项目：人工智能与机器学习快速医学成像与高质量图像重建
内容：本项目主要由厦门大学计算感知实验室完成，项目依托人工智能与机器学习方法，进行快速高维高分辨磁共振医学成像、高质量图像重建和应用研究，主要包括人工智能成像、基于稀疏表示的压缩感知成像以及基于指数函数的低秩Hankel矩阵/张量图像重建等，相关方法也可以拓展到其它医学和光学成像等。
1 人工智能成像
1.1 基于迭代展开的多通道磁共振图像重建
磁共振成像被认为是无放射性的医学影像方法，广泛用于动物成像及人的大脑、心脏、肝脏等重要器官的检测，在生物医学研究和临床诊断上发挥着重要作用。但由于成像机制原因，高分辨率高信噪比的MRI成像速度较慢和图像重建速度慢，成为制约MRI深入应用的一大瓶颈。基于传统重建算法迭代展开，我们构建稀疏深度学习重建网络，实现了秒级超快速图像高质量重建，取得了比前沿算法更低重建误差和更鲁棒的重建结果。
相关成果：
1.2 基于多对比度图像的超分辨算法及其在MRI中的应用
基于多对比度图像在局部图案中具有相同的梯度方向这一假设，我们在不同对比度图像之间建立梯度值的关系模型，结合另一个对比度高分辨率图像的梯度信息来改善脑MRI的边缘，以进一步提高图像质量。该方法在合成和真实脑MRI图像上得到验证，并且比最先进的超分辨率方法获得更高的视觉质量和更高的客观质量标准。相关成果：
Hong Zheng, Kun Zeng, Di Guo, Jiaxi Ying, Yu Yang, Xi Peng, Feng Huang, Zhong Chen, Xiaobo Qu*. Multi-contrast brain MRI image super-resolution with gradient-guided edge enhancement, IEEE Access, 6: 57856-57867, 2018. (SCI, JCR 2, IF 4.09)
1.3 深度学习在轻度认知障碍MRI数据预测中的应用
轻度认知障碍是阿尔茨海默症的前驱期。识别转变为阿尔茨海默症的高风险的轻度认知障碍受试者对于有效治疗至关重要。我们提出了一种基于卷积神经网络的深度学习方法被设计用于利用MRI数据准确地预测轻度认知障碍到阿尔茨海默症的转换。该方法在阿尔茨海默病神经影像学倡议（ADNI）项目的标准化MRI数据集上得到验证。与其他最先进的方法相比，该方法比其他方法具有更高的准确度，同时在灵敏度和特异性之间保持良好的平衡。相关成果：
Weiming Lin, Tong Tong, Qinquan Gao, Di Guo, Xiaofeng Du, Yonggui Yang, Gang Guo, Min Xiao, Min Du*, Xiaobo Qu*. Convolutional neural networks-based MRI image analysis for the Alzheimer’s disease prediction from mild cognitive impairment, Frontiers in neuroscience, 12, 2018. (SCI, JCR 2, IF 3.57)
2 基于图像稀疏表示的压缩感知快速磁共振成像
2.1 基于Chirp脉冲的扩频MRI重建
我们提出了将二次相位成像对MRI的k空间的扩频功能与稀疏采样和图像重建结合，包括随机稀疏采样的二次相位成像序列和图像重建算法的设计。磁共振成像中，在相位编码方向施加线性调频的射频脉冲可以控制磁共振成像数据空间的能量扩散，空间编码的可控性实现了Chirp脉冲对K空间的能量调制，可以降低编码矩阵与稀疏变换矩阵的相干性。对扩频后的成像数据进行随机欠采，可以降低采样时间，然后利用提出的快速重建算法基于欠采的数据对图像进行稀疏重建。通过采用随机欠采磁共振信号和图像重建算法，达到降低成像时间、加快磁共振成像的目的。相关成果：
2.2 冗余稀疏表示的高质量图像重建模型与快速快速算法
映射快速迭代阈值算法(Projected Fast Iterative Thresholding Algorithm, pFISTA)在迭代过程中对图像进行操作，所以节省内存消耗，同时只引入一个参数，所以方便使用。我们分析了新算法的收敛条件，使得这个参数的设置更加方便。结果显示，新的算法收敛速度比当前最新的算法要快，而且对参数不敏感。相关成果：
Yunsong Liu, Zhifang Zhan, Jian-Feng Cai, Di Guo, Zhong Chen, Xiaobo Qu*. Projected iterative soft-thresholding algorithm for tight frames in compressed sensing magnetic resonance imaging, IEEE Transactions on Medical Imaging, 35(9): 2130-2140, 2016. (SCI, JCR 2, TOP Journal, IF 7.81, ESI高被引论文(扩展版))
Xinlin Zhang, Hengfa Lu, Di Guo, Lijun Bao, Feng Huang, Xiaobo Qu*, A convergence proof of projected fast iterative soft-thresholding algorithm for parallel magnetic resonance imaging, Submitted to IEEE Transactions on Computational Imaging, arXiv:1909.07600, 2019.
