近年來深度學習在計算機視覺領域取得了令人矚目的成果,特別是卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）在圖像識別與檢測問題上取得重大的突破。卷積神經(jīng)網(wǎng)絡由多個卷積層構成,可以自動從大量數(shù)據(jù)中學習不同的特征表達,識別出復雜的數(shù)據(jù)結構,捕捉輸入與輸出之間的非線性映射關系,不再依賴于手動提取特征。受此啟發(fā),本文利用CNN對磁共振成像（Magnetic Resonance Imaging,MRI）中的一系列問題進行了研究。1.MRI最顯著的弱點,就是掃描時間長。為了縮短掃描時間,人們設計了各種欠采樣的方法,這些方法都會導致圖像中出現(xiàn)偽影;例如,截斷K空間數(shù)據(jù)會導致圖像域產(chǎn)生吉布斯偽影。本文利用CNN對欠采樣造成的圖像偽影進行了處理,相比傳統(tǒng)方法,可有效地消除偽影,同時保持圖像的結構信息。2.定量磁化率成像（Quantitative Susceptibility Mapping,QSM）是一種用于定量測量組織磁化率值的新型技術,但是利用相位圖計算定量磁化率圖像是一個病態(tài)的逆問題,重建出的圖像往往伴隨嚴重的條狀偽影。本文通過將有偽影和相對應無偽影的圖像輸入CNN... 

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 磁共振成像簡介
    1.2 深度學習簡介
    1.3 卷積神經(jīng)網(wǎng)絡的原理
        1.3.1 基本概念
        1.3.2 反向傳播算法
    1.4 本文主要工作
第二章 磁共振圖像重建中的偽影消除
    2.1 欠采圖像的偽影消除
        2.1.1 背景介紹
        2.1.2 實驗原理
        2.1.3 實驗
        2.1.4 結果與討論
    2.2 定量磁化率圖像的偽影消除
        2.2.1 原理
        2.2.2 實驗
        2.2.3 結果討論
    2.3 總結
第三章 基于深度學習的磁共振圖像質(zhì)量評估
    3.1 磁共振圖像質(zhì)量評價的意義
    3.2 方法和原理
    3.3 實驗數(shù)據(jù)
    3.4 實驗結果
        3.4.1 分割肝臟的實驗結果
        3.4.2 評價圖像質(zhì)量的實驗結果
    3.5 結論分析
第四章 總結與展望
參考文獻
攻讀碩士學位期間的學術成果
致謝



本文編號：3658427