CN114114117A - 一种基于深度学习的磁共振波谱相位校正方法 - Google Patents
一种基于深度学习的磁共振波谱相位校正方法 Download PDFInfo
- Publication number
- CN114114117A CN114114117A CN202111305041.8A CN202111305041A CN114114117A CN 114114117 A CN114114117 A CN 114114117A CN 202111305041 A CN202111305041 A CN 202111305041A CN 114114117 A CN114114117 A CN 114114117A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- resonance spectrum
- phase deviation
- phase correction
- order phase
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 117
- 238000012937 correction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000655 nuclear magnetic resonance spectrum Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- 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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- High Energy & Nuclear Physics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于深度学习的磁共振波谱相位校正方法。包括构建磁共振波谱相位校正数据集；搭建基于多尺度残差网络的卷积神经网络；使用损失函数和优化算法迭代训练卷积神经网络直至收敛；将待相位校正的磁共振波谱输入到训练好的卷积神经网络中，得到对应的零阶相位偏差和一阶相位偏差，还原出相位校正后的磁共振谱图。本发明的卷积神经网络替代了传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位偏差和一阶相位偏差的映射，采用基于多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。
Description
技术领域
本发明涉及代谢组学的核磁共振研究和深度学习技术领域，具体涉及一种基于深度学习的磁共振波谱相位校正方法。
背景技术
在理想的情况下，磁共振实验采集到的自由感应衰减(Free Induction Decay：FID)信号经过傅立叶变换得到的是纯吸收线形谱和纯色散线形谱，但在实际的实验过程中总会由于死时间、数字滤波器响应、发射脉冲和接收机之间相位不一致等原因产生一定的相位偏移，使得色散信号和吸收信号混合。
由于吸收线形谱相比于绝对值谱和混合相位的谱图有更高的分辨率，所以目前磁共振谱图分析一般都是基于吸收线形谱。而为了得到纯吸收线形谱，需要对傅里叶变换后得到的磁共振波谱进行相位校正，所以相位校正是磁共振谱图后期处理的一个必须步骤。
到目前为止，国内外已经发展了多种磁共振波谱相位校正的技术，可以分为取得很好校正效果但是极其耗时的手动校正和速度快但是效果有待提升的自动校正。早在1969年，就出现了基于色散信号积分为零和吸收信号积分最大的自动相位校正方法；后来相继出现了一系列基于谱峰的自动校正方法和全谱自动校正方法。但基于谱峰的校正方法在校正过程中面临寻峰、谱峰线性化等问题，而基于全谱数据的自动相位校正方法计算效率较低，难以满足实时处理的要求。
近年来，由于深度学习方法的准确性和高效性，越来越多的研究者将其应用于磁共振领域中。但是到目前为止，深度学习尤其是卷积神经网络(Convolutional NeuralNetwork，CNN)还未被广泛用于磁共振波谱相位校正中。基于以上分析，本发明提出一种基于多尺度残差网络的卷积神经网络，其中首创性设计卷积神经网络替代传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位和一阶相位的映射，采用基于多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理且兼顾校正准确率和处理速度的基于深度学习的磁共振波谱相位校正方法。
为了解决上述技术问题，本发明所采用的技术方案是：
一种基于深度学习的磁共振波谱相位校正方法，包括以下步骤：
步骤1、构建磁共振波谱相位校正数据集，并构建训练集；
步骤2、搭建基于多尺度残差网络的卷积神经网络；
步骤3、将训练集中的样本对输入到基于多尺度残差网络的卷积神经网络中迭代训练，使用自适应矩估计优化器自动调整网络参数，直至均方误差损失函数下降至收敛并趋于稳定；
步骤4、将待相位校正的磁共振波谱输入到步骤3中训练好的卷积神经网络中，得到预测的待相位校正的磁共振波谱对应的零阶相位偏差和一阶相位偏差，根据零阶相位偏差和一阶相位偏差还原出相位校正后的磁共振谱图。
如上所述步骤1包括以下步骤：
步骤1.1、对实际采集的带有相位误差的自由感应衰减信号进行傅里叶变换，得到对应的带有相位误差的磁共振波谱作为输入磁共振波谱；
步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；
步骤1.3、将获得的输入磁共振波谱和对应的参考零阶相位偏差和参考一阶相位偏差作为磁共振波谱相位校正数据集中的样本对，根据磁共振波谱相位校正数据集中的样本对构建训练集。
如上所述的步骤1.2中精准相位校正包括以下步骤：
步骤1.2.1、调节零阶相位偏差值，使得输入磁共振波谱中一个谱峰为纯吸收型信号；
步骤1.2.2、将该谱峰位置定为调相的零点位置；
步骤1.2.3、调节一阶相位偏差使得输入磁共振波谱中所有谱峰都为纯吸收型信号。
如上所述步骤2包括以下步骤：
步骤2.1、使用包含若干个级联的卷积单元和激活单元的初步特征提取网络对训练集中的样本对初步提取输入磁共振波谱的输入磁共振波谱特征，并将提取到的输入磁共振波谱特征输入到多尺度残差网络；
步骤2.2、利用包括若干个级联的多尺度残差模块的多尺度残差网络对输入磁共振波谱特征进一步处理获得深层级特征；
步骤2.3、通过包含若干个级联的卷积单元、激活单元和平均池化单元的池化网络对步骤2.2中多尺度残差网络输出的深层级特征进行融合，得到预测的零阶相位偏差和一阶相位偏差。
本发明的优点和积极效果是：
1、本发明的卷积神经网络替代了传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位偏差和一阶相位偏差的映射；
2、本发明的卷积神经网络采用多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。
附图说明
图1是基于多尺度残差网络的卷积神经网络的框架图；
图2是本发明的初步特征提取网络的框架图；
图3是本发明的多尺度残差模块的框架图；
图4是本发明的池化网络的框架图；
图5是本发明与TopSpin软件自动相位校正、ACFT相位校正方法的效果对比图。
图6是对应于图5中21kHz附近的局部放大图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
实施例：
一种基于深度学习的磁共振波谱相位校正方法，包括以下步骤：
步骤1、构建磁共振波谱相位校正数据集。具体实现过程包括：
步骤1.1、对实际采集的小鼠脑脊液的自由感应衰减信号进行傅里叶变换，得到带有相位误差的磁共振波谱作为输入磁共振波谱。其中小鼠脑脊液的磁共振波谱的化学位移为16.0214ppm，数据点数为32k(即：32×1024＝32768)；
步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；
步骤1.2的具体实现过程如下：
步骤1.2.1、调节零阶相位偏差值，使得输入磁共振波谱中一个谱峰为纯吸收型信号；
步骤1.2.2、将该谱峰位置定为调相的零点位置(支点)；
步骤1.2.3、调节一阶相位偏差使得输入磁共振波谱中所有谱峰都为纯吸收型信号。
步骤1.3、将获得的输入磁共振波谱和对应的参考零阶相位偏差和参考一阶相位偏差作为磁共振波谱相位校正数据集中的样本对，根据磁共振波谱相位校正数据集中的样本对构建训练集。
步骤2、搭建基于多尺度残差网络的卷积神经网络，该卷积神经网络包括初步特征提取网络、多尺度残差网络和池化网络，初步特征提取网络包含多个级联的卷积单元和激活单元，多尺度残差网络包括多个级联的多尺度残差模块，池化网络包含多个级联的卷积单元、激活单元和平均池化单元。输入磁共振波谱经过初步特征提取网络获得初步提取的特征，然后经多尺度残差网络处理获得深层级特征，深层级特征经过池化网络，得到预测的零阶相位偏差和一阶相位偏差，如图1所示。具体实现过程包括：
步骤2.1、本实施例中，使用包含一个卷积单元和一个激活单元的初步特征提取网络对训练集中的样本对初步提取输入磁共振波谱特征，并将输入磁共振波谱特征输入到多尺度残差网络。初步特征提取网络中，一维卷积核的大小为15，数量为64，步长为2，激活函数为ReLU；
步骤2.2、本实施例中，利用包括四个级联的多尺度残差模块的多尺度残差网络对初步特征提取网络提取得到的输入磁共振波谱特征进一步处理获得深层级特征，多尺度残差模块如图3所示。其中卷积层卷积核的大小均为15，数量为64，多尺度残差模块中，第一卷积层和第三卷积层的步长为2，第二卷积层2的步长为1，激活函数为ReLU；
步骤2.3、本实施例中，使用两个一维卷积单元、两个激活单元和一个平均池化单元的池化网络对步骤2.2中多尺度残差网络输出的深层级特征进行融合，得到预测的零阶相位偏差和一阶相位偏差。其中第一个一维卷积单元的卷积核大小为9，数量为16，步长为1；第二个一维卷积单元的卷积核大小为3，数量为2，步长为1；两个激活函数都是ReLU；平均池化的池化窗口大小为1024。
步骤3、本实施例中，将训练集中的样本对输入到基于多尺度残差网络的卷积神经网络中迭代训练，使用自适应矩估计(Adaptive moment estimation，Adam)优化器来自动调整网络参数，直至均方误差(Mean Square Error，MSE)损失函数下降至收敛并趋于稳定。
步骤4、本实施例中，在相位校正测试阶段，输入小鼠脑脊液所成磁共振波谱，利用步骤3中训练好的卷积神经网络预测得到磁共振波谱对应的零阶相位偏差和一阶相位偏差。通过公式(1)、公式(2)、公式(3)可以还原出对应的校正后磁共振波谱。
式中Ri和Ii分别代表校正后磁共振波谱的第i个数据点的实部和虚部，
和
分别代表校正前磁共振波谱的第i个数据点的实部和虚部，φi代表第i个数据点的相位，Ph0和Ph1分别代表零阶相位偏差和一阶相位偏差，N代表磁共振波谱的数据点数。
通过实验论证，本发明的卷积神经网络替代了传统磁共振波谱相位校正过程中搜索零阶相位偏差和一阶相位偏差的步骤，学习磁共振波谱到零阶相位偏差和一阶相位偏差的映射，采用基于多个子网络级联的结构方式迭代优化预测结果，有效地提高了磁共振波谱相位校正的准确性。
为了更好地证明本发明的有效性，本发明也将小鼠尿液的磁共振波谱(其化学位移为20.0276ppm，数据点数为64k，即64×1024＝65536)用来训练卷积神经网络，并且完成了相关实验，同样取得了很好的效果。
在对比实验中，Bruker TopSpin是Bruker核磁共振仪配套的核磁数据分析软件，拥有核磁数据分析以及核磁图谱的采集和处理功能，可应用于绝对定量、结构阐述、非均匀采样以及结构阐述，Bruker TopSpin有着非常直观的界面，同时也是NMR数据分析和NMR谱采集与处理的行业标准。ACFT(automatic coarse-fine tuning)是一种适用于各种谱图的自动相位校正方法，它通过粗调和细调相结合的方式能够获得良好的自动相位校正效果。本发明将与TopSpin软件带有的自动相位校正方法和ACFT方法进行性能对比。为保证对比实验的公平性，三种方法均在相同的软硬件环境下进行实验。
对比实验的软硬件环境：Tensorflow框架；Windows 10系统；Intel i7-8700KCPU；32GB内存；NVIDIA GTX 1080Ti显卡；
对比的自动相位校正的参考文献为：
ACFT方法，参考文献：Bao Q,Feng J,Chen L,et al.A robust automatic phasecorrection method for signal dense spectra[J].Journal of Magnetic Resonance,2013,234:82-89.
图5展示了本发明与TopSpin软件带有的自动相位校正方法、ACFT方法对比结果图，其中选取的磁共振波谱为具有代表性的磁共振波谱。相比于TopSpin软件带有的自动相位校正方法和ACFT方法，本发明还原出来的磁共振波谱与参考磁共振波谱最为接近。综上所述，本发明是一种有效的磁共振波谱相位校正方法。
最后需要强调的是：本发明描述的实施例对本发明只是起解释说明作用，而并不是对其加以限制。本发明适用的磁共振波谱不局限于描述的实施例中小鼠脑脊液所成的磁共振波谱，还可以是小鼠尿液所成的磁共振波谱、小鼠血液所成的磁共振波谱等其它溶液所成的磁共振波谱。本发明适用的残差模块数目也不局限于描述的实施例中的四个，还可以是三个残差模块、两个残差模块等。本发明所属领域的技术人员在未偏离本发明的精神与原理下所作的任何改变、等效替代或者简化，均属于本发明保护的范围。
本发明未作详细描述的内容属于本领域技术人员公知的现有技术。
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。
Claims (4)
1.一种基于深度学习的磁共振波谱相位校正方法，其特征在于，包括以下步骤：
步骤1、构建磁共振波谱相位校正数据集，并构建训练集；
步骤2、搭建基于多尺度残差网络的卷积神经网络；
步骤3、将训练集中的样本对输入到基于多尺度残差网络的卷积神经网络中迭代训练，使用自适应矩估计优化器自动调整网络参数，直至均方误差损失函数下降至收敛并趋于稳定；
步骤4、将待相位校正的磁共振波谱输入到步骤3中训练好的卷积神经网络中，得到预测的待相位校正的磁共振波谱对应的零阶相位偏差和一阶相位偏差，根据零阶相位偏差和一阶相位偏差还原出相位校正后的磁共振谱图。
2.根据权利要求1所述的一种基于深度学习的磁共振波谱相位校正方法，其特征在于：所述步骤1包括以下步骤：
步骤1.1、对实际采集的带有相位误差的自由感应衰减信号进行傅里叶变换，得到对应的带有相位误差的磁共振波谱作为输入磁共振波谱；
步骤1.2、对步骤1.1得到的输入磁共振波谱进行精准相位校正，获得输入磁共振波谱对应的零阶相位偏差和一阶相位偏差，并将输入磁共振波谱对应的零阶相位偏差和一阶相位偏差作为输入磁共振波谱对应的参考零阶相位偏差和参考一阶相位偏差；
步骤1.3、将获得的输入磁共振波谱和对应的参考零阶相位偏差和参考一阶相位偏差作为磁共振波谱相位校正数据集中的样本对，根据磁共振波谱相位校正数据集中的样本对构建训练集。
3.根据权利要求2所述的一种基于深度学习的磁共振波谱相位校正方法，其特征在于：所述的步骤1.2中精准相位校正包括以下步骤：
步骤1.2.1、调节零阶相位偏差值，使得输入磁共振波谱中一个谱峰为纯吸收型信号；
步骤1.2.2、将该谱峰位置定为调相的零点位置；
步骤1.2.3、调节一阶相位偏差使得输入磁共振波谱中所有谱峰都为纯吸收型信号。
4.根据权利要求1所述的一种基于深度学习的磁共振波谱相位校正方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1、使用包含若干个级联的卷积单元和激活单元的初步特征提取网络对训练集中的样本对初步提取输入磁共振波谱的输入磁共振波谱特征，并将提取到的输入磁共振波谱特征输入到多尺度残差网络；
步骤2.2、利用包括若干个级联的多尺度残差模块的多尺度残差网络对输入磁共振波谱特征进一步处理获得深层级特征；
步骤2.3、通过包含若干个级联的卷积单元、激活单元和平均池化单元的池化网络对步骤2.2中多尺度残差网络输出的深层级特征进行融合，得到预测的零阶相位偏差和一阶相位偏差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305041.8A CN114114117A (zh) | 2021-11-05 | 2021-11-05 | 一种基于深度学习的磁共振波谱相位校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111305041.8A CN114114117A (zh) | 2021-11-05 | 2021-11-05 | 一种基于深度学习的磁共振波谱相位校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114114117A true CN114114117A (zh) | 2022-03-01 |
Family
ID=80380895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111305041.8A Pending CN114114117A (zh) | 2021-11-05 | 2021-11-05 | 一种基于深度学习的磁共振波谱相位校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114114117A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115607133A (zh) * | 2022-09-26 | 2023-01-17 | 中科微影(泰州)医疗科技有限公司 | 一种磁共振图像相位解卷绕方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
| CN109557487A (zh) * | 2018-11-28 | 2019-04-02 | 厦门大学 | 基于残差网络的磁共振信号的时频变换和相位校正的方法 |
| CN109903373A (zh) * | 2019-02-19 | 2019-06-18 | 华南理工大学 | 一种基于多尺度残差网络的高质量人脸生成方法 |
| CN110244246A (zh) * | 2019-07-03 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
| CN110501664A (zh) * | 2019-08-23 | 2019-11-26 | 苏州朗润医疗系统有限公司 | 磁共振波谱相位校正方法及应用该方法的磁共振成像系统 |
| CN111275783A (zh) * | 2020-01-19 | 2020-06-12 | 上海联影医疗科技有限公司 | 磁共振图像的相位解缠方法、装置及磁共振成像系统 |
| CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
-
2021
- 2021-11-05 CN CN202111305041.8A patent/CN114114117A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596994A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振弥散加权成像方法 |
| CN109557487A (zh) * | 2018-11-28 | 2019-04-02 | 厦门大学 | 基于残差网络的磁共振信号的时频变换和相位校正的方法 |
| CN109903373A (zh) * | 2019-02-19 | 2019-06-18 | 华南理工大学 | 一种基于多尺度残差网络的高质量人脸生成方法 |
| CN110244246A (zh) * | 2019-07-03 | 2019-09-17 | 上海联影医疗科技有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
| CN110501664A (zh) * | 2019-08-23 | 2019-11-26 | 苏州朗润医疗系统有限公司 | 磁共振波谱相位校正方法及应用该方法的磁共振成像系统 |
| CN111275783A (zh) * | 2020-01-19 | 2020-06-12 | 上海联影医疗科技有限公司 | 磁共振图像的相位解缠方法、装置及磁共振成像系统 |
| CN112116616A (zh) * | 2020-08-05 | 2020-12-22 | 西安交通大学 | 基于卷积神经网络的相位信息提取方法、存储介质及设备 |
Non-Patent Citations (4)
| Title |
|---|
| 戴于翔: "基于深度卷积神经网络的磁共振图像重建算法研究", 《CNKI优秀硕士学位论文全文库》 * |
| 李钊，李小军，陈黎，王杰，刘朝阳，鲍庆嘉: "基于卷积神经网络的磁共振波谱相位校正算法", 《2021第二十一届全国波谱学学术年会论文摘要集》 * |
| 王晓晨: "基于深度学习的MRI超分辨率算法研究", 《CNKI优秀硕士学位论文全文库》 * |
| 肖玉杰: "基于深度学习的医学影像分析与认知计算方法研究与应用", 《CNKI优秀硕士学位论文全文库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115607133A (zh) * | 2022-09-26 | 2023-01-17 | 中科微影(泰州)医疗科技有限公司 | 一种磁共振图像相位解卷绕方法 |
| CN115607133B (zh) * | 2022-09-26 | 2023-11-28 | 中科微影(泰州)医疗科技有限公司 | 一种磁共振图像相位解卷绕方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103680515B (zh) | 采用系数重用的比例自适应滤波器系数向量更新方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN113567131B (zh) | 基于s变换与微型卷积神经网络模型的轴承故障诊断方法 | |
| CN114114117A (zh) | 一种基于深度学习的磁共振波谱相位校正方法 | |
| CN114112400A (zh) | 一种基于多角度信息融合的机械轴承故障诊断方法 | |
| CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN109916625B (zh) | 一种单通道齿轮箱多故障分离双核微处理系统 | |
| CN110632386B (zh) | 一种太阳射电干扰滤除方法、可读存储介质及电子设备 | |
| CN114124734B (zh) | 一种基于GCN-Transformer集成模型的网络流量预测方法 | |
| CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及系统 | |
| CN112785088B (zh) | 一种基于dcae-lstm短期日负荷曲线预测方法 | |
| CN102542284B (zh) | 辨识光谱的方法 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
| CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
| Jin et al. | An enhanced multi-circuit optimization approach for identification of microwave filter parameters | |
| CN115097391A (zh) | 一种基于自动编码器的合成孔径雷达干扰抑制方法 | |
| CN108959781B (zh) | 基于惩罚因子的同步电机模型参数非线性回归调优方法 | |
| CN110244563B (zh) | 一种神经网络内模控制器模型失配识别及在线更新方法 | |
| CN110631827A (zh) | 一种基于改进协同表示分类的齿轮箱故障诊断方法 | |
| CN117557917B (zh) | 水质检测方法和装置 | |
| CN116318470B (zh) | 非高斯噪声下的通信干扰信号功率估计方法和装置 | |
| CN117668623B (zh) | 船舶管道阀门泄漏多传感器跨域故障诊断方法 | |
| CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |