WO2017113205A1 - 一种基于深度卷积神经网络的快速磁共振成像方法及装置 - Google Patents

一种基于深度卷积神经网络的快速磁共振成像方法及装置 Download PDF

Info

Publication number
WO2017113205A1
WO2017113205A1 PCT/CN2015/099918 CN2015099918W WO2017113205A1 WO 2017113205 A1 WO2017113205 A1 WO 2017113205A1 CN 2015099918 W CN2015099918 W CN 2015099918W WO 2017113205 A1 WO2017113205 A1 WO 2017113205A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
magnetic resonance
convolutional neural
deep convolutional
resonance image
Prior art date
Application number
PCT/CN2015/099918
Other languages
English (en)
French (fr)
Inventor
梁栋
王珊珊
谭莎
苏正航
彭玺
刘新
郑海荣
Original Assignee
中国科学院深圳先进技术研究院
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 中国科学院深圳先进技术研究院 filed Critical 中国科学院深圳先进技术研究院
Priority to CN201580001261.8A priority Critical patent/CN107182216B/zh
Priority to PCT/CN2015/099918 priority patent/WO2017113205A1/zh
Publication of WO2017113205A1 publication Critical patent/WO2017113205A1/zh

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction

Definitions

  • the present invention relates to the field of magnetic resonance imaging technologies, and in particular, to a rapid magnetic resonance imaging method and apparatus based on a deep convolutional neural network.
  • the traditional fast magnetic resonance reconstruction methods are mostly based on the compressed sensing framework, which only uses the acquired partial K-space data and develops the image sparsity to constrain the imaging model for magnetic resonance image reconstruction, while the offline large amount of magnetic resonance Data is not being used, and the development of prior information is still limited.
  • the embodiments of the present invention provide a magnetic resonance reconstruction method and apparatus based on a deep convolutional neural network to improve on-line magnetic resonance undershoot multiples and improve magnetic resonance imaging accuracy.
  • an embodiment of the present invention provides a fast magnetic resonance imaging method based on a deep convolutional neural network, including: step S1, constructing a deep convolutional neural network; and step S2, acquiring offline magnetic resonance image data, training the The deep convolutional neural network learns the mapping relationship between the undersampled magnetic resonance image and the full mining image; in step S3, the magnetic resonance image is reconstructed by using the deep convolutional neural network learned in the step S2.
  • an embodiment of the present invention further provides a fast magnetic resonance imaging apparatus based on a deep convolutional neural network, comprising: a convolutional neural network construction unit, configured to construct a deep convolutional neural network; a network model training unit, Obtaining offline magnetic resonance image data, training the deep convolutional neural network, learning a mapping relationship between the undersampled magnetic resonance image and the full mining image; and the magnetic resonance image reconstruction unit for utilizing the learned deep convolutional neural network Reconstruct the magnetic resonance image.
  • a fast magnetic resonance imaging method and apparatus based on a deep convolutional neural network learns an undersampled deep convolutional neural network by using a large amount of acquired magnetic resonance data, and learns an undersampled magnetic resonance image and a full mining image.
  • the mapping relationship between the two to make full use of a large number of offline magnetic resonance images, develop its a priori information, so that its offline network can recover more fine structure and image features from the under-extracted magnetic resonance data, and make the magnetic resonance under-exploit Multiples and imaging accuracy have been improved.
  • FIG. 1 is a flowchart of processing of a fast magnetic resonance imaging method based on a deep convolutional neural network according to an embodiment of the present invention
  • FIG. 2 is a schematic structural diagram of a fast magnetic resonance imaging apparatus based on a deep convolutional neural network according to an embodiment of the present invention.
  • the magnetic resonance imaging method of the deep convolutional neural network of the present invention is based on some limitations of the conventional compressed sensing fast magnetic resonance imaging method, such as the problem that a large number of offline magnetic resonance images are not fully utilized.
  • an offline convolutional neural network is first designed, and then a large number of existing high quality images are used as the training data set of the offline network, thereby determining the mapping relationship between the images, and finally reconstructing the magnetic resonance image on the line.
  • the fast magnetic resonance imaging method based on the deep convolutional neural network of the present embodiment includes: step S101, constructing a deep convolutional neural network; step S102, acquiring offline magnetic resonance image data, training the deep convolution The neural network learns the mapping relationship between the undersampled magnetic resonance image and the full mining image; in step S103, the magnetic resonance image is reconstructed by using the deep convolutional neural network learned in step S102.
  • the K space defined for undersampling is:
  • the expression is as follows:
  • a circular convolution of a signal u plus a mutation signal p can be expressed as F H PFu, where P is a diagonal term of the Fourier transform p, which is a non-zero term.
  • the error is minimized by the following objective function.
  • the mapping relationship of the end, T is the total number of training samples.
  • step S101 an L-layer convolutional neural network is constructed offline to learn the mapping relationship.
