CN110244249A - 磁共振扫描方法、装置、医学扫描设备和存储介质 - Google Patents
磁共振扫描方法、装置、医学扫描设备和存储介质 Download PDFInfo
- Publication number
- CN110244249A CN110244249A CN201910243243.0A CN201910243243A CN110244249A CN 110244249 A CN110244249 A CN 110244249A CN 201910243243 A CN201910243243 A CN 201910243243A CN 110244249 A CN110244249 A CN 110244249A
- Authority
- CN
- China
- Prior art keywords
- interest
- location information
- area
- axis direction
- 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.)
- Granted
Links
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
-
- 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
- G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
Landscapes
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种磁共振扫描方法、装置、医学扫描设备和存储介质。所述方法包括:获取待检测对象的弥散加权图像;将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。采用本方法能够提高磁共振扫描的时间分辨率。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种磁共振扫描方法、装置、医学扫描设备和存储介质。
背景技术
磁共振动态增强扫描(Dynamic Contrast Enhanced-Magnetic ResonanceImaging,DCE-MRI)是一种无创性检测组织血流的医学影像学方法,对肿瘤疾病的诊断、肿瘤良恶性评级分类和治疗效果的评估等都具有很重要的科研和临床应用价值。在注射对比剂后,DCE-MRI通过采集分析动态增强信号的时间强度变化来定量化反映肿瘤组织的血供特点,并用于评估组织的微循环状态。
但是DCE-MRI技术对时间的分辨率要求很高,只有在保证了足够高的时间分辨率的情况下,根据DCE-MRI采集的动态增强时间强度信号,才能清晰准确地反映感兴趣区域的血流微循环特征,从而可以得出正确的肿瘤诊断评估量化结果。然而,由于磁共振技术的限制,DCE-MRI图像的时间分辨率受到很大限制。
因此,如何提高DCE-MRI图像的时间分辨率,就成为亟待解决的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高时间分辨率的磁共振扫描方法、装置、医学扫描设备和存储介质。
一种磁共振扫描方法,该方法包括:
获取待检测对象的弥散加权图像;
将上述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据上述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。
在其中一个实施例中,上述待检测对象的弥散加权图像为DWI图像,上述将待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息,包括:
将上述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像;
将该待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
在其中一个实施例中,上述感兴趣区域在Z轴方向上的位置信息包括第一位置信息和第二位置信息,上述根据感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,包括:
对上述第一位置信息和第二位置信息进行处理,得到上述第一位置信息和上述第二位置信息的绝对位置差值,并根据该绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
在其中一个实施例中,上述基于扫描范围对待检测对象进行磁共振动态增强扫描,包括:
根据上述绝对位置差值,确定上述第一位置信息与上述第二位置信息之间的位置中心点;将该位置中心点作为磁共振扫描的原点,并根据上述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
在其中一个实施例中,上述方法还包括:
将样本磁共振图像作为初始深度学习模型的输入,将该样本磁共振图像对应的病变检测数据集作为初始深度学习模型的输出,对初始深度学习模型进行训练,得到深度学习模型;其中,上述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
在其中一个实施例中,上述将样本磁共振图像作为初始深度学习模型的输入,将样本磁共振图像对应的病变检测数据集作为初始深度学习模型的输出,对初始深度学习模型进行训练,得到深度学习模型,包括:
将样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息;
根据上述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算感兴趣区域在Z轴方向上的预测位置信息与上述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值;
根据该损失函数对上述初始的深度学习网络进行模型训练,得到深度学习模型。
在其中一个实施例中,上述样本磁共振图像包括DWI图像、ADC图像。
一种磁共振扫描装置,该装置包括:
获取模块,用于获取待检测对象的弥散加权图像;
第一确定模块,用于将上述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
