CN109903354A - 一种基于人工稀疏的动态磁共振图像重建方法及系统 - Google Patents
一种基于人工稀疏的动态磁共振图像重建方法及系统 Download PDFInfo
- Publication number
- CN109903354A CN109903354A CN201910125967.5A CN201910125967A CN109903354A CN 109903354 A CN109903354 A CN 109903354A CN 201910125967 A CN201910125967 A CN 201910125967A CN 109903354 A CN109903354 A CN 109903354A
- Authority
- CN
- China
- Prior art keywords
- artificial
- sparse
- image
- spatial data
- magnetic resonance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000003384 imaging method Methods 0.000 claims abstract description 57
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013075 data extraction Methods 0.000 claims description 6
- 230000004043 responsiveness Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 210000004185 liver Anatomy 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于人工稀疏的动态磁共振图像重建方法，包括6个步骤，得到最终图像。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。与现有技术相比，本发明的基于人工稀疏的动态磁共振图像重建方法产生的有益效果有：(1)本发明利用人工稀疏对并行成像算法进行改进，重建图像的伪影更少、噪声更低且信噪比更高。(2)本发明应用范围广，可以用于心脏动态成像和肝脏动态增强成像等。(3)本发明可以应用于数量不同线圈通道，如2‑128个线圈通道。
Description
技术领域
本发明涉及磁共振图像重建领域，特别涉及一种基于人工稀疏的动态磁共振图像重建方法及系统。
背景技术
磁共振成像软组织分辨率高，成像参数多，且无电离辐射，目前在临床上是一种常规检查手段。磁共振成像的一个主要缺点是数据采集时间较长，因而导致成像速度较慢。
多通道采集技术与并行成像算法的出现，使得磁共振成像速度大大加快。临床上常用的并行成像方法包括SENSE(sensitivity encoding)、GRAPPA(generalizedautocalibrating partially parallel acquisitions)等。
SPIRiT是一种GRAPPA类的并行成像方法，在计算权重系数所利用的数据不仅有已知的采样数据，还有未知采样数据，因此SPIRiT能更有效地使用数据，从而得到比GRAPPA更精确的解。SPIRiT的基本思想是同时满足数据的一致性和校准数据的一致性。但是，当加速倍数越高，g-factor越大时，SPIRiT重建得到的图像的信噪比越差，表现为噪声很大，混叠伪影难以消除，得到的重建磁共振图像存在质量差的问题。
因此针对现有技术不足，提供一种基于人工稀疏的动态磁共振图像重建方法及系统以解决现有技术不足甚为必要。
发明内容
本发明的其中一个目的在于避免现有技术的不足之处而提供一种基于人工稀疏的动态磁共振图像重建方法。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。
本发明的上述目的通过以下技术措施实现：
提供一种基于人工稀疏的动态磁共振图像重建方法,包括如下步骤：
步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；
步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；
步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；
步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；
步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；
步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。
优选的，上述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据的逐帧经过SENSE方法进行并行成像图像重建，得到初始图像。
优选的，上述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧经过GRAPPA方法进行并行成像图像重建，得到初始图像。
优选的，上述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据的逐帧经过SPIRiT方法进行并行成像图像重建，得到初始图像。
优选的，上述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SENSE方法进行并行成像图像重建，得到人工稀疏图像。
优选的，上述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过GRAPPA方法进行并行成像图像重建，得到人工稀疏图像。
优选的，上述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SPIRiT方法进行并行成像图像重建，得到人工稀疏图像。
优选的，上述步骤二具体为，对步骤一得到的初始图像进行时间维PCA去噪处理，得到去噪图像。
本发明的基于人工稀疏的动态磁共振图像重建方法包括如下步骤：步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。与现有技术相比，本发明的基于人工稀疏的动态磁共振图像重建方法产生的有益效果有：(1)本发明利用人工稀疏对并行成像算法进行改进，重建图像的伪影更少、噪声更低且信噪比更高。(2)本发明应用范围广，可以用于心脏动态成像和肝脏动态增强成像等。(3)本发明可以应用于数量不同线圈通道，如2-128个线圈通道。
本发明的另一目的在于避免现有技术的不足之处而提供一种基于人工稀疏的动态磁共振图像重建系统。该基于人工稀疏的动态磁共振图像重建系统具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。
本发明的上述目的通过以下技术措施实现：
提供采用如上述的基于人工稀疏的动态磁共振图像重建方法。
该基于人工稀疏的动态磁共振图像重建系统设置有数据提取模块，用于获取降采样k-t空间数据。
所述图像重建模块，用于根据所述步骤一至步骤六的方法进行磁共振图像重建。
所述数据提取模块和图像重建模块电连接。
该基于人工稀疏的动态磁共振图像重建系统具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。
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为本发明的基于人工稀疏的动态磁共振图像重建方法流程示意图。
图2为收缩期和舒张期心脏电影成像的图像，其中图2的(a)为收缩期和舒张期心脏电影成像的参考图像；图2的(b)为利用现有技术中GRAPPA算法重建得到的收缩期和舒张期心脏电影成像的8倍加速重建结果；图2的(c)为利用现有技术中SPIRiT算法重建得到的收缩期和舒张期心脏电影成像的8倍加速重建结果；图2的(d)为利用本发明重建得到的收缩期和舒张期心脏电影成像的8倍加速重建结果。
图3的(a)为图2的(b)与图2的(a)的绝对误差图，图3的(b)为图2的(c)与图2的(a)的绝对误差图，图3的(c)为图2的(d)与图2的(a)的绝对误差图。
图4为现有技术中SPIRiT算法、现有技术中GRAPPA算法和本发明的标准均方根误差结果对比图。
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。
一种基于人工稀疏的动态磁共振图像重建方法，如图1所示，包括如下步骤：
步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；
步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；
步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；
步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；
步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；
步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。
其中步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据的逐帧经过SENSE方法进行并行成像图像重建，得到初始图像。
其中步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SENSE方法进行并行成像图像重建，得到人工稀疏图像。
其中步骤二具体为，对步骤一得到的初始图像进行时间维PCA去噪处理，得到去噪图像。
需说明的是，本发明步骤一和步骤五的并行成像图像重建方法可以相同，也可以不同，具体的实施方式根据实际情况而定。如步骤一并行成像图像重建方法为SENSE方法，而步骤五的并行成像图像重建方法为GRAPPA方法。只要能进行并行成像图像重建都将落入本发明的一种基于人工稀疏的动态磁共振图像重建方法的保护范围。
该基于人工稀疏的动态磁共振图像重建方法包括如下步骤：步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。与现有技术相比，本发明的基于人工稀疏的动态磁共振图像重建方法产生的有益效果有：(1)本发明利用人工稀疏对并行成像算法进行改进，重建图像的伪影更少、噪声更低且信噪比更高。(2)本发明应用范围广，可以用于心脏动态成像和肝脏动态增强成像等。本发明可以应用于数量不同线圈通道，如2-128个线圈通道。
实施例2。
一种基于人工稀疏的动态磁共振图像重建方法的制备方法,其他特征与实施例1相同，不同之处在于：步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据的逐帧经过GRAPPA方法进行并行成像图像重建，得到初始图像。
步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过GRAPPA方法进行并行成像图像重建，得到人工稀疏图像。
该基于人工稀疏的动态磁共振图像重建方法包括如下步骤：步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。与现有技术相比，本发明的基于人工稀疏的动态磁共振图像重建方法产生的有益效果有：(1)本发明利用人工稀疏对并行成像算法进行改进，重建图像的伪影更少、噪声更低且信噪比更高。(2)本发明应用范围广，可以用于心脏动态成像和肝脏动态增强成像等。(3)本发明可以应用于数量不同线圈通道，如2-128个线圈通道。
实施例3。
一种基于人工稀疏的动态磁共振图像重建方法的制备方法,其他特征与实施例1相同，不同之处在于：步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据的逐帧经过SPIRiT方法进行并行成像图像重建，得到初始图像。
步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SPIRiT方法进行并行成像图像重建，得到人工稀疏图像。
通过重建得到收缩期和舒张期心脏电影来验证本实施例的基于人工稀疏的动态磁共振图像重建方法与现有技术中的GRAPPA算法和SPIRiT算法。
同时本发明用残差图和标准均方根误差来评价磁共振图像的质量，公式如下。
NRMSE＝||Iref(r)-I(r)||F/||Iref(r)||F
其中Iref(r)是SSoS(square root of sum-of-squares)方法重建得到的图像，I(r)是基于人工稀疏的动态磁共振图像重建方法重建得到的图像，||Iref(r)||F是参考图像的Frobenius范数。
从图2、图3和图4所示，可以明显看到现有技术中的GRAPPA算法的标准均方根误差最大，其次为现有技术中SPIRiT算法，而本发明提出的基于人工稀疏的动态磁共振图像重建方法的标准均方根误差最小。
该基于人工稀疏的动态磁共振图像重建方法包括如下步骤：步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。该基于人工稀疏的动态磁共振图像重建方法具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。与现有技术相比，本发明的基于人工稀疏的动态磁共振图像重建方法产生的有益效果有：(1)本发明利用人工稀疏对并行成像算法进行改进，重建图像的伪影更少、噪声更低且信噪比更高。(2)本发明应用范围广，可以用于心脏动态成像和肝脏动态增强成像等。(3)本发明可以应用于数量不同线圈通道，如2-128个线圈通道。
实施例4。
一种基于人工稀疏的动态磁共振图像重建系统，采用如上述的基于人工稀疏的动态磁共振图像重建方法。
该基于人工稀疏的动态磁共振图像重建系统设置有数据提取模块，用于获取降采样k-t空间数据。
图像重建模块，用于根据所述步骤一至步骤六的方法进行磁共振图像重建。
数据提取模块和图像重建模块电连接。
该基于人工稀疏的动态磁共振图像重建系统具有响应性好、简明有效、计算复杂度低和较高的稳定性的优点。
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 (9)
1.一种基于人工稀疏的动态磁共振图像重建方法,其特征在于，包括如下步骤：
步骤一、将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧进行并行成像图像重建，得到初始图像；
步骤二、对步骤一得到的初始图像进行去噪处理，得到去噪图像；
步骤三、对步骤二得到的去噪图像进行傅里叶变换，得到变换k-t空间数据；
步骤四、将初始k-t空间数据减去步骤三得到的变换k-t空间数据，得到人工稀疏k-t空间数据；
步骤五、将步骤四得到的人工稀疏k-t空间数据逐帧进行并行成像图像重建，得到人工稀疏图像；
步骤六、将步骤二得到的去噪图像与步骤五得到的人工稀疏图像求和，得到最终图像。
2.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧经过SENSE方法进行并行成像图像重建，得到初始图像。
3.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧经过GRAPPA方法进行并行成像图像重建，得到初始图像。
4.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤一具体为，将动态磁共振图像降采样的k-t空间数据定义为初始k-t空间数据，对初始k-t空间数据逐帧经过SPIRiT方法进行并行成像图像重建，得到初始图像。
5.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SENSE方法进行并行成像图像重建，得到人工稀疏图像。
6.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过GRAPPA方法进行并行成像图像重建，得到人工稀疏图像。
7.根据权利要求1所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤五具体为，将步骤四得到的人工稀疏k-t空间数据逐帧经过SPIRiT方法进行并行成像图像重建，得到人工稀疏图像。
8.根据权利要求2至7任意一项所述的基于人工稀疏的动态磁共振图像重建方法,其特征在于：所述步骤二具体为，对步骤一得到的初始图像进行时间维PCA去噪处理，得到去噪图像。
9.一种基于人工稀疏的动态磁共振图像重建系统，其特征在于：采用如权利要求1至8任意项所述的基于人工稀疏的动态磁共振图像重建方法；
设置有数据提取模块，用于获取降采样k-t空间数据；
图像重建模块，用于根据所述步骤一至步骤六的方法进行磁共振图像重建；
所述数据提取模块和图像重建模块电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910125967.5A CN109903354A (zh) | 2019-02-20 | 2019-02-20 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910125967.5A CN109903354A (zh) | 2019-02-20 | 2019-02-20 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903354A true CN109903354A (zh) | 2019-06-18 |
Family
ID=66945111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910125967.5A Pending CN109903354A (zh) | 2019-02-20 | 2019-02-20 | 一种基于人工稀疏的动态磁共振图像重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903354A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180310A (zh) * | 2020-08-20 | 2021-01-05 | 山东省医学影像学研究所 | 结合并行成像和主成分分析动态去噪的磁共振成像方法 |
| CN116758182A (zh) * | 2023-07-12 | 2023-09-15 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于运动分选的肝脏快速成像方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064046A (zh) * | 2012-12-25 | 2013-04-24 | 深圳先进技术研究院 | 一种基于稀疏采样的核磁共振成像的图像处理方法 |
| CN105912851A (zh) * | 2016-04-07 | 2016-08-31 | 大连理工大学 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
| CN107274462A (zh) * | 2017-06-27 | 2017-10-20 | 哈尔滨理工大学 | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 |
| CN107576924A (zh) * | 2017-08-07 | 2018-01-12 | 上海东软医疗科技有限公司 | 一种磁共振动态成像方法和装置 |
| GB201806025D0 (en) * | 2018-04-12 | 2018-05-30 | Siemens Healthcare Ltd | Method of reconstructing magnetic reasonance image data |
| CN108903942A (zh) * | 2018-07-09 | 2018-11-30 | 大连理工大学 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
| CN109239631A (zh) * | 2018-08-03 | 2019-01-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
-
2019
- 2019-02-20 CN CN201910125967.5A patent/CN109903354A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103064046A (zh) * | 2012-12-25 | 2013-04-24 | 深圳先进技术研究院 | 一种基于稀疏采样的核磁共振成像的图像处理方法 |
| CN105912851A (zh) * | 2016-04-07 | 2016-08-31 | 大连理工大学 | 一种利用PCA和非环形特性估计复数fMRI数据模型阶数的方法 |
| CN107274462A (zh) * | 2017-06-27 | 2017-10-20 | 哈尔滨理工大学 | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 |
| CN107576924A (zh) * | 2017-08-07 | 2018-01-12 | 上海东软医疗科技有限公司 | 一种磁共振动态成像方法和装置 |
| GB201806025D0 (en) * | 2018-04-12 | 2018-05-30 | Siemens Healthcare Ltd | Method of reconstructing magnetic reasonance image data |
| CN108903942A (zh) * | 2018-07-09 | 2018-11-30 | 大连理工大学 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
| CN109239631A (zh) * | 2018-08-03 | 2019-01-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| 吴超 等: "基于时域与空域信息去除fMRI信号生理噪声的无监督方法", 《计算机系统应用》, vol. 24, no. 11, pages 179 - 184 * |
| 王一然: "基于人工稀疏的动态磁共振成像算法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》, 15 August 2017 (2017-08-15), pages 29 - 47 * |
| 王一然: "基于人工稀疏的动态磁共振成像算法研究", 《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》, no. 8, pages 29 - 47 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112180310A (zh) * | 2020-08-20 | 2021-01-05 | 山东省医学影像学研究所 | 结合并行成像和主成分分析动态去噪的磁共振成像方法 |
| CN116758182A (zh) * | 2023-07-12 | 2023-09-15 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于运动分选的肝脏快速成像方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111513716B (zh) | 使用扩展灵敏度模型和深度神经网络进行磁共振图像重建的方法和系统 | |
| Maier et al. | Rapid T1 quantification from high resolution 3D data with model‐based reconstruction | |
| Usman et al. | Motion corrected compressed sensing for free‐breathing dynamic cardiac MRI | |
| US8472688B2 (en) | Method for image reconstruction employing sparsity-constrained iterative correction | |
| CN102906791B (zh) | 使用在先图像约束的图像重建的辐射计量减少的方法 | |
| JP5926285B2 (ja) | 任意ｋ空間トラジェクトリの高速並行再構成 | |
| US10073160B2 (en) | Magnetic resonance imaging of object in motion | |
| CN106997034B (zh) | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | |
| JP2009508656A (ja) | 高度に限定された画像再構成法を使用する拡散テンソル・イメージング | |
| JP2009508635A (ja) | 運動コード化ｍｒ画像の高度に限定された再構成 | |
| Rathi et al. | Diffusion propagator estimation from sparse measurements in a tractography framework | |
| CN104013403B (zh) | 一种基于张量分解稀疏约束的三维心脏磁共振成像方法 | |
| CN109903354A (zh) | 一种基于人工稀疏的动态磁共振图像重建方法及系统 | |
| Schwarz et al. | GRAPPA reconstructed wave‐CAIPI MP‐RAGE at 7 tesla | |
| Loecher et al. | Velocity reconstruction with nonconvex optimization for low‐velocity‐encoding phase‐contrast MRI | |
| WO2010045003A1 (en) | Method for time-of-arrival mapping in magnetic resonance imaging | |
| CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
| Franson et al. | Self‐calibrated through‐time spiral GRAPPA for real‐time, free‐breathing evaluation of left ventricular function | |
| CN113866694B (zh) | 一种快速三维磁共振t1定量成像方法、系统及介质 | |
| CN114926559A (zh) | 一种基于字典学习思想无衰减校正的pet重建方法 | |
| CN113192150B (zh) | 基于循环神经网络的磁共振介入图像重建方法 | |
| Fyrdahl et al. | Three‐dimensional sector‐wise golden angle–improved k‐space uniformity after electrocardiogram binning | |
| CN113628298B (zh) | 基于特征向量的自一致性和非局部低秩的并行mri重构方法 | |
| Hauptmann et al. | Real-time Cardiovascular MR with Spatio-temporal De-aliasing using Deep Learning-Proof of Concept in Congenital Heart Disease | |
| US11893662B2 (en) | Density compensation function in filtered backprojection |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |