摘要
磁共振成像(MagneticResonanceImaging,MRI)是一种非侵入性、无电离辐射且具有丰富对比度和卓越分辨率的医学成像技术，广泛应用于临床诊断、预后和治疗方案的制定，有广阔的发展前景。然而，由于MRI的扫描时间过长，不仅会给患者带来不适，还会产生运动伪影导致图像失真。因此缩短MRI的扫描时间不但有助于提高患者满意度、提高成像质量、降低医疗成本，并且也为后续的诊断分析提供了良好的辅助，具有重要的应用价值和研究意义。近年来，基于深度学习的MRI重建方法在加速MRI中表现出了显著的潜力。然而仍有两个问题阻碍其进一步发展：1）现有的监督学习方法过度依赖配对数据。由于受到实际条件的限制，获取大量配对的全采样数据成本较高且具有一定难度，这影响了神经网络在监督训练下的重建性能。2）当前的双域重建方法忽略了双域数据之间的差异，不能有效地利用双域信息进行协同重建，使得重建性能还有进一步提高的空间。为了解决上述两个问题，本文结合深度学习方法，设计并实现了以下两个重建算法： （1）基于渐进式双域CycleGAN的无监督MRI重建算法。为了缓解监督学习方法对配对数据的依赖，该方法采用非配对的数据对深度神经网络进行无监督训练。并针对目前无监督方法中普遍存在的解剖细节丢失，产生虚假结构的问题，提出将欠采样数据域到全采样数据域的直接映射分解为多步映射，这种渐进式映射的策略更有助于在每一步映射中逐渐精进细节，保留精确的解剖结构并获得良好的重建表现。同时，将双域框架引入无监督学习方法中，使得网络可以同时利用双域特征协同提升重建质量。通过实验验证了该方法在不同采样模式以及不同数据集上的有效性和鲁棒性。还设计了结构分割、跨域重建等泛化实验进一步验证该方法实际应用的可能性。实验结果表明，与目前先进的无监督方法和有监督方法相比，该方法总是能取得有竞争力的结果。 （2）基于双域交互Transformer的MRI重建算法。本方法针对MR数据的双域特性，结合Transformer和卷积神经网络设计了一种高效的重建网络，使用Transformer提取双域特征，并利用交互注意力引导双域特征融合，实现了双域特征的高效提取和交互。具体而言，由于频域数据每个点都对应着图像域的所有像素点，因此在k空间使用1×1的卷积提取全局特征，同时使用基于窗口的Transformer将注意力的计算限制在了窗口中，减小了计算负担，并且可以有效地对图像域特征进行表示。其次，提出了基于交互注意力的Transformer融合模块引导双域特征融合，通过挖掘双域特征的相关性，实现跨域信息融合。实验证明，在公开的数据集上，本方法相较于其他基线重建方法均能取得更为优异的重建效果。同时，消融实验证明了所提出的网络模块的有效性。
NETL