第二确定模块,用于根据上述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。
一种医学扫描设备,包括存储器和处理器,该存储器存储有计算机程序,上述处理器执行计算机程序时实现以下步骤:
获取待检测对象的弥散加权图像;
将上述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据上述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待检测对象的弥散加权图像;
将上述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据上述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。
上述磁共振扫描方法、装置、医学扫描设备和存储介质,首先获取待检测对象的弥散加权图像,接着将待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息,然后根据感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。在本实施例中,根据待检测对象的感兴趣区域在Z轴方向上的位置信息,可以确定感兴趣区域在Z轴上的扫描范围,进而可以根据该扫描范围对待检测对象进行扫描,在对待检测对象进行磁共振扫描时,由于可以将扫描范围缩小在一定范围内,因此每次扫描一个完整的磁共振图像的时间也会相应缩短,在相同的扫描时间内,就可以扫描到更多个完整的磁共振图像,也就是说,扫描的每个完整的磁共振图像的时间间隔会缩短,因此,也就提高了时间分辨率。
附图说明
图1为一个实施例中医学扫描设备的内部结构图;
图2为一个实施例中磁共振扫描方法的流程示意图;
图3为另一个实施例中磁共振扫描方法的流程示意图;
图4为另一个实施例中磁共振扫描方法的流程示意图;
图5为另一个实施例中磁共振扫描方法的流程示意图;
图6为一个实施例中磁共振扫描装置的结构框图;
图7为另一个实施例中磁共振扫描装置的结构框图;
图8为另一个实施例中磁共振扫描装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的磁共振扫描方法,可以适用于图1所示的医学扫描设备。如图1所示,该医学扫描设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该医学扫描设备的处理器用于提供计算和控制能力。该医学扫描设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该医学扫描设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像的检测方法。该医学扫描设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该医学扫描设备的输入装置可以是显示屏上覆盖的触摸层,也可以是医学扫描设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的医学扫描设备的限定,示例性的医学扫描设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例提供的磁共振扫描方法,其执行主体可以是磁共振扫描装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为医学扫描设备的部分或者全部。下述方法实施例的执行主体以医学扫描设备为例来进行说明。
图2为一实施例提供的磁共振扫描方法流程示意图。本实施例涉及的是医学扫描设备如何根据待检测对象的磁共振图像,得到感兴趣区域的扫描范围,并利用该扫描范围对该感兴趣区域进行扫描的具体过程。如图2所示,该方法可以包括:
S202,获取待检测对象的弥散加权图像。
其中,弥散加权图像可以为某一种特定模态的图像,也可以为某一种分辨率的图像,还可以为多种模态或多种分辨率的图像。其是磁共振图像,为DWI(DiffusionWeightedImaging)图像。另外,以克罗恩病为例,待检测对象可以为患者的小肠、结肠、末端回肠等部位。
具体的,医学扫描设备可以通过对采集到的待检测对象的数据进行图像重建,从而得到待检测对象的弥散加权图像。当然,弥散加权图像也可以预先重建好,存储在医学扫描设备中,当需要对其进行磁共振扫描时,直接从医学扫描设备的存储器中读取弥散加权图像。当然,医学扫描设备也可以从外部设备中获取弥散加权图像。比如,将待检测对象的弥散加权图像存储在云端,当需要进行磁共振扫描操作时,医学扫描设备从云端获取该待检测对象的弥散加权图像。本实施例对获取弥散加权图像的获取方式不做限定。
S204,将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
具体的,感兴趣区域为目标待检测对象所在的区域,以患病检测为例,该感兴趣区域可以是病灶所在的区域。医学扫描设备在获得待检测对象的弥散加权图像之后,可以将该弥散加权图像输入至深度学习模型进行识别,该深度学习模型的输出即为感兴趣区域在Z轴方向上的位置信息,可选的,深度学习模型可以为DNN(Deep Neural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)或RNN(Recurrent NeuralNetwork,循环神经网络)等。
S206,根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
其中,医学磁共振扫描为断层平扫,该平扫为沿着X轴和Y轴所在的平面进行扫描,即医学扫描设备的扫描方向为XY平面方向,Z轴方向垂直于医学扫描设备的扫描方向。在对待检测对象进行扫描时,一般在X轴和Y轴上都是全范围进行扫描,在Z轴方向上可以根据设定的扫描范围进行扫描。
