CN109242924A - 一种基于深度学习的核磁共振图像的降采样伪影去除方法 - Google Patents

一种基于深度学习的核磁共振图像的降采样伪影去除方法 Download PDF

Info

Publication number
CN109242924A
CN109242924A CN201811012505.4A CN201811012505A CN109242924A CN 109242924 A CN109242924 A CN 109242924A CN 201811012505 A CN201811012505 A CN 201811012505A CN 109242924 A CN109242924 A CN 109242924A
Authority
CN
China
Prior art keywords
layer
artifact
magnetic resonance
resonance image
sampled
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.)
Pending
Application number
CN201811012505.4A
Other languages
English (en)
Inventor
冯衍秋
阮国辉
张倩倩
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.)
Southern Medical University
Original Assignee
Southern Medical University
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 Southern Medical University filed Critical Southern Medical University
Priority to CN201811012505.4A priority Critical patent/CN109242924A/zh
Publication of CN109242924A publication Critical patent/CN109242924A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种基于深度学习的核磁共振图像的降采样伪影去除方法,包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。该基于卷积神经网络的模型能有效地去除磁共振图像中由于降采样导致的伪影，并且不会造成明显的模糊以及对比度的损失，同时很好地保留图像的细节，并且具有高的鲁棒性和高效性。

