CN111105471B - 用于生成与成像有关的采样掩码的方法和装置 - Google Patents

用于生成与成像有关的采样掩码的方法和装置 Download PDF

Info

Publication number
CN111105471B
CN111105471B CN201911257918.3A CN201911257918A CN111105471B CN 111105471 B CN111105471 B CN 111105471B CN 201911257918 A CN201911257918 A CN 201911257918A CN 111105471 B CN111105471 B CN 111105471B
Authority
CN
China
Prior art keywords
training
image
space data
mask
generating
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
CN201911257918.3A
Other languages
English (en)
Other versions
CN111105471A (zh
Inventor
陈章
孙善辉
陈德仁
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.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
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 Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Publication of CN111105471A publication Critical patent/CN111105471A/zh
Application granted granted Critical
Publication of CN111105471B publication Critical patent/CN111105471B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • 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
    • 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
    • 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
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/412—Dynamic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请公开了用于获取目标的可视化的方法和系统。例如，一种用于获取目标的可视化的计算机实施的方法，包括：生成第一采样掩码；使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据；至少部分地基于所述第一k空间数据来生成所述目标的第一图像；基于选自所述第一采样掩码、所述第一k空间数据、和所述第一图像中的至少一项，使用模型来生成第二采样掩码；使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及至少部分地基于所述第二k空间数据来生成所述目标的第二图像。

Description

用于生成与成像有关的采样掩码的方法和装置
技术领域
本发明的某些实施例涉及图像获取(image acquisition)。更具体地，本发明的一些实施例提供了用于医疗图像获取的方法和装置。仅通过示例的方式，本发明的一些实施例已被应用于获取目标(诸如患者)的可视化(a visualization of a target)。但是可以认识到，本发明具有更广泛的适用范围。
背景技术
很多传统的医疗图像获取技术，如包括有磁共振成像(magnetic resonanceimaging，MRI)的医疗图像获取技术，获取速度慢。对于动态器官的成像，如对心脏的MRI获取，由于复杂性，缓慢的采集速度特别明显，由此往往导致过长的获取时间。为了改善患者的舒适度，希望减少获取时间。缩短获取时间的一种方法是使用采样掩码(samplingmask)，这种采样掩码通常被配置以具有与固定采样模式相对应的预先确定的固定掩码模式。根据采样掩码而获取k空间数据，生成了采样的k空间，从而可以将图像重建算法应用到所述k空间来得到图像。
然而，使用传统的采样掩码往往导致重建的图像质量较低和/或缺少相关信息。这可能是由于应用了次优或不合适的采样掩码。因此，所希望的是使用改进的采样掩码来获取图像以改善重建的图像的质量并进一步缩短获取时间的方法和系统。
发明内容
本发明的某些实施例涉及图像获取。更具体地，本发明的一些实施例提供了用于医疗图像获取的方法和装置。仅仅通过示例的方式，本发明的一些实施例已被应用于获取目标(诸如患者)的可视化。但是可以认识到，本发明具有更广泛的适用范围。
在各个实施例中，一种用于获取目标的可视化的计算机实施的方法，所述方法包括：生成第一采样掩码；使用所述第一采样掩码来获取处于第一阶段的目标的第一k空间数据；至少部分地基于所述第一k空间数据来生成所述目标的第一图像；至少基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用模型来生成第二采样掩码；使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及至少部分地基于所述第二k空间数据来生成所述目标的第二图像。
在各个实施例中，一种用于获取目标的可视化的系统包括：掩码生成模块，其被配置以生成第一采样掩码；k空间数据获取模块，其被配置以使用所述第一采样掩码来获取处于第一阶段的目标的第一k空间数据；和图像生成模块，其被配置以至少部分地基于所述第一k空间数据来生成所述目标的第一图像。在某些实施例中，所述掩码生成模块被进一步配置以至少部分地基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用模型来生成第二采样掩码。在某些实施例中，所述k空间数据获取模块被进一步配置以使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据。在某些实施例中，所述图像生成模块被进一步配置以至少部分地基于所述第二k空间数据来生成所述目标的第二图像。
在各个实施例中，一种非瞬时性计算机可读介质，在其上存储有指令，当所述指令被处理器执行时实施以下过程，包括：生成第一采样掩码；使用所述第一采样掩码来获取处于第一阶段的目标的第一k空间数据；至少部分地基于所述第一k空间数据来生成所述目标的第一图像；至少基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用模型来生成第二采样掩码；使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及至少部分地基于所述第二k空间数据来生成所述目标的第二图像。
根据实施例，可以实现一种或多种益处。本发明的这些益处和各种附加目的、特征和优势可以参考下面的详细描述和附图而被充分理解。
附图说明
图1是示出了根据本发明的一些实施例的用于获取目标的可视化的系统的简化图。
图2是示出了根据本发明的一些实施例的用于获取目标的可视化的方法的简化图。
图3是示出了根据本发明的一些实施例的使用机器学习来训练模型的方法的简化图。
图4是示出了根据本发明的一些实施例的展开表示的模型的简化图。
图5是示出了根据本发明的一些实施例的计算系统的简化图。
图6是示出了根据本发明的一些实施例的神经网络的简化图。
具体实施方式
本发明的某些实施例涉及图像获取。更具体地，本发明的一些实施例提供了用于医疗图像获取的方法和装置。仅仅通过示例的方式，本发明的一些实施例已被应用于获取目标(诸如患者)的可视化。但是可以认识到，本发明具有更广泛的适用范围。
图1是示出了根据本发明的一些实施例的用于获取目标的可视化的系统的简化图。该图仅是一个示例，而不应不适当地限制权利要求的范围。本领域的普通技术人员将会意识到许多变化、替代和修改。在一些示例中，系统10包括：数据接口12、采样掩码预测模块14、k空间数据获取模块16、图像生成模块18、质量度量模块20、和/或参数改变模块22。在一些示例中，系统10包括：成像模块24和训练模块26。在各个示例中，成像模块24包括：采样掩码预测模块14、k空间数据获取模块16、和图像生成模块18。在各个示例中，训练模块26包括：质量度量模块20和参数改变模块22。在某些示例中，系统10还包括可视化生成模块28。尽管上面使用了用于神经网络的一组选定的部件来进行显示，但是也可以有许多替代、修改和变化。例如，其中一些部件可以被扩展和/或组合。也可以将其他部件并入到上述部分。根据该实施例，一些部件的布置可以与其他替换的部件进行互换。
在某些实施例中，系统10被配置以获取动态目标(例如心脏)的可视化。在各个示例中，系统10被配置以获取可视化以在多个阶段显示动态目标。在一些示例中，所述动态目标以基本上(例如，小于30％、20％或10％的相位偏差)循环方式进行动态地运动。在某些示例中，动态目标通过基本上重复包括有多个阶段的循环来进行运动。例如，作为动态目标的心脏在与在扩张状态下的心脏相对应的第一阶段和与在收缩状态下的心脏相对应的第二阶段之间反复地运动。在某些示例中，所述多个阶段中的每一个阶段对应不同的时间和/或不同的目标状态。例如，处于第一阶段的心脏对应于第一时间(例如，在周期内)和/或第一状态(例如，扩张的)，而处于第二阶段的心脏对应于第二时间(例如，在该周期内)和/或第二状态(例如，收缩的)。在各个示例中，第一时间与第二时间不同，第一状态与第二状态不同。在一些示例中，阶段指示MRI图像中的时间点。例如，阶段指示当MRI图像被获取时的时间。作为一个示例，不同的阶段对应不同的时间。
在各个实施例中，数据接口12被配置以接收数据。在一些示例中，数据接口12被配置以将接收到的数据输入到采样掩码预测模块14和/或成像模块24。在某些示例中，所述数据包括一个或多个采样掩码、至少部分地基于所述一个或多个采样掩码而获取的一个或多个k空间数据、和/或至少部分地基于所述一个或多个k空间数据而重建的一个或多个图像。在一些示例中，所述一个或多个采样掩码中的每一个采样掩码对应于一个或多个阶段的不同阶段中的目标。例如，所述一个或多个采样掩码包括：与第一先前阶段相对应的第一采样掩码和/或与第二先前阶段相对应的第二采样掩码。
在某些示例中，每一个采样掩码被配置以用于获取处于不同阶段的动态目标(例如，心脏)的图像。例如，所述第一采样掩码被配置以用于获取处于第一阶段(例如，在扩张时)的动态目标的第一图像，和/或第二采样掩码被配置以获取处于第二阶段(例如，在收缩时)的动态目标的第二图像。在各个示例中，数据接口12被配置以接收由采样掩码预测模块14预测的先前阶段的采样掩码、由k空间数据获取模块16获取的先前阶段的k空间数据、和/或与由图像生成模块18生成的与先前阶段相对应的图像。在一些示例中，数据接口12被配置以接收由用户选择的采样掩码。
在各个实施例中，采样掩码预测模块14被配置以生成与采样掩码相对应的当前采样掩码，以用于获取当前阶段中的所述动态目标的图像。所述当前阶段对应于当前状态(status)、当前情形(state)和/或当前时间。在一些示例中，采样掩码预测模块14被配置以至少部分地基于来自一个或多个先前阶段的数据来生成当前采样掩码。例如，采样掩码预测模块14被配置以至少部分地基于由采样掩码预测模块14预测的先前阶段的采样掩码、由k空间数据获取模块16获取的先前阶段的k空间数据、和/或与由图像生成模块18生成的先前阶段相对应的图像来生成当前采样掩码。在各个示例中，采样掩码预测模块14是或者包括模型，该模型例如为神经网络(例如卷积神经网络)。
在一些实施例中，采样掩码预测模块14被配置以至少部分地基于相似性指数来生成当前采样掩码。在某些示例中，采样掩码预测模块14被配置以自动地选择与最适合预测当前阶段的采样掩码的先前阶段相对应的数据。在一些示例中，采样掩码预测模块14被配置以接收或生成多个相似性指数。每一个相似性指数对应于处于当前阶段的动态目标与处于不同的先前阶段的动态目标之间的相似性程度。例如，第一相似性指数对应于处于当前阶段的目标和处于第一先前阶段的目标，第二相似性指数对应于处于当前阶段的目标和处于第二先前阶段的目标。
在各个示例中，采样掩码预测模块14被配置以至少部分地基于具有最高值的相似性指数来确定与当前阶段最相似(例如，相似的收缩程度)的先前阶段。例如，如果与处于第一先前阶段的目标和处于当前阶段的目标相对应的第一相似性指数具有与其他相似性指数相比的最大值，则采样掩码预测模块14被配置以至少部分地基于与所述第一先前阶段相对应的第一先前采样掩码、至少部分地基于所述第一先前采样掩码所获取的第一先前k空间数据、和/或至少部分地基于所述第一先前k空间数据所生成的(例如，重建的)第一先前图像，来生成所述当前采样掩码。
在各个实施例中，k空间数据获取模块16被配置以至少部分地基于采样掩码来获取k空间数据。在某些示例中，k空间数据获取模块16被配置以至少部分地基于用于当前阶段的采样掩码来获取当前阶段的k空间数据。在一些示例中，k空间数据获取模块16被配置以至少部分地基于采样掩码来生成k空间获取模式和/或相应的k空间过滤模式。在各个示例中，k空间数据获取模块16被配置以至少部分地基于k空间获取模式和/或k空间过滤模式来扫描目标。
在各个实施例中，图像生成模块18被配置以至少部分地基于为当前阶段而获取的k空间数据来生成(例如，重建)当前阶段的图像。在某些示例中，图像生成模块18被配置以至少部分地基于k空间数据使用深度学习算法来重建图像。在各个示例中，所述图像是二维图像或三维图像。
在各个实施例中，成像模块24是模型，例如神经网络(例如卷积神经网络)。在一些示例中，训练模块26被配置以训练成像模块24，例如通过机器学习训练成像模块24。在某些示例中，训练模块26被配置以通过监督学习和/或强化学习来训练成像模块24。在各个示例中，训练模块26被配置以将训练数据输入到成像模块24中，例如通过数据接口12输入到采样掩码预测模块14中。在一些示例中，所述训练数据包括用于先前阶段的训练目标的先前训练采样掩码、至少部分地基于所述训练采样掩码所获得的先前训练k空间数据、和/或至少部分地基于所述训练k空间数据所重建的先前训练图像。
在一些实施例中，训练模块26被配置以至少部分地基于先前的训练采样掩码、先前训练k空间数据、和/或先前训练图像，使用采样掩码预测模块14来生成用于当前阶段的当前训练采样掩码。在某些实施例中，训练模块26被配置以至少部分地基于当前训练采样掩码，使用k空间数据获取模块16来获取当前训练k空间数据。在某些实施例中，训练模块26被配置以至少部分地基于当前训练k空间数据，使用图像生成模块18来生成当前训练图像。
在某些实施例中，训练模块26被配置以至少部分地基于当前训练图像，使用质量度量模块20来生成质量度量。在一些示例中，所述质量度量对应于成像模块24或采样掩码预测模块14。在一些实施例中，质量度量模块20被配置以通过使用预定质量函数评估当前训练图像来生成质量度量。在某些示例中，所述预定质量函数包括均方误差、归一化均方误差、峰值信噪比、结构相似性指数、和/或视觉检查。在某些实施例中，训练模块26被配置以至少部分地基于所述质量度量，使用参数改变模块22来改变成像模块24或采样掩码预测模块14中的一个或多个参数。
在某些实施例中，训练模块26被配置以为每一个阶段生成单独的质量度量，例如至少部分地基于用于该阶段的采样掩码和/或重建的图像，例如通过将用于该阶段的采样掩码和/或重建的图像与对应于该阶段的真值采样掩码和/或真值图像进行比较，来为每一个阶段生成单独的质量度量。在各个示例中，所述训练模块被配置以为目标的可视化生成共同的质量度量，其中所述目标的可视化至少部分地基于由成像模块24所生成的一个或多个图像来生成。在一些示例中，训练模块26被配置以至少部分地基于单独的质量度量和/或共同的质量度量，使用参数改变模块22来改变成像模块24或采样掩码预测模块14中的一个或多个参数。
在各个实施例中，可视化生成模块28被配置以至少部分地基于由图像生成模块18所生成的一个或多个图像来生成所述目标的可视化。在一些示例中，所述可视化包括动画图像或视频。在某些示例中，所述可视化动态地显示目标，例如在收缩状态和扩张状态之间的心脏泵送。在各个示例中，所述可视化被配置以被发送到显示器以供查看。
图2是示出了根据本发明的一些实施例的用于获取目标的可视化的方法的简化图。该图仅是一个示例，而不应不适当地限制权利要求的范围。本领域的普通技术人员将会认识到许多变化、替代和修改。在一些示例中，方法S100包括：接收一个或多个先前阶段的数据的过程S102、预测用于当前阶段的当前采样掩码的过程S104、获取用于所述当前阶段的当前k空间数据的过程S106、以及生成用于所述当前阶段的当前图像的过程S108。尽管上面使用了用于该方法的一组选定的过程来进行显示，但是也可以有许多替代、修改和变化。例如，一些过程可以被扩展和/或组合。也可以将其他过程并入到上述部分。根据该实施例，一些过程的顺序可以与其他替换的过程进行互换。
在各个实施例中，所述接收一个或多个先前阶段的数据的过程S102包括：接收针对所述一个或多个先前阶段所生成的一个或多个先前采样掩码、接收至少部分地基于一个或多个先前采样掩码所获取的一个或多个先前k空间数据、和/或接收至少部分地基于所述一个或多个先前k空间数据所重建的一个或多个先前图像，作为一个或多个先前阶段的数据。
在各个实施例中，所述预测用于当前阶段的当前采样掩码的过程S104包括：至少部分地基于所述一个或多个先前阶段的数据来生成用于所述当前阶段的所述当前采样掩码。在某些示例中，生成所述当前采样掩码包括：使用模型，例如神经网络，例如已训练的采样掩码预测模式(例如，采样掩码预测模块14)。在某些示例中，生成所述当前采样掩码包括：至少部分地基于相似性指数来生成所述当前采样掩码。在一些示例中，生成所述当前采样掩码包括：接收或生成多个相似性指数。每一个相似指数对应于处于当前阶段的动态目标(例如心脏)与处于不同的先前阶段的动态目标之间的相似性程度。例如，第一相似性指数对应于处于当前阶段的目标和处于第一先前阶段的目标，第二相似性指数对应于处于当前阶段的目标和处于第二先前阶段的目标。
在各个示例中，生成所述当前采样掩码包括：至少部分地基于具有最高值的相似性指数来确定与所述当前阶段最相似(例如，相似的收缩程度)的先前阶段。例如，生成所述当前采样掩码包括，如果与处于第一先前阶段的目标和处于当前阶段的目标相对应的第一相似性指数具有与其他相似性指数相比的最大值，则至少部分地基于与所述第一先前阶段相对应的第一先前采样掩码、至少部分地基于所述第一先前采样掩码所获取的第一先前k空间数据、和/或至少部分地基于所述第一先前k空间数据所生成的(例如，所重建的)第一先前图像，来生成所述当前采样掩码。
在各个实施例中，所述获取用于所述当前阶段的当前k空间数据的过程S106包括：至少部分地基于所述当前采样掩码来获取用于所述当前阶段的当前k空间数据。在一些示例中，获取所述当前k空间数据包括：至少部分地基于当前采样掩码来生成k空间获取模式和/或相应的k空间过滤模式。在各个示例中，获取所述当前k空间数据包括：至少部分地基于所述k空间获取模式和/或所述k空间过滤模式来扫描目标。
在各个实施例中，所述生成所述当前阶段的当前图像的过程S108包括：至少部分地基于针对当前阶段而获取的k空间数据和/或针对当前阶段而预测(例如，生成)的当前采样掩码来生成(例如，重建)当前阶段的图像。在某些示例中，生成当前图像包括：至少部分地基于k空间数据使用深度学习算法来重建所述图像。在各个示例中，所述图像是二维图像或三维图像。
在某些实施例中，方法S100包括：例如在至少部分地基于一个或多个先前阶段的数据来生成当前采样掩码之前，生成例如用于第一阶段的启动器(starter)采样掩码(例如，第一采样掩码)。在一些示例中，生成所述启动器采样掩码包括：接收由用户选择的启动器采样掩码，和/或例如基于检查协议使用模型(例如，采样掩码预测模块14)来生成启动器采样掩码。
在某些实施例中，方法S100包括：至少部分地基于一个或多个图像(例如，在过程S108中针对一个或多个阶段而生成的图像)来生成目标的可视化。在某些实施例中，方法S100包括：获取用于动态目标的多个阶段的多个图像，其中重复过程S102、S104、S106、和S108中的一个或多个过程来获取每一个图像。在一些示例中，生成所述可视化包括：例如通过编译一个或多个图像，来生成动画图像或视频。在某些示例中，生成所述可视化包括：生成可视化以用于动态地显示目标，例如在收缩状态和扩张状态之间的心脏泵送。在各个示例中，生成所述可视化包括：生成将要发送到显示器以供查看的可视化。
在某些实施例中，方法S100包括：获取动态目标(例如心脏)的可视化。在各个示例中，获取可视化包括：获取可视化以显示处于多个阶段的所述动态目标。例如，获取所述动态目标的可视化包括：获取处于与第一时间(例如，在周期内的时间)和/或第一状态(例如，扩张的状态)相对应的第一阶段的动态目标的第一图像，以及获取处于与第二时间(例如，在周期内的时间)和/或第二状态(例如，收缩的状态)相对应的第二阶段的动态目标的第二图像。在各个示例中，所述第一时间与所述第二时间不同，并且所述第一状态与所述第二状态不同。
在某些实施例中，用于获取目标的可视化的系统10和/或方法S100包括用于自适应地(例如，数据驱动地)生成采样掩码以用于生成k空间的扫描模式(例如，扫描线)的模块和/或过程。在一些示例中，系统10和/或方法S100用于获取磁共振成像(MRI)图像，例如用于获取心脏MRI图像。在某些示例中，系统10和/或方法S100使用机器学习，例如深度机器学习(例如监督学习或强化学习)，通过算法来生成采样掩码。例如，系统10和/或方法S100使用被配置成接受一个或多个先前阶段的数据的自适应模型(例如，掩码预测模型)，来预测(例如，生成)用于当前阶段的采样掩码。
图3是示出了根据本发明的一些实施例的使用机器学习来训练模型的方法的简化图。该图仅是一个示例，而不应不适当地限制权利要求的范围。本领域的普通技术人员将会意识到许多变化、替代和修改。在一些示例中，方法S200包括：例如通过机器学习，来训练模型(例如，成像模块的模型)。在某些示例中，训练所述模型包括：通过监督学习和/或强化学习来训练所述模型。在一些示例中，用于训练模型(例如，成像模块24的模型)的方法S200包括：接收一个或多个先前训练阶段的数据的过程S202、预测当前训练阶段的当前训练掩码的过程S204、获取所述当前训练阶段的当前训练k空间数据的过程S206、生成所述当前训练阶段的当前训练图像的过程S208、生成与所述模型相对应的质量度量的过程S210、以及至少部分地基于所述质量度量来改变所述模型的一个或多个参数的过程S212。尽管上面使用了用于该方法的一组选定的过程来进行显示，但是也可以有许多替代、修改和变化。例如，一些过程可以被扩展和/或组合。也可以将其他过程并入到上述部分。根据该实施例，一些过程的顺序可以与其他替换的过程进行互换。
在各个实施例中，所述接收一个或多个先前训练阶段的数据的过程S202包括：接收一个或多个先前训练阶段的数据，接收作为一个或多个先前阶段的数据、接收由所述一个或多个先前阶段所生成的一个或多个先前采样掩码、接收至少部分地基于一个或多个先前采样掩码所获取的一个或多个先前k空间数据、和/或接收至少部分地基于所述一个或多个先前k空间数据所重建的一个或多个先前图像，作为一个或多个先前训练阶段的数据。
在各个实施例中，所述预测用于当前训练阶段的当前训练采样掩码的过程S204包括：至少部分地基于所述一个或多个先前训练阶段的数据来生成用于所述当前训练阶段的当前训练采样掩码。在某些示例中，生成所述当前训练采样掩码包括：使用模型，例如神经网络，例如正在训练的采样掩码预测模式。在某些示例中，生成所述当前训练采样掩码包括：至少部分地基于训练相似性指数来生成所述当前训练采样掩码。在一些示例中，生成所述当前训练采样掩码包括：接收或生成多个训练相似性指数。每一个训练相似性指数对应于处于当前训练阶段的动态训练目标(如心脏)与处于不同的先前训练阶段的动态训练目标之间的相似性程度。例如，第一训练相似性指数对应于处于当前训练阶段的训练目标和处于第一先前训练阶段的训练目标，第二训练相似性指数对应于处于当前训练阶段的目标和处于第二先前训练阶段的目标。
在各种示例中，生成所述当前训练采样掩码包括：至少部分地基于具有最高值的训练相似性指数来确定与所述当前训练阶段最相似(例如，相似的收缩程度)的先前训练阶段。例如，生成所述当前训练采样掩码包括，如果与处于第一先前训练阶段的目标和处于当前训练阶段的目标相对应的第一训练相似性指数具有与其他训练相似性指数相比的最大值，则至少部分地基于与所述第一先前训练阶段相对应的第一先前训练采样掩码、至少部分地基于所述第一先前训练采样掩码所获取的第一先前训练k空间数据、和/或至少部分地基于所述第一先前训练k空间数据所生成的(例如，所重建的)第一先前训练图像，来生成所述当前训练采样掩码。
在各个实施例中，所述获取用于所述当前训练阶段的当前训练k空间数据的过程S206包括：至少部分地基于所述当前训练采样掩码来获取当前阶段的当前训练k空间数据。在一些示例中，获取所述当前训练k空间数据包括：至少部分地基于当前训练采样掩码来生成训练k空间获取模式和/或相应的训练k空间过滤模式。在各个示例中，获取所述当前训练k空间数据包括：至少部分地基于所述训练k空间获取模式和/或所述训练k空间过滤模式来扫描训练目标。
在各个实施例中，所述生成用于所述当前训练阶段的当前训练图像的过程S208包括：至少部分地基于针对当前训练阶段而获取的训练k空间数据和/或针对当前训练阶段而预测(例如，生成)的当前训练采样掩码来生成(例如，重建)当前训练阶段的训练图像。在某些示例中，生成所述当前训练图像包括：使用深度学习算法，至少部分地基于训练k空间数据来重建所述训练图像。在各个示例中，所述训练图像是二维图像或三维图像。
在某些实施例中，方法S200包括：例如在至少部分地基于一个或多个先前训练阶段的数据来生成当前训练采样掩码之前，生成例如用于第一训练阶段的启动器训练采样掩码(例如，第一训练采样掩码)。在一些示例中，生成所述启动器训练采样掩码包括：接收由用户选择的启动器训练采样掩码，和/或例如基于训练检查协议使用模型(例如，正在训练的模型)来生成启动器训练采样掩码。
在某些实施例中，方法S200包括：至少部分地基于一个或多个训练图像(例如，在过程S208中针对一个或多个训练阶段而生成的图像)来生成训练目标的训练可视化。在某些实施例中，方法S200包括：获取用于动态训练目标的多个训练阶段的多个训练图像，其中重复过程S202、S204、S206、和S208中的一个或多个过程来获取每一个训练图像。在一些示例中，生成所述训练可视化包括：例如通过编译一个或多个训练图像，来生成训练动画图像或训练视频。在某些示例中，生成所述训练可视化包括：生成训练可视化以用于动态地显示训练目标，例如在收缩状态和扩张状态之间的心脏泵送。在各个示例中，生成所述训练可视化包括：生成将要发送到显示器以供查看的所述训练可视化。
在某些实施例中，方法S200包括：获取动态训练目标(例如心脏)的训练可视化。在各个示例中，获取训练可视化包括：获取训练可视化以显示处于多个训练阶段的所述动态训练目标。例如，获取所述动态训练目标的训练可视化包括：获取处于与第一训练时间(例如，在训练周期内的时间)和/或第一训练状态(例如，扩张的训练状态)相对应的第一训练阶段的动态训练目标的第一训练图像，以及获取处于与第二训练时间(例如，在周期内的时间)和/或第二训练状态(例如，收缩的状态)相对应的第二训练阶段的动态训练目标的第二训练图像。在各个示例中，所述第一训练时间与第二训练时间不同，并且所述第一训练状态与所述第二训练状态不同。
在各个实施例中，所述生成与所述模型相对应的质量度量的过程S210包括：至少部分地基于当前训练图像来生成所述质量度量。在一些示例中，所述质量度量对应于正在被训练的模型。在一些实施例中，所述质量度量模块20被配置以通过使用预定质量函数评估当前训练图像来生成质量度量。在某些示例中，所述预定质量函数包括均方误差、归一化均方误差、峰值信噪比、结构相似性指数、和/或视觉检查。在某些实施例中，生成所述质量度量包括：为每一个训练阶段生成单独的质量度量，例如至少部分地基于用于该训练阶段的训练采样掩码和/或重建的训练图像，例如通过将用于该训练阶段的训练采样掩码和/或重建的训练图像与对应于该训练阶段的真值采样掩码和/或真值图像进行比较，来为每一个训练阶段生成单独的质量度量。在各个示例中，生成所述质量度量包括：为训练目标的可视化生成共同的质量度量，其中所述训练目标的可视化至少部分地基于一个或多个训练图像来生成。
在各个实施例中，所述至少部分地基于所述质量度量来改变所述模型的一个或多个参数的过程S212包括：至少部分地基于所述质量度量来改变所述模型的一个或多个参数。在一些示例中，改变所述模型的一个或多个参数包括：至少部分地基于所述单独的质量度量和/或所述共同的质量度量来改变所述模型的一个或多个参数。在一些实施例中，方法S200包括：在每次改变所述模型的一个或多个参数之后，例如直到确定该模型的质量度量令人满意之后，重复多个过程(例如，过程S202、S204、S206、S208、S210和S212)。
图4是示出了根据本发明的一些实施例的展开表示的模型的简化图。在某些示例中，该模型是或者包括递归神经网络(recurrent neural network，RNN)或其变体，例如用于学习掩码生成过程的GRU或LSTM。在各个示例中，该模型被配置以在训练期间获取数据输入并且为每一个时间步骤(例如，对应于阶段)生成掩码。在一些示例中，该模型包括一个隐藏状态，该隐藏状态用作被配置以用于针对随后时间点的掩码预测的存储器。在某些示例中，所述RNN模型是一个卷积神经网络(convolutional neural network，CNN)模块，其中一个或多个参数在多个时间点被共享(shared across time points)。在一些示例中，所述CNN模块被配置以预测每一个时间点的采样掩码，其中每一个预测掩码可被用于向下采样k空间以获得向下采样的k空间(under-sampled k-space)，该向下采样的k空间可用于图像的重建。在各个示例中，向下采样的k空间、重建的图像和/或采样掩码被传递到下一个时间点，以作为所述模型的输入。
在各个实施例中，具有M×N维度的k空间具有总计T个时间点。在一些示例中，一种使输入的维度保持相同的方法，除了当前k空间，还包括为每一个输入(例如，来自一个或多个先前阶段的一个或多个先前掩码、一个或多个先前重建的图像、和/或一个或多个先前k-空间)创建具有M×N×T大小的张量(tensor)，并且例如当来自以下时间点的数据不可用时，用零来填充所述张量。例如，对于t＝2，只有来自t＝1的数据可用，因此张量中的t＝2到t＝T的时间点可以用零来填充。在某些示例中，所述方法包括计算平均值和/或其他统计数据，例如所有先前时间点的中值(a median across all previous time points)，以使每一个输入具有M×N的维度。例如，对于t＝5处的所有先前重建的图像的输入，该方法包括计算从t＝1、2、3、4处的重建的图像的平均值，作为输入。这样，每一个输入具有相同的维度。在某些示例中，基于每一个时间点处的重建的图像和基于背景真值来计算损失包括：使用损失函数(loss function)，例如L1损失或L2损失。例如，L1是一种惩罚(penalty)，其鼓励掩码中的稀疏性，在一些示例中，其被添加到已生成的掩码中。在一些示例中，将这种损失最小化包括：如果具有过多的非零值，则对生成的掩码进行惩罚，以强制减少的采样线的数量，从而加快了图像的获取速度。
图5是示出了根据一些实施例的计算系统的简化图。该图仅是一个示例，而不应不适当地限制权利要求的范围。本领域的普通技术人员将会意识到许多变化、替代和修改。在某些示例中，计算系统6000是一种通用目的计算设备。在一些示例中，计算系统6000包括：一个或多个处理单元6002(例如，一个或多个处理器)、一个或多个系统存储器6004、一个或多个总线6006、一个或多个输入/输出(I/O)接口6008、和/或一个或多个网络适配器6012。在某些示例中，一个或多个总线6006连接各个系统部件，这些系统部件例如包括：一个或多个系统存储器6004、一个或多个处理单元6002、一个或多个输入/输出(I/O)接口6008、和/或一个或多个网络适配器6012。尽管上面已经使用一组选定的部件来显示所述计算系统，但是也可以有许多替代、修改和变化。例如，其中一些部件可以被扩展和/或组合。也可以将其他部件并入到上述部分。根据该实施例，一些部件的布置可以与其他替换的部件进行互换。
在某些示例中，计算系统6000是计算机(例如，服务器计算机、客户端计算机)、智能手机、平板电脑、或可穿戴设备。在一些示例中，所述方法S100和/或方法S200中的一些过程或所有过程(例如，步骤)由计算系统6000来执行。在某些示例中，方法S100和/或方法S200中的一些过程或所有过程(例如，步骤)通过由一个或多个代码引导的一个或多个处理单元6002来执行。例如，所述一个或多个代码被存储在一个或多个系统存储器6004(例如，一个或多个非瞬时性计算机可读介质)中，并且可以由计算系统6000读取(例如，可以由一个或多个处理单元6002读取)。在各个示例中，一个或多个系统存储器6004包括：一个或多个易失性存储器形式的计算机可读介质，例如随机存取存储器(RAM)6014、高速缓存存储器6016、和/或存储系统6018(例如，软盘、CD-ROM、和/或DVD-ROM)。
在一些示例中，计算系统6000的一个或多个输入/输出(I/O)接口6008被配置以与一个或多个外部设备6010(例如，键盘、指点设备和/或显示器)通信。在某些示例中，计算系统6000的一个或多个网络适配器6012被配置以与一个或多个网络(例如，局域网(LAN)、广域网(WAN)、和/或公共网络(例如，因特网)通信。在各个示例中，其他硬件和/或软件模块(例如一个或多个微代码和/或一个或多个设备驱动程序)被用于与计算系统6000进行连接。
图6是示出了根据某些实施例的神经网络的简化图。该图仅是一个示例，而不应不适当地限制权利要求的范围。本领域的普通技术人员将会意识到许多变化、替代和修改。在一些示例中，神经网络8000包括：输入层8002、一个或多个隐藏层8004、和输出层8006。例如，所述一个或多个隐藏层8004包括L个神经网络层，其包括：第一神经网络层，…，第i神经网络层，…，和第L神经网络层，其中L是正整数，i是大于或等于1且小于或等于L的整数。尽管上面使用了用于神经网络的一组选定的部件来进行显示，但是也可以有许多替代、修改和变化。例如，一些部件可以被扩展和/或组合。也可以将其他部件并入到上述部分。根据该实施例，一些部件的布置可以与其他替换的部件进行互换。
在一些示例中，方法S100和/或方法S200的部分或全部过程(例如，步骤)由神经网络8000(例如，使用计算系统6000)来执行。在某些示例中，方法S100和/或方法S200的一些或全部过程(例如，步骤)由一个或多个处理单元6002执行，所述处理单元6002由实施了神经网络8000的一个或多个代码来引导。例如，用于神经网络8000的一个或多个代码被存储在一个或多个系统存储器6004(例如，一个或多个非瞬时性计算机可读介质)中，并且可以由计算系统6000(例如由一个或多个处理单元6002)来读取。
在某些示例中，神经网络8000是深度神经网络(例如，卷积神经网络)。在一些示例中，一个或多个隐藏层8004中的每一个神经网络层包括多个子层。例如，第i神经网络层包括卷积层、激励层和池化层(pooling layer)。例如，所述卷积层被配置以对输入(例如，由输入层接收或从先前神经网络层接收的输入)执行特征提取，所述激励层被配置以将非线性激励函数(例如，RelU函数)应用到卷积层的输出，所述池化层被配置以压缩(例如，通过执行最大池化或平均池化进行下采样)激励层的输出。例如，输出层8006包括一个或多个完全连接的层。
在各个实施例中，一种用于获取目标的可视化的计算机实施的方法包括：生成第一采样掩码；使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据；至少部分地基于所述第一k空间数据来生成目标的第一图像；至少基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像使用模型来生成第二采样掩码；使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及至少部分地基于所述第二k空间数据来生成所述目标的第二图像。在一些示例中，所述计算机实施的方法至少根据图2中的方法S100来实施。在某些示例中，该方法至少通过图1中的系统10来实施。
在一些实施例中，所述第一阶段对应于所述目标处于第一状态的第一时间；所述第二阶段对应于所述目标处于第二状态的第二时间。在某些示例中，所述第一时间与所述第二时间不同；所述第一状态与所述第二状态不同。
在一些实施例中，所述生成第一采样掩码包括：接收由用户所选择的所述第一采样掩码和/或使用所述模型来生成所述第一采样掩码。
在一些实施例中，所述使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据包括：至少部分地基于所述第一采样掩码来生成第一k空间获取模式；以及至少部分地基于处于第一阶段的所述第一k空间获取模式扫描所述目标。
在一些实施例中，所述计算机实施的方法还包括使用机器学习来训练所述模型。
在一些实施例中，所述使用机器学习来训练所述模型包括使用监督学习来训练模型和/或使用强化学习来训练模型。
在一些实施例中，所述使用机器学习来训练所述模型包括：将训练数据输入到所述模型中，所述训练数据包括用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、和/或至少部分地基于所述第一训练k空间数据所重建的第一训练图像；至少部分地基于所述第一训练采样掩码、所述第一训练k空间数据、和/或所述第一训练图像，使用所述模型来生成第二训练采样掩码；利用第二训练采样掩码获取处于第二训练阶段的所述训练目标的第二训练k空间数据；至少部分地基于所述第二训练k空间数据来生成所述训练目标的第二训练图像；至少部分地基于所述第二训练图像来生成与所述模型相对应的质量度量；以及至少部分地基于所述质量度量来改变所述模型的一个或多个参数。在某些示例中，该模型为神经网络。
在一些实施例中，生成质量度量包括：使用预定质量函数来评估所述第二训练图像。在某些示例中，所述预定质量函数包括均方误差、归一化均方误差、峰值信噪比、结构相似性指数和/或视觉检查。
在一些实施例中，所述计算机实施的方法还包括：至少部分地基于所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成第三采样掩码；使用所述第三采样掩码来获取处于第三阶段的所述目标的第三k空间数据；以及至少部分地基于所述第三k空间数据来生成所述目标的第三图像。
在一些实施例中，所述至少部分地基于从所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成第三采样掩码包括：如果与处于所述第三阶段的目标和处于所述第一阶段的目标相对应的第一相似性指数大于与处于所述第三阶段的目标和处于所述第二阶段的目标相对应的第二相似性指数，则至少部分地基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用所述模型来生成所述第三采样掩码；以及如果所述第二相似性指数大于所述第一相似性指数，则至少部分地基于所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成所述第三采样掩码。
在一些实施例中，所述至少部分地基于所述第二k空间数据来生成所述目标的第二图像包括：至少部分地基于所述第二k空间数据，使用深度学习算法来重建所述第二图像。
在一些实施例中，所述计算机实施的方法还包括：至少部分地基于所述第一图像和/或所述第二图像来生成所述目标的可视化。在一些示例中，所述可视化包括动画图像和/或视频。
在一些实施例中，所述第二图像是二维图像或三维图像。
在各个实施例中，一种用于获取目标的可视化的系统包括：掩码生成模块，其被配置以生成第一采样掩码；k空间数据获取模块，其被配置以使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据；和图像生成模块，其被配置以至少部分地基于所述第一k空间数据来生成所述目标的第一图像。在某些实施例中，所述掩码生成模块被进一步配置以至少部分地基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用模型来生成第二采样掩码。在某些实施例中，所述k空间数据获取模块被进一步配置以使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据。在某些实施例中，所述图像生成模块被进一步配置以至少部分地基于所述第二k空间数据来生成所述目标的第二图像。在一些示例中，所述系统至少根据图1中的系统10来实施，和/或被配置以至少执行图2中的方法S100。
在一些实施例中，所述第一阶段对应于所述目标处于第一状态的第一时间；所述第二阶段对应于所述目标处于第二状态的第二时间。在某些示例中，所述第一时间与所述第二时间不同；所述第一状态与所述第二状态不同。
在一些实施例中，掩码生成模块被进一步配置以接收由用户所选择的所述第一采样掩码和/或使用所述模型来生成所述第一采样掩码。
在一些实施例中，所述k空间数据获取模块被进一步配置以至少部分地基于所述第一采样掩码来生成第一k空间获取模式；以及至少部分地基于处于第一阶段的所述第一k空间获取模式扫描所述目标。
在一些实施例中，所述系统还包括训练模块，其被配置以使用机器学习来训练所述模型。
在一些实施例中，所述训练模块被进一步配置以使用监督学习来训练所述模型和/或使用强化学习来训练所述模型。
在一些实施例中，所述训练模块包括质量度量模块和参数改变模块。在各个示例中，训练模块被配置以将训练数据输入到所述模型中，所述训练数据包括：用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、和/或至少部分地基于所述第一训练k空间数据所重建的第一训练图像；(例如，使用所述掩码生成模块)至少部分地基于第一训练采样掩码、第一训练k空间数据和/或第一训练图像，使用模型生成第二训练采样掩码；使用所述第二训练采样掩码(例如，使用k空间数据获取模块)获取处于第二训练阶段的训练目标的第二训练k空间数据；至少部分地基于第二训练k空间数据(例如，使用图像生成模块)生成训练目标的第二训练图像；至少部分地基于第二训练图像，使用质量度量模块来生成与模型相对应的质量度量；并且至少部分地基于所述质量度量，使用参数改变模块来改变所述模型的一个或多个参数。在某些示例中，该模型为神经网络。
在一些实施例中，所述质量度量模块被进一步配置以使用预定质量函数来评估所述第二训练图像。在某些示例中，所述预定质量函数包括均方误差、归一化均方误差、峰值信噪比、结构相似性指数和/或视觉检查。
在一些实施例中，所述掩码生成模块被进一步配置以至少部分地基于所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成第三采样掩码。在某些示例中，所述k空间数据获取模块被进一步配置以使用所述第三采样掩码来获取处于第三阶段的所述目标的第三k空间数据。在某些示例中，所述图像生成模块被进一步配置以至少部分地基于所述第三k空间数据来生成所述目标的第三图像。
在一些实施例中，如果与处于所述第三阶段的目标和处于所述第一阶段的目标相对应的第一相似性指数大于与处于所述第三阶段的目标和处于所述第二阶段的目标相对应的第二相似性指数，则所述掩码生成模块被进一步配置以至少部分地基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用所述模型来生成所述第三采样掩码。在某些实施例中，如果所述第二相似性指数大于所述第一相似性指数，则掩码生成模块被进一步配置以至少部分地基于所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成所述第三采样掩码。
在一些实施例中，所述图像生成模块被进一步配置以至少部分地基于所述第二k空间数据，使用深度学习算法来重建所述第二图像。
在一些实施例中，所述系统还包括可视化生成模块，该可视化生成模块被配置以少部分地基于所述第一图像和/或所述第二图像来生成所述目标的可视化。在某些示例中，所述可视化包括动画图像和/或视频。
在一些实施例中，所述第二图像是二维图像或三维图像。
在各个实施例中，一种非瞬时性计算机可读介质，在其上存储有指令，当所述指令被处理器执行时实现以下过程，包括：生成第一采样掩码；使用所述第一采样掩码来获取处于第一阶段的目标的第一k空间数据；至少部分地基于所述第一k空间数据来生成所述目标的第一图像；至少基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用模型来生成第二采样掩码；使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及至少部分地基于所述第二k空间数据来生成所述目标的第二图像。在一些示例中，在其上存储有指令的所述非瞬时性计算机可读介质至少根据图2中的方法S100和/或由图1的系统10(例如，终端)来实施。
在一些实施例中，所述第一阶段对应于所述目标处于第一状态的第一时间；所述第二阶段对应于所述目标处于第二状态的第二时间。在某些示例中，所述第一时间与所述第二时间不同；所述第一状态与所述第二状态不同。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：接收由用户所选择的所述第一采样掩码和/或使用所述模型来生成所述第一采样掩码。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：至少部分地基于所述第一采样掩码来生成第一k空间获取模式；以及至少部分地基于处于第一阶段的所述第一k空间获取模式来扫描所述目标。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：使用机器学习来训练所述模型。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：使用监督学习来训练所述模型和/或使用强化学习来训练所述模型。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：将训练数据输入到所述模型中，所述训练数据包括用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、和/或至少部分地基于所述第一训练k空间数据所重建的第一训练图像；至少部分地基于选自所述第一训练采样掩码、所述第一训练k空间数据、和/或所述第一训练图像中的一个，使用所述模型来生成第二训练采样掩码；利用第二训练采样掩码获取处于第二训练阶段的所述训练目标的第二训练k空间数据；至少部分地基于所述第二训练k空间数据来生成所述训练目标的第二训练图像；至少部分地基于所述第二训练图像来生成与所述模型相对应的质量度量；以及至少部分地基于所述质量度量来改变所述模型的一个或多个参数。在某些示例中，该模型为神经网络。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：使用预定质量函数来评估所述第二训练图像。在某些示例中，所述预定质量函数包括均方误差、归一化均方误差、峰值信噪比、结构相似性指数和/或视觉检查。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：至少部分地基于所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成第三采样掩码；使用所述第三采样掩码来获取处于第三阶段的所述目标的第三k空间数据；以及至少部分地基于所述第三k空间数据来生成所述目标的第三图像。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：如果与处于所述第三阶段的目标和处于所述第一阶段的目标相对应的第一相似性指数大于与处于所述第三阶段的目标和处于所述第二阶段的目标相对应的第二相似性指数，则至少部分地基于所述第一采样掩码、所述第一k空间数据、和/或所述第一图像，使用所述模型来生成所述第三采样掩码；以及如果所述第二相似性指数大于所述第一相似性指数，则至少部分地基于所述第二采样掩码、所述第二k空间数据、和/或所述第二图像，使用所述模型来生成所述第三采样掩码。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：至少部分地基于所述第二k空间数据，使用深度学习算法来重建所述第二图像。
在一些实施例中，所述非瞬时性计算机可读介质，其在由处理器执行时执行的过程包括：至少部分地基于所述第一图像和/或所述第二图像来生成所述目标的可视化。在一些示例中，所述可视化包括动画图像和/或视频。
在一些实施例中，所述第二图像是二维图像或三维图像。
例如，本发明各实施例的一些或全部部件各自单独地和/或至少与另一个部件组合，使用一个或多个软件组件、一个或多个硬件组件和/或软件和硬件组件的一个或多个组合来实施。在另一个示例中，本发明的各个实施例的一些或全部组件各自单独和/或与至少另一个组件组合，在一个或多个电路(例如一个或多个模拟电路和/或一个或多个数字电路)中实施。在又一个示例中，尽管上述实施例提及特定的特征，但本发明的范围也包括具有不同特征组合的实施例以及并非包括所有所述特征的实施例。在又一个示例中，可以将本发明的各个实施例和/或示例进行组合。
此外，本文描述的方法和系统可以通过程序代码在许多不同类型的处理设备上实施，所述程序代码包括由设备处理子系统可执行的程序指令。该软件程序指令可以包括源代码、目标代码、机器代码或可被操作以使处理系统执行本文所述的方法和操作的存储的任何其他数据。然而，也可以使用其他实施方式，例如固件，甚至是被配置以执行本文所述的方法和系统的适当设计的硬件。
这些系统的和这些方法的数据(例如，关联、映射、数据输入、数据输出、中间数据结果、最终数据结果等)可以被存储和实施在一个或多个不同类型的计算机实施的数据存储器中，例如不同类型的存储设备和编程结构(如RAM、ROM、EEPROM、闪存、平面文件、数据库、编程数据结构、编程变量、IF-THEN(或类似类型)语句结构、应用编程接口等)。需要指出的是，所述数据结构描述了用于组织和存储数据库、程序、存储器或计算机程序所使用的其他计算机可读介质中的数据的格式。
所述系统和方法可以被提供在许多不同类型的计算机可读介质上，该计算机可读介质包括计算机存储机制(如CD-ROM、软盘、RAM、闪存、计算机硬盘驱动器、DVD等)，所述计算机存储机制包含用于由处理器实行以执行本文所描述的方法的操作和实施所述系统的指令(例如，软件)。本文所描述的计算机组件、软件模块、功能、数据存储器和数据结构可以直接或间接地相互连接，以便允许它们的操作所需的数据的流动。还需要指出的是，模块或处理器包括执行软件操作的代码单元，并且可以例如实施为代码的子例程单元、或实施为代码的软件功能单元、或实施为对象(如面向对象范型)、或为小程序、或为计算机脚本语言、或为其他类型的计算机代码。所述软件组件和/或功能可以位于一台计算机上，也可以分布在多台计算机上，这取决于当前情况。
所述计算系统可以包括客户端设备和服务器。客户端设备和服务器通常是彼此之间远程设置的，并且典型地通过通信网络进行交互。所述客户端设备与服务器的关系是通过运行在相应计算机上并且具有客户端设备与服务器之间相互关系的计算机程序而产生。
本说明书包含了许多特定实施例的细节。在本说明书中在各个不同实施例的上下文中描述的某些特征也可以在单个实施例中组合实施。相反，在单个实施例的上下文中描述的各种特征也可以在多个实施例中单独地实施或者以任何合适的子组合来实施。此外，尽管上述特征可被描述为作用于某些组合，但在某些情况下，该组合中的一个或多个特征可从组合中移除，并且该组合可以例如涉及子组合或子组合的变化。
同样，虽然在附图中以特定顺序描述了操作，但这不应理解为要求这些操作以所示的特定顺序或以有序的顺序来执行，或要求执行所有所示的操作，以取得所期望的结果。在某些情况下，多任务处理和并行处理可能是有利的。此外，在上述实施例中，各种系统部件的分离不应理解为在所有实施例中都需要这种分离，并且应当理解的是，所描述的程序组件和系统通常可以被集成在单个软件产品中或被打包到多个软件产品中。
尽管已经描述了本发明的具体实施例，但本领域技术人员将理解，还存在与所描述的实施例等效的其他实施例。因此，应当理解，本发明不应受到所示具体实施例的限制。

Claims (18)

1.一种用于获取目标的可视化的计算机实施的方法，所述方法包括：
生成第一采样掩码；
使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据；
至少部分地基于所述第一k空间数据来生成所述目标的第一图像；
基于选自所述第一采样掩码、所述第一k空间数据、和所述第一图像中的至少一项，使用模型来生成第二采样掩码；
使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及
至少部分地基于所述第二k空间数据来生成所述目标的第二图像；
所述方法还包括：使用机器学习来训练所述模型；
其中，所述使用机器学习来训练所述模型包括：
接收训练数据，所述训练数据包括选自以下项中的一项：用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、以及至少部分地基于所述第一训练k空间数据所重建的第一训练图像；
至少部分地基于选自所述第一训练采样掩码、所述第一训练k空间数据、和所述第一训练图像中的一项，使用所述模型来生成第二训练采样掩码；
使用所述第二训练采样掩码获取处于第二训练阶段的所述训练目标的第二训练k空间数据；
至少部分地基于所述第二训练k空间数据来生成所述训练目标的第二训练图像；
至少部分地基于所述第二训练图像来生成与所述模型相对应的质量度量；以及
至少部分地基于所述质量度量来改变所述模型的一个或多个参数；
其中，所述模型为神经网络。
2. 根据权利要求1所述的计算机实施的方法，其中：
所述第一阶段对应于所述目标处于第一状态的第一时间；和
所述第二阶段对应于所述目标处于第二状态的第二时间；
其中：
所述第一时间与所述第二时间不同；以及
所述第一状态与所述第二状态不同。
3. 根据权利要求1所述的计算机实施的方法，其中，所述生成第一采样掩码包括选自以下的步骤之一：
接收由用户选择的所述第一采样掩码；以及
使用所述模型来生成所述第一采样掩码。
4. 根据权利要求1所述的计算机实施的方法，其中，所述使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据包括：
至少部分地基于所述第一采样掩码来生成第一k空间获取模式；以及
至少部分地基于处于第一阶段的所述第一k空间获取模式来扫描所述目标。
5. 根据权利要求1所述的计算机实施的方法，其中，所述使用机器学习来训练所述模型包括选自以下的步骤之一：
使用监督学习来训练所述模型；以及
使用强化学习来训练所述模型。
6.根据权利要求1所述的计算机实施的方法，其中，生成质量度量包括：使用预定质量函数来评估所述第二训练图像，所述预定质量函数包括选自以下项中的一项：均方误差、归一化均方误差、峰值信噪比、结构相似性指数和视觉检查。
7.根据权利要求1所述的计算机实施的方法，还包括：
至少部分地基于选自所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据和所述第二图像中的一项，使用所述模型来生成第三采样掩码；
使用所述第三采样掩码来获取处于第三阶段的所述目标的第三k空间数据；以及
至少部分地基于所述第三k空间数据来生成所述目标的第三图像。
8. 根据权利要求7所述的计算机实施的方法，其中，所述至少部分地基于选自所述第一采样掩码、所述第一k空间数据、所述第一图像、所述第二采样掩码、所述第二k空间数据和所述第二图像中的一项，使用所述模型来生成第三采样掩码包括：
如果与处于所述第三阶段的所述目标和处于所述第一阶段的所述目标相对应的第一相似性指数大于与处于所述第三阶段的所述目标和处于所述第二阶段的所述目标相对应的第二相似性指数，则至少部分地基于选自所述第一采样掩码、所述第一k空间数据和所述第一图像中的一项，使用所述模型来生成所述第三采样掩码；以及
如果所述第二相似性指数大于所述第一相似性指数，则至少部分地基于选自所述第二采样掩码、所述第二k空间数据和所述第二图像中的一项，使用所述模型来生成所述第三采样掩码。
9.根据权利要求1所述的计算机实施的方法，其中，所述至少部分地基于所述第二k空间数据来生成所述目标的第二图像包括：
至少部分地基于所述第二k空间数据，使用深度学习算法来重建所述第二图像。
10.根据权利要求1所述的计算机实施的方法，还包括：
至少部分地基于选自所述第一图像和所述第二图像中的一项，来生成所述目标的可视化，所述可视化包括选自动画图像和视频中的一项。
11.根据权利要求1所述的计算机实施的方法，其中，所述第二图像是二维图像或三维图像。
12.一种用于对医疗图像进行分级以获取目标的可视化的系统，所述系统包括：
掩码生成模块，其被配置以生成第一采样掩码；
k空间数据获取模块，其被配置以使用所述第一采样掩码来获取处于第一阶段的所述目标的第一k空间数据；以及
图像生成模块，其被配置以至少部分地基于所述第一k空间数据来生成所述目标的第一图像；
其中，所述掩码生成模块被进一步配置以至少部分地基于选自所述第一采样掩码、所述第一k空间数据和所述第一图像中的至少一项，使用模型来生成第二采样掩码；
其中，所述k空间数据获取模块被进一步配置以使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；
其中，所述图像生成模块被进一步配置以至少部分地基于所述第二k空间数据来生成所述目标的第二图像；
所述系统还包括训练模块，其被配置以使用机器学习来训练所述模型；
所述训练模块被配置以接收训练数据，所述训练数据包括选自以下项中的一项：用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、以及至少部分地基于所述第一训练k空间数据所重建的第一训练图像；
至少部分地基于选自所述第一训练采样掩码、所述第一训练k空间数据、和所述第一训练图像中的一项，使用所述模型来生成第二训练采样掩码；
使用所述第二训练采样掩码获取处于第二训练阶段的所述训练目标的第二训练k空间数据；
至少部分地基于所述第二训练k空间数据来生成所述训练目标的第二训练图像；
至少部分地基于所述第二训练图像来生成与所述模型相对应的质量度量；以及
至少部分地基于所述质量度量来改变所述模型的一个或多个参数；
其中，所述模型为神经网络。
13. 根据权利要求12所述的系统，其中：
所述第一阶段对应于所述目标处于第一状态的第一时间；以及
所述第二阶段对应于所述目标处于第二状态的第二时间；
其中：
所述第一时间与所述第二时间不同；以及
所述第一状态与所述第二状态不同。
14. 如权利要求12所述的系统，其中，所述掩码生成模块被配置以执行以下的步骤之一：
接收由用户所选择的所述第一采样掩码；和
使用所述模型来生成所述第一采样掩码。
15. 根据权利要求12所述的系统，其中，所述k空间数据获取模块被进一步配置以：
至少部分地基于所述第一采样掩码来生成第一k空间获取模式；以及
至少部分地基于处于第一阶段的所述第一k空间获取模式来扫描所述目标。
16.一种非瞬时性计算机可读介质，在其上存储有指令，当所述指令被处理器执行时实施以下过程：
生成第一采样掩码；
使用所述第一采样掩码来获取处于第一阶段的目标的第一k空间数据；
至少部分地基于所述第一k空间数据来生成所述目标的第一图像；
基于选自所述第一采样掩码、所述第一k空间数据和所述第一图像中的至少一项，使用模型来生成第二采样掩码；
使用所述第二采样掩码来获取处于第二阶段的所述目标的第二k空间数据；以及
至少部分地基于所述第二k空间数据来生成所述目标的第二图像；
使用机器学习来训练所述模型；其中，所述使用机器学习来训练所述模型包括：
接收训练数据，所述训练数据包括选自以下项中的一项：用于训练目标的第一训练采样掩码、至少部分地基于所述第一训练采样掩码所获得的第一训练k空间数据、以及至少部分地基于所述第一训练k空间数据所重建的第一训练图像；
至少部分地基于选自所述第一训练采样掩码、所述第一训练k空间数据、和所述第一训练图像中的一项，使用所述模型来生成第二训练采样掩码；
使用所述第二训练采样掩码获取处于第二训练阶段的所述训练目标的第二训练k空间数据；
至少部分地基于所述第二训练k空间数据来生成所述训练目标的第二训练图像；
至少部分地基于所述第二训练图像来生成与所述模型相对应的质量度量；以及
至少部分地基于所述质量度量来改变所述模型的一个或多个参数；
其中，所述模型为神经网络。
17. 根据权利要求16所述的非瞬时性计算机可读介质，其中：
所述第一阶段对应于所述目标处于第一状态的第一时间；以及
所述第二阶段对应于所述目标处于第二状态的第二时间；
其中：
所述第一时间与所述第二时间不同；以及
所述第一状态与所述第二状态不同。
18. 根据权利要求16所述的非瞬时性计算机可读介质，其中，当所述指令被处理器执行时，进一步实施包括有选自以下项中的一项的过程：
接收由用户选择的所述第一采样掩码；以及
使用所述模型来生成所述第一采样掩码。
CN201911257918.3A 2019-08-29 2019-12-10 用于生成与成像有关的采样掩码的方法和装置 Active CN111105471B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/555,781 US11199602B2 (en) 2019-08-29 2019-08-29 Methods and devices for generating sampling masks related to imaging
US16/555,781 2019-08-29

Publications (2)

Publication Number Publication Date
CN111105471A CN111105471A (zh) 2020-05-05
CN111105471B true CN111105471B (zh) 2024-02-27

Family

ID=70422845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257918.3A Active CN111105471B (zh) 2019-08-29 2019-12-10 用于生成与成像有关的采样掩码的方法和装置

Country Status (2)

Country Link
US (1) US11199602B2 (zh)
CN (1) CN111105471B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11460528B2 (en) * 2020-07-23 2022-10-04 Shanghai United Imaging Intelligence Co., Ltd. MRI reconstruction with image domain optimization
KR102645640B1 (ko) * 2021-11-15 2024-03-11 국방과학연구소 이미지 스티칭 학습 및 평가를 위한 이미지 데이터셋 생성 장치 및 그 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103477238A (zh) * 2011-03-24 2013-12-25 皇家飞利浦有限公司 采用来自先验采集的约束的压缩感测mr图像重建
CN106780512A (zh) * 2016-11-30 2017-05-31 厦门美图之家科技有限公司 分割图像的方法、应用及计算设备
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
CN108596902A (zh) * 2018-05-04 2018-09-28 北京大学 基于选通卷积神经网络的多任务全参考图像质量评价方法
CN109712165A (zh) * 2018-12-29 2019-05-03 安徽大学 一种基于卷积神经网络的同类前景图像集分割方法
JP2019130307A (ja) * 2018-01-31 2019-08-08 キヤノンメディカルシステムズ株式会社 画像再構成方法及び再構成装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6493569B2 (en) * 2000-12-30 2002-12-10 Ge Medical Systems Global Technology Company, Llc Method and apparatus using post contrast-enhanced steady-state free precession in MR imaging
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
US10145924B2 (en) * 2017-01-13 2018-12-04 Siemens Healthcare Gmbh Magnetic resonance imaging with undersampling
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
US10811135B2 (en) * 2018-12-27 2020-10-20 General Electric Company Systems and methods to determine disease progression from artificial intelligence detection output

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103477238A (zh) * 2011-03-24 2013-12-25 皇家飞利浦有限公司 采用来自先验采集的约束的压缩感测mr图像重建
CN106780512A (zh) * 2016-11-30 2017-05-31 厦门美图之家科技有限公司 分割图像的方法、应用及计算设备
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法
JP2019130307A (ja) * 2018-01-31 2019-08-08 キヤノンメディカルシステムズ株式会社 画像再構成方法及び再構成装置
CN108596902A (zh) * 2018-05-04 2018-09-28 北京大学 基于选通卷积神经网络的多任务全参考图像质量评价方法
CN109712165A (zh) * 2018-12-29 2019-05-03 安徽大学 一种基于卷积神经网络的同类前景图像集分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Improving Change Detection in Forest Areas Based on Stereo Panchromatic Imagery Using Kernel MNF;Tian Jiaojiao 等;《IEEE Transactions on Geoscience and Remote Sensing》;20141130;第52卷(第11期);第7130-7139页 *
温佩芝 ; 苗渊渊 ; 周迎 ; 冯丽园 ; .基于卷积神经网络改进的图像自动分割方法.计算机应用研究.2017,(第09期),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,(第02期),全文. *

Also Published As

Publication number Publication date
US20210063520A1 (en) 2021-03-04
CN111105471A (zh) 2020-05-05
US11199602B2 (en) 2021-12-14

Similar Documents

Publication Publication Date Title
EP3963516B1 (en) Teaching gan (generative adversarial networks) to generate per-pixel annotation
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
US10970819B2 (en) Image processing device, image processing method, and image processing program
US9595120B2 (en) Method and system for medical image synthesis across image domain or modality using iterative sparse representation propagation
Li et al. FilterNet: Adaptive information filtering network for accurate and fast image super-resolution
CN109633502B (zh) 磁共振快速参数成像方法及装置
US20220147877A1 (en) System and method for automatic building of learning machines using learning machines
CN110827369B (zh) 欠采样模型生成方法、图像重建方法、设备和存储介质
CN111105471B (zh) 用于生成与成像有关的采样掩码的方法和装置
CN111383741B (zh) 医学成像模型的建立方法、装置、设备及存储介质
WO2018112137A1 (en) System and method for image segmentation using a joint deep learning model
WO2020043545A1 (en) Adaptable neural network
WO2020234349A1 (en) Sampling latent variables to generate multiple segmentations of an image
JP2023515367A (ja) モデルへの入力インスタンスの分布外検出
CN113920213A (zh) 基于长距离注意力模型重建的多层磁共振成像方法及装置
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
Liu et al. Tomogan: Low-dose x-ray tomography with generative adversarial networks
KR102526487B1 (ko) 딥러닝 모델의 학습을 위한 의료 데이터의 처리 방법, 프로그램 및 장치
KR102462513B1 (ko) 3차원 의료 데이터의 처리 방법, 프로그램 및 장치
US20220292673A1 (en) On-Site training of a machine-learning algorithm for generating synthetic imaging data
CN116091893A (zh) 一种基于U-net网络的地震图像反褶积方法及系统
KR102454742B1 (ko) 뇌 피질 영역의 두께를 분석하는 방법
CN114494014A (zh) 一种磁共振图像超分辨率重建方法及装置
CN110148194B (zh) 图像重建方法和装置
CN112509120A (zh) 用于重建图像的系统和方法

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