CN112037304B - 基于swi相位图像的两阶段的边缘增强qsm重建方法 - Google Patents
基于swi相位图像的两阶段的边缘增强qsm重建方法 Download PDFInfo
- Publication number
- CN112037304B CN112037304B CN202010907275.9A CN202010907275A CN112037304B CN 112037304 B CN112037304 B CN 112037304B CN 202010907275 A CN202010907275 A CN 202010907275A CN 112037304 B CN112037304 B CN 112037304B
- Authority
- CN
- China
- Prior art keywords
- network
- edge
- qsm
- reconstruction
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000010587 phase diagram Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 21
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于SWI相位图像的两阶段的边缘增强QSM重建方法,构建两阶段的边缘增强神经网络,以历史SWI相位图、对应的QSM图像及其边缘图作为训练数据,使用训练数据对网络进行训练,进一步采用训练后的边缘增强神经网络由新采集得到的SWI相位图重建得到QSM图像。本发明通过一步到位的方法使QSM重建免于复杂的预处理步骤与额外的扫描时间,同时扩展了SWI的应用范围。同时提出了一种两阶段的边缘增强的网络结构,首先重建QSM的边缘图,以此在网络的特征图中引入边缘先验知识,这些特征图经过特征优化后可以重建出边缘清晰的QSM图像。
Description
技术领域
本发明涉及的是一种磁共振成像领域的技术,具体是一种以深度学习领域中卷积神经网络为基础,基于磁敏感加权成像(SWI)相位图像的两阶段的边缘增强定量磁敏感图(QSM)重建方法。
背景技术
定量磁敏感成像(Quantitative Susceptibility Mapping,QSM)技术是一种近年来新兴的磁共振成像技术(Magnetic Resonance Imaging,MRI),其利用磁共振信号中的相位数据得到能够反映磁场中物体磁化率的磁敏感值的特点,以此提供一种非侵入式的定量反映人体内部组织成分与微结构的医学成像方法。目前常用的QSM重建方法基于多回波的梯度回波序列中的相位数据,经过相位解卷绕,去除背景场等预处理步骤后,使用迭代算法解决偶极子反卷积的问题,从局部场图中重建出QSM。这种方法需要较长的扫描时间,同时需要对原始相位数据进行解卷绕,去除背景场等复杂的预处理操作,使其难以直接应用于临床实践中。另一方面,磁敏感加权成像(Susceptibility Weighted Imaging)是一种在临床领域常用的MRI成像方法,其通过结合梯度回波序列中的相位与幅度信息,得到可以增强磁敏感值对比度的图像,能为多种疾病提供良好的诊断依据。然而与QSM不同的是,SWI无法提供定量的磁敏感值信息。与此同时,在SWI成像过程中会产生的经过高通滤波的相位信息,但现有基于迭代算法的QSM重建方法难以从这些缺失必要低频信息的相位中准确恢复出定量的磁敏感值。
近年来,卷积神经网络在解决图像逆问题上展现出强大的性能,然而现有的基于卷积神经网络的QSM重建算法,解决的依然是如何从经过预处理后的原始相位数据中得到QSM的问题,尚且没有直接由SWI相位重建QSM的先例。若直接将现有算法的基于U-Net的卷积神经网络结构运用于该任务,由于SWI相位数据本身质量较差,这些结构简单的算法难以胜任。由于U-Net网络深度不够,且仅使用L2损失函数进行训练,往往会导致重建的QSM中出现重建质量较差,图像边缘模糊等问题。
发明内容
本发明针对现有技术中需要预处理的相位数据实现QSM成像而导致成像成本过高,难以应用于临床的问题,提出一种基于SWI相位图像的两阶段的边缘增强QSM重建方法,利用卷积神经网络,可以直接由SWI成像过程中生成的经过高通滤波的相位数据重建得到QSM图像;同时通过在卷积神经网络中引入边缘先验信息,强化了对高频信息的保留,解决了卷积神经网络在图像恢复任务中常出现的图像平滑和边缘模糊的问题。
本发明是通过以下技术方案实现的:
本发明涉及一种基于SWI相位图像的两阶段的边缘增强QSM重建方法,构建两阶段的边缘增强神经网络,以历史SWI相位图、对应的QSM图像及其边缘图作为训练数据,使用训练数据对网络进行训练,进一步采用训练后的边缘增强神经网络由新采集得到的SWI相位图重建得到QSM图像。
