發(fā)布時間：2021-09-17 07:45

　　磁共振成像（Magnetic resonance imaging,MRI）在醫(yī)學(xué)上是一種常見的影像成像方法,可以無創(chuàng)的對內(nèi)部組織結(jié)構(gòu)進(jìn)行成像,其成像過程是先在頻域中進(jìn)行信號采集,再將采集的信號變換到時域完成成像,其擁有成像分辨率高、掃描無輻射等優(yōu)點。但由于掃描時間過長,患者難以忍受長時間保持固定姿勢,且成像精度易受到生理性運動的影響,產(chǎn)生運動偽影。傳統(tǒng)的磁共振圖像重構(gòu)算法中,通常是利用壓縮感知（Compressed Sensing）來實現(xiàn)欠采樣磁共振數(shù)據(jù)的恢復(fù),但是在低采樣率下重構(gòu)效果有待提高。隨著深度學(xué)習(xí)（Deep Learning）技術(shù)的發(fā)展,基于神經(jīng)網(wǎng)絡(luò)的磁共振圖像重構(gòu)技術(shù)成為了快速磁共振成像研究的重點。本文主要圍繞深度學(xué)習(xí)中Wasserstein生成對抗網(wǎng)絡(luò)模型（Wasserstein Generative Adversarial Network,WGAN）來重構(gòu)磁共振圖像,具體的研究內(nèi)容如下:（1）提出了一種基于微調(diào)Wasserstein生成對抗網(wǎng)絡(luò)（De-aliasing Fine-tuning Wasserstein Generative Adversarial Netw... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１基于壓縮感知的磁共振圖像重構(gòu)原理??對于ＣＳ－ＭＲＩ問題，為獲得欠采樣ＭＲＩ，我們要使用不同的采樣模式在Ｋ空間中采集??數(shù)據(jù)

浙江理工大學(xué)碩士學(xué)位論文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成對抗網(wǎng)絡(luò)的磁共振圖像重構(gòu)方法研究??偽影不連貫，有效地提升圖像的輪廓。但是這種采樣模式被磁共振系統(tǒng)本身限制，在實際??機(jī)器采集過程中使用較少。??徑向采樣［４９］是以Ｋ空間的中心原點開始，然后沿著直線的方向進(jìn)行采集，每條直線都??包含相同數(shù)量的低頻和高頻信息，這對欠采樣數(shù)據(jù)的重構(gòu)是有幫助的。對比一維高斯采樣，??在相同采樣率下這兩種采樣模式都可以采樣到更多的有效信息。圖２．２給出了上述描述的??三種采樣模式。??（ａ）—維高斯采樣?（ｂ）二維髙斯采樣?⑷徑向采樣??圖２．２采樣模式??２．３深度學(xué)習(xí)模型介紹??深度學(xué)習(xí)［５０］是使用多層復(fù)雜深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)之間對應(yīng)的特征關(guān)系。近年來，深??度學(xué)習(xí)在自然語言處理、計算機(jī)視覺和語音識別等領(lǐng)域都得到廣泛的應(yīng)用，并取得了顯著??的研宄進(jìn)展。??輸入層，隱藏層和輸出層可以構(gòu)成一個基本的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入層只是表示數(shù)據(jù)??的傳入，沒有對數(shù)據(jù)做任何處理，故通常在闡述模型層數(shù)的時候是忽略輸入層的。例如當(dāng)??網(wǎng)絡(luò)中隱藏層的數(shù)量為Ｉ時，該網(wǎng)絡(luò)通常被稱為兩層神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖２．３所示。輸??入層雖不做任何處理，但也具有實際含義，輸入層包含幾個神經(jīng)元就代表有多少種特征。??輸出層也有具體含義，如在做分類問題時，輸出層包含幾個神經(jīng)元就代表該模型有幾種分??類標(biāo)簽。網(wǎng)絡(luò)與網(wǎng)絡(luò)之間的區(qū)別主要在隱藏層對數(shù)據(jù)的操作，隱藏層的設(shè)計會直接影響網(wǎng)??絡(luò)模型的學(xué)習(xí)能力，一般來說深層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力要遠(yuǎn)遠(yuǎn)超過淺層網(wǎng)絡(luò)的學(xué)習(xí)能力。??９??

浙江理工大學(xué)碩士學(xué)位論文?基于Ｗａｓｓｅｒｓｔｅｉｎ生成對抗網(wǎng)絡(luò)的磁共振圖像重構(gòu)方法研究??輸入層?隱藏Ｇ?輸出層??圖２．３基本神經(jīng)網(wǎng)絡(luò)??２．３．１卷積神經(jīng)網(wǎng)絡(luò)模型??卷積神經(jīng)網(wǎng)絡(luò)是具有局部感受野（Ｌｏｃａｌ?Ｒｅｃｅｐｔｉｖｅ?Ｆｉｅｌｄｓ）和參數(shù)共享（Ｐａｒａｍｅｔｅｒ??Ｓｈａｒｉｎｇ）等特點的前饋神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)相比，ＣＮＮ具有更少的網(wǎng)絡(luò)參數(shù)??和更低的模型復(fù)雜度。卷積神經(jīng)網(wǎng)絡(luò)非常適用于對數(shù)據(jù)相關(guān)性較強(qiáng)的數(shù)據(jù)進(jìn)行處理，其對??數(shù)據(jù)特征具有很強(qiáng)的學(xué)習(xí)和特征提取能力，能夠很好的解決圖像類問題。一般來說在ＣＮＮ??由以下幾個部分構(gòu)成：??１?）卷積層（Ｃｏｎｖｏｌｕｔｉｏｎ?ｌａｙｅｒ）。卷積是一種定義在輸入函數(shù)和卷積核函數(shù)之間的操??作，對于連續(xù)函數(shù)，其定義為：??Ｓ〇：）?＝?（Ｉ＊?ｗ）（ｔ）?＝?Ｊ＂?１（ａ）?ｗ（ｔ－?ａ）?ｄａ?２－（６）??其中［代表輸入函數(shù)，ｗ代表卷積核函數(shù)，＊代表卷積操作，ｔ代表變量，ａ代表積分變量。??對于離散函數(shù)，定義為：??Ｓ（ｔ）?＝?（Ｉ＊?ｗ）（ｔ）?＝?＾?１（ａ）?ｗ（ｔ－ａ）?２－（７）??ａ＝－°°??在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層的輸入往往是多維數(shù)據(jù)，以二維圖像為例，卷積定義為：??Ｓ（ｉ，ｊ）?＝?（Ｉ＊ｗ）（ｉ，ｊ）?＝?［［Ｉ（ｉ－ｍ，ｊ－ｎ）ｗ（ｍ，ｎ）?２－（８）??ｍ?ｎ??其中１為圖像數(shù)據(jù)，ｗ為二維卷積核，Ｓ表示卷積得到的二維特征圖（Ｆｅａｔｕｒｅ?Ｍａｐ）?，?ｉ，?ｊ??表示特征圖中的坐標(biāo)。二維卷積操作類似于將卷積核函數(shù)遍歷輸入數(shù)據(jù)的所打Ｒ置，／Ｉ：每??個位置進(jìn)行一次內(nèi)積求和運兌。將卷積的過程進(jìn)彳ｒ反轉(zhuǎn)的操作

【參考文獻(xiàn)】：
期刊論文
[1]生成式對抗網(wǎng)絡(luò)及其計算機(jī)視覺應(yīng)用研究綜述[J]. 曹仰杰,賈麗麗,陳永霞,林楠,李學(xué)相.  中國圖象圖形學(xué)報. 2018(10)
[2]生成式對抗網(wǎng)絡(luò)GAN的研究進(jìn)展與展望[J]. 王坤峰,茍超,段艷杰,林懿倫,鄭心湖,王飛躍.  自動化學(xué)報. 2017(03)
[3]基于深度卷積特征的細(xì)粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學(xué)報. 2017(08)
[4]NMR氫譜定量測定奶酪中總共軛亞油酸的含量[J]. 李瑋,姜潔,路勇,何濤,李龍,王振.  食品科學(xué). 2015(10)
[5]基于深度學(xué)習(xí)的車標(biāo)識別方法研究[J]. 彭博,臧笛.  計算機(jī)科學(xué). 2015(04)
[6]核磁共振脈沖寬度法測定嬰幼兒乳粉中乳糖、蔗糖含量[J]. 姜潔,李瑋,路勇,何濤,趙雅松,宋麗萍.  食品工業(yè)科技. 2015(08)
[7]一種基于小波稀疏基的壓縮感知圖像融合算法[J]. 黃曉生,戴秋芳,曹義親.  計算機(jī)應(yīng)用研究. 2012(09)

碩士論文
[1]基于改進(jìn)蛙跳算法的小波神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測研究[D]. 牛凡超.西南交通大學(xué) 2017



本文編號：3398275