当前位置:主页 > 医学论文 > 影像医学论文 >

基于深度学习的超极化气体肺部快速磁共振成像

发布时间:2023-03-04 12:00
  磁共振成像(Magnetic ResonanceImaging,MRI)是一种非侵入、无电离辐射的影像学技术,可以为临床提供高分辨率的结构和功能影像。但是,传统MRI以氢质子(1H)为观测对象,而肺部主要由空腔组成,1H密度低,因此肺部是传统MRI的“盲区”。利用自旋交换光抽运技术,能够将惰性气体(如3He和129Xe等)的极化度提高4-5个量级,从而使肺部气体磁共振成像成为可能。超极化气体MRI为肺部的结构和功能评估提供了一种独特策略,在肺部疾病的早发现、早诊断和早治疗方面具有巨大潜力。然而,超极化气体的纵向磁化矢量具有不可恢复性,给超极化气体磁共振信号的采集带来很大限制。此外,大部分超极化气体MRI方法需要在单次屏气内完成,但较长的屏气时间会给受试者带来很大负担。因此,发展快速成像技术对促进超极化气体MRI的临床应用具有重要意义。压缩感知MRI(Compressed Sensing-MRI,CS-MRI)通过欠采样k空间数据加快成像速度,不需要额外的硬件和序列,是目前超极化气体MRI中最常用的快速成像方法。但是,CS-MRI技术存在的一些缺陷,如非线性重建需要较长的重建时间和复杂的...

【文章页数】:120 页

【学位级别】:博士

【文章目录】:
摘要
Abstract
第1章 引言
    1.1 肺部疾病与临床检查方法
        1.1.1 肺部结构与功能
        1.1.2 主要的肺部疾病
        1.1.3 肺部疾病的临床检查方法
        1.1.4 超极化气体肺部MRI
    1.2 磁共振成像的基本原理
        1.2.1 磁共振信号
        1.2.2 磁共振成像
    1.3 快速磁共振成像
        1.3.1 并行成像
        1.3.2 基于压缩感知的快速磁共振成像
        1.3.3 基于深度学习的快速磁共振成像
    1.4 本文的研究意义和主要工作
第2章 基于深度学习的MRI重建
    2.1 深度学习
        2.1.1 人工神经网络
        2.1.2 卷积神经网络
        2.1.3 训练和评价
    2.2 欠采样重建
        2.2.1 CS-MRI
        2.2.2 超极化气体肺部CS-MRI
    2.3 基于深度学习的MRI重建
        2.3.1 基于模型展开的MRI重建
        2.3.2 端到端映射的MRI重建
        2.3.3 基于深度学习的MRI重建中存在的问题
    2.4 重建质量评价
    2.5 本章小结
第3章 基于深度学习的超极化气体肺部MRI重建
    3.1 引言
    3.2 方法
        3.2.1 重建流程
        3.2.2 网络结构
        3.2.3 数据获取和预处理
        3.2.4 网络实施和训练
        3.2.5 性能评价
    3.3 实验结果
        3.3.1 C-net和F-net的比较
        3.3.2 CasNet和CS-MRI的比较
        3.3.3 通气缺陷百分比
        3.3.4 In vivo实验
    3.4 讨论
        3.4.1 CasNet
        3.4.2 性能比较
        3.4.3 加速因子
        3.4.4 本研究的不足
    3.5 本章小结
第4章 基于深度学习的超极化气体DW-MRI重建
    4.1 引言
    4.2 方法
        4.2.1 重建流程
        4.2.2 网络结构
        4.2.3 训练集仿真
        4.2.4 网络实施和训练
        4.2.5 测试集
        4.2.6 性能评价
    4.3 实验结果
        4.3.1 重建性能比较
        4.3.2 肺部形态学参数分析
        4.3.3 In vivo实验
    4.4 讨论
        4.4.1 DC-RDN
        4.4.2 训练集仿真
        4.4.3 性能比较
        4.4.4 参数估计
        4.4.5 本研究的不足
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
附录 英文简写及中英文全称
致谢
作者简介及在学期间发表的学术论文与科研成果



本文编号:3754253

资料下载
论文发表

本文链接:https://www.wllwen.com/yixuelunwen/fangshe/3754253.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户69ff8***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com