CN111951344A - 一种基于级联并行卷积网络的磁共振图像重建方法 - Google Patents

一种基于级联并行卷积网络的磁共振图像重建方法 Download PDF

Info

Publication number
CN111951344A
CN111951344A CN202010792387.4A CN202010792387A CN111951344A CN 111951344 A CN111951344 A CN 111951344A CN 202010792387 A CN202010792387 A CN 202010792387A CN 111951344 A CN111951344 A CN 111951344A
Authority
CN
China
Prior art keywords
net
network
data
cascade
pck
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
Application number
CN202010792387.4A
Other languages
English (en)
Other versions
CN111951344B (zh
Inventor
段继忠
贾伟
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010792387.4A priority Critical patent/CN111951344B/zh
Publication of CN111951344A publication Critical patent/CN111951344A/zh
Application granted granted Critical
Publication of CN111951344B publication Critical patent/CN111951344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像技术领域。本发明是一种基于深度学习的MRI重构方法，该方法对于磁共振成像重构表现显著。受U‑Net的启发，通过引入并行卷积核，提出一种并行卷积网络(PCK‑Net)，并将其与数据一致性层相结合，得到级联并行卷积网络(Cascaded PCK‑Net)。使用高斯欠采样模式对脑部复数数据进行欠采样，并对级联CNN模型、级联U‑Net模型、新提出的Cascaded PCK‑Net的重构性能进行了测试。仿真实验结果表明，提出的Cascaded PCK‑Net的重构质量均优于级联CNN模型和级联U‑Net模型。

