磁共振成像（Magnetic Resonance Imaging,MRI）因其具有較高的軟組織分辨率,對人體沒有電離輻射損傷等優(yōu)點,應用范圍日益廣泛,已成為一項常規(guī)醫(yī)學檢查方法。但由于MRI在應用中常存在掃描速度慢的缺點,容易產生運動偽影,且難以滿足實時成像的要求,因此如何加快MRI的成像速度是MRI領域的熱點之一。以往通常從三個方面來加速MRI的成像時間,一是提高MRI硬件的性能,但人體的生理效應限制了MRI硬件的磁場強度和磁場梯度的切換率;二是采用并行成像算法,但采用并行成像算法受線圈敏感度分布的準確測量和自校準數(shù)據行、降采樣倍數(shù)、擬合塊個數(shù)等多種因素的影響;三是減少MRI的k空間（頻域空間）的數(shù)據采集量,但是數(shù)據采集量的大量減少,會帶來圖像質量的顯著下降,盡管可通過多種重建算法提高欠采樣圖像重建的質量,但是往往需要較長的重建時間,難以滿足實時成像的臨床需求。近年來,基于卷積神經網絡（Convolutional Neural Network,CNN）的深度學習算法開始應用于磁共振欠采樣數(shù)據重建。基于深度卷積神經網絡的快速磁共振成像通過訓練大量的全采樣和欠采樣圖像,利用損失函數(shù)對網絡... 

【文章來源】：杭州電子科技大學浙江省

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 深度卷積神經網絡
        1.2.2 基于卷積神經網絡的快速磁共振成像算法
        1.2.3 基于注意門的卷積神經網絡算法
        1.2.4 基于k空間的快速磁共振成像算法
    1.3 主要研究內容
    1.4 本文章節(jié)安排
第2章 磁共振成像原理及卷積神經網絡的基礎
    2.1 引言
    2.2 MRI成像過程
    2.3 MRI采樣方式
    2.4 卷積神經網絡基礎模塊
    2.5 卷積神經網絡函數(shù)的反向傳播
        2.5.1 損失函數(shù)
        2.5.2 優(yōu)化算法
    2.6 本章小結
第3章 基于AR2 U-net卷積神經網絡的快速磁共振成像算法
    3.1 引言
    3.2 基于U-net卷積神經網絡的快速磁共振成像算法
        3.2.1 基于U-net卷積神經網絡的磁共振圖像訓練
        3.2.2 基于U-net卷積神經網絡的磁共振圖像重建
    3.3 基于AR2 U-net卷積神經網絡的快速磁共振成像算法
        3.3.1 R2(遞歸殘差)模塊
        3.3.2 AG(注意力)模塊
        3.3.3 基于AR2 U-net卷積神經網絡的磁共振圖像訓練
        3.3.4 基于AR2 U-net卷積神經網絡磁共振圖像重建
    3.4 實驗仿真及分析
        3.4.1 實驗數(shù)據準備
        3.4.2 客觀量化標準
        3.4.3 實驗結果
    3.5 討論與分析
    3.6 本章小結
第4章 基于混合空間卷積神經網絡的快速磁共振成像算法
    4.1 引言
    4.2 基于k空間卷積神經網絡的快速磁共振成像算法
        4.2.1 k空間卷積神經網絡前向傳播
        4.2.2 k空間卷積神經網絡反向傳播
    4.3 基于圖像空間卷積神經網絡的快速磁共振成像算法
        4.3.1 圖像空間卷積神經網絡前向傳播
        4.3.2 圖像空間卷積神經網絡反向傳播
    4.4 基于混合空間卷積神經網絡的快速磁共振成像算法
    4.5 實驗仿真及分析
        4.5.1 實驗數(shù)據準備
        4.5.2 客觀量化標準
        4.5.3 實驗結果
    4.6 討論與分析
    4.7 本章小結
第5章 總結與展望
    5.1 工作總結
    5.2 工作展望
致謝
參考文獻
附錄



本文編號：3184035