“磁共振指纹”(MRF)成像技术是在磁共振成像的基础上发展而来,解决了磁共振成像技术的扫描时间过长、不能量化,一次扫描只能得到一种加权像的缺陷。MRF成像技术是一门崭新的成像技术,从序列设计、数据采集到数据处理方法与磁共振成像技术完全不同,而MRF参数量化的准确性和效率是该领域亟待解决的问题。首先,对MRF成像原理进行研究,对基于字典的MRF成像方法进行了分析。MRF成像扫描过程中,在序列上给予伪随机变化的翻转角和重复时间,获得具有时间和空间不相关的数据。通过射频脉冲、梯度脉冲,采集K空间数据。对采集数据进行非均匀傅里叶变换,得到多帧重建图像。将每帧图像的每个体素点的信号连接起来,即可得到该体素在该序列下的特征曲线,即“磁共振指纹”。建立字典库时,根据需求选取相应的参数取值范围和精度,确定字典的条目数。将所有参数组合和与采集数据时使用的相同序列,通过Bloch方程模拟得到字典库(一组参数组合得到一条字典信号)。磁共振指纹信号与字典库中所有条目通过逐条匹配,得到最相近的字典信号。从该条字典生成时的各参数信息可反推得到组织的多种参数值,并可显示为各参数量化图。同时研究了不同序列对字典信号特征的影响及不同的字典匹配算法。然后,研究了基于扩展卡尔曼滤波的无字典“磁共振指纹”成像算法(EKF-MRF)。EKF-MRF方法首先要建立系统方程。然后对估计信号通过EKF迭代的方式进行跟踪观测,使估计值趋近于真实值。利用EKF迭代方法计算MRF参数过程主要分为两部分:预测和更新。在预测过程中,首先将当前时刻的最优估计通过状态方程预测下一时刻的状态矢量(即下一时刻的磁化矢量与各参数值)和下一时刻方差矩阵。然后计算系统卡尔曼增益。接着通过最小方差原则对预测数据(下一时刻的状态矢量以及方差)进行更新,得到最优估计的状态矢量估计值及最优估计方差矩阵。对信号进行反推和估计,最终得到量化的各参数。EKF-MRF方法研究中,观测值由成像模型模拟MRF采集过程得到数据。通过不断调整EKF过程中的过程噪声Q值,使Q值在迭代过程中不断变小,即给预测值越来越大的权重,使估计值更快的收敛并趋于真实值。调整观测噪声R值,使估计值范围收敛更准确。改变Q值和R值使EKF过程的迭代次数减少,从而减少了算法所需时间。在EKF迭代过程中,改变非线性系统状态方程的一阶线性化次数,通过仅计算一次非线性系统状态方程的一阶线性化,减少了算法计算量,加快了算法计算效率。最后,在MATLB环境下实现了可视化的“磁共振指纹”参数量化方法的软件。该软件可根据需求选择不同的序列和模型,实现量化参数可视化。我们对比分析了不同方法下的结果。分析表明:EKF-MRF技术不再受字典依赖性的影响,不需要对不同的序列以及组织部位建立不同的字典,避免了构建字典所造成的时间和空间的浪费。相较于直接字典匹配的方法,使用EKF-MRF算法不仅极大的加快了运算速度,且误差更小。