發(fā)布時(shí)間：2022-12-08 18:52

　　磁共振成像是醫(yī)學(xué)成像中重要的成像方式之一,它對(duì)人體沒有輻射傷害,能夠?qū)z查部位進(jìn)行三維成像�？臻g分辨率是磁共振（MR）圖像的重要參數(shù)之一,高分辨率圖像擁有更清晰的圖像細(xì)節(jié),能夠很好地反映檢查部位的病變情況,因此在臨床診斷中發(fā)揮著重要作用。然而,MR圖像的分辨率與多種因素相互制約,分辨率越高,圖像的信噪比越低,同時(shí)掃描時(shí)間會(huì)越長。超分辨率技術(shù)是提高M(jìn)R圖像分辨率最有效的方法,能夠在不改變硬件條件的基礎(chǔ)上,完成低分辨率到高分辨率圖像的轉(zhuǎn)換,因此受到了廣泛的關(guān)注。本文主要采用深度學(xué)習(xí)方法對(duì)MR圖像的超分辨率算法進(jìn)行了研究。首先,本文提出了一種新型網(wǎng)絡(luò)結(jié)構(gòu)（HybridNet）用于提高M(jìn)R圖像的分辨率,該網(wǎng)絡(luò)結(jié)構(gòu)在密集卷積塊的基礎(chǔ)上進(jìn)行改進(jìn),引入了多通道結(jié)構(gòu)提取豐富的MR圖像特征。本研究在多個(gè)MR數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該算法不僅能夠重建出高質(zhì)量MR圖像,還能降低網(wǎng)絡(luò)的計(jì)算復(fù)雜度,提高網(wǎng)絡(luò)的重建效率。此外,本研究還利用未預(yù)訓(xùn)練過的MR數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行了測試,測試結(jié)果證明了 HybridNet具有較好地魯棒性和泛化能力,能夠重建出清晰的高分辨率圖像。在實(shí)際應(yīng)用中,人們經(jīng)常需要對(duì)圖像進(jìn)行不... 

【文章頁數(shù)】：68 頁

【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 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容
    1.4 本章小結(jié)
第2章 理論基礎(chǔ)
    2.1 深度學(xué)習(xí)基礎(chǔ)
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.2 網(wǎng)絡(luò)訓(xùn)練方法
        2.1.3 元學(xué)習(xí)
    2.2 磁共振圖像基礎(chǔ)
        2.2.1 k空間
        2.2.2 圖像視野(FOV)
        2.2.3 圖像的退化
    2.3 圖像質(zhì)量評(píng)估方法
        2.3.1 主觀評(píng)價(jià)
        2.3.2 客觀評(píng)價(jià)
    2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的磁共振圖像超分辨率算法
    3.1 特征提取方法
        3.1.1 殘差連接模塊
        3.1.2 密集卷積塊
    3.2 基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率算法
        3.2.1 多通道密集塊
        3.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 實(shí)驗(yàn)設(shè)置
        3.3.1 數(shù)據(jù)準(zhǔn)備
        3.3.2 網(wǎng)絡(luò)實(shí)現(xiàn)細(xì)節(jié)
        3.3.3 關(guān)鍵參數(shù)的選擇
        3.3.4 殘差連接驗(yàn)證
    3.4 實(shí)驗(yàn)結(jié)果分析
    3.5 泛化能力驗(yàn)證
    3.6 本章小結(jié)
第4章 多放大因子的磁共振圖像超分辨率算法
    4.1 上采樣方法
        4.1.1 轉(zhuǎn)置卷積
        4.1.2 亞像素卷積
        4.1.3 多放大因子上采樣模塊
    4.2 多放大因子的超分辨率算法
        4.2.1 權(quán)重預(yù)測網(wǎng)絡(luò)
        4.2.2 超分辨率網(wǎng)絡(luò)
    4.3 實(shí)驗(yàn)設(shè)置
        4.3.1 數(shù)據(jù)準(zhǔn)備
        4.3.2 網(wǎng)絡(luò)訓(xùn)練細(xì)節(jié)
    4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)的單圖像超分辨率重建[J]. 劉世豪,李軍.  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[2]結(jié)合卷積與轉(zhuǎn)置卷積特征的模糊車牌復(fù)原方法[J]. 楊劍,張濤,宋文愛,宋超峰.  科學(xué)技術(shù)與工程. 2018(17)
[3]基于MAP的單幀字符圖像超分辨率重建[J]. 李展,陳清亮,彭青玉,張慶豐,李偉祥.  電子學(xué)報(bào). 2015(01)
[4]多參數(shù)磁共振成像在前列腺癌診斷中的應(yīng)用[J]. 任逢春,楊漢豐,杜勇.  中華腔鏡泌尿外科雜志(電子版). 2013(02)
[5]醫(yī)學(xué)圖像插值算法的研究[J]. 許為華,尹學(xué)松.  計(jì)算機(jī)仿真. 2006(01)
[6]基于小波的醫(yī)學(xué)圖像插值[J]. 黃海赟,戚飛虎,陳劍,姚志洪.  自動(dòng)化學(xué)報(bào). 2002(05)



本文編號(hào)：3713935