CN110570486B - 一种基于深度学习的欠采样核磁共振图像重建方法 - Google Patents

一种基于深度学习的欠采样核磁共振图像重建方法 Download PDF

Info

Publication number
CN110570486B
CN110570486B CN201910784735.0A CN201910784735A CN110570486B CN 110570486 B CN110570486 B CN 110570486B CN 201910784735 A CN201910784735 A CN 201910784735A CN 110570486 B CN110570486 B CN 110570486B
Authority
CN
China
Prior art keywords
magnetic resonance
nuclear magnetic
network
undersampled
resonance image
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
Application number
CN201910784735.0A
Other languages
English (en)
Other versions
CN110570486A (zh
Inventor
李秀
严江鹏
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.)
Shenzhen Graduate School Tsinghua University
Original Assignee
Shenzhen Graduate School Tsinghua University
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 Shenzhen Graduate School Tsinghua University filed Critical Shenzhen Graduate School Tsinghua University
Priority to CN201910784735.0A priority Critical patent/CN110570486B/zh
Publication of CN110570486A publication Critical patent/CN110570486A/zh
Application granted granted Critical
Publication of CN110570486B publication Critical patent/CN110570486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种基于深度学习的欠采样核磁共振图像重建方法，包括如下步骤：S1：构造深度神经网络，所述深度神经网络包括：至少1个小网络单元、至少1个压缩的小网络单元和输出模块；S2：构建候选操作池，所述候选操作池包括所述小网络单元和/或压缩小网络单元的节点之间的相互连接方式；S3：使用微分网络结构搜索算法从所述候选操作池中搜索所述节点之间的可能操作，得到最优的深度神经网络结构。在特定的计算资源情况下设计出最适合核磁共振图像重建的深度神经网络模型；调整小网络单元、压缩的小网络单元以及每个单元内部的计算节点数目，灵活限定模型所需要占据的计算资源，设计出灵活多变的高质量核磁共振重建深度网络。