具体的,医学扫描设备在得到感兴趣区域在Z轴方向上的位置信息之后,可以利用该Z轴方向上的位置信息,进一步确定出医学扫描设备在Z轴方向上的扫描范围,并将该扫描范围设置为医学扫描设备的扫描范围,之后,医学扫描设备就可以对待检测对象进行磁共振扫描。一般来说,医学扫描设备确定出的感兴趣区域的扫描范围是小于待检测对象的原始扫描范围的,这样,在利用确定出的感兴趣区域在Z轴方向上的扫描范围对待检测对象进行磁共振扫描时,相比原始扫描范围而言,扫面范围变小,所以每扫描一次完整的磁共振三维图像所需扫描的数据量就会变小,相应的每次的扫描时间也就会变短,因此,在相同的时间内,利用确定出的扫描范围在Z轴方向上对待检测对象进行扫描时,可以扫描得到更多个完整的磁共振三维图像,也就是说,扫描得到每个完整的磁共振三维图像之间的时间差是变小的,从而也就提高了磁共振扫描的时间分辨率。更进一步地,由于在相同的时间内,利用本实施例的方法采集的数据更多,因此,对待检测对象的病变特征进行分析时,相同时间内可使用的数据会更多,从而也可以提高空间分辨率。
示例性的,以对待检测对象进行扫描的总时间为1分钟(minute,min)为例,在原始不确定扫描范围时,在对待检测对象进行扫描时,由于扫描范围较大,每次扫描一个完整的磁共振三维图像的时间是10秒钟(second,sec),这样,在1min内能得到6个完整的磁共振三维图像;利用本实施例的方法确定扫描范围之后,由于只对感兴趣区域进行扫描,即扫描范围缩小,每次扫描一个完整的磁共振三维图像的时间是6sec,这样,在1min内能得到10个完整的磁共振三维图像;由此可见,在相同时间内,利用本实施例的方法进行磁共振扫描,是可以提高时间分辨率的。
本实施例提供的磁共振扫描方法,首先获取待检测对象的弥散加权图像,接着将待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息,然后根据感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于该扫描范围对待检测对象进行磁共振动态增强扫描。在本实施例中,根据待检测对象的感兴趣区域在Z轴方向上的位置信息,可以确定感兴趣区域在Z轴上的扫描范围,进而可以根据该扫描范围对待检测对象进行扫描,在对待检测对象进行磁共振扫描时,由于可以将扫描范围缩小在一定范围内,因此每次扫描一个完整的磁共振图像的时间也会相应缩短,在相同的扫描时间内,就可以扫描到更多个完整的磁共振图像,也就是说,扫描的每个完整的磁共振图像的时间间隔会缩短,因此,也就提高了时间分辨率。
图3为另一实施例提供的磁共振扫描方法流程示意图。本实施例涉及的是将待检测对象的弥散加权图像为DWI图像,在对DWI图像进行处理之后,输入至深度学习网络模型,得到感兴趣区域在Z轴方向上的位置信息的具体过程。在上述实施例的基础上,如图3所示,上述S204可以包括:
S302,将所述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像。
其中,ADC全称为Apparent Diffusion Coefficient,中文是表观弥散系数,ADC图像和DWI图像均是磁共振图像。以检测病变为例,在DWI图像上,病变区域会显现比正常组织更高信号的特征,在ADC图像上,病变区域会显现比正常组织更低信号的特征。
具体的,医学扫描设备在得到待检测对象的DWI图像后,可以对DWI图像进行对数处理等,就可以得到待检测对象的ADC图像。
S304,将所述待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
具体的,医学扫描设备在得到ADC图像之后,可以将该ADC图像作为深度学习模型的输入,利用深度学习模型进行感兴趣区域位置信息的识别,该深度学习模型的输出即是感兴趣区域在Z轴方向上的位置信息。
本实施例提供的磁共振扫描方法,通过将待检测对象的DWI图像转化成ADC图像,并将ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,以得到感兴趣区域在Z轴方向上的位置信息。在本实施例中,由于ADC图像上病变组织可以比正常组织信号显现更低信号特征,因此,在将ADC图像输入深度学习模型进行位置识别时,更易发现某些比正常组织信号低信号的病变组织,从而可以更好地辅助医生检查。
在另一个实施例中,提供了一种磁共振扫描方法,本实施例涉及的当感兴趣区域在Z轴方向上的位置信息包括第一位置信息和第二位置信息时,医学扫描设备如何根据该第一位置信息和第二位置信息确定扫描范围的具体过程。在上述实施例的基础上,上述S206中,根据感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,可以包括:
对所述第一位置信息和第二位置信息进行处理,得到所述第一位置信息和所述第二位置信息的绝对位置差值,并根据所述绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
其中,第一位置信息和第二位置信息可以是感兴趣区域的坐标信息,更具体地,可以是感兴趣区域的Z轴坐标值;进一步地,第一位置信息可以是感兴趣区域的顶部位置信息,第二位置信息可以是感兴趣区域的底部位置信息,医学扫描设备在对感兴趣区域进行扫描时,可以从感兴趣区域的顶部扫描到底部,还可以从感兴趣区域的底部扫描到顶部,本实施例对此不做限定。
具体的,医学扫描设备在得到感兴趣区域的第一位置信息和第二位置信息之后,可以将第一位置信息和第二位置信息做差值,并将该差值的绝对值作为绝对位置差值,该绝对位置差值为正值,之后可以将该绝对位置差值作为感兴趣区域在Z轴方向上的扫描范围。
可选的,如图4所示,在上述实施例的基础上,上述S206中,基于扫描范围对待检测对象进行磁共振扫描,可以包括:
S402,根据所述绝对位置差值,确定所述第一位置信息与所述第二位置信息之间的位置中心点。
具体的,医学扫描设备在得到第一位置信息和第二位置信息的绝对位置差值之后,可以将该绝对位置差值除以2,得到中心绝对位置值,之后,利用第一位置信息和第二位置信息得到两者之间的位置中心点;可选的,可以是将第一位置信息加上中心绝对位置值、第二位置信息减去中心绝对位置值,得到位置中心点的坐标,还可以是将第二位置信息加上中心绝对位置值、第一位置信息减去中心绝对位置值,得到位置中心点的坐标。
示例性地,假设第一位置信息为10,第二位置信息为-20,则绝对位置差值等于30,则第一位置信息和第二位置信息的位置中心点为-5。
S404,将所述位置中心点作为磁共振扫描的原点,并根据所述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
具体的,医学扫描设备在得到位置中心点的坐标之后,可以将该中心点设置为磁共振扫描的原点,上述绝对位置差值作为Z轴上的扫描范围,使医学扫描设备沿着Z轴对待检测对象进行磁共振动态增强扫描。
示例性地,假设第一位置信息为10,第二位置信息为-20,绝对位置差值等于30,第一位置信息和第二位置信息的位置中心点为-5,在磁共振扫描时,将-5作为原点,沿着Z轴以该原点为中心,上下扫描范围各15进行扫描。
本实施例提供的磁共振扫描方法,在感兴趣区域在Z轴上的位置信息包括第一位置信息和第二位置信息时,可以对该第一位置信息和第二位置信息进行处理,得到第一位置信息和第二位置信息的绝对位置差值,并根据绝对位置差值确定感兴趣区域在Z轴上的扫描范围。在本实施例中,由于感兴趣区域在Z轴上的扫描范围是根据感兴趣区域在Z轴上的第一位置信息和第二位置信息确定的,而第一位置信息和第二位置信息是覆盖了感兴趣区域的,因此,利用该方法确定出的扫描范围也是可以覆盖感兴趣区域的,从而可以避免磁共振扫描时,漏掉扫描感兴趣区域的问题。
需要指出的是,以上对特定的实施方式进行了记载,但所记载的实施方式只不过是一例,并不限定发明的范围。这里记载的新的方法以及装置能够以各种其他形态具体化。此外,这里记载的方法以及装置的形态中,在不脱离发明的主旨的范围内,能够进行各种省略、置换以及变更。随附的权利要求的范围以及其等同物包含在发明的范围及主旨中,包含这样的各种形态以及变形例。例如,在上述S206中,基于扫描范围对待检测对象进行磁共振扫描,可以包括:首先,确定扫描范围的中心,具体可通过计算第一位置信息与第二位置信息的中间值确定;接着,判断扫描范围的中心是否与扫描视场(field of view,FOV)的中心一致;如果扫描范围的中心与FOV的中心一致,由于FOV的中心具有更均匀的主磁场和更稳定的梯度场,在此位置成像效果最佳,此时可激发动态成像序列进行扫描;如果扫描范围的中心与FOV的中心不一致,此时则磁共振系统的控制模块收到反馈信息,从而进一步调整病床位置,以使得扫描范围的中心与FOV对齐。
在另一个实施例中,提供了一种磁共振扫描方法,本实施涉及的是深度学习模型是如何训练的具体过程。在上述实施例的基础上,该方法还可以包括:
将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型;其中,所述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
其中,可选的,上述样本磁共振图像可以包括DWI图像、ADC图像,也就是说,深度学习模型训练时,可以同时对输入的DWI图像和ADC图像进行训练;样本磁共振图像指的是训练样本。
具体的,在深度学习模型训练时,可以先设置好初始深度学习模型的网络结构和初始参数,然后将样本磁共振图像作为初始深度学习模型的输入,将该样本磁共振图像对应的病变检测数据集作为初始深度学习模型的输出,对初始深度学习模型进行训练,得到训练好的深度学习模型。
可选的,如图5所示,该初始深度学习模型训练的过程可以包括:
S502,将所述样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息。
具体的,医学扫描设备在得到多个样本磁共振图像时,可以将每个样本磁共振图像的像素信息都转化成一维特征向量,并将该多个一维特征向量排列成矩阵,输入至初始的深度学习模型,通过该深度学习模型,就可以输出每个样本磁共振图像对应的感兴趣区域在Z轴方向上的预测位置信息,这样医学扫描设备就可以得到每个样本磁共振图像对应的感兴趣区域在Z轴方向上的预测位置信息。
S504,根据所述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算所述感兴趣区域在Z轴方向上的预测位置信息与所述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值。
具体的,医学扫描设备在得到每个样本磁共振图像对应的感兴趣区域在Z轴方向上的预测位置信息之后,可以对每个样本磁共振图像对应的感兴趣区域在Z轴方向上的预测位置信息,以及标记位置信息进行计算,得到感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息之间的损失,可选的,损失可以是预测位置信息和标记位置信息之间的误差、方差、范数等,在计算得到损失之后,可以将该损失作为损失函数的值。
S506,根据所述损失函数对所述初始的深度学习网络进行模型训练,得到所述深度学习模型。
具体的,医学扫描设备在得到损失函数之后,可以根据损失函数的梯度值或者直接根据损失函数,对初始深度学习模型进行训练,可选的,可以是将损失函数或者损失函数的梯度值补偿给初始深度学习模型,以对初始深度学习模型进行训练;可选的,当损失函数小于预设阈值时,则可以确定深度学习模型已经训练好,否则,确定深度学习模型还需要继续进行训练,直至损失函数最终满足要求,此时的深度学习模型为最后的深度学习模型。
本实施例提供的磁共振扫描方法,将样本磁共振图像作为初始深度学习模型的输入,将样本磁共振图像对应的病变检测数据集作为初始深度学习模型的输出,并对初始深度学习模型进行训练,得到深度学习模型,其中,病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。在本实施例中,由于最终得到的深度学习模型是对样本磁共振图像以及初始深度学习模型进行训练得到的,因此,在利用深度学习模型进行感兴趣区域位置信息识别时,可以直接输入待检测对象的图像,直接得到感兴趣区域的位置信息,而不用再对模型进行训练,节省了对待检测对象进行扫描检测的时间。
应该理解的是,虽然图2-图5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-图5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一实施例提供的磁共振扫描装置结构示意图。如图6所示,该装置可以包括:获取模块10、第一确定模块11、第二确定模块12。
其中,获取模块10,用于获取待检测对象的弥散加权图像;
第一确定模块11,用于将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
