CN112967297B - 磁共振氧十七代谢成像方法、装置、存储介质及终端设备 - Google Patents
磁共振氧十七代谢成像方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112967297B CN112967297B CN202110327951.XA CN202110327951A CN112967297B CN 112967297 B CN112967297 B CN 112967297B CN 202110327951 A CN202110327951 A CN 202110327951A CN 112967297 B CN112967297 B CN 112967297B
- Authority
- CN
- China
- Prior art keywords
- data
- radial
- matrix data
- subarea
- sampling data
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 50
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 27
- 239000001301 oxygen Substances 0.000 title claims abstract description 27
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 19
- 230000004060 metabolic process Effects 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000005192 partition Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 147
- 238000012549 training Methods 0.000 claims description 90
- 230000003416 augmentation Effects 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 230000008707 rearrangement Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000002503 metabolic effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 7
- 230000008557 oxygen metabolism Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- QVGXLLKOCUKJST-OUBTZVSYSA-N oxygen-17 atom Chemical compound [17O] QVGXLLKOCUKJST-OUBTZVSYSA-N 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/11—Region-based segmentation
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请属于计算机技术领域，尤其涉及一种磁共振氧十七代谢成像方法、装置、计算机可读存储介质及终端设备。所述方法包括：获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；对所述填补后的径向采样数据进行成像处理，得到目标图像。通过本申请，引入不同的径向插值网络分别在各个频率分区上对采样数据进行填补，有效提高了最终的成像精度。
Description
技术领域
本申请属于计算机技术领域，尤其涉及一种磁共振氧十七代谢成像方法、装置、计算机可读存储介质及终端设备。
背景技术
脑液的调节在大脑中起着重要作用，通过磁共振氧十七（氧-17）代谢成像可以得到脑液的动态图像，从而作为判别大脑处于正常情况或是患病情况的依据。现有技术中，可以采用基于网格化算法的成像方法，这种方法在对采样数据进行密度补偿后，通过插值将数据重采样至一个大的网格矩阵下，再进行磁共振图像重建，这种方法虽然可以实现快速成像，但成像精度较低。
发明内容
有鉴于此，本申请实施例提供了一种磁共振氧十七代谢成像方法、装置、计算机可读存储介质及终端设备，以解决现有的成像方法精度较低的问题。
本申请实施例的第一方面提供了一种磁共振氧十七代谢成像方法，可以包括：
获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；
使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；
对所述填补后的径向采样数据进行成像处理，得到目标图像。
在第一方面的一种可能的实现方式中，所述使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据，可以包括：
将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据；
使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据；
将各个分区域增广矩阵数据还原为径向辐条形式，得到所述填补后的径向采样数据。
在第一方面的一种可能的实现方式中，在使用不同的径向插值网络分别对各个分区域矩阵数据进行处理之前，所述方法还可以包括：
构建第g个径向插值网络的训练样本集合，1≤g≤G，G为频率分区的数目；所述训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，所述输入矩阵数据与第g个分区域矩阵数据的尺寸一致，所述预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致；
使用所述训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
在第一方面的一种可能的实现方式中，所述构建第g个径向插值网络的训练样本集合，可以包括：
获取充分采样的全采数据；
对所述全采数据进行数据删除，得到与所述全采数据对应的欠采样数据；
对所述全采数据进行重排列，得到所述输入矩阵数据；
对所述欠采样数据进行重排列，得到所述预期输出矩阵数据；
将所述输入矩阵数据和所述预期输出矩阵数据组成的训练样本添加入所述训练样本集合中。
在本申请实施例的第一种具体实现中，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，可以包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第二种具体实现中，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，可以包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的列数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第三种具体实现中，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，可以包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，列数扩大至/>倍，得到各个分区域增广矩阵数据。
在第一方面的一种可能的实现方式中，所述对所述填补后的径向采样数据进行成像处理，得到目标图像，可以包括：
对所述填补后的径向采样数据进行快速傅里叶逆变换处理，得到所述目标图像。
本申请实施例的第二方面提供了一种磁共振氧十七代谢成像装置，可以包括：
采样数据划分模块，用于获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；
径向插值处理模块，用于使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；
成像处理模块，用于对所述填补后的径向采样数据进行成像处理，得到目标图像。
在第二方面的一种可能的实现方式中，所述径向插值处理模块可以包括：
数据重排列单元，用于将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据；
径向插值处理单元，用于使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据；
数据还原单元，用于将各个分区域增广矩阵数据还原为径向辐条形式，得到所述填补后的径向采样数据。
在第二方面的一种可能的实现方式中，所述磁共振氧十七代谢成像装置还可以包括：
训练样本集合构建模块，用于构建第g个径向插值网络的训练样本集合，1≤g≤G，G为频率分区的数目；所述训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，所述输入矩阵数据与第g个分区域矩阵数据的尺寸一致，所述预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致；
径向插值网络训练模块，用于使用所述训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
在第二方面的一种可能的实现方式中，所述训练样本集合构建模块可以包括：
全采数据获取单元，用于获取充分采样的全采数据；
欠采样数据处理单元，用于对所述全采数据进行数据删除，得到与所述全采数据对应的欠采样数据；
第一重排列单元，用于对所述全采数据进行重排列，得到所述输入矩阵数据；
第二重排列单元，用于对所述欠采样数据进行重排列，得到所述预期输出矩阵数据；
训练样本添加单元，用于将所述输入矩阵数据和所述预期输出矩阵数据组成的训练样本添加入所述训练样本集合中。
在本申请实施例的第一种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第二种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的列数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第三种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，列数扩大至/>倍，得到各个分区域增广矩阵数据。
在第二方面的一种可能的实现方式中，所述成像处理模块具体用于对所述填补后的径向采样数据进行快速傅里叶逆变换处理，得到所述目标图像。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种磁共振氧十七代谢成像方法的步骤。
本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种磁共振氧十七代谢成像方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种磁共振氧十七代谢成像方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；对所述填补后的径向采样数据进行成像处理，得到目标图像。通过本申请实施例，引入不同的径向插值网络分别在各个频率分区上对采样数据进行填补，对于各个不同频率分区上的采样数据具有更强的针对性，填补的数据更加精准，从而有效提高了最终的成像精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种磁共振氧十七代谢成像方法的一个实施例流程图；
图2为黄金角径向采样轨迹的示意图；
图3为使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据的示意流程图；
图4为频率域数据填补过程的示意图；
图5为本申请实施例中一种磁共振氧十七代谢成像装置的一个实施例结构图；
图6为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请实施例中，针对现有的成像方法精度较低的问题，引入不同的径向插值网络分别在各个频率分区上对采样数据进行填补，对于各个不同频率分区上的采样数据具有更强的针对性，填补的数据更加精准，从而有效提高了最终的成像精度。
请参阅图1，本申请实施例中一种磁共振氧十七代谢成像方法的一个实施例可以包括：
步骤101、获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将径向采样数据划分为若干个分区域径向采样数据。
磁共振成像（Magnetic Resonance Imaging，MRI）是当前最先进的医学诊疗手段之一，与X光和X射线计算机断层扫描成像（X-CT）相比，MRI不会产生对人体有害的辐射，同时可以对人体软组织成像，能对多种病变提供早期诊断。其中对于时间分辨率要求较高的动态成像由于MRI的成像速度慢，造成运动伪影，这限制了其广泛应用。MRI采集到的原始数据是频率域数据（即k空间数据），在k空间采样技术层面，为了提高采样速度，研究人员在欠采样、非均匀采样、采样轨迹设计方面做了很多研究。与此相对应的，对于不同采样模式对应的图像域重建研究同样重要。本申请实施例针对的黄金角径向采样与普通径向采样存在区别，由于普通的径向采样在中心的低频区域采样密集，在高频区域采样稀疏，这对重建造成一定的困难。而黄金角径向采样则按到中心的距离对于不同的环状区域采取了不同的采样密度，即在低频区域减少采样辐条，在高频区域增多采样辐条，提高了采样效率。
图2所示为黄金角径向采样轨迹的示意图，黄金角径向采样每次均旋转固定角度111.25度，这个数值是基于黄金分割比例计算得到的，因此被称为黄金角。黄金角径向采样数据的好处是使得采样过程中的任意时刻的k空间都呈现出采样比较均匀的状态，有利于基于任意数量采样线的数据进行图像重建。
执行本申请实施例的终端设备可以是磁共振扫描仪，也可以是其他可以通过有线通信、无线通信、转移存储介质等方式获取到径向采样数据的终端设备。例如，执行主体可以是图像工作站，图像工作站可以通过数据线、wifi、蓝牙等方式与磁共振扫描仪通信连接，获取径向采样数据，执行磁共振成像工作。
在获取到磁共振氧十七代谢的黄金角径向采样数据之后，则可以按照预设的频率分区将径向采样数据划分为若干个分区域径向采样数据。具体的频率分区数目，以及每个频率分区的频率范围均可以根据实际情况进行设置，本申请实施例对此不作具体限定。例如，可以设置低频区、中频区和高频区共三个频率分区，则径向采样数据可对应划分为低频区域径向采样数据、中频区域径向采样数据和高频区域径向采样数据。
步骤102、使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据。
在本申请实施例的一种具体实现中，步骤102可以包括如图3所示的过程：
步骤1021、将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据。
以任意一个分区域径向采样数据为例，将其径向辐条数目记为N，将其每根辐条上的采样点数记为M，在数据重排列的过程中，将每根辐条上的采样数据作为矩阵的一行，则可以得到一个尺寸为N×M（N行M列）的矩阵数据，即分区域矩阵数据。
步骤1022、使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据。
由于k空间数据具有区域差异，低频区和高频区对于最终重建出的图像的重要性并不相同。在本申请实施例中，可以预先设置与各个频率分区分别对应的径向插值网络。例如，如图4所示，对于低频区、中频区和高频区这三个频率分区，可以分别设置相对应的径向插值网络（即图中所示的径向插值模块1、径向插值模块2和径向插值模块3）。在本申请实施例中，可以根据实际情况选择使用现有技术中的任意一种神经网络来作为径向插值网络，此处对其不作具体限定。
当径向插值网络对分区域矩阵数据进行处理时，可以将分区域矩阵数据的尺寸扩大。尺寸扩大具体可以包括以下三种情况：
情况一、使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，即增加了辐条数，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数，其具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定，1≤g≤G，G为频率分区的数目。
情况二、使用不同的径向插值网络分别将各个分区域矩阵数据的列数扩大至倍，即增加了每根辐条上的采样点数，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数，其具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。
情况三、使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，列数扩大至/>倍，即同时增加了辐条数以及每根辐条上的采样点数，得到各个分区域增广矩阵数据。
在本申请实施例中，可以根据实际情况选择上述的任意一种情况来对各个分区域矩阵数据进行处理。
本申请实施例中所使用的径向插值网络预先经过深度学习的训练过程，此处以其中的第g个径向插值网络（即对应于第g个频率分区，对第g个分区域矩阵数据进行处理的径向插值网络）为例对其训练过程进行详细说明。
首先，构建第g个径向插值网络的训练样本集合。训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，输入矩阵数据与第g个分区域矩阵数据的尺寸一致，预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致。
在本申请实施例的一种具体实现中，可以首先获取对应的频率分区的充分采样的数据，即全采数据，然后按照预设的欠采样倍率对全采数据进行数据删除，得到与全采数据对应的欠采样数据。接着，对全采数据进行重排列，得到输入矩阵数据；并对欠采样数据进行重排列，得到预期输出矩阵数据。最后将输入矩阵数据和预期输出矩阵数据组成的训练样本添加入训练样本集合中。在初始状态下，训练样本集合为空，即不存在任何的训练样本，重复上述过程，则可以不断构建出新的训练样本添加入训练样本集合中，直至达到预定的训练样本数目为止。
在完成训练样本集合的构建之后，则可以使用训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
在训练的过程中，可以针对训练数据集合中的每个训练样本，使用径向插值网络对该训练样本中的输入矩阵数据进行处理，得到实际输出的矩阵数据，然后根据该训练样本中的预期输出矩阵数据和实际输出的矩阵数据计算训练损失值。训练损失值的具体计算方式可以根据实际情况进行设置，在本申请实施例的一种具体实现中，可以计算预期输出矩阵数据和实际输出的矩阵数据之间的平方误差，并将该平方误差确定为训练损失值。
在计算得到训练损失值之后，则可以根据训练损失值对径向插值网络的模型参数进行调整。在本申请实施例中，假设径向插值网络的模型参数为W1，将训练损失值反向传播修改径向插值网络的模型参数W1，得到修改后的模型参数W2。修改参数之后再继续执行下一次的训练过程，在该次训练过程中，重新计算得到训练损失值，将该训练损失值反向传播修改径向插值网络的模型参数W2，得到修改后的模型参数W3，……，以此类推，不断重复以上过程，每次训练过程均可对模型参数进行修改，直至满足预设的训练条件，其中，训练条件可以是训练次数达到预设的次数阈值，次数阈值可以根据实际情况进行设置，例如，可以将其设置为数千、数万、数十万甚至更大的数值；训练条件也可以是径向插值网络收敛；由于可能出现训练次数还未达到次数阈值，但径向插值网络已经收敛，可能导致重复不必要的工作；或者径向插值网络始终无法收敛，可能导致无限循环，无法结束训练的过程，基于上述两种情况，训练条件还可以是训练次数达到次数阈值或径向插值网络收敛。当满足训练条件，即可得到已训练的径向插值网络。
步骤1023、将各个分区域增广矩阵数据还原为径向辐条形式，得到填补后的径向采样数据。
