基于卷积网络模型优化学习的磁共振成像的研究
发布时间：2022-02-05 05:49
磁共振成像是一种非侵入性影像检测技术,具有优越的软组织对比度,可以准确反映人体器官和组织的生理功能及解剖结构,是临床诊断和治疗方案中不可或缺的成像工具。磁共振成像速度慢是限制其发展的一个重要因素。k空间数据欠采样并结合相应的重建算法是加快磁共振成像的有效方法。然而,对欠采样的k空间数据进行图像重建是一个不适定的逆问题。虽然根据图像的先验知识引入正则化项可用于求解图像重建的逆问题,但目前的磁共振重建方法在高加速因子下仍然易受噪声和混叠伪影的干扰,且手动调节参数（如稀疏算子、正则化参数等）比较困难。近年来,深度学习领域得到了飞速发展。深度学习模型具有高度的非线性,可以自发地从大量数据中提取特征,在分类、分割等计算机视觉领域和医学图像处理方面都取得了里程碑的进展。因此,有大量的研究者将深度学习方法用到了磁共振重建中,以进一步提升磁共振成像速度,虽然取得了令人鼓舞的成果,但基于端到端深度学习的重建方法的实现依赖于大量高质量的磁共振数据,且相比于传统的基于模型的重建方法,端到端的网络泛化能力有限,易受数据量和数据质量的影响。针对上述问题,本硕士论文提出一种新颖的基于卷积网络的模型优化框架,用于磁...
【文章来源】： 陈艳霞 中国科学院大学(中国科学院深圳先进技术研究院)
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
具有四个线圈，R=3的均匀笛卡尔加速度的SENSE重建示意图[116]
基于卷积网络模型优化学习的磁共振成像的研究6采，全采的k空间中心称为自动校准线（AutocalibrationSignals,ACS），除k空间中心外的其他部分欠采，GRAPPA定义k空间中采样的数据点为源点（图1.4），单个丢失的k空间数据点（称为目标点），通过相邻已采样的k空间点（源点）的线性组合来获得。具体地，首先由ACS线获得GRAPPA内核中的权重，然后再将GRAPPA内核滑动整个k空间，将每个获取的源点乘以GRAPPA内核中的权重再相加，填充到目标点内。值得注意的是，GRAPPA内核中的权重是通过全采的k空间中心ACS线获得的。GRAPPA重建的优点是：鲁棒性更好（因为其不需要直接估计线圈的灵敏度信息），优于SENSE。缺点是：不适用于非笛卡尔采样轨迹，（因为GRAPPA内核的权重直接应用于整个图像，这要求整个k空间的拓扑结构是相同的，而非笛卡尔采样整个k空间的拓扑结构差别很大。）当两个维度加速时，需要估计多个GRAPPA核。图1.4GRAPPA重建示意图。左边是一个GRAPPA内核示例，用于重建欠采样因子的笛卡尔数据[116]。Figure1.4SchematicofGRAPPAreconstruction.OntheleftisasampleGRAPPAkernelusedtoreconstructundersampledCartesiandata.Figurefrom[116].为了克服上面SENSE和GRAPPA的缺点，2010年LustigM等人提出了SPIRiT重建方法，该方法是GRAPPA和SENSE的合体，继承了GRAPPA和SENSE的优点。SPIRiT的公式如1.3，其中第一项表示数据一致性项，其将重建的数据X通过回顾性欠采样矩阵D，强制与欠采样数据Y保持一致，也就是说，
基于卷积网络模型优化学习的磁共振成像的研究8图1.5SPIRiT重建示意图。SPIRiT将数据重建到笛卡尔k空间网格上[116]。Figure1.5SchematicdiagramofSPIRiTreconstruction.SPIRiTreconstructsthedataontoaCartesiank-spacegrid[116].1.2.2压缩感知磁共振成像除了探索多线圈的物理特性外，人们已经做出了各种努力集中于开发先进的重建算法以改善欠采样磁共振的成像质量。公认比较有效的方法是利用了各种先验信息并将其作为正则化项添加到重建公式中。其中一项最具代表性的模型是基于压缩感知的MRI重建（CS-MRI），其打破了奈奎斯特采样定理的制约，大大降低了对采样数据量的需求。这一算法致力于最小化由敏感度编码数据保真项和稀疏正则项组成的总体重建目标。将CS应用到MRI重建当中，需要满足以下三个条件：1) 待重构的图像在某一变换域中具有稀疏表示。常见的稀疏变换有小波变换（DWT），总变差（TV），HuberMarkov随机场先验[57]，非局部总变差[58]和字典学习[59]等。2) 用特定的欠采样数据采集协议，使得欠采样获得的重建伪影在某个稀疏变换域中不相干[60]。在MRI中通常使用伪随机[61]或非笛卡尔采样轨迹[62]。3) 非线性重构算法，该算法需要平衡变换域中的稀疏性与欠采样k空间的数据一致性。字典学习就是将传统思想的稀疏基（如DCT、小波基、傅里叶基等）通过超完备冗余字典来替换。具体方法为：通过在图像域和k空间之间来回交替来更新自适应字典，由于字典是从图像自身或者是从相似类别的图像中学到的。与CS-MRI相比，这种图像自适应稀疏算法可以表现出更好的图像稀疏性，从而获
本文编号：3614680
【文章来源】： 陈艳霞 中国科学院大学(中国科学院深圳先进技术研究院)
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
具有四个线圈，R=3的均匀笛卡尔加速度的SENSE重建示意图[116]
基于卷积网络模型优化学习的磁共振成像的研究6采，全采的k空间中心称为自动校准线（AutocalibrationSignals,ACS），除k空间中心外的其他部分欠采，GRAPPA定义k空间中采样的数据点为源点（图1.4），单个丢失的k空间数据点（称为目标点），通过相邻已采样的k空间点（源点）的线性组合来获得。具体地，首先由ACS线获得GRAPPA内核中的权重，然后再将GRAPPA内核滑动整个k空间，将每个获取的源点乘以GRAPPA内核中的权重再相加，填充到目标点内。值得注意的是，GRAPPA内核中的权重是通过全采的k空间中心ACS线获得的。GRAPPA重建的优点是：鲁棒性更好（因为其不需要直接估计线圈的灵敏度信息），优于SENSE。缺点是：不适用于非笛卡尔采样轨迹，（因为GRAPPA内核的权重直接应用于整个图像，这要求整个k空间的拓扑结构是相同的，而非笛卡尔采样整个k空间的拓扑结构差别很大。）当两个维度加速时，需要估计多个GRAPPA核。图1.4GRAPPA重建示意图。左边是一个GRAPPA内核示例，用于重建欠采样因子的笛卡尔数据[116]。Figure1.4SchematicofGRAPPAreconstruction.OntheleftisasampleGRAPPAkernelusedtoreconstructundersampledCartesiandata.Figurefrom[116].为了克服上面SENSE和GRAPPA的缺点，2010年LustigM等人提出了SPIRiT重建方法，该方法是GRAPPA和SENSE的合体，继承了GRAPPA和SENSE的优点。SPIRiT的公式如1.3，其中第一项表示数据一致性项，其将重建的数据X通过回顾性欠采样矩阵D，强制与欠采样数据Y保持一致，也就是说，
基于卷积网络模型优化学习的磁共振成像的研究8图1.5SPIRiT重建示意图。SPIRiT将数据重建到笛卡尔k空间网格上[116]。Figure1.5SchematicdiagramofSPIRiTreconstruction.SPIRiTreconstructsthedataontoaCartesiank-spacegrid[116].1.2.2压缩感知磁共振成像除了探索多线圈的物理特性外，人们已经做出了各种努力集中于开发先进的重建算法以改善欠采样磁共振的成像质量。公认比较有效的方法是利用了各种先验信息并将其作为正则化项添加到重建公式中。其中一项最具代表性的模型是基于压缩感知的MRI重建（CS-MRI），其打破了奈奎斯特采样定理的制约，大大降低了对采样数据量的需求。这一算法致力于最小化由敏感度编码数据保真项和稀疏正则项组成的总体重建目标。将CS应用到MRI重建当中，需要满足以下三个条件：1) 待重构的图像在某一变换域中具有稀疏表示。常见的稀疏变换有小波变换（DWT），总变差（TV），HuberMarkov随机场先验[57]，非局部总变差[58]和字典学习[59]等。2) 用特定的欠采样数据采集协议，使得欠采样获得的重建伪影在某个稀疏变换域中不相干[60]。在MRI中通常使用伪随机[61]或非笛卡尔采样轨迹[62]。3) 非线性重构算法，该算法需要平衡变换域中的稀疏性与欠采样k空间的数据一致性。字典学习就是将传统思想的稀疏基（如DCT、小波基、傅里叶基等）通过超完备冗余字典来替换。具体方法为：通过在图像域和k空间之间来回交替来更新自适应字典，由于字典是从图像自身或者是从相似类别的图像中学到的。与CS-MRI相比，这种图像自适应稀疏算法可以表现出更好的图像稀疏性，从而获
本文编号：3614680
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3614680.html
最近更新
教材专著
