磁共振成像(Magnetic Resonance Imaging,MRI)技术因其具有较高的软组织分辨率,对人体没有电离辐射损伤等优点已广泛应用于临床。但是由于MRI的成像速度较慢,成像过程中被检者的生理性运动等往往会造成成像伪影,难以满足实时成像的要求,因此如何加快MRI的成像速度是MRI理论和技术研究的热点之一。减少MRI的k空间数据采集总量是一种有效的加速方法,但是数据采集量的大量减少,会带来图像质量的显著下降,尽管研究者可通过多种重建算法,例如,压缩感知技术等提高欠采样图像重建的质量,但往往需要较长的重建时间,难以满足实时重建的临床需求。基于深度学习卷积神经网络的磁共振图像成像技术具有离线训练、在线快速成像的优点。在高性能计算硬件的支持下,卷积神经网络利用大量的欠采样磁共振数据和全采样磁共振数据进行训练,通过多次反向传播计算得到参数优化后的卷积神经网络,再将需要重建的欠采样数据利用训练好的网络进行快速高质量重建。深度学习技术对欠采样图像的稀疏性没有要求,而且能利用离线训练好的网络对欠采样的图像进行快速重建,因此在磁共振图像重建领域有非常好的应用前景。本文主要做了以下工作:(1)研究了基于U型神经网络的快速磁共振成像方法。通过构建U-net卷积神经网络,利用均方误差函数作为反向传播的损失函数,使用随机梯度下降法作为优化算法。对海量欠采样和全采样的磁共振数据进行训练,得到训练好的网络参数,将待重建的欠采样数据放入训练好的网络中,得到输出的重建图像。仿真结果表明,此方法相对填零重建算法和压缩感知重建算法能有效提高图像的重建质量,且在较低的欠采样率下能快速完成重建,重建时间远远小于压缩感知重建算法,能满足实时在线的成像要求。(2)研究了基于递归残差U型神经网络的快速磁共振成像方法。针对U-net网络在磁共振快速成像算法在高频细节重建的不足,根据U-net网络架构,以递归残差模块为升采样和降采样基础模块。通过残差模块减轻训练深层网络的难度,通过递归模块保证网络深度和控制网络参数大小,解决网络反向传播过程中的梯度爆炸和消失问题。反向传播使用均方误差损失函数和随机梯度下降法进行参数更新。仿真实验表明,递归残差U-net网络的重建结果相比于U-net网络,有更好的高频细节表现。(3)研究了基于3D U型神经网络的动态磁共振成像方法。对于动态磁共振图像,帧之间的区别主要是由组织的运动引起的(如心脏收缩等),帧之间的数据信息存在冗余,可从时间的维度增加数据的特征提取总量。构建3D U-net网络,通过3D卷积层等3D神经网络层提取相邻帧的特征,并使用Adam(Adaptive Moment Estimation)优化算法提高网络的收敛速度,学习率采用多项式衰减方法,保证了网络在训练后期学习能平稳下降。仿真实验表明,3D U-net网络重建方法能在低的采样率下完成训练以及重建,且对于动态磁共振图像中的运动区间比2D U-net网络有较好的重建质量。