CN110827369B - 欠采样模型生成方法、图像重建方法、设备和存储介质 - Google Patents
欠采样模型生成方法、图像重建方法、设备和存储介质 Download PDFInfo
- Publication number
- CN110827369B CN110827369B CN201911053237.5A CN201911053237A CN110827369B CN 110827369 B CN110827369 B CN 110827369B CN 201911053237 A CN201911053237 A CN 201911053237A CN 110827369 B CN110827369 B CN 110827369B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- undersampled
- ith
- reconstructed 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
Links
Classifications
-
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种欠采样模型生成方法、图像重建方法、设备和存储介质。欠采样模型生成方法包括:获取n个扫描序列;对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i‑1个扫描序列的重建图像输入神经网络中进行重建,得到第i个重建图像;当第i个重建图像未满足预设条件时,利用第i个重建图像生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件。该方法可以大大提高图像重建过程的效率以及图像质量。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种欠采样模型生成方法、图像重建方法、设备和存储介质。
背景技术
在目前的医疗领域中,存在多种成像技术辅助医生进行疾病诊断,磁共振成像因其无电离辐射伤害,且拥有多种组织对比度成为医疗成像技术中不可替代的一员。磁共振图像采集的过程通常是对整个K空间进行空间编码,从而导致图像采集时间往往都很长,而采集时间一旦很长便会带来运动导致的伪影,影响医学图像质量。因此,如何加快磁共振扫描采样的速度一直都是本领域研究的热点。
由于K空间中心低频部分包含主要结构和对比度,高频部分包含细节的物理规律,因此,传统技术采用的加速算法通常为采取K空间中心密集采样,高频部分规律欠采样的数据采集模型,或者稀疏的随机欠采样模型对磁共振数据进行采集。
然而,传统技术的欠采样模型在高速加倍时会出现严重的重建伪影,导致得到的磁共振图像的图像质量较低。
发明内容
基于此,有必要针对传统技术中得到的磁共振图像的图像质量较低的问题,提供一种欠采样模型生成方法、图像重建方法、设备和存储介质。
第一方面,本申请实施例提供一种欠采样模型生成方法,包括:
获取n个扫描序列,n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
第二方面,本申请实施例提供一种图像重建方法,包括:
利用上述欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
第三方面,本申请实施例提供一种欠采样模型生成装置,包括:
获取模块,用于获取n个扫描序列,n为正整数;
第一采样模块,用于对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
第一重建模块,用于当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
第二重建模块,用于当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
迭代模块,用于当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
第四方面,本申请实施例提供一种图像重建装置,包括:
第二采样模块,用于利用上述欠采样模型生成装置所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
第三重建模块,用于当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
第四重建模块,用于当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
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n个扫描序列,n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
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:
利用上述欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
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n个扫描序列,n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
第八方面,本申请实施例还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:
利用上述欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
上述欠采样模型生成方法、图像重建方法、装置、计算机设备和可读存储介质,首先根据待更新欠采样模型得到第i个欠采样图像,当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;当第i个重建图像为满足预设条件时,更新待更新欠采样模型并返回执行待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,得到第i个扫描序列对应的欠采样模型。该方法在得到第i个重建图像时,充分利用前面i-1个扫描序列的重建图像信息,可以大大提高图像重建过程的效率以及图像质量;且每个扫描序列对应一个适配的欠采样模型,也进一步提高了所得到的医学图像的图像质量。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的欠采样模型生成方法的流程示意图;
图2a为一个实施例提供的欠采样模型迭代更新过程的示意图;
图2b为另一个实施例提供的欠采样模型迭代更新过程的示意图;
图3为另一个实施例提供的欠采样模型生成方法的流程示意图;
图4为又一个实施例提供的欠采样模型生成方法的流程示意图;
图4a为一个实施例提供的临床成套序列欠采样模型生成过程示意图;
图5为一个实施例提供的图像重建方法的流程示意图;
图6为一个实施例提供的欠采样模型生成装置的结构示意图;
图7为一个实施例提供的图像重建装置的结构示意图。
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。
本申请提供的欠采样模型生成方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、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。可选的,该计算机设备可以是服务器,可以是个人计算机(personal computer,简称PC),还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑(portable android device,简称PAD)、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。利用上述欠采样模型生成方法所生成的欠采样模型,可以对各种图像进行欠采样及重建,包括医学图像及其他场景图像,医学图像可以为核磁共振图像(Nuclear MagneticResonance Imaging,MRI)、正电子发射型计算机断层图像(Positron Emission ComputedTomography,PET)及电子计算机断层扫描图像(Computed Tomography,CT)等。
需要说明的是,下述方法实施例的执行主体可以是欠采样模型生成装置,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,该计算机设备可以是终端,也可以是服务器,可以为单独的计算设备,也可以集成于医学成像设备上,只要能完成欠采样模型的生成即可,本实施例对此不做限定。
图2为一个实施例提供的欠采样模型生成方法的流程示意图。本实施例涉及的是计算机设备针对n个扫描序列生成对应的n个欠采样模型的具体过程。
如图2所示,该方法包括:
S101,获取n个扫描序列,n为正整数。
具体的,计算机设备首先获取n个扫描序列,当本实施例适用于磁共振图像的欠采样及重建过程时,该扫描序列为磁共振扫描序列,可选的,该n个扫描序列具有固定的采集顺序。
可选的,上述n个扫描序列可以为从医疗设备中直接采集到的复数类型的生数据,也可以为通道合并后的医学数字成像和通信(Digital Imaging and Communications inMedicine,DICOM)格式的数据。
S102,对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n。
具体的,欠采样是指数据的采样频率低于信号最高频率两倍的采样方式,欠采样模型则是用于进行欠采样的模板。当医疗设备在扫描时,根据欠采样模型进行采样,可以将采集得到的数据填充到K空间中,直至K空间数据填充完毕。欠采样图像为欠采样模型从满采K空间中采集到降采的K空间数据进行重建得到的图像,其中,K空间为频域空间,欠采样模型从K空间采集到数据后,可以通过逆傅里叶变换将采集到的数据变换到图像域,即得到欠采样图像。
其中,上述待更新欠采样模型可以为初始搭建的初始欠采样模型,也可以为根据初始欠采样模型生成的未收敛的欠采样模型,总之为需要更新的欠采样模型。计算机设备利用该待更新欠采样模型,对第i个扫描序列进行欠采样,即从满采K空间中采集数据,对采集到的数据进行逆傅里叶变换后得到对应的第i个欠采样图像。
S103,当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像。
具体的,图像重建是指利用采集的数据经过计算恢复出图像的过程,对于上述得到的第1个欠采样图像,计算机设备将其输入预设的神经网络中进行重建,经过一系列卷积、池化等操作,可以得到第1个重建图像。本实施例中,神经网络可以为经过大量数据进行训练得到的收敛的神经网络模型,可以应用于图像重建过程。
可选的,该神经网络可以为全卷积网络、对抗生成网络,可以为U-net网络、Resnet网络或其他类型的网络,本实施例对此不做限定。当神经网络为对抗生成网络时,其可以包括生成网络和对抗网络两部分,生成网络负责将输入的欠采样混叠图像和参考图像变换为解混叠图像,对抗网络负责鉴别图像为真实采集的图像还是由生成网络生成的解混叠图像,生成网络输出的图像尽可能逼近真实图像使得对抗网络无法辨别真实图像还是生成图像。
S104,当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像。
具体的,当2≤i≤n时,计算机设备需将第i个欠采样图像以及前面i-1个扫描序列的重建图像都输入上述神经网络中进行重建,得到第i个重建图像。其中,前面i-1个扫描序列的重建图像为根据收敛的欠采样模型及神经网络所生成的,即为满足预设条件的重建图像,对于2≤i≤n时的图像重建过程,因利用了前i-1个重建图像的结构信息,即利用了检查对象结构的相似性,可以提高其图像重建过程的效率和图像质量。
S105,当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
具体的,当计算机设备得到第i个重建图像后(包括i=1和2≤i≤n的情况),可以判断该重建图像是否满足预设条件,可选的,计算机设备可以判断该重建图像是否满足预设指标的规定,该指标可以为峰值信噪比指标(Peak Signal to Noise Ratio,PSNR)和结构相似性指标(Structural Similarity Index,SSIM),也可以为其他指标。若第i个重建图像不满足预设条件,则计算机设备利用第i个重建图像对上述待更新欠采样模型进行更新,即更新待更新欠采样模型中的编码线,得到新的待更新欠采样模型。
当生成新的待更新欠采样模型后,返回执行步骤S102,即利用新的待更新模型得到欠采样图像、以及调用神经网络对欠采样图像进行重建的过程。当新的重建图像满足预设条件时,则计算机设备直接将满足预设条件的重建图像对应的待更新欠采样模型作为最终生成的第i个扫描序列对应的欠采样模型,由此,对于每一个扫描序列,都会得到其对应的欠采样模型,且每个欠采样模型适配于对应的扫描序列。当新的重建图像仍不满足预设条件时,则对新的待更新欠采样模型再次更新并再次返回执行步骤S102,继续进行迭代,直至重建图像满足预设条件为止。可选的,在每轮迭代中所使用的神经网络可以为相同的网络模型,也可以为相互独立的网络模型,还可以为后一轮网络模型继承前一轮网络模型的参数权重。
示例性的,当i=1时,欠采样模型的迭代更新过程可以参见图2a所示。利用待更新欠采样模型1得到欠采样图像1,欠采样图像1经过神经网络重建,得到重建图像1。当重建图像1满足预设条件时,将待更新欠采样模型1作为第1个扫描序列对应的欠采样模型。当重建图像1不满足预设条件时,利用重建图像1对待更新欠采样模型1进行更新,得到待更新欠采样模型2,同样利用待更新欠采样模型2得到欠采样图像2,欠采样图像2经过神经网络重建,得到重建图像2。当重建图像2满足预设条件时,将待更新欠采样模型2作为第1个扫描序列对应的欠采样模型。当重建图像2不满足预设条件时,利用重建图像2对待更新欠采样模型2进行更新,得到待更新欠采样模型3,由此迭代执行,直至得到最终第1个扫描序列对应的欠采样模型。
当2≤i≤n时,欠采样模型的迭代更新过程可以参见图2b所示。利用待更新欠采样模型1得到欠采样图像1,欠采样图像1及前i-1个扫描序列的重建图像经过神经网络重建,得到重建图像1。当重建图像1满足预设条件时,将待更新欠采样模型1作为第i个扫描序列对应的欠采样模型。当重建图像1不满足预设条件时,利用重建图像1对待更新欠采样模型1进行更新,得到待更新欠采样模型2,同样利用待更新欠采样模型2得到欠采样图像2,欠采样图像2及前i-1个扫描序列的重建图像经过神经网络重建,得到重建图像2。当重建图像2满足预设条件时,将待更新欠采样模型2作为第i个扫描序列对应的欠采样模型。当重建图像2不满足预设条件时,利用重建图像2对待更新欠采样模型2进行更新,得到待更新欠采样模型3,由此迭代执行,直至得到最终第i个扫描序列对应的欠采样模型。
本实施例提供的欠采样模型生成方法,计算机设备首先根据待更新欠采样模型得到第i个欠采样图像,当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;当第i个重建图像为满足预设条件时,更新待更新欠采样模型并返回执行待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,得到第i个扫描序列对应的欠采样模型。该方法在得到第i个重建图像时,充分利用前面i-1个扫描序列的重建图像信息,可以大大提高图像重建过程的效率以及图像质量;且每个扫描序列对应一个适配的欠采样模型,也进一步提高了所得到的医学图像的图像质量。
可选的,在其中一些实施例中,上述将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像,包括:获取第1个扫描序列的重建图像至第i-1个扫描序列的重建图像,得到i-1个重建图像;将第i个欠采样图像和i-1个重建图像输入神经网络中进行图像映射,得到第i个重建图像。
具体的,当2≤i≤n时,计算机设备首先需获取第1个扫描序列的重建图像至第i-1个扫描序列的重建图像,共i-1个重建图像。可选的,计算机设备可以将前i-1个欠采样模型迭代更新过程中,最后一轮迭代所得到的重建图像作为此i-1个重建图像,因为此时的重建图像是满足预设条件的。可选的,计算机设备还可以根据迭代更新完成的i-1个欠采样模型对i-1个扫描序列进行欠采样,以及根据神经网络再进行重建,重新得到此i-1个重建图像。然后,计算机设备将第i个欠采样图像和i-1个重建图像输入神经网络中进行图像映射,可以得到第i个重建图像。其中,图像映射可以为将一个图像域的图像映射到另一个图像域,也可以为传统的图像几何变换,即在不改变图像像素值的前提下,对图像进行空间几何变换,常见的几何变换有距离变换、坐标映射、平移、镜像、旋转、缩放或放射变换等。
图3为另一个实施例提供的欠采样模型生成方法的流程示意图。本实施例涉及的是计算机设备利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型的具体过程。可选的,在上述实施例的基础上,如图3所示,S105可以包括:
S201,将第i个重建图像和预设的全采样图像进行比较,得到比较结果。
具体的,计算机设备可以将第i个重建图像与全采样图像进行比较,可选的,可以将第i个重建图像与全采样图像基于上述预设指标(如PSNR、SSIM)进行比较,通过计算第i个重建图像与全采样图像在预设指标下的指标值之差,然后对各指标值之差求和或者加权求和,得到比较结果。
可选的,计算机设备得到比较结果的方法还可以为:将第i个重建图像和全采样图像利用傅里叶变换方法变换到K空间,得到第i个重建图像对应的K空间和全采样图像的K空间。将第i个重建图像对应的K空间中相位编码线上每个点的值与全采样图像对应的K空间中相位编码线上每个点的值进行比较,确定K空间中每条相位编码线上每个点之间的差值,差值即为比较结果,用于表示二者的差距。需要说明的是,在比较差值时需排除已经属于待更新欠采样模型的编码线。
S202,当比较结果大于预设阈值时,确定第i个重建图像未满足预设条件,获取第i个重建图像和全采样图像之间差值最大的编码线。
具体的,首先可以设定一个阈值,若上述比较结果小于或者等于阈值,则确定第i个重建图像满足预设条件。若比较结果大于阈值,则确定第i个重建图像不满足预设条件,在此情况下,计算机设备再获取第i个重建图像和全采样图像之间差值最大的编码线。
可选的,计算机设备获取第i个重建图像和全采样图像之间差值最大的编码线的方式可以为:对于每条编码线上各点的差值,综合考虑L1或L2范数、协方差等指标,对各编码线上各指标加权后的综合值进行比较,选出综合值差距最大的编码线。
S203,根据差值最大的编码线,对待更新欠采样模型进行更新,生成新的待更新欠采样模型。
具体的,计算机设备获取到差值最大的编码线后,可以利用该编码线对待更新欠采样模型进行更新,可选的,可以将该编码线增加至待更新欠采样模型中,得到新的待更新欠采样模型。
本实施例提供的欠采样模型生成方法,计算机设备将第i个重建图像和预设的全采样图像进行比较,得到比较结果,当比较结果大于预设阈值时,获取第i个重建图像和全采样图像之间差值最大的编码线;根据差值最大的编码线,对待更新欠采样模型进行更新,生成新的待更新欠采样模型。该方法通过获取差值最大的编码线,可以获取到重建图像和全采样图像之间的最大差异,利用最大差异对待更新欠采样模型进行更新,可以提高更新后的欠采样模型的精度,以提高得到的重建图像的精度。
图4为又一个实施例提供的欠采样模型生成方法的流程示意图。本实施例涉及的是计算机设备获取第i个重建图像和全采样图像之间差值最大的编码线的具体过程。可选的,在上述实施例的基础上,如图4所示,上述S202可以包括:
S301,确定第i个重建图像所对应的待更新欠采样模型中已有的编码线。
具体的,当第i个重建图像不满足预设条件时,计算机设备可以确定该第i个重建图像所对应的待更新欠采样模型中已有的编码线。可选的,计算机设备可以通过待更新欠采样模型确定该第i个重建图像对应的欠采样图像,然后通过欠采样图像对应K空间中的非零编码线即确定为待更新欠采样模型中已有的编码线。
S302,分别从第i个重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线。
具体的,当确定第i个重建图像对应的待更新欠采样模型中已有的编码线后,从第i个重建图像的K空间上和全采样图像的K空间上去除已有编码线。例如,已有的编码线为编码线1和编码线2,则在第i个重建图像的K空间上和全采样图像的K空间上去除编码线1和编码线2,得到剩余编码线。
S303,计算第i个重建图像和全采样图像K空间上剩余编码线的差值,得到差值最大的编码线。
具体的,计算机设备可以计算第i个重建图像和全采样图像K空间上剩余编码线的差值,即是将第i个重建图像的K空间与全采样图像的K空间进行相减,从而得到差值最大的编码线。可选的,差值可以为编码线的LI范数差值、L2范数差值、编码线的协方差值、或者上述差值(LI范数差值、L2范数差值、协方差值)的组合差值等。通过差值之间的比较,确定差值最大的值,进而获得了差值最大的编码线。
本实施例提供的欠采样模型生成方法,计算机设备通过确定第i个重建图像所对应的待更新欠采样模型中已有的编码线,再分别从第i个重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线,最后计算第i个重建图像和全采样图像K空间上剩余编码线的差值,得到差值最大的编码线。由此可以提高得到的差值最大的编码线的准确度,进一步提高更新后的欠采样模型的精度。
在临床磁共振成像过程中,对于上述欠采样模型的生成过程可以为:采集临床成套序列,如T2 Fse(fast Spin-echo,快速自旋回波序列)、T2 Flair Fse(fluidattenuated inversion recovery,流动衰减反转恢复序列)、T1 Flair Fse,然后训练T2fse序列的欠采样模型,得到欠采样模型及重建网络;将T2 fse序列的重建图像作为参考图像训练T2 flair fse序列的欠采样模型,得到其欠采样模型及重建网络;将T2 fse序列和T2 flair fse序列的重建图像作为参考图像训练T1 flair fse序列的欠采样模型,得到其欠采样模型及重建网络,具体过程可以参见图4a所示的示意图。
在生成了n个扫描序列所对应的n个欠采样模型之后,便可以利用该模型和对应的神经网络进行图像重建,图5为一个实施例提供的图像重建方法的流程示意图,如图5所示,该方法包括:
S401,利用上述实施例提供的欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数。
S402,当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
S403,当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
具体的,计算机设备利用欠采样模型进行欠采样的过程,以及神经网络对欠采样图像重建的过程可以参见上述实施例的描述,其实现原理和方法类似,在此不再赘述。该方法利用与每个扫描序列适配的欠采样模型进行欠采样,以及与欠采样模型对应的神经网络进行图像重建,并充分利用前i-1个重建图像中的信息对第i个待重建图像进行重建,大大提高了得到的重建图像的图像质量以及图像重建过程的效率。
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为一个实施例提供的欠采样模型生成装置的结构示意图。如图6所示,该装置包括:获取模块11、第一采样模块12、第一重建模块13、第二重建模块14和迭代模块15。
具体的,获取模块11,用于获取n个扫描序列,n为正整数。
第一采样模块12,用于对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n。
第一重建模块13,用于当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像。
第二重建模块14,用于当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像。
迭代模块15,用于当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
本实施例提供的欠采样模型生成装置,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,上述第二重建模块14,具体用于获取第1个扫描序列的重建图像至第i-1个扫描序列的重建图像,得到i-1个重建图像;以及将第i个欠采样图像和i-1个重建图像输入神经网络中进行图像映射,得到第i个重建图像。
在其中一个实施例中,上述第二重建模块14,具体用于根据第i-1个扫描序列对应的欠采样模型进行欠采样,根据神经网络进行重建,得到第i-1个重建图像。
在其中一个实施例中,上述迭代模块15可以包括比较单元、确定单元和更新单元。
具体的,比较单元,用于将第i个重建图像和预设的全采样图像进行比较,得到比较结果。
确定单元,用于当比较结果大于预设阈值时,确定第i个重建图像未满足预设条件,获取第i个重建图像和全采样图像之间差值最大的编码线。
更新单元,用于根据差值最大的编码线,对待更新欠采样模型进行更新,生成新的待更新欠采样模型。
本实施例提供的欠采样模型生成装置,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,上述更新单元,具体用于将差值最大的编码线增加至待更新欠采样模型中,生成新的待更新欠采样模型。
在其中一个实施例中,上述确定单元,具体用于确定第i个重建图像所对应的待更新欠采样模型中已有的编码线;分别从第i个重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;计算第i个重建图像和全采样图像K空间上剩余编码线的差值,得到差值最大的编码线。
在其中一个实施例中,上述神经网络为对抗生成网络或全卷积网络。
图7为一个实施例提供的图像重建装置的结构示意图。如图7所示,该装置包括:第二采样模块21、第三重建模块22和第四重建模块23。
具体的,第二采样模块21,用于利用上述欠采样模型生成装置所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数。
第三重建模块22,用于当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
第四重建模块23,用于当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
本实施例提供的图像重建装置,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。
关于欠采样模型生成装置和图像重建装置的具体限定可以参见上文中对于欠采样模型生成方法和图像重建方法的限定,在此不再赘述。上述欠采样模型生成装置和图像重建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1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欠采样模型生成方法或图像重建方法。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n个扫描序列,n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
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:
获取第1个扫描序列的重建图像至第i-1个扫描序列的重建图像,得到i-1个重建图像;
将第i个欠采样图像和i-1个重建图像输入神经网络中进行图像映射,得到第i个重建图像。
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:
根据第i-1个扫描序列对应的欠采样模型进行欠采样,根据神经网络进行重建,得到第i-1个重建图像。
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:
将第i个重建图像和预设的全采样图像进行比较,得到比较结果;
当比较结果大于预设阈值时,确定第i个重建图像未满足预设条件,获取第i个重建图像和全采样图像之间差值最大的编码线;
根据差值最大的编码线,对待更新欠采样模型进行更新,生成新的待更新欠采样模型。
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:
将差值最大的编码线增加至待更新欠采样模型中,生成新的待更新欠采样模型。
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:
确定第i个重建图像所对应的待更新欠采样模型中已有的编码线;
分别从第i个重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;
计算第i个重建图像和全采样图像K空间上剩余编码线的差值,得到差值最大的编码线。
在一个实施例中,神经网络为对抗生成网络或全卷积网络。
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:
利用上述欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
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,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n个扫描序列,n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当第i个重建图像未满足预设条件时,利用第i个重建图像对待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至第i个重建图像满足预设条件,将新的待更新欠采样模型作为第i个扫描序列对应的欠采样模型。
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:
获取第1个扫描序列的重建图像至第i-1个扫描序列的重建图像,得到i-1个重建图像;
将第i个欠采样图像和i-1个重建图像输入神经网络中进行图像映射,得到第i个重建图像。
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:
根据第i-1个扫描序列对应的欠采样模型进行欠采样,根据神经网络进行重建,得到第i-1个重建图像。
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:
将第i个重建图像和预设的全采样图像进行比较,得到比较结果;
当比较结果大于预设阈值时,确定第i个重建图像未满足预设条件,获取第i个重建图像和全采样图像之间差值最大的编码线;
根据差值最大的编码线,对待更新欠采样模型进行更新,生成新的待更新欠采样模型。
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:
将差值最大的编码线增加至待更新欠采样模型中,生成新的待更新欠采样模型。
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:
确定第i个重建图像所对应的待更新欠采样模型中已有的编码线;
分别从第i个重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;
计算第i个重建图像和全采样图像K空间上剩余编码线的差值,得到差值最大的编码线。
在一个实施例中,神经网络为对抗生成网络或全卷积网络。
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:
利用上述欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;i为正整数;
当i=1时,将待重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
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。
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)
1.一种欠采样模型生成方法,其特征在于,包括:
获取n个扫描序列,所述n为正整数;
对于第i个扫描序列,根据待更新欠采样模型得到第i个欠采样图像;其中,1≤i≤n;
当i=1时,将所述第i个欠采样图像输入预设的神经网络中进行重建,得到第i个重建图像;
当2≤i≤n时,将所述第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像;
当所述第i个重建图像未满足预设条件时,利用所述第i个重建图像对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型,并返回执行根据待更新欠采样模型得到第i个欠采样图像的步骤,直至所述第i个重建图像满足所述预设条件,将新的待更新欠采样模型作为所述第i个扫描序列对应的欠采样模型;
所述当所述第i个重建图像未满足预设条件时,利用所述第i个重建图像对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型,包括:
将所述第i个重建图像和预设的全采样图像进行比较,得到比较结果;
根据所述比较结果对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型。
2.根据权利要求1所述的方法,其特征在于,将所述第i个欠采样图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入预设的神经网络中进行重建,得到第i个重建图像,包括:
获取所述第1个扫描序列的重建图像至所述第i-1个扫描序列的重建图像,得到i-1个重建图像;
将所述第i个欠采样图像和所述i-1个重建图像输入所述神经网络中进行图像映射,得到所述第i个重建图像。
3.根据权利要求2所述的方法,其特征在于,获取所述第i-1个扫描序列的重建图像的方式包括:
根据所述第i-1个扫描序列对应的欠采样模型进行欠采样,根据所述神经网络进行重建,得到第i-1个重建图像。
4.根据权利要求1所述的方法,其特征在于,所述根据所述比较结果对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型,包括:
当所述比较结果大于预设阈值时,确定所述第i个重建图像未满足预设条件,获取所述第i个重建图像和所述全采样图像之间差值最大的编码线;
根据所述差值最大的编码线,对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型。
5.根据权利要求4所述的方法,其特征在于,根据所述差值最大的编码线,对所述待更新欠采样模型进行更新,生成新的待更新欠采样模型,包括:
将所述差值最大的编码线增加至所述待更新欠采样模型中,生成所述新的待更新欠采样模型。
6.根据权利要求4所述的方法,其特征在于,获取所述第i个重建图像和所述全采样图像之间差值最大的编码线,包括:
确定所述第i个重建图像所对应的待更新欠采样模型中已有的编码线;
分别从所述第i个重建图像和预设的全采样图像K空间上去除所述已有的编码线,得到剩余编码线;
计算所述第i个重建图像和所述全采样图像K空间上所述剩余编码线的差值,得到所述差值最大的编码线。
7.根据权利要求1所述的方法,其特征在于,所述神经网络为对抗生成网络或全卷积网络。
8.一种图像重建方法,其特征在于,包括:
利用权利要求1-7任一项所述的欠采样模型生成方法所生成的第i个欠采样模型,对第i个扫描序列进行欠采样,得到待重建图像;所述i为正整数;
当i=1时,将所述待重建图像输入与所述第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像;
当i≥2时,将所述待重建图像、以及第1个扫描序列的重建图像至第i-1个扫描序列的重建图像输入与所述第i个欠采样模型对应的神经网络进行重建,得到第i个重建图像。
9.一种计算机设备,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至8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8中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053237.5A CN110827369B (zh) | 2019-10-31 | 2019-10-31 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
US17/002,817 US11568584B2 (en) | 2019-08-26 | 2020-08-26 | Systems and methods for magnetic resonance imaging |
US18/157,794 US11880915B2 (en) | 2019-08-26 | 2023-01-20 | Systems and methods for magnetic resonance imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911053237.5A CN110827369B (zh) | 2019-10-31 | 2019-10-31 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827369A CN110827369A (zh) | 2020-02-21 |
CN110827369B true CN110827369B (zh) | 2023-09-26 |
Family
ID=69551691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911053237.5A Active CN110827369B (zh) | 2019-08-26 | 2019-10-31 | 欠采样模型生成方法、图像重建方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827369B (zh) |
Families Citing this family (4)
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 |
CN113470139A (zh) * | 2020-04-29 | 2021-10-01 | 浙江大学 | 一种基于mri的ct图像重建方法 |
CN112420168B (zh) * | 2020-11-12 | 2023-06-23 | 武汉联影医疗科技有限公司 | 数据写入数据库的方法、装置、设备和存储介质 |
CN113240617B (zh) * | 2021-07-09 | 2021-11-02 | 同方威视技术股份有限公司 | 扫描图像重建方法、检查设备及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680748A (zh) * | 2016-12-30 | 2017-05-17 | 上海联影医疗科技有限公司 | 磁共振图像获取方法及磁共振系统 |
CN107958471A (zh) * | 2017-10-30 | 2018-04-24 | 深圳先进技术研究院 | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
CN109613460A (zh) * | 2018-12-28 | 2019-04-12 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN110338795A (zh) * | 2019-07-11 | 2019-10-18 | 中国科学院深圳先进技术研究院 | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US11029381B2 (en) * | 2018-01-12 | 2021-06-08 | Korea Advanced Institute Of Science And Technology | Method for varying undersampling dimension for accelerating multiple-acquisition magnetic resonance imaging and device for the same |
-
2019
- 2019-10-31 CN CN201911053237.5A patent/CN110827369B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680748A (zh) * | 2016-12-30 | 2017-05-17 | 上海联影医疗科技有限公司 | 磁共振图像获取方法及磁共振系统 |
CN107958471A (zh) * | 2017-10-30 | 2018-04-24 | 深圳先进技术研究院 | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN109613460A (zh) * | 2018-12-28 | 2019-04-12 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN110338795A (zh) * | 2019-07-11 | 2019-10-18 | 中国科学院深圳先进技术研究院 | 一种径向黄金角磁共振心脏电影成像方法、装置和设备 |
Non-Patent Citations (3)
Title |
---|
冯衍秋 ; 黄鑫 ; 江少锋 ; 陈武凡 ; .基于感兴趣区约束的并行磁共振成像重建算法.中国医学物理学杂志.2007,(04),全文. * |
刘晓芳 ; 叶修梓 ; 张三元 ; 李霞 ; .基于变量分裂法的稀疏约束并行磁共振图像重建.模式识别与人工智能.2013,(01),全文. * |
肖韬辉 ; 郭建 ; 赵涛 ; 王珊珊 ; 梁栋 ; .深度学习的快速磁共振成像及欠采样轨迹设计.中国图象图形学报.2018,(02),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110827369A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
Zhou et al. | Handbook of medical image computing and computer assisted intervention | |
Johnson et al. | Conditional generative adversarial network for 3D rigid‐body motion correction in MRI | |
Trinh et al. | Novel example-based method for super-resolution and denoising of medical images | |
Cole et al. | Unsupervised MRI reconstruction with generative adversarial networks | |
CN109523584B (zh) | 图像处理方法、装置、多模态成像系统、存储介质及设备 | |
WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
CN108010094A (zh) | 一种磁共振图像重建方法和装置 | |
KR102584166B1 (ko) | 리스케일링과 인공신경망을 적용한 자기 공명 영상 처리 장치 및 그 방법 | |
CN112784981A (zh) | 训练样本集生成方法、深度生成模型的训练方法和装置 | |
CN116823625B (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
JP2023515367A (ja) | モデルへの入力インスタンスの分布外検出 | |
CN110570487B (zh) | 欠采样模型生成方法、图像重建方法、装置和计算机设备 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN113534031A (zh) | 图像域数据生成方法、计算机设备和可读存储介质 | |
US11308662B2 (en) | System and method for image reconstruction | |
CN111105471B (zh) | 用于生成与成像有关的采样掩码的方法和装置 | |
CN110766661B (zh) | 磁共振成像的水脂分离方法、磁共振成像方法和设备 | |
CN111047512B (zh) | 图像增强方法、装置及终端设备 | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
CN111161330A (zh) | 非刚性图像配准方法、装置、系统、电子设备、存储介质 | |
CN112150570B (zh) | 一种基于迭代p阈值投影算法的压缩感知磁共振成像方法 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |