WO2021184350A1 - 一种基于神经网络的网格化磁共振图像重建方法和装置 - Google Patents
一种基于神经网络的网格化磁共振图像重建方法和装置 Download PDFInfo
- Publication number
- WO2021184350A1 WO2021184350A1 PCT/CN2020/080400 CN2020080400W WO2021184350A1 WO 2021184350 A1 WO2021184350 A1 WO 2021184350A1 CN 2020080400 W CN2020080400 W CN 2020080400W WO 2021184350 A1 WO2021184350 A1 WO 2021184350A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data
- neural network
- frequency band
- magnetic resonance
- resampled
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 23
- 238000012952 Resampling Methods 0.000 description 17
- 238000002595 magnetic resonance imaging Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000000725 suspension Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
Description
Claims (14)
- 一种基于神经网络的网格化磁共振图像重建方法,其特征在于,包括:获取初始采样数据,对所述初始采样数据进行密度补偿,得到补偿数据;使用至少两种插值算法对所述补偿数据进行重采样,得到各插值算法对应的重采样数据;将各所述重采样数据输入权重神经网络,得到所述重采样数据对应的权重,并根据各所述重采样数据对应的权重,对各所述重采样数据进行加权求和,得到目标数据;对所述目标数据进行图像重建处理,得到磁共振图像。
- 如权利要求1所述的基于神经网络的网格化磁共振图像重建方法,其特征在于,所述将各所述重采样数据输入权重神经网络,得到所述重采样数据对应的权重,并根据各所述重采样数据对应的权重,对各所述重采样数据进行加权求和,得到目标数据包括:将各所述重采样数据在预设频段内的数据输入所述预设频段对应的权重神经网络,得到各所述重采样数据在预设频段对应的权重,其中,所述预设频段的数量为两个以上;根据各所述重采样数据在预设频段对应的权重,对各所述重采样数据在预设频段内的数据进行加权求和,得到所述预设频段对应的融合数据;根据各所述预设频段对应的融合数据确定所述目标数据。
- 如权利要求1所述的基于神经网络的网格化磁共振图像重建方法,其特征在于,所述权重神经网络为卷积神经网络。
- 如权利要求1所述的基于神经网络的网格化磁共振图像重建方法,其特征在于,所述对所述目标数据进行图像重建处理,得到磁共振图像包括:对所述目标数据进行快速傅里叶逆变换,得到磁共振图像。
- 如权利要求1所述的基于神经网络的网格化磁共振图像重建方法,其特征在于,所述插值算法为线性插值算法。
- 如权利要求5所述的基于神经网络的网格化磁共振图像重建方法,其特征在于,所述插值算法包括最邻近插值法、双线性插值法以及三次样条插值法中的两种以上。
- 一种基于神经网络的网格化磁共振图像重建装置,其特征在于,包括:密度补偿模块,用于获取初始采样数据,对所述初始采样数据进行密度补偿,得到补偿数据;重采样模块,用于使用至少两种插值算法对所述补偿数据进行重采样,得到各插值算法对应的重采样数据;权重学习模块,用于将各所述重采样数据输入权重神经网络,得到所述重采样数据对应的权重,并根据各所述重采样数据对应的权重,对各所述重采样数据进行加权求和,得到目标数据;图像重建模块,用于对所述目标数据进行图像重建处理,得到磁共振图像。
- 如权利要求7所述的基于神经网络的网格化磁共振图像重建装置,其特征在于,所述权重学习模块包括:权重计算子模块,用于将各所述重采样数据在预设频段内的数据输入所述预设频段对应的权重神经网络,得到各所述重采样数据在预设频段对应的权重,其中,所述预设频段的数量为两个以上;加权融合子模块,用于根据各所述重采样数据在预设频段对应的权重,对各所述重采样数据在预设频段内的数据进行加权求和,得到所述预设频段对应的融合数据;目标数据模块,用于根据各所述预设频段对应的融合数据确定所述目标数据。
- 如权利要求7所述的基于神经网络的网格化磁共振图像重建装置, 其特征在于,所述权重神经网络为卷积神经网络。
- 如权利要求7所述的基于神经网络的网格化磁共振图像重建装置,其特征在于,所述图像重建模块,具体用于对所述目标数据进行快速傅里叶逆变换,得到磁共振图像。
- 如权利要求7所述的基于神经网络的网格化磁共振图像重建装置,其特征在于,所述插值算法为线性插值算法。
- 如权利要求11所述的基于神经网络的网格化磁共振图像重建装置,其特征在于,所述插值算法包括最邻近插值法、双线性插值法以及三次样条插值法中的两种以上。
- 一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
- 一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/080400 WO2021184350A1 (zh) | 2020-03-20 | 2020-03-20 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/080400 WO2021184350A1 (zh) | 2020-03-20 | 2020-03-20 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021184350A1 true WO2021184350A1 (zh) | 2021-09-23 |
Family
ID=77767973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2020/080400 WO2021184350A1 (zh) | 2020-03-20 | 2020-03-20 | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
WO (1) | WO2021184350A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493351A (zh) * | 2022-02-16 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的投放点抽样方法、装置、终端设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256226A (zh) * | 2007-02-26 | 2008-09-03 | 西门子公司 | 用于产生高时间分辨率的磁共振图像的方法 |
CN101995561A (zh) * | 2010-10-22 | 2011-03-30 | 南方医科大学 | 基于图像域叠加的propeller磁共振数据重建方法 |
CN103399285A (zh) * | 2013-07-23 | 2013-11-20 | 沈阳工业大学 | 一种磁共振非笛卡尔采样的快速重建方法 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 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 |
CN109493394A (zh) * | 2018-10-26 | 2019-03-19 | 上海东软医疗科技有限公司 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 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 |
US20190369190A1 (en) * | 2018-06-04 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing interior computed tomography image using artificial neural network and apparatus therefor |
-
2020
- 2020-03-20 WO PCT/CN2020/080400 patent/WO2021184350A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256226A (zh) * | 2007-02-26 | 2008-09-03 | 西门子公司 | 用于产生高时间分辨率的磁共振图像的方法 |
CN101995561A (zh) * | 2010-10-22 | 2011-03-30 | 南方医科大学 | 基于图像域叠加的propeller磁共振数据重建方法 |
CN103399285A (zh) * | 2013-07-23 | 2013-11-20 | 沈阳工业大学 | 一种磁共振非笛卡尔采样的快速重建方法 |
CN108460726A (zh) * | 2018-03-26 | 2018-08-28 | 厦门大学 | 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 |
US20190369190A1 (en) * | 2018-06-04 | 2019-12-05 | Korea Advanced Institute Of Science And Technology | Method for processing interior computed tomography image using artificial neural network and apparatus therefor |
CN109493394A (zh) * | 2018-10-26 | 2019-03-19 | 上海东软医疗科技有限公司 | 磁共振成像获得深度学习训练集的方法、重建方法和装置 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493351A (zh) * | 2022-02-16 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的投放点抽样方法、装置、终端设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020134826A1 (zh) | 磁共振并行成像方法及相关设备 | |
WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
US20230342918A1 (en) | Image-driven brain atlas construction method, apparatus, device and storage medium | |
Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
CN111047660B (zh) | 图像重建方法、装置、设备及存储介质 | |
Feng et al. | Brain MRI super-resolution using coupled-projection residual network | |
CN114863225B (zh) | 图像处理模型训练方法、生成方法、装置、设备及介质 | |
WO2021102644A1 (zh) | 图像增强方法、装置及终端设备 | |
US20230386048A1 (en) | Ultrasound image segmentation method and apparatus, terminal device, and storage medium | |
CN116402865B (zh) | 一种利用扩散模型的多模态影像配准方法、装置和介质 | |
CN112907439A (zh) | 一种基于深度学习的仰卧位和俯卧位乳腺图像配准方法 | |
TW202347180A (zh) | 影像處理模型的訓練方法 | |
CN111445547B (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
CN111091575B (zh) | 一种基于强化学习方法的医学图像分割方法 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
WO2021184350A1 (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
CN109493949A (zh) | 一种左心耳复杂度的确定方法、装置及计算机存储介质 | |
CN111968108A (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
CN116823625A (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
WO2024051018A1 (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
CN111028147A (zh) | 基于级联空洞卷积的三维医学图像超分辨率重建方法 | |
US11941732B2 (en) | Multi-slice MRI data processing using deep learning techniques | |
WO2022193378A1 (zh) | 图像重建模型生成方法及装置、图像重建方法及装置、设备、介质 |
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: 20925505 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: 20925505 Country of ref document: EP Kind code of ref document: A1 |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20925505 Country of ref document: EP Kind code of ref document: A1 |
|
32PN | Ep: public notification in the ep bulletin as address of the adressee cannot be established |
Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 30.06.2023) |