所述的边缘图,从历史SWI相位图对应的QSM图像中得到。
所述的边缘增强神经网络包括:用于保留高频信息的边缘重建子网络和特征优化子网络,其中:边缘重建子网络根据历史SWI相位图生成对应QSM图像的边缘图,特征优化子网络从边缘重建子网络中得到含有丰富高频边缘信息的特征图并进行特征优化得到深层特征图后重建出QSM图像。
所述的边缘重建子网络包括:特征提取网络模块和边缘重建网络模块,其中:特征提取网络模块从历史SWI相位图中提取SWI相位图的浅层特征图并输出至特征优化子网络,边缘重建网络模块从浅层特征图中生成对应QSM图像的边缘图,为浅层特征图提供丰富的高频边缘信息,并将浅层特征图输出至特征优化子网络。
所述的特征优化子网络包括:特征优化网络模块和图像重建网络模块,其中:特征优化网络模块将来自特征提取网络模块的浅层特征图进行特征优化,得到深层特征图,图像重建网络模块从深层特征图中生成QSM图像作为重建结果。
所述的特征优化是指:通过全卷积神经网络,在保留其已经获得的丰富的高频边缘信息的基础上,提取出更多含有低频空间结构信息的特征图,并将其与原特征图融合,获取含有最后重建所必需信息的深层特征图。
所述的训练,以边缘重建误差和图像重建误差加权融合作为损失函数,将最小化损失函数作为优化目标进行训练。
所述的边缘重建误差是指:计算边缘重建网络模块生成的QSM边缘图与训练集中真实的QSM的边缘图的边缘重建误差。
所述的图像重建误差是指:计算图像重建网络模块生成的QSM图像与训练集中的真实的QSM图像的图像重建误差。
本发明涉及一种实现上述方法的***,包括:训练数据获取模块、网络训练模块、待重建数据获取模块和QSM重建模块,其中:训练数据获取模块获取成对的SWI相位图与QSM图像,经过数据增强之后送入网络训练模块,网络训练模块首先搭建网络结构,之后使用训练数据对网络进行训练,优化其内部参数,获取训练完备的网络模型,待重建数据获取模块于临床的MRI成像设备中获取SWI成像过程中生成的高通滤波后的相位图,将其输入训练完备的网络模型,重建临床诊断所需的QSM图像。
技术效果
本发明整体解决了现有技术无法利用SWI成像过程中得到的经过高通滤波的相位数据进行准确QSM图像重建的技术问题。
现有的QSM重建算法需要从多回波的梯度回波数据中得到原始相位数据,之后对其进行复杂的预处理步骤,得到高质量的相位图像,最后使用迭代算法从相位图中得到QSM图像。受制于较长的扫描与预处理时间,QSM难以在临床中大量应用。本发明可以从SWI成像过程中产生的高通滤波后的相位中直接重建QSM,不需要额外的预处理步骤,也不需要进行额外的梯度回波序列的扫描,从而大幅度节约了扫描与相位预处理的时间,同时扩展了临床上SWI的应用范围。
附图说明
图1为本发明流程图;
图2为本发明边缘增强神经网络示意图;
图3a及图3b为实施例效果示意图。
具体实施方式
如图1所示,为本实施例涉及一种基于SWI相位图像的两阶段的边缘增强QSM重建方法,包括以下步骤:
步骤1)获取SWI相位图和对应的QSM图像及QSM图像的边缘图作为原始数据,构建训练集与测试集,具体包括:
1.1)按8:2的比例将所有原始数据划分为训练数据与测试数据;
1.2)使用原尺寸的测试数据构建测试集,具体为:对小块图像进行随机排序,得到所述的训练集。
1.3)设定训练集的训练样本尺寸;
考虑到硬件显存限制,使用原尺寸3D图像难以训练卷积神经网络,同时由于卷积核有限的感受野,基于小块图像训练的卷积核在原尺寸图像上仍可拥有相近的特征提取效果。因此本实施例设定训练集的训练样本尺寸为48*48*48,从训练集中的原3D图像中使用滑动窗口得到大量该尺寸的小块图像,随机排序后得到训练集。
步骤2)构建边缘增强的两阶段QSM重建网络,优化边缘增强的两阶段QSM重建网络的网络参数,获取训练完备的边缘增强的两阶段QSM重建网络;
2.1)构建包括相连的特征提取网络模块和边缘重建网络模块的边缘重建子网络,重建QSM图像的边缘图,其中特征提取网络模块对SWI相位图像进行特征提取,经过卷积操作之后得到SWI相位图像的浅层特征图;边缘重建网络模块对SWI相位图像的浅层特征图进行边缘重建处理,经过卷积操作之后生成对应QSM图像的边缘图,同时在特征提取网络模块得到的浅层特征图中引入边缘先验知识,使其保留丰富的高频信息。
所述的特征提取网络与边缘重建网络模块为全卷积神经网络。
所述的特征提取网络模块采用U-Net网络实现。
所述的边缘重建网络模块具体包括:两层使用3*3*3大小的卷积核与leaky relu激活函数的卷积层,可以从输入特征图中生成3D图像。
2.2)构建包括相连的特征优化网络模块和图像重建网络模块的特征优化子网络,重建QSM图像,其中特征优化网络模块对SWI相位图像的浅层特征图进行优化,经过卷积操作之后得到特征信息更为丰富的深层特征图;图像重建网络模块对深层特征图进行图像重建操作,经过卷积操作之后得到重建的QSM图像。
