CN109615675B - 一种多通道磁共振成像的图像重建方法 - Google Patents
一种多通道磁共振成像的图像重建方法 Download PDFInfo
- Publication number
- CN109615675B CN109615675B CN201811473256.9A CN201811473256A CN109615675B CN 109615675 B CN109615675 B CN 109615675B CN 201811473256 A CN201811473256 A CN 201811473256A CN 109615675 B CN109615675 B CN 109615675B
- Authority
- CN
- China
- Prior art keywords
- matrix
- magnetic resonance
- fourier space
- coil
- data
- 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
Links
Images
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种多通道磁共振成像的图像重建方法,涉及磁共振成像。首先建立结合低秩汉克尔矩阵与数据一致性的图像重建模型,接着建立避免奇异值分解的改进重建模型,然后通过迭代算法重建磁共振的傅里叶空间数据,最后将傅里叶空间数据变换为最终的磁共振图像。通过结合低秩汉克尔矩阵与数据一致性,利用了并行磁共振的线圈之间的相关性,减轻了不精确的灵敏度图的影响,因此能够重建出伪影抑制更好,边缘保留更多的磁共振图像,能有效地抑制伪影,保留更多的边缘特征。
Description
技术领域
本发明涉及磁共振成像,尤其是涉及一种多通道磁共振成像的图像重建方法。
背景技术
磁共振成像是医学上一种重要的医学影像诊断工具。但是,磁共振成像需要较长时间采集位于傅里叶空间的数据。并行成像和稀疏采样都可以从小于奈奎斯特采样率采集的数据中重建磁共振图像,因此可以用来缩短采样时间。
在并行成像中,线圈阵列比单线圈获得更多的信息,因此能够减少傅里叶空间的采集。典型的并行成像方法包括灵敏度编码(K.P.Pruessmann,M.Weiger,M.B.Scheidegger,and P.Boesiger,"SENSE:sensitivity encoding for fast MRI,"Magnetic Resonance in Medicine,vol.42,pp.952-962,1999.)、广义自动校准部分并行采集(M.A.Griswold et al.,"Generalized autocalibrating partially parallelacquisitions(GRAPPA),"Magnetic Resonance in Medicine,vol.47,no.6,pp.1202-1210,2002.)和迭代数据一致性并行图像重建(M.Lustig and J.M.Pauly,"SPIRiT:Iterative self-consistent parallel imaging reconstruction from arbitrary k-space,"Magnetic Resonance in Medicine,vol.64,no.2,pp.457-71,2010.)等。这类方法实现了可靠的重建结果,因此被广泛应用在临床磁共振成像设备中。然而这些方法都需要自动校准信号来估计灵敏度图或者核。一旦自动校准信号有限,则评估的灵敏度图会不准确,这也导致图像重建存在误差。
在稀疏采样中,其通过施加约束从欠采样数据中恢复原始图像,稀疏和低秩是两种常用约束。稀疏约束通过寻找磁共振图像在预先构造或自适应字典基上的稀疏表示(Xiaobo Qu,Yingkun Hou,Fan Lam,Di Guo,Jianhui Zhong,Zhong Chen,"Magneticresonance image reconstruction from undersampled measurements using a patch-based nonlocal operator,”Medical Image Analysis,vol.18,pp.843-856,2014.;Yunsong Liu,Zhifang Zhan,Jian-Feng Cai,Di Guo,Zhong Chen,Xiaobo Qu,"Projectediterative soft-thresholding algorithm for tight frames in compressed sensingmagnetic resonance imaging,"IEEE Transactions on Medical Imaging,vol.35,pp.2130-2140,2016.;Zongying Lai,Xiaobo Qu,Yunsong Liu,Di Guo,Jing Ye,ZhifangZhan,Zhong Chen,"Image reconstruction of compressed sensing MRI using graph-based redundant wavelet transform,"Medical Image Analysis,vol.27,pp.93-104,2016)。典型的低秩约束(Bo Zhao,Justin P.Haldar,Anthony G.Christodoulou,Zhi-PeiLiang,"Image reconstruction from highly undersampled(k,t)-space data withjoint partial separability and sparsity constraints,"IEEE Transactions onMedical Imaging,vol.31,pp.1809-1920,2012.)