卷积神经网络在磁共振图像重建及质量评价中的应用

发布时间：2022-07-11 15:40

　　近年来深度学习在计算机视觉领域取得了令人瞩目的成果,特别是卷积神经网络（Convolutional Neural Network,CNN）在图像识别与检测问题上取得重大的突破。卷积神经网络由多个卷积层构成,可以自动从大量数据中学习不同的特征表达,识别出复杂的数据结构,捕捉输入与输出之间的非线性映射关系,不再依赖于手动提取特征。受此启发,本文利用CNN对磁共振成像（Magnetic Resonance Imaging,MRI）中的一系列问题进行了研究。1.MRI最显著的弱点,就是扫描时间长。为了缩短扫描时间,人们设计了各种欠采样的方法,这些方法都会导致图像中出现伪影;例如,截断K空间数据会导致图像域产生吉布斯伪影。本文利用CNN对欠采样造成的图像伪影进行了处理,相比传统方法,可有效地消除伪影,同时保持图像的结构信息。2.定量磁化率成像（Quantitative Susceptibility Mapping,QSM）是一种用于定量测量组织磁化率值的新型技术,但是利用相位图计算定量磁化率图像是一个病态的逆问题,重建出的图像往往伴随严重的条状伪影。本文通过将有伪影和相对应无伪影的图像输入CNN... 

【文章页数】：57 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 磁共振成像简介
    1.2 深度学习简介
    1.3 卷积神经网络的原理
        1.3.1 基本概念
        1.3.2 反向传播算法
    1.4 本文主要工作
第二章 磁共振图像重建中的伪影消除
    2.1 欠采图像的伪影消除
        2.1.1 背景介绍
        2.1.2 实验原理
        2.1.3 实验
        2.1.4 结果与讨论
    2.2 定量磁化率图像的伪影消除
        2.2.1 原理
        2.2.2 实验
        2.2.3 结果讨论
    2.3 总结
第三章 基于深度学习的磁共振图像质量评估
    3.1 磁共振图像质量评价的意义
    3.2 方法和原理
    3.3 实验数据
    3.4 实验结果
        3.4.1 分割肝脏的实验结果
        3.4.2 评价图像质量的实验结果
    3.5 结论分析
第四章 总结与展望
参考文献
攻读硕士学位期间的学术成果
致谢



本文编号：3658427