Description

一种基于深度学习的核磁共振图像的降采样伪影去除方法
技术领域
本发明涉及医疗设备技术领域，特别是涉及一种基于深度学习的核磁共振图像的降采样伪影去除方法。
背景技术
核磁共振成像在如今的医学诊断和临床试验中有着重要的地位，然而，由于磁共振成像速度慢，全采样很多时候不满足临床应用所需的速度，所以为了提高速度，在成像过程中经常选择降采样而不是全采样。但这会导致图像质量下降，比如由于k空间的有限采样导致的高频数据的丢失造成的吉布斯伪影，并行成像中的由于降采导致的混叠伪影以及噪声，进行Radial/Spiral扫描时图像中出现的细条纹伪影等等。在临床实践中，振荡伪影可能会干扰诊断。比如，在对比增强动态心肌成像中会产生暗缘伪影。除此之外，在DW图像中该伪影的振荡强度可能影响扩散相关参数的后续量化。因此，找到一个能有效去除伪影的方法是非常有必要的。
直到目前为止，已经有大量有关去除磁共振图像降采样伪影的算法被提出来并得到很好地发展，比如对于吉布斯伪影来说，基于吉布斯伪影是与矩形采样窗口的锐截止有关的观点，可以通过使用平滑低通滤波器来减少该伪影，但会导致图像模糊。
目前已经有许多基于模型的数据外推或平滑方法来抑制MR图像中的吉布斯伪影，同时保持边界完整性，其中包括边缘保持滤波器，相位约束，马尔科夫随机场，小波收缩，Gegenbauer重建，奇异函数分析，指数展开式和全变分约束。这些方法虽能很好的重建降采样的数据，但很难恢复由于降采样导致的丢失的细节结构，也很难彻底的将伪影去除干净。
因此针对现有技术不足，提供一种基于深度学习的核磁共振图像的降采样伪影去除方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于深度学习的核磁共振图像的降采样伪影去除方法。该基于深度学习的核磁共振图像的降采样伪影去除方法可以有效地去除由于降采样所造成的伪影，并且不会使图像有明显的模糊和对比度损失，很好地保持图像的细节，具有高鲁棒性。
本发明的上述目的通过以下技术措施实现：
提供一种基于深度学习的核磁共振图像的降采样伪影去除方法,包括如下步骤：
步骤一，通过带伪影的样本磁共振图像获得最优模型；
步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；
步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。
优选的，上述步骤一具体包括有：
步骤1.1，对带伪影的样本磁共振图像预处理；
步骤1.2，构建卷积神经网络的基本构架；
步骤1.3，使用经过预处理带伪影的样本磁共振图像训练卷积神经网络调节参数获得最优模型。
优选的，上述步骤1.1具体包括有：
步骤1.1.1，对带伪影的样本磁共振图像和对应的无伪影的样本参考磁共振图像通过公式(Ⅰ)进行标准化处理，得到均值为0和方差为1的参考图像，
其中y为标准化之前的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，z为标准化之后的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，μ为标准化之前的均值，σ为标准化之前的标准差；
步骤1.1.2，将步骤1.1.1得到的参考图像整合成卷积神经网络的训练数据集。
优选的，上述步骤1.2的卷积神经网络的基本构架设置有n层，且n为大于1的正整数。
优选的，上述步骤1.2具体为：按顺序定义n层基本构架，分别为第1层、第2层，……，第n-1层，第n层，将第1层、第2层，……，第n-1层公式(Ⅱ)表示，
Fi(X)＝max(0,BN(Wi*Fi-1(X)+bi)),1≤i≤n-1 公式
(Ⅱ)，
其中Fi(X)表示第i层的输出特征图，Wi表示第i层的滤波器，*为卷积操作，bi表示第i层的偏置，BN(x)表示批标准化，max(0,x)为激活函数ReLU的表达式，F0(X)等于输入图像X。
优选的，上述步骤二具体为根据公式(Ⅲ)计算第i＝n层的输出图像，得到估计伪影图像Fn(X):
Fn(X)＝Wn*Fn-1(X)+bn 公式(Ⅲ)。
优选的，上述步骤三具体为输入步骤1.2得到的图像X与所述步骤二的估计伪影图像Fn(X)相减，然后用测量数据代替对应的k空间数据得到去伪影图像Y。
优选的，上述n＝3～2000。
优选的，上述公式(Ⅱ)通过公式(Ⅳ)批标准化操作得到：
其中G为标准化权重常数的卷积核，b’标准化权重常数偏置参数，x为待标准化的特征图组，μx为x的均值，σx为x的方差。
优选的，上述步骤1.3具体包括：
步骤1.3.1，定义总迭代次数为M，当前迭代次数为m，1≤m≤M；
步骤1.3.2，初始化卷积神经网络模型的参数；
步骤1.3.3，令m＝1，将预处理完后的样本训练集作为输入数据，得到输出图像；
步骤1.3.4，计算输出图像与参考图像之间的均方误差和平均误差，并以m为X轴，均方误差或者平均误差为Y轴画曲线图；
步骤1.3.5，判定第m次迭代时的卷积神经网络是否为已达到最优，如果是，则以这次迭代训练得到的网络作为最优模型，否则进入步骤1.3.6；
步骤1.3.6，判断m的值，当1≤m＜10时，则进入步骤1.3.7，当10≤m＜M时，则进入步骤1.3.8，当m＝M时，则进入步骤1.3.9；
步骤1.3.7，则令m＝m+1,返回步骤1.3.4；
步骤1.3.8，当次迭代计算得到的均方误差值或者平均均方误差值与上次迭代的差值作对比，当差值小于0.0001时，则进入步骤1.3.9，当差值大于或等于0.0001时，返回步骤1.3.7；
步骤1.3.9，令该迭代训练得到的网络为最优模型。
优选的，上述n＝4，即卷积神经网络的基本框架有四层，依次是特征提取层、特征增强层、非线性映射层和重建层。
优选的，上述特征提取层为从输入图像X中提取特征，得到第一层输出数据。
优选的，上述特征增强层为对第一层输出数据进一步提取特征，得到第二层输出数据。
优选的，上述非线性映射层为将第二层的输出的特征图像非线性映射到伪影图像上。
优选的，上述重建层为将第三层输出数据进行重组，输出预测伪影图像。
优选的，上述步骤1.3.2具体包括有：
步骤1.3.2.1，对卷积核通过随机的高斯生成函数进行初始化，特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为13*13*1*64、7*7*64*32、1*1*32*16和5*5*16*1；
步骤1.3.2.2，设置批输入大小为4；
步骤1.3.2.3，设置迭代次数为1000，学习率为0.0001。
本发明的一种基于深度学习的核磁共振图像的降采样伪影去除方法,包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。该基于卷积神经网络的模型能有效地去除磁共振图像中由于降采样导致的伪影，并且不会造成明显的模糊以及对比度的损失，同时很好地保留图像的细节，并且具有高的鲁棒性和高效性。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1为本发明的一种基于深度学习的核磁共振图像的降采样伪影去除方法的整体示意图。
图2为实施例2中的搭建卷积神经网络示意图。
图3为实施例3中卷积神经网络去除吉布斯伪影的效果图以及其局部放大图。
图4为图3中卷积神经网络去除非对称降采样伪影的效果图以及其局部放大图。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1。
一种基于深度学习的核磁共振图像的降采样伪影去除方法,如图1所示，包括如下步骤：
步骤一，通过带伪影的样本磁共振图像获得最优模型；
步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；
步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。
步骤一具体包括有：
步骤1.1，对带伪影的样本磁共振图像预处理；
步骤1.2，构建卷积神经网络的基本构架；
步骤1.3，使用经过预处理带伪影的样本磁共振图像训练卷积神经网络调节参数获得最优模型。
步骤1.1具体包括有：
步骤1.1.1，对带伪影的样本磁共振图像和对应的无伪影的样本参考磁共振图像通过公式(Ⅰ)进行标准化处理，得到均值为0和方差为1的参考图像，
其中y为标准化之前的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，z为标准化之后的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，μ为标准化之前的均值，σ为标准化之前的标准差；
步骤1.1.2，将步骤1.1.1得到的参考图像整合成卷积神经网络的训练数据集。
步骤1.2的卷积神经网络的基本构架设置有n层，且n为大于1的正整数。
步骤1.2具体为：按顺序定义n层基本构架，分别为第1层、第2层，……，第n-1层，第n层，将第1层、第2层，……，第n-1层公式(Ⅱ)表示，
Fi(X)＝max(0,BN(Wi*Fi-1(X)+bi)),1≤i≤n-1 公式
(Ⅱ)，
其中Fi(X)表示第i层的输出特征图，Wi表示第i层的滤波器，*为卷积操作，bi表示第i层的偏置，BN(x)表示批标准化，max(0,x)为激活函数ReLU的表达式，F0(X)等于输入图像X。
步骤二具体为根据公式(Ⅲ)计算第i＝n层的输出图像，得到估计伪影图像Fn(X):
Fn(X)＝Wn*Fn-1(X)+bn 公式(Ⅲ)。
步骤三具体为输入步骤1.2得到的图像X与所述步骤二的估计伪影图像Fn(X)相减，然后用测量数据代替对应的k空间数据得到去伪影图像Y。
本实施例具体为n＝3～2000。
公式(Ⅱ)通过公式(Ⅳ)批标准化操作得到：
其中G为标准化权重常数的卷积核，b’标准化权重常数偏置参数，x为待标准化的特征图组，μx为x的均值，σx为x的方差。
步骤1.3具体包括：
步骤1.3.1，定义总迭代次数为M，当前迭代次数为m，1≤m≤M；
步骤1.3.2，初始化卷积神经网络模型的参数；
步骤1.3.3，令m＝1，将预处理完后的样本训练集作为输入数据，得到输出图像；
步骤1.3.4，计算输出图像与参考图像之间的均方误差和平均误差，并以m为X轴，均方误差或者平均误差为Y轴画曲线图；
步骤1.3.5，判定第m次迭代时的卷积神经网络是否为已达到最优，如果是，则以这次迭代训练得到的网络作为最优模型，否则进入步骤1.3.6；
步骤1.3.6，判断m的值，当1≤m＜10时，则进入步骤1.3.7，当10≤m＜M时，则进入步骤1.3.8，当m＝M时，则进入步骤1.3.9；
步骤1.3.7，则令m＝m+1,返回步骤1.3.4；
步骤1.3.8，当次迭代计算得到的均方误差值或者平均均方误差值与上次迭代的差值作对比，当差值小于0.0001时，则进入步骤1.3.9，当差值大于或等于0.0001时，返回步骤1.3.7；
步骤1.3.9，令该迭代训练得到的网络为最优模型。
该基于深度学习的核磁共振图像的降采样伪影去除方法,包括如下步骤：步骤一，通过带伪影的样本磁共振图像获得最优模型；步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。该基于卷积神经网络的模型能有效地去除磁共振图像中由于降采样导致的伪影，并且不会造成明显的模糊以及对比度的损失，同时很好地保留图像的细节，并且具有高的鲁棒性和高效性。
实施例2。
一种基于深度学习的核磁共振图像的降采样伪影去除方法,如图2所示，其他特征与实施例1相同，不同之处在于，本实施例的n＝4，即卷积神经网络的基本框架有四层，依次是特征提取层、特征增强层、非线性映射层和重建层。
特征提取层为从输入图像X中提取特征，得到第一层输出数据。
特征增强层为对第一层输出数据进一步提取特征，得到第二层输出数据。
非线性映射层为将第二层的输出的特征图像非线性映射到伪影图像上。
重建层为将第三层输出数据进行重组，输出预测伪影图像。
其中步骤1.3.2具体包括有：
步骤1.3.2.1，对卷积核通过随机的高斯生成函数进行初始化，特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为13*13*1*64、7*7*64*32、1*1*32*16和5*5*16*1；
步骤1.3.2.2，设置批输入大小为4；
步骤1.3.2.3，设置迭代次数为1000，学习率为0.0001。
实施例3。
一种基于深度学习的核磁共振图像的降采样伪影去除方法,其他特征与实施例1相同，不同之处在于，本实施例以正常脑部图像为例，如图3所示，展示了使用本发明方法去除正常脑部图像的因在k空间内对称降采样产生的吉布斯伪影的效果，包括参考像图、样本磁共振图像和使用本方法的去伪影图像，以及各自的局部放大图。由图3的放大图可以看出本发明方法能够有效地去除吉布斯伪影并且能够很好的保留细节信息而没有明显的模糊。
图4展示了使用本发明方法去除正常脑部图像的因在k空间非对称降采样产生的伪影的效果，包括参考像图、样本磁共振图像和使用本方法的去伪影图像，以及各自的局部放大图。由放大图可以看出本发明方法能够有效地去除伪影并且能够很好的保留细节信息而没有明显的模糊。还可以通过份数k空间、螺旋式采样或放射性采样得到样本数据来训练网络得到最终的最优模型。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (10)

1.一种基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，包括如下步骤：
步骤一，通过带伪影的样本磁共振图像获得最优模型；
步骤二，将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；
步骤三，用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。
2.根据权利要求1所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤一具体包括有：
步骤1.1，对带伪影的样本磁共振图像预处理；
步骤1.2，构建卷积神经网络的基本构架；
步骤1.3，使用经过预处理带伪影的样本磁共振图像训练卷积神经网络调节参数获得最优模型。
3.根据权利要求2所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.1具体包括有：
步骤1.1.1，对带伪影的样本磁共振图像和对应的无伪影的样本参考磁共振图像通过公式(Ⅰ)进行标准化处理，得到均值为0和方差为1的参考图像，
其中y为标准化之前的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，z为标准化之后的对带伪影的样本磁共振图像或者对应的无伪影的样本参考磁共振图像，μ为标准化之前的均值，σ为标准化之前的标准差；
步骤1.1.2，将步骤1.1.1得到的参考图像整合成卷积神经网络的训练数据集。
4.根据权利要求3所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.2的卷积神经网络的基本构架设置有n层，且n为大于1的正整数；
所述步骤1.2具体为：按顺序定义n层基本构架，分别为第1层、第2层，……，第n-1层，第n层，将第1层、第2层，……，第n-1层通过公式(Ⅱ)表示，
Fi(X)＝max(0,BN(Wi*Fi-1(X)+bi)),1≤i≤n-1 公式(Ⅱ)，
其中Fi(X)表示第i层的输出特征图，Wi表示第i层的滤波器，*为卷积操作，bi表示第i层的偏置，BN(x)表示批标准化，max(0,x)为激活函数ReLU的表达式，F0(X)等于输入图像X。
5.根据权利要求4所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤二具体为根据公式(Ⅲ)计算第i＝n层的输出图像，得到估计伪影图像Fn(X):
Fn(X)＝Wn*Fn-1(X)+bn 公式(Ⅲ)。
6.根据权利要求5所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于：所述步骤三具体为输入步骤1.2得到的图像X与所述步骤二的估计伪影图像Fn(X)相减，然后用测量数据代替对应的k空间数据得到去伪影图像Y；
所述n＝3～2000。
7.根据权利要求6所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于：所述公式(Ⅱ)通过公式(Ⅳ)批标准化操作得到：
其中G为标准化权重常数的卷积核，b’标准化权重常数偏置参数，x为待标准化的特征图组，μx为x的均值，σx为x的方差。
8.根据权利要求7所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.3具体包括：
步骤1.3.1，定义总迭代次数为M，当前迭代次数为m，1≤m≤M；
步骤1.3.2，初始化卷积神经网络模型的参数；
步骤1.3.3，令m＝1，将预处理完后的样本训练集作为输入数据，得到输出图像；
步骤1.3.4，计算输出图像与参考图像之间的均方误差和平均误差，并以m为X轴，均方误差或者平均误差为Y轴画曲线图；
步骤1.3.5，判定第m次迭代时的卷积神经网络是否为已达到最优，如果是，则以这次迭代训练得到的网络作为最优模型，否则进入步骤1.3.6；
步骤1.3.6，判断m的值，当1≤m＜10时，则进入步骤1.3.7，当10≤m＜M时，则进入步骤1.3.8，当m＝M时，则进入步骤1.3.9；
步骤1.3.7，则令m＝m+1,返回步骤1.3.4；
步骤1.3.8，当次迭代计算得到的均方误差值或者平均均方误差值与上次迭代的差值作对比，当差值小于0.0001时，则进入步骤1.3.9，当差值大于或等于0.0001时，返回步骤1.3.7；
步骤1.3.9，令该迭代训练得到的网络为最优模型。
9.根据权利要求8所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述n＝4，即卷积神经网络的基本框架有四层，依次是特征提取层、特征增强层、非线性映射层和重建层；
所述特征提取层为从输入图像X中提取特征，得到第一层输出数据；
所述特征增强层为对第一层输出数据进一步提取特征，得到第二层输出数据；
所述非线性映射层为将第二层的输出的特征图像非线性映射到伪影图像上；
所述重建层为将第三层输出数据进行重组，输出预测伪影图像。
10.根据权利要求9所述的基于深度学习的核磁共振图像的降采样伪影去除方法,其特征在于，所述步骤1.3.2具体包括有：
步骤1.3.2.1，对卷积核通过随机的高斯生成函数进行初始化，特征提取层、特征增强层、非线性映射层和重建层的卷积核尺寸分别为13*13*1*64、7*7*64*32、1*1*32*16和5*5*16*1；
步骤1.3.2.2，设置批输入大小为4；
步骤1.3.2.3，设置迭代次数为1000，学习率为0.0001。
CN201811012505.4A 2018-08-31 2018-08-31 一种基于深度学习的核磁共振图像的降采样伪影去除方法 Pending CN109242924A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811012505.4A CN109242924A (zh) 2018-08-31 2018-08-31 一种基于深度学习的核磁共振图像的降采样伪影去除方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811012505.4A CN109242924A (zh) 2018-08-31 2018-08-31 一种基于深度学习的核磁共振图像的降采样伪影去除方法

Publications (1)

Publication Number Publication Date
CN109242924A true CN109242924A (zh) 2019-01-18

Family

ID=65069205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811012505.4A Pending CN109242924A (zh) 2018-08-31 2018-08-31 一种基于深度学习的核磁共振图像的降采样伪影去除方法

Country Status (1)

Country Link
CN (1) CN109242924A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统
CN110133556A (zh) * 2019-05-29 2019-08-16 上海联影医疗科技有限公司 一种磁共振图像处理方法、装置、设备及存储介质
CN110189264A (zh) * 2019-05-05 2019-08-30 深圳市华星光电技术有限公司 图像处理方法
CN110367985A (zh) * 2019-07-18 2019-10-25 惠仁望都医疗设备科技有限公司 一种低场磁共振线扫弥散成像去除黑色条纹的方法
CN110570492A (zh) * 2019-09-11 2019-12-13 清华大学 神经网络训练方法和设备、图像处理方法和设备以及介质
CN110940943A (zh) * 2019-12-06 2020-03-31 上海联影医疗科技有限公司 搏动伪影校正模型的训练方法和搏动伪影校正方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101810480A (zh) * 2010-04-16 2010-08-25 上海交通大学 基于缺失数据重构的磁共振图像截断伪影消除方法
US20100264924A1 (en) * 2009-04-20 2010-10-21 Alto Stemmer Magnetic resonance method and apparatus with display of data acquisition progress for a subject continuously moving through the apparatus
CN104931903A (zh) * 2014-03-18 2015-09-23 上海联影医疗科技有限公司 一种磁共振去除运动伪影的方法及装置
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN108053456A (zh) * 2017-11-13 2018-05-18 深圳先进技术研究院 一种pet重建图像优化方法及系统
CN108122265A (zh) * 2017-11-13 2018-06-05 深圳先进技术研究院 一种ct重建图像优化方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100264924A1 (en) * 2009-04-20 2010-10-21 Alto Stemmer Magnetic resonance method and apparatus with display of data acquisition progress for a subject continuously moving through the apparatus
CN101810480A (zh) * 2010-04-16 2010-08-25 上海交通大学 基于缺失数据重构的磁共振图像截断伪影消除方法
CN104931903A (zh) * 2014-03-18 2015-09-23 上海联影医疗科技有限公司 一种磁共振去除运动伪影的方法及装置
CN107633486A (zh) * 2017-08-14 2018-01-26 成都大学 基于三维全卷积神经网络的结构磁共振图像去噪方法
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN108053456A (zh) * 2017-11-13 2018-05-18 深圳先进技术研究院 一种pet重建图像优化方法及系统
CN108122265A (zh) * 2017-11-13 2018-06-05 深圳先进技术研究院 一种ct重建图像优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯衍秋: "基于PROPELLER采样的磁共振成像运动伪影消除方法研究", 《中国优秀博士论文全文库》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统
CN110060313B (zh) * 2019-04-19 2023-12-19 上海联影医疗科技股份有限公司 一种图像伪影校正方法和系统
CN110189264A (zh) * 2019-05-05 2019-08-30 深圳市华星光电技术有限公司 图像处理方法
CN110133556A (zh) * 2019-05-29 2019-08-16 上海联影医疗科技有限公司 一种磁共振图像处理方法、装置、设备及存储介质
CN110133556B (zh) * 2019-05-29 2021-01-19 上海联影医疗科技股份有限公司 一种磁共振图像处理方法、装置、设备及存储介质
CN110367985A (zh) * 2019-07-18 2019-10-25 惠仁望都医疗设备科技有限公司 一种低场磁共振线扫弥散成像去除黑色条纹的方法
CN110570492A (zh) * 2019-09-11 2019-12-13 清华大学 神经网络训练方法和设备、图像处理方法和设备以及介质
CN110570492B (zh) * 2019-09-11 2021-09-03 清华大学 一种基于神经网络的ct伪影抑制方法、设备以及介质
CN110940943A (zh) * 2019-12-06 2020-03-31 上海联影医疗科技有限公司 搏动伪影校正模型的训练方法和搏动伪影校正方法
CN110940943B (zh) * 2019-12-06 2021-11-02 上海联影医疗科技股份有限公司 搏动伪影校正模型的训练方法和搏动伪影校正方法

Similar Documents

Publication Publication Date Title
CN109242924A (zh) 一种基于深度学习的核磁共振图像的降采样伪影去除方法
CN107507148B (zh) 基于卷积神经网络去除磁共振图像降采样伪影的方法
Pierre et al. Multiscale reconstruction for MR fingerprinting
KR101627394B1 (ko) 자화율 가중 이미징 및 자화율 매핑(ｓｗｉｍ)을 이용한 핵 자기 공명 영상 생성 방법
Pawar et al. Suppressing motion artefacts in MRI using an Inception‐ResNet network with motion simulation augmentation
Haldar et al. Improved diffusion imaging through SNR‐enhancing joint reconstruction
Ong et al. Robust 4D flow denoising using divergence‐free wavelet transform
CN109816742B (zh) 基于全连接卷积神经网络的锥束ct几何伪影去除方法
Li et al. Super resolution for remote sensing images based on a universal hidden Markov tree model
Jin et al. MRI artifact correction using sparse+ low‐rank decomposition of annihilating filter‐based hankel matrix
Rousseau et al. On super-resolution for fetal brain MRI
Malavé et al. Reconstruction of undersampled 3D non‐Cartesian image‐based navigators for coronary MRA using an unrolled deep learning model
Klosowski et al. Image denoising for real‐time MRI
CN106796716A (zh) 用于为低分辨率图像提供超分辨率的设备和方法
US20100011268A1 (en) System and method for signal reconstruction from incomplete data
Zhang et al. MRI Gibbs‐ringing artifact reduction by means of machine learning using convolutional neural networks
US20140023253A1 (en) Image Reconstruction from Incomplete Fourier Measurements and Prior Edge Information
US11035919B2 (en) Image reconstruction using a colored noise model with magnetic resonance compressed sensing
Zhang et al. Image reconstruction for positron emission tomography based on patch‐based regularization and dictionary learning
Pawar et al. MoCoNet: Motion correction in 3D MPRAGE images using a convolutional neural network approach
Cheng et al. Improved parallel image reconstruction using feature refinement
El-Tokhy et al. Classification of welding flaws in gamma radiography images based on multi-scale wavelet packet feature extraction using support vector machine
Xu et al. STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning
US8989462B2 (en) Systems, methods and computer readable storage mediums storing instructions for applying multiscale bilateral filtering to magnetic resonance (RI) images
Wu et al. Efficient boosted DC algorithm for nonconvex image restoration with rician noise

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