论文部分内容阅读
磁共振成像具有无电离无辐射的特点,能提供丰富的解剖和功能信息,是医学诊断、疾病分期和临床研究必不可少的影像技术。然而,由于扫描时间过长,影响了磁共振成像技术在临床上的广泛应用。所以快速成像是磁共振成像领域的重点研究方向之一。现有并行成像和部分K空间数据采集技术通过减少梯度编码步数来加快成像速度,其中并行成像技术利用各线圈空间敏感度各异的特性;部分K空间采集技术则将不同的先验信息作为规范项来约束重建方程。这些方法都取得了一定的成功,但在高倍加速因子下,仍会产生较严重的混叠伪影。因此,研究一种在高倍加速的同时还能保证图像精度的快速磁共振成像方法尤为重要。近些年深度学习的广泛应用已显示出其强大的图像处理能力。尤其随着计算机计算能力的提升及目前已有的大数据基础,卷积神经网络在自动特征提取、非线性相关描述上表现出众。论文主要针对快速磁共振成像的速度与精度问题,围绕深度学习技术,开展了基于卷积神经网络的并行高分辨磁共振成像方法的研究,提出了基于卷积神经网络的快速磁共振成像方法,在加速重建的同时保证了图像的精度。为了判断论文方法的性能,用峰值信噪比(PSNR)、结构相似度(SSIM)及均方根差(RMSE)来作为衡量的指标。论文的主要工作和结果如下:(1)利用采集的大量全采样多通道数据的先验信息,设计了一种多通道卷积神经网络来挖掘磁共振图像的局部相关性。整个研究内容分为两大块:线下训练和在线测试。(2)与传统并行成像或压缩感知技术利用线圈敏感度和图像稀疏性不同,深度学习快速磁共振成像通过线下学习待重建图像与全采样图像之间的映射关系,再利用学到的映射关系辅助在线精确成像。因此,传统的采样方法未必是深度学习快速磁共振成像的最佳欠采样轨迹,基于此,论文设计了一种新的欠采样方案,即汉明滤波非对称一维部分傅里叶采样。(3)论文将所提出的欠采样轨迹与传统欠采样轨迹的结果进行对比,实验结果表明,本文所提出的欠采样方案的综合性能优于传统欠采样轨迹。并对卷积神经网络进行参数优化和对比,以及对所提出欠采样轨迹进行移位操作,以寻找最佳欠采样模式。论文所提出方法还与传统的并行重建方法进行比较,从平均量化指标以及视觉效果验证了论文方法能在最短时间内重建出更准确的结果,重建速度要快5倍以上。