CN114998460A - 核磁共振图像重建的动态欠采样方法及装置 - Google Patents
核磁共振图像重建的动态欠采样方法及装置 Download PDFInfo
- Publication number
- CN114998460A CN114998460A CN202210461850.6A CN202210461850A CN114998460A CN 114998460 A CN114998460 A CN 114998460A CN 202210461850 A CN202210461850 A CN 202210461850A CN 114998460 A CN114998460 A CN 114998460A
- Authority
- CN
- China
- Prior art keywords
- sampling
- reconstruction
- undersampling
- dynamic
- magnetic resonance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 87
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 7
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005084 2D-nuclear magnetic resonance Methods 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000989 no adverse effect Toxicity 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种核磁共振图像重建的动态欠采样方法及装置，该方法包括如下步骤：S1、从k空间内欠采样，欠采样的k空间对应的图像是低质图像；S2、使用基于深度学习的重建网络，通过学习低质图像和真实图像之间的残差来对低质图像进行复原，将低质图像恢复为高质图像。本发明针对快速核磁共振重建中的欠采样环节，采取使用后验知识进行动态采样的策略，并使用可学习的方式对采样模式进行优化。后验知识的利用使得采样模式可以符合每个采样物体的特异性，可学习的方式则能匹配k空间能量密度分布。因此，在欠采样快速核磁共振重建中，本发明提出的欠采样策略可稳定良好地重建清晰图像。
Description
技术领域
本发明涉及核磁共振成像技术领域，特别是涉及一种核磁共振图像重建的动态欠采样方法及装置。
背景技术
相比于其他医学影像技术，核磁共振成像在疾病的诊断上展现出很大的优越性。能敏感地探测出不同组织结构中的水含量，获取高清人体组织结构图，并且没有电离辐射，对机体不会产生不良影响。但是在临床应用中，它最大的局限性在于成像速度慢。常规的腹部核磁共振成像需要10-30分钟的扫描时间，这使得它无法适用于需要快速得到结果的危重病患者。普通病人在进行成像时，长时间的等待加大了身体移动的可能。身体的移动会带来MRI(核磁共振)成像结果的伪影，造成成像质量的降低甚至误诊，并且难以恢复。因此，更短的扫描时间一直以来是核磁共振技术发展的重要方向。
基于欠采样的快速核磁共振成像技术是主要的加速方案之一，即通过欠采样来加速扫描，同时利用重建算法对欠采样信号进行重建。其中，如何在k空间进行采样是一个难题。理想的采样模式应该符合k空间能量密度分布，采样到足够有效的信息量，并且应照顾到不同物体的特异性。目前主流的采样模式都是人工设计的静态采样模式，一方面无法很好匹配k空间能量密度分布，另一方面更无法针对不同物体的特性进行相应的采样。k空间欠采样会导致图像中出现混叠伪影，是图像质量下降的主要因素。不恰当的欠采样模式会导致重建算法无法重建出清晰的原图，甚至出现明显的伪影，对临床诊断造成影响。
发明内容
为了弥补上述背景技术的不足，本发明提出一种核磁共振图像重建的动态欠采样方法及装置，以解决在k空间进行采样时无法很好匹配k空间能量密度分布和无法针对不同物体的特性进行相应采样的问题。
本发明的技术问题通过以下的技术方案予以解决：
一种核磁共振图像重建的动态欠采样方法，包括如下步骤：S1、从k空间内欠采样，欠采样的k空间对应的图像是低质图像；S2、使用基于深度学习的重建网络，通过学习低质图像和真实图像之间的残差来对低质图像进行复原，将低质图像恢复为高质图像。
在一些实施例中，基于深度学习的重建网络公式如下：
其中xu是低质图像，对ku进行零填充，再经过反傅里叶变换后可以得到，即
其中
代表反傅里叶变换算子，R是参数为θ的重建网络。
在一些实施例中，令x是GT图像，对应全采样k空间的反傅里叶变换，训练过程的目标可以表述为
其中θ代表需要优化的网络参数，Loss代表损失函数。
在一些实施例中，采样过程包括步骤：S11、根据静态采样模式ppre采样少量信号，得到预采样k空间信息kpre，获取关于采样物体的一部分信息；S12、据此，预测模型M推测出适用于该物体的最佳动态采样模式ppost；ppost是基于物体本身的部分信号进行预测的，是一种基于后验知识的预测。
在一些实施例中，静态采样模式和动态采样模式构成了最终的采样模式，进行采样之后得到ku，送入重建网络进行重建；自适应采样器的采样过程表述为：
ku＝(ppre+M(μ，ppre·k))·k
其中μ是预测模型M的网络权重。
在一些实施例中，ppre的采样率是一个可调节的超参数，并且不能超过总体的采样率α，总体的采样率α和ppre的采样率一起受到如下约束：
在一些实施例中，对于四倍加速采样，总体的采样率α＝0.25，ppre的采样率取0.015625。
在一些实施例中，整个重建过程表述为：
其中，对式中的三个可学习的参数θ、ppre和μ进行优化。
在一些实施例中，使用重参数化方法将ppre和ppost变成可学习的，使得整个重建框架可以进行端到端的训练优化。
本发明还提供一种核磁共振图像重建的动态欠采样装置，包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序可被执行以实现如上任一项所述的方法。
本发明与现有技术对比的有益效果包括：本发明提供的核磁共振图像重建的动态欠采样方法及装置，针对快速核磁共振重建中的欠采样环节，采取使用后验知识进行动态采样的策略，并使用可学习的方式对采样模式进行优化。后验知识的利用使得采样模式可以符合每个采样物体的特异性，可学习的方式则能匹配k空间能量密度分布。因此，在欠采样快速核磁共振重建中，本发明提出的欠采样策略可稳定良好地重建清晰图像。
附图说明
图1是本发明实施例的核磁共振图像重建的后验动态欠采样流程图。
图2是本发明实施例的核磁共振图像重建的后验动态欠采样流程原理图。
图3a-3c是本发明实施例的后验动态欠采样模式与现有的常用欠采样模式的带噪声的四倍加速重建结果对比图。
具体实施方式
下面对照附图并结合优选的实施方式对本发明作进一步说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本实施例中的左、右、上、下、顶、底等方位用语，仅是互为相对概念，或是以产品的正常使用状态为参考的，而不应该认为是具有限制性的。
在进行核磁共振重建时，核磁共振扫描仪对人体进行磁共振扫描，扫描的信号用于填充k空间，再经过反傅里叶变换之后得到图像。欠采样快速核磁共振图像重建，就是利用扫描仪的欠采样加速扫描，同时利用重建算法对欠采样的信号进行复原，得到清晰的图像。本发明针对快速核磁共振重建中的欠采样环节，提出了一种使用后验知识进行动态采样的策略，并使用可学习的方式对采样模式进行优化。后验知识的利用使得采样模式可以符合每个采样物体的特异性，可学习的方式则能匹配k空间能量密度分布。因此，在欠采样快速核磁共振重建中，本发明提出的欠采样策略可稳定良好地重建清晰图像。
本发明实施例的核磁共振图像重建的动态欠采样方法的重建流程和欠采样策略如图1和图2所示，下面分别就重建框架和欠采样策略进行详细介绍。
1.基于深度学习的重建框架
快速核磁共振图像重建分为两步：
S1、从k空间内欠采样，欠采样的k空间对应的图像是低质图像。考虑从二维的k空间进行采样率为α的欠采样，公式如下：
ku＝p·k：||p||＝αN
其中k是全采样的k空间。对于一幅二维核磁共振图像，其k空间是一个nkx×nky大小的复数矩阵，即
p是欠采样模式，通常用二值化的矩阵来表示。p和k的点乘模拟了在k空间内欠采样的过程。ku是欠采样k空间，是p在k上采样的结果。p受到采样率的约束，当采样率为α时，总采样点是N时，要求p的一范数等于欠采样点数αN，表示只对αN数量的k空间点进行采样。
S2、使用基于深度学习的重建网络，通过学习低质图像和真实图像之间的残差来对低质图像进行复原，将低质图像恢复为高质图像，基于深度学习的重建网络公式如下：
其中xu是低质图像，对ku进行零填充，再经过反傅里叶变换后可以得到，即
其中
代表反傅里叶变换算子。由于k空间的欠采样，部分频段信息的丢失会使得低质图像出现混叠伪影和图像细节丢失等现象，这也是重建的目的。R是参数为θ的重建网络，通过学习低质图像和GT(Ground Truth，真实图像)之间的残差来对低质图像进行复原。跳跃链接通过学习残差可以使DNN(DeepNeuralNetworks，深度神经网络)训练更加稳定，更容易学习到复原能力。令x是GT图像，对应全采样k空间的反傅里叶变换，训练过程的目标可以表述为
其中θ代表需要优化的网络参数，Loss代表损失函数。
2.后验自适应采样器
图1中的虚线框内是采样器部分。采样过程分为两步，最终的采样模式p由ppre和ppost构成：
p＝ppre+ppost
自适应采样器的工作流程如下：
S11、首先根据静态采样模式ppre采样少量信号，得到预采样k空间信息kpre，获取关于采样物体的一部分信息。在采样之前对采样目标一无所知，此时的ppre反映了整体的能量分布，是对整体而言信息量最大的采样点。得到kpre之后获取了关于采样物体的一部分信息。
S12、据此，预测模型M推测出适用于该物体的最佳动态采样模式ppost。ppost是基于物体本身的部分信号进行预测的，是一种基于后验知识的预测，因此称其为后验自适应采样器。静态和动态采样模式构成了最终的采样模式，进行采样之后得到ku，送入重建网络进行重建。自适应采样器的采样过程可以表述为：
ku＝(ppre+M(μ，ppre·k))·k
其中μ是预测模型M的网络权重。在这个采样流程中，ppre的采样率是一个可调节的超参数，但不能超过总体的采样率α，总体的采样率α和ppre一起受到如下约束：
这个约束保证了总体的采样率为α。ppre的一范数越大，用于推测动态采样模式的信息就越多，但同时ppost的一范数就会越小，带来动态采样的范围变小。对于四倍加速采样(α＝0.25)，ppre的采样率取0.015625。
3.训练策略
整个重建过程可以表述为：
式中有三个可学习的参数需要优化，分别是θ、ppre和μ。使用重参数化技巧将ppre和ppost变成可学习的，使得整个重建框架可以进行端到端的训练优化。
为了使得ppre能采样到对于整体而言的最大信息量，本发明实施例中对其进行了单独的优化。具体地，将预测模型M去掉，即p＝ppre，进行第一轮训练。第一轮训的目的是寻找ppre。训练结束之后，选取ppre所对应概率矩阵o中概率最大的一部分点作为ppre的采样目标，比例和ppre的采样率相等。在第二轮训练中，使用获取到的ppre，并冻结ppre的参数，对预测模型M和重建网络R进行训练。
