CN112802024B - 一种磁共振血管壁图像分割方法 - Google Patents
一种磁共振血管壁图像分割方法 Download PDFInfo
- Publication number
- CN112802024B CN112802024B CN202110033126.9A CN202110033126A CN112802024B CN 112802024 B CN112802024 B CN 112802024B CN 202110033126 A CN202110033126 A CN 202110033126A CN 112802024 B CN112802024 B CN 112802024B
- Authority
- CN
- China
- Prior art keywords
- vessel wall
- image
- blood vessel
- downsampling
- training image
- 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
Links
- 210000004204 blood vessel Anatomy 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000003709 image segmentation Methods 0.000 title abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 25
- 230000001131 transforming effect Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 6
- 238000002595 magnetic resonance imaging Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000001133 acceleration Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004904 shortening Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- 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
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及磁共振成像技术领域，尤其涉及一种磁共振血管壁图像分割方法，包括以下步骤：获取降采样频率训练图像，其中降采样频率训练图像是高清训练图像经过滤波降采样处理后得到的；将降采样频率训练图像输入至神经网络模型中进行训练直至模型收敛；再将血管壁图像输入训练好神经网络模型中输出分割结果。本发明提出的一种磁共振血管壁图像分割方法，解决了现有的Mri影像处理方法存在需要足够清晰的图像才能获得较为准确的结果的问题。
Description
技术领域
本发明涉及磁共振成像技术领域，尤其涉及一种磁共振血管壁图像分割方法。
背景技术
Mri的原理是用无线电波脉冲激发质子，使它们产生共振；被激发的质子以射频信号的形式释放吸收的能量，这些射频信号被扫描仪上的接收线圈接收；接收线圈的数据经过解码后，得到了由频率组成的K空间数据；这些频域中的数据通过傅里叶变换转换到图域，就得到了Mri影像。
目前有大量研究着重于缩短Mri影像的扫描时长，希望在扫描尽量少的K空间数据的同时获得足够的、准确的体素信息用于病人的诊断。缩短扫描时间的意义并不只是效率的提升，对于部分疾病较为严重的，难以保持Mri扫描所需的静止姿态的患者来说，只有更短的扫描时长才能让他们获得Mri影像成为可能。
发明内容
本发明提出一种磁共振血管壁图像分割方法，以解决现有的Mri影像处理方法存在需要足够清晰的图像才能获得较为准确的结果的问题。
本发明解决上述问题的技术方案是：一种磁共振血管壁图像分割方法，包括以下步骤：
获取至少一幅降采样频率训练图像，其中，所述降采样频率训练图像是所述血管壁训练图像经过滤波降采样处理后得到的；
将降采样频率训练图像输入至神经网络模型中进行训练直至模型收敛；
将血管壁图像输入训练好神经网络模型中输出分割结果。
优选的是，所述血管壁图像的分辨率小于所述血管壁训练图像的分辨率。
优选的是，获取至少一幅降采样频率训练图像的步骤具体包括：
获取至少一幅血管壁训练图像；
利用二维的傅里叶变换将所述血管壁训练图像变换到频域，得到频域数据；
利用低通滤波器对所述频域数据进行滤波降采样，得到滤波后的降采样数据；
利用二维的傅里叶变换的逆变换将滤波后的降采样数据变换到图域，得到降采样频率训练图像。
优选的是，所述神经网络模型为res-Unet网络模型。
优选的是，所述血管壁训练图像为高清图像。
优选的是，所述滤波降采样处理的采样率为7.66%，低通滤波器的R为40px。
优选的是，所述滤波降采样处理的采样率为1.92%，低通滤波器的R为20px。
优选的是，所述滤波降采样处理的采样率为1.39%，低通滤波器的R为17px。
相比于现有技术，本发明的有益效果在于：本发明在更快的Mri扫描时间内得到较为清晰、准确的血管壁信息；通过减少K空间扫描的数据，可以缩短大量的扫描时间；虽然获取的Mri影像较为模糊，但是将较为模糊Mri影像输入至训练好神经网络模型中就可获得和全采样数据相近的分割结果。本发明使用数据量更少的模糊图像解决问题，从而带来更快的加速效果，有效的提升MRI的加速性能。
附图说明
图1为本发明获取降采样频率训练图像的流程示意图。
图2-6为分别经过降采样率为7.66%、1.92%、1.39%、1.09%、0.82%和0.48%的滤波降采样处理后得到的欠采样训练图像。
图7为采样率分别为100%、7.66%、1.92%、1.39%、1.09%、0.82%和0.48%下的训练Loss函数。
图8-11为采样率分别为7.66%、1.92%、1.39%、1.09%、0.82%和0.48%下的res-Unet网络模型在测试集的Dice、Iou、PA、Loss。
图12-14为采样率为100%、7.7%和1.9%的降采样效果图。
图15为从图域变换至频域的示意图，图15中从左至右依次为K空间的频率图、K空间的相位图和全采样的图像。
图16为将经过滤波降采样处理后频域数据变换至图域的示意图，图16中从左至右依次为K空间的频率图、K空间的相位图和欠采样的图像。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
实施例1：如图1、15和16所示，一种磁共振血管壁图像分割方法，包括以下步骤：
步骤1、获取至少一幅降采样频率训练图像，其中，降采样频率训练图像是血管壁训练图像经过滤波降采样处理后得到的；
步骤2、将降采样频率训练图像输入至神经网络模型中进行训练直至模型收敛；
步骤3、将血管壁图像输入训练好神经网络模型中输出分割结果。
作为本发明一个优选的实施例，血管壁图像的分辨率小于血管壁训练图像的分辨率。
作为本发明一个优选的实施例，步骤1具体包括：
步骤12：获取至少一幅血管壁训练图像；
步骤13：利用二维的傅里叶变换将血管壁训练图像变换到频域，得到频域数据；
步骤14：利用低通滤波器对频域数据进行滤波降采样，得到滤波后的降采样数据；
步骤15：利用二维的傅里叶变换的逆变换将滤波后的降采样数据变换到图域，得到降采样频率训练图像。
作为本发明一个优选的实施例，神经网络模型为res-Unet网络模型。
作为本发明一个优选的实施例，血管壁训练图像为高清图像。
实施例2：如图2-14所示采用不同的采样方式对图像进行分割，具体包括以下步骤：
步骤1：选择不同的采样方式
采样方式包括全采样和降采样。其中降采样的采样率分别为7.66%、1.92%、1.39%、1.09%、0.82%和0.48%，与采用率相对应的低通滤波器的R分别为40px、20px、17px、15px、13px和10px。
步骤2：根据不同的采样方式获得多个欠采样训练数据集（训练图像集）
步骤21：获取多幅血管壁训练图像；
步骤22：利用二维的傅里叶变换将血管壁训练图像变换到频域，得到频域数据；
步骤23：进行一次全采样和多次降采样，其中降采样的采样率分别为7.66%、1.92%、1.39%、1.09%、0.82%、0.48%、7.75%和1.9%，与采用率相对应的低通滤波器的R分别为40px、20px、17px、15px、13px、10px、40px和20px；得到滤波后的降采样数据集；滤波降采样过程的示意图如13、14所示。
步骤24：利用二维的傅里叶变换的逆变换将滤波后的降采样数据变换到图域，得到欠采样训练图像集。
步骤3：将多个欠采样训练图像集分别输入至res-Unet网络模型直至收敛，得到多个res-Unet网络模型。
步骤4：基于res-Unet网络模型对分别率低的血管壁图像进行标注输出分割结果。
不同的采样方式训练的res-Unet网络模型的预测结果如表1所示。当降采样的采样率为7.66%时，得到的分割结果优于全采样，降采样的采样率为7.66%、7.66%时，分割结果和全采样的预测结果接近。本发明能够利用少量的数据得到和清晰图像相接近的分割结果，使用数据量更少的模糊图像解决问题，从而带来更快的加速效果，有效的提升MRI的加速性能。
根据拟合效果和加速倍数这两个要素，按照需求选定合适的采样方案和标注的网络模型。将采集的数据放入网络进行计算，得到网络输出的分割结果。
表1：不同采样方式的分割结果
| 采样类型 | 采样率 | Dice | |
| 1 | 全采样 area=256*256 | 100% | 85.84% |
| 2 | 降采样 R为40px | 7.66% | 86.12% |
| 3 | 降采样 R为20px | 1.92% | 84.73% |
| 4 | 降采样 R为17px | 1.39% | 84.06% |
| 5 | 降采样 R为15px | 1.09% | 82.12% |
| 6 | 降采样 R为13px | 0.82% | 81.01% |
| 7 | 降采样 R为10px | 0.48% | 75.43% |
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。
Claims (5)
1.一种磁共振血管壁图像分割方法，其特征在于，包括以下步骤：
获取至少一幅降采样频率训练图像，具体包括：获取至少一幅血管壁训练图像；利用二维的傅里叶变换将所述血管壁训练图像变换到频域，得到频域数据；利用低通滤波器对所述频域数据进行滤波降采样，得到滤波后的降采样数据；利用二维的傅里叶变换的逆变换将滤波后的降采样数据变换到图域，得到降采样频率训练图像，其中，所述降采样频率训练图像是所述血管壁训练图像经过滤波降采样处理后得到的；
将降采样频率训练图像输入至神经网络模型中进行训练直至模型收敛；
将血管壁图像输入训练好神经网络模型中输出分割结果，其中，所述血管壁图像的分辨率小于所述血管壁训练图像的分辨率，所述神经网络模型为res-Unet网络模型。
2.根据权利要求1所述的一种磁共振血管壁图像分割方法，其特征在于，所述血管壁训练图像为高清图像。
3.根据权利要求1-2任一所述的一种磁共振血管壁图像分割方法，其特征在于，所述滤波降采样处理的采样率为7.66%，低通滤波器的R为40px。
4.根据权利要求1-2任一所述的一种磁共振血管壁图像分割方法，其特征在于，所述滤波降采样处理的采样率为1.92%，低通滤波器的R为20px。
5.根据权利要求1-2任一所述的一种磁共振血管壁图像分割方法，其特征在于，所述滤波降采样处理的采样率为1.39%，低通滤波器的R为17px。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110033126.9A CN112802024B (zh) | 2021-01-11 | 2021-01-11 | 一种磁共振血管壁图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110033126.9A CN112802024B (zh) | 2021-01-11 | 2021-01-11 | 一种磁共振血管壁图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112802024A CN112802024A (zh) | 2021-05-14 |
| CN112802024B true CN112802024B (zh) | 2024-02-06 |
Family
ID=75809873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110033126.9A Active CN112802024B (zh) | 2021-01-11 | 2021-01-11 | 一种磁共振血管壁图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112802024B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201814649D0 (en) * | 2018-09-10 | 2018-10-24 | Imperial Innovations Ltd | Image processing methods |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| 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 |
| KR20190038333A (ko) * | 2017-09-29 | 2019-04-08 | 연세대학교 산학협력단 | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 |
| CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
| CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10922816B2 (en) * | 2018-08-27 | 2021-02-16 | Siemens Healthcare Gmbh | Medical image segmentation from raw data using a deep attention neural network |
| WO2020118615A1 (zh) * | 2018-12-13 | 2020-06-18 | 深圳先进技术研究院 | 一种磁共振成像及斑块识别方法和装置 |
-
2021
- 2021-01-11 CN CN202110033126.9A patent/CN112802024B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190038333A (ko) * | 2017-09-29 | 2019-04-08 | 연세대학교 산학협력단 | 학습을 이용한 자기공명영상 복원을 위한 언더샘플링 장치 및 방법과 학습을 이용한 자기공명영상 복원 장치 및 방법, 그리고 이에 대한 기록 매체 |
| GB201814649D0 (en) * | 2018-09-10 | 2018-10-24 | Imperial Innovations Ltd | Image processing methods |
| CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
| 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 |
| CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
| CN110992440A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院深圳先进技术研究院 | 弱监督磁共振快速成像方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于级联卷积网络的三维脑肿瘤精细分割;褚晶辉;李晓川;张佳祺;吕卫;;激光与光电子学进展(第10期);全文 * |
| 卷积神经网络重建欠采的磁共振图像;王一达;宋阳;谢海滨;童睿;李建奇;杨光;;磁共振成像(第06期);全文 * |
| 深度学习的快速磁共振成像及欠采样轨迹设计;肖韬辉;郭建;赵涛;王珊珊;梁栋;;中国图象图形学报(第02期);全文 * |
| 结合图像分割的MRI图像压缩感知重构;傅雪;刘文波;;电子测量技术(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112802024A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eo et al. | KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images | |
| CN113077527B (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
| CN111656392B (zh) | 用于合成磁共振图像的系统和方法 | |
| CN108717717B (zh) | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 | |
| CN106934778B (zh) | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 | |
| US9542763B2 (en) | Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging | |
| de Leeuw den Bouter et al. | Deep learning-based single image super-resolution for low-field MR brain images | |
| CN111580032B (zh) | 用于去除磁共振成像中峰值噪声的方法和系统 | |
| Baselice et al. | A 3D MRI denoising algorithm based on Bayesian theory | |
| CN112037304B (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
| Chen et al. | Wavelet improved GAN for MRI reconstruction | |
| US20080212863A1 (en) | Image processing apparatus, image processing method, and magnetic resonance imaging apparatus | |
| CN112802024B (zh) | 一种磁共振血管壁图像分割方法 | |
| Bartušek et al. | Wavelet-based de-noising techniques in MRI | |
| Liu et al. | Variational regularized tree-structured wavelet sparsity for CS-SENSE parallel imaging | |
| 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 | |
| KR20150100019A (ko) | 자기 공명 영상 처리 장치 및 방법 | |
| Golshan et al. | A non-local Rician noise reduction approach for 3-D magnitude magnetic resonance images | |
| Yin et al. | Exploiting sparsity and low-rank structure for the recovery of multi-slice breast MRIs with reduced sampling error | |
| EP1176555A2 (en) | Image processing method and apparatus, recording medium, and imaging apparatus | |
| Joshi et al. | Effect of Regularization parameter on Total Variation based denoising of Magnetic Resonance Images | |
| CN113030816B (zh) | 提高磁共振弹性成像模量计算分辨率的方法、系统及介质 | |
| Tristán-Vega et al. | Design and construction of a realistic DWI phantom for filtering performance assessment | |
| Bartusek et al. | Optimization of wavelet-based de-noising in MRI | |
| Lim et al. | Tile-net for undersampled cardiovascular CINE magnetic resonance imaging |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230627 Address after: 381, West Side, Phase 1, Huiheng Building, No. 138 Gaoxin South Seventh Road, Gaoxin District Community, Yuehai Street, Shenzhen, Guangdong Province, 518000 Applicant after: Guochuang Yucheng Medical Device Development (Shenzhen) Co.,Ltd. Address before: Room A101, building 1, Yinxing Zhijie phase II, No. 1301-76, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen National Research Institute of high performance Medical Devices Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |