一、圆形K空间采样技术及其在磁共振成像中的应用（论文文献综述）
胡亮亮[1]（2021）在《基于3He极化的立式超低场磁共振成像系统设计方法研究》文中研究表明肺部疾病的研究长期依赖于X射线及其相关技术。X射线属于电离辐射,不宜短期内多次反复使用,这使得疾病动态跟踪研究受到限制。磁共振（MR）成像技术无电离辐射且具有多参数信息提取能力,使得短期内可反复、动态、连续地观察生物组织生理和病理变化过程。但是,由于肺部氢质子密度远低于周边其他组织,且大量肺泡空腔与组织的界面导致肺部磁导率极度不均匀,因此以1H核自旋为介质的传统中高场磁共振设备难以呈现清晰的肺部影像。引入超极化3He气体作为媒介能点亮肺部,其可行性和可靠性已经得到初步证实。为肺部疾病研究提供可连续、动态跟踪能力的专用仪器,国家自然科学基金支持“基于3He极化的肺部低场磁共振成像专用设备研发”的重大科学仪器专项项目。基于上述背景,本文开展基于3He极化的立式超低场磁共振成像系统设计方法研究,具体内容包括:（1）传统磁共振成像仿真方法输入参数为翻转角度,导致其存在不适用于复杂多变的磁场环境的问题和无法直接提供射频强度变化引起的实验现象信息的问题。为解决这两点问题,本文提出了链式磁共振成像仿真方法和准确性条件,并构建了稳定、精确、高效的磁共振成像仿真系统。传统超极化3He成像变角度激发序列参数严重依赖硬件参数,需要人工校准,为解决这一难题,提出了超极化气体成像实时校准序列和配套的成像算法,并在仿真系统上得到验证。（2）为了寻找开放程度更高的磁体解决方案,本文研究了四线圈结构的基本构型,提出了四线圈构型的统一结构约束方程,凝练出统一的四线圈构型求解用方程,并提出面向制造的优化安匝比方法,保证线圈匝数取整引起的性能下降量最小。分析并总结了线圈开放程度的趋势和引入截面尺寸后性能的变化情况。为进一步探寻更优方案,提出相似模型四线圈和六线圈均匀场设计方法。使用该方法,本文研究了圆形（四线圈和六线圈）、多边形线圈设计立式磁体的特点,仿真验证了圆形四线圈比六线圈、多边形四线圈比圆形四线圈能够获得更开放的结构。在给定均匀区域尺寸和均匀指标的情况下,八边形结构综合性能最优,四边形结构最开放（均匀性稍差）。本文根据项目需要设计了自然冷却的立式超低场正八边形主磁体。为配合主磁体形状设计八边形结构的纵向梯度线圈,本文提出了将结构设计和磁场计算分离的纵向梯度线圈设计方法,最终方案应用成功。（3）完成了立式超低场磁共振系统搭建,基于该系统进行了超过60小时的水模和离体动物器官成像实验,实验中有效视场达到310mm×310mm×400mm。实验结果表明仪器工作稳定,且能够正确无畸变地呈现二维和三维图像,系统具备开展自旋回波序列以及FLASH序列成像实验能力。基于该系统还进行了超极化3He气体成像实验,结果表明在6.4s的时间内呈现了清晰的极化腔图像,验证了新序列和成像算法。与哈佛团队的设备性能对比表明设备具备屏气肺部成像能力。用本文方法研制的基于3He极化的立式超低场磁共振成像系统具有信噪比高、无辐射、操作简便、性价比高等特点,在肺部疾病的跟踪诊疗方面拥有广阔应用前景。
柯子文[2]（2021）在《基于深度学习的磁共振动态成像》文中进行了进一步梳理磁共振成像（Magnetic Resonance Imaging,MRI）由于无电离辐射、非侵入式和高软组织对比度等优点,成为一种重要的医学成像技术。但是磁共振的原始数据是在k空间中顺序获取的,而k空间的遍历速度受到生理和硬件的限制,导致数据采集过程十分缓慢。长时间的数据采集不仅会导致因扫描对象轻微移动而产生的运动伪影,同时也增加了成像成本和采集难度。目前,对k空间进行欠采样来加速扫描,是MRI快速成像的重要策略。动态磁共振成像（Dynamic Magnetic Resonance Imaging,dMRI）能够同时提供时间-空间信息,被广泛应用于心脏成像、介入治疗、声道检测、癌症评定等临床应用中。但是,dMRI需要权衡时间分辨率、空间分辨率和空间覆盖,使得加速dMRI成为磁共振成像中最具挑战的技术之一。在过去的几十年中,并行成像（Parallel Imaging,PI）、压缩感知（Compressed Sensing,CS）、低秩（Low Rank,LR）矩阵完备化、流形学习（Manifold Learning,ML）等方法在解决这一挑战方面取得了重大进展。这些方法利用动态信号的空间位置先验、稀疏先验、低秩先验等,构建重建模型,通过优化算法对构建的模型进行求解,从而得到重建的磁共振图像。但是,这些方法加速倍数有限,超参数的调节繁琐冗长、求解时间长等局限性阻碍了其在临床上的应用。最近,深度学习（Deep Learning,DL）方法在加速dMRI中取得了一定的成功,有望解决上述局限性。这些DL的方法,利用大量全采样数据训练神经网络,来学习从欠采样图像到全采样图像的映射关系。在测试阶段,将欠采样图像输入到训练好的神经网络中,神经网络便可以输出重建图像。但是,DL方法在dMRI上的重建性能仍有改进空间:（1）当前的DL方法仅仅在图像域提取特征,未充分利用k空间数据的频率域特征;（2）神经网络的构建仅仅利用数据的稀疏先验,被广泛认可的低秩先验没有被利用;（3）当前的流形学习方法,仅仅将流形假设作为一种正则化约束,它们在欧式空间中的优化轨迹没有契合非线性流形结构;（4）当前的DL方法依赖于高质量的全采动态数据,但是dMRI数据的获取是十分困难的,需要耗费大量人力物力。本文围绕加速dMRI这一关键技术问题,针对上述局限性,研究基于深度学习的磁共振动态成像技术,主要研究工作和成果有:·稀疏驱动:交叉域多监督卷积神经网络,用于提取频率域和图像域特征基于DL的神经网络方法尽管有效地缓解了传统迭代方法重建速度慢、参数难调等局限性,但是它们均在图像域构建整个网络,没有充分地利用频率域信息。本文基于级联卷积神经网络,搭建了交叉域（频率域-图像域）学习模型。这种交叉域模型,通过频率域网络及图像域网络的交替,能够同时学习频率域与图像域特征,充分结合频率域与图像域信息。频率域网络用于预测全采的k空间,图像域网络用于提取图像特征,两个网络通过傅里叶逆变换进行连接。频率域网络和图像域网络均使用了数据一致层,用于纠正k空间数据。同时,引入多监督损失函数技术,对不同阶段的重建结果加以约束,保证不同网络深度的重建结果尽可能地近似全采图像。与目前主流的CS和DL方法进行对比,本文提出的方法能够获得更高质量的重建结果。·低秩驱动:基于稀疏低秩先验的神经网络,用于将动态信号的低秩先验结合到深度学习方法中动态信号的低秩先验己经在传统优化方法中得到了很好的验证。但是,目前主流的基于DL的dMRI加速方法,仅仅利用了信号的稀疏先验,动态信号的低秩先验没有在DL方法中进行过探索。本文提出了一种新型的基于深度低秩先验的卷积神经网络。具体地,磁共振心脏电影图像的欠采重建任务被建模为多约束优化问题,该优化求解问题包括数据一致约束、稀疏约束、低秩约束。利用ISTA算法对该优化问题进行求解,得到迭代求解步骤。然后,我们将迭代求解过程展开到神经网络中,利用神经网络学习优化问题中的超参数、仿射变换。最终,我们获得基于稀疏低秩模型的神经网络SLR-Net。大量的实验（单/多通道、回顾性/前瞻性重建、不同采样方式）表明,本文提出SLR-Net能够显着地提升dMRI重建质量。这是基于深度学习的低秩先验在动态MR成像中的首次尝试,有望推广至其它动态应用中。·流形驱动:深度流形神经网络,将流形上的黎曼优化引入到深度学习方法中流形学习假设动态MR图像在低维光滑流形上是近邻的点,并将这一假设作为正则化项嵌入到压缩感知框架中。图像帧与帧之间的相关性由流形非线性拓扑结构刻画。但是,现有的流形正则化方法在线性欧式空间求解,优化轨迹没有契合流形的非线性拓扑结构,容易导致收敛慢、重建误差大等问题。本文提出了一种新颖的深度流形神经网络。具体地,我们设计了一种固定秩流形,并在该流形上构建优化模型。然后,利用黎曼优化技术对流形上的优化问题进行求解,求解过程包括梯度计算、切平面投影、回撤至流形等过程。然后,我们将得到的流形优化过程展开到神经网络中,利用神经网络学习流形优化中的超参数和变换,得到流形网络Manifold-Net。与传统的压缩感知方法和目前主流的深度学习方法相比,Manifold-Net实现了在12倍加速下的高质量重建。这是流形上的黎曼优化首次与DL的结合,为低秩先验在动态成像中的应用提供了一种新的技术路线。·无监督驱动:基于时间交叉采样的无监督学习技术,避免对全采数据的采集DL-dMRI方法,需要大量高质量全采图像作为参考,来训练网络模型。但是,心脏电影数据库的建立是十分困难且成本昂贵的。另外,当前的DL-dMRI方法利用通道融合后的单通道数据进行训练,导致通道间的相关性没有被利用。本文提出了一种基于时间交叉采样的无监督学习技术。具体地,基于时间交叉采样的相邻帧的k空间数据进行合并,构造“全编码”k空间数据。然后,利用这些“全编码”k空间数据网络训练并行网络,以对每个通道的图像进行重建。最后,每个通道的重建图像通过一个通道融合网络进行合并,探索通道间的相关性。与目前主流的CS方法对比,本文提出的方法能够在极短的时间内获取质量更好的重建图像。本文的研究工作,推动了动态磁共振成像的理论完善和应用推广:交叉域信息得到有效的利用,多监督技术改善了各级重建结果;首次将低秩先验引入到动态成像深度学习方法中;首次把流形上的黎曼优化与深度学习方法进行结合;探索了无监督学习技术用于动态磁共振成像的可行性。
郭木子[3]（2021）在《基于深度学习的磁共振定量图像超分辨率算法》文中进行了进一步梳理定量磁共振成像（Quantitative magnetic resonance imaging,q MRI）是一种非常重要的临床医学成像技术。然而,采集高分辨率（High-resolution,HR）、高信噪比的数据是十分耗时的,并且鉴于病人舒适度等因素的影响,采集到的图像上可能会有运动伪影。因此,在磁共振成像的分辨率和扫描时间之间做一个权衡是十分必要的。通过深度学习实现的超分辨率（Super-resolution,SR）磁共振图像重建是一种很有前景的方法,它可以从低分辨率（Low-resolution,LR）的图像中恢复出高分辨率的图像,且有着比传统方法,如基于多项式的插值方法有着更好的效果。目前最先进的SR方法主要是有监督的方法,它需要由特定LR-HR图像对组成外部训练数据。然而,由于硬件条件以及患者服从性的限制,在定量磁共振成像中往往很难得到这种大量成对的训练数据。并且,由于现有的基于学习的SR方法没有考虑到磁共振定量条件下的情况,因此,经由SR重建后的一组超分辨率加权图像得到的定量参数图也是不准确的。本文提出了一种基于深度学习的磁共振定量成像超分辨率方法。该方法是一种无监督学习的方法,利用了图像的自相似性结合深度网络的学习能力,无需获得额外配对好的LR-HR磁共振定量图像来训练网络,只需要采集到的低分辨率图像本身即可获得较好的结果。同时,针对现有的基于学习的SR方法没有考虑到磁共振定量条件下的情况,本文以1磁共振定量图像为例,引入了1指数衰减模型对所提出的超分辨率模型进行约束,以得到准确的定量参数图。实验结果表明,与目前主流的SR方法相比,无论是在客观指标的对比或是肉眼主观评价下都有着更好的效果。
公雨[4]（2021）在《3.0T MRI人工智能辅助压缩感知（ACS）加速序列与常规2D序列在腰椎图像质量的比较》文中研究表明目的:人工智能辅助压缩感知（AI-assisted Compressed Sensing,ACS）是将并行成像（Parallel Imaging,PI）、半傅里叶成像（Half Fourier Imaging,HF）、压缩感知（Compressed Sensing,CS）和人工智能网络（AI Network）相结合的一种新型加速成像技术。本研究主要目的是评估与比较在3.0TMRI设备条件下,“ACS加速序列”与“常规2D序列”在腰椎核磁成像中的图像质量和对疾病诊断的准确性。材料与方法:对82名健康者（无腰椎疾病）及213名患者（患有腰椎疾病）采用ACS加速序列进行腰椎磁共振检查,对另外95名健康者和234名患者采用常规2D序列进行同样的检查。腰椎磁共振扫描范围包括腰椎及周围结构,采集序列包括矢状位T1WI、T2WI、T2压脂（T2-fs）和轴位T2WI。将所获得的所有图像用定量和定性两种方法进行统计学比较。“定量分析”是将感兴趣区的腰椎、椎间盘、脑脊液及软组织等结构进行信噪比（SNR）和对比噪声比（CNR）的比较。“定性分析”是指由两位影像诊断医生对所有实验对象的两个序列磁共振图像从整体图像质量、解剖结构的对比度、锐利度、腰部脑脊液的流动现象、腰部脂肪压脂一致性（只在T2-fs上评估）等方面,采用五分法进行独立主观评分;对腰部疾病的显示清晰度及磁共振图像中出现伪影的严重程度（如运动伪影、金属伪影及截断伪影等）进行三分法评分。信噪比、对比噪声比的定量分析及图像质量评分的定性分析等相关数据均采用Wilcoxon符号秩和检验进行测量。两位影像诊断医生对评估两种序列成像图像质量观察者协议的一致性则通过Cohen’s kappa分析来测量。结果:在分别使用ACS加速序列和常规2D序列对两组健康者及患者进行腰椎磁共振扫描,相关数据统计分析后得出如下结果:总体分析,ACS加速序列和常规2D序列获得了相似的图像质量;在定量评分方面,两种序列信噪比及对比度噪声比比较中,并无统计学差异（P>0.05）;在定性评分方面,两位放射线科医生对两种序列图像质量（整体图像质量、腰部解剖结构的对比度、解剖结构的锐利度、脑脊液的流动现象、压脂的一致性）分级评分无统计学差异（P>0.05）;在图像伪影定性分析方面,两者有明显的统计学差异（P<0.05）,并且实验证明ACS加速序列的伪影评分均低于常规2D序列,由此可以论证ACS加速序列相较传统2D序列可有效地减少伪影的生成。此外,两位放射科医生对以上两种序列基于图像质量方面的观察者协议评分具有高度一致性（Kappa值范围为0.622～0.986）。结论:人工智能辅助压缩感知（ACS）加速序列在实现腰椎核磁共振扫描快速成像的同时,可以得到与传统2D成像序列相似的图像质量及相近的疾病诊断准确率;此外,ACS加速序列相较于常规序列可以有效地减少图像中伪影的生成。
