磁共振成像是一種非侵入性影像檢測(cè)技術(shù),具有優(yōu)越的軟組織對(duì)比度,可以準(zhǔn)確反映人體器官和組織的生理功能及解剖結(jié)構(gòu),是臨床診斷和治療方案中不可或缺的成像工具。磁共振成像速度慢是限制其發(fā)展的一個(gè)重要因素。k空間數(shù)據(jù)欠采樣并結(jié)合相應(yīng)的重建算法是加快磁共振成像的有效方法。然而,對(duì)欠采樣的k空間數(shù)據(jù)進(jìn)行圖像重建是一個(gè)不適定的逆問(wèn)題。雖然根據(jù)圖像的先驗(yàn)知識(shí)引入正則化項(xiàng)可用于求解圖像重建的逆問(wèn)題,但目前的磁共振重建方法在高加速因子下仍然易受噪聲和混疊偽影的干擾,且手動(dòng)調(diào)節(jié)參數(shù)（如稀疏算子、正則化參數(shù)等）比較困難。近年來(lái),深度學(xué)習(xí)領(lǐng)域得到了飛速發(fā)展。深度學(xué)習(xí)模型具有高度的非線性,可以自發(fā)地從大量數(shù)據(jù)中提取特征,在分類、分割等計(jì)算機(jī)視覺(jué)領(lǐng)域和醫(yī)學(xué)圖像處理方面都取得了里程碑的進(jìn)展。因此,有大量的研究者將深度學(xué)習(xí)方法用到了磁共振重建中,以進(jìn)一步提升磁共振成像速度,雖然取得了令人鼓舞的成果,但基于端到端深度學(xué)習(xí)的重建方法的實(shí)現(xiàn)依賴于大量高質(zhì)量的磁共振數(shù)據(jù),且相比于傳統(tǒng)的基于模型的重建方法,端到端的網(wǎng)絡(luò)泛化能力有限,易受數(shù)據(jù)量和數(shù)據(jù)質(zhì)量的影響。針對(duì)上述問(wèn)題,本碩士論文提出一種新穎的基于卷積網(wǎng)絡(luò)的模型優(yōu)化框架,用于磁... 

【文章來(lái)源】： 陳艷霞 中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院)

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

具有四個(gè)線圈，R=3的均勻笛卡爾加速度的SENSE重建示意圖[116]

基于卷積網(wǎng)絡(luò)模型優(yōu)化學(xué)習(xí)的磁共振成像的研究6采，全采的k空間中心稱為自動(dòng)校準(zhǔn)線（AutocalibrationSignals,ACS），除k空間中心外的其他部分欠采，GRAPPA定義k空間中采樣的數(shù)據(jù)點(diǎn)為源點(diǎn)（圖1.4），單個(gè)丟失的k空間數(shù)據(jù)點(diǎn)（稱為目標(biāo)點(diǎn)），通過(guò)相鄰已采樣的k空間點(diǎn)（源點(diǎn)）的線性組合來(lái)獲得。具體地，首先由ACS線獲得GRAPPA內(nèi)核中的權(quán)重，然后再將GRAPPA內(nèi)核滑動(dòng)整個(gè)k空間，將每個(gè)獲取的源點(diǎn)乘以GRAPPA內(nèi)核中的權(quán)重再相加，填充到目標(biāo)點(diǎn)內(nèi)。值得注意的是，GRAPPA內(nèi)核中的權(quán)重是通過(guò)全采的k空間中心ACS線獲得的。GRAPPA重建的優(yōu)點(diǎn)是：魯棒性更好（因?yàn)槠洳恍枰苯庸烙?jì)線圈的靈敏度信息），優(yōu)于SENSE。缺點(diǎn)是：不適用于非笛卡爾采樣軌跡，（因?yàn)镚RAPPA內(nèi)核的權(quán)重直接應(yīng)用于整個(gè)圖像，這要求整個(gè)k空間的拓?fù)浣Y(jié)構(gòu)是相同的，而非笛卡爾采樣整個(gè)k空間的拓?fù)浣Y(jié)構(gòu)差別很大。）當(dāng)兩個(gè)維度加速時(shí)，需要估計(jì)多個(gè)GRAPPA核。圖1.4GRAPPA重建示意圖。左邊是一個(gè)GRAPPA內(nèi)核示例，用于重建欠采樣因子的笛卡爾數(shù)據(jù)[116]。Figure1.4SchematicofGRAPPAreconstruction.OntheleftisasampleGRAPPAkernelusedtoreconstructundersampledCartesiandata.Figurefrom[116].為了克服上面SENSE和GRAPPA的缺點(diǎn)，2010年LustigM等人提出了SPIRiT重建方法，該方法是GRAPPA和SENSE的合體，繼承了GRAPPA和SENSE的優(yōu)點(diǎn)。SPIRiT的公式如1.3，其中第一項(xiàng)表示數(shù)據(jù)一致性項(xiàng)，其將重建的數(shù)據(jù)X通過(guò)回顧性欠采樣矩陣D，強(qiáng)制與欠采樣數(shù)據(jù)Y保持一致，也就是說(shuō)，

基于卷積網(wǎng)絡(luò)模型優(yōu)化學(xué)習(xí)的磁共振成像的研究8圖1.5SPIRiT重建示意圖。SPIRiT將數(shù)據(jù)重建到笛卡爾k空間網(wǎng)格上[116]。Figure1.5SchematicdiagramofSPIRiTreconstruction.SPIRiTreconstructsthedataontoaCartesiank-spacegrid[116].1.2.2壓縮感知磁共振成像除了探索多線圈的物理特性外，人們已經(jīng)做出了各種努力集中于開(kāi)發(fā)先進(jìn)的重建算法以改善欠采樣磁共振的成像質(zhì)量。公認(rèn)比較有效的方法是利用了各種先驗(yàn)信息并將其作為正則化項(xiàng)添加到重建公式中。其中一項(xiàng)最具代表性的模型是基于壓縮感知的MRI重建（CS-MRI），其打破了奈奎斯特采樣定理的制約，大大降低了對(duì)采樣數(shù)據(jù)量的需求。這一算法致力于最小化由敏感度編碼數(shù)據(jù)保真項(xiàng)和稀疏正則項(xiàng)組成的總體重建目標(biāo)。將CS應(yīng)用到MRI重建當(dāng)中，需要滿足以下三個(gè)條件：1) 待重構(gòu)的圖像在某一變換域中具有稀疏表示。常見(jiàn)的稀疏變換有小波變換（DWT），總變差（TV），HuberMarkov隨機(jī)場(chǎng)先驗(yàn)[57]，非局部總變差[58]和字典學(xué)習(xí)[59]等。2) 用特定的欠采樣數(shù)據(jù)采集協(xié)議，使得欠采樣獲得的重建偽影在某個(gè)稀疏變換域中不相干[60]。在MRI中通常使用偽隨機(jī)[61]或非笛卡爾采樣軌跡[62]。3) 非線性重構(gòu)算法，該算法需要平衡變換域中的稀疏性與欠采樣k空間的數(shù)據(jù)一致性。字典學(xué)習(xí)就是將傳統(tǒng)思想的稀疏基（如DCT、小波基、傅里葉基等）通過(guò)超完備冗余字典來(lái)替換。具體方法為：通過(guò)在圖像域和k空間之間來(lái)回交替來(lái)更新自適應(yīng)字典，由于字典是從圖像自身或者是從相似類別的圖像中學(xué)到的。與CS-MRI相比，這種圖像自適應(yīng)稀疏算法可以表現(xiàn)出更好的圖像稀疏性，從而獲


本文編號(hào)：3614680