CN111612865A - 一种基于条件生成对抗网络的mri成像方法及装置 - Google Patents
一种基于条件生成对抗网络的mri成像方法及装置 Download PDFInfo
- Publication number
- CN111612865A CN111612865A CN202010419443.XA CN202010419443A CN111612865A CN 111612865 A CN111612865 A CN 111612865A CN 202010419443 A CN202010419443 A CN 202010419443A CN 111612865 A CN111612865 A CN 111612865A
- Authority
- CN
- China
- Prior art keywords
- mri
- image
- data
- undersampled
- current
- 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
Images
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
-
- 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
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
本申请提供了一种基于条件生成对抗网络的MRI成像方法及装置,包括:利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据欠采样MRI数据生成的模拟MRI数据和欠采样MRI数据生成模拟MRI图像的图像特征;依据MRI图像的图像特征和模拟MRI图像的图像特征建立对应关系;获取当前受检测者的当前欠采样MRI数据;通过对应关系,确定与当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将对应关系中与当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为当前MRI图像的图像特征。实现更好的重建细节。
Description
技术领域
本申请涉及医学检测领域,特别是一种基于条件生成对抗网络的MRI成像方法及装置。
背景技术
磁共振成像(MRI)是一种广泛应用于临床的医学成像方式。MRI可以提供可重复的、非侵入性的和定量的组织测量,其中包括结构、解剖和功能信息。然而,MRI的一个主要缺点是采集时间过长。MRI与固有的缓慢的采集速度相关,由于数据样本不是直接在图像空间中采集,而是在包含逐行获取空间频率信息的k空间中,导致MRI的采集速度固定且缓慢。这种相对缓慢的获取可能导致大量的人工噪声。此外由于扫描速度的限制,与其他医学成像方式相比,使用MRI的患者吞吐量较慢。
基于压缩感知的MRI(CS-MRI)允许通过更激进的欠采样绕过Nyquist-Shannon采样标准的快速采集。在理论上,它可以通过对随机采样不足的原始数据进行非线性优化。假设数据是可压缩的,CS-MRI可以在不影响图像质量的情况下实现重建。CS-MRI现在面临的主要问题是,缺少解决从高度欠采样的随机k空间数据中重建未损坏或去锯齿的图像的方法。
发明内容
鉴于所述问题,提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种基于条件生成对抗网络的MRI成像方法及装置,包括:
一种基于条件生成对抗网络的MRI成像方法,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,包括:
利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
获取当前受检测者的当前欠采样MRI数据;
通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
进一步地,所述对应关系,包括:函数关系;所述欠采样MRI数据为所述函数关系的输入参数,所述MRI图像的图像特征为所述函数关系的输出参数;
确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,还包括:
当所述对应关系包括函数关系时,将所述当前欠采样MRI数据输入所述函数关系中,确定所述函数关系的输出参数为当前MRI图像的图像特征。
进一步地,所述建立欠采样MRI数据与MRI图像的图像特征之间的对应关系的步骤,包括:
获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据;
分析所述欠采样MRI数据的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述欠采样MRI数据与所述MRI图像的图像特征的所述对应关系。
进一步地,所述获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据的步骤,包括:
收集不同受检测者的所述欠采样MRI数据和所述MRI图像的图像特征;
对所述欠采样MRI数据进行分析、并结合预存的专家经验信息,选取与所述MRI图像的图像特征相关的数据作为所述欠采样MRI数据;
将所述MRI图像的图像特征、以及选取的所述欠采样MRI数据构成的数据对,作为样本数据。
进一步地,对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述欠采样MRI数据输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应MRI图像的图像特征之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述欠采样MRI数据输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应MRI图像的图像特征之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
进一步地,所述损失函数包括结合图像域均方误差损失函数,频域均方误差损失函数,图像处理内容感知损失函数,和对抗损失函数。
进一步地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;
通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
一种基于条件生成对抗网络的MRI成像装置,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,包括:
建立模块,用于利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
获取模块,用于获取当前受检测者的当前欠采样MRI数据;
确定模块,用于通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
一种设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的基于条件生成对抗网络的MRI成像方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的基于条件生成对抗网络的MRI成像方法的步骤。
本申请具有以下优点:
在本申请的实施例中,利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;获取当前受检测者的当前欠采样MRI数据;通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。通过将欠采样MRI数据和模拟MRI数据来稳定GAN的训练,以实现快速收敛和较少的参数调整;频域信息作为数据一致性的附加约束,形成额外的损失项;结合图像域的均方误差损失,频域均方误差损失和图像处理内容感知损失,将对抗损失与前述的新内容损失相结合,以实现更好的重建细节。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的步骤流程图;
图2是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的人工神经网络结构示意图;
图3是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法的定性可视化欠采样率为30%的重建图像结果示意图;
图4是本申请一实施例提供的一种基于条件生成对抗网络的MRI成像装置的结构框图;
图5是本发明一实施例的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参照图1,示出了本申请一实施例提供的一种基于条件生成对抗网络的MRI成像方法,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,包括:
S110、利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
S120、获取当前受检测者的当前欠采样MRI数据;
S130、通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
在本申请的实施例中,利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;获取当前受检测者的当前欠采样MRI数据;通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。通过将欠采样MRI数据和模拟MRI数据来稳定GAN的训练,以实现快速收敛和较少的参数调整;频域信息作为数据一致性的附加约束,形成额外的损失项;结合图像域的均方误差损失,频域均方误差损失和图像处理内容感知损失,将对抗损失与前述的新内容损失相结合,以实现更好的重建细节。
下面,将对本示例性实施例中基于条件生成对抗网络的MRI成像方法作进一步地说明。
如上述步骤S110所述,用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系。
例如:利用人工神经网络算法来分析MRI图像的图像特征对应的显示状态规律,通过人工神经网络的自学习、自适应特性找到受检测者欠采样MRI数据与MRI图像的图像特征间的映射规律。
例如:可以利用人工神经网络算法,通过对大量不同受检测者(包括但不限于如下的一种或多种:年龄,体重,性别,病况等)的欠采样MRI数据汇总收集,选取若干受检测者的欠采样MRI数据及MRI图像的图像特征作为样本数据,对神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使神经网络拟合欠采样MRI数据及MRI图像的图像特征之间的关系,最终使神经网络能准确拟合出不同受检测者的欠采样MRI数据及MRI图像的图像特征的对应关系。
需要说明的是,本申请任意实施例中所述人工神经网络为生成对抗网络(GAN),基于深度学习的方法可能会因为梯度问题的消失或爆炸而难以训练,一般通过参数调优可能会缓解问题,但是在不同的参数设置下这种方式又有很大的性能差异。除此以外,现有的GAN网络对对抗性成分的交替训练也难以收敛。因此,本申请提出的生成对抗网络通过细化学习的方式来稳定网络的训练,以产生更快的收敛速度。具体地,使用代替其中,xu为具有噪声的真实欠采样数据,为通过真实数据xu合成的假数据。这样做,可以把生成器网络从一个条件生成函数转移成一个细化函数,即只生成缺失的信息,从而极大地降低了模型学习的复杂度。此外,为了确保降噪重建图像的灰度值在一个适当的强度范围,应用ramp函数重新调节图像。
