基于卷积神经网络的快速磁共振成像算法研究

发布时间：2021-05-13 12:41

　　磁共振成像（Magnetic Resonance Imaging,MRI）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,应用范围日益广泛,已成为一项常规医学检查方法。但由于MRI在应用中常存在扫描速度慢的缺点,容易产生运动伪影,且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领域的热点之一。以往通常从三个方面来加速MRI的成像时间,一是提高MRI硬件的性能,但人体的生理效应限制了MRI硬件的磁场强度和磁场梯度的切换率;二是采用并行成像算法,但采用并行成像算法受线圈敏感度分布的准确测量和自校准数据行、降采样倍数、拟合块个数等多种因素的影响;三是减少MRI的k空间（频域空间）的数据采集量,但是数据采集量的大量减少,会带来图像质量的显著下降,尽管可通过多种重建算法提高欠采样图像重建的质量,但是往往需要较长的重建时间,难以满足实时成像的临床需求。近年来,基于卷积神经网络（Convolutional Neural Network,CNN）的深度学习算法开始应用于磁共振欠采样数据重建。基于深度卷积神经网络的快速磁共振成像通过训练大量的全采样和欠采样图像,利用损失函数对网络... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 深度卷积神经网络
        1.2.2 基于卷积神经网络的快速磁共振成像算法
        1.2.3 基于注意门的卷积神经网络算法
        1.2.4 基于k空间的快速磁共振成像算法
    1.3 主要研究内容
    1.4 本文章节安排
第2章 磁共振成像原理及卷积神经网络的基础
    2.1 引言
    2.2 MRI成像过程
    2.3 MRI采样方式
    2.4 卷积神经网络基础模块
    2.5 卷积神经网络函数的反向传播
        2.5.1 损失函数
        2.5.2 优化算法
    2.6 本章小结
第3章 基于AR2 U-net卷积神经网络的快速磁共振成像算法
    3.1 引言
    3.2 基于U-net卷积神经网络的快速磁共振成像算法
        3.2.1 基于U-net卷积神经网络的磁共振图像训练
        3.2.2 基于U-net卷积神经网络的磁共振图像重建
    3.3 基于AR2 U-net卷积神经网络的快速磁共振成像算法
        3.3.1 R2(递归残差)模块
        3.3.2 AG(注意力)模块
        3.3.3 基于AR2 U-net卷积神经网络的磁共振图像训练
        3.3.4 基于AR2 U-net卷积神经网络磁共振图像重建
    3.4 实验仿真及分析
        3.4.1 实验数据准备
        3.4.2 客观量化标准
        3.4.3 实验结果
    3.5 讨论与分析
    3.6 本章小结
第4章 基于混合空间卷积神经网络的快速磁共振成像算法
    4.1 引言
    4.2 基于k空间卷积神经网络的快速磁共振成像算法
        4.2.1 k空间卷积神经网络前向传播
        4.2.2 k空间卷积神经网络反向传播
    4.3 基于图像空间卷积神经网络的快速磁共振成像算法
        4.3.1 图像空间卷积神经网络前向传播
        4.3.2 图像空间卷积神经网络反向传播
    4.4 基于混合空间卷积神经网络的快速磁共振成像算法
    4.5 实验仿真及分析
        4.5.1 实验数据准备
        4.5.2 客观量化标准
        4.5.3 实验结果
    4.6 讨论与分析
    4.7 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 工作展望
致谢
参考文献
附录



本文编号：3184035