CN107993207A - 基于图像子块低秩分解的asl图像去噪方法及*** - Google Patents
基于图像子块低秩分解的asl图像去噪方法及*** Download PDFInfo
- Publication number
- CN107993207A CN107993207A CN201711222509.0A CN201711222509A CN107993207A CN 107993207 A CN107993207 A CN 107993207A CN 201711222509 A CN201711222509 A CN 201711222509A CN 107993207 A CN107993207 A CN 107993207A
- Authority
- CN
- China
- Prior art keywords
- image
- low
- subblock
- asl
- rank
- 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
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008344 brain blood flow Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000010412 perfusion Effects 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012876 topography Methods 0.000 abstract description 4
- 208000014644 Brain disease Diseases 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000003727 cerebral blood flow Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000337 motor cortex Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于图像子块低秩分解的ASL图像去噪方法及***,其中包括采集多个控制图像和对应的多个标记图像,形成多个图像对;将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;基于图像子块低秩分解对所述脑血流图像序列进行去噪。本发明提供了一种基于图像子块低秩分解的ASL图像去噪方法及***,综合考虑空间的一致性,充分利用局部图像信息,获取更好的ASL的灌注磁共振成像去噪效果,优化ASL的灌注磁共振图像,可以提高基于灌注磁共振图像进行脑部疾病诊断的准确度。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及图像去噪技术领域,具体是指一种基于图像子块低秩分解的ASL图像去噪方法及***。
背景技术
基于动脉自旋标记(ASL)的灌注磁共振成像(ASL perfusion MRI,以下简称ASLMRI)是一种无创无放射性的测量全脑和局部脑血流(cerebral blood flow,简称CBF)的技术。该技术被广泛地应用于动态脑活动的研究中。然而,由于ASL数据信噪比低,利用ASLMRI测量脑活动的时候容易受到噪音的影响,从而影响测量的准确性。目前广泛采用CompCor方法(Behzadi,Y.,et al.,A component based noise correction method(CompCor)for BOLD and perfusion based fMRI.Neuroimage,2007.37(1):p.90-101)来进行ASL去噪。但是,CompCor是一种单变量的方法并没有考虑空间的一致性,从而影响去噪的效果。
发明内容
本发明提供了一种基于图像子块低秩分解的ASL图像去噪方法及***,其目的在于克服现有技术中的缺陷,充分利用局部图像信息,优化ASL的灌注磁共振成像。
为了实现上述目的,本发明具有如下构成:
该基于图像子块低秩分解的ASL图像去噪方法,包括:
采集多个控制图像和对应的多个标记图像,形成多个图像对;
将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;
基于图像子块低秩分解对所述脑血流图像序列进行去噪。
可选地,对所述脑血流图像序列进行去噪,包括如下步骤:
在所述脑血流图像序列中每个脑血流图像的相同位置选取一图像子块;
基于图像子块低秩分解对各个图像子块进行去噪;
在每个脑血流图像的下一相同位置继续选取一图像子块,对各个图像子块进行去噪,直至每个脑血流图像中所有图像子块均去噪完成为止。
可选地,所述基于图像子块低秩分解对各个图像子块进行去噪,包括如下步骤:
将各个图像子块的灰度值排列成一列向量,所有图像子块的列向量组成一初始矩阵;
利用矩阵的低秩分解模型将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵;
将所述低秩矩阵中的每一列重新排列成三维的图像块,并且将得到的图像块替换对应的脑血流图像中选取的图像子块。
可选地,根据如下公式将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵:
minL,S||L||*+λ||S||1,s.tM=L+S
其中,M为初始矩阵,L为低秩矩阵,S为稀疏矩阵,||·||*表示求矩阵的核范数,||·||1表示对矩阵元素的绝对值求和,λ为预设的低秩项和稀疏项调节参数,且λ为正数。
可选地,λ取值为其中m为初始矩阵的行数。
可选地,在每个脑血流图像的下一相同位置继续选取一图像子块时,以所述图像子块的一半作为步长顺序进行图像子块的选取,新选择的图像子块与前一图像子块部分重合。
可选地,对两个图像子块重合的部分,取其平均值,作为去噪图像相应位置的值。
可选地,每个图像子块为三维立方体结构,且每个图像子块的大小为8×8×4像素。
可选地,至少采集76个控制图像和对应的76个标记图像。
本发明实施例还提供一种基于图像子块低秩分解的ASL图像去噪***,实现所述的基于图像子块低秩分解的ASL图像去噪方法,所述***包括:
图像采集模块,用于采集多个控制图像和对应的多个标记图像,形成多个图像对;
图像序列获取模块,用于将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;
去噪模块,用于基于图像子块低秩分解对所述脑血流图像序列进行去噪。
