检索历史 清除

摘要磁共振成像(MagneticResonanceImaging,MRI)因其无创性、高分辨率、无辐射、安全等特性，被广泛应用于临床诊断和治疗中。但是，磁共振成像的扫描时间长，成像时间慢是它的主要缺点。因此，有效地缩短成像时间至关重要。目前快速磁共振重建的常见策略是先对磁共振数据以一个较高的欠采样率进行采样，之后通过图像处理等技术进行重建，恢复出高质量的图像。<br>　　一般情况下，数据的欠采样获取会导致图像质量下降，使图像出现内折叠、模糊等伪影。针对此问题，优化的欠采样模型能够在欠采样采集时尽可能地保留图像的关键信息，在重建过程中获得较高质量的图像。近年来，生成模型在MRI快速重建领域迅速发展，然而大多数方法依然存在样本多样性不足和泛化能力差等问题，针对这些问题，扩散模型因其独特的生成机制具有更高的样本多样性及泛化性能，在图像重建领域展现了显著的优势。综上，在磁共振成像的快速重建过程中，采样模式与重建策略的共同优化显得极为关键，因此，本文的研究范畴广泛涵盖了欠采样掩码的优化以及采用先进深度学习技术的重建方法。此外，为了验证本文提出方法的实用性与有效性，本研究将具体方法应用于磁共振成像的具体临床案例分析中。本篇论文的主要贡献可概括如下:<br>　　(1)本研究设计了一种全新的、完全可微的学习式欠采样掩码优化策略，并将其与U-net深度学习重建技术有效结合，验证了此方法在深度学习框架下的适用性与高效性。研究过程中，本方法首先通过贝叶斯先验优化后验概率欠采样掩码，并计算其与全采样的损失，再利用约束以限制加速因子，然后通过投影梯度算法对参数进行迭代更新从而生成优化掩码。进一步将优化掩码与U-net模型进行融合，并在公开磁共振数据集上进行验证。实验结果表明在U-net深度学习重建中，优化掩码重建的图像质量优于同等欠采样率的随机掩码和可变密度掩码的图像质量。<br>　　(2)本研究创建了一种新型的磁共振成像快速重建算法，该算法基于k空间域，并利用优化后的掩码采集策略，采用去噪扩散概率模型(DenoisingDiffusionProbabilisticModel,DDPM)进行重建。本方法研究了基于k空间域而非图像域的DDPM,通过优化k空间掩码有效提高DDPM在图像重建中的性能。在本论文研究中，利用生成模型对优化欠采样掩码下的数据分布的预测作为先验信息，以解决逆问题并适应测量值的变化，本方法将扩散和采样过程定义在k空间域，并通过将欠采样掩码作为条件的扩散过程，使得数据一致性自然地融入模型中。实验结果表明，与端到端映射的U-net模型、传统算法结合深度学习的ADMM-Net模型及基于生成对抗网络的RefineGAN等重建模型相比，本研究方法重建的成像质量指标更高。<br>　　(3)本研究将大脑图像进行优化欠采样下k空间域的DDPM重建，通过重建图像对帕金森病进行了临床应用的诊断分析，利用MRI技术对黑质区域进行成像，设计了特定的转换方程对黑质区域的信号强度进行转换，研究了结合黑质区域亮度和体积的联合生物标志物，其能够更大程度区分健康对照组和帕金森病患者。本研究方法通过转换方程对数据进行处理，减少了健康人和帕金森患者黑质的信号亮度重叠部分，通过线性函数的参数将亮度与体积相结合，并找出最优参数，最后评价了联合生物标志物在健康对照和帕金森病患者中的诊断准确性。结果进一步证实了所提重建方法的有效性，并显示出本章方法提出的生物标志物在诊断性能上具有明显优势，本文设计的转换方程和联合系数也为后续关于帕金森病诊断的研究提供了新方向。