CN110766661B - 磁共振成像的水脂分离方法、磁共振成像方法和设备 - Google Patents
磁共振成像的水脂分离方法、磁共振成像方法和设备 Download PDFInfo
- Publication number
- CN110766661B CN110766661B CN201910915721.8A CN201910915721A CN110766661B CN 110766661 B CN110766661 B CN 110766661B CN 201910915721 A CN201910915721 A CN 201910915721A CN 110766661 B CN110766661 B CN 110766661B
- Authority
- CN
- China
- Prior art keywords
- image
- water
- fat
- signal
- binary mask
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
本申请涉及一种磁共振成像的水脂分离方法、磁共振成像方法和设备。该方法包括:获取扫描对象的至少两个回波对应的图像信号,图像信号为复数图像;将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;利用二值掩膜图像初始化相位值;根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。该方法通过神经网络模型处理以及求解水信号图像及脂肪信号图像,可大大提高磁共振成像水脂分离时水脂分离结果的准确度。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种磁共振成像的水脂分离方法、磁共振成像方法和设备。
背景技术
目前在医疗领域中,磁共振成像技术(Magnetic Resonance Imaging,MRI)已得到广泛应用,其可以利用磁共振现象从人体中获得电磁信号,并重建出人体信息,进而可以体现出人体的病灶区域。由于人体组织大致可分为水占主要成分或脂肪占主要成分,那么将磁共振图像进行水脂分离可提高医生阅片的准确性。
传统技术通常是利用基于图像分割的水脂分离算法或区域相位迭代提取方法,对多个回波磁共振图像所包含的相位信息进行分析,分离出图像中每个像素的水成分和脂肪成分。但是传统技术需要假设磁共振设备的磁场比较均匀,磁共振图像的相位信息是缓慢变化的,而在实际应用中磁共振图像的采集过程会受到各种因素干扰,不能满足相位信息缓慢变化的要求。
因此,传统技术在进行磁共振图像水脂分离时,水脂分离结果准确度较低。
发明内容
基于此,有必要针对传统技术在进行磁共振图像水脂分离时,水脂分离结果准确度较低的问题,提供一种磁共振成像的水脂分离方法、磁共振成像方法和设备。
第一方面,本申请实施例提供一种磁共振成像的水脂分离方法,包括:
获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
在其中一个实施例中,将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像,包括:
将图像信号的实部图像和虚部图像分别输入神经网络模型进行卷积和降采样处理,得到编码图像;
利用神经网络模型对编码图像进行卷积、升采样及归一化处理,得到二值掩膜图像;
二值掩膜图像中像素点对应的值包括0和1;其中,0表征像素点脂肪占主要成分,1表征像素点水占主要成分。
在其中一个实施例中,利用二值掩膜图像初始化相位值,包括:
利用二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化相位值。
在其中一个实施例中,上述方法还包括:
对初始化后的相位值进行区域相位迭代处理。
在其中一个实施例中,对初始化后的相位值进行区域相位迭代处理,包括:
将相位值进行滤波,计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与脂肪占主要成分特征值之间的第二差值;
判断第一差值是否小于或者等于第二差值,若是,将水占主要成分特征值确定为参考相位值;若否,将脂肪占主要成分特征值确定为参考相位值;
当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。
在其中一个实施例中,根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像,包括:
根据区域相位迭代处理后的相位值校正图像信号,得到图像信号矩阵方程;
利用最小二乘算法求解图像信号矩阵方程,得到扫描对象的水信号图像及脂肪信号图像。
第二方面,本申请实施例提供一种磁共振成像方法,包括:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
在其中一个实施例中,基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像,包括:
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
在其中一个实施例中,上述方法还包括:
对初始化后的相位值进行区域相位迭代处理。
第三方面,本申请实施例提供一种磁共振成像的水脂分离装置,包括:
获取模块,用于获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
第一处理模块,用于将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
初始化模块,用于利用二值掩膜图像初始化相位值;
第一确定模块,用于根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
第四方面,本申请实施例提供一种磁共振成像装置,包括:
成像模块,用于采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
转换模块,用于将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
第二处理模块,用于对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
