基于K空间数据的深度核磁共振图像重建

传统的核磁共振(magnetic resonance imaging,MRI)成像技术中,图像重建算法与脉冲序列和K空间采样轨迹等因素密切相关。深度MRI成像采用了全新的重建方法。本研究采用深度卷积神经网络W-net对数据样本进行学习,从欠采集的K空间数据快速重建出高质量的图像。采用迁移学习方法,优化原模型参数,提升模型对各方向扫描、含病灶(如肿瘤)的大脑,以及结构较简单的膝盖等MRI数据的泛化能力。对比不同欠采样率的K空间输入数据,分析模型性能;并添加数据更新层,改进模型结构。测试结果表明,改进后的模型重建质量更优,对病灶和小脑纹理细节的恢复更好。