2.3 低复杂度自适应图像稀疏表示的MRI重建
2.3.1 基于自相似和互相似性的MRI图像重建
我们构建了非局部图像块操作算子(Patch-based Nonlocal Operator, PANO)来学习图像的自相似性或不同对比度图像的互相似性，并基于此来设计自适应的磁共振图像稀疏变换，然后利用交替迭代算法求解重建问题。实验结果表明，相对于对比的其它压缩感知MRI重建方法，新方法能有效降低重建误差，抑制欠采造成的伪影，提高重建图像质量。该方法可用于甚低采样率下的磁共振图像重建。相关成果：
Xiaobo Qu*, Yingkun Hou, Fan Lam, Di Guo, Jianhui Zhong, Zhong Chen*. Magnetic resonance image reconstruction from undersampled measurements using a patch-based nonlocal operator, Medical Image Analysis, 18(6): 843-856, 2014. (SCI, JCR 2, TOP journal, IF 8.88)
2.3.2 基于分类快速正交字典训练的磁共振图像稀疏重建
我们提出了基于快速多类正交字典训练的磁共振图像重建方法（FDLCP）。该方法按照图像块的几何方向对图像块进行分类；然后分别从分类后的图像块中训练正交自适应字典；最后将训练出来的多个字典用于磁共振图像重建。这中方法不仅能够利用训练多类字典来提高图像的稀疏表示能力，而且能保持训练正交字典的计算效率。仿真数据和人脑数据的重建对比结果表明利用本文的方法可以实现较少的图像重建误差，同时缩短图像重建时间。相关成果：
Zhifang Zhan, Jian-Feng Cai, Di Guo, Yunsong Liu, Zhong Chen, Xiaobo Qu*. Fast multiclass dictionaries learning with geometrical directions in MRI reconstruction, IEEE Transactions on Biomedical Engineering, 63(9):1850-1861, 2016. (SCI, JCR 2, IF 4.49)
屈小波，占志芳，刘运松，郭迪，陈忠. 一种磁共振图像的迭代重建方法, 中国发明专利，专利号：ZL201510181018.0，已授权.
2.3.3 基于Graph结构的MRI稀疏重建方法
我们首先构建了基于图像块的图(Graph)，并通过近似求解最短路径问题获得重排后变得平滑的磁共振图像，然后再利用传统的小波变化稀疏表示这一平滑的信号，最后利用交替方向乘子法求解基于这一新的自适应稀疏变换的磁共振图像重建问题。结果显示，新的方法重建图像的质量比最新的磁共振图像重建方法有显著提升，重建误差也明显更低。相关成果：
Zongying Lai#, Xiaobo Qu#*, Yunsong Liu, Di Guo, Jing Ye, Zhifang Zhan, Zhong Chen*. Image reconstruction of compressed sensing MRI using graph-based redundant wavelet transform, Medical Image Analysis, 27: 93-104, 2016. (# denotes co-first authorship) (SCI, JCR 2, TOP journal, IF 8.88)
2.3.4 基于图像块多方向小波的磁共振图像重建方法
我们提出了一种基于图像块的方向小波，用于从欠采样的k空间数据中重建图像。该方法从利用传统方法重建的图像中训练出参数化的图像块方向性小波，并将其引入到稀疏变换中，为重建图像提供稀疏表示。实验结果表明，该方法在保持边缘和抑制噪声方面优于传统的压缩感知方法。此外，该方法在训练方向时对初始图像不敏感。相关成果：
Xiaobo Qu, Di Guo, Bende Ning, Yingkun Hou, Yulan Lin, Shuhui Cai, Zhong Chen*.Undersampled MRI reconstruction with patch-based directional wavelets, Magnetic Resonance Imaging, 30(7):964-977, 2012. (SCI, JCR4, IF 2.11)
Bende Ning, Xiaobo Qu*, Di Guo, Changwei Hu, Zhong Chen*. Magnetic resonance image reconstruction using trained geometric directions in 2D redundant wavelets domain and non-convex optimization, Magnetic Resonance Imaging, 31(9):1611-1622, 2013. (SCI, JCR4, IF 2.11)
