(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210598341.8 (22)申请日 2022.05.30 (71)申请人 何诗跃 地址 550002 贵州省贵阳市南明区中山 东 路83号 (72)发明人 何诗跃　 (74)专利代理 机构 北京鼎德宝 专利代理事务所 (特殊普通 合伙) 11823 专利代理师 王媛 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/10(2006.01) G06V 10/74(2022.01) G06V 10/764(2022.01) (54)发明名称 一种前列腺MRI图像的处 理方法 (57)摘要 本发明公开了一种前列腺MRI图像的处理方 法， 包括以下步骤： A、 建立图像 重构模型 其中， s为重构后的图像， E为原始图像， P为相位 因子， φ为小波变换算子， φH为φ的伴随算子， | |·||TV为全变分正则化项， || ·||1为L1范数， | |·||2为L2范数， α和β为正则化参数； B、 使用 梯度下降法分别求解 α||s||TV和 β||ΦH S||1； C、 划定步骤B中得到的s的三个最优 解的共同有效范围， 在滑动的共同有效范围内使 用收缩算子对s进行逼近求解。 本发明能够改进 现有技术的不足， 提高前列腺核磁共振图像的成 像质量。 权利要求书1页 说明书3页 附图1页 CN 114862827 A 2022.08.05 CN 114862827 A 1.一种前列腺MRI图像的处 理方法， 其特 征在于包括以下步骤： A、 建立图像重构模型 其中， s为重构后的图像， E为原始图像， P为相位因子， φ为小波变换算子， φH为φ的伴 随算子， || ·||TV为全变分正则化项， || ·||1为L1范数， || ·||2为L2范数， α和β 为正则化参 数； B、 使用梯度下降法分别求 解 α ||s||TV和β ||ΦHs||1； C、 划定步骤B中得到的s的三个最优解的共同有效范围， 在滑动的共同有效范围内使用 收缩算子对s进行逼近求 解。 2.根据权利要求1所述的前列腺MRI图像的处理方法， 其特征在于： 步骤B中， 迭代过程 中P保持不变， α 和β 进行迭代更新。 3.根据权利 要求2所述的前列腺MRI图像的处理方法， 其特征在于： 步骤B中， α 的迭代更 新方法为， αk+1＝Dsk+αk‑ρ log2(xy)， 其中， D为梯度算子， ρ 为非零常数， sk为第k次迭代后的图像， αk和αk+1分别为第k次迭代 和第k+1次迭代后的正则化参数， x为第k次迭代后图像的长度， y为第k次迭代后图像的宽 度。 4.根据权利 要求2所述的前列腺MRI图像的处理方法， 其特征在于： 步骤B中， β 的迭代更 新方法为， βk+1＝Φ‑1Sk+βk， 其中， Φ‑1为小波逆变 换算子， sk为第k次迭代后的图像， βk和βk+1分别为第k次迭代和第k +1次迭代后的正则化 参数。 5.根据权利 要求1所述的前列腺MRI图像的处理方法， 其特征在于： 步骤C中， 在对s进行 逼近求解时， 每次迭代后根据图像中目标区域的分割 结果对s最优解的共同有效范围进行 更新。 6.根据权利要求5所述的前列腺MRI图像的处理方法， 其特征在于： 步骤C中， 分割图像 中的目标区域包括以下步骤， C1、 对图像进行下采样， 得到图像特征， 然后对图像特征进行上采样， 提高图像特征的 显著性； C2、 重复步骤C1， 直至图像特 征的显著性达 到预设水平； C3、 将图像特征输入KNN模型， 得到的分类结果中与目标 区域特征相似度最大的一类即 为目标区域。权　利　要　求　书 1/1 页 2 CN 114862827 A 2一种前列腺MRI图像的处理 方法 技术领域 [0001]本发明涉及MRI图像处 理技术领域， 尤其是一种前列腺MRI图像的处 理方法。 背景技术 [0002]前列腺的非侵入式检查中， 除了传统的B超以外， 核磁共振是近些年逐渐普及的另 一种检查手段。 核磁共振对于B超来说， 具有更好的软组织分辨能力。 而核磁共振检查的基 础就在于生成清晰、 准确的核磁共振图像。 所以如何提高核磁共振图像的成像质量成为了 本领域的研究热点之一。 发明内容 [0003]本发明要解决的技术问题是提供一种前列腺MRI图像 的处理方法， 能够解决现有 技术的不足， 提高前列腺核磁共 振图像的成像质量。 [0004]为解决上述 技术问题， 本发明所采取的技 术方案如下。 [0005]一种前列腺MRI图像的处 理方法， 包括以下步骤： [0006]A、 建立图像重构模型 [0007] [0008]其中， s为重构后的图像， E为原始图像， P为相位因子， Φ为小波变换算子， ΦH为Φ 的伴随算子， || ·||TV为全变分正则化项， || ·||1为L1范数， || ·||2为L2范数， α和β 为正则 化参数； [0009]B、 使用梯度下降法分别求 解 α ||s||TV和β ||ΦHs||1； [0010]C、 划定步骤B中得到的s的三个最优解的共同有效范围， 在滑动的共同有效范围内 使用收缩算子对s进行逼近求 解。 [0011]作为优选， 步骤B中， 迭代过程中P保持不变， α 和β 进行迭代更新。 [0012]作为优选， 步骤B中， α 的迭代更新方法为， [0013]αk+1＝Dsk+αk‑ρ log2(xy)， [0014]其中， D为梯度算子， ρ 为非零常数， sk为第k次迭代后的图像， αk和αk+1分别为第k次 迭代和第k +1次迭代后的正则化参数， x为第k次迭代后图像的长度， y为第k次迭代后图像的 宽度。 [0015]作为优选， 步骤B中， β 的迭代更新方法为， [0016]βk+1＝Φ‑1sk+βk， [0017]其中， Φ‑1为小波逆变换算子， sk为第k次迭代后的图像， βk和βk+1分别为第k次迭代 和第k+1次迭代后的正则化 参数。 [0018]作为优选， 步骤C中， 在对s进行逼近求解时， 每次迭代后根据图像中目标区域的分 割结果对s最优解的共同有效范围进行 更新。说　明　书 1/3 页 3 CN 114862827 A 3