移动核磁共振数据处理软件与磁共振成像重建并行计算的研发

摘要

核磁共振已经成为众多学科，比如化学、生物和医学等，最有效的研究手段之一，这些学科领域都需要用到核磁共振数据处理软件来进行分析。随着消费类电子产品的发展，移动设备在人们的日常生活中扮演越来越重要的角色，出现了各种各样的软件来帮助人们更好的工作、学习和生活。然而，在移动设备上却没有一款应用程序能用来帮助核磁共振研究人员进行一些基本的数据处理，用户只能依赖传统的个人电脑。本文将从桌面软件着手，对核磁共振数据处理软件的发展进行介绍，从而引出开发基于iPad的核磁共振数据处理软件的必要性。接着介绍Touch NMR，一款免费的iPad应用程序，可以用它来完成基本的核磁共振数据处理。开发Touch NMR的目的就是弥补移动领域核磁共振数据处理软件的空白。TouchNMR能够处理来自安捷伦、布鲁克以及日本电子等谱仪的自由感应衰减数据。还可以完成一些基本的核磁共振数据处理操作，比如快速傅里叶变换、相位校正、基线校正、定标、寻峰、积分等。此外，Touch NMR还支持无畸变极化转移增强谱编辑，弛豫时间拟合以及二维谱。为了给用户带来更好的体验，Touch NMR充分利用了多点触控来完成所有操作，用户只需用手指做不同的手势，就可以完成所有的数据处理。并且支持云存储，实现了当下最流行的Dropbox作为云存储提供商，用户可以轻松的将数据与他人共享，或者在不同的设备之间进行同步。Touch NMR可以为核磁共振研究人员在进行基本数据处理的过程中节省大量时间，并且能够让科研人员随时随地轻松、方便的进行数据处理。
　　本文不仅对核磁共振数据处理软件进行了研究，还对磁共振成像重建的并行化计算方法进行了研究。压缩感知磁共振成像是一种加速磁共振成像的大有可为的技术。对于该技术，提高成像质量和缩短计算时间都是十分重要的。基于图像块的方向性小波(patch-based directional wavelets，PBDW)和基于图像块的非局部算符(patch-based nonlocal operator，PANO)已经应用于压缩感知磁共振成像上，用以提高图像的重建质量。但是，由于这两种方法涉及包括几何方向的估算或者相似性的学习和基于小波变换的数值迭代重建等大量的运算，导致这两种方法的计算过程都相当耗时。为加速它们的计算过程，本文提出了一种基于多核CPU处理器加速基于图像块处理方法的并行计算架构，这种并行化方法易于实现、通俗易懂，并且效率高。此外，根据MRI图像的稀疏性还提出了两种针对性的优化方法:忽略平滑图像块和预排列的插入排序。仿真结果表明，本文介绍的并行计算架构的加速倍数与CPU核心的个数相当，同时，针对性优化对于进一步提高计算速度也是十分有效的，整个压缩感知磁共振成像重建的过程能够在数秒内完成，使实时重建以及更好方法的提出成为可能。

目录

声明

专用缩写词英汉对照表

摘要

第一章 绪论

1．1 核磁共振及其发展

1．2 核磁共振基本的数据处理

1．2．1 基本的信号处理过程

1．2．2 核磁共振FID信号处理

1．2．3 核磁共振谱信号处理

1．2．4 核磁共振二维信号处理

1．3 磁共振成像简介

1．3．1 磁共振成像基本原理

1．3．2 磁共振成像的优势

1．4 磁共振成像重建

1．4．1 磁共振成像的缺点

1．4．2 加速成像的方法

1．4．3 两种稀疏重建方法

1．5 并行计算

1．5．1 并行计算简介

1．5．2 并行计算分类

1．5．3 并行计算实现

1．6 论文结构

第二章 核磁共振数据处理软件的发展

2．1 引言

2．2 常见的核磁共振数据处理软件

2．2．1 Agilent VnmrJ

2．2．2 Bruker TopSpin

2．2．3 JEOL Delta

2．2．4 MestReNova

2．2．5 ACD／NMR Processor

2．2．6 iNMR

2．2．7 NMRPipe

2．2．8 SpinWorks

2．3 小结

第三章 基于iPad的核磁共振数据处理软件

3．1 引言

3．2 特性

3．3 工作流程

3．3．1 导入

3．3．2 数据处理

3．3．3 导出

3．4 操作方式

第四章 针对PBDW的并行计算

4．1 PBDW方法简介

4．2 并行化计算方法

4．2．1 多核CPU的并行化架构

4．2．2 估算几何方向的并行化

4．2．3 计算小波系数的并行化

4．3 估算几何方向的针对性优化

4．3．1 忽略平滑图像块(excluding smooth patches，ESP)

4．3．2 预排列的插入排序(pre-arranged insertion sort，PIS)

4．4 实验结果

4．4．1 并行化计算绪果

4．4．2 针对性优化结果

4．4．3 基于PBDW完整CS-MRI重建的提升

4．5 讨论

4．5．1 专业工作站上的加速效果

4．5．2 在不同MRI图像上的结果

4．5．3 程序优化技巧

4．6 小结

第五章 针对PANO的并行计算

5．1 PANO方法简介

5．2 并行化计算方法

5．2．1 学习自相似性的并行化

5．2．2 三维小波变换的并行化

5．3 实验结果

5．3．1 个人电脑上的并行化结果

5．3．2 专业工作站下的提升

5．3．3 基于PANO的CS-MRI重建的提升

5．4 小结

第六章 总结与展望

6．1 全文总结

6．2 未来工作的展望

参考文献

论文发表及获奖情况

致谢