一、磁共振成像的原理（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》文中指出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。
贾伟[2]（2021）在《基于深度学习的磁共振成像重构算法研究》文中研究指明磁共振成像（Magnetic Resonance Imaging,MRI）在治疗检测和医疗诊断等领域的应用很广泛,并且没有电离辐射危害。然而,过长的扫描时间成为了MRI最主要的缺点。因此,为了在保证MRI质量的同时提高成像速度,本文研究利用深度学习的网络模型,设计有效的MRI网络模型来提高磁共振图像的重构性能。本文的主要研究内容如下:（1）采用Calgary-Campinas的脑部原始数据,并对数据集进行归一化处理,选择25个受试者的1000个切片作为训练数据集,10个受试者的400个切片作为测试数据集。首先,基于Google Le Net模型在分类任务中的良好表现,本文对Google Le Net模型进行改进并提出了S-GLe Net模型用于MR图像的重构中。其次,深度级联网络模型首次将数据一致性层用于磁共振图像的重构中并且图像的重构质量较好,因此,本文提出将S-GLe Net模型与数据一致性层相结合称为级联S-GLe Net模型。仿真实验结果表明,在多种欠采样模式下,新提出的级联SGLe Net模型与深度级联网络模型、Hybrid-Cascade网络模型相比在MR图像的重构上均有很大提升。（2）由于U-Net神经网络在医学图像分割领域表现良好,本文提出将级联UNet模型用于MR图像的重构中。仿真实验结果表明,在多种欠采样模式下,级联U-Net模型能有效的提高MR图像的重构质量,但需要学习大量的参数,而且重构的图像有过模糊现象,重构性能还有很大提升空间。（3）本文提出的新型网络模型对原始的U-Net模型进行改进,结合Google Le Net模型和Res Net模型的优势,称为UGR-Net模型;在UGR-Net模型基础上,用多种方式加深模型深度,同时改变上采样方式和激活函数,提出了PCKNet模型;此外,将UGR-Net与PCK-Net这两种模型与数据一致性层相结合,称为级联UGR-Net模型和级联PCK-Net模型。使用多种欠采样模式对脑部复数数据进行欠采样,并对新提出模型的重构性能进行测试。仿真实验结果表明,在多种欠采样模式下,级联UGR-Net和级联PCK-Net在视觉和定量指标等方面均优于比较的重构模型,特别是对于级联PCK-Net模型,在训练数据集和测试数据集采样模式不同的情况下,重构效果表现依然很好。
章萌[3]（2021）在《1H/31P/23Na三核磁共振成像线圈的研究与设计》文中研究表明磁共振成像（Magnetic Resonance Imaging,MRI）是一种广泛应用的非侵入性成像方式,可提供高分辨率软组织对比度及多种功能信息。MRI已成为临床医疗中的重要工具,其研究方向主要集中在提高信噪比（SNR）、组织对比度和图像质量等方面。高场强为高信噪比奠定了基础,改进造影剂可提高组织间的对比度和抑制运动、减弱涡流等技术或方法可以改善图像质量,但这些均需要一个性能良好的射频线圈来获得磁共振信号。磁共振成像技术主要以1H成像为主,随着高场MRI系统技术的发展,用来成像的核素不再局限于1H,使用1H以外的核的磁共振成像也具有应用价值。如31P在能量代谢中起着重要作用,对缺血性心脏病、动脉粥样硬化及皮肌炎的辅助诊断具有一定价值。23Na的磁共振成像也具有临床意义,可以检测肿瘤、软骨健康、肾衰竭等多种生理疾病。然而,31P/23Na的检测仍然具有挑战性,其信号强度比1H要弱4～5个数量级,因此,仍需要1H成像线圈进行定位和匀场,开发具有1H/31P/23Na三核成像的射频线圈。这样既避免更换线圈造成的扫描位置移动,又能缩短成像时间减少患者的不舒适性。本文针对1H/31P/23Na三核成像线圈的研究需求,对三核成像线圈技术进行了研究。论文的主要内容如下:（1）对不同类型射频线圈总体设计进行介绍,依照理论方法实际制作表面线圈获得成像数据。并对鸟笼线圈不同谐振模式进行理论分析和仿真研究,验证均匀模式与非均匀模式下的磁场分布。通过线圈物理结构的调节来对不同谐振模式频率的优化,减小不同线圈之间的耦合作用。最后对马鞍型线圈进行建模仿真,对其射频场均匀性分析获得成像空间大小。（2）针对鸟笼线圈结构复杂参数量多带来仿真速度慢的问题,基于Qt平台开发了一款成像鸟笼线圈电容计算软件,能在进行电磁仿真前估算线圈调谐电容范围,解决了鸟笼线圈仿真模型复杂带来仿真速度缓慢的问题。再对线圈匹配电路模型进行了改进,参数扫描后再验证结果,此方法加快了仿真速度,同时也优化了仿真精度。（3）对比现有双谐振线圈设计方案优劣势来设计1H/31P/23Na三核成像线圈结构,通过前期电磁仿真评估,然后实际制作。线圈由屏蔽层、Four-ring鸟笼线圈（1H/31P收发一体）及马鞍型线圈（23Na收发一体）组成。完成机械加工线圈支撑组件、线圈电路的调试,对线圈电性能相关指标进行测试均满足成像条件。最后用自主研发的多核多通道MRI控制系统在4.7T磁共振成像平台进行实验,获得了符合预期的图像,验证了1H/31P/23Na三核磁共振成像线圈设计方案的可行性,为三核磁共振成像线圈提供一种新的设计方案。
杜雷[4]（2021）在《孤独症谱系障碍和阿尔茨海默病的多模态磁共振成像研究》文中提出第一部分多模态磁共振成像的基本原理及数据处理关键步骤多模态影像联合分析法能联合各种磁共振成像方法的优势,利用其互补性,提高对神经系统疾病的病理生理学特点的全面认识。本论文主要采用QSM、DTI、rs-fMRI和ASL这4种磁共振成像技术对ASD患者和AD患者进行研究,这一部分主要介绍这4种磁共振成像技术的原理及数据处理关键步骤。第二部分基于多模态磁共振影像探索孤独症谱系障碍患者脑发育状态影像学生物标记物的研究目的:通过对孤独症谱系障碍（ASD）患者进行高分辨定量磁敏感成像、静息态功能磁共振成像、扩散张量成像和动脉自旋标记成像技术,比较脑铁含量、脑功能、白质纤维结构和脑血流量在ASD患者与健康儿童之间的差异,同时探索ASD患者各异常影像学参数值是否与脑发育状态之间具有相关性。方法:本研究为单中心病例对照研究,共招募了 3-8岁ASD患者20例和健康对照者15例,签署知情同意并获得相关临床信息和量表信息,同时收集了 ASD患者的定量磁敏感成像（QSM）、静息态功能磁共振成像（rs-fMRI）、扩散张量成像（DTI）和动脉自旋标记（ASL）的磁共振图像信息。我们收集QSM各感兴趣区的磁化率值,rs-fMRI中各脑区的局部一致性（ReHo）值和低频振幅（ALFF）值;DTI中各白质纤维的分数各向异性（FA）值和平均扩散率（MD）值;ASL的绝对脑血流量（CBF）。ASD患者的临床症状采用孤独症行为量表（ABC）进行评定,大脑的发育状态采用Gesell发育量表进行评定。采用双样本t检验检测ASD患者与健康对照者之间的各影像学参数值的差异;采用配对t检验比较ASD患者和健康对照者左侧和右侧的各影像学参数值是否存在差异。此外,采用偏相关分析评估ASD患者各影像学参数值与Gesell发育量表分值是否存在相关性。结果:与健康对照者相比,ASD患者的双侧红核、双侧额叶白质、左侧颞叶白质的磁化率值显着降低（P=0.003,0.008,0.002,0.001,0.014）,ASD患者左侧尾状核和左侧丘脑磁化率值明显低于右侧（P=0.005,0.005）,健康对照者左侧丘脑的磁化率值低于右侧（P=0.007）,具有不对称性;ASD患者额上回、额中回、内侧额回、额下回和眶部额下回的ALFF值低于健康对照者（GRF校正,体素P<0.005,团块P<0.05）,内侧额回、中央前回、左中央旁小叶、右侧补充运动区的ReHo值高于健康对照者（GRF校正,体素P<0.005,团块P<0.05）;ASD患者双侧丘脑后辐射、额枕下束、下纵束的FA值小于健康对照者（P=0.049,FWE校正后）,同时右侧丘脑后辐射、额枕下束、下纵束,上放射冠、后放射冠、内囊的后豆状核部分的MD值大于健康对照者（P=0.033,FWE校正后）;ASD患者的右侧顶叶、颞叶和枕叶CBF值高于左侧（P<0.05）。此外,研究发现ASD患者右侧苍白球的磁化率值与Gesell-精细运动的量表分值成显着正相关（r=0.560,P=0.024）,其余影像学参数值与ABC量表、Gesell发育量表分值之间均无明显相关性。结论:QSM、rs-fMRI、DTI和ASL磁共振成像技术可用于研究ASD患者的脑铁含量、脑功能、白质纤维和脑血流的变化。ASD患者多个核团出现了铁含量的异常降低,多个脑区出现异常激活、额叶白质微结构存在异常,脑血流量未出现明显异常,此外,ASD患者右侧苍白球铁含量与脑发育障碍严重程度具有相关性。研究表明QSM测量的磁化率值、rs-fMRI测量的ReHo值和ALFF值、DTI测量的FA值和MD值有望成为ASD患者早期诊断的影像学生物标志物,右侧苍白球铁含量有望成为评价ASD患者神经发育障碍严重程度的影像学标记物,这些发现有助于将来探索ASD潜在的复杂病理生理学机制,并为客观量化评估早期ASD患者神经发育障碍严重程度提供神经影像学依据。第三部分基于多模态磁共振影像探索阿尔茨海默病患者一年内脑铁含量和脑血流量纵向变化的研究目的:采用QSM和ASL技术探索老年阿尔茨海默病（AD）患者一年内脑铁含量和脑血流量的纵向变化。方法:研究初步纳入了 55例AD患者,在入组时和一年后分别获取他们的临床信息、量表信息和QSM、ASL和3D-T1图像信息,最终共15例完成了回访。AD患者的认知功能使用简易精神状态量表（MMSE）和蒙特利尔认知量表（MoCA）进行评估。采用配对t检验比较AD患者基线状态和回访时各影像学参数值是否有统计学差异;采用偏相关分析评估各影像学参数值与认知功能评分之间,以及各影像学参数值变化值与认知功能评分变化值之间是否存在相关性。结果:与基线水平相比,左侧壳核、左侧齿状核和右侧海马铁含量在一年内增加。基线水平左侧红核、右侧黑质的磁化率值与MMSE量表呈负相关（P=0.022,P=0.048）,右侧海马的磁化率值与MMSE量表成正相关（P=0.047）;各脑区的脑血流量在一年内未见明显变化（P>0.05）,基线水平各脑区的脑血流量值与MMSE和MoCA量表分值均无明显相关性。结论:AD患者左侧壳核、左侧齿状核、右侧海马铁含量在一年内增加,左侧红核、右侧黑质和右侧海马的磁化率值与认知功能评分相关,这些研究结果为进一步研究AD患者的病理生理机制提供了新的见解。
王园园[5]（2020）在《袖状胃切除手术引起肥胖患者大脑结构和功能持续变化的MRI研究》文中指出肥胖是目前普遍存在的公共健康问题,不仅引起各种代谢性疾病,而且对中枢神经系统产生不良影响。目前,控制和调节体重的治疗方法有很多种。袖状胃切除术（LSG）对肥胖的治疗具有长期有效的作用,能够持续和显着的降低体重。神经影像学研究表明,LSG减重手术在降低体重的同时,能够诱导肥胖患者大脑结构和功能的恢复。但LSG减重手术引起的大脑结构和功能改变之间的关联尚不清楚。此外,目前尚未有研究针对LSG减重手术后的多个时间点,探究减重手术是否会引起大脑结构和功能的持续性变化。因此仍需研究证明,LSG减重手术引起的大脑结构变化是否伴随功能的变化,能否持续或稳定的诱导大脑结构和功能的恢复。本文研究基于3D结构磁共振成像和静息态功能磁共振成像技术,采用肥胖患者LSG减重手术前、术后1个月和3个月的影像数据和临床测量数据,通过单因素重复测量分析的统计方法,探究LSG减重手术诱导的肥胖患者大脑结构和功能的持续性改变及其之间的关联,从而揭示减重手术调节体重的作用机制。（1）针对3D结构磁共振图像,使用基于体素的形态学测量分析方法,探索LSG减重手术引起肥胖患者大脑灰质（GM）和白质（WM）体积的持续性变化。结果表明LSG减重手术持续增加了与奖赏（Caudate）、互感（INS）、自我参照处理（PCC）、执行控制（ACC、IFG）和记忆力（PHIPP）相关脑区的灰白质体积。LSG减重手术前、术后1个月和3个月,BMI与Caudate脑区的灰质体积呈现负相关性。术后1个月和3个月,INS与PCC脑区的灰质体积之间呈现正相关性。以INS和PCC为种子点的静息态功能连接分析发现,LSG减重手术持续增加了INS和PCC之间的静息态功能连接,降低了PCC和DMPFC之间的静息态功能连接。此外,LSG减重手术后1个月,INS和PCC脑区的灰质体积与INS和PCC之间的静息态功能连接呈现正相关性。术后3个月,INS脑区的灰质体积与INS和PCC之间的静息态功能连接也呈现正相关性。说明LSG减重手术引起的大脑结构和静息态功能连接的变化之间密切相关。（2）采用低频幅度慢波震荡分析（ALFF）方法,研究LSG减重手术引起肥胖患者大脑静息态活动水平的持续性变化。结果表明LSG减重手术持续降低了与奖赏（VTA）和摄食调节（THA）相关脑区的活动水平,持续增加了与执行控制（IFG）和躯体感觉处理（Post Central）相关区域的活动水平。此外,LSG减重手术前、术后1个月和3个月时,VTA和THA脑区的ALFF值之间呈现显着正相关性。LSG减重手术后1个月和3个月分别与术前相比较,以及术后3个月与1个月相比较,VTA和THA脑区的ALFF差值之间也呈现显着正相关性。根据VTA和THA脑区活动水平之间的特殊相关性,进行了以VTA和THA为种子点的静息态功能连接。研究发现,LSG减重手术持续增加了VTA和THA之间的静息态功能连接。（3）将大脑灰质体积差异脑区和静息态活动水平（ALFF值）差异脑区定义为感兴趣区域（ROIs）,进行ROIs-ROIs静息态功能连接分析,研究LSG减重手术引起肥胖患者大脑结构和功能差异脑区之间的静息态功能连接的持续性变化。研究发现,LSG减重手术持续增加了涉及互感和内感受（INS＿R-PCC＿R）、奖赏回路（VTA＿R-Caudate＿L）以及互感相关执行控制（IFG＿L-INS＿R）的静息态功能连接。表明,LSG减重手术不仅促进了大脑结构和功能的持续性改善,而且引起了肥胖患者大脑灰质体积与静息态活动水平差异核团间的静息态功能连接的持续性恢复。本文采用多时间点纵向追踪,通过研究LSG减重手术引起的肥胖患者大脑结构、功能以及差异脑区之间静息态功能连接的持续变化,探究LSG减重手术诱导大脑神经可塑性持续恢复的长期作用,从而为揭示减重手术引起的中枢神经机制变化提供影像学证据,为肥胖患者更长久有效的减重和无创非手术治疗提供临床实践和理论支持。
张明康[6]（2020）在《基于深度学习的自闭症早期筛查系统》文中认为自闭症谱系障碍,是一种由于神经系统失调导致的广泛性发育障碍,多在儿童早期表现出不寻常的自我意识时被发现。患儿大多表现出发育障碍现象,并伴随有社交能力、沟通能力、兴趣与行为模式等方面的异常。自闭症谱系障碍通过现有的医学手段无法完全治愈,只能通过后天干预进行缓解。跟据目前的治疗经验,六岁以前是进行干预的黄金时期,然而当现有的检测手段的确诊时都远远晚于这个时期。在临床应用中,自闭症的诊断标准采用了美国精神病学会提供的《精神障碍诊断和统计手册（第五版）》中的量表法,需要医生对患者的社会行为、语言、动作及重复行为进行观测和评估,缺乏一种客观诊断方法。为了让受检者能及时被确诊是否患有自闭症,解决传统自闭症诊断方法准确率低,确诊周期长的问题,本文利用深度神经网络,设计了一套自闭症磁共振影像诊断系统。这一系统的提出完全改变了传统的自闭症谱系障碍的检测方式,大大提升了检测的客观性与准确率。本系统利用计算机视觉技术,分析受检者的磁共振成像,并评估其在自闭症早期筛查上的表现。本文致力于将深度学习的手段运用到医学上,设计出一种检测周期短、检测准确率高的筛查网络来检测自闭症。这样,医生能够将更多的精力集中于治疗,减少在检测工作上的花费。通过和当地的三甲医院合作,我们成功地搜集到自闭症儿童和正常儿童的核磁共振成像数据进行相互对比。并在多次尝试下设计出针对功能磁共振成像数据筛查准确率极高的网络结构。本次实验中搜集有结构磁共振成像数据1102例,功能性磁共振成像数据2352例。实验中对比分析神经网络在两种数据下的表现,最终设计出一个分类准确率高的网络模型。实验表明,由我们设计的网络的诊断准确率高达92.1%,能在40分钟之内分析完成单个受检者的患病分析。最后,本文通过网络解释方法对网络的分类结果进行解释,并定位网络所感兴趣的脑区。我们提取出定位到的脑区信息,这些信息很可能反映了自闭症的物理病因。
刘航飞[7]（2020）在《基于深度学习的磁共振并行成像技术研究》文中指出磁共振成像作为一种无损害、多模态的临床医学疾病检测技术,能够为临床诊断提供高分辨率、任意层面的软组织结构图像。同时,功能磁共振成像作为脑科学研究的重要工具,也得到了迅速的发展。由于受自身成像机制的影响,磁共振成像系统的成像时间相对较长,有时不能满足临床医学的特殊需求。为了提高磁共振系统的成像速度,进一步满足临床需求,并行磁共振成像被提出并得到了深入的研究。并行磁共振成像首先通过并行线圈采集技术在相位编码方向上减少K空间数据的采集,然后通过并行磁共振重建算法,获得高质量的磁共振图像。并行磁共振重建算法包括GRAPPA和SENSE两大类。本文对SENSE及其改进算法进行研究,提出一种利用深度学习改进SENSE算法的混合磁共振并行重建算法,该算法可以进一步提高传统SENSE的重建效果。另外,本文通过对传统并行重建算法通用框架的深入研究,提出了一种基于深度学习的多通道磁共振并行重建算法。主要的研究成果如下:1,本文提出一种通过深度学习算法提高SENSE重建效果的新型混合磁共振并行重建算法。SENSE重建框架主要是利用并行线圈的敏感度分布,即线圈敏感图,来打开由于K空间欠采样而产生的混叠伪影。获取精确的线圈敏感图对SENSE重建至关重要。本方法主要利用深度学习在图像生成方面强大的非线性映射能力,来合成高质量、精确的线圈敏感图,从而进一步提高传统SENSE算法的磁共振图像重建质量。本方法的另一个优点是,为提高直接基于深度学习的快速成像方法的泛化能力提供了一种思路。本文通过详细的对比实验证明了本方法的以上两大优势。2,本文提出一种基于深度学习的多通道并行磁共振重建算法。为了提高磁共振设备的成像质量和速度,多线圈采集技术在MRI领域得到了突飞猛进的发展。多线圈采集技术就是利用阵列相控阵线圈同时采集回波信号,经过傅里叶变换后得到多通道的磁共振图像,各通道图像之间差异反映了各线圈的相对空间位置信息。目前,大多数基于深度学习端到端的快速重建算法的输入是单通道图像,即通过平方和算法（Sum of Squares,SOS）得到的单通道图像。以单通道图像为输入的深度学习快速重建方法,完全忽略了空间信息和权重信息。为了解决以上问题,本文提出一种以多通道磁共振图像为输入,充分利用各通道图像之间的相对空间位置信息,并对各通道之间进行权重加权的新型深度学习端到端并行重建算法。经过对比实验分析,本方法具有更好的试验结果。
鲍中文[8]（2020）在《磁共振成像的稀疏重构算法研究》文中研究表明磁共振成像（Magnetic Resonance Imaging,MRI）是一种能够提供人体结构和功能精确信息的医学影像学成像技术,它对软组织成像具有良好的对比度,且没有射线损害。MRI最主要的缺点是成像速度较慢。为了在提高MRI速度的同时保证成像质量,本文研究利用稀疏优化理论方法,设计有效的磁共振成像稀疏重构算法来改善MRI重构的性能。本文的主要研究内容如下:（1）基于小波树重叠组稀疏结构的组稀疏变换方法能有效的促进图像的稀疏性,利用该稀疏模型的MRI重构算法能有效的提高成像的重构质量。但是其重构速度还相对较慢。为此,本文基于小波树重叠组稀疏模型,提出一种快速磁共振成像稀疏重构方法。提出的算法利用交替方向乘子法求解,能有效的提高算法的重构效率。实验仿真结果表明,在保证重构质量的同时,本文提出算法的平均重构速度比比较算法的快3.3倍。本文提出的算法能显着的提高成像重构速度。（2）基于特征向量的SPIRi T（Eigenvector-based SPIRi T,ESPIRi T）是一种可对线圈灵敏度进行估计的并行MRI重构模型,由于动态腐蚀、化学位移、鬼影和小视场（Field of view,FOV）等因素的影响,使得ESPIRi T模型的重构需要多组灵敏度算子。另外,基于小波变换的1正则项稀疏约束方法不能有效的促进图像稀疏,导致重构图像中存在少量的重叠伪影。为此,本文基于ESPIRi T模型,提出一种基于ESPIRi T的多组灵敏度算子的全变分（Total Variation,TV）正则项约束的并行MRI重构算法。仿真实验结果表明,提出的算法能去除重叠伪影,提高重构图像的质量。（3）尽管（2）中提出的基于ESPIRi T的TV正则项约束的重构算法能有效的去除重叠伪影,但重构图像中还存在一些轻微伪影。这是由于TV正则项约束方法虽然在重构中能有效的保留图像的边缘轮廓,但同时也会产生少量的阶梯伪影。为了进一步改善图像的重构质量,本文提出了一种基于ESPIRi T的p伪范数联合TV正则项约束的并行MRI重构算法。实验结果表明,提出的新算法能进一步改善MRI的质量,且在高加速的情况下,提出的新算法的成像效果更好。
徐东[9]（2020）在《基于扩散磁共振成像的脑结构网络构建》文中进行了进一步梳理人脑是自然界中最复杂的系统之一,脑科学一直以来都是科学家们研究的热门领域。近年来,磁共振成像技术、脑白质纤维追踪技术和脑结构网络构建的飞速发展,人们对大脑内复杂纤维束路径及各脑区间的网络连接情况有了更加深入的认识,且能为临床医学各种神经系统疾病诊断和预防提供强有力的理论依据和技术手段。结合国家及浙江省自然科学基金项目研究,本论文基于扩散磁共振成像构建脑结构网络。首先,本文简述了国内外扩散磁共振成像、神经纤维束跟踪技术以及脑结构网络构建研究进展和现状,并介绍磁共振成像和扩散磁共振成像的基本成像原理。采用扩散张量成像（DTI）、Q-Ball成像（QBI）、SPFI成像三种模型重建脑区中单个体素所对应神经纤维方向,并在Fiber Cup仿真数据集上和脑真实数据集上对比三种重建方案的性能。其次,本文提出了一种新的基于非均匀有理B样条（NURBS）曲线拟合的算法来跟踪白质纤维路径。基于Fiber Cup数据集和脑数据集,采用局部的点对点性能度量和全局的连接度量,并在大脑胼胝体、顶叶和颞叶3个ROI区域与传统纤维跟踪算法FACT进行跟踪性能比较。结果表征本文提出的NURBS算法所跟踪出的纤维路径显示出良好的解剖一致性。再次,采用AAL脑区剖分模板将大脑皮层分成116个不同的脑区,每个脑区代表网络中的一个节点,各脑区间跟踪出的纤维数量作为网络的边,构建脑结构网络。并对脑结构网络的拓扑参数进行计算和分析,结果显示该网络具有“小世界”属性。最后,本文对阿尔茨海默病人脑网络拓扑特征进行分析,采用4种脑区剖分模板来构建不同患病程度的AD患者脑结构网络。结果表明随着患病程度的加重,脑结构网络拓扑属性发生明显变化,且HCP-MMP剖分模板能显着表现出各拓扑参数之间的差异,这为AD疾病预防和诊断上提供重要参考依据。
曹康慧[10]（2020）在《基于U型神经网络的快速磁共振成像技术研究》文中指出磁共振成像（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。
二、磁共振成像的原理（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、磁共振成像的原理（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成像重构算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统MR图像重构算法的研究现状 |
| 1.2.2 深度学习算法的研究现状 |
| 1.2.3 基于卷积神经网络MR图像重构算法研究现状 |
| 1.3 本文的主要研究内容及创新点 |
| 1.4 章节安排 |
| 第二章 磁共振成像原理及卷积神经网络 |
| 2.1 磁共振成像原理 |
| 2.2 K空间数据 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络基本结构 |
| 2.3.2 CNN的训练过程 |
| 2.4 深度学习模型介绍 |
| 2.4.1 U-Net模型 |
| 2.4.2 Res Net模型 |
| 2.4.3 GoogleLeNet模型 |
| 2.5 本章小结 |
| 第三章 级联的S-GLeNet模型用于MR图像重构方法研究 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 提出的级联S-GLeNet模型 |
| 3.4 网络参数设置 |
| 3.5 实验及结果分析 |
| 3.5.1 实验环境及数据 |
| 3.5.2 级联深度对重构性能的影响 |
| 3.5.3 不同采样模式在多种采样率下重构性能的比较 |
| 3.6 本章小结 |
| 第四章 级联的改进U-Net模型用于MR图像重构方法研究 |
| 4.1 引言 |
| 4.2 提出的级联UGR-Net模型 |
| 4.3 提出的级联PCK-Net模型 |
| 4.4 训练集和测试集使用不同采样模式的相关研究 |
| 4.5 实验及结果分析 |
| 4.5.1 不同模型参数量、计算量以及训练时间的比较 |
| 4.5.2 同一采样模式在不同采样率下重构性能的比较 |
| 4.5.3 训练集和测试集在不同采样模式下重构性能的比较 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读学位期间发表论文与研究成果清单 |
（3）1H/31P/23Na三核磁共振成像线圈的研究与设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 引言 |
| 1.1 论文选题背景及意义 |
| 1.2 研究现状 |
| 1.3 论文的结构和内容 |
| 1.4 本章小结 |
| 第二章 磁共振成像原理与系统 |
| 2.1 磁共振成像原理 |
| 2.1.1 磁共振现象 |
| 2.1.2 空间编码与k空间 |
| 2.2 磁共振成像硬件系统 |
| 2.2.1 磁体部分 |
| 2.2.2 梯度和射频部分 |
| 2.2.3 控制系统和信号处理部分 |
| 2.2.4 计算机部分 |
| 2.3 本章小结 |
| 第三章 射频线圈总体设计 |
| 3.1 射频线圈的功能与指标 |
| 3.1.1 射频线圈的功能 |
| 3.1.2 射频线圈的指标 |
| 3.2 射频线圈的接口电路 |
| 3.2.1 线圈的调谐与匹配 |
| 3.2.2 射频收发开关 |
| 3.2.3 前置放大器 |
| 3.3 射频线圈设计 |
| 3.3.1 非均匀场线圈 |
| 3.3.2 均匀场线圈 |
| 3.4 本章小结 |
| 第四章 ~1H/~(31)P/~(23)Na磁共振成像线圈设计与制作 |
| 4.1 线圈方案选择 |
| 4.2 Four-ring鸟笼线圈的设计与仿真 |
| 4.2.1 鸟笼线圈基础 |
| 4.2.2 优化仿真方法 |
| 4.2.3 Four-ring鸟笼线圈的仿真 |
| 4.3 马鞍型线圈的设计与仿真 |
| 4.4 ~1H/~(31)p/~(23)Na磁共振成像线圈的制作 |
| 4.4.1 线圈实物制作 |
| 4.4.2 线圈电路调试 |
| 4.5 本章小结 |
| 第五章 1~H/~(31)P/~(23)Na三核线圈测试与实验 |
| 5.1 线圈电性能测试 |
| 5.2 线圈MRI实验测试 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 附录A 文中缩略词一览表 |
| 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 |
