CN115375785A - 一种基于人工神经网络的磁共振图像重建方法及设备 - Google Patents

一种基于人工神经网络的磁共振图像重建方法及设备 Download PDF

Info

Publication number
CN115375785A
CN115375785A CN202210902956.5A CN202210902956A CN115375785A CN 115375785 A CN115375785 A CN 115375785A CN 202210902956 A CN202210902956 A CN 202210902956A CN 115375785 A CN115375785 A CN 115375785A
Authority
CN
China
Prior art keywords
sampling
magnetic resonance
network
artificial neural
neural network
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
Application number
CN202210902956.5A
Other languages
English (en)
Inventor
蔡昕
程航
聂生东
杨光
侯学文
姜小平
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.)
Shanghai Kangda Colorful Medical Technology Co ltd
Original Assignee
Shanghai Kangda Colorful Medical Technology Co ltd
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 Shanghai Kangda Colorful Medical Technology Co ltd filed Critical Shanghai Kangda Colorful Medical Technology Co ltd
Priority to CN202210902956.5A priority Critical patent/CN115375785A/zh
Publication of CN115375785A publication Critical patent/CN115375785A/zh
Pending legal-status Critical Current

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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于人工神经网络的磁共振图像重建方法及设备，该方法包括：获取实际降采样的磁共振数据，通过经训练获得的重建模型获得重建后的磁共振图像；所述重建模型基于人工神经网络构建，该重建模型的训练过程包括以下步骤：获取由磁共振设备采集的全采样K空间数据；应用降采样矩阵对所述全采样K空间数据进行降采样；基于降采样K空间数据和对应的全采样K空间数据对人工神经网络进行监督式训练，获得最优网络；利用与所述全采样K空间数据异源的独立测试集对训练获得的最优网络进行测试，根据重建性能，构建获得最终的重建模型。与现有技术相比，本发明具有计算精度高、有效减少人工交互带来的不确定性因素等优点。

