CN110211050A - 用于稀疏图像重建的系统和方法 - Google Patents

用于稀疏图像重建的系统和方法 Download PDF

Info

Publication number
CN110211050A
CN110211050A CN201910134166.5A CN201910134166A CN110211050A CN 110211050 A CN110211050 A CN 110211050A CN 201910134166 A CN201910134166 A CN 201910134166A CN 110211050 A CN110211050 A CN 110211050A
Authority
CN
China
Prior art keywords
image
data
iteration
block
unit
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
CN201910134166.5A
Other languages
English (en)
Inventor
I·马尔基尔
S·安
C·J·哈迪
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN110211050A publication Critical patent/CN110211050A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/482—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a Cartesian trajectory
    • G01R33/4822—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a Cartesian trajectory in three dimensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5611—Parallel magnetic resonance imaging, e.g. sensitivity encoding [SENSE], simultaneous acquisition of spatial harmonics [SMASH], unaliasing by Fourier encoding of the overlaps using the temporal dimension [UNFOLD], k-t-broad-use linear acquisition speed-up technique [k-t-BLAST], k-t-SENSE
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

公开了用于稀疏图像重建的系统和方法。用于稀疏图像重建的方法包括从磁共振成像设备获取线圈数据。所述线圈数据包括对应于对象的欠采样k空间数据。所述方法还包括通过使用图像重建技术处理线圈数据以生成初始欠采样图像。所述方法还包括基于所述线圈数据、所述初始欠采样图像和扩展网络的多个迭代块生成重建图像。所述扩展网络的第一个迭代块接收所述初始欠采样图像。所述多个迭代块中的每一个包括数据一致性单元和正则化单元，并且所述迭代块通过从一个迭代块到下一个迭代块的直接连接以及到非相邻迭代块的多个密集跳过连接二者来连接。所述扩展网络基于通过使用先前获取的线圈数据训练的神经网络。

Description

用于稀疏图像重建的系统和方法
背景技术
本说明书的实施例大体涉及图像重建，并且更具体地涉及用于欠采样磁共振图像的重建的系统和方法。
诸如磁共振成像(MRI)的成像技术需要更长的原始数据获取持续时间和高计算能力以用于从所获取的原始数据重建图像。已经使用并行成像和压缩感测技术通过对k空间进行欠采样来减少MRI扫描时间。在图像获取期间，利用线圈阵列的不同空间灵敏度和/或变换域中的稀疏性来对数据进行欠采样。然而，传统的MRI技术仅为较小的欠采样因子提供具有良好图像质量的重建图像，并且当采用较高的欠采样因子时，图像伪像是明显的。
深度学习网络可用于从欠采样获取数据重建磁共振(MR)图像。然而，由于无效的特征传播，增加深度神经网络中的卷积层的数量可能不会改善重建图像的质量。在使用小波或全变差的压缩感测方法中，稀疏度和数据一致性项的相对强度在成本函数中进行调整。当稀疏项太弱时，在重建图像中引入残差混叠。当稀疏项相对较强时，重建图像看起来不自然平坦。
在k空间中获取高度欠采样的原始数据可以实现更快的成像。然而，基于欠采样原始数据的重建图像的质量必须与完全采样的MR图像具有可比性。需要被配置成基于k空间中的欠采样原始数据生成完全采样的MR图像的估计的图像重建技术。具体地，期望的是基于卷积的深度学习网络的较新架构。
发明内容
根据本说明书的一个方面，公开了一种用于稀疏图像重建的方法。该方法包括从磁共振成像设备获取线圈数据，其中线圈数据包括与对象对应的欠采样k空间数据。该方法还包括使用图像重建技术处理线圈数据以生成初始欠采样图像。该方法还包括基于线圈数据、初始欠采样图像和扩展网络的多个迭代块生成重建图像。扩展网络的第一个迭代块接收初始欠采样图像。多个迭代块中的每一个包括数据一致性单元和正则化单元，并且迭代块通过从一个迭代块到下一个迭代块的直接连接以及到非相邻迭代块的多个密集跳过连接2者来连接。扩展网络基于使用先前获取的线圈数据训练的神经网络。
根据本说明书的另一个方面，公开了一种用于稀疏图像重建的系统。系统包括数据库单元，该数据库单元被配置成存储具有多个迭代块和先前获取的线圈数据的扩展网络。多个迭代块中的每一个包括数据一致性单元和正则化单元，并且迭代块通过从一个迭代块到下一个迭代块的直接连接以及到非相邻迭代块的多个密集跳过连接2者来连接。扩展网络基于使用先前获取的线圈数据训练的神经网络。系统还包括数据获取单元，被配置成从磁共振成像设备获取线圈数据。线圈数据包括对应于对象的欠采样k空间数据。系统还包括图像处理单元，该图像处理单元通信地耦合到数据获取单元并且被配置成使用图像重建技术处理线圈数据以生成初始欠采样图像。图像处理单元还被配置成基于线圈数据、初始欠采样图像和扩展网络生成重建图像。扩展网络的第一个迭代块接收初始欠采样图像。
附图说明
当参考所附附图阅读以下具体说明时，本发明的实施例的这些以及其他特征和方面将被更好理解，类似的字符在整个附图中表示类似的部件，在附图中：
图1是根据本说明书的方面的使用扩展网络重建图像的系统的示意图；
图2是根据本说明书的方面示出使用扩展网络重建图像的方法的流程图；
图3是根据本说明书的方面示出用于重建图像的扩展网络的框图；
图4是根据本说明书的方面的图3的扩展网络中使用的迭代块的框图；
图5是根据本说明书的方面的图3的扩展网络中使用的正则化单元的框图；并且
图6A-6E示出了根据本说明书的方面的用于重建图像的扩展网络的优越性能。
具体实施方式
如下文将详细描述的，提供了用于图像重建的系统和方法，并且更具体地，提供了用于重建磁共振图像的系统和方法。本文公开的实施例被配置用于基于使用扩展网络从磁共振成像(MRI)设备获取的欠采样的k空间原始数据集来生成完全采样的重建图像。本文公开的扩展网络包括多个迭代块，其具有从每个迭代块到多个后续迭代块的密集跳过连接。每个迭代块被配置成维持中间特征映射与欠采样的k空间原始数据集之间的数据一致性。此外，迭代块还被配置成引导扩展网络以获得用于从从欠采样的k空间原始数据集生成的欠采样输入图像重建完全采样图像的不适定优化问题的可行解。
术语“原始数据”是指由成像设备生成的数据，术语“输入数据集”是指对应于多个MR线圈的多个二维空间原始数据。术语“k空间”指的是与由MR成像设备获取的与原始数据相对应的向量空间。可以将k空间视为2D傅立叶空间，并且可以使用2D逆傅立叶变换来重建MR图像。从MR成像设备获取的k空间输入数据集在本文中也称为“线圈数据”。术语“欠采样”是指以奈奎斯特采样率的一小部分对数据进行子采样或采样。数据获取期间的欠采样会生成稀疏数据，数据的稀疏性与欠采样因子有关。术语k空间指的是二维(2D)或三维(3D)的傅里叶空间，并且k空间数据对应于磁共振(MR)图像的傅里叶变换。本文使用的术语“扩展网络”是指深度学习图像重建网络，其具有多个迭代块并且被配置成使用密集跳过连接有效地跨越层传播特征。具体地，在一个实施例中，深度学习网络可以是基于卷积层的网络。术语“跳过连接”是指将先前的第一迭代块的输出作为输入馈送到随后的第二迭代块，其中在第一迭代块和第二迭代块之间具有一个或多个迭代块。术语“跳过块”用于参考随后的第二迭代块指代先前的第一迭代块。术语“跳过输入”指的是从跳过块到迭代块的输入。术语“中间特征映射”用于表示扩展网络中的迭代块的输出。术语“数据一致性”是指在迭代块的输出中保持线圈数据的保真度。术语“正则化”指的是修改不适定优化问题以具有可行解。术语“正则化项”用于指代能够生成可行的最优解的优化问题的成本函数中的附加项。术语“完全采样图像”用于表示从以奈奎斯特采样率采样的k空间数据重建的图像。术语“欠采样图像”或“子采样图像”用于指代从欠采样k空间数据重建的图像。
图1是根据本说明书的方面的成像系统100的示意图，成像系统100被配置成提供更快的图像获取。成像系统100包括成像设备102，成像设备102被配置成获取对应于对象124的输入数据集104。在一个实施例中，成像设备102对应于磁共振成像(MRI)设备。此外，在该实施例中，输入数据集104对应于由多个射频线圈生成的线圈数据，多个射频线圈被配置成向对象124中的感兴趣器官发送RF信号/从对象124中的感兴趣器官接收RF信号。在MRI设备的情况下，线圈数据包括欠采样的k空间数据。在一个实施例中，欠采样因子四用于生成线圈数据。然而，在获取线圈数据期间也可以使用其他欠采样因子。k空间数据的欠采样为输入数据集104提供稀疏性。稀疏输入数据集104使得能够更快地获取(或等效地，减少扫描持续时间)并且更快地重建MR图像。成像系统100还包括图像重建子系统106，其通信地耦合到成像设备102并且被配置成使用扩展网络基于稀疏数据(诸如输入数据集104)来重建图像。
图像重建子系统106包括经由通信总线120彼此通信地耦合的数据获取单元108、数据库单元110、图像处理单元114、控制单元116和存储器单元118。数据库单元110还包括扩展网络112，其被配置成从诸如输入数据集104的稀疏数据生成高保真图像。具体地，扩展网络112基于训练的神经网络。
数据获取单元108通信地耦合到成像设备102并且被配置成获取输入数据集104。在MR成像设备的情况下，输入数据集104对应于从多个接收器线圈生成的线圈数据。在一个实施例中，由输入数据集104表示的线圈数据是从具有欠采样因子四的八个接收器线圈获取的。数据获取单元108可以包括处理输入数据集104所需的模数转换器、预处理模块、数据调节单元和定时电路。数据获取单元108还被配置成将输入数据集104存储在数据库单元110中。数据获取单元108还被配置成从数据库单元110检索先前获取/存储的线圈数据，以训练扩展网络112。
数据库单元110通信地耦合到数据获取单元108，并且被配置成存储在先前时刻获取的输入数据集、扩展网络112和其他相关数据。扩展网络112包括通过级联连接彼此耦合的多个迭代块。每个迭代块包括数据一致性单元和正则化单元，并且第四到最终迭代块中的每一个被配置成处理多个跳过输入。具体地，多个迭代块中的大多数通过从一个迭代块到下一个迭代块的直接连接以及到非相邻迭代块的多个密集跳过连接2者来连接。数据一致性单元被配置成在对应迭代块的输出中保持线圈数据的保真度。正则化单元被配置成基于多个跳过输入生成正则化信息。此外，正则化单元被配置成基于正则化信息来减少对应迭代块的输出中的泛化误差。正则化单元包括多个卷积层、多个偏置层和多个泄漏的ReLU层。卷积层被配置成使用多个空间滤波器生成特征映射。偏置层被配置成改善正则化单元的建模能力，并且泄漏的ReLU层是整流线性单元(ReLU)的泄漏版本，被配置成在提供优化问题的迭代解的同时改善梯度的传播。正则化单元被配置成最小化对应迭代块的输出中的泛化误差。具体地，扩展网络112包括扩展网络的结构参数，诸如但不限于，迭代块的数量、用于生成特征映射的滤波器的数量和大小，在正则化单元中使用的跳过连接的数量和卷积层的数量。扩展网络112还包括数据一致性单元的参数值和正则化单元的参数值。正则化单元的参数值包括用于生成特征映射的滤波器的参数值、偏置值和激活层参数。此外，数据库单元110还包括与一致性单元相对应的参数值和由数据一致性单元使用的变换。数据库单元110还被配置成存储正则化单元的中间输出，诸如特征映射、偏置特征映射和整流层输出。数据库单元110还包括与在先前时刻获取的欠采样的k空间输入数据集相对应的基础事实图像。
图像处理单元114通信地耦合到数据获取单元108和数据库单元110，并且被配置成通过使用扩展网络处理输入数据集104。图像处理单元114被配置成基于输入数据集104生成重建图像122。具体地，图像处理单元114被配置成通过使用图像重建技术基于表示为输入数据集104的线圈数据生成初始欠采样图像。此外，图像处理单元114被配置成基于表示为输入数据集104的线圈数据、初始欠采样数据和扩展网络122生成重建图像122。图像处理单元114将初始欠采样图像提供给扩展网络112的第一迭代块。在一个实施例中，初始欠采样图像是复合合成图像。第一迭代块被配置成基于初始欠采样图像和线圈数据生成第一块输出。第一块输出经由直接连接供应到第二迭代块作为直接输入并且经由密集跳过连接供应到多个后续迭代块(诸如，但不限于第三迭代块和第四迭代块)作为跳过输入。通常，密集跳过连接从至少一些迭代块中的每一个的输出超过各自随后的迭代块而向前扇出到预定数量的后续迭代块。在一个实施例中，预定数量的后续迭代块可以由用户指定。在另一个实施例中，还可以在扩展网络112的生成期间确定预定数量的后续迭代块。
在一个实施例中，图像处理单元114被配置成在离线模式下操作以生成对应于存储在数据库单元110中的特定输入数据集的扩展网络112。具体地，图像处理单元114被配置成基于训练数据集和对应的基础事实图像来训练扩展网络112。训练数据集包括标记的线圈数据集和对应于表示完整样本重建图像的标记线圈数据的基础事实图像。在一个实施例中，图像处理单元114被配置成从数据库单元接收先前获取的基本上完全采样的线圈数据。可以从MRI设备获取完全采样的线圈数据并将其存储在数据库单元110中。此外，图像处理单元114被配置成重建基本上完全采样的线圈数据，以生成与先前获取的线圈数据相对应的基础事实图像。图像处理单元114还被配置成回顾性地对基本上完全采样的线圈数据进行欠采样，以生成对扩展网络的对应输入数据。对扩展网络的欠采样输入数据和对应的基础事实图像用作训练数据集以训练扩展网络。
此外，图像处理单元可以采用任何公知的深度学习训练技术来基于训练数据集训练扩展网络112。在训练期间，也可以改变扩展网络的一个或多个结构参数以确定扩展网络的最佳结构。具体地，图像处理单元114被配置成通过训练扩展网络来确定与多个迭代块的数据一致性单元和正则化单元对应的多个参数，以创建与对应的基础事实图像相似的输出图像。此外，图像处理单元114被配置成将被训练的扩展网络存储在数据库单元110中。
控制单元116通信地耦合到数据获取单元108、图像处理单元114、数据库单元110和存储器单元118中的一个或多个，并且被配置成发起和/或控制它们的操作。虽然控制单元116被示为单独的单元，但是在一些实施例中，控制单元116也可以是数据获取单元108和图像处理单元114的一部分。控制单元116可以包括一个或多个处理器，这些处理器共同位于单个集成电路内或分布在多个集成电路中，这些集成电路联网以无缝方式共享数据和通信。控制单元116包括至少一个算术逻辑单元、微处理器、微控制器、通用控制器、图形处理单元(GPU)或处理器阵列，以执行所需的计算或运行计算机程序。
存储器单元118通信地耦合到控制单元116，并且被配置成存储控制单元116所需的程序、操作系统和相关数据。尽管存储器单元118被示为单独的单元，但是存储器单元118可以是控制单元116、图像处理单元114或数据库单元110的一部分。在一个实施例中，存储器单元118可以是动态随机存取存储器(DRAM)设备、静态随机存取存储器(SRAM)设备、闪存或其他存储设备。在另一个实施例中，存储单元可以包括非易失性存储器或类似的永久性存储设备，诸如硬盘驱动器、软盘驱动器、光盘只读存储器(CD-ROM)设备、数字通用盘只读存储器(DVD-ROM)设备、数字通用盘随机存取存储器(DVD-RAM)设备、数字通用盘可重写(DVD-RW)设备、闪存设备或其他非易失性存储设备。存储器单元118还可以是编码有用来指示一个或多个处理器的程序的非暂态计算机可读介质，以基于欠采样的k空间数据生成重建的图像。
图2是根据本说明书的方面示出使用扩展网络重建图像的方法200的流程图。方法200包括在步骤202从磁共振成像设备获取线圈数据。线圈数据包括对应于对象124的欠采样k空间原始数据。线圈数据可以由MR成像设备的八个接收器线圈生成，并且可以在获取线圈数据时使用欠采样因子4。
方法200还包括在步骤204通过使用图像重建技术处理线圈数据来生成初始欠采样图像。图像重建技术可以包括任何合适的技术，其中一个示例包括2D逆傅立叶变换，考虑线圈灵敏度并使用用于组合线圈数据的方法来生成复杂的重建图像。
方法200还包括在步骤206基于线圈数据、初始欠采样图像、和扩展网络的多个迭代块生成重建图像。多个迭代块中的每一个包括数据一致性单元和正则化单元。扩展网络基于使用先前获取的线圈数据训练的神经网络。在一个实施例中，可以在扩展网络中使用大约16个迭代块。迭代块通过从一个迭代块到下一个迭代块的直接连接以及到非相邻迭代块的多个密集跳过连接2者来连接。每个数据一致性单元被配置成在对应迭代块的输出中保持线圈数据的保真度。正则化单元被配置成指导MR图像的重建，作为由扩展网络解决的优化问题的可行解。
具体地，步骤206包括确定重建图像包括基于对应的数据一致性单元在多个迭代块中的每一个的输出中保持线圈数据的保真度。此外，步骤206还包括基于对应的正则化单元生成正则化信息以减少多个迭代块中的每个迭代块的输出中的泛化误差。在一个实施例中，通过使用卷积网络处理来自先前迭代块的直接输入和多个跳过输入来生成正则化信息。用于生成正则化信息的卷积网络包括多个处理级，并且多个处理级中的每一个包括卷积层、偏置层和ReLU(整流线性单元)层。在一个实施例中，ReLU层的泄漏版本被配置成提供优化问题的迭代解的同时改善梯度的传播。具体地，卷积网络包括多个卷积层、多个偏置层和多个泄漏的ReLU层。在一个实施例中，扩展网络包括16个迭代块，并且基于五个跳跃输入确定正则化信息。在这样的实施例中，正则化单元可以包括五个卷积层，并且卷积层可以被配置为通过使用八个、十二个、二十个或四十个滤波器来生成特征映射。
在一个实施例中，方法200还包括在步骤208从数据库单元接收先前获取的基本上完全采样的线圈数据。此外，方法200包括在步骤210重建基本上完全采样的线圈数据以产生与先前获取的线圈数据相对应的基础事实图像。在步骤212，方法200还包括回顾性地对基本上完全采样的线圈数据进行欠采样，以生成对于扩展网络的对应输入数据。此外，方法200包括在步骤214通过训练扩展网络来确定与多个迭代块的数据一致性单元和正则化单元对应的多个参数，以创建与对应的基础事实图像相似的输出图像。方法200还包括在数据库单元存储扩展网络。
图3是根据本说明书的方面用于重建图像的扩展网络的示意图300。示意图300包括表示图1的输入数据集104的线圈数据302。在所示实施例中，线圈数据302是来自多个线圈的二维k空间数据集。示意图300还包括多个迭代块，包括形成图1的扩展网络112的迭代块308、310、312、314和316。所示实施例的扩展网络的每个迭代块提供两个密集跳过连接。示意图300的扩展网络接收线圈数据302作为包括迭代块308、310、312、314和316的迭代块的输入。第一迭代块308还接收基于线圈数据302生成的初始欠采样图像306。第一迭代块308被配置成基于初始欠采样图像306和线圈数据302生成第一迭代块输出。第一迭代块输出通过直接连接340作为直接输入提供至第二迭代块310。此外，第一迭代块输出还通过密集跳过连接348和350作为跳过输入分别提供至诸如312和314的后续迭代块。第二迭代块310被配置成基于第一迭代块输出340和线圈数据304生成第二迭代块输出。第三迭代块312被配置程通过直接连接342接收第二迭代块输出，并且通过密集跳过连接348接收第一迭代块输出。第二迭代块312还被配置成接收线圈数据302并生成第三迭代块输出。迭代块316被配置成基于通过其相邻的先前迭代块(未示出)的直接连接的迭代块输出以及来自相邻的先前迭代块之前的迭代块的密集跳过连接的迭代块输出以及线圈数据304来生成最终迭代块输出338。在所示实施例中，迭代块314被配置成接收从先前迭代块生成的三个迭代块输出344、350、352。迭代块308、310参考迭代块314被称为跳过块。迭代块308、310的输出是参考迭代块314的跳过输入。
如前所述，多个迭代块308、310、312、314、316中的每一个包括数据一致性单元和正则化单元。具体地，迭代块308包括数据一致性单元318和正则化单元320。迭代块310包括数据一致性单元322和正则化单元324。迭代块312包括数据一致性单元326和正则化单元328。相似地，迭代块314包括数据一致性单元330和正则化单元332，并且迭代块316包括数据一致性单元334和正则化单元336。数据一致性单元318、322、326、330、334被配置成保持对应迭代块输出中的线圈数据的保真度。正则化单元320、324、328、332、336被配置成基于多个跳过输入生成正则化信息。正则化信息表示减少每个迭代块的输出中的泛化误差所需的附加信息。
在一个实施例中，示意图300的扩展网络包括16个迭代块，每个块具有5个跳过连接。在这样的实施例中，每个迭代块(诸如图中的迭代块314)接收从先前迭代块生成的多达六个迭代块输出。六个迭代块输出中的一个是通过方向连接从中间前导迭代块输出的迭代块，并且剩余的五个迭代块输出是通过密集跳过连接接收的跳过输入。在这样的实施例中，线圈数据302可以从具有八个接收器线圈的MRI设备生成。设想了其他实施例中的扩展网络的其他配置。在这样的实施例中，示意图300的扩展网络可以包括具有5或20个密集跳过连接的10或50个迭代块。每个迭代块中的卷积网络可以包括3或10个卷积层，并且每个卷积层可以使用10或30个滤波器来生成中间特征映射。
图4是根据本说明书的方面的图3的扩展网络中使用的迭代块400的框图。迭代块400为用公式表示为优化问题的图像重建提供迭代解。迭代块400包括数据一致性单元412，其被配置成接收第一输入410，第一输入410是来自诸如图3的340的先前迭代块的迭代块输出。此外，数据一致性单元412被配置成接收线圈数据402(相当于图3中的304)。此外，数据一致性单元412被配置成生成表示维持第一输入410中的数据一致性所需的校正的第一输出416。迭代块400还包括正则化单元414，其被配置成参考迭代块400接收第一输入410和来自三个跳过块的多个迭代块输出404、406、408作为跳过输入。在一个实施例中，正则化单元414是深度学习卷积神经网络，如后续段落中参考随后的附图(图5)所解释的。正则化单元414被配置成基于用作跳过输入的迭代块输出404、406、408来生成正则化信息420。正则化信息420表示确定对不适定优化问题的有效解所需的附加信息。正则化单元414能够跨多个迭代块传播特征以生成正则化信息420。具体地，在一个实施例中，正则化信息420表示在优化问题中使用的损失函数的平滑度。在另一实施例中，正则化信息420表示向量空间范数。在一些实施例中，正则化信息420可以参考优化问题的损失函数来表示先验分布的度量、稀疏度度量或泛化度量。
在一个实施例中，数据一致性单元412被配置陈生成由以下给出的输出：
λnA*(Aun-f) (1)
其中，n表示对应于数据一致性单元412的迭代块的指数，λn是对应于索引n的加权参数，A表示数据从图像空间到k空间的变换。具体地，由矩阵A表示的变换包括乘以线圈灵敏度，应用二维FFT并乘以采样模式。μn项表示从第n个迭代块(诸如图4中的410)生成的图像。A*项是对应于A的伴随运算符。具体地，伴随运算符A*包括二维FFT运算，随后用对应的线圈灵敏度函数校正线圈数据的多个图像，然后将多个图像组合成单个图像。f项表示M线圈欠采样的k空间数据，诸如图4的402。
图5是根据本说明书的方面的图4的正则化网络中使用的深度学习网络500的示意图。在所示实施例中，深度学习网络500是卷积神经网络。深度学习网络500被配置成从多个先前迭代块接收多个输入图像502并生成重建图像514。深度学习网络500包括多个级504、508、，512。多个级504、508、512中的每一个包括特征生成器、偏置提供器和激活层。在一个实施例中，特征生成器是具有多个滤波器的卷积层。特征生成器被配置成基于多个输入图像生成多个特征映射。偏置提供器被配置成接收多个特征映射并生成多个偏置特征映射。激活层被配置成接收多个偏置输出特征映射并生成一个或多个输出图像。多个级包括第一级504，第二级508和第三级512。第一级504被配置成处理多个输入图像502以生成第一多个输出图像506。多个输入图像502是具有深度学习网络500的迭代块的紧接在前的迭代块或跳过块中的一个的输出。第二级508被配置成处理第一多个输出图像506并生成第二多个输出图像510。第三级512被配置成处理第二多个输出图像510以生成重建图像514。在一个实施例中，使用大约十二个滤波器来生成第一多个输出图像506和第二多个输出图像510。尽管在图5的实施例中仅示出了三个级，可以使用十个或更多个级来处理每个正则化单元中的跳过输入，诸如图3中的330。
图6A-6E是示出了根据本说明书的方面的用于重建图像的扩展网络的优越性能的图像602、604、606、608、610。图像602对应于以奈奎斯特采样率采样的基础事实图像。图像602具有良好的保真度并且用作参考图像以比较来自扩展网络的重建图像和来自其他现有技术的重建图像。图像604是根据本申请的示例性实施例的从扩展网络获得的重建图像。图像606是通过使用全变差技术获得的重建图像。图像608是使用用于笛卡尔成像自动校正重建(ARC)技术获得的重建图像。图像610是从零填充技术获得的重建图像。可以注意到，与其他图像606、608和610相比，从扩展网络获得的图像604在感知上更优越。此外，参考基础事实图像602为图像604、606、608、610计算相对均方误差(rMSE)值和结构相似性指数(SSIM)值。图像604的rMSE值等于0.4，远低于其他图像606、608、610的rMSE值(大于1.5)，指示扩展网络具有更好的性能。相似地，与对应于图像606、608、610的较低SSIM值(小于0.9)相比，图像604的SSIM值更高(约0.95)，指示扩展网络具有更好的感知性能。
所公开的通过使用扩展网络从欠采样的k空间线圈数据重建磁共振图像的技术提供了更高质量的图像。从每个迭代块到多个后续迭代块的扩展网络提供的密集跳过连接能够减轻深度神经网络中遇到的消失梯度问题。具有密集跳过连接的扩展网络能够在更深的卷积网络的迭代块之间有效地传播特征。扩展网络被配置成级联相邻迭代块的特征，从而实现增强的特征传播。增强的稀疏MR图像重建减少了MR图像扫描时间。
应理解，不一定上述所有这些目标或优点都可根据任何特定实施例实现。因此，例如，本领域的技术人员将认识到本文描述的系统和技术可按实现或优化本文所教导的一个优势或一组优势的方式来具体化或执行，而不一定要同时实现本文可能教导或提出的其他目的或优势。
尽管只结合有限数量的实施例详细描述了本技术，但应当容易地理解，本说明书不限于这些所公开的实施例。相反，本技术可被修改以包括至此未描述的但与权利要求书的精神和范围相称的任何数量的变型、更改、替换、或等效布置。另外，尽管描述了本技术的各实施例，但将理解，本说明书的各方面可只包括所描述的实施例中的一些。因此，说明书不被视为由前述说明限制，而仅由所附权利要求的范围限制。

Claims (20)

1.一种用于稀疏图像重建的方法，包括：
从磁共振成像设备获取线圈数据，其中所述线圈数据包括与对象对应的欠采样k空间数据；
通过使用图像重建技术处理所述线圈数据以生成初始欠采样图像；并且
基于所述线圈数据、所述初始欠采样图像、和扩展网络的多个迭代块生成重建图像，其中，所述扩展网络的第一迭代块接收所述初始欠采样图像，并且其中，所述多个迭代块的每一个包括数据一致性单元和正则化单元，并且其中，所述迭代块通过从一个迭代块到下一个迭代块的直接连接和到非相邻迭代块的多个密集跳过连接两者连接，并且其中，所述扩展网络基于通过使用先前获取的线圈数据训练的神经网络。
2.如权利要求1所述的方法，进一步包括：
从数据库单元接收先前获取的基本上完全采样的线圈数据；
重建所述基本上完全采样的线圈数据，以生成对应于所述先前获取的线圈数据的基础事实图像；
回顾性地对所述基本上完全采样的线圈数据进行欠采样，以生成对于所述扩展网络的对应的输入数据；
通过训练所述扩展网络来确定与所述多个迭代块的所述数据一致性单元和所述正则化单元对应的多个参数，以创建与对应的所述基础事实图像相似的输出图像；并且
将训练的扩展网络存储在所述数据库单元。
3.如权利要求1所述的方法，其中，所述初始欠采样图像是复合合成图像。
4.如权利要求1所述的方法，其中，生成所述重建图像包括基于对应的数据一致性单元在所述多个迭代块中的每一个的输出中保持所述线圈数据的保真度。
5.如权利要求1所述的方法，其中，生成所述重建图像包括基于对应的正则化单元生成正则化信息以减少在所述多个迭代块中的每一个的输出中的泛化误差。
6.如权利要求5所述的方法，其中，生成所述正则化信息包括使用卷积网络处理来自所述密集跳过连接和来自紧接在前的迭代块的多个输入，其中，所述卷积网络包括多个卷积层、多个偏置层、和多个泄漏的ReLU层。
7.如权利要求6所述的方法，其中，密集跳过连接从至少一些所述迭代块中的每一个的输出超过所述对应的随后的迭代块而向前扇出到预定数量的后续迭代块。
8.如权利要求6所述的方法，其中，来自所述多个迭代块中的一个或多个的输出基于五个跳过输入。
9.如权利要求6所述的方法，其中，生成所述重建图像包括为所述多个迭代块中的每一个生成中间特征映射。
10.如权利要求1所述的方法，其中，生成所述重建图像包括：
以欠采样因子为4、从八个接收器线圈获取所述线圈数据；并且
使用具有十六个迭代块的扩展网络处理所述线圈数据，每个迭代块包括五个卷积层，并且每个卷积层包括十二个滤波器。
11.一种用于稀疏图像重建的系统，包括：
数据库单元，被配置成存储包括多个迭代块和先前获取的线圈数据的扩展网络，其中，所述多个迭代块中的每一个包括数据一致性单元和正则化单元，并且其中，所述迭代块通过从一个迭代块到下一个迭代块的直接连接和到非相邻迭代块的多个密集跳过连接两者连接，并且其中，所述扩展网络基于通过使用先前获取的线圈数据训练的神经网络；
数据获取单元，被配置成从磁共振成像设备获取线圈数据，其中所述线圈数据包括与对象对应的欠采样k空间数据；
图像处理单元，通信地耦合到所述数据获取单元并且被配置成：
通过使用图像重建技术处理所述线圈数据以生成初始欠采样图像；
基于所述线圈数据、所述初始欠采样图像和所述扩展网络生成重建图像，其中所述扩展网络的第一迭代块接收所述初始欠采样图像。
12.如权利要求11所述的系统，其中，所述图像处理单元被进一步配置成：
从数据库单元接收先前获取的基本上完全采样的线圈数据；
重建所述基本上完全采样的线圈数据，以生成对应于所述先前获取的线圈数据的基础事实图像；
回顾性地对所述基本上完全采样的线圈数据进行欠采样，以生成对于所述扩展网络的对应的输入数据；
通过训练所述扩展网络来确定与所述多个迭代块的所述数据一致性单元和所述正则化单元对应的多个参数，以创建与对应的基础事实图像相似的输出图像；并且
将所述训练的扩展网络存储在所述数据库单元。
13.如权利要求11所述的系统，其中，所述初始欠采样图像是复合合成图像。
14.如权利要求11所述的系统，其中，所述扩展网络被配置成基于对应的数据一致性单元在所述多个迭代块中的每一个的输出中保持所述线圈数据的保真度。
15.如权利要求11所述的系统，其中，所述扩展网络被配置成基于对应的正则化单元生成正则化信息以减少在所述多个迭代块中的每一个的输出中的泛化误差。
16.如权利要求15所述的系统，其中，所述正则化单元被配置成使用卷积网络处理来自所述密集跳过连接和来自紧接在前的迭代块的多个输入，其中，所述卷积网络包括多个卷积层、多个偏置层、和多个泄漏的ReLU层。
17.如权利要求16所述的系统，其中，所述密集跳过连接从至少一些所述迭代块中的每一个的输出超过所述对应的随后的迭代块而向前扇出到预定数量的后续迭代块。
18.如权利要求16所述的系统，其中，来自所述多个迭代块中的一个或多个的输出基于五个跳过输入。
19.如权利要求16所述的系统，其中，所述扩展网络被配置成为所述多个迭代块中的每一个生成中间特征映射。
20.如权利要求11所述的系统，其中，所述扩展网络包括十六个迭代块，每个迭代块包括五个卷积层，并且每个卷积层包括十二个滤波器，所述扩展网络被配置成处理从八个接收器线圈获取的所述线圈数据，其欠采样因子为四。
CN201910134166.5A 2018-02-28 2019-02-22 用于稀疏图像重建的系统和方法 Pending CN110211050A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/907,797 US10489943B2 (en) 2018-02-28 2018-02-28 System and method for sparse image reconstruction
US15/907,797 2018-02-28

Publications (1)

Publication Number Publication Date
CN110211050A true CN110211050A (zh) 2019-09-06

Family

ID=65443760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910134166.5A Pending CN110211050A (zh) 2018-02-28 2019-02-22 用于稀疏图像重建的系统和方法

Country Status (3)

Country Link
US (1) US10489943B2 (zh)
EP (1) EP3534170A1 (zh)
CN (1) CN110211050A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111489404A (zh) * 2020-03-20 2020-08-04 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置
CN112509120A (zh) * 2019-12-19 2021-03-16 上海联影智能医疗科技有限公司 用于重建图像的系统和方法
CN112767504A (zh) * 2020-01-22 2021-05-07 上海联影智能医疗科技有限公司 用于图像重建的系统和方法
CN113066141A (zh) * 2020-01-02 2021-07-02 通用电气公司 Mr图像数据的重建

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10782378B2 (en) * 2018-05-16 2020-09-22 Siemens Healthcare Gmbh Deep learning reconstruction of free breathing perfusion
US10810767B2 (en) * 2018-06-12 2020-10-20 Siemens Healthcare Gmbh Machine-learned network for Fourier transform in reconstruction for medical imaging
EP3830596A2 (en) 2018-07-30 2021-06-09 Hyperfine Research, Inc. Deep learning techniques for magnetic resonance image reconstruction
AU2019321607A1 (en) 2018-08-15 2021-02-11 Hyperfine Operations, Inc. Deep learning techniques for suppressing artefacts in magnetic resonance images
AU2020237207A1 (en) * 2019-03-14 2021-09-23 Hyperfine Operations, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
CN112494029A (zh) * 2019-11-29 2021-03-16 上海联影智能医疗科技有限公司 实时mr电影数据重建方法和系统
US11992289B2 (en) * 2019-11-29 2024-05-28 Shanghai United Imaging Intelligence Co., Ltd. Fast real-time cardiac cine MRI reconstruction with residual convolutional recurrent neural network
US11170543B2 (en) * 2020-01-13 2021-11-09 The Board Of Trustees Of The Leland Stanford Junior University MRI image reconstruction from undersampled data using adversarially trained generative neural network
US20230055826A1 (en) * 2020-02-04 2023-02-23 The University Of Hong Kong Systems and methods for magnetic resonance image reconstruction from incomplete k-space data
US11967004B2 (en) * 2021-07-16 2024-04-23 Shanghai United Imaging Intelligence Co., Ltd. Deep learning based image reconstruction
CN117788477B (zh) * 2024-02-27 2024-05-24 贵州健易测科技有限公司 一种用于对茶叶卷曲度自动量化的图像重建方法及装置

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013188957A1 (en) 2012-06-18 2013-12-27 University Health Network Method and system for compressed sensing image reconstruction
CN103646410B (zh) 2013-11-27 2016-06-08 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
EP3102960B1 (en) 2014-02-03 2023-06-07 The U.S.A. as represented by the Secretary, Department of Health and Human Services System and apparatus for real-time processing of medical imaging raw data using cloud computing
US9607362B2 (en) * 2014-05-16 2017-03-28 North Carolina State University Compressive imaging using approximate message passing with denoising
JP6716538B2 (ja) 2014-07-28 2020-07-01 インテュイティブ サージカル オペレーションズ， インコーポレイテッド 多数のインターベンショナル処置を計画するシステム及び方法
AU2015311749B2 (en) 2014-09-05 2018-06-21 Hyperfine Operations, Inc. Ferromagnetic augmentation for magnetic resonance imaging
US9922272B2 (en) 2014-09-25 2018-03-20 Siemens Healthcare Gmbh Deep similarity learning for multimodal medical images
JP6674958B2 (ja) 2014-11-11 2020-04-01 ハイパーファイン リサーチ，インコーポレイテッド 低磁場磁気共鳴のためのパルス・シーケンス
US9846214B2 (en) 2014-12-29 2017-12-19 Toshiba Medical Systems Corporation Magnetic resonance image reconstruction for undersampled data acquisitions
US9542761B2 (en) 2015-02-25 2017-01-10 Siemens Healthcare Gmbh Generalized approximate message passing algorithms for sparse magnetic resonance imaging reconstruction
CN104779960B (zh) 2015-03-20 2018-04-03 南京邮电大学 一种基于分块压缩感知的信号重构方法
JP7016522B2 (ja) 2015-04-20 2022-02-07 コーネル ユニヴァーシティー 次元データ低減を有するマシンビジョン
WO2016182551A1 (en) 2015-05-11 2016-11-17 Siemens Healthcare Gmbh Method and system for landmark detection in medical images using deep neural networks
CN104851101A (zh) 2015-05-25 2015-08-19 电子科技大学 一种基于深度学习的脑肿瘤自动分割方法
US10235606B2 (en) 2015-07-22 2019-03-19 Siemens Healthcare Gmbh Method and system for convolutional neural network regression based 2D/3D image registration
CN105069825B (zh) 2015-08-14 2018-06-12 厦门大学 基于深度置信网络的图像超分辨率重建方法
KR101659578B1 (ko) 2015-09-01 2016-09-23 삼성전자주식회사 자기 공명 영상 처리 방법 및 장치
RU2626184C2 (ru) 2015-09-04 2017-07-24 Самсунг Электроникс Ко., Лтд. Способ, устройство и система для реконструкции магнитно-резонансного изображения
US11278250B2 (en) 2015-11-13 2022-03-22 Rensselaer Polytechnic Institute Simultaneous interior MRI X-ray imaging system (MRX)
US9892344B1 (en) * 2015-11-30 2018-02-13 A9.Com, Inc. Activation layers for deep learning networks
US10627470B2 (en) 2015-12-08 2020-04-21 Siemens Healthcare Gmbh System and method for learning based magnetic resonance fingerprinting
AU2016366537B2 (en) 2015-12-09 2021-09-09 Geomni, Inc. System and method for generating computerized models of structures using geometry extraction and reconstruction techniques
WO2017106998A1 (en) 2015-12-21 2017-06-29 Sensetime Group Limited A method and a system for image processing
DE102015226400A1 (de) 2015-12-22 2017-06-22 Siemens Healthcare Gmbh Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion
CN107182216B (zh) 2015-12-30 2019-06-14 中国科学院深圳先进技术研究院 一种基于深度卷积神经网络的快速磁共振成像方法及装置
DE102016202663A1 (de) 2016-02-22 2017-08-24 Siemens Healthcare Gmbh MRT-Vorschau
CN105825509A (zh) 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
US9824492B2 (en) 2016-03-24 2017-11-21 Vital Images, Inc. Hollow object model visualization in medical images
CN105931179B (zh) 2016-04-08 2018-10-26 武汉大学 一种联合稀疏表示与深度学习的图像超分辨率方法及系统
US10671939B2 (en) 2016-04-22 2020-06-02 New York University System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
CN105976318A (zh) 2016-04-28 2016-09-28 北京工业大学 一种图像超分辨率重建方法
CN106056647B (zh) 2016-05-30 2019-01-11 南昌大学 一种基于卷积稀疏双层迭代学习的磁共振快速成像方法
CN106204449B (zh) 2016-07-06 2019-09-10 安徽工业大学 一种基于对称深度网络的单幅图像超分辨率重建方法
CN106529555B (zh) 2016-11-04 2019-12-06 四川大学 一种基于全卷积网络的dr片肺轮廓提取方法
CN106373167B (zh) 2016-11-15 2017-10-20 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法
CN106683067B (zh) 2017-01-20 2020-06-23 福建帝视信息科技有限公司 一种基于残差子图像的深度学习超分辨率重建方法
CN106970343B (zh) 2017-04-11 2019-12-27 深圳先进技术研究院 一种磁共振成像方法及装置
CN107121654B (zh) 2017-05-16 2019-09-17 深圳先进技术研究院 一种磁共振欠采方法及装置
CN107064845B (zh) 2017-06-06 2019-07-30 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112509120A (zh) * 2019-12-19 2021-03-16 上海联影智能医疗科技有限公司 用于重建图像的系统和方法
CN113066141A (zh) * 2020-01-02 2021-07-02 通用电气公司 Mr图像数据的重建
CN112767504A (zh) * 2020-01-22 2021-05-07 上海联影智能医疗科技有限公司 用于图像重建的系统和方法
CN111489404A (zh) * 2020-03-20 2020-08-04 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置
CN111489404B (zh) * 2020-03-20 2023-09-05 深圳先进技术研究院 一种图像重建方法、图像处理装置及具有存储功能的装置

Also Published As

Publication number Publication date
US20190266761A1 (en) 2019-08-29
US10489943B2 (en) 2019-11-26
EP3534170A1 (en) 2019-09-04

Similar Documents

Publication Publication Date Title
CN110211050A (zh) 用于稀疏图像重建的系统和方法
US20220237748A1 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US11783451B2 (en) Systems and methods for reducing colored noise in medical images using deep neural network
CN108898560B (zh) 基于三维卷积神经网络的岩心ct图像超分辨率重建方法
CN105980875B (zh) 经校正的多切片磁共振成像
WO2018223275A1 (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
CN102955142B (zh) 用于迭代的mr重建方法的采样模式
CN109214989B (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
CN108375746A (zh) 一种相位反卷折方法与设备
Vu et al. Perception-enhanced image super-resolution via relativistic generative adversarial networks
CN108776318A (zh) 磁共振多对比度图像重建
US20220413074A1 (en) Sense magnetic resonance imaging reconstruction using neural networks
CN107205686A (zh) 去除在磁共振成像的重影伪影的方法及为此的磁共振装置
CN110136122A (zh) 一种基于注意力深度特征重建的脑mr图像分割方法
Chung et al. Two-stage deep learning for accelerated 3D time-of-flight MRA without matched training data
WO2021104954A1 (en) Hybrid compressed sensing image reconstruction
Liu et al. Fine-grained MRI reconstruction using attentive selection generative adversarial networks
WO2023038910A1 (en) Dual-domain self-supervised learning for accelerated non-cartesian magnetic resonance imaging reconstruction
US20230186532A1 (en) Correction of magnetic resonance images using multiple magnetic resonance imaging system configurations
WO2021129235A1 (zh) 三维磁共振快速参数成像方法和装置
US20230044166A1 (en) Accelerated time domain magnetic resonance spin tomography
JP6618786B2 (ja) 磁気共鳴イメージング装置及び画像処理装置
KR102514709B1 (ko) 두 단계 비지도 학습 기반 뉴럴 네트워크를 이용한 3차원 비행시간 자기공명혈관영상 처리 방법 및 그 장치
CN115953544B (zh) 一种三维重建方法、装置、电子设备及可读存储介质
US11967004B2 (en) Deep learning based image 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