论文部分内容阅读
磁共振(Magnetic Resonance,MR)成像是当今医学领域的一种非常重要的成像方法,MR特殊图像成像方法导致其成像在复杂度、难度以及成像速度上都远高于其他常见的成像方法,成像的结果也会受到各种因素的干扰到信号结果包含伪影和噪声。压缩感知技术通过在k空间上利用少量欠采样数据即可重建MR图像,能够提高数据采集效率,成为MR成像的一个重要研究方向。在磁共振图像重建研究中,本文提出了一种基于非采样小波变换和迭代图像重建算法的先验学习方法。在先验学习阶段,将非采样小波变换得到的特征图像作为去噪自编码网络(Denoising-Autoencoder,DAE)的输入进行叠加。高冗余和多尺度的输入使得特征图像能够在不同的通道上相互关联,从而实现了 一个强大的网络驱动先验。此外,在磁共振图像去噪任务当中,通过拟合图像像素级和特征级的信息分布,提出了一种渐进式网络学习策略。本论文的主要研究成果包括以下两点:(1)基于小波域去噪自编码网络的MR成像重建。基于深度学习的迭代网络构架,利用小波变换作为网络的输入指导,与传统算法相比,基于迭代网络的在性能上有了很大提升,而且处理时间大大缩短。(2)基于渐进分布式神经网络的MR图像去噪。通过在像素级和特征级用大卷积滤波器拟合莱斯分布,提出了一种渐进式网络学习策略。第一子网络和第二子网络分别起初步和再细度估计的作用。由于莱斯噪声的非线性特性,第一个子网中没有使用批量标准化(batch normalization,BN)层。同时,随着非线性分量的减少,在第二次子网路中使用BN来映射估计。本章通过改变网络结构来验证RicianNet的稳定性,并实验验证两个子网络级联的RicianNet具有更好的性能。综上所述,本文围绕快速MR成像重建和图像去噪,分别提出无监督学习的小波域去噪自编码网络算法和有监督的渐进式神经网络算法。