| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 加速核磁共成像领域研究现状 | 第12-13页 |
| 1.2.2 卷积神经网络研究现状 | 第13-15页 |
| 1.2.3 深度学习在超分辨率领域的研究现状 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文的组织安排 | 第17-19页 |
| 第2章 相关技术概述 | 第19-29页 |
| 2.1 核磁共振成像原理 | 第19-20页 |
| 2.1.1 核磁共振成像概述 | 第19页 |
| 2.1.2 核磁共振原理 | 第19-20页 |
| 2.1.3 弛豫 | 第20页 |
| 2.1.4 核磁共振图像的重建 | 第20页 |
| 2.2 稀疏表示和字典学习 | 第20-23页 |
| 2.2.1 获取稀疏的分解系数方法 | 第21-22页 |
| 2.2.2 设计与构建有效的图像稀疏表示字典 | 第22-23页 |
| 2.3 卷积神经网络算法 | 第23-27页 |
| 2.3.1 卷积神经网络的发展 | 第23页 |
| 2.3.2 卷积神经网络的卷积运算 | 第23-25页 |
| 2.3.3 卷积神经网络的池化运算 | 第25-26页 |
| 2.3.4 反向传播算法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于联合稀疏编码的无校准并行核磁共振成像 | 第29-39页 |
| 3.1 实验数据 | 第29-31页 |
| 3.1.1 数据来源 | 第29页 |
| 3.1.2 测试图像 | 第29-30页 |
| 3.1.3 核磁共振k空间数据欠采样过程 | 第30-31页 |
| 3.1.4 不同欠采样mask所具备的不同特性 | 第31页 |
| 3.2 算法详解 | 第31-32页 |
| 3.3 获取矢量化的核磁共振图像 | 第32-33页 |
| 3.4 构建DCT字典 | 第33-34页 |
| 3.5 实验结果分析 | 第34-38页 |
| 3.5.1 量化指标简介 | 第34-35页 |
| 3.5.2 比较视觉效果 | 第35-36页 |
| 3.5.3 比较量化指标折线图 | 第36-37页 |
| 3.5.4 比较误差图 | 第37页 |
| 3.5.5 参数敏感度测试 | 第37-38页 |
| 3.5.6 实验结论 | 第38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 融合字典学习和深度学习的加速核磁共振成像方法 | 第39-47页 |
| 4.1 问题转化 | 第39页 |
| 4.2 制作数据集 | 第39-40页 |
| 4.2.1 数据来源 | 第39-40页 |
| 4.2.2 数据扩增 | 第40页 |
| 4.2.3 制作数据集 | 第40页 |
| 4.2.4 数据清洗 | 第40页 |
| 4.3 设计网络结构 | 第40-41页 |
| 4.4 利用caffe深度学习工具构建网络结构 | 第41-45页 |
| 4.4.1 Caffe神经网络配置文件 | 第42-44页 |
| 4.4.2 Caffe神经网络配置文件解读 | 第44-45页 |
| 4.5 利用caffe深度学习工具训练神经网络 | 第45-46页 |
| 4.5.1 Solver配置文件 | 第45页 |
| 4.5.2 Solver配置文件解读 | 第45-46页 |
| 4.5.3 神经网络训练技巧 | 第46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 实验结果分析 | 第47-49页 |
| 5.1 比较视觉效果 | 第47-48页 |
| 5.2 实验结论 | 第48页 |
| 5.3 讨论本文是否属于深度学习范畴 | 第48页 |
| 5.4 本章总结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 附录 攻读学位期间参与的研究项目 | 第56-57页 |
| 致谢 | 第57页 |