基于迭代网络的快速磁共振成像

发布时间：2020-05-06 17:22

【摘要】：在快速磁共振成像领域,传统的基于压缩感知的快速成像算法(CS-MRI)研究遇到了三个瓶颈:1)稀疏变换过于简单,无法捕获与生物组织相关的复杂图像内容;2)参数选取困难,且通用性不强;3)图像线上重建过程耗时长。深度学习方法的出现为快速磁共振成像提供了新的思路,不过现有的深度学习方法大多是由大数据驱动的。然而出于对病人隐私的保护,磁共振成像领域的大数据比较难获取。相比之下,模型驱动的迭代网络结合了传统CS-MRI数学模型与数据驱动深度学习网络的优点,可以实现少量数据的训练下快速精确的线上磁共振图像重建。本课题研究了迭代网络的构建方法,并在将其成功应用到自然图像的椒盐去噪任务后,对其进行改进,提出了基于迭代加细网络的快速磁共振成像方法。主要研究内容包括:(1)构建迭代网络用于自然图像椒盐去噪,利用传统的双L1范数椒盐去噪模型实现了迭代网络的构建,验证迭代网络构建的可行性与网络的有效性。(2)构建改进版的迭代加细网络用于快速磁共振成像,在椒盐去噪迭代网络构建的基础上,对迭代网络的传统算法模型和网络描述能力两方面进行了改进,采用具有迭代加细功能的CS-MRI模型作为网络的基础,嵌入深度卷积网络(CNN)提升迭代网络的学习能力。仿真和磁共振复数实验结果均表明,本课题提出的迭代加细网络具有良好的细节保持能力,在重建性能和线上重建速度方面优于传统的重建方法。尤其是相较于基础版的迭代网络,本文提出的迭代加细网络在PSNR有1-2dB左右的提升,在视觉图上也可以明显看到更清晰的纹理,表明改进后的迭代加细网络细节保持能力更好,具有一定的临床应用价值。
【图文】：

网络结构图,网络结构,模块

第 2 章理论基础( 1) ( ) ( 1) ( )( )k k k T k r x x y(2.3)其中，( k+1) 是可学习的第(k+1)次迭代的步长。2)( k +1)x 模块：在网络中，每个模块的 F ( ) 、G( ) 和不再固定，其中的参数都可以学习，也就是:( +1) ( +1) ( +1) ( +1) ( +1)(soft( ( , )))k k k k kx G F r (2.4)这样一来，每个模块中的函数都有本阶段最优的表示，可以使图像重建效果得到很大的提升。图 2.1 展示了 ISTA-Net 的网络结构图，可以看出，这个网络是由不同网络阶段级联而成，其中每个阶段包含了两个模块，这两个模块与 ISTA 算法中的两个变量迭代求解过程一一对应。

网络结构图,网络结构,观测图,图像重建

图 3.2 IIN 网络结构为了更清楚地介绍该网络，以第n个模块为例，IIN 中网络层的构成如下所示：(1) 图像重建层((n )X )这一层的输入为观测图像 y 、( n1)t 、( n1)p 、( n1)lz 和( n1)l ，输出为：( ) ( ) ( ) ( ) ( ) 1 ( ) ( 1) ( 1)1( ) ( ) ( 1) ( 1)1( ) [ ( )( )]n n L n n n n n nl l l lL n n n nl l l l lx H H t p yH z (3.7)其中，( n)lH 是第 l 个滤波器，( n)l 是第个惩罚参数，l [1, , L]。需要注意的是，在第一个模块中（ n 1），)0(lz 、(0)l 、(0)p 和(0)t 初始值均为零，因此(1) (1) (1) (1) (1) 1 (1)1( ) ( )Ll l l lx H H y 。(2) 卷积层（(n)C ）这一层的输入是( n)x ，输出是：( n ) ( n ) ( n)l lC D x(3.8)( n)
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;R445.2

【相似文献】