| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国外研究现状 | 第11-13页 |
| 1.2.1 磁共振成像 | 第11-12页 |
| 1.2.2 压缩感知 | 第12-13页 |
| 1.2.3 字典学习 | 第13页 |
| 1.3 主要研究内容及结构安排 | 第13-16页 |
| 第2章 磁共振成像技术与压缩感知理论 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 磁共振成像原理 | 第16-19页 |
| 2.2.1 磁共振现象 | 第16-17页 |
| 2.2.2 磁共振信号的空间编码 | 第17-19页 |
| 2.3 磁共振成像中的K空间 | 第19-20页 |
| 2.4 基于压缩感知理论MRI图像重建 | 第20-22页 |
| 2.4.1 信号稀疏表示的数学模型 | 第20-21页 |
| 2.4.2 测量矩阵的设计 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 基于压缩感知的MRI图像重建 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 基于压缩感知的MRI图像重建表示 | 第24-25页 |
| 3.3 基于压缩感知的MRI图像重建算法 | 第25-26页 |
| 3.4 实验与分析 | 第26-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 基于字典学习的CS-MRI图像重建 | 第34-52页 |
| 4.1 引言 | 第34页 |
| 4.2 字典学习的稀疏表示 | 第34-36页 |
| 4.2.1 字典学习的稀疏表示模型 | 第34-35页 |
| 4.2.2 自适应字典学习的稀疏表示模型 | 第35-36页 |
| 4.3 字典学习稀疏表示框架算法 | 第36-39页 |
| 4.3.1 随机梯度下降算法 | 第36-37页 |
| 4.3.2 最优方向算法 | 第37-38页 |
| 4.3.3 K-SVD算法 | 第38-39页 |
| 4.4 自适应字典学习的CS-MRI成像 | 第39-42页 |
| 4.4.1 自适应字典的学习的CS-MRI图像表示 | 第39-40页 |
| 4.4.2 自适应字典学习CS-MRI的成像算法 | 第40-42页 |
| 4.5 实验与分析 | 第42-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 基于空间结构的字典学习CS-MRI图像重建 | 第52-70页 |
| 5.1 引言 | 第52页 |
| 5.2 像素离散度惩罚 | 第52-57页 |
| 5.2.1 像素离散度惩罚表示 | 第52-53页 |
| 5.2.2 像素离散度惩罚的应用 | 第53-57页 |
| 5.3 基于空间结构的字典学习的CS-MRI图像重建表示 | 第57-61页 |
| 5.3.1 基于空间结构的字典学习的CS-MRI图像重建模型 | 第57-58页 |
| 5.3.2 基于空间结构的字典学习的CS-MRI图像重建算法 | 第58-61页 |
| 5.4 实验与分析 | 第61-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78页 |
