磁共振成像是医学成像中重要的成像方式之一,它对人体没有辐射伤害,能够对检查部位进行三维成像。空间分辨率是磁共振(MR)图像的重要参数之一,高分辨率图像拥有更清晰的图像细节,能够很好地反映检查部位的病变情况,因此在临床诊断中发挥着重要作用。然而,MR图像的分辨率与多种因素相互制约,分辨率越高,图像的信噪比越低,同时扫描时间会越长。超分辨率技术是提高MR图像分辨率最有效的方法,能够在不改变硬件条件的基础上,完成低分辨率到高分辨率图像的转换,因此受到了广泛的关注。本文主要采用深度学习方法对MR图像的超分辨率算法进行了研究。首先,本文提出了一种新型网络结构(HybridNet)用于提高MR图像的分辨率,该网络结构在密集卷积块的基础上进行改进,引入了多通道结构提取丰富的MR图像特征。本研究在多个MR数据集上进行了实验,实验结果表明该算法不仅能够重建出高质量MR图像,还能降低网络的计算复杂度,提高网络的重建效率。此外,本研究还利用未预训练过的MR数据集对网络进行了测试,测试结果证明了 HybridNet具有较好地鲁棒性和泛化能力,能够重建出清晰的高分辨率图像。在实际应用中,人们经常需要对图像进行不同程度的放大,而单一放大因子的网络模型通常难以满足该需求。如果为每个放大因子单独训练网络模型不仅会浪费计算资源,还会复杂化应用过程。为了满足单一模型完成多种因子的图像放大任务的需求,本文搭建了一种适用于多放大因子的MR图像超分辨率的网络模型(MFSR),并采用两个MR数据集对模型进行了训练和测试。实验结果表明MFSR能够在多种放大因子下重建出清晰的高分辨率图像,即使是带有病灶的MR图像,也能够对病灶区域进行准确地放大,没有引入明显的干扰信息和视觉伪影。总体来说,本文采用深度学习方法搭建了两个神经网络,分别完成MR图像的单一放大因子和多种放大因子的超分辨率任务。本文提出的算法能够高效地重建出清晰的MR图像。