CN111292240A - 一种基于成像模型与机器学习的磁共振超分辨率成像方法 - Google Patents
一种基于成像模型与机器学习的磁共振超分辨率成像方法 Download PDFInfo
- Publication number
- CN111292240A CN111292240A CN202010076661.8A CN202010076661A CN111292240A CN 111292240 A CN111292240 A CN 111292240A CN 202010076661 A CN202010076661 A CN 202010076661A CN 111292240 A CN111292240 A CN 111292240A
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- data set
- imaging
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 54
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 210000004556 brain Anatomy 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 15
- 210000004885 white matter Anatomy 0.000 claims description 15
- 210000004884 grey matter Anatomy 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
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
本发明涉及一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,包括以下步骤:S1,数据集准备:准备低分辨率数据集和高分辨率数据集,其中,高分辨率数据集分为不同等级分辨率的多个;S2,神经网络训练:按等级由低到高依次训练多个神经网络实现层进式学习;S3,成像阶段:将低分辨率图像依次通过已经训练好的神经网络生成高分辨图像,将生成的高分辨图像作为先验信息,将采集到的低分辨率图像代入广义级数模型,重建出最终的超分辨率图像。与现有技术相比,本发明提出的“层进式”训练方式,更加精细化,生成了更加准确的高分辨率边缘,纹理等信息;更好地融合了先验与采集的信息,去除了伪影的超分辨率大脑图像。
Description
技术领域
本发明涉及一种磁共振成像方法,尤其是涉及一种基于成像模型与机器学习的磁共振超分辨率成像方法。
背景技术
近年来,为了能节省磁共振成像时间,更好地发挥磁共振成像技术的在医学中的临床价值,越来越多的方法被研究而出,用于加速磁共振成像。在这其中,从单一的快速采集的低分辨率图像中重建出其对应的高分辨率图像的超分辨率成像技术是一项极具潜能的技术。而要想实现超分辨率成像,可靠的先验信息与实际采集的低频信息均需被充分利用。
目前主流的两大类超分辨率成像算法为,基于成像模型的超分辨率成像算法与基于机器学习的超分辨率算法。两者皆存在着客观的不足。基于成像模型的超分辨率成像算法,多采用最大后验概率模型进行求解。其中似然项融入了成像模型,实现了成像结果与采集的低频信息的一致性,先验项为人为构造的包含了先验信息的正则项,这类正则项大多形式单一,所能融入的先验信息十分有限,导致最终所成超分辨率图像高频细节不理想。基于机器学习的超分辨率算法,通过训练神经网络,实现了基于输入的低分辨率图像生成对应高分辨率图像的工作。该类算法能使神经网络从训练数据集中自主地学习并利用大量的先验信息,生成较为理想的高频细节,但却因为没有成像模型等限制,低频信息难以保证与采集信息一致,出现伪影等问题。另外,如何更好地学习先验信息,仍是基于机器学习的超分辨率算法所需考虑的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种更好地融合了先验与采集的信息的基于成像模型与机器学习的磁共振超分辨率成像方法。
本发明的目的可以通过以下技术方案来实现:
一种基于成像模型与机器学习的磁共振超分辨率成像方法,包括以下步骤:
S1,数据集准备:准备低分辨率数据集和高分辨率数据集,其中,高分辨率数据集分为不同等级分辨率的多个;
S2,神经网络训练:按等级由低到高依次训练多个神经网络实现层进式学习,其中,第一个神经网络基于低分辨率图像生成最低等级的高分辨率图像,第二个神经网络基于低分辨率图像和第一个神经网络的结果,以此类推,最后一个神经网络基于低分辨率图像和上一个神经网络的结果生成最高等级的高分辨率数据集;
S3,成像阶段:通过磁共振成像采集得到相应的低分辨率图像,将该低分辨率图像依次通过已经训练好的神经网络生成高分辨图像,将生成的高分辨图像作为先验信息,将采集到的低分辨率图像代入广义级数模型,求解广义级数模型,重建出最终的超分辨率图像。
所述的低分辨率数据集获取方式为:将高分辨率数据集变换回K-空间,仅保留K-空间中心数据,再变换回图像域,得到低分辨率数据集。
所述的广义级数模型通过ADMM算法求解。
所述的数据集中的图像为大脑图像,高分辨率数据集中的不同等级依据图像纹理清晰程度划分。
所述的高分辨率数据集数量为四个,分别包含以下图像:高分辨率大脑白质和灰质的几何分割图像,高分辨率带白质纹理的大脑图像,高分辨率带白质和灰质纹理的大脑图像,高分辨率带白质、灰质及脑脊液纹理纹理的大脑图像。
所述的广义级数模型中,待求解的超分辨率图像x(s)表示如下:
其中,P(s)为神经网络所生成的高分辨率先验图像,n为基函数个数,c(n)为相应基函数权重,s为空间域坐标,△k为频域平移量。
所述的神经网络为Unet神经网络。
所述的广义级数模型的求解过程为利用ADMM算法将整体优化求解问题分解为多个子优化问题进行求解,具体为:
其中y为采集低频信号,F为傅里叶变换算子,Ω为K-空间采样算子,P为机器学习先验高分辨率图像,n为基函数个数,c(n)为相应基函数权重,δ为冲激函数,k为频域坐标,△k为频域平移量,|| ||1表示一范数,|| ||2表示二范数。
与现有技术相比,本发明具有以下优点:
(1)提升机器学习性能,生成更优的高分辨大脑先验图像:本技术中提出的“层进式”训练方式,相对于传统的直接训练神经网络基于低分辨率图像生成高分辨率图像而言,更加精细化,生成了更加准确的高分辨率边缘,纹理等信息,在峰值信噪比,均方误差,结构相似度这三类常用的衡量生成高分辨率图像质量的定量指标上均取得了显著优于传统机器学习方式的结果。
(2)更好地融合了先验与采集的信息,生成了更为准确的高分辨率大脑图像:传统基于成像模型的超分辨率成像技术,仅有好的数据一致性,而没有可靠的先验,高频细节不理想。传统基于机器学习的超分辨率成像技术仅有好的先验,但没有满足数据一致性需求,低频信息被破坏,出现伪影。本发明将神经网络生成的高分辨率大脑图像作为先验信息,与采集到的低频信息一同代入广义级数模型,实现了既包含可靠先验信息,又实现了成像结果与所采集信息一致的需求,最终生成了具有更为准确高低频信息,去除了伪影的超分辨率大脑图像。
附图说明
图1为本实施例基于成像模型与机器学习的磁共振超分辨率成像方法流程图;
图2为本实施整体成像步骤示意图;
图3(a)~3(d)分别为本实施例第一个~第四个神将网络学习过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种基于成像模型与机器学习的磁共振超分辨率成像方法,包括以下步骤:
S1,数据集准备:准备低分辨率数据集和高分辨率数据集,其中,高分辨率数据集分为不同等级分辨率的多个;
S2,神经网络训练:按等级由低到高依次训练多个神经网络实现层进式学习,其中,第一个神经网络基于低分辨率图像生成最低等级的高分辨率图像,第二个神经网络基于低分辨率图像和第一个神经网络的结果,以此类推,最后一个神经网络基于低分辨率图像和上一个神经网络的结果生成最高等级的高分辨率数据集;
S3,成像阶段:通过磁共振成像采集得到相应的低分辨率图像,将该低分辨率图像依次通过已经训练好的神经网络生成高分辨图像,将生成的高分辨图像作为先验信息,将采集到的低分辨率图像代入广义级数模型,通过ADMM算法求解广义级数模型,重建出最终的超分辨率图像。
低分辨率数据集获取方式为:将高分辨率数据集变换回K-空间,仅保留K-空间中心数据,再变换回图像域,得到低分辨率数据集。
本实施例中,数据集中的图像为大脑图像,高分辨率数据集中的不同等级依据图像纹理清晰程度划分。高分辨率数据集数量为四个,分别包含以下图像:高分辨率大脑白质和灰质的几何分割图像,高分辨率带白质纹理的大脑图像,高分辨率带白质和灰质纹理的大脑图像,高分辨率带白质、灰质及脑脊液纹理纹理的大脑图像。
相应的,第一个神经网络,被训练用于基于低分辨率大脑图像生成高分辨率大脑几何图像(大脑白质和灰质的分割图像,无纹理信息);
第二个神经网络,被训练用于基于第一步结果与低分辨率图像生成带高分辨率白质纹理的大脑几何图像;
第三个神经网络,被训练用于基于第二步结果与低分辨率图像生成含高分辨率灰质与白质纹理的大脑图像;
第四个神经网络,被训练用于基于第三步结果与低分辨率图像生成含有高分辨率灰质、白质、脑脊液等纹理信息的最终高分辨率大脑图像。
整体成像步骤如图2所示,主要分为两步:
(1)将采集所得低分辨率图像经由一组经“层进式”训练而得的神经网络,生成高分辨率先验信息。
如图3(a)~3(d)所示,将采集到的低分辨率图片依次经过四个已经训练完成的神经网络,即可得到包含了高分辨率组织纹理,边界信息的先验高分辨率大脑图像。
(2)将先验高分辨率图像与采集所得低分辨率图像代入基于广义级数模型的成像模型用于最终高分辨率图像求解。
在广义级数模型中,待求解的高分辨率图像X(S)表示如下:
其中P(S)为网络所生成的高分辨率先验图像,n为基函数个数,c(n)为相应基函数权重,s为空间域坐标,△k为频域平移量。
基于广义级数模型,该技术引入成像模型来保证成像结果与采集的信息一致,求解过程即为如下优化过程:
其中y为采集低频信号,F为傅里叶变换算子,Ω为K-空间采样算子,P为机器学习先验高分辨率图像,n为基函数个数,c(n)为相应基函数权重,δ为冲激函数,k为频域坐标,△k为频域平移量,|| ||1表示一范数,|| ||2表示二范数。
通过求解上式,便能得到满足了数据一致性需求,同时融入了充足先验信息的成像结果。
Claims (8)
1.一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,包括以下步骤:
S1,数据集准备:准备低分辨率数据集和高分辨率数据集,其中,高分辨率数据集分为不同等级分辨率的多个;
S2,神经网络训练:按等级由低到高依次训练多个神经网络实现层进式学习,其中,第一个神经网络基于低分辨率图像生成最低等级的高分辨率图像,第二个神经网络基于低分辨率图像和第一个神经网络的结果,以此类推,最后一个神经网络基于低分辨率图像和上一个神经网络的结果生成最高等级的高分辨率数据集;
S3,成像阶段:通过磁共振成像采集得到相应的低分辨率图像,将该低分辨率图像依次通过已经训练好的神经网络生成高分辨图像,将生成的高分辨图像作为先验信息,将采集到的低分辨率图像代入广义级数模型,求解广义级数模型,重建出最终的超分辨率图像。
2.根据权利要求1所述的一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,所述的低分辨率数据集获取方式为:将高分辨率数据集变换回K-空间,仅保留K-空间中心数据,再变换回图像域,得到低分辨率数据集。
3.根据权利要求1所述的一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,所述的广义级数模型通过ADMM算法求解。
4.根据权利要求1所述的一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,所述的数据集中的图像为大脑图像,高分辨率数据集中的不同等级依据图像纹理清晰程度划分。
5.根据权利要求4所述的一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,所述的高分辨率数据集数量为四个,分别包含以下图像:高分辨率大脑白质和灰质的几何分割图像,高分辨率带白质纹理的大脑图像,高分辨率带白质和灰质纹理的大脑图像,高分辨率带白质、灰质及脑脊液纹理纹理的大脑图像。
7.根据权利要求1所述的一种基于成像模型与机器学习的磁共振超分辨率成像方法,其特征在于,所述的神经网络为Unet神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076661.8A CN111292240B (zh) | 2020-01-23 | 2020-01-23 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076661.8A CN111292240B (zh) | 2020-01-23 | 2020-01-23 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292240A true CN111292240A (zh) | 2020-06-16 |
CN111292240B CN111292240B (zh) | 2022-01-07 |
Family
ID=71023630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076661.8A Active CN111292240B (zh) | 2020-01-23 | 2020-01-23 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292240B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111714124A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、系统、可读存储介质和设备 |
CN113438451A (zh) * | 2021-06-21 | 2021-09-24 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175452A1 (en) * | 2007-01-19 | 2008-07-24 | Korea Advanced Institute Of Science And Technology | Method for super-resolution reconstruction using focal underdetermined system solver algorithm |
US20170061652A1 (en) * | 2015-09-01 | 2017-03-02 | Siemens Healthcare Gmbh | Isotropic Volume Reconstruction from Multiple 2D Scans Using Super -Resolution Techniques |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110310227A (zh) * | 2019-06-27 | 2019-10-08 | 电子科技大学 | 一种基于高低频信息分解的图像超分辨率重建方法 |
CN110415201A (zh) * | 2019-07-30 | 2019-11-05 | 北京理工大学 | 基于结构光和深度学习的单曝光超分辨率成像方法及装置 |
US10527699B1 (en) * | 2018-08-01 | 2020-01-07 | The Board Of Trustees Of The Leland Stanford Junior University | Unsupervised deep learning for multi-channel MRI model estimation |
-
2020
- 2020-01-23 CN CN202010076661.8A patent/CN111292240B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175452A1 (en) * | 2007-01-19 | 2008-07-24 | Korea Advanced Institute Of Science And Technology | Method for super-resolution reconstruction using focal underdetermined system solver algorithm |
US20170061652A1 (en) * | 2015-09-01 | 2017-03-02 | Siemens Healthcare Gmbh | Isotropic Volume Reconstruction from Multiple 2D Scans Using Super -Resolution Techniques |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
US10527699B1 (en) * | 2018-08-01 | 2020-01-07 | The Board Of Trustees Of The Leland Stanford Junior University | Unsupervised deep learning for multi-channel MRI model estimation |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110310227A (zh) * | 2019-06-27 | 2019-10-08 | 电子科技大学 | 一种基于高低频信息分解的图像超分辨率重建方法 |
CN110415201A (zh) * | 2019-07-30 | 2019-11-05 | 北京理工大学 | 基于结构光和深度学习的单曝光超分辨率成像方法及装置 |
Non-Patent Citations (4)
Title |
---|
BLANCA ZUFIRIA1 ET AL.: "A feature‐based convolutional neural network for reconstruction of interventional MRI", 《NMR IN BIOMEDICINE》 * |
JO SCHLEMPER ET AL.: "A Deep Cascade of Convolutional Neural Networks for MR Image Reconstruction", 《IPMI 2017》 * |
YAN YANG ET AL.: "ADMM-Net: A Deep Learning Approach for Compressive Sensing MRI", 《ARXIV》 * |
杨学峰等: "基于径向基函数的多帧图像超分辨重建算法", 《计算机应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111714124A (zh) * | 2020-06-18 | 2020-09-29 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
WO2021253671A1 (zh) * | 2020-06-18 | 2021-12-23 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
CN111714124B (zh) * | 2020-06-18 | 2023-11-03 | 中国科学院深圳先进技术研究院 | 磁共振电影成像方法、装置、成像设备及存储介质 |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN111798377B (zh) * | 2020-07-08 | 2023-07-28 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN112365560A (zh) * | 2020-11-27 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、系统、可读存储介质和设备 |
CN112365560B (zh) * | 2020-11-27 | 2023-01-24 | 上海联影医疗科技股份有限公司 | 基于多级网络的图像重建方法、系统、可读存储介质和设备 |
CN113438451A (zh) * | 2021-06-21 | 2021-09-24 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
CN113438451B (zh) * | 2021-06-21 | 2022-04-19 | 易成功(厦门)信息科技有限公司 | 用于多终端多源数据的统一标准化处理平台与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111292240B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292240B (zh) | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 | |
CN108460726B (zh) | 一种基于增强递归残差网络的磁共振图像超分辨重建方法 | |
CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN113077527A (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
CN109859215A (zh) | 一种基于Unet模型的脑白质高信号自动分割系统及其方法 | |
CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
CN110322402A (zh) | 基于稠密混合注意力网络的医学图像超分辨率重建方法 | |
CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
CN113379867A (zh) | 一种基于联合优化采样矩阵的核磁共振图像重建方法 | |
CN113506222B (zh) | 一种基于卷积神经网络的多模态图像超分辨方法 | |
Wang et al. | Reduction of Gibbs artifacts in magnetic resonance imaging based on Convolutional Neural Network | |
CN112037304B (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
Yan et al. | SMIR: A Transformer-Based Model for MRI super-resolution reconstruction | |
CN113724206A (zh) | 一种基于自监督学习的眼底图像血管分割方法及系统 | |
CN109544488B (zh) | 一种基于卷积神经网络的图像合成方法 | |
CN115578427A (zh) | 基于深度学习的无监督单模态医学图像配准方法 | |
CN109949321B (zh) | 基于三维Unet网络的脑部核磁共振图像组织分割方法 | |
CN111260651B (zh) | 一种基于深度迁移学习的胃部低质量mri图像分割方法 | |
CN115100123A (zh) | 一种结合UNet和主动轮廓模型的大脑提取方法 | |
Wang et al. | MHAN: Multi-Stage Hybrid Attention Network for MRI reconstruction and super-resolution | |
CN105976339A (zh) | 一种基于高斯模型自动去除ct图像中床板的方法及装置 | |
Hou et al. | PNCS: Pixel-level non-local method based compressed sensing undersampled MRI image reconstruction |
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 |