第二确定模块,用于基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
第五方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
第六方面,本申请实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
第七方面,本申请实施例提供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:
获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
第八方面,本申请实施例提供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:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
上述磁共振成像的水脂分离方法、磁共振成像方法和设备,能够首先将获取的扫描对象的至少两个回波对应的图像信号输入神经网络模型进行处理,得到二值掩膜图像,该神经网络模型为训练收敛的模型,可提高得到的二值掩膜图像的准确性;然后利用二值掩膜图像初始化相位值,并根据初始化后的相位值,求解图像信号的水信号图像及脂肪信号图像,由此逐层递进,可大大提高磁共振成像水脂分离时水脂分离结果的准确度。
附图说明
图1为一个实施例提供的磁共振成像的水脂分离方法的流程示意图;
图1a为一个实施例提供的图像信号中水信号与脂肪信号的夹角示意图;
图1b为一个实施例提供的U-Net卷积神经网络的网络结构示意图;
图2为另一个实施例提供的磁共振成像的水脂分离方法的流程示意图;
图2a为一个实施例提供的水脂分离后水信号图像及脂肪信号图像的示意图;
图3为一个实施例提供的磁共振成像方法的流程示意图;
图4为一个实施例提供的磁共振成像的水脂分离装置的结构示意图;
图5为另一个实施例提供的磁共振成像的水脂分离装置的结构示意图;
图6为一个实施例提供的磁共振成像装置的结构示意图;
图7为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的磁共振成像的水脂分离方法,可以适用于对采集的磁共振图像进行水信号和脂肪信号的分离过程。传统技术通常是利用基于图像分割的水脂分离算法或区域相位迭代提取方法,对多个回波磁共振图像所包含的相位信息进行分析,分离出图像中每个像素的水成分和脂肪成分。但是传统技术需要假设磁共振设备的磁场比较均匀,但在实际应用中采集磁共振图像时会受到各种因素干扰,不能满足磁场均匀的要求,因此传统技术水脂分离结果准确度较低。本实施例提供的磁共振成像的水脂分离方法、磁共振成像方法和设备,旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是磁共振成像的水脂分离装置,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计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明。
图1为一个实施例提供的磁共振成像的水脂分离方法的流程示意图。本实施例涉及的是计算机设备对获取的图像信号进行处理,得到水信号图像及脂肪信号图像的具体过程。如图1所示,该方法包括:
S101,获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像。
具体的,计算机设备首先获取扫描对象的至少两个回波下采集得到的磁共振信号,将所采集的磁共振信号通过傅里叶变换转成图像信号,该图像信号为复数图像,且两个回波对应的图像信号在不同时间采集。在图像域提取有效图像信号像素,并取该有效图像信号像素的实部图像和虚部图像。以两个图像信号为例,每个图像信号中的水信号和脂肪信号夹角不同,如图1a所示,一个回波对应的图像信号中水信号和脂肪信号的夹角为α0,另一个回波对应的图像信号中水信号和脂肪信号的夹角为α1。
假设一个图像信号中水信号和脂肪信号的夹角为0,另一个图像信号中水信号和脂肪信号的夹角为α,则图像信号中每个像素点的信号可用以下数学式进行表示:则P1=I1/|W+F|;设J2=I2*(P1)*=(W+Feiα)*P2(P1)*,其中,W为水信号,F为脂肪信号,P1和P2为相位信息,φ0为采集图像信号时磁场不均匀等内部因素引入的相位误差,φ1为系统误差、RF场不均匀、患者运动等其余的相对相位误差。因图像信号中信号存在相位卷绕的因素,P2(P1)*有两种取值结果,或者若P2(P1)*=Ps1,则表示该像素点中水占主要成分;若P2(P1)*=Ps2,则表示该像素点中脂肪占主要成分。
S102,将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分。
具体的,由上述可知,水脂分离问题可理解为一个二值选择问题,那么计算机设备可以先搭建一个用于二值选择的神经网络模型,利用大量的训练数据对该模型进行训练至收敛。然后计算机设备将上述图像信号输入该神经网络模型进行处理,由于对图像信号中的每个像素来说,必定是水占主要成分或脂肪占主要成分,那么神经网络模型便可以根据输入图像得到一个二值掩膜图像。其中,上述二值掩膜图像表征了磁共振成像中每个像素点的属性分类,即是水占主要成分或脂肪占主要成分。可选的,可以将图像信号的实部与虚部分开,再输入上述神经网络模型进行处理。
可选的,上述神经网络模型可以为卷积神经网络(Convolutional NeuralNetworks,CNN)、全卷积网络(Fully Convolutional Networks,FCN),也可以为其他神经网络,本实施例对此不做限制。可选的,该神经网络模型可以为U-Net卷积神经网络,其网络结构可以参见图1b所示,其中,左边为编码部分,主要操作为二维卷积和降采样,右边为解码部分,主要操作为二维卷积和升采样,最后为softmax归一化操作。
S103,利用二值掩膜图像初始化相位值。
S104,根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
具体的,计算机设备利用上述得到的二值掩膜图像初始化相位值,然后利用对初始化后的相位值对上述回波对应的图像信号进行处理,得到水信号图像和脂肪信号图像。