采用了该发明中的基于图像子块低秩分解的ASL图像去噪方法及***,综合考虑空间的一致性,充分利用局部图像信息,获取更好的ASL的灌注磁共振成像去噪效果,优化ASL的灌注磁共振图像,可以提高基于灌注磁共振图像进行脑部疾病诊断的准确度。
附图说明
图1为本发明的基于图像子块低秩分解的ASL图像去噪方法的流程图;
图2为本发明的基于图像子块低秩分解的ASL图像去噪***的结构示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
如图1所示,本发明提供了一种基于图像子块低秩分解的ASL图像去噪方法,所述方法包括如下步骤:
S100:采集多个控制图像和对应的多个标记图像,形成多个图像对{Ci,Li},i=1,2,....,n,其中n表示控制图像的数量,Ci表示第i个控制图像,Li表示与Ci相对应的标记图像;
此处标记图像和控制图像分别指的是:利用射频脉冲对流向感兴趣区的动脉血的自旋方向进行反转,这一过程称为对动脉血进行标记。经过一段时间后,标记血对组织进行了灌注,此时对感兴趣区进行成像,得到的图像叫做标记图像。其次,由于标记图像的对比度取决于原来的静态组织和后来流进成像区的标记血的量,而静态组织的信号比灌注信号大得多,为了消除静态组织的信号,对感兴趣区进行另一次未经标记血灌注的成像,得到的图像叫做控制图像。
S200:将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列,记为{Ii},i=1,2,...,n,其中Ii表示第i个时间点的脑血流图像;
S300:基于图像子块低秩分解对所述脑血流图像序列{Ii},i=1,2,...,n进行去噪,在完成去噪后,利用去噪后的脑血流图像序列进行脑活动检测。
在该实施方式中,对所述脑血流图像序列进行去噪,包括如下步骤:
在所述脑血流图像序列中每个脑血流图像的相同位置选取一图像子块;
基于图像子块低秩分解对各个图像子块进行去噪;
在每个脑血流图像的下一相同位置继续选取一图像子块,对各个图像子块进行去噪,直至每个脑血流图像中所有图像子块均去噪完成为止。
在该实施方式中,所述基于图像子块低秩分解对各个图像子块进行去噪,包括如下步骤:
将各个图像子块排列成一列向量,所有图像子块的列向量组成一初始矩阵;
利用矩阵的低秩分解模型将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵;低秩分解模型的介绍可以参照论文:Candès,E.J.,et al.,Robust principal componentanalysis,Journal of the ACM(JACM),2011.58(3):p.11;
将所述低秩矩阵中的每一列重新排列成三维的图像块,并且将得到的图像块替换对应的脑血流图像中选取的图像子块。
在该实施方式中,根据如下公式将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵:
minL,S||L||*+λ||S||1,s.tM=L+S
其中,M为初始矩阵,L为低秩矩阵,S为稀疏矩阵,||·||*表示求矩阵的核范数,||·||1表示对矩阵元素的绝对值求和,λ为预设的低秩项和稀疏项调节参数,且λ为正数。
在该实施方式中,λ取值为其中m为初始矩阵的行数。
作为优选,在选取图像子块的时候,我们以图像块大小的一半作为步长,按顺序选取。这样能够保证相邻的图像子块会有重合,对于重合部分取它们的平均值,以保证脑血流图像的光滑性。即在每个脑血流图像的下一相同位置继续选取一图像子块时,以所述图像子块的一半作为步长顺序进行图像子块的选取,新选择的图像子块与前一图像子块部分重合。进一步地,在该实施方式中,对两个图像子块重合的部分,取其平均值,作为去噪图像相应位置的值。
在该实施方式中,每个图像子块为三维立方体结构,且每个图像子块的大小为8×8×4像素。
在该实施方式中,至少采集76个控制图像和对应的76个标记图像。
如图2所示,本发明实施例还提供一种基于图像子块低秩分解的ASL图像去噪***,实现所述的基于图像子块低秩分解的ASL图像去噪方法,所述***包括:
图像采集模块100,用于采集多个控制图像和对应的多个标记图像,形成多个图像对;
图像序列获取模块200,用于将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;
去噪模块300,用于基于图像子块低秩分解对所述脑血流图像序列进行去噪。
通过采用上述基于图像子块低秩分解的ASL图像去噪方法及***,与现有技术中的去噪方法相比,脑血流图像计算任务态激活区域的对比结果可以参见下表1:
表1脑血流图像计算任务态激活区域的对比
其中,CompCor表示现有技术的去噪方法,pLS-ASLd表示本发明的基于图像子块低秩分解的ASL图像去噪方法,VC表示视觉皮层,MC表示运动皮层。
与现有技术相比,采用了该发明中的基于图像子块低秩分解的ASL图像去噪方法及***,综合考虑空间的一致性,充分利用局部图像信息,获取更好的ASL的灌注磁共振成像去噪效果,优化ASL的灌注磁共振图像,可以提高基于灌注磁共振图像进行脑部疾病诊断的准确度。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (10)
1.一种基于图像子块低秩分解的ASL图像去噪方法,其特征在于,包括:
采集多个控制图像和对应的多个标记图像,形成多个图像对;
将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;
基于图像子块低秩分解对所述脑血流图像序列进行去噪。
2.根据权利要求1所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,对所述脑血流图像序列进行去噪,包括如下步骤:
在所述脑血流图像序列中每个脑血流图像的相同位置选取一图像子块;
基于图像子块低秩分解对各个图像子块进行去噪;
在每个脑血流图像的下一相同位置继续选取一图像子块,对各个图像子块进行去噪,直至每个脑血流图像中所有图像子块均去噪完成为止。
3.根据权利要求2所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,所述基于图像子块低秩分解对各个图像子块进行去噪,包括如下步骤:
将各个图像子块的灰度值排列成一列向量,所有图像子块的列向量组成一初始矩阵;
利用矩阵的低秩分解模型将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵;
将所述低秩矩阵中的每一列重新排列成三维的图像块,并且将得到的图像块替换对应的脑血流图像中选取的图像子块。
4.根据权利要求3所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,根据如下公式将所述初始矩阵分解成一低秩矩阵和一稀疏矩阵:
minL,S||L||*+λ||S||1,s.t M=L+S
其中,M为初始矩阵,L为低秩矩阵,S为稀疏矩阵,||·||*表示求矩阵的核范数,||·||1表示对矩阵元素的绝对值求和,λ为预设的低秩项和稀疏项调节参数,且λ为正数。
5.根据权利要求4所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,λ取值为其中m为初始矩阵的行数。
6.根据权利要求3所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,在每个脑血流图像的下一相同位置继续选取一图像子块时,以所述图像子块的一半作为步长顺序进行图像子块的选取,新选择的图像子块与前一图像子块部分重合。
7.根据权利要求6所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,对两个图像子块重合的部分取其平均值作为去噪图像相应位置的值。
8.根据权利要求2所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,每个图像子块为三维立方体结构,且每个图像子块的大小为8×8×4像素。
9.根据权利要求1所述的基于图像子块低秩分解的ASL图像去噪方法,其特征在于,至少采集76个控制图像和对应的76个标记图像。
10.一种基于图像子块低秩分解的ASL图像去噪***,其特征在于,实现权利要求1至9中任一项所述的基于图像子块低秩分解的ASL图像去噪方法,所述***包括:
图像采集模块,用于采集多个控制图像和对应的多个标记图像,形成多个图像对;
图像序列获取模块,用于将每一个图像对中的控制图像减去对应的标记图像,得到一脑血流图像,所述脑血流图像组成一脑血流图像序列;
去噪模块,用于基于图像子块低秩分解对所述脑血流图像序列进行去噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222509.0A CN107993207A (zh) | 2017-11-29 | 2017-11-29 | 基于图像子块低秩分解的asl图像去噪方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222509.0A CN107993207A (zh) | 2017-11-29 | 2017-11-29 | 基于图像子块低秩分解的asl图像去噪方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107993207A true CN107993207A (zh) | 2018-05-04 |
Family
ID=62034012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711222509.0A Pending CN107993207A (zh) | 2017-11-29 | 2017-11-29 | 基于图像子块低秩分解的asl图像去噪方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及*** |
CN104794679A (zh) * | 2015-05-05 | 2015-07-22 | 中国人民解放军国防科学技术大学 | 一种对噪声鲁棒的图像相似性判别方法 |
CN105718962A (zh) * | 2016-03-09 | 2016-06-29 | 绍兴文理学院 | 基于图像子块支持向量机的脑血流信号计算方法 |
CN105894519A (zh) * | 2016-04-25 | 2016-08-24 | 武汉工程大学 | 一种基于低秩恢复的鲁棒性图像分割算法 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
CN106600533A (zh) * | 2016-12-08 | 2017-04-26 | 浙江工业大学 | 单图像超分辨率重建方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
CN107240125A (zh) * | 2016-03-28 | 2017-10-10 | 上海联影医疗科技有限公司 | 一种扩散加权成像方法 |
CN107292852A (zh) * | 2017-07-19 | 2017-10-24 | 南京邮电大学 | 一种基于低秩理论的图像去噪算法 |
-
2017
- 2017-11-29 CN CN201711222509.0A patent/CN107993207A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN104159003A (zh) * | 2014-08-21 | 2014-11-19 | 武汉大学 | 一种基于3d协同滤波与低秩矩阵重建的视频去噪方法及*** |
CN104794679A (zh) * | 2015-05-05 | 2015-07-22 | 中国人民解放军国防科学技术大学 | 一种对噪声鲁棒的图像相似性判别方法 |
CN105718962A (zh) * | 2016-03-09 | 2016-06-29 | 绍兴文理学院 | 基于图像子块支持向量机的脑血流信号计算方法 |
CN107240125A (zh) * | 2016-03-28 | 2017-10-10 | 上海联影医疗科技有限公司 | 一种扩散加权成像方法 |
CN105894519A (zh) * | 2016-04-25 | 2016-08-24 | 武汉工程大学 | 一种基于低秩恢复的鲁棒性图像分割算法 |
CN106157259A (zh) * | 2016-06-24 | 2016-11-23 | 西安电子科技大学昆山创新研究院 | 基于尺度混合模型和低秩逼近的视频去噪方法 |
CN106600533A (zh) * | 2016-12-08 | 2017-04-26 | 浙江工业大学 | 单图像超分辨率重建方法 |
CN106709881A (zh) * | 2016-12-14 | 2017-05-24 | 上海增容数据科技有限公司 | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 |
CN107292852A (zh) * | 2017-07-19 | 2017-10-24 | 南京邮电大学 | 一种基于低秩理论的图像去噪算法 |
Non-Patent Citations (4)
Title |
---|
HANCAN ZHU等: ""Arterial spin labeling perfusion MRI signal denoising using robust principal component analysis", 《HTTPS://DOI.ORG/10.1016/J.JNEUMETH.2017.11.017》 * |
HUI JI等: "Robust video denoising using Low rank matrix completion", 《2010 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN》 * |
姚波旭: "基于低秩矩阵分解的非局部稀疏模型图像去噪方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
梁栋等: "基于非局部正则化稀疏表示的图像去噪算法", 《***工程与电子技术 》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615675A (zh) * | 2018-12-04 | 2019-04-12 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
CN109615675B (zh) * | 2018-12-04 | 2022-05-03 | 厦门大学 | 一种多通道磁共振成像的图像重建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bellec et al. | The neuro bureau ADHD-200 preprocessed repository | |
Cammoun et al. | Mapping the human connectome at multiple scales with diffusion spectrum MRI | |
Magnotta et al. | Structural MR image processing using the BRAINS2 toolbox | |
CN102551718B (zh) | 磁共振成像装置 | |
US8125484B2 (en) | Method, apparatus and user interface for determining an arterial input function used for calculating hemodynamic parameters | |
CN103781416B (zh) | 使用体相位对比mri的全面的心血管分析 | |
US9542763B2 (en) | Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging | |
US11823800B2 (en) | Medical image segmentation using deep learning models trained with random dropout and/or standardized inputs | |
Arafati et al. | Artificial intelligence in pediatric and adult congenital cardiac MRI: an unmet clinical need | |
Armanious et al. | Retrospective correction of rigid and non-rigid mr motion artifacts using gans | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
Allen et al. | A massive 7T fMRI dataset to bridge cognitive and computational neuroscience | |
CN103985099A (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
WO2020198582A1 (en) | Fast diffusion tensor mri using deep learning | |
CN106981051A (zh) | 用于运动解析的mri的***和方法 | |
Yan et al. | Cine MRI analysis by deep learning of optical flow: Adding the temporal dimension | |
Zeng et al. | FOD-Net: A deep learning method for fiber orientation distribution angular super resolution | |
Xu et al. | STRESS: Super-resolution for dynamic fetal MRI using self-supervised learning | |
CN116912252B (zh) | 面向模态缺失的影像数据的脑图谱个体化方法及*** | |
Neves Silva et al. | Real‐time fetal brain tracking for functional fetal MRI | |
Cui et al. | Unsupervised arterial spin labeling image superresolution via multiscale generative adversarial network | |
Malczewski | Super-Resolution with compressively sensed MR/PET signals at its input | |
CN106137198A (zh) | 一种磁共振成像方法及装置 | |
CN107993207A (zh) | 基于图像子块低秩分解的asl图像去噪方法及*** | |
Reiss et al. | Extracting information from functional connectivity maps via function-on-scalar regression |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180504 |