CN113533408A - 一种改善并行磁共振重建图像质量的变密度数据采样方法 - Google Patents
一种改善并行磁共振重建图像质量的变密度数据采样方法 Download PDFInfo
- Publication number
- CN113533408A CN113533408A CN202110825645.9A CN202110825645A CN113533408A CN 113533408 A CN113533408 A CN 113533408A CN 202110825645 A CN202110825645 A CN 202110825645A CN 113533408 A CN113533408 A CN 113533408A
- Authority
- CN
- China
- Prior art keywords
- data
- acs
- space
- magnetic resonance
- sampling
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种改善并行磁共振重建图像质量的变密度数据采样方法,包括以下步骤:进行磁共振成像的数据采集;使用NL‑GRAPPA利用全采样的ACS线计算出所使用不同R的拟合系数;进行逆傅立叶变换重建图像。上述技术方案充分利用“图像的大部分信息都包含在k空间中心”的这一理论,在k空间中心采集更多的数据,提升图像的质量,具体采用保持采集ACS数据的数量与传统方法一致,增大最外围k空间的ORF值,以减少ACS区域两侧ORF的值,由于在ACS区域使用较低ORF进行采集,还原出来的数据会比传统方法准确,并将改进的采样方法使用NL‑GRAPPA进行还原,在保持了总采集时间不变,采集ACS数据不变的情况下,重建后能获得更好的效果,重建后的伪影也明显更轻。
Description
技术领域
本发明涉及并行磁共振成像技术领域,尤其涉及一种改善并行磁共振重建图像质量的变密度数据采样方法。
背景技术
并行磁共振成像(pMRI)是使用多个通道来接收线圈信息进行数据采集的技术,这些线圈可以“同时收集数据”。和传统的磁共振成像技术相比,pMRI技术通过使用多个线圈采集数据,提高了数据采集的速度,因此在过去20多年里广泛应用于减少磁共振成像的时间。磁共振成像系统中的数据通常是以k空间形式进行存储的,磁共振成像系统先围绕患者采集数据,这些数据称之为k空间数据,然后将这些k空间数据通过重建算法就可以得到我们能看懂的磁共振图像。
一般情况下,医疗磁共振成像系统的所用图像的尺寸大小256×256,k空间数据的尺寸大小同样为256×256。磁共振系统采集数据的方式一般为:在每个相位编码方向每采集一次就填充一行数据,故在k空间尺寸为256×256的磁共振系统中,在256个相位编码方向分别采样,采样时每行填充256个k空间数据。pMRI的成像时间取决于采集相位编码方向的数量,即采集的数据量,因此减少k空间采样的数据就能减少采集时间。但是减少采样数据会导致重建过程中出现的严重的叠影,这是必须要解决的问题。
在现实生活中,通过完整采样得到k空间采样数据,就可以通过重建算法还原得到完整的图像。但是由于完整采样耗费的时间太长,对于患者而言非常不方便,因此我们必须尽可能的减少采集数据所耗费的时间。为了达到加速成像的目的,我们会对k空间的数据进行欠采样。我们一般定义一个减小因子R,即在k空间进行数据采集时,在相位编码方向上每R行采集一次数据。当R=2时,我们所消耗的时间只有完整采集的1/2。当R=4时,我们所消耗的时间只有完整采集时的1/4。这种方式能大大缩短采集所消耗的时间。但是,这样会大大降低重建图像的质量,从而降低磁共振成像系统的实际应用价值。国内外研究者们围绕着这一方面做了大量的工作,并且取得了一定的成果。
目前将欠采样数据还原为图像并且尽可能保存完整的算法有很多,主流的方法大致分为两类:基于图像域的重建算法和基于k空间的成像算法。基于图像域的算法主要是先将欠采样数据重建为混叠图像,再对混叠图像进行处理以还原出清晰的图像,代表算法为SENSE;基于k空间的成像算法主要是先在k空间中估计出缺失的数据,然后再进行重建,代表算法有GRAPPA,NL-GRAPPA等。这两类算法的采样模式都需要在k空间中心完整采样一定的数据,图像域重建算法是为了获得更多的图像信息,k空间重建算法是为了用这些数据估算缺失值。
有资料显示,目前运用的最广泛的就是均匀欠采样模式,均匀欠采样模式是欠采样时选择固定的减小因子ORF以获取数据。GRAPPA,NL-GRAPPA和其他方法的采样模式相似。在对欠采样数据进行采样时,需要在中央k空间中以全采样的形式获得一些ACS数据。GRAPPA,NL-GRAPPA使用这些ACS线来计算线性拟合的系数。例如当ORF=4时,在数据采集时,会在在采集空间的中心区域进行全采样,在外部区域每4行采集1次。
中国专利文献CN104063886B公开了一种“基于稀疏表示和非局部相似的核磁共振图像重建方法”。采用了具体步骤是:首先,对磁共振图像对应的傅里叶变换系数,采用变密度随机下采样的方式采样,对采样数据进行傅里叶反变换得到用于重建的初始参考图像;其次,对参考图像进行分块,得到的每类图像子块具有相似的结构特征,并得到每类图像子块对应的字典和图像子块的稀疏表示系数;最后,利用图像子块的非局部相似性估计原始图像,对图像子块的稀疏系数进行约束,结合图像在小波域的稀疏性,通过混合正则项求解模型进行迭代重建。上述技术方案采集部分数据以缩短采集时间导致图像质量下降。
发明内容
本发明主要解决原有的技术方案采集部分数据以缩短采集时间导致图像质量下降的技术问题,提供一种改善并行磁共振重建图像质量的变密度数据采样方法,充分利用“图像的大部分信息都包含在k空间中心”的这一理论,在k空间中心采集更多的数据,或者还原出更准确的数据,提升图像的质量,具体采用保持采集ACS数据的数量与传统方法一致,增大最外围k空间的ORF值,以减少ACS区域两侧ORF的值,由于在ACS区域使用较低ORF进行采集,还原出来的数据会比传统方法准确,并将改进的采样方法使用NL-GRAPPA进行还原,在保持了总采集时间不变,采集ACS数据不变的情况下,重建后能获得更好的效果,重建后的伪影也明显更轻。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
S1进行磁共振成像的数据采集;k空间中心区域和以往采集模式一样,采集同样数量的ACS数据。中心区域外,越靠近减小因子R越小,越远离减小因子R越大。
S2使用NL-GRAPPA利用全采样的ACS线计算出所使用不同R的拟合系数;再使用这些拟合系数去重建对应R区域的数据。
S2进行逆傅立叶变换重建图像。得到所需核磁共振图像。
作为优选,所述的步骤S1在k空间中心区域进行完整采样,采集ACS数据;k空间中心区域外,越靠近中心区域,使用越小的减小因子R进行采集;越远离中心区域,使用越大的减小因子R进行采集。
作为优选,所述的步骤S1具体包括:
S1.1进行采集数据参数定义;
S1.2使用变密度采集模式进行采集数据;
S1.3在分割完的区域内使用不同的R进行欠采样。
作为优选,所述的步骤S1.1包括:
定义标准减小因子R,R∈(1,2,3…),在不使用R时,磁共振系统每行都采集数据,即全采样;在使用R时,磁共振系统每R行采集一次数据,即欠采样;
定义ACS数据量NACS,表示k空间中心区域进行全采样,即R=1,获得ACS数据的行数;
定义磁共振系统采集数据的总量为SUM,SUM=NACS+NR,其中,NR表示使用以往采集模式使用R欠采样时,在ACS区域外采集到的数据行数,
其中,Nfull为整个k空间相位编码的行数。
作为优选,所述的步骤S1.2具体包括在变密度采集模式中,在ACS外的空间使用多种不同的R进行采样,使用NR_more代表使用n种R欠采样时采集到的数据行数,则总采集行数变为SUM=NACS+NR_more;
首先将k空间的总数据量Nfull分为除ACS区域外的n个区域,在n个不同区域中数据行使用不同的R进行采样,公式表示为:
作为优选,所述的步骤S1.3将以往采集模式使用的单一减小因子R定义为Rnom,由以往采集模式SUM=NACS+NR和本方案SUM=NACS+NR_more得到NR_more=NR,即本方案在ACS区域外欠采样的数据量与以往采集模式相同,令靠近k空间中心区域的R减小时,将其他区域的R增大,保持欠采样总数据量NR_more不变。根据图像的大部分信息都存储在k空间中心的理论,越靠近k空间中心区域(即ACS区域)的R应尽可能小,即小于Rnom,目的是为了获得更多的图像信息。因此将靠近k空间中心区域的R减小时,需要将其他区域的R增大,以保持欠采样总数据量NR_more不变。距k空间中心区域越远,图像包含的信息越少,所以将k空间最外围区域的R增大。即减小靠近k空间中心的R,增大远离k空间中心的R。
本方案是在采集总数据量SUM和ACS线数量NACS保持不变的基础上提高图像质量。
作为优选,所述的步骤S2具体包括:
S2.1使用NL-GRAPPA算法的估算权重方法,通过采集到的ACS数据估算出各个欠采样区域R中的权重;
S2.2使用估算出来的权重估算出缺失的数据,并存入相应的位置,将k空间中缺失的数据补全完整后得到相应的完整k空间数据。
作为优选,所述的步骤S3具体包括:对于直角坐标系下的二维k空间数据,利用逆傅立叶变换方法,得到磁共振图像,计算方法如下所示:
其中,S(kx,ky)为k空间采样数据,ρ(x,y)为经过重建后得到的图像。
本发明的有益效果是:充分利用“图像的大部分信息都包含在k空间中心”的这一理论,在k空间中心采集更多的数据,或者还原出更准确的数据,提升图像的质量,具体采用保持采集ACS数据的数量与传统方法一致,增大最外围k空间的ORF值,以减少ACS区域两侧ORF的值,由于在ACS区域使用较低ORF进行采集,还原出来的数据会比传统方法准确,并将改进的采样方法使用NL-GRAPPA进行还原,在保持了总采集时间不变,采集ACS数据不变的情况下,重建后能获得更好的效果,重建后的伪影也明显更轻。
附图说明
图1是本发明的一种流程图。
图2是本发明的一种以往R=4的数据采集模式图。
图3是本发明的一种数据采集模式图
图4是本发明的一种k空间欠采样数据图。
图5是本发明的一种采集模式示意图。
图6是本发明的一种k空间数据图。
图7是本发明的一种还原完整后的k空间数据图。
图8是本发明的一种使用逆傅里叶变换二维k空间数据图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种改善并行磁共振重建图像质量的变密度数据采样方法,如图1所示,包括
步骤1、对于磁共振成像的数据采集模式,我们在k空间中心区域和以往采集模式一样,采集同样数量的ACS数据。但在k空间中心区域外,越靠近中心区域,使用较小减小因子R进行采集;远离中心区域,使用较大减小因子R进行采集,以保持采集时间不变。
步骤2、使用NL-GRAPPA利用全采样的ACS线计算出所使用不同R的拟合系数,再使用这些拟合系数去重建对应R区域的数据
步骤3、使用逆傅立叶变换将k空间数据变为图像,得到所需核磁共振图像。
步骤1所述的k空间中心区域和以往采集模式一样,采集同样数量的ACS数据。中心区域外,越靠近减小因子R越小,越远离减小因子R越大,具体操作如下:
1-1.定义标准减小因子R,R∈(1,2,3…)。在不使用R时,磁共振系统每行都采集数据,即全采样;在使用R时,磁共振系统每R行采集一次数据,即欠采样。定义ACS数据量NACS,表示k空间中心区域进行全采样(即R=1)获得ACS数据的行数。如图2所示能形象说明以往的采集模式,虚线为未采集数据,实现为采集数据。在图中R=4,在ACS区域外每4行采集一次数据。
定义磁共振系统采集数据的总量为SUM,SUM=NACS+NR,其中,NR表示使用以往采集模式使用R欠采样时,在ACS区域外采集到的数据行数。
其中,Nfull为整个k空间相位编码的行数。
1-2.使用本技术方案中的变密度采集模式进行采集数据,在变密度采集模式中,我们在ACS外的空间使用多种不同的R进行采样。使用NR_more代表我们使用n种R欠采样时采集到的数据行数。则总采集行数变为SUM=NACS+NR_more。
我们首先需要将k空间的总数据量Nfull分为除ACS区域外的n个区域,在n个不同区域中数据行使用不同的R进行采样,公式可以表示为:
例:以k空间尺寸为256×256,Rnom=4,NACS=16为例。其中Nfull=256。其中外围区域欠采样总行数NR计算方式为:
本方案采集模式以使用3种减小因子为例,在靠近k空间中心的区域我们将R减少为Rnom=2,在远离k空间中心的区域我们将Rnom增大为R3=6,在中间区域Rnom保持不变,R2=4。保持外围采集总数据量与NR一致,则此时需要
NR_more=NR1+NR2+NR3=NR=60
同时这3个区域的总行数为除去ACS外的所有k空间区域,即
采集到的k空间数据如图6所示。(a)为完整的k空间数据,(b)为以往的采集方式,(c)为本方案采集模式后的k空间数据。
1-3.在分割完的区域内使用不同的R进行欠采样。我们将以往采集模式使用的单一减小因子R定义为Rnom。根据图像的大部分信息都存储在k空间中心的理论,越靠近k空间中心区域(即ACS区域)的R应尽可能小,即小于Rnom,目的是为了获得更多的图像信息。
本方案是在采集总数据量SUM和ACS线数量NACS保持不变的基础上提高图像质量。由以往采集模式SUM=NACS+NR和本方案SUM=NACS+NR_more得到NR_more=NR。即本方案在ACS区域外欠采样的数据量应与以往采集模式相同。
因此将靠近k空间中心区域的R减小时,我们需要将其他区域的R增大,以保持欠采样总数据量NR_more不变。距k空间中心区域越远,图像包含的信息越少,所以我们将k空间最外围区域的R增大。即减小靠近k空间中心的R,增大远离k空间中心的R。
如图3所示能形象说明本方案的采集模式。和图1的以往以单一的Rnom=4采集模式相比,在靠近ACS的区域我们将R减少为Rnom=2,在远离ACS的区域我们将Rnom增大为R3=6,在中间区域Rnom保持不变,R2=4。图中表示使用各自的R采集的区域。实线为最终采集到的数据,虚线为未采集到的数据。
步骤2所述使用NL-GRAPPA利用全采样的ACS线计算出所使用不同R的拟合系数具体操作如下:
2-1.使用NL-GRAPPA算法的估算权重方法,通过采集到的ACS数据估算出各个欠采样区域R中的权重。
2-2.使用估算出来的权重估算出缺失的数据,并存入相应的位置,将k空间中缺失的数据补全完整后得到相应的完整k空间数据。
以步骤1中的例子为例,通过NL-GRAPPA使用采集到的16行ACS数据分别计算R1=2、R2=4、R3=6的权重,然后使用权重去分别还原对应区域的欠采样k空间数据。还原完整后的k空间数据如图7所示。
根据步骤2重建图2本方案采集到的k空间欠采样数据如图3所示。
步骤3所述的逆傅立叶变换重建图像具体如下:
3-1.对于直角坐标系下的二维k空间数据,可以利用逆傅立叶变换方法,可得到磁共振图像。计算方法如下所示:
其中,S(kx,ky)为k空间采样数据,ρ(x,y)为经过重建后得到的图像。
将步骤2中得到的二维k空间数据使用逆傅里叶变换后得到的图像如图8(c)所示。其中图(a)为原始图像,图(b)为使用以往采集模式Rnom=4,NACS=16情况下通过NL-GRAPPA重建后得到的图像,图(c)为使用本方案的采集方法,与以往采集模式采集相同数据量下通过NL-GRAPPA重建后得到的图像。
GRAPPA:一种基于k空间进行数据还原的算法。
NL-GRAPPA:非线性GRAPPA。GRAPPA算法的改进版,效果更佳准确。
K空间:k空间是寻常空间在傅利叶转换下的对偶空间,主要应用在磁振造影的成像分析。磁共振仪器采集到的的原始数据,就是k空间数据。一个256x256的k空间数据矩阵,经过逆傅立叶变换得到一个256x256尺寸的图像。
ACS:在k空间中心,全采样用以计算还原权重的数据。
全采样:即磁共振系统采集数据并填入k空间时,每行数据都进行采集采集。
欠采样:采集数据时,多行才采集一次。
ORF:减小因子。用于确定欠采样时所间隔的行数。当ORF=4时,每4行采集一次。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了k空间、减小因子等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (8)
1.一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,包括以下步骤:
S1进行磁共振成像的数据采集;
S2使用NL-GRAPPA利用全采样的ACS线计算出所使用不同R的拟合系数;
S3进行逆傅立叶变换重建图像。
2.根据权利要求1所述的一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,所述步骤S1在k空间中心区域进行完整采样,采集ACS数据;k空间中心区域外,越靠近中心区域,使用越小的减小因子R进行采集;越远离中心区域,使用越大的减小因子R进行采集。
3.根据权利要求1所述的一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,所述步骤S1具体包括:
S1.1进行采集数据参数定义;
S1.2使用变密度采集模式进行采集数据;
S1.3在分割完的区域内使用不同的R进行欠采样。
5.根据权利要求3所述的一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,所述步骤S1.2具体包括在变密度采集模式中,在ACS外的空间使用多种不同的R进行采样,使用NR_more代表使用n种R欠采样时采集到的数据行数,则总采集行数变为SUM=NACS+NR_more;
首先将k空间的总数据量Nfull分为除ACS区域外的n个区域,在n个不同区域中数据行使用不同的R进行采样,公式表示为:
6.根据权利要求3所述的一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,所述步骤S1.3将以往采集模式使用的单一减小因子R定义为Rnom,由以往采集模式SUM=NACS+NR和本方案SUM=NACS+NR_more得到NR_more=NR,即本方案在ACS区域外欠采样的数据量与以往采集模式相同,令靠近k空间中心区域的R减小时,将其他区域的R增大,保持欠采样总数据量NR_more不变。
7.根据权利要求1所述的一种改善并行磁共振重建图像质量的变密度数据采样方法,其特征在于,所述步骤S2具体包括:
S2.1使用NL-GRAPPA算法的估算权重方法,通过采集到的ACS数据估算出各个欠采样区域R中的权重;
S2.2使用估算出来的权重估算出缺失的数据,并存入相应的位置,将k空间中缺失的数据补全完整后得到相应的完整k空间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825645.9A CN113533408A (zh) | 2021-07-21 | 2021-07-21 | 一种改善并行磁共振重建图像质量的变密度数据采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110825645.9A CN113533408A (zh) | 2021-07-21 | 2021-07-21 | 一种改善并行磁共振重建图像质量的变密度数据采样方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113533408A true CN113533408A (zh) | 2021-10-22 |
Family
ID=78129201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110825645.9A Pending CN113533408A (zh) | 2021-07-21 | 2021-07-21 | 一种改善并行磁共振重建图像质量的变密度数据采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113533408A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975936A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于cs压缩感知技术的快速磁共振成像方法 |
CN103027681A (zh) * | 2011-10-06 | 2013-04-10 | 西门子公司 | 用于重构并行获取的mri图像的系统 |
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
CN103995244A (zh) * | 2014-04-29 | 2014-08-20 | 包头市稀宝博为医疗系统有限公司 | 磁共振成像方法 |
CN106491131A (zh) * | 2016-12-30 | 2017-03-15 | 深圳先进技术研究院 | 一种磁共振的动态成像方法和装置 |
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
CN106772167A (zh) * | 2016-12-01 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 核磁共振成像方法及装置 |
CN110133556A (zh) * | 2019-05-29 | 2019-08-16 | 上海联影医疗科技有限公司 | 一种磁共振图像处理方法、装置、设备及存储介质 |
CN110850408A (zh) * | 2019-11-21 | 2020-02-28 | 无锡航征科技有限公司 | 一种用于极坐标数据采集模式的浅埋目标三维成像方法 |
CN111538001A (zh) * | 2020-03-31 | 2020-08-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 三维天线阵综合孔径辐射计快速亮温反演方法 |
CN112526423A (zh) * | 2020-12-10 | 2021-03-19 | 川北医学院 | 基于共轭和层间信息的并行磁共振成像算法 |
CN112557981A (zh) * | 2020-12-03 | 2021-03-26 | 川北医学院 | 一种并行磁共振成像的改进算法 |
CN112881957A (zh) * | 2017-12-26 | 2021-06-01 | 上海联影医疗科技股份有限公司 | 用于磁共振成像的方法和系统 |
CN113050009A (zh) * | 2019-12-27 | 2021-06-29 | 深圳先进技术研究院 | 三维磁共振快速参数成像方法和装置 |
-
2021
- 2021-07-21 CN CN202110825645.9A patent/CN113533408A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975936A (zh) * | 2010-09-03 | 2011-02-16 | 杭州电子科技大学 | 一种基于cs压缩感知技术的快速磁共振成像方法 |
CN103027681A (zh) * | 2011-10-06 | 2013-04-10 | 西门子公司 | 用于重构并行获取的mri图像的系统 |
CN103323805A (zh) * | 2013-05-29 | 2013-09-25 | 杭州电子科技大学 | 基于小波域稀疏表示的speed快速磁共振成像方法 |
CN103995244A (zh) * | 2014-04-29 | 2014-08-20 | 包头市稀宝博为医疗系统有限公司 | 磁共振成像方法 |
CN106772167A (zh) * | 2016-12-01 | 2017-05-31 | 中国科学院深圳先进技术研究院 | 核磁共振成像方法及装置 |
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
CN106491131A (zh) * | 2016-12-30 | 2017-03-15 | 深圳先进技术研究院 | 一种磁共振的动态成像方法和装置 |
CN112881957A (zh) * | 2017-12-26 | 2021-06-01 | 上海联影医疗科技股份有限公司 | 用于磁共振成像的方法和系统 |
CN110133556A (zh) * | 2019-05-29 | 2019-08-16 | 上海联影医疗科技有限公司 | 一种磁共振图像处理方法、装置、设备及存储介质 |
CN110850408A (zh) * | 2019-11-21 | 2020-02-28 | 无锡航征科技有限公司 | 一种用于极坐标数据采集模式的浅埋目标三维成像方法 |
CN113050009A (zh) * | 2019-12-27 | 2021-06-29 | 深圳先进技术研究院 | 三维磁共振快速参数成像方法和装置 |
CN111538001A (zh) * | 2020-03-31 | 2020-08-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 三维天线阵综合孔径辐射计快速亮温反演方法 |
CN112557981A (zh) * | 2020-12-03 | 2021-03-26 | 川北医学院 | 一种并行磁共振成像的改进算法 |
CN112526423A (zh) * | 2020-12-10 | 2021-03-19 | 川北医学院 | 基于共轭和层间信息的并行磁共振成像算法 |
Non-Patent Citations (1)
Title |
---|
JINHUA SHENG 等: ""Improved parallel magnetic resonance imaging reconstruction with multiple variable density sampling"", 《SCIENTIFIC REPORTS》, pages 9005 - 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sandino et al. | Compressed sensing: From research to clinical practice with deep neural networks: Shortening scan times for magnetic resonance imaging | |
US10859657B2 (en) | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model | |
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
US10671939B2 (en) | System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction | |
US10489943B2 (en) | System and method for sparse image reconstruction | |
Bilgic et al. | Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction | |
CN109239631B (zh) | 一种磁共振成像方法和装置 | |
US9709650B2 (en) | Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images | |
CN110490832A (zh) | 一种基于正则化深度图像先验方法的磁共振图像重建方法 | |
CN113379867B (zh) | 一种基于联合优化采样矩阵的核磁共振图像重建方法 | |
CN110133556B (zh) | 一种磁共振图像处理方法、装置、设备及存储介质 | |
CN108010094B (zh) | 一种磁共振图像重建方法和装置 | |
Lv et al. | Parallel imaging with a combination of sensitivity encoding and generative adversarial networks | |
CN105678822A (zh) | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 | |
CN109920017A (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
CN113538611A (zh) | 一种无监督的心脏磁共振参数定量图像重建方法 | |
Hou et al. | PNCS: Pixel-level non-local method based compressed sensing undersampled MRI image reconstruction | |
CN116778016A (zh) | 一种mri图像重建方法、系统及介质 | |
CN113533408A (zh) | 一种改善并行磁共振重建图像质量的变密度数据采样方法 | |
Malkiel et al. | Conditional WGANs with adaptive gradient balancing for sparse MRI reconstruction | |
CN112150570B (zh) | 一种基于迭代p阈值投影算法的压缩感知磁共振成像方法 | |
CN114693823A (zh) | 一种基于空频双域并行重建的磁共振图像重建方法 | |
Duan et al. | Eigenvector-based SPIRiT Parallel MR Imaging Reconstruction based on ℓp pseudo-norm Joint Total Variation | |
CN103236049B (zh) | 基于序列相似性插值的部分k空间图像重构方法 | |
CN112669400A (zh) | 基于深度学习预测和残差架构的动态mr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 |