2.4 基于自适应稀疏表示的其它图像处理应用
2.4.1 基于图像互相似结构的图像融合方法
我们提出利用图像的自相似性构建自适应区域，并利用自动估计的深度信息校准融合指标，最终实现较好质量的图像融合。特别的，该方法在空间域融合，图像失真比较小。相关成果：
Xiaobo Qu, Jingwen Yan*, Hongzhi Xiao, Ziqian Zhu. Image Fusion Algorithm Based on Spatial Frequency-Motivated Pulse Coupled Neural Networks in Nonsubsampled Contourlet Transform Domain. Acta Automatica Sinica, 34(12): 1508-1514. 2008. (EI) (This paper is featured as Top 25 Hottest Articles of Acta Automatica Sinica in the years of 2010, 2011, 2012)
屈小波, 李磊, 赖宗英, 陈忠. 一种基于相似块的图像融合方法，中国发明专利，专利号：ZL201310198572.0，已授权
3 基于指数函数的低秩Hankel矩阵/张量图像重建
3.1 基于k空间Hankle低秩的快速采样并行MRI成像稀疏重建方法
MRI图像的k空间信号沿该维度构造的Hankle矩阵是低秩的，因此利用多通道MRI的k空间信号沿欠采样维度的Hankle低秩性，能够在不需要获取线圈灵敏度分布信息的情况下进行信号的稀疏重建。我们将其与传统多通道并行成像重建算法结合，利用线圈间信号的相关性，能够在相同的欠采样数量水平上，比单纯使用k空间数据的Hankle低秩性或单纯使用传统并行成像重建算法获得更多的图像细节信息，并且抑制混叠伪影的效果更好，也有利于减少所需的自导航参考信号采集数量。该方法已成功应用于脑部MRI的稀疏重建。相关成果：
屈小波. 一种多通道磁共振成像的图像重建方法, 2018 年12月，中国发明专利，申请号：2018114732569.
Xinlin Zhang, Di Guo, Yiman Huang, Ying Chen, Liansheng Wang, Feng Huang, Qin Xu, Xiaobo Qu*, Image reconstruction with low-rankness and self-consistency of k-space data in parallel MRI, Medical Image Analysis, 63: 101687, 2020. (SCI, JCR 2, TOP Journal, IF 8.88)
3.2 基于相位约束的低秩Hankel矩阵多激发扩散加权磁共振图像重建
扩散加权成像是一种无入侵的检测组织内水分子的扩散运动的方式。传统扩散加权成像是基于一种单激发的平面回波成像序列（EPI序列，这种序列采样速度快，受运动影响小，但是这种成像方式对不均匀场十分敏感，易使得图像在相位编码维变得扭曲，而且受限于采样带宽，难以采集高分辨率的图像。多激发平面回波成像方式减小了回波链长度，抵抗了不均匀场带来的影响，但是在扩散梯度的作用下，多次激发所采集到的图像间会有不同的相位，若直接将多激发所采集到的傅里叶空间数据直接合成，将会给图像带来伪影。典型的MUSE重建方法重建出的图像仍然有伪影。本文提出一种从多激发扩散加权图像中重建出无伪影高分辨率图像的方法。该方法利用多激发图像的相位平滑特性，构建一种结构化汉克尔矩阵的低秩重建模型。这种重建方法无需额外采集导航回波信息，不仅减少了采样时间，还避免了利用导航回波重建时，图像与导航回波间不匹配的问题。相关成果：
Yiman Huang, Xinlin Zhang, Hua Guo, Huijun Chen, Di Guo, Feng Huang, Qin Xu, Xiaobo Qu*, Phase-constrained reconstruction of high-resolution multi-shot diffusion weighted magnetic resonance image, Journal of Magnetic Resonance, 312: 106690, 2020. (SCI, JCR 3, IF 2.69)
屈小波. 一种高分辨率扩散加权图像重建方法，中国发明专利，申请日：2019年9月29日，申请号：201910934039.3
