近年来深度学习在计算机视觉领域取得了令人瞩目的成果,特别是卷积神经网络(Convolutional Neural Network,CNN)在图像识别与检测问题上取得重大的突破。卷积神经网络由多个卷积层构成,可以自动从大量数据中学习不同的特征表达,识别出复杂的数据结构,捕捉输入与输出之间的非线性映射关系,不再依赖于手动提取特征。受此启发,本文利用CNN对磁共振成像(Magnetic Resonance Imaging,MRI)中的一系列问题进行了研究。1.MRI最显著的弱点,就是扫描时间长。为了缩短扫描时间,人们设计了各种欠采样的方法,这些方法都会导致图像中出现伪影;例如,截断K空间数据会导致图像域产生吉布斯伪影。本文利用CNN对欠采样造成的图像伪影进行了处理,相比传统方法,可有效地消除伪影,同时保持图像的结构信息。2.定量磁化率成像(Quantitative Susceptibility Mapping,QSM)是一种用于定量测量组织磁化率值的新型技术,但是利用相位图计算定量磁化率图像是一个病态的逆问题,重建出的图像往往伴随严重的条状伪影。本文通过将有伪影和相对应无伪影的图像输入CNN进行训练,得到能够重建出高质量QSM的网络,在重建速度和质量上超过了前人的结果。3.由于MRI扫描过程中,可能由于运动等原因导致图像模糊、变形,产生伪影,这些问题可能会严重影响图像质量,使图像无法用于临床诊断。在国内的很多检查病人超量的大医院,由于检查时间紧张,操作技师扫描时对病人的训练和指导往往不充分,这一情况尤为严重。最糟糕的是,当读片医师发现图像存在问题时,往往检查早已结束,重新检查的成本很高。因此,在扫描过程中实时对图像质量进行评价,并将问题及时反馈给操作技师就特别有意义。本文利用CNN首先分割出读片医师感兴趣的区域,然后再利用CNN对图像质量进行评价。达到了实时自动对图像质量评价的目的。本文工作表明,无论在图像重建环节,还是在图像的质量评价上,CNN都表现出了传统图像处理算法所不具备的优势。CNN在磁共振成像领域的应用具有巨大的潜力。