论文部分内容阅读
扫描时间长一直是磁共振成像的瓶颈问题,限制了其临床应用推广。磁共振并行成像是一种加速采集的快速成像技术,利用多通道阵列线圈的线圈敏感度编码,补偿传统的梯度场编码,通过K空间欠采样缩短扫描时间。GRAPPA是并行成像常用的重建方法之一,它利用K空间中心的低频谐波信号拟合线性重建核,用于插值缺失信号重建图像。并行成像在重建过程中具有噪声放大的缺陷,加速倍数受限于线圈个数,其信噪比与R1/2成反比。多层同时成像技术（Simultaneously Multi-Slice Imaging,SMS）是一种同时扫描多层的快速成像技术,通过复合的射频脉冲同时激发多层,借助阵列线圈在片层方向的空间敏感度编码重建图像。其信噪比不受层方向加速倍数的影响,可以补偿并行成像中R1/2的信噪比损失。Slice-GRAPPA是SMS成像最常使用的传统重建方法之一。Slice-GRAPPA与GRAPPA的原理类似,区别是其重建核是由多层混叠信号到每一个参考片层的拟合,重建更直接。在加速倍数比较高时,Slice-GRAPPA重建对噪声放大比较明显,重建图像信噪比低。虚拟共轭线圈（Virtual Conjugate Coil,VCC）技术通过对K空间数据做共轭对称,生成额外的虚拟通道数据,使得多通道采集的K空间数据倍增,提高并行成像重建的信噪比。最近提出的K空间插值的鲁棒人工神经网络（Robust Artificial-neural-networks for K-space Interpolation,RAKI）重建方法是一种基于人工神经网络的非线性重建方法,应用于SMS成像的重建中,与线性的Slice-GRAPPA方法对比,显著提升重建信噪比。同时,由于不需要他源病患的大量训练数据集,相比于一般的基于深度学习的重建方法,训练时间显著缩短。基于VCC技术和非线性重建的人工神经网络方法所具有的优势,本文研究了一种性能更佳的SMS重建方法,即VIRGINIA（VIRtual conjuGate coIls Neuralnetwork InterpolAtion）重建。该方法的网络输入与输出均为K空间的多线圈磁共振数据。具体地,训练数据由预采集的多通道磁共振低分辨率数据构建,通过对低分辨率数据在K空间填零、图像空间连接、傅里叶反变换,得到多层图像连接的多通道K空间数据,对该数据进行层加速倍数的降采样得到训练网络的输入,降采样后的剩余数据作为训练网络的输出;接着,利用VCC技术对预采集的多通道磁共振低分辨率数据处理得到虚拟数据,该虚拟数据经过和预采集的多通道磁共振低分辨率数据一样的处理过程,获得训练网络的另一份虚拟输入与虚拟输出样本;利用两份训练数据训练卷积神经网络,获得网络模型;将混叠的多通道SMS信号输入到训练好的模型中得到多通道输出数据,多通道输出数据和混叠的多通道SMS信号经过融合获得多层连接的图像的多通道K空间数据,经过后处理操作最终可以得到SMS重建图像。本文的主要内容可分为如下三部分:（1）研究了VCC技术应用于SMS的传统重建方法Slice-GRAPPA,通过重建3、4、5和7倍层加速的SMS数据,发现引入VCC技术可以改善Slice-GRAPPA的局部噪声,提高重建质量;（2）研究了基于神经网络的RAKI和VIRGINIA方法相对于Slice-GRAPPA算法的重建性能提升,通过重建2、3、4、5和15倍的层加速的SMS数据,发现不论从图像观测或者PSNR、SSIM以及RMSE性能指标上,基于神经网络的方法重建性能提升显著,提出的VIRGINIA方法相比于RAKI方法同样有质量上的提升;（3）提出并测试了VIRGINIA方法,与RAKI方法对比,重建图像质量更好,通过在层加速因子为2、3和4倍的含噪声的SMS数据上重建对比,发现VIRGINIA的重建结果均好于RAKI,且同样对噪声鲁棒,为了进一步验证VIRGINIA方法的性能提升,分别对64份2、3和4倍的含噪声数据进行重建,通过性能指标分析,发现VIRGINIA方法的重建质量稳定地优于RAKI方法。综上所述,本文提出了基于VCC技术和卷积神经网络的VIRGINIA方法,与传统的Slice-GRAPPA方法和RAKI方法对比,具有更优的SMS成像重建质量,RAKI次之,Slice-GRAPPA重建质量最差。