容易理解地，步骤1023为步骤1021的逆过程，以任意一个分区域增广矩阵数据为例，假设其尺寸为N′× M′（N′行M′列），在数据还原的过程中，将矩阵每一行的数据作为一根辐条上的采样数据，则可以得到对应的分区域填补后的径向采样数据，其中包括N′根辐条，每根辐条上的采样点数为M′。在还原得到各个分区域填补后的径向采样数据之后，则可以将这些数据组合为完整的填补后的径向采样数据。
图4所示即为数据重排列、径向插值网络处理以及数据还原过程的示意图，经过这样的过程，有效实现了频率域的数据填补，最终得到的填补后的径向采样数据较之于原始的径向采样数据具有更高的数据精度。
步骤103、对填补后的径向采样数据进行成像处理，得到目标图像。
具体地，可以对填补后的径向采样数据进行快速傅里叶逆变换处理，从而得到最终的成像结果，也即目标图像。
综上所述，本申请实施例获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；对所述填补后的径向采样数据进行成像处理，得到目标图像。通过本申请实施例，引入不同的径向插值网络分别在各个频率分区上对采样数据进行填补，对于各个不同频率分区上的采样数据具有更强的针对性，填补的数据更加精准，从而有效提高了最终的成像精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种磁共振氧十七代谢成像方法，图5示出了本申请实施例提供的一种磁共振氧十七代谢成像装置的一个实施例结构图。
本实施例中，一种磁共振氧十七代谢成像装置可以包括：
采样数据划分模块501，用于获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；
径向插值处理模块502，用于使用不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；
成像处理模块503，用于对所述填补后的径向采样数据进行成像处理，得到目标图像。
在本实施例的一种可能的实现方式中，所述径向插值处理模块可以包括：
数据重排列单元，用于将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据；
径向插值处理单元，用于使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据；
数据还原单元，用于将各个分区域增广矩阵数据还原为径向辐条形式，得到所述填补后的径向采样数据。
在本实施例的一种可能的实现方式中，所述磁共振氧十七代谢成像装置还可以包括：
训练样本集合构建模块，用于构建第g个径向插值网络的训练样本集合，1≤g≤G，G为频率分区的数目；所述训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，所述输入矩阵数据与第g个分区域矩阵数据的尺寸一致，所述预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致；
径向插值网络训练模块，用于使用所述训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
在本实施例的一种可能的实现方式中，所述训练样本集合构建模块可以包括：
全采数据获取单元，用于获取充分采样的全采数据；
欠采样数据处理单元，用于对所述全采数据进行数据删除，得到与所述全采数据对应的欠采样数据；
第一重排列单元，用于对所述全采数据进行重排列，得到所述输入矩阵数据；
第二重排列单元，用于对所述欠采样数据进行重排列，得到所述预期输出矩阵数据；
训练样本添加单元，用于将所述输入矩阵数据和所述预期输出矩阵数据组成的训练样本添加入所述训练样本集合中。
在本申请实施例的第一种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第二种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的列数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
在本申请实施例的第三种具体实现中，所述径向插值处理单元具体用于：使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，列数扩大至/>倍，得到各个分区域增广矩阵数据。
在本实施例的一种可能的实现方式中，所述成像处理模块具体用于对所述填补后的径向采样数据进行快速傅里叶逆变换处理，得到所述目标图像。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图6示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个磁共振氧十七代谢成像方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示采样数据划分模块501至成像处理模块503的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。
本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备6还可以包括输入输出设备、网络接入设备、总线等。
所述处理器60可以是中央处理单元（Central Processing Unit，CPU），还可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备6所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种磁共振氧十七代谢成像方法，其特征在于，包括：
获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；
使用预先设置的与各个频率分区分别对应的不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据，包括：将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据；使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据；将各个分区域增广矩阵数据还原为径向辐条形式，得到所述填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；
对所述填补后的径向采样数据进行成像处理，得到目标图像；
在使用不同的径向插值网络分别对各个分区域矩阵数据进行处理之前，还包括：构建第g个径向插值网络的训练样本集合，1≤g≤G，G为频率分区的数目；所述训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，所述输入矩阵数据与第g个分区域矩阵数据的尺寸一致，所述预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致；使用所述训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
