磁共振氘（²H）成像是近年来涌现出的一种能在活体水平下实现特定代谢通路可视化的分子代谢成像方法，在癌症检测等重大疾病方面具有极好的临床应用前景．本文分析了三种不同氘标记葡萄糖——[6,6’-²H₂]-葡萄糖、[2,3,4,6,6’-²H₅]-葡萄糖和[1,2,3,4,5,6,6’-²H₇]-葡萄糖在脑胶质瘤细胞中的代谢特征差异．将大鼠脑胶质瘤C6细胞与三种氘标记的葡萄糖一起孵育，收集不同时刻细胞培养基样品，采用核磁共振波谱仪对样品进行核磁共振氘谱采集，获取不同时间三种氘标记葡萄糖的消耗量以及下游代谢产物水和乳酸的产量，从而得出三种氘标记葡萄糖探针在肿瘤细胞中的消耗速度以及代谢物的生成速度等动态代谢特征．结果显示在细胞实验中三种氘标记葡萄糖均能够显示出肿瘤细胞的代谢特征，且葡萄糖的消耗速度并无显著性差异，氘标记水和氘标记乳酸的产量也符合理论估算．因此本文认为低成本的氘标记葡萄糖探针[2,3,4,6,6’-²H₅]-葡萄糖具备更好的临床转化价值．

细胞在呼吸作用中产生活性氧，活性氧含量处于低水平时有利于信号传导，累积过量时会引发蛋白质氧化修饰．细胞色素c是位于线粒体内的多功能金属蛋白，其发生氧化修饰特别是甲硫氨酸Met80的亚砜化修饰可能影响蛋白构象变化，但其机制仍不清楚．本研究通过¹³C选择性标记细胞色素c上甲硫氨酸的末端甲基，利用液体核磁共振技术，追踪了细胞色素c在氧化环境中的氧化修饰变化．发现在氧化环境中，该蛋白质先由还原态转化为氧化态，当活性氧达到一定量时，再发生甲硫氨酸Met80的亚砜化修饰，但在活性氧作用初期未导致明显的蛋白结构变化．这表明细胞色素c具有一定抵御活性氧的作用．

磁共振等效横向弛豫率（$R_{2}^{*}$）参数量化技术已经被广泛应用于肝脏铁含量的定量测量中. 然而铁沉积肝脏$R_{2}^{*}$参数图像的重建通常会受到噪声的严重影响. 随着深度学习的兴起，深度学习网络成为磁共振参数图像重建的重要方法. 本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振$R_{2}^{*}$参数图像重建. 通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练. 网络的训练不需要使用真实的$R_{2}^{*}$参数图像. 同时，相较于传统的参数估计算法，本文提出的方法能够快速准确地重建出铁沉积肝脏$R_{2}^{*}$参数图像，较好地抑制图像中噪声的影响, 校正噪声引起的偏差，同时保持$R_{2}^{*}$参数图像中的结构细节.

本文采用了DenseNet结合迁移学习的分类模型，对胰腺黏液性囊性肿瘤（MCN）和浆液性囊性肿瘤（SCN）进行分类. 首先对来自长海医院的65例MCN和107例SCN数据进行扩增和预处理，其次构建DenseNet结合迁移学习的分类模型并进行微调，实验过程采用五折交叉验证，对MCN和SCN进行识别分类，并将该模型与AlexNet、VGG16、ResNet50等其他深度学习模型进行对比. 结果显示本文的分类模型识别效果最好，在测试集上ROC曲线下面积（AUC值）达到0.989，准确率为0.943，召回率为0.949，精确率为0.938. 由此可见基于DenseNet结合迁移学习的分类模型对MCN和SCN具有较高的识别准确率，优于其他深度学习模型，并具有较强的学习能力，可以辅助医生在临床上的诊断，在一定程度上节省人力物力. 该模型对于胰腺囊性肿瘤识别分类的潜在价值和临床意义.

脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义．针对现有脑肿瘤分割算法分割精度不高边缘分割不精确，易出现假阳性的问题，本文提出一种基于多重自注意力和可变形卷积的Unet改进模型．模型将原始Unet框架的标准卷积替换为残差模块，以防止模型训练过程中出现梯度消失；通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征和全局上下文信息，以更好地挖掘像素间的相关性；在跨层连接处采用可变形卷积来增强模型对形状感知的敏感性，以提升肿瘤边缘特征的提取能力．实验结果表明，所提算法的分割结果评价指标高于使用同样数据集的其他对比模型，而且对肿瘤边缘的分割更加精确．这表明本文算法是一种有效的脑胶质瘤自动分割算法．

为探讨采用T1WI增强图像，利用融合注意力机制的掩膜区域神经网络（Mask RCNN）模型实现对桥小脑角区听神经瘤和脑膜瘤的识别．本文回顾性收集经病理或临床诊断确诊的脑膜瘤116例和听神经瘤427例，经图像筛选后共采用脑膜瘤872张和听神经瘤2 467张．按近似7:1.5:1.5的比例分为训练集、验证集和测试集．对图像进行预处理后，采用以Resnet50、Resnet101和VGG19为主干网络的Mask RCNN模型，以及融合卷积注意力机制的Mask RCNN模型Resnet101-CBAM和VGG19-CBAM对桥小脑角区听神经瘤和脑膜瘤进行检测和病灶分割．并使用均值平均精度（mean average precision，mAP）和均值平均召回率（mean average recall，mAR）评价模型性能．测试集结果显示卷积注意力机制可以提升模型性能，VGG19-CBAM模型在5个模型中综合性能最高，在分类和病灶分割的mAP分别为0.932和0.930．这表明融合注意力机制的Mask RCNN模型对桥小脑角区听神经瘤和脑膜瘤的识别较为理想，可为诊断和靶区勾画提供参考，提高临床工作效率．

为了提高磁共振图像在欠采样下重建的质量，本文融合注意力机制和多尺度残差卷积构建Unet网络，实现磁共振图像在欠采样下的重建算法．为增强网络特征的表现能力，以及防止网络训练中梯度消失与退化的问题，在Unet网络的编码路径中引入多尺度残差卷积，提取不同尺度的特征信息；为能准确地恢复图像的细节纹理特征，在Unet网络编码和解码路径的跳层拼接部分引入卷积注意力块，对细节纹理等关键信息进行不同程度的响应．实验表明，本文方法可通过欠采样k-空间数据快速重建出细节纹理清晰且无重叠伪影的高质量磁共振图像．

从脑部医学影像中划分动脉树区域是诊断和评估许多脑血管疾病的早期步骤．现有的区域分割方法多依赖人工辅助，本文中提出了一种基于双分支连通网络（dual branch connected network，DBCNet）的脑动脉树自动分区方法，可以将时间飞跃磁共振血管造影（time of flight-magnetic resonance angiography，TOF-MRA）中的动脉树分割为6个主要区域．DBCNet中引入了分支特征解耦模块和Swin Transformer机制的全局与局部特征融合模块，训练采用先定位后分割的两步训练策略．本研究使用了111例TOF-MRA数据，其中81例作为训练集，20例作为验证集，10例作为测试集，模型在测试集上的平均Dice系数为74.72%，95%豪斯多夫距离（HD95）为3.89 mm．和其他先进分割网络相比较，该网络能更准确地分割出各个主要区域，并具有一定的鲁棒性．

温度漂移是影响桌面式核磁共振波谱仪测量精度的一个重要因素，在探头中添加锁场线圈实现场频联锁是抑制温度漂移的常用手段．本文基于实验室紧凑型Halbach磁体，设计了一套带有外部锁场功能的双通道探头．针对目标区域，使用COMSOL仿真对比了螺线管线圈、鞍形线圈和亥姆霍兹线圈的磁场均匀性、信噪比和品质因数，发现螺线管线圈具有最佳综合性能．进一步针对螺线管线圈结构，对线圈直径、高度、匝数、匝间距以及漆包线半径进行了仿真优化，得到漆包线半径为0.4 mm、线圈直径和高度为8.2 mm、匝间距为1.6 mm、匝数为5是最优螺线管尺寸．基于仿真结果，制作了探头实物，并配合外围电路进行测试．结果表明，两个线圈通道之间串扰较小，信号检测通道信噪比达到50以上，锁场通道信噪比达到20以上．锁场实验结果表明，添加锁场后整体系统的频率漂移约为0.2 ppm/h（1 ppm=10^-6），验证了此探头设计可用于基于紧凑型Halbach磁体的磁共振设备．

电子顺磁共振（EPR）是一种研究磁性材料微观信息的测量手段．由于早期的EPR研究受到磁场强度和微波频率的限制，一些材料相关的微观信息并不能得到清晰地显示．近些年来，随着强磁场技术和微波技术的发展，连续波电子顺磁共振（cw-EPR）谱仪和脉冲电子顺磁共振（pulsed EPR）谱仪在高频高场下得到了充分的应用，同时谱仪的灵敏度和分辨率等技术指标也得到了比较好的提升．本文主要介绍了在高频高场下EPR谱仪的原理和构造，国内外发展历程和研究现状，以及在相关领域的最新应用．