基于深度学习的磁共振图像去噪和重建

发布时间：2023-12-10 15:43

　　磁共振(Magnetic Resonance,MR)成像是当今医学领域的一种非常重要的成像方法,MR特殊图像成像方法导致其成像在复杂度、难度以及成像速度上都远高于其他常见的成像方法,成像的结果也会受到各种因素的干扰到信号结果包含伪影和噪声。压缩感知技术通过在k空间上利用少量欠采样数据即可重建MR图像,能够提高数据采集效率,成为MR成像的一个重要研究方向。在磁共振图像重建研究中,本文提出了一种基于非采样小波变换和迭代图像重建算法的先验学习方法。在先验学习阶段,将非采样小波变换得到的特征图像作为去噪自编码网络(Denoising-Autoencoder,DAE)的输入进行叠加。高冗余和多尺度的输入使得特征图像能够在不同的通道上相互关联,从而实现了 一个强大的网络驱动先验。此外,在磁共振图像去噪任务当中,通过拟合图像像素级和特征级的信息分布,提出了一种渐进式网络学习策略。本论文的主要研究成果包括以下两点:(1)基于小波域去噪自编码网络的MR成像重建。基于深度学习的迭代网络构架,利用小波变换作为网络的输入指导,与传统算法相比,基于迭代网络的在性能上有了很大提升,而且处理时间大大缩短。(2)基于...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 研究现状
    1.3 研究内容
    1.4 章节安排
第2章 理论基础
    2.1 卷积神经网络
    2.2 评价指标
    2.3 深度学习常用框架及工具包
第3章 基于小波变换去噪自编码网络的压缩感知重建
    3.1 引言
    3.2 传统去噪自编码器模型
        3.2.1 去噪自编码器模型
        3.2.2 小波变换
    3.3 WDAEP模型
        3.3.1 小波变换引导的DAEP(WDAEP)
        3.3.2 网络Dση
(Φ(u))
        3.3.3 WDAEPRec:WDAEP的迭代求解
    3.4 实验结果与分析
        3.4.1 不同采样方式下的比较
        3.4.2 不同采样模式下结果的比较
        3.4.3 多种网络
    3.5 本章小结
第4章 基于渐进分布式神经网络的磁共振图像去噪
    4.1 引言
    4.2 基于分布估计去噪和网络结构残差表示
    4.3 本文的网路模型
        4.3.1 网络结构
        4.3.2 结构分析
        4.3.3 多种网络结构
    4.4 实验结果与分析
        4.4.1 合成脑图像的比较
        4.4.2 复数MR数据的比较
    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：3872656

suoshi