2.根据权利要求1所述的磁共振氧十七代谢成像方法，其特征在于，所述构建第g个径向插值网络的训练样本集合，包括：
获取充分采样的全采数据；
对所述全采数据进行数据删除，得到与所述全采数据对应的欠采样数据；
对所述全采数据进行重排列，得到所述输入矩阵数据；
对所述欠采样数据进行重排列，得到所述预期输出矩阵数据；
将所述输入矩阵数据和所述预期输出矩阵数据组成的训练样本添加入所述训练样本集合中。
3.根据权利要求1所述的磁共振氧十七代谢成像方法，其特征在于，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
4.根据权利要求1所述的磁共振氧十七代谢成像方法，其特征在于，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的列数扩大至倍，得到各个分区域增广矩阵数据；其中，/>为与第g个频率分区对应的增广系数，且/>为大于1的整数。
5.根据权利要求1所述的磁共振氧十七代谢成像方法，其特征在于，所述使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据，包括：
使用不同的径向插值网络分别将各个分区域矩阵数据的行数扩大至倍，列数扩大至倍，得到各个分区域增广矩阵数据；其中，/>和/>为与第g个频率分区对应的增广系数，且/>和/>均为大于1的整数。
6.一种磁共振氧十七代谢成像装置，其特征在于，包括：
采样数据划分模块，用于获取磁共振氧十七代谢的黄金角径向采样数据，并按照预设的频率分区将所述径向采样数据划分为若干个分区域径向采样数据；
径向插值处理模块，用于使用预先设置的与各个频率分区分别对应的不同的径向插值网络分别对各个分区域径向采样数据进行处理，得到填补后的径向采样数据，包括：数据重排列单元，用于将各个分区域径向采样数据分别重排列为矩阵形式，得到各个分区域矩阵数据；径向插值处理单元，用于使用不同的径向插值网络分别对各个分区域矩阵数据进行处理，得到各个分区域增广矩阵数据；数据还原单元，用于将各个分区域增广矩阵数据还原为径向辐条形式，得到所述填补后的径向采样数据；其中，每个径向插值网络均对应一个频率分区；
成像处理模块，用于对所述填补后的径向采样数据进行成像处理，得到目标图像；
训练样本集合构建模块，用于构建第g个径向插值网络的训练样本集合，1≤g≤G，G为频率分区的数目；所述训练样本集合中包括若干个训练样本，每个训练样本包括输入矩阵数据和预期输出矩阵数据，所述输入矩阵数据与第g个分区域矩阵数据的尺寸一致，所述预期输出矩阵数据与第g个分区域增广矩阵数据的尺寸一致；
径向插值网络训练模块，用于使用所述训练样本集合对第g个径向插值网络进行训练，得到训练后的第g个径向插值网络。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的磁共振氧十七代谢成像方法的步骤。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的磁共振氧十七代谢成像方法的步骤。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2021082440 | 2021-03-23 | ||
| CN202110310782 | 2021-03-23 | ||
| CN2021103107829 | 2021-03-23 | ||
| CNPCT/CN2021/082440 | 2021-03-23 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112967297A CN112967297A (zh) | 2021-06-15 |
| CN112967297B true CN112967297B (zh) | 2024-05-03 |
Family
ID=76278820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110327951.XA Active CN112967297B (zh) | 2021-03-23 | 2021-03-26 | 磁共振氧十七代谢成像方法、装置、存储介质及终端设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112967297B (zh) |
| WO (1) | WO2022198655A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019086337A1 (en) * | 2017-10-31 | 2019-05-09 | Koninklijke Philips N.V. | Motion artifact prediction during data acquisition |
| CN110133558A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种磁共振动态成像方法、装置及可读介质 |
| CN111292388A (zh) * | 2020-01-22 | 2020-06-16 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、电子设备、存储介质 |
| CN111445547A (zh) * | 2020-03-20 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005023108A1 (ja) * | 2003-09-05 | 2005-03-17 | Hitachi Medical Corporation | 磁気共鳴イメージング装置 |
| EP2839433B1 (en) * | 2012-04-19 | 2024-03-13 | New York University | System, method and computer-accessible medium for highly-accelerated dynamic magnetic resonance imaging using golden-angle radial sampling |
| DE102017202535A1 (de) * | 2017-02-16 | 2018-08-16 | Siemens Healthcare Gmbh | Erstellen von MR-Bildern |
| US20190054194A1 (en) * | 2017-08-17 | 2019-02-21 | Case Western Reserve University | System and Method For Evaluation of Subjects Using Magnetic Resonance Imaging and Oxygen-17 |
| US20200405176A1 (en) * | 2017-12-18 | 2020-12-31 | Koninklijke Philips N.V. | Motion compensated magnetic resonance imaging |
| WO2020033566A1 (en) * | 2018-08-07 | 2020-02-13 | Human Longevity, Inc. | Neural networks for volumetric segmentation and parcellated surface representations |
-
2021
- 2021-03-26 WO PCT/CN2021/083359 patent/WO2022198655A1/zh active Application Filing
- 2021-03-26 CN CN202110327951.XA patent/CN112967297B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019086337A1 (en) * | 2017-10-31 | 2019-05-09 | Koninklijke Philips N.V. | Motion artifact prediction during data acquisition |
| CN110133558A (zh) * | 2018-02-09 | 2019-08-16 | 深圳先进技术研究院 | 一种磁共振动态成像方法、装置及可读介质 |
| CN111292388A (zh) * | 2020-01-22 | 2020-06-16 | 上海东软医疗科技有限公司 | 磁共振成像方法、装置、电子设备、存储介质 |
| CN111445547A (zh) * | 2020-03-20 | 2020-07-24 | 中国科学院深圳先进技术研究院 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| Resolution Enhancement and Quality Assessment of MRI images using Different Interpolation Techniques;Miss Pallavi D. Sawant et al.;《International Conference on Intelligent Computing and Control》;20171231;第1-4页 * |
| 图像域自适应线性自回归MRI图像客观质量提升算法研究;武博 等;《北京生物医学工程》;20161231;第35卷(第6期);第626-631页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022198655A1 (zh) | 2022-09-29 |
| CN112967297A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5048052B2 (ja) | 磁気共鳴イメージング装置および磁気共鳴イメージング方法 | |
| CN107576924A (zh) | 一种磁共振动态成像方法和装置 | |
| 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 | |
| WO2022236851A1 (zh) | 卷褶视野磁共振图像的重建方法、计算机设备及存储介质 | |
| Lazarus et al. | 3D variable‐density SPARKLING trajectories for high‐resolution T2*‐weighted magnetic resonance imaging | |
| CN108324276B (zh) | 磁共振成像方法和装置 | |
| CN106680748A (zh) | 磁共振图像获取方法及磁共振系统 | |
| CN102096055B (zh) | 一种用于磁共振成像非均匀采样数据的快速精确重建方法 | |
| JP7300811B2 (ja) | 医用情報処理装置、医用情報処理方法、およびプログラム | |
| JP6647816B2 (ja) | 磁気共鳴イメージング装置、画像再構成方法及び画像再構成プログラム | |
| JPH021082A (ja) | ３次元の面の定義を発生する装置及び方法、並びにグラフィック表示システム | |
| CN112967297B (zh) | 磁共振氧十七代谢成像方法、装置、存储介质及终端设备 | |
| CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
| CN109975343B (zh) | 磁共振成像方法、系统及存储介质 | |
| Heigl et al. | High-speed reconstruction for C-arm computed tomography | |
| Sabbagh et al. | Cardiac MRI compressed sensing image reconstruction with a graphics processing unit | |
| WO2021114143A1 (zh) | 一种图像重建方法、装置、终端设备及存储介质 | |
| 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 | |
| US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
| WO2022163402A1 (ja) | 学習済みモデルの生成方法、機械学習システム、プログラムおよび医療画像処理装置 | |
| WO2022236823A1 (zh) | 卷褶视野磁共振图像的重建方法、计算机设备及存储介质 | |
| JP2021099794A (ja) | ディープニューラルネットワークおよび測定データの再帰的間引きを使用して医用画像を再構築するためのシステムおよび方法 | |
| WO2021087740A1 (zh) | 磁共振成像方法、装置、服务器及存储介质 | |
| CN111161366A (zh) | 一种图像重建方法、装置、终端设备及存储介质 | |
| WO2018037868A1 (ja) | 磁気共鳴イメージング装置および画像再構成方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |