CN110992436B - 图像重建方法及设备、图像数据的处理方法及装置 - Google Patents
图像重建方法及设备、图像数据的处理方法及装置 Download PDFInfo
- Publication number
- CN110992436B CN110992436B CN201911077399.2A CN201911077399A CN110992436B CN 110992436 B CN110992436 B CN 110992436B CN 201911077399 A CN201911077399 A CN 201911077399A CN 110992436 B CN110992436 B CN 110992436B
- Authority
- CN
- China
- Prior art keywords
- image
- inversion recovery
- gradient echo
- liquid attenuation
- attenuation inversion
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像重建方法及设备、图像数据的处理方法及装置、电子设备、存储介质。图像重建方法包括:将梯度回波图像裁剪成多个待重建的梯度回波图像块;将所述梯度回波图像块输入预先训练的液体衰减反转恢复图像重建模型进行图像重建;将所述液体衰减反转恢复图像重建模型输出的液体衰减反转恢复图像块拼接成液体衰减反转恢复图像。从而,无需计算量化参数,将包含完备核磁量化信息的梯度回波图像输入基于深度学习建立的液体衰减反转恢复图像重建模型,即可快速生成高分辨率的液体衰减反转恢复图像,具有较好的鲁棒性和准确性。
Description
技术领域
本发明涉及医学成像技术领域,特别涉及图像重建方法及设备、图像数据的处理方法及装置、电子设备、存储介质。
背景技术
现有技术中,磁共振成像液体衰减反转恢复(FLAIR)图像可采用FLAIR序列采集到的扫描数据进行图像重建得到,然而FLAIR序列扫描时间较长,临床1.5T核磁扫描仪大约需要3.5分钟以上。可见,采用FLAIR序列实现FLAIR图像重建比较耗时。
目前,为了提高FLAIR图像重建的效率,提出了基于梯度回波(Stage,Strategically Acquired Gradient Echo)技术的FLAIR图像重建方法。采用Stage技术,需要先计算T1,PD和T2*等量化参数,进而根据量化参数生成FLAIR图像。不可避免的,PD和T2*两组参数都存在磁敏感伪影,在图像重建过程中,这两组参数的磁敏感伪影会因相乘而被强化,致使得到的FLAIR图像存在比较强的磁敏感伪影,分辨率不能满足临床应用需求。
发明内容
本发明提供一种图像重建方法及设备、图像数据的处理方法及装置、电子设备、存储介质,以快速重建出高分辨率的FLAIR图像。
具体地,本发明是通过如下技术方案实现的:
第一方面,提供一种图像重建方法,所述图像重建方法包括:
将梯度回波图像裁剪成多个待重建的梯度回波图像块;
将所述梯度回波图像块输入预先训练的液体衰减反转恢复图像重建模型进行图像重建;
将所述液体衰减反转恢复图像重建模型输出的液体衰减反转恢复图像块拼接成液体衰减反转恢复图像。
第二方面,提供一种图像数据的处理方法,所述处理方法包括:
获取多组图像数据;每组图像数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
针对每组图像数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型;所述液体衰减反转恢复图像重建模型用于图像重建。
第三方面,提供一种图像重建设备,所述图像重建设备包括:
裁剪模块,用于将梯度回波图像裁剪成多个待重建的梯度回波图像块;
输入模块,用于将所述梯度回波图像块输入预先训练的液体衰减反转恢复图像重建模型进行图像重建;
拼接模块,用于将所述液体衰减反转恢复图像重建模型输出的液体衰减反转恢复图像块拼接成液体衰减反转恢复图像。
第四方面,提供一种图像数据的处理装置,所述处理装置包括:
获取模块,用于获取多组图像数据;每组图像数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
裁剪模块,用于针对每组图像数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
模型训练模块,用于将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型;所述液体衰减反转恢复图像重建模型用于图像重建。
第五方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的图像重建方法。
第六方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的图像重建方法的步骤。
第七方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第二方面所述的图像数据的处理方法。
第八方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第二方面所述的图像数据的处理方法的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:本发明实施例无需计算量化参数,将包含完备核磁量化信息的Stage图像输入基于深度学习建立的FLAIR图像重建模型,即可快速生成高分辨率的FLAIR图像,具有较好的鲁棒性和准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本发明一示例性实施例示出的一种图像重建方法的流程图;