Description

一种基于人工神经网络的磁共振图像重建方法及设备
技术领域
本发明涉及一种磁共振信号处理技术，尤其是涉及一种基于人工神经网络的磁共振图像重建方法及设备，实现对欠采样的磁共振图像的重建。
背景技术
作为现代重要的医疗成像技术之一，磁共振成像技术在临床诊断方面发挥着重要的作用。由于磁共振成像的组织对比度高、分辨率高、无电离辐射、无创等特征，该技术越来越受到来自医疗以及科研领域的重视。但磁共振成像也存在一定缺陷，其中较为严重的问题之一就是扫描(或采集)时间长。长时间的信号采集主要会导致两个问题：一是患者的扫描体验变差，部分患者可能难以忍受长时间身处狭小扫描设备的内部；二是长时间的扫描过程中，患者的运动是不可避免的，包括呼吸、身体无意识或有意识的运动等等，这些运动会使最终的图像质量降低。磁共振扫描时间主要由两部分构成：一是采集单个信号点的时间；二是所需采集的信号点的总数。由于物理条件的限制，缩短单个信号点的采集时间较为困难。因此，如果要降低采样时间，就需要减少采样的点数。而减少采样点数会使图像带有严重的伪影。因此，需要使用合适的重建技术将伪影去除，提高图像质量以符合临床需求。
降采样的方式不同，所使用的重建方法也有所差别。目前，常用的降采方法主要有两种：并行成像(PI)与压缩感知(CS)。用于并行成像的传统重建方法有SENSE与GRAPPA，它们依据不同线圈之间的信号冗余实现对图像的重建。但并形成像的降采倍率较低，通常为2倍降采。之后，由于CS理论的提出，以更高的降采倍率进行降采成为可能。同时，在高降采率下，也能够重建出质量较高的图像。由于CS问题将重建过程视为采样过程的逆过程，因此，应用于CS的重建方法多为用于解决逆问题的优化方法，如ADMM、GD、PGD等方法。而这些方法的会引入了过多的先验信息，使得人为交互增强，带有一定的主观性。
近年来，随着人工神经网络与深度学习技术在越来越多领域取得了卓越的成果，开始有大量工作将这些技术引入磁共振重建领域。目前主流的方法有两种：一是完全使用人工神经网络，如UNet，作为重建的主体网络，通过运用大量数据训练网络、调整超参数等方法，获得性能良好的网络；二是以ADMM、GD、PGD等优化方法为主体，重新设计其中的优化方程，并将其以网络模块的方式重新组合，形成类似神经网络的深度网络，再利用数据进行训练，从而得到性能良好的网络。如中国专利申请CN109242924A公开了一种基于深度学习的核磁共振图像的降采样伪影去除方法，该方法包括如下步骤：步骤一、通过带伪影的样本磁共振图像获得最优模型；步骤二、将带降采样伪影的磁共振图像通过步骤一得到的最优模型处理，得到估计伪影图；步骤三、用带降采样伪影的磁共振图像减去步骤二得的估计伪影图像，然后用测量数据代替对应k空间低频数据得到去伪影图像。该方法虽然能够一定程度上去除伪影，但是由于最后还是需要人工测量的数据，导致该方法的计算精度不高，且受到人为主观因素的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种计算精度高、有效减少人工交互带来的不确定性因素的基于人工神经网络的磁共振图像重建方法及设备。
本发明的目的可以通过以下技术方案来实现：
一种基于人工神经网络的磁共振图像重建方法，该方法包括：获取实际降采样的磁共振数据，通过经训练获得的重建模型获得重建后的磁共振图像；
所述重建模型基于人工神经网络构建，训练过程包括以下步骤：
获取由磁共振设备采集的全采样K空间数据；
构建降采样矩阵，应用不同的降采样矩阵对所述全采样K空间数据进行降采样，获得多组降采样K空间数据；
基于所述降采样K空间数据和对应的全采样K空间数据对人工神经网络进行监督式训练，获得最优网络，训练过程中，以降采样K空间数据对应的带伪影图像作为网络的输入，全采样K空间数据对应的图像作为网络的金标准；
利用与所述全采样K空间数据异源的独立测试集对训练获得的最优网络进行测试，根据重建性能，构建获得最终的重建模型。
进一步地，所述构建降采样矩阵具体为：
以频率编码方向全采、梯度编码方向随机采样，以及K空间中低频信号全采、高频信号正态分布采样的规则，生成基本降采矩阵；
对所述基本降采矩阵筛选，获得所述降采样矩阵。
对所述基本降采矩阵筛选时的标准是：判断各基本降采矩阵的点扩散函数是否满足主峰远高于次峰，若是，则选择。
进一步地，所述进行降采样具体为：
将降采样矩阵与全采样K空间数据相乘，获得所述降采样K空间数据。
