磁共振成像能提供豐富的對(duì)比度信息且無(wú)電離輻射,已成為醫(yī)學(xué)臨床診斷和生命科學(xué)研究最重要的手段之一。然而,成像時(shí)間長(zhǎng)一直是磁共振發(fā)展的瓶頸問(wèn)題,它嚴(yán)重制約了磁共振的大規(guī)模臨床應(yīng)用。因此,實(shí)現(xiàn)快速磁共振成像具有重大的科研和應(yīng)用價(jià)值。目前,通過(guò)在k空間減少采集數(shù)據(jù)（欠采樣）來(lái)實(shí)現(xiàn)掃描加速是快速磁共振成像的重要策略。為了克服由于欠采樣帶來(lái)的系統(tǒng)病態(tài)性導(dǎo)致的圖像質(zhì)量下降問(wèn)題,利用先驗(yàn)信息十分必要。壓縮感知快速成像是近十年來(lái)基于先驗(yàn)信息快速成像領(lǐng)域中的研究熱點(diǎn)。壓縮感知理論指出,可以從極少的非相干采樣樣本中通過(guò)非線性方法重建原始的稀疏信號(hào)。待重建圖像的稀疏性是壓縮感知理論成功應(yīng)用于快速磁共振成像的基本前提,也是亟待利用的先驗(yàn)信息,最大化稀疏表達(dá)待重建圖像可以降低重建誤差,提高重建質(zhì)量。然而,選擇最優(yōu)的稀疏變換來(lái)最大化稀疏磁共振圖像是一個(gè)難題。實(shí)際應(yīng)用中,采用的變換并不能使圖像得到完全稀疏的表達(dá),這就導(dǎo)致某些圖像特征尤其是細(xì)節(jié)特征的丟失。本文旨在給定部分k空間數(shù)據(jù)的情況下,力求克服重建圖像細(xì)節(jié)信息丟失的問(wèn)題,使得在同樣的加速倍數(shù)下能獲得更高的重建質(zhì)量。本文的主要研究工作和成果有:一、提出了細(xì)節(jié)優(yōu)化成像... 

【文章來(lái)源】：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)廣東省

【文章頁(yè)數(shù)】：110 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
縮略語(yǔ)表
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 磁共振快速采集及重建方法
    2.1 磁共振成像原理
        2.1.1 核磁共振現(xiàn)象
        2.1.2 弛豫
        2.1.3 空間編碼
        2.1.4 k空間與圖像
        2.1.5 磁共振成像系統(tǒng)
    2.2 快速成像方法
    2.3 欠采重建方法
        2.3.1 部分傅里葉
        2.3.2 并行成像
        2.3.3 壓縮感知
        2.3.4 深度學(xué)習(xí)
    2.4 成像質(zhì)量評(píng)估
第3章 基于迭代特征優(yōu)化的快速成像方法
    3.1 引言
    3.2 基于交替最小化(AM)算法的CS-pMRI
    3.3 特征優(yōu)化模塊的設(shè)計(jì)
    3.4 細(xì)節(jié)優(yōu)化算子的構(gòu)造
    3.5 細(xì)節(jié)優(yōu)化重建結(jié)果及分析
        2.5.1 SFSS
        3.5.2 SBB
        3.5.3 L1-SPIRiT
    3.6 分析及討論
        3.6.1 前瞻性實(shí)驗(yàn)
        3.6.2 計(jì)算復(fù)雜度及算法對(duì)比
        3.6.3 細(xì)節(jié)優(yōu)化算子參數(shù)分析
        3.6.4 算法參數(shù)
    3.7 顱內(nèi)血管壁細(xì)節(jié)優(yōu)化成像
    3.8 本章小結(jié)
第4章 深度學(xué)習(xí)磁共振重建方法
    4.1 引言
    4.2 深度學(xué)習(xí)磁共振成像
        4.2.1 模型驅(qū)動(dòng)深度學(xué)習(xí)方法
        4.2.2 數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)方法
    4.3 基于模型的深度學(xué)習(xí)成像方法
        4.3.1 原始對(duì)偶算法(PDHG)
        4.3.2 交替方向乘子法(ADMM)
        4.3.3 迭代軟閾值算法(ISTA)
    4.4 網(wǎng)絡(luò)結(jié)構(gòu)及數(shù)據(jù)獲取
        4.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.2 網(wǎng)絡(luò)訓(xùn)練
        4.4.3 訓(xùn)練及測(cè)試數(shù)據(jù)
    4.5 實(shí)驗(yàn)結(jié)果
    4.6 分析及討論
        4.6.1 訓(xùn)練數(shù)據(jù)集大小
        4.6.2 網(wǎng)絡(luò)穩(wěn)定性
        4.6.3 重建的準(zhǔn)確性
        4.6.4 模型約束釋放的有效性
        4.6.5 網(wǎng)絡(luò)的數(shù)學(xué)可解釋性
    4.7 基于深度神經(jīng)網(wǎng)絡(luò)的高分辨頭頸聯(lián)合血管壁成像
    4.8 存在的問(wèn)題及后續(xù)發(fā)展方向
    4.9 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果



本文編號(hào)：3568730