面向图像细节优化的快速磁共振成像

发布时间：2022-01-04 17:07

　　磁共振成像能提供丰富的对比度信息且无电离辐射,已成为医学临床诊断和生命科学研究最重要的手段之一。然而,成像时间长一直是磁共振发展的瓶颈问题,它严重制约了磁共振的大规模临床应用。因此,实现快速磁共振成像具有重大的科研和应用价值。目前,通过在k空间减少采集数据（欠采样）来实现扫描加速是快速磁共振成像的重要策略。为了克服由于欠采样带来的系统病态性导致的图像质量下降问题,利用先验信息十分必要。压缩感知快速成像是近十年来基于先验信息快速成像领域中的研究热点。压缩感知理论指出,可以从极少的非相干采样样本中通过非线性方法重建原始的稀疏信号。待重建图像的稀疏性是压缩感知理论成功应用于快速磁共振成像的基本前提,也是亟待利用的先验信息,最大化稀疏表达待重建图像可以降低重建误差,提高重建质量。然而,选择最优的稀疏变换来最大化稀疏磁共振图像是一个难题。实际应用中,采用的变换并不能使图像得到完全稀疏的表达,这就导致某些图像特征尤其是细节特征的丢失。本文旨在给定部分k空间数据的情况下,力求克服重建图像细节信息丢失的问题,使得在同样的加速倍数下能获得更高的重建质量。本文的主要研究工作和成果有:一、提出了细节优化成像... 

【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】：110 页

【学位级别】：博士

【文章目录】：
缩略语表
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文结构安排
第2章 磁共振快速采集及重建方法
    2.1 磁共振成像原理
        2.1.1 核磁共振现象
        2.1.2 弛豫
        2.1.3 空间编码
        2.1.4 k空间与图像
        2.1.5 磁共振成像系统
    2.2 快速成像方法
    2.3 欠采重建方法
        2.3.1 部分傅里叶
        2.3.2 并行成像
        2.3.3 压缩感知
        2.3.4 深度学习
    2.4 成像质量评估
第3章 基于迭代特征优化的快速成像方法
    3.1 引言
    3.2 基于交替最小化(AM)算法的CS-pMRI
    3.3 特征优化模块的设计
    3.4 细节优化算子的构造
    3.5 细节优化重建结果及分析
        2.5.1 SFSS
        3.5.2 SBB
        3.5.3 L1-SPIRiT
    3.6 分析及讨论
        3.6.1 前瞻性实验
        3.6.2 计算复杂度及算法对比
        3.6.3 细节优化算子参数分析
        3.6.4 算法参数
    3.7 颅内血管壁细节优化成像
    3.8 本章小结
第4章 深度学习磁共振重建方法
    4.1 引言
    4.2 深度学习磁共振成像
        4.2.1 模型驱动深度学习方法
        4.2.2 数据驱动深度学习方法
    4.3 基于模型的深度学习成像方法
        4.3.1 原始对偶算法(PDHG)
        4.3.2 交替方向乘子法(ADMM)
        4.3.3 迭代软阈值算法(ISTA)
    4.4 网络结构及数据获取
        4.4.1 网络结构
        4.4.2 网络训练
        4.4.3 训练及测试数据
    4.5 实验结果
    4.6 分析及讨论
        4.6.1 训练数据集大小
        4.6.2 网络稳定性
        4.6.3 重建的准确性
        4.6.4 模型约束释放的有效性
        4.6.5 网络的数学可解释性
    4.7 基于深度神经网络的高分辨头颈联合血管壁成像
    4.8 存在的问题及后续发展方向
    4.9 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3568730