基于深度递归级联卷积神经网络的并行磁共振成像方法

O482.53; 快速磁共振成像是磁共振研究领域重要的课题之一.随着大数据和深度学习的兴起,神经网络成为快速磁共振技术的重要方法.然而网络性能表现和网络参数量之间较难取得平衡,且对于多通道数据重建的并行成像问题,相关研究较少.本文构建了一种深度递归级联卷积神经网络结构,用于处理并行成像问题.这种网络结构在减少网络参数量的同时,能够尽可能地提高网络的表达能力,提高网络重建的精确度.实验结果表明,相较于传统并行成像方法,通过训练好的神经网络对欠采样磁共振数据进行重建,可以得到更准确的重建结果,且重建时间大大缩短....

Full description

Saved in:
Bibliographic Details
Published in波谱学杂志 Vol. 36; no. 4; pp. 437 - 445
Main Authors 程慧涛, 王珊珊, 柯子文, 贾森, 程静, 丘志浪, 郑海荣, 梁栋
Format Journal Article
LanguageChinese
Published 医学人工智能研究中心(中国科学院 深圳先进技术研究院),广东 深圳 518055 2019
中国科学院大学,北京 100049%保罗C. 劳特伯生物医学成像研究中心(中国科学院 深圳先进技术研究院),广东 深圳,518055%医学人工智能研究中心(中国科学院 深圳先进技术研究院),广东 深圳,518055
Subjects
先验信息
卷积神经网络
快速磁共振成像
深度学习
并行成像
Online AccessGet full text

Cover

More Information
Summary:O482.53; 快速磁共振成像是磁共振研究领域重要的课题之一.随着大数据和深度学习的兴起,神经网络成为快速磁共振技术的重要方法.然而网络性能表现和网络参数量之间较难取得平衡,且对于多通道数据重建的并行成像问题,相关研究较少.本文构建了一种深度递归级联卷积神经网络结构,用于处理并行成像问题.这种网络结构在减少网络参数量的同时,能够尽可能地提高网络的表达能力,提高网络重建的精确度.实验结果表明,相较于传统并行成像方法,通过训练好的神经网络对欠采样磁共振数据进行重建,可以得到更准确的重建结果,且重建时间大大缩短.
ISSN:1000-4556
DOI:10.11938/cjmr20192721