其中,上述初始化后的相位值可以定性的表征磁共振成像中每个像素点水占主要成分,或是脂肪占主要成分。可选的,计算机设备还可以采用区域相位迭代算法对初始化后的相位值进行迭代处理,也可以采用其他算法对初始化后的相位值进行迭代处理,由此可对少量像素点有误的相位进行修正;然后根据迭代处理后的相位值对上述回波对应的图像信号进行处理,得到水信号图像和脂肪信号图像。
本实施例提供的磁共振成像的水脂分离方法,计算机设备首先将获取的扫描对象的至少两个回波对应的图像信号输入神经网络模型进行处理,得到二值掩膜图像,该神经网络模型为训练收敛的模型,可提高得到的二值掩膜图像的准确性;然后利用二值掩膜图像初始化相位值,并根据初始化后的相位值,求解图像信号的水信号图像及脂肪信号图像,由此逐层递进,可大大提高磁共振成像水脂分离时水脂分离结果的准确度。
可选的,在其中一些实施例中,上述将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像,可以包括:计算机设备将图像信号的实部图像和虚部图像分别输入神经网络模型进行卷积和降采样处理,得到编码图像;再利用神经网络模型对编码图像进行卷积、升采样及归一化处理,得到二值掩膜图像。
可选的,在上述二值掩膜图像中,像素点对应的值包括0和1,其中,0表征该像素点脂肪占主要成分,1表征该像素点水占主要成分;可选的,也可以以其他两个数值表征水占主要成分或脂肪占主要成分,本实施例对此不做限制。
可选的,在其中一些实施例中,上述利用二值掩膜图像初始化相位值,可以包括:利用二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化相位值。可选的,计算机设备可以利用包含Pmask*Ps1+(1-Pmask)*Ps2的关系式初始化相位值,其中,Pmask为二值掩膜图像,Ps1为水占主要成分特征值,Ps2为脂肪占主要成分特征值。可选的,计算机设备还可以利用其他关系式来初始化相位值。
图2为另一个实施例提供的磁共振成像的水脂分离方法的流程示意图。本实施例涉及的是计算机设备对初始化后的相位值进行区域相位迭代处理的具体过程。可选的,在上述实施例的基础上,上述方法还可以包括:
S201,将相位值进行滤波,计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与脂肪占主要成分特征值之间的第二差值。
具体的,计算机设备首先对上述初始化后的相位值进行滤波,可选的,可以采用空间平滑方法对相位值进行滤波,也可以采用其他滤波方法对相位值进行滤波,滤波后的相位值可以记为Ps’。然后,计算机设备分别计算Ps’与上述水占主要成分特征值Ps1的第一差值,以及Ps’与上述脂肪占主要成分特征值Ps2的第二差值。
S202,判断第一差值是否小于或者等于第二差值,若是,将水占主要成分特征值确定为参考相位值;若否,将脂肪占主要成分特征值确定为参考相位值。
具体的,计算机设备判断上述第一差值是否小于或者等于第二差值,即|Ps’-Ps1|≤|Ps’-Ps2|,若是,将水占主要成分特征值Ps1确定为参考相位值Ps,若否,将脂肪占主要成分特征值Ps2确定为参考相位值Ps。
在得到参考相位值Ps之后,计算机设备对Ps再次进行滤波,并执行S201的步骤得到第一差值和第二差值,由此迭代操作,不同迭代次数输出的参考相位值会发生变化,即在水占主要成分特征值Ps1和脂肪占主要成分特征值Ps2之间来回切换。
S203,当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。
具体的,若上述参考相位值在连续迭代次数内不发生变化,假设连续迭代次数为10次,即连续的10次迭代操作所输出的参考相位值不变(10次都为Ps1或10次都为Ps2),则表征该相位值达到稳定,计算机设备将此时得到的参考相位值确定为迭代处理后确定的相位值,可以记为稳定相位值。关于本实施例得到的水信号图像及脂肪信号图像可参见图2a所示。
本实施例提供的磁共振成像的水脂分离方法,计算机设备首先将相位值进行滤波,并计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及滤波后的相位值与脂肪占主要成分特征值之间的第二差值;然后根据第一差值与第二差值的大小关系确定参考相位值,当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。由此迭代操作确定稳定相位值,可对相位值有误差的像素点进行修正,以进一步提高磁共振成像的水脂分离结果。
可选的,在其中一些实施例中,计算机设备可以首先根据上述区域相位迭代处理后的相位值(即稳定相位值)校正上述图像信号,得到图像信号矩阵方程,设J1=I1(P1 s)*=W+F,J2=J2(Ps s)*=W+Feiα,其中P1 s为上述P1去噪后的结果,Ps s为上述稳定相位值去噪后的结果;整理成矩阵方程形式为AX=J,其中,然后利用最小二乘算法求解该矩阵方程,可以得到扫描对象的定量水信号图像及脂肪信号图像,即WLS为水信号图像,FLS为脂肪信号图像。
图3为一个实施例提供的磁共振成像方法的流程示意图,本实施例提供的是计算机设备利用上述水脂分离方法进行磁共振成像的具体过程。如图3所示,该方法包括:
S301,采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号。
S302,将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像。
S303,对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分。
S304,基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
具体的,计算机设备首先采用多回波序列对扫描对象进行成像,获取扫描对象的至少两个回波下采集得到的磁共振信号,将所采集的磁共振信号通过傅里叶变换转换成图像信号,且两个回波对应的图像信号在不同时间采集。在图像域提取有效图像信号像素,并取该有效图像信号像素的实部图像和虚部图像。然后计算机设备采用上述实施例所述的磁共振成像的水脂分离方法,对图像信号进行处理,得到扫描对象的水信号图像及脂肪信号图像。关于磁共振成像的水脂分离方法可以参见上述实施例中的描述,在此不再赘述。
可选的,在其中一些实施例中,上述基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像,包括:利用二值掩膜图像初始化相位值;根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。可选的,上述方法还包括:对初始化后的相位值进行区域相位迭代处理。
