磁共振定量成像技術可以對人體的多種生理組織參數(shù)等進行定量衡量,為臨床上的疾病診斷提供更加客觀的依據(jù)。另一方面,合成磁共振成像技術可基于質子密度（protondensity,PD）定量圖,縱向馳豫時間T1定量圖,橫向馳豫時間T2定量圖,使用相應的信號產(chǎn)生公式可以得到多種與真實掃描的磁共振圖像質量相近的合成磁共振圖像,從而有效減少總掃描時間。本論文作了兩方面相關工作:（1）針對常規(guī)合成磁共振圖像的對比度以及對于疾病的檢測能力無法超過真實掃描磁共振圖像的問題,本文中提出一種增強合成磁共振成像技術,可提高合成磁共振圖像的成像質量,顯著改善合成磁共振圖像的組織對比度,促進其對于臨床病變的檢測效果。（2）定量磁敏感成像（quantitative susceptibility mapping,QSM）可以對組織磁化率進行定量成像,對鐵含量,鈣化程度等的測量有著很好的效果。由于常規(guī)QSM重建方法無法對于較短掃描時間的數(shù)據(jù)得到較高質量的定量磁敏感圖像,本文中驗證了使用3DU-Net神經(jīng)網(wǎng)絡對于單回波梯度回波（gradientecho,GRE）相位數(shù)據(jù),低分辨率單回波GRE相位數(shù)據(jù),磁敏感加權成像（sus... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【部分圖文】：

圖２．１ＭＲＦ數(shù)據(jù)采集，重建與識別流程圖

２１］。?．??ＱＳＭ使用的掃描序列為ＧＲＥ序列，由公式（２．７）和公式（２．８）可知，利用??ＧＲＥ序列的相位圖像可以擬合得到場圖，再由場圖經(jīng)過磁偶極子反卷積操作即??可以求解得到磁化率分布圖，即ＱＳＭ圖像。由于磁共振掃描儀所能獲得的初始??相位圖像會發(fā)生相位卷繞現(xiàn)象，其值會限制在－ＴＴ？ｒｒ之間，同時得到的場圖也包含??背景場的影響，所以由ＧＲＥ相位圖像進行ＱＳＭ圖像重建一般分為三個步驟：??相位解卷繞，背景場去除，磁偶極子反卷積操作［２１，７１］。ＱＳＭ重建的整體流程如??圖２．２所示。??｜?Ｆｉｌｔｅｒ?｜?Ｓｏｌｖｅ??１?Ｂａｃｋｇｒｏｕｎｄ?Ｐｈａｓｅ?丨?Ｉｎｖｅｒｓｅ?Ｐｒｏｂｌｅｍ??Ｒａｗ?Ｐｈａｓｅ?Ｕｎｗｒａｐｐｅｄ?Ｐｈａｓｅ?Ｔｉｓｓｕｅ?Ｐｈａｓｅ?Ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ??圖２．２?ＱＳＭ重建流程圖。此圖引自文獻［７１］。??對于相位解卷繞以及背景場去除兩個步驟，現(xiàn)已有算法可以很好地解決這兩??個步驟中遇到的問題，ＱＳＭ重建中最大的難點是磁偶極子反卷積操作。??由公式（２．７）可知，對場圖進行空間域的磁偶極子反卷積操作可以求解得到??ＱＳＭ圖。實際計算中，反卷積操作轉化到Ｋ空間域進行計算。公式（２．７）在Ｋ??空間的表現(xiàn)形式為：??ｂ（ｋ）?＝?ｙｆｌ〇?＾（ｋ）?（２．９）??／ｃ表示的是Ｋ空間向量，／＾是＆在主磁場方向的分量，表示ｂ（ｋ）表示場圖的傅里??１６??

浙江大學碩士學位論文?相關技術概述??葉變換結果，ｚ〇＜）表示磁化率分布圖的傅里葉變換結果，ｙ表示旋磁比，＾表示??主磁場的場強。所以空間域的磁偶極子反卷積操作又可以轉化為Ｋ空間域的除??法［７｜］。由公式（２．９）可知，當磁偶極子核的位置相對于主磁場的角度為土５４．７°??時，其值為０，所以磁偶極子反卷積計算是個病態(tài)問題［７２］。磁偶極子核在圖像域??和Ｋ空間域的表示如圖２．３所示。??⑷?，（ｂ）?—?⑷??圖２．３磁偶極子核在空間域（ａ，?ｂ）和Ｋ空間域（ｃ，?ｄ）的表示。ａ：空間域磁偶極子中??央的矢狀切面，ｂ：空間域磁偶極子核表面圖，ｃ：?Ｋ空間域磁偶極子核中央的矢狀切面，??紅線所指的為絕對值較小的區(qū)域，ｄ：?Ｋ空間域磁偶極子核的值為０的表面圖。此圖引自文??獻【７２】。．??目前，研究人員發(fā)明出不同的算法進行磁偶極子反卷積的處理。如ＴＫＤ，??ＭＥＤＩ，?ＳＴＡＲ－ＱＳＭ，ＣＯＳＭＯＳ。關于ＴＫＤ算法丨４Ｍ６】，由于在Ｋ空間域中，磁??偶極子值較小的值僅在圖２．３?（ｄ）中所示椎體的表面以及其臨近位置，ＴＫＤ算??法將Ｋ空間域磁偶極子核在該位置處的空間頻率值設定為非０的值，然后再進??行除法操作。ＴＫＤ算法原理較為簡單，容易實施，計算速度快，但是其計算出的??ＱＳＭ圖像會有條帶偽影出現(xiàn)，并不是一種特別理想的算法。關于ＭＥＤＩ算法［４７］，??因為人體組織種類的改變會造成幅值數(shù)據(jù)對比度的改變，同樣也會造成磁化率的??改變，所以幅值數(shù)據(jù)的組織邊界應該也是ＱＳＭ圖像的組織邊界。ＭＥＤＩ將幅值??圖像的信息作為一種先驗知識應用于ＱＳＭ的求解中去，對于在幅值數(shù)據(jù)中非邊??界的位置，通過加權的Ｌ１范數(shù)最小化


本文編號：3596190