基于深度学习的MR图像重建算法研究.pdfVIP

摘要

摘要

核磁共振成像(MRI)技术具有无侵入性、无辐射等优点，尤其能够直接成像

软组织、血液等，因此在临床医学中得到了广泛应用。然而，由于MRI扫描通常

需要较长的时间，为了缩短采样时间，实际采集的数据通常是部分数据，当采集

的数据量不足以满足奈奎斯特采样定律的条件时，就会产生混叠效应。MRI的重

建任务是消除这些伪影，这对医学诊断具有重要意义，加速磁共振成像（MRI）重

建是一项具有挑战性的任务，而基于深度学习的解决方案在这一领域发挥着重要

作用，本文主要从基于深度学习的方法进行探讨。

首先，本文提出了一种基于残差和自注意力的编码器卷积神经网络（ERSA-

Net）的MRI重建算法，它采用了基于编码器的残差自注意力网络结构，并且通过

在具有不同欠采样比例的数据集上进行验证实验，证明了ERSA-Net在成像的质

量上取得了显着的提升。主要贡献点包括：

1.ERSA-Net的骨干网络架构是基于编码器的，且使用了残差网络来提高网络

中特征信息利用率。

2.ERSA-Net设计了一种专门的特征提取器来提取输入值中的重要特征值，然

后进行自注意力计算，以获取特征值之间的相关依赖关系，以提升网络模型的性

能。

其次，基于当前许多深度学习方法主要关注深层特征信息，而忽略了浅层特

征信息的现状，本文又在ERSA-Net的基础上提出了一种新型的跨尺度网络，称为

基于跨尺度网络的特征集成和自注意力神经网络（CS-FSNet），用于加速MRI从

欠采样k空间数据的重建，通过大量的实验证明了CS-FSNet相对于目前最先进方

法的具有卓越的性能表现。主要贡献点包括：

1.CS-FSNet设计了一种多层次，多维度的的特征融合机制，将网络模型中不

同尺度的特征信息进行最大化的融合，最大化的提升网络模型的学习能力。

2.CS-FSNet基于跨尺度特征融合的同时，又提出了一种跨尺度的自注意力计

算方式，将不同尺度或者不同网络层次进行自注意力的计算，使网络能够多维度

学习到不同网络尺度中的特征信息之间的相关依赖性。

3.CS-FSNet使用局部残差和网络中的全局残差来稳定网络模型的学习效率，

以及提出一种二次训练策略来提升重建质量。

关键词：跨尺度，自注意力，特征融合，MRI重建

I

ABSTRACT

ABSTRACT

Magneticresonanceimaging(MRI)technologyhastheadvantagesofbeingnon-

invasiveandnon-radiative,andcanespeciallydirectlyimagesofttissue,blood,etc.,soit

hasbeenwidelyusedinclinicalmedicine.However,sinceMRIscanningusuallytakesa

longtime,inordertoshortenthesamplingtime,theactualcollecteddataisusuallypartial

data.WhentheamountofcollecteddataisnotenoughtomeettheconditionsofNyquist

SamplingLaw,aliasingeffectswilloccur.ThereconstructiontaskofMRIistoeliminate

theseartifacts,whichisofgreatsignificanceformedicaldiagnosis.Acceleratingmagnetic

resonanceimaging(MRI)reconstructionisachallengingtask,anddeeplearning-basedso-

lutionsplayanimportantroleinthisfield.Thesismainlydiscussesmethodsbasedondeep

learning.