基于深度卷积神经网络的磁共振图像重建算法研究

发布时间：2021-10-22 13:49

　　磁共振成像是临床诊断中的一个重要手段,并且近年来磁共振图像的重建算法备受关注。为了加速磁共振成像并提升MR图像重建的质量,本文深入研究并做了如下几方面的工作:1、提出一种新的多尺度扩张残差网络进行压缩感知磁共振图像的重建。使用扩张卷积来扩大卷积核的感受野并减少网络参数,然后使用全局残差来补充网络提取特征时损失的初始信息,使用局部残差来提升数据流通性。另外,使用级联层来融合多尺度特征,加速网络的收敛,提高网络的精度。针对磁共振成像过程中的噪声情况,进行去噪声的仿真实验。在MR数据集添加不同等级和种类的噪声:高斯噪声和莱斯噪声,再将其输入到卷积神经网络中进行重建,提出算法取得不错的去噪效果。2、为了进一步提高MR图像重建的质量,提出一种基于图像域和梯度域卷积神经网络的压缩感知磁共振图像重建算法。首先对MR图像进行X和Y方向的梯度分解,然后将图像域图像和梯度域图像分别送入对应的深度卷积神经网络去训练,并重建出对应的图像,最后将三种重建结果融合成最终求解的MR图像。与其它深度学习算法对比,无论是主观评价还是客观指标,提出算法均实现MR图像重建质量的提升。3、针对磁共振成像中由于伪影产生的低分辨... 

【文章来源】：南京信息工程大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

脑部肿瘤

三种

比度，而周边区域的相位编码线主要决定图像的解剖细节。零傅里叶线两边的相位编码线是镜像对称的，K空间在频率编码方向上也是镜像对称的，而且中心区域信息对图像的对比度起着绝对性的影响。我们对采集到的K空间数据进行傅里叶逆变换就能得到重建图像，K空间的中心区域对应图像数据的低频信息，四周区域对应图像数据的高频信息，这两个区域的信息各自对应着图像对比度和图像细节。在实际情况中，我们可以利用这一特性来进行MR图像重建的加速或者伪影的去除。2.2.2采样矩阵(a)Random采样(b)Cartesian采样(c)Radial采样图2-3三种采样矩阵Fig.2-3ThreesamplingmasksMR图像重建过程中K空间的采样轨迹（矩阵）与观测矩阵是相对应的。研究人员日常所使用的采样矩阵有随机（Random）采样法[15]、笛卡尔（Cartesian）采样（一维随机下采样）[36]、螺旋（Spiral）采样法[37]、放射状（Radial）采样法[38]等。我选取了三

【参考文献】：
期刊论文
[1]基于奇异谱分析的校正磁共振图像非均匀场的新方法[J]. 郑建英,方青,蒋利红,谢林森,骆建华.  上海交通大学学报. 2006(08)

硕士论文
[1]基于非局部均值的MRI图像去噪研究[D]. 田刚.西安电子科技大学 2014



本文编号：3451226