CN111161370A - 一种基于ai的人体多核dwi联合重建方法 - Google Patents
一种基于ai的人体多核dwi联合重建方法 Download PDFInfo
- Publication number
- CN111161370A CN111161370A CN201911400857.1A CN201911400857A CN111161370A CN 111161370 A CN111161370 A CN 111161370A CN 201911400857 A CN201911400857 A CN 201911400857A CN 111161370 A CN111161370 A CN 111161370A
- Authority
- CN
- China
- Prior art keywords
- dwi
- image
- core
- model
- human body
- 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.)
- Granted
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于AI的人体多核DWI联合重建方法,建立人体多核DWI图像训练集;建立人体多核DWI联合重建模型;定义人体多核DWI联合重建模型的损失函数;采用梯度下降算法训练人体多核DWI联合重建模型;给训练后的人体多核DWI联合重建模型输入新的欠采样DWI图像,经过模型正向传播,即可得到包含不同b值的最终重建图像。本发明在高加速倍数下能够得到高质量的重建图像,且重建速度快。
Description
技术领域
本发明涉及多核磁共振成像(magnetic resonance imaging,MRI)、人工智能(artificial intelligence,AI)、深度学习、欠采样重建等技术领域,具体涉及一种基于AI的人体多核DWI联合重建方法,适用于加快人体多核(如129Xe、3He等)DWI的成像速度,或在同等时间内获得更多的数据。
背景技术
多核MRI可以提供丰富的生理和病理信息,例如超极化气体(129Xe、3He)肺部MRI可以提供高分辨率的肺部结构和功能影像。特别地,超极化气体肺部DWI可以灵敏地评估肺部疾病有关的结构和功能改变。结合气体弥散理论模型,多b值DWI可以非侵入、定量地获得肺泡水平的肺部形态学参数,如肺泡气道内径(acinar lumen radius,r)、气道外径(acinarduct radius,R)、肺泡深度(alveolar sleevedepth,h)、平均线性截距(meanlinearintercept,Lm)、肺泡表面体积比(surface-to-volume ratio,SVR)。然而多b值DWI需要较长的获取时间。例如,获取一组低分辨率的DWI数据(4层、5个b值、分辨率64×64)需要接近18s的屏气时间,获取一组3D全肺DWI数据(10-15mm层厚)则需要超过1min的时间。尽管有研究使用多次呼吸的方法获取多b值DWI数据,但是多次呼吸会导致肺部体积的差异、更长的获取时间和更高的气体成本。因此需要加快DWI成像速度,发展单次屏气多b值DWI成像方法。
基于压缩感知的MRI(compressed sensing-MRI,CS-MRI)通过对k空间欠采样加快成像速度,不需要额外的硬件和序列。Chan等人将CS-MRI应用于3D多b值DWI,实现了单次屏气内全肺形态学参数测量[Chanet al.MagnReson Med,2017,77:1916-1925.]。Abascal等人在空间和扩散方向上欠采样DWI数据并结合信号衰减的先验知识重建,获得7到10倍的加速倍数,显著地缩短了多b值DWI的成像时间[Abascalet al.IEEE Trans Med Imaging,2018,37:547-556.],Westcott等人进一步将该方法应用于高分辨超极化3He多b值DWI[Westcottet al.J MagnReson Imaging,2019,49:1713-1722]。但是,CS-MRI技术也存在一些限制。CS-MRI的非线性重建算法涉及迭代计算,需要较长的重建时间,例如在Westcott等人的研究中,重建一层DWI图像需要2~3min,难以满足临床实时重建的要求。而且CS-MRI的超参数选择比较困难,不合适的超参数会造成重建结果过平滑或残留欠采样伪影。
最近,AI被应用于MRI欠采样重建领域。基于AI的MRI重建使用深度卷积神经网络(convolutional neural network,CNN)提取抽象的特征表示,通过大量训练数据学习欠采样图像和全采样图像之间的非线性映射关系。相比于CS-MRI,基于AI的MRI重建在重建速度、图像质量、加速倍数等方面具有更加显著优势。然而,由于超极化DWI图像具有信噪比低,训练集不足等特点,目前还没有研究将AI应用于超极化DWI重建领域。
相比于其他MRI成像模态(T1、T2等),DWI图像是由不同b值图像组成的多通道数据,不仅具有空间上的稀疏性,还具有扩散梯度方向上的低秩性。Wang等人提出了一种联合去噪CNN模型,通过级联不同b值图像的高水平特征提高DWI图像的去噪效果[Wanget al.JMagnReson Imaging,2019,50:1937-1947]。Xiang等人提出一种多模态融合方法,利用T1加权图像的互补信息重建欠采样T2加权图像[Xianget al.IEEE Trans Biomed Eng,2018,66:2105-2114]。相似的,如果充分利用超极化多b值DWI空间和扩散方向上的数据冗余性,DWI图像的重建质量会得到进一步提高。
基于以上分析,本发明提出一种基于AI的人体多核DWI联合重建方法。该方法利用CNN模型学习欠采样图像和全采样图像之间的非线性映射关系,同时通过联合重建挖掘DWI空间和扩散梯度方向上的数据冗余性,提高重建效果。相比于CS-MRI,本方法在高加速倍数下(≥4倍),具有更好的图像重建效果和更快的图像重建速度。
发明内容
本发明的目的是在于针对现有技术的缺陷和不足,提供一种基于AI的人体多核DWI联合重建方法。
为了实现上述的目的,本发明采用如下技术方案:
一种基于AI的人体多核DWI联合重建方法,包括以下步骤:
步骤1,建立人体多核DWI图像训练集,人体多核DWI图像训练集包括欠采样DWI图像y和全采样DWI图像x。
步骤1.1、从磁共振成像仪上获取全采样的扩散敏感因子b值为0的DWI图像xb。
步骤1.2、生成全采样DWI图像x。利用扩散敏感因子b值为0的DWI图像xb、DWI信号扩散模型,获得各个b值的DWI图像xb。各个b值的DWI图像xb组合为全采样DWI图像x。
DWI信号扩散模型为:
其中,b为扩散敏感因子,DL、DT分别为纵向扩散系数和横向扩散系数,Φ为误差函数,x0扩散敏感因子b值为0的DWI图像。
步骤1.3、建立人体多核DWI图像训练集。生成欠采样矩阵U,对全采样DWI图像x利用欠采样矩阵U进行回顾性欠采样,获得欠采样DWI图像y。欠采样DWI图像y和全采样DWI图像x组成人体多核DWI图像训练集。
步骤2,建立人体多核DWI联合重建模型。人体多核DWI联合重建模型表示为G(·,θ),·表示模型输入,θ为模型参数,人体多核DWI联合重建模型的输出为最终重建图像人体多核DWI联合重建模型为CNN模型。
如上所述的人体多核DWI联合重建模型包括残差密集模块(residual denseblock,RDB)和数据一致性(data consistency,DC)层两部分,残差密集模块包含三个部分,分别为特征提取层、密集模块、包含残差连接的重建层,
特征提取层从模型输入中提取特征生成第一特征图并将第一特征图输入到密集模块。密集模块对第一特征图做进一步特征提取获得第二特征图,并将第二特征图输入到包含残差连接的重建层。包含残差连接的重建层将第二特征图合成为残差图像,然后使用残差连接对残差图像进行处理获得初步重建图像xc。将初步重建图像xc输入数据一致性层获得最终重建图像
其中,kc=Fxc,k0=Fy,F为傅立叶变换,j为k空间坐标,kDC(j)为j处的数据一致性的k空间数据kDC的值,Ω表示欠采样DWI图像y中采样的k空间坐标集合。
步骤3,定义人体多核DWI联合重建模型G(·,θ)的损失函数L(θ)。
L(θ)=E[||x-G(y,θ)||l2]+ηE[||Ψ(x)-Ψ(G(y,θ))||l2]
其中,表示期望操作,y为欠采样DWI图像,G(y,θ)为最终重建图像||·||l2表示L2范数,Ψ表示表观扩散系数(apparent diffusioncoefficient,ADC)的估计函数,η为表观扩散系数损失的权重系数。
上述公式的第一部分为全采样图像和重建图像之间的像素水平损失,第二部分为全采样图像和重建图像估计的表观扩散系数损失。从DWI图像中提取的表观扩散系数具有重要的生理学意义,因此在损失函数中加入表观扩散系数损失,提高重建图像表观扩散系数估计的准确性。
本发明与现有技术相比,具有以下优点:
本方法在高加速倍数情况(≥4倍)下,能够去除欠采样伪影并恢复DWI图像细节信息,提高人体多核DWI的成像速度;重建速度快,仅需要CNN模型正向传播,重建时间达到ms量级;不需要调整参数,在实际应用中更加便捷;联合重建挖掘不同b值图像的结构相似性,提高重建效果;在CNN模型中加入数据一致性层,保证最终重建图像和欠采样数据的一致性;在损失函数中加入表观扩散系数损失,提高表观扩散系数估计的准确性。
附图说明
图1为本发明的流程图;
图2A为一组全采样超极化129Xe肺部DWI图像,包含5个b值的全采样DWI图像;
图2B为四倍欠采样下的欠采样DWI图像;
图2C为四倍欠采样下传统CS-MRI方法的最终重建图像;
图2D为四倍欠采样下采用本发明方法实施例1得到的最终重建图像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
一种基于AI的人体多核DWI联合重建方法,包括以下步骤:
步骤1,构建人体多核DWI图像训练集。本实施例中人体多核DWI为超极化129Xe肺部DWI,人体多核DWI图像训练集为超极化129Xe肺部DWI图像训练集。
步骤1.1、从磁共振成像仪上获取全采样的超极化129Xe肺部通气像。收集105名志愿者的全采样的超极化129Xe肺部通气像。全采样的超极化129Xe肺部通气像采用3D bSSFP序列采集,采样矩阵大小为96×84,层厚8mm,层数24。挑选其中信噪比大于6.6的图像,共得到1404幅全采样的超极化129Xe肺部通气像。对全采样的超极化129Xe肺部通气像进行预处理,图像大小变换为64×64。图像大小变换后的全采样的超极化129Xe肺部通气像作为扩散敏感因子b值为0的DWI图像xb。
步骤1.2、生成全采样DWI图像x。利用扩散敏感因子b值为0的DWI图像xb和DWI信号扩散模型,生成扩散敏感因子b值不为0的DWI图像xb。在超极化129Xe肺部DWI中,DWI信号扩散模型为圆柱模型(Sukstanskii AL et al.Magnetic Resonance in Medicine,2012,67:856-866),如公式(1)所示,
其中,x0扩散敏感因子b值为0的DWI图像,b为扩散敏感因子,在本实施例中b值包括b=0、10、20、30、40s/cm2。DL、DT分别为纵向扩散系数和横向扩散系数,Φ为误差函数。D0=0.14cm2/s,为129Xe在气体混合物中的扩散系数。Δ是扩散时间,在本实施例中Δ=5ms。R和r为随机参数,FL和FT均为经验表达式,FL和FT的经验表达式已经被Sukstanskii导出(Sukstanskiiet al.Magnetic Resonance in Medicine,2012,67:856-866)。随机生成在真实肺部对应的R值范围内的R值,以及真实肺部对应的r值范围内的r值:真实肺部对应的R值范围为(360±60)μm,真实肺部对应的r值范围为(160±30)μm。利用根据公式(1),生成b=10、20、30、40s/cm2的DWI图像xb。最后将各个b值的DWI图像xb组成一组多通道的DWI图像,作为全采样DWI图像x:x=[x0,x10,…,x40]。全采样DWI图像x的大小为64×64×5。
步骤1.3、建立人体多核DWI图像训练集。生成采样率为1/4的欠采样矩阵U,对全采样DWI图像x利用欠采样矩阵U进行回顾性欠采样获得欠采样DWI图像y,如图1所示。相似地,y=[y0,y10,…,y40]。欠采样DWI图像y和全采样DWI图像x组成人体多核DWI图像训练集。
步骤2,建立人体多核DWI联合重建模型。人体多核DWI联合重建模型表示为G(·,θ),·表示模型输入,θ为模型参数。因为欠采样DWI图像y为复值图像,本实施例将欠采样DWI图像y的实部和虚部分别作为不同的通道,因此人体多核DWI联合重建模型的模型输入的大小为64×64×10。人体多核DWI联合重建模型包括残差密集模块和数据一致性层两部分。欠采样DWI图像y在残差密集模块中共享特征,因此可以充分挖掘DWI图像在空间和扩散梯度方法上的数据冗余性,提高重建效果。残差密集模块包含三个部分,分别为特征提取层、密集模块、包含残差连接的重建层。特征提取层使用3×3卷积从欠采样DWI图像y中提取特征生成第一特征图并将第一特征图输入到密集模块。密集模块对第一特征图做进一步特征提取获得第二特征图,并将第二特征图输入到包含残差连接的重建层,密集模块充分利用所有卷积层的分级特征,避免信息在卷积层间的丢失和梯度消失的问题。包含残差连接的重建层使用1×1的卷积将第二特征图合成为残差图像,然后使用残差连接对残差图像进行处理获得初步重建图像xc。将初步重建图像xc输入数据一致性层获得重建图像 FH为反傅立叶变换。数据一致性层的具体操作包括:数据一致性层将初步重建图像xc代入到公式(3)中获得数据一致性的k空间数据kDC,对数据一致性的k空间数据kDC进行反傅立叶变换获得最终重建图像相似地,人体多核DWI联合重建模型可以在计算机应用软件Python 3.6环境中,利用深度学习工具箱TensorFlow搭建。
其中,kc=Fxc,k0=Fy,F为傅立叶变换,j为k空间坐标,kDC(j)为j处的数据一致性的k空间数据kDC的值,Ω表示欠采样DWI图像y中采样的k空间坐标集合。
步骤3,定义损失函数。人体多核DWI联合重建模型G(·,θ)的损失函数L(θ)包括像素水平损失和表观扩散系数损失:
L(θ)=E[||x-G(y,θ)||l2]+ηE[||Ψ(x)-Ψ(G(y,θ))||l2]公式(4)
步骤4,人体多核DWI联合重建模型训练。利用Adam算法[Kingma,et al.arXivpreprint,2014,arXiv:1412.6980.]训练人体多核DWI联合重建模型,寻找使损失函数L(θ)最小的模型参数θ,损失函数L(θ)最小的模型参数θ为即满足:
图2A为全采样图像,包含5个b值(b=0、10、20、30、40s/cm2)的超极化129Xe肺部DWI图像。图2B为采样率为1/4的欠采样DWI图像y,欠采样DWI图像y已经丢失大部分结构和细节信息并包含严重的欠采样伪影。传统CS-MRI方法虽然可以恢复部分结构信息,但是图2C含有部分伪影和明显的平滑效应。如图2D所示,本发明方法能成功地去除欠采样伪影,并精确地恢复出超极化DWI图像结构和细节信息。而且本发明方法仅需要CNN模型的正向传播,重建速度快。
本文所描述的具体实施方法仅仅是对本发明的举例说明。本发明中的AI方法也不局限于CNN,还包括循环神经网络(recurrent neural network,RNN)等。本发明中多核DWI不局限于实施例中的129Xe,还可以是3He、19F等,本发明也适用于常规1HDWI的欠采样重建。本发明中CNN模型也不局限于RDB,还可以是残差网络、U-Net等。本发明中CNN模型的训练方法也不局限于Adam,也包括RMSProp等深度学习中常用的优化算法。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (5)
1.一种基于AI的人体多核DWI联合重建方法,其特征在于,包括以下步骤:
步骤1、建立人体多核DWI图像训练集,人体多核DWI图像训练集包括欠采样DWI图像y和全采样DWI图像x,
步骤2,建立人体多核DWI联合重建模型,人体多核DWI联合重建模型表示为G(·,θ),·表示模型输入,θ为模型参数,
步骤3,定义人体多核DWI联合重建模型G(·,θ)的损失函数L(θ)
L(θ)=E[||x-G(y,θ)||l2]+ηE[||Ψ(x)-Ψ(G(y,θ))||l2]
2.根据权利要求1所述的一种基于AI的人体多核DWI联合重建方法,其特征在于,所述的步骤1包括以下步骤:
步骤1.1、从磁共振成像仪上获取全采样的扩散敏感因子b值为0的DWI图像xb,
步骤1.2、生成全采样DWI图像x,利用扩散敏感因子b值为0的DWI图像xb、DWI信号扩散模型,获得各个b值的DWI图像xb,各个b值的DWI图像xb组合为全采样DWI图像x,
步骤1.3、建立人体多核DWI图像训练集,生成欠采样矩阵U,对全采样DWI图像x利用欠采样矩阵U进行回顾性欠采样,获得欠采样DWI图像y。欠采样DWI图像y和全采样DWI图像x组成人体多核DWI图像训练集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400857.1A CN111161370B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai的人体多核dwi联合重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400857.1A CN111161370B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai的人体多核dwi联合重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161370A true CN111161370A (zh) | 2020-05-15 |
CN111161370B CN111161370B (zh) | 2021-10-29 |
Family
ID=70559371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911400857.1A Active CN111161370B (zh) | 2019-12-30 | 2019-12-30 | 一种基于ai的人体多核dwi联合重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161370B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085197A (zh) * | 2020-09-11 | 2020-12-15 | 推想医疗科技股份有限公司 | 神经网络模型的训练方法及装置、存储介质和电子设备 |
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102309328A (zh) * | 2011-10-19 | 2012-01-11 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及*** |
CN106249183A (zh) * | 2016-09-24 | 2016-12-21 | 中国科学院武汉物理与数学研究所 | 一种基于谱像一体化的超极化氙气磁共振方法 |
CN108717717A (zh) * | 2018-04-23 | 2018-10-30 | 东南大学 | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 |
CN109256023A (zh) * | 2018-11-28 | 2019-01-22 | 中国科学院武汉物理与数学研究所 | 一种肺部气道微结构模型的测量方法 |
CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
-
2019
- 2019-12-30 CN CN201911400857.1A patent/CN111161370B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102309328A (zh) * | 2011-10-19 | 2012-01-11 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及*** |
CN106249183A (zh) * | 2016-09-24 | 2016-12-21 | 中国科学院武汉物理与数学研究所 | 一种基于谱像一体化的超极化氙气磁共振方法 |
CN108717717A (zh) * | 2018-04-23 | 2018-10-30 | 东南大学 | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 |
CN109410289A (zh) * | 2018-11-09 | 2019-03-01 | 中国科学院武汉物理与数学研究所 | 一种深度学习的高欠采样超极化气体肺部mri重建方法 |
CN109256023A (zh) * | 2018-11-28 | 2019-01-22 | 中国科学院武汉物理与数学研究所 | 一种肺部气道微结构模型的测量方法 |
Non-Patent Citations (5)
Title |
---|
JIANPING ZHONG等: "Simultaneous assessment of both lung morphometry and gas exchange function within a single breath‐hold by hyperpolarized 129Xe MRI", 《NMR IN BIOMEDICINE》 * |
RONGZHAO ZHANG: "Automatic Segmentation of Acute Ischemic Stroke From DWI Using 3-D Fully Convolutional DenseNets", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张会婷: "超极化~(129)Xe扩散加权MRI方法及其对肺部疾病的研究", 《中国博士学位论文全文数据库(医药卫生科技辑)》 * |
王平等: "基于3D深度残差网络与级联U-Net的缺血性脑卒中病灶分割算法", 《计算机应用》 * |
王科等: "基于非高斯分布模型的扩散加权成像在体部疾病中的应用", 《磁共振成像》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085197A (zh) * | 2020-09-11 | 2020-12-15 | 推想医疗科技股份有限公司 | 神经网络模型的训练方法及装置、存储介质和电子设备 |
CN112085197B (zh) * | 2020-09-11 | 2022-07-22 | 推想医疗科技股份有限公司 | 神经网络模型的训练方法及装置、存储介质和电子设备 |
CN113066145A (zh) * | 2021-04-29 | 2021-07-02 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
CN113066145B (zh) * | 2021-04-29 | 2023-12-26 | 武汉聚垒科技有限公司 | 基于深度学习的快速全身弥散加权成像方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111161370B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sandino et al. | Accelerating cardiac cine MRI using a deep learning‐based ESPIRiT reconstruction | |
Poddar et al. | Dynamic MRI using smoothness regularization on manifolds (SToRM) | |
Wang et al. | Deep learning for fast MR imaging: A review for learning reconstruction from incomplete k-space data | |
Usman et al. | Motion corrected compressed sensing for free‐breathing dynamic cardiac MRI | |
Hamilton et al. | Machine learning for rapid magnetic resonance fingerprinting tissue property quantification | |
WO2020019412A1 (zh) | 磁共振成像方法、装置、设备及存储介质 | |
CN106997034B (zh) | 基于以高斯模型为实例整合重建的磁共振扩散成像方法 | |
US11170543B2 (en) | MRI image reconstruction from undersampled data using adversarially trained generative neural network | |
CN108010094B (zh) | 一种磁共振图像重建方法和装置 | |
CN111161370B (zh) | 一种基于ai的人体多核dwi联合重建方法 | |
CN105678822B (zh) | 一种基于Split Bregman迭代的三正则磁共振图像重构方法 | |
CN104013403A (zh) | 一种基于张量分解稀疏约束的三维心脏磁共振成像方法 | |
Lingala et al. | Accelerated first pass cardiac perfusion MRI using improved k− t SLR | |
CN111784792A (zh) | 基于双域卷积神经网络的快速磁共振重建***及其训练方法与应用 | |
CN110942496A (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及*** | |
CN109118554A (zh) | 基于低秩稀疏分解的电阻抗图像重建方法 | |
Wang et al. | MHAN: Multi-Stage Hybrid Attention Network for MRI reconstruction and super-resolution | |
Wang et al. | Accelerating MR imaging via deep Chambolle-Pock network | |
Kleineisel et al. | Real‐time cardiac MRI using an undersampled spiral k‐space trajectory and a reconstruction based on a variational network | |
Hou et al. | Pncs: Pixel-level non-local method based compressed sensing undersampled mri image reconstruction | |
CN112489150B (zh) | 面向快速mri的深度神经网络的多尺度序贯训练方法 | |
CN109920017A (zh) | 基于特征向量的自一致性的联合全变分Lp伪范数的并行磁共振成像重构方法 | |
CN103728581B (zh) | 基于离散余弦变换的speed快速磁共振成像方法 | |
Gan et al. | SS-JIRCS: Self-supervised joint image reconstruction and coil sensitivity calibration in parallel MRI without ground truth | |
CN113506258B (zh) | 多任务复值深度学习的欠采样肺部气体mri重建方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211011 Address after: 430071 Xiao Hong, Wuchang District, Wuhan District, Hubei, Shanxi, 30 Applicant after: Institute of precision measurement science and technology innovation, Chinese Academy of Sciences Address before: 430071 Xiao Hong, Wuchang District, Wuhan District, Hubei, Shanxi, 30 Applicant before: WUHAN INSTITUTE OF PHYSICS AND MATHEMATICS, CHINESE ACADEMY OF SCIENCES |
|
GR01 | Patent grant | ||
GR01 | Patent grant |