所述的特征优化网络模块与图像重建网络模块为全卷积神经网络。
所述的特征优化网络模块采用U-Net网络实现。
所述的图像重建网络模块包括:两层使用3*3*3大小的卷积核与leaky relu激活函数的卷积层,可以从输入特征图中生成3D图像。
所述的U-Net网络包括编码器网络和解码器网络,编码器网络使用最大池化操作对输入图像使用进行两次下采样,解码器网络使用步长为2的转置卷积操作对编码器网络得到的特征图进行对称的两次上采样。在每次尺寸变换操作之前都存在两层使用3*3*3大小的卷积核与relu激活函数的卷积层,用于特征提取。编码器网络与解码器网络之间存在跳跃连接,以解决梯度消失的问题。
2.3)网络训练,即优化边缘增强的两阶段QSM重建网络的网络参数,获取训练完备的边缘增强的两阶段QSM重建网络,具体包括:
2.3.1)输入训练集中的SWI相位图片至边缘增强子网络,将边缘重建网络模块生成的QSM图像的边缘图作为边缘增强子网络的输出,利用训练集中的QSM图像的边缘图作为边缘增强子网络的标签,使用损失函数计算边缘增强子网络的输出与标签之间的边缘重建误差loss1=||E′-E||1,其中:E′代表边缘重建网络模块生成的QSM图像的边缘图,E代表训练集中的真实的QSM图像的边缘图。
2.3.2)将边缘增强子网络中的特征提取网络模块中得到的SWI相位图像的浅层特征图输入至特征优化子网络,将特征优化子网络中的图像重建网络模块输出的图像作为特征优化子网络的输出,利用训练集中的QSM图像作为特征优化子网络的标签,使用损失函数计算特征优化子网络的输出与标签之间的图像重建误差其中:I′代表图像重建网络模块输出的QSM图像,I代表训练集中的真实的QSM图像。
2.3.3)计算所述的边缘增强的两阶段QSM重建网络的联合损失函数loss=loss2+λloss1,其中:λ为权重参数,本实施例中优选为0.001。
2.3.4)将边缘增强的两阶段QSM重建网络的优化目标设为最小化联合损失函数,使用使用adam优化器对网络参数进行至少一个循环的优化。
所述的循环,即参数优化过程中每遍历一次训练集,每次循环结束后使用测试集测试当前网络模型性能,选择在测试集上联合损失最小的网络模型作为训练完备的边缘增强的两阶段QSM重建网络。
步骤3)获取待重建的QSM图像的对应SWI相位图,将其输入进训练完备的边缘增强的两阶段QSM重建网络,得到特征优化子网络的输出图像即为QSM重建结果。
经过具体实际实验:与本发明中提出的算法进行对比的QSM重建算法分别为:基于迭代的QSM重建算法,包括STAR-QSM,iLSQR;基于卷积神经网络的QSM重建算法,包括deepQSM,autoQSM,xQSM。使用的评价指标为峰值信噪比(PSNR),结构相似性(SSIM),均方根误差(RMSE)与高频误差范数(HFEN)。在对比实验过程中,基于迭代的算法使用matlab进行实现,而现有卷积神经网络算法基于Python语言中的tensorflow框架实现,网络训练中使用的批量大小(batch size)为6,adam优化器的学习率设置为0.0001,训练最大循环数设置为200,训练数据包含9例真实采集的成对的SWI相位图与QSM图像,原始3D图像尺寸为192*192*88,经过裁剪后的图像尺寸为160*160*88,每张原始3D图像中可以获得486个48*48*48的图像块。对比试验的结果如下表。
方法 | PSNR(dB) | SSIM | RMSE(%) | HFEN(%) |
STAR-QSM | 28.73±1.25 | 0.8372±0.0505 | 105.61±11.22 | 90.11±8.36 |
iLSQR | 28.47±1.18 | 0.8289±0.0488 | 109.15±10.94 | 91.28±7.68 |
DeepQSM | 31.28±1.09 | 0.8620±0.0393 | 75.51±7.56 | 67.93±7.52 |
AutoQSM | 31.35±1.16 | 0.8647±0.0403 | 75.00±8.06 | 67.22±7.93 |
xQSM | 31.38±1.10 | 0.8649±0.0384 | 74.72±7.84 | 66.61±7.62 |
本发明方法 | 31.47±1.12 | 0.8680±0.0409 | 74.34±7.79 | 66.34±7.67 |
如上表可见,本发明方法在统计的四个评价指标上都取得了最好的结果。
如图3所示,为对比实验的定性结果。如图可见,本发明方法相比于其他算法,能够重建出含有更加清晰的边缘的QSM图像。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种基于SWI相位图像的两阶段的边缘增强QSM重建方法,其特征在于,构建两阶段的边缘增强神经网络,以历史SWI相位图、对应的QSM图像及其边缘图作为训练数据,使用训练数据对网络进行训练,进一步采用训练后的边缘增强神经网络由新采集得到的SWI相位图重建得到QSM图像;
所述的两阶段的边缘增强神经网络包括:用于保留高频信息的边缘重建子网络和特征优化子网络,其中:边缘重建子网络根据历史SWI相位图生成对应QSM图像的边缘图,特征优化子网络从边缘重建子网络中得到含有丰富高频边缘信息的特征图并进行第二阶段特征提取/特征优化得到深层特征图后重建出QSM图像;
所述的两阶段是指:第一阶段通过边缘重建子网络直接重建QSM图像的边缘图,以此提取含有丰富高频边缘信息的浅层特征图;第二阶段通过全卷积神经网络,在保留其已经获得的丰富的高频边缘信息的基础上,提取出更多含有低频空间结构信息的特征图,并将其与原特征图融合,获取含有最后重建所必需信息的深层特征图。
2.根据权利要求1所述的两阶段的边缘增强QSM重建方法,其特征是,所述的边缘重建子网络包括:特征提取网络模块和边缘重建网络模块,其中:特征提取网络模块从历史SWI相位图中提取SWI相位图的浅层特征图并输出至特征优化子网络,边缘重建网络模块从浅层特征图中生成对应QSM图像的边缘图,为浅层特征图提供丰富的高频边缘信息,并将浅层特征图输出至特征优化子网络。
3.根据权利要求1所述的两阶段的边缘增强QSM重建方法,其特征是,所述的特征优化子网络包括:特征优化网络模块和图像重建网络模块,其中:特征优化网络模块将来自特征提取网络模块的浅层特征图进行第二阶段特征提取/特征优化,得到深层特征图,图像重建网络模块从深层特征图中生成QSM图像作为重建结果。
4.根据权利要求1所述的两阶段的边缘增强QSM重建方法,其特征是,所述的训练,以边缘重建误差和图像重建误差加权融合作为损失函数,将最小化损失函数作为优化目标进行网络参数优化。
5.根据权利要求4所述的两阶段的边缘增强QSM重建方法,其特征是,所述的边缘重建误差是指:计算边缘重建网络模块生成的QSM边缘图与训练集中真实的QSM的边缘图的边缘重建误差;
所述的图像重建误差是指:计算图像重建网络模块生成的QSM图像与训练集中的真实的QSM图像的图像重建误差。
6.根据权利要求2所述的两阶段的边缘增强QSM重建方法,其特征是,所述的特征提取网络、边缘重建网络模块、特征优化网络模块与图像重建网络模块均为全卷积神经网络。
7.根据权利要求6所述的两阶段的边缘增强QSM重建方法,其特征是,所述的特征提取网络模块和特征优化网络模块采用U-Net网络实现,具体包括:编码器网络和解码器网络,其中:编码器网络使用卷积操作与最大池化操作对输入图像进行若干次下采样与特征提取,解码器网络使用卷积操作与步长为2的转置卷积操作对编码器网络得到的特征图进行对称的若干次上采样与特征提取。
8.一种实现权利要求1-7中任一所述方法的两阶段的边缘增强QSM重建***,其特征在于,包括:训练数据获取模块、网络训练模块、待重建数据获取模块和QSM重建模块,其中:训练数据获取模块获取成对的SWI相位图与QSM图像,经过数据增强之后送入网络训练模块,网络训练模块首先搭建网络结构,之后使用训练数据对网络进行训练,优化其内部参数,获取训练完备的网络模型,待重建数据获取模块于临床的MRI成像设备中获取SWI成像过程中生成的高通滤波后的相位图,将其输入训练完备的网络模型,重建QSM图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907275.9A CN112037304B (zh) | 2020-09-02 | 2020-09-02 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010907275.9A CN112037304B (zh) | 2020-09-02 | 2020-09-02 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037304A CN112037304A (zh) | 2020-12-04 |
CN112037304B true CN112037304B (zh) | 2023-12-08 |
Family
ID=73591010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010907275.9A Active CN112037304B (zh) | 2020-09-02 | 2020-09-02 | 基于swi相位图像的两阶段的边缘增强qsm重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037304B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096207B (zh) * | 2021-03-16 | 2023-01-13 | 天津大学 | 基于深度学习和边缘辅助的快速磁共振成像方法与*** |
