磁共振成像作为一种无损害、多模态的临床医学疾病检测技术,能够为临床诊断提供高分辨率、任意层面的软组织结构图像。同时,功能磁共振成像作为脑科学研究的重要工具,也得到了迅速的发展。由于受自身成像机制的影响,磁共振成像系统的成像时间相对较长,有时不能满足临床医学的特殊需求。为了提高磁共振系统的成像速度,进一步满足临床需求,并行磁共振成像被提出并得到了深入的研究。并行磁共振成像首先通过并行线圈采集技术在相位编码方向上减少K空间数据的采集,然后通过并行磁共振重建算法,获得高质量的磁共振图像。并行磁共振重建算法包括GRAPPA和SENSE两大类。本文对SENSE及其改进算法进行研究,提出一种利用深度学习改进SENSE算法的混合磁共振并行重建算法,该算法可以进一步提高传统SENSE的重建效果。另外,本文通过对传统并行重建算法通用框架的深入研究,提出了一种基于深度学习的多通道磁共振并行重建算法。主要的研究成果如下:1,本文提出一种通过深度学习算法提高SENSE重建效果的新型混合磁共振并行重建算法。SENSE重建框架主要是利用并行线圈的敏感度分布,即线圈敏感图,来打开由于K空间欠采样而产生的混叠伪影。获取精确的线圈敏感图对SENSE重建至关重要。本方法主要利用深度学习在图像生成方面强大的非线性映射能力,来合成高质量、精确的线圈敏感图,从而进一步提高传统SENSE算法的磁共振图像重建质量。本方法的另一个优点是,为提高直接基于深度学习的快速成像方法的泛化能力提供了一种思路。本文通过详细的对比实验证明了本方法的以上两大优势。2,本文提出一种基于深度学习的多通道并行磁共振重建算法。为了提高磁共振设备的成像质量和速度,多线圈采集技术在MRI领域得到了突飞猛进的发展。多线圈采集技术就是利用阵列相控阵线圈同时采集回波信号,经过傅里叶变换后得到多通道的磁共振图像,各通道图像之间差异反映了各线圈的相对空间位置信息。目前,大多数基于深度学习端到端的快速重建算法的输入是单通道图像,即通过平方和算法(Sum of Squares,SOS)得到的单通道图像。以单通道图像为输入的深度学习快速重建方法,完全忽略了空间信息和权重信息。为了解决以上问题,本文提出一种以多通道磁共振图像为输入,充分利用各通道图像之间的相对空间位置信息,并对各通道之间进行权重加权的新型深度学习端到端并行重建算法。经过对比实验分析,本方法具有更好的试验结果。