CN109350061B - 基于深度卷积神经网络的磁共振成像方法 - Google Patents
基于深度卷积神经网络的磁共振成像方法 Download PDFInfo
- Publication number
- CN109350061B CN109350061B CN201811388227.2A CN201811388227A CN109350061B CN 109350061 B CN109350061 B CN 109350061B CN 201811388227 A CN201811388227 A CN 201811388227A CN 109350061 B CN109350061 B CN 109350061B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- magnetic resonance
- sampling
- 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.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005070 sampling Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000002093 peripheral effect Effects 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Fuzzy Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明属于磁共振成像技术领域，公开了一种基于深度卷积神经网络的磁共振成像方法；通过K空间中间区域全采样而周围随机降采样，对全采样区域通过算法多次随机降采样采集训练样本来训练卷积神经网络自编码器，利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据；最后利用反傅里叶变换得到图像并通过去除算法去除噪声；通过本发明，解决了相关技术中需要大量训练图像的问题，进而达到了提高磁共振成像速度的效果。本发明通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。
Description
技术领域
本发明属于磁共振成像技术领域，尤其涉及一种基于深度卷积神经网络的磁共振成像方法。
背景技术
目前，业内常用的现有技术是这样的：磁共振成像(Magnetic resonanceimaging,MRI)由于其无电离辐射，丰富的组织对比度信息，以及非入侵式的检测等优点，已广泛应用于临床医学影像检查。受傅里叶编码方式和奈奎斯特采样定理的限制，磁共振成像需要较长的扫描时间，不但给患者带来一定的不适，而且在重建的图像容易产生运动伪影。同时，过长的扫描时间限制了MRI对运动物体的成像，如血流，心脏等。经过近几十年的发展，依靠提高硬件性能，如梯度切换率和磁场强度等，加速采集的方式受制于人类神经对磁场变换的承受能力而无进一步提升的余地。近来，深度学习方法在图像识别，分割等方向取得显著成果。由于深度学习方法往往需要巨大的训练数据来完成模型的训练。而对于医学图像处理，受制于患者隐私、部分病例罕见等问题的原因，很难搜集到大量合理分布的训练样本。因此，深度学习在医学图像，特别是在磁共振成像方面尚未有明显突破。
综上所述，现有技术存在的问题是：当前磁共振成像时间较长，通过深度学习方法在图像域进行重建能有效减少成像时间，但需要巨大的训练数据完成模型的训练；对于医学图像处理，受制于患者隐私等问题的原因，很难完成大量训练样本的搜集。
解决上述技术问题的难度和意义：若能提出无需大量训练样本的深度学习磁共振成像方法，便能让深度学习更好地在磁共振成像上获得应用，从而提高磁共振成像速度，加快磁共振设备应用效率，进一步减轻患者经济和心理负担。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度卷积神经网络的磁共振成像方法、图像识别系统。
本发明是这样实现的，一种基于深度卷积神经网络的磁共振成像方法统，所述基于深度卷积神经网络的磁共振成像方法首先通过K空间中间区域全采样而周围随机降采样；然后对全采样区域通过算法多次随机降采样采集训练样本来训练卷积神经网络自编码器；利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据；最后利用反傅里叶变换得到图像并通过去除算法去除噪声。
进一步，所述基于深度卷积神经网络的磁共振成像方法包括：
(1)通过对磁共振K空间中间区域全采样而周围区域随机降采样以减少采样时间；
(2)对K空间中间全采样数据，通过算法进行伪随机降采样；
(3)对于未采集到的K空间点置0；
(4)在伪随机采样后的K空间中取大小为M*N的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；
(5)多次重复伪随机采样，得到充足的训练样本；
(6)利用卷积神经网络自编码器进行模型训练；
(7)利用训练好的模型对周围降采样的K空间数据进行重建；
(8)通过快速傅里叶反变换得到图像；
(9)通过去噪算法去除图像中的噪声。
进一步，所述基于深度卷积神经网络的磁共振成像方法通过对磁共振K空间中间区域全采样而周围区域随机降采样。
进一步，所述基于深度卷积神经网络的磁共振成像方法K空间中间区域全采样数据，通过算法进行伪随机降采样。
进一步，所述基于深度卷积神经网络的磁共振成像方法对于未采集到的K空间点置0。
进一步，所述基于深度卷积神经网络的磁共振成像方法在伪随机采样后的K空间中依次取大小为M*N的窗口数据，作为一例训练样本的输入；其对应的伪随机采样前的数据为此例训练样本的输出。
进一步，所述基于深度卷积神经网络的磁共振成像方法多次重复伪随机采样，并每次取M*N的窗口数据，得到充足的训练样本。M为频率编码方向大小，8<M<128,N为相位编码方向大小，其值大于8，小于全采样的相位编码步个数。
进一步，所述基于深度卷积神经网络的磁共振成像方法提取训练样本的每个K空间数据的实部和虚部值。
进一步，所述基于深度卷积神经网络的磁共振成像方法对实部和虚部数据分别利用卷积神经网络自编码器进行模型训练；
卷积神经网络自编码器由编码器和解码器构成；
编码器由三层卷积层和池化层构成；
解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；
解码网络输出层通过一个正切激励函数；
自编码网络输出的值与全采样的K空间数据值的均方根误差为损失函数，利用可变交替方向算法优化算法更新网络模型的权重参数；
利用训练好的模型对周围降采样的K空间的实部和虚部数据分别进行重建；
将重建的实部和虚部数据重组成复数K空间数据，并与全采样区域的K空间数据合并组成一幅完整的K空间数据。
本发明的另一目的在于提供一种应用所述基于深度卷积神经网络的磁共振成像方法的图像识别系统。
综上所述，本发明的优点及积极效果为：通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。提出的方法无需另外采集训练数据，从而避免了基于深度神经网络模型直接在图像域进行重建的方法需要大量训练数据的难题。
附图说明
图1是本发明实施例提供的基于深度卷积神经网络的磁共振成像方法流程图。
图2是本发明实施例提供的基于深度卷积神经网络的磁共振成像方法实现流程图。
图3是本发明实施例提供的卷积神经网络自编码器结构组成示意图。
图4是本发明实施例提供的K空间采样示意图。
图5是本发明实施例提供的输出结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对目前的深度学习方法需要巨大的训练数据完成模型的训练；对于医学图像处理，受制于患者隐私等问题的原因，很难完成大量训练样本的搜集的问题。本发明通过深度卷积网络在K空间进行数据的训练，并在随机降采样区域完成数据的恢复，从而完成磁共振成像的加速扫描和重建。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：
S101：通过对磁共振K空间中间区域全采样而周围区域随机降采样以减少采样时间；
S102：对K空间中间全采样数据，通过算法进行伪随机降采样；
S103：对于未采集到的K空间点置0；
S104：在伪随机采样后的K空间中取大小为M*N的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；
S105：多次重复伪随机采样，得到充足的训练样本；
S106：利用卷积神经网络自编码器进行模型训练；
S107：利用训练好的模型对周围降采样的K空间数据进行重建；
S108：通过快速傅里叶反变换得到图像；
S109：通过去噪算法去除图像中的噪声。
下面结合附图对本发明的应用原理作进一步的描述。
如图2所示，本发明实施例提供的基于深度卷积神经网络的磁共振成像方法包括以下步骤：
步骤一，对磁共振K空间中间区域全采样而周围区域随机降采样以减少采样时间，包括：
先设计出采样矩阵，其中间区域为全采样区域，周边进行降采样。定义降采样区域的采样因子为R＝采集数/K空间总数，先生成元素值在0到1之间均匀分布的，且矩阵大小与K空间一致的随机矩阵，其符合均匀随机分布。然后取阀值R，小于R的将其元素置为0，大于等于R的元素置为1，且中间全采样区域的元素全置为1。最后，根据随机矩阵中1的位置，生成对应的磁共振采样序列。
(1)利用全采样K空间数据，通过模拟随机降采样,对未采集到的K空间点置0，包括：
同生成随机矩阵一样，先生成与全采矩阵大小一致的零一矩阵，然后与全采样的K空间数据相乘，得到采样后的K空间数据。
(2)在伪随机采样后的K空间中依次取大小为M*N的窗口数据，作为训练样本的输入；其对应的伪随机采样前的数据为训练样本的输出；
在伪随机采样后的K空间中，依次选取大小为M*N的窗口内的所有数据，作为训练样本的输入；其对应的伪随机采样前的全采样数据作为训练样本的输出；M为频率编码方向大小，8<M<128,N为相位编码方向大小，其值大于8，小于全采样的相位编码步个数。
优选地，在本实施例中，M和N的大小取为28。
(3)多次重复步骤(1)和(2)；
为了得到更多的训练样本数据，多次重复步骤(1)和(2)。并将训练样本的每个K空间的复数值的实部和虚部值分别提取出来组成两组全为实数的训练数据。
(4)利用卷积神经网络自编码器进行模型训练；
自编码器由编码器和解码器两部分组成。其中，编码器含有三层卷积层，每一层卷积层后有一层池化层，解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致。解码网络输出层通过一个正切激励函数。
优选地，自编码器网络输出的值与全采样的K空间数据值的均方根误差为损失函数，深度学习的网络参数利用可变方向交替算法(ADMM)优化算法更新网络模型的权重参数。批大小设置为50，权重衰减因子为0.0005。整个网络通过tensorflow1.0平台实现。
(5)利用训练好的模型重建未采样点；
利用训练好的模型对周围降采样的K空间的实部和虚部数据分别进行重建。并将重建的实部和虚部数据重组成复数K空间数据，并与全采样区域的K空间数据合并组成一幅完整的K空间数据。
(6)利用快速反傅里叶变换，得到图像信息。
(7)利用去噪声算法去除噪声。
重建的图像中含有少量的噪声，为了进一步提高重建图像质量，可采用局部非均值，BM3D等方法去除噪声。
实施例2
通过本发明方法，对一幅K空间大小为256*256的图像，对其中间区域的50条相位编码进行全采样，对其它区域进行随机采样，R＝0.25，其K空间采样示意图如图4所示。
实施例3
通过本发明的方法对加速采集到的K空间数据进行了重建实验，本实施例选取其中部分实验结果进行分析比较。
图5为自旋回波(SE)序列扫描的头部数据的重建实验结果。其中第一行为全采样数据重建的参考图像，第二行为外部采样加速因子R＝0.5时采用本发明的方法获得的重建结果图及其与参考图像的差值图像，第三行为外部采样加速因子R＝0.3时采用本发明的方法获得的重建结果图及其与参考图像的差值图像。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法包括：
通过K空间中间区域全采样而周围随机降采样；
对全采样区域通过算法多次伪随机降采样采集训练样本以训练卷积神经网络自编码器；利用训练好的卷积神经网络自编码器模型重建周围降采样的K空间数据； 自编码器由编码器和解码器两部分组成；其中，编码器含有三层卷积层，每一层卷积层后有一层池化层，解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；解码网络输出层通过一个正切激励函数；
利用反傅里叶变换得到图像并通过算法去除噪声；
所述基于深度卷积神经网络的磁共振成像方法具体包括：
（1）通过对磁共振K空间中间区域全采样，周围区域随机降采样；
（2）对K空间中间全采样数据，通过算法进行伪随机降采样；
（3）对于未采集到的K空间点置0；
（4）在伪随机采样后的K空间中取大小为M*N的窗口数据，作为训练样本的输入；对应的伪随机采样前的数据为训练样本的输出；M为频率编码方向大小，8<M<128；N为相位编码方向大小，其值大于8，小于全采样的相位编码步个数；
（5）多次重复伪随机采样，得到充足的训练样本；
（6）利用卷积神经网络自编码器进行模型训练；
（7）利用训练好的模型对周围降采样的K空间数据进行重建；
（8）通过快速傅里叶反变换得到图像；
（9）通过去噪算法去除图像中的噪声。
2.如权利要求1所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法K空间中间区域全采样数据，通过算法进行伪随机降采样。
3.如权利要求1所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法提取训练样本的每个K空间数据的实部和虚部值。
4.如权利要求1所述的基于深度卷积神经网络的磁共振成像方法，其特征在于，所述基于深度卷积神经网络的磁共振成像方法对实部和虚部数据分别利用卷积神经网络自编码器进行模型训练；
卷积神经网络自编码器由编码器和解码器构成；
编码器由三层卷积层和池化层构成；
解码器由三层反卷积层和反池化层构成，与编码器成一一对应关系，且输出大小与输入训练样本大小一致；
解码网络输出层通过一个正切激励函数；
自编码网络输出的值与全采样的K空间数据值的均方根误差为损失函数，利用可变交替方向算法优化算法更新网络模型的权重参数；
所述基于深度卷积神经网络的磁共振成像方法利用训练好的模型对周围降采样的K空间的实部和虚部数据分别进行重建；
将重建的实部和虚部数据重组成复数K空间数据，并与全采样区域的K空间数据合并组成一幅完整的K空间数据。
5.一种应用权利要求1~4任意一项所述基于深度卷积神经网络的磁共振成像方法的磁共振成像控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811388227.2A CN109350061B (zh) | 2018-11-21 | 2018-11-21 | 基于深度卷积神经网络的磁共振成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811388227.2A CN109350061B (zh) | 2018-11-21 | 2018-11-21 | 基于深度卷积神经网络的磁共振成像方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109350061A CN109350061A (zh) | 2019-02-19 |
| CN109350061B true CN109350061B (zh) | 2022-03-15 |
Family
ID=65332534
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811388227.2A Expired - Fee Related CN109350061B (zh) | 2018-11-21 | 2018-11-21 | 基于深度卷积神经网络的磁共振成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109350061B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110246566A (zh) * | 2019-04-24 | 2019-09-17 | 中南大学湘雅二医院 | 基于卷积神经网络的品行障碍确定方法、系统和存储介质 |
| CN110633650A (zh) * | 2019-08-22 | 2019-12-31 | 首都师范大学 | 基于隐私保护的卷积神经网络人脸识别方法及装置 |
| CN110766768B (zh) * | 2019-10-23 | 2023-08-04 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
| CN110807492B (zh) * | 2019-11-06 | 2022-05-13 | 厦门大学 | 一种磁共振多参数同时定量成像方法及系统 |
| CN110889897B (zh) * | 2019-11-21 | 2021-04-06 | 厦门大学 | 一种体素内不相干运动磁共振成像参数重建方法及系统 |
| US11348291B2 (en) * | 2019-11-29 | 2022-05-31 | Shanghai United Imaging Intelligence Co., Ltd. | System and method for reconstructing magnetic resonance images |
| 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 |
| CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
| CN111260556B (zh) * | 2020-01-16 | 2021-09-28 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度卷积神经网络的傅里叶叠层显微重建方法 |
| US11763134B2 (en) * | 2020-01-22 | 2023-09-19 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
| CN113359076B (zh) * | 2020-03-06 | 2022-09-27 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
| CN111812569A (zh) * | 2020-07-23 | 2020-10-23 | 广州互云医院管理有限公司 | 一种基于深度学习的k空间欠采样轨迹的方法 |
| CN112150568A (zh) * | 2020-09-16 | 2020-12-29 | 浙江大学 | 基于Transformer模型的磁共振指纹成像重建方法 |
| CN112370040B (zh) * | 2020-11-13 | 2024-03-26 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、存储介质及电子设备 |
| CN112508957B (zh) * | 2020-12-08 | 2023-12-01 | 深圳先进技术研究院 | 图像分割方法和装置、电子设备、机器可读存储介质 |
| EP4024404A1 (en) * | 2021-01-04 | 2022-07-06 | Koninklijke Philips N.V. | Method and system for controlling medical imaging sessions and optimizing discomfort of the patient |
| CN112802024B (zh) * | 2021-01-11 | 2024-02-06 | 国创育成医疗器械发展(深圳)有限公司 | 一种磁共振血管壁图像分割方法 |
| CN113096208B (zh) * | 2021-03-16 | 2022-11-18 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
| CN113075603B (zh) * | 2021-03-25 | 2022-07-29 | 上海交通大学 | 磁共振成像脉冲序列设计方法 |
| CN113538612B (zh) * | 2021-06-21 | 2022-06-17 | 复旦大学 | 一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法 |
| CN113687285A (zh) * | 2021-08-24 | 2021-11-23 | 杭州微影医疗科技有限公司 | 一种疾病筛查与诊断系统、模型训练方法 |
| CN114010180B (zh) * | 2021-11-05 | 2024-04-26 | 清华大学 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
| CN114581550B (zh) | 2021-12-31 | 2023-04-07 | 浙江大学 | 基于跨域网络的磁共振成像降采样和重建方法 |
| CN115836855B (zh) * | 2023-02-22 | 2023-05-12 | 首都医科大学附属北京朝阳医院 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10028171B4 (de) * | 2000-06-09 | 2006-12-28 | Forschungszentrum Jülich GmbH | Bildgebungsverfahren und Kernspinresonanztomograph |
| CN102930567B (zh) * | 2012-09-25 | 2016-01-20 | 电子科技大学 | 多核加权最小二乘支撑向量机的磁共振并行成像重建方法 |
| CN104825161B (zh) * | 2015-06-04 | 2017-06-09 | 中国科学院武汉物理与数学研究所 | 基于过完备字典与先验知识的高质量肺部磁共振成像方法 |
| CN108535675B (zh) * | 2018-04-08 | 2020-12-04 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
-
2018
- 2018-11-21 CN CN201811388227.2A patent/CN109350061B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN109350061A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109350061B (zh) | 基于深度卷积神经网络的磁共振成像方法 | |
| CN111028306B (zh) | 基于AR2 U-Net神经网络的快速磁共振成像方法 | |
| US10852376B2 (en) | Magnetic resonance imaging method and device | |
| CN113096208B (zh) | 基于双域交替卷积的神经网络磁共振图像的重建方法 | |
| CN111932650B (zh) | 一种基于高通量深度展开网络的核磁共振图像重建方法 | |
| CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
| CN112037304B (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
| CN110288672A (zh) | 一种基于超深稠密网络的压缩感知磁共振图像重建方法 | |
| CN111784792A (zh) | 基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用 | |
| CN110264538A (zh) | 用于核磁共振图像重建的方法、系统和装置 | |
| Ravishankar et al. | Physics-driven deep training of dictionary-based algorithms for MR image reconstruction | |
| CN113920212A (zh) | 磁共振重建模型训练方法、计算机装置及存储介质 | |
| CN117011409B (zh) | 多部位物理智能高清扩散磁共振数据生成方法 | |
| CN117115011A (zh) | 一种基于深度无监督学习的去伪影方法和系统 | |
| Yakkundi et al. | Convolutional LSTM: A deep learning approach for dynamic MRI reconstruction | |
| CN116626570A (zh) | 多对比度mri采样和图像重建 | |
| US12045958B2 (en) | Motion artifact correction using artificial neural networks | |
| CN112634385B (zh) | 一种基于深度拉普拉斯网络的快速磁共振成像方法 | |
| US11508048B2 (en) | Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image | |
| CN114035133A (zh) | 一种小动物全脑脑脊液定量流速磁共振成像方法及设备 | |
| CN113538612A (zh) | 一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法 | |
| CN111157934B (zh) | 一种基于生成式对抗网络的并行磁共振成像方法 | |
| CN113066145B (zh) | 基于深度学习的快速全身弥散加权成像方法及相关设备 | |
| CN118483633B (zh) | 一种快速的化学交换饱和转移成像与重建方法及系统 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220315 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |