欢迎来到天天文库
浏览记录
ID:35180593
大小:3.69 MB
页数:62页
时间:2019-03-21
《基于压缩传感的核磁共振成像方法研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于压缩传感的核磁共振成像方法研究重庆大学硕士学位论文(学术学位)学生姓名:林梦然指导教师:葛永新葛副教授专业:软件工程学科门类:工学重庆大学软件学院二O一六年四月MagneticResonanceImagingResearchBasedonCompressedSensingAThesisSubmittedtoChongqingUniversityinPartialFulfillmentoftheRequirementfortheMaster’sDegreeofScienceByLinMengranSupervisedbyAs
2、s.Prof.GeYongxinSpecialty:SoftwareEngineeringSchoolofSoftwareEngineeringofChongqingUniversity,Chongqing,ChinaApril,2016重庆大学硕士学位论文中文摘要摘要近年来,随着压缩传感理论的日渐成熟,该理论在核磁共振成像上的应用成为人们的研究热点。应用核磁共振成像技术重建的图像具有较高的分辨率,可以更好的帮助医生进行诊断,然而其较慢的成像速度制约着核磁共振成像的进一步发展,在保证重建图像分辨率的前提下,如何减少采样数据从而
3、提高成像速度成为该成像技术的核心问题。然而,采样频率一旦低于奈奎斯特频率,重建图像就会出现混叠现象。压缩传感的出现,为突破奈奎斯特频率从而进一步减少采样数据提供了新思路。因此,本文在深入研究压缩传感以及核磁共振理论后,对基于压缩传感的核磁共振成像方法进行了研究。主要研究工作和创新如下:①针对在压缩传感中独立使用全局或局部稀疏字典所分别导致的图像细节或整体图像结构信息的丢失,提出了一个联合利用局部稀疏和全局稀疏约束来捕捉核磁共振图像的局部和整体结构信息的重建模型。我们分两步来解决该模型:首先,学习局部稀疏字典,然后对图像块进行稀
4、疏编码;其次,联合利用局部稀疏和全局稀疏约束来进行图像重建。模拟实验表明,本文提出的GLSMRI(GlobalandLocalsparseMRI)超过了现有的仅利用局部稀疏结构或全局稀疏结构的方法。并且对其中几个重要参数的选取原理进行了详细的阐述和分析。②针对实时动态成像中帧差不满足高斯分布的问题,提出了结合运动约束和稀疏约束的实时动态核磁共振成像模型。在求解时,我们利用像素的方差来估计加权矩阵,并在压缩传感框架下进行求解。实验结果表明:通过与卡尔曼滤波方法作对比,本文的重建方法在模拟数据和动态心脏数据上具有更好的重建性能。关
5、键字:核磁共振成像,动态成像,静态成像,压缩传感,字典学习I重庆大学硕士学位论文英文摘要ABSTRACTInrecentlyyears,MRI(magneticresonanceimaging)basedoncompressedsensinghasbecomeahotspotwiththedevelopmentofcompressedsensing.ThereconstructedimageusingMRIhasahighresolutionandcanhelpdoctorstodiagnosebetter.However,M
6、RIhasaslowerimagingspeedwhichrestricteditsfurtherdevelopment.Withthepremiseofimageresolution,improvingimagingspeedbyreducingsamplingdatahasbecomethecoreproblem.However,thereconstructedimagewilloccurartifactifthesamplingfrequencybellowsNyquistfrequency.Compressedsens
7、ingprovidesanewideaforbreakingtheNyquistfrequency.Therefore,thisthesismanlyfocusesoncompressedsensing-basedMRImethodsaftergoingintothetheoriesofcompressedsensingandMRI.Inthisthesis,themainresearchworkisarrangedasfollows:①Itwillrespectivelyresultinthelossesofimagedet
8、ailsoroverallstructuresofMRimageswhenthecompressedsensing-basedmethodsusetheglobalsparsedictionariesorlocalsparsedictionariesseparately.In
此文档下载收益归作者所有