基于复数卷积神经网络的静态磁共振成像研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 符号列表 | 第11-12页 |
| 第1章 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 并行磁共振成像方法 | 第13-15页 |
| 1.2.2 基于压缩感知的磁共振重建方法 | 第15-18页 |
| 1.2.3 基于深度学习的磁共振重建方法 | 第18页 |
| 1.3 本文主要研究内容 | 第18-20页 |
| 第2章 卷积神经网络的原理及应用 | 第20-32页 |
| 2.1 卷积神经网络原理 | 第20-25页 |
| 2.1.1 神经网络原理 | 第20-24页 |
| 2.1.2 卷积神经网络 | 第24-25页 |
| 2.2 卷积神经网络在图像逆问题中的应用 | 第25-26页 |
| 2.3 神经网络在磁共振重建中的应用 | 第26-30页 |
| 2.3.1 传统算法的网络化 | 第27-28页 |
| 2.3.2 深度神经网络的端到端学习 | 第28-30页 |
| 2.4 小结 | 第30-32页 |
| 第3章 基于复数卷积神经网络的磁共振重建方法 | 第32-46页 |
| 3.1 复数卷积 | 第32-35页 |
| 3.1.1 复数的表示 | 第32-33页 |
| 3.1.2 复数卷积操作 | 第33页 |
| 3.1.3 复数卷积网络的宽度与深度 | 第33-34页 |
| 3.1.4 复数卷积权值初始化 | 第34-35页 |
| 3.2 基于复数卷积网络的并行磁共振重建 | 第35-36页 |
| 3.2.1 数据一致层 | 第35页 |
| 3.2.2 深度级联的网络结构 | 第35-36页 |
| 3.3 实验数据及设置 | 第36-37页 |
| 3.3.1 实验数据 | 第36-37页 |
| 3.3.2 网络设置 | 第37页 |
| 3.3.3 欠采样方式 | 第37页 |
| 3.4 实验结果 | 第37-44页 |
| 3.4.1 复数卷积的作用 | 第37-39页 |
| 3.4.2 与传统方法的对比 | 第39-40页 |
| 3.4.3 多通道重建网络的必要性 | 第40-42页 |
| 3.4.4 对自动校准信号的敏感度 | 第42页 |
| 3.4.5 收敛性分析 | 第42-44页 |
| 3.5 小结 | 第44-46页 |
| 第4章 损失函数对神经网络磁共振重建的影响 | 第46-52页 |
| 4.1 几种不同的损失函数 | 第46-48页 |
| 4.1.1 l_1损失函数 | 第46-47页 |
| 4.1.2 SSIM | 第47页 |
| 4.1.3 MS-SSIM | 第47-48页 |
| 4.1.4 MS-SSIM+l_1 | 第48页 |
| 4.2 不同损失函数下实验结果的对比 | 第48-51页 |
| 4.2.1 网络结构与实验设置 | 第48-49页 |
| 4.2.2 实验结果 | 第49-51页 |
| 4.3 小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第58-60页 |
| 致谢 | 第60页 |
