CN109242822A - 一种用于核磁共振成像质量控制的数据处理方法 - Google Patents
一种用于核磁共振成像质量控制的数据处理方法 Download PDFInfo
- Publication number
- CN109242822A CN109242822A CN201810803660.1A CN201810803660A CN109242822A CN 109242822 A CN109242822 A CN 109242822A CN 201810803660 A CN201810803660 A CN 201810803660A CN 109242822 A CN109242822 A CN 109242822A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- bead
- value
- particle
- resonance imaging
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种用于核磁共振成像质量控制的数据处理方法,首先获取磁共振水模体的MRI图像,并通过图像边缘检测算法提取出磁共振水模体中小球的灰度值;然后利用MRI图像的空域信息、频域低频信息及相关系数,建立初始最小二乘法支持向量机的模型,再通过由粒子群算法优化的最小二乘支持向量机进行计算,最终输出并记录相应数据,最后将其结果与对应的核磁共振参数做对比,进而判断核磁共振成像设备是否合格,具有计算量小、计算速度快、计算精度高的优点,能够准确地判断核磁共振成像设备是否合格,从而保证每一个磁共振检查者的生命安全。
Description
技术领域
本发明涉及核磁共振成像技术领域,尤其涉及一种用于核磁共振成像质量控制的数据处理方法。
背景技术
核磁共振成像(Magnetic Resonance Imaging)是目前最先进的医学成像技术之一,其主要原理是通过不同的射频脉冲信号对生物组织进行激励,利用线圈梯度场对组织进行空间定位,并利用接收线圈检测组织的弛豫时间和质子密度信息,从而形成组织图像。它能够从人体分子内部反映出人体器官失常和早期病变。临床医师通过MRI图像对患者的疾病进行诊断,除了和医师本人的临床经验有关外,还与图像中所包含的信息量密切相关。因此对核磁共振成像(Quality Control,QC)的质量控制是确保每一个磁共振检查者的生命安全以及疾病得到治疗的根本保证。
目前最常见的质量控制方法是通过磁共振水模体在核磁共振下生成的影像,工作人员通过测试图像得到的数据进行计算分析,进而得到核磁共振成像设备的各种性能指标。而磁共振成像设备得到的图像,一般具有较大的信息量,那么如何从这些数据中得到所需要的信息与参数,是一个长期困扰众多专家学者的难题。
近几年发展起来的支持向量机(Support Vector Machines,SVM)为解决该类问题提供了一种新的思路。支持向量机建立在统计学习理论的VC维理论和结构风险最小原理基础上,作为支持向量机的扩展,最小二乘支持向量机有效地解决了SVM处理大样本数据时速度慢等问题。
核磁共振成像设备所探测的核磁共振信号与每个像素内被测对象某元素的质子密度ρ、表观扩散(弥散)系数、豫驰时间T1及豫驰时间T2有关,这些信息全部存在于核磁共振成像设备所输出的图像中,一般可以表示为:
在实际操作中,上述这些信息均会呈现在MRI图像的灰度信息中,却并不能在磁共振设备中给出以上全部的数据,从而给磁共振设备的质量检查造成困难。
发明内容
本发明的目的在于提供一种用于核磁共振成像质量控制的数据处理方法,能够根据磁共振水模体的MRI图像,对磁共振成像设备的质量进行检测,保证每一个磁共振检查者的生命安全。
为实现上述目的,本发明采用如下技术方案:
一种用于核磁共振成像质量控制的数据处理方法,依次包括以下步骤:
Step1:选择参数区域及层厚,并选定各个参数,包括驰豫时间T1、驰豫时间T2、质子密度ρ及表观扩散系数ADC;
Step2:获取磁共振水模体的MRI图像,并通过图像边缘检测算法提取出磁共振水模体中小球的灰度值;
Step3:根据提取出的小球的灰度值分别进行以下计算:
(1)将Step2中提取出的小球的灰度值进行小波阈值滤波,并计算小球的平均灰度值与方差,该部分主要目的是获取小球的空域信息;
(2)将Step2中提取出的小球的灰度值进行傅里叶变换,得到小球图像的频谱图,根据该频谱图的频率分布情况,截取频谱图中心位置,并求取该部分的平均模长,以便获取小球的频域低频信息;
(3)对小球成像的区域首先求取质心位置,根据质心位置将小球的成像区域分成3X3共9个区域,其中,该9个区域中包含质心位置所在的区域及其灰度值矩阵内数据,将质心所在灰度值矩阵内的数据分别与剩余的八个区域所对应的灰度值矩阵内的数据求相关系数,最后求8个相关系数的平均值;
对于数字图像而言每一个区域对应一个灰度值矩阵,小球所成的像的封闭区域外的灰度值默认为零,封闭区域内的灰度为原MRI图像对应坐标的灰度值;
