邱华禄，蔺素珍*，王彦博，刘 峰，李大威

（1.中北大学 计算机科学与技术学院，太原 030051；2.昆士兰大学 信息技术与电子工程学院，澳大利亚 布里斯班 4702；3.中北大学 电气与控制工程学院，太原 030051）

0 引言

磁共振成像（Magnetic Resonance Imaging，MRI）能提供比许多其他成像方式更好的软组织对比度，可以清晰反映人体组织的不同层次结构以及解剖特点；然而，较长的信号采集时间通常会导致磁共振（Magnetic Resonance，MR）图像上产生因患者在采集期间的生理运动（即心脏运动和呼吸运动）所引起的伪影［1］。为了提高MRI 速度，大多数研究的重点都集中如何在加快K空间信号采集的情况下提高图像保真度。

目前，并行成像和基于压缩感知理论对K空间数据进行欠采样是提高MRI 速度的主要手段。并行成像先采用多通道线圈同时进行MR 信号欠采样，再利用线圈灵敏度编码对MR 图像重建。具有代表性的并行成像技术有基于图像域重建的灵敏度编码（Sensitivity Encoding，SENSE）［2］和基于K空间域重建的泛化自动校准部分并行采集（GeneRalized Autocalibrating Partially Parallel Acquisitions，GRAPPA）［3］算法。研究结果表明：并行成像可以显著提高成像速度，但高昂的成本制约了其应用推广。感知压缩理论既可以与多线圈信号采集相结合，也可与现有的单线圈信号采集相结合，核心是解决和稀疏变换不相关的K空间轨迹设计、图像最优稀疏表示和快速鲁棒的非线性图像重建问题。基于压缩感知理论加速采样MR 信号成本低、效果明显，但仍然存在算法迭代时间较长、参数不易调整等问题［4］。

近年来，深度学习在解决逆问题（包括图像去噪、图像超分辨率重建）方面表现出优于传统算法的性能［5-6］。……