基于Wasserstein生成对抗网络的磁共振图像重构方法研究
发布时间：2021-09-17 07:45
磁共振成像（Magnetic resonance imaging,MRI）在医学上是一种常见的影像成像方法,可以无创的对内部组织结构进行成像,其成像过程是先在频域中进行信号采集,再将采集的信号变换到时域完成成像,其拥有成像分辨率高、扫描无辐射等优点。但由于扫描时间过长,患者难以忍受长时间保持固定姿势,且成像精度易受到生理性运动的影响,产生运动伪影。传统的磁共振图像重构算法中,通常是利用压缩感知（Compressed Sensing）来实现欠采样磁共振数据的恢复,但是在低采样率下重构效果有待提高。随着深度学习（Deep Learning）技术的发展,基于神经网络的磁共振图像重构技术成为了快速磁共振成像研究的重点。本文主要围绕深度学习中Wasserstein生成对抗网络模型（Wasserstein Generative Adversarial Network,WGAN）来重构磁共振图像,具体的研究内容如下:（1）提出了一种基于微调Wasserstein生成对抗网络（De-aliasing Fine-tuning Wasserstein Generative Adversarial Netw...
【文章来源】：浙江理工大学浙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２．１基于压缩感知的磁共振图像重构原理??对于ＣＳ－ＭＲＩ问题，为获得欠采样ＭＲＩ，我们要使用不同的采样模式在Ｋ空间中采集??数据
浙江理工大学硕士学位论文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成对抗网络的磁共振图像重构方法研究??伪影不连贯，有效地提升图像的轮廓。但是这种采样模式被磁共振系统本身限制，在实际??机器采集过程中使用较少。??径向采样［４９］是以Ｋ空间的中心原点开始，然后沿着直线的方向进行采集，每条直线都??包含相同数量的低频和高频信息，这对欠采样数据的重构是有帮助的。对比一维高斯采样，??在相同采样率下这两种采样模式都可以采样到更多的有效信息。图２．２给出了上述描述的??三种采样模式。??（ａ）—维高斯采样?（ｂ）二维髙斯采样?⑷径向采样??图２．２采样模式??２．３深度学习模型介绍??深度学习［５０］是使用多层复杂深度神经网络学习数据之间对应的特征关系。近年来，深??度学习在自然语言处理、计算机视觉和语音识别等领域都得到广泛的应用，并取得了显著??的研宄进展。??输入层，隐藏层和输出层可以构成一个基本的神经网络，网络的输入层只是表示数据??的传入，没有对数据做任何处理，故通常在阐述模型层数的时候是忽略输入层的。例如当??网络中隐藏层的数量为Ｉ时，该网络通常被称为两层神经网络，其结构如图２．３所示。输??入层虽不做任何处理，但也具有实际含义，输入层包含几个神经元就代表有多少种特征。??输出层也有具体含义，如在做分类问题时，输出层包含几个神经元就代表该模型有几种分??类标签。网络与网络之间的区别主要在隐藏层对数据的操作，隐藏层的设计会直接影响网??络模型的学习能力，一般来说深层神经网络的学习能力要远远超过浅层网络的学习能力。??９??
