CN113129401A - 一种参数化磁共振成像的图像重建方法 - Google Patents
一种参数化磁共振成像的图像重建方法 Download PDFInfo
- Publication number
- CN113129401A CN113129401A CN202110303696.5A CN202110303696A CN113129401A CN 113129401 A CN113129401 A CN 113129401A CN 202110303696 A CN202110303696 A CN 202110303696A CN 113129401 A CN113129401 A CN 113129401A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- matrix
- reconstructed
- image
- parametric
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种参数化磁共振成像的图像重建方法,涉及磁共振成像。包括以下步骤:1)数据准备;待重建的参数化磁共振图像信号表示为高维矩阵,整个参数化磁共振图像重建过程依次重建图像;欠采样参数化磁共振成像在傅里叶空间的数据,得到欠采样的傅里叶空间数据;2)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型;3)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法:4)对每个频率编码位置的图像都进行重建,得到重建的参数化磁共振图像;5)重建的参数化磁共振图像通道合并,通过非线性最小二乘法拟合得到参数定量图。利用参数化成像不同维度的低秩特性,能有效抑制伪影,降低重建误差。
Description
技术领域
本发明涉及磁共振成像,尤其是涉及一种参数化磁共振成像的图像重建方法。
背景技术
磁共振参数化成像(Parameter mapping)被广泛应用在多种病理学的定量临床诊断中。常见的参数化成像包含T1弛豫时间定量(T1 mapping)和T2弛豫时间定量(T2mapping)等。T1mapping常用于定量评价心肌病变,也可以用于肝脏疾病的诊断和肝功能的判断。(Dongwook Lee,Kyong Hwan Jin,EungYeop Kim,Sung-Hong Park,Jong Chul Ye,"Acceleration of MR parameter mapping using annihilating filter-based low rankHankel matrix(ALOHA),"Magnetic Resonance in Medicine,vol.76,pp.1848-1864,2016.)T2mapping常应用于铁超载(Timothy G.St.Pierre,Paul R.Clark,Wanida Chua-anusorn,Adam J.Fleming,Gary P.Jeffrey,John K.Olynyk,PensriPootrakul,ErinRobins,Robert Lindeman,"Noninvasive measurement and imaging of liver ironconcentrations using proton magnetic resonance,"Blood,vol.105,pp.855-861,2005.)、软骨疾病(Felix Eckstein,Deborah Burstein,Thomas M.Link,"QuantitativeMRI of cartilage and bone:degenerative changes in osteoarthritis,"NMR inBiomedicine,vol.19,pp.822-854,2006.)、多发性硬化症(Alex Mackay,KennethWhittall,Julian Adler,David Li,Donald Paty,Douglas Graeb,"In vivovisualization of myelin water in brain by magnetic resonance,"MagneticResonance in Medicine,vol.31,pp.673-677,1994.)等关节系统和心脏的疾病的临床诊断中。
但是,参数化成像沿着参数维需要增加扫描次数,例如不同的回波时间、反转时间或翻转角,这使得参数化成像的扫描时间大大增加。此外,较长的扫描时间使得参数化成像对运动伪影更加敏感。因此,加速磁共振参数化成像对于方便患者的便利与获取高质量图像质量都是非常重要的。
为了加快扫描,压缩感知技术已经成功应用于磁共振参数化成像(Li Feng,Ricardo Otazo,Hong Jung,Jens H.Jensen,Jong C.Ye,Daniel K.Sodickson,DanielKim,"Accelerated cardiac T2mapping using breath-hold multiechofast spin-echopulse sequence with k-t FOCUSS,"Magnetic Resonance in Medicine,vol.65,pp.1661-1669,2011.;Bo Zhao,Fan Lam,Zhi-Pei Liang,"Model-based MR parametermapping with sparsity constraints:parameter estimation and performancebounds,"IEEE Transactions on Medical Imaging,vol.33,pp.1832-1844,2014.)。一些研究利用了参数化成像在参数维的低秩特性,来解决重建的优化问题(Tao Zhang,JohnM.Pauly,Ives R.Levesque,“Accelerating parameter mapping with a locally lowrank constraint,"Magnetic Resonance in Medicine,vol.73,pp.655-661,2015.;XiPeng,Leslie Ying,Yuanyuan Liu,Jing Yuan,Xin Liu,Dong Liang,“Acceleratedexponential parameterization of T2relaxation with model-driven low rank andsparsity priors(MORASA)”,Magnetic Resonance in Medicine,vol.76,pp.1865-1878,2016.)。近年来,结构化低秩矩阵重建方法在磁共振成像重建中取得了良好的重建结果(Xinlin Zhang,Di Guo,Yiman Huang,Ying Chen,Liansheng Wang,Feng Huang,Qin Xu,Xiaobo Qu,"Image reconstruction with low-rankness and self-consistency of k-space data in parallel MRI,"Medical Image Analysis,63:101687,2020.),同时也被应用在参数化成像中(Dongwook Lee,Kyong Hwan Jin,EungYeop Kim,Sung-Hong Park,Jong Chul Ye,"Acceleration of MR parameter mapping using annihilating filter-based low rank hankel matrix(ALOHA),"Magnetic Resonance in Medicine,vol.76,pp.1848-1864,2016.)。
但上述结构化低秩矩阵重建方法需要构建一个规模较大的结构化矩阵,这使得重建的耗时较长,内存占用大,同时方法的可扩展性降低。
发明内容
本发明的目的在于提供一种基于可分离汉克尔矩阵的低秩特性来重建参数化磁共振成像的图像重建方法。
本发明包括以下步骤:
1)数据准备;待重建的参数化磁共振图像信号表示为高维矩阵,整个参数化磁共振图像重建过程依次重建图像;欠采样参数化磁共振成像在傅里叶空间的数据,得到欠采样的傅里叶空间数据;
2)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型;
3)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法:
4)对每个频率编码位置的图像都进行重建,得到重建的参数化磁共振图像;
5)重建的参数化磁共振图像通道合并,通过非线性最小二乘法拟合得到参数定量图。
在步骤1)中,所述数据准备的具体步骤可为:
待重建的参数化磁共振图像信号表示为的高维矩阵,其中M、N、L和J分别表示图像的频率编码维数、相位编码维数、参数维个数和通道数。记频率编码维上的第m个位置的图像为其中上标“PE-t”表示图像位于相位编码维(Phaseencoding,PE)和参数维构成的平面,下标“m”表示图像位于频率编码维的第m个位置。整个参数化磁共振图像重建过程将依次重建
欠采样参数化磁共振成像在傅里叶空间的数据,并在未采样的位置填零,得到欠采样的傅里叶空间数据沿着频率编码维对Y进行一维反傅里叶变换,得到YPE -t。将YPE-t在频率编码维上的第m个位置的数据排成向量,记作
其中,表示由第j个通道中相位编码维第n个位置的向量数据组成的列向量,表示由第j个通道中第l个参数位置的向量数据组成的列向量。H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到。算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即, 的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵:其中上标表示对向量进行沿中心翻转并取共轭的操作。U表示对数据进行欠采样、填零并转为向量的算子,F表示沿着相位编码维对进行一维傅里叶变换的算子。||·||*指矩阵的核范数,||·||2表示向量的二范数,λ1与λ2是权衡和三项重要性的正则化参数。
在步骤3),所述建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法的具体方法可为:利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,Zhong Chen,Xiaobo Qu,"Fast multi-class dictionaries learning withgeometrical directions in MRI reconstruction,"IEEE Transactions on BiomedicalEngineering,vol.63,pp.1850-1861,2016.)求解公式(1)中的最优化问题。引入中间变量和拉格朗日乘子公式(1)中的优化问题转化为以下优化问题:
其中,<·,·>为内积;根据以下公式迭代更新式(2)中的变量:
当达到最大迭代次数K或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束,其中vec(·)表示将数据排成向量;上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(k)”表示第k次迭代的解, 分别表示变量在第k次迭代时的值,S1/β(·)和表示奇异值收缩算子,下标“1/β”和“λ1/β”表示奇异值收缩的阈值分别为1/β和λ1/β。参数λ1,λ2,β和τ都是正数;初值化算法中,也就是k=1时,和是值全为0的矩阵,和是值全为1的矩阵。
本发明提供一种基于可分离低秩汉克尔矩阵的参数化多通道磁共振图像重建方法。首先利用参数化图像在相位编码维具有傅里叶空间加权低秩性以及在参数维具有低秩性的特点,构建一种可分离汉克尔矩阵低秩重建模型,然后通过交替方向乘子法求解重建模型获得某个频率编码位置的重建图像,最后对每个频率编码位置的图像都进行重建,得到重建后的参数化磁共振图像。这种重建方法利用了参数化成像不同维度的低秩特性,能有效抑制伪影,降低重建误差。
附图说明
图1是本发明实施例中对傅里叶空间数据进行欠采样的采样模板。在图1中,白色表示采样到的点,黑色表示未采样到的点。
图2是本发明重建的T2mapping磁共振图像。
图3是全采样的T2mapping磁共振图像。
图4是本发明重建图拟合后的T2弛豫时间定量图。色带值表示T2弛豫时间的大小,单位是毫秒。
图5是全采样参考图拟合后的T2弛豫时间定量图。色带值表示T2弛豫时间的大小,单位是毫秒。
具体实施方式
下面结合附图通过具体实施例对本发明作进一步的说明,并给出重建结果。本实施例使用磁场强度为3特斯拉的磁共振成像仪对自愿者的大脑进行成像。全采样数据为磁共振成像全身扫描仪的12通道数据。本实施例为T2弛豫时间定量磁共振成像T2mapping,使用的序列为快速自旋回波,参数维表示序列使用不同的回波时间TE。采样矩阵大小为192×192,TR=3000ms,ΔTE=8.8ms,共15个回波,视野为192mm×192mm,层厚为3mm。采样模板如图1所示,不同的参数情况下,采样模板均不相同,采样率均为12.5%。正则化参数λ1=10,λ1=106;本实施例中,β=1。具体步骤如下:
1)数据准备。
待重建的参数化磁共振图像信号表示为的高维矩阵,其中M、N、L和J分别表示图像的频率编码维数、相位编码维数、参数维个数和通道数。本实施例中,M=192,N=192,L=15,J=12。记频率编码维上的第m个位置的图像为其中上标“PE-t”表示图像位于相位编码维(Phase encoding,PE)和参数维构成的平面,下标“m”表示图像位于频率编码维的第m个位置。整个参数化磁共振图像重建过程将依次重建
欠采样参数化磁共振成像在傅里叶空间的数据,并在未采样的位置填零,得到欠采样的傅里叶空间数据沿着频率编码维对Y进行一维反傅里叶变换,得到YPE-t。将YPE-t在频率编码维上的第m个位置的数据排成向量,记作
2)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型。
其中,表示由第j个通道中相位编码维第n个位置的向量数据组成的列向量,表示由第j个通道中第l个参数位置的向量数据组成的列向量。H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到。算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即, 的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵:其中上标表示对向量进行沿中心翻转并取共轭的操作。U表示对数据进行欠采样、填零并转为向量的算子,F表示沿着相位编码维对进行一维傅里叶变换的算子。||·||*指矩阵的核范数,||·||2表示向量的二范数,λ1与λ2是权衡和三项重要性的正则化参数。
3)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法:
在步骤3),所述重建模型的求解算法的具体方法为:利用交替方向乘子法(Zhifang Zhan,Jian-Feng Cai,Di Guo,Yunsong Liu,Zhong Chen,Xiaobo Qu,"Fastmulti-class dictionaries learning with geometrical directions in MRIreconstruction,"IEEE Transactions on Biomedical Engineering,vol.63,pp.1850-1861,2016.)求解公式(1)中的最优化问题。引入中间变量和拉格朗日乘子公式(1)中的优化问题转化为以下优化问题:
其中,<·,·>为内积。根据以下公式迭代更新(2)中的变量:
当达到最大迭代次数K或X在相邻两次迭代中的误差小于设定的正数阈值μ时,迭代结束,其中vec(·)表示将数据排成向量。本实施例中,K=80,μ=10-5。上标“-1”表示求矩阵的逆,上标“*”表示伴随算子,上标“(k)”表示第k次迭代的解, 分别表示变量在第k次迭代时的值,S1/β(·)和表示奇异值收缩算子,下标“1/β”和“λ1/β”表示奇异值收缩的阈值分别为1/β和λ1/β。参数τ的取值为1。初值化算法中,也就是k=1时,和是值全为0的矩阵,和是值全为1的矩阵。
5)由步骤4)得到重建的参数化磁共振图像,通道合并后,可以通过非线性最小二乘法拟合得到参数定量图。
本发明重建的T2mapping磁共振图像参见图2,全采样的T2mapping磁共振图像参见图3;本发明重建图拟合后的T2弛豫时间定量图参见图4,全采样参考图拟合后的T2弛豫时间定量图参见图5。从图2~4可以看出,本发明重建效果好,能有效抑制伪影,降低重建误差。
Claims (5)
1.一种参数化磁共振成像的图像重建方法,其特征在于包括以下步骤:
1)数据准备;待重建的参数化磁共振图像信号表示为高维矩阵,整个参数化磁共振图像重建过程依次重建图像;欠采样参数化磁共振成像在傅里叶空间的数据,得到欠采样的傅里叶空间数据;
2)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型;
3)建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法:
4)对每个频率编码位置的图像都进行重建,得到重建的参数化磁共振图像;
5)重建的参数化磁共振图像通道合并,通过非线性最小二乘法拟合得到参数定量图。
2.如权利要求1所述一种参数化磁共振成像的图像重建方法,其特征在于在步骤1)中,所述数据准备的具体步骤为:
待重建的参数化磁共振图像信号表示为的高维矩阵,其中M、N、L和J分别表示图像的频率编码维数、相位编码维数、参数维个数和通道数;记频率编码维上的第m个位置的图像为其中上标“PE-t”表示图像位于相位编码维(Phaseencoding,PE)和参数维构成的平面,下标“m”表示图像位于频率编码维的第m个位置;整个参数化磁共振图像重建过程将依次重建
其中,表示由第j个通道中相位编码维第n个位置的向量数据组成的列向量,表示由第j个通道中第l个参数位置的向量数据组成的列向量;H表示把向量转换为汉克尔矩阵的算子,F1D表示对向量做一维傅里叶变换矩阵,W是一个对角矩阵,表示对向量进行加权,对角线元素为加权的权值,其权值通过一维稀疏变换的核函数的傅里叶变换得到;算子或矩阵上方的“~”表示对矩阵的每一列都进行相应的操作,即, 的下标“vc”表示构建基于虚拟线圈的汉克尔矩阵:其中,上标表示对向量进行沿中心翻转并取共轭的操作;U表示对数据进行欠采样、填零并转为向量的算子,F表示沿着相位编码维对进行一维傅里叶变换的算子;||·||*指矩阵的核范数,||·||2表示向量的二范数,λ1与λ2是权衡和三项重要性的正则化参数。
4.如权利要求1所述一种参数化磁共振成像的图像重建方法,其特征在于在步骤3),所述建立基于可分离汉克尔矩阵的参数化磁共振图像重建模型的求解算法的具体方法为:利用交替方向乘子法求解公式(1)中的最优化问题;引入中间变量 和拉格朗日乘子公式(1)中的优化问题转化为以下优化问题:
其中,<·,·>为内积;根据以下公式迭代更新式(2)中的变量:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303696.5A CN113129401B (zh) | 2021-03-22 | 2021-03-22 | 一种参数化磁共振成像的图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303696.5A CN113129401B (zh) | 2021-03-22 | 2021-03-22 | 一种参数化磁共振成像的图像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129401A true CN113129401A (zh) | 2021-07-16 |
CN113129401B CN113129401B (zh) | 2022-08-30 |
Family
ID=76773746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303696.5A Active CN113129401B (zh) | 2021-03-22 | 2021-03-22 | 一种参数化磁共振成像的图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129401B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023093842A1 (zh) * | 2021-11-29 | 2023-06-01 | 浙江大学 | 一种肝脏多参数定量成像方法 |
CN116597037A (zh) * | 2023-05-22 | 2023-08-15 | 厦门大学 | 一种物理生成数据驱动的快速磁共振智能成像方法 |
CN116597037B (zh) * | 2023-05-22 | 2024-06-04 | 厦门大学 | 一种物理生成数据驱动的快速磁共振智能成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050105694A1 (en) * | 2003-11-14 | 2005-05-19 | Sami Brandt | Method and arrangement for medical X-ray imaging |
CN105957029A (zh) * | 2016-04-25 | 2016-09-21 | 南方医科大学 | 基于张量字典学习的磁共振图像重建方法 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
CN110728624A (zh) * | 2019-09-29 | 2020-01-24 | 厦门大学 | 一种高分辨率扩散加权图像重建方法 |
-
2021
- 2021-03-22 CN CN202110303696.5A patent/CN113129401B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050105694A1 (en) * | 2003-11-14 | 2005-05-19 | Sami Brandt | Method and arrangement for medical X-ray imaging |
CN105957029A (zh) * | 2016-04-25 | 2016-09-21 | 南方医科大学 | 基于张量字典学习的磁共振图像重建方法 |
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
CN110728624A (zh) * | 2019-09-29 | 2020-01-24 | 厦门大学 | 一种高分辨率扩散加权图像重建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023093842A1 (zh) * | 2021-11-29 | 2023-06-01 | 浙江大学 | 一种肝脏多参数定量成像方法 |
CN116597037A (zh) * | 2023-05-22 | 2023-08-15 | 厦门大学 | 一种物理生成数据驱动的快速磁共振智能成像方法 |
CN116597037B (zh) * | 2023-05-22 | 2024-06-04 | 厦门大学 | 一种物理生成数据驱动的快速磁共振智能成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113129401B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615675B (zh) | 一种多通道磁共振成像的图像重建方法 | |
CN108335339B (zh) | 一种基于深度学习和凸集投影的磁共振重建方法 | |
US9229082B2 (en) | Method for diffusion magnetic resonance imaging | |
US9140770B2 (en) | Method for reconstructing a signal from distorted experimental measurements and device for its implementation | |
US7279895B2 (en) | Fast generalized autocalibrating partially parallel acquisition image reconstruction algorithm for magnetic resonance imaging | |
CN106772167B (zh) | 核磁共振成像方法及装置 | |
CN110133556B (zh) | 一种磁共振图像处理方法、装置、设备及存储介质 | |
CN106997034B (zh) | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | |
RU2626184C2 (ru) | Способ, устройство и система для реконструкции магнитно-резонансного изображения | |
CN103027681A (zh) | 用于重构并行获取的mri图像的系统 | |
WO2019148610A1 (zh) | 一种基于数据一致性的多次激发弥散加权磁共振成像方法 | |
WO2023093842A1 (zh) | 一种肝脏多参数定量成像方法 | |
CN109115820A (zh) | 基于平面回波成像的磁共振水脂分离和定量方法及装置 | |
CN110728624B (zh) | 一种高分辨率扩散加权图像重建方法 | |
CN113129401B (zh) | 一种参数化磁共振成像的图像重建方法 | |
CN103091656B (zh) | 基于正则化约束多项式拟合磁共振线圈灵敏度的计算方法 | |
Liu et al. | Accelerating the 3D T1ρ mapping of cartilage using a signal-compensated robust tensor principal component analysis model | |
Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
CN113971706A (zh) | 一种快速磁共振智能成像方法 | |
CN114140404A (zh) | 基于人工智能的肺部多核mri双域超分辨率重建方法 | |
CN113034639B (zh) | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 | |
Akçakaya et al. | Subject-specific convolutional neural networks for accelerated magnetic resonance imaging | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 | |
CN117233674B (zh) | 基于单激发buda采集和联合约束重建的mr成像方法及系统 | |
CN115877298A (zh) | 一种基于sidwt和迭代自一致性的快速并行成像重建方法 |
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 |