计算机应用

作者：高照耀, 张展, 胡亮亮, 许光宇, 周胜, 胡雨欣, 林子捷, 周超

单位：1.安徽理工大学 计算机科学与工程学院，安徽 淮南 232001；2.合肥综合性国家科学中心能源研究院（安徽省能源实验室） 超导技术应用研究中心，合肥 230031；3.合肥工业大学 仪器科学与光电工程学院，合肥 230009；4.合肥曦合超导科技有限公司，合肥 230031；5.中国科学院 等离子体物理研究所，合肥 230031

关键词：超高场磁共振,并行成像,欠采样图像,复卷积,深度学习

基金：合肥综合性国家科学中心能源研究院（安徽省能源实验室）项目(24JYCD01);安徽高校协同创新项目(GXXT-2022-011)

并行成像技术可以帮助解决超高场强磁共振成像（MRI）中的射频能量沉积、图像均匀性的问题，缩短扫描时间，减少运动伪影，并提升数据采集速度。为了提高对MRI复值数据的特征提取能力，减少并行成像欠采样所引起的卷褶伪影，提出基于K空间插值的残差复卷积鲁棒人工神经网络（RCRAKI）。所提算法将原始欠采样MRI扫描数据作为输入，利用残差结构结合线性与非线性重建方法的优势，在残差连接部分利用卷积创建线性重建基线，主路径利用多层复卷积补偿基线缺陷，最终重建出伪影更少的磁共振（MR）图像。在合肥综合性国家科学中心能源研究院自主研发的7T超高场磁共振设备采集的数据上进行实验，并将RCRAKI与基于K空间插值的残差鲁棒人工神经网络（rRAKI）在自动校准信号（ACS）数为40、加速比为8的采样率下进行小鼠不同解剖切面成像质量对比。实验结果表明：在矢状位下，所提算法的标准化均方根误差（NRMSE）指标下降了59.74%，结构相似度（SSIM）指标提升了0.45%，峰值信噪比（PSNR）指标提升了13.04%；在横断位下，所提算法的NRMSE指标降低了7.97%，SSIM指标略有改善（提高了0.005%），PSNR指标提升了1.09%；在冠状位下，所提算法的NRMSE指标下降了35.03%，PSNR指标提升了5.60%，SSIM指标提升了0.98%。可见，RCRAKI在不同解剖切面的MRI数据上均表现出良好的性能，在高加速比采样率下能够减小噪声放大的影响，并重建出细节更清晰的MR图像。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期