  • each extracted image block is approximately approximated based on the previously trained model. Equivalent convolution operations and transformations are used to optimize the network learning process. Therefore, the first layer of the network is defined as:
  • W 1 is a convolution operator having a size of c ⁇ M 1 ⁇ M 1 ⁇ n 1
  • b 1 is an n 1 -dimensional offset associated with the element.
  • c is the number of image channels
  • M 1 is the size of the filter
  • n 1 is the number of filters.
  • nonlinear mapping from n l-1 dimensional mapping to n 1 , can be used to represent the image reconstructed image by defining image features and structures:
  • the size of W l is n l-1 ⁇ M l ⁇ M l ⁇ n l .
  • the size of M L is n L-1 ⁇ M L ⁇ M L ⁇ c.
  • an L-layer convolutional neural network is designed to learn the mapping relationship, namely:
  • x is the input sample of the first layer
  • ⁇ represents the nonlinear excitation function.
  • step S102 of the present invention offline magnetic resonance image data is acquired, the deep convolutional neural network is trained, and a mapping relationship between the undersampled magnetic resonance image and the full mining image is learned, including: training the method by using a back propagation method
  • the deep convolutional neural network calculates the corresponding gradient by backpropagation, including:
  • Equation (12) * represents the cross-correlation operation of different feedforward transfer convolution layers, and ⁇ represents that the array elements are multiplied in sequence.
  • Equation (13) is used to calculating stochastic gradients during training networks.
  • u is the magnetic resonance image data on the line
  • C is the deep convolutional neural network learned in the step S102
  • ⁇ is the weight parameter
  • f is the sampled K-space data
  • H is the conjugate device
  • F M Represents the under-floating Fourier transform
  • M stands for the under-harvest mask
  • F H stands for the conjugate device of the Fourier transform.
  • Equation (16) Is a diagonal matrix containing only 0 and 1, and 1 is the data of the K-space sampled by the elements on the diagonal. Represents a zero-filled Fourier measurement. Therefore, there are:
  • ⁇ represents a set of sampling positions.
  • FIG. 2 it is a schematic structural diagram of a fast magnetic resonance imaging apparatus based on a deep convolutional neural network according to an embodiment of the present invention.
  • a convolutional neural network construction unit 101 for constructing a deep convolutional neural network
  • a network model training unit 102 for acquiring offline magnetic resonance image data, training the deep convolutional neural network, and learning The mapping relationship between the undersampled magnetic resonance image and the full mining image
  • the magnetic resonance image reconstruction unit 103 is configured to reconstruct the magnetic resonance image by using the learned deep convolutional neural network.
  • the convolutional neural network construction unit 101 is specifically configured to:
  • x is the input sample of the first layer
  • ⁇ represents the nonlinear excitation function.
  • the network model training unit 102 is specifically configured to: train the deep convolutional neural network by using a back propagation method, and calculate a corresponding gradient by back propagation.
  • the magnetic resonance image reconstruction unit 103 is configured to reconstruct a magnetic resonance image, including: using the learned deep convolutional neural network, and according to The magnetic resonance image is reconstructed by least squares method; where u is the magnetic resonance image data on the line, C is the learned deep convolutional neural network, ⁇ is the weight parameter, f is the sampled K-space data, and H is the conjugate Device, F M stands for under-floating Fourier transform, M stands for under-harvest mask, F H stands for conjugate device of Fourier transform, The hidden layer parameters in the deep convolutional neural network learned.
  • a fast magnetic resonance imaging method and apparatus based on a deep convolutional neural network learns an undersampled deep convolutional neural network by using a large amount of acquired magnetic resonance data, and learns an undersampled magnetic resonance image and a full mining image.
  • the mapping relationship between the two to make full use of a large number of offline magnetic resonance images, develop its a priori information, so that its offline network can recover more fine structure and image features from the under-extracted magnetic resonance data, helping to reduce magnetic resonance Scan time and increase the magnetic resonance undershoot and imaging accuracy.
  • embodiments of the present invention can be provided as a method, system, or computer program product. Accordingly, the present invention may take the form of an entirely hardware embodiment, an entirely software embodiment, or a combination of software and hardware. Moreover, the invention can take the form of a computer program product embodied on one or more computer-usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) including computer usable program code.
  • computer-usable storage media including but not limited to disk storage, CD-ROM, optical storage, etc.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.

Abstract

一种基于深度卷积神经网络的快速磁共振成像方法及装置。所述方法包括：步骤S1(S101)，构建深度卷积神经网络；步骤S2(S102)，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采样图像之间的映射关系；步骤S3(S103)，利用所述步骤S2(S102)中学习到的深度卷积神经网络重建磁共振图像。所述基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据训练一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采样图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使所述离线的深度卷积神经网络可从欠采样磁共振数据里恢复更多的精细结构和图像特征，并使磁共振欠采样倍数和成像精度有所提高。

Description

一种基于深度卷积神经网络的快速磁共振成像方法及装置 技术领域
本发明涉及磁共振成像技术领域，尤其涉及一种基于深度卷积神经网络的快速磁共振成像方法及装置。
背景技术
压缩感知理论的成功应用，必须满足下述三个条件：①信号具有稀疏性，②有欠采样造成的伪影在变换域中具有非相干性，③重建结果与采样数据具有良好的一致性。而在磁共振图像中，能很好地满足这三个条件。其在经典的基于压缩感知的快速磁共振成像模型里，通常有两个成份：数据拟合项和稀疏正则项。假设重建后的MRI图像为m，ψ表示从像素域变换到稀疏域的稀疏变换，Fu表示K空间的欠采样算子，y是扫描中测量到K空间数据，则图像m的重建可以通过解下面约束性优化问题：
min||ψm||1 s.t.||Fum-y||2<ε   (1)
在式(1)中，||Fum-y||2<ε为数据拟合项，保证数据一致性，而||ψm||1是稀疏约束项，为最小1-范数时可以得到最稀疏解，又称正则项，其先验信息仅局限于少量线上数据或少数参考图像。
但是，传统的这种快速磁共振重建方法多数是基于压缩感知框架，其仅仅利用采到的部分K空间数据和开发图像稀疏性来约束成像模型进行磁共振图像重建，而线下大量的磁共振数据未得到利用，先验信息的开发仍有局限性。
发明内容
为了克服传统的压缩感知技术的缺点，本发明实施例提出一种基于深度卷积神经网络的磁共振重建方法及装置，以提高线上磁共振欠采倍数，并且改善磁共振成像精度。
为了达到上述目的，本发明实施例提供一种基于深度卷积神经网络的快速磁共振成像方法，包括：步骤S1，构建深度卷积神经网络；步骤S2，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；步骤S3，利用所述步骤S2中学习到的深度卷积神经网络重建磁共振图像。
为了达到上述目的，本发明实施例还提供一种基于深度卷积神经网络的快速磁共振成像装置，包括：卷积神经网络构建单元，用于构建深度卷积神经网络；网络模型训练单元，用于获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；磁共振图像重建单元，用于利用学习到的深度卷积神经网络重建磁共振图像。
本发明实施例的基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据学习一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使其离线网络可从欠采磁共振数据里恢复更多的精细结构和图像特征，并使磁共振欠采倍数和成像精度有所提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于深度卷积神经网络的快速磁共振成像方法的处理流程图；
图2为本发明实施例的基于深度卷积神经网络的快速磁共振成像装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的深度卷积神经网络的磁共振成像方法是基于传统压缩感知的快速磁共振成像方法的一些局限性，如线下大量磁共振图像没有得到充分利用等问题而提出的。本发明中，首先设计一个离线的卷积神经网络，再使用大量现有的高质量图像作为该离线网络的训练数据集，从而确定图像之间的映射关系，最后重建线上的磁共振图像。
图1为本发明实施例的基于深度卷积神经网络的快速磁共振成像方法的处理流程图。如图1所示，本实施例的基于深度卷积神经网络的快速磁共振成像方法包括：步骤S101，构建深度卷积神经网络；步骤S102，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；步骤S103，利用所述步骤S102中学习到的深度卷积神经网络重建磁共振图像。
在本发明实施例中，定义欠采样的K空间为：
f＝PFu   (2)
式(2)中，P代表欠采模型的对角矩阵，F是通过FHF＝I归一化后的全采傅里叶编码矩阵，u是原始图像或线下图像，则Fu表示全采的K空间数据；H代表Hermitian变换，其零填充磁共振图像z可通过已观察到的数据直接逆变换得到，其表达式如下所示：
z＝FHPFu   (3)
根据线性代数可知，一个信号u加一个突变信号p的循环卷积可以表示为FHPFu，式中P是傅里叶变换p的对角项，其是非零项。
本发明的目的是尽量从欠采的傅里叶数据中学习一个全局的卷积神经网络来重建磁共振图像。但考虑事先获得的磁共振图像的数据有线下真实的和破损的，故通过以下目标函数来最小化误差。
Figure PCTCN2015099918-appb-000001
式(4)中，C是用隐层参数Θ＝{(W1,b1),...(Wl,bl),...(WL,bL)}来估计的端对端的映射关系，T是训练样本的全部数量。
为了增加网络的鲁棒性，通过分离整个成对图像的重叠成对的子图像xt,n和yt,n来获得更多训练样本，得到
Figure PCTCN2015099918-appb-000002
在以下的叙述中，为了表达方便，只采用一对x，y。
在步骤S101中，离线构建一个L层的卷积神经网络来学习映射关系。首先考虑特征产生的问题，每个提取的图像块是基于先前训练的模型大约近似得到的。使用等效的卷积运算和转换来优化来网络学习过程。因此，第一层网络定义为：
C1＝σ(W1*x+b1)   (6)
式(6)中，W1是大小为c×M1×M1×n1的卷积算子，b1是与元素相关的n1维偏置。c是图像通道的数量，M1是滤波器的大小，n1是滤波器的数量。
对于非线性响应，为了更有效地计算，采用整流线性单元。
接着考虑非线性映射的问题。进一步进行非线性映射，从nl-1维映射到n1，可通过下式定义图像特征和结构来代表全部数据重建的图像：
Cl＝σ(Wl*Cl-1+bl)   (7)
式(7)中，Wl的大小为nl-1×Ml×Ml×nl。
最后需考虑最后一层的卷积问题。为了从卷积神经网络重建最终预测的图像，需构建另一层卷积，期待通过学习一系列可以从系数投射到图像域的线性滤波器ML。
CL＝σ(WL*CL-1+bL)   (8)
式(8)中，ML的大小为nL-1×ML×ML×c。
最后，设计了一个L层的卷积神经网络来学习映射关系，即：
Figure PCTCN2015099918-appb-000003
其中，x为第一层的输入样本；C是用隐层参数Θ＝{(W1,b1),...(Wl,bl),...(WL,bL)}来估计的端对端的映射关系；σ表示非线性激励函数。
在本发明的步骤S102中，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，包括：采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度，具体包括：
考虑到成对的训练(x,y)，其反向传播通过式(5)-(8)计算激励和输出值。为了更新网络参数，通过反向传播来计算相应梯度。先考虑单一的成对的目标，式(4)可以转换为下式表示：
Figure PCTCN2015099918-appb-000004
式中Dl＝Wl*Cl-1+bl和δl为反向传播“误差项”。
首先，计算最后一层的梯度：
Figure PCTCN2015099918-appb-000005
由于
Figure PCTCN2015099918-appb-000006
和Cl＝σ(Dl)，故δl的非线性映射层能通过下式更新：
Figure PCTCN2015099918-appb-000007
式(12)中，*代表不同的前馈传递卷积层的互相关操作，ο表示数组元素依次相乘。
因此，可以得知每层的梯度为：
Figure PCTCN2015099918-appb-000008
式(13)在训练网络过程中习惯于计算随机梯度
Figure PCTCN2015099918-appb-000009
在所述步骤S103中，一旦从事先获得的数据中学到隐层参数
Figure PCTCN2015099918-appb-000010
可以用如下式约束优化的问题来重建磁共振图像：
Figure PCTCN2015099918-appb-000011
其中，u为线上的磁共振图像数据，C为所述步骤S102中学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，FM代表欠采傅立叶变换，M代表欠采掩膜，FH代表傅立叶变换的共轭装置，
Figure PCTCN2015099918-appb-000012
为学习到的深度卷积神经网络中的隐层参数。
这是一个最小二乘法确认一个解析解的问题，其最小二乘法满足如下标准方程：
Figure PCTCN2015099918-appb-000013
该方程(15)再通过图像域到傅里叶空间的转换，可得到：
Figure PCTCN2015099918-appb-000014
式(16)中，
Figure PCTCN2015099918-appb-000015
是只包含0和1的对角矩阵，1全是对角线上的元素代表K空间采样的数据，
Figure PCTCN2015099918-appb-000016
表示零填充的傅里叶测量。因此，有：
Figure PCTCN2015099918-appb-000017
式(17)中，Ω代表采样位置集。
基于同样的发明构思，如图2所示，为本发明实施例的基于深度卷积神经网络的快速磁共振成像装置的结构示意图。如图2所示，包括：卷积神经网络构建单元101，用于构建深度卷积神经网络；网络模型训练单元102，用于获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；磁共振图像重建单元103，用于利用学习到的深度卷积神经网络重建磁共振图像。
在本实施例中，所述卷积神经网络构建单元101具体用于：
离线构建一个L层的卷积神经网络来学习映射关系：
Figure PCTCN2015099918-appb-000018
其中，x为第一层的输入样本；C是用隐层参数Θ＝{(W1,b1),...(Wl,bl),...(WL,bL)}来估计的端对端的映射关系；σ表示非线性激励函数。
在本实施例中，所述网络模型训练单元102具体用于：采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度。
在本实施例中，所述磁共振图像重建单元103用于重建磁共振图像，包括：利用学习到的深度卷积神经网络，并根据
Figure PCTCN2015099918-appb-000019
利用最小二乘法重建磁共振图像；其中，u为线上的磁共振图像数据，C为学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，FM代表欠采傅立叶变换，M代表欠采掩膜，FH代表傅立叶变换的共轭装置，
Figure PCTCN2015099918-appb-000020
为学习到的深度卷积神经网络中的隐层参数。
本发明实施例的基于深度卷积神经网络的快速磁共振成像方法及装置，通过使用大量采集到的磁共振数据学习一个离线的深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，从而充分利用线下大量的磁共振图像，开发其先验信息，使其离线网络可从欠采磁共振数据里恢复更多的精细结构和图像特征，有助于减少磁共振扫描时间，并使磁共振欠采倍数和成像精度有所提高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

  1. 一种基于深度卷积神经网络的快速磁共振成像方法，其特征在于，包括：
    步骤S1，构建深度卷积神经网络；
    步骤S2，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；
    步骤S3，利用所述步骤S2中学习到的深度卷积神经网络重建磁共振图像。
  2. 根据权利要求1所述的基于深度卷积神经网络的快速磁共振成像方法，其特征在于，在所述步骤S1中，构建深度卷积神经网络模型，包括：
    离线构建一个L层的卷积神经网络来学习映射关系：
    Figure PCTCN2015099918-appb-100001
    其中，
    x为第一层的输入样本；C是用隐层参数Θ＝{(W1,b1),...(Wl,bl),...(WL,bL)}来估计的端对端的映射关系；σ表示非线性激励函数。
  3. 根据权利要求2所述的基于深度卷积神经网络的快速磁共振成像方法，其特征在于，在所述步骤S2中，获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系，包括：
    采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度。
  4. 根据权利要求3所述的基于深度卷积神经网络的快速磁共振成像方法，其特征在于，在所述步骤S3中，利用所述步骤S2中学习到的深度卷积神经网络重建磁共振图像，包括：
    利用步骤S2中学习到的深度卷积神经网络，并根据
    Figure PCTCN2015099918-appb-100002
    利用最小二乘法重建磁共振图像；
    其中，u为线上的磁共振图像数据，C为所述步骤S2中学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，FM代表欠采傅立叶变换，M代表欠采掩膜，FH代表傅立叶变换的共轭装置，
    Figure PCTCN2015099918-appb-100003
    为所述步骤S2中学习到的深度卷积神经网络中的隐层参数。
  5. 一种基于深度卷积神经网络的快速磁共振成像装置，其特征在于，包括：
    卷积神经网络构建单元，用于构建深度卷积神经网络；
    网络模型训练单元，用于获取离线磁共振图像数据，训练所述深度卷积神经网络，学习欠采样磁共振图像与全采图像之间的映射关系；
    磁共振图像重建单元，用于利用学习到的深度卷积神经网络重建磁共振图像。
  6. 根据权利要求5所述的基于深度卷积神经网络的快速磁共振成像装置，其特征在于，所述卷积神经网络构建单元具体用于：
    离线构建一个L层的卷积神经网络来学习映射关系：
    Figure PCTCN2015099918-appb-100004
    其中，
    x为第一层的输入样本；C是用隐层参数Θ＝{(W1,b1),...(Wl,bl),...(WL,bL)}来估计的端对端的映射关系；σ表示非线性激励函数。
  7. 根据权利要求6所述的基于深度卷积神经网络的快速磁共振成像装置，其特征在于，所述网络模型训练单元具体用于：
    采用反向传播法训练所述深度卷积神经网络，通过反向传播计算相应梯度。
  8. 根据权利要求7所述的基于深度卷积神经网络的快速磁共振成像装置，其特征在于，所述磁共振图像重建单元用于重建磁共振图像，包括：
    利用学习到的深度卷积神经网络，并根据
    Figure PCTCN2015099918-appb-100005
    利用最小二乘法重建磁共振图像；
    其中，u为线上的磁共振图像数据，C为学习到的深度卷积神经网络，λ为权重参数，f为采样到的K空间数据，H代表共轭装置，FM代表欠采傅立叶变换，M代表欠采掩膜，FH代表傅立叶变换的共轭装置，
    Figure PCTCN2015099918-appb-100006
    为学习到的深度卷积神经网络中的隐层参数。
PCT/CN2015/099918 2015-12-30 2015-12-30 一种基于深度卷积神经网络的快速磁共振成像方法及装置 WO2017113205A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201580001261.8A CN107182216B (zh) 2015-12-30 2015-12-30 一种基于深度卷积神经网络的快速磁共振成像方法及装置
PCT/CN2015/099918 WO2017113205A1 (zh) 2015-12-30 2015-12-30 一种基于深度卷积神经网络的快速磁共振成像方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2015/099918 WO2017113205A1 (zh) 2015-12-30 2015-12-30 一种基于深度卷积神经网络的快速磁共振成像方法及装置

Publications (1)

Publication Number Publication Date
WO2017113205A1 true WO2017113205A1 (zh) 2017-07-06

Family

ID=59224455

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/099918 WO2017113205A1 (zh) 2015-12-30 2015-12-30 一种基于深度卷积神经网络的快速磁共振成像方法及装置

Country Status (2)

Country Link
CN (1) CN107182216B (zh)
WO (1) WO2017113205A1 (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
CN108107324A (zh) * 2017-12-22 2018-06-01 北京映翰通网络技术股份有限公司 一种基于深度卷积神经网络的配电网故障定位方法
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
US20180285695A1 (en) * 2017-03-28 2018-10-04 Siemens Healthcare Gmbh Magnetic Resonance Image Reconstruction System and Method
CN108629816A (zh) * 2018-05-09 2018-10-09 复旦大学 基于深度学习进行薄层磁共振图像重建的方法
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction
CN110570486A (zh) * 2019-08-23 2019-12-13 清华大学深圳研究生院 一种基于深度学习的欠采样核磁共振图像重建方法
CN110942489A (zh) * 2018-09-25 2020-03-31 西门子医疗系统有限公司 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置
CN110992440A (zh) * 2019-12-10 2020-04-10 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN111311561A (zh) * 2020-02-10 2020-06-19 浙江未来技术研究院(嘉兴) 一种基于显微手术成像系统的术区自动测光方法及装置
CN111353947A (zh) * 2018-12-24 2020-06-30 深圳先进技术研究院 磁共振并行成像方法及相关设备
WO2020151355A1 (zh) * 2019-01-25 2020-07-30 厦门大学 一种基于深度学习的磁共振波谱重建方法
CN111598966A (zh) * 2020-05-18 2020-08-28 中山大学 一种基于生成对抗网络的磁共振成像方法及装置
CN111597753A (zh) * 2020-04-08 2020-08-28 山东大学 数据深度变化特征自适应的二维电阻率反演方法及系统
US10810767B2 (en) * 2018-06-12 2020-10-20 Siemens Healthcare Gmbh Machine-learned network for Fourier transform in reconstruction for medical imaging
CN111860273A (zh) * 2020-07-14 2020-10-30 吉林大学 基于卷积神经网络的磁共振地下水探测噪声抑制方法
CN112085841A (zh) * 2020-09-17 2020-12-15 西安交通大学 一种基于深度前馈神经网络的数字全息图生成系统及方法
CN112329920A (zh) * 2020-11-06 2021-02-05 深圳先进技术研究院 磁共振参数成像模型的无监督训练方法及无监督训练装置
CN112336337A (zh) * 2020-11-06 2021-02-09 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN112368745A (zh) * 2018-05-15 2021-02-12 蒙纳士大学 用于磁共振成像的图像重建的方法和系统
CN112419437A (zh) * 2019-11-29 2021-02-26 上海联影智能医疗科技有限公司 用于重建磁共振图像的系统和方法
CN113359076A (zh) * 2020-03-06 2021-09-07 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN116597037A (zh) * 2023-05-22 2023-08-15 厦门大学 一种物理生成数据驱动的快速磁共振智能成像方法
US11957515B2 (en) 2018-02-27 2024-04-16 Koninklijke Philips N.V. Ultrasound system with a neural network for producing images from undersampled ultrasound data

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109978809B (zh) * 2017-12-26 2022-02-22 同方威视技术股份有限公司 图像处理方法、装置及计算机可读存储介质
CN110133557B (zh) * 2018-02-09 2021-08-31 深圳先进技术研究院 一种新型的非线性并行重建的磁共振成像方法、装置及介质
CN108335339B (zh) * 2018-04-08 2021-10-22 朱高杰 一种基于深度学习和凸集投影的磁共振重建方法
CN108896943B (zh) * 2018-05-10 2020-06-12 上海东软医疗科技有限公司 一种磁共振定量成像方法和装置
CN108814603B (zh) * 2018-05-10 2021-11-09 上海东软医疗科技有限公司 一种磁共振成像方法和装置
CN108734660A (zh) * 2018-05-25 2018-11-02 上海通途半导体科技有限公司 一种基于深度学习的图像超分辨率重建方法及装置
JP7126864B2 (ja) * 2018-05-25 2022-08-29 キヤノンメディカルシステムズ株式会社 医用信号処理装置及び学習プログラム
CN108829639B (zh) * 2018-07-06 2023-10-27 上海联影医疗科技股份有限公司 一种磁共振成像方法和设备
US11776171B2 (en) 2018-09-18 2023-10-03 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for magnetic resonance image reconstruction
CN109325985B (zh) * 2018-09-18 2020-07-21 上海联影智能医疗科技有限公司 磁共振图像重建方法、装置和计算机可读存储介质
CN109544488B (zh) * 2018-10-08 2021-06-01 西北大学 一种基于卷积神经网络的图像合成方法
CN109658469B (zh) * 2018-12-13 2023-05-26 深圳先进技术研究院 一种基于深度先验学习的头颈联合成像方法和装置
WO2020118616A1 (zh) * 2018-12-13 2020-06-18 深圳先进技术研究院 一种基于深度先验学习的头颈联合成像方法和装置
CN109712208B (zh) * 2018-12-13 2023-01-24 深圳先进技术研究院 基于深度学习的大视野磁共振扫描图像重建方法和装置
CN111383741B (zh) * 2018-12-27 2022-05-10 深圳先进技术研究院 医学成像模型的建立方法、装置、设备及存储介质
CN109557489B (zh) 2019-01-08 2021-06-18 上海东软医疗科技有限公司 一种磁共振成像方法和装置
CN109686425B (zh) * 2019-01-17 2020-08-11 南京晓庄学院 一种加速全局重建人脑神经图像技术的系统及方法
US10712416B1 (en) * 2019-02-05 2020-07-14 GE Precision Healthcare, LLC Methods and systems for magnetic resonance image reconstruction using an extended sensitivity model and a deep neural network
CN111624540B (zh) * 2019-02-27 2022-11-22 上海东软医疗科技有限公司 磁共振成像方法和装置
CN110333466B (zh) * 2019-06-19 2022-06-07 东软医疗系统股份有限公司 一种基于神经网络的磁共振成像方法和装置
WO2021097594A1 (zh) * 2019-11-18 2021-05-27 中国科学院深圳先进技术研究院 快速成像模型的训练方法、装置及服务器
CN112890798B (zh) * 2019-12-04 2023-04-25 上海联影医疗科技股份有限公司 神经网络训练方法、磁共振成像方法、装置、设备和介质
US11307278B2 (en) * 2020-01-02 2022-04-19 General Electric Company Reconstruction of MR image data
CN111487573B (zh) * 2020-05-18 2021-03-23 厦门大学 一种用于磁共振欠采样成像的强化型残差级联网络模型
CN111812569A (zh) * 2020-07-23 2020-10-23 广州互云医院管理有限公司 一种基于深度学习的k空间欠采样轨迹的方法
CN112489150A (zh) * 2020-10-19 2021-03-12 浙江工业大学 面向快速mri的深度神经网络的多尺度序贯训练方法
CN113359077A (zh) * 2021-06-08 2021-09-07 苏州深透智能科技有限公司 一种磁共振成像方法及相关设备
CN113933773A (zh) * 2021-09-30 2022-01-14 深圳先进技术研究院 基于深度学习的磁共振成像方法、系统、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101253493A (zh) * 2005-08-31 2008-08-27 微软公司 在图形处理单元上训练卷积神经网络
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
JP2015095215A (ja) * 2013-11-14 2015-05-18 株式会社デンソーアイティーラボラトリ 学習装置、学習プログラム、及び学習方法
WO2015083199A1 (en) * 2013-12-04 2015-06-11 J Tech Solutions, Inc. Computer device and method executed by the computer device
CN104732243A (zh) * 2015-04-09 2015-06-24 西安电子科技大学 基于cnn的sar目标识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323805B (zh) * 2013-05-29 2015-04-29 杭州电子科技大学 基于小波域稀疏表示的speed快速磁共振成像方法
CN104027113B (zh) * 2014-07-01 2016-03-16 中国科学院武汉物理与数学研究所 一种基于先验知识和稀疏采样的肺部快速磁共振成像方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101253493A (zh) * 2005-08-31 2008-08-27 微软公司 在图形处理单元上训练卷积神经网络
JP2015095215A (ja) * 2013-11-14 2015-05-18 株式会社デンソーアイティーラボラトリ 学習装置、学習プログラム、及び学習方法
CN103646410A (zh) * 2013-11-27 2014-03-19 中国科学院深圳先进技术研究院 磁共振快速参数成像方法和系统
CN103679654A (zh) * 2013-11-29 2014-03-26 深圳先进技术研究院 磁共振成像方法和系统
WO2015083199A1 (en) * 2013-12-04 2015-06-11 J Tech Solutions, Inc. Computer device and method executed by the computer device
CN104732243A (zh) * 2015-04-09 2015-06-24 西安电子科技大学 基于cnn的sar目标识别方法

Cited By (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180285695A1 (en) * 2017-03-28 2018-10-04 Siemens Healthcare Gmbh Magnetic Resonance Image Reconstruction System and Method
US10133964B2 (en) * 2017-03-28 2018-11-20 Siemens Healthcare Gmbh Magnetic resonance image reconstruction system and method
WO2019041376A1 (zh) * 2017-08-30 2019-03-07 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
CN107507148A (zh) * 2017-08-30 2017-12-22 南方医科大学 基于卷积神经网络去除磁共振图像降采样伪影的方法
CN108107324A (zh) * 2017-12-22 2018-06-01 北京映翰通网络技术股份有限公司 一种基于深度卷积神经网络的配电网故障定位方法
CN108107324B (zh) * 2017-12-22 2020-04-17 北京映翰通网络技术股份有限公司 一种基于深度卷积神经网络的配电网故障定位方法
US11957515B2 (en) 2018-02-27 2024-04-16 Koninklijke Philips N.V. Ultrasound system with a neural network for producing images from undersampled ultrasound data
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction
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
CN108596994B (zh) * 2018-04-24 2022-05-03 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
CN108629816A (zh) * 2018-05-09 2018-10-09 复旦大学 基于深度学习进行薄层磁共振图像重建的方法
CN108629816B (zh) * 2018-05-09 2022-11-18 复旦大学 基于深度学习进行薄层磁共振图像重建的方法
US11954823B2 (en) 2018-05-15 2024-04-09 Monash University Method and system of image reconstruction for magnetic resonance imaging
CN112368745A (zh) * 2018-05-15 2021-02-12 蒙纳士大学 用于磁共振成像的图像重建的方法和系统
US10810767B2 (en) * 2018-06-12 2020-10-20 Siemens Healthcare Gmbh Machine-learned network for Fourier transform in reconstruction for medical imaging
CN110942489A (zh) * 2018-09-25 2020-03-31 西门子医疗系统有限公司 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置
CN110942489B (zh) * 2018-09-25 2023-04-25 西门子医疗系统有限公司 磁共振弥散张量成像方法、装置和纤维束追踪方法、装置
CN111353947A (zh) * 2018-12-24 2020-06-30 深圳先进技术研究院 磁共振并行成像方法及相关设备
WO2020151355A1 (zh) * 2019-01-25 2020-07-30 厦门大学 一种基于深度学习的磁共振波谱重建方法
US11782111B2 (en) 2019-01-25 2023-10-10 Xiamen University Method for reconstructing magnetic resonance spectrum based on deep learning
CN109859189A (zh) * 2019-01-31 2019-06-07 长安大学 一种基于深度学习的年龄估计方法
CN110570486A (zh) * 2019-08-23 2019-12-13 清华大学深圳研究生院 一种基于深度学习的欠采样核磁共振图像重建方法
CN112419437A (zh) * 2019-11-29 2021-02-26 上海联影智能医疗科技有限公司 用于重建磁共振图像的系统和方法
CN110992440A (zh) * 2019-12-10 2020-04-10 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN110992440B (zh) * 2019-12-10 2023-04-21 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN111311561B (zh) * 2020-02-10 2023-10-10 浙江未来技术研究院(嘉兴) 一种基于显微手术成像系统的术区自动测光方法及装置
CN111311561A (zh) * 2020-02-10 2020-06-19 浙江未来技术研究院(嘉兴) 一种基于显微手术成像系统的术区自动测光方法及装置
CN113359076A (zh) * 2020-03-06 2021-09-07 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN113359076B (zh) * 2020-03-06 2022-09-27 上海联影医疗科技股份有限公司 磁共振成像方法、装置、计算机设备和存储介质
CN111597753B (zh) * 2020-04-08 2023-06-30 山东大学 数据深度变化特征自适应的二维电阻率反演方法及系统
CN111597753A (zh) * 2020-04-08 2020-08-28 山东大学 数据深度变化特征自适应的二维电阻率反演方法及系统
CN111598966B (zh) * 2020-05-18 2023-04-18 中山大学 一种基于生成对抗网络的磁共振成像方法及装置
CN111598966A (zh) * 2020-05-18 2020-08-28 中山大学 一种基于生成对抗网络的磁共振成像方法及装置
CN111860273A (zh) * 2020-07-14 2020-10-30 吉林大学 基于卷积神经网络的磁共振地下水探测噪声抑制方法
CN112085841A (zh) * 2020-09-17 2020-12-15 西安交通大学 一种基于深度前馈神经网络的数字全息图生成系统及方法
CN112085841B (zh) * 2020-09-17 2024-04-02 西安交通大学 一种基于深度前馈神经网络的数字全息图生成系统及方法
CN112336337B (zh) * 2020-11-06 2022-09-02 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN112336337A (zh) * 2020-11-06 2021-02-09 深圳先进技术研究院 磁共振参数成像模型的训练方法及训练装置、介质和设备
CN112329920A (zh) * 2020-11-06 2021-02-05 深圳先进技术研究院 磁共振参数成像模型的无监督训练方法及无监督训练装置
CN116597037A (zh) * 2023-05-22 2023-08-15 厦门大学 一种物理生成数据驱动的快速磁共振智能成像方法

Also Published As

Publication number Publication date
CN107182216B (zh) 2019-06-14
CN107182216A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
WO2017113205A1 (zh) 一种基于深度卷积神经网络的快速磁共振成像方法及装置
WO2018223275A1 (zh) 基于深度卷积网的一维部分傅里叶并行磁共振成像方法
Zhu et al. Image reconstruction by domain-transform manifold learning
CN108896943B (zh) 一种磁共振定量成像方法和装置
Sun et al. Joint CS-MRI reconstruction and segmentation with a unified deep network
US10726555B2 (en) Joint registration and segmentation of images using deep learning
CN104063886B (zh) 一种基于稀疏表示和非局部相似的核磁共振图像重建方法
CN106796716A (zh) 用于为低分辨率图像提供超分辨率的设备和方法
WO2020114329A1 (zh) 磁共振快速参数成像方法及装置
CN108090871A (zh) 一种基于卷积神经网络的多对比度磁共振图像重建方法
CN111383741B (zh) 医学成像模型的建立方法、装置、设备及存储介质
Holme et al. ENLIVE: an efficient nonlinear method for calibrationless and robust parallel imaging
CN109658468B (zh) 磁共振参数成像方法、装置、设备及存储介质
Auría et al. Structured sparsity for spatially coherent fibre orientation estimation in diffusion MRI
CN117011673B (zh) 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置
Kustikova et al. CalciumCV: Computer vision software for calcium signaling in astrocytes
Oscanoa et al. Deep learning-based reconstruction for cardiac MRI: a review
NL2022890B1 (en) Parameter map determination for time domain magnetic resonance
Kristoffersen et al. Deep sound field reconstruction in real rooms: introducing the isobel sound field dataset
Zhou et al. CloudBrain-ReconAI: An online platform for MRI reconstruction and image quality evaluation
Duff et al. VAEs with structured image covariance applied to compressed sensing MRI
Shah et al. Compressively sampled magnetic resonance image reconstruction using separable surrogate functional method
CN111241725B (zh) 基于条件生成对抗网络的结构响应重构方法
Zeng et al. Non‐iterative reconstruction with a prior for undersampled radial MRI data
Lei et al. Multiscale reconstruction algorithm for compressed sensing

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15911834

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15911834

Country of ref document: EP

Kind code of ref document: A1