为什么通道合并是img.*conj(sens)? MRI多通道合并SNR最大化的数学证明

问题建模

信号模型

假设我们有N个接收线圈，在空间位置(x,y)处：

真实组织信号：$\rho(x,y)$（复数）
第i个线圈的敏感性：$C_i(x,y)$（复数）
第i个线圈接收到的信号：$S_i(x,y) = \rho(x,y) \cdot C_i(x,y) + n_i(x,y)$

其中$n_i(x,y)$是第i个线圈的噪声，假设：

各通道噪声独立：$E[n_i n_j^*] = 0, i \neq j$
噪声方差：$E[|n_i|^2] = \sigma^2$（假设各通道噪声功率相同）

线性合并

我们要找到最优权重$w_i$，使得合并后的信号：

\hat{\rho} = \sum_{i=1}^{N} w_i^* S_i

具有最大的信噪比。

SNR分析

合并后的信号功率

\text{Signal} = \left|\sum_{i=1}^{N} w_i^* S_i\right|^2 = \left|\sum_{i=1}^{N} w_i^* \rho C_i\right|^2 = |\rho|^2 \left|\sum_{i=1}^{N} w_i^* C_i\right|^2

合并后的噪声功率

由于各通道噪声独立：

\text{Noise} = E\left[\left|\sum_{i=1}^{N} w_i^* n_i\right|^2\right] = \sum_{i=1}^{N} |w_i|^2 E[|n_i|^2] = \sigma^2 \sum_{i=1}^{N} |w_i|^2

SNR表达式

\text{SNR} = \frac{|\rho|^2 \left|\sum_{i=1}^{N} w_i^* C_i\right|^2}{\sigma^2 \sum_{i=1}^{N} |w_i|^2}

由于$|\rho|^2$和$\sigma^2$是常数，我们要最大化：

f(\mathbf{w}) = \frac{\left|\sum_{i=1}^{N} w_i^* C_i\right|^2}{\sum_{i=1}^{N} |w_i|^2}

数学优化

向量表示

定义：

权重向量：$\mathbf{w} = [w_1, w_2, …, w_N]^T$
敏感性向量：$\mathbf{c} = [C_1, C_2, …, C_N]^T$

则目标函数变为：

f(\mathbf{w}) = \frac{|\mathbf{w}^H \mathbf{c}|^2}{\mathbf{w}^H \mathbf{w}}

其中$\mathbf{w}^H$表示$\mathbf{w}$的共轭转置。

拉格朗日乘数法

这是一个约束优化问题。我们可以固定分母$\mathbf{w}^H \mathbf{w} = \text{constant}$，最大化分子$|\mathbf{w}^H \mathbf{c}|^2$。

或者使用拉格朗日乘数法。令：

L = |\mathbf{w}^H \mathbf{c}|^2 - \lambda(\mathbf{w}^H \mathbf{w} - 1)

求导

注意$|\mathbf{w}^H \mathbf{c}|^2 = (\mathbf{w}^H \mathbf{c})(\mathbf{w}^H \mathbf{c})^* = (\mathbf{w}^H \mathbf{c})(\mathbf{c}^H \mathbf{w})$

对$\mathbf{w}^*$求偏导：

\frac{\partial L}{\partial \mathbf{w}^*} = \mathbf{c}(\mathbf{c}^H \mathbf{w}) - \lambda \mathbf{w} = 0

因此：

\mathbf{c}(\mathbf{c}^H \mathbf{w}) = \lambda \mathbf{w}

求解

这告诉我们$\mathbf{w}$与$\mathbf{c}$成正比：

\mathbf{w} = k \mathbf{c}

其中$k$是某个标量常数。

将此代入约束条件$\mathbf{w}^H \mathbf{w} = 1$：

|k|^2 \mathbf{c}^H \mathbf{c} = 1

所以：

k = \frac{1}{\sqrt{\mathbf{c}^H \mathbf{c}}} = \frac{1}{\sqrt{\sum_{i=1}^{N} |C_i|^2}}

最优权重

因此最优权重为：

\mathbf{w}_{\text{opt}} = \frac{\mathbf{c}}{\sqrt{\mathbf{c}^H \mathbf{c}}}

即：

w_i^* = \frac{C_i}{\sqrt{\sum_{j=1}^{N} |C_j|^2}}

取共轭得到：

w_i = \frac{C_i^*}{\sqrt{\sum_{j=1}^{N} |C_j|^2}}

最终合并公式

完整形式

\hat{\rho} = \sum_{i=1}^{N} w_i^* S_i = \sum_{i=1}^{N} \frac{C_i}{\sqrt{\sum_{j=1}^{N} |C_j|^2}} S_i

常用简化形式

在实践中，通常忽略归一化常数（因为它不影响相对信号强度），所以：

\hat{\rho} \propto \sum_{i=1}^{N} C_i^* S_i

这就是为什么要用 img .* conj(sens)！

验证：最大SNR值

将最优权重代入SNR表达式：

\text{SNR}_{\max} = \frac{|\rho|^2 \left|\sum_{i=1}^{N} \frac{C_i^*}{\sqrt{\sum_j |C_j|^2}} C_i\right|^2}{\sigma^2 \sum_{i=1}^{N} \left|\frac{C_i}{\sqrt{\sum_j |C_j|^2}}\right|^2}

= \frac{|\rho|^2 \left|\frac{\sum_{i=1}^{N} |C_i|^2}{\sqrt{\sum_j |C_j|^2}}\right|^2}{\sigma^2 \frac{\sum_{i=1}^{N} |C_i|^2}{\sum_j |C_j|^2}}

= \frac{|\rho|^2 \sum_{i=1}^{N} |C_i|^2}{\sigma^2}

这确实是最大可能的SNR！

物理意义

权重正比于敏感性的共轭：$w_i \propto C_i^*$
相位对齐：共轭操作确保所有通道信号同相叠加
幅度加权：敏感性高的通道权重大
最优性：这是理论上能达到的最大SNR

MATLAB实现验证

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33


function combined = optimal_combine(coil_images, sens_maps)
    % 最优合并
    numerator = sum(coil_images .* conj(sens_maps), 3);
    denominator = sum(abs(sens_maps).^2, 3);
    combined = numerator ./ (denominator + eps);
end

% 验证SNR最大化
function verify_optimality()
    % 创建测试数据
    [Nx, Ny, Nc] = [64, 64, 8];
    true_image = phantom(Nx);
    sens_maps = generate_sensitivity_maps(Nx, Ny, Nc);
    
    % 添加噪声
    noise_level = 0.1;
    coil_images = bsxfun(@times, true_image, sens_maps) + ...
                  noise_level * (randn(Nx,Ny,Nc) + 1j*randn(Nx,Ny,Nc));
    
    % 最优合并
    opt_combined = optimal_combine(coil_images, sens_maps);
    
    % SOS合并对比
    sos_combined = sqrt(sum(abs(coil_images).^2, 3));
    
    % 计算SNR
    snr_opt = calculate_snr(opt_combined, true_image);
    snr_sos = calculate_snr(sos_combined, true_image);
    
    fprintf('Optimal combining SNR: %.2f dB\n', snr_opt);
    fprintf('SOS combining SNR: %.2f dB\n', snr_sos);
    fprintf('SNR improvement: %.2f dB\n', snr_opt - snr_sos);
end

这就是严格的数学证明！关键在于这是一个二次优化问题，最优解就是敏感性向量本身（归一化后）。

文章目录