利用了多幅图像的低秩特性来重建磁共振图像。另外一种低秩约束是结构化矩阵低秩方法并应用到并行磁共振成像中(J.P.Haldar,"Low-rank modeling of local k-space neighborhoods(LORAKS)forconstrained MRI,"IEEE Transaction on Medical Imaging,vol.33,pp.668-81,2014.;G.Ongie and M.Jacob,"Off-the-grid recovery of piecewise constant images fromfew Fourier samples,"SIAM Journal on Imaging Sciences,vol.9,no.3,pp.1004-1041,2016;K.Jin,D.Lee,J.Ye,"A general framework for compressed sensing andparallel MRI using annihilating filter based low-rank Hankel matrix,"IEEETransactions on Computational Imaging,vol.2,pp.480-495,2016)。
但上述结构化矩阵低秩的方法并没有完全利用傅里叶空间的一致性,导致重建误差较大。
发明内容
本发明的目的在于提供通过加权汉克尔矩阵的低秩特性来减少磁共振图像误差的一种多通道磁共振成像的图像重建方法。
本发明包括以下步骤:
1)建立结合低秩汉克尔矩阵与数据一致性的图像重建模型:
其中, 为将矩阵转换为块汉克尔矩阵的算子,是第i个方向的加权算子,加权的权重值Wi通过稀疏变换的核函数的二维傅里叶变换得到,⊙为矩阵的哈达玛积,X=[X1,...,Xj,...,XJ],其中,Xj为待重建的第j个线圈的傅里叶空间数据,Y为采样数据和未采样点进行填零操作后得到的傅里叶空间数据,是欠采样并且在未采样点进行填零的算子,||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,λ1与λ2是权衡 和三项重要性的正则化参数;
公式(2)表示第k个线圈在r位置傅里叶空间的值是所有线圈r位置的邻域的线性组合;对于第k个线圈,行向量gjk表示第j个线圈r位置邻域的线性组合的权值,gjk可以从校准数据计算得出,且对于不同位置r的gjk值不变,其中,Xk(r)为第k个线圈Xk在r位置的傅里叶空间数据,Rr表示以r为位置的邻域傅里叶空间的算子,则RrXj表示由第j个线圈r位置的邻域傅里叶空间数据排列的列向量;所有线圈的傅里叶空间数据组成的矩阵X满足关系式其中,X表示所有线圈中的傅里叶空间数据,算子表示依次对X中每个线圈每个位置都进行公式(2)中的操作。
2)建立一种避免奇异值分解的改进重建模型;
在步骤2)中,所述建立一种避免奇异值分解的改进重建模型的具体方法可为:为了避免耗时较长的奇异值分解,可利用矩阵分解方法(Di Guo,Hengfa Lu,Xiaobo Qu,"Afast low rank Hankel matrix factorization reconstruction method for non-uniformly sampled magnetic resonance spectroscopy,"IEEE Access,vol.5,pp.16033-16039,2017.)将公式(1)中模型改写为:
其中,P和Q为两个分解矩阵,上标H为矩阵的复共轭转置。
3)建立避免奇异值分解的改进重建模型的求解算法;
在步骤3),所述建立避免奇异值分解的改进重建模型的求解算法的具体方法可为:可以利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,ZhongChen,Xiaobo Qu,"Fast multi-class dictionaries learning with geometricaldirections in MRI reconstruction,"IEEE Transactions on BiomedicalEngineering,vol.63,pp.1850-1861,2016.)求解公式(3)中的重建模型如下:
其中,Di为拉格朗日乘子,<·,·>为内积,可根据以下公式迭代更新变量:
当达到最大迭代次数M或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束;上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(m)”表示第m次迭代的解,X(m),分别表示变量X,Pi,Qi,Di在第m次迭代时的值,参数λ1,λ2,βi和τi都是正数;初值化算法中,也就是m=1时,和初始为随机矩阵,初始是一个全为1的矩阵。
4)由步骤3)得到重建的傅里叶空间数据X,对X进行二维傅里叶逆变换得到最终的磁共振图像。
本发明提供通过加权汉克尔矩阵的低秩特性来减少磁共振图像误差的一种多通道磁共振成像的图像重建方法。首先建立结合低秩汉克尔矩阵与数据一致性的图像重建模型,接着建立避免奇异值分解的改进重建模型,然后通过迭代算法重建磁共振的傅里叶空间数据,最后将傅里叶空间数据变换为最终的磁共振图像。通过结合低秩汉克尔矩阵与数据一致性,利用了并行磁共振的线圈之间的相关性,减轻了不精确的灵敏度图的影响,因此能够重建出伪影抑制更好,边缘保留更多的磁共振图像,能有效地抑制伪影,保留更多的边缘特征。
附图说明
图1是本发明实施例中对傅里叶空间数据进行欠采样的采样模板。在图1中,白色表示采样到的点,黑色表示未采样到的点。
