CN110148195B - 一种磁共振图像生成方法、***、终端及存储介质 - Google Patents
一种磁共振图像生成方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN110148195B CN110148195B CN201910427650.7A CN201910427650A CN110148195B CN 110148195 B CN110148195 B CN 110148195B CN 201910427650 A CN201910427650 A CN 201910427650A CN 110148195 B CN110148195 B CN 110148195B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- data
- neural network
- convolutional neural
- network model
- 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
Links
Images
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种磁共振图像生成方法、***、终端及存储介质,包括:构建磁共振影像数据集;构建卷积神经网络模型;利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果。本发明通过一种深度学习卷积神经网络模型U‑Net,实现从单一序列扫描的磁共振指纹(MRF)生成多对比度的磁共振图像,即扫描一次生成多种对比度的图像。这样不仅可很大程度降低扫描时间,而且还能降低磁共振成像的成本,使这一项技术的临床应用更加广泛。
Description
技术领域
本发明属于磁共振技术领域,具体涉及一种磁共振图像生成方法、***、终端及存储介质。
背景技术
MRI(磁共振成像)是一种无创成像技术,可以在不使用有害的电离辐射(相比于X射线CT)的情况下生成三维详细的解剖图像,通常用于疾病检测、诊断和病情监测。它利用射频电磁波(RF,radio frequency)对置于静磁场中的含有自旋不为零的原子核物质进行激发,发生核磁共振(NMR,Nuclear Magnetic Resonance),并用感应线圈采集磁共振信号,按一定后处理方法进行处理并最终成像。
MRI特别适合于对非骨骼部位即身体的软组织进行成像。与计算机断层扫描(CT)不同,MRI不使用X射线等破坏性电离辐射。MRI的成像结果可以更清楚地看到大脑、脊髓及神经、肌肉韧带和肌腱、血管甚至局部代谢情况。MRI的一个广泛用途是脑部成像。因MRI可以区分白质和灰质,故其可以用于诊断脑动脉瘤和脑部肿瘤,同时,利用一些神经成像的方法,例如扩散加权成像,灌注成像。此外,MRI不使用有害的电离辐射,所以当诊断或治疗需要频繁成像时,它是理想的成像模式。
虽然MRI具有诸多优良特性,然而磁共振图像的采集时间过长很大程度的限制了其临床应用(急诊扫描等)。磁共振的加速成像也成为了临床上的重要挑战的一个方向。目前的应用而言,临床磁共振一般会扫描T1加权成像,T2加权成像,FLAIR成像,Diffusion扩散成像等多个序列,每一个对比度成像时间从几十秒到数分钟不等,故总成像时间可达半小时。患者常需忍受在封闭空间内、高噪声中扫描最长半小时,且在腹部成像有时需要憋气以达到更好的成像效果。
发明内容
针对现有技术的上述不足,本发明提供一种磁共振图像生成方法、***、终端及存储介质,以解决上述技术问题。
第一方面,本发明提供一种磁共振图像生成方法,包括:
构建磁共振影像数据集;
构建卷积神经网络模型;
利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果。
进一步的,所述构建磁共振影像数据集,包括:
向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
将数据库划分为训练集、验证集和测试集。
进一步的,所述利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛,包括:
将数据集中的所有数据投入模型训练100个循环;
在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内:
是,则判定所述模型此时处在欠拟合状态;
否,则判定所述模型此时处在过拟合状态。
进一步的,所述将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果,包括:
根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
第二方面,本发明提供一种磁共振图像生成***,包括:
数据构建单元,配置用于构建磁共振影像数据集;
模型构建单元,配置用于构建卷积神经网络模型;
模型训练单元,配置用于利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
图像生成单元,配置用于将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果。
进一步的,所述数据构建单元包括:
数据存储模块,配置用于向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
参数选择模块,配置用于选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
处理设置模块,配置用于设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
数据划分模块,配置用于将数据库划分为训练集、验证集和测试集。
进一步的,所述模型训练单元包括:
循环设置模块,配置用于将数据集中的所有数据投入模型训练100个循环;
参数采集模块,配置用于在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
差值判断模块,配置用于判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内;
第一判定模块,配置用于判定所述模型此时处在欠拟合状态;
