一直以來,掃描時間過長是制約磁共振成像（magnetic resonance imaging,MRI）發(fā)展的主要因素,因此快速磁共振成像（fast MRI）是磁共振研究領(lǐng)域的重要課題之一�；诙嗑�圈陣列的并行磁共振成像方法和基于壓縮感知理論的快速磁共振成像方法是fast MRI這一領(lǐng)域的兩大重要階段。近幾年,隨著大數(shù)據(jù)和深度學(xué)習(xí)的快速發(fā)展,神經(jīng)網(wǎng)絡(luò)成為快速磁共振成像領(lǐng)域新的突破。然而,目前基于深度學(xué)習(xí)的快速磁共振重建方法存在著對復(fù)數(shù)磁共振數(shù)據(jù)的處理不夠合理、可解釋性差、重建結(jié)果模糊、丟失細節(jié)等不足。針對這些問題,本文基于卷積神經(jīng)網(wǎng)絡(luò)對快速磁共振重建算法展開研究。（1）深入調(diào)研了快速靜態(tài)磁共振重建領(lǐng)域的研究背景和現(xiàn)狀,對神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)和主要應(yīng)用進行詳細闡述。（2）本文構(gòu)建了一個深度級聯(lián)的卷積神經(jīng)網(wǎng)絡(luò),用于多通道數(shù)據(jù)的并行成像�？紤]到磁共振數(shù)據(jù)的復(fù)數(shù)特性,本文從復(fù)數(shù)的運算法則出發(fā),并與卷積操作結(jié)合,設(shè)計了一種復(fù)數(shù)卷積層,將其用于這一網(wǎng)絡(luò)結(jié)構(gòu)中。同時,數(shù)據(jù)一致層用在每個級聯(lián)的網(wǎng)絡(luò)模塊之后,有效地保證了網(wǎng)絡(luò)重建過程中的數(shù)據(jù)保真性,提高了最終網(wǎng)絡(luò)重建結(jié)果的準確性。實驗結(jié)果表明,相比于傳統(tǒng)的并... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院)廣東省

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【部分圖文】：

單個神經(jīng)元

Figure 2.2 A simple network神經(jīng)網(wǎng)絡(luò)其實就是將許多個“神經(jīng)元”連接在一起，一個神經(jīng)元的輸出作為另一個神經(jīng)元的輸入，這樣就具有更為復(fù)雜的表達能力。圖2.2展示了一個簡單的神經(jīng)網(wǎng)絡(luò)。最左邊節(jié)點表示神經(jīng)網(wǎng)絡(luò)的輸入，“+1”節(jié)點表示這一層的偏移量，中間節(jié)點表示神經(jīng)網(wǎng)絡(luò)的“隱含層”，最右邊的節(jié)點為神經(jīng)網(wǎng)絡(luò)的“輸出層”(本例中的輸出層只有一個節(jié)點)。如果用W(l)i j表示第l層第j個節(jié)點到第l 1層第i個節(jié)點之間的參數(shù)，b(l)i表示第l 1層中第i個節(jié)點的偏移量，a(l)i表示第l層第i個節(jié)點的輸出值，則很容易可以計算得到如下過程：a(2)1W(1)11x1W(1)12x2W(1)13x3b(1)1a(2)2W(1)21x1W(1)22x2W(1)23x3b(1)2a(2)3W(1)31x1W(1)32x2W(1)33x3b(1)3hW,bx a(3)1W(2)11x1W(2)12x2W(2)13x3b(2)1(2.2)10

卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是一種多層的神經(jīng)網(wǎng)絡(luò)，擅長處理圖像等計算機視覺方面的機器學(xué)習(xí)問題。卷積神經(jīng)網(wǎng)絡(luò)最初被用于圖像分類的問題。圖2.3展示了一個用于手寫體識別的卷積神經(jīng)網(wǎng)絡(luò)。圖2.3一個用于手寫體識別的卷積神經(jīng)網(wǎng)絡(luò)Figure 2.3 A CNN to classify handwritten digits這是一個典型的卷積神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、全連接層組成。卷積層可以提取圖像特征，而池化層則主要是為了降低數(shù)據(jù)維度。總的來說，CNN通過卷積來進行特征提取，同時利用卷積的權(quán)值共享和池化操作，來降低網(wǎng)絡(luò)參數(shù)量，最后通過全連接層完成分類任務(wù)。13


本文編號：3110283