磁共振成像(Magnetic Resonance Imaging,MRI)因其具有较高的软组织分辨率,对人体没有电离辐射损伤等优点,应用范围日益广泛,已成为一项常规医学检查方法。但由于MRI在应用中常存在扫描速度慢的缺点,容易产生运动伪影,且难以满足实时成像的要求,因此如何加快MRI的成像速度是MRI领域的热点之一。以往通常从三个方面来加速MRI的成像时间,一是提高MRI硬件的性能,但人体的生理效应限制了MRI硬件的磁场强度和磁场梯度的切换率;二是采用并行成像算法,但采用并行成像算法受线圈敏感度分布的准确测量和自校准数据行、降采样倍数、拟合块个数等多种因素的影响;三是减少MRI的k空间(频域空间)的数据采集量,但是数据采集量的大量减少,会带来图像质量的显著下降,尽管可通过多种重建算法提高欠采样图像重建的质量,但是往往需要较长的重建时间,难以满足实时成像的临床需求。近年来,基于卷积神经网络(Convolutional Neural Network,CNN)的深度学习算法开始应用于磁共振欠采样数据重建。基于深度卷积神经网络的快速磁共振成像通过训练大量的全采样和欠采样图像,利用损失函数对网络进行误差计算,基于优化将得到的误差反向传播,经过多次正向传播和反向传播得到最优化的网络参数,利用参数优化后的CNN网络对欠采样数据进行图像重建。相比压缩感知等重建算法,CNN算法具有离线训练,在线成像的优点,已成为MRI快速成像领域的研究热点。本文主要做了以下工作:(1)研究卷积神经网络理论并构建了U-net卷积神经网络。在网络的反向传播中选择均方误差函数MSE作为U-net卷积神经网络反向传播中的损失函数,选择Adam算法作为优化算法,避免训练出现梯度消失问题,加快了收敛速度。基于全采样数据和两种欠采样磁共振脑部数据(随机变密度欠采样和均匀规则欠采样)来训练网络,再将磁共振脑部欠采样图像经过训练好后的网络进行重建,仿真实验结果表明,通过U-net卷积神经网络重建可得到高质量的欠采样图像,其中均匀规则欠采样的图像重建质量接近于随机变密度欠采样的图像重建质量。(2)研究基于AR2 U-net卷积神经网络的快速磁共振成像算法。在U-net卷积神经网络的基础上加入递归残差模块和注意门模块后构建出新的AR2 U-net卷积神经网络,递归能够更有效处理信息,控制网络参数的大小,避免训练时出现梯度消失问题。残差能够解决网络中出现异常数据而导致网络误差变大的问题,减轻了网络训练难度。注意力机制加强了网络特征提取能力。通过800张磁共振脑部图像数据来训练AR2 U-net卷积神经网络,其中720张用于训练,40张用于验证,40张用于测试重建。实验结果表明,AR2 U-net卷积神经网络图像重建质量高于U-net卷积神经网络,在采样方式相同的情况下,U-net卷积神经网络所需训练时间为8个小时左右,每张图像的重建时间为1秒左右,AR2 U-net卷积神经网络的训练时间为10个小时左右,重建时间为1.4秒左右,经过代码优化和硬件性能提升后能满足实时在线成像的需求。实验仿真显示,AR2 U-net卷积神经网络的图像重建质量高于U-net卷积神经网络。(3)研究了基于混合空间卷积神经网络的快速磁共振成像算法。构建了由k-net和i-net组合形成的混合空间卷积神经网络,并将其应用于快速磁共振脑部成像中。其中,k-net和i-net都是基于卷积神经网络构建的,k-net是针对图像的k空间进行训练,i-net是针对图像的图像空间进行训练,k-net和i-net组合形成混合空间卷积神经网络,k-net和i-net依次交替着进行训练,迭代2次,将最终优化参数用于MRI欠采样数据的图像重建。实验证明,在29%欠采样率下,基于混合空间卷积神经网络的算法的重建质量明显高于U-net卷积神经网络重建的成像算法,略高于AR2 U-net卷积神经网络。基于混合空间卷积神经网络所需训练时间为20个小时左右,每张图像重建时间大约为1.7秒左右,代码优化硬件提升后能满足实时在线成像的需求。