黄文麒[5]（2021）在《基于模型驱动的快速磁共振成像》文中研究说明磁共振成像技术能够非侵入地提供扫描对象的软组织结构及代谢信息,被广泛应用于临床诊断和科学研究。然而由于扫描时间较长,磁共振技术的进一步普及和发展受到了极大的限制。如今的临床应用对磁共振扫描的采集速度和成像分辨率提出了更高的要求,如何高质量且快速的成像是磁共振研究的一大挑战。目前,减少k空间的采样数即欠采是加快磁共振成像的主要手段。尤其是对于动态磁共振成像和高分辨率静态成像,高倍率的欠采十分重要。在动态磁共振成像中,扫描对象的运动特性决定了在规定的采集时间内只能获取有限的采样数,需要从这些高度欠采的数据中重建出图像;高分辨率静态成像中,要控制成像时间在可接受的范围,也需要较高的加速倍数。本文聚焦于这两大快速成像的应用场景,对采集速度要求极高的心脏电影成像,以及对空间分辨率要求极高的全脑血管壁成像,分别提出了两种基于模型的磁共振快速成像重建方法。首先,我们介绍了磁共振成像的基本原理和快速重建算法。简明阐述了磁共振成像物理原理、k空间与图像域的对应关系,引出并行成像和压缩感知成像两种加速手段的技术细节,随后介绍一类较新的基于模型的深度学习重建算法,为后续两种模型驱动的重建方法提供背景知识。其次,本文针对动态心脏电影成像对加速倍数的高要求,提出了一种模型驱动的深度低秩+稀疏重建网络（L+S-Net）。该方法将动态磁共振图像建模成低秩+稀疏的形式,通过优化算法求解得出迭代解,展开成深度神经网络,极大的降低了成像误差,提高了加速倍数。随后,本文进一步扩展,将图像重建与图像超分辨结合,提出一种模型驱动的深度超分辨-重建网络（SRR-Net）,用于高分辨率全脑磁共振成像。该方法首先建立了磁共振超分辨-重建模型,随后用优化算法求解出迭代解的形式,展开成超分辨-重建深度神经网络,并引入对抗学习的思想,使用判别器提高重建网络的细节恢复能力。本文着眼于提升磁共振成像速度和质量,分别将可学习低秩先验和超分辨率重建的思想引入到了动态磁共振成像和高分辨率磁共振成像,取得了令人鼓舞的重建结果。
丘志浪[6]（2021）在《快速磁共振三维成像》文中研究指明磁共振成像能够提供丰富而优异的组织对比度,是一种强大而无电离辐射的医学成像技术。磁共振三维成像相比于二维成像具有诸多优势,如具有更大的覆盖范围、更高的层方向分辨率且没有层间隔、更高的信噪比和三维重建和任意方位可视化。然而三维成像需要采集远多于二维成像的k空间数据,扫描时间长,至今没有在临床中得到广泛应用。本论文研究快速磁共振三维成像方法,并进行了临床应用实验。具体地,我们围绕一种新型的三维并行成像技术——波浪可控混叠并行成像方法（Wave-CAIPI）,在多个层次进行了深入研究。在原理上,研究了Wave-CAIPI的加速性能与参数的关系,并从理论上推导了其关系式;提出了一种新的成像模型,引入相关矩阵的理论框架研究新模型中的先验知识。在技术上,提出了Wave-CAIPI的参数优化框架;提出了改进的重建算法用于VCC-Wave模型;在应用上,将Wave-CAIPI应用于两个颇具挑战的三维成像场景——三维b SSFP序列和高分辨率三维血管壁成像。本论文的主要研究工作和贡献如下:（1）Wave-CAIPI的参数优化:完善理论和提升性能通过理论计算推导出Wave-CAIPI的几何因子与参数之间的关系式,并通过仿真实验进行验证。基于这个关系式,提出了一个参数优化框架,通过参数优化提升Wave-CAIPI的性能和稳定性,优于经验选择参数的情形。（2）VCC-Wave:结合虚拟共轭线圈和波浪梯度编码的并行成像方法提出了一种新的成像模型（VCC-Wave）。VCC-Wave不但结合了虚拟共轭线圈和波浪梯度编码的优势,而且在新模型中挖掘波浪梯度编码更多的先验知识,因此缓解了波浪梯度编码在高分辨率和高带宽场景下的缺陷。此外,本论文引入相关矩阵的理论框架,研究VCC-Wave模型中的先验知识。（3）Wave-b SSFP:Wave-CAIPI加速三维平衡稳态自由进动序列提出了Wave-b SSFP序列,将Wave-CAIPI应用于三维b SSFP序列的加速采集。针对原有波浪梯度场零阶矩不为零所带来的偏共振相位对b SSFP序列的影响,提出了一种截断式的波浪梯度场,在保持波浪梯度编码能力的同时,消除原有波浪梯度场零阶矩不为零导致的带状伪影。此外,将Wave-b SSFP应用于大脑成像、脊椎成像和腹部成像的高倍加速采集,推广三维b SSFP序列的临床应用。（4）CS-Wave VWI:CS-Wave加速高分辨率三维血管壁成像引入了变换域几何因子的概念和工具,定量分析不同的采样模式对高分辨率三维成像的影响。基于这些分析,将采用CAIPIRINHA采样的压缩感知技术（CS-CAIPI）应用于加速高分辨率三维血管壁成像（CS-CAIPI VWI）,提升重建图像的清晰度和血管壁显示的锐利度。进一步地,将结合压缩感知和WaveCAIPI的CS-Wave应用于加速高分辨率三维血管壁成像,消除CAIPIRINHA采样导致的残留混叠伪影,并保持同样的图像清晰度和血管壁锐利度;在各向同性0.6毫米的分辨率下,取得高达11倍的加速,将扫描时间缩短至3.5分钟。本文首先系统地探究了Wave-CAIPI的性能与参数的关系,并通过参数优化提升其性能。然后提出一种结合虚拟共轭线圈和波浪梯度编码的成像模型,缓解Wave-CAIPI在高分辨率和高带宽场景下的缺陷。最后将Wave-CAIPI应用于加速三维b SSFP序列和三维血管壁成像。
吴扬磊[7]（2021）在《磁共振同时多层平面回波成像序列设计及图像重建》文中研究说明磁共振成像不仅可以进行结构成像,也可以进行功能成像,因此磁共振功能成像被广泛应用于脑功能研究中。在主磁场强度B0为3.0T及以下的磁共振扫描设备中,常使用平面回波成像序列进行功能成像。平面回波成像序列由于其特殊的梯度编码方式实现了一次射频脉冲激发采集整个K-空间数据,使其能够在很短的时间内完成全脑的扫描,但是这种特殊的成像方式也给平面回波成像序列引入了伪影以及低分辨率的问题。由于功能磁共振成像使用平面回波成像序列进行多个时间点的重复扫描,所以一次功能成像需要长达七分钟至九分钟。如此漫长的扫描过程对于依从性不好的被试进行功能成像,很难获得高质量的功能像数据。因此,加强平面回波成像序列的伪影抑制能力和提高扫描速度将可以提高磁共振功能成像的质量和效率以及扩大功能成像的适用范围。本文完成了同时多层平面回波成像序列设计及图像重建,将同时多层成像技术以及并行成像技术应用于平面回波成像序列中,在2D成像序列中实现了相位编码方向3倍加速以及层面方向2倍加速,两个方向共计实现了6倍加速,提高了平面回波成像序列的扫描速度;并辅以参考扫描的方式以及脂肪抑制技术来祛除平面回波图像中的N/2伪影和化学位移伪影,以此来保证功能磁共振扫描能够快速高效的获得高质量的平面回波图像。本文所实现的同时多层平面回波成像序列针对连续多次重复扫描,图像重建结果稳定,无明显伪影残留和几何畸变。在两个方向进行6倍加速的同时多层平面回波成像序列相较于只在相位编码一个方向进行加速的平面回波成像序列扫描,在没有损失图像质量的情况下,扫描速度提升2倍。经过静息态和任务态的功能磁共振实验验证,结果表明同时多层平面回波序列获得的实验数据能够准确的计算出对应的激活区域。同时多层平面回波成像有着更高的时间分辨率或者空间分辨率。针对依从性不好的被试,可以在短时间内获得足够的数据,减少被试运动对功能磁共振分析结果所造成的误差;针对依从性良好的被试,可以提高重复采集次数或者采集更高空间分辨率的平面回波数据,以此提高功能磁共振分析结果的准确性。