浙江理工大学硕士学位论文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成对抗网络的磁共振图像重构方法研究??输入层?隐藏Ｇ?输出层??图２．３基本神经网络??２．３．１卷积神经网络模型??卷积神经网络是具有局部感受野（Ｌｏｃａｌ?Ｒｅｃｅｐｔｉｖｅ?Ｆｉｅｌｄｓ）和参数共享（Ｐａｒａｍｅｔｅｒ??Ｓｈａｒｉｎｇ）等特点的前馈神经网络，与传统的深度神经网络相比，ＣＮＮ具有更少的网络参数??和更低的模型复杂度。卷积神经网络非常适用于对数据相关性较强的数据进行处理，其对??数据特征具有很强的学习和特征提取能力，能够很好的解决图像类问题。一般来说在ＣＮＮ??由以下几个部分构成：??１?）卷积层（Ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒ）。卷积是一种定义在输入函数和卷积核函数之间的操??作，对于连续函数，其定义为：??Ｓ〇：）?＝?（Ｉ＊?ｗ）（ｔ）?＝?Ｊ＂?１（ａ）?ｗ（ｔ－?ａ）?ｄａ?２－（６）??其中［代表输入函数，ｗ代表卷积核函数，＊代表卷积操作，ｔ代表变量，ａ代表积分变量。??对于离散函数，定义为：??Ｓ（ｔ）?＝?（Ｉ＊?ｗ）（ｔ）?＝?＾?１（ａ）?ｗ（ｔ－ａ）?２－（７）??ａ＝－°°??在卷积神经网络中，卷积层的输入往往是多维数据，以二维图像为例，卷积定义为：??Ｓ（ｉ，ｊ）?＝?（Ｉ＊ｗ）（ｉ，ｊ）?＝?［［Ｉ（ｉ－ｍ，ｊ－ｎ）ｗ（ｍ，ｎ）?２－（８）??ｍ?ｎ??其中１为图像数据，ｗ为二维卷积核，Ｓ表示卷积得到的二维特征图（Ｆｅａｔｕｒｅ?Ｍａｐ）?，?ｉ，?ｊ??表示特征图中的坐标。二维卷积操作类似于将卷积核函数遍历输入数据的所打Ｒ置，／Ｉ：每??个位置进行一次内积求和运兑。将卷积的过程进彳ｒ反转的操作
【参考文献】：
期刊论文
[1]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[2]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[3]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫. 自动化学报. 2017(08)
[4]NMR氢谱定量测定奶酪中总共轭亚油酸的含量[J]. 李玮,姜洁,路勇,何涛,李龙,王振. 食品科学. 2015(10)
[5]基于深度学习的车标识别方法研究[J]. 彭博,臧笛. 计算机科学. 2015(04)
[6]核磁共振脉冲宽度法测定婴幼儿乳粉中乳糖、蔗糖含量[J]. 姜洁,李玮,路勇,何涛,赵雅松,宋丽萍. 食品工业科技. 2015(08)
[7]一种基于小波稀疏基的压缩感知图像融合算法[J]. 黄晓生,戴秋芳,曹义亲. 计算机应用研究. 2012(09)
硕士论文
[1]基于改进蛙跳算法的小波神经网络短期电力负荷预测研究[D]. 牛凡超.西南交通大学 2017
本文编号：3398275
【文章来源】：浙江理工大学浙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
图２．１基于压缩感知的磁共振图像重构原理??对于ＣＳ－ＭＲＩ问题，为获得欠采样ＭＲＩ，我们要使用不同的采样模式在Ｋ空间中采集??数据
浙江理工大学硕士学位论文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成对抗网络的磁共振图像重构方法研究??伪影不连贯，有效地提升图像的轮廓。但是这种采样模式被磁共振系统本身限制，在实际??机器采集过程中使用较少。??径向采样［４９］是以Ｋ空间的中心原点开始，然后沿着直线的方向进行采集，每条直线都??包含相同数量的低频和高频信息，这对欠采样数据的重构是有帮助的。对比一维高斯采样，??在相同采样率下这两种采样模式都可以采样到更多的有效信息。图２．２给出了上述描述的??三种采样模式。??（ａ）—维高斯采样?（ｂ）二维髙斯采样?⑷径向采样??图２．２采样模式??２．３深度学习模型介绍??深度学习［５０］是使用多层复杂深度神经网络学习数据之间对应的特征关系。近年来，深??度学习在自然语言处理、计算机视觉和语音识别等领域都得到广泛的应用，并取得了显著??的研宄进展。??输入层，隐藏层和输出层可以构成一个基本的神经网络，网络的输入层只是表示数据??的传入，没有对数据做任何处理，故通常在阐述模型层数的时候是忽略输入层的。例如当??网络中隐藏层的数量为Ｉ时，该网络通常被称为两层神经网络，其结构如图２．３所示。输??入层虽不做任何处理，但也具有实际含义，输入层包含几个神经元就代表有多少种特征。??输出层也有具体含义，如在做分类问题时，输出层包含几个神经元就代表该模型有几种分??类标签。网络与网络之间的区别主要在隐藏层对数据的操作，隐藏层的设计会直接影响网??络模型的学习能力，一般来说深层神经网络的学习能力要远远超过浅层网络的学习能力。??９??
浙江理工大学硕士学位论文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成对抗网络的磁共振图像重构方法研究??输入层?隐藏Ｇ?输出层??图２．３基本神经网络??２．３．１卷积神经网络模型??卷积神经网络是具有局部感受野（Ｌｏｃａｌ?Ｒｅｃｅｐｔｉｖｅ?Ｆｉｅｌｄｓ）和参数共享（Ｐａｒａｍｅｔｅｒ??Ｓｈａｒｉｎｇ）等特点的前馈神经网络，与传统的深度神经网络相比，ＣＮＮ具有更少的网络参数??和更低的模型复杂度。卷积神经网络非常适用于对数据相关性较强的数据进行处理，其对??数据特征具有很强的学习和特征提取能力，能够很好的解决图像类问题。一般来说在ＣＮＮ??由以下几个部分构成：??１?）卷积层（Ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒ）。卷积是一种定义在输入函数和卷积核函数之间的操??作，对于连续函数，其定义为：??Ｓ〇：）?＝?（Ｉ＊?ｗ）（ｔ）?＝?Ｊ＂?１（ａ）?ｗ（ｔ－?ａ）?ｄａ?２－（６）??其中［代表输入函数，ｗ代表卷积核函数，＊代表卷积操作，ｔ代表变量，ａ代表积分变量。??对于离散函数，定义为：??Ｓ（ｔ）?＝?（Ｉ＊?ｗ）（ｔ）?＝?＾?１（ａ）?ｗ（ｔ－ａ）?２－（７）??ａ＝－°°??在卷积神经网络中，卷积层的输入往往是多维数据，以二维图像为例，卷积定义为：??Ｓ（ｉ，ｊ）?＝?（Ｉ＊ｗ）（ｉ，ｊ）?＝?［［Ｉ（ｉ－ｍ，ｊ－ｎ）ｗ（ｍ，ｎ）?２－（８）??ｍ?ｎ??其中１为图像数据，ｗ为二维卷积核，Ｓ表示卷积得到的二维特征图（Ｆｅａｔｕｒｅ?Ｍａｐ）?，?ｉ，?ｊ??表示特征图中的坐标。二维卷积操作类似于将卷积核函数遍历输入数据的所打Ｒ置，／Ｉ：每??个位置进行一次内积求和运兑。将卷积的过程进彳ｒ反转的操作
【参考文献】：
期刊论文
[1]生成式对抗网络及其计算机视觉应用研究综述[J]. 曹仰杰,贾丽丽,陈永霞,林楠,李学相. 中国图象图形学报. 2018(10)
[2]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃. 自动化学报. 2017(03)
[3]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫. 自动化学报. 2017(08)
[4]NMR氢谱定量测定奶酪中总共轭亚油酸的含量[J]. 李玮,姜洁,路勇,何涛,李龙,王振. 食品科学. 2015(10)
[5]基于深度学习的车标识别方法研究[J]. 彭博,臧笛. 计算机科学. 2015(04)
[6]核磁共振脉冲宽度法测定婴幼儿乳粉中乳糖、蔗糖含量[J]. 姜洁,李玮,路勇,何涛,赵雅松,宋丽萍. 食品工业科技. 2015(08)
[7]一种基于小波稀疏基的压缩感知图像融合算法[J]. 黄晓生,戴秋芳,曹义亲. 计算机应用研究. 2012(09)
硕士论文
[1]基于改进蛙跳算法的小波神经网络短期电力负荷预测研究[D]. 牛凡超.西南交通大学 2017
本文编号：3398275
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3398275.html
最近更新
教材专著