（4）孤独症谱系障碍和阿尔茨海默病的多模态磁共振成像研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 中英文缩略词表 |
| 第一部分 多模态磁共振成像的基本原理及数据处理关键步骤 |
| 一、QSM |
| 二、fMRI |
| 三、DTI |
| 四、ASL |
| 第二部分 基于多模态磁共振影像探索孤独症谱系障碍患者脑发育状态影像生物标记物的研究 |
| 第一节 采用QSM探索孤独症谱系障碍患者脑发育状态影像生物标记物的研究 |
| 前言 |
| 方法 |
| 结果 |
| 第二节 采用RS-FMRI技术探索孤独症谱系障碍患者异常的脑功能 |
| 前言 |
| 方法 |
| 结果 |
| 第三节 采用DTI技术探索孤独症谱系障碍患者脑发育状态影像生物标记物的研究 |
| 前言 |
| 方法 |
| 结果 |
| 第四节 采用ASL技术探索孤独症谱系障碍患者脑发育状态影像生物标记物的研究 |
| 前言 |
| 方法 |
| 结果 |
| 第五节 讨论 |
| 第六节 结论 |
| 第三部分 基于多模态磁共振影像探索阿尔茨海默病患者一年内脑铁含量和脑血流量纵向变化的研究 |
| 第一节 基于多模态磁共振影像探索阿尔茨海默病患者一年内脑铁含量纵向变化的研究 |
| 前言 |
| 方法 |
| 结果 |
| 第二节 基于多模态磁共振影像探索阿尔茨海默病患者一年内脑血流量纵向变化的研究 |
| 前言 |
| 方法 |
| 结果 |
| 第三节 讨论 |
| 第四节 结论 |
| 总结 |
| 参考文献 |
| 文献综述 综述孤独症谱系障碍儿童的MRI候选生物标记物 |
| 综述 参考文献 |
| 附表1 孤独症行为量表(ABC) |
| 附表2 GESELL量表 |
| 个人简介及在校期间科研成果 |
| 致谢 |
（5）袖状胃切除手术引起肥胖患者大脑结构和功能持续变化的MRI研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景和现状 |
| 1.2.1 肥胖的严峻性和危害 |
| 1.2.2 肥胖的治疗手段 |
| 1.2.3 肥胖和减重手术的研究进展 |
| 1.3 本文研究目的和意义 |
| 1.4 本文研究内容和框架 |
| 第二章 研究方案和研究技术 |
| 2.1 引言 |
| 2.2 研究方案 |
| 2.3 磁共振成像技术 |
| 2.3.1 磁共振成像的发展和原理 |
| 2.3.2 3D结构磁共振成像原理 |
| 2.3.3 静息态功能磁共振成像原理 |
| 2.4 研究方法简介 |
| 2.5 本章小结 |
| 第三章 LSG手术引起肥胖患者大脑灰白质体积和功能连接持续变化的研究 |
| 3.1 引言 |
| 3.2 研究方法 |
| 3.2.1 被试选取 |
| 3.2.2 临床和影像数据采集 |
| 3.2.3 数据处理与分析 |
| 3.3 研究结果 |
| 3.3.1 临床指标测量结果 |
| 3.3.2 灰白质体积的持续改善 |
| 3.3.3 静息态功能连接的持续改善 |
| 3.4 结果讨论与分析 |
| 3.5 本章小结 |
| 第四章 LSG手术引起肥胖患者大脑活动水平和功能连接持续变化的研究 |
| 4.1 引言 |
| 4.2 研究方法 |
| 4.2.1 被试选取 |
| 4.2.2 临床和影像数据采集 |
| 4.2.3 数据处理与分析 |
| 4.3 研究结果 |
| 4.3.1 临床指标测量结果 |
| 4.3.2 静息态活动水平的持续改善 |
| 4.3.3 静息态功能连接的持续改善 |
| 4.4 结果讨论与分析 |
| 4.5 本章小结 |
| 第五章 LSG手术引起肥胖患者大脑差异核团间的功能连接持续变化的研究 |
| 5.1 引言 |
| 5.2 研究方法 |
| 5.2.1 被试选取 |
| 5.2.2 临床和影像数据采集 |
| 5.2.3 ROIs-ROIs静息态功能连接分析 |
| 5.3 研究结果 |
| 5.4 结果讨论与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.1.1 研究总结 |
| 6.1.2 临床意义 |
| 6.1.3 研究不足 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）基于深度学习的自闭症早期筛查系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 自闭症谱系障碍 |
| 1.1.2 自闭症谱系障碍的危害 |
| 1.1.3 现有医疗方案在其诊断上的缺失 |
| 1.2 研究内容 |
| 1.3 结构安排 |
| 第二章 预备知识 |
| 2.1 核磁共振成像 |
| 2.1.1 结构磁共振成像 |
| 2.1.2 功能磁共振成像 |
| 2.2 神经网络 |
| 2.2.1 卷积神经网络 |
| 2.2.2 长短期记忆网络 |
| 2.2.3 卷积长短期记忆网络 |
| 第三章 数据的搜集与预处理 |
| 3.1 受检者数据的采集 |
| 3.2 数据预处理 |
| 3.2.1 结构磁共振成像的预处理 |
| 3.2.2 功能磁共振成像的预处理 |
| 第四章 识别结构磁共振成像的网络 |
| 4.1 设计背景 |
| 4.2 3D卷积步骤与网络结构设计 |
| 4.2.1 网络模型 |
| 4.2.2 卷积核调优 |
| 4.3 实验设计与性能分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验步骤 |
| 4.3.3 实验结论 |
| 第五章 识别功能磁共振成像的网络 |
| 5.1 设计背景 |
| 5.2 网络结构设计 |
| 5.2.1 卷积网络模块设计 |
| 5.2.2 网络整体的结构设计 |
| 5.3 实验设计与性能分析 |
| 5.3.1 实验环境 |
| 5.3.2 实验步骤 |
| 5.3.3 实验结论 |
| 第六章 网络可视化 |
| 6.1 网络可视化产生的背景 |
| 6.2 可视化方法的选择 |
| 6.2.1 反卷积和导向反向传播 |
| 6.2.2 CAM算法 |
| 6.3 利用CAM算法进行网络可视化 |
| 6.3.1 CAM算法的优势 |
| 6.3.2 识别功能磁共振成像网络的可视化原理 |
| 6.3.3 异常脑区的提取 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）基于深度学习的磁共振并行成像技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展 |
| 1.3 本文主要工作 |
| 1.4 本文的章节安排 |
| 第二章 基于深度学习的磁共振并行成像方法介绍 |
| 2.1 磁共振成像原理 |
| 2.1.1 磁共振的物理原理 |
| 2.1.2 磁共振成像的空间定位 |
| 2.1.3 K空间 |
| 2.2 并行磁共振成像原理 |
| 2.2.1 SENSE重建算法介绍 |
| 2.2.2 GRAPPA重建算法介绍 |
| 2.3 基于深度学习的磁共振并行成像 |
| 2.4 本章小结 |
| 第三章 卷积神经网络相关内容介绍 |
| 3.1 卷积神经网络概述 |
| 3.2 卷积神经网络模型结构介绍 |
| 3.2.1 经典卷积神经网络模型 |
| 3.2.2 残差学习 |
| 3.2.3 密集连接 |
| 3.2.4 膨胀卷积 |
| 3.2.5 注意力机制 |
| 3.2.6 激活函数 |
| 3.2.7 UNet模型结构分析 |
| 3.3 卷积神经网络的训练 |
| 3.3.1 损失函数 |
| 3.3.2 学习率 |
| 3.3.3 梯度优化方法 |
| 3.4 本章小结 |
| 第四章 基于深度学习改进的SENSE重建方法介绍 |
| 4.1 方法概述 |
| 4.2 数据采集及预处理 |
| 4.2.1 MR数据采集 |
| 4.2.2 数据预处理 |
| 4.3 神经网络模型结构分析 |
| 4.4 模型训练 |
| 4.4.1 实验平台配置 |
| 4.4.2 训练参数 |
| 4.4.3 验证结果 |
| 4.5 重建结果分析 |
| 4.5.1 定量评估方法 |
| 4.5.2 定量重建结果分析 |
| 4.5.3 可视化重建结果分析 |
| 4.6 HY-SENSE的泛化能力分析 |
| 4.7 本章小结 |
| 第五章 基于深度学习的多通道磁共振并行重建算法 |
| 5.1 方法概述 |
| 5.2 数据采集及预处理 |
| 5.3 模型结构分析 |
| 5.4 模型训练 |
| 5.4.1 实验平台配置 |
| 5.4.2 训练参数 |
| 5.4.3 验证结果 |
| 5.5 重建结果分析 |
| 5.5.1 定量评估方法 |
| 5.5.2 定量重建结果分析 |
| 5.5.3 可视化重建结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）磁共振成像的稀疏重构算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 磁共振成像技术的研究现状 |
| 1.2.2 磁共振成像稀疏重构方法的研究现状 |
| 1.3 本文的主要工作及内容安排 |
| 第二章 磁共振成像原理及稀疏优化理论 |
| 2.1 磁共振成像的发展 |
| 2.2 磁共振成像原理 |
| 2.3 稀疏优化理论 |
| 2.3.1 压缩感知理论 |
| 2.3.2 稀疏模型 |
| 2.4 经典的稀疏优化求解算法 |
| 2.5 基于稀疏模型的磁共振成像重构算法 |
| 2.6 本章小结 |
| 第三章 基于小波树重叠组稀疏优化模型的快速MRI重构方法 |
| 3.1 小波树重叠组稀疏约束模型 |
| 3.2 基于小波树重叠组稀疏约束的快速MRI重构算法 |
| 3.3 实验结果与分析 |
| 3.3.1 实验配置 |
| 3.3.2 结果和分析 |
| 3.4 实验结论 |
| 3.5 本章小结 |
| 第四章 基于ESPIRi T的并行MRI稀疏重构 |
| 4.1 ESPIRi T并行MRI重构模型 |
| 4.2 稀疏约束的ESPIRi T并行MRI重构算法 |
| 4.2.1 问题描述 |
| 4.2.2 利用算子分裂方法求解重构问题 |
| 4.2.3 利用优化最小化方法求解含pJTV正则项的去噪问题 |
| 4.3 实验结果和分析 |
| 4.3.1 实验设置 |
| 4.3.2 不同灵敏度算子的算法重构性能比较 |
| 4.3.3 两组灵敏度算子的算法重构图像视觉比较 |
| 4.3.4 不同加速因子下的算法重构性能对比 |
| 4.4 实验结论 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文的主要贡献和创新 |
| 5.2 存在的问题和研究展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读学位期间发表论文与研究成果清单 |
（9）基于扩散磁共振成像的脑结构网络构建（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 纤维成像技术研究进展 |
| 1.2.2 纤维跟踪技术研究进展 |
| 1.2.3 脑结构网络研究进展 |
| 1.3 磁共振成像基本原理 |
| 1.3.1 MRI系统结构 |
| 1.3.2 磁共振成像原理 |
| 1.3.2.1 质子自旋 |
| 1.3.2.2 磁共振现象 |
| 1.3.2.3 脉冲序列 |
| 1.3.3 扩散磁共振成像原理 |
| 1.3.3.1 各向异性扩散与各向同性扩散 |
| 1.3.3.2 q-空间 |
| 1.4 课题研究的主要内容 |
| 1.4.1 课题来源 |
| 1.4.2 课题研究内容 |
| 1.5 论文内容结构安排 |
| 第2章 纤维束方向重建 |
| 2.1 磁共振加权成像 |
| 2.1.1 核磁弛豫 |
| 2.1.2 T1WI和 T2WI |
| 2.2 扩散加权成像 |
| 2.2.1 DWI成像原理 |
| 2.2.2 表观扩散系数 |
| 2.3 扩散张量成像 |
| 2.3.1 扩散张量成像基本原理 |
| 2.3.2 扩散张量矩阵求解 |
| 2.3.3 DTI相关参数的计算 |
| 2.4 单球壳高角度分辨率成像sHARDI |
| 2.4.1 基于多方向重建Q-Ball成像 |
| 2.4.2 SH球谐函数 |
| 2.4.2.1 球谐函数估计衰减信号E(?) |
| 2.4.2.2 Funk-Radon变换的球谐函数表现形式 |
| 2.4.3 QBI成像计算纤维方向分布函数ODF的过程 |
| 2.5 多球壳高角度分辨率成像mHARDI |
| 2.5.1 球极傅里叶成像SPFI计算EAP的过程 |
| 2.5.2 算法实现过程 |
| 2.5.2.1 求SPF基系数矩阵A |
| 2.5.2.2 线性变换求EAP的 SH基系数矩阵C |
| 2.6 基于Fiber Cup仿真数据集分析及对比三种纤维方向重建方法 |
| 2.6.1 Fiber Cup数据集 |
| 2.6.2 重建结果对比 |
| 2.7 基于大脑真实数据集分析及对比三种纤维方向重建方法 |
| 2.7.1 真实数据集 |
| 2.7.2 重建结果对比 |
| 2.8 本章小结 |
| 第3章 脑白质纤维跟踪算法 |
| 3.1 确定性跟踪算法 |
| 3.1.1 FACT跟踪算法 |
| 3.1.2 扩展多向流线跟踪算法 |
| 3.2 概率性跟踪算法 |
| 3.3 基于NURBS曲线拟合的纤维跟踪算法 |
| 3.3.1 沿纤维路径的连续扩散方向估计 |
| 3.3.2 NURBS路径拟合 |
| 3.3.2.1 NURBS-T拟合算法 |
| 3.3.2.2 NURBS-G拟合算法 |
| 3.4 基于Fiber Cup仿真数据集对比纤维跟踪算法 |
| 3.5 基于大脑真实数据集对比纤维跟踪算法 |
| 3.6 本章小结 |
| 第4章 脑结构网络构建 |
| 4.1 脑结构网络 |
| 4.1.1 复杂网络 |
| 4.2 脑区剖分与标记 |
| 4.3 连接强度估计 |
| 4.4 邻接矩阵构建 |
| 4.5 脑结构网络可视化 |
| 4.6 本章小结 |
| 第5章 网络拓扑特性分析 |
| 5.1 网络拓扑特性指标 |
| 5.1.1 节点度和网络强度 |
| 5.1.2 聚类系数 |
| 5.1.3 最短路径长度 |
| 5.1.4 网络全局效率 |
| 5.1.5 k-core分解 |
| 5.1.6 rich-club系数 |
| 5.1.7 模块化 |
| 5.1.8 小世界属性 |
| 5.2 阿尔茨海默病人脑网络拓扑特征分析 |
| 5.2.1 受试者数据 |
| 5.2.2 构建脑结构连接网络 |
| 5.2.3 统计分析 |
| 5.2.4 研究结果 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文研究工作总结 |
| 6.2 课题展望 |
| 致谢 |
| 参考文献 |
| 附录一 |
| 附录二 |
（10）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 |
四、磁共振成像的原理（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成像重构算法研究[D]. 贾伟. 昆明理工大学, 2021(01)
- [3]1H/31P/23Na三核磁共振成像线圈的研究与设计[D]. 章萌. 中国科学院大学(中国科学院精密测量科学与技术创新研究院), 2021(01)
- [4]孤独症谱系障碍和阿尔茨海默病的多模态磁共振成像研究[D]. 杜雷. 北京协和医学院, 2021(02)
- [5]袖状胃切除手术引起肥胖患者大脑结构和功能持续变化的MRI研究[D]. 王园园. 西安电子科技大学, 2020(05)
- [6]基于深度学习的自闭症早期筛查系统[D]. 张明康. 西安电子科技大学, 2020(05)
- [7]基于深度学习的磁共振并行成像技术研究[D]. 刘航飞. 电子科技大学, 2020(07)
- [8]磁共振成像的稀疏重构算法研究[D]. 鲍中文. 昆明理工大学, 2020(04)
- [9]基于扩散磁共振成像的脑结构网络构建[D]. 徐东. 杭州电子科技大学, 2020
- [10]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)