| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-14页 |
| 1.1.1 磁共振成像介绍 | 第10-11页 |
| 1.1.2 深度学习介绍 | 第11-14页 |
| 1.2 国内外发展趋势 | 第14-16页 |
| 1.2.1 快速磁共振成像研究现状 | 第14-15页 |
| 1.2.2 深度学习的快速磁共振成像 | 第15-16页 |
| 1.3 论文主要研究内容、技术难点及创新 | 第16-17页 |
| 1.4 章节安排 | 第17-18页 |
| 第2章 MRI基本原理及欠采样轨迹研究 | 第18-25页 |
| 2.1 磁共振成像关键技术 | 第18-20页 |
| 2.1.1 磁体系统 | 第18-19页 |
| 2.1.2 梯度系统 | 第19页 |
| 2.1.3 射频系统 | 第19-20页 |
| 2.1.4 计算机系统 | 第20页 |
| 2.1.5 辅助设施 | 第20页 |
| 2.2 K空间 | 第20-22页 |
| 2.3 常用欠采样轨迹 | 第22-23页 |
| 2.4 欠采样轨迹分析 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 卷积神经网络的结构模型分析 | 第25-38页 |
| 3.1 卷积神经网络概述 | 第25-27页 |
| 3.2 CNN基本结构及卷积、池化、激活函数 | 第27-31页 |
| 3.2.1 CNN基本结构 | 第27页 |
| 3.2.2 卷积 | 第27-28页 |
| 3.2.3 池化 | 第28-29页 |
| 3.2.4 激活函数 | 第29-31页 |
| 3.3 卷积神经网络的训练 | 第31-33页 |
| 3.3.1 训练过程 | 第31页 |
| 3.3.2 代价函数 | 第31-32页 |
| 3.3.3 反向传播算法 | 第32页 |
| 3.3.4 网络训练中相关问题 | 第32-33页 |
| 3.4 梯度优化方法 | 第33-36页 |
| 3.4.1 随机梯度下降 | 第34页 |
| 3.4.2 自适应梯度 | 第34页 |
| 3.4.3 AdaDelta | 第34-35页 |
| 3.4.4 Nesterov梯度加速 | 第35页 |
| 3.4.5 RMSprop | 第35页 |
| 3.4.6 Adam | 第35-36页 |
| 3.4.7 如何选取梯度优化方法 | 第36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于卷积神经网络的快速MRI研究 | 第38-51页 |
| 4.1 磁共振图像数据采集及预处理 | 第38-39页 |
| 4.1.1 磁共振图像采集 | 第38-39页 |
| 4.1.2 数据预处理 | 第39页 |
| 4.2 卷积神经网络设计 | 第39-40页 |
| 4.3 欠采样轨迹设计 | 第40-41页 |
| 4.3.1 所设计的欠采样轨迹 | 第40页 |
| 4.3.2 移位操作 | 第40-41页 |
| 4.4 实验基本设置 | 第41-42页 |
| 4.4.1 训练方法与框架 | 第41页 |
| 4.4.2 实验配置 | 第41页 |
| 4.4.3 评价指标 | 第41-42页 |
| 4.5 网络训练、调参优化及测试结果对比 | 第42-50页 |
| 4.5.1 与传统欠采样轨迹对比 | 第42-45页 |
| 4.5.2 增加训练参数下的结果对比 | 第45-46页 |
| 4.5.3 不同移位距离下的结果对比 | 第46-50页 |
| 4.6 实验分析 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第5章 CNN-MRI与传统GRAPPA、SPIRiT、SAKE算法比较 | 第51-55页 |
| 5.1 几种传统重建算法 | 第51页 |
| 5.1.1 GRAPPA、SPIRiT | 第51页 |
| 5.1.2 SAKE | 第51页 |
| 5.2 欠采样轨迹选取 | 第51-52页 |
| 5.3 重建结果对比 | 第52-53页 |
| 5.4 实验分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 结论和展望 | 第55-57页 |
| 6.1 论文结论 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第63页 |