全文总字数：5878字

1. 研究目的与意义及国内外研究现状

磁共振成像（mri）是医学诊断、病灶分析和临床研究不可或缺的工具，因为它可以提供丰富的解剖结构和功能信息，还具有非辐射和非电离的性质。然而，由于mri的扫描时间较长，大多数临床中，如心血管成像，功能磁共振成像，磁共振波谱和参数映射尚未得到广泛使用。为了加速mr成像以及得到更好的重构效果，采用深度残差网络来对mr图像进行重构。而深度学习是一种尝试模拟具有多个处理层数据的高级抽象技术，近年来随着性能强大的gpu而被广泛使用。特别是，卷积神经网络（cnn）已经在解决大规模视觉任务（如目标检测和超分辨率）方面发挥了重要作用。cnn具有相当多的优点，例如依赖于先验知识，无需人工提取特征和图像结构，这促使我们将其用于欠采样k空间数据的mr图像重建。更重要的是，零填充mr图像和真实图像之间的关系可以通过卷积网络来逼近。本选题的目的在于使用深度残差网络（resnet）进行随机采样后的mri重构，提高mr成像质量，并加速成像。

国内外研究现状

mri图像重建，经历了从传统的cs-mri重建算法到现在的深度学习重建mri。一开始mri重建算法从最开始设计快速序列出发，诸如fse、gre、fspgr、fmpgr等其他序列。随后发展出来并行核磁共振成像(pmri)算法，主要思想是利用多个线圈同时进行成像，主要的算法有smash、grappa算法。随着陶哲轩等人提出的压缩感知方法，迅速将cs理论应用理论mri重建中，突破了奈奎斯特定律的限制, 具有良好的数学证明，只要满足有限等距条件(rip)就可以使用。在cs-mri的大框架之下，涌现了一大批算法，主要研究的方向大概有两点。一是寻找合适的稀疏基，比如小波、tv、双树小波等。二是尽可能的利用图像的先验信息,比如支撑集、低秩特征、空间平缓性。自己所遇到的一些常见的包括了admm、tv、ista、dl-mri、bm3d-mri、omp、k-t slr、rpca 、l s、bcs 等方法，包含静态mri和动态mri,但其实算法还有很多很多。

自从深度学习出来之后，上述的方法都被称为了传统方法，不得不说深度学习还是太强大！在很多的深度学习重建mri提出了上述传统方法的不足之处，大概有以下几点：

2. 研究的基本内容

大脑MR图像重构，重构过程采样CS稀疏采样。使用三种采样方式（random、cartesian、radial），分别进行采样率10%、15%、20%、25%、30%五次采样，验证模型效果的稳定性。运用深度学习的深度残差网络提取有效特征，用于重构的MR图像。使用扩张卷积增大卷积核的感受野，从而减小网络参数，并提取图像的多尺度信息。同时，区分传统迭代优化算法，加速MR成像，从而达到加速训练过程和更好重构效果的目的，通过与迭代优化算法和深度学习算法的对比，体现出深度残差算法的优越性。在扩展性实验中，讨论学习率的参数设置，以及对使用扩展卷积的网络和未使用扩张卷积的网络的参数和结果进行对比。研究重构算法的原理和实现方案，设计深度残差网络，完成算法程序和模型训练，调整参数测试模型效果，对比其他算法实验，分析对比实验结果。最终达到提高MR成像质量，并加速成像的效果。

3. 实施方案、进度安排及预期效果

实施方案：

使用matlab进行数据集，通过上下左右翻转的方法将数据集扩充到足够多，生成图像训练和测试集，调用训练好的网络模型进行图像重构。

在caffe中搭建网络模型，进行网络模型的训练。

4. 参考文献

[1] d. donoho,“compressed sensing,” ieee transactions on information theory, vol. 52, no. 4,pp. 1289-1306, 2006.

[2] m. lustig, d.donoho, and j. m. pauly, “sparse mri: the application of compressed sensing forrapid mr imaging,” magnetic resonance in medicine, 2007, 58(6):1182-1195.