發(fā)布時(shí)間：2023-12-10 15:43

　　磁共振(Magnetic Resonance,MR)成像是當(dāng)今醫(yī)學(xué)領(lǐng)域的一種非常重要的成像方法,MR特殊圖像成像方法導(dǎo)致其成像在復(fù)雜度、難度以及成像速度上都遠(yuǎn)高于其他常見的成像方法,成像的結(jié)果也會(huì)受到各種因素的干擾到信號(hào)結(jié)果包含偽影和噪聲。壓縮感知技術(shù)通過在k空間上利用少量欠采樣數(shù)據(jù)即可重建MR圖像,能夠提高數(shù)據(jù)采集效率,成為MR成像的一個(gè)重要研究方向。在磁共振圖像重建研究中,本文提出了一種基于非采樣小波變換和迭代圖像重建算法的先驗(yàn)學(xué)習(xí)方法。在先驗(yàn)學(xué)習(xí)階段,將非采樣小波變換得到的特征圖像作為去噪自編碼網(wǎng)絡(luò)(Denoising-Autoencoder,DAE)的輸入進(jìn)行疊加。高冗余和多尺度的輸入使得特征圖像能夠在不同的通道上相互關(guān)聯(lián),從而實(shí)現(xiàn)了 一個(gè)強(qiáng)大的網(wǎng)絡(luò)驅(qū)動(dòng)先驗(yàn)。此外,在磁共振圖像去噪任務(wù)當(dāng)中,通過擬合圖像像素級(jí)和特征級(jí)的信息分布,提出了一種漸進(jìn)式網(wǎng)絡(luò)學(xué)習(xí)策略。本論文的主要研究成果包括以下兩點(diǎn):(1)基于小波域去噪自編碼網(wǎng)絡(luò)的MR成像重建�；谏疃葘W(xué)習(xí)的迭代網(wǎng)絡(luò)構(gòu)架,利用小波變換作為網(wǎng)絡(luò)的輸入指導(dǎo),與傳統(tǒng)算法相比,基于迭代網(wǎng)絡(luò)的在性能上有了很大提升,而且處理時(shí)間大大縮短。(2)基于...

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 章節(jié)安排
第2章 理論基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 評(píng)價(jià)指標(biāo)
    2.3 深度學(xué)習(xí)常用框架及工具包
第3章 基于小波變換去噪自編碼網(wǎng)絡(luò)的壓縮感知重建
    3.1 引言
    3.2 傳統(tǒng)去噪自編碼器模型
        3.2.1 去噪自編碼器模型
        3.2.2 小波變換
    3.3 WDAEP模型
        3.3.1 小波變換引導(dǎo)的DAEP(WDAEP)
        3.3.2 網(wǎng)絡(luò)Dση
(Φ(u))
        3.3.3 WDAEPRec:WDAEP的迭代求解
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 不同采樣方式下的比較
        3.4.2 不同采樣模式下結(jié)果的比較
        3.4.3 多種網(wǎng)絡(luò)
    3.5 本章小結(jié)
第4章 基于漸進(jìn)分布式神經(jīng)網(wǎng)絡(luò)的磁共振圖像去噪
    4.1 引言
    4.2 基于分布估計(jì)去噪和網(wǎng)絡(luò)結(jié)構(gòu)殘差表示
    4.3 本文的網(wǎng)路模型
        4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.3.2 結(jié)構(gòu)分析
        4.3.3 多種網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 合成腦圖像的比較
        4.4.2 復(fù)數(shù)MR數(shù)據(jù)的比較
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 本文工作總結(jié)
    5.2 未來研究展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3872656

suoshi