CN116070401A - 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法 - Google Patents

一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法 Download PDF

Info

Publication number
CN116070401A
CN116070401A CN202211213810.6A CN202211213810A CN116070401A CN 116070401 A CN116070401 A CN 116070401A CN 202211213810 A CN202211213810 A CN 202211213810A CN 116070401 A CN116070401 A CN 116070401A
Authority
CN
China
Prior art keywords
tensor
transform domain
magnetic resonance
network
domain
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
CN202211213810.6A
Other languages
English (en)
Inventor
胡悦
张英豪
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202211213810.6A priority Critical patent/CN116070401A/zh
Publication of CN116070401A publication Critical patent/CN116070401A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，属于磁共振成像领域，用以解决高倍欠采样机制下高维磁共振图像重建质量提高的问题，最终目的是加速高维磁共振成像。本发明方法的技术要点包括利用变换域张量核范数构建重建模型；设计迭代优化算法；利用卷积神经网络基于数据自适应学习最优变换域；构建基于卷积神经网络的变换域张量低秩先验模块；将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络；数据获取和生成；基于数据对网络进行训练，得到训练完成的目标网络模型。本发明可用于在重建质量一定的情况下进一步提高欠采样加速效果，或在欠采样倍数一定的情况下进一步提高重建质量。

Description

一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法
技术领域
本发明涉及磁共振成像领域，具体涉及一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法。
背景技术
磁共振成像技术无电离辐射、软组织图像分辨率高并且能够清晰地多层面多角度观察到各种组织形态和结构，因此在物理学、生物学、医学等方面得到了极为广泛的应用。传统的磁共振图像通常为二维图像，仅展示某一组织切面的信息，难以为日益增长的精准医疗需求提供支撑。高维磁共振图像能够提供更为具体、多元的数据，从而提高临床诊断精准度，赋能精准医疗，例如三维动态磁共振成像增加时间维信息，提供组织动态信息；磁共振指纹成像增加多对比度信号曲线维，进而能够提供多种定量磁共振参数图。
高维磁共振图像由于增加了数据维度，因此数据获取量成指数增加，成像速度较慢。为加速成像，常采用欠采样机制。随着欠采样加速倍数增加，加速效果提高，图像的重建质量降低，重建难度增大。因此需要研究更为优越的算法在重建质量可接受的情况下尽可能地提高欠采样倍数，或者在欠采样倍数一定地情况下尽可能地提高重建质量。目前广泛使用的重建方法将高维数据展开为矩阵，并利用其低秩特性进行重建，而这种高维展开为二维的方案破坏数据原有的高维结构，导致次优的重建结果，因此利用张量(三维或以上的高维数据)低秩特性重建能够增强重建效果，具有很大的应用潜力。
发明内容
本发明提出一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，用以解决高倍欠采样机制下高维磁共振图像重建质量提高的问题，最终目的是加速高维磁共振成像。
本发明为解决上述问题所采取的技术方案：
一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，包括以下步骤：
步骤S1，利用变换域张量核范数构建高维磁共振图像重建模型，其中，变换域为任意变换，张量核范数基于张量奇异值分解构建。
步骤S2，设计迭代优化方法，可选的，交替乘子法(ADMM)，近端梯度法(PG)。
步骤S3，利用卷积神经网络基于数据自适应学习最优变换域。
步骤S4，构建基于卷积神经网络的变换域张量低秩先验模块，其中，该模块基于变换域张量奇异值阈值法构建。
步骤S5，将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络。
步骤S6，数据获取和生成，其中，数据是基于开源或采集的数据库构建。
步骤S7，基于数据对网络进行训练，得到训练完成的目标网络模型。
进一步地，步骤S1中的图像重建模型为一个有约束的优化问题：优化目标函数为变换域张量核范数，其中，变换域为任意变换，张量核范数是基于张量奇异值分解模型构建；约束函数为信号保真项，保证重建的图像与采集的真值信号一致。
进一步地，步骤S2中的迭代优化算法求解基于变换域张量核范数的高维磁共振图像重建模型，可选的，交替乘子法，重建模型的迭代优化算法分为三个子步骤：变换张量奇异值阈值步、信号一致性步和拉格朗日乘子更新步；近端梯度法，重建模型的迭代优化算法分为两个子步骤：变换张量奇异值阈值步和梯度下降步。
进一步地，步骤S3中的卷积神经网络为任意卷积神经网络，可选的，堆叠的CNN，U-Net或Res-Net结构。
进一步地，步骤S4中的变换域张量低秩先验模块是基于变换域张量奇异值阈值法构建，其中，变换域由步骤S3中的卷积神经网络进行学习。具体地，变换域张量奇异值阈值法执行：利用卷积神经网络将图像域的动态磁共振数据变换到变换域、在变换域执行张量奇异值阈值法、通过另一个卷积神经网络学习反变换将变换域数据变换回图像域。张量奇异值阈值法执行：给定一个三维空间-时间张量(更高维张量依然适用)，对每一个空间二维图像(帧)做矩阵奇异值分解，并利用由网络学习的阈值参数对奇异值进行软阈值操作，最后执行逆奇异值分解操作得到新的数据。软阈值操作执行：对于小于等于阈值参数的奇异值，置零；对于大于阈值参数的奇异值，将其与阈值参数相减作为新奇异值。
进一步地，步骤S5中，本发明将迭代优化方法中的变换域张量奇异值阈值步利用上述步骤S4中的变换域张量低秩先验模块代替求解；其它的子迭代步骤按照张量运算的方式在网络中进行实现并以信号一致性相关模块代替求解。变换域张量低秩先验模块与信号一致性相关模块合并形成图像重建深度展开网络的基本单元——迭代级联模块。串联多个级联模块形成一个深度展开图像重建网络。
本发明所述的基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，用以解决高倍欠采样机制下高维磁共振图像重建质量提高的问题，最终目的是加速高维磁共振成像。本发明方法的技术要点包括利用变换域张量核范数构建重建模型；设计迭代优化算法；利用卷积神经网络基于数据自适应学习最优变换域；构建基于卷积神经网络的变换域张量低秩先验模块；将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络；数据获取和生成；基于数据对网络进行训练，得到训练完成的目标网络模型。本发明可用于在重建质量一定的情况下进一步提高欠采样加速效果，或在欠采样倍数一定的情况下进一步提高重建质量。
附图说明
图1示出了基于变换域张量低秩先验的高维磁共振图像重建深度展开网络实施方式的示意性流程图。
图2示出了基于变换域张量低秩先验的高维磁共振图像重建深度展开网络的优选实施例的网络结构图。
图3示出了本发明方法与其它目前先进方法对比的可视化重建结果图。
表1示出了本发明与其它目前先进方法对测试数据集的平均重建SNR(括号内为SNR标准差)，参数数量，以及重建时间对比结果。
具体实施方式
为提供清晰、明确的实施方法，下面将结合优选实施例的附图和步骤对本发明进行详细说明。显然，此处所详细描述的优选实施例并非本发明的全部实施例。所有无需创造性、创新性的依照本发明所获得的其它一般实施例，均属于本发明的保护范围。
本发明的磁共振图像重建深度展开网络流程参见图1，包括以下步骤：
步骤S1，利用变换域张量核范数构建高维磁共振图像重建模型，其中，变换域为任意变换，张量核范数基于张量奇异值分解构建。
步骤S2，设计迭代优化方法，可选的，交替乘子法。
步骤S3，利用卷积神经网络基于数据自适应学习最优变换域。
步骤S4，构建基于卷积神经网络的变换域张量低秩先验模块，其中，该模块基于变换域张量奇异值阈值法构建。
步骤S5，将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络。
步骤S6，数据获取和生成，其中，数据是基于开源或采集的数据库构建。
步骤S7，基于数据对网络进行训练，得到训练完成的目标网络模型。
在上述步骤S1中，图像重建模型为一个有约束的优化问题：
其中，为待重建的三维磁共振图像，表示三维磁共振图像张量的变换域张量核范数，为采集的欠采样K空间数据，表示采样算子。
优化目标函数为变换域张量核范数，其中，变换域为任意变换，张量核范数是基于张量奇异值分解模型构建。非变换域张量核范数基于对张量某一维度的快速傅里叶变换构建，而本发明所利用的变换域张量核范数将快速傅里叶变换推广为任意变换域，利用变换域的低秩特性进行图像重建；约束项为信号一致性项，保证重建图像与实际欠采样数据一致，进行精准图像重建。
应当注意，本发明所利用的变换域张量奇异值分解中的变换为任意变换，因此也可以为基于对张量某一维度的快速傅里叶变换。
在上述步骤S2中，设计迭代优化算法求解基于变换域张量核范数的高维磁共振图像重建模型。本优选实施例利用交替乘子法(ADMM)求解此变换域重建模型，重建模型的迭代优化算法分为三个子步骤：变换张量奇异值阈值步Zn、信号一致性步Xn和拉格朗日乘子更新步Ln，其中n表示第n次迭代，具体地，
其中，-TSVT表示变换域张量奇异值阈值法；为ADMM引入的辅助变量；为求解算法过程中所需的附加拉格朗日乘子；上标n表示第n次迭代；AH表示采样算子A的共轭转置；上标-1表示算子的逆算子；λ,μ,η为算法引入的超参数，不同的超参数将导致不同的重建精度和效果，且具有最优解。
具体地，变换域张量奇异值阈值法-TSVT执行：将图像域的动态磁共振数据变换到变换域、在变换域执行张量奇异值阈值法、进行反变换将变换域数据变换回图像域。张量奇异值阈值法执行：以三维空间-时间张量为例(更高维张量依然适用)，对每一个空间二维图像(帧)做矩阵奇异值分解，并利用由网络学习的阈值参数对奇异值进行软阈值操作，最后执行逆奇异值分解操作得到新的数据。软阈值操作执行：对于小于等于阈值参数的奇异值，置零；对于大于阈值参数的奇异值，将其与阈值参数相减作为新奇异值。
在上述步骤S3中，卷积神经网络可以是目前主流的任意卷积神经网络，可选的，堆叠的CNN，U-Net或Res-Net结构。本优选实施例利用三个带有Relu激活的通道数为16的卷积核大小为3*3*3的卷积层依次连接构建此卷积神经网络基于数据自适应学习变换域，如图2中的Zn模块所示。同时，应当说明的是，动态磁共振图像为复数，在输入卷积神经网络前执行实部和虚部分离为两个通道并堆叠的操作，因此输入数据通道数为2。
在上述步骤S4中，变换域张量低秩先验模块是基于变换域张量奇异值阈值法构建，其中，变换域由步骤S3中的卷积神经网络进行学习，如图2中的Zn模块所示。具体地，变换域张量奇异值阈值法执行：利用卷积神经网络将图像域的动态磁共振数据变换到变换域、在变换域执行张量奇异值阈值法(TSVT)、通过另一个卷积神经网络学习反变换将变换域数据变换回图像域。
在上述步骤S5中：将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络。本优选例基于交替乘子法的迭代优化求解方法主要分为三个子迭代步：变换张量奇异值阈值步Zn、信号一致性步Xn和拉格朗日乘子更新步Ln。该优选实施例将迭代优化方法展开为网络后，网络结构图如图2所示，变换域张量奇异值阈值步由上述步骤S4中的基于卷积神经网络的变换域张量低秩先验模块Zn代替求解，超参数λ,μ由网络自适应的学习；信号一致性步依然按照张量运算规则在网络中进行运算，区别在于优化迭代方法中需要依照经验调整的超参数μ改变为利用网络自适应的学习，因此该步在网络中由信号一致性模块Xn代替求解；同理，拉格朗日乘子更新步在网络中由拉格朗日乘子更新模块Ln代替求解，超参数η由网络自适应的学习。三个模块合并构成一个网络基本单元——迭代级联模块。
串联若干个(N个)迭代级联模块形成一个深度展开图像重建网络。该网络与迭代优化方法求解过程类似，通过若干个迭代循环求解得到最终输出结果，与传统迭代优化方法的区别在于：网络中迭代循环的个数需根据经验选定，是固定个数的迭代级联模块构成；而传统迭代优化方法的迭代循环可以是不固定的数量，其由迭代停止条件决定。
应注意，本实施例中的迭代级联模块按照顺序由变换域张量低秩先验模块、信号一致性模块、拉格朗日乘子更新模块组成，但不代表本发明限制三种模块的排列顺序。进一步地，深度展开图像重建网络中的某些迭代模块的张量低秩先验模块可以省略或替换为普通的卷积神经网络用以学习潜在的先验信息。
在上述步骤S6中，基于开源或采集的数据库构建训练数据集，其中，高维磁共振数据应为全采样的图像或K空间数据，且具备一定数量。本优选例使用开源的心脏电影动态磁共振图像数据集OCMR构建训练数据集，利用OCMR中在3T西门子MAGNETOM Prisma磁共振仪器上采集的57个切片的全采样心脏电影动态磁共振图像，对其进行重叠裁剪数据增强和扩容，最终得到包括有1099幅全采样心脏电影磁共振图像的训练数据集。
对全采样的图像进行仿真欠采样得到欠采样的混叠图像，其中，本发明及本实施例对欠采样所采用的模板不做限制，可选的，常见的径向采样、螺旋采样。将欠采样混叠图像与其对应的全采样图像成对构建最终训练数据集。其中，欠采样混叠图像将作为网络输入，而全采样图像作为网络训练时的监督数据。
在上述步骤S7中，将上述步骤S6中构建的数据集输入到网络进行训练，具体地，将欠采样的数据作为网络输入，将全采样数据作为监督数据。利用网络输出与监督数据的均方误差作为损失函数对网络进行训练，直至收敛得到最终训练完成的网络模型。具体地，本优选实施例的损失函数设计为，
其中，Ω表示给定的训练数据集，为标签数据(即全采样的目标重建图像)，b为仿真的欠采样k空间数据，fcnn代表网络输出，θ表示网络的可学习参数，分别为迭代优化算法的超参数λ,μ,η以及训练正反变换的卷积网络。
本优选实施例与其它目前先进方法(MNN，MNNTV，DCCNN，SLR-Net)的重建结果可视化对比如图3所示，其中第一行为各种方法重建的心脏电影动态磁共振图像的随机某一帧，第二行第一幅图像为欠采样模板，其它图像为各种方法相对应的某一帧的重建误差图，第三行图像为三维心脏电影动态磁共振图像固定y轴的x-t时间演进图像，是图中蓝色虚线指示位置的截面图，第四行图像是各种方法的x-t图像的误差图。从重建图像可视化对比中可以见得，在相同的欠采样情况下，本发明能够获得最低的重建误差，且能够重建出边缘最锐利、细节纹理最清晰的图像，重建效果优越。本优选实施例与其它目前先进方法的重建信噪比(SNR)定量、参数数量、重建时间指标对比如表1所示。从表格中可以见得，本发明能够较其它先进方法提高超2dB的信噪比指标，同时参数数量较少，重建速度在秒级，综合性能优越。
表1
表1是本发明与其它目前先进方法对测试数据集的平均重建SNR(括号内为SNR标准差)，参数数量，以及重建时间对比结果，从表1可看出，本发明综合性能优越。

Claims (8)

1.一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，包括以下步骤：
步骤S1，利用变换域张量核范数构建高维磁共振图像重建模型，其中，变换域为任意变换，张量核范数基于张量奇异值分解构建；
步骤S2，设计迭代优化方法；
步骤S3，利用卷积神经网络基于数据自适应学习最优变换域；
步骤S4，构建基于卷积神经网络的变换域张量低秩先验模块，其中，该模块基于变换域张量奇异值阈值法构建；
步骤S5，将基于变换域张量核范数迭代优化算法展开为图像重建深度展开网络；
步骤S6，数据获取和生成，其中，数据是基于开源或采集的数据库构建；
步骤S7，基于数据对网络进行训练，得到训练完成的目标网络模型。
2.根据权利要求1所述的一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，步骤S1中的图像重建模型为一个有约束的优化问题：优化目标函数为变换域张量核范数，其中，变换域为任意变换，张量核范数是基于张量奇异值分解模型构建。
3.根据权利要求1所述的一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，步骤S2中的迭代优化算法求解基于变换域张量核范数的高维磁共振图像重建模型，可选的，交替乘子法，近端梯度法。
4.根据权利要求1所述的一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，步骤S3中的卷积神经网络可以是目前主流的任意卷积神经网络，可选的，堆叠的CNN，U-Net或Res-Net结构。
5.根据权利要求1所述的一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，步骤S4中的变换域张量低秩先验模块是基于变换域张量奇异值阈值法构建，其中，变换域由步骤S3中的卷积神经网络进行学习。
6.根据权利要求5所述的变换域张量奇异值阈值法，其特征在于，利用卷积神经网络将图像域的动态磁共振数据变换到变换域、在变换域执行张量奇异值阈值法、通过另一个卷积神经网络学习反变换将变换域数据变换回图像域。
7.根据权利要求6所述的张量奇异值阈值法，其特征在于，以三维空间-时间张量为例(更高维张量依然适用)，对每一个空间二维图像(帧)做矩阵奇异值分解，并利用由网络学习的阈值参数对奇异值进行软阈值操作，最后执行逆奇异值分解操作得到新的数据；软阈值操作执行：对于小于等于阈值参数的奇异值，置零；对于大于阈值参数的奇异值，将其与阈值参数相减作为新奇异值。
8.根据权利要求1所述一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法，其特征在于，步骤S5中，本发明将迭代优化方法中的变换域张量奇异值阈值法利用上述步骤S4中的变换域张量低秩先验模块代替求解；其它的子迭代步骤按照张量运算的方式在网络中进行实现并以信号一致性相关模块代替求解；变换域张量低秩先验模块与信号一致性相关模块合并形成图像重建深度展开网络的基本单元——迭代级联模块；串联多个级联模块形成一个深度展开图像重建网络。
CN202211213810.6A 2022-09-30 2022-09-30 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法 Pending CN116070401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211213810.6A CN116070401A (zh) 2022-09-30 2022-09-30 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211213810.6A CN116070401A (zh) 2022-09-30 2022-09-30 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法

Publications (1)

Publication Number Publication Date
CN116070401A true CN116070401A (zh) 2023-05-05

Family

ID=86180947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211213810.6A Pending CN116070401A (zh) 2022-09-30 2022-09-30 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法

Country Status (1)

Country Link
CN (1) CN116070401A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745880A (zh) * 2024-02-19 2024-03-22 西南交通大学 多维非线性变换的医学图像填充方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745880A (zh) * 2024-02-19 2024-03-22 西南交通大学 多维非线性变换的医学图像填充方法、装置、设备及介质
CN117745880B (zh) * 2024-02-19 2024-05-03 西南交通大学 多维非线性变换的医学图像填充方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
Sun et al. A deep information sharing network for multi-contrast compressed sensing MRI reconstruction
Wen et al. Transform learning for magnetic resonance image reconstruction: From model-based learning to building neural networks
CN109410114B (zh) 基于深度学习的压缩感知图像重建算法
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
CN111951344B (zh) 一种基于级联并行卷积网络的磁共振图像重建方法
CN112465827A (zh) 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法
CN111870245B (zh) 一种跨对比度引导的超快速核磁共振成像深度学习方法
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN114581550B (zh) 基于跨域网络的磁共振成像降采样和重建方法
CN116070401A (zh) 一种基于变换域张量低秩先验深度展开网络的高维磁共振图像重建方法
CN113506222A (zh) 一种基于卷积神经网络的多模态图像超分辨方法
Xie et al. PUERT: Probabilistic under-sampling and explicable reconstruction network for CS-MRI
Shawki et al. On automating hyperparameter optimization for deep learning applications
Babu et al. Fast low rank column-wise compressive sensing for accelerated dynamic MRI
CN114820849A (zh) 基于深度学习的磁共振cest图像重建方法、装置及设备
CN114913262B (zh) 采样模式与重建算法联合优化的核磁共振成像方法及系统
CN116309754A (zh) 一种基于局部-全局信息协作的大脑医学图像配准方法及系统
US20230274418A1 (en) Self-supervised machine learning for medical image reconstruction
CN113538612A (zh) 一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法
CN115482434A (zh) 一种基于多尺度生成对抗网络的小样本高质量生成的方法
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
Huang et al. Self-supervised Deep Unrolled Reconstruction Using Regularization by Denoising
CN113487507A (zh) 一种基于多模块特征聚合的双域递归网络mr重建方法
Shangguan et al. Multi-slice compressed sensing MRI reconstruction based on deep fusion connection network
CN116597037B (zh) 一种物理生成数据驱动的快速磁共振智能成像方法

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