基于卷积神经网络的磁共振图像重建方法研究
发布时间：2021-06-21 08:46
磁共振成像（Magnetic Resonance Imaging,MRI）具有无电离辐射、成像对比度高等优点,在医学的各类检测中占有相当大的比重,但是其在临床方面的应用相对局限,这与其成像速度慢,成像质量容易受到检查者的生理和非自主运动的影响分不开。为了减少扫描时间,加快成像速度,可以减少MR频域数据的采集,通过采集少量数据重建出高质量的MR图像是磁共振图像重建课题的一个重要研究内容。然而欠采样方式违背了奈奎斯特采样定律,直接重建会产生具有伪影的图像,传统MR图像重建方法一般使用正则化方法进行重建,利用MR图像的低秩性、稀疏性作为约束项,然后使用非线性算法求解优化方程,计算复杂度较大且重建实时性有待提升。近年来,卷积神经网络在自然图像处理方面表现优越,但是在MR图像处理方面有待深层次的探索,因此本文的主要研究内容是基于卷积神经网络的磁共振图像重建方法。卷积神经网络在自然图像处理方面具有很多网络结构,但是与之百万级的数据量相比,磁共振图像数量稀缺,很多网络不能直接用于MR图像重建,本文首先研究了目前用于磁共振图像重建的几类卷积网络,一类为自然图像处理中使用较为广泛的网络,如U-net、G...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
论文内容整体框图
哈尔滨工业大学工学硕士学位论文第2章 面向 MR 图像重建的卷积神经网络神经网络在自然图像处理方面表现优异，取得不错的效果。本章经网络的磁共振图像重建模型及面向 MR 图像重建的几类常见卷积神经网络的 MR 图像重建模型学习尤其是卷积神经网络，自 2012 年在 ImageNet 图像分类竞，在自然图像处理方面发展飞速，然而直到 2016 年才应用到与 MR 图像重建中，这表明了 MR 图像处理和自然图像处理存在一然图像数据量远超 MR 图像，应用在自然图像处理方面的网络数量巨大，直接用于 MR 图像重建极易产生过拟合。其次，自通道的实数数据组成，而 MR 图像数据是单通道的，并且为复
2-1 虚线框所示。利用训练得到的最优化网络（g），输入获取的直接重建像便可得到可以用于医疗诊断的高质量的图像，实现图像的重建。虽然深度学习在自然图像处理方面的网络结构有很多，但在磁共振图像，由于数据稀缺，可用的网络结构并不多，大致可以分为以下两类：自然常用网络和与传统迭代算法相结合的简单神经网络，前者主要有改进的 等网络。基于 U-net 和 GAN 的 MR 图像重建1 基于 U-net 的 MR 图像重建U-net 可以看作是一种编码器-解码器结构，如图 2-2 所示。左侧的编码器卷积层还具有池化层，通过池化层可以逐渐减少图像的空间维度，因此具图像视野，但是却损失了图像的细节信息，右侧的解码器与编码器相对渐增加图像的空间维度，这得益于其具有的反卷积结构。编码器和解码器连接，使得解码器在增加空间维度的同时，最大可能的保留图像的细节。用于图像分割，具有多级分解、视野大等优点。
【参考文献】：
期刊论文
[1]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[2]基于SENSE和GRAPPA的并行磁共振图像重建算法[J]. 陈蓝钰,常严,王雷,徐雅洁,张广才,杨晓冬. 中国医学物理学杂志. 2015(05)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[4]并行磁共振成像的回顾、现状与发展前景[J]. 陈武凡. 中国生物医学工程学报. 2005(06)
[5]多线圈并行成像技术[J]. 程流泉. 中国医学影像学杂志. 2002(04)
博士论文
[1]关节软骨生物力学特性的超声测量方法研究[D]. 孙安玉.浙江大学 2015
硕士论文
[1]智能机器人技术的伦理维度审视[D]. 陈赫.南昌大学 2018
[2]基于压缩感知的磁共振图像重建算法研究[D]. 孙楠.西南交通大学 2017
本文编号：3240367
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
论文内容整体框图
哈尔滨工业大学工学硕士学位论文第2章 面向 MR 图像重建的卷积神经网络神经网络在自然图像处理方面表现优异，取得不错的效果。本章经网络的磁共振图像重建模型及面向 MR 图像重建的几类常见卷积神经网络的 MR 图像重建模型学习尤其是卷积神经网络，自 2012 年在 ImageNet 图像分类竞，在自然图像处理方面发展飞速，然而直到 2016 年才应用到与 MR 图像重建中，这表明了 MR 图像处理和自然图像处理存在一然图像数据量远超 MR 图像，应用在自然图像处理方面的网络数量巨大，直接用于 MR 图像重建极易产生过拟合。其次，自通道的实数数据组成，而 MR 图像数据是单通道的，并且为复
2-1 虚线框所示。利用训练得到的最优化网络（g），输入获取的直接重建像便可得到可以用于医疗诊断的高质量的图像，实现图像的重建。虽然深度学习在自然图像处理方面的网络结构有很多，但在磁共振图像，由于数据稀缺，可用的网络结构并不多，大致可以分为以下两类：自然常用网络和与传统迭代算法相结合的简单神经网络，前者主要有改进的 等网络。基于 U-net 和 GAN 的 MR 图像重建1 基于 U-net 的 MR 图像重建U-net 可以看作是一种编码器-解码器结构，如图 2-2 所示。左侧的编码器卷积层还具有池化层，通过池化层可以逐渐减少图像的空间维度，因此具图像视野，但是却损失了图像的细节信息，右侧的解码器与编码器相对渐增加图像的空间维度，这得益于其具有的反卷积结构。编码器和解码器连接，使得解码器在增加空间维度的同时，最大可能的保留图像的细节。用于图像分割，具有多级分解、视野大等优点。
【参考文献】：
期刊论文
[1]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang. IEEE/CAA Journal of Automatica Sinica. 2016(02)
[2]基于SENSE和GRAPPA的并行磁共振图像重建算法[J]. 陈蓝钰,常严,王雷,徐雅洁,张广才,杨晓冬. 中国医学物理学杂志. 2015(05)
[3]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[4]并行磁共振成像的回顾、现状与发展前景[J]. 陈武凡. 中国生物医学工程学报. 2005(06)
[5]多线圈并行成像技术[J]. 程流泉. 中国医学影像学杂志. 2002(04)
博士论文
[1]关节软骨生物力学特性的超声测量方法研究[D]. 孙安玉.浙江大学 2015
硕士论文
[1]智能机器人技术的伦理维度审视[D]. 陈赫.南昌大学 2018
[2]基于压缩感知的磁共振图像重建算法研究[D]. 孙楠.西南交通大学 2017
本文编号：3240367
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3240367.html
最近更新
教材专著
