CN110942496B - 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** - Google Patents
基于螺旋桨采样和神经网络的磁共振图像重建方法及*** Download PDFInfo
- Publication number
- CN110942496B CN110942496B CN201911278368.3A CN201911278368A CN110942496B CN 110942496 B CN110942496 B CN 110942496B CN 201911278368 A CN201911278368 A CN 201911278368A CN 110942496 B CN110942496 B CN 110942496B
- Authority
- CN
- China
- Prior art keywords
- module
- magnetic resonance
- neural network
- sampling
- space data
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
基于螺旋桨采样和神经网络的磁共振图像重建方法及***,涉及磁共振成像技术领域。通过螺旋桨采样的方式,对获取的公开磁共振图像数据集进行欠采样,得到N个k空间数据带;分别对N个k空间数据带重建得到N张临时图像,并进行运动估计和校正,得到校正后的N张临时图像;对神经网络模型进行训练,得到训练好的神经网络模型;将实采待重建的N张临时图像输入到训练好的神经网络模型,得到重建后的磁共振图像。可在更少的采样时间内获得更高的图像重建精度,同时通过结合传统的运动校正和神经网络模型的预测,来避免运动伪影和欠采导致的混叠伪影的干扰。具有更快的重建速度和更高的图像重建精度。
Description
技术领域
本发明涉及磁共振成像技术领域,特别是涉及一种基于螺旋桨采样和神经网络的磁共振图像重建方法及***。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)由于具有软组织分辨率高、无电离辐射以及多方位、多参数成像等优点,是临床诊断和治疗病症最有价值的成像方法之一。然而,MRI的主要缺点之一是扫描时间较长,在扫描过程中病人运动会导致图像的运动伪影,从而严重影响图像质量。因此,加速数据采集和校正运动伪影非常重要。为此经常需要对k空间进行欠采样以及采用对应的各种重建方法对欠采后的k空间数据进行重建,包括parallel MRI(pMRI)和压缩感知(CS)MRI(CS-MRI)。
James G.Pipe(Pipe J G.Motion correction with PROPELLER MRI:Application to head motion and free-breathing cardiac imaging.Magneticresonance in medicine(1999)42(5):963-969)通过提出螺旋桨采集方式抵制运动伪影。其基本思想是:通过以一定的旋转角度采集多组相位编码线,每组相位编码线作为一个k空间数据带来完成整个k空间的采样。由于每个k空间数据带采集时间较短,可近似认为受检者的运动只发生在k空间数据带采集之间。由此通过k空间数据带之间重叠采样区域的数据来估计运动,通过运动补偿后,就可以重建出受运动伪影影响较低的图像。但目前螺旋桨采样方式基本上都是采集全部k空间数据,由于重叠区域的多次重复采集,导致扫描时间过长。同时在传统的重建算法中,往往需要经过多次迭代计算,使得重建时间过长。
由于大量数据集的积累和高性能计算硬件(如图像处理器单元(GPU))的普及,深度学习已经成为了计算机视觉研究的重要工具,特别是卷积神经网络(CNN)训练卷积滤波器可以有效地从训练数据中提取特征,在分类方面取得了巨大成功,同时也应用在回归问题上,如分割、去噪等。
深度学习通过捕获图像结构特征来实现磁共振图像重建,通过学习k空间数据和与之对应的图像域的数据的映射关系,来从传感器的采样数据中恢复出完整图像。
发明内容
本发明的目的在于提供能够减少磁共振数据采样时间和重建时间,减轻采集过程中产生的运动干扰,提高重建图像质量的一种基于螺旋桨采样和神经网络的磁共振图像重建方法。
本发明的另一目的在于提供一种基于螺旋桨采样和神经网络的磁共振图像重建***。
所述基于螺旋桨采样和神经网络的磁共振图像重建方法,包括以下步骤:
1)获取公开的磁共振图像数据集,并对其进行归一化处理;
2)设计采样模板的参数,包括k空间数据带数量、k空间数据带之间的旋转角度、每个k空间数据带所包含的相位编码线的数量;
3)对步骤1)中得到的归一化处理后的的磁共振图像数据集进行运动模拟;
4)通过采样模板对来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像;
5)对N张临时图像进行运动估计与补偿;
6)将步骤3)中得到的运动模拟后的磁共振图像数据集作为神经网络的标签,将步骤5)中得到的运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型;
7)基于采样模板参数获取实采的N个k空间数据带;
8)对实采得到的N个k空间数据带进行网格化、填零和二维快速傅里叶变换,得到重建后的N张实采临时图像;
9)对步骤8)中得到的重建后的N张实采临时图像进行运动估计与补偿;