在训练过程中，使用Adam(自适应矩估计)优化器和小批次随机梯度下降在训练集上进行100轮训练，每一轮遍历所有训练集。取评估结果最好的轮次的权重作为最终训练权重。
4.性能分析
本节通过仿真实验，和现有技术的其余欠采样模式进行对比，说明本发明实施例中欠采样模式的重建图像质量的优越性，还通过噪声实验说明本发明实施例的欠采样策略匹配k空间能量密度分布的能力。
4.1和常用欠采样模式的对比
为了分析欠采样模式的重建性能，使用膝盖核磁共振图像数据作为重建对象，进行四倍加速重建，也就是1/4下采样。在重建之后，比较不同组的重建图像质量，并使用常用的图像评价指标PSNR(峰值信噪比)/SSIM(结构相似性)/NMSE(归一化均方误差)为参考。
在重建中，使用本发明实施例提出的后验自适应欠采样模式(SPM)和其余四种常用的欠采样模式(低频采样LF,变密度泊松盘采样Poisson，随机采样random，可学习的采样模式LOUPE)，在相同的重建网络下进行重建。为了全面地对比，选用了三种不同的重建网络(U-Net,KIKI,Restormer)分别进行了重建。对比结果如表1所示：
由上表可看出，在三个评价指标和不同的重建网络下，本发明实施例提出的后验自适应欠采样模式均有更好的重建图像质量。
4.2 k空间能量密度匹配分析
为了分析本发明实施例所提出的后验自适应欠采样模式能否匹配k空间能量密度分布，进行了噪声重建实验。具体地，使用不同等级噪声的数据(10％,20％,30％)进行重建，并和常用欠采样模式(LF低频采样，Possion变密度泊松盘采样，random随机采样)进行对比，比较不同采样模式受噪声影响的程度。结果如图3a、图3b和图3c所示，后验自适应欠采样模式(SPM)具有更好的抗噪声能力，能选择到信噪比更高的点，这说明其可以更好匹配k空间能量密度分布。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (10)
1.一种核磁共振图像重建的动态欠采样方法，其特征在于，包括如下步骤：
S1、从k空间内欠采样，欠采样的k空间对应的图像是低质图像；
S2、使用基于深度学习的重建网络，通过学习低质图像和真实图像之间的残差来对低质图像进行复原，将低质图像恢复为高质图像。
2.如权利要求1所述的核磁共振图像重建的动态欠采样方法，其特征在于，基于深度学习的重建网络公式如下：
其中xu是低质图像，对ku进行零填充，再经过反傅里叶变换后可以得到，即
其中
代表反傅里叶变换算子，R是参数为θ的重建网络。
3.如权利要求2所述的核磁共振图像重建的动态欠采样方法，其特征在于，令x是GT图像，对应全采样k空间的反傅里叶变换，训练过程的目标可以表述为
其中θ代表需要优化的网络参数，Loss代表损失函数。
4.如权利要求1所述的核磁共振图像重建的动态欠采样方法，其特征在于，采样过程包括步骤：
S11、根据静态采样模式ppre采样少量信号，得到预采样k空间信息kpre，获取关于采样物体的一部分信息；
S12、据此，预测模型M推测出适用于该物体的最佳动态采样模式ppost；ppost是基于物体本身的部分信号进行预测的，是一种基于后验知识的预测。
5.如权利要求4所述的核磁共振图像重建的动态欠采样方法，其特征在于，静态采样模式和动态采样模式构成了最终的采样模式，进行采样之后得到ku，送入重建网络进行重建；自适应采样器的采样过程表述为：
ku＝(ppre+M(μ，ppre·k))·k
其中μ是预测模型M的网络权重。
6.如权利要求4所述的核磁共振图像重建的动态欠采样方法，其特征在于，ppre的采样率是一个可调节的超参数，并且不能超过总体的采样率α，总体的采样率α和ppre的采样率一起受到如下约束：
7.如权利要求6所述的核磁共振图像重建的动态欠采样方法，其特征在于，对于四倍加速采样，总体的采样率α＝0.25，ppre的采样率取0.015625。
8.如权利要求1所述的核磁共振图像重建的动态欠采样方法，其特征在于，整个重建过程表述为：
其中，对式中的三个可学习的参数θ、ppre和μ进行优化。
9.如权利要求8所述的核磁共振图像重建的动态欠采样方法，其特征在于，使用重参数化方法将ppre和ppost变成可学习的，使得整个重建框架可以进行端到端的训练优化。
10.一种核磁共振图像重建的动态欠采样装置，包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序可被执行以实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210461850.6A CN114998460A (zh) | 2022-04-28 | 2022-04-28 | 核磁共振图像重建的动态欠采样方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210461850.6A CN114998460A (zh) | 2022-04-28 | 2022-04-28 | 核磁共振图像重建的动态欠采样方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998460A true CN114998460A (zh) | 2022-09-02 |
Family
ID=83025195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210461850.6A Pending CN114998460A (zh) | 2022-04-28 | 2022-04-28 | 核磁共振图像重建的动态欠采样方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998460A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830172A (zh) * | 2023-02-20 | 2023-03-21 | 泰山学院 | 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统 |
-
2022
- 2022-04-28 CN CN202210461850.6A patent/CN114998460A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830172A (zh) * | 2023-02-20 | 2023-03-21 | 泰山学院 | 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统 |
| CN115830172B (zh) * | 2023-02-20 | 2023-05-09 | 泰山学院 | 迭代细化压缩感知欠采样磁共振图像重构方法、重构系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190369191A1 (en) | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model | |
| CN108460726B (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 | |
| CN108717717B (zh) | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 | |
| CN113077527B (zh) | 一种基于欠采样的快速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 | |
| CN111696168A (zh) | 基于残差自注意力图像增强的高倍速采mri重建方法 | |
| US8760572B2 (en) | Method for exploiting structure in sparse domain for magnetic resonance image reconstruction | |
| CN109360152A (zh) | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 | |
| CN113160380B (zh) | 三维磁共振影像超分辨重建方法、电子设备和存储介质 | |
| WO2022257090A1 (zh) | 一种磁共振成像方法及相关设备 | |
| CN109345473B (zh) | 一种基于自适应快速迭代收缩阈值算法的图像处理方法 | |
| Pezzotti et al. | An adaptive intelligence algorithm for undersampled knee mri reconstruction: Application to the 2019 fastmri challenge | |
| CN110060315A (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| Ramzi et al. | Benchmarking deep nets MRI reconstruction models on the fastmri publicly available dataset | |
| CN114119791A (zh) | 一种基于交叉域迭代网络的mri欠采样图像重建方法 | |
| CN114998460A (zh) | 核磁共振图像重建的动态欠采样方法及装置 | |
| Jiang et al. | Respiratory motion correction in abdominal MRI using a densely connected U-Net with GAN-guided training | |
| Ouchi et al. | Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain | |
| CN111968108A (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
| CN110148193A (zh) | 基于自适应正交字典学习的动态磁共振并行重建方法 | |
| US20220198725A1 (en) | Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images | |
| Bian et al. | Improving quantitative MRI using self‐supervised deep learning with model reinforcement: Demonstration for rapid T1 mapping | |
| US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
| CN117495992A (zh) | 一种欠采样核磁共振图像的重建方法 | |
| CN116626570A (zh) | 多对比度mri采样和图像重建 |
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 |