论文部分内容阅读
人体内的磁性核在外加均匀磁场条件下将会产生核磁共振现象,磁共振成像技术(Magnetic resonance imaging, MRI)正是一种利用核磁共振现象进行人体成像的技术。由于它获取的图像信息丰富、对人体无损伤且能提供高质量的软组织断层图像,因而,磁共振成像技术在临床诊断和治疗上得到广泛的应用。但是,常规磁共振成像技术花费的扫描时间长,成像速度慢,限制了其进一步推广和应用。并行磁共振成像技术(Parallel Magnetic Resonance Imaging, pMRI)的出现突破了常规磁共振成像技术所受到的限制,使磁共振成像技术在商业上的应用成为可能。目前在商业上应用较为广泛的两种并行磁共振成像技术是敏感度编码技术(Sensitivity encoding for fast MRI, SENSE)和自校准并行采集技术(Generalized auto-calibrating partially parallel acquisitions, GRAPPA)。但这两种算法的成像质量受到了诸多限制,在高倍降采时无法重建出令人满意的图像。因而,本论文做了以下方面的研究,以期提出更优的并行磁共振成像算法。(1)研究了相关函数模型,将相关函数模型引入并行重建算法中,提出了基于相关信息的GRAPPA改进算法。基于相关信息的并行重建算法不直接使用自校准数据拟合权重,而是利用邻近K空间数据的相关性进行图像重建。拟合权重的数据增多,提升了图像重建质量。通过对人体头部数据进行仿真实验,验证了此算法的有效性。(2)研究了神经网络的自适应BP算法,将神经网络应用于并行重建算法中,提出了基于自适应BP算法的并行重建算法。新算法分为训练和重建两个阶段。在训练阶段,使用自适应BP算法对自校准数据进行训练,得到权重系数；在重建阶段,利用欠采样数据和得到的权重系数重建出完整图像。新算法的目的是提高权重的精确度,从而提升图像重建质量。并进行仿真实验验证了该方法。