论文部分内容阅读
目前磁共振成像已经成为临床检测中一种重要的医学影像技术。由于受到硬件上的限制和周围神经刺激的影响,磁共振成像时间很长。磁共振成像时间包括磁共振数据的采集时间和磁共振数据的重建时间。动态磁共振图像序列可以看成是一系列静态磁共振图像的集合,因此动态磁共振成像时间更加长。由于动态磁共振数据在时空方向上有很多冗余,压缩感知理论很快被应用到动态磁共振成像的研究中。采集少量的数据可以缩短动态磁共振数据的采集时间,但传统压缩感知模型的重建时间却往往很长,不能满足动态磁共振数据实时成像的临床要求。随着深度学习成功地被应用于自然图像的重建,同传统的压缩感知模型相比,深度卷积网络可以大大缩短图像的重建时间。本文主要探讨了一种将深度学习和压缩感知理论相结合的动态磁共振数据成像模型,主要做了以下的一些工作:
(1)研究了一种通用的基于压缩感知的动态磁共振成像(CS-DMRI)模型,在稀疏空间引入辅助变量来构造增广拉格朗日函数,给出了用交替方向乘子法迭代求解该模型的过程。分析出CS-DMRI模型用于重建动态磁共振数据具有较难调节参数、难以选择合适的稀疏空间、迭代重建时间较长等缺点。为了克服这些缺点,结合目前流行的深度学习理论,探讨了把传统的CS-DMRI模型的迭代求解过程展开为网络的形式,并将迭代模型中的稀疏滤波操作单独提出成为网络的卷积层,提出了一种UIN(unrollediterativenetwork,UIN)模型,该模型包括四种网络结构层:重构层、卷积层、非线性滤波层、乘子更新层。用经典的反向传播算法训练网络。当网络训练好后,用测试数据测试该网络,测试结果表明所提出的UIN模型比起传统的压缩感知重建模型,重建质量有一定的提升,总体上重建时间是最短的。
(2)提出了一种改进的UIN模型,称之为CUIN(convolutionalunrollediterativenetwork,CUIN)模型。由于UIN模型中卷积层的卷积核学习不充分,使得模型非线性拟合能力不强,深入研究了卷积神经网络的卷积神经元的结构后,提出使用卷积神经网络中的卷积操作代替UIN模型的卷积操作。在迭代求解CS-DMRI模型的过程中,在图像空间引入辅助变量来构造增广拉格朗日函数。CUIN模型包含六种结构层:重构层、叠加层、卷积层、非线性滤波层、反卷积层、乘子更新层。也用反向传播算法训练学习网络。为了方便实现CUIN模型,使用Matconvnet深度学习框架实现整个网络,训练时间大大减少。测试结果表明,CUIN模型相比于UIN模型,在欠采样的动态磁共振数据重建中,重建得到的动态磁共振图像序列质量更好,且重建时间进一步缩短。
(1)研究了一种通用的基于压缩感知的动态磁共振成像(CS-DMRI)模型,在稀疏空间引入辅助变量来构造增广拉格朗日函数,给出了用交替方向乘子法迭代求解该模型的过程。分析出CS-DMRI模型用于重建动态磁共振数据具有较难调节参数、难以选择合适的稀疏空间、迭代重建时间较长等缺点。为了克服这些缺点,结合目前流行的深度学习理论,探讨了把传统的CS-DMRI模型的迭代求解过程展开为网络的形式,并将迭代模型中的稀疏滤波操作单独提出成为网络的卷积层,提出了一种UIN(unrollediterativenetwork,UIN)模型,该模型包括四种网络结构层:重构层、卷积层、非线性滤波层、乘子更新层。用经典的反向传播算法训练网络。当网络训练好后,用测试数据测试该网络,测试结果表明所提出的UIN模型比起传统的压缩感知重建模型,重建质量有一定的提升,总体上重建时间是最短的。
(2)提出了一种改进的UIN模型,称之为CUIN(convolutionalunrollediterativenetwork,CUIN)模型。由于UIN模型中卷积层的卷积核学习不充分,使得模型非线性拟合能力不强,深入研究了卷积神经网络的卷积神经元的结构后,提出使用卷积神经网络中的卷积操作代替UIN模型的卷积操作。在迭代求解CS-DMRI模型的过程中,在图像空间引入辅助变量来构造增广拉格朗日函数。CUIN模型包含六种结构层:重构层、叠加层、卷积层、非线性滤波层、反卷积层、乘子更新层。也用反向传播算法训练学习网络。为了方便实现CUIN模型,使用Matconvnet深度学习框架实现整个网络,训练时间大大减少。测试结果表明,CUIN模型相比于UIN模型,在欠采样的动态磁共振数据重建中,重建得到的动态磁共振图像序列质量更好,且重建时间进一步缩短。