应该理解的是,虽然图1-图3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1-图3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4为一个实施例提供的磁共振成像的水脂分离装置的结构示意图。如图4所示,该装置包括:获取模块11、第一处理模块12、初始化模块13和第一确定模块14。
具体的,获取模块11,用于获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像。
第一处理模块12,用于将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分。
初始化模块13,用于利用二值掩膜图像初始化相位值。
第一确定模块14,用于根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的磁共振成像的水脂分离装置,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5为另一个实施例提供的磁共振成像的水脂分离装置的结构示意图。在上述图4所示实施例的基础上,如图5所示,第一处理模块12包括:第一处理单元121和第二处理单元122。
具体的,第一处理单元121,用于将图像信号的实部图像和虚部图像分别输入神经网络模型进行卷积和降采样处理,得到编码图像。
第二处理单元122,用于利用神经网络模型对编码图像进行卷积、升采样及归一化处理,得到二值掩膜图像;二值掩膜图像中像素点对应的值包括0和1;其中,0表征像素点脂肪占主要成分,1表征像素点水占主要成分。
本实施例提供的磁共振成像的水脂分离装置,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。
在其中一个实施例中,上述初始化模块13,具体用于利用二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化相位值。
在其中一个实施例中,上述装置还包括第一迭代模块,用于对初始化后的相位值进行区域相位迭代处理。
在其中一个实施例中,上述迭代模块,具体用于将相位值进行滤波,计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与脂肪占主要成分特征值之间的第二差值;第一差值是否小于或者等于第二差值,若是,将水占主要成分特征值确定为参考相位值;若否,将脂肪占主要成分特征值确定为参考相位值;当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。
在其中一个实施例中,上述第一确定模块14,具体用于根据区域相位迭代处理后的相位值校正图像信号,得到图像信号矩阵方程;以及利用最小二乘算法求解图像信号矩阵方程,得到扫描对象的水信号图像及脂肪信号图像。
图6为一个实施例提供的磁共振成像装置的结构示意图。如图6所示,该装置包括:成像模块15、转换模块16、第二处理模块17和第二确定模块18。
具体的,成像模块15,用于采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
转换模块16,用于将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
第二处理模块17,用于对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
第二确定模块18,用于基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的磁共振成像装置,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。
在其中一个实施例中,上述第二确定模块18,具体用于利用二值掩膜图像初始化相位值;根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
在其中一个实施例中,上述装置还包括第二迭代模块,用于对初始化后的相位值进行区域相位迭代处理。
关于磁共振成像的水脂分离装置和磁共振成像装置的具体限定可以参见上文中对于磁共振成像的水脂分离方法和磁共振成像方法的限定,在此不再赘述。上述磁共振成像的水脂分离装置和磁共振成像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计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,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,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机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,该计算机设备的处理器用于提供计算和控制能力。该计算机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、计算机程序和数据库。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。该计算机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磁共振成像的水脂分离方法或磁共振成像方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机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7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计算机设备的限定,具体的计算机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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
将图像信号的实部图像和虚部图像分别输入神经网络模型进行卷积和降采样处理,得到编码图像;
