CN116758182A - 一种基于运动分选的肝脏快速成像方法及系统 - Google Patents

一种基于运动分选的肝脏快速成像方法及系统 Download PDF

Info

Publication number
CN116758182A
CN116758182A CN202310854910.5A CN202310854910A CN116758182A CN 116758182 A CN116758182 A CN 116758182A CN 202310854910 A CN202310854910 A CN 202310854910A CN 116758182 A CN116758182 A CN 116758182A
Authority
CN
China
Prior art keywords
data
sorting
motion
motion state
liver
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
CN202310854910.5A
Other languages
English (en)
Inventor
袁振国
陈智峰
徐中标
李瑶
袁则
王曼青
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.)
Shandong Provincial Hospital Affiliated to Shandong First Medical University
Original Assignee
Shandong Provincial Hospital Affiliated to Shandong First Medical 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 Shandong Provincial Hospital Affiliated to Shandong First Medical University filed Critical Shandong Provincial Hospital Affiliated to Shandong First Medical University
Priority to CN202310854910.5A priority Critical patent/CN116758182A/zh
Priority to LU505033A priority patent/LU505033B1/en
Publication of CN116758182A publication Critical patent/CN116758182A/zh
Pending legal-status Critical Current

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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/42—Detecting, measuring or recording for evaluating the gastrointestinal, the endocrine or the exocrine systems
    • A61B5/4222—Evaluating particular parts, e.g. particular organs
    • A61B5/4244—Evaluating particular parts, e.g. particular organs liver
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30056—Liver; Hepatic

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Gastroenterology & Hepatology (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Endocrinology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于运动分选的肝脏快速成像方法及系统，其中肝脏快速成像方法包括：获取黄金角辐射线k空间数据；基于运动分选技术，对黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k‑t数据；改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k‑tGROWL进行组合，得到组合算法；基于组合算法，得到各运动状态的各阵列线圈数据；基于若干个运动状态k‑t数据和自适应阵列线圈组合，得到重建后的肝脏灌注图像。肝脏快速成像系统包括：数据获取模块、数据分选排序模块、算法组合模块、线圈组合获取模块及快速成像模块。本发明给出了一种能够实现运动伪影更少，图像质量更好，计算成本更低的肝脏快速成像方法及系统。

Description

一种基于运动分选的肝脏快速成像方法及系统
技术领域
本发明属于肝脏快速成像领域，特别是涉及一种基于运动分选的肝脏快速成像方法及系统。
背景技术
肝脏动态对比增强(DCE)影像在肝硬化、肝细胞癌等肝脏疾病的诊断中发挥着越来越重要的作用。运动是肝脏成像中不可避免的问题，常导致运动伪影和图像细节模糊。在肝脏MRI中，主要由呼吸引起的器官运动常常导致运动伪影或细节模糊。快速成像如动态增强磁共振(DCE-MRI)在肝脏疾病的研究中发挥着至关重要的作用。
目前，一些具有运动鲁棒性的肝脏DCE-MRI技术为满足快速成像的需要引起了学者的广泛关注，但是这些方法涉及基于SENSE的迭代求解过程，计算成本高，对参数敏感，从而阻碍了其临床应用。
发明内容
本发明的目的是提供一种基于运动分选的肝脏快速成像方法及系统，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于运动分选的肝脏快速成像方法，包括：
获取黄金角辐射线k空间数据；
基于运动分选技术，对所述黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k-t GROWL进行组合，得到组合算法；
基于所述组合算法，得到各运动状态的各阵列线圈数据；
基于若干个所述运动状态k-t数据和所述各阵列线圈数据，得到重建后的肝脏灌注图像。
优选地，获取黄金角辐射线k空间数据的过程包括：通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
优选地，对所述黄金角辐射线k空间数据进行分选排序的过程包括：
基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于所述运动状态信号，对所述黄金角辐射线k空间数据进行分选，得到分选结果；
对所述分选结果进行排序，得到若干个运动状态k-t数据。
优选地，得到各运动状态的各阵列线圈数据的过程包括：
获取运动状态k-t数据，通过GROWL算子对所述运动状态k-t数据进行标定，基于所述组合算法，得到各运动状态的各阵列线圈数据。
优选地，得到重建后的肝脏快速成像的过程包括：
基于若干个所述运动状态k-t数据，将所述运动状态k-t数据分成若干个对比度增强阶段；
基于所述各阵列线圈数据，利用快速网格化算子对所述对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
为实现上述技术目的，本发明提供一种基于运动分选的肝脏快速成像系统，包括：数据获取模块、数据分选排序模块、算法组合模块、线圈组合获取模块及快速成像模块；
所述数据获取模块，用于获取黄金角辐射线k空间数据；
所述数据分选排序模块，基于运动分选技术，对所述黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
所述算法组合模块，用于改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k-t GROWL进行组合，得到组合算法；
所述线圈组合获取模块，基于所述组合算法，得到各运动状态的各阵列线圈数据；
所述快速成像模块，基于若干个所述运动状态k-t数据和所述各阵列线圈数据，得到重建后的肝脏灌注图像。
优选地，所述数据获取模块中，通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
优选地，所述数据分选排序模块包括：数据分选单元和数据排序单元；
所述数据分选单元，基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于所述运动状态信号，对所述黄金角辐射线k空间数据进行分选，得到分选结果；
所述数据排序单元，用于对所述分选结果进行排序，得到若干个运动状态k-t数据。
优选地，所述线圈组合获取模块中，获取运动状态k-t数据，通过GROWL算子对所述运动状态k-t数据进行标定，基于所述组合算法，得到各运动状态的各阵列线圈数据。
优选地，所述快速成像模块包括：数据分段单元和图像重建单元；
所述数据分段单元，基于若干个所述运动状态k-t数据，将所述运动状态k-t数据分成若干个对比度增强阶段；
所述图像重建单元，基于所述各阵列线圈数据，利用快速网格化算子对所述对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
本发明的技术效果为：
本发明提出一种基于运动分选的肝脏快速成像方法，该方法结合了运动排序技术、keyhole和并行成像GROWL，不需要正则化参数选择。与非运动分类技术相比，该方法的运动伪影更少，图像质量更好。与运动分类技术相比，该方法可以得到相似的重建结果。更重要的是，该方案在计算成本大大降低(比同类技术低10倍)的情况下，获得了令人满意的结果，具有临床应用价值。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的方法流程图；
图2为本发明实施例中的相同体内肝脏DCE-MRI数据集的不同重建方法的比较示意图。
具体实施方式
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。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于运动分选的肝脏快速成像方法，包括：获取黄金角辐射线k空间数据；
基于运动分选技术，对黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k-t GROWL进行组合，得到组合算法；
基于组合算法，得到各运动状态的各阵列线圈数据；
基于若干个运动状态k-t数据和各阵列线圈数据，得到重建后的肝脏灌注图像。
在一些实施例中，获取黄金角辐射线k空间数据的过程包括：通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
在一些实施例中，对黄金角辐射线k空间数据进行分选排序的过程包括：基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于运动状态信号，对黄金角辐射线k空间数据进行分选，得到分选结果；对分选结果进行排序，得到若干个运动状态k-t数据。
在一些实施例中，得到各运动状态的各阵列线圈数据的过程包括：获取运动状态k-t数据，通过GROWL算子对运动状态k-t数据进行标定，基于组合算法，得到各运动状态的各阵列线圈数据。
在一些实施例中，得到重建后的肝脏快速成像的过程包括：基于若干个运动状态k-t数据，将运动状态k-t数据分成若干个对比度增强阶段；基于自适应阵列线圈组合，利用快速网格化算子对对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
本实施例中，在锁孔并行成像GROWL系统中加入运动分类方案，用于快速肝脏DCE成像。在提出的方案中，首先在自由呼吸黄金角径向采样中执行一种运动排序技术，然后将GROWL修改为k-t GROWL，这是在预定义的全邻域内对所有线圈和所有运动状态的时间帧进行校准核。人工稀疏在静态非笛卡尔成像重建中的有效性在二维人工稀疏的算法中被证明，因而人工稀疏的思想可进一步应用到黄金角采样的动态对比增强MR成像上。以GROWL为并行成像基础，设计出基于黄金角辐射采集的动态人工稀疏重建算法k-t ARTS-GROWL。k-tGROWL是引入了动态人工稀疏设计方案，并基于动态人工稀疏思想设计出的主流程非迭代算法。与传统的并行成像相比，重建图像的质量高。与新型的k-t类非笛卡尔动态采集重建算法相比，获得与迭代算法相当的图像质量需要更短的时间。
本实施例中，还对Keyhole算法进行了改进，其中Keyhole算法是分享k空间的中心信息，Keyhole算法的改进，即改进分享k空间的外围信息，分享的信息部分是不同的，使改进后的Keyhole算法与GROWL相结合。
用运动索引的方法提取运动信号，根据预确定的运动状态数目，将k空间数据分成对应数目的不同的运动状态数据；然后运用快速网格化算子(Gridding算法)得到其对应的图像，用于后面的模型先验约束；再将每个运动状态的数据分为不同的灌注状态，每个运动状态用k-t ARTS-GROWL的方法进行求解；先验信息去噪模型的约束，将上述运动状态的网格化重建数据作为先验信息，进而提高了各运动状态中各灌注状态的重建图像质量。
从每条辐射线的k空间中心点提取运动状态信号，然后将径向k空间数据排序为特定数量的运动状态。对于上一步的每个运动状态，对每个径向辐条执行GROWL算子。在该GROWL的标定过程中，使用了原始的非排序k空间数据，进一步提高了精度。将运动状态1的k空间数据分成几个对比度增强阶段。在每个状态下执行一个锁孔算子，锁孔半径可以通过以下方法近似计算:R＝Ns/(n*FOV)，其中Ns为每根辐条的采样点数，n为每个运动状态获得的辐条数，FOV为扫描野范围。计算锁孔半径是为了确定要分享的k空间信息是锁孔半径之外的那一部分。
对每个运动状态重复，也就是将每个运动状态的k空间数据分成几个对比度增强阶段；然后，利用Gridding对每个对比度增强阶段的待重建图像进行恢复。
肝脏DCE成像实验在3.0TVerio MR扫描仪(Siemens AG Medical Solutions,Erlangen,Germany)上进行，使用标准的20通道体/脊柱线圈阵列。采用正常呼吸黄金角方案的放射状星堆三维FLASH脉冲序列进行采集。相关参数包括:FOV＝360x360x240mm3，TR/TE＝3.52/1.41ms，切片数38，每辐条读出点数512，过采样比2，条数1100，层厚度3mm。本次采集均采用频率选择性脂肪抑制。
本实施例中，整个数据集被分为4个运动状态，11个DCE相位，每帧25条径向辐条。所有图像重建在Matlab中实现(R2015b；Mathworks,Natick,MA,USA)，用于在一个8核2.67GHz Intel i7 CPU和12GB内存的Inspur盈信服务器(NP 3588)上离线重建。在效率评估方面，记录每种方法的CPU运行时间，如表1所示。
表1
结果与讨论
如图2所示，相同体内肝脏DCE-MRI数据集的不同重建方法的比较，(a)Gridding重建，(b)iGRASP重建，(c)XD-GRASP重建，(d)本实施例提出方案的重建图像。
本实施例方案的图像质量优于非运动分类方案iGRASP。如图中箭头所示，我们可以看到更好的边缘清晰度和更多的图像细节。本实施例与XD-GRASP等运动分类方法进行比较，结果表明，本实施例重建的图像边界更锐利。
本实施例的技术效果为：
本实施例提出一种基于运动分选的肝脏快速成像方法，该方法结合了运动排序技术、keyhole和并行成像GROWL，不需要正则化参数选择。与非运动分类技术相比，该方法的运动伪影更少，图像质量更好。与运动分类技术相比，该方法可以得到相似的重建结果。更重要的是，该方案在计算成本大大降低(比同类技术低10倍)的情况下，获得了令人满意的结果，具有临床应用价值。
实施例二
为实现上述技术目的，本发明提供一种基于运动分选的肝脏快速成像系统，包括：数据获取模块、数据分选排序模块、算法组合模块、线圈组合获取模块及快速成像模块；
数据获取模块，用于获取黄金角辐射线k空间数据；
数据分选排序模块，基于运动分选技术，对黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
算法组合模块，用于改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k-tGROWL进行组合，得到组合算法；
线圈组合获取模块，基于组合算法，得到各运动状态的各阵列线圈数据；
快速成像模块，基于若干个运动状态k-t数据和各阵列线圈数据，得到重建后的肝脏灌注图像。
在一些实施例中，数据获取模块中，通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
在一些实施例中，数据分选排序模块包括：数据分选单元和数据排序单元；数据分选单元，基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于运动状态信号，对黄金角辐射线k空间数据进行分选，得到分选结果；数据排序单元，用于对分选结果进行排序，得到若干个运动状态k-t数据。
在一些实施例中，线圈组合获取模块中，获取运动状态k-t数据，通过GROWL算子对运动状态k-t数据进行标定，基于组合算法，得到各运动状态的各阵列线圈数据。
在一些实施例中，快速成像模块包括：数据分段单元和图像重建单元；数据分段单元，基于若干个运动状态k-t数据，将运动状态k-t数据分成若干个对比度增强阶段；图像重建单元，基于各阵列线圈数据，利用快速网格化算子对对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于运动分选的肝脏快速成像方法，其特征在于，包括以下步骤：
获取黄金角辐射线k空间数据；
基于运动分选技术，对所述黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
改进锁孔并行成像算法，将改进后的锁孔并行成像算法与k-tGROWL进行组合，得到组合算法；
基于所述组合算法，得到各运动状态的各阵列线圈数据；
基于若干个所述运动状态k-t数据和所述各阵列线圈数据，得到重建后的肝脏灌注图像。
2.根据权利要求1所述的基于运动分选的肝脏快速成像方法，其特征在于，获取黄金角辐射线k空间数据的过程包括：通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
3.根据权利要求1所述的基于运动分选的肝脏快速成像方法，其特征在于，对所述黄金角辐射线k空间数据进行分选排序的过程包括：
基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于所述运动状态信号，对所述黄金角辐射线k空间数据进行分选，得到分选结果；
对所述分选结果进行排序，得到若干个运动状态k-t数据。
4.根据权利要求1所述的基于运动分选的肝脏快速成像方法，其特征在于，得到各运动状态的各阵列线圈数据的过程包括：
获取运动状态k-t数据，通过GROWL算子对所述运动状态k-t数据进行标定，基于所述组合算法，得到各运动状态的各阵列线圈数据。
5.根据权利要求1所述的基于运动分选的肝脏快速成像方法，其特征在于，得到重建后的肝脏快速成像的过程包括：
基于若干个所述运动状态k-t数据，将所述运动状态k-t数据分成若干个对比度增强阶段；
基于所述各阵列线圈数据，利用快速网格化算子对所述对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
6.一种基于运动分选的肝脏快速成像系统，其特征在于，包括：数据获取模块、数据分选排序模块、算法组合模块、线圈组合获取模块及快速成像模块；
所述数据获取模块，用于获取黄金角辐射线k空间数据；
所述数据分选排序模块，基于运动分选技术，对所述黄金角辐射线k空间数据进行分选排序，得到若干个运动状态k-t数据；
所述算法组合模块，基于改进的锁孔并行成像算法与k-tGROWL进行组合，得到组合算法；
所述线圈组合获取模块，基于所述组合算法，得到各运动状态的各阵列线圈数据；
所述快速成像模块，基于若干个所述运动状态k-t数据和所述各阵列线圈数据，得到重建后的肝脏灌注图像。
7.根据权利要求6所述的基于运动分选的肝脏快速成像系统，其特征在于，所述数据获取模块中，通过放射状星堆三维FLASH脉冲序列，基于频率选择性脂肪抑制，获取黄金角辐射线k空间数据。
8.根据权利要求6所述的基于运动分选的肝脏快速成像系统，其特征在于，所述数据分选排序模块包括：数据分选单元和数据排序单元；
所述数据分选单元，基于运动分选技术，提取每条辐射线的k空间中心点的运动状态信号，基于所述运动状态信号，对所述黄金角辐射线k空间数据进行分选，得到分选结果；
所述数据排序单元，用于对所述分选结果进行排序，得到若干个运动状态k-t数据。
9.根据权利要求6所述的基于运动分选的肝脏快速成像系统，其特征在于，所述线圈组合获取模块中，获取运动状态k-t数据，通过GROWL算子对所述运动状态k-t数据进行标定，基于所述组合算法，得到各运动状态的各阵列线圈数据。
10.根据权利要求6所述的基于运动分选的肝脏快速成像系统，其特征在于，所述快速成像模块包括：数据分段单元和图像重建单元；
所述数据分段单元，基于若干个所述运动状态k-t数据，将所述运动状态k-t数据分成若干个对比度增强阶段；
所述图像重建单元，基于所述各阵列线圈数据，利用快速网格化算子对所述对比度增强阶段的待重建图像进行恢复，得到肝脏灌注图像。
CN202310854910.5A 2023-07-12 2023-07-12 一种基于运动分选的肝脏快速成像方法及系统 Pending CN116758182A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310854910.5A CN116758182A (zh) 2023-07-12 2023-07-12 一种基于运动分选的肝脏快速成像方法及系统
LU505033A LU505033B1 (en) 2023-07-12 2023-08-31 Method and system for high-speed liver imaging based on motion sorting

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310854910.5A CN116758182A (zh) 2023-07-12 2023-07-12 一种基于运动分选的肝脏快速成像方法及系统

Publications (1)

Publication Number Publication Date
CN116758182A true CN116758182A (zh) 2023-09-15

Family

ID=87960959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310854910.5A Pending CN116758182A (zh) 2023-07-12 2023-07-12 一种基于运动分选的肝脏快速成像方法及系统

Country Status (2)

Country Link
CN (1) CN116758182A (zh)
LU (1) LU505033B1 (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903354A (zh) * 2019-02-20 2019-06-18 南方医科大学 一种基于人工稀疏的动态磁共振图像重建方法及系统
CN111784793A (zh) * 2020-07-01 2020-10-16 厦门大学 一种动态磁共振成像重建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903354A (zh) * 2019-02-20 2019-06-18 南方医科大学 一种基于人工稀疏的动态磁共振图像重建方法及系统
CN111784793A (zh) * 2020-07-01 2020-10-16 厦门大学 一种动态磁共振成像重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIFENG CHEN, LIYI KANG: "Technical Note: Sequential combination of parallel imaging and dynamic artificial sparsity framework for rapid free-breathing golden-angle radial dynamic MRI: K-T ARTS-GROWL", MEDICAL PHYSICS, vol. 45, no. 1, pages 202 - 213 *
李成华，张卫卫: "刺参感染与免疫学", 31 December 2021, 海洋出版社, pages: 1 - 5 *

Also Published As

Publication number Publication date
LU505033B1 (en) 2024-02-29

Similar Documents

Publication Publication Date Title
Bustin et al. High‐dimensionality undersampled patch‐based reconstruction (HD‐PROST) for accelerated multi‐contrast MRI
Zhou et al. Handbook of medical image computing and computer assisted intervention
Eo et al. KIKI‐net: cross‐domain convolutional neural networks for reconstructing undersampled magnetic resonance images
Ghodrati et al. MR image reconstruction using deep learning: evaluation of network structure and loss functions
Bustin et al. Five‐minute whole‐heart coronary MRA with sub‐millimeter isotropic resolution, 100% respiratory scan efficiency, and 3D‐PROST reconstruction
Hauptmann et al. Real‐time cardiovascular MR with spatio‐temporal artifact suppression using deep learning–proof of concept in congenital heart disease
US11741580B2 (en) Machine learning processing of contiguous slice image data
CN110461228A (zh) 使用多对比度和深度学习改进医学图像的质量
KR101939642B1 (ko) 모션 분해 mri를 위한 시스템 및 방법
US10809337B2 (en) Reconstructing magnetic resonance images with different contrasts
Zhang et al. MRI Gibbs‐ringing artifact reduction by means of machine learning using convolutional neural networks
CN108287324B (zh) 磁共振多对比度图像的重建方法和装置
Jun et al. Parallel imaging in time‐of‐flight magnetic resonance angiography using deep multistream convolutional neural networks
US20170169563A1 (en) Low-Rank and Sparse Matrix Decomposition Based on Schatten p=1/2 and L1/2 Regularizations for Separation of Background and Dynamic Components for Dynamic MRI
Tian et al. Improving in vivo human cerebral cortical surface reconstruction using data-driven super-resolution
Shen et al. Rapid reconstruction of highly undersampled, non‐Cartesian real‐time cine k‐space data using a perceptual complex neural network (PCNN)
Meng et al. Accelerating T2 mapping of the brain by integrating deep learning priors with low‐rank and sparse modeling
Li et al. A modified generative adversarial network using spatial and channel-wise attention for CS-MRI reconstruction
Zhang et al. Spatial adaptive and transformer fusion network (STFNet) for low‐count PET blind denoising with MRI
Cheng et al. Improved parallel image reconstruction using feature refinement
Tavse et al. A systematic literature review on applications of GAN-synthesized images for brain MRI
Murray et al. Movienet: Deep space–time‐coil reconstruction network without k‐space data consistency for fast motion‐resolved 4D MRI
Sander et al. Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI
Ekanayake et al. Multi-branch Cascaded Swin Transformers with Attention to k-space Sampling Pattern for Accelerated MRI Reconstruction
CN112700380A (zh) 一种基于mr梯度信息和深度学习的pet图像容积校正方法

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