第二判定模块,配置用于判定所述模型此时处在过拟合状态。
进一步的,所述图像生成单元包括:
指纹生成模块,配置用于根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
图像生成模块,配置用于将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
第三方面,提供一种终端,包括:
处理器、存储器,其中,
该存储器用于存储计算机程序,
该处理器用于从存储器中调用并运行该计算机程序,使得终端执行上述的终端的方法。
第四方面,提供了一种计算机存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
本发明的有益效果在于,
本发明提供的磁共振图像生成方法、***、终端及存储介质,通过一种深度学习卷积神经网络模型U-Net,实现从单一序列扫描的磁共振指纹(MRF)生成多对比度的磁共振图像,即扫描一次生成多种对比度的图像。这样不仅可很大程度降低扫描时间,而且还能降低磁共振成像的成本,使这一项技术的临床应用更加广泛。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的方法的模型示意图。
图3是本发明一个实施例的方法的模型训练流程图。
图4是本发明一个实施例的方法的图像生成流程图。
图5是本发明一个实施例的***的示意性框图。
图6为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
下面对本发明中出现的关键术语进行解释。
图1是本发明一个实施例的方法的示意性流程图。其中,图1执行主体可以为一种磁共振图像生成***。
如图1所示,该方法100包括:
步骤110,构建磁共振影像数据集;
步骤120,构建卷积神经网络模型;
步骤130,利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
步骤140,将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果。
可选地,作为本发明一个实施例,所述构建磁共振影像数据集,包括:
向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
将数据库划分为训练集、验证集和测试集。
可选地,作为本发明一个实施例,所述利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛,包括:
将数据集中的所有数据投入模型训练100个循环;
在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内:
是,则判定所述模型此时处在欠拟合状态;
否,则判定所述模型此时处在过拟合状态。
可选地,作为本发明一个实施例,所述将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果,包括:
根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
为了便于对本发明的理解,下面以本发明磁共振图像生成方法的原理,结合实施例中生成磁共振图像的过程,对本发明提供的磁共振图像生成方法做进一步的描述。
具体的,所述磁共振图像生成方法包括:
(1)数据采集与预处理
首先需要构建MRI影像数据集。包括多对比度同一个病人的磁共振数据,具体包括:同一组病人的MRF指纹成像数据,对应的T1加权三维成像数据(MPRAGE),对应T2加权三维成像数据,对应FLAIR数据,以及有可能的话可以考虑Diffusion扩散成像数据。MRF磁共振参数的选择为恒定的TR,TE(20ms,2.3ms),变化的激发角度,对应的T2加权成像为快速自旋回波序列。由于不同层之间的图像存在一定的移动(采集者轻微移动),不同层之间的数据会事先进行配准。所得到的磁共振图像数据均为复数,在归一化的角度,磁共振指纹成像MRF数据需先进行归一化,确保神经网络不会因为数据的绝对大小变化而不准确。与此同时,相应的T1加权,T2加权的图像需要根据大脑白质的图像强度进行归一化。在建立了磁共振图像的影像学数据库之后,将同一组(同一病人)的图像进行整理,分出训练集,验证集和测试集数据。对应MRF图像为网络输入,不同加权成像的磁共振图像为网络输出。
(2)U-Net的架构设计
具体的网络结构如图2中所示。U-Net网络是一个可以实现图像输入图像输出的卷积神经网络,由于其主要由卷积层构建,其所需要的训练数据量并不需要很大即可得到很好地训练效果,非常适合生物医学图像的训练。它由一个编码器和一个解码器构成,分别包含若干卷积层,这些卷积层将提取数据中的特征。输入层和输出层之间有数据的连接,确保数据的自持续性。
(3)U-Net的训练
训练过程请参考图3,使用Adam优化算法更新网络中的参数,对数据集中的所有数据投入网络训练100个循环,直至代价函数收敛。为了防止过拟合现象的发生,在每个训练循环结束时,监测U-Net模型在测试集上的代价函数值,并通过判断模型在训练集和测试集上代价函数均值的差值是否在合理范围内,并以此判断模型此时处在欠拟合状态或过拟合状态。
(4)图像生成。
如图4中所示,根据磁共振成像仪器对病人的扫描数据,首先生成磁共振指纹(MRF),将MRF分别投入上一阶段训练好的多个U-Net模型中,以此直接生成多对比度的磁共振成像结果。因为此过程中磁共振成像仪器仅仅对患者扫描一次,因此磁共振成像时间被大幅度缩减。
如图5示,该***500包括:
数据构建单元510,用于构建磁共振影像数据集;
模型构建单元520,用于构建卷积神经网络模型;
模型训练单元530,用于利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
图像生成单元540,用于将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果。
可选地,作为本发明一个实施例,所述数据构建单元包括:
数据存储模块,配置用于向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
参数选择模块,配置用于选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
处理设置模块,配置用于设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
数据划分模块,配置用于将数据库划分为训练集、验证集和测试集。
可选地,作为本发明一个实施例,所述模型训练单元包括:
循环设置模块,配置用于将数据集中的所有数据投入模型训练100个循环;
参数采集模块,配置用于在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
差值判断模块,配置用于判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内;
第一判定模块,配置用于判定所述模型此时处在欠拟合状态;
第二判定模块,配置用于判定所述模型此时处在过拟合状态。
可选地,作为本发明一个实施例,所述图像生成单元包括:
指纹生成模块,配置用于根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
图像生成模块,配置用于将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
图6为本发明实施例提供的一种终端***600的结构示意图,该终端***600可以用于执行本发明实施例提供的磁共振图像生成方法。
其中,该终端***600可以包括:处理器610、存储器620及通信单元630。这些组件通过一条或多条总线进行通信,本领域技术人员可以理解,图中示出的服务器的结构并不构成对本发明的限定,它既可以是总线形结构,也可以是星型结构,还可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
其中,该存储器620可以用于存储处理器610的执行指令,存储器620可以由任何类型的易失性或非易失性存储终端或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。当存储器620中的执行指令由处理器610执行时,使得终端600能够执行以下上述方法实施例中的部分或全部步骤。
处理器610为存储终端的控制中心,利用各种接口和线路连接整个电子终端的各个部分,通过运行或执行存储在存储器620内的软件程序和/或模块,以及调用存储在存储器内的数据,以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit,简称IC)组成,例如可以由单颗封装的IC所组成,也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说,处理器610可以仅包括中央处理器(Central Processing Unit,简称CPU)。在本发明实施方式中,CPU可以是单运算核心,也可以包括多运算核心。
通信单元630,用于建立通信信道,从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,包括若干指令用以使得一台计算机终端(可以是个人计算机,服务器,或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于终端实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种磁共振图像生成方法,其特征在于,包括:
构建磁共振影像数据集;
构建卷积神经网络模型;
利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果;
所述构建磁共振影像数据集,包括:
向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
将数据库划分为训练集、验证集和测试集;
所述将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果,包括:
根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
2.根据权利要求1所述的磁共振图像生成方法,其特征在于,所述利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛,包括:
将数据集中的所有数据投入模型训练100个循环;
在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内:
是,则判定所述模型此时处在欠拟合状态;
否,则判定所述模型此时处在过拟合状态。
3.一种磁共振图像生成***,其特征在于,包括:
数据构建单元,配置用于构建磁共振影像数据集;
模型构建单元,配置用于构建卷积神经网络模型;
模型训练单元,配置用于利用磁共振影像数据集对所述卷积神经网络模型进行训练,直至神经网络的代价函数收敛;
图像生成单元,配置用于将一组磁共振成像仪器的扫描数据输入训练好的卷积神经网络模型,生成多对比度的磁共振成像结果;
所述数据构建单元包括:
数据存储模块,配置用于向数据库中存储同组MRF指纹成像数据、相应T1加权三维成像数据、相应T2加权三维成像数据、相应FLAIR数据和Diffusion扩散成像数据;
参数选择模块,配置用于选择MRF磁共振参数为恒定的TR、TE和变化的激发角度,对应的T2加权成像为快速自旋回波序列;
处理设置模块,配置用于设定优先对磁共振指纹成像MRF数据进行归一化,并根据大脑白质的图像强度对T1加权三维成像数据和T2加权三维成像数据进行归一化处理;
数据划分模块,配置用于将数据库划分为训练集、验证集和测试集;
所述图像生成单元包括:
指纹生成模块,配置用于根据磁共振成像仪器的扫描数据生成磁共振指纹MRF;
图像生成模块,配置用于将磁共振指纹MRF输入训练好的卷积神经网络模型生成多对比度的磁共振成像结果。
4.根据权利要求3所述的磁共振图像生成***,其特征在于,所述模型训练单元包括:
循环设置模块,配置用于将数据集中的所有数据投入模型训练100个循环;
参数采集模块,配置用于在每个训练循环结束时,采集卷积神经网络模型在测试集上的代价函数值;
差值判断模块,配置用于判断卷积神经网络模型在训练集和测试集上代价函数均值的差值是否在合理范围内;
第一判定模块,配置用于判定所述模型此时处在欠拟合状态;
第二判定模块,配置用于判定所述模型此时处在过拟合状态。
5.一种终端,其特征在于,包括:
处理器;
用于存储处理器的执行指令的存储器;
其中,所述处理器被配置为执行权利要求1-2任一项所述的方法。
6.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-2中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427650.7A CN110148195B (zh) | 2019-05-22 | 2019-05-22 | 一种磁共振图像生成方法、***、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427650.7A CN110148195B (zh) | 2019-05-22 | 2019-05-22 | 一种磁共振图像生成方法、***、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110148195A CN110148195A (zh) | 2019-08-20 |
CN110148195B true CN110148195B (zh) | 2023-05-05 |
Family
ID=67592577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427650.7A Active CN110148195B (zh) | 2019-05-22 | 2019-05-22 | 一种磁共振图像生成方法、***、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148195B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111028306B (zh) * | 2019-11-06 | 2023-07-14 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
US11348291B2 (en) * | 2019-11-29 | 2022-05-31 | Shanghai United Imaging Intelligence Co., Ltd. | System and method for reconstructing magnetic resonance images |
CN111583356B (zh) * | 2020-05-13 | 2021-05-25 | 首都医科大学附属北京友谊医院 | 一种基于卷积神经网络的磁共振图像合成方法和装置 |
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、***、终端及存储介质 |
CN116012385B (zh) * | 2023-03-28 | 2023-06-09 | 同心智医科技(北京)有限公司 | Mr灌注图像的脑缺血分割方法、装置及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194354A (zh) * | 2017-05-23 | 2017-09-22 | 杭州师范大学 | 一种用于磁共振指纹成像的快速字典搜索方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9788753B2 (en) * | 2009-02-26 | 2017-10-17 | Ramot At Tel-Aviv University Ltd. | Method and system for characterizing cortical structures |
US9977107B2 (en) * | 2013-04-03 | 2018-05-22 | Siemens Healthcare Gmbh | Atlas-free brain tissue segmentation method using a single T1-weighted MRI acquisition |
US20160291105A1 (en) * | 2015-02-24 | 2016-10-06 | New York University | Multi-parametric pet-mr imaging and multi-modality joint image reconstruction |
KR101733800B1 (ko) * | 2015-09-18 | 2017-05-10 | 삼성전자주식회사 | 자기 공명 영상 장치가 혈관을 스캔하는 방법 및 그 자기 공명 영상 장치 |
US10823798B2 (en) * | 2015-10-27 | 2020-11-03 | Koninklijke Philips N.V. | Virtual CT images from magnetic resonance images |
CN107767378B (zh) * | 2017-11-13 | 2020-08-04 | 浙江中医药大学 | 基于深度神经网络的gbm多模态磁共振图像分割方法 |
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 |
CN108376558B (zh) * | 2018-01-24 | 2021-08-20 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN108542390A (zh) * | 2018-03-07 | 2018-09-18 | 清华大学 | 基于多对比度磁共振影像的血管斑块成分识别方法 |
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 |
CN109087318A (zh) * | 2018-07-26 | 2018-12-25 | 东北大学 | 一种基于优化U-net网络模型的MRI脑肿瘤图像分割方法 |
CN109035263B (zh) * | 2018-08-14 | 2021-10-15 | 电子科技大学 | 基于卷积神经网络的脑肿瘤图像自动分割方法 |
CN109215041B (zh) * | 2018-08-17 | 2022-06-17 | 上海交通大学医学院附属第九人民医院 | 一种全自动骨盆肿瘤分割方法及***、存储介质及终端 |
-
2019
- 2019-05-22 CN CN201910427650.7A patent/CN110148195B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194354A (zh) * | 2017-05-23 | 2017-09-22 | 杭州师范大学 | 一种用于磁共振指纹成像的快速字典搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110148195A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148195B (zh) | 一种磁共振图像生成方法、***、终端及存储介质 | |
Pezzotti et al. | An adaptive intelligence algorithm for undersampled knee MRI reconstruction | |
Liu et al. | SANTIS: sampling‐augmented neural network with incoherent structure for MR image reconstruction | |
Vidić et al. | Support vector machine for breast cancer classification using diffusion‐weighted MRI histogram features: Preliminary study | |
Bologna et al. | Virtual phantom analyses for preprocessing evaluation and detection of a robust feature set for MRI‐radiomics of the brain | |
CN103908256B (zh) | 用于支持多参数图像的获取的设备和方法 | |
WO2020186208A1 (en) | Systems and methods of computed tomography image reconstruction | |
US20210123999A1 (en) | Systems and methods of reconstructing magnetic resonance images using deep learning | |
CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
CN107468250B (zh) | 基于多尺度熵的生物组织太赫兹成像方法、***和设备 | |
CN113359077A (zh) | 一种磁共振成像方法及相关设备 | |
US20230096252A1 (en) | Systems and methods for image processing | |
CN113012246A (zh) | 产生合成图像数据和提供经训练的函数的方法及处理*** | |
US11280868B2 (en) | Image enhancement with variable number of excitation (NEX) acquisitions accelerated using compressed sensing | |
Dietz et al. | Real‐time dynamic MR image reconstruction using compressed sensing and principal component analysis (CS‐PCA): demonstration in lung tumor tracking | |
Mohebbian et al. | Classifying MRI motion severity using a stacked ensemble approach | |
Wong et al. | Longitudinal acquisition repeatability of MRI radiomics features: an ACR MRI phantom study on two MRI scanners using a 3D T1W TSE sequence | |
Valverde et al. | Assessing the accuracy and reproducibility of PARIETAL: a deep learning brain extraction algorithm | |
Geng et al. | Automated MR image prescription of the liver using deep learning: Development, evaluation, and prospective implementation | |
Waddington et al. | Real‐time radial reconstruction with domain transform manifold learning for MRI‐guided radiotherapy | |
CN116778021B (zh) | 医学图像生成方法、装置、电子设备和存储介质 | |
CN114487964A (zh) | 基于深度学习的磁共振成像(mri)检查加速 | |
Lei et al. | Generative adversarial network for image synthesis | |
WO2024059534A1 (en) | Fast motion-resolved mri reconstruction using space-time-coil convolutional networks without k- space data consistency (movienet) |
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 |