磁共振成像能提供丰富的对比度信息且无电离辐射,已成为医学临床诊断和生命科学研究最重要的手段之一。然而,成像时间长一直是磁共振发展的瓶颈问题,它严重制约了磁共振的大规模临床应用。因此,实现快速磁共振成像具有重大的科研和应用价值。目前,通过在k空间减少采集数据(欠采样)来实现扫描加速是快速磁共振成像的重要策略。为了克服由于欠采样带来的系统病态性导致的图像质量下降问题,利用先验信息十分必要。压缩感知快速成像是近十年来基于先验信息快速成像领域中的研究热点。压缩感知理论指出,可以从极少的非相干采样样本中通过非线性方法重建原始的稀疏信号。待重建图像的稀疏性是压缩感知理论成功应用于快速磁共振成像的基本前提,也是亟待利用的先验信息,最大化稀疏表达待重建图像可以降低重建误差,提高重建质量。然而,选择最优的稀疏变换来最大化稀疏磁共振图像是一个难题。实际应用中,采用的变换并不能使图像得到完全稀疏的表达,这就导致某些图像特征尤其是细节特征的丢失。本文旨在给定部分k空间数据的情况下,力求克服重建图像细节信息丢失的问题,使得在同样的加速倍数下能获得更高的重建质量。本文的主要研究工作和成果有:一、提出了细节优化成像策略。基于压缩感知理论及残差图像的成分组成,设计了图像细节优化模块,并将该模块成功嵌入到压缩感知并行成像框架中。为了能更好地定位图像边缘信息及提升图像结构信息的提取能力,设计了新的由纹理和结构两部分组成的细节提取算子。成像实验表明,新的细节提取算子能更有效地提取细节信息,使得加入了细节优化模块的重建方法具有更高的重建质量,且重建图像具有更强的细节刻画能力。二、提出了从传统成像模型出发,使用深度学习进行欠采图像重建的实现策略。在传统成像模型和优化算法的基础上,引入深度学习,将迭代算法展开到深度神经网络上,利用网络通过学习的方式获得成像模型和优化算法中的自由因子,并进一步放开模型中的约束,打破算法中参数间固定的结构关系,充分利用深度网络的学习能力来获得更多的先验信息,从而提高重建质量,优化重建图像中的细节信息。三、成功将细节优化方法和基于模型的深度学习方法应用于三维高分辨血管壁成像中。与传统压缩感知方法相比,细节优化方法能更好地刻画细小的血管壁,保持血管壁与周围组织的良好对比,而深度学习方法在提供了较高的血管壁重建质量的同时,避免了传统方法复杂的调参过程。