Step4:将Step3中得到的空域信息、频域低频信息及相关系数,作为最小二乘支持向量机的输入向量,通过由粒子群算法优化的最小二乘支持向量机进行计算,最终输出记录相应数据;
Step5:根据以下公式求出偏离率:
其中,E为标准值,表示豫驰时间T1、豫驰时间T2和质子密度ρ中的某一个参数,E′为Step4中的计算结果,E′与标准值E表示同一参数;若P小于设定值,则该磁共振成像设备合格,若P大于等于设定值,则该磁共振成像设备不合格,并给出不合格的参数。
优选地,所述step4中,最小二乘支持向量机的惩罚因子和核函数的计算过程如下:
假设输入数据为实数集采用函数:
则拟合的一般目标是使得残差平方和最小,即求下式的最小值及其参数:
下式为本发明使用的惩罚函数:
这里利用拉格朗日数乘法求解,最终可以得到如下形式:
其中,αk和b均为拉格朗日参数,k(x,xi)表示核函数。
优选地,所述step4中,在粒子群算法中,假设种群中每一个粒子所在搜索空间为n维(n=1,2,…,n),每一个粒子的速度向量和位置向量分别为vi=(vi1,vi2,vi3 … vin)和xi=(xi1,xi2,xi3 … xin),其中,i表示种群中的第i个粒子,i=1,2,…i,则对粒子i的第d(d=1,2,3......n)维进行更新时的公式为:
xid(t+1)=vid(t)+xid(t) (2)
其中,w为惯性系数,C1和C1分别表示粒子的自身学习因子和社会学习因子,r1和r2是介于0~1之间相互独立的两个随机数,p_bestid(t)和g_bestd(t)分别是粒子i的最好位置和群体最好位置的第d维分量,t表示更新次数;
优选地,所述惯性系数w采用自适应变化的惯性权重系数:
w=(Tmax-t)2(wmax-wmin)+wmin
其中,Tmax是粒子群算法的最大更新次数,t为当前更新次数,wmax和wmin根据经验选取,wmax=0.9,wmin=0.35。
本发明利用MRI图像的空域信息、频域低频信息及相关系数,建立初始最小二乘法支持向量机的模型,然后通过由粒子群算法优化的最小二乘支持向量机进行计算,并记录输出的数据,最后将其结果与对应的核磁共振参数做对比,进而判断核磁共振成像设备是否合格,具有计算量小、计算速度快、计算精度高的优点,能够准确地判断核磁共振成像设备是否合格,从而保证每一个磁共振检查者的生命安全。
附图说明
图1为本发明的流程图;
图2为本发明所述ADC层的MRI图像;
图3为通过图像边缘检测算法提取后的结果;
图4为本发明所述小球图像的频谱图;
图5为本发明所述小球的成像区域分割示意图。
具体实施方式
以下结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例,都属于本发明的保护范围。
如图1至图5所示,本发明所述的一种用于核磁共振成像质量控制的数据处理方法,依次包括以下步骤:
Step1:选择参数区域及层厚,并选定各个参数,包括驰豫时间T1、驰豫时间T2、质子密度ρ及表观扩散系数ADC;
Step2:获取磁共振水模体的MRI图像,并通过图像边缘检测算法提取出磁共振水模体中小球的灰度值;
利用图像边缘检测算法提取出磁共振水模体中小球的灰度值的过程为现有技术,不再赘述。
Step3:根据提取出的小球的灰度值分别进行以下计算:
(1)将Step2中提取出的小球的灰度值进行小波阈值滤波,并计算小球的平均灰度值与方差,该部分主要目的是获取小球的空域信息;
(2)将Step2中提取出的小球的灰度值进行傅里叶变换,得到小球图像的频谱图,根据该频谱图的频率分布情况,截取频谱图中心位置,并求取该部分的平均模长,以便获取小球的频域低频信息;
如图4所示,圆框内为截取出的频谱图的中心位置。
(3)对小球成像的区域首先求取质心位置,根据质心位置将小球的成像区域分成3X3共9个区域,其中,该9个区域中包含质心位置所在的区域及其灰度值矩阵内数据,将质心所在灰度值矩阵内的数据分别与剩余的八个区域所对应的灰度值矩阵内的数据求相关系数,最后求8个相关系数的平均值;
对于数字图像而言每一个区域对应一个灰度值矩阵,小球所成的像的封闭区域外的灰度值默认为零,封闭区域内的灰度为原MRI图像对应坐标的灰度值;如图5所示,圆点所在位置为小球的质心。
Step4:将Step3中得到的空域信息、频域低频信息及相关系数,作为最小二乘支持向量机的输入向量,通过由粒子群算法优化的最小二乘支持向量机进行计算,最终输出并记录相应数据;
最小二乘支持向量机的主要思想是利用某种非线性变换,将输入空间数据变换至高维特征空间的问题,本发明主要利用最小二乘支持向量机在数据拟合的作用,最小二乘支持向量机的惩罚因子和核函数的计算过程如下:
假设输入数据为实数集采用函数:
则拟合的一般目标是使得残差平方和最小,即求下式的最小值及其参数:
下式为本发明使用的惩罚函数:
这里利用拉格朗日数乘法求解,最终可以得到如下形式:
其中,αk和b均为拉格朗日参数,k(x,xi)表示核函数,表1为几种核函数的形式。
表1