陈俊汝[8]（2020）在《ZTE磁共振成像技术对肺结构显示的临床应用研究》文中研究指明第一部分 ZTE成像技术对肺结构的显示价值[目的]探讨ZTE技术在肺结构显示中的可行性及临床应用价值。[方法]采用GE 3.0T磁共振扫描仪对20例健康志愿者行常规SS-FSE序列和ZTE序列扫描,对两种成像方法获得的图像质量进行主观评分,并测量SNR、SIR,以及各个序列内部的肺组织SI和主支气管腔内SI,进行统计学分析。[结果]SS-FSE序列的图像质量主观评分为2.00±0.75,ZTE序列的图像质量主观评分为3.50±1.00,两者比较差异有统计学意义（z=-3.681,P=0.0.000,<0.05）。SS-FSE 序列和 ZTE 序列的 SNR 分别为 5.81 ± 1.96 和 8.84± 1.36,两者比较差异有统计学意义（t=7.804,P=0.000,<0.05）。SS-FSE序列和ZTE序列的SIR分别为0.78±0.22和0.97±0.11,两者比较差异有统计学意义（t=4.056,P=0.001,<0.05）。在 SS-FSE 序列中,肺组织 SI 为 69.36±24.18,主支气管腔内SI为307.94±206.55,两者比较差异有统计学意义（z=-3.920,P=0.000,<0.05）。在 ZTE 序列中,肺组织 SI 为 34.16±3.79,主支气管腔内SI为28.59±8.59,两者比较差异有统计学意义（z=-2.837,P=0.005,<0.05）。[结论]ZTE技术显示肺组织具有一定的可行性,它能够较清晰地显示肺组织结构,在磁共振肺部成像中具有一定的临床应用价值。第二部分 ZTE成像技术显示肺结构的参数优化[目的]通过比较不同带宽和翻转角的ZTE序列获取的图像质量,探讨ZTE技术对肺结构显示的最佳扫描参数。[方法]收集健康志愿者20例,进行ZTE磁共振检查,根据扫描参数带宽（BW）和翻转角（FA）不同分为 4 组:A 组:BW=46.8kHz,FA=1°;B 组:BW=62.5kHz,FA=1°;C 组:BW=46.8kHz,FA=3。;D 组:BW=62.5kHz,FA=2°。对 4 组 ZTE序列获取的图像质量进行主观评分,并测量SNR和CNR。A组和B组FA相同,通过比较两组的图像质量,选出最佳BW;再根据最佳BW,比较A组和C组或B组和D组的图像质量,以选出最佳的FA,从而说明ZTE序列的最佳扫描参数。[结果]当FA相同时,比较BW,即A组和B组比较,结果是A组的图像质量主观评分为7.00±1.38,B组的图像质量主观评分为8.25±1.38（z=-2.983,P=0.003,<0.05）,A 组和 B 组的 SNR 分别为 8.75±1.11 和 9.75±0.95（t=-3.274,P=0.004,<0.05）,A 组和 B 组的 CNR 分别为 41.10±8.48 和 39.81±9.14（t=0.702,P=0.491,>0.05）。A组和B组的图像质量主观评分和SNR差异有统计学意义,但两组的CNR差异无统计学意义。当BW为62.5kHz时,比较FA,即B组和D组比较,结果是B组的图像质量主观评分为8.25±1.38,D组的图像质量主观评分为9.50±1.88（z=-2.629,P=0.009,<0.05）,B组和D组的SNR分别为9.75±0.95和9.23±1.67（t=1.728,P=0.100,>0.05）,B组和 D 组的 CNR 分别为 39.81±9.14 和 45.01±9.87（t=-4.936,P=0.000,<0.05）。B组和D组的图像质量主观评分和CNR差异有统计学意义,但两组的SNR差异无统计学意义。[结论]当BW为62.5kHz,FA为2°时,ZTE序列获取的肺部图像质量主观评分较高,SNR和CNR较好,因此,62.5kHz的带宽和2°的翻转角为本研究中MRI扫描仪显示肺结构的最佳参数,在以后的临床实践中,可将ZTE技术的此参数推广使用或进一步地扩展。第三部分 ZTE成像技术对肺疾病显示的临床价值初探[目的]探讨ZTE序列对肺部各种疾病征象检测的敏感性,并比较其对不同疾病征象显示清晰度的差异。[方法]收集我院经胸部CT检查确诊肺部具有明显病变的患者25例,采用GE 3.0T磁共振进行ZTE序列扫描,肺部疾病征象包括肿块、结节、斑片影、条索影、透亮影、空洞、支气管扩张及肺部弥漫性病变等。由一名具有15年以上工作经验的胸部影像诊断医师对CT图像疾病征象进行观察并记录作为参考标准,由另外两名具有5年以上工作经验的影像科医师对CT图像和ZTE图像采用双盲法进行独立阅片评价,计算ZTE序列对各种疾病征象的检出率,并采用5分法对ZTE序列显示的各种疾病征象进行清晰度评分,比较ZTE序列对不同疾病征象的显示能力。[结果]ZTE序列对肺部肿块和空洞的检出率最高,分别为100%和94.7%;对斑片影、弥漫性病变、结节和条索影的检出率次之,依次为92.3%、83.3%、71.4%和66.7%;ZTE序列基本不能检测支气管扩张和透亮影,检出率仅为33.3%和9.8%。评分结果显示,两名医师对ZTE序列显示不同肺部疾病征象的主观评分一致性较好（kappa=0.658）。ZTE序列对显示空洞、肿块、弥漫性病变、条索影、斑片影、结节的图像质量评分分别为5.00±0.50、4.50±1.00、3.50±1.50、3.00±1.88、3.00±1.63、3.00±1.50,差异具有统计学意义（H=32.071,P=0.000,<0.05）。ZTE序列显示空洞的评分结果均优于其他征象,但和肿块比较差异无统计学意义（=0.297,>0.05）,和弥漫性病变、条索影、斑片影、结节两两比较差异均具有统计学意义（P均<0.05）。[结论]ZTE序列对肺部疾病具有较高的灵敏度,可用于检测多种肺部疾病征象,尤其对肺部肿块的检出率最高,对空洞的显示效果最好,因此,ZTE序列在肺部疾病中具有一定的临床应用价值。
曹康慧[9]（2020）在《基于U型神经网络的快速磁共振成像技术研究》文中认为磁共振成像（Magnetic Resonance Imaging,MRI）技术因其具有较高的软组织分辨率,对人体没有电离辐射损伤等优点已广泛应用于临床。但是由于MRI的成像速度较慢,成像过程中被检者的生理性运动等往往会造成成像伪影,难以满足实时成像的要求,因此如何加快MRI的成像速度是MRI理论和技术研究的热点之一。减少MRI的k空间数据采集总量是一种有效的加速方法,但是数据采集量的大量减少,会带来图像质量的显着下降,尽管研究者可通过多种重建算法,例如,压缩感知技术等提高欠采样图像重建的质量,但往往需要较长的重建时间,难以满足实时重建的临床需求。基于深度学习卷积神经网络的磁共振图像成像技术具有离线训练、在线快速成像的优点。在高性能计算硬件的支持下,卷积神经网络利用大量的欠采样磁共振数据和全采样磁共振数据进行训练,通过多次反向传播计算得到参数优化后的卷积神经网络,再将需要重建的欠采样数据利用训练好的网络进行快速高质量重建。深度学习技术对欠采样图像的稀疏性没有要求,而且能利用离线训练好的网络对欠采样的图像进行快速重建,因此在磁共振图像重建领域有非常好的应用前景。本文主要做了以下工作:（1）研究了基于U型神经网络的快速磁共振成像方法。通过构建U-net卷积神经网络,利用均方误差函数作为反向传播的损失函数,使用随机梯度下降法作为优化算法。对海量欠采样和全采样的磁共振数据进行训练,得到训练好的网络参数,将待重建的欠采样数据放入训练好的网络中,得到输出的重建图像。仿真结果表明,此方法相对填零重建算法和压缩感知重建算法能有效提高图像的重建质量,且在较低的欠采样率下能快速完成重建,重建时间远远小于压缩感知重建算法,能满足实时在线的成像要求。（2）研究了基于递归残差U型神经网络的快速磁共振成像方法。针对U-net网络在磁共振快速成像算法在高频细节重建的不足,根据U-net网络架构,以递归残差模块为升采样和降采样基础模块。通过残差模块减轻训练深层网络的难度,通过递归模块保证网络深度和控制网络参数大小,解决网络反向传播过程中的梯度爆炸和消失问题。反向传播使用均方误差损失函数和随机梯度下降法进行参数更新。仿真实验表明,递归残差U-net网络的重建结果相比于U-net网络,有更好的高频细节表现。（3）研究了基于3D U型神经网络的动态磁共振成像方法。对于动态磁共振图像,帧之间的区别主要是由组织的运动引起的（如心脏收缩等）,帧之间的数据信息存在冗余,可从时间的维度增加数据的特征提取总量。构建3D U-net网络,通过3D卷积层等3D神经网络层提取相邻帧的特征,并使用Adam（Adaptive Moment Estimation）优化算法提高网络的收敛速度,学习率采用多项式衰减方法,保证了网络在训练后期学习能平稳下降。仿真实验表明,3D U-net网络重建方法能在低的采样率下完成训练以及重建,且对于动态磁共振图像中的运动区间比2D U-net网络有较好的重建质量。
陈旭东[10]（2020）在《基于单次激发中心向外平面回波成像技术的扩散磁共振成像》文中研究指明扩散磁共振成像（diffusion magnetic resonance imaging,MRI）技术可用于脑血管疾病的早期评估和肿瘤良恶性的鉴别,对临床诊断和治疗有着重要的应用价值。在序列设计中,为了更好地分析分子扩散对磁共振信号的影响,扩散加权成像（diffusion-weighted imaging,DWI）序列中需要插入持续时间长、梯度强度高的扩散敏感梯度,引起较大信号衰减,导致图像质量下降、信噪比（signal-to-noise ratio,SNR）降低。同时,扩散敏感梯度的使用会进一步延长序列回波时间,限制了扩散磁共振成像技术在较短T2或T2*值的组织和器官的应用。为了有效降低高扩散梯度施加情况下引起的信号衰减,扩展扩散磁共振成像技术的应用场景。本文提出将单次激发中心向外平面回波采集技术（center-out echo-planar imaging,COEPI）与扩散磁共振成像结合,提出基于单次激发中心向外平面回波采集的扩散加权成像（COEPI-DWI）技术。改进序列采集轨迹,通过自k空间中心（相位编码为0处）向外的采集模式,最大程度上缩短回波时间,减小72/T2*效应,提高图像信噪比,提升图像质量。为了验证所提出改进方法,本文设计了中心向外平面回波序列和中心向外扩散加权序列,并进行了模体实验和志愿者实验,实验平台为联影uMR790 3.0T磁共振扫描仪。在模体实验中,COEPI-DWI和DWI序列相比,表现出更好的图像质量和更高的信噪比。定量分析表明 COEPI-DWI 的表观扩散系数（apparent diffusion coefficients,ADC）测量更为准确。志愿者实验中,通过对位于大脑白质区域的感兴趣区域（region of interest,ROI）的信噪比增量的定量计算,进一步验证了COEPI-DWI序列在提升提高图像信噪比方面的优势。
二、圆形K空间采样技术及其在磁共振成像中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、圆形K空间采样技术及其在磁共振成像中的应用（论文提纲范文）
（1）基于3He极化的立式超低场磁共振成像系统设计方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 肺部疾病影像手段概述 |
| 1.1.2 磁共振肺部成像概述 |
| 1.1.3 超低场磁共振系统的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 超低场磁共振技术研究现状 |
| 1.2.2 磁共振成像仿真现状 |
| 1.2.3 磁路系统研究现状 |
| 1.2.4 磁共振谱仪技术现状 |
| 1.3 研究重点和难点 |
| 1.3.1 研究重点 |
| 1.3.2 研究难点 |
| 1.4 主要研究内容和结构安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 论文结构安排 |
| 第二章 磁共振成像基础 |
| 2.1 磁共振现象与原理 |
| 2.1.1 原子核的磁性 |
| 2.1.2 核子极化 |
| 2.1.3 磁共振现象与共振条件 |
| 2.1.4 弛豫现象 |
| 2.1.5 磁共振信号 |
| 2.2 磁共振成像原理 |
| 2.2.1 空间编码 |
| 2.2.2 层面选择 |
| 2.2.3 K空间与成像序列 |
| 第三章 磁共振成像仿真 |
| 3.1 链式磁共振仿真方法 |
| 3.1.1 布洛赫方程 |
| 3.1.2 链式仿真方法 |
| 3.1.3 仿真方法比较 |
| 3.2 磁共振成像仿真系统设计与验证 |
| 3.2.1 仿体模型 |
| 3.2.2 磁路系统仿真模型 |
| 3.2.3 仿真计算单元 |
| 3.2.4 射频接收线圈仿真模型 |
| 3.2.5 谱仪仿真模型 |
| 3.2.6 仿真系统验证 |
| 3.3 仿真平台应用 |
| 3.3.1 超低场磁共振平台梯度参数选择与验证 |
| 3.3.2 超极化与热极化成像的异同比较 |
| 3.3.3 超极化~3He成像序列设计与验证 |
| 3.4 本章小节 |
| 第四章 超低场磁共振系统磁场设计方法研究 |
| 4.1 磁场计算基础 |
| 4.1.1 毕奥-萨伐尔定律 |
| 4.1.2 有限长直导线的磁场计算 |
| 4.1.3 圆弧导线的磁场计算 |
| 4.1.4 多线圈磁场计算 |
| 4.2 立式超低场磁共振主磁体选型 |
| 4.2.1 主磁体分类 |
| 4.2.2 主磁体主要性能指标 |
| 4.2.3 主磁体总体方案选择 |
| 4.3 圆环形四线圈均匀场方案总结 |
| 4.3.1 引言 |
| 4.3.2 圆环形四线圈结构解集和约束方程 |
| 4.3.3 基于约束方程的优化设计方法 |
| 4.3.4 Lee-Whiting线圈构型优化实验 |
| 4.3.5 圆形四线圈构型性能分析实验 |
| 4.4 相似模型均匀场设计方法 |
| 4.4.1 运用相似性建模 |
| 4.4.2 相似模型四线圈均匀场设计方法 |
| 4.4.3 相似模型六线圈均匀场设计方法 |
| 4.5 立式超低场主磁体设计与实施 |
| 4.5.1 立式超低场主磁体仿真 |
| 4.5.2 正八边形双极板主磁体 |
| 4.6 纵向梯度线圈设计 |
| 4.6.1 结构设计与磁场计算分离的设计方法 |
| 4.6.2 八边形纵向梯度线圈的设计与实现 |
| 4.7 本章小节 |
| 第五章 超低场磁共振系统构建与验证 |
| 5.1 磁共振控制系统 |
| 5.1.1 磁共振谱仪设计探讨 |
| 5.1.2 序列开发环境设计探讨 |
| 5.1.3 磁共振设备调试终端软件简介 |
| 5.2 超低场磁共振系统集成 |
| 5.2.1 磁共振系统构成 |
| 5.2.2 功能模块之间的连接关系 |
| 5.2.3 系统集成 |
| 5.2.4 系统集成经验总结 |
| 5.3 超低场磁共振系统性能验证 |
| 5.3.1 热极化~1H成像实验 |
| 5.3.2 超极化~3He气体成像实验 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.1.1 论文的主要创新点和贡献 |
| 6.1.2 具体工作成效与不足 |
| 6.2 展望 |
| 参考文献 |
| 附录 1 基于旋转矩阵的仿真方法 |
| 附录 2 链式仿真样例 |
| 攻读博士学位期间的学术活动及成果情况 |
（2）基于深度学习的磁共振动态成像（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩写列表 |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 动态磁共振快速成像 |
| 2.1 磁共振成像原理 |
| 2.1.1 磁化 |
| 2.1.2 磁共振现象与主磁场 |
| 2.1.3 磁共振信号形成与射频场 |
| 2.1.4 空间编码与梯度场 |
| 2.1.5 傅里叶变换与磁共振重建 |
| 2.2 磁共振心脏电影成像原理 |
| 2.3 心脏磁共振加速方法 |
| 2.3.1 并行成像 |
| 2.3.2 压缩感知 |
| 2.3.3 低秩 |
| 2.3.4 流形学习 |
| 2.3.5 深度学习 |
| 2.4 成像质量评估 |
| 第3章 稀疏驱动:交叉域多监督神经网络 |
| 3.1 引言 |
| 3.2 CS-MRI和CNN-MRI |
| 3.3 交叉域多监督神经网络的构建 |
| 3.3.1 交叉域神经网络 |
| 3.3.2 多监督损失函数策略 |
| 3.4 实验结果 |
| 3.4.1 实验设置 |
| 3.4.2 与目前主流方法的对比 |
| 3.5 分析与讨论 |
| 3.5.1 频率域网络的有效性 |
| 3.5.2 k空间损失函数的有效性 |
| 3.5.3 图像域损失函数的有效性 |
| 3.5.4 多监督损失函数的必要性 |
| 3.5.5 DIMENISON方法的局限性 |
| 3.6 本章小结 |
| 第4章 低秩驱动:深度稀疏低秩神经网络 |
| 4.1 引言 |
| 4.2 方法论 |
| 4.2.1 背景:可学习稀疏先验 |
| 4.2.2 提出的方法:可学习低秩先验 |
| 4.3 实验结果 |
| 4.3.1 实验设置 |
| 4.3.2 与主流方法的对比 |
| 4.4 分析与讨论 |
| 4.4.1 不同的SVT策略用于学习低秩先验 |
| 4.4.2 高加速倍数:10倍和12倍 |
| 4.4.3 对不同采样模板的敏感性 |
| 4.4.4 在多通道场景下的重建性能 |
| 4.4.5 前瞻性重建 |
| 4.4.6 SLR-Net的局限性 |
| 4.5 本章小结 |
| 第5章 流形驱动:深度流形神经网络 |
| 5.1 引言 |
| 5.2 方法论 |
| 5.2.1 预备知识:张量 |
| 5.2.2 相关的工作:黎曼优化 |
| 5.2.3 提出的方法:流形神经网络 |
| 5.3 实验结果 |
| 5.3.1 实验设置 |
| 5.3.2 与主流方法的对比 |
| 5.4 分析与讨论 |
| 5.4.1 高加速倍数:12倍 |
| 5.4.2 对不同采样模板的敏感性 |
| 5.4.3 固定秩的选择 |
| 5.4.4 与我们提出的前两种方法的对比 |
| 5.4.5 Manifold-Net的局限性 |
| 5.5 本章小结 |
| 第6章 无监督驱动:基于时间交叉采样的无监督学习网络 |
| 6.1 引言 |
| 6.2 方法论 |
| 6.2.1 问题描述 |
| 6.2.2 提出的无监督框架 |
| 6.2.3 提出的并行成像网络 |
| 6.3 实验结果 |
| 6.3.1 实验设置 |
| 6.3.2 与主流方法的对比 |
| 6.4 分析与讨论 |
| 6.4.1 单通道模型vs多通道模型 |
| 6.4.2 重建网络的选择 |
| 6.4.3 通道融合网络的必要性 |
| 6.4.4 无监督框架的局限性 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（3）基于深度学习的磁共振定量图像超分辨率算法（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 课题研究背景 |
| 1.1.1 磁共振定量成像技术 |
| 1.1.2 超分辨率重建技术 |
| 1.2 国内外研究现状 |
| 1.2.1 多图像超分辨率重建技术 |
| 1.2.2 单图像超分辨率重建技术 |
| 1.3 本文主要研究内容 |
| 第2章 磁共振成像原理 |
| 2.1 概述 |
| 2.2 磁共振信号的产生 |
| 2.3 磁共振图像的形成 |
| 2.4 磁共振图像的质量 |
| 2.5 磁共振定量成像 |
| 2.6 本章小结 |
| 第3章 基于深度学习的图像超分辨率算法 |
| 3.1 超分辨率重建模型 |
| 3.2 图像质量评价方法 |
| 3.3 有监督的图像超分辨率算法 |
| 3.4 无监督的图像超分辨率算法 |
| 3.5 实验结果与评价 |
| 3.6 本章小结 |
| 第4章 磁共振定量图像的超分辨率重建算法 |
| 4.1 问题描述 |
| 4.2 超分辨率网络模型 |
| 4.3 实验设置 |
| 4.4 实验结果与分析 |
| 4.4.1 客观评价 |
| 4.4.2 主观评价 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（4）3.0T MRI人工智能辅助压缩感知（ACS）加速序列与常规2D序列在腰椎图像质量的比较（论文提纲范文）
| 中文摘要 |
| abstract |
| 中英文缩略词索引表 |
| 第1章 引言 |
| 第2章 文献综述 常见磁共振快速成像技术简介 |
| 第3章 材料与方法 |
| 3.1 实验对象 |
| 3.2 实验方法 |
| 3.3 图像质量分析 |
| 3.3.1 定量分析 |
| 3.3.2 定性分析 |
| 3.4 统计学分析 |
| 第4章 结果 |
| 4.1 图像质量定量分析 |
| 4.2 图像质量定性分析 |
| 4.3 观察者协议评分 |
| 第5章 讨论 |
| 第6章 结论 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）基于模型驱动的快速磁共振成像（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 快速成像序列 |
| 1.2.2 并行成像技术 |
| 1.2.3 压缩感知重建算法 |
| 1.2.4 深度学习重建算算法 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 磁共振成像原理与快速磁共振成像方法 |
| 2.1 磁共振成像基本原理 |
| 2.1.1 核磁共振现象 |
| 2.1.2 k空间数据采集 |
| 2.1.3 k空间数据与图像 |
| 2.2 快速成像方法 |
| 2.2.1 并行成像原理 |
| 2.2.2 压缩感知成像原理 |
| 2.2.3 压缩感知重建算法 |
| 2.2.4 基于模型的深度学习重建算法 |
| 2.3 小结 |
| 第3章 深度低秩加稀疏网络用于快速动态磁共振成像 |
| 3.1 心脏电影成像技术及低秩方法 |
| 3.1.1 心脏电影成像技术 |
| 3.1.2 低秩先验在动态成像中的应用 |
| 3.2 低秩+稀疏动态磁共振成像模型 |
| 3.3 低秩+稀疏深度神经网络 |
| 3.4 实验数据及模型配置 |
| 3.4.1 数据准备 |
| 3.4.2 模型及参数设置 |
| 3.5 实验结果 |
| 3.5.1 评价指标 |
| 3.5.2 低秩、稀疏成分分解结果 |
| 3.5.3 单通道图像重建结果 |
| 3.5.4 多通道图像重建结果 |
| 3.5.5 前瞻性实验 |
| 3.6 小结 |
| 第4章 深度超分辨-重建网络用于高分辨率磁共振成像 |
| 4.1 高分辨率磁共振重建策略 |
| 4.2 超分辨-重建一体的磁共振成像模型 |
| 4.3 深度超分辨-重建网络 |
| 4.4 实验数据及模型配置 |
| 4.4.1 数据准备 |
| 4.4.2 模型及参数设置 |
| 4.5 实验结果 |
| 4.5.1 评价指标 |
| 4.5.2 超分辨-重建网络与高度欠采重建方法(策略1)结果对比 |
| 4.5.3 超分辨-重建网络与重建-超分辨方法(策略2)结果对比 |
| 4.5.4 生成-对抗机制的影响 |
| 4.6 小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（6）快速磁共振三维成像（论文提纲范文）
| 缩略语表 |
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 快速磁共振三维成像 |
| 2.1 磁共振成像 |
| 2.1.1 核磁共振 |
| 2.1.2 脉冲序列 |
| 2.1.3 空间编码 |
| 2.1.4 图像重建 |
| 2.2 快速磁共振成像 |
| 2.2.1 部分傅里叶成像 |
| 2.2.2 并行成像 |
| 2.2.3 波束相位编码与之字形采样 |
| 2.2.4 虚拟共轭线圈技术 |
| 2.2.5 压缩感知成像 |
| 2.3 快速磁共振三维成像 |
| 2.3.1 可控混叠并行成像方法 |
| 2.3.2 Wave-CAIPI成像方法 |
| 2.3.3 本论文拟解决的问题 |
| 第3章 Wave-CAIPI的参数优化 |
| 3.1 引言 |
| 3.2 理论 |
| 3.2.1 Wave-CAIPI的编码模型 |
| 3.2.2 参数与几何因子的关系 |
| 3.2.3 平均几何因子的快速计算方法 |
| 3.2.4 参数优化框架 |
| 3.3 方法 |
| 3.4 结果 |
| 3.5 讨论 |
| 3.5.1 平均几何因子的快速计算方法 |
| 3.5.2 读出采集的过采样率 |
| 3.5.3 L型曲线的拐点 |
| 3.5.4 缺陷与拓展 |
| 3.6 总结 |
| 第4章 结合虚拟共轭线圈和波浪梯度编码的并行成像方法 |
| 4.1 引言 |
| 4.2 理论 |
| 4.2.1 波浪梯度编码的模型 |
| 4.2.2 VCC-Wave的模型 |
| 4.2.3 VCC-Wave的理论诠释 |
| 4.3 方法 |
| 4.3.1 单通道仿真实验 |
| 4.3.2 多通道仿真实验 |
| 4.3.3 高分辨率和高带宽的在体实验 |
| 4.3.4 VCC-Wave三维成像实验 |
| 4.3.5 VCC-Wave的稳定性分析 |
| 4.3.6 VCC-Wave的重建方法研究 |
| 4.4 结果 |
| 4.4.1 多通道仿真实验 |
| 4.4.2 高分辨率和高带宽的在体实验 |
| 4.4.3 VCC-Wave三维成像实验 |
| 4.4.4 VCC-Wave的稳定性分析 |
| 4.4.5 VCC-Wave的重建方法研究 |
| 4.5 讨论 |
| 4.5.1 相关矩阵的理论框架 |
| 4.5.2 VCC-Wave的实用性重建方法 |
| 4.5.3 缺陷与拓展 |
| 4.6 结论 |
| 第5章 Wave-CAIPI加速三维平衡稳态自由进动序列 |
| 5.1 引言 |
| 5.2 理论 |
| 5.2.1 截断式波浪梯度场的表达式 |
| 5.2.2 波浪梯度场的零阶矩分析 |
| 5.2.3 波浪梯度场的一阶矩分析 |
| 5.3 方法 |
| 5.3.1 序列设计 |
| 5.3.2 仿真实验 |
| 5.3.3 水模实验 |
| 5.3.4 在体实验 |
| 5.3.5 图像重建 |
| 5.3.6 定量分析 |
| 5.4 结果 |
| 5.5 讨论 |
| 5.6 结论 |
| 第6章 CS-Wave加速高分辨率三维血管壁成像 |
| 6.1 引言 |
| 6.2 理论 |
| 6.3 方法 |
| 6.3.1 CS-CAIPI加速血管壁成像 |
| 6.3.2 CS-Wave加速血管壁成像 |
| 6.4 结果 |
| 6.4.1 CS-CAIPI加速血管壁成像 |
| 6.4.2 CS-Wave加速血管壁成像 |
| 6.5 讨论 |
| 6.6 结论 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 附录 |
| 附录A 计算wave-PSF的扩散范围 |
| 附录B 单个体素几何因子的快速计算方法 |
| 附录C 中心几何因子关于相对幅度的导数 |
| 附录D 相关矩阵与几何因子的关系 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）磁共振同时多层平面回波成像序列设计及图像重建（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 论文主要内容 |
| 1.5 论文的章节安排 |
| 第二章 平面回波成像 |
| 2.1 平面回波成像的发展历史 |
| 2.2 平面回波成像基本原理 |
| 2.3 平面回波成像的常见伪影 |
| 2.3.1 N/2 Ghosting伪影 |
| 2.3.2 N/2 伪影产生的原因 |
| 2.3.3 化学位移伪影 |
| 2.3.4 化学位移伪影产生原因 |
| 2.3.5 图像的几何畸变和磁敏感伪影 |
| 2.4 本章总结 |
| 第三章 快速成像技术 |
| 3.1 并行成像技术 |
| 3.1.1 SENSE |
| 3.1.2 GRAPPA |
| 3.2 稀疏重建技术 |
| 3.3 同时多层成像技术 |
| 3.4 本章总结 |
| 第四章 同时多层平面回波成像 |
| 4.1 平面回波成像序列梯度设计 |
| 4.1.1 平面回波成像序列的层面选择梯度设计 |
| 4.1.2 平面回波成像序列的读出梯度设计 |
| 4.1.3 平面回波成像序列的相位编码梯度设计 |
| 4.1.4 平面回波成像序列的图像重建 |
| 4.2 平面回波成像的伪影抑制方法实现 |
| 4.2.1 N/2 Ghosting伪影的祛除 |
| 4.2.2 脂肪抑制技术实现 |
| 4.3 快速成像技术工程实现 |
| 4.3.1 GRAPPA算法实现 |
| 4.3.2 Multi-Band射频脉冲设计 |
| 4.3.3 Blipped-CAIPI技术实现 |
| 4.3.4 Slice-GRAPPA算法的实现 |
| 4.4 同时多层平面回波序列 |
| 4.5 同时多层平面回波成像图像重建 |
| 4.6 同时多层平面回波成像实验结果 |
| 4.7 本章总结 |
| 第五章 同时多层平面回波序列的fMRI应用 |
| 5.1 同时多层平面回波成像序列fMRI的质量控制 |
| 5.2 同时多层平面回波成像序列fMRI的验证 |
| 5.2.1 静息态fMRI验证 |
| 5.2.2 任务态fMRI验证 |
| 5.3 本章总结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
（8）ZTE磁共振成像技术对肺结构显示的临床应用研究（论文提纲范文）
| 缩略词表 |
| 中文摘要 |
| 英文摘要 |
| 前言 |
| 第一部分 ZTE成像技术对肺结构的显示价值 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 第二部分 ZTE成像技术显示肺结构的参数优化 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 第三部分 ZTE成像技术对肺疾病显示的临床价值初探 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 全文结论 |
| 本研究创新点 |
| 参考文献 |
| 综述 ZTE技术原理及其在肺成像中的研究进展 |
| 参考文献 |
| 攻读学位期间获得的学术成果 |
| 攻读学位期间获奖情况 |
| 致谢 |
（9）基于U型神经网络的快速磁共振成像技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于深度学习卷积神经网络的快速磁共振成像方法 |
| 1.2.2 基于U型神经网络的快速磁共振成像方法 |
| 1.2.3 基于3D卷积神经网络的动态磁共振成像方法 |
| 1.3 主要研究内容 |
| 1.4 本文章节安排 |
| 第2章 基于深度学习卷积神经网络的磁共振成像原理 |
| 2.1 引言 |
| 2.2 磁共振成像原理 |
| 2.2.1 磁共振信号采集 |
| 2.2.2 磁共振采样方式 |
| 2.3 深度学习卷积神经网络原理 |
| 2.3.1 卷积神经网络 |
| 2.3.2 损失函数 |
| 2.3.3 优化函数 |
| 2.4 本章小结 |
| 第3章 基于U型神经网络的快速磁共振成像方法 |
| 3.1 引言 |
| 3.2 U-net卷积神经网络模型 |
| 3.3 网络训练 |
| 3.4 网络重建 |
| 3.5 训练数据的准备 |
| 3.6 实验与结果分析 |
| 3.7 本章小结 |
| 第4章 基于递归残差U型神经网络的快速磁共振成像方法 |
| 4.1 引言 |
| 4.2 递归残差U-net卷积神经网络模型 |
| 4.3 网络训练 |
| 4.4 网络重建 |
| 4.5 训练数据的准备 |
| 4.6 实验与结果分析 |
| 4.7 本章小结 |
| 第5章 基于3DU型神经网络的快速动态磁共振成像方法 |
| 5.1 引言 |
| 5.2 3DU-net卷积神经网络模型 |
| 5.3 网络训练 |
| 5.4 网络重建 |
| 5.5 训练数据的准备 |
| 5.6 实验与结果分析 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间取得的研究成果 |
（10）基于单次激发中心向外平面回波成像技术的扩散磁共振成像（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究历史及现状 |
| 1.3 论文的主要内容与章节安排 |
| 第二章 磁共振成像原理 |
| 2.1 磁共振基本原理 |
| 2.1.1 原子核的磁性 |
| 2.1.2 外加磁场下的原子核 |
| 2.1.3 自旋核的拉莫尔进动和共振 |
| 2.1.4 弛豫过程和弛豫时间 |
| 2.1.5 自由感应衰减 |
| 2.2 磁共振成像 |
| 2.2.1 空间编码和梯度磁场 |
| 2.2.2 k空间 |
| 2.3 本章小结 |
| 第三章 平面回波成像及扩散磁共振 |
| 3.1 平面回波序列 |
| 3.1.1 EPI读出梯度 |
| 3.1.2 EPI的相位编码 |
| 3.1.3 斜坡采样 |
| 3.1.4 部分相位编码 |
| 3.1.5 SE-EPI和 GRE-EPI及其回波时间 |
| 3.2 平面回波成像的伪影 |
| 3.2.1 奈奎斯特伪影 |
| 3.2.2 奈奎斯特伪影的校正 |
| 3.2.3 几何畸变伪影 |
| 3.2.4 几何畸变伪影的校正 |
| 3.3 扩散磁共振成像 |
| 3.3.1 扩散加权梯度 |
| 3.3.2 扩散加权梯度引起的信号变化 |
| 3.3.3 扩散系数图像 |
| 3.3.4 扩散磁共振脉冲序列 |
| 3.3.5 扩散磁共振中的伪影 |
| 3.4 本章小结 |
| 第四章 中心向外的采样技术 |
| 4.1 引言 |
| 4.2 序列设计 |
| 4.2.1 中心向外平面回波成像技术 |
| 4.2.2 部分k空间采样的COEPI技术 |
| 4.2.3 COEPI的序列设计 |
| 4.2.4 脂肪抑制 |
| 4.3 结合并行成像的COEPI技术 |
| 4.3.1 并行成像技术 |
| 4.3.2 COEPI的并行成像技术和SENSE重建 |
| 4.4 基于深度学习的奈奎斯特伪影校正 |
| 4.5 本章小结 |
| 第五章 图像重建和伪影校正 |
| 5.1 图像重建流程 |
| 5.1.1 常规EPI和 DWI的图像重建 |
| 5.1.2 COEPI和 COEPI-DWI的图像重建 |
| 5.2 相位误差校正 |
| 5.2.1 常规EPI相位误差校正 |
| 5.2.2 基于深度网络的相位误差校正 |
| 5.2.3 COEPI相位误差校正 |
| 5.3 几何畸变伪影校正 |
| 5.4 SNR增量 |
| 5.5 本章小结 |
| 第六章 实验和结果 |
| 6.1 实验设计 |
| 6.2 模体实验 |
| 6.2.1 ACR模体实验 |
| 6.2.2 定量扩散加权成像模体实验 |
| 6.2.3 并行成像图像结果 |
| 6.3 人体实验 |
| 6.3.1 COEPI实验结果 |
| 6.3.2 COEPI并行成像的成像结果 |
| 6.3.3 脑部扩散加权成像结果 |
| 6.3.4 人体实验的SNR增量 |
| 6.4 本章小结 |
| 第七章 结束语 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
四、圆形K空间采样技术及其在磁共振成像中的应用（论文参考文献）
- [1]基于3He极化的立式超低场磁共振成像系统设计方法研究[D]. 胡亮亮. 合肥工业大学, 2021(02)
- [2]基于深度学习的磁共振动态成像[D]. 柯子文. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(01)
- [3]基于深度学习的磁共振定量图像超分辨率算法[D]. 郭木子. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [4]3.0T MRI人工智能辅助压缩感知（ACS）加速序列与常规2D序列在腰椎图像质量的比较[D]. 公雨. 吉林大学, 2021(01)
- [5]基于模型驱动的快速磁共振成像[D]. 黄文麒. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [6]快速磁共振三维成像[D]. 丘志浪. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(01)
- [7]磁共振同时多层平面回波成像序列设计及图像重建[D]. 吴扬磊. 电子科技大学, 2021(01)
- [8]ZTE磁共振成像技术对肺结构显示的临床应用研究[D]. 陈俊汝. 昆明医科大学, 2020(02)
- [9]基于U型神经网络的快速磁共振成像技术研究[D]. 曹康慧. 杭州电子科技大学, 2020(02)
- [10]基于单次激发中心向外平面回波成像技术的扩散磁共振成像[D]. 陈旭东. 上海交通大学, 2020(01)