深度学习技术已经在计算机视领域已经取得了显著的效果,特别是在图像识别和检测,图像恢复,和去噪上有着大量的应用。基本卷积神经网络(CNN),和基于此的其他变形网络可以自动地从大量的训练数据中提取对应的特征表示。从而识别出复杂的结构信息,能够把输入和输出之间构建非线性映射关系。由此技术得到启发,可以利用深度学习技术在磁共振成像(Magnetic Resonance Imaging,MRI)中的一些图像处理技术进行研究,磁共振成像中最影响患者体验的一个原因是扫描时间过长。在得不到足够的采样数据的情况下,得到的图像会被严重的吉布斯伪影所干扰。磁共振图像成像技术中成像速度取决于采样的多少,以及生理和硬件条件的限制,在这些条件已经达到极限的情况下,磁共振的欠采样成像技术能够突破磁共振的采样速度,利用一些算法例如GRAPPA,SENSE,压缩感知成像等技术可以重建出和全采样相同的质量的图像。1.本文设计并调整了基于深度残差网络,U-NET的神经网络,对带有伪影的图像进行训练,使其建立起有伪影的图像到没有伪影的图像之间的非线性映射关系,同时把自然图像加入训练,首先经过自然图像训练的网络再经过磁共振图像进行训练,比起单一的数据集进行训练能更加有效地消除伪影,并且保留图像的结构信息,同时研究发现经过足够训练的神经网络可以代替数据一致单元,独自完成端对端的图像处理。2.本文设计并调整了基于深度残差网络的神经网络,对磁共振成像的并行成像模式进行训练,用特别设计的深度神经网络实现输入欠采样图像到金标准的全采样图像之间的非线性映射关系,实现磁共振图像的欠采样重建,比起传统方法,这种方法可以更加灵活地处理图片并且不用设定额外的参数,同时得到更快的处理速度。本文研究表明,深度卷积神经网络对磁共振的伪影消除和欠采样图像重建体现出了比传统方法不具备的优势。深度学习技术在磁共振图像处理等领域有巨大的潜力。