基于稀疏表示和深度学习方法实现新型时空编码MRI图像超分辨率重建

Magnetic resonance imaging (MRI) is a non-invasive detection tool which plays an important role in biomedicine. How to achieve high-quality MRI images has been one of the frontier research topics. Compared with echo planar imaging (EPI), spatiotemporally encoded MRI technique has better immunity to inhomogeneous fields and chemical shift. Although the contour of image content can be seen without super-resolution reconstruction, its resolution is still quite low. It is essential to upscale spatiotemporally encoded MRI image. In this project, we will explore novel sparse representation and deep learning based super-resolution methods dealing with spatiotemporally encoded MRI image to efficiently improve the image quality. The achievements would promote the application of MRI in biomedicine. The project mainly focuses on the following aspects: (1) Design an algorithm for upscaling spatiotemporally encoded MRI image, which is based on the-same-support sparse representation; (2) Upscale spatiotemporally -encoded MRI image via an autoencoder; and (3) Combine sparse representation and deep learning theries, design a spatiotemporally encoded MRI image super-resolution method based on a sparse autoencoder to improve signal-to-noise radio and resolution.

磁共振成像(MRI)作为一种无创的检测手段在生物医学领域发挥着重要的作用。如何获得高质量的图像是MRI研究的前沿课题之一。时空编码技术有着较好的不均匀磁场抵抗性和化学伪影抵抗性，展现出取代EPI的巨大潜力。尽管时空编码成像信号本身无需重建就能够反映成像物的轮廓，但是该轮廓的固有分辨率通常是很低的，所以对时空编码MRI成像进行超分辨率重建是一个必不可少的步骤。鉴于稀疏表示和深度学习方法在一般图像超分辨率重建领域的广泛应用，本项目拟利用稀疏表示和深度学习方法实现时空编码MRI图像的超分辨率重建，提高时空编码MRI图像质量，从而促进MRI在生物医学领域的应用。重点研究：1）设计基于同支撑稀疏表示的时空编码MRI图像超分辨率重建方法；2）设计用自编码器实现时空编码MRI图像超分辨率重建；3）结合稀疏表示和深度学习理论，设计基于稀疏自编码器的方法重建时空编码MRI图像，提高图像的信噪比和分辨率。

磁共振成像是通过采集k空间数据后经过图像重建算法处理最后得到磁共振图像。由于磁共振成像具有无创性，且生成的磁共振图像对软组织有较好的分辨力，在临床医学上得到广泛应用。然而，磁共振成像时间较长，重建的图像质量容易受物体运动的影响，因此，如何快速获得高质量的磁共振图像就一直是磁共振研究人员重点研究的课题。现在，研究者们往往通过设计新的快速MRI成像序列、利用并行成像技术或者压缩感知技术等来加快磁共振成像速度。.受近年来深度学习在计算机视觉领域取得巨大成就的启发，本文采用深度学习的方法研究单扫描时空编码磁共振图像重建、压缩感知磁共振图像重建和磁共振图像超分辨率重建等三个快速磁共振图像重建研究领域。