结合非线性GRAPPA与SENSE的并行磁共振成像

针对SENSE并行磁共振成像中采用补零缺失数据方法估计敏感度分布不准确性的问题,提出采用非线性GRAPPA方法估算缺失的K空间欠采样数据.计算并行线圈的敏感度分布,将这些敏感度分布应用于SENSE并行磁共振成像.采用不同加速因子的脑磁共振K空间欠采样数据以验证提出算法的重建性能.实验结果表明,与单一的非线性GRAPPA和SENSE重建算法相比,该混合NLGRAPPA-SENSE算法在加速因子较大时可以重建出更加准确的磁共振图像,具有更低的噪声功率(AP)和更高的信噪比(SNR)性能.     

卷积神经网络在心电逆问题中的应用

基于横跨膜电位分布的心电逆问题研究,即从身体表面电位无创重建心脏跨膜电位,可视为一种多输入多输出的回归问题（亦即多个体表电位分布输入重构多个心脏跨膜电位分布输出）,而基于数据驱动的机器学习模型是解决回归问题的一种有效手段。通过使用深度卷动神经网络（CNN）构建深度学习模型,使用Caffe框架训练神经网络;此外,基于真实的心脏模型,使用ECGSim软件仿真了肯特束综合症心室激活情况的数据,用于训练和测试回归模型。实验结果表明,与极限学习机（ELM）和核化的极限学习机相比,CNN方法在心脏跨膜电位重构方面有更高的精度和泛化性能。