在一实施例中,所述对应关系,包括:函数关系。
优选地,所述欠采样MRI数据为所述函数关系的输入参数,所述MRI图像的图像特征为所述函数关系的输出参数;
确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,还包括:
当所述对应关系包括函数关系时,将所述当前欠采样MRI数据输入所述函数关系中,确定所述函数关系的输出参数为当前MRI图像的图像特征。
由此,通过多种形式的对应关系,可以提升对当前MRI图像的图像特征确定的灵活性和便捷性。
例如:可以利用人工神经网络算法,通过对大量不同受检测者(包括但不限于如下的一种或多种:年龄,性别,职业等)的欠采样MRI数据汇总收集,选取若干受检测者的欠采样MRI数据和MRI图像的图像特征作为样本数据,对人工神经网络进行学习和训练,通过调整网络结构及网络节点间的权值,使人工神经网络拟合MRI图像的图像特征与欠采样MRI数据之间的关系,最终使人工神经网络能准确拟合出不同受检测者的MRI图像的图像特征与欠采样MRI数据的对应关系。
参照图2,作为一种示例,所述人工神经网络为生成对抗网络主要包含带有细化学习的U-net生成器网络和判别网络两个部分,其中带有细化学习的U-net生成器如图2所示。具体地,该生成对抗网络由生成器网络G和判别器网络D组成。生成对抗网络的目标是绘制一个潜变量z,例如,给予一串随机数字作为输入向量,通过网络得到真正的数据分布的x。判别器网络D旨在区分通过真实数据x合成的假数据在该本发明的网络模型中,将条件GAN损失函数作为对抗损失加入MRI数据的重建中。
其中,带有横向噪声的零填充数据Xu作为生成器网络的输入数据。通过学习,生成器网络可以生成相对应的去噪重建图像输入至判别器网络中。本发明的人工神经网络的主要目的为判别器网络最终无法区分噪重建图像和欠采样数据Xt。其中,Xt和Xu为输入训练的数据。区别于现有的生成对抗网络模型,本实施例的生成器网络和判别器网络都有一些额外的信息作为补充,在DACGAN模型中,只有生成器得到了欠采样图像作为额外的条件信息。
在一实施例中,可以结合下列描述进一步说明步骤S110中“建立欠采样MRI数据与MRI图像的图像特征之间的对应关系”的具体过程。
如下列步骤所述:获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据;
在一进阶实施例中,可以结合下列描述进一步说明“获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据”的具体过程。
如下列步骤所述:收集不同受检测者的所述欠采样MRI数据和所述MRI图像的图像特征;
例如:数据搜集:搜集不同健康状况的受检测者的欠采样MRI数据及对应的MRI图像的图像特征;以及,搜集不同年龄的受检测者的欠采样MRI数据及对应的MRI图像的图像特征;以及,搜集不同性别的受检测者的欠采样MRI数据及对应的MRI图像的图像特征。
由此,通过多种途径收集运行数据,有利于增加运行数据的量,提升人工神经网络的学习能力,进而提升确定的对应关系的精准性和可靠性。
如下列步骤所述:对所述欠采样MRI数据进行分析、并结合预存的专家经验信息,选取与所述MRI图像的图像特征相关的数据作为所述欠采样MRI数据(例如:选取对MRI图像的图像特征有影响的欠采样MRI数据作为输入参数,将指定参数作为输出参数);
例如:通过将已确诊的受检测者的相关数据中的欠采样MRI数据作为输入参数,将其相关数据中的MRI图像的图像特征作为输出参数。
如下列步骤所述:将所述MRI图像的图像特征、以及选取的所述欠采样MRI数据构成的数据对,作为样本数据。
例如:将得到的输入、输出参数对,一部分用作训练本样数据,一部分用作测试样本数据。
由此,通过对收集到的欠采样MRI数据进行分析及处理,进而得到样本数据,操作过程简单,操作结果可靠性高。
如下列步骤所述:分析所述欠采样MRI数据的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
例如:分析欠采样MRI数据与MRI图像的图像特征,可初步确定网络的基本结构、网络的输入、输出节点数、隐节点数、网络初始权值等。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述欠采样MRI数据与所述MRI图像的图像特征的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。
如下列步骤所述,选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述欠采样MRI数据输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
具体地,通过梯度下降算法最小化损失函数,更新网络参数,训练当前神经网络模型,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应MRI图像的图像特征之间的实际训练误差是否满足预设训练误差;当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
具体地,当所述实际训练误差满足所述预设训练误差时,且在当前训练的模型收敛,确定对所述网络结构和所述网络参数的所述训练完成。
更可选地,对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
例如:若测试误差满足要求,则网络训练测试完成。
