CN107121654B - 一种磁共振欠采方法及装置 - Google Patents

一种磁共振欠采方法及装置 Download PDF

Info

Publication number
CN107121654B
CN107121654B CN201710345402.9A CN201710345402A CN107121654B CN 107121654 B CN107121654 B CN 107121654B CN 201710345402 A CN201710345402 A CN 201710345402A CN 107121654 B CN107121654 B CN 107121654B
Authority
CN
China
Prior art keywords
magnetic resonance
adopt
space
mask
owed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710345402.9A
Other languages
English (en)
Other versions
CN107121654A (zh
Inventor
梁栋
王珊珊
肖韬辉
刘新
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201710345402.9A priority Critical patent/CN107121654B/zh
Publication of CN107121654A publication Critical patent/CN107121654A/zh
Application granted granted Critical
Publication of CN107121654B publication Critical patent/CN107121654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于磁共振重建技术领域，提供了一种磁共振欠采方法及装置。所述磁共振欠采方法包括：沿着预设维度对K空间的视野进行欠采掩模的设置；对所述欠采掩模进行汉明滤波，以获取欠采轨迹；根据所述欠采轨迹对K空间数据进行采集；将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。通过本发明可提高磁共振成像的效率和精确度。

Description

一种磁共振欠采方法及装置
技术领域
本发明属于磁共振重建技术领域，尤其涉及一种磁共振欠采方法及装置。
背景技术
目前，通常采用广义自动校准部分并行采集(Generalized Auto-calibratingPartially Parallel Acquisitions，GRAPPA)算法、SPIRIT算法和敏感性编码(Sensitivity Encoding，SENSE)算法等进行磁共振成像。然而，GRAPPA算法存在重建图像质量差，数据扫描时间长的问题，尤其当加速倍数加大时，效果逐渐变得很不理想；SPIRIT算法是基于GRAPPA算法的基础上进行改进的另一种成像技术，效果相比GRAPPA算法有了一些改进，但是还是存在与GRAPPA算法类似的问题。基于图像域的SENSE算法主要利用线圈灵敏度信息对混叠图像进行展开和组合，得到无混合伪影的图像，但对线圈灵敏度的精确性和分辨率的要求非常高，导致在保证成像质量的同时却延长了成像时间。
故，有必要提出一种新的技术方案，以解决上述技术问题。
发明内容
鉴于此，本发明实施例提供一种磁共振欠采方法及装置，以提高磁共振成像的效率和精确度。
本发明实施例的第一方面，提供一种磁共振欠采方法，所述磁共振欠采方法包括：
沿着预设维度对K空间的视野进行欠采掩模的设置；
对所述欠采掩模进行汉明滤波，以获取相应的欠采轨迹；
根据所述欠采轨迹对K空间数据进行采集；
将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
本发明实施例的第二方面，提供一种磁共振欠采装置，所述磁共振欠采装置包括：
设置模块，用于沿着预设维度对K空间的视野进行欠采掩模的设置；
滤波模块，用于对所述欠采掩模进行汉明滤波，以获取相应的欠采轨迹；
采集模块，用于根据所述欠采轨迹对K空间数据进行采集；
线上成像模块，用于将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例通过沿着预设维度对K空间的视野进行欠采掩模的设置，并对所述欠采掩模进行汉明滤波，以获取汉明滤波非对称一维低频欠采轨迹，再根据该欠采轨迹对K空间数据进行采集，将采集的数据输入至深度学习网络，从而获取线上磁共振图像，缩短了磁共振成像时间，提高了磁共振成像的精确度，进而实现了更快速更精准的磁共振成像。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的磁共振欠采方法的实现流程图；
图2a是原始磁共振图像的示例图；图2b是SPIRIT算法在一维均匀欠采轨迹下的重建图像的示例图；图2c是GRAPPA算法在一维均匀欠采轨迹下的重建图像的示例图；图2d是在均匀欠采轨迹下的重建图像的示例图；图2e是在一维随机欠采轨迹下的重建图像的示例图；图2f是在汉明滤波非对称一维低频欠采轨迹下的重建图像的示例图；
图3是本发明实施例二提供的磁共振欠采装置的组成示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一：
图1示出了本发明实施例一提供的磁共振欠采方法的实现流程，所述实现流程详述如下：
步骤S101，沿着预设维度对K空间的视野进行欠采掩模的设置。
在本发明实施例中，磁共振成像中的视野(field of view，FOV)是图像控件平面的范围，即图像的边界。所述K空间将原始磁共振采样时间域数据映射到频率域。所述K空间是指相位编码和频率编码后，采样的磁共振数据构成的傅里叶频域空间。所述欠采掩模可以用于控制在对K空间的视野进行欠采时欠采的区域。所述预设维度可以是指预先设置的某一维度。
可选的，所述沿着预设维度对K空间的视野进行欠采掩模的设置包括：
根据所述欠采掩模，沿着预设维度对K空间的视野进行非对称低频采样。
可选的，所述沿着预设维度对K空间的视野进行非对称低频采样包括：
沿着预设维度对K空间的视野中的低频区域进行非对称采样。
可选的，所述预设维度为相位编码方向。其中，所述相位编码是在y轴方向施加线性梯度磁场，造成自旋质子有规律的进动相位差，然后利用此相位差来定位体素在y轴方向的坐标。射频脉冲停止后，y轴方向的梯度磁场施加后，各体素磁化矢量有规律的进动导致相位发生规律性的变化，从而识别体素的位置。
步骤S102，对所述欠采掩模进行汉明滤波，以获取相应的欠采轨迹。
在本发明实施例中，可以通过对所述欠采掩模加汉明窗进行汉明滤波，以获取新的掩模，从而获取汉明滤波非对称一维低频欠采轨迹。其中，所述汉明窗的大小可以和所述欠采掩模的大小相同。
步骤S103，根据所述欠采轨迹对K空间数据进行采集。
在本发明实施例中，可以将从K空间数据中采集的数据表示为：y＝HMEu，其中，u表示原始图像，E表示傅里叶变换或者多通道编码函数，M表示一维部分傅里叶采样轨迹，H表示汉明滤波。
步骤S104，将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
在本发明实施例中，所述深度学习网络可以为超分辨率卷积神经网络，该卷积网络的基本配置是：网络设置为三层，第一层有64个卷积核，每个卷积核大小为9*9；第二层有32个卷积核，每个卷积核大小为5*5；最后一层有一个卷积核，大小为5*5。通过制作好的样本数据，利用该网络对其进行训练，网络在工作站上面进行训练，该工作站内存128G，带有16核的处理器(Intel Xeon(R)CPU E5-2680V3@2.5GHz)，整个网络线下训练用时四天。训练完成之后，再进行线上测试。
本发明实施例在台式电脑上面进行测试，该电脑配备window 10(64位)操作系统、8GB随机存取存储器(Random Access Memory，RAM)RAM和英特尔(R)酷睿(TM)i3-3240CPU@3.40GHz.AMD 3.40GHz，所用MATLAB版本是MATLAB 2014b。实验结果如图2a至图2f所示，图2a是原始磁共振图像的示例图，图2b是SPIRIT算法在一维均匀欠采轨迹下的重建图像的示例图，图2c是GRAPPA算法在一维均匀欠采轨迹下的重建图像的示例图，图2d是在均匀欠采轨迹下的重建图像的示例图，图2e是在一维随机欠采轨迹下的重建图像的示例图，图2f是在汉明滤波非对称一维低频欠采轨迹下的重建图像的示例图。将图2b、图2c和图2f的重建图像与图2a中的原始图像进行对比，例如，将图2b、图2c和图2f的重建图像中长方形框中的图像与图2a中的原始图像中长方形框中的图像进行对比，可以看出，本发明实施例所设计的汉明滤波非对称一维低频欠采轨迹在同等加速倍数下的重建图像要明显优于GRAPPA和SPIRIT算法下的重建图像；将图2d、图2e和图2f的重建图像与图2a中的原始图像进行对比，例如将图2d、图2e和图2f的重建图像中长方形框中的图像与图2a中的原始图像中长方形框中的图像进行对比，可以看出，本发明实施例所采用的汉明滤波非对称一维低频欠采轨迹相比于传统的一维均匀欠采轨迹和一维随机欠采轨迹能取得更好的重建结果。
此外，在重建时间上面，本发明所提供的方案在线上测试所用时间为14.9s，而GRAPPA算法和SPIRIT算法分别用时：46.7s和36.7s。本发明所用时间仅为这两种经典算法的三分之一，故本发明重建速度要快得多。
本发明实施例通过沿着预设维度对K空间的视野进行欠采掩模的设置，并对所述欠采掩模进行汉明滤波，以获取汉明滤波非对称一维低频欠采轨迹，再根据该欠采轨迹对K空间数据进行采集，将采集的数据输入至深度学习网络，从而获取线上磁共振图像，缩短了磁共振成像时间，提高了磁共振成像的精确度，进而实现了更快速更精准的磁共振成像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二：
图3示出了本发明实施例二提供的磁共振欠采装置的组成示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
所述磁共振欠采装置包括：
设置模块31，用于沿着预设维度对K空间的视野进行欠采掩模的设置；
滤波模块32，用于对所述欠采掩模进行汉明滤波，以获取相应的欠采轨迹；
采集模块33，用于根据所述欠采轨迹对K空间数据进行采集；
线上成像模块34，用于将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
可选的，所述设置模块31具体用于：
根据所述欠采掩模，沿着预设维度对K空间的视野进行非对称低频采样。
可选的，所述设置模块31具体用于：
沿着预设维度对K空间的视野中的低频区域进行非对称采样。
可选的，所述预设维度为相位编码方向。
本发明实施例提供的磁共振欠采装置可以使用在前述对应的方法实施例一中，详情参见上述实施例一的描述，在此不再赘述。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即所述装置的内部结构划分成不同的功能模块，上述功能模块既可以采用硬件的形式实现，也可以采用软件的形式实现。另外，各功能模块的具体名称也只是为了便于相互区别，并不用于限制本申请的保护范围。
综上所述，本发明实施例沿着预设维度对K空间的视野进行欠采掩模的设置，并对所述欠采掩模进行汉明滤波，以获取汉明滤波非对称一维低频欠采轨迹，再根据该欠采轨迹对K空间数据进行采集，将采集的数据输入至深度学习网络，从而获取线上磁共振图像，缩短了磁共振成像时间，提高了磁共振成像的精确度，进而实现了更快速更精准的磁共振成像。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、RAM、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种磁共振欠采方法，其特征在于，所述磁共振欠采方法包括：
沿着预设维度对K空间的视野进行欠采掩模的设置，其中，所述预设维度为相位编码方向；
对所述欠采掩模进行汉明滤波，以获取新的掩模，通过所述新的掩模获取汉明滤波非对称一维低频欠采轨迹；
根据所述欠采轨迹对K空间数据进行采集；
将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
2.根据权利要求1所述的磁共振欠采方法，其特征在于，所述沿着预设维度对K空间的视野进行欠采掩模的设置包括：
根据所述欠采掩模，沿着预设维度对K空间的视野进行非对称低频采样。
3.根据权利要求2所述的磁共振欠采方法，其特征在于，所述沿着预设维度对K空间的视野进行非对称低频采样包括：
沿着预设维度对K空间的视野中的低频区域进行非对称采样。
4.一种磁共振欠采装置，其特征在于，所述磁共振欠采装置包括：
设置模块，用于沿着预设维度对K空间的视野进行欠采掩模的设置，其中，所述预设维度为相位编码方向；
滤波模块，用于对所述欠采掩模进行汉明滤波，以获取新的掩模，通过所述新的掩模获取汉明滤波非对称一维低频欠采轨迹；
采集模块，用于根据所述欠采轨迹对K空间数据进行采集；
线上成像模块，用于将从所述K空间数据中采集的数据输入至深度学习网络，以获取线上磁共振图像。
5.根据权利要求4所述的磁共振欠采装置，其特征在于，所述设置模块具体用于：
根据所述欠采掩模，沿着预设维度对K空间的视野进行非对称低频采样。
6.根据权利要求5所述的磁共振欠采装置，其特征在于，所述设置模块具体用于：
沿着预设维度对K空间的视野中的低频区域进行非对称采样。
CN201710345402.9A 2017-05-16 2017-05-16 一种磁共振欠采方法及装置 Active CN107121654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710345402.9A CN107121654B (zh) 2017-05-16 2017-05-16 一种磁共振欠采方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710345402.9A CN107121654B (zh) 2017-05-16 2017-05-16 一种磁共振欠采方法及装置

Publications (2)

Publication Number Publication Date
CN107121654A CN107121654A (zh) 2017-09-01
CN107121654B true CN107121654B (zh) 2019-09-17

Family

ID=59728429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710345402.9A Active CN107121654B (zh) 2017-05-16 2017-05-16 一种磁共振欠采方法及装置

Country Status (1)

Country Link
CN (1) CN107121654B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction
CN109557489B (zh) * 2019-01-08 2021-06-18 上海东软医疗科技有限公司 一种磁共振成像方法和装置
CN110333466B (zh) * 2019-06-19 2022-06-07 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1904977B1 (en) * 2005-07-08 2010-12-15 Wisconsin Alumni Research Foundation Backprojection reconstruction method for ct imaging
JP6309217B2 (ja) * 2012-08-04 2018-04-11 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置
CN104793160B (zh) * 2015-04-22 2017-06-16 南京医科大学 一种减少欠采样磁共振成像的频率混迭效应的方法
CN106264529B (zh) * 2016-11-04 2019-08-23 深圳先进技术研究院 用于三维动态磁共振成像的圆柱形k空间采集方法和系统

Also Published As

Publication number Publication date
CN107121654A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
Tax et al. What’s new and what’s next in diffusion MRI preprocessing
Lin et al. Artificial intelligence for MR image reconstruction: an overview for clinicians
Hammernik et al. Learning a variational network for reconstruction of accelerated MRI data
Dedmari et al. Complex fully convolutional neural networks for MR image reconstruction
Buonincontri et al. MR fingerprinting with simultaneous B1 estimation
Zhang et al. Fidelity imposed network edit (FINE) for solving ill-posed image reconstruction
Scherrer et al. Super-resolution reconstruction to increase the spatial resolution of diffusion weighted images from orthogonal anisotropic acquisitions
Bilgic et al. Wave‐CAIPI for highly accelerated 3D imaging
CN104379058B (zh) 用于高分辨率mri合并复用灵敏度编码（muse）的多重拍摄扫描协议
Holme et al. ENLIVE: an efficient nonlinear method for calibrationless and robust parallel imaging
Sarasaen et al. Fine-tuning deep learning model parameters for improved super-resolution of dynamic MRI with prior-knowledge
US11181598B2 (en) Multi-contrast MRI image reconstruction using machine learning
CN107121654B (zh) 一种磁共振欠采方法及装置
Zhou et al. Parallel imaging and convolutional neural network combined fast MR image reconstruction: Applications in low‐latency accelerated real‐time imaging
US12027254B2 (en) Multi-contrast MRI image reconstruction using machine learning
CN109239631A (zh) 一种磁共振成像方法和装置
Li et al. Quantitative assessment of susceptibility‐weighted imaging processing methods
Chatnuntawech et al. Vectorial total generalized variation for accelerated multi-channel multi-contrast MRI
Boyacioglu et al. 3D magnetic resonance fingerprinting with quadratic RF phase
Perrone et al. D-BRAIN: anatomically accurate simulated diffusion MRI brain data
Xiao et al. Partial Fourier reconstruction of complex MR images using complex‐valued convolutional neural networks
Li et al. Mapping brain anatomical connectivity using diffusion magnetic resonance imaging: Structural connectivity of the human brain
Desai et al. Noise2Recon: Enabling SNR‐robust MRI reconstruction with semi‐supervised and self‐supervised learning
Manhard et al. A multi‐inversion multi‐echo spin and gradient echo echo planar imaging sequence with low image distortion for rapid quantitative parameter mapping and synthetic image contrasts
JP6762284B2 (ja) 磁気共鳴イメージング装置およびノイズ除去方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant