基于复数卷积神经网络的静态磁共振成像研究

发布时间：2021-03-30 22:42

　　一直以来,扫描时间过长是制约磁共振成像（magnetic resonance imaging,MRI）发展的主要因素,因此快速磁共振成像（fast MRI）是磁共振研究领域的重要课题之一。基于多线圈阵列的并行磁共振成像方法和基于压缩感知理论的快速磁共振成像方法是fast MRI这一领域的两大重要阶段。近几年,随着大数据和深度学习的快速发展,神经网络成为快速磁共振成像领域新的突破。然而,目前基于深度学习的快速磁共振重建方法存在着对复数磁共振数据的处理不够合理、可解释性差、重建结果模糊、丢失细节等不足。针对这些问题,本文基于卷积神经网络对快速磁共振重建算法展开研究。（1）深入调研了快速静态磁共振重建领域的研究背景和现状,对神经网络的理论基础和主要应用进行详细阐述。（2）本文构建了一个深度级联的卷积神经网络,用于多通道数据的并行成像。考虑到磁共振数据的复数特性,本文从复数的运算法则出发,并与卷积操作结合,设计了一种复数卷积层,将其用于这一网络结构中。同时,数据一致层用在每个级联的网络模块之后,有效地保证了网络重建过程中的数据保真性,提高了最终网络重建结果的准确性。实验结果表明,相比于传统的并... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

单个神经元

Figure 2.2 A simple network神经网络其实就是将许多个“神经元”连接在一起，一个神经元的输出作为另一个神经元的输入，这样就具有更为复杂的表达能力。图2.2展示了一个简单的神经网络。最左边节点表示神经网络的输入，“+1”节点表示这一层的偏移量，中间节点表示神经网络的“隐含层”，最右边的节点为神经网络的“输出层”(本例中的输出层只有一个节点)。如果用W(l)i j表示第l层第j个节点到第l 1层第i个节点之间的参数，b(l)i表示第l 1层中第i个节点的偏移量，a(l)i表示第l层第i个节点的输出值，则很容易可以计算得到如下过程：a(2)1W(1)11x1W(1)12x2W(1)13x3b(1)1a(2)2W(1)21x1W(1)22x2W(1)23x3b(1)2a(2)3W(1)31x1W(1)32x2W(1)33x3b(1)3hW,bx a(3)1W(2)11x1W(2)12x2W(2)13x3b(2)1(2.2)10

卷积神经网络卷积神经网络是一种多层的神经网络，擅长处理图像等计算机视觉方面的机器学习问题。卷积神经网络最初被用于图像分类的问题。图2.3展示了一个用于手写体识别的卷积神经网络。图2.3一个用于手写体识别的卷积神经网络Figure 2.3 A CNN to classify handwritten digits这是一个典型的卷积神经网络，由卷积层、池化层、全连接层组成。卷积层可以提取图像特征，而池化层则主要是为了降低数据维度。总的来说，CNN通过卷积来进行特征提取，同时利用卷积的权值共享和池化操作，来降低网络参数量，最后通过全连接层完成分类任务。13


本文编号：3110283