图2a是本发明一示例性实施例示出的不同的反转角和TE(回波时间)下的两幅Stage图像;
图2b是本发明一示例性实施例示出的使用本发明的图像重建方法获得的FLAIR图像;
图3是本发明一示例性实施例示出的一种图像数据的处理方法的流程图;
图4a是图3中步骤302对Stage图像进行裁剪的示意图;
图4b是图3中步骤302对FLAIR图像进行裁剪的示意图;
图5是本发明一示例性实施例示出的一种图像重建设备的模块示意图;
图6是本发明一示例性实施例示出的一种图像数据的处理装置的模块示意;
图7是本发明一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
图1是本发明一示例性实施例示出的一种图像重建方法的流程图,该图像重建方法包括以下步骤:
步骤101、将Stage图像裁剪成多个待重建的Stage图像块。
其中,Stage图像基于Stage技术获得,Stage技术采用多组(一般采用两组)不同反转角,多梯度回波采集的Stage数据建立Stage图像,能够将成像对象(例如,脑组织、脊髓)的核磁信号物理参数全部量化,获得完备的核磁量化信息。
步骤101中,可以但不限于采用图像裁剪函数crop将Stage图像随机裁剪成多个Stage图像块。
步骤102、将Stage图像块输入预先训练的FLAIR图像重建模型进行图像重建。
其中,FLAIR图像重建模型基于深度学习训练得到,能够快速准确地对输入的Stage图像块进行重建,输出FLAIR图像块。
步骤103、将FLAIR图像重建模型输出的FLAIR图像块拼接成FLAIR图像。
步骤103中,可以但不限于采用线性叠加算法将FLAIR图像块拼接成FLAIR图像。
参见图2a和图2b,图2a示出了不同的反转角和TE(回波时间)下的两幅Stage图像,图2b为使用本实施例的图像重建方法得到的FLAIR图像,从图2b中可以看出FLAIR图像的均匀性好,对比度高,且图像中器官边界的边缘清晰,没有引入图像过平滑问题,很好的保留了图像解剖结构的细节,能够满足临床应用需求,具有良好的实用性。
本实施例中,无需计算量化参数,将包含完备核磁量化信息的Stage图像输入基于深度学习建立的FLAIR图像重建模型,即可快速生成高分辨率的FLAIR图像,具有较好的鲁棒性和准确性。
图3是本发明一示例性实施例示出的一种图像数据的处理方法的流程图,该处理方法包括以下步骤:
步骤301、获取多组图像数据。
其中,多组图像数据可以是各个志愿者或临床患者的磁共振图像数据,该多组图像数据作为模型训练的样本,每组图像数据包括成像对象的Stage图像和FLAIR图像。Stage图像可以但不限于基于Stage扫描序列生成,FLAIR图像可以但不限于基于FLAIR序列生成。
步骤302、针对每组图像数据,基于相同的裁剪策略裁剪Stage图像和FLAIR图像,分别得到多个Stage图像块和多个FLAIR图像块。
需要说明的是,不同组的图像数据可以采用不同的裁剪策略,但是每组图像数据中的Stage图像和FLAIR图像需采用相同的裁剪策略进行图像裁剪,具体的:
在Stage图像上随机选取第一区域并裁剪得到Stage图像块,其中每次裁剪第一区域的尺寸可以相同,也可以不同;针对Stage图像的每次裁剪,在FLAIR图像对应位置处选取相同尺寸的第二区域并裁剪得到FLAIR图像块。也即若在Stage图像上随机选取一区域作为Stage图像块,需在FLAIR图像对应位置处选取相同大小的区域作为FLAIR图像块,参见图4a和图4b,若在Stage图像的A区域选择一块Stage图像块a,则在FLAIR图像对应位置处选取相同大小的A’区域作为FLAIR图像块a;同样,若在Stage图像的B区域选择一块Stage图像块b,则在FLAIR图像对应位置处选取相同大小的B’区域作为FLAIR图像块b。
与步骤101类似地,可以但不限于采用图像裁剪函数crop对Stage图像和FLAIR图像进行图像裁剪。通过crop函数,裁剪得到的图像块的数量增多,而数量越多,对模型的深度学习效果越好。
步骤303、将Stage图像块作为输入,将FLAIR图像块作为标签训练神经网络模型,得到FLAIR图像重建模型。
本实施例中,基于深度学习方法训练模型,以下对模型训练过程作进一步说明:
搭建神经网络模型,使该模型的输入端为Stage图像块,输出端为FLAIR图像。将多组Stage图像块和FLAIR图像块的组合来训练神经网络模型,其中FLAIR图像块作为训练标签,每次迭代训练过程中,计算并调节神经网络模型中每个神经元节点的参数,直至模型训练的损失函数符合预设要求,则完成模型训练,得到FLAIR图像重建模型,用于图像重建。
进一步地,可将模型使用过程中获得的Stage图像和FLAIR图像加入模型训练的样本,并定期优化FLAIR图像重建模型,以提高图像重建的准确度。其中,神经网络模型可以但不限于采用卷积神经网络(CNN),神经网络的层数和节点数可根据实际需求自行设置,例如,使用三层CNN网络,模型的第一层设置64个节点,第二层设置32个节点,最后一层设置1个节点,损失函数可以但不限于采用峰值信噪比PSNR:
其中,MAX表示模型输出的FLAIR图像块中像素的最大值,MSE表示训练标签与模型输出的FLAIR图像块之间的均方误差。
与前述图像重建方法、图像数据的处理方法实施例相对应,本发明还提供了图像重建设备、图像数据的处理装置的实施例。
图5是本发明一示例性实施例示出的一种图像重建设备的模块示意图,该图像重建设备包括以下步骤:裁剪模块51、输入模块52和拼接模块53。
裁剪模块51用于将Stage图像裁剪成多个待重建的Stage图像块。
可选地,裁剪模块51采用图像裁剪函数将Stage图像块裁剪成多个Stage图像块。
输入模块52用于将Stage图像块输入预先训练的FLAIR图像重建模型进行图像重建。
拼接模块53用于将FLAIR图像重建模型输出的FLAIR图像块拼接成FLAIR图像。
可选地,拼接模块采用线性叠加算法将FLAIR图像块拼接成FLAIR图像。
在另一个例子中,图像重建设备还包括用于实现模型建立的获取模块和模型训练模块。
获取模块用于获取多组训练数据,每组训练数据包括成像对象的Stage图像和FLAIR图像;
裁剪模块还用于针对每组训练数据,基于相同的裁剪策略裁剪Stage图像和FLAIR图像,分别得到多个Stage图像块和多个FLAIR图像块;
模型训练模块用于将Stage图像块作为输入,将FLAIR图像块作为标签训练神经网络模型,得到FLAIR图像重建模型。
图6是本发明一示例性实施例示出的一种图像数据的处理装置的模块示意,处理装置包括:获取模块61、裁剪模块62和模型训练模块63。
获取模块61用于获取多组图像数据;每组图像数据包括成像对象的Stage图像和FLAIR图像;
裁剪模块62用于针对每组图像数据,基于相同的裁剪策略裁剪Stage图像和FLAIR图像,分别得到多个Stage图像块和多个FLAIR图像块;
模型训练模块63用于将Stage图像块作为输入,将FLAIR图像块作为标签训练神经网络模型,得到FLAIR图像重建模型;FLAIR图像重建模型用于图像重建。
可选地,裁剪模块具体用于:
在Stage图像上随机选取第一区域并裁剪得到Stage图像块;
针对Stage图像的每次裁剪,在FLAIR图像相对位置处选取相同尺寸的第二区域并裁剪得到FLAIR图像块。
图7是本发明一示例性实施例示出的一种电子设备的结构示意图,图7显示的电子设备70仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备70可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备70的组件可以包括但不限于:上述至少一个处理器71、上述至少一个存储器72、连接不同***组件(包括存储器72和处理器71)的总线73。
总线73包括数据总线、地址总线和控制总线。
存储器72可以包括易失性存储器,例如随机存取存储器(RAM)721和/或高速缓存存储器722,还可以进一步包括只读存储器(ROM)723。
存储器72还可以包括具有一组(至少一个)程序模块724的程序工具725(或实用工具),这样的程序模块724包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器71通过运行存储在存储器72中的计算机程序,从而执行各种功能应用以及数据处理,例如上述任一实施例所述的图像重建方法。
电子设备70也可以与一个或多个外部设备74(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口75进行。并且,模型生成的电子设备70还可以通过网络适配器76与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器76通过总线73与模型生成的电子设备70的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的电子设备70使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例所述的图像重建方法的步骤。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施例所述的图像数据的处理方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例所述的图像数据的处理方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (14)
1.一种图像重建方法,其特征在于,所述图像重建方法包括:
将梯度回波图像裁剪成多个待重建的梯度回波图像块;
将所述梯度回波图像块输入预先训练的液体衰减反转恢复图像重建模型进行图像重建;
将所述液体衰减反转恢复图像重建模型输出的液体衰减反转恢复图像块拼接成液体衰减反转恢复图像;
获取多组训练数据,每组训练数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
针对每组训练数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型。
2.如权利要求1所述的图像重建方法,其特征在于,基于图像裁剪函数将所述梯度回波图像块裁剪成多个梯度回波图像块。
3.如权利要求1所述的图像重建方法,其特征在于,基于线性叠加算法将所述液体衰减反转恢复图像块拼接成液体衰减反转恢复图像。
4.一种图像数据的处理方法,其特征在于,所述处理方法包括:
获取多组图像数据;每组图像数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
针对每组图像数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型;所述液体衰减反转恢复图像重建模型用于图像重建。
5.如权利要求4所述的图像数据的处理方法,其特征在于,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,包括:
在梯度回波图像上随机选取第一区域并裁剪得到梯度回波图像块;
针对梯度回波图像的每次裁剪,在液体衰减反转恢复图像相对位置处选取相同尺寸的第二区域并裁剪得到液体衰减反转恢复图像块。
6.一种图像重建设备,其特征在于,所述图像重建设备包括:
裁剪模块,用于将梯度回波图像裁剪成多个待重建的梯度回波图像块;
输入模块,用于将所述梯度回波图像块输入预先训练的液体衰减反转恢复图像重建模型进行图像重建;
拼接模块,用于将所述液体衰减反转恢复图像重建模型输出的液体衰减反转恢复图像块拼接成液体衰减反转恢复图像;
获取模块,用于获取多组训练数据,每组训练数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
所述裁剪模块还用于针对每组训练数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
模型训练模块,用于将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型。
7.如权利要求6所述的图像重建设备,其特征在于,所述裁剪模块具体用于基于图像裁剪函数将所述梯度回波图像块裁剪成多个梯度回波图像块。
8.如权利要求6所述的图像重建设备,其特征在于,所述拼接模块具体用于基于线性叠加算法将所述液体衰减反转恢复图像块拼接成液体衰减反转恢复图像。
9.一种图像数据的处理装置,其特征在于,所述处理装置包括:
获取模块,用于获取多组图像数据;每组图像数据包括成像对象的梯度回波图像和液体衰减反转恢复图像;
裁剪模块,用于针对每组图像数据,基于相同的裁剪策略裁剪所述梯度回波图像和液体衰减反转恢复图像,分别得到多个梯度回波图像块和多个液体衰减反转恢复图像块;
模型训练模块,用于将所述梯度回波图像块作为输入,将所述液体衰减反转恢复图像块作为标签训练神经网络模型,得到所述液体衰减反转恢复图像重建模型;所述液体衰减反转恢复图像重建模型用于图像重建。
10.如权利要求9所述的图像数据的处理装置,其特征在于,所述裁剪模块具体用于:
在梯度回波图像上随机选取第一区域并裁剪得到梯度回波图像块;
针对梯度回波图像的每次裁剪,在液体衰减反转恢复图像相对位置处选取相同尺寸的第二区域并裁剪得到液体衰减反转恢复图像块。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3任一项所述的图像重建方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至3任一项所述的图像重建方法的步骤。
13.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求4或5所述的图像数据的处理方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求4或5所述的图像数据的处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077399.2A CN110992436B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、图像数据的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077399.2A CN110992436B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、图像数据的处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992436A CN110992436A (zh) | 2020-04-10 |
CN110992436B true CN110992436B (zh) | 2023-08-29 |
Family
ID=70083275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077399.2A Active CN110992436B (zh) | 2019-11-06 | 2019-11-06 | 图像重建方法及设备、图像数据的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992436B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109671129A (zh) * | 2018-12-14 | 2019-04-23 | 深圳先进技术研究院 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
CN111656392A (zh) * | 2018-02-15 | 2020-09-11 | 通用电气公司 | 用于合成磁共振图像的***和方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2503349A1 (en) * | 2011-03-24 | 2012-09-26 | Koninklijke Philips Electronics N.V. | MR image reconstruction using prior information-constrained regularization |
EP3084460B1 (en) * | 2013-12-19 | 2021-10-06 | Koninklijke Philips N.V. | Phase-sensitive inversion recovery mri with water/fat separation |
KR101659578B1 (ko) * | 2015-09-01 | 2016-09-23 | 삼성전자주식회사 | 자기 공명 영상 처리 방법 및 장치 |
US10598752B2 (en) * | 2016-11-09 | 2020-03-24 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging (MRI) apparatus and method of obtaining magnetic resonance image |
US10769823B2 (en) * | 2017-06-22 | 2020-09-08 | Canon Medical Systems Corporation | Image processing apparatus, magnetic resonance imaging apparatus, and storage medium |
US10573031B2 (en) * | 2017-12-06 | 2020-02-25 | Siemens Healthcare Gmbh | Magnetic resonance image reconstruction with deep reinforcement learning |
-
2019
- 2019-11-06 CN CN201911077399.2A patent/CN110992436B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111656392A (zh) * | 2018-02-15 | 2020-09-11 | 通用电气公司 | 用于合成磁共振图像的***和方法 |
CN109671129A (zh) * | 2018-12-14 | 2019-04-23 | 深圳先进技术研究院 | 一种自适应参数学习的动态磁共振图像重建方法和装置 |
Non-Patent Citations (1)
Title |
---|
麻高超.磁共振多对比度成像技术的研究.中国优秀硕士学位论文全文数据库医药卫生科技辑.2019,(第8期),E060-155. * |
Also Published As
Publication number | Publication date |
---|---|
CN110992436A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114092330B (zh) | 一种轻量化多尺度的红外图像超分辨率重建方法 | |
US10692250B2 (en) | Generalized multi-channel MRI reconstruction using deep neural networks | |
CN109285200B (zh) | 一种基于人工智能的多模态医学影像的转换方法 | |
Xu et al. | High quality remote sensing image super-resolution using deep memory connected network | |
CN111932460B (zh) | Mr图像超分辨率重建方法、装置、计算机设备及存储介质 | |
US11250543B2 (en) | Medical imaging using neural networks | |
CN101341514A (zh) | 基于点的自适应弹性图像配准 | |
Du et al. | Accelerated super-resolution MR image reconstruction via a 3D densely connected deep convolutional neural network | |
CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN116402865B (zh) | 一种利用扩散模型的多模态影像配准方法、装置和介质 | |
KR102233996B1 (ko) | 자기 공명 영상 재구성 장치 및 방법 | |
CN116823625B (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和*** | |
Lee et al. | MC2‐Net: motion correction network for multi‐contrast brain MRI | |
CN110874855A (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN110992436B (zh) | 图像重建方法及设备、图像数据的处理方法及装置 | |
Li et al. | 3D High-Quality Magnetic Resonance Image Restoration in Clinics Using Deep Learning | |
CN115761134A (zh) | 孪生模型的生成方法、***、核磁共振装置和介质 | |
Tian et al. | Retinal fundus image superresolution generated by optical coherence tomography based on a realistic mixed attention GAN | |
US20220139003A1 (en) | Methods and apparatus for mri reconstruction and data acquisition | |
CN108961161A (zh) | 一种图像数据处理方法、装置和计算机存储介质 | |
CN113689353A (zh) | 三维图像的增强方法、图像增强模型的训练方法及装置 | |
CN110545373B (zh) | 空间环境的感知方法及装置 | |
Sable et al. | A Novel Approach for Super Resolution in Medical Imaging | |
CN114529480B (zh) | 一种基于随机重配对的无监督一锅式多帧图像去噪方法 | |
CN115375626B (zh) | 基于物理分辨率的医学图像分割方法、***、介质及设备 |
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 |