2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩67頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、并行磁共振成像技術(shù)采用多個(gè)接收線圈陣列同時(shí)采集數(shù)據(jù),對(duì)K空間數(shù)據(jù)進(jìn)行欠采樣,大幅度縮短了磁共振掃描時(shí)間,提高了成像速度。常見的重建算法主要是GRAPPA和SENSE兩類,其中,GRAPPA是基于K空間的重建算法,而SENSE是基于圖像域上的重建算法。本文對(duì)GRAPPA和SENSE及其典型衍生型算法進(jìn)行研究,提出了一種將非線性GRAPPA與SENSE相結(jié)合的并行磁共振成像算法,并且對(duì)其進(jìn)行評(píng)價(jià)和比較。另外本文對(duì)壓縮感知理論及其在磁共振成像

2、領(lǐng)域中應(yīng)用進(jìn)行研究,結(jié)合快速?gòu)?fù)合分裂算法FCSA,基于多種采樣軌跡條件下,提出了一種基于稀疏約束的SENSE并行磁共振成像重建方法。主要研究成果如下:
  (1)本文提出一種基于GRAPPA和SENSE兩類算法的混合算法。首先通過非線性GRAPPA重建算法計(jì)算獲取并行線圈中未被采集的數(shù)據(jù),再利用歸一化方法得到并行線圈的敏感度分布,然后將利用SENSE重建框架進(jìn)行磁共振圖像重建,將這種混合算法應(yīng)用于數(shù)據(jù)欠采樣的腦磁共振圖像。重建實(shí)驗(yàn)

3、結(jié)果表明:相比單一的非線性GRAPPA和SENSE重建算法,這種混合的并行磁共振成像重建算法能夠在加速因子較大時(shí),可重建出更加準(zhǔn)確的圖像,并且具有更低的噪聲功率和更高的信噪比性能。
  (2)本文基于稀疏約束,提出了一種新的SENSE磁共振成像算法,該算法將并行磁共振成像與壓縮感知磁共振成像結(jié)合起來(lái),能夠從欠采樣的K空間數(shù)據(jù)有效的重建磁共振圖像?;谙∈杓s束的SENSE重建算法,包含了全變差分正則化項(xiàng)和L1范數(shù)正則化項(xiàng),由于這兩個(gè)

4、正則化約束項(xiàng)的非平滑性,從而導(dǎo)致磁共振圖像重建過程中的優(yōu)化問題難以解決,最終影響的重建圖像的質(zhì)量。本文利用快速?gòu)?fù)合分裂算法FCSA(FastCompositeSplittingAlgorithm,F(xiàn)CSA)將重建中的優(yōu)化問題分解為多個(gè)子問題,再對(duì)子問題逐個(gè)求解,解決了正則化約束項(xiàng)的非平滑性的問題。在本文中,利用FCSA算法對(duì)不同加速因子、不同欠采樣模式的腦部磁共振圖像進(jìn)行重建。實(shí)驗(yàn)結(jié)果表明,相比于最新典型的非線性共軛梯度NLCG算法,本

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論