方向。合成和在活的有机体内酒后驾驶数据集实施评价的驾车重建和DTI估计。

与传统的插值和patch-based SR方法相比,所做的改进提出HOSVD方法可以导致两个特性。首先是适应HOSVD基础从一堆获得类似的补丁。这种技术获得基地自适应,根据图像内容,实现更有效的重建结果。第二个特点是引入联合信息从相邻方向驾车数据集。如前所述(16),相邻方向包含大量的冗余和形象的封装处理和相邻方向重建有效的好处。

patch-based方法的计算复杂度是另一个重要的问题以及驾车处理。所有实验进行了MATLAB R2013b PC上运行在Windows 7中,英特尔的处理器核心i7 - 4600 u (R)和8 GB的RAM。对于一个典型的醉酒驾车与一个矩阵数据集大小为128×128,60片,和32的方向,运行时的一个方向是外地upsampling大约8分钟,拟议中的HOSVD 3分钟,5分钟HOSVD-M提议。这种速度的增加可能是由于一个固有的圣言的维度降低属性以及HOSVD。具体地说,与非局部方法相比,平均每一个补丁估计重建的补丁,补丁的方法只操纵部分相似度高。这导致更快的收敛速度。我们也希望在图形处理单元并行计算的实现可能会进一步加快重建。这将在未来的研究需要进一步研究。

在本文中,我们提出了一个patch-based单一图像超限分辨方法涉及应用高阶圣言会酒后驾驶数据集。自适应HOSVD基地从图像获得确保更准确的图像重建和操纵的类似补丁栈导致减少计算复杂度。定量和定性的比较传统的插值和外地patch-based方法演示的竞争结果驾车重建和DTI估计。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项工作是由中国国家基础研究计划(973计划)2014 cb360506和国家科学基金会的中国(批准号61303126)。