CN111353935A - 基于深度学习的磁共振成像优化方法及其设备 - Google Patents
基于深度学习的磁共振成像优化方法及其设备 Download PDFInfo
- Publication number
- CN111353935A CN111353935A CN202010005808.4A CN202010005808A CN111353935A CN 111353935 A CN111353935 A CN 111353935A CN 202010005808 A CN202010005808 A CN 202010005808A CN 111353935 A CN111353935 A CN 111353935A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image
- resonance imaging
- network
- optimization method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 12
- 210000000056 organ Anatomy 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000002154 thermal energy analyser detection Methods 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
-
- 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
- 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
- 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
- G06T2207/20084—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
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
本发明公开了一种基于深度学习的磁共振成像优化方法，同时也公开了采用该方法的磁共振成像设备。在该方法中，对磁共振图像数据分别采用对抗神经网络和卷积神经网络进行处理，可以提高磁共振成像过程中图像扫描速度和/或图像分辨率。本发明所提供的磁共振成像优化方法及其设备操作方便、处理速度快，特别适用于小脏器成像，具有很好的临床普及价值。
Description
技术领域
本发明涉及一种磁共振成像优化方法，尤其涉及一种基于深度学习网络模型实现，可以提高磁共振成像过程中图像扫描速度和/或图像分辨率的方法，同时也涉及采用该方法的磁共振成像设备，属于医学影像技术领域。
背景技术
磁共振成像(magnetic resonance imaging，简称为MRI)是一种先进的无创医学影像技术，具有成像过程无电离辐射效应、图像软组织分辨率高和多参数成像等优点，已经成为重要的临床诊断和疗效评估工具。但是，MRI在临床诊断和科研使用过程中的最大挑战在于成像序列多、扫描速度慢。如果在使用过程中提高扫描速度，就需要降低(牺牲)图像分辨率。在现有技术中，有人先后提出了K空间填充、并行采集等技术方案，但是这些技术方案对于提高MRI扫描速度和保证图像分辨率的程度非常有限。
在申请号为201910641089.2的中国专利申请中，公开了一种基于深度学习的多通道磁共振图像重建方法。该方法包括以下步骤：获取多通道的磁共振图像，由灵敏度映射图、欠采样填零的多通道磁共振图像和全采样的合成图像共同组成训练集；建立多通道的磁共振图像重建的深度学习网络模型；构建网络的损失函数；训练多通道的磁共振图像重建网络模型参数；对目标欠采样多通道磁共振图像进行重建；对迭代块采用残差连接的方式，得到网络模型对应的从欠采样多通道图像到完整磁共振图像的端到端映射函数以及网络模型损失函数；训练残差连接方式的磁共振图像重建网络模型参数；使用残差连接的网络模型对目标欠采样多通道磁共振图像进行重建。该方法具有重建速度快和重建效果好的优点。
另外，在申请号为201910016038.0的中国专利申请中，公开了一种磁共振成像方法。该方法将深度网络模型和常规加速重建方法顺序结合，首先利用深度网络模型将降采样倍数较高的第一成像信息恢复到降采样倍数较低的第二成像信息，然后利用常规加速重建方法将降采样倍数较低的第二成像信息进行完全重建，从而得到最终磁共振图像。在该磁共振成像方法中，用于磁共振快速成像的深度神经网络的输出训练样本不是满采样或超满采样数据，而是降采样数据，因此该输出训练样本可以通过较短的采集时间获得，提高了磁共振图像的重建速度。
以上述专利申请为代表的现有技术能够大幅度提高医学影像的扫描速度，但是既往研究只关注提高扫描速度或提高图像质量之类的单一因素，无法满足临床诊断和科研使用中同时提高扫描速度和图像质量的实际需求。
发明内容
本发明所要解决的首要技术问题在于提供一种基于深度学习的磁共振成像优化方法。
本发明所要解决的另一技术问题在于提供一种采用上述方法的磁共振成像设备。
为实现上述目的，本发明采用下述的技术方案：
根据本发明实施例的第一方面，提供一种基于深度学习的磁共振成像优化方法，包括如下步骤：
对输入的磁共振图像进行预处理；
将经过预处理后的图像数据，输入对抗神经网络进行处理，以提高扫描速度和图像分辨率。
其中较优地，将经过对抗神经网络处理后的图像数据，输入卷积神经网络进行处理，以提高图像分辨率。
其中较优地，将经过预处理后的图像数据，同时输入卷积神经网络进行处理，以提高图像分辨率。
其中较优地，所述预处理包括对磁共振图像的图像配准、重采样、滤波和归一化操作。
其中较优地，对于同一受检者的不同扫描序列的磁共振图像，首先进行不同扫描序列之间的图像配准。
其中较优地，所述对抗神经网络包含生成网络和判别网络，所述生成网络的训练目标是最大化判别网络犯错误的概率，所述判别网络的训练目标是最小化自己犯错误的概率；在建模过程中，将低质量的图像数据输入到生成网络和判别网络，高质量的图像数据输入至判别网络。
其中较优地，所述生成网络包含1个9×9的卷积滤波器、4个残差块、2个3×3的内核和1个9×9的内核，并且包含ReLU激活函数；
每个所述残差块由2个3×3的卷积层和2个归一化层组成。
其中较优地，所述判别网络包含5个卷积滤波器和4个归一化层、1个全连接层和sigmoid函数。
其中较优地，所述卷积神经网络通过学习获得低分辨率图像到高分辨率图像之间的映射关系，利用所述映射关系将低分辨率的所述图像数据重建为高分辨率图像。
根据本发明实施例的第二方面，提供一种磁共振成像设备，包括主磁体、计算机系统和存储设备，其中所述存储设备中存储有计算机程序，该计算机程序被计算机系统中的处理器执行时，用于实施上述的磁共振成像优化方法。
与现有技术相比较，本发明提供的磁共振成像优化方法及其设备能够在保证图像分辨率的情况下显著提高扫描速度，或者在扫描速度相同的情况下显著提高图像分辨率。本发明提供的磁共振成像优化方法及其设备操作方便、处理速度快，特别适用于小脏器成像，具有很好的临床普及价值。
附图说明
图1为本发明实施例所提供的磁共振成像优化方法的流程图；
图2为本发明所提供的磁共振成像优化方法的变形例流程图；
图3为采用上述磁共振成像优化方法的磁共振成像设备的示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。
磁共振图像合成(简称为SyMRI)或编辑技术(简称为MAGiC)是通过动态、多回波扫描获得原始图像后，采用定量技术合成或编辑完成后得到多个不同扫描序列的磁共振图像的技术。其中，MAGiC技术主要用于神经系统成像，近期也被用于其它脏器成像。目前，MAGiC技术在应用中的最大挑战是如何在确保图像质量(即图像分辨率)的前提下提高图像扫描速度。
针对上述技术需求，本发明实施例首先提供一种基于深度学习的磁共振成像优化方法。如图1所示，该方法针对输入的原始磁共振图像，首先进行包括配准、重采样、滤波和归一化在内的预处理操作，获得经过预处理后的图像数据。针对该图像数据，分别采用对抗神经网络(简称为GAN)和卷积神经网络(简称为CNN)这两种深度学习网络模型进行处理。其中，对抗神经网络主要解决扫描速度提高的问题，卷积神经网络主要解决图像分辨率提高的问题。预处理后的图像数据经过对抗神经网络和卷积神经网络分别处理之后，作为本磁共振成像优化方法的输出图像数据。
下面，首先介绍本发明实施例中所采用的对抗神经网络和卷积神经网络的工作原理。
对抗神经网络(GAN)是一种对抗性训练网络，包含生成网络(生成器)和判别网络(判别器)。GAN需要同时训练两个模型，即一个能捕获数据分布的生成模型和一个能估计数据是否为真实样本的判别模型。生成器的训练目标是最大化判别器犯错误的概率，即通过优化生成分布，让判别器误以为生成的假样本为真。而判别器的训练目标是最小化自己犯错误的概率，即找出生成器生成的假样本。基于学习的模型训练过程包括训练样本库的建立和组织(特征提取)、学习(搜索)模型以及图像信息重建过程3个部分。在建模过程中，需要2种图像质量的输入数据，即：低质量的图像数据输入到生成网络和判别网络，高质量的图像数据输入至判别网络。判别器是一种可学习的损失函数，能自适应地度量两个总体分布之间的差异，例如图像的纹理、内容、偏差等，以达到提高模型的准确性的目的，从而生成对抗网络可将低质量图像恢复到较高质量的图像。
卷积神经网络(CNN)广泛应用到图像处理中。CNN已经被证明在各种图像恢复任务中的有效性，例如去噪、去模糊、超分辨率、雨滴去除和图像重建。基于学习的超分辨率复原的基本思想是通过学习获得高分辨率图像与低分辨率图像之间的映射关系，用于指导高分辨率图像的重建。先验知识不是人为定义的，而是通过学习获得的。CNN是典型的前馈深度学习模型之一，网络中各个神经元从输入层开始，接收前一级输入，并输入到下一级。直至输出层，整个网络中无反馈,可用一个有向无环图表示。在输入层，它采用卷积的方法提取输入图像的局部特征模式，单向传递给隐含层，随着隐含层网络层数的加深而学习得到更深层级的特征，最后由输出层得到重建图像。CNN网络能够较好地学习低分辨率图像到高分辨率图像之间的映射关系，因此可以较好地利用该映射关系将低分辨率图像重建为高分辨率图像，并且可以实现2倍、4倍甚至更高倍数的分辨率提高。
在上述对抗神经网络和卷积神经网络的基础上，本发明实施例所提供的磁共振成像优化方法，包括如下的实施步骤：
步骤1：首先获得同一受检者在不同磁场强度、不同扫描序列(例如Magic扫描、DWI扫描等)、不同扫描时间和不同图像分辨率下的磁共振图像(MR图像)，作为待处理的原始图像。
在本发明的一个实施例中，该原始图像可以采用dicom、nift、nrrd等格式。相应的磁场强度可以是1.5T、3.0T和7.0T等不同磁场强度。
步骤2：对原始图像进行预处理。对于同一受检者的不同扫描序列的磁共振图像，需要进行不同扫描序列之间的图像配准，然后进行包括重采样、降噪、图像增强在内的预处理。其中，重采样的精度可以为1×1×1mm3，降噪优选采用高斯降噪算法、图像增强优选采用拉普拉斯图像增强算法。
在本发明的一个实施例中，对Magic扫描不同回波、DWI扫描不同B值的图像进行图像配准，可以提高后续的深度学习网络模型的精准度。
步骤3：基于预处理后的图像数据，建立针对Magic、DWI等不同扫描序列的对抗神经网络和卷积神经网络。其中，DWI扫描序列可以包括多B值(0、200、300、500、700、1000、1500等)图像序列或多B值扫描序列。
经过预处理后的图像输入到对抗神经网络(GAN)，训练得到模型。其中生成网络包含：1个9×9的卷积滤波器、4个残差块(每个块由2个3×3的卷积层和2个归一化层)、2个3×3的内核和1个9×9的内核，生成网络都是64通道的，并且包含ReLU激活函数。对于判别网络，包含5个卷积滤波器和4个归一化层、1个全连接层和sigmoid函数。
在本发明的实施例中，致力于提高图像分辨率的卷积神经网络(CNN)可以有多种实现方式。例如，Bee Lim等人发表的论文《Enhanced Deep Residual Networks forSingle Image Super-Resolution》(2nd NTIRE:New Trends in Image Restoration andEnhancement workshop and challenge on image super-resolution in conjunctionwith CVPR 2017)中介绍了一种用于单一图像超分辨率的增强型深度残差网络，可以用于实施本发明所提供的磁共振成像优化方法。
步骤4：分别使用预先建立的致力于提高扫描速度的对抗神经网络和致力于提高图像分辨率的卷积神经网络对受检者的磁共振图像进行处理。需要说明的是，上述对抗神经网络和卷积神经网络在使用时没有先后顺序之分，即可以像图1所示的那样先使用对抗神经网络再使用卷积神经网络；也可以同时使用对抗神经网络和卷积神经网络，以达到同时提高扫描速度和图像分辨率的目的；还可以像图2所示的变形例那样，只使用对抗神经网络提高扫描速度和图像分辨率。
在本发明的一个实施例中，首先对经过预处理后的图像数据进行对抗神经网络处理，并进行降噪处理，然后采用卷积神经网络提高图像分辨率，再采用如下的Magic信号强度计算公式：
其中，PD为质子密度，TR为重复时间，TE为回波时间，T1为纵向弛豫时间，T2为横向弛豫时间,α为翻转角。
利用该Magic信号强度计算公式，可以计算获得T1WI、T2WI、T1Flair、T2Flair、PDWI、DWI和ADC值图像。对于采用本磁共振成像优化方法处理后的图像，可以采用dicom、nii或nrrd等格式进行显示和保存。
需要说明的是，本发明所提供的磁共振成像优化方法能够与其它K空间填充技术或并行采集、压缩感知技术联合使用，更加有效地提高扫描速度和图像分辨率。
在上述磁共振成像优化方法的基础上，本发明进一步提供一种采用该方法的磁共振成像设备。如图3所示，该磁共振成像设备包括主磁体、梯度控制系统、计算机系统和存储设备，其中计算机系统控制脉冲序列的收发，通过发射通道和接收通道获得原始的磁共振图像。在该存储设备中存储有计算机程序，该计算机程序被计算机系统中的处理器执行时，用于实施上述磁共振成像优化方法。
在本发明的一个实施例中，上述磁共振成像优化方法能够在保证图像分辨率的情况下能够把扫描速度提高3倍以上，或者在扫描速度相同情况下能够把图像分辨率提高50％以上。与现有技术相比较，本发明所提供的磁共振成像优化方法及其设备操作方便、处理速度快，特别适用于小脏器成像，具有很好的临床普及价值。
上面对本发明所提供的基于深度学习的磁共振成像优化方法及其设备进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。
Claims (10)
1.一种基于深度学习的磁共振成像优化方法，其特征在于包括如下步骤：
对输入的磁共振图像进行预处理；
将经过预处理后的图像数据，输入对抗神经网络进行处理，以提高扫描速度和图像分辨率。
2.如权利要求1所述的磁共振成像优化方法，其特征在于：
将经过对抗神经网络处理后的图像数据，输入卷积神经网络进行处理，以提高图像分辨率。
3.如权利要求1所述的磁共振成像优化方法，其特征在于：
将经过预处理后的图像数据，同时输入卷积神经网络进行处理，以提高图像分辨率。
4.如权利要求1～3中任意一项所述的磁共振成像优化方法，其特征在于：
所述预处理包括对磁共振图像的图像配准、重采样、滤波和归一化操作。
5.如权利要求4所述的磁共振成像优化方法，其特征在于：
对于同一受检者的不同扫描序列的磁共振图像，首先进行不同扫描序列之间的图像配准。
6.如权利要求1～3中任意一项所述的磁共振成像优化方法，其特征在于：
所述对抗神经网络包含生成网络和判别网络，所述生成网络的训练目标是最大化判别网络犯错误的概率，所述判别网络的训练目标是最小化自己犯错误的概率；在建模过程中，将低质量的图像数据输入到生成网络和判别网络，高质量的图像数据输入至判别网络。
7.如权利要求6所述的磁共振成像优化方法，其特征在于：
所述生成网络包含1个9×9的卷积滤波器、4个残差块、2个3×3的内核和1个9×9的内核，并且包含ReLU激活函数；
每个所述残差块由2个3×3的卷积层和2个归一化层组成。
8.如权利要求6所述的磁共振成像优化方法，其特征在于：
所述判别网络包含5个卷积滤波器和4个归一化层、1个全连接层和sigmoid函数。
9.如权利要求1～3中任意一项所述的磁共振成像优化方法，其特征在于：
所述卷积神经网络通过学习获得低分辨率图像到高分辨率图像之间的映射关系，利用所述映射关系将低分辨率的所述图像数据重建为高分辨率图像。
10.一种磁共振成像设备，包括主磁体、计算机系统和存储设备，其特征在于所述存储设备中存储有计算机程序，该计算机程序被计算机系统中的处理器执行时，用于实施权利要求1～9中任意一项所述的磁共振成像优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010005808.4A CN111353935A (zh) | 2020-01-03 | 2020-01-03 | 基于深度学习的磁共振成像优化方法及其设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010005808.4A CN111353935A (zh) | 2020-01-03 | 2020-01-03 | 基于深度学习的磁共振成像优化方法及其设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111353935A true CN111353935A (zh) | 2020-06-30 |
Family
ID=71193961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010005808.4A Pending CN111353935A (zh) | 2020-01-03 | 2020-01-03 | 基于深度学习的磁共振成像优化方法及其设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353935A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
| WO2022206021A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
| WO2023283795A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Method for high-resolution image reconstruction |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
| CN109614996A (zh) * | 2018-11-28 | 2019-04-12 | 桂林电子科技大学 | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 |
| CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
| CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
| CN110570488A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像校正方法、计算机设备和存储介质 |
| CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
-
2020
- 2020-01-03 CN CN202010005808.4A patent/CN111353935A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109614996A (zh) * | 2018-11-28 | 2019-04-12 | 桂林电子科技大学 | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 |
| CN109557489A (zh) * | 2019-01-08 | 2019-04-02 | 上海东软医疗科技有限公司 | 一种磁共振成像方法和装置 |
| CN110070935A (zh) * | 2019-03-20 | 2019-07-30 | 中国科学院自动化研究所 | 基于对抗神经网络的医学图像合成方法、分类方法及装置 |
| CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
| CN110570488A (zh) * | 2019-08-29 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 图像校正方法、计算机设备和存储介质 |
| CN110610529A (zh) * | 2019-09-20 | 2019-12-24 | 上海联影医疗科技有限公司 | 磁共振扫描仪的主磁场均匀化方法、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| J.B.M. WARNTJES ET AL: ""Rapid magnetic resonance quantification on the brain:optimization for chinical usage"", 《MAGNETIC RESONANCE IN MEDICINE》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| CN112164122B (zh) * | 2020-10-30 | 2022-08-23 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
| WO2022206021A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
| WO2023283795A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Method for high-resolution image reconstruction |
| CN115115727A (zh) * | 2022-05-18 | 2022-09-27 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
| CN115115727B (zh) * | 2022-05-18 | 2023-08-01 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110378980B (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
| CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
| CN110461228A (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
| CN110246137B (zh) | 一种成像方法、装置及存储介质 | |
| CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
| CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
| US10627470B2 (en) | System and method for learning based magnetic resonance fingerprinting | |
| CN111462264B (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
| CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
| CN113920213B (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 | |
| CN113298710B (zh) | 基于外部注意力机制的光学相干层析超分辨率成像方法 | |
| CN111487573B (zh) | 一种用于磁共振欠采样成像的强化型残差级联网络模型 | |
| CN113538616B (zh) | 一种联合PUGAN与改进U-net的磁共振图像重构方法 | |
| CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及系统 | |
| CN111784792A (zh) | 基于双域卷积神经网络的快速磁共振重建系统及其训练方法与应用 | |
| CN114255291A (zh) | 用于磁共振参数定量成像的重建方法、系统 | |
| CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| CN111063000B (zh) | 基于神经网络结构搜索的磁共振快速成像方法和装置 | |
| WO2021114098A1 (zh) | 弱监督磁共振快速成像方法和装置 | |
| CN114972570A (zh) | 图像重建方法及设备 | |
| CN113066145B (zh) | 基于深度学习的快速全身弥散加权成像方法及相关设备 | |
| WO2022186263A1 (ja) | 画像処理装置、画像処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
| CN116597037B (zh) | 一种物理生成数据驱动的快速磁共振智能成像方法 | |
| CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
| RJ01 | Rejection of invention patent application after publication |