第二确定模块12,用于根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
本实施例提供的磁共振扫描装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
图7为另一实施例提供的磁共振扫描装置结构示意图。在上述实施例的基础上,如图7所示,上述第一确定模块11可以包括:处理单元111、识别单元112。
其中,所述待检测对象的弥散加权图像为DWI图像,处理单元111,用于将所述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像;
识别单元112,用于将所述待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
可选的,请继续参见图7,上述第二确定模块12可以包括:第一确定单元121。
其中,所述感兴趣区域在Z轴方向上的位置信息包括第一位置信息和第二位置信息,第一确定单元121,用于对所述第一位置信息和第二位置信息进行处理,得到所述第一位置信息和所述第二位置信息的绝对位置差值,并根据所述绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
可选的,请继续参见图7,上述第二确定模块12可以包括:第二确定单元122。其中,第二确定单元122用于根据所述绝对位置差值,确定所述第一位置信息与所述第二位置信息之间的位置中心点;将所述位置中心点作为磁共振扫描的原点,并根据所述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
图8为另一实施例提供的磁共振扫描装置结构示意图。在上述实施例的基础上,如图8所示,该装置还可以包括:模型训练模块13。
其中,模型训练模块13用于将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型;其中,所述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
可选的,所述样本磁共振图像包括DWI图像、ADC图像。
可选的,请继续参见图8,上述模型训练模块13可以包括:第一计算单元131、第二计算单元132、训练单元133。
其中,第一计算单元131,用于将所述样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息;
第二计算单元132,用于根据所述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算所述感兴趣区域在Z轴方向上的预测位置信息与所述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值;
训练单元133,用于根据所述损失函数对所述初始的深度学习网络进行模型训练,得到所述深度学习模型。
本实施例提供的磁共振扫描装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于磁共振扫描装置的具体限定可以参见上文中对于磁共振扫描方法的限定,在此不再赘述。上述磁共振扫描装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于医学扫描设备中的处理器中,也可以以软件形式存储于医学扫描设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种医学扫描设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述计算机程序在被所述处理器执行时实现如下步骤:
获取待检测对象的弥散加权图像;
将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像;
将所述待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对所述第一位置信息和第二位置信息进行处理,得到所述第一位置信息和所述第二位置信息的绝对位置差值,并根据所述绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述绝对位置差值,确定所述第一位置信息与所述第二位置信息之间的位置中心点;将所述位置中心点作为磁共振扫描的原点,并根据所述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型;其中,所述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息;
根据所述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算所述感兴趣区域在Z轴方向上的预测位置信息与所述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值;
根据所述损失函数对所述初始的深度学习网络进行模型训练,得到所述深度学习模型。
在一个实施例中,所述样本磁共振图像包括DWI图像、ADC图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测对象的弥散加权图像;
将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像;
将所述待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对所述第一位置信息和第二位置信息进行处理,得到所述第一位置信息和所述第二位置信息的绝对位置差值,并根据所述绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述绝对位置差值,确定所述第一位置信息与所述第二位置信息之间的位置中心点;将所述位置中心点作为磁共振扫描的原点,并根据所述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型;其中,所述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息;
根据所述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算所述感兴趣区域在Z轴方向上的预测位置信息与所述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值;
根据所述损失函数对所述初始的深度学习网络进行模型训练,得到所述深度学习模型。
在一个实施例中,所述样本磁共振图像包括DWI图像、ADC图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种磁共振扫描方法,其特征在于,所述方法包括:
获取待检测对象的弥散加权图像;
将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
2.根据权利要求1所述的方法,其特征在于,所述待检测对象的弥散加权图像为DWI图像,所述将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息,包括:
将所述待检测对象的DWI图像进行预处理,得到待检测对象的表观弥散系数ADC图像;
将所述待检测对象的ADC图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息。
3.根据权利要求1所述的方法,其特征在于,所述感兴趣区域在Z轴方向上的位置信息包括第一位置信息和第二位置信息,所述根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,包括:
对所述第一位置信息和第二位置信息进行处理,得到所述第一位置信息和所述第二位置信息的绝对位置差值,并根据所述绝对位置差值确定感兴趣区域在Z轴方向上的扫描范围。
4.根据权利要求3所述的方法,其特征在于,所述基于所述扫描范围对待检测对象进行磁共振动态增强扫描,包括:
根据所述绝对位置差值,确定所述第一位置信息与所述第二位置信息之间的位置中心点;
将所述位置中心点作为磁共振扫描的原点,并根据所述绝对位置差值在Z轴方向上对待检测对象进行磁共振动态增强扫描。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述方法还包括:
将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型;
其中,所述病变检测数据集包括已标记感兴趣区域在Z轴方向上的位置信息的病变检测数据。
6.根据权利要求5所述的方法,其特征在于,所述将样本磁共振图像作为初始深度学习模型的输入,将所述样本磁共振图像对应的病变检测数据集作为所述初始深度学习模型的输出,对所述初始深度学习模型进行训练,得到所述深度学习模型,包括:
将所述样本磁共振图像的像素信息转化成一维特征向量,并输入初始的深度学习模型,得到感兴趣区域在Z轴方向上的预测位置信息;
根据所述感兴趣区域在Z轴方向上的预测位置信息与感兴趣区域在Z轴方向上的标记位置信息,计算所述感兴趣区域在Z轴方向上的预测位置信息与所述感兴趣区域在Z轴方向上的标记位置信息之间的损失,作为损失函数的值;
根据所述损失函数对所述初始的深度学习网络进行模型训练,得到所述深度学习模型。
7.根据权利要求6所述的方法,其特征在于,所述样本磁共振图像包括DWI图像、ADC图像。
8.一种磁共振扫描装置,其特征在于,所述装置包括:
获取模块,用于获取待检测对象的弥散加权图像;
第一确定模块,用于将所述待检测对象的弥散加权图像输入至深度学习模型进行感兴趣区域位置信息的识别,得到感兴趣区域在Z轴方向上的位置信息;
第二确定模块,用于根据所述感兴趣区域在Z轴方向上的位置信息确定感兴趣区域在Z轴方向上的扫描范围,并基于所述扫描范围对待检测对象进行磁共振动态增强扫描。
9.一种医学扫描设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243243.0A CN110244249B (zh) | 2019-03-28 | 2019-03-28 | 磁共振扫描方法、装置、医学扫描设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243243.0A CN110244249B (zh) | 2019-03-28 | 2019-03-28 | 磁共振扫描方法、装置、医学扫描设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244249A true CN110244249A (zh) | 2019-09-17 |
CN110244249B CN110244249B (zh) | 2022-08-23 |
Family
ID=67883152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243243.0A Active CN110244249B (zh) | 2019-03-28 | 2019-03-28 | 磁共振扫描方法、装置、医学扫描设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244249B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445546A (zh) * | 2020-03-03 | 2020-07-24 | 东软医疗系统股份有限公司 | 图像重建方法、装置、电子设备、存储介质 |
CN112315449A (zh) * | 2020-11-24 | 2021-02-05 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统、电子装置和存储介质 |
CN113627492A (zh) * | 2021-07-20 | 2021-11-09 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041946A1 (en) * | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN108460809A (zh) * | 2017-02-22 | 2018-08-28 | 西门子保健有限责任公司 | 用于前列腺癌检测和分类的深度卷积编码器-解码器 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
-
2019
- 2019-03-28 CN CN201910243243.0A patent/CN110244249B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008041946A1 (en) * | 2006-10-03 | 2008-04-10 | Agency For Science, Technology And Research | Segmenting infarct in diffusion-weighted imaging volume |
CN108289612A (zh) * | 2015-11-12 | 2018-07-17 | 皇家飞利浦有限公司 | 用于分析脑白质病变的医学仪器 |
CN108460809A (zh) * | 2017-02-22 | 2018-08-28 | 西门子保健有限责任公司 | 用于前列腺癌检测和分类的深度卷积编码器-解码器 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
Non-Patent Citations (1)
Title |
---|
闫斌 等: "DWI定量测量鉴别肝结节良恶性", 《现代肿瘤医学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445546A (zh) * | 2020-03-03 | 2020-07-24 | 东软医疗系统股份有限公司 | 图像重建方法、装置、电子设备、存储介质 |
CN111445546B (zh) * | 2020-03-03 | 2023-05-02 | 东软医疗系统股份有限公司 | 图像重建方法、装置、电子设备、存储介质 |
CN112315449A (zh) * | 2020-11-24 | 2021-02-05 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统、电子装置和存储介质 |
CN112315449B (zh) * | 2020-11-24 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、系统、电子装置和存储介质 |
CN113627492A (zh) * | 2021-07-20 | 2021-11-09 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
CN113627492B (zh) * | 2021-07-20 | 2024-06-04 | 东软医疗系统股份有限公司 | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110244249B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Magnetic resonance image (MRI) synthesis from brain computed tomography (CT) images based on deep learning methods for magnetic resonance (MR)-guided radiotherapy | |
CN110148192B (zh) | 医学影像成像方法、装置、计算机设备和存储介质 | |
CN110428415B (zh) | 医学图像的质量评估方法、装置、设备及存储介质 | |
CN111179231B (zh) | 图像处理方法、装置、设备和存储介质 | |
CN109993726A (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN109872312B (zh) | 医学图像分割方法、装置、系统及图像分割方法 | |
CN110570483B (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN109754447A (zh) | 图像生成方法、装置、设备和存储介质 | |
Hammouda et al. | A new framework for performing cardiac strain analysis from cine MRI imaging in mice | |
CN110244249A (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
CN110960241A (zh) | 医学影像扫描的扫描参数确定方法、装置和计算机设备 | |
CN109567852B (zh) | 扫描范围的确定方法、医学图像的获取方法、装置和设备 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN111028212B (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN111128348A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN110223247A (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN110742639B (zh) | 扫描系统配置方法、装置、计算机设备和可读存储介质 | |
US20230099906A1 (en) | Image registration method, computer device, and storage medium | |
Karani et al. | An image interpolation approach for acquisition time reduction in navigator-based 4D MRI | |
CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
CN114913259A (zh) | 截断伪影校正方法、ct图像校正方法、设备和介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |