| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容及章节安排 | 第13-16页 |
| 第2章 磁共振图像重建的基本原理 | 第16-34页 |
| 2.1 磁共振成像的基本原理 | 第16-24页 |
| 2.1.1 核磁共振成像 | 第16-19页 |
| 2.1.2 空间编码理论 | 第19-21页 |
| 2.1.3 脉冲序列 | 第21-22页 |
| 2.1.4 k空间 | 第22-24页 |
| 2.2 压缩感知基本原理 | 第24-28页 |
| 2.2.1 稀疏表示 | 第24-25页 |
| 2.2.2 测量矩阵 | 第25-26页 |
| 2.2.3 信号重构 | 第26页 |
| 2.2.4 CS-MRI重建模型 | 第26-27页 |
| 2.2.5 重建图像质量评价指标 | 第27-28页 |
| 2.3 稀疏信号重建算法 | 第28-32页 |
| 2.3.1 快速迭代收缩阈值算法(ISTA) | 第28-29页 |
| 2.3.2 交替方向乘子算法(ADMM) | 第29-30页 |
| 2.3.3 Bregman算法 | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 基于非凸l_p范数的压缩感知磁共振图像重建 | 第34-50页 |
| 3.1 全变分(TV) | 第34-35页 |
| 3.2 非凸l_p范数 | 第35-37页 |
| 3.3 基于扩展各向异性和各向同性TV的MRI重建模型 | 第37-38页 |
| 3.4 实验结果 | 第38-49页 |
| 3.4.1 实验设置 | 第38-40页 |
| 3.4.2 参数设置 | 第40-41页 |
| 3.4.3 结果分析 | 第41-45页 |
| 3.4.4 收敛性 | 第45-47页 |
| 3.4.5 讨论 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于非凸l_p损失函数的U-net磁共振图像重建 | 第50-66页 |
| 4.1 人工神经网络与深度学习基本原理 | 第50-54页 |
| 4.1.1 人工神经网络简介 | 第50-52页 |
| 4.1.2 深度学习简介 | 第52-53页 |
| 4.1.3 重建图像质量评价指标 | 第53-54页 |
| 4.2 U-net的网络结构 | 第54-55页 |
| 4.3 非凸l_p损失函数 | 第55-57页 |
| 4.4 实验结果 | 第57-63页 |
| 4.4.1 实验设置 | 第57-58页 |
| 4.4.2 参数设置 | 第58-59页 |
| 4.4.3 结果分析 | 第59-63页 |
| 4.4.4 讨论 | 第63页 |
| 4.5 本章小结 | 第63-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 工作总结 | 第66-67页 |
| 5.2 工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 在读期间发表的学术论文与取得的研究成果 | 第74页 |