Description

一种基于级联并行卷积网络的磁共振图像重建方法
技术领域
本发明涉及一种基于级联并行卷积网络的磁共振图像重建方法，属于磁共振成像技术领域。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)是一种广泛应用于医疗诊断和治疗检测的医学影像技术。由于它无电离辐射危害，软组织成像分辨率高，能多序列成像和多类型成像，且能为医生提供精确的病变影像信息，目前已成为临床应用中最有效的医学成像技术之一。但是，由于物理和生理的原因，限制了磁共振图像采集的速度，导致其扫描时间过长。这成为了磁共振成像应用中最主要的缺点。压缩感知(CS)理论表明，可从少量的测量数据中重构出精确的原始信号。将压缩感知应用于磁共振成像中，从少量的采样数据中重构磁共振图像，有效的减少了磁共振成像的扫描时间，加快了磁共振成像速度。
深度学习模型在计算机视觉领域取得巨大成功，例如图像分割、超分辨率和目标检测等。它能将数据中提取的特征进行高度抽象的表示，这得益于充分利用训练数据来构建良好的网络模型。
随着深度学习的发展，近年来也有一些研究将深度学习应用到欠采样磁共振成像的重建中，能有效的去除重叠伪影。现有的基于深度学习的MRI重构方法基本都依赖于大数据集训练，而由于患者隐私等问题，大量的医学数据很难获得。
发明内容
本发明提出了一种基于级联并行卷积网络的磁共振图像重建方法，重建效果良好。
本发明采用的技术方案是：一种基于级联并行卷积网络的磁共振图像重建方法，包括如下步骤：
第一步，构建数据集并进行数据预处理：
选取全采样的脑部图像数据集并进行归一化处理，数据集分为100个训练数据集和8个测试数据集,对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样伪影对k空间数据欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据。
第二步，通过深度学习框架PyTorch搭建基于级联并行卷积网络的磁共振图像的重建网络，基于级联并行卷积网络的磁共振图像的重建网络包括二个部分，并行卷积网络(PCK-Net)和数据一致性(DC)模块。
(1)PCK-Net：此网络的编码器和解码器由重复的模块组成。网络架构如图2所示。
在编码器端，基本模块由3×3卷积、并行卷积运算、1×1卷积和2×2最大池化运算(下采样步长为2)组成。并行卷积运算(PCO)包含两条路径：一条路径包含三个3×3卷积和一个1×1卷积；另一条路径包含两个3×3卷积和一个1×1卷积。将两条路径的输出连接起来，然后进行1×1卷积。PCO如图1所示。所有卷积后均跟随一个激活函数ReLU。
在解码器端，基本模块由一个上采样的特征图和对应级别的1×1卷积输出的复制的特征图连接起来、3×3卷积、PCO、“Global shortcut”、PCO的输出和1x1卷积组成。上采样方法使用Upsample函数代替传统的Deconv函数。另外，“Global shortcut”连接编码器和解码器的相应级别，以防止过拟合。
(2)DC模块：表示数据一致性层，将PCK-Net输出的图像进行傅里叶变换，得到k空间数据，然后用采集的原始k空间数据替换掉该数据中相应的部分，合并后，在对该k空间数据进行傅里叶逆变换，即可获得最终的重构图像。模型如图3所示，该模块的目的是将图像进行保真处理，公式如下：
Figure BDA0002624315900000021
其中，
Figure BDA0002624315900000022
表示待重构的2D图像数据堆叠为N＝m×n的列向量，
Figure BDA0002624315900000023
表示欠采样的k空间数据，
Figure BDA0002624315900000024
是傅里叶变换矩阵，F-1是逆傅里叶变换，
Figure BDA0002624315900000025
表示欠采样矩阵，PT是P的转置。I是单位矩阵。λ为正则化参数，用于平衡正则化项和保真项。fDL是由θ参数化的深度学习网络的前向映射，可能包括数百万个可调整的网络权重，其中θ是网络权重参数。网络接收零填充图像xu作为输入，并生成重建结果作为输出。
第三步，模型训练：
把训练数据集输入到基于Cascaded PCK-Net的磁共振图像的重建网络中，通过正向传播得到高质量的脑部图像，根据高质量的脑部图像和全采样脑部图像的误差进行反向传播，不断更新网络参数直至误差不再减小。将训练好的网络参数保存为模型。
参数设置：目标函数使用逐像素平方误差。由于Cascaded PCK-Net模型需要耗费大量的显存，因此在实验中使用batch_size＝1来训练网络，这并不会影响模型的收敛性。使用Xavier初始化权重，用Adam优化器训练整个模型，α＝5×10-4(表示学习率)，β1＝0.9(表示第一次估计的指数衰减率)，β2＝0.999(表示第二次估计的指数衰减率)，l2参数权重衰减为1×10-7，将训练好的网络参数保存为模型。
第四步，输入欠采样的测试数据集，加载第三步训练好的模型，输出重建的高质量脑部图像。
本发明的有益效果是：受U-Net的启发，本发明引入并行卷积核，提出了并行卷积网络(PCK-Net)，并与数据一致性层结合得到级联并行卷积网络(Cascaded PCK-Net)。使用高斯欠采样模式对脑部复数数据进行欠采样，并对新提出重构模型的重构性能进行测试，重构效果良好。仿真实验结果表明，在高斯欠采样模式下，本发明提出的Cascaded PCK-Net的重构质量均优于级联CNN(Cascaded CNN)和级联U-Net(Cascaded U-Net)。
附图说明
图1为本发明的整体流程图；
图2为本发明的PCK模型；
图3为本发明的PCK-Net模型；
图4为本发明级联的PCK-Net模型；
图5为4倍加速因子的高斯欠采样图案示意图；
图6为4倍加速因子的高斯欠采样下三种模型的对比图；
图7为6倍加速因子的高斯欠采样下三种模型的对比图；
图8为8倍加速因子的高斯欠采样下三种模型的对比图。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细描述。
实施例1：如图1-8所示，一种基于级联并行卷积网络的磁共振图像重建方法，包括如下步骤：
第一步，构建数据集并进行数据预处理：
采用Calgary-Campinas的脑部数据集。训练数据集来自20个受试者的100个全采样的脑部图像，测试集来自其余4个受试者的8个全采样的脑部图像,这些训练和测试数据来自一组不相交的受试者。本发明对数据进行归一化处理，以提升模型的收敛速度和精度。对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样模式对k空间数据进行欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据。
第二步，通过深度学习框架PyTorch搭建基于Cascaded PCK-Net模型(如图4)用于压缩感知磁共振图像的重建网络，基于Cascaded PCK-Net模型用于压缩感知磁共振图像的重建网络包括二个部分，PCK网络(如图3)和DC模块。DC模块即为数据一致性层，公式如下：
Figure BDA0002624315900000041
其中，
Figure BDA0002624315900000042
表示待重构的2D图像数据堆叠为N＝m×n的列向量，
Figure BDA0002624315900000043
表示欠采样的k空间数据，
Figure BDA0002624315900000044
是傅里叶变换矩阵，F-1是逆傅里叶变换，
Figure BDA0002624315900000045
表示欠采样矩阵，PT是P的转置。I是单位矩阵。λ为正则化参数，用于平衡正则化项和保真项。fDL是由θ参数化的深度学习网络的前向映射，可能包括数百万个可调整的网络权重，其中θ是网络权重参数。网络接收零填充图像xu作为输入，并生成重建结果作为输出。
第三步，模型训练：
把训练数据集输入到Cascaded PCK-Net用于压缩感知磁共振图像的重建网络中，通过正向传播得到重建的脑部图像，根据高质量的脑部图像和全采样脑部图像的误差进行反向传播，不断更新网络参数直至误差不再减小，将训练好的网络参数保存为模型。
参数设置：目标函数使用逐像素平方误差。由于Cascaded PCK-Net需要耗费大量的显存，因此在实验中使用batch_size＝1来训练网络，这并不会影响模型的收敛性。使用Xavier初始化权重，用Adam优化器训练整个模型，α＝5×10-4(表示学习率)，β1＝0.9(表示第一次估计的指数衰减率)，β2＝0.999(表示第二次估计的指数衰减率)，l2参数权重衰减为1×10-7。
级联层数的选择(级联深度用nc表示)：在显存大小和训练时间的综合考虑下，以后的实验本发明取nc＝6对模型进行评估。
第四步，输入欠采样的测试数据集，加载第三步训练好的模型，输出重建的高质量脑部图像。
在仿真实验中，本发明采用峰值信噪比(Peak Signal to Noise Ratio，PSNR)来衡量算法重构效果。
在随后的实验中，本发明将进行回溯性的仿真实验。使用高斯欠采样模式对脑部成像数据进行欠采样(采样模式如图5所示)，再使用比较的算法进行重构，评价其重构性能。
在后面的实验中，本发明将比较卷积神经网络(Cascaded CNN，选用D5-C6，D5表示CNN的深度为5，C6表示6个DC层)、级联U-Net网络(Cascaded U-Net)、以及本发明提出的重构模型(Cascaded PCK-Net)。Cascaded PCK-Net和Cascaded U-Net均在pytorch框架下实现，而Cascaded CNN采用原作者公布的实现代码。所有的实验都在配置为Intel Core i7-8700@2.6GHz CPU，16GB内存，Nvidia RTX 2070(8G显存)显卡，Ubuntu 18.04操作系统(64位)的服务器上进行的。
表1列出了使用不同网络从不同加速因子的高斯欠采样重构出图像的PSNR的比较。所有数据均是8张测试图像的平均值。如表1所示，Cascaded U-Net在4倍、6倍和8倍加速因子下重建图像的平均PSNR分别比Cascaded CNN重建图像的平均PSNR高0.52dB，0.49dB和0.44dB。Cascaded PCK-Net在4倍，6倍和8倍加速加速因子下重建图像的平均PSNR分别比Cascaded U-Net重建图像的PSNR高0.94dB，0.82dB和0.89dB。
表1
Figure BDA0002624315900000061
在视觉比较方面：在不同的加速因子下，由高斯欠采样的比较模型对重建图像进行视觉比较，如图6～图8所示。从图6～图8可以看出，与Cascaded CNN相比，Cascaded U-Net提高了重建图像的质量并保留了更多细节，而Cascaded PCK-Net可以更准确地重现结构细节。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于级联并行卷积网络的磁共振图像重建方法，其特征在于：包括如下步骤：
第一步，构建脑部数据集并进行数据预处理：
选取全采样的脑部图像数据集并进行归一化处理，数据集分为100个训练数据集和8个测试数据集,对训练数据集和测试数据集进行傅里叶变换得到k空间数据，在不同加速因子下用高斯欠采样伪影对k空间数据欠采样得到欠采样数据，然后逆傅里叶变换得到零填充图像数据；
第二步，通过深度学习框架PyTorch搭建基于Cascaded PCK-Net的磁共振图像的重建网络，基于Cascaded PCK-Net的磁共振图像的重建网络包括二个部分，并行卷积网络PCK-Net和数据一致性DC模块：
(1)PCK-Net：此网络的编码器和解码器由重复的模块组成:
在编码器端，基本模块由3×3卷积、并行卷积运算、1×1卷积和2×2最大池化运算组成,最大池化运算的下采样步长为2,并行卷积运算PCO包含两条路径：一条路径包含三个3×3卷积和一个1×1卷积；另一条路径包含两个3×3卷积和一个1×1卷积,将两条路径的输出连接起来，然后进行1×1卷积,所有卷积后均跟随一个激活函数ReLU；
在解码器端，基本模块由一个上采样的特征图和对应级别的1×1卷积输出的复制的特征图连接起来、3×3卷积、PCO、“Global shortcut”、PCO的输出和1×1卷积组成，上采样方法使用Upsample函数代替传统的Deconv函数，另外，“Global shortcut”连接编码器和解码器的相应级别，以防止过拟合；
(2)DC模块：表示数据一致性层，将PCK-Net输出的图像进行傅里叶变换，得到k空间数据，然后用采集的原始k空间数据替换掉该数据中相应的部分，合并后，在对该k空间数据进行傅里叶逆变换，即可获得最终的重构图像，DC模块的目的是将图像进行保真处理，公式如下：
Figure FDA0002624315890000011
其中，
Figure FDA0002624315890000012
表示待重构的2D图像数据堆叠为N＝m×n的列向量，
Figure FDA0002624315890000013
表示欠采样的k空间数据，
Figure FDA0002624315890000014
是傅里叶变换矩阵，F-1是逆傅里叶变换，
Figure FDA0002624315890000021
表示欠采样矩阵，PT是P的转置，I是单位矩阵，λ为正则化参数，用于平衡正则化项和保真项，fDL是由θ参数化的深度学习网络的前向映射，包括数百万个可调整的网络权重，其中θ是网络权重参数，网络接收零填充图像xu作为输入，并生成重建结果作为输出；
第三步，模型训练：
把训练数据集输入到基于Cascaded PCK-Net的磁共振图像的重建网络中，通过正向传播得到高质量的脑部图像，根据高质量的脑部图像和全采样脑部图像的误差进行反向传播，不断更新网络参数直至误差不再减小，将训练好的网络参数保存为模型；
参数设置：目标函数使用逐像素平方误差，由于Cascaded PCK-Net模型需要耗费大量的显存，因此在实验中使用batch_size＝1来训练网络，这并不会影响模型的收敛性，使用Xavier初始化权重，用Adam优化器训练整个模型，α＝5×10-4，表示学习率，β1＝0.9，表示第一次估计的指数衰减率，β2＝0.999，表示第二次估计的指数衰减率，l2参数权重衰减为1×10-7，将训练好的网络参数保存为模型；
第四步，输入欠采样的测试数据集，加载第三步训练好的模型，输出重建的高质量脑部图像。
CN202010792387.4A 2020-08-09 2020-08-09 一种基于级联并行卷积网络的磁共振图像重建方法 Active CN111951344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010792387.4A CN111951344B (zh) 2020-08-09 2020-08-09 一种基于级联并行卷积网络的磁共振图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010792387.4A CN111951344B (zh) 2020-08-09 2020-08-09 一种基于级联并行卷积网络的磁共振图像重建方法

Publications (2)

Publication Number Publication Date
CN111951344A true CN111951344A (zh) 2020-11-17
CN111951344B CN111951344B (zh) 2022-08-02

Family

ID=73332944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010792387.4A Active CN111951344B (zh) 2020-08-09 2020-08-09 一种基于级联并行卷积网络的磁共振图像重建方法

Country Status (1)

Country Link
CN (1) CN111951344B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748382A (zh) * 2020-12-15 2021-05-04 杭州电子科技大学 基于CUNet伪影定位的SPEED磁共振成像方法
CN113096208A (zh) * 2021-03-16 2021-07-09 天津大学 基于双域交替卷积的神经网络磁共振图像的重建方法
CN113240764A (zh) * 2021-04-08 2021-08-10 浙江工业大学 基于ICU-Net的高倍欠采样磁共振图像的重建方法
CN113487507A (zh) * 2021-07-07 2021-10-08 中国计量大学 一种基于多模块特征聚合的双域递归网络mr重建方法
CN113592973A (zh) * 2021-07-30 2021-11-02 哈尔滨工业大学（深圳） 一种基于多频复数卷积的磁共振图像重建方法及装置
CN113842134A (zh) * 2021-11-09 2021-12-28 清华大学 基于双路人工神经网络的双序列加速核磁成像优化方法
CN114010180A (zh) * 2021-11-05 2022-02-08 清华大学 一种基于卷积神经网络的磁共振快速成像方法及装置
CN114219843A (zh) * 2021-12-16 2022-03-22 河南工业大学 太赫兹光谱图像重构模型的构建方法及系统和应用
CN115100695A (zh) * 2022-07-22 2022-09-23 上海科技大学 基于级联神经网络的磁共振指纹数据处理方法、装置、终端及介质
CN117054943A (zh) * 2023-10-11 2023-11-14 山东奥新医疗科技有限公司 基于径向基网络的磁共振成像方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060184000A1 (en) * 2004-12-31 2006-08-17 Wang Jian M Fast generalized autocalibrating partially parallel acquisition image reconstruction algorithm for magnetic resonance imaging
CN104778341A (zh) * 2014-01-09 2015-07-15 上海联影医疗科技有限公司 磁共振线圈合并系数计算方法、磁共振成像方法及其装置
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
US20190257905A1 (en) * 2018-02-20 2019-08-22 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
CN110246200A (zh) * 2019-05-27 2019-09-17 深圳先进技术研究院 磁共振心脏电影成像方法、装置及磁共振扫描仪
US20190378311A1 (en) * 2018-06-12 2019-12-12 Siemens Healthcare Gmbh Machine-Learned Network for Fourier Transform in Reconstruction for Medical Imaging
CN111123183A (zh) * 2019-12-27 2020-05-08 杭州电子科技大学 基于复数R2U_Net网络的快速磁共振成像方法
CN111487573A (zh) * 2020-05-18 2020-08-04 厦门大学 一种用于磁共振欠采样成像的强化型残差级联网络模型

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060184000A1 (en) * 2004-12-31 2006-08-17 Wang Jian M Fast generalized autocalibrating partially parallel acquisition image reconstruction algorithm for magnetic resonance imaging
CN104778341A (zh) * 2014-01-09 2015-07-15 上海联影医疗科技有限公司 磁共振线圈合并系数计算方法、磁共振成像方法及其装置
CN107064845A (zh) * 2017-06-06 2017-08-18 深圳先进技术研究院 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
US20190257905A1 (en) * 2018-02-20 2019-08-22 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
US20190378311A1 (en) * 2018-06-12 2019-12-12 Siemens Healthcare Gmbh Machine-Learned Network for Fourier Transform in Reconstruction for Medical Imaging
CN110246200A (zh) * 2019-05-27 2019-09-17 深圳先进技术研究院 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN111123183A (zh) * 2019-12-27 2020-05-08 杭州电子科技大学 基于复数R2U_Net网络的快速磁共振成像方法
CN111487573A (zh) * 2020-05-18 2020-08-04 厦门大学 一种用于磁共振欠采样成像的强化型残差级联网络模型

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHIH-CHENG CHANG 等: "《NV-BNN: An Accurate Deep Convolutional Neural Network Based on Binary STT-MRAM for Adaptive AI Edge》", 《2019 56TH ACM/IEEE DESIGN AUTOMATION CONFERENCE (DAC)》, 22 August 2019 (2019-08-22) *
朱艳慧: "《基于卷积神经网络的磁共振图像重建方法研究》", 《中国优秀硕士学位论文全文数据库（电子期刊） 医药卫生科技辑》, 15 February 2020 (2020-02-15) *
樊志文: "《基于深度卷积神经网络的CS-MRI重建方法研究》", 《中国优秀硕士学位论文全文数据库（电子期刊）基础科学辑》, 15 July 2020 (2020-07-15) *
程慧涛 等: "《基于深度递归级联卷积神经网络的并行磁共振成像方法》", 《波谱学杂志》, vol. 36, no. 4, 31 December 2019 (2019-12-31) *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748382A (zh) * 2020-12-15 2021-05-04 杭州电子科技大学 基于CUNet伪影定位的SPEED磁共振成像方法
CN113096208A (zh) * 2021-03-16 2021-07-09 天津大学 基于双域交替卷积的神经网络磁共振图像的重建方法
CN113096208B (zh) * 2021-03-16 2022-11-18 天津大学 基于双域交替卷积的神经网络磁共振图像的重建方法
CN113240764A (zh) * 2021-04-08 2021-08-10 浙江工业大学 基于ICU-Net的高倍欠采样磁共振图像的重建方法
CN113487507A (zh) * 2021-07-07 2021-10-08 中国计量大学 一种基于多模块特征聚合的双域递归网络mr重建方法
CN113592973A (zh) * 2021-07-30 2021-11-02 哈尔滨工业大学（深圳） 一种基于多频复数卷积的磁共振图像重建方法及装置
CN114010180A (zh) * 2021-11-05 2022-02-08 清华大学 一种基于卷积神经网络的磁共振快速成像方法及装置
CN114010180B (zh) * 2021-11-05 2024-04-26 清华大学 一种基于卷积神经网络的磁共振快速成像方法及装置
CN113842134A (zh) * 2021-11-09 2021-12-28 清华大学 基于双路人工神经网络的双序列加速核磁成像优化方法
CN113842134B (zh) * 2021-11-09 2024-04-12 清华大学 基于双路人工神经网络的双序列加速核磁成像优化方法
CN114219843A (zh) * 2021-12-16 2022-03-22 河南工业大学 太赫兹光谱图像重构模型的构建方法及系统和应用
CN114219843B (zh) * 2021-12-16 2022-11-01 河南工业大学 太赫兹光谱图像重构模型的构建方法及系统和应用
CN115100695A (zh) * 2022-07-22 2022-09-23 上海科技大学 基于级联神经网络的磁共振指纹数据处理方法、装置、终端及介质
CN117054943A (zh) * 2023-10-11 2023-11-14 山东奥新医疗科技有限公司 基于径向基网络的磁共振成像方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111951344B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111951344B (zh) 一种基于级联并行卷积网络的磁共振图像重建方法
Ghodrati et al. MR image reconstruction using deep learning: evaluation of network structure and loss functions
Johnson et al. Conditional generative adversarial network for 3D rigid‐body motion correction in MRI
CN108629816B (zh) 基于深度学习进行薄层磁共振图像重建的方法
CN110070612B (zh) 一种基于生成对抗网络的ct图像层间插值方法
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
CN113470139A (zh) 一种基于mri的ct图像重建方法
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
CN111353935A (zh) 基于深度学习的磁共振成像优化方法及其设备
US11941732B2 (en) Multi-slice MRI data processing using deep learning techniques
Lv et al. Parallel imaging with a combination of sensitivity encoding and generative adversarial networks
CN113313714B (zh) 一种基于改进U-Net网络的冠脉OCT图像病变斑块分割方法
CN110148193A (zh) 基于自适应正交字典学习的动态磁共振并行重建方法
CN114255291A (zh) 用于磁共振参数定量成像的重建方法、系统
CN109741439A (zh) 一种二维mri胎儿图像的三维重建方法
WO2024021796A1 (zh) 一种图像处理方法、装置、电子设备、存储介质及程序产品
CN112489150A (zh) 面向快速mri的深度神经网络的多尺度序贯训练方法
CN112617798A (zh) 一种基于Lp范数联合全变分的并行磁共振成像重构方法
CN114299174B (zh) 一种基于深度无监督学习的多回波欠采样重建—水脂分离方法
CN116402954A (zh) 一种基于深度学习的脊柱三维结构的重建方法
CN114494014A (zh) 一种磁共振图像超分辨率重建方法及装置
CN112634385A (zh) 一种基于深度拉普拉斯网络的快速磁共振成像方法
Baker et al. Rapid 2D 23Na MRI of the calf using a denoising convolutional neural network
Li et al. A novel automatic segmentation method directly based on magnetic resonance imaging K-space data for auxiliary diagnosis of glioma
Li et al. Accelerating cardiac diffusion tensor imaging using Swin transformer with octave convolution

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