基于深度学习的磁共振重建算法研究

磁共振成像（MRI）是目前广泛应用于临床的一种辅助检查手段，具有非侵入性、无电离辐射和多参数等诸多优点。然而，由于磁共振的原始数据是按顺序在k空间（k-space）中获取的，而k空间的遍历速度受到生理和硬件的限制。这导致MRI的检查速度相对于其他影像检查较慢。较长的扫描时间不仅限制了磁共振设备的利用效率，而且可能增加患者的不适感和运动伪影的风险。此外，心脏电影磁共振成像不仅对成像速度要求更高，且需要解决运动伪影。特别是在自由呼吸的情况下，不可避免引入更多运动伪影。

随着深度学习的发展，该方法在计算机视觉与医学图像处理等领域取得了长足的发展。与此同时，深度学习也被成功地应用至磁共振重建任务上。相较传统的基于压缩感知（CS）的方法，基于深度学习地磁共振重建方法具有一定的优势。特别是在心脏电影磁共振重建中，基于深度学习的方法可以更好地校正运动伪影。虽然过去基于深度学习的磁共振重建方法取得了一定的发展，但这些方法在静态磁共振重建方面没有充分利用多域（domain）信息。而对于心脏电影磁共振重建的方法还有待充分挖掘模型对运动伪影校正的能力。因此，本文围绕着挖掘磁共振多域信息协助重建以及改进心脏电影磁共振（Cardiac Cine MRI）重建过程中的伪影校正展开研究。