10)将步骤9)中进行运动估计与补偿后的N张实采临时图像输入到步骤8)训练好的神经网络模型得到最后的重建结果。
在步骤3)中,所述对步骤1)中得到的归一化处理后的的磁共振图像数据集进行运动模拟的具体步骤包括:通过随机函数生成一组特定范围内的旋转和平移参数,在对每一幅磁共振图像采集第一个k空间数据带后,通过旋转和平移函数对磁共振图像施加N-1组基于随机生成的旋转和平移参数组合得到的模拟运动。
在步骤4)中,所述通过采样模板对来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建的具体方法可为:首先用常规方式采集k空间中心附近的一组相位编码线,得到一个k空间数据带,然后对磁共振图像进行N-1次运动模拟,期间每模拟运动一次,相位编码线角度就围绕k空间的中心旋转角度α再采集下一个k空间数据带,最终得到N个k空间数据带,并分别对其进行网格化、充零和二维快速傅里叶变换得到N张临时图像。
在步骤5)和步骤9)中,所述对N张临时图像或N张实采临时图像进行运动估计与补偿的具体方法包括:
(1)旋转校正:在k空间域,对于得到的N个k空间数据带,基于每一个k空间数据带的重叠采样区域进行基于频域相关的运动参数估计,并进行运动校正,得到旋转校正后的N个k空间数据带,并重建得到旋转校正后的N张临时图像;
(2)平移校正:在图像域,对于经过旋转校正后得到的N张临时图像,基于每一张临时图像相较于第一张临时图像的图像域互信息量进行平移估计,直至图像域互信息量最大化,得到平移校正后的N张临时图像。
所述基于螺旋桨采样和神经网络的磁共振图像重建***,包括模拟数据获取模块、设计采样模板模块、运动模拟模块、模拟采样模块、运动估计与补偿模块、神经网络模型训练模块、实采k空间数据模块、实采k空间数据重建模块、实采k空间数据运动估计与补偿模块和神经网络模型重建图像模块;所述模拟数据获取模块、设计采样模板模块、运动模拟模块、模拟采样模块、运动估计与补偿模块、神经网络模型训练模块、实采k空间数据模块、实采k空间数据重建模块、实采k空间数据运动估计与补偿模块和神经网络模型重建图像模块依次连接;所述运动模拟模块设有运动模拟单元,所述模拟采样模块设有模拟采样单元,所述运动估计与补偿模块包括旋转校正单元和平移校正单元;
所述模拟数据获取模块用于获取公开的磁共振图像数据集,并对进行归一化处理;
所述设计采样模板模块用于设计采样模板的参数;
所述运动模拟模块用于对归一化处理后的磁共振图像数据集进行运动模拟;
所述模拟采样模块用于通过采样模板对经过归一化处理和运动模拟后的磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像;
所述运动估计与补偿模块用于对N张临时图像进行运动估计与补偿;
所述神经网络模型训练模块用于将经过归一化处理和运动模拟后的磁共振图像数据集作为神经网络的标签,将经过运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型;
所述实采k空间数据模块用于基于采样模板参数获取实采的N个k空间数据带;
所述实采k空间数据重建模块用于对实采得到的N个k空间数据带进行网格化、填零和二维快速傅里叶变换重建出N张实采临时图像;
所述实采k空间数据运动估计与补偿模块用于对N张实采临时图像进行运动估计与补偿;
所述神经网络模型重建图像模块用于将运动估计与补偿后的N张实采临时图像输入到训练好的网络模型得到最后的重建结果;
所述运动模拟单元用于对获取的归一化后的磁共振图像数据集进行运动模拟;
所述模拟采样单元用于对将经过归一化处理和运动模拟后的来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建。
与现有技术相比,本发明的有益效果是:
本发明提出了一种基于螺旋桨采样和神经网络的磁共振图像重建方法及***,主要包括以下步骤:通过螺旋桨采样的方式,对获取的公开磁共振图像数据集进行欠采样,得到N个k空间数据带;分别对N个k空间数据带重建得到N张临时图像,并进行运动估计和校正,得到校正后的N张临时图像;对神经网络模型进行训练,得到训练好的神经网络模型;将实采待重建的N张临时图像输入到训练好的神经网络模型,得到重建后的磁共振图像。本发明通过设计螺旋桨采样参数实现欠采样,减少磁共振数据采集时间,提高图像采集效率;通过训练好的神经网络模型实现图像的运动校正和重建,使得图像重建的效率更快,质量更高。本发明可在更少的采样时间内获得更高的图像重建精度,同时通过结合传统的运动校正和神经网络模型的预测,来避免运动伪影和欠采导致的混叠伪影的干扰。本发明能够在有效缩短磁共振成像采样时间的前提下,减少由于欠采出现的混叠伪影以及由于物体运动出现的运动伪影。本发明具有更快的重建速度和更高的图像重建精度。
附图说明
图1为本发明实施例中基于螺旋桨采样和神经网络的磁共振图像重建流程图;
图2为本发明实施例输入图像和重建得到的参数图;
图3为本发明实施例中基于螺旋桨采样和神经网络的磁共振图像重建的***结构图。
具体实施方式
以下实施例将结合附图对本发明进行清楚、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,都属于本发明保护的范围。
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例中基于螺旋桨采样和神经网络的磁共振图像重建流程图,如图1所示,本发明实施例提供的一种基于螺旋桨采样和神经网络的磁共振图像重建方法,包括:
步骤101:获取公开的磁共振图像数据集,并对进行归一化处理。
步骤102:设计采样模板的参数,包括k空间数据带数量,k空间数据带之间的旋转角度,每个k空间数据带所包含的相位编码线的数量。
步骤103:对步骤101中得到的归一化处理后的磁共振图像数据集进行运动模拟。
具体包括:通过随机函数生成一组特定范围内的旋转和平移参数,在对每一幅磁共振图像采集第一个k空间数据带后,通过旋转和平移函数对磁共振图像施加N-1组基于随机生成的旋转和平移参数组合得到的模拟运动。
步骤104:通过采样模板对来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像。
具体包括:首先用常规方式采集k空间中心附近的一组相位编码线,得到一个k空间数据带,然后对磁共振图像进行N-1次运动模拟,期间每模拟运动一次,相位编码线角度就围绕k空间的中心旋转角度α再采集下一个k空间数据带,最终得到N个k空间数据带,并分别对其进行网格化、充零和二维快速傅里叶变换得到N张临时图像;
步骤105:对N张临时图像进行运动估计与补偿。
具体包括:
旋转校正:在k空间域,对于得到的N个k空间数据带,基于每一个k空间数据带的重叠采样区域进行基于频域相关的运动参数估计,并进行运动校正,得到旋转校正后的N个k空间数据带,并重建得到旋转校正后的N张临时图像;
平移校正:在图像域,对于经过旋转校正后得到的N张临时图像,基于每一张临时图像相较于第一张临时图像的图像域互信息量进行平移估计,直至图像域互信息量最大化,得到平移校正后的N张临时图像。
步骤106:将步骤103中得到的运动模拟后的磁共振图像数据集作为神经网络的标签,将步骤105中得到的运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型。其中,神经网络为U型卷积神经网络。
训练过程中使用的损失函数IMSE如下:
其中,N为每次参与训练的样本个数,i表示样本序号,W和b分别是神经网络的权重和偏置,y是参数标签,x代表输入图像,f表示神经网络对输入图像的作用函数。
步骤107:基于采样模板参数获取实采的N个k空间数据带。
在7T磁共振成像仪上进行,采用螺旋桨采样序列对测试对象进行采样。参数设置如下:成像视野FOV为80mm×80mm,序列的重复时间为5000ms,每个k空间数据带之间的旋转角度设置为36°,频率编码维的采样点数为256,每个螺旋桨的相位编码维数为16,总采样时间为25s,将以上参数设置好后开始采样。采样得到的k空间数据带经过网格化填零和二维傅里叶变换后得到图2中a~e所示的图像。将这5张图像导入训练好的神经网络中,即可得到重建后的图像,如图2中f所示。作为对比,图2中的g为传统方法重建的效果,h为通过fsems序列全采测试对象被测层得到的磁共振图像,作为重建效果的参考图像。
步骤108:对实采得到的一组数据的N个k空间数据带进行网格化、填零和二维快速傅里叶变换得到重建后的N张实采临时图像。
步骤109:对重建后的N张实采临时图像进行运动估计与补偿。
步骤110:将步骤109进行运动估计与补偿后的N张实采临时图像输入到步骤108中训练好的神经网络模型得到最后的重建结果。
图3为本发明实施例中基于螺旋桨采样和神经网络的磁共振图像重建***结构图,如图3所示,本发明实施例所述一种基于螺旋桨采样和神经网络的磁共振图像重建的***,设有依次连接的模拟数据获取模块201、设计采样模板模块202、运动模拟模块203、模拟采样模块204、运动估计与补偿模块205、神经网络模型训练模块206、实采k空间数据模块207、实采k空间数据重建模块208、实采k空间数据运动估计与补偿模块209和神经网络模型重建图像模块210;所述运动模拟模块包括运动模拟单元,所述模拟采样模块包括模拟采样单元,所述运动估计与补偿模块包括旋转校正单元和平移校正单元;
模拟数据获取模块201:获取公开的磁共振图像数据集,并对进行归一化处理;
设计采样模板模块202:设计采样模板的参数,包括k空间数据带数量,k空间数据带之间的旋转角度,每个k空间数据带所包含的相位编码线的数量;
运动模拟模块203:对模拟数据获取模块201中归一化处理后的磁共振图像数据集进行运动模拟;具体包括:运动模拟单元,对获取的磁共振图像数据集进行运动模拟,通过随机函数生成一组特定范围内的旋转和平移参数,在对每一幅磁共振图像采集第一个k空间数据带后,通过旋转和平移函数对磁共振图像施加N-1组基于随机生成的旋转和平移参数组合得到的模拟运动。
模拟采样模块204:通过采样模板对磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像,具体包括:模拟采样单元,首先用常规方式采集k空间中心附近的一组相位编码线,得到一个k空间数据带,然后对磁共振图像进行N-1次运动模拟,期间每模拟运动一次,相位编码线角度就围绕k空间的中心旋转角度α再采集下一个k空间数据带,最终得到N个k空间数据带,并分别对其进行网格化、充零和二维快速傅里叶变换得到N张临时图像。
运动估计与补偿模块205:对N张临时图像进行运动估计与补偿;具体包括:
旋转校正单元:
在k空间域,对于得到的N个k空间数据带,基于每一个k空间数据带的重叠采样区域进行基于频域相关的运动参数估计,并进行运动校正,得到旋转校正后的N个k空间数据带,并重建得到旋转校正后的N张临时图像;
平移校正单元:
在图像域,对于经过旋转校正后得到的N张临时图像,基于每一张临时图像相较于第一张临时图像的图像域互信息量进行平移估计,直至图像域互信息量最大化,得到平移校正后的N张临时图像。
神经网络模型训练模块206:将运动模拟模块203中得到的运动模拟后的磁共振图像数据集作为神经网络的标签,将运动估计与补偿模块205中运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型;
实采k空间数据模块207:基于采样模板参数获取实采的N个k空间数据带;
实采k空间数据重建模块208:对实采得到的N个k空间数据带进行网格化、填零和二维快速傅里叶变换重建出N张实采临时图像;
实采k空间数据运动估计与补偿模块209:对N张实采临时图像进行运动估计与补偿;
神经网络模型重建图像模块210:将实采k空间数据运动估计与补偿模块209中进行运动估计与补偿后的N张临时图像输入到神经网络模型训练模块206中训练好的网络模型得到最后的重建结果。
本发明提出的基于螺旋桨采样和神经网络的磁共振图像重建及***,基于神经网络做U型卷积神经网络模型构建,避免了对原始图像进行逐点非线性拟合,更好的重建细节和全局。对于采样点数为256×256的图像,该方法可将重建时间由5~8min缩短到2s以内(受硬件条件影响),同时重建时间几乎不受采样点数影响,例如对采样点数为320×320的图像,该方法亦可将重建时间由15~20min缩短到2s以内,重建效率显著提高。
此外,基于螺旋桨参数设计实现欠采样率为31.25%,替代传统的平行采样或螺旋桨全采样方式,提高图像采集效率;同时神经网络模型通过利用重叠部分的信息实现物体的运动估计和校正,减少由于物体运动出现的运动伪影质量和由于欠采出现的混叠伪影,得到更加优质的重建图像。
本发明中应用了具体实例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (2)
1.基于螺旋桨采样和神经网络的磁共振图像重建方法,其特征在于包括以下步骤:
1)获取公开的磁共振图像数据集,并对其进行归一化处理;
2)设计采样模板的参数,包括k空间数据带数量、k空间数据带之间的旋转角度、每个k空间数据带所包含的相位编码线的数量;
3)对步骤1)中得到的归一化处理后的磁共振图像数据集进行运动模拟,具体方法为:
通过随机函数生成一组特定范围内的旋转和平移参数,在对每一幅磁共振图像采集第一个k空间数据带后,通过旋转和平移函数对磁共振图像施加N-1组基于随机生成的旋转和平移参数组合得到的模拟运动;
4)通过采样模板对来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像,具体方法为:
首先用常规方式采集k空间中心附近的一组相位编码线,得到一个k空间数据带,然后对磁共振图像进行N-1次运动模拟,期间每模拟运动一次,相位编码线角度就围绕k空间的中心旋转角度α再采集下一个k空间数据带,最终得到N个k空间数据带,并分别对其进行网格化、充零和二维快速傅里叶变换得到N张临时图像;
5)对N张临时图像进行运动估计与补偿;
6)将步骤3)中得到的运动模拟后的磁共振图像数据集作为神经网络的标签,将步骤5)中得到的运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型;
7)基于采样模板参数获取实采的N个k空间数据带;
8)对实采得到的N个k空间数据带进行网格化、填零和二维快速傅里叶变换,得到重建后的N张实采临时图像;
9)对步骤8)中得到的重建后的N张实采临时图像进行运动估计与补偿;
10)将步骤9)中进行运动估计与补偿后的N张实采临时图像输入到步骤6)训练好的神经网络模型得到最后的重建结果;
在步骤5)或步骤9)中,所述对N张临时图像或N张实采临时图像进行运动估计与补偿的具体方法包括:
(1)旋转校正:在k空间域,对于得到的N个k空间数据带,基于每一个k空间数据带的重叠采样区域进行基于频域相关的运动参数估计,并进行运动校正,得到旋转校正后的N 个k空间数据带,并重建得到旋转校正后的N张临时图像或N张实采临时图像;
(2)平移校正:在图像域,对于经过旋转校正后得到的N张临时图像或N张实采临时图像,基于每一张临时图像相较于第一张临时图像的图像域互信息量进行平移估计,直至图像域互信息量最大化,得到平移校正后的N张临时图像或N张实采临时图像。
2.基于螺旋桨采样和神经网络的磁共振图像重建***,其特征在于包括模拟数据获取模块、设计采样模板模块、运动模拟模块、模拟采样模块、运动估计与补偿模块、神经网络模型训练模块、实采k空间数据模块、实采k空间数据重建模块、实采k空间数据运动估计与补偿模块和神经网络模型重建图像模块;所述模拟数据获取模块、设计采样模板模块、运动模拟模块、模拟采样模块、运动估计与补偿模块、神经网络模型训练模块、实采k空间数据模块、实采k空间数据重建模块、实采k空间数据运动估计与补偿模块和神经网络模型重建图像模块依次连接;所述运动模拟模块设有运动模拟单元,所述模拟采样模块设有模拟采样单元,所述运动估计与补偿模块包括旋转校正单元和平移校正单元;
所述模拟数据获取模块用于获取公开的磁共振图像数据集,并进行归一化处理;
所述设计采样模板模块用于设计采样模板参数;
所述运动模拟模块用于对归一化处理后的磁共振图像数据集进行运动模拟;
所述模拟采样模块用于通过采样模板对经过归一化处理和运动模拟后的磁共振图像数据集的每一张磁共振图像进行模拟采样和重建,得到N张临时图像;
所述运动估计与补偿模块用于对N张临时图像进行运动估计与补偿;
所述神经网络模型训练模块用于将经过归一化处理和运动模拟后的磁共振图像数据集作为神经网络的标签,将经过运动估计与补偿后的N张临时图像作为神经网络的输入,设置好训练参数并进行训练,得到训练好的神经网络模型;
所述实采k空间数据模块用于基于采样模板参数获取实采的N个k空间数据带;
所述实采k空间数据重建模块用于对实采得到的N个k空间数据带进行网格化、填零和二维快速傅里叶变换重建,得到N张实采临时图像;
所述实采k空间数据运动估计与补偿模块用于对N张实采临时图像进行运动估计与补偿;
所述神经网络模型重建图像模块用于将运动估计与补偿后的N张实采临时图像输入到训练好的神经网络模型得到最后的重建结果;
所述运动模拟单元用于对获取的归一化后的磁共振图像数据集进行运动模拟;
所述模拟采样单元用于对将经过归一化处理和运动模拟后的来自磁共振图像数据集的每一张磁共振图像进行模拟采样和重建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278368.3A CN110942496B (zh) | 2019-12-13 | 2019-12-13 | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911278368.3A CN110942496B (zh) | 2019-12-13 | 2019-12-13 | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942496A CN110942496A (zh) | 2020-03-31 |
CN110942496B true CN110942496B (zh) | 2022-02-11 |
Family
ID=69910801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911278368.3A Active CN110942496B (zh) | 2019-12-13 | 2019-12-13 | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942496B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462168B (zh) * | 2020-04-22 | 2023-09-19 | 上海联影医疗科技股份有限公司 | 运动参数估计方法和运动伪影校正方法 |
EP3913387A1 (en) * | 2020-05-19 | 2021-11-24 | Koninklijke Philips N.V. | Motion estimation and correction in magnetic resonance imaging |
CN114021485B (zh) * | 2021-12-01 | 2024-06-14 | 厦门大学 | 基于Bloch仿真合成训练样本的螺旋桨欠采重建*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3185029A1 (en) * | 2015-12-22 | 2017-06-28 | Koninklijke Philips N.V. | Mr imaging using propeller acquisition with t2 decay correction |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
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 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和*** |
CN109741409A (zh) * | 2018-11-30 | 2019-05-10 | 厦门大学 | 回波平面成像涡流伪影的无参考扫描校正方法 |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101995561B (zh) * | 2010-10-22 | 2012-11-07 | 南方医科大学 | 基于图像域叠加的propeller磁共振数据重建方法 |
CN109993809B (zh) * | 2019-03-18 | 2023-04-07 | 杭州电子科技大学 | 基于残差U-net卷积神经网络的快速磁共振成像方法 |
-
2019
- 2019-12-13 CN CN201911278368.3A patent/CN110942496B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3185029A1 (en) * | 2015-12-22 | 2017-06-28 | Koninklijke Philips N.V. | Mr imaging using propeller acquisition with t2 decay correction |
CN108010100A (zh) * | 2017-12-07 | 2018-05-08 | 厦门大学 | 一种基于残差网络的单扫描磁共振定量t2成像重建方法 |
CN109741409A (zh) * | 2018-11-30 | 2019-05-10 | 厦门大学 | 回波平面成像涡流伪影的无参考扫描校正方法 |
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 |
CN109658471A (zh) * | 2018-12-20 | 2019-04-19 | 上海联影医疗科技有限公司 | 一种医学图像重建方法和*** |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Motion correction with PROPELLER MRI: Application to head motion and free-breathing cardiac imaging;James G.Pipe et al.;《Magnetic Resonance in Medicine》;19990731;第42卷(第5期);第963-969页 * |
一种基于时空变换和压缩感知的磁共振螺旋采样的图像重建算法;庄孝星 等;《波谱学杂志》;20161231;第33卷(第4期);第549-558页 * |
基于PROPELLER采样和神经网络的磁共振图像重建;罗莹 等;《2018第二十届全国波谱学学术年会》;20181012;第340-341页 * |
基于遗传算法去除磁共振图像的运动伪影;王睿 等;《信息技术》;20190930(第9期);第29-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110942496A (zh) | 2020-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110461228B (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
Johnson et al. | Conditional generative adversarial network for 3D rigid‐body motion correction in MRI | |
CN109325985B (zh) | 磁共振图像重建方法、装置和计算机可读存储介质 | |
CN109350061B (zh) | 基于深度卷积神经网络的磁共振成像方法 | |
Wang et al. | Deep learning for fast MR imaging: A review for learning reconstruction from incomplete k-space data | |
Bilgic et al. | Highly accelerated multishot echo planar imaging through synergistic machine learning and joint reconstruction | |
CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** | |
CN104933683B (zh) | 一种用于磁共振快速成像的非凸低秩重建方法 | |
CN108010094B (zh) | 一种磁共振图像重建方法和装置 | |
CN110070612B (zh) | 一种基于生成对抗网络的ct图像层间插值方法 | |
CN109712077B (zh) | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 | |
CN112037304B (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
CN114299185A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 | |
Lv et al. | Parallel imaging with a combination of sensitivity encoding and generative adversarial networks | |
Ke et al. | CRDN: cascaded residual dense networks for dynamic MR imaging with edge-enhanced loss constraint | |
CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
CN113050009B (zh) | 三维磁共振快速参数成像方法和装置 | |
JP2023069890A (ja) | 磁気共鳴イメージング装置、画像処理装置、及び、画像処理方法 | |
CN103236049B (zh) | 基于序列相似性插值的部分k空间图像重构方法 | |
Xie et al. | Transferring deep gaussian denoiser for compressed sensing MRI reconstruction | |
Ali et al. | Improved MRI Reconstruction via Deep Learning-Driven Compressed Sensing and k-Space Theorem | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 |
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 |