基于U型神经网络的快速磁共振成像技术研究

发布时间：2020-12-29 12:44

　　磁共振成像（Magnetic Resonance Imaging,MRI）技术因其具有较高的软组织分辨率,对人体没有电离辐射损伤等优点已广泛应用于临床。但是由于MRI的成像速度较慢,成像过程中被检者的生理性运动等往往会造成成像伪影,难以满足实时成像的要求,因此如何加快MRI的成像速度是MRI理论和技术研究的热点之一。减少MRI的k空间数据采集总量是一种有效的加速方法,但是数据采集量的大量减少,会带来图像质量的显著下降,尽管研究者可通过多种重建算法,例如,压缩感知技术等提高欠采样图像重建的质量,但往往需要较长的重建时间,难以满足实时重建的临床需求。基于深度学习卷积神经网络的磁共振图像成像技术具有离线训练、在线快速成像的优点。在高性能计算硬件的支持下,卷积神经网络利用大量的欠采样磁共振数据和全采样磁共振数据进行训练,通过多次反向传播计算得到参数优化后的卷积神经网络,再将需要重建的欠采样数据利用训练好的网络进行快速高质量重建。深度学习技术对欠采样图像的稀疏性没有要求,而且能利用离线训练好的网络对欠采样的图像进行快速重建,因此在磁共振图像重建领域有非常好的应用前景。本文主要做了以下工作:（1）... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

常见的k空间数据采样方式

杭州电子科技大学硕士学位论文12示：21inputfilteroutputWWPWS(2.1)21inputfilteroutputHHPHS(2.2)其中，W和H分别表示输入、输出、卷积核数据的宽度（Weight）和高度（Height），P表示图像边缘增加的像素层数，S表示卷积核的滑动步长（Stride）。图2.5卷积层计算示意图图2.6边界零填充示意图池化层（PoolingLayer）是卷积神经网络中一种提取输入数据的核心特征的方式，其作用不仅降低了原始数据的大小，也减少了参与模型计算的参数，减少计算资源的耗费。池化层也有一个空间滑动窗口，这个窗口用作提取输入数据的特征，一般的，设定池化层的滑动窗口大小为2*2，滑动步长设定为2，对数据进行下采样，池化函数（如图2.7所示）一般分为最大值池化[73]（如图2.7(a)所示）和均值池化[74]（如图2.7(b)所示）等，最大值池化计算滑动窗口中的最大值并保留下来作为输出，平均池化计算窗口数据的加权平均值并保留下来作为输出。池化层不影响数据的输入输出深度。池化层的输出尺寸可以用公式2.3、2.4计算：1inputfilteroutputWWWS(2.3)

杭州电子科技大学硕士学位论文12示：21inputfilteroutputWWPWS(2.1)21inputfilteroutputHHPHS(2.2)其中，W和H分别表示输入、输出、卷积核数据的宽度（Weight）和高度（Height），P表示图像边缘增加的像素层数，S表示卷积核的滑动步长（Stride）。图2.5卷积层计算示意图图2.6边界零填充示意图池化层（PoolingLayer）是卷积神经网络中一种提取输入数据的核心特征的方式，其作用不仅降低了原始数据的大小，也减少了参与模型计算的参数，减少计算资源的耗费。池化层也有一个空间滑动窗口，这个窗口用作提取输入数据的特征，一般的，设定池化层的滑动窗口大小为2*2，滑动步长设定为2，对数据进行下采样，池化函数（如图2.7所示）一般分为最大值池化[73]（如图2.7(a)所示）和均值池化[74]（如图2.7(b)所示）等，最大值池化计算滑动窗口中的最大值并保留下来作为输出，平均池化计算窗口数据的加权平均值并保留下来作为输出。池化层不影响数据的输入输出深度。池化层的输出尺寸可以用公式2.3、2.4计算：1inputfilteroutputWWWS(2.3)


本文编号：2945660