磁共振成像(magnetic resonance imaging,MRI)可以获得高分辨率的解剖图像,是现代医学诊断中一项至关重要的影像技术。通过设置不同的磁共振扫描参数,可以灵活地对图像的对比度进行加权,突出不同的解剖学或生理学特征,从而为医学诊断提供更多有价值的信息。Mansfield在1977年提出的回波平面成像(echo planar imaging,EPI)方法,是目前应用最广泛的超快速成像方法。然而,EPI图像易受到采样梯度快速切换所造成的相位误差累积的影响,产生奈奎斯特伪影。虽然人们提出了多种去除奈奎斯特伪影的方法,但它们往往借助参考扫描或进行多次迭代运算,耗费更多的时间成本。深度神经网络(deep neural network)是机器学习研究领域的一个重要分支,已在语音识别、图像视觉、自然语音处理等领域展现出强大的应用潜力。本文利用深度学习神经网络技术,围绕EPI图像中存在的奈奎斯特伪影校正问题进行研究,主要包括以下内容:一、首先,简要介绍了磁共振成像的背景及基本原理。接着,对两种EPI方法进行了详细介绍,阐述了它们的成像原理并给出了自旋信号编解码过程和理论表述,以及目前EPI存在的问题。然后,重点介绍了奈奎斯特伪影产生的原因和常规的几种奈奎斯特伪影校正方法。最后,阐述了深度神经网络的相关理论,详细介绍了在我们工作中用到的卷积神经网络。二、提出了基于深度神经网络的单通道EPI无参考扫描奈奎斯特伪影校正方法。常规校正方法要么需要修改序列的回波链进行参考扫描,要么利用交错式数据法(interleaved data method)重排k空间数据,两类方法都降低了时间分辨率。我们借助深度神经网络,学习具有奈奎斯特伪影的EPI图像的相位误差特征,然后根据不同的实测数据给出对应的相位误差图,即可通过数据后处理方法在无需参考扫描情况下实现奈奎斯特伪影校正。模拟数据和实测实验验证了所提出的新方法的有效性。三、利用多通道EPI数据对我们提出的无参考扫描奈奎斯特伪影校正方法做进一步验证。我们根据并行成像的特点生成了所需要的数据集并优化了损失函数。将由所提出的新方法得到的相位误差图与由传统方法求解得到的相位误差图进行比较,结果表明我们的方法可以给出与传统方法相近的相位误差。模拟实验和模型实验验证了所提出的方法的有效性。