CN109544652B - 基于深度生成对抗神经网络的核磁共振多加权成像方法 - Google Patents

基于深度生成对抗神经网络的核磁共振多加权成像方法 Download PDF

Info

Publication number
CN109544652B
CN109544652B CN201811211828.6A CN201811211828A CN109544652B CN 109544652 B CN109544652 B CN 109544652B CN 201811211828 A CN201811211828 A CN 201811211828A CN 109544652 B CN109544652 B CN 109544652B
Authority
CN
China
Prior art keywords
network
magnetic resonance
nuclear magnetic
weighted
training
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.)
Active
Application number
CN201811211828.6A
Other languages
English (en)
Other versions
CN109544652A (zh
Inventor
宋雪桦
陈眺
王昌达
陆宝红
汪盼
邓壮来
解晖
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.)
Shanghai Weihao Medical Technology Co ltd
Original Assignee
Shanghai Weihao Medical Technology Co ltd
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 Shanghai Weihao Medical Technology Co ltd filed Critical Shanghai Weihao Medical Technology Co ltd
Priority to CN201811211828.6A priority Critical patent/CN109544652B/zh
Publication of CN109544652A publication Critical patent/CN109544652A/zh
Application granted granted Critical
Publication of CN109544652B publication Critical patent/CN109544652B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及一种基于深度生成对抗神经网络的核磁共振多加权成像方法，包括深度生成对抗神经网络的构造、训练数据集和评估数据集的构造、网络权重的训练和应用于多种加权核磁共振成像四大步骤；采用四万多对和一万多对来自同时期同部位采集到的T2加权和PD加权的核磁共振图像分别作为训练数据集和评估数据集，训练深度生成对抗神经网络的模型权重，生成网络将T2加权图像作为的输入并将生成图像的数据分布最大化地映射到采集得到的PD加权图像数据分布上；本发明可以在极短的时间下将核磁共振成像设备采集得到的T2加权核磁共振图像转换为高质量的PD加权核磁共振图像，从而在一次成像过程中提供出两种加权的核磁共振图像。

Description

基于深度生成对抗神经网络的核磁共振多加权成像方法
技术领域
本发明属于医学核磁共振成像领域，具体涉及一种基于深度生成对抗神经网络的核磁共振多加权成像方法。
背景技术
在现有传统的单一加权核磁共振成像技术中，核磁共振成像设备接收的不同组织部位的信号值如下公式：
M＝M0(1-e-TR/T1)e-TE/T2
其中M0为磁化矢量，TR为两个连续脉冲间的间隔时间，TE为90°脉冲与自旋回波之间的时间，T1为纵向磁化恢复至原磁矢量的63％所需时间，T2为横向磁化减小到原磁矢量的37％所需时间。传统的单一加权核磁共振成像方法通过不同的TR和TE来组成不同的脉冲序列，从而获得不同加权的核磁共振图像。
在T2加权脉冲序列中，长TR下的扫描周期内，纵向磁化矢量已经按T1时间常数充分弛豫，长TE进一步排除信号中的T1效应。在PD加权脉冲序列中，长TR可使组织的纵向磁化矢量在下一个激励到来之前充分弛豫，消减T1对信号的影响，短TE主要消减T2对MRI的影响，使得图像的对比度仅与质子密度有关。通过序列参数的选择，使图像的某种对比度得以突出，同时使其他对比度的影响大大降低。
传统的单一加权核磁共振成像往往采用不同的脉冲序列来获得不同加权的核磁共振图像，主要是通过改变射频脉冲、梯度、信号采集时刻的设置参数来组合成不同的脉冲序列，以提高扫描速度，消除残留，改变图像对比，减小图像模糊和伪影等功能，如自旋回波序列、梯度回波序列、平面回波序列等。
尽管单一加权的核磁共振图像已经能够判断出大多数的病情，但是对于较为复杂和严重的病情仍然需要不同加权的核磁共振图像来进一步观察。单一加权成像的方法不仅限制了病情的参考标准，也增加了患者二次采集不同加权核磁共振图像的不舒适度和医疗开销。
由于核磁共振成像设备接收到的信号总是受质子密度的影响，因此无论何种加权核磁共振图像均会包含PD对比信息，则可以将T2加权核磁共振图像中包含的PD加权成分映射到PD加权核磁共振图像上，这就为T2加权核磁共振图像转换为PD加权提供理论条件。
发明内容
针对传统的单一加权核磁共振成像技术的缺陷和不足，本发明提供一种基于深度生成对抗神经网络的核磁共振多加权成像方法，以实现在一次成像过程中提供出两种加权的核磁共振图像。
为了实现上述目的，本发明具体技术方案如下：一种基于深度生成对抗神经网络的核磁共振多加权成像方法，包括如下步骤：
1)构造深度生成对抗神经网络；
2)构造训练数据集和评估数据集；训练数据集由N1对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成，评估数据集由N2对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成,其中，N1表示训练数据集的数量，N2表示评估数据集的数量；
3)训练深度生成对抗神经网络的权重；
4)将T2加权核磁共振图像作为输入，通过训练好的深度生成对抗神经网络输出PD加权核磁共振图像。
进一步地，上述步骤1)中，构造深度生成对抗神经网络,包括如下步骤：
1.1)构造生成网络，所述生成网络包括批归一化层、卷积层、反卷积层和全连接层，其中，卷积层的批归一化输出和对应反卷积层的批归一化输出通过全连接层进行跳接相加作为下一个反卷积层的输入；
1.2)构造判别网络，判别网络用于输出图像被判为PD加权核磁共振图像的概率，判别网络包括批归一化层和卷积层；
1.3)确定生成网络的损失函数；
1.4)确定判别网络的损失函数。
进一步地，上述步骤3)中，训练深度生成对抗神经网络的权重并获得最优权重wx包括如下步骤：
3.1)初始化生成网络和判别网络的权重，初始化变量BEST_NMSE＝∞，其中，BEST_NMSE表示生成网络的最小归一化均方误差；
3.2)初始化变量K＝10，其中，K表示距离训练结束的回合数；
3.3)初始化变量i＝0，其中，i表示每个回合中已经进行过的训练次数；
3.4)从训练数据集中随机抽取N3对训练数据构成网络训练批处理集Ψ；其中，N3表示网络训练批处理集Ψ的数量；
3.5)以Ψ作为判别网络的训练集，通过反向传播算法、自适应矩估计算法对判别网络的损失进行优化和网络权重更新；
3.6)使用网络训练批处理集Ψ作为生成网络的训练集，通过反向传播算法、自适应矩估计算法和L2正则化对生成网络的损失进行优化和网络权重更新；
3.7)i＝i+1；
3.8)判断i是否小于N1/N3，如小于转步骤3.4)，否则转步骤3.9)；
3.9)使用评估数据集进行评估；
3.10)深度生成对抗神经网络训练完成并获得最优权重w*。
进一步地，上述步骤1.3)中，生成网络的损失函数RG(w)为：
其中，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，Ψ表示训练数据集中的一个批处理集，|′I′|表示批处理集中元素的个数，Lnmse为归一化均方误差，Lfft为频率损失，Lls为最小二乘损失，Ll2为L2正则化。
进一步地，上述Lnmse归一化均方误差的计算方法如下：
其中，表示网络输出图像。
进一步地，上述Lfft频率损失计算方法如下：
其中，yt和是xt和/>对应的k空间数据。
进一步地，上述Lls最小二乘损失计算方法如下：
其中，G(xu)表示生成网络的输出，D(G(xN))表示判别网络的输出。
进一步地，上述Ll2正则化计算方法如下：
其中，w为生成网络的权重，λ是正则项系数。
进一步地，上述步骤1.4)中，判别网络的损失函数为：
其中，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，表示网络输出图像/>表示判别网络的输出。
进一步地，上述步骤3.9)中使用评估数据集进行评估，具体包括如下步骤：
3.9.1)从评估数据集随机选择N3对评估数据作为生成网络的评估集，并计算T2加权图像的生成图像和评估集中PD加权图像的归一化均方误差，记为NMSE；
3.9.2)判断NMSE是否小于BEST_NMSE，如小于转步骤3.9.3)，否则转步骤3.9.4)；
3.9.3)BEST_NMSE＝NMSE，保存此次训练模型并设置为最优模型，转步骤3.2)；
3.9.4)K＝K-1；转步骤3.9.5)；
3.9.5)判断K是否等于0，如等于则停止训练，转步骤3.10)，否则转步骤3.3)。
与现有技术相比，本发明一种基于深度生成对抗神经网络的核磁共振多加权成像方法，在极短的时间下可将核磁共振成像设备采集得到的T2加权核磁共振图像转换为高质量的PD加权核磁共振图像，从而在一次成像过程中提供出两种加权的核磁共振图像，这不仅为病情提供了更多的参考标准，也减少了患者二次采集不同加权核磁共振图像的不舒适度和医疗开销。
附图说明
图1是本发明的核磁共振多加权成像方法流程图。
图2是深度生成对抗神经网络概要图。
图3是深度生成对抗神经网络的生成网络结构图。
图4是核磁共振图像转换实例图。
具体实施方式
下面结合附图对本发明作进一步描述，一种基于深度生成对抗神经网络的核磁共振多加权成像方法如图1所示，包括如下步骤：
1)构造深度生成对抗神经网络,包括如下步骤：
1.1)构造生成网络，即生成网络包括批归一化层、卷积层、反卷积层和全连接层，其中，卷积层的批归一化输出和对应反卷积层的批归一化输出通过全连接层进行跳接相加作为下一个反卷积层的输入，如图3所示；
1.2)构造判别网络，判别网络用于输出图像被判为PD加权核磁共振图像的概率，判别网络包括批归一化层和卷积层；
1.3)确定生成网络的损失函数，生成网络的损失函数RG(w)为：
xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，Lnmse为归一化均方误差，Lfft为频率损失，Lls为最小二乘损失，Ll2为L2正则化；其中，Lnmse归一化均方误差的计算方法如下：
表示网络输出图像；
Lfft频率损失计算方法如下：
yt和是xt和/>对应的k空间数据；
Lls最小二乘损失计算方法如下：
G(xu)表示生成网络的输出，D(G(xu))表示判别网络的输出；
Ll2L2正则化计算方法如下：
w为生成网络的权重，λ是正则项系数。
1.4)确定判别网络的损失函数，判别网络的损失函数计算方法如下：
其中，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，表示网络输出图像/>表示判别网络的输出；
2)构造训练数据集和评估数据集，将N1对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成训练数据集，将N2对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像作为评估数据集，其中，N1表示训练数据集的数量，N2表示评估数据集的数量，在具体实施例中，N1＝47252，N2＝17848，每个图像的像素值限定在-1和1之间；
3)训练深度生成对抗神经网络的权重
3.1)初始化生成网络和判别网络的权重，初始化变量BEST_NMSE＝∞，其中，BEST_NMSE表示生成网络的最小归一化均方误差；
3.2)初始化变量K＝10，其中，K表示距离训练结束的回合数；
3.3)初始化变量i＝0，其中，i表示每个回合中已经进行过的训练次数；
3.4)从训练数据集中随机抽取N3对训练数据构成网络训练批处理集Ψ；其中，N3表示网络训练批处理集Ψ的数量，在具体实施例中，N3＝50；
3.5)以Ψ作为判别网络的训练集，通过反向传播算法、自适应矩估计算法对判别网络的损失进行优化和网络权重更新；
3.6)使用网络训练批处理集Ψ作为生成网络的训练集，通过反向传播算法、自适应矩估计算法和L2正则化对生成网络的损失进行优化和网络权重更新；
3.7)i＝i+1；
3.8)判断i是否小于N1/N3，如小于转步骤3.4)，否则转步骤3.9)；
3.9)使用评估数据集进行评估；具体包括如下步骤：
3.9.1)从评估数据集随机选择N3对评估数据作为生成网络的评估集，并计算T2加权图像的生成图像和评估集中PD加权图像的归一化均方误差，记为NMSE；
3.9.2)判断NMSE是否小于BEST_NMSE,如小于转步骤3.9.3)，否则转步骤3.9.4)；
3.9.3)BEST_NMSE＝NMSE,保存此次训练模型并设置为最优模型，转步骤3.2)，
3.9.4)K＝K-1；转步骤3.9.5)；
3.9.5)判断K是否等于0，如等于则停止训练，转步骤3.10)，否则转步骤3.3)；
3.10)深度生成对抗神经网络训练完成并获得最优权重w*；
4)将T2加权核磁共振图像作为输入，通过训练好的深度生成对抗神经网络输出PD加权核磁共振图像，使得在一次成像过程中快速地获得T2加权核磁共振图像和PD加权核磁共振图像，从而实现核磁共振多种加权成像。

Claims (9)

1.一种基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，包括如下步骤：
1)构造深度生成对抗神经网络；
2)构造训练数据集和评估数据集；训练数据集由N1对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成，评估数据集由N2对脑部水平切面的T2加权核磁共振图像和PD加权核磁共振图像构成,其中，N1表示训练数据集的数量，N2表示评估数据集的数量；
3)训练深度生成对抗神经网络的权重；
所述步骤3)中，训练深度生成对抗神经网络的权重并获得最优权重w*包括如下步骤：
3.1)初始化生成网络和判别网络的权重，初始化生成网络的最小归一化均方误差变量BEST_NMSE＝∞；
3.2)初始化变量K＝10，其中，K表示距离训练结束的回合数；
3.3)初始化变量i＝0，其中，i表示每个回合中已经进行过的训练次数；
3.4)从训练数据集中随机抽取N3对训练数据构成网络训练批处理集Ψ；其中，N3表示网络训练批处理集Ψ的数量；
3.5)以Ψ作为判别网络的训练集，通过反向传播算法、自适应矩估计算法对判别网络的损失进行优化和网络权重更新；
3.6)使用网络训练批处理集Ψ作为生成网络的训练集，通过反向传播算法、自适应矩估计算法和L2正则化对生成网络的损失进行优化和网络权重更新；
3.7)i＝i+1；
3.8)判断i是否小于N1/N3，如小于转步骤3.4)，否则转步骤3.9)；
3.9)使用评估数据集进行评估；
3.10)深度生成对抗神经网络训练完成并获得最优权重w*；
4)将T2加权核磁共振图像作为输入，通过训练好的深度生成对抗神经网络输出PD加权核磁共振图像。
2.如权利要求1所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1)中，构造深度生成对抗神经网络,包括如下步骤：
1.1)构造生成网络，所述生成网络包括批归一化层、卷积层、反卷积层和全连接层，其中，卷积层的批归一化输出和对应反卷积层的批归一化输出通过全连接层进行跳接相加作为下一个反卷积层的输入；
1.2)构造判别网络，判别网络用于输出图像被判为PD加权核磁共振图像的概率，判别网络包括批归一化层和卷积层；
1.3)确定生成网络的损失函数；
1.4)确定判别网络的损失函数。
3.如权利要求2所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1.3)中，生成网络的损失函数RG(w)为：
其中，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，Lnmse为归一化均方误差，Lfft为频率损失，Lls为最小二乘损失，Ll2为L2正则化。
4.如权利要求2所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤1.4)中，判别网络的损失函数为：
其中，Ψ表示训练数据集中的一个批处理集，|Ψ|表示批处理集中元素的个数，xu和xt表示核磁共振设备采集得到的同时期同部位T2加权核磁共振图像和PD加权核磁共振图像，表示网络输出图像，/>表示判别网络的输出。
5.如权利要求1所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述步骤3.9)中使用评估数据集进行评估，具体包括如下步骤：
3.9.1)从评估数据集随机选择N3对评估数据作为生成网络的评估集，并计算T2加权图像的生成图像和评估集中PD加权图像的归一化均方误差，记为NMSE；
3.9.2)判断NMSE是否小于BEST_NMSE，如小于转步骤3.9.3)，否则转步骤3.9.4)；
3.9.3)BEST_NMSE＝NMSE，保存此次训练模型并设置为最优模型，转步骤3.2)；
3.9.4)K＝K-1；转步骤3.9.5)；
3.9.5)判断K是否等于0，如等于则停止训练，转步骤3.10)，否则转步骤3.3)。
6.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lnmse归一化均方误差的计算方法如下：
其中，表示网络输出图像。
7.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lfft频率损失计算方法如下：
其中，yt和是xt和/>对应的k空间数据。
8.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Lls最小二乘损失计算方法如下：
其中，G(xu)表示生成网络的输出，D(G(xu))表示判别网络的输出。
9.如权利要求3所述的基于深度生成对抗神经网络的核磁共振多加权成像方法，其特征在于，所述Ll2正则化计算方法如下：
其中，w为生成网络的权重，λ是正则项系数。
CN201811211828.6A 2018-10-18 2018-10-18 基于深度生成对抗神经网络的核磁共振多加权成像方法 Active CN109544652B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811211828.6A CN109544652B (zh) 2018-10-18 2018-10-18 基于深度生成对抗神经网络的核磁共振多加权成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811211828.6A CN109544652B (zh) 2018-10-18 2018-10-18 基于深度生成对抗神经网络的核磁共振多加权成像方法

Publications (2)

Publication Number Publication Date
CN109544652A CN109544652A (zh) 2019-03-29
CN109544652B true CN109544652B (zh) 2024-01-05

Family

ID=65844229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811211828.6A Active CN109544652B (zh) 2018-10-18 2018-10-18 基于深度生成对抗神经网络的核磁共振多加权成像方法

Country Status (1)

Country Link
CN (1) CN109544652B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110895320B (zh) * 2019-10-31 2021-12-24 清华大学 基于深度学***面回波成像方法及装置
CN111358430B (zh) * 2020-02-24 2021-03-09 深圳先进技术研究院 一种磁共振成像模型的训练方法及装置
CN113476029B (zh) * 2021-06-25 2024-02-02 陕西尚品信息科技有限公司 一种基于压缩感知的核磁共振成像方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127702B (zh) * 2016-06-17 2018-08-14 兰州理工大学 一种基于深度学习的图像去雾方法
CN107945204B (zh) * 2017-10-27 2021-06-25 西安电子科技大学 一种基于生成对抗网络的像素级人像抠图方法
CN107968962B (zh) * 2017-12-12 2019-08-09 华中科技大学 一种基于深度学习的两帧不相邻图像的视频生成方法
CN108090871B (zh) * 2017-12-15 2020-05-08 厦门大学 一种基于卷积神经网络的多对比度磁共振图像重建方法
CN108492258B (zh) * 2018-01-17 2021-12-07 天津大学 一种基于生成对抗网络的雷达图像去噪方法

Also Published As

Publication number Publication date
CN109544652A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
Seeger et al. Optimization of k‐space trajectories for compressed sensing by Bayesian experimental design
US10698063B2 (en) Motion artifact reduction of magnetic resonance images with an adversarial trained network
CN109544652B (zh) 基于深度生成对抗神经网络的核磁共振多加权成像方法
Ravishankar et al. Adaptive sampling design for compressed sensing MRI
CN101915901A (zh) 磁共振成像方法及装置
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
CN109658468B (zh) 磁共振参数成像方法、装置、设备及存储介质
US8649585B2 (en) Method and system for retrospective image combination under minimal total deformation constrain for free-breathing cardiac magnetic resonance imaging with motion correction
CN110895320B (zh) 基于深度学***面回波成像方法及装置
CN104200441B (zh) 基于高阶奇异值分解的磁共振图像去噪方法
Liu et al. A deep framework assembling principled modules for CS-MRI: unrolling perspective, convergence behaviors, and practical modeling
CN109247939B (zh) 一种自适应高欠采样超极化气体肺部动态mri重建方法
CN111353935A (zh) 基于深度学习的磁共振成像优化方法及其设备
JP7346270B2 (ja) 医用情報処理装置、医用情報処理方法、およびプログラム
CN114140341A (zh) 一种基于深度学习的磁共振图像非均匀场校正方法
CN112785540B (zh) 一种扩散加权图像的生成***及方法
CN112184845B (zh) 弥散加权图像重建模型的生成方法及装置
CN117333750A (zh) 空间配准与局部全局多尺度的多模态医学图像融合方法
EP4177625A1 (en) Magnetic resonance imaging apparatus, image processing apparatus, and image processing method
CN112598578B (zh) 一种核磁共振图像超分辨率重建***及方法
CN111080730B (zh) 基于跨通道和空间加权卷积特征的脑图像解码方法及***
CN113487507A (zh) 一种基于多模块特征聚合的双域递归网络mr重建方法
Wang et al. MR brain image enhancement via learning ensemble
CN115494439B (zh) 一种基于深度学习的时空编码图像校正方法
Liu et al. Converged Deep Framework Assembling Principled Modules for CS-MRI

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231026

Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Applicant after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd.

Address before: 212013 No. 301, Xuefu Road, Zhenjiang, Jiangsu

Applicant before: JIANGSU University

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231205

Address after: Room 143, Building 3, No. 415 Shunfu Road, Guangming A3 Industrial Park, Fengxian District, Shanghai, 200000

Applicant after: SHANGHAI WEIHAO MEDICAL TECHNOLOGY Co.,Ltd.

Address before: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000

Applicant before: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd.

GR01 Patent grant
GR01 Patent grant