本文關鍵詞：并行磁共振成像及相位信息獲取方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：磁共振成像(magnetic resonance imaging,MRI)以其無電離輻射、無創(chuàng)傷性和良好的軟組織對比度等優(yōu)點成為臨床診斷和醫(yī)學研究中的重要檢測工具之一,但過長的掃描時間阻礙了其進一步的推廣和應用。并行磁共振成像技術(parallel MRI,pMRI)能在掃描視野和空間分辨率保持不變的情況下有效地減少成像時間,從而受到廣泛關注。然而,受重建過程中混疊偽影和噪聲放大的影響,現(xiàn)有pMRI方法只能在很小的采樣加速因子下才能取得較好的圖像質(zhì)量,其成像速度和重建質(zhì)量有待進一步提高。MRI信號的相位信息能反映生物組織的磁敏感性和主磁場的不均勻性等信息,因而有著廣泛的應用前景。在低場MRI中采集到的相位信息的信噪比較低,且相位本身存在纏繞等因素,造成相位信息在現(xiàn)有的MRI重建過程中被忽略。超導和pMRI技術的出現(xiàn)極大地提高了信號的信噪比,使得相位信息在高場MRI中受到越來越多的重視。在pMRI中,每幅線圈接收到的相位是主磁場,自旋質(zhì)子和接收線圈三者相位的疊加。為了獲取質(zhì)子的真實相位,需要設計出優(yōu)化的多通道線圈聯(lián)合方式以去除線圈和主磁場的相位,但目前尚未有標準的線圈聯(lián)合方法以獲取準確的相位信息。針對以上情況,本文以pMRI重建及相位信息獲取為研究課題,重點研究了基于K空間重建的廣義自校準并行采集成像技術中插值窗的選擇、偽影和噪聲的去除問題、以及從多通道線圈采集的K空間數(shù)據(jù)中獲取相位信息的方法等。主要研究內(nèi)容分為以下四部分:(1)研究了一種基于多核學習和支撐向量機的廣義自校準并行采集成像算法,以解決傳統(tǒng)廣義自校準并行采集成像算法的重建精度嚴重依賴于插值窗等重建參數(shù)和采樣參數(shù)的選取等問題。提出的方法同時利用線性核、多項式核和高斯核將接收到的K空間數(shù)據(jù)映射到不同的高維特征空間,然后在聯(lián)合后的高維特征空間中使用支撐向量機方法擬合插值函數(shù)。通過MRI設備上采集到的體模和人體成像數(shù)據(jù)在不同的采樣條件下進行重建,其結果表明本文提出的方法能在不同加速因子下完成噪聲和偽影之間的權衡和折衷,并且重建結果對參數(shù)選取不敏感。(2)將基于K空間重建的pMRI方法中所使用的數(shù)據(jù)相關性歸納為前向約束、后向約束和自約束。結合這三種約束,提出了一種分離式自約束的并行磁共振成像方法,將K空間的插值問題轉(zhuǎn)化為線性方程組來進行求解。提出的方法分別利用采集到的數(shù)據(jù)和未采集到的數(shù)據(jù)構造一種分離式自約束,將由采集到的數(shù)據(jù)構造的自約束用來自適應地校準自約束系數(shù),從而減少了由于數(shù)據(jù)相關性在K空間范圍內(nèi)不一致而引入的重建誤差。此外,考慮到自約束重建中插值源點和插值目標點都是未采集數(shù)據(jù),且在加速采樣因子較大時相距較遠,本文方法在重建方程中引入了自約束權重以防止過學習問題。并設計了一種通過計算三種約束在全采樣的自校準區(qū)域的擬合誤差來自動估計自約束權重的方法。通過體模和人體成像數(shù)據(jù)在加速采樣下的重建實驗結果表明,提出的算法能有效地減少當前pMRI算法重建圖像中的混疊偽影和噪聲。(3)提出了一種核范數(shù)正則化的并行磁共振成像算法以抑制現(xiàn)有pMRI重建中的噪聲。提出的方法先將基于K空間重建pMRI中的插值問題轉(zhuǎn)化為線性反問題以便引入正則化約束進行重建。同時,將所有線圈采集到的K空間數(shù)據(jù)重新排列成具有低秩特性的結構矩陣,從而在反問題求解中引入低秩約束。然后利用核范數(shù)代替非凸的秩函數(shù),將重建問題轉(zhuǎn)化為無約束的凸優(yōu)化問題,并通過交替方向乘子法進行快速求解。通過采集到的人體腦部數(shù)據(jù)進行加速采樣下的重建對比實驗,其結果表明本文提出的算法能有效抑制傳統(tǒng)pMRI重建中的噪聲。(4)首次提出了基于K空間解卷積的相位信息獲取方法以解決當前基于圖像域幅值加權的相位信息獲取方法受pMRI重建中的噪聲放大和偽影的影響難以準確地獲取掃描組織的相位信息的問題。提出的方法首先通過平方和方法和相位對齊方法分別獲取一幅參考線圈圖像的幅值和相位,以用來計算線圈敏感度及其頻域信息。然后通過截斷的線圈敏感度頻域信息和接收到的K空間數(shù)據(jù)來解卷積線圈K空間的聯(lián)合權重,再通過聯(lián)合線圈K空間數(shù)據(jù)得到質(zhì)子分布的K空間信號,最后通過傅里葉逆變換得到其幅值和相位信息。通過采集到的MRI數(shù)據(jù)進行相位信息獲取實驗,其結果表明本文提出的方法與基于幅值加權的方法相比,能有效地減少線圈聯(lián)合中的相位消除,獲取的相位圖像中不一致性偽影更少。
【關鍵詞】：磁共振成像 并行磁共振成像 K空間 廣義自校準并行采集 相位信息
【學位授予單位】：電子科技大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41;O482.532
【目錄】：

• 摘要5-7
• ABSTRACT7-19
• 第一章 緒論19-32
• 1.1 研究背景與意義19-21
• 1.2 研究現(xiàn)狀21-26
• 1.2.1 基于K空間性質(zhì)成像21-22
• 1.2.2 基于快速序列的成像方法22-23
• 1.2.3 并行磁共振成像23-24
• 1.2.4 基于壓縮感知的成像方法24-25
• 1.2.5 磁共振相位信息獲取25-26
• 1.3 主要研究內(nèi)容及創(chuàng)新點26-30
• 1.4 論文章節(jié)安排30-32
• 第二章 磁共振成像原理與并行磁共振成像方法32-52
• 2.1 磁共振物理32-36
• 2.1.1 自旋32-33
• 2.1.2 進動33-34
• 2.1.3 射頻激發(fā)與共振34-35
• 2.1.4 馳豫35-36
• 2.2 磁共振成像36-40
• 2.2.2 梯度選層37-38
• 2.2.3 相位和頻率編碼38-40
• 2.2.4 成像序列40
• 2.3 圖像重建40-43
• 2.3.1 K空間41-42
• 2.3.2 采樣與偽影42-43
• 2.4 并行磁共振成像技術43-51
• 2.4.2 敏感度編碼成像44-46
• 2.4.3 空間協(xié)調(diào)并行采集技術46-47
• 2.4.4 廣義自校準并行采集47-49
• 2.4.5 SENSE與GRAPPA比較49-50
• 2.4.6 幾何因子50-51
• 2.5 本章小結51-52
• 第三章 基于稀疏多核學習和支撐向量機的GRAPPA方法52-79
• 3.1 引言52
• 3.2 廣義自校準并行采集52-54
• 3.3 非線性廣義自校準并行采集54-55
• 3.4 基于稀疏多核學習和支撐向量機的GRAPPA方法55-63
• 3.4.1 稀疏多核學習55-56
• 3.4.2 支撐向量機56-58
• 3.4.3 MKGRAPPA重建58-60
• 3.4.4 核的選擇60-61
• 3.4.5 估計模糊權重61-62
• 3.4.6 重建步驟62-63
• 3.5 實驗結果及分析63-78
• 3.5.1 數(shù)據(jù)采集63-64
• 3.5.2 對比方法64-65
• 3.5.3 體模數(shù)據(jù)重建結果65-70
• 3.5.4 腦部數(shù)據(jù)重建結果70-72
• 3.5.5 心臟數(shù)據(jù)重建結果72-75
• 3.5.6 定量分析75-78
• 3.6 本章小結78-79
• 第四章 基于分離式自約束的廣義自校準并行采集成像方法79-107
• 4.1 引言79-80
• 4.2 基于K空間重建PMRI中的約束模型80-82
• 4.2.1 前向約束80-81
• 4.2.2 后向約束81
• 4.2.3 自約束81-82
• 4.3 基于自適應自校準并行采集成像82-88
• 4.3.1 分離式自約束82-85
• 4.3.2 SSC-GRAPPA重建85-87
• 4.3.3 參數(shù)估計87-88
• 4.3.4 算法步驟88
• 4.4 實驗結果與分析88-102
• 4.4.1 數(shù)據(jù)采集88-91
• 4.4.2 圖像重建實驗91-93
• 4.4.3 體模數(shù)據(jù)結果93-96
• 4.4.4 腦部矢狀位數(shù)據(jù)結果96-97
• 4.4.5 腦部橫軸位數(shù)據(jù)結果97-98
• 4.4.6 心臟數(shù)據(jù)數(shù)據(jù)結果98-99
• 4.4.7 定量比較99-102
• 4.5 分析與討論102-106
• 4.5.1 與先前方法比較102-103
• 4.5.2 參數(shù)選擇103-105
• 4.5.3 計算成本105-106
• 4.6 本章小結106-107
• 第五章 核范數(shù)正則化的并行磁共振成像方法107-117
• 5.1 引言107-108
• 5.2 低秩矩陣重建108
• 5.3 核范數(shù)正則化的并行磁共振成像方法108-113
• 5.3.1 低秩模型108-110
• 5.3.2 優(yōu)化算法110-112
• 5.3.3 算法框架112-113
• 5.4 實驗結果與分析113-115
• 5.4.1 數(shù)據(jù)采集113
• 5.4.2 重建對比113
• 5.4.3 實驗結果113-115
• 5.5 本章小結115-117
• 第六章 基于K空間解卷積的相位信息獲取方法117-133
• 6.1 引言117-118
• 6.2 理論及現(xiàn)有方法118-120
• 6.2.1 問題描述118-119
• 6.2.2 幅值加權平均法119-120
• 6.2.3 相位對齊法120
• 6.3 基于K空間解卷積的相位獲取方法120-127
• 6.3.2 線圈K空間聯(lián)合模型121-123
• 6.3.3 算法步驟123-127
• 6.4 實驗結果與分析127-132
• 6.4.1 數(shù)據(jù)采集127-129
• 6.4.2 體模數(shù)據(jù)結果129
• 6.4.3 腦部數(shù)據(jù)結果129-132
• 6.5 本章小結132-133
• 第七章 結論133-137
• 7.1 本文主要貢獻133-135
• 7.2 下一步工作的展望135-137
• 致謝137-139
• 參考文獻139-154
• 攻博期間取得的研究成果154-156

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張彬彬;曹萬林;王海城;張建偉;;延拓小波變換識別的橋梁模態(tài)參數(shù)研究[J];四川建筑科學研究;2012年03期

2 王爾丹;人群運動與密度估計技術研究[J];安全;2005年03期

3 馮學軍;;最小二乘支持向量機的研究與應用[J];安慶師范學院學報(自然科學版);2009年01期

4 周德強;馮建中;;建筑物沉降預測的改進Verhulst模型研究[J];地下空間與工程學報;2011年01期

5 王立平;孔小梅;付夢印;王美玲;張甲文;姜明;;Temperature Drift Modeling of FOG Based on LS-WSVM[J];Journal of China Ordnance;2008年03期

6 王亮;胡靜濤;;基于LS-SVM的光刻過程R2R預測控制方法[J];半導體技術;2012年06期

7 田盛豐;基于核函數(shù)的學習算法[J];北方交通大學學報;2003年02期

8 薛彥軼;劉曉東;;基于最小二乘支持向量機的航材備件需求建模[J];兵工自動化;2007年06期

9 高博;譚永紅;張新良;;基于在線LSSVM的超聲波電機轉(zhuǎn)速預測器[J];兵工自動化;2007年09期

10 張麗葉;鄭紹鈺;;基于LS-SVM的裝備研制費用建模與分析[J];兵工自動化;2009年02期

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 趙瑩;半監(jiān)督支持向量機學習算法研究[D];哈爾濱工程大學;2010年

2 李書艷;單點氨基酸多態(tài)性與疾病相關關系的預測及其機制研究[D];蘭州大學;2010年

3 張明;電能質(zhì)量擾動相關問題研究[D];華中科技大學;2010年

4 許偉;基于進化算法的復雜化工過程智能建模方法及其應用[D];華東理工大學;2011年

5 向國齊;支持向量回歸機代理模型設計優(yōu)化及應用研究[D];電子科技大學;2010年

6 桑永勝;空間數(shù)據(jù)分析的神經(jīng)計算方法[D];電子科技大學;2010年

7 渠瑜;基于SVM的高不平衡分類技術研究及其在電信業(yè)的應用[D];浙江大學;2010年

8 包鑫;穩(wěn)健回歸技術及其在光譜分析中的應用[D];浙江大學;2010年

9 甘良志;核學習算法與集成方法研究[D];浙江大學;2010年

10 邵詠妮;水稻生長生理特征信息快速無損獲取技術的研究[D];浙江大學;2010年

  本文關鍵詞：并行磁共振成像及相位信息獲取方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：306985