CN113947642B - 一种x空间磁粒子成像解卷积方法 - Google Patents

一种x空间磁粒子成像解卷积方法 Download PDF

Info

Publication number
CN113947642B
CN113947642B CN202111207992.1A CN202111207992A CN113947642B CN 113947642 B CN113947642 B CN 113947642B CN 202111207992 A CN202111207992 A CN 202111207992A CN 113947642 B CN113947642 B CN 113947642B
Authority
CN
China
Prior art keywords
deconvolution
neural network
space
image
convolution
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
Application number
CN202111207992.1A
Other languages
English (en)
Other versions
CN113947642A (zh
Inventor
田捷
尚亚欣
惠辉
张鹏
安羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202111207992.1A priority Critical patent/CN113947642B/zh
Publication of CN113947642A publication Critical patent/CN113947642A/zh
Application granted granted Critical
Publication of CN113947642B publication Critical patent/CN113947642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种X空间磁粒子成像解卷积方法，包括：获取X空间原生图像；神经网络结构设置，设置卷积和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；神经网络训练，网络输入是仿真的原生图像，将对应的原清晰图像作为标签训练神经网络，损失函数采用均方误差；神经网络检测，选取均方根误差、峰值信噪比和结构相似指数测度三个指标对图像质量进行定量评价并且根据评价结果修改网络训练参数，使得重构图像更接近于原始图像；X空间解卷积，将待解卷积的原生图像输入训练和检测完成的神经网络模型进行预测，得到解卷积结果。该方法极大的降低了系统噪声对重建过程的影响，提高了X空间重建的磁粒子成像系统的分辨率。

Description

一种X空间磁粒子成像解卷积方法
技术领域
本发明属于磁粒子成像领域，具体涉及到一种X空间磁粒子成像解卷积方法。
背景技术
磁纳米粒子成像(MPI)是一种基于示踪剂的、功能性的、层析成像方式，可以直接检测磁性纳米颗粒的空间分布，并显示出作为碘或钆造影的安全替代品的巨大潜力。磁性纳米粒子(MNPs)——也称为超顺磁氧化铁纳米粒子(SPIOs)——通常被用作示踪剂。MPI可以检测纳米颗粒造影剂，没有任何背景，没有深度衰减。此外，MPI不施加电离辐射，因此，如果所施加的磁场不超过安全限度，MPI对患者和医务人员是安全的。
在MPI图像重建领域，现在大多采取系统矩阵和X空间两种重建方式，其中系统矩阵方法计算量巨大，X空间方法虽然具有更高的重建速度，但是其重建图像的分辨率有待提升。X空间产生的原生MPI图像实际上是磁粒子浓度与点扩散函数(PSF)的卷积，现有的X空间重建方法是直接使用传统的解卷积方法，但是传统的解卷积方法需要对点扩散函数进行准确的估计，这在实验中是难以测量的，产生的误差会导致解卷积后的图像质量降低。并且由于问题的病态性，传统解卷积算法往往会引入无法预计的噪声，对重建结果造成较大的影响。传统的非盲解卷积方法，例如维纳滤波，太过于依赖卷积核，并且解卷积的效果不理想。
发明内容
为克服现有技术的不足，本发明提出了一种基于深度学习算法代替X空间重建过程中的传统解卷积的方法，其提出了一个卷积神经网络框架，利用卷积神经网络对X空间重建过程中产生的较模糊的原生MPI图像进行解卷积，提高了精确度。
本发明采用的技术方案为：
一种X空间磁粒子成像解卷积方法，包括以下步骤：
S1、获取X空间原生图像：仿真磁纳米粒子成像(MPI)原生图像，使用仿真程序生成电压信号，对信号进行速度补偿，直接映射到被扫描点的瞬时位置，获得X空间原生图像，作为训练集和测试集；
S2、神经网络结构设置：设置卷积层和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；
S3、神经网络训练：采用所述训练集中的X空间原生图像作为网络输入训练神经网络；
S4、神经网络检测：在所述测试集上对神经网络进行检测，通过图像质量进行定量评价，并且根据评价结果修改网络训练参数；
S5、X空间解卷积：将待解卷积的原生图像输入训练和检测完成的所述神经网络模型进行预测，得到解卷积结果。
所述步骤S1，所述获取X空间原生图像具体为：
获得信号：
获得X空间原生图像：
其中，s(t)为电压信号；B1为接收线圈的灵敏度，单位为T/A；m为纳米颗粒的磁矩，单位为A·m2；ρ(x)为粒子浓度；xs(t)为FFR的瞬时位置；为FFR速度矢量；Hsat为磁性纳米颗粒示踪剂的饱和场，单位为A/m；h(x)代表PSF函数，是朗之万函数的导数；/>为X空间原生图像。
所述步骤S2，所述卷积层和反卷积层的卷积和反卷积核采用均值为0、标准差为0.01的随机高斯分布进行初始化；最后一层的过滤数设置为1，其他层设置为64；所有层的核大小设置为5×5；卷积和反卷积的步数设置为1，没有填充。
所述步骤S2，所述神经网络的网络结构对称，N个卷积层和N个反卷积层，在每个卷积层之后有批处理归一化层和校正线性单元(ReLU)，反卷积之后只有ReLU；
所述卷积层的运算如下：
其中，为卷积提取的特征；Wi和bi分别表示权重和偏差，*是卷积算子，N是卷积层的数量,x0为输入图像，xi(i>0)为提取的特征层,ReLU(·)表示激活函数；
所述反卷积层的运算如下：
其中，为解卷积后的特征；W’i,和b’i,分别表示权重和偏差,/>是反卷积算子，N是反卷积层的数量，yi是卷积层输出的特征向量。
所述步骤S3，损失函数采用均方误差(MSE)，并在训练过程中计算均方根误差(RMSE)，峰值信噪比(PSNR)和结构相似指数测度(SSIM)，具体为：
其中，Φ是训练好的模型，X是真实磁纳米粒子浓度分布，Y是X空间原生图像，M和N分别是图像的长度和宽度；
其中，Xi和分别是真实磁纳米粒子浓度分布和神经网络预测结果，m代表样本数量；
其中，MSE代表真实磁纳米粒子浓度分布和神经网络预测结果的均方误差；
其中，μX和分别代表X和/>的平均值，σX和/>分别代表X和/>的标准差，/>代表X和/>的协方差；t1和t2是常数，避免分母为0带来的系统错误。
所述步骤S4，所述定量评价的指标为均方根误差、峰值信噪比和结构相似指数测度。
本发明的有益效果：
(1)该方法不依赖于PSF的先验知识，不需要在重建过程中测量PSF，节省了重建时间，提高了重建速度。
(2)该方法极大的降低了测量PSF时存在系统噪声对重建过程的影响，提高了X空间重建的磁粒子成像系统的分辨率。
(3)该方法具有良好的泛化能力，可以处理被不同噪声模糊的MPI图像，有效的过滤掉噪声，提高MPI重建图像的质量。
附图说明
图1是本发明的X空间磁粒子成像解卷积方法的框架图。
图2是本发明仿真实验结果图。
图3是本发明仿体实验结果图。
图4是本发明动物离体和在体实验结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
本发明提出的X空间磁粒子成像解卷积方法，如图1所示，主要包括五部分：图像获取，网络结构设置，网络训练，网络调参和X空间解卷积，具体技术方案如下：
第一步，获取X空间原生图像，具体如下：根据MPI成像原理，仿真生成被PSF模糊的MPI原生图像。使用仿真程序生成电压信号，对信号进行速度补偿，直接映射到被扫描点的瞬时位置，获得X空间原生图像。通过仿真，构造了10000张数据集，其中80％作为训练集，20％作为测试集；
具体地，获取X空间原生图像的方式如下：
获得信号：
获得X空间原生图像：
其中，s(t)为电压信号；B1为接收线圈的灵敏度，单位为T/A；m为纳米颗粒的磁矩，单位为A·m2；ρ(x)为粒子浓度；xs(t)为无磁场区域(FFR)的瞬时位置；为FFR速度矢量；Hsat为磁性纳米颗粒示踪剂的饱和场，单位为A/m；h(x)代表PSF函数，是朗之万函数的导数；为最后得到的X空间原生图像。
第二步，神经网络结构设置，根据MPI原生图像的性质设置神经网络结构，由于MPI原生图像是被PSF模糊过的图像，所以存在大量伪影，卷积层可以很好的提取图像特征，去除无用噪声。虽然卷积过程会降低噪声水平，但是这个过程会降低输入MPI原生图像的结构细节，为了恢复结构细节，采用反卷积层进行图像重建。另外，当网络层数逐渐加深时，MPI原生图像还是会丢失部分结构细节，在卷积层和反卷积层加入跳跃连接层可以解决这个问题。最终网络结构包括卷积层和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；卷积和反卷积核采用均值为0、标准差为0.01的随机高斯分布进行初始化；最后一层的过滤数设置为1，其他层设置为64；所有层的核大小设置为5×5；卷积和反卷积的步数设置为1，没有填充；
具体地，神经网络设计方法为：
为了改进X空间原生图像，设计编码解码残差网络，主要架构如图1所示，网络结构对称，N个卷积层和N个反卷积层，在每个卷积层之后有批处理归一化层和校正线性单元(ReLU)，反卷积之后只有ReLU，卷积层的功能是特征提取，保留图像中目标的主要信息，反卷积层的作用是恢复图像内容的细节，跳跃连阶层连接卷积层和反卷积层。
卷积层的运算如下，通过卷积层将图像转换为特征空间：
其中，为卷积提取的特征；Wi和bi分别表示权重和偏差，*是卷积算子，N是卷积层的数量,x0为输入图像，xi(i>0)为提取的特征层,ReLU(·)表示激活函数。
反卷积层的运算如下，反卷积后，特征可以重构成图像，然后对图像重构清晰的目标图像：
其中，为解卷积后的特征；W’i,和b’i,分别表示权重和偏差,/>是反卷积算子，N是反卷积层的数量，yi是卷积层输出的特征向量。
第三步，神经网络训练，网络输入是仿真的X空间原生图像，将对应的真实磁纳米粒子浓度分布作为标签训练神经网络。数据集包含10000张MNIST图像，图像大小设置为64×64像素。损失函数采用均方误差(MSE)，并在训练过程中计算均方根误差(RMSE)，峰值信噪比(PSNR)和结构相似指数测度(SSIM)。迭代次数为10000次。在本发明中，模型在开放框架Pytorch中实现，并支持CUDA和CUDNN。该模型运行在单个NVIDIA Telsa K20m GPU上。由于模型是完全卷积的，虽然训练是在图像块上进行的，但该模型可以处理任意大小的图像；
具体地，MSE、RMSE、PSNR和SSIM分别采用以下公式获得：：
其中，Φ是训练好的模型，X是真实磁纳米粒子浓度分布，Y是X空间原生图像，M和N分别是图像的长度和宽度。
其中，Xi和分别是真实磁纳米粒子浓度分布和神经网络预测结果，m代表样本数量。
其中，MSE代表真实磁纳米粒子浓度分布和神经网络预测结果的均方误差。
其中，μX和分别代表X和/>的平均值，σX和/>分别代表X和/>的标准差，/>代表X和/>的协方差。t1和t2是常数，避免分母为0带来的系统错误。
第四步，检测神经网络，在测试集上对神经网络进行检测，选取均方根误差、峰值信噪比和结构相似指数测度三个指标对图像质量进行定量评价，并且根据评价结果修改网络训练参数，使得重构图像更接近于原始图像，并检测神经网络的泛化能力和过拟合情况。
第五步，X空间解卷积，将待解卷积的原生图像输入到所述神经网络模型，得到解卷积结果。
实施例一
为了验证本发明提出的X空间磁粒子成像解卷积方法的有效性，首先在仿真系统中通过构造X空间算法合成X空间原生图像，然后使用深度神经网络进行解卷积，并进行了仿真实验,主要过程如下：
(1)参数设置
仿真参数设计如下：二维视场尺寸为20X20mm，模拟不同的选择场梯度：(1.0,1.0)T/m/μ0,(2.0,2.0)T/m/μ0,(4.0,4.0)T/m/μ0，粒子直径分别设置为20nm,40nm,60nm,分别模拟莉萨如和笛卡尔轨迹，采样时间为2.5MS/s。此外，为了说明网络的鲁棒性，在X空间MPI图像中加入不同信噪比(SNR)水平的高斯白噪声。
网络参数设置如下：对数据集进行随机裁剪，裁剪成64×64，学习率设置成从10-4下降到10-5，用均值为0，标准差为0.01的随即高斯分布初始化卷积和反卷积层，最后一层的卷积数设置为1，其他层设置为64；所有层的内核大小都设置为5×5，反卷积和反卷积层的步长设置为1，没有填充。
(2)结果分析
在上述给定的条件下，将本发明提出的X空间磁粒子成像解卷积方法与基于传统的解卷积方法进行对比，两种解卷积方法获得的仿真结果如图2所示。分析结果表明，在原生X空间解卷积问题上，利用本发明提出的基于深度学习的X空间解卷积方法，能很好的实现对X空间原生图像进行解卷积。
为了增强本发明的说服力，将该发明应用于真实的MPI仿真数据和动物数据，图3给出了相应的仿体结果，可见，经过基于深度学习的X空间解卷积，能够有效去除X空间图像存在的大量的伪影，提高X空间图像的分辨率。此外，将该发明应用于大鼠肝脏和脾脏的在体和离体MI成像，以进一步评价其性能，从图4可以看出，本发明给出的方法能够很好的实现对X空间原生图像的处理。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (2)

1.一种X空间磁粒子成像解卷积方法，其特征在于，包括以下步骤：
S1、获取X空间原生图像：仿真磁纳米粒子成像原生图像，使用仿真程序生成电压信号，对信号进行速度补偿，直接映射到被扫描点的瞬时位置，获得X空间原生图像，作为训练集和测试集；
S2、神经网络结构设置：设置卷积层和反卷积层，相对应的卷积层和反卷积层之间有跳跃连阶层；
S3、神经网络训练：采用所述训练集中的X空间原生图像作为网络输入训练神经网络；
S4、神经网络检测：在所述测试集上对神经网络进行检测，通过图像质量进行定量评价，并且根据评价结果修改网络训练参数；
S5、X空间解卷积：将待解卷积的原生图像输入训练和检测完成的所述神经网络模型进行预测，得到解卷积结果；
所述步骤S1，所述获取X空间原生图像具体为：
获得信号：
获得X空间原生图像：
其中，s(t)为电压信号；B1为接收线圈的灵敏度，单位为T/A；m为纳米颗粒的磁矩，单位为A·m2；ρ(x)为粒子浓度；xs(t)为FFR的瞬时位置；为FFR速度矢量；Hsat为磁性纳米颗粒示踪剂的饱和场，单位为A/m；h(x)代表PSF函数，是朗之万函数的导数；/>为X空间原生图像；
所述步骤S2，所述卷积层和反卷积层的卷积和反卷积核采用均值为0、标准差为0.01的随机高斯分布进行初始化；最后一层的过滤数设置为1，其他层设置为64；所有层的核大小设置为5×5；卷积和反卷积的步数设置为1，没有填充；
所述步骤S2，所述神经网络的网络结构对称，N个卷积层和N个反卷积层，在每个卷积层之后有批处理归一化层和校正线性单元(ReLU)，反卷积之后只有ReLU；
所述卷积层的运算如下：
其中，为卷积提取的特征；Wi和bi分别表示权重和偏差，*是卷积算子，N是卷积层的数量,x0为输入图像，xi(i>0)为提取的特征层,ReLU(·)表示激活函数；
所述反卷积层的运算如下：
其中，为解卷积后的特征；Wi ,和b, i分别表示权重和偏差,/>是反卷积算子，N是反卷积层的数量，yi是卷积层输出的特征向量；
所述步骤S3，损失函数采用均方误差(MSE)，并在训练过程中计算均方根误差(RMSE)，峰值信噪比(PSNR)和结构相似指数测度(SSIM)，具体为：
其中，Φ是训练好的模型，X是真实磁纳米粒子浓度分布，Y是X空间原生图像，M和N分别是图像的长度和宽度；
其中，Xi和分别是真实磁纳米粒子浓度分布和神经网络预测结果，m代表样本数量；
其中，MSE代表真实磁纳米粒子浓度分布和神经网络预测结果的均方误差；
其中，μX和分别代表X和/>的平均值，σX和/>分别代表X和/>的标准差，/>代表X和/>的协方差；t1和t2是常数，避免分母为0带来的系统错误。
2.根据权利要求1所述的X空间磁粒子成像解卷积方法，其特征在于，所述步骤S4，所述定量评价的指标为均方根误差、峰值信噪比和结构相似指数测度。
CN202111207992.1A 2021-10-18 2021-10-18 一种x空间磁粒子成像解卷积方法 Active CN113947642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111207992.1A CN113947642B (zh) 2021-10-18 2021-10-18 一种x空间磁粒子成像解卷积方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111207992.1A CN113947642B (zh) 2021-10-18 2021-10-18 一种x空间磁粒子成像解卷积方法

Publications (2)

Publication Number Publication Date
CN113947642A CN113947642A (zh) 2022-01-18
CN113947642B true CN113947642B (zh) 2024-06-04

Family

ID=79331095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111207992.1A Active CN113947642B (zh) 2021-10-18 2021-10-18 一种x空间磁粒子成像解卷积方法

Country Status (1)

Country Link
CN (1) CN113947642B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023155032A1 (zh) * 2022-02-15 2023-08-24 华为技术有限公司 图像处理方法和图像处理装置
CN114998471B (zh) 2022-06-22 2022-12-16 中国科学院自动化研究所 基于RecNet模型的磁粒子成像重建方法
CN116503507B (zh) * 2023-06-26 2023-08-29 中国科学院自动化研究所 基于预训练模型的磁粒子图像重建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416821A (zh) * 2018-03-08 2018-08-17 山东财经大学 一种深度神经网络的ct图像超分辨重建方法
CN109816742A (zh) * 2018-12-14 2019-05-28 中国人民解放军战略支援部队信息工程大学 基于全连接卷积神经网络的锥束ct几何伪影去除方法
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN113129232A (zh) * 2021-04-15 2021-07-16 中山大学 一种基于深度卷积生成对抗网络的弱光散斑成像恢复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109615674B (zh) * 2018-11-28 2020-09-18 浙江大学 基于混合损失函数3d cnn的动态双示踪pet重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416821A (zh) * 2018-03-08 2018-08-17 山东财经大学 一种深度神经网络的ct图像超分辨重建方法
CN109816742A (zh) * 2018-12-14 2019-05-28 中国人民解放军战略支援部队信息工程大学 基于全连接卷积神经网络的锥束ct几何伪影去除方法
WO2021134871A1 (zh) * 2019-12-30 2021-07-08 深圳市爱协生科技有限公司 基于局部二值模式和深度学习的合成人脸图像取证方法
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN113129232A (zh) * 2021-04-15 2021-07-16 中山大学 一种基于深度卷积生成对抗网络的弱光散斑成像恢复方法

Also Published As

Publication number Publication date
CN113947642A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN113947642B (zh) 一种x空间磁粒子成像解卷积方法
KR20190137913A (ko) 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소
US10145928B2 (en) Differential approach to quantitative susceptibility mapping without background field removal
US12000918B2 (en) Systems and methods of reconstructing magnetic resonance images using deep learning
CN107240125B (zh) 一种扩散加权成像方法
CN103440631B (zh) 基于低秩分解的ct序列图像复原方法
CN116030155A (zh) 基于时频双信息的磁粒子成像重建方法及系统
CN103810712B (zh) 一种能谱ct图像质量的评价方法
CN108596995B (zh) 一种pet-mri最大后验联合重建方法
KR20200029313A (ko) 파킨슨 병 진단 장치 및 방법
CN113808234A (zh) 一种基于欠采样的快速磁粒子成像重建方法
Knopp et al. Efficient joint estimation of tracer distribution and background signals in magnetic particle imaging using a dictionary approach
CN116068468A (zh) 时域系统矩阵联合x-space的MPI重建方法
CN117689761B (zh) 基于扩散模型的即插即用磁粒子成像重建方法、系统
Jurek et al. Supervised denoising of diffusion-weighted magnetic resonance images using a convolutional neural network and transfer learning
CN115375785A (zh) 一种基于人工神经网络的磁共振图像重建方法及设备
Koch et al. SHORE‐based detection and imputation of dropout in diffusion MRI
Aja-Fernández et al. Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies
CN112581385B (zh) 基于多先验约束扩散峰度成像张量估计方法、介质和设备
Wang et al. One for multiple: Physics-informed synthetic data boosts generalizable deep learning for fast MRI reconstruction
CN117173273B (zh) 一种即插即用的生成数据深度学习快速磁共振成像方法
CN107292847B (zh) 一种数据降噪方法及系统
Gui et al. PML algorithm for positron emission tomography combined with nonlocal fuzzy anisotropic diffusion filtering
CN110246199B (zh) 一种面向能谱ct的投影域数据噪声去除方法
FR2983999A1 (fr) Procede de reconstruction d'un signal en imagerie medicale a partir de mesures experimentales perturbees, et dispositif d'imagerie medicale mettant en oeuvre ce procede

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