Description

一种基于深度学习的欠采样核磁共振图像重建方法
技术领域
本发明涉及医学核磁共振成像技术领域，尤其涉及一种基于深度学习的欠采样核磁共振图像重建方法。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)能提供丰富的组织对比度，使得医生对病变部位能够准确鉴别诊断，但这一技术具有采集时间长的缺点。在采集过程中，硬件获取的信号图像为频域的K空间数据(Kspace Data)，而物体的结构图像与采集信号之间为傅里叶变换(Fourier Transformation)关系。现有的技术，一般都是通过采集欠采样的K空间数据，利用压缩感知、深度神经网络等技术从欠采样的K空间信号中试图恢复完整的图像。
例如由Facebook人工智能研究中心(FAIR)和纽约大学(Zbontar J,Knoll F,Sriram A,et al.fastmri:An open dataset and benchmarks for acceleratedmri.arXiv preprint arXiv:1811.08839,2018.)联合构建的fastMRI数据集以及在此数据集上公布的基准欠采样磁核共振图像深度网络重建算法模型，其重建整流程可以概括如下：使用全采样的Kspace信号重建出的磁共振图像作为重建算法的目标，将全采样信号覆盖上随机模式欠采样4倍或8倍加速的掩码——这意味着磁共振图像采集时间缩短了对应的4倍或8倍，进行补零填充后反傅里叶变换得到的带有混叠的图像作为重建算法的输入，构建起配对的磁共振图像快速重建数据集。将上述配对数据中欠采样的核磁共振图像输入到单通道的Unet网络结构中，使用L1损失作为监督，最小化输出图像和全采样核磁共振图像的L1损失来优化神经网络的权重。训练完成后，所得到的深度神经网络能够对欠采样磁共振图像起到恢复重建作用。
使用Unet结构的深度神经网络来进行磁核共振图像重建存在以下问题，由于Unet是为了语义分割任务设计的，所以采用了层次化的卷积-池化操作对特征图进行下采样以扩大感受野来提高分割效果，这样的结构并不能被确认有利于核磁共振图像的重建，所以重建图像的质量有较大的提高空间。同时由于在下采样过程中会将特征图的通道数目不断倍增，导致这样的算法在运行时需要占据大量的计算资源，训练时间长，运行速度慢。
除了网络的宏观结构之外，网络模块中的具体操作对核磁共振的重建结果也会有影响，例如，Yansun Li等人(Sun L,Fan Z,Huang Y,et al.Compressed sensing MRIusing a recursive dilated network[C]//Thirty-Second AAAI Conference onArtificial Intelligence.2018.)使用扩张卷积相对于普通卷积，除去网络中的归一化层能够提高磁共振图像的重建效果。当然除此之外，他们在网络整体设计上也做了相应的改动，把特征图使用跨接进行合并的操作改为用残差连接的方式将特征图直接相加。Li等人提出的框架是通过手动尝试设计的，Li在论文中也提出，通过在3*3扩张为1的卷积之后再添加3*3扩张为2的卷积，还能继续提高重建网络的性能，同时这一子模块重复的次数等都是不固定的。可以看出，一方面设计这样的精细网络结构是十分复杂的，需要依靠经验丰富的开发人员进行仔细地思考和多次试验尝试，另一方面，即使构建了大体网络框架，也很难把握图像重建质量和深度网络所需要的计算资源之间的平衡。
所以，现有技术中从欠采样信号中重建磁核共振图像效果不佳以及其他采用深度学习方法重建核磁共振图像带来的深度神经网络模型庞大，图像重建效果和计算资源难以平衡，所需神经网络结构需要专业算法开发人员进行手工设计并实验调试。
发明内容
本发明为了解决现有的问题，提供一种基于深度学习的欠采样核磁共振图像重建方法。
为了解决上述问题，本发明采用的技术方案如下所述：
一种基于深度学习的欠采样核磁共振图像重建方法，包括如下步骤：S1：构造深度神经网络，所述深度神经网络包括：至少1个小网络单元、至少1个压缩的小网络单元和输出模块；S2：构建候选操作池，所述候选操作池包括所述小网络单元和/或压缩小网络单元的节点之间的相互连接方式；S3：使用微分网络结构搜索算法从所述候选操作池中搜索所述节点之间的可能操作，得到最优的深度神经网络结构。
优选地，所述深度神经网络的输入图像为2个通道的欠采样核磁共振图像，输出图像为2个通道的接近全采样的核磁共振图像，所述2个通道分别代表核磁共振图像的实部和虚部。
优选地，所述小网络单元包括两个输入接口，经过内部计算节点运算后输出的深度神经网络。
优选地，起始的所述小网络单元的所述两个输入接口均接收2个通道的欠采样核磁共振输入图像；第二个所述小网络单元的一个输入接口接收2个通道欠采样核磁共振输入图像，另一个输入接口接收所述起始的所述小网络单元的输出；第三个及后续的所述小网络单元的两个输入接口分别接收前两个小网络单元的输出。
优选地，所述小网络单元输出的通道数目为输入通道数的2倍，所述压缩的小网络单元的输出通道的数目是输入通道的1/2。
优选地，所述操作池包括：3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；扩张3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；扩张5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；跃连接操作；残差连接操作；3*3最大池化操作；3*3平均池化操作；零操作：所述节点之间不存在互相连接。
优选地，步骤S3包括如下步骤：S31：所有的操作赋予起始时相同的网络结构分数α，固定网络结构分数α的值，在训练集上进行训练，用最小化训练集损失Ltrain进行反向传播更新整个所述深度神经网络中固有权重ω；S32：固定所述深度神经网络中固有权重ω，在验证集上进行训练，用最小化验证集损失Lval进行反向传播更新网络结构分数α；S33：重复更新所述固有权重ω和所述网络结构分数α得到所述最优的深度神经网络结构。
优选地，还包括如下步骤：S4：添加K空间数据检查后处理模块并堆叠重建所述深度神经网络结构再重新训练。
优选地，所述K空间数据检查模块将重建网络的输出图像经过反傅里叶变换之后和输入图像对应的欠采样的K空间数据进行比对，保留欠采样的K空间数据中真实采样的区域，欠采样的区域用重建网络恢复的信号进行填充。
优选地，所述小网络单元、所述压缩的小网络单元及所述小网络单元和/或压缩小网络单元的节点的数目均可调节。
本发明的有益效果为：提供一种基于深度学习的欠采样核磁共振图像重建方法，通过重建深度神经网络结构，构建候选操作池，再使用微分网络结构搜索算法全自动搜索小网络单元的结构从而在特定的计算资源情况下设计出最适合核磁共振图像重建的深度神经网络模型；进一步，调整正常小网络单元，压缩小网络单元的数目，和每个单元内部的计算节点数目，可以灵活限定模型所需要占据的计算资源，设计出灵活多变的高质量核磁共振重建深度网络。
附图说明
图1是本发明实施例中一种基于深度学习的欠采样核磁共振图像重建方法的示意图。
图2是本发明实施例中深度神经网络的示意图。
图3是本发明实施例中小网络单元的内部连接示意图。
图4是本发明实施例中小网络单元的外部连接示意图。
图5是本发明实施例中微分网络结构搜索的方法示意图。
图6是本发明实施例中另一种基于深度学习的欠采样核磁共振图像重建方法的示意图。
图7是本发明实施例中K空间数据检查模块的原理示意图。
图8是本发明实施例中堆叠重建网络的示意图。
具体实施方式
为了使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
如图1所示，本发明提供一种基于深度学习的欠采样核磁共振图像重建方法，包括如下步骤：
S1：构造深度神经网络，所述深度神经网络包括：至少1个小网络单元、至少1个压缩的小网络单元和输出模块；
S2：构建候选操作池，所述候选操作池包括所述小网络单元和/或压缩小网络单元的节点之间的相互连接方式；
S3：使用微分网络结构搜索算法从所述候选操作池中搜索所述节点之间的可能操作，得到最优的深度神经网络结构。
在本发明的一种实施例中，深度神经网络的输入图像为2个通道的欠采样核磁共振图像，输出图像为2个通道的接近全采样的核磁共振图像，2个通道分别代表核磁共振图像的实部和虚部。
如图2所示，深度神经网络包括自定义的两种小网络单元模块和输出模块，两种小网络单位分别为正常的小网络单元和压缩的小网络单元。
如图3和图4所示，小网络单元包括两个输入接口，经过内部计算节点运算后输出的深度神经网络。起始的所述小网络单元的所述两个输入接口均接收2个通道的欠采样核磁共振输入图像；第二个所述小网络单元的一个输入接口接收2个通道欠采样核磁共振输入图像，另一个输入接口接收所述起始的所述小网络单元的输出；第三个及后续的所述小网络单元的两个输入接口分别接收前两个小网络单元的输出。
在本发明的一种实施例中，小网络单元输出的通道数目为输入通道数的2倍，所述压缩的小网络单元的输出通道的数目是输入通道的1/2，从而起到减少通道数目的作用。输出模块则是输入任意通道特征图，输出固定为2通道的模块。
本发明构造的深度神经网络的总体框架是由输入的欠采样核磁共振重建图像经过至少1个正常小网络单元之后，再经过至少1个个压缩小网络单元，最终经过输出模块得到重建结果的完整的神经网络。
小网络单元内部计算节点之间可以采用的操作构建候选操作池，包括：3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；扩张3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；扩张5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；跃连接操作；残差连接操作；3*3最大池化操作；3*3平均池化操作；零操作：所述节点之间不存在互相连接。
微分网络结构搜索算法通过自动搜索从候选操作池中挑选可能的操作，从而达到让本网络重建出来的结果更加接近全采样核磁共振图像的目的。
本发明需要构建成对的2通道欠采样核磁共振图像和2通道全采样图像数据集，并将其划分为无交叉训练集和验证集两个部分，用于微分网络结构搜索算法搜索。为了方便说明定义如下2个变量，给网络中所有单元内部可能存在的连接，即所有可能的操作赋予起始时相同的网络结构分数记为α，记整个神经网络中固有权重为ω。
如图5所示，使用微分网络结构搜索算法进行单元内部节点可能操作的搜索，搜索出最优的网络结构，包括如下步骤：
S31：所有的操作赋予起始时相同的网络结构分数α，固定网络结构分数α的值，在训练集上进行训练，用最小化训练集损失Ltrain进行反向传播更新整个所述深度神经网络中固有权重ω；
S32：固定所述深度神经网络中固有权重ω，在验证集上进行训练，用最小化验证集损失Lval进行反向传播更新网络结构分数α；
S33：重复更新所述固有权重ω和所述网络结构分数α得到所述最优的深度神经网络结构。
步骤S31使网络权重向提高重建效果方向收敛；步骤S32改变了每个操作对应的分数，从而可以确定网络中每个节点之间对应的最佳操作；通过多个轮次的上述二步骤训练，当观察到网络的拓扑结构不再发生显著变化时，停止网络结构搜索过程，得到所述最优的深度神经网络结构。
通过以上步骤得到了一个最优的深度神经网络结构，解决了其他技术方案中需要手动设计神经网络内部结构的问题。
如图6所示，本发明的基于深度学习的欠采样核磁共振图像重建方法，还包括如下步骤：
S4：添加K空间数据检查后处理模块并堆叠重建所述深度神经网络结构再重新训练。
如图7所示，K空间数据检查模块的原理为将重建网络的输出图像经过反傅里叶变换之后和输入图像对应的欠采样的K空间数据进行比对，保留欠采样的K空间数据中真实采样的区域，欠采样的区域用重建网络恢复的信号进行填充。
如图8所示，通过堆叠三次重建网络和K空间数据模块，最终组成重建的深度神经网络，在训练集上进行重训练。
经过上述流程之后，可以得到一个自动设计的核磁共振图像重建深度网络模型，可用于实际的核磁共振图像重建，通过调整总体框架中正常小网络单元，压缩小网络单元的数目，和每个单元内部的计算节点数目，可以灵活限定模型所需要占据的计算资源，设计出灵活多变的高质量核磁共振重建深度网络。通过设定至少1个正常单元、至少1个的压缩单元和每个单元内部至少一个的计算节点数目，以此为下线可以灵活限制重建算法所占据的计算资源上限的设计。
如表1所示，展示了在同一膝盖核磁共振数据集上训练并对比测试得到的PSNR，越高表示结果越好，结果显示自动搜索到的网络结构重建结果优于Unet框架的重建结果,并通过后处理继续提高，且用了更少的参数数目。本发明解决了其他基于深度神经网络的和核磁共振图像重建算法需要专家手动设计整个网络结构，难以控制核磁共振图像和计算资源的之间的平衡问题，提出了一种新的基于深度学习的欠采样核磁共振图像重建算法。
表1、实验结果对比
Figure BDA0002177681910000071
本发明的目的在于在特定的计算资源情况下，规定磁核共振重建网络大框架，并通过微分结构搜索算法全自动搜索小网络单元的结构从而设计出最适合核磁共振图像重建的深度神经网络模型。本发明中的重建网络大框架被定义为由至少2个小网络单元和输出模块组合而成的复杂网络。其中每个小网络单元内部规定为由输入节点和输出节点以及1个以上的内部节点组成，每个节点之间的边定义为神经网络中的特定操作：例如普通3*3卷积、池化操作等，如图4中间部分所示。这样一来，通过限制小网络单元的数目和每个单元中的计算节点数，可以限制深度网络的模型大小的上界，从而控制网络所需要的计算资源。本发明算法可以从操作池中通过微分网络结构搜索算法搜索出每个节点之间的最佳操作，在搜出合理的网络操作之后，所有节点可以组合出一个网络结构，这个网络结构能够提供当前计算资源下优秀的核磁共振图像的重建效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于深度学习的欠采样核磁共振图像重建方法，其特征在于，包括如下步骤：
S1：构造深度神经网络，所述深度神经网络包括：至少1个小网络单元、至少1个压缩的小网络单元和输出模块；
S2：构建候选操作池，所述候选操作池包括所述小网络单元和/或压缩小网络单元的节点之间的相互连接方式；
S3：使用微分网络结构搜索算法从所述候选操作池中搜索所述节点之间的可能操作，得到最优的深度神经网络结构；
步骤S3包括如下步骤：
S31：所有的操作赋予起始时相同的网络结构分数，固定网络结构分数的值，在训练集上进行训练，用最小化训练集损失进行反向传播更新整个所述深度神经网络中固有权重；
S32：固定所述深度神经网络中固有权重，在验证集上进行训练，用最小化验证集损失进行反向传播更新网络结构分数；
S33：重复更新所述固有权重和所述网络结构分数得到所述最优的深度神经网络结构；
还包括如下步骤：
S4：添加K空间数据检查后处理模块并堆叠重建所述深度神经网络结构再重新训练；
所述K空间数据检查模块将重建网络的输出图像经过反傅里叶变换之后和输入图像对应的欠采样的K空间数据进行比对，保留欠采样的K空间数据中真实采样的区域，欠采样的区域用重建网络恢复的信号进行填充。
2.如权利要求1所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，所述深度神经网络的输入图像为2个通道的欠采样核磁共振图像，输出图像为2个通道的接近全采样的核磁共振图像，所述2个通道分别代表核磁共振图像的实部和虚部。
3.如权利要求1所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，所述小网络单元包括两个输入接口，经过内部计算节点运算后输出的深度神经网络。
4.如权利要求3所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，起始的所述小网络单元的所述两个输入接口均接收2个通道的欠采样核磁共振输入图像；
第二个所述小网络单元的一个输入接口接收2个通道欠采样核磁共振输入图像，另一个输入接口接收所述起始的所述小网络单元的输出；
第三个及后续的所述小网络单元的两个输入接口分别接收前两个小网络单元的输出。
5.如权利要求1所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，所述小网络单元输出的通道数目为输入通道数的2倍，所述压缩的小网络单元的输出通道的数目是输入通道的1/2。
6.如权利要求1所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，所述操作池包括：
3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；
扩张3*3卷积操作：由3*3卷积层和LeakyRelu激活函数构成；
5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；
扩张5*5卷积操作：由5*5卷积层和LeakyRelu激活函数构成；
跃连接操作；
残差连接操作；
3*3最大池化操作；
3*3平均池化操作；
零操作：所述节点之间不存在互相连接。
7.如权利要求1所述的基于深度学习的欠采样核磁共振图像重建方法，其特征在于，所述小网络单元、所述压缩的小网络单元及所述小网络单元和/或压缩小网络单元的节点的数目均可调节。
CN201910784735.0A 2019-08-23 2019-08-23 一种基于深度学习的欠采样核磁共振图像重建方法 Active CN110570486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910784735.0A CN110570486B (zh) 2019-08-23 2019-08-23 一种基于深度学习的欠采样核磁共振图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910784735.0A CN110570486B (zh) 2019-08-23 2019-08-23 一种基于深度学习的欠采样核磁共振图像重建方法

Publications (2)

Publication Number Publication Date
CN110570486A CN110570486A (zh) 2019-12-13
CN110570486B true CN110570486B (zh) 2023-04-07

Family

ID=68775953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910784735.0A Active CN110570486B (zh) 2019-08-23 2019-08-23 一种基于深度学习的欠采样核磁共振图像重建方法

Country Status (1)

Country Link
CN (1) CN110570486B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021119875A1 (zh) * 2019-12-15 2021-06-24 中国科学院深圳先进技术研究院 基于神经网络结构搜索的磁共振快速成像方法和装置
CN111445547B (zh) * 2020-03-20 2023-05-09 中国科学院深圳先进技术研究院 一种基于神经网络的网格化磁共振图像重建方法和装置
CN111751773B (zh) * 2020-07-06 2023-07-04 上海康达卡勒幅医疗科技有限公司 一种基于1D-Unet的低场核磁共振仪器信号校正方法
CN111898321B (zh) * 2020-08-07 2021-06-25 湖南工业大学 基于深度学习的叶片欠采样叶端定时信号压缩重构方法
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
CN113034414B (zh) * 2021-03-22 2022-11-11 上海交通大学 一种图像重构方法、系统、装置及存储介质
CN115796255B (zh) * 2022-09-08 2024-02-02 美的集团(上海)有限公司 网络结构搜索方法、存储介质和计算机程序产品
CN117054943A (zh) * 2023-10-11 2023-11-14 山东奥新医疗科技有限公司 基于径向基网络的磁共振成像方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373167A (zh) * 2016-11-15 2017-02-01 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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10198645A (ja) * 1997-01-07 1998-07-31 Nippon Telegr & Teleph Corp <Ntt> ニューラルネット学習方法及び装置
WO2017113205A1 (zh) * 2015-12-30 2017-07-06 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
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
US10989779B2 (en) * 2017-09-29 2021-04-27 Yonsei University, University - Industry Foundation (UIF) Apparatus and method for reconstructing magnetic resonance image using learning, and under-sampling apparatus method and recording medium thereof
US10573031B2 (en) * 2017-12-06 2020-02-25 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373167A (zh) * 2016-11-15 2017-02-01 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

Also Published As

Publication number Publication date
CN110570486A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110570486B (zh) 一种基于深度学习的欠采样核磁共振图像重建方法
CN108828481B (zh) 一种基于深度学习和数据一致性的磁共振重建方法
Qin et al. Convolutional recurrent neural networks for dynamic MR image reconstruction
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN110097550B (zh) 一种基于深度学习的医学图像分割方法及系统
CN111932461B (zh) 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统
WO2020134826A1 (zh) 磁共振并行成像方法及相关设备
CN107064845A (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
CN108335339A (zh) 一种基于深度学习和凸集投影的磁共振重建方法
CN109410289A (zh) 一种深度学习的高欠采样超极化气体肺部mri重建方法
Du et al. Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network
CN111210484B (zh) 医学图像生成方法、模型训练方法、装置及介质
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
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN114972570A (zh) 图像重建方法及设备
WO2021119875A1 (zh) 基于神经网络结构搜索的磁共振快速成像方法和装置
CN114010180B (zh) 一种基于卷积神经网络的磁共振快速成像方法及装置
CN115294229A (zh) 用于重建磁共振成像（mri）图像的方法及设备
CN110246200A (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN111063000B (zh) 基于神经网络结构搜索的磁共振快速成像方法和装置
CN112213673B (zh) 动态磁共振成像方法、装置、重建计算机及磁共振系统
CN109272450A (zh) 一种基于卷积神经网络的图像超分方法
Chaithya et al. Hybrid learning of non-Cartesian k-space trajectory and MR image reconstruction networks
CN106056554B (zh) 一种梯度域卷积稀疏编码的磁共振快速成像方法
CN116385274A (zh) 多模态影像引导的脑血管造影质量增强方法和装置

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