基于背景信息的磁共振成像尖峰噪声消除

磁共振成像扫描过程中如果在K空间中出现尖峰噪声,将会严重影响图像质量. 该文提出了一种利用磁共振图像背景信息来定位并修复尖峰噪声的方法. 首先将K空间数据沿着频率编码k_x和相位编码k_y 2个方向分别进行一维傅立叶变换,然后在获得的2个中间域数据中,分别截取出背景区域, 进行一维反傅立叶变换得到与背景对应的频率域数据,通过对背景频率域数据的分析,获得尖峰噪声的k_x和k_y坐标,最后对异常点进行修复. 该算法可以很好地消除各种模式的尖峰噪声,与已有的算法相比,能够更好地处理K空间中连续多个相位编码行上出现尖峰噪声的情况,有效地消除图像伪影.     

压缩感知同步扫描重建及其采样方案的研究

压缩感知(compressed sensing,CS)-磁共振成像(magnetic resonance imaging,MRI)技术使用随机欠采样的k空间数据来重建图像,大大提高了成像速度.但典型的CS重建很费时,这也是CS-MRI临床应用的主要障碍之一.针对这一问题,该文提出了在扫描时同步进行CS图像重建的方案.在同步重建的过程中,可以实时显示重建图像的结果,用户可以根据图像质量来决定何时终止扫描,这样可以在节约扫描和重建时间的同时,更好地控制图像质量.由于预先无法确定最终的采样率,因此传统的变密度随机采样方法并不完全适用.该文设计了适用于同步重建过程的采样模式生成方案,同时提出了分段采样方法,把采样过程分为两个阶段,不同阶段使用不同的概率密度函数(probability density function,PDF)确定待采样的相位编码行.模拟实验的结果表明,与使用单一密度函数的采样方案相比,分段采样方案能够在整个同步扫描重建过程中始终获得更好的图像.     

一种结合并行成像和压缩感知的快速磁共振成像新方法

压缩感知（CS）技术和并行成像技术（主要是SENSE技术、GRAPPA技术等）都能通过减少k空间数据的采集量来加快磁共振成像速度,目前已有一些将两种方法相结合进一步加速磁共振成像速度的方法（例如CS-GRAPPA）.本文针对数据采集和重建这两方面对现有CS-GRAPPA方法进行了改进,采集方式上采用了局部等间隔采集模板以满足GRAPPA重建的要求,并对采集模板进行随机放置以满足CS重建的要求;数据重建时,根据自动校正数据估算GRAPPA算法中欠采行的重建误差,并利用误差的大小确定在CS算法中保真的程度.不同磁共振图像重建实验的结果表明：与现有方法相比,本文方法能够更好地保留原有图像细节并有效减少伪影.     

用于压缩感知磁共振成像的分割字典学习算法

字典学习算法可以根据数据本身的特点构建稀疏域中的基,从而使数据的表示更加稀疏.该文在传统的字典学习算法基础上提出了分割字典学习算法,由于部分磁共振图像组织结构简单、可以进行图像分割,因此可根据此特点来优化字典中基函数的构建,使磁共振图像的表达更为稀疏,从而获得更高的重建图像质量.该文利用模拟数据和真实数据进行了重建实验,结果表明与传统的字典学习算法相比,分割字典学习算法能进一步改善重建图像质量.     

选择性双向顺序压缩感知重建动态磁共振成像

压缩感知是一种新兴技术,该技术能够用远低于奈奎斯特采样频率采集的信号恢复出原始信号. 压缩感知成像方法大大提高了心脏磁共振成像的采集速度,已有的方法主要利用动态图像时间相关及心脏的周期性运动特征,如采用在时间维做傅立叶变换或求解每帧数据跟参考帧数据的差异获取稀疏数据,满足压缩感知重建的要求. 该文提出了选择性双向顺序压缩感知重建算法,利用相邻帧的差异更小的特点,获取更加稀疏的差异数据,同时利用动态图像的周期性,以目标函数积分为判据,在时间顺序和时间逆序两个方向选择效果更好的方向进行数据重建,降低图像伪影和噪声. 该选择算法,可以在不增加重建时间的情况下,选择双向顺序重建中最佳的结果. 该文对心脏磁共振图像数据进行了数据处理实验,并且跟传统压缩感知算法、参考帧差异方法及匙孔成像方法进行了比较. 结果表明：该方法无论从视觉效果还是从统计结果上,都有很大的改善.     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络（Convolutional Neural Network,CNN）和磁共振图像的前列腺癌（Prostate Cancer,PCa）自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40_bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化（Batch Normalization,BN）、全局平均池化（Global Average Pooling,GAP）进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练．利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试．结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9．相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低．另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度．实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断．     

基于局部位移校正的磁共振图像相干平均

多次扫描相干平均是提高磁共振图像信噪比的常用方法,但如果在多次扫描过程中病人发生自主或不自主的运动,使得图像中的组织发生位移,简单相干平均图像会导致图像模糊.本文受非局域均值算法的启发,提出了一种基于局部位移校正的相干平均方法.该算法通过比较多次采集的图像中组织结构的局部相似性,找出图像间的局部位移,利用该信息修正位移后进行加权平均,从而达到提高图像信噪比的目的.我们用模型及真实的肝脏弥散数据进行了实验.实验结果表明,对于不同次采样间存在运动的磁共振图像,该算法可有效地提高信噪比并保持结构边缘;其结果优于简单的相干平均,去噪效果也优于经典的非局域均值算法.     

多通道相位图像的改进型自适应重建算法

自适应重建(Adaptive Reconstruction,AR)算法被广泛应用于磁共振图像的多通道合并问题上.AR算法不需要直接采集各个线圈的灵敏度信息,而是通过通道间信号及噪声相关矩阵,估算出各个通道的灵敏度,从而保证了合并的幅值图像具有较高的信噪比(Signal-to-Noise Ratio,SNR).然而,由于AR算法没有针对相位图像的合并问题进行优化,导致重建出的相位图像具有不确定性.另外,受各通道之间相位偏移及低信噪比相位图像的影响,重建结果可能包含伪影.该文提出了一种改进型AR算法,估算并移除了各通道之间的相位偏移,同时对多通道数据的相位进行质量评估及通道重排,用以进行后续自适应重建.仿体及在体实验表明,该方法可以有效提升AR算法稳定性、消除重建图像中存在的伪影,同时保持合并后幅值图像及相位图像的高信噪比.     

一种永磁磁共振中磁体涡流场的测量方法

磁共振成像（Magntic Resonance Imaging,MRI）技术是一种先进的医疗影像技术.在MRI系统中,通过梯度线圈电流快速切换方向,对待测区域施加梯度磁场,产生的梯度磁场会在其周围的金属体内激发出变化的涡旋电场,进而导致金属体内闭合的回路中产生对原来的梯度电流起抑制作用的感生电流,也就是我们所说的涡流.本文介绍了一种测量磁体涡流场的方法,结合电磁感应定律,设计了一种磁体涡流场测量装置,通过硬件采集以及软件处理的方法,将理想梯度场与实际磁场进行相减并将波形实时呈现,实验结果表明该方法可实现对磁体涡流场的测量.     

MRI射频接收机多路噪声均衡改善图像质量的实现

磁共振成像(MRI）是一种多通道接收的成像系统. 接收机各通道的噪声差异影响图像的均匀性. 本文提出了一种多路噪声均衡改善图像质量的方法：利用系统特性改进Y因子法用于噪声测量,并依此为依据修正各通道的比例因子进行图像重建,实现各通道的噪声均衡,提高了图像的均匀性.     

基于联合正则化及压缩传感的MRI图像重构

基于压缩传感的MRI图像重构利用图像稀疏的先验知识能从很少的投影值重构原图像。目前MRI重构算法只利用MRI图像稀疏性表示或只利用基于其局部光滑性的先验知识,重构效果不理想。针对此问题,结合两种先验知识,提出一种基于联合正则化及压缩传感的MRI图像重构方法。利用块坐标下降法将求解联合正则化问题转化为交替求解二次凸优化、稀疏正则化和全变差正则化三个简单的优化问题。并提出分别采用共轭梯度法、二元自适应收缩法以及梯度下降法对以上优化问题求解。实验结果表明,该算法重构效果比现有算法有明显地提高。     

基于Gadgetron平台的多GPU分布式磁共振图像重建

为了满足磁共振成像（MRI）临床扫描的需求,磁共振图像重建算法的开发一直在不断进行.目前广泛使用的算法实现方式是利用中央处理器（CPU）对磁共振扫描数据进行数学变换得到图像,随着算法复杂度的提升,计算性能问题逐渐显露.利用CPU在大数据量下执行复杂算法时,计算并行性的缺失以及运算中产生的海量数据的存储负荷会导致计算变得极为缓慢,使得一些算法因为重建时间过长,在临床上面临难以推广的问题,也制约了基础研究中新算法的研发.本文设计并实现了一种新的重建算法执行方式,利用Gadgetron磁共振软件重建平台在多核CPU基础上搭载多块图形处理器（GPU）,将磁共振图像重建以分布式并行计算方式实现,并以重建耗时较长的3D径向数据采集Stack of Star（SOS）的图像重建为实例,展示这种重建的实现方法能以相对低廉的硬件成本极大提升重建的速度.     

Fast Spiral Magnetic Resonance Imaging with Trapezoidal Gradients

A modified spiral imaging technique is presented, in which the conventional sinusoidal gradient waveforms are replaced by trapezoidal ones. In addition to allowing a reduced data acquisition time, the new waveforms circumvent specific hardware restrictions on the minimum scan repetition time.     

一种具有数字预加重的磁共振成像梯度波形发生器

提出一种用于磁共振成像的高性能,高集成度基于PCI总线的数字预加重梯度波形发生器,它具有独立的X,Y,Z三通道预加重梯度波形输出,其主要特点在于此设计采用了现场可编程门阵列技术实现. 本文所述的预加重梯度发生器,其数字梯度预加重和数字逻辑模块全部集成在单片可编程芯片中,这样不但可以产生高性能的预加重梯度波形,而且可以简化磁共振成像仪的设计. 本文详细讨论了此梯度波形发生器的设计,最后给出了此设计的测试指标和实验结果. 