图2是本发明重建的磁共振图像。
图3是全采样的磁共振图像。
具体实施方式
下面结合附图通过具体实施例对本发明作进一步的说明,并给出重建结果。本实施例使用磁场强度为3特斯拉的磁共振成像仪对自愿者的大脑进行成像。全采样数据为磁共振成像全身扫描仪的4通道数据。本实施例使用的序列为T2加权快速自旋回波,全采样的直接维与间接维均为256个点,TR/TE=6100ms/99ms,视野为220mm×220mm,层厚为3mm。采样模板(如图1所示)采样34%的数据,则采样的数据点为22272点。正则化参数λ1=104,λ2=106。本实施例中,i=2,表示沿行方向进行加权,表示沿列方向进行加权,β1=β2=1。具体步骤如下:
1)建立结合低秩汉克尔矩阵与数据一致性的图像重建模型:
其中, 为将矩阵转换为块汉克尔矩阵的算子,是第i个方向的加权算子,加权的权重值Wi通过稀疏变换的核函数的二维傅里叶变换得到,⊙为矩阵的哈达玛积,X=[X1,...,Xj,...,XJ],其中,Xj为待重建的第j个线圈的傅里叶空间数据,Y为采样数据和未采样点进行填零操作后得到的傅里叶空间数据,是欠采样并且在未采样点进行填零的算子,||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,λ1与λ2是权衡 和三项重要性的正则化参数。
公式(2)表示第k个线圈在r位置傅里叶空间的值是所有线圈r位置的邻域的线性组合。对于第k个线圈,行向量gjk表示第j个线圈r位置邻域的线性组合的权值。gjk可以从校准数据计算得出,且对于不同位置r的gjk值不变。其中Xk(r)为第k个线圈Xk在r位置的傅里叶空间数据,Rr表示以r为位置的邻域傅里叶空间的算子,则RrXj表示由第j个线圈r位置的邻域傅里叶空间数据排列的列向量。所有线圈的傅里叶空间数据组成的矩阵X满足关系式其中X表示所有线圈中的傅里叶空间数据,算子表示依次对X中每个线圈每个位置都进行公式(2)中的操作。
2)建立一种避免奇异值分解的改进重建模型:为了避免耗时较长的奇异值分解,可利用矩阵分解方法(Di Guo,Hengfa Lu,Xiaobo Qu,"A fast low rank Hankel matrixfactorization reconstruction method for non-uniformly sampled magneticresonance spectroscopy,"IEEE Access,vol.5,pp.16033-16039,2017.)将公式(1)中模型改写为:
其中,P和Q为两个分解矩阵,上标H为矩阵的复共轭转置。
3)建立避免奇异值分解的改进重建模型的求解算法:可以利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,Zhong Chen,Xiaobo Qu,"Fastmulti-class dictionaries learning with geometrical directions in MRIreconstruction,"IEEE Transactions on Biomedical Engineering,vol.63,pp.1850-1861,2016.)求解公式(3)中的重建模型如下:
其中,Di为拉格朗日乘子,<·,·>为内积,可根据以下公式(5)迭代更新变量:
当达到最大迭代次数M或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束。本实施例中,K=200,μ=10-5。上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(m)”表示第m次迭代的解,X(m),分别表示变量X,Pi,Qi,Di在第m次迭代时的值,τi的取值均为1。初值化算法(也就是m=1时)中,和初始为随机矩阵,初始是一个全为1的矩阵。
4)由步骤3)得到重建的傅里叶空间数据X,对X进行二维傅里叶逆变换得到最终的磁共振图像。
本发明重建的磁共振图像参见图2,全采样的磁共振图像参见图3。
Claims (1)
1.一种多通道磁共振成像的图像重建方法,其特征在于包括以下步骤:
1)建立结合低秩汉克尔矩阵与数据一致性的图像重建模型:
其中, 为将矩阵转换为块汉克尔矩阵的算子,是第i个方向的加权算子,加权的权重值Wi通过稀疏变换的核函数的二维傅里叶变换得到,⊙为矩阵的哈达玛积,X=[X1,...,Xj,...,XJ],其中,Xj为待重建的第j个线圈的傅里叶空间数据,Y为采样数据和未采样点进行填零操作后得到的傅里叶空间数据,是欠采样并且在未采样点进行填零的算子,||·||*指矩阵的核范数,||·||F指矩阵的弗罗贝尼乌斯范数,λ1与λ2是权衡和三项重要性的正则化参数;
公式(2)表示第k个线圈在r位置傅里叶空间的值是所有线圈r位置的邻域的线性组合;对于第k个线圈,行向量gjk表示第j个线圈r位置邻域的线性组合的权值,gjk可以从校准数据计算得出,且对于不同位置r的gjk值不变,其中,Xk(r)为第k个线圈Xk在r位置的傅里叶空间数据,Rr表示以r为位置的邻域傅里叶空间的算子,则RrXj表示由第j个线圈r位置的邻域傅里叶空间数据排列的列向量;所有线圈的傅里叶空间数据组成的矩阵X满足关系式其中,X表示所有线圈中的傅里叶空间数据,算子表示依次对X中每个线圈每个位置都进行公式(2)中的操作;
2)建立一种避免奇异值分解的改进重建模型,具体方法为:利用矩阵分解方法将公式(1)中模型改写为:
其中,P和Q为两个分解矩阵,上标H为矩阵的复共轭转置;
3)建立避免奇异值分解的改进重建模型的求解算法,具体方法为:利用交替方向乘子法求解公式(3)中的重建模型如下:
其中,Di为拉格朗日乘子,<·,·>为内积,根据以下公式(5)迭代更新变量:
当达到最大迭代次数M或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束;上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(m)”表示第m次迭代的解,X(m),分别表示变量X,Pi,Qi,Di在第m次迭代时的值,参数λ1,λ2,βi和τi都是正数;初值化算法中,即m=1时,和初始为随机矩阵,初始是一个全为1的矩阵;
4)由步骤3)得到重建的傅里叶空间数据X,对X进行二维傅里叶逆变换得到最终的磁共振图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473256.9A CN109615675B (zh) | 2018-12-04 | 2018-12-04 | 一种多通道磁共振成像的图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473256.9A CN109615675B (zh) | 2018-12-04 | 2018-12-04 | 一种多通道磁共振成像的图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615675A CN109615675A (zh) | 2019-04-12 |
CN109615675B true CN109615675B (zh) | 2022-05-03 |
Family
ID=66006864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811473256.9A Active CN109615675B (zh) | 2018-12-04 | 2018-12-04 | 一种多通道磁共振成像的图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615675B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148215B (zh) * | 2019-05-22 | 2023-05-19 | 哈尔滨工业大学 | 一种基于平滑约束和局部低秩约束模型的四维磁共振图像重建方法 |
CN110443169B (zh) * | 2019-07-24 | 2022-10-21 | 广东工业大学 | 一种边缘保留判别分析的人脸识别方法 |
CN110728624B (zh) * | 2019-09-29 | 2021-07-23 | 厦门大学 | 一种高分辨率扩散加权图像重建方法 |
CN110780604B (zh) * | 2019-09-30 | 2021-01-19 | 西安交通大学 | 一种基于空时平滑性和时间相关性的空时信号恢复方法 |
CN110942496B (zh) * | 2019-12-13 | 2022-02-11 | 厦门大学 | 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 |
CN112037298A (zh) * | 2020-08-20 | 2020-12-04 | 上海联影医疗科技股份有限公司 | 图像重建方法、装置、计算机设备和存储介质 |
CN112819949B (zh) * | 2021-02-07 | 2024-03-26 | 哈尔滨工业大学 | 一种基于结构化低秩矩阵的磁共振指纹图像重建方法 |
CN113034639B (zh) * | 2021-03-22 | 2022-09-06 | 厦门大学 | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 |
CN113129401B (zh) * | 2021-03-22 | 2022-08-30 | 厦门大学 | 一种参数化磁共振成像的图像重建方法 |
CN113180636B (zh) * | 2021-04-29 | 2022-09-16 | 杭州微影医疗科技有限公司 | 干扰消除方法、介质及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654789A (zh) * | 2013-12-10 | 2014-03-26 | 深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107993207A (zh) * | 2017-11-29 | 2018-05-04 | 绍兴文理学院 | 基于图像子块低秩分解的asl图像去噪方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101667141B1 (ko) * | 2015-03-11 | 2016-10-25 | 한국과학기술원 | 소멸필터를 이용한 고속 mr 영상 복원 알고리듬 개발 |
-
2018
- 2018-12-04 CN CN201811473256.9A patent/CN109615675B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103654789A (zh) * | 2013-12-10 | 2014-03-26 | 深圳先进技术研究院 | 磁共振快速参数成像方法和系统 |
CN106646303A (zh) * | 2016-11-17 | 2017-05-10 | 厦门理工学院 | 一种欠采样磁共振波谱的快速重建方法 |
CN107993207A (zh) * | 2017-11-29 | 2018-05-04 | 绍兴文理学院 | 基于图像子块低秩分解的asl图像去噪方法及系统 |
Non-Patent Citations (2)
Title |
---|
Image Reconstruction with Low-rankness and Self-consistency of k-space Data in Parallel MRI;Xinlin Zhang 等;《https://arxiv.org/abs/1909.02846》;20190905;第1-12页 * |
基于正则化方法的磁共振图像去噪与重建技术的研究;仲崇潇;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109615675A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615675B (zh) | 一种多通道磁共振成像的图像重建方法 | |
US10712416B1 (en) | Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network | |
CN108335339B (zh) | 一种基于深度学习和凸集投影的磁共振重建方法 | |
US10527699B1 (en) | Unsupervised deep learning for multi-channel MRI model estimation | |
Uecker et al. | ESPIRiT—an eigenvalue approach to autocalibrating parallel MRI: where SENSE meets GRAPPA | |
US8587307B2 (en) | Systems and methods for accelerating the acquisition and reconstruction of magnetic resonance images with randomly undersampled and uniformly undersampled data | |
CN104597420B (zh) | 基于多次激发的磁共振扩散成像方法 | |
US20210027436A1 (en) | System and method for synthesizing magnetic resonance images | |
US8379951B2 (en) | Auto calibration parallel imaging reconstruction method from arbitrary k-space sampling | |
US20060184000A1 (en) | Fast generalized autocalibrating partially parallel acquisition image reconstruction algorithm for magnetic resonance imaging | |
Majumdar et al. | Calibration-less multi-coil MR image reconstruction | |
US20200341094A1 (en) | Multi-contrast mri image reconstruction using machine learning | |
Du et al. | Multiple slice k-space deep learning for magnetic resonance imaging reconstruction | |
CN109920017B (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
CN103091656B (zh) | 基于正则化约束多项式拟合磁共振线圈灵敏度的计算方法 | |
Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
CN113129401B (zh) | 一种参数化磁共振成像的图像重建方法 | |
Arefeen et al. | Latent signal models: Learning compact representations of signal evolution for improved time‐resolved, multi‐contrast MRI | |
US20230044166A1 (en) | Accelerated time domain magnetic resonance spin tomography | |
CN113971706A (zh) | 一种快速磁共振智能成像方法 | |
Akçakaya et al. | Subject-specific convolutional neural networks for accelerated magnetic resonance imaging | |
CN113034639B (zh) | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 | |
Uecker | Autocalibrating and calibrationless parallel magnetic resonance imaging as a bilinear inverse problem | |
Baqee | A Novel Approach of Obtaining Optimal Solution for Iterative Self-Consistent Parallel Imaging Reconstruction |
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 |