CN113160180B (zh) * | 2021-04-23 | 2024-02-09 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于深度学习的磁共振图像相位复原方法 |
CN115115727B (zh) * | 2022-05-18 | 2023-08-01 | 首都医科大学附属北京友谊医院 | 核磁图像处理方法、***、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267361A (zh) * | 2014-10-13 | 2015-01-07 | 厦门大学 | 基于结构特征的自适应定量磁化率分布图复合重建的方法 |
CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗***株式会社 | 磁共振成像装置以及图像处理装置 |
CN108431624A (zh) * | 2015-12-17 | 2018-08-21 | 皇家飞利浦有限公司 | 定量磁化率映射磁共振图像的分割 |
CN108829639A (zh) * | 2018-07-06 | 2018-11-16 | 上海联影医疗科技有限公司 | 一种磁共振成像方法和设备 |
CN108896943A (zh) * | 2018-05-10 | 2018-11-27 | 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 |
WO2019157174A1 (en) * | 2018-02-07 | 2019-08-15 | The Medical College Of Wisconsin, Inc. | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging |
CN111598964A (zh) * | 2020-05-15 | 2020-08-28 | 厦门大学 | 一种基于空间自适应网络的定量磁化率图像重建方法 |
CN111612866A (zh) * | 2020-05-20 | 2020-09-01 | 上海交通大学 | 定量磁化率成像重建方法及***、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107126211B (zh) * | 2017-06-07 | 2021-06-01 | 上海联影医疗科技股份有限公司 | 磁共振成像方法和*** |
-
2020
- 2020-09-02 CN CN202010907275.9A patent/CN112037304B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267361A (zh) * | 2014-10-13 | 2015-01-07 | 厦门大学 | 基于结构特征的自适应定量磁化率分布图复合重建的方法 |
CN107007281A (zh) * | 2015-09-10 | 2017-08-04 | 东芝医疗***株式会社 | 磁共振成像装置以及图像处理装置 |
CN108431624A (zh) * | 2015-12-17 | 2018-08-21 | 皇家飞利浦有限公司 | 定量磁化率映射磁共振图像的分割 |
WO2019157174A1 (en) * | 2018-02-07 | 2019-08-15 | The Medical College Of Wisconsin, Inc. | Multi-resolution quantitative susceptibility mapping with magnetic resonance imaging |
CN108896943A (zh) * | 2018-05-10 | 2018-11-27 | 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 |
CN108829639A (zh) * | 2018-07-06 | 2018-11-16 | 上海联影医疗科技有限公司 | 一种磁共振成像方法和设备 |
CN111598964A (zh) * | 2020-05-15 | 2020-08-28 | 厦门大学 | 一种基于空间自适应网络的定量磁化率图像重建方法 |
CN111612866A (zh) * | 2020-05-20 | 2020-09-01 | 上海交通大学 | 定量磁化率成像重建方法及***、存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
深度学习在磁共振图像重建和射频热点分布定量计算中的应用;陈心莲;欧陕兴;辛学刚;;人工智能(第01期);第103-110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037304A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112037304B (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
CN110461228B (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
CN110443768B (zh) | 基于多重一致性约束的单帧图像超分辨率重建方法 | |
CN109214989B (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 | |
Wang et al. | Reduction of Gibbs artifacts in magnetic resonance imaging based on Convolutional Neural Network | |
CN112200725B (zh) | 一种超分辨率重建方法、装置、存储介质及电子设备 | |
CN111696042B (zh) | 基于样本学习的图像超分辨重建方法 | |
Manimala et al. | Convolutional neural network for sparse reconstruction of MR images interposed with gaussian noise | |
CN116416156A (zh) | 一种基于Swin Transformer的医学图像去噪方法 | |
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*** | |
Pham et al. | Simultaneous super-resolution and segmentation using a generative adversarial network: Application to neonatal brain MRI | |
CN114187181A (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
Hou et al. | Pncs: Pixel-level non-local method based compressed sensing undersampled mri image reconstruction | |
CN103728581B (zh) | 基于离散余弦变换的speed快速磁共振成像方法 | |
US20230380714A1 (en) | Method and system for low-field mri denoising with a deep complex-valued convolutional neural network | |
Iwamoto et al. | Super-resolution of MR volumetric images using sparse representation and self-similarity | |
Fatania et al. | A plug-and-play approach to multiparametric quantitative MRI: image reconstruction using pre-trained deep denoisers | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN115311135A (zh) | 一种基于3dcnn的各向同性mri分辨率重建方法 | |
Do et al. | MRI super-resolution using 3D cycle-consistent generative adversarial network | |
Alvarez-Ramos et al. | Image super-resolution via wavelet feature extraction and sparse representation | |
CN114419015A (zh) | 一种基于多模态配准的脑功能融合分析方法 | |
CN117576250B (zh) | 前瞻性欠采样MRI Dixon数据的快速重建方法及*** | |
CN112802024B (zh) | 一种磁共振血管壁图像分割方法 |
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 |