罗伶俐，王远军

上海理工大学医学影像工程研究所，上海200093

前言

磁共振（Magnetic Resonace,MRI）成像是具有高空间分辨率，成像过程无电离辐射的一种无创性诊断工具，在临床医学影像诊断中具有重要作用。但因扫描时间过长，对于需获取瞬间信息的组织器官，会由于器官运动而产生运动伪影，因此动态MR成像的时间分辨率很差［1］。因此，为减少MRI扫描时间而对k空间进行欠采样，但由稀疏数据重建的图像易产生混叠伪影，对此有两种解决方法：一种是平行成像（Parallel Imaging,PI）［2］，主要利用多通道接收线圈的灵敏度编码，与全采样条件下成像图像像素之间的映射关系来消除混叠伪影；另一种是基于压缩感知（Compressed Sensing,CS）原理的图像重建算法［3］，利用信号在变换域中的稀疏性，通过非线性重建算法来消除伪影。

但随着大数据时代的到来及计算机硬件的飞速发展，近年来人们开始重视深度学习的作用，深度学习在计算机视觉和图像处理等领域均获得了巨大成功。而在医学成像领域也引起了广大学者的重视。近年来许多学者将人工神经网络（Artificial Neural Network,ANN）应用到MR快速成像中。本文着重介绍深度学习在MR成像中的几种不同应用方式，对该成像方法做出回顾性总结，并对其在未来的应用做出展望。

1 深度学习在MR成像中的应用

1.1 基于图像域学习的MR成像方法

基于图像域学习的MR 成像方法主要通过学习伪影图像与去伪影图像之间的映射关系来消除图像中的伪影。其中较为典型的是基于多层感知器（Multilayer Perceptron,MLP）的MR 快速并行成像方法［4‐5］，该模型基本结构见图1［6］。……