基于密集级联网络深度学习磁共振图像重建

发布时间：2023-04-03 18:19

　　图像超分辨率重建是计算机视觉领域的一个经典问题,其目的是将高分辨率图像从低分辨率的损坏图像中恢复出来。近年来,基于深度学习的自然图像超分辨率重建方法得到蓬勃发展,这个领域中各式各样的网络结构设计对于其它领域来说具有重要的研究价值。以加速采集过程为目的压缩感知磁共振快速成像重建是医学成像的一个热点研究方向。该方向希望达到减少成像时间并仍然保持高分辨率成像的目的,将对医疗器械的普及应用起到突出的贡献。针对快速磁共振成像问题,本文基于传统磁共振图像重建算法和不同的卷积神经网络模型,通过分析超分辨率重建网络的优点以及传统的级联网络模型在信息流动性上的不足,在磁共振图像重建深度学习网络模型的应用上展开了以下探索和研究:(1)在卷积神经网络部分,不同的神经网络具有不同的结构,他们提取特征信息的能力也不尽相同。在磁共振成像重建中应用不同类型的神经网络图像重建算法,通过对比得到不同的结构提取特征信息能力的差异。(2)在级联结构部分,随着神经网络的逐级加深,提取到的特征会在一定程度上失真。为了解决这个问题,本文在神经网络结构之后添加数据保真项,从而保证提取到的特征在较深的网络结构中也能得到较好的重建效果...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 概述
    1.2 研究背景
        1.2.1 磁共振成像研究背景
        1.2.2 基于深度学习的图像超分辨率重建方法概述
        1.2.3 基于级联网络的磁共振成像重建
    1.3 研究内容
    1.4 章节安排
第2章 理论基础
    2.1 残差学习模型
    2.2 密集连接模型
    2.3 级联网络模型
    2.4 实验结果量化评价标准
    2.5 本章小结
第3章 基于级联网络的磁共振图像重建
    3.1 引言
    3.2 基于高级卷积神经网络的级联网络
    3.3 仿真实验与分析
        3.3.1 实验数据
        3.3.2 不同采样轨迹下的图像重建
        3.3.3 不同采样率下的图像重建
    3.4 本章小结
第4章 基于密集级联网络的磁共振图像重建
    4.1 引言
    4.2 密集级联网络的构建
    4.3 实验结果与分析
        4.3.1 不同采样率下的图像重建
        4.3.2 不同采样轨迹下的图像重建
        4.3.3 FastMRI数据集下的比较
        4.3.4 与U-Net的性能比较
    4.4 参数设置讨论
        4.4.1 网络参数的比较与讨论
        4.4.2 网络收敛性
        4.4.3 数据集尺寸的比较与讨论
        4.4.4 对原始欠采样的磁共振图像的重建效果
    4.5 本章小结
第5章 结论与展望
    5.1 本文工作总结
    5.2 未来研究展望
致谢
参考文献
攻读学位期间的研究成果



本文编号：3780907