CN113052937B - 一种动态对比增强核磁共振图像的重建方法及重建系统 - Google Patents
一种动态对比增强核磁共振图像的重建方法及重建系统 Download PDFInfo
- Publication number
- CN113052937B CN113052937B CN202110419657.1A CN202110419657A CN113052937B CN 113052937 B CN113052937 B CN 113052937B CN 202110419657 A CN202110419657 A CN 202110419657A CN 113052937 B CN113052937 B CN 113052937B
- Authority
- CN
- China
- Prior art keywords
- parameter
- dce
- mri image
- map
- 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
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)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种动态对比增强核磁共振图像的重建方法及重建系统,先获取DCE‑MRI图像和T1‑mappingMRI图像。然后以DCE‑MRI图像和T1‑mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像,进而利用训练好的深度神经网络模型实现动态对比增强核磁共振图像的重建过程,通过训练好的深度神经网络模型,能够在几十毫秒内得到重建参数图像,重建速度快,效率高。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于深度神经网络的动态对比增强核磁共振图像的重建方法及重建系统。
背景技术
磁共振检查在病变的定位、定性检查中具有其他影像学检查都无可比拟的优势,但磁共振影像的解读受医师主观性认识影响较大。随着磁共振成像技术的发展,人们对半定量或定量技术的需求越来越大。磁共振动态对比增强(Dynamic contrast enhancedMRI,DCE-MRI)是快速连续重复获得注入对比剂前后的图像,经过计算可以获得半定量或定量参数,对获得病灶形态学特征具有重大意义。但是其计算过程复杂,具有大量迭代卷积计算,从而存在计算时间冗长的问题。
发明内容
本发明的目的是提供一种动态对比增强核磁共振图像的重建方法及重建系统,通过对深度神经网络模型进行训练,能够在几十毫秒内通过训练好的深度神经网络模型得到重建参数图像,重建速度快,效率高。
为实现上述目的,本发明提供了如下方案:
一种动态对比增强核磁共振图像的重建方法,所述重建方法包括如下步骤:
获取DCE-MRI图像和T1-mapping MRI图像;
以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图。
一种动态对比增强核磁共振图像的重建系统,所述重建系统包括:
采集模块,用于获取DCE-MRI图像和T1-mapping MRI图像;
计算模块,用于以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种动态对比增强核磁共振图像的重建方法及重建系统,先获取DCE-MRI图像和T1-mapping MRI图像。然后以DCE-MRI图像和T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像,进而利用训练好的深度神经网络模型实现动态对比增强核磁共振图像的重建过程,通过训练好的深度神经网络模型,能够在几十毫秒内得到重建参数图像,重建速度快,效率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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他的附图。
图1为本发明实施例1所提供的重建方法的方法流程图。
图2为本发明实施例1所提供的重建方法的详细流程图。
图3为本发明实施例1所提供的模拟生成训练样本的方法流程图。
图4为本发明实施例2所提供的重建系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种动态对比增强核磁共振图像的重建方法及重建系统,通过对深度神经网络模型进行训练,能够在几十毫秒内通过训练好的深度神经网络模型得到重建参数图像,重建速度快,效率高。
为使本发明的上述目的、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发明作进一步详细的说明。
实施例1:
请参见图1和图2,本实施例用于提供一种动态对比增强核磁共振图像的重建方法,所述重建方法包括如下步骤:
S1:获取DCE-MRI图像和T1-mapping MRI图像;
在获取DCE-MRI图像和T1-mapping MRI图像后,所述重建方法还包括对DCE-MRI图像进行归一化处理,具体包括:采集DCE-MRI图像对应的CP曲线,CP曲线为对比剂浓度随时间的变化曲线。然后确定CP曲线的峰值所在帧,并计算峰值所在帧前预定帧数对应的对比剂浓度的平均值,即获取峰值所在帧前预定帧数的对比剂浓度,并求这些对比剂浓度的平均值。最后将DCE-MRI图像每一帧的像素值均除以平均值,进行时间维度上的归一化处理,得到归一化后的DCE-MRI图像。
另外,本实施例还可以对T1-mapping MRI图像进行图像全局的归一化处理,具体的,将T1-mapping MRI图像每一帧的像素值均除以1000,得到归一化后的T1-mapping MRI图像。这是由于T1-mapping MRI图像的单位为ms,而DCE-MRI图像的单位为s,对T1-mappingMRI图像进行归一化处理便是令T1-mapping MRI图像与DCE-MRI图像的单位一致。
需要说明的是,还可以对DCE-MRI图像和T1-mapping MRI图像进行其他类型的预处理。
S2:以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图。
本实施例所提供的重建方法还包括对深度神经网络模型进行训练。具体的,使用不同结构的深度神经网络模型可能会得到效果不同的重建参数图像,本实施例中具体选择U-Net这一深度神经网络模型,可以为以深度学习框架PyTorch为例所搭建的一个五层的U-Net深度神经网络模型。
U-Net包含对称的两个部分,即编-解码器结构。编码器部分和普通卷积网络相同,使用3×3的卷积层和最大池化层进行4次下采样,得到低分辨率的图像信息,能够更好的提取图像像素间的联系,一共下采样16倍。后半部分网络为解码器,与前半部分对称,使用3×3的卷积层和4次上采样,恢复图像分辨率,同时采取跳跃连接策略,融合同分辨率的高层局部信息和低层语义信息得到新的特征,充分利用各层信息,能有效解决上采样恢复信息不足的问题,更适用于医学图像的特征学习。
需要说明的是,本实施例中U-Net卷积过程采用的卷积核大小为3×3,步长为1,padding形式为same,在每次卷积过程后面都接一个ReLu激活函数。下采样过程使用的最大池化层的尺寸为2×2,步长为2,padding形式为same。反卷积使用大小均为2×2、步长为2的卷积核,输入通道数为输出通道数的两倍,不接激活函数。损失函数使用均方误差(MeanSquare Error,MSE)。
对深度神经网络模型进行训练时,本实施例采用多个训练样本对其进行训练,每一训练样本均包括Ktrans参数图、Ve参数图、Vp参数图、T1-mapping MRI图像和DCE-MRI图像。然后以T1-mapping MRI图像和DCE-MRI图像作为输入,以Ktrans参数图、Ve参数图和Vp参数图作为标签数据,对深度神经网络模型进行训练,直至深度神经网络模型收敛,得到训练好的深度神经网络模型。
本实施例通过对深度神经网络模型进行训练并得到训练好的深度神经网络模型后,可在几十毫秒内通过训练好的深度神经网络模型得到最终的重建参数图像。与需要迭代计算的传统方法相比,本实施例所用的重建方法重建速度更快,效率更高。
要训练用于重建的深度神经网络模型需要大量的训练样本,训练样本可以通过设置实验环境来采集得到T1-mapping MRI图像和DCE-MRI图像,并利用传统方法来计算参数图这样的方式来得到,但真实的实验环境往往不理想且采集信号耗时较长,且传统方法计算得到的参数图有所误差,且存在颗粒感。基于这一问题,本实施例的重建方法还包括模拟生成训练样本,请参见图3,模拟生成训练样本的过程可以包括:
S101:利用DCE Extended-Tofts模型模拟生成多个参数图样本;所述参数图样本包括Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像;
具体的,S101可以包括:
在模拟区域内随机生成一个几何图形;所述模拟区域的形状和大小由模拟的成像对象所决定,即模拟区域的形状和大小用于模拟成像对象的形状和大小,其与成像对象的形状和大小完全相同。模拟区域可为二维图形。所述几何图形的形状包括矩形、三角形、圆形和环形,当然,几何图形还可以为其他形状,但几何图形必须在模拟区域内。
根据每一参数对应的预设参数阈值,利用DCE Extended-Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数;具体的,Ktrans参数的预设参数阈值可为-5-0,其为对数值;Vp参数的预设参数阈值为0.01-0.1;Ve参数的预设参数阈值为0.1-0.6;T1-mapping参数的预设参数阈值为0.5-3.5。
判断已生成的所述几何图形所组成的区域是否覆盖所述模拟区域;
若否,则在所述模拟区域内再随机生成一个几何图形,返回“根据每一参数对应的预设参数阈值,利用DCEExtended-Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数”的步骤,直至已生成的所述几何图形所组成的区域覆盖所述模拟区域;需要说明的是,各个几何图形之间可以有重叠部分。
若是,则根据所述模拟区域内每一位置点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数分别生成Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像,得到一个参数图样本;并返回“在模拟区域内随机生成一个几何图形”的步骤,直至所得到的所述参数图样本的个数为预设个数,进而得到用于训练深度神经网络模型的训练集。
作为一种可选的实施方式,在得到参数图样本时,所用的方法可以具体包括:根据模拟区域内每一位置点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数分别生成Ktrans初始参数图、Ve初始参数图、Vp初始参数图和T1-mapping MRI图像。然后在Ktrans初始参数图、Ve初始参数图和Vp初始参数图中添加纹理值,得到Ktrans参数图、Ve参数图和Vp参数图。
需要说明的是,该纹理值用于模拟成像对象的纹理。具体的,获取纹理值的方法为:随机选取一张自然图像,自然图像是指一些jpg格式的普通图像,比如一些风景、人物。然后将自然图像转换为灰度图,再用高斯滤波器对灰度图进行处理,提取灰度图的纹理值。
S102:对于每一所述参数图样本,利用平均参数模型公式随机生成CP曲线;
所述平均参数模型公式为:
式1中,CP(t)为t时刻的对比剂浓度;n=1,2;An为第n个高斯函数的缩放比例常数;Tn为第n个高斯函数的中心常数;σn为第n个高斯函数的宽度常数;α为指数函数的振幅;β为指数函数的衰减常数;s为sigmoid函数的中心常数;τ为sigmoid函数的宽度常数。
利用这一平均参数模型公式,得到每一时间点的对比剂浓度,进而确定一定时间段内的CP曲线。在真实采样CP曲线时,通常采样35个时间点,采样间隔是0.075s。故本实施例中生成5s的CP曲线,并选取CP曲线的后半部分,后半部分与真实采样数据的时间段相同,用于模拟对比剂注入以后的情况。
S103:根据所述Ktrans参数图、所述Ve参数图、所述Vp参数图和所述CP曲线,生成所述参数图样本对应的DCE-MRI图像,得到训练样本;所述训练样本包括所述DCE-MRI图像和所述参数图样本。
S103可以包括:根据所述Ktrans参数图、所述Ve参数图、所述Vp参数图和所述CP曲线,利用DCE Extended-Tofts模型公式生成所述参数图样本对应的DCE-MRI图像。
所述DCEExtended-Tofts模型公式为:
式2中,Ct(t)为t时刻的DCE-MRI图像的像素值;Vp为Vp参数图的像素值,Vp指血浆容积分数;CP(t)为t时刻的对比剂浓度;Ktrans为Ktrans参数图的像素值,Ktrans指对比剂从血管空间渗漏到血管外细胞外空间的转运系数;υ为积分变量;Ve为Ve参数图的像素值,Ve指血管外细胞外空间容积分数。
作为一种可选的实施方式,在得到T1-mapping MRI图像和DCE-MRI图像后,所述重建方法还包括向T1-mapping MRI图像和DCE-MRI图像的背景区域中添加正态分布的随机噪声,所述噪声用于模拟核磁共振采样时的噪声。进而在生成用于训练深度神经网络模型的训练样本时,通过添加随机噪声,与传统重建方法相比,所得的重建图像抵抗背景噪声效果更强。
需要说明的是,在生成T1-mapping MRI图像和DCE-MRI图像时,驰豫度(T1relaxivity)为4.5s-1mM-1,采样时间为5.91s,采样点为35个,翻转角(Flip angle)为15,信噪比为50,重复时间(time of repetition)为0.0058s。
本实施例在制作用于训练深度神经网络模型的训练样本时,并不直接使用真实图像数据和由真实图像数据算得的参数图作为训练样本,而是通过先模拟生成参数图作为训练深度神经网络模型的标签,然后用模拟的参数图重建得到的DCE-MRI图像和T1-mappingMRI图像作为输入。与直接用真实数据算得的参数图做标签相比,本方法模拟生成的标签使深度神经网络模型训练的结果更逼近于真实的生理数据,误差更小,清晰度更高。另外,采用U-Net这一深度神经网络模型,其独特的编-解码器结构能获得多尺度的特征信息,使得最终重建结果的图像边缘信息更精细。
本实施例所提供的重建方法,通过模拟生成参数图并进行预处理作为训练深度神经网络模型的标签,并选用T1-mapping MRI图像和Extended Tofts模型重建得到的DCE-MRI图像作为输入,训练深度神经网络模型。考虑到实际实验条件下背景磁场不均匀、成像信号信噪比低等问题,在制作用于训练深度神经网络模型的模拟信号样本时引入相似的噪声,以增强网络模型的鲁棒性。通过训练完成后的深度神经网络模型,可以快速获得DCE-MRI的重建图像,包括Ktrans参数图、Vp参数图和Ve参数图。
实施例2:
请参见图4,本实施例用于提供一种动态对比增强核磁共振图像的重建系统,所述重建系统包括:
采集模块M1,用于获取DCE-MRI图像和T1-mapping MRI图像;
计算模块M2,用于以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明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发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (7)
1.一种动态对比增强核磁共振图像的重建方法,其特征在于,所述重建方法包括如下步骤:
获取DCE-MRI图像和T1-mapping MRI图像;
以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图;
在获取DCE-MRI图像和T1-mapping MRI图像后,所述重建方法还包括对DCE-MRI图像进行归一化处理,具体包括:
采集所述DCE-MRI图像对应的CP曲线;所述CP曲线为对比剂浓度随时间的变化曲线;
确定所述CP曲线的峰值所在帧,并计算所述峰值所在帧前预定帧数对应的对比剂浓度的平均值;
将所述DCE-MRI图像每一帧的像素值均除以所述平均值,得到归一化后的DCE-MRI图像;
在利用训练好的深度神经网络模型得到重建参数图像之前,所述重建方法还包括模拟生成训练样本,具体包括:
利用DCE Extended-Tofts模型模拟生成多个参数图样本;所述参数图样本包括Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像;
对于每一所述参数图样本,利用平均参数模型公式随机生成CP曲线;
根据所述Ktrans参数图、所述Ve参数图、所述Vp参数图和所述CP曲线,生成所述参数图样本对应的DCE-MRI图像,得到训练样本;所述训练样本包括所述DCE-MRI图像和所述参数图样本;
所述平均参数模型公式为:
其中,CP(t)为t时刻的对比剂浓度;n=1,2;An为第n个高斯函数的缩放比例常数;Tn为第n个高斯函数的中心常数;σn为第n个高斯函数的宽度常数;α为指数函数的振幅;β为指数函数的衰减常数;s为sigmoid函数的中心常数;τ为sigmoid函数的宽度常数。
2.根据权利要求1所述的一种动态对比增强核磁共振图像的重建方法,其特征在于,所述利用DCE Extended-Tofts模型模拟生成多个参数图样本具体包括:
在模拟区域内随机生成一个几何图形;所述模拟区域的形状和大小由模拟的成像对象所决定;所述几何图形的形状包括矩形、三角形、圆形和环形;
根据每一参数对应的预设参数阈值,利用DCE Extended-Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数;
判断已生成的所述几何图形所组成的区域是否覆盖所述模拟区域;
若否,则在所述模拟区域内再随机生成一个几何图形,返回“根据每一参数对应的预设参数阈值,利用DCE Extended-Tofts模型分别计算得到无参数值的所述几何图形内每一像素点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数”的步骤,直至已生成的所述几何图形所组成的区域覆盖所述模拟区域;
若是,则根据所述模拟区域内每一位置点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数分别生成Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像,得到一个参数图样本;并返回“在模拟区域内随机生成一个几何图形”的步骤,直至所得到的所述参数图样本的个数为预设个数。
3.根据权利要求2所述的一种动态对比增强核磁共振图像的重建方法,其特征在于,所述根据所述模拟区域内每一位置点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数分别生成Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像具体包括:
根据所述模拟区域内每一位置点的Ktrans参数、Ve参数、Vp参数和T1-mapping参数分别生成Ktrans初始参数图、Ve初始参数图、Vp初始参数图和T1-mapping MRI图像;
在所述Ktrans初始参数图、所述Ve初始参数图和所述Vp初始参数图中添加纹理值,得到Ktrans参数图、Ve参数图和Vp参数图。
4.根据权利要求1所述的一种动态对比增强核磁共振图像的重建方法,其特征在于,根据所述Ktrans参数图、所述Ve参数图、所述Vp参数图和所述CP曲线,利用DCE Extended-Tofts模型公式生成所述参数图样本对应的DCE-MRI 图像。
6.根据权利要求1所述的一种动态对比增强核磁共振图像的重建方法,其特征在于,所述重建方法还包括向所述T1-mapping MRI图像和所述DCE-MRI图像中的背景区域内添加正态分布的随机噪声。
7.一种动态对比增强核磁共振图像的重建系统,其特征在于,所述重建系统包括:
采集模块,用于获取DCE-MRI图像和T1-mapping MRI图像;
计算模块,用于以所述DCE-MRI图像和所述T1-mapping MRI图像作为输入,利用训练好的深度神经网络模型得到重建参数图像;所述重建参数图像包括Ktrans参数图、Ve参数图和Vp参数图;
在获取DCE-MRI图像和T1-mapping MRI图像后,重建方法还包括对DCE-MRI图像进行归一化处理,具体包括:
采集所述DCE-MRI图像对应的CP曲线;所述CP曲线为对比剂浓度随时间的变化曲线;
确定所述CP曲线的峰值所在帧,并计算所述峰值所在帧前预定帧数对应的对比剂浓度的平均值;
将所述DCE-MRI图像每一帧的像素值均除以所述平均值,得到归一化后的DCE-MRI图像;
在利用训练好的深度神经网络模型得到重建参数图像之前,所述重建方法还包括模拟生成训练样本,具体包括:
利用DCE Extended-Tofts模型模拟生成多个参数图样本;所述参数图样本包括Ktrans参数图、Ve参数图、Vp参数图和T1-mapping MRI图像;
对于每一所述参数图样本,利用平均参数模型公式随机生成CP曲线;
根据所述Ktrans参数图、所述Ve参数图、所述Vp参数图和所述CP曲线,生成所述参数图样本对应的DCE-MRI图像,得到训练样本;所述训练样本包括所述DCE-MRI图像和所述参数图样本;
所述平均参数模型公式为:
其中,CP(t)为t时刻的对比剂浓度;n=1,2;An为第n个高斯函数的缩放比例常数;Tn为第n个高斯函数的中心常数;σn为第n个高斯函数的宽度常数;α为指数函数的振幅;β为指数函数的衰减常数;s为sigmoid函数的中心常数;τ为sigmoid函数的宽度常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419657.1A CN113052937B (zh) | 2021-04-19 | 2021-04-19 | 一种动态对比增强核磁共振图像的重建方法及重建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110419657.1A CN113052937B (zh) | 2021-04-19 | 2021-04-19 | 一种动态对比增强核磁共振图像的重建方法及重建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052937A CN113052937A (zh) | 2021-06-29 |
CN113052937B true CN113052937B (zh) | 2022-07-29 |
Family
ID=76519692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110419657.1A Active CN113052937B (zh) | 2021-04-19 | 2021-04-19 | 一种动态对比增强核磁共振图像的重建方法及重建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052937B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114518555A (zh) * | 2022-02-11 | 2022-05-20 | 厦门大学 | 一种核Overhauser增强成像方法及系统 |
CN114782569A (zh) * | 2022-03-15 | 2022-07-22 | 厦门大学 | 一种基于深度学习的dsc-mri血液动力学参数定量方法和系统 |
CN114723844B (zh) * | 2022-06-10 | 2022-08-19 | 中国医学科学院北京协和医院 | 经盐水造影校正的搏动灌注图像重建方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527361A (zh) * | 2017-08-28 | 2017-12-29 | 合肥融视信息科技有限公司 | 基于磁共振影像融合显示的图像显示系统及显示方法 |
CN109658468A (zh) * | 2018-12-12 | 2019-04-19 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、设备及存储介质 |
CN110889897A (zh) * | 2019-11-21 | 2020-03-17 | 厦门大学 | 一种体素内不相干运动磁共振成像参数重建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740931B2 (en) * | 2018-09-30 | 2020-08-11 | The Board Of Trustees Of The Leland Stanford Junior University | Method for performing magnetic resonance imaging reconstruction with unsupervised deep learning |
-
2021
- 2021-04-19 CN CN202110419657.1A patent/CN113052937B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527361A (zh) * | 2017-08-28 | 2017-12-29 | 合肥融视信息科技有限公司 | 基于磁共振影像融合显示的图像显示系统及显示方法 |
CN109658468A (zh) * | 2018-12-12 | 2019-04-19 | 深圳先进技术研究院 | 磁共振参数成像方法、装置、设备及存储介质 |
CN110889897A (zh) * | 2019-11-21 | 2020-03-17 | 厦门大学 | 一种体素内不相干运动磁共振成像参数重建方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于K空间数据的深度核磁共振图像重建;黄敏等;《生物医学工程研究》;20200625(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052937A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052937B (zh) | 一种动态对比增强核磁共振图像的重建方法及重建系统 | |
Ferdian et al. | 4DFlowNet: super-resolution 4D flow MRI using deep learning and computational fluid dynamics | |
CN106970343B (zh) | 一种磁共振成像方法及装置 | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
Yuan et al. | SARA-GAN: Self-attention and relative average discriminator based generative adversarial networks for fast compressed sensing MRI reconstruction | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
CN109410219A (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN109919838A (zh) | 基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法 | |
CN108460726A (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 | |
Zhang et al. | Longitudinally guided super-resolution of neonatal brain magnetic resonance images | |
Sood et al. | An application of generative adversarial networks for super resolution medical imaging | |
CN113628296B (zh) | 一种从时频域信号到二维图像的磁粒子成像重建方法 | |
Pawar et al. | A deep learning framework for transforming image reconstruction into pixel classification | |
Zhang et al. | VST-Net: Variance-stabilizing transformation inspired network for Poisson denoising | |
Li et al. | High quality and fast compressed sensing MRI reconstruction via edge-enhanced dual discriminator generative adversarial network | |
He et al. | Remote sensing image super-resolution using deep–shallow cascaded convolutional neural networks | |
Liu et al. | An edge enhanced srgan for mri super resolution in slice-selection direction | |
CN107392855B (zh) | 基于稀疏自编码网络与极速学习的图像超分辨重建方法 | |
CN111563843A (zh) | 一种图像超分辨重构方法、系统及相关装置 | |
Shao et al. | Generative image inpainting with salient prior and relative total variation | |
CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 | |
Srinivasan et al. | Realizing the effective detection of tumor in magnetic resonance imaging using cluster-sparse assisted super-resolution | |
Zhuge et al. | Single image denoising with a feature-enhanced network | |
CN115294300A (zh) | 多分支注意力先验参数化有限投影快速荧光断层重建方法 |
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 |