利用神经网络模型对编码图像进行卷积、升采样及归一化处理,得到二值掩膜图像;
二值掩膜图像中像素点对应的值包括0和1;其中,0表征像素点脂肪占主要成分,1表征像素点水占主要成分。
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:
利用二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化相位值。
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:
对初始化后的相位值进行区域相位迭代处理。
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:
将相位值进行滤波,计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与脂肪占主要成分特征值之间的第二差值;
判断第一差值是否小于或者等于第二差值,若是,将水占主要成分特征值确定为参考相位值;若否,将脂肪占主要成分特征值确定为参考相位值;
当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。
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:
根据区域相位迭代处理后的相位值校正图像信号,得到图像信号矩阵方程;
利用最小二乘算法求解图像信号矩阵方程,得到扫描对象的水信号图像及脂肪信号图像。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
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:
对初始化后的相位值进行区域相位迭代处理。
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:
获取扫描对象至少两个回波对应的图像信号,图像信号为复数图像;
将图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
将图像信号的实部图像和虚部图像分别输入神经网络模型进行卷积和降采样处理,得到编码图像;
利用神经网络模型对编码图像进行卷积、升采样及归一化处理,得到二值掩膜图像;
二值掩膜图像中像素点对应的值包括0和1;其中,0表征像素点脂肪占主要成分,1表征像素点水占主要成分。
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:
利用二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化相位值。
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:
对初始化后的相位值进行区域相位迭代处理。
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:
将相位值进行滤波,计算滤波后的相位值与水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与脂肪占主要成分特征值之间的第二差值;
判断第一差值是否小于或者等于第二差值,若是,将水占主要成分特征值确定为参考相位值;若否,将脂肪占主要成分特征值确定为参考相位值;
当参考相位值在预设的连续迭代次数内不发生变化时,完成区域相位迭代处理。
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:
根据区域相位迭代处理后的相位值校正图像信号,得到图像信号矩阵方程;
利用最小二乘算法求解图像信号矩阵方程,得到扫描对象的水信号图像及脂肪信号图像。
在一个实施例中,还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:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,图像信号为复数图像;
对图像信号进行处理,得到二值掩膜图像,二值掩膜图像表征磁共振成像中每个像素点的属性分类,属性分类包括水占主要成分和脂肪占主要成分;
基于二值掩膜图像,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
利用二值掩膜图像初始化相位值;
根据初始化后的相位值,从图像信号确定扫描对象的水信号图像及脂肪信号图像。
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:
对初始化后的相位值进行区域相位迭代处理。
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 (8)
1.一种磁共振成像的水脂分离方法,其特征在于,包括:
获取扫描对象至少两个回波对应的图像信号,所述图像信号为复数图像;
将所述图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像;所述二值掩膜图像表征所述磁共振成像中每个像素点的属性分类,所述属性分类包括水占主要成分和脂肪占主要成分;
利用所述二值掩膜图像初始化相位值;
根据所述初始化后的相位值,从所述图像信号确定所述扫描对象的水信号图像及脂肪信号图像;
其中,所述利用所述二值掩膜图像初始化相位值,包括:
利用所述二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化所述相位值。
2.根据权利要求1所述的方法,其特征在于,所述将所述图像信号输入预设的神经网络模型进行处理,得到二值掩膜图像,包括:
将所述图像信号的实部图像和虚部图像分别输入所述神经网络模型进行卷积和降采样处理,得到编码图像;
利用所述神经网络模型对所述编码图像进行卷积、升采样及归一化处理,得到所述二值掩膜图像;
所述二值掩膜图像中像素点对应的值包括0和1;其中,0表征所述像素点脂肪占主要成分,1表征所述像素点水占主要成分。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述初始化后的相位值进行区域相位迭代处理。
4.根据权利要求3所述的方法,其特征在于,所述对初始化后的相位值进行区域相位迭代处理,包括:
将所述相位值进行滤波,计算滤波后的相位值与所述水占主要成分特征值之间的第一差值,以及计算滤波后的相位值与所述脂肪占主要成分特征值之间的第二差值;
判断所述第一差值是否小于或者等于所述第二差值,若是,将所述水占主要成分特征值确定为参考相位值;若否,将所述脂肪占主要成分特征值确定为参考相位值;
当所述参考相位值在预设的连续迭代次数内不发生变化时,完成所述区域相位迭代处理。
5.根据权利要求4所述的方法,其特征在于,所述根据所述初始化后的相位值,从所述图像信号确定所述扫描对象的水信号图像及脂肪信号图像,包括:
根据所述区域相位迭代处理后的相位值校正所述图像信号,得到图像信号矩阵方程;
利用最小二乘算法求解所述图像信号矩阵方程,得到所述扫描对象的水信号图像及脂肪信号图像。
6.一种磁共振成像方法,其特征在于,包括:
采用多回波序列对扫描对象进行成像,以获取至少两个回波对应的磁共振信号;
将所述至少两个回波对应的磁共振信号通过傅立叶变换转换成图像信号,所述图像信号为复数图像;
对所述图像信号进行处理,得到二值掩膜图像,所述二值掩膜图像表征所述磁共振成像中每个像素点的属性分类,所述属性分类包括水占主要成分和脂肪占主要成分;
基于所述二值掩膜图像,从所述图像信号确定所述扫描对象的水信号图像及脂肪信号图像;
基于所述二值掩膜图像,从所述图像信号确定所述扫描对象的水信号图像及脂肪信号图像,包括:
利用所述二值掩膜图像初始化相位值;
根据所述初始化后的相位值,从所述图像信号确定扫描对象的水信号图像及脂肪信号图像;
其中,所述利用所述二值掩膜图像初始化相位值,包括:
利用所述二值掩膜图像、水占主要成分特征值及脂肪占主要成分特征值,初始化所述相位值。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
对所述初始化后的相位值进行区域相位迭代处理。
8.一种计算机设备,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1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915721.8A CN110766661B (zh) | 2019-09-26 | 2019-09-26 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915721.8A CN110766661B (zh) | 2019-09-26 | 2019-09-26 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766661A CN110766661A (zh) | 2020-02-07 |
CN110766661B true CN110766661B (zh) | 2022-10-28 |
Family
ID=69330030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915721.8A Active CN110766661B (zh) | 2019-09-26 | 2019-09-26 | 磁共振成像的水脂分离方法、磁共振成像方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766661B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359076B (zh) * | 2020-03-06 | 2022-09-27 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN113470032B (zh) * | 2021-05-25 | 2022-10-18 | 上海东软医疗科技有限公司 | 一种基于磁共振成像的水脂分离方法、装置及计算机设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293498A (zh) * | 2012-02-27 | 2013-09-11 | 医影量有限责任公司 | 提供磁化率定量成像的系统和方法 |
CN104382597A (zh) * | 2014-11-11 | 2015-03-04 | 奥泰医疗系统有限责任公司 | 一种磁共振成像中的Dixon水脂分离及辨析方法及系统 |
CN107527361A (zh) * | 2017-08-28 | 2017-12-29 | 合肥融视信息科技有限公司 | 基于磁共振影像融合显示的图像显示系统及显示方法 |
EP3382417A2 (en) * | 2017-03-28 | 2018-10-03 | Siemens Healthcare GmbH | Magnetic resonance image reconstruction system and method |
CN108693491A (zh) * | 2017-04-07 | 2018-10-23 | 康奈尔大学 | 稳健的定量磁化率成像系统和方法 |
CN108720834A (zh) * | 2018-02-06 | 2018-11-02 | 苏州朗润医疗系统有限公司 | 一种梯度回波多回波水脂分离方法及应用该方法的磁共振成像系统 |
CN109938704A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 磁共振温度成像方法与装置 |
CN110246137A (zh) * | 2019-06-19 | 2019-09-17 | 沈阳东软医疗系统有限公司 | 一种成像方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107153169B (zh) * | 2017-07-04 | 2020-03-27 | 南京拓谱医疗科技有限公司 | 一种稳态进动梯度多回波水脂分离成像方法 |
CN107578067A (zh) * | 2017-09-15 | 2018-01-12 | 国家烟草质量监督检验中心 | 一种基于卷积神经网络的烟丝组分识别方法及装置 |
US10902591B2 (en) * | 2018-02-09 | 2021-01-26 | Case Western Reserve University | Predicting pathological complete response to neoadjuvant chemotherapy from baseline breast dynamic contrast enhanced magnetic resonance imaging (DCE-MRI) |
CN108814603B (zh) * | 2018-05-10 | 2021-11-09 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN109557489B (zh) * | 2019-01-08 | 2021-06-18 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
CN110244246B (zh) * | 2019-07-03 | 2021-07-16 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
-
2019
- 2019-09-26 CN CN201910915721.8A patent/CN110766661B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103293498A (zh) * | 2012-02-27 | 2013-09-11 | 医影量有限责任公司 | 提供磁化率定量成像的系统和方法 |
CN104382597A (zh) * | 2014-11-11 | 2015-03-04 | 奥泰医疗系统有限责任公司 | 一种磁共振成像中的Dixon水脂分离及辨析方法及系统 |
EP3382417A2 (en) * | 2017-03-28 | 2018-10-03 | Siemens Healthcare GmbH | Magnetic resonance image reconstruction system and method |
CN108693491A (zh) * | 2017-04-07 | 2018-10-23 | 康奈尔大学 | 稳健的定量磁化率成像系统和方法 |
CN107527361A (zh) * | 2017-08-28 | 2017-12-29 | 合肥融视信息科技有限公司 | 基于磁共振影像融合显示的图像显示系统及显示方法 |
CN109938704A (zh) * | 2017-12-20 | 2019-06-28 | 深圳先进技术研究院 | 磁共振温度成像方法与装置 |
CN108720834A (zh) * | 2018-02-06 | 2018-11-02 | 苏州朗润医疗系统有限公司 | 一种梯度回波多回波水脂分离方法及应用该方法的磁共振成像系统 |
CN110246137A (zh) * | 2019-06-19 | 2019-09-17 | 沈阳东软医疗系统有限公司 | 一种成像方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
Yu H等.Single acquisition water-fat separation:feasibility study for dynamic imaging.《Magnetic Resonance in Medicine》.2006,第55卷(第2期),第413-422页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110766661A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN109523584B (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
Trinh et al. | Novel example-based method for super-resolution and denoising of medical images | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN109697740B (zh) | 图像重建方法、装置和计算机设备 | |
Lu et al. | MR image super-resolution via manifold regularized sparse learning | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN110766661B (zh) | 磁共振成像的水脂分离方法、磁共振成像方法和设备 | |
CN110827369A (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN110310314B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN110473241B (zh) | 图像配准方法、存储介质及计算机设备 | |
CN116778016A (zh) | 一种mri图像重建方法、系统及介质 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN110473285B (zh) | 图像重构方法、装置、计算机设备和存储介质 | |
US20210074034A1 (en) | Methods and apparatus for neural network based image reconstruction | |
CN112102327B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN111311531A (zh) | 图像增强方法、装置、控制台设备及医学成像系统 | |
CN116309922B (zh) | Ct灌注影像的去伪影方法、装置、设备和存储介质 | |
Xu | A Robust and Efficient Framework for Slice-to-Volume Reconstruction: Application to Fetal MRI | |
Zhang et al. | Iterative Learning for Joint Image Denoising and Motion Artifact Correction of 3D Brain MRI |
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 |