进一步地，所述监督式训练中，将对应的金标准图像与带伪影图像配对成样本，并划分训练集、验证集和测试集，所述训练集数据用于训练人工神经网络，使网络学习合适的参数，所述验证集用于验证网络中设置的超参数对网络性能的影响，寻找合适的超参数，所述测试集用于测试验证得到的最优网络的泛化能力，保留泛化能力大于设定阈值的最优网络。
进一步地，在获得重建图像后，采用K空间匹配方法对重建图像进行后处理。
进一步地，所述K空间匹配方法具体为：
根据mask的采样模式，获取被采样点的坐标，根据坐标选择网络输出K空间和金标准K空间中对应的点，将这些点的实部与虚部按序排列，计算输出K空间的排列与金标准K空间的排列之间的线性关系系数，并将这些系数应用在整个输出K空间上，得到与金标准图像灰度分布更接近的重建图像。
进一步地，所述重建模型的训练过程中，将带伪影图像输入人工神经网络前，对每一图像进行单独标准化处理。
进一步地，所述重建性能包括标准均方误差、峰值信噪比、结构相似性中的一个或多个。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明利用构建并训练好的重建模型进行磁共振图像的重建，能够有效减少人工交互带来的不确定性因素，减少人为设计函数的局限性，并且利用庞大算力学习降采数据与金标准数据之间的关联，鲁棒性好。
2、本发明在构建降采样矩阵时，采用随机生成及条件筛选相结合的方式，更符合实际降采过程，提高训练精度，所获得的重建模型计算精度高。
3、本发明对重建图像采用K空间匹配进行后处理，提升重建图像质量，且K空间匹配过程仅使用采样的数据，比直接在图像域上进行灰度匹配的方法更精确，更具有现实意义。
4、本发明所获得的高性能网络计算精度高、时间快、鲁棒性好、泛化能力强，在不同来源的数据中都能得到高品质的重建结果，能够便捷地对磁共振图像进行快速重建。
附图说明
图1为本发明重建模型的训练流程框图；
图2为本发明使用的网络结构图；
图3为使用本发明与其他重建方法进行磁共振图像重建的结果的对比图，其中，1a：金标准图像；1b：填零重建图像；1c：传统U-Net的重建图像；1d：我们改进的U-Net的重建图像；2a：降采Mask；2b～2d：分别对应1b～1d与1a的差值图像(归一化后的相对值)。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于人工神经网络的磁共振图像重建方法，该方法包括：获取实际降采样的磁共振数据，通过经训练获得的重建模型获得重建后的磁共振图像，所述重建模型基于人工神经网络构建。该方法引入人工神经网络对欠采样的磁共振图像进行重建，达到去除伪影、提高图像质量的目的，能够有效减少人工交互带来的不确定性因素，并且利用庞大算力学习降采数据与金标准数据之间的关联，鲁棒性好，能够便捷地对磁共振图像进行快速重建。
如图1所示，上述方法中的重建模型基于人工神经网络构建，训练过程包括以下步骤：
步骤1、获取由磁共振设备采集的全采样K空间数据；
步骤2、构建降采样矩阵，应用不同的降采样矩阵对所述全采样K空间数据进行降采样，模拟实际的降采样情境，获得多组降采样K空间数据；
步骤3、基于所述降采样K空间数据和对应的全采样K空间数据对人工神经网络进行监督式训练，获得最优网络，训练过程中，以降采样K空间数据对应的带伪影图像作为网络的输入，全采样K空间数据对应的图像作为网络的金标准；
步骤4、对深度学习的重建结果进行后处理，得到与金标准图像灰度分布更接近的重建图像，以提升重建质量；
步骤5、利用与所述全采样K空间数据异源的独立测试集对训练获得的最优网络进行测试，根据重建性能，构建获得最终的重建模型；
步骤6、以得到的最优重建模型应用于实际磁共振图像重建任务中。
上述步骤2中，降采样矩阵根据不同磁共振快速成像标准对应设计，使得伪影对重建效果的影响尽可能减少，具体设计包括：
(21)基本降采矩阵设计：以频率编码方向全采、梯度编码方向随机采样，以及K空间中低频信号全采、高频信号正态分布采样的规则，生成基本降采矩阵。
本实施例中，基于压缩感知理论，以频率编码方向全采、梯度编码方向随机采样的规则进行降采，此外，K空间中低频信号全采，高频信号按正态分布采样，具体的采样比率、正态分布的参数根据不同的成像位置以及成像序列进行调整。
(22)矩阵选择：对所述基本降采矩阵筛选，获得所述降采样矩阵。对所述基本降采矩阵筛选时的标准是：判断各基本降采矩阵的点扩散函数是否满足主峰远高于次峰，若是，则选择。
完全随机生成的矩阵可能会导致部分矩阵对应的伪影模式对信号重建产生较大的影响，因此，需要判断降采矩阵的点扩散函数是否满足主峰远高于次峰，对矩阵进行进一步的筛选。
实际应用中，降采就是在读出梯度的方向上，根据一定规则，有选择的采集部分行。在具体实施方式中，步骤2进行的降采样具体为：将降采样矩阵与全采样K空间数据相乘，获得所述降采样K空间数据。并且，由计算机所生成的降采样矩阵也能够方便地部署在实际应用场景中。
在具体实施方式中，重建模型基于人工神经网络搭建，通过网络结构设计与数据处理，获得性能优异、泛化能力强的网络，以提高重建性能。
人工神经网络是一种具有非线性映射能力的函数，本方法使用的是以卷积计算为主的卷积神经网络(CNN)。CNN的核心思想是使用一个卷积核，在输入特征图上进行滑动卷积，获得输出特征图。在训练过程中，我们通过给定输入数据与金标准数据的配对，计算CNN的输出数据与金标准数据之间的损失，并反向传播到网络中，以修改网络中包括卷积核在内的所有可训练参数，以实现由输入到金标准的映射。此外，为了探究其余不能由网络自主学习的参数，即超参数，在训练集之外还要设定验证集，以判断不同超参数对网络的影响。最后，为了验证网络在新数据上的泛化能力，我们还要设定额外的测试集，若网络在测试集上表现良好，说明网络具有较好的泛化能力，能够被用于临床测试。本实施例采用的卷积神经网络如图2所示。
本实施例中，上述步骤3的训练过程包括：
(31)数据预处理：由于不同源的磁共振图像间的灰度值差异较大，因此，采用对每一幅图像单独标准化的方法对数据进行预处理；
(32)监督式训练：将对应的金标准图像与带伪影图像配对成样本，并划分训练集、验证集和测试集，所述训练集数据用于训练人工神经网络，使网络学习合适的参数，所述验证集用于验证网络中设置的超参数对网络性能的影响，寻找合适的超参数，所述测试集用于测试验证得到的最优网络的泛化能力，保留泛化能力大于设定阈值的最优网络。
进一步地，在步骤4中，在获得重建图像后，采用K空间匹配方法对重建图像进行后处理。本实施例使用K空间匹配的方式，使网络输出的K空间在数值上更接近金标准K空间，由于傅里叶变换的性质，导致重建图像的灰度值也会更接近金标准图像。本方法进行K空间匹配仅使用采样的数据，比直接在图像域上进行灰度匹配的方法，更精确，更具有现实意义。
所述K空间匹配方法具体为：根据mask的采样模式，获取被采样点的坐标，根据坐标选择网络输出K空间和金标准K空间中对应的点，将这些点的实部与虚部按序排列，计算输出K空间的排列与金标准K空间的排列之间的线性关系系数，并将这些系数应用在整个输出K空间上，得到与金标准图像灰度分布更接近的重建图像。
在步骤5中，由于在CNN训练中，训练集、验证集与测试集很可能来源于同一批数据源中，因此，这三个数据集的数据分布在一定程度上具有相似性，由于CNN强大的学习能力，有可能会学习到这样的分布规律，并应用于输入到输出的映射关系中，这是我们不愿意看到的结果。因此，使用异源的独立测试集进行测试，能够更有效地反映出模型的泛化能力，并挑选合理指标定量评估网络表现，具体包括：
(51)独立验证：由于训练集中所使用的数据很大概率具有相同的分布，因此需要使用外源数据(如，在不同仪器上采集的磁共振图像)作为独立验证集对得到的深度学习模型进行测试，如果表现良好，则进一步证明该模型具有优秀的泛化能力；
(52)使用K空间匹配方法，将独立测试集通过网络得到的重建图像的灰度值与金标准图像的灰度值进行配对，使其分布在相似范围内，提高重建图像质量；
(53)选用标准均方误差(NMSE)、峰值信噪比(PSNR)与结构相似性(SSIM)作为网络性能的评价指标对网络性能进行评估，以NMSE越小、PSNR与SSIM越大为宜，选出最优网络。
在实际重建中，由于不同源的磁共振图像间的灰度值差异较大，因此，采用对每一幅图像单独标准化的方法对数据进行预处理。通过从临床设备上采集实际的降采数据，经预处理后输入到由步骤5最终筛选出的模型中，得到磁共振图像的重建结果，即不带伪影的高质量图像。在优选的实施方式中，也可以使用K空间匹配方法进行重建结果的后处理，以提高重建图像质量。
上述基于人工神经网络的磁共振图像重建方法的效果能够通过以下实验进一步说明。
1.独立测试：
我们使用与训练集不同来源的数据作为外部测试集，并使用外部测试集对训练完成的网络进行测试。外部测试集均为全采样数据，使用人工生成的降采mask对其K空间降采样后输入网络，通过网络得到重建后的图像。
2.独立测试结果
独立测试结果如图表1和图3所示。
表1本发明与不同重建方法在2类测试集上的3个定量指标
Figure BDA0003771537090000071
Figure BDA0003771537090000081
3.独立实验分析
结合表1和图3可以看出，传统U-Net重建虽然能一定程度提升降采图像的PSNR与SSIM，并降低图像的NMSE，但在其所获得的图像中，仍存在一定的伪影残留。而我们提出的改进的U-Net网络，不仅使PNSR与SSIM的值有更大幅度的提升，并且更有效的去除了伪影残留，改善图像的整体质量。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如实施例1所述的方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于人工神经网络的磁共振图像重建方法，其特征在于，该方法包括：获取实际降采样的磁共振数据，通过经训练获得的重建模型获得重建后的磁共振图像；
所述重建模型基于人工神经网络构建，该重建模型的训练过程包括以下步骤：
获取由磁共振设备采集的全采样K空间数据；
构建降采样矩阵，应用不同的降采样矩阵对所述全采样K空间数据进行降采样，获得多组降采样K空间数据；
基于所述降采样K空间数据和对应的全采样K空间数据对人工神经网络进行监督式训练，获得最优网络，训练过程中，以降采样K空间数据对应的带伪影图像作为网络的输入，全采样K空间数据对应的图像作为网络的金标准；
利用与所述全采样K空间数据异源的独立测试集对训练获得的最优网络进行测试，根据重建性能，构建获得最终的重建模型。
2.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述构建降采样矩阵具体为：
以频率编码方向全采、梯度编码方向随机采样，以及K空间中低频信号全采、高频信号正态分布采样的规则，生成基本降采矩阵；
对所述基本降采矩阵筛选，获得所述降采样矩阵。
3.根据权利要求2所述的基于人工神经网络的磁共振图像重建方法，其特征在于，对所述基本降采矩阵筛选时的标准是：判断各基本降采矩阵的点扩散函数是否满足主峰远高于次峰，若是，则选择。
4.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述进行降采样具体为：
将降采样矩阵与全采样K空间数据相乘，获得所述降采样K空间数据。
5.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述监督式训练中，将对应的金标准图像与带伪影图像配对成样本，并划分训练集、验证集和测试集，所述训练集数据用于训练人工神经网络，使网络学习合适的参数，所述验证集用于验证网络中设置的超参数对网络性能的影响，寻找合适的超参数，所述测试集用于测试验证得到的最优网络的泛化能力，保留泛化能力大于设定阈值的最优网络。
6.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，在获得重建图像后，采用K空间匹配方法对重建图像进行后处理。
7.根据权利要求6所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述K空间匹配方法具体为：
根据mask的采样模式，获取被采样点的坐标，根据坐标选择网络输出K空间和金标准K空间中对应的点，将这些点的实部与虚部按序排列，计算输出K空间的排列与金标准K空间的排列之间的线性关系系数，并将这些系数应用在整个输出K空间上，得到与金标准图像灰度分布更接近的重建图像。
8.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述重建模型的训练过程中，将带伪影图像输入人工神经网络前，对每一图像进行单独标准化处理。
9.根据权利要求1所述的基于人工神经网络的磁共振图像重建方法，其特征在于，所述重建性能包括标准均方误差、峰值信噪比、结构相似性中的一个或多个。
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
CN202210902956.5A 2022-07-29 2022-07-29 一种基于人工神经网络的磁共振图像重建方法及设备 Pending CN115375785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210902956.5A CN115375785A (zh) 2022-07-29 2022-07-29 一种基于人工神经网络的磁共振图像重建方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210902956.5A CN115375785A (zh) 2022-07-29 2022-07-29 一种基于人工神经网络的磁共振图像重建方法及设备

Publications (1)

Publication Number Publication Date
CN115375785A true CN115375785A (zh) 2022-11-22

Family

ID=84063872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210902956.5A Pending CN115375785A (zh) 2022-07-29 2022-07-29 一种基于人工神经网络的磁共振图像重建方法及设备

Country Status (1)

Country Link
CN (1) CN115375785A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115836855A (zh) * 2023-02-22 2023-03-24 首都医科大学附属北京朝阳医院 一种移动式磁共振设备成像方法、装置、存储介质及终端
CN117333571A (zh) * 2023-10-25 2024-01-02 烟台大学 磁共振图像的重建方法、系统、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115836855A (zh) * 2023-02-22 2023-03-24 首都医科大学附属北京朝阳医院 一种移动式磁共振设备成像方法、装置、存储介质及终端
CN117333571A (zh) * 2023-10-25 2024-01-02 烟台大学 磁共振图像的重建方法、系统、设备及介质
CN117333571B (zh) * 2023-10-25 2024-03-26 烟台大学 磁共振图像的重建方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
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
CN111951344B (zh) 一种基于级联并行卷积网络的磁共振图像重建方法
CN110992440B (zh) 弱监督磁共振快速成像方法和装置
CN108717717A (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
CN110916664A (zh) 一种基于深度学习的快速磁共振图像重建方法
Wang et al. Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction
Pawar et al. MoCoNet: Motion correction in 3D MPRAGE images using a convolutional neural network approach
CN109242924A (zh) 一种基于深度学习的核磁共振图像的降采样伪影去除方法
Varela‐Mattatall et al. Automatic determination of the regularization weighting for wavelet‐based compressed sensing MRI reconstructions
CN109597012A (zh) 一种基于残差网络的单扫描时空编码成像重建方法
CN111612866A (zh) 定量磁化率成像重建方法及系统、存储介质及终端
CN116030155A (zh) 基于时频双信息的磁粒子成像重建方法及系统
CN111598964A (zh) 一种基于空间自适应网络的定量磁化率图像重建方法
WO2024193719A1 (zh) 一种深度学习和谱域空域联合子采样的ss-oct压缩成像方法
KR102163337B1 (ko) 언더샘플링 방향 변화를 통한 다중영상획득 mri의 고속화 방법 및 이를 위한 장치
CN106023116B (zh) 一种基于块加权约束的压缩感知图像重建方法及装置
Gan et al. Self-supervised deep equilibrium models with theoretical guarantees and applications to MRI reconstruction
CN112489150A (zh) 面向快速mri的深度神经网络的多尺度序贯训练方法
CN112634385B (zh) 一种基于深度拉普拉斯网络的快速磁共振成像方法
CN113192150A (zh) 基于循环神经网络的磁共振介入图像重建方法
Liu et al. Domain Migration Representation Learning for Blind MR Image Super-Resolution
CN112505598B (zh) 定量磁化率成像重建方法及系统、存储介质及终端
CN117333571B (zh) 磁共振图像的重建方法、系统、设备及介质
CN118014016B (zh) 基于对抗卷积神经网络的oct图像重建方法及存储介质
CN115984404A (zh) 一种扩散张量成像参数量化方法、系统、设备和介质

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