由此,通过将测试样本用于训练得到的网络结构和网络参数进行测试,以进一步验证网络结构及网络参数的可靠性。
可选地,可以结合下列描述进一步说明步骤“使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述欠采样MRI数据与所述MRI图像的图像特征的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。
如下列步骤所述,选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述欠采样MRI数据输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;确定所述实际测试结果与所述测试样本中的相应MRI图像的图像特征之间的实际测试误差是否满足设定测试误差;当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在一个可选例子中,所述损失函数包括结合图像域均方误差损失函数,频域均方误差损失函数,图像处理内容感知损失函数,和对抗损失函数。
具体地,为了提高模型的重建的感知质量,对生成器网络的训练设置了一个内容损失函数。其中,该内容损失函数包括三个部分,分别为,图像域均方误差(MSE)损失函数,频域均方误差损失函数和图像处理内容感知损失函数。首先,基于MSE的损失函数可以表示为:
图像处理内容感知损失函数为:
同时结合前述中提到的对抗损失函数:
综合上述各函数得出的本发明人工神经网络中的损失函数,如下:
需要说明的是,通过使用标准化MSE(normalised MSE,NMSE)作为神经网络的重建的优化损失函数。由于仅基于NMSE(基于像素级图像差异(LiMSE))的优化解决方案可能会导致感知上产生不平滑的重构和缺乏连贯的图像细节。因此,通过增加频域数据的NMSE作为附加约束(LfMSE)和图像处理内容感知损失(LVGG)来考虑感知相似性,以提高重构图像的质量。
在一个可选例子中,
可选地,对所述网络结构和所述网络参数进行训练,还可以包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差能量函数更新所述网络参数。
通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差。
由此,通过在训练误差较大时对网络参数进行修正后重新训练,有利于得到更为精准和可靠的网络结构,进而得到更为精准和可靠的对应关系。
可选地,对所述网络结构和所述网络参数进行测试,还可以包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差慢速所述设定测试误差。
例如:当测试误差不满足要求时,则重复以上步骤,重新训练网络。
由此,通过在测试误差较大时对网络结构进行重新训练以进行重新测试,有利于得到更为精准和可靠的网络结构,进而提升对结霜状态确定的精准性。
如上述步骤S120所述,获取受检测者的当前当前欠采样MRI数据;
如上述步骤S130所述,通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征。
例如:实时识别出受检测者的欠采样MRI数据。
由此,通过基于对应关系,根据当前欠采样MRI数据有效地识别出当前MRI图像的图像特征,从而为测试员的诊断提供准确的判断依据,且判断结果精准性好。
在一个可选例子中,步骤S130中确定与所述欠采样MRI数据对应的当前MRI图像的图像特征,可以包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
在一个可选例子中,步骤S130中确定与所述欠采样MRI数据对应的当前MRI图像的图像特征,还可以包括:当所述对应关系可以包括函数关系时,将所述当前欠采样MRI数据输入所述函数关系中,确定所述函数关系的输出参数为当前MRI图像的图像特征。
由此,通过基于对应关系或函数关系,根据当前欠采样MRI数据确定当前MRI图像的图像特征,确定方式简便,确定结果可靠性高。
例如,用训练所得到的人工神经网络模型去检测测试集中每一个样例的MRI图像的图像特征。
在一个可选实施方式中,还可以包括:验证所述当前MRI图像的图像特征与实际MRI图像的图像特征是否相符的过程。
可选地,可以接收到所述当前MRI图像的图像特征与实际MRI图像的图像特征不符的验证结果、和/或确定所述对应关系中没有与所述当前欠采样MRI数据相同的欠采样MRI数据时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:设备本身无法获知到实际MRI图像的图像特征,需要有测试员的反馈操作才行,即如果设备智能判断出MRI图像的图像特征,测试员通过操作反馈其与实际的状态不符,设备才能获知。
验证所述当前MRI图像的图像特征与实际MRI图像的图像特征是否相符(例如:可以通过AR显示模块对实际MRI图像的图像特征进行显示,以验证确定的所述当前MRI图像的图像特征与实际MRI图像的图像特征是否相符)。
当所述当前MRI图像的图像特征与实际MRI图像的图像特征不符、和/或所述对应关系中没有与所述当前欠采样MRI数据相同的欠采样MRI数据时,对所述对应关系进行更新、修正、再学习中的至少一种维护操作。
例如:可以根据维护后的对应关系,根据所述当前欠采样MRI数据确定当前MRI图像的图像特征。例如:将维护后的所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据对应的MRI图像的图像特征,确定为当前MRI图像的图像特征。
由此,通过对确定的欠采样MRI数据与MRI图像的图像特征之间的对应关系的维护,有利于提升对MRI图像的图像特征确定的精准性和可靠性。
参照图3,在一具体实现中,操作平台为Ubuntu16.04服务器,具有2张NVIDIATITAN RTX(每张显卡的显存是24g)。使用的深度学习框架是Tensorlayer 1.7.0。本实施例的人工神经网络(DACGAN)训练使用的优化器是利用Adam,在网络训练的过程中,生成器网络和判别器网络的初始学习率分别为0.001和0.001,衰减率都为0.96。
使用以下四种标准来衡量网络的性能:
(1)衡量经过处理后的图像品质的PSNR(Peak Signal to Noise Ratio,PSNR):PSNR值越高,模型重建效果越好。
(2)预测值与真实值之间的归一化后的平均绝对误差(Normalized Mean SquaredError,NMSE):NMSE值越低,模型重建效果越好。
(3)预测值与真实值之间的归一化的互信息(Structural Similarity Index,SSIM):SSIM值越高,模型重建效果越好
将本实施例的网络同其他现有的方法进行对比。其他现有方法包括TV,SIDWT,RecPF,DLMRI,PBDW,PANO,Noiselet,BM3D和DeepADMM。
实验结果在表1中展示。
可选地,为了证明本实施例中的DACGAN的各个配置是有效的,进行了消融实验证明网络的合理性。在该部分实验中,比较的子模型分别是:(1)像素感知GAN加细化学习(PPGR):无频域数据约束的模型;(2)像素感知GAN(PPG):未经细化学习的模型;(3)像素化GAN(Pixel-GAN,PG);只使用像素化MSE和GAN架构的方法;(4)DACGAN原模型。
表1
通过表一的结果可以看出本实施例的DACGAN可以改善平均NMSE和PSNR。在这两个指标上,DACGAN的表现都明显高于其他现有的方法。从图3可以看出传统CS-MRI方法重建图像(TV、SIDWT和RecPF)减噪效果有限,字典学习(DLMRI)和基于patch的方法(PBDW和PANO)获得更好的建造效果,但显然重建细节不够平滑。此外,利用Noiselet重建的图像中存在可见的混叠人工噪声。尽管BM3D和DeepADMM的重建效果不错,但本实施例中的DACGAN可以在视觉上的结果更有说服力。
从表1显示,DACGAN模型可以改善平均NMSE和PSNR,即,本实施例提出的网络体系结构中的当前配置是有效的。从图1可以看出,与GT相比,PG和PPG明显减少了混叠人工制品,并且通过细化学习,PPGR和最终模型都实现了更精确的重建线轮廓。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图4,示出了本申请一实施例提供的一种基于条件生成对抗网络的MRI成像装置,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,包括:
建立模块410,用于利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
获取模块420,用于获取当前受检测者的当前欠采样MRI数据;
确定模块430,用于通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
在一实施例中,所述对应关系,包括:函数关系;所述欠采样MRI数据为所述函数关系的输入参数,所述MRI图像的图像特征为所述函数关系的输出参数;
确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,还包括:
当所述对应关系包括函数关系时,将所述当前欠采样MRI数据输入所述函数关系中,确定所述函数关系的输出参数为当前MRI图像的图像特征。
在一实施例中,所述建立模块410,包括:
获取子模块,用于获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据;
分析子模块,用于分析所述欠采样MRI数据的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
训练子模块,用于使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述欠采样MRI数据与所述MRI图像的图像特征的所述对应关系。
在一实施例中,所述获取子模块,包括:
收集子模块,用于收集不同受检测者的所述欠采样MRI数据和所述MRI图像的图像特征;
分析子模块,用于对所述欠采样MRI数据进行分析、并结合预存的专家经验信息,选取与所述MRI图像的图像特征相关的数据作为所述欠采样MRI数据;
样本数据生成子模块,用于将所述MRI图像的图像特征、以及选取的所述欠采样MRI数据构成的数据对,作为样本数据。
在一实施例中,
所述训练子模块,包括:
训练结果生成子模块,用于选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述欠采样MRI数据输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
训练结果误差判断子模块,用于确定所述实际训练结果与所述训练样本中的相应MRI图像的图像特征之间的实际训练误差是否满足预设训练误差;
训练完成判定子模块,用于当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
测试子模块,用于对所述网络结构和所述网络参数进行测试,所述测试子模块,包括:
测试结果生成子模块,用于选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述欠采样MRI数据输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
测试结果误差判断子模块,用于确定所述实际测试结果与所述测试样本中的相应MRI图像的图像特征之间的实际测试误差是否满足设定测试误差;
测试完成判定子模块,用于当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
在一实施例中,所述损失函数包括结合图像域均方误差损失函数,频域均方误差损失函数,图像处理内容感知损失函数,和对抗损失函数。
在一实施例中,
所述训练子模块,还包括:
网络参数更新子模块,用于当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;
第一重训练子模块,用于通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
所述测试子模块,还包括:
第二重训练子模块,用于当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
参照图5,示出了本发明的一种基于条件生成对抗网络的MRI成像方法的计算机设备,具体可以包括如下:
上述计算机设备12以通用计算设备的形式表现,计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线18结构中的一种或多种,包括存储器总线18或者存储器控制器,外围总线18,图形加速端口,处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线18,微通道体系结构(MAC)总线18,增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块42,这些程序模块42被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器中,这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)),广域网(WAN)和/或公共网络(例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白,尽管图5中未示出,可以结合计算机设备12使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的基于条件生成对抗网络的MRI成像方法。
也即,上述处理单元16执行上述程序时实现:利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;获取当前受检测者的当前欠采样MRI数据;通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
在本发明实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请所有实施例提供的基于条件生成对抗网络的MRI成像方法:
也即,给程序被处理器执行时实现::利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;获取当前受检测者的当前欠采样MRI数据;通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的基于条件生成对抗网络的MRI成像方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于条件生成对抗网络的MRI成像方法,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,其特征在于,包括:
利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
获取当前受检测者的当前欠采样MRI数据;
通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
2.根据权利要求1所述的方法,其特征在于,
所述对应关系,包括:函数关系;所述欠采样MRI数据为所述函数关系的输入参数,所述MRI图像的图像特征为所述函数关系的输出参数;
确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,还包括:
当所述对应关系包括函数关系时,将所述当前欠采样MRI数据输入所述函数关系中,确定所述函数关系的输出参数为当前MRI图像的图像特征。
3.根据权利要求1所述的方法,其特征在于,所述建立欠采样MRI数据与MRI图像的图像特征之间的对应关系的步骤,包括:
获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据;
分析所述欠采样MRI数据的特性及其规律,根据所述特性及其规律,确定所述人工神经网络的网络结构及其网络参数;
使用所述样本数据,对所述网络结构和所述网络参数进行训练和测试,确定所述欠采样MRI数据与所述MRI图像的图像特征的所述对应关系。
4.根据权利要求3所述的方法,其特征在于,所述获取用于建立所述欠采样MRI数据与所述MRI图像的图像特征之间的对应关系的样本数据的步骤,包括:
收集不同受检测者的所述欠采样MRI数据和所述MRI图像的图像特征;
对所述欠采样MRI数据进行分析、并结合预存的专家经验信息,选取与所述MRI图像的图像特征相关的数据作为所述欠采样MRI数据;
将所述MRI图像的图像特征、以及选取的所述欠采样MRI数据构成的数据对,作为样本数据。
5.根据权利要求4-5任一项所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,包括:
选取所述样本数据中的一部分数据作为训练样本,将所述训练样本中的所述欠采样MRI数据输入到所述网络结构,通过所述网络结构的损失函数,激活函数和所述网络参数进行训练,得到实际训练结果;
确定所述实际训练结果与所述训练样本中的相应MRI图像的图像特征之间的实际训练误差是否满足预设训练误差;
当所述实际训练误差满足所述预设训练误差时,确定对所述网络结构和所述网络参数的所述训练完成;
和/或,
对所述网络结构和所述网络参数进行测试,包括:
选取所述样本数据中的另一部分数据作为测试样本,将所述测试样本中的所述欠采样MRI数据输入到所述训练完成的所述网络结构中,以所述损失函数,激活函数和所述训练完成的所述网络参数进行测试,得到实际测试结果;
确定所述实际测试结果与所述测试样本中的相应MRI图像的图像特征之间的实际测试误差是否满足设定测试误差;
当所述实际测试误差满足所述设定测试误差时,确定对所述网络结构和所述网络参数的所述测试完成。
6.根据权利要求5所述的方法,其特征在于,
所述损失函数包括结合图像域均方误差损失函数,频域均方误差损失函数,图像处理内容感知损失函数,和对抗损失函数。
7.根据权利要求5所述的方法,其特征在于,
对所述网络结构和所述网络参数进行训练,还包括:
当所述实际训练误差不满足所述设定训练误差时,通过所述网络结构的误差损失函数更新所述网络参数;
通过所述网络结构的所述损失函数,激活函数和更新后的所述网络参数进行重新训练,直至所述重新训练后的实际训练误差满足所述设定训练误差;
和/或,
对所述网络结构和所述网络参数进行测试,还包括:
当所述实际测试误差不满足所述设定测试误差时,对所述网络结构和所述网络参数进行重新训练,直至所述重新训练后的实际测试误差满足所述设定测试误差。
8.一种基于条件生成对抗网络的MRI成像装置,应用于将压缩感知磁共振成像装置获取的欠采样MRI数据进行成像,其特征在于,包括:
建立模块,用于利用人工神经网络的自学习能力,建立欠采样MRI数据与MRI图像的图像特征之间的对应关系;具体地,人工神经网络通过依据所述欠采样MRI数据生成的模拟MRI数据和所述欠采样MRI数据生成模拟MRI图像的图像特征;依据所述MRI图像的图像特征和所述模拟MRI图像的图像特征建立所述对应关系;
获取模块,用于获取当前受检测者的当前欠采样MRI数据;
确定模块,用于通过所述对应关系,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征;具体地,确定与所述当前欠采样MRI数据对应的当前MRI图像的图像特征,包括:将所述对应关系中与所述当前欠采样MRI数据相同的欠采样MRI数据所对应的MRI图像的图像特征,确定为所述当前MRI图像的图像特征。
9.一种设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419443.XA CN111612865B (zh) | 2020-05-18 | 2020-05-18 | 一种基于条件生成对抗网络的mri成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419443.XA CN111612865B (zh) | 2020-05-18 | 2020-05-18 | 一种基于条件生成对抗网络的mri成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612865A true CN111612865A (zh) | 2020-09-01 |
CN111612865B CN111612865B (zh) | 2023-04-18 |
Family
ID=72203312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419443.XA Active CN111612865B (zh) | 2020-05-18 | 2020-05-18 | 一种基于条件生成对抗网络的mri成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612865B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114758783A (zh) * | 2022-03-31 | 2022-07-15 | 大连理工大学 | 深度学习的弹性成像方法、装置、计算机设备和存储介质 |
JP7464138B2 (ja) | 2020-09-30 | 2024-04-09 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517249A (zh) * | 2019-08-27 | 2019-11-29 | 中山大学 | 超声弹性图像的成像方法、装置、设备及介质 |
CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
US20200105031A1 (en) * | 2018-09-30 | 2020-04-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Performing Magnetic Resonance Imaging Reconstruction with Unsupervised Deep Learning |
-
2020
- 2020-05-18 CN CN202010419443.XA patent/CN111612865B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200105031A1 (en) * | 2018-09-30 | 2020-04-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Performing Magnetic Resonance Imaging Reconstruction with Unsupervised Deep Learning |
CN110517249A (zh) * | 2019-08-27 | 2019-11-29 | 中山大学 | 超声弹性图像的成像方法、装置、设备及介质 |
CN110766769A (zh) * | 2019-10-23 | 2020-02-07 | 深圳先进技术研究院 | 一种磁共振图像重建方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7464138B2 (ja) | 2020-09-30 | 2024-04-09 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
CN114758783A (zh) * | 2022-03-31 | 2022-07-15 | 大连理工大学 | 深度学习的弹性成像方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111612865B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ganzetti et al. | Intensity inhomogeneity correction of structural MR images: a data-driven approach to define input algorithm parameters | |
EP3270178B1 (en) | A system and method for determining optimal operating parameters for medical imaging | |
US20090116713A1 (en) | Method and system for human vision model guided medical image quality assessment | |
JP6884344B2 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
CN111612865B (zh) | 一种基于条件生成对抗网络的mri成像方法及装置 | |
JP2022517769A (ja) | 三次元ターゲット検出及びモデルの訓練方法、装置、機器、記憶媒体及びコンピュータプログラム | |
CN111612756B (zh) | 冠状动脉特异性钙化检测方法及装置 | |
CN108714028A (zh) | 一种磁共振成像方法、装置及医学成像系统 | |
CN111445546B (zh) | 图像重建方法、装置、电子设备、存储介质 | |
CN111568412A (zh) | 一种利用脑电信号重建视觉图像的方法及装置 | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
US8582846B2 (en) | Method and system for validating image registration | |
CN111598966B (zh) | 一种基于生成对抗网络的磁共振成像方法及装置 | |
CN114944229A (zh) | 基于深度学习和磁共振结构脑影像的脑龄预测方法 | |
Petersen et al. | The path toward equal performance in medical machine learning | |
CN112581385B (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
Nabavi et al. | Automatic multi-class cardiovascular magnetic resonance image quality assessment using unsupervised domain adaptation in spatial and frequency domains | |
JP7304879B2 (ja) | 磁気共鳴フィンガープリンティングを用いた異常検出 | |
CN111968108A (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
WO2020253138A1 (zh) | 一种分类方法、装置、设备和存储介质 | |
CN116228520A (zh) | 基于Transformer生成对抗网络的图像压缩感知重建方法及系统 | |
Meng et al. | Radiograph-comparable image synthesis for spine alignment analysis using deep learning with prospective clinical validation | |
Yu et al. | Deep conditional generative model for longitudinal single-slice abdominal computed tomography harmonization | |
Ekmekci et al. | Quantifying Generative Model Uncertainty in Posterior Sampling Methods for Computational Imaging | |
CN113112463A (zh) | 医学图像质量评估方法、电子设备及存储介质 |
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 |