在最小二乘支持向量机中核函数的选取和惩罚因子的选取是非常重要的,而一般的做法是通过网格搜索,交叉验证的方式来达到搜寻最优参数的目的,这种做法具有极大的盲目性,因此会带来较大的计算量。而粒子群算法在众多优化算法中具有结构简单,全局能力强等诸多优点,因此本发明采用了一种自适应调整惯性权重的粒子群算法来搜索最小二乘支持向量机的最优参数。
粒子群优化算法是受鸟类觅食这类社会行为的启发而提出的,主要通过解空间中各个解向量之间合作-竞争搜索机制来搜索全局最优解。在计算时,假设种群中每一个粒子所在搜索空间为n维(n=1,2,…,n),每一个粒子的速度向量和位置向量分别为vi=(vi1,vi2,vi3 … vin)和xi=(xi1,xi2,xi3 … xin),其中,i表示种群中的第i个粒子,i=1,2,…i,则对粒子i的第d(d=1,2,3......n)进行更新时的公式为:
xid(t+1)=vid(t)+xid(t) (2)
其中,w为惯性系数,C1和C1分别表示粒子的自身学习因子和社会学习因子,r1和r2是介于0~1之间相互独立的两个随机数,和分别是粒子i的最好位置和群体最好位置的第d维分量,t表示更新次数;
惯性系数w较大时,全局搜索能力强而局部搜索能力弱,较小时反之,故此在粒子群算法中将其设置为一个常量是不可取的。本发明中,惯性系数w采用自适应变化的惯性权重系数:
w=(Tmax-t)2(wmax-wmin)+wmin
其中,Tmax是粒子群算法的最大更新次数,t为当前更新次数,wmax和wmin根据经验选取,wmax=0.9,wmin=0.35。
其中,最小二乘支持向量机、粒子群优化算法,以及由粒子群算法优化的最小二乘支持向量机均为现有技术,以上均为简单概述,在此不再赘述。
Step5:根据以下公式求出偏离率:
其中,E为标准值,表示豫驰时间T1、豫驰时间T2和质子密度ρ中的某一个参数,E′为Step4中的计算结果,E′与标准值E表示同一参数;若P小于设定值,则该磁共振成像设备合格,若P大于等于设定值,则该磁共振成像设备不合格,并给出不合格的参数。
本发明具有计算量小、计算速度快、计算精度高的优点,能够准确地判断核磁共振成像设备是否合格,从而保证每一个磁共振检查者的生命安全。
Claims (4)
1.一种用于核磁共振成像质量控制的数据处理方法,其特征在于,依次包括以下步骤:
Step1:选择参数区域及层厚,并选定各个参数,包括驰豫时间T1、驰豫时间T2、质子密度ρ及表观扩散系数ADC;
Step2:获取磁共振水模体的MRI图像,并通过图像边缘检测算法提取出磁共振水模体中小球的灰度值;
Step3:根据提取出的小球的灰度值分别进行以下计算:
(1)将Step2中提取出的小球的灰度值进行小波阈值滤波,并计算小球的平均灰度值与方差,该部分主要目的是获取小球的空域信息;
(2)将Step2中提取出的小球的灰度值进行傅里叶变换,得到小球图像的频谱图,根据该频谱图的频率分布情况,截取频谱图中心位置,并求取该部分的平均模长,以便获取小球的频域低频信息;
(3)对小球成像的区域首先求取质心位置,根据质心位置将小球的成像区域分成3X3共9个区域,其中,该9个区域中包含质心位置所在的区域及其灰度值矩阵内数据,将质心所在灰度值矩阵内的数据分别与剩余的八个区域所对应的灰度值矩阵内的数据求相关系数,最后求8个相关系数的平均值;
对于数字图像而言每一个区域对应一个灰度值矩阵,小球所成的像的封闭区域外的灰度值默认为零,封闭区域内的灰度为原MRI图像对应坐标的灰度值;
Step4:将Step3中得到的空域信息、频域低频信息及相关系数,作为最小二乘支持向量机的输入向量,通过由粒子群算法优化的最小二乘支持向量机进行计算,最终输出记录相应数据;
Step5:根据以下公式求出偏离率:
其中,E为标准值,表示豫驰时间T1、豫驰时间T2和质子密度ρ中的某一个参数,E′为Step4中的计算结果,E′与标准值E表示同一参数;若P小于设定值,则该磁共振成像设备合格,若P大于等于设定值,则该磁共振成像设备不合格,并给出不合格的参数。
2.如权利要求1所述的一种用于核磁共振成像质量控制的数据处理方法,其特征在于:所述step4中,最小二乘支持向量机的惩罚因子和核函数的计算过程如下:
假设输入数据为实数集采用函数:
则拟合的一般目标是使得残差平方和最小,即求下式的最小值及其参数:
下式为本发明使用的惩罚函数:
这里利用拉格朗日数乘法求解,最终可以得到如下形式:
其中,αk和b均为拉格朗日参数,k(x,xi)表示核函数。
3.如权利要求1所述的一种用于核磁共振成像质量控制的数据处理方法,其特征在于:所述step4中,在粒子群算法中,假设种群中每一个粒子所在搜索空间为n维(n=1,2,…,n),每一个粒子的速度向量和位置向量分别为vi=(vi1,vi2,vi3…vin)和xi=(xi1,xi2,xi3…xin),其中,i表示种群中的第i个粒子,i=1,2,…i,则对粒子i的第d(d=1,2,3......n)维进行更新时的公式为:
xid(t+1)=vid(t)+xid(t) (2)
其中,w为惯性系数,C1和C1分别表示粒子的自身学习因子和社会学习因子,r1和r2是介于0~1之间相互独立的两个随机数,p_bestid(t)和g_bestd(t)分别是粒子i的最好位置和群体最好位置的第d维分量,t表示更新次数。
4.如权利要求3所述的一种用于核磁共振成像质量控制的数据处理方法,其特征在于:所述惯性系数w采用自适应变化的惯性权重系数:
w=(Tmax-t)2(wmax-wmin)+wmin
其中,Tmax是粒子群算法的最大更新次数,t为当前更新次数,wmax和wmin根据经验选取,wmax=0.9,wmin=0.35。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803660.1A CN109242822B (zh) | 2018-07-20 | 2018-07-20 | 一种用于核磁共振成像质量控制的数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810803660.1A CN109242822B (zh) | 2018-07-20 | 2018-07-20 | 一种用于核磁共振成像质量控制的数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242822A true CN109242822A (zh) | 2019-01-18 |
CN109242822B CN109242822B (zh) | 2023-04-07 |
Family
ID=65072308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810803660.1A Active CN109242822B (zh) | 2018-07-20 | 2018-07-20 | 一种用于核磁共振成像质量控制的数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242822B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109037A (zh) * | 2019-06-11 | 2019-08-09 | 东南大学 | 一种面向多弛豫组分的核磁共振信号的反演方法 |
CN112304811A (zh) * | 2020-10-22 | 2021-02-02 | 无锡鸣石峻致医疗科技有限公司 | 一种对运动不敏感的低场核磁共振表观扩散系数测量方法 |
CN112834541A (zh) * | 2020-01-03 | 2021-05-25 | 上海纽迈电子科技有限公司 | 一种钠含量及钠分布的测试方法 |
CN114820664A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 图像数据处理方法、装置、图像数据处理设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5119027A (en) * | 1989-08-14 | 1992-06-02 | Ehrhardt James C | Nuclear magnetic resonance imaging method |
CN101699312A (zh) * | 2009-09-08 | 2010-04-28 | 中国科学院上海光学精密机械研究所 | 强度关联提高散射介质中物体成像质量的装置 |
CN106780372A (zh) * | 2016-11-30 | 2017-05-31 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
-
2018
- 2018-07-20 CN CN201810803660.1A patent/CN109242822B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5119027A (en) * | 1989-08-14 | 1992-06-02 | Ehrhardt James C | Nuclear magnetic resonance imaging method |
CN101699312A (zh) * | 2009-09-08 | 2010-04-28 | 中国科学院上海光学精密机械研究所 | 强度关联提高散射介质中物体成像质量的装置 |
CN106780372A (zh) * | 2016-11-30 | 2017-05-31 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
Non-Patent Citations (1)
Title |
---|
张树团等: "基于粒子群算法和支持向量机的故障诊断研究", 《计算机测量与控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109037A (zh) * | 2019-06-11 | 2019-08-09 | 东南大学 | 一种面向多弛豫组分的核磁共振信号的反演方法 |
CN112834541A (zh) * | 2020-01-03 | 2021-05-25 | 上海纽迈电子科技有限公司 | 一种钠含量及钠分布的测试方法 |
CN112834541B (zh) * | 2020-01-03 | 2022-07-29 | 上海纽迈电子科技有限公司 | 一种钠含量及钠分布的测试方法 |
CN112304811A (zh) * | 2020-10-22 | 2021-02-02 | 无锡鸣石峻致医疗科技有限公司 | 一种对运动不敏感的低场核磁共振表观扩散系数测量方法 |
CN114820664A (zh) * | 2022-06-28 | 2022-07-29 | 浙江大学 | 图像数据处理方法、装置、图像数据处理设备及存储介质 |
CN114820664B (zh) * | 2022-06-28 | 2022-09-30 | 浙江大学 | 图像数据处理方法、装置、图像数据处理设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109242822B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242822A (zh) | 一种用于核磁共振成像质量控制的数据处理方法 | |
CN104603630B (zh) | 具有基于导航器的运动检测的磁共振成像系统 | |
KR102506092B1 (ko) | 텐서장 맵핑 | |
CN108829639B (zh) | 一种磁共振成像方法和设备 | |
CN102743171B (zh) | 用于在mr成像中使用的患者支撑台控制系统 | |
RU2533626C2 (ru) | Автоматическое последовательное планирование мр-сканирования | |
JP7246864B2 (ja) | 画像処理装置、磁気共鳴イメージング装置及び画像処理プログラム | |
US20140046169A1 (en) | Methods, systems, and devices for spine centrum extraction and intervertebral disk dividing | |
CN106170246A (zh) | 用于四维(4d)流磁共振成像的设备、方法和产品 | |
CN106164694A (zh) | 具有rf噪声检测线圈的磁共振成像 | |
CN107667299A (zh) | 利用多元件射频天线的运动检测 | |
WO2007043462A1 (ja) | 脳機能解析方法および脳機能解析プログラム | |
US10976395B2 (en) | Computer-implemented method of building a database of pulse sequences for magnetic resonance imaging, and a method of performing magnetic resonance imaging using such a database | |
CN101396265A (zh) | 磁共振成像装置及其脂肪抑制效果的分析方法 | |
JP2013539706A (ja) | 複数の磁気共鳴物理的パラメータを脳内のミエリン含量に関連付けるための方法及び装置 | |
CN105378052A (zh) | 细胞评估装置和方法以及程序 | |
CN107743588A (zh) | 使用b0不均匀性图和对象磁化率图的骨骼mri | |
US20190353730A1 (en) | System and method for generating a magnetic resonance fingerprinting dictionary using semi-supervised learning | |
CN107669272A (zh) | 用于磁共振成像的连续波恒定振幅产生共振和偏共振自旋锁的系统和方法 | |
CN113768505A (zh) | 一种穿戴式脑磁图仪环境噪声抑制系统及方法 | |
CN105792749A (zh) | 磁共振成像装置及其控制方法 | |
KR20180085688A (ko) | 자기 공명 핑거프린팅 방법에 의해 검사 대상물로부터 취득된 자기 공명 측정 데이터를 분류하는 방법 | |
CN109544652A (zh) | 基于深度生成对抗神经网络的核磁共振多加权成像方法 | |
US7956611B2 (en) | Magnetic resonance imaging apparatus and method | |
US10330752B2 (en) | Magnetic resonance imaging apparatus and method for setting RF shimming parameters |
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 |