CN107610194A - 基于多尺度融合cnn的磁共振图像超分辨率重建方法 - Google Patents
基于多尺度融合cnn的磁共振图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN107610194A CN107610194A CN201710689598.3A CN201710689598A CN107610194A CN 107610194 A CN107610194 A CN 107610194A CN 201710689598 A CN201710689598 A CN 201710689598A CN 107610194 A CN107610194 A CN 107610194A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- layer
- mri
- convolutional neural
- 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.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多尺度融合CNN的磁共振图像超分辨率重建方法,首先对低分辨率图像和与其对应的高分辨率图像进行预处理,并构建训练数据集和标签数据集,然后构建融合多尺度信息全卷积神经网络,将训练数据集输入到构建的融合多尺度信息卷积神经网络中进行训练,获得学***层结构,能够加快网络的收敛速度,更快地重建出低分辨率图像丢失的图像细节,减少重建时间,提高重建效率,避免资源浪费。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种基于多尺度融合CNN的磁共振图像超分辨率重建方法。
背景技术
较高空间分辨率结构磁共振图像具有较少的伪影,直接影响后续图像处理和医疗诊断的精度,如配准,分割等。但是,由于物理设备,采集技术以及经济等方面的限制,现有磁共振图像的空间分辨率受到一定的影响。
在图像处理领域,传统超分辨率重建方法主要采用插值方法,如双线性插值,B样条插值等方法。这些方法假设局部区域具有平滑的性质,根据邻近体素估计新插值的体素值。但插值方法不适用于非均匀区域,容易导致图像模糊。
对于磁共振图像,根据不同的重建阶段,超分辨率重建方法主要分为两种:第一种重建在采集过程中,直接对K空间数据进行重建;第二种重建是在后处理阶段,通常采用传统重建方法应用于结构磁共振图像数据。最常用的方法是非局部均值方法和稀疏编码方法。由于非局部均值方法重建的先验知识仍然来自局部图像块,无法获得理想的重建效果。稀疏编码方法采用机器学习方法,分别从低分辨率图像块和对应的高分辨率图像块中学习低分辨率和高分辨率字典;然后认为低分辨率图像稀疏表示低分辨率字典空间中的线性组合,求解其稀疏系数。并将稀疏系数投影到高分辨率字典空间,从而获得重建后的高分辨率图像。但是基于图像块的稀疏表达无法保证整体图像的最优重构。
传统的卷积神经网络的训练需要大量样本才能保证最终较好的效果。在医学领域,很难获得大量的磁共振图像数据,因此直接采用传统卷积神经网络很难保证网络的收敛和重建精度。
发明内容
针对现有技术之不足,本发明提出一种基于多尺度融合CNN的磁共振图像超分辨率重建方法,所述方法包括:
步骤1:对低分辨率结构磁共振图像和与其对应的高分辨率结构磁共振图像进行预处理操作,并构建训练数据集和标签数据集;
步骤11:输入标准格式的低分辨率结构磁共振图像和高分辨率结构磁共振图像,进行格式转换;
步骤12:将步骤11中转换后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像移除头骨部分,只保留脑区部分;
步骤13:对步骤12中移除头骨后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像进行归一化处理,将其归一化到[0-1]区间;
步骤14:对步骤13中归一化处理后的分辨率结构磁共振图像和所述高分辨率结构磁共振图像采用滑动窗口方式在每层上依次分别提取多个二维图像块,其中由低分辨率图像块构成训练数据集,高分辨率图像块构成标签数据集;
步骤2:构建融合多尺度信息卷积神经网络,所述卷积神经网络包括一个输入层、至少三个堆叠的多尺度融合单元和一个重构层;
步骤21:所述输入层用于接收所述训练数据集;
步骤22:构建至少三个多尺度融合单元;
步骤23:构建重构层,所述重构层为一个卷积核构成的卷积层;
步骤3:将所述训练数据集输入到步骤2构建的卷积神经网络中进行训练,获得学习后的卷积神经网络模型;
步骤31:将所述训练数据集分成多批训练数据,并初始化步骤2构建的所述多尺度信息卷积神经网络中所有卷积层中的卷积核权重和偏置对损失函数倒数为0,即:
△W(l)=0
△b(l)=0
其中,W表示卷积核权重,b表示偏置对损失函数,l表示第l层;
步骤32:每次输入一批训练数据与所述多尺度融合单元中各个节点参数进行计算,实现神经网络训练的前向传播,最后通过重构层,获得输出高分辨率数据;
步骤33:利用欧式距离,将步骤32中获得的输出高分辨率数据与所述标签数据集的误差:
其中,I,J表示图像块的尺寸;
步骤34:基于所述误差,采用梯度下降法,反向计算卷积核权重和偏置对损失函数的导数和并将其累加到△W(l)和△b(l),即:
步骤35:重复步骤32至步骤34,直到所有训练数据处理完毕,完成一次迭代,根据上述△W(l)和△b(l),采用批量梯度下降算法,得到更新后网络参数:
其中m表示训练数据的批数,α为学习率,λ为动能;
步骤36:重复步骤32至步骤35,直到达到预设的迭代次数;
步骤4:将测试低分辨率结构磁共振图像输入到步骤3训练好的卷积神经网络中,输出重建高分辨率结构磁共振图像;
步骤41:将测试低分辨率结构磁共振图像的每一层直接输入步骤3训练好的卷积神经网络模型中的输入层;
步骤42:将步骤41接收的测试低分辨率结构磁共振图像输入到学习好的卷积神经网络模型中,从前向后进行运算,最后在重构层输出重建高分辨率结构磁共振图像。
根据一种优选的实施方式,所述多尺度融合单元包括主路径、至少一条子路径和融合层,所述主路径由一个卷积层加一个ReLU激活函数构成,所述子路径由一个卷积层加一个ReLU激活函数依次交替构成,并且最后一层为卷积层,所述融合层将所述主路径和所述子路径的输出通过相加融合以输出到下一个多尺度融合单元。
与现有技术相比,本发明的有益效果在于:
1、本发明通过多尺度融合单元,将不同卷积层的特征映射进行融合,克服了传统卷积神经网络的多层卷积层堆叠的平层结构,能够加快网络的收敛速度,更快地重建低分辨率图像丢失的图像细节,减少重建需要的时间,减少了资源浪费。
2、与现有的重建方法相比,本发明的重建方法获得的重建效果更好,恢复的细节信息和结构信息更接近真实高分辨率图像,获得的峰值信噪比也更高。
附图说明
图1是本发明超分辨率重建方法的流程示意图;
图2是本发明多尺度融合单元的结构示意图;
图3是本发明融合多尺度信息卷积神经网络的结构示意图;
图4是传统卷积神经网络的结构示意图;
图5是多尺度融合单元各个部分输出的特征映射;
图6是在仿真数据集Brainweb上各类方法的重建效果图;和
图7在真实数据集上各类方法的重建效果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是实例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明的多尺度融合单元MFU:The Multi-scale Fusion Unit。
图1是本发明超分辨率重建方法的流程示意图。如图1所示,本发明提出的一种多尺度融合CNN的磁共振图像超分辨率重建方法,方法包括:
步骤1:对低分辨率结构磁共振图像和与其对应的高分辨率结构磁共振图像进行预处理操作,并构建训练数据集和标签数据集。高分辨率图像来源于采用3T磁共振设备真实采集到的图像,低分辨率图像来源于对高分辨率图像进行下采样得到的。步骤1中的低分辨率结构磁共振图像作为训练样本来训练卷积神经网络。
步骤11:输入标准格式的低分辨率结构磁共振图像和高分辨率结构磁共振图像,进行格式转换。原始磁共振图像数据格式为DCM格式,采用SPM将其转换为NII格式。原因在于原始DCM格式是一个人的磁共振数据由N个DCM文件构成,而转为NII格式后,一个人的磁共振数据由1个NII文件构成,方便于后面的数据处理。
步骤12:将步骤11中转换后的低分辨率结构磁共振图像和高分辨率结构磁共振图像移除头骨部分,只保留脑区部分。
步骤13:对步骤12中移除头骨后的低分辨率结构磁共振图像和高分辨率结构磁共振图像进行归一化处理,将其归一化到[0-1]区间。由于原始采集到的磁共振图像数据范围从0到上万不等,而图像处理通常要将其范围变换到[0-1],以便于把所有数据放到同一个范围。
步骤14:对步骤13中归一化处理后的低分辨率结构磁共振图像和高分辨率结构磁共振图像采用滑动窗口方式在每层上依次分别提取多个二维图像块,其中由低分辨率图像块构成训练数据集,高分辨率图像块构成标签数据集。二维图像块的个数通过图像大小和滑动窗口的大小来控制的,一般取到上万个。具体的,人脑的磁共振数据是三维数据M*N*S,磁共振机器扫描将人脑从上往下一层层扫描,S表示层数,M*N表示大脑该层的尺寸。
步骤2:构建融合多尺度信息的卷积神经网络。
图3为本发明融合多尺度的信息卷积神经网络的结构示意图。图4为传统卷积神经网络的结构示意图。如图4所示,传统的卷积神经网络是多层卷积层堆叠的平层结构。如图3所示,多尺度信息卷积神经网络包括一个输入层、多个堆叠的多尺度融合单元和一个重构层。具体的,至少三个堆叠的多尺度融合单元。本发明的融合多尺度卷积神经网络克服了传统卷积神经网络的不足,能够加快神经网络的收敛速度,更快地重建低分辨率图像丢失的图像细节,减少重建需要的时间,效率更高,减少了资源浪费。
步骤21:输入层用于接收训练数据集。
步骤22:构建至少三个多尺度融合单元。图2为多尺度融合单元的结构示意图。如图2所示,多尺度融合单元包括主路径、至少一条子路径和融合层。主路径由一个卷积层加一个ReLU激活函数构成,子路径由一个卷积层加一个ReLU激活函数依次交替构成,并且最后一层为卷积层。融合层将主路径和子路径的输出通过相加融合以输出到下一个多尺度融合单元。
步骤23:构建重构层,重构层为一个卷积核构成的卷积层。
步骤3:将训练数据集输入到步骤2构建的卷积神经网络中进行训练,获得学习后的卷积神经网络模型。
步骤31:将训练数据集分成多批训练数据。因为训练数据集的数据量较大,构造的神经网络无法一次性处理所有训练数据,因此需要将训练数据集分为多个批次进行处理。具体的批数根据训练样本的个数和每批样本个数而定,例如有1万个训练样本,每批100个,则分成100批训练数据。并初始化步骤2构建的多尺度信息卷积神经网络中所有卷积层中的卷积核权重和偏置对损失函数倒数为0,即:
△W(l)=0
△b(l)=0
其中,W表示卷积核权重,b表示偏置对损失函数,l表示第l层。所有卷积层包括多尺度融合单元中的卷积层和构成重构层的卷积层。
步骤32:每次输入一批训练数据与多尺度融合单元中各个节点参数进行计算,实现神经网络训练的前向传播,最后通过重构层,获得输出高分辨率数据;
步骤33:利用欧式距离,计算输出高分辨率数据与标签数据集的误差:
其中,I,J表示图像块的尺寸。
步骤34:基于步骤33计算的误差,采用梯度下降法,反向计算卷积核权重和偏置对损失函数的导数和并对其累加到△W(l)和△b(l),即:
步骤35:重复步骤S32-S34,直到所有训练样本处理完毕,完成一次迭代。根据上述△W(l)和△b(l),采用批量梯度下降算法,得到更新后网络参数。
其中,m表示训练样本的批数,α为学习率,λ为动能,决定了参数更新过程中,上一次迭代参数的影响大小。
步骤36:重复步骤32至步骤35,直到达到预设的迭代次数。一般迭代次数取为10的5次方,或者损失小于0.02左右,可由损失函数来决定。迭代停止后,即得到训练好的卷积神经网络模型。
步骤4:将测试低分辨率结构磁共振图像输入到步骤3训练好的卷积神经网络模型中,输出重建高分辨率结构磁共振图像。测试低分辨率结构磁共振图像作为测试样本。
步骤41:将测试低分辨率结构磁共振图像的每一层直接输入步骤3训练好的卷积神经网络模型中的输入层。
步骤42:步骤41接收的测试低分辨率结构磁共振图像输入到训练好的卷积神经网络中,从前向后进行运算,最后在重构层输出重建高分辨率结构磁共振图像。重建高分辨率结构磁共振图像为通过多尺度融合CNN学习到的高分辨率结构磁共振图像。
图5是多尺度融合单元各个部分输出的特征映射图。
图5中第一行图像是低分辨率结构磁共振图像,第二行图像是多尺度融合单元主路径输出的特征映射图,第三行图像是多尺度融合单元子路径输出的特征映射图,第四行图像是多尺度融合层输出的特征映射图。
图6是在仿真数据集Brainweb上各类方法的重建效果图。图7在真实数据集上各类方法的重建效果图。图7中HR Real Data表示真实高分辨率图像,LR Real Data表示真实低分辨率图像,根据真实低分辨率图像重建高分辨图像。图6和图7的第二行图像为重建图像的局部放大图,从图6和图7中可直观的看出,采用本发明的方法MFCN(Multi-scale FusionConvolution Network)的重建效果最好,重建的高分辨率边缘细节信息和结构与真实高分辨率图像更接近,尤其是图6和图7中椭圆圈标出的部分。进一步的,用峰值信噪比PSNR来客观对重建效果进行评价,峰值信噪比越高,表示重建效果越好。从图6和图7中可以看出,本发明的方法获得的峰值信噪比相比现有的几种方法来说更高。
本发明的超分辨率重建方法,不仅适用于磁共振图像的重建,同时适用于其他领域的图像重建,如天气雷达回波重建、CT图像、PET-CT图像重建等。
本发明基于多尺度融合CNN的超分辨率重建方法,克服了传统卷积神经网络难以保证神经网络的收敛和重建精度的不足,无需获得大量的磁共振图像数据,将不同卷积层的特征映射进行融合,克服了传统卷积神经网络的多层卷积层堆叠的平层结构,能够加快网络的收敛速度,更快地重建低分辨率图像丢失的图像细节,减少重建需要的时间,减少了资源浪费。进一步的,从直观上和客观指标上可看出,本发明方法获得比现有重建技术更高的重建精度。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。
Claims (2)
1.一种基于多尺度融合CNN的磁共振图像超分辨率重建方法,其特征在于,所述方法包括:
步骤1:对低分辨率结构磁共振图像和与其对应的高分辨率结构磁共振图像进行预处理操作,并构建训练数据集和标签数据集;
步骤11:输入标准格式的低分辨率结构磁共振图像和高分辨率结构磁共振图像,进行格式转换;
步骤12:将步骤11中转换后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像移除头骨部分,只保留脑区部分;
步骤13:对步骤12中移除头骨后的所述低分辨率结构磁共振图像和所述高分辨率结构磁共振图像进行归一化处理,将其归一化到[0-1]区间;
步骤14:对步骤13中归一化处理后的低分辨率结构磁共振图像和所述高分辨率结构磁共振图像采用滑动窗口方式在每层上依次分别提取多个二维图像块,其中由低分辨率图像块构成训练数据集,高分辨率图像块构成标签数据集;
步骤2:构建融合多尺度信息卷积神经网络,所述卷积神经网络包括一个输入层、至少三个堆叠的多尺度融合单元和一个重构层;
步骤21:所述输入层用于接收所述训练数据集;
步骤22:构建至少三个多尺度融合单元;
步骤23:构建重构层,所述重构层为一个卷积核构成的卷积层;
步骤3:将所述训练数据集输入到步骤2构建的卷积神经网络中进行训练,获得学习后的卷积神经网络模型;
步骤31:将所述训练数据集分成多批训练数据,并初始化步骤2构建的所述多尺度信息卷积神经网络中所有卷积层中的卷积核权重和偏置对损失函数倒数为0,即:
△W(l)=0
△b(l)=0
其中,W表示卷积核权重,b表示偏置对损失函数,l表示第l层;
步骤32:每次输入一批训练数据与所述多尺度融合单元中各个节点参数进行计算,实现神经网络训练的前向传播,最后通过重构层,获得输出高分辨率数据;
步骤33:利用欧式距离,将步骤32中获得的输出高分辨率数据与所述标签数据集的误差:
<mrow>
<mi>E</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>I</mi>
<mo>,</mo>
<mi>J</mi>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>X</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
其中,I,J表示图像块的尺寸;
步骤34:基于所述误差,采用梯度下降法,反向计算卷积核权重和偏置对损失函数的导数和并将其累加到△W(l)和△b(l),即:
<mrow>
<msup>
<mi>&Delta;W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>&Delta;W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mo>&dtri;</mo>
<msup>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
</msub>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>,</mo>
<mi>b</mi>
<mo>;</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&Delta;b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>&Delta;b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mo>&dtri;</mo>
<msup>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
</msub>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>,</mo>
<mi>b</mi>
<mo>;</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
步骤35:重复步骤32至步骤34,直到所有训练数据处理完毕,完成一次迭代,根据上述△W(l)和△b(l),采用批量梯度下降算法,得到更新后网络参数,数学表示如下:
<mrow>
<msup>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<msup>
<mi>&Delta;W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>&lambda;W</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<msup>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>&lsqb;</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<msup>
<mi>&Delta;b</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>&rsqb;</mo>
</mrow>
其中,m表示训练数据的批数,α为学习率,λ为动能;
步骤36:重复步骤32至步骤35,直到达到预设的迭代次数;
步骤4:将测试低分辨率结构磁共振图像输入到步骤3训练好的卷积神经网络中,输出重建高分辨率结构磁共振图像;
步骤41:将测试低分辨率结构磁共振图像的每一层直接输入步骤3训练好的卷积神经网络模型中的输入层;
步骤42:将步骤41接收的测试低分辨率结构磁共振图像输入到学习好的卷积神经网络模型中,从前向后进行运算,最后在重构层输出重建高分辨率结构磁共振图像。
2.如权利要求1所述的超分辨率重建方法,其特征在于,所述多尺度融合单元包括主路径、至少一条子路径和融合层,所述主路径由一个卷积层加一个ReLU激活函数构成,所述子路径由一个卷积层加一个ReLU激活函数依次交替构成,并且最后一层为卷积层,所述融合层将所述主路径和所述子路径的输出通过相加融合以输出到下一个多尺度融合单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710689598.3A CN107610194B (zh) | 2017-08-14 | 2017-08-14 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710689598.3A CN107610194B (zh) | 2017-08-14 | 2017-08-14 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107610194A true CN107610194A (zh) | 2018-01-19 |
CN107610194B CN107610194B (zh) | 2020-08-04 |
Family
ID=61063987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710689598.3A Active CN107610194B (zh) | 2017-08-14 | 2017-08-14 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610194B (zh) |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN108416821A (zh) * | 2018-03-08 | 2018-08-17 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN108492271A (zh) * | 2018-03-26 | 2018-09-04 | 中国电子科技集团公司第三十八研究所 | 一种融合多尺度信息的自动图像增强***及方法 |
CN108594146A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振弥散加权成像方法 |
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 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
CN109003229A (zh) * | 2018-08-09 | 2018-12-14 | 成都大学 | 基于三维增强深度残差网络的磁共振超分辨率重建方法 |
CN109035356A (zh) * | 2018-07-05 | 2018-12-18 | 四川大学 | 一种基于pet图形成像的***及方法 |
CN109087273A (zh) * | 2018-07-20 | 2018-12-25 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及*** |
CN109146784A (zh) * | 2018-07-27 | 2019-01-04 | 徐州工程学院 | 一种基于多尺度生成对抗网络的图像超分辨率重建方法 |
CN109272443A (zh) * | 2018-09-30 | 2019-01-25 | 东北大学 | 一种基于全卷积神经网络的pet与ct图像配准方法 |
CN109345449A (zh) * | 2018-07-17 | 2019-02-15 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
CN109410240A (zh) * | 2018-10-09 | 2019-03-01 | 电子科技大学中山学院 | 一种量体特征点定位方法、装置及其存储介质 |
CN109447238A (zh) * | 2018-09-21 | 2019-03-08 | 广东石油化工学院 | 多输出回归深度网络构建方法、结构、设备及存储介质 |
CN109544488A (zh) * | 2018-10-08 | 2019-03-29 | 西北大学 | 一种基于卷积神经网络的图像合成方法 |
CN109685717A (zh) * | 2018-12-14 | 2019-04-26 | 厦门理工学院 | 图像超分辨率重建方法、装置及电子设备 |
CN109741416A (zh) * | 2019-01-04 | 2019-05-10 | 北京大学深圳医院 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
CN109903229A (zh) * | 2019-03-04 | 2019-06-18 | 科新(杭州)能源环境科技有限公司 | 一种基于卷积神经网络的μ-CT图像重构方法 |
CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
CN110276736A (zh) * | 2019-04-01 | 2019-09-24 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
CN110598724A (zh) * | 2019-01-17 | 2019-12-20 | 西安理工大学 | 一种基于卷积神经网络的细胞低分辨率图像融合方法 |
CN110929521A (zh) * | 2019-12-06 | 2020-03-27 | 北京知道智慧信息技术有限公司 | 一种模型生成方法、实体识别方法、装置及存储介质 |
CN110940944A (zh) * | 2019-12-04 | 2020-03-31 | 厦门大学 | 基于深度学习的磁共振信号的去j耦合方法 |
CN111127581A (zh) * | 2019-12-31 | 2020-05-08 | 东软医疗***股份有限公司 | 图像重建方法、装置、ct设备及ct*** |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
CN111275618A (zh) * | 2020-01-12 | 2020-06-12 | 杭州电子科技大学 | 一种基于双支感知的深度图超分辨率重建网络构建方法 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111292240A (zh) * | 2020-01-23 | 2020-06-16 | 上海交通大学 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
CN111353944A (zh) * | 2018-12-20 | 2020-06-30 | 深圳市中兴微电子技术有限公司 | 一种图像重建方法、装置及计算机可读存储介质 |
WO2020135630A1 (en) * | 2018-12-26 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN111956180A (zh) * | 2019-05-20 | 2020-11-20 | 华北电力大学(保定) | 一种重建光声内窥层析图像的方法 |
CN112102388A (zh) * | 2020-09-18 | 2020-12-18 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
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***和方法 |
CN112767374A (zh) * | 2021-01-27 | 2021-05-07 | 天津理工大学 | 基于mri的阿尔茨海默症病灶区域语义分割算法 |
CN112789659A (zh) * | 2018-10-02 | 2021-05-11 | 皇家飞利浦有限公司 | 伪放射摄影图像根据光学图像的生成 |
CN112949636A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种车牌超分辨率识别方法、***及计算机可读介质 |
WO2021135474A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技(深圳)有限公司 | 多数据来源的数据融合方法、装置、电子设备及存储介质 |
CN113534031A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
CN113935928A (zh) * | 2020-07-13 | 2022-01-14 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
WO2022206021A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
CN116805284A (zh) * | 2023-08-28 | 2023-09-26 | 之江实验室 | 基于特征迁移的三维磁共振平面间超分辨重建方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
US20170200067A1 (en) * | 2016-01-08 | 2017-07-13 | Siemens Healthcare Gmbh | Deep Image-to-Image Network Learning for Medical Image Analysis |
CN106952229A (zh) * | 2017-03-15 | 2017-07-14 | 桂林电子科技大学 | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 |
-
2017
- 2017-08-14 CN CN201710689598.3A patent/CN107610194B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170200067A1 (en) * | 2016-01-08 | 2017-07-13 | Siemens Healthcare Gmbh | Deep Image-to-Image Network Learning for Medical Image Analysis |
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106683067A (zh) * | 2017-01-20 | 2017-05-17 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
CN106952229A (zh) * | 2017-03-15 | 2017-07-14 | 桂林电子科技大学 | 基于数据增强的改进型卷积网络的图像超分辨率重建方法 |
Cited By (77)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108335303A (zh) * | 2018-01-28 | 2018-07-27 | 浙江大学 | 一种应用于手掌x光片的多尺度手掌骨骼分割方法 |
CN108447062B (zh) * | 2018-02-01 | 2021-04-20 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN108447062A (zh) * | 2018-02-01 | 2018-08-24 | 浙江大学 | 一种基于多尺度混合分割模型的病理切片非常规细胞的分割方法 |
CN108416821A (zh) * | 2018-03-08 | 2018-08-17 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
CN108492271A (zh) * | 2018-03-26 | 2018-09-04 | 中国电子科技集团公司第三十八研究所 | 一种融合多尺度信息的自动图像增强***及方法 |
CN108492271B (zh) * | 2018-03-26 | 2021-08-24 | 中国电子科技集团公司第三十八研究所 | 一种融合多尺度信息的自动图像增强***及方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
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 |
CN108594146A (zh) * | 2018-04-24 | 2018-09-28 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振弥散加权成像方法 |
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 |
CN108594146B (zh) * | 2018-04-24 | 2020-07-28 | 朱高杰 | 一种基于深度学习和凸集投影的磁共振弥散加权成像方法 |
CN108828481B (zh) * | 2018-04-24 | 2021-01-22 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
CN108898222A (zh) * | 2018-06-26 | 2018-11-27 | 郑州云海信息技术有限公司 | 一种自动调节网络模型超参数的方法和装置 |
CN109035356B (zh) * | 2018-07-05 | 2020-07-10 | 四川大学 | 一种基于pet图形成像的***及方法 |
CN109035356A (zh) * | 2018-07-05 | 2018-12-18 | 四川大学 | 一种基于pet图形成像的***及方法 |
CN109345449A (zh) * | 2018-07-17 | 2019-02-15 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
US11928792B2 (en) | 2018-07-17 | 2024-03-12 | Xi'an Jiaotong University | Fusion network-based method for image super-resolution and non-uniform motion deblurring |
CN109345449B (zh) * | 2018-07-17 | 2020-11-10 | 西安交通大学 | 一种基于融合网络的图像超分辨率及去非均匀模糊方法 |
CN109087273B (zh) * | 2018-07-20 | 2021-09-14 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及*** |
CN109087273A (zh) * | 2018-07-20 | 2018-12-25 | 哈尔滨工业大学(深圳) | 基于增强的神经网络的图像复原方法、存储介质及*** |
CN109146784A (zh) * | 2018-07-27 | 2019-01-04 | 徐州工程学院 | 一种基于多尺度生成对抗网络的图像超分辨率重建方法 |
CN109146784B (zh) * | 2018-07-27 | 2020-11-20 | 徐州工程学院 | 一种基于多尺度生成对抗网络的图像超分辨率重建方法 |
CN109003229A (zh) * | 2018-08-09 | 2018-12-14 | 成都大学 | 基于三维增强深度残差网络的磁共振超分辨率重建方法 |
CN109003229B (zh) * | 2018-08-09 | 2022-12-13 | 成都大学 | 基于三维增强深度残差网络的磁共振超分辨率重建方法 |
CN109447238A (zh) * | 2018-09-21 | 2019-03-08 | 广东石油化工学院 | 多输出回归深度网络构建方法、结构、设备及存储介质 |
CN109272443A (zh) * | 2018-09-30 | 2019-01-25 | 东北大学 | 一种基于全卷积神经网络的pet与ct图像配准方法 |
CN112789659A (zh) * | 2018-10-02 | 2021-05-11 | 皇家飞利浦有限公司 | 伪放射摄影图像根据光学图像的生成 |
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 |
CN109544488A (zh) * | 2018-10-08 | 2019-03-29 | 西北大学 | 一种基于卷积神经网络的图像合成方法 |
CN109410240A (zh) * | 2018-10-09 | 2019-03-01 | 电子科技大学中山学院 | 一种量体特征点定位方法、装置及其存储介质 |
CN109685717A (zh) * | 2018-12-14 | 2019-04-26 | 厦门理工学院 | 图像超分辨率重建方法、装置及电子设备 |
CN111353944B (zh) * | 2018-12-20 | 2024-05-28 | 深圳市中兴微电子技术有限公司 | 一种图像重建方法、装置及计算机可读存储介质 |
CN111353944A (zh) * | 2018-12-20 | 2020-06-30 | 深圳市中兴微电子技术有限公司 | 一种图像重建方法、装置及计算机可读存储介质 |
US11494877B2 (en) | 2018-12-26 | 2022-11-08 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
WO2020135630A1 (en) * | 2018-12-26 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
CN109741416A (zh) * | 2019-01-04 | 2019-05-10 | 北京大学深圳医院 | 核磁共振图像重建方法、装置、计算机设备及其存储介质 |
CN110598724B (zh) * | 2019-01-17 | 2022-09-23 | 西安理工大学 | 一种基于卷积神经网络的细胞低分辨率图像融合方法 |
CN110598724A (zh) * | 2019-01-17 | 2019-12-20 | 西安理工大学 | 一种基于卷积神经网络的细胞低分辨率图像融合方法 |
CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
CN109859106A (zh) * | 2019-01-28 | 2019-06-07 | 桂林电子科技大学 | 一种基于自注意力的高阶融合网络的图像超分辨率重建方法 |
CN109903229A (zh) * | 2019-03-04 | 2019-06-18 | 科新(杭州)能源环境科技有限公司 | 一种基于卷积神经网络的μ-CT图像重构方法 |
CN110276736B (zh) * | 2019-04-01 | 2021-01-19 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
CN110276736A (zh) * | 2019-04-01 | 2019-09-24 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
CN111956180A (zh) * | 2019-05-20 | 2020-11-20 | 华北电力大学(保定) | 一种重建光声内窥层析图像的方法 |
CN111956180B (zh) * | 2019-05-20 | 2023-06-27 | 华北电力大学(保定) | 一种重建光声内窥层析图像的方法 |
CN110333076A (zh) * | 2019-06-19 | 2019-10-15 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
CN110333076B (zh) * | 2019-06-19 | 2021-01-26 | 电子科技大学 | 基于CNN-Stacking的轴承故障诊断方法 |
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***和方法 |
CN110940944B (zh) * | 2019-12-04 | 2020-11-10 | 厦门大学 | 基于深度学习的磁共振信号的去j耦合方法 |
CN110940944A (zh) * | 2019-12-04 | 2020-03-31 | 厦门大学 | 基于深度学习的磁共振信号的去j耦合方法 |
CN110929521A (zh) * | 2019-12-06 | 2020-03-27 | 北京知道智慧信息技术有限公司 | 一种模型生成方法、实体识别方法、装置及存储介质 |
CN110929521B (zh) * | 2019-12-06 | 2023-10-27 | 北京知道创宇信息技术股份有限公司 | 一种模型生成方法、实体识别方法、装置及存储介质 |
CN111160413B (zh) * | 2019-12-12 | 2023-11-17 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN111160413A (zh) * | 2019-12-12 | 2020-05-15 | 天津大学 | 一种基于多尺度特征融合的甲状腺结节分类方法 |
CN111274865B (zh) * | 2019-12-14 | 2023-09-19 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111274865A (zh) * | 2019-12-14 | 2020-06-12 | 深圳先进技术研究院 | 一种基于全卷积神经网络的遥感图像云检测方法及装置 |
CN111161182A (zh) * | 2019-12-27 | 2020-05-15 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
CN111161182B (zh) * | 2019-12-27 | 2021-03-09 | 南方医科大学 | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 |
CN111127581A (zh) * | 2019-12-31 | 2020-05-08 | 东软医疗***股份有限公司 | 图像重建方法、装置、ct设备及ct*** |
WO2021135474A1 (zh) * | 2020-01-02 | 2021-07-08 | 平安科技(深圳)有限公司 | 多数据来源的数据融合方法、装置、电子设备及存储介质 |
CN111275618B (zh) * | 2020-01-12 | 2023-09-29 | 杭州电子科技大学 | 一种基于双支感知的深度图超分辨率重建网络构建方法 |
CN111275618A (zh) * | 2020-01-12 | 2020-06-12 | 杭州电子科技大学 | 一种基于双支感知的深度图超分辨率重建网络构建方法 |
CN111292240A (zh) * | 2020-01-23 | 2020-06-16 | 上海交通大学 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
CN111292240B (zh) * | 2020-01-23 | 2022-01-07 | 上海交通大学 | 一种基于成像模型与机器学习的磁共振超分辨率成像方法 |
CN113534031A (zh) * | 2020-04-21 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 图像域数据生成方法、计算机设备和可读存储介质 |
CN111798377B (zh) * | 2020-07-08 | 2023-07-28 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN111798377A (zh) * | 2020-07-08 | 2020-10-20 | 广东工业大学 | 基于多分辨率学习策略的磁共振图像超分辨率重建方法 |
CN113935928B (zh) * | 2020-07-13 | 2023-04-11 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
CN113935928A (zh) * | 2020-07-13 | 2022-01-14 | 四川大学 | 基于Raw格式岩心图像超分辨率重建 |
CN112102388B (zh) * | 2020-09-18 | 2024-03-26 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
CN112102388A (zh) * | 2020-09-18 | 2020-12-18 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
CN112767374A (zh) * | 2021-01-27 | 2021-05-07 | 天津理工大学 | 基于mri的阿尔茨海默症病灶区域语义分割算法 |
WO2022206021A1 (zh) * | 2021-03-30 | 2022-10-06 | 中国科学院深圳先进技术研究院 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
CN112949636B (zh) * | 2021-03-31 | 2023-05-30 | 上海电机学院 | 一种车牌超分辨率识别方法、***及计算机可读介质 |
CN112949636A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种车牌超分辨率识别方法、***及计算机可读介质 |
CN116805284A (zh) * | 2023-08-28 | 2023-09-26 | 之江实验室 | 基于特征迁移的三维磁共振平面间超分辨重建方法和*** |
CN116805284B (zh) * | 2023-08-28 | 2023-12-19 | 之江实验室 | 基于特征迁移的三维磁共振平面间超分辨重建方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN107610194B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610194A (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN108460726B (zh) | 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 | |
CN107633486A (zh) | 基于三维全卷积神经网络的结构磁共振图像去噪方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN109727195B (zh) | 一种图像超分辨率重构方法 | |
CN108447020A (zh) | 一种基于极深卷积神经网络的人脸超分辨率重建方法 | |
CN110276736B (zh) | 一种基于权值预测网络的磁共振图像融合方法 | |
CN109410289A (zh) | 一种深度学习的高欠采样超极化气体肺部mri重建方法 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN108416821B (zh) | 一种深度神经网络的ct图像超分辨重建方法 | |
CN106204449A (zh) | 一种基于对称深度网络的单幅图像超分辨率重建方法 | |
CN109685819A (zh) | 一种基于特征增强的三维医学图像分割方法 | |
CN106683067A (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN111583384B (zh) | 一种基于自适应八叉树头发卷积神经网络的头发重建方法 | |
CN103279933B (zh) | 一种基于双层模型的单幅图像超分辨率重建方法 | |
CN104866900A (zh) | 一种反卷积神经网络训练方法 | |
CN110288609A (zh) | 一种注意力机制引导的多模态全心脏图像分割方法 | |
CN107341765A (zh) | 一种基于卡通纹理分解的图像超分辨率重建方法 | |
CN105139004A (zh) | 基于视频序列的人脸表情识别方法 | |
CN109035146A (zh) | 一种基于深度学习的低质量图像超分方法 | |
CN107845065A (zh) | 超分辨率图像重建方法和装置 | |
CN108259994A (zh) | 一种提高视频空间分辨率的方法 | |
CN104036482B (zh) | 一种基于字典渐近更新的人脸图像超分辨率方法 | |
CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |