CN112669209B - 一种三维医学图像超分辨率重建方法和*** - Google Patents

一种三维医学图像超分辨率重建方法和*** Download PDF

Info

Publication number
CN112669209B
CN112669209B CN202011546695.5A CN202011546695A CN112669209B CN 112669209 B CN112669209 B CN 112669209B CN 202011546695 A CN202011546695 A CN 202011546695A CN 112669209 B CN112669209 B CN 112669209B
Authority
CN
China
Prior art keywords
dimensional
resolution
image
network
reconstruction
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
Application number
CN202011546695.5A
Other languages
English (en)
Other versions
CN112669209A (zh
Inventor
侯文广
张思源
董静娴
余勤
王毅凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011546695.5A priority Critical patent/CN112669209B/zh
Publication of CN112669209A publication Critical patent/CN112669209A/zh
Application granted granted Critical
Publication of CN112669209B publication Critical patent/CN112669209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Image Processing (AREA)

Abstract

本发明公开了一种三维医学图像超分辨率重建方法和***，属于医学图像处理领域。本发明将三维超分辨率问题分解为单张切片超分辨率重建及相邻切片间内容相关性两个问题的组合，通过多通道二维卷积神经网络对三维医学图像数据进行超分辨率重建，多通道网络结构充分考虑了相邻切片的高相关性。图像超分辨率重建部分的参数通过大量二维高分辨率医学图像进行训练，之后冻结重建部分参数，利用少量三维数据训练多通道输出层的权重参数。由于多通道网络仅需训练新输出层的序列图像的权重等参数，这样仅需要少量的三维高分辨率图像即可完成网络训练。本质上为二维网络，相比于三维网络，需要的三维数据大大减少，训练难度也大大降低。

Description

一种三维医学图像超分辨率重建方法和***
技术领域
本发明属于医学图像处理领域，更具体地，涉及一种三维医学图像超分辨率重建方法和***。
背景技术
三维医学图像超分辨率重建是医学图像处理中的重要内容。三维医学图像目前在临床中广泛存在，其通常的成像采集方式是断层成像，如CT、UCT等。但对于三维断层成像而言，三维图像扫描层间距一般都明显大于层内相邻像素的间隔，即扫描层间的分辨率明显低于扫描层内图像分辨率，而且由于人体运动和机械误差，扫描切片层与层之间也往往会出现错位现象，于是非扫描面中，图像会出现锯齿状且两个方向的图像分辨率不一致。
三维医学图像超分辨率重建就是改善非扫面图像分辨率，改善三维断层医学图像体数据中分辨率各向异性。传统的超分辨率重建方法是采用图像插值，线性插值的方式导致图像细节信息丢失严重，而图像自适应的插值算法计算量大，效率低，改善图像质量能力有限；利用图像配准来改善扫描层之间的错位问题也存在效率低，效果不明显等问题。
基于学习的超分辨率是当前研究的热点。其中传统的二维卷积网络能一定程度改善图像自身的质量，但通常无法改善错位现象，保证更好的空间连续性，VDSR、EDSR等算法在应用于三维重建时不能很好的考虑三维数据体的空间位置关系；三维神经网络虽然有足够的超分辨率精度，如DDSR、ReCNN均是通过三维卷积核进行特征提取，但三维卷积网络存在数据不足、训练开销大、效率低等问题，因此三维卷积网络在应用中有很大的限制。并且对于医学图像处理领域来说，临床中高分辨率三维医学图像获取较困难。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种三维医学图像超分辨率重建方法和***，其目的在于考虑三维断层扫描图像非扫描切面的几何特性，处理二维高分辨率训练样本，通过迁移学习，利用二维训练样本模拟三维断层切面，极大减少三维训练样本的数目；构建多通道二维网络，充分考虑三维图像数据模型中连续切片高度相关的因素，使算法适用于三维医学图像的同时降低其训练开销，同时具备较好的重建效果及鲁棒性。
为实现上述目的，按照本发明的第一方面，提供了一种三维医学图像超分辨率重建方法，该方法包括：
训练阶段：
S1.对不同尺寸大小且相互之间无连续性的高分辨率二维医学图像进行随机行抽取，使其具备与三维医学图像非扫描面相似的断层特征，再进行插值生成与原始图像尺寸相同的低分辨率二维医学图像，将高分辨率三维医学图像经过随机扫描面抽取、插值得到低分辨率三维医学图像，并将其沿冠状面方向分割成连续二维图像切片序列；
S2.训练二维单通道重建网络，训练样本为低分辨率二维医学图像，标签为对应高分辨率二维医学图像；
S3.对训练好的二维单通道重建网络进行数据迁移，改变输入层使得网络每次能够输入N张连续的二维医学图像，并添加一个新输出层对经过重建后输出的N个结果进行加权求和，生成二维多通道网络，N为奇数；
S4.冻结网络主体部分的训练参数，仅训练二维多通道网络输出层参数，训练样本为沿冠状面方向分割出的连续二维图像切片序列，标签为原始三维图像沿冠状面分解出的二维切面；
其中，二维多通道网络训练样本数目远少于二维单通道重建网络训练样本数目；
应用阶段：
T1.对三维医学图像进行线性插值，得到空间分辨率各向同性的低分辨率三维医学图像，再沿冠状面方向分割成序列二维图像；
T2.将连续N张二维切面输入到训练好的多通道二维重建网络中，得到第(N+1)/2张原始切面的重建后的超分辨率切面；
T3.重复步骤T2，直至得到每一张切面的重建结果；
T4.将所有重建切面沿冠状面方向进行叠加，得到三维医学图像超分辨率重建结果。
有益效果：本发明利用大量二维医学图像数据及少量的三维医学图像数据，即可达到较好的三维图像重建结果。通过迁移学习，避免了获取大量三维医学图像数据的客观难度。与二维卷积神经网络相比，多通道的网络结构，考虑了三维医学图像模型中连续切片高度相关性因素，图像重建结果在空间连续性方面有着更好的表现。选取不同尺寸大小的二维图像来训练网络，是为了让网络对于不同尺寸的二维图像都具有较好的重建能力。
优选地，在步骤T1之前，采用低秩约束对齐各扫描面，具体过程如下：
通过迭代的方式，寻找使三维医学图像扫描面矩阵的秩最小的变换参数，从而使三维数据对齐。
有益效果：本发明对三维数据进行预处理，基于低秩约束的思想对数据进行迭代，使得三维数据体秩最小，提取变换矩阵中的平移量，迭代得到扫描层间对齐的三维医学图像，改善断层扫描面的错位问题。
优选地，二维单通道重建网络采用DRCN(Densely-connected Recurrent and Co-attentive Information)。
有益效果：本发明通过卷积神经网络优异的非线性映射关系的表达，对图像进行超分辨率重建。
优选地，步骤S1具体如下：
S11.对二维高分辨率图像进行隔行采样或随机行采样，得到与三维断层扫描图像非扫描切面相似断层特征的低分辨率二维图像；
S12.对采样后图像进行线性插值，恢复图像原尺寸，得到训练样本。
优选地，通过计算PSNR、SSIM两种客观图像质量评价指标，对三维医学图像超分辨率重建结果进行评价。
优选地，抽取重建后的三维医学图像中位于原插值切面且垂直于重建面的一行像素值，进行像素值绘制，若像素值分布中跳变点减少、灰度值变化连续，则重建结果空间连续性好。
有益效果：本发明提出了一种更直观的评价算法，通过绘制特殊位置的某一行像素分布图，从而说明重建结果的空间连续性。
为实现上述目的，按照本发明的第二方面，提供了一种三维医学图像超分辨率重建***，计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行第一方面所述的三维医学图像超分辨率重建方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
本发明将三维超分辨率问题分解为单张切片超分辨率重建及相邻切片间内容相关性两个问题的组合，通过低秩约束预处理和多通道二维卷积神经网络，对三维医学图像数据进行超分辨率重建。其中，对于重建问题，网络主体部分负责重建工作，多通道网络结构充分考虑了相邻切片的高相关性。图像超分辨率重建部分的参数通过大量二维高分辨率医学图像进行训练(二维图像容易获取)，之后冻结重建部分参数，利用少量三维数据训练多通道输出层的权重参数。对于相邻切片的相关性问题，首先对三维数据进行预处理，基于低秩约束的思想对数据进行迭代，使得三维数据体秩最小，提取变换矩阵中的平移量，使得原始三维数据对齐；其次多通道网络结构考虑相邻切片对重建结果的贡献，进一步增强空间连续性。由于多通道网络仅需训练新输出层的序列图像的权重等参数，这样仅需要少量的三维高分辨率图像即可完成网络训练。本质上为二维网络，相比于三维网络，需要的三维数据大大减少，训练难度也大大降低。
附图说明
图1为本发明提供的三维医学图像体数据三个切面方向示意图；
图2为本发明提供的三维医学图像超分辨率重建方法流程图；
图3为本发明提供的二维高分辨率图像降采样、线性插值示意图；
图4为本发明提供的多通道DRCN网络结构示意图；
图5为本发明提供的评价多通道DRCN网络在空间连续性方面的性能结果图，其中，(a)为原始图，(b)对应N＝1，(c)对应N＝7。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为使本文中描述的关于三维医学数据的三个方向的切面更加清晰，特将扫描方向成为扫描面或横断面；垂直于扫描切面并作为网络输入进行重建的切面方向称为冠状面，另一垂直于冠状面的非扫描切面方向成为矢状面。扫描面、冠状面、矢状面示意图如图1所示。
本发明提供的三维医学图像实施配准方法流程如图2所示，具体包括如下步骤：
(1)利用低秩约束预处理待重建的三维医学图像，使得其所有扫描面高度相关。将所有扫描切面图像向量化得到二维矩阵，初始化变换参数矩阵，计算形变参数的Jacobian矩阵，迭代求解线性凸优化问题，即二维矩阵经过变换后的矩阵秩最小，更新形变参数，满足收敛条件(连续两次迭代得到的变换参数的改变量小于阈值或者达到最大迭代次数)时迭代停止，得到最终的形变参数矩阵。
(2)提取上述形变参数中的平移量，按照对应的平移位移依次平移各扫描切面图像，使得原始存在错位的三维医学图像对齐，同时保留了各切面内像素的高分辨率。
(3)搭建多通道二维卷积神经网络，具体包括如下步骤：
(3-1)搭建单通道二维卷积神经网络，并构建训练集。将400余张不同尺寸大小的二维核磁脑图像随机打乱顺序，以确保其之间没有连续性，同时为增大数据量对齐进行数据增强操作，最终得到约2000幅高分辨率原始图像；对图像进行随机行抽取，再通过双线性插值的方式将图像恢复到与原始图像相同的尺寸，生成训练集，流程如图3所示。
(3-2)对单通道二维卷积神经网络进行训练。具体地，将步骤(3-1)所得图像集作为网络训练集，未经处理的原始图像作为训练标签。用最小方差设置损失函数，其中包括递归层输出的误差及总输出的误差。训练时将DRCN网络层数设置为9层，权重衰减设置为0.0001，动量参数设置为0.9，学习速率最初设置为0.01，如果在5个周期内验证误差没有减小，则学习速率减小10倍，当学习速度低于10-6时停止训练。以Adam作为优化器代替随机梯度下降法优化网络。
(3-3)搭建多通道二维卷积神经网络，网络结构示意图如图4所示。对上述已经训练完成的单通道网络，改变输入层，使网络每次能够输入N(N为奇数)张连续的二维医学图像。同时添加一个新输出层，将经过重建后输出的N个结果进行加权求和，最终得到第(N+1)/2张图像的超分辨率重建图像。
(3-4)对上述多通道网络进行训练与测试。在训练过程中，冻结DRCN主体部分网络参数，只需对新输出层的权重参数进行训练。
本实施例中通过50个高分辨率三维CT脑图像及三维MR脑图像进行随机横断面抽取，经双线性插值恢复原尺寸，取其冠状切面作为训练集，原始三维图像冠状面切片图像作为训练标签。记输出层的权重参数Wn，网络输入为Xn,经过网络重建后的输出是
Figure BDA0002856552230000071
目标图像为Y，采用最小方差设置损失函数，则损失函数可以表示为：
Figure BDA0002856552230000072
其中，θ表示训练参数组，D表示三维数据体的二维切片数目，Y(i)表示第i个目标图像，即训练标签，N表示通道数。
将学习率初始化为0.0001，迭代次数设置为1000，在Tensorflow框架下使用Adam优化器优化损失函数。
(4)将步骤(2)得到的对齐后的三维医学图像，经线性插值后，延冠状面分解为一系列二维切面，依次将连续7张图像输入到上述训练好的多通道网络中，得到每一张冠状切面的重建结果；将所有重建切面沿冠状面方向进行叠加，得到三维医学超分辨率重建图像结果。
(5)对上述流程得到的超分辨率结果进行评价。更具体地，本实施例中利用三维MR脑图像及三维CT脑图像，评价该方法对于非扫描切面图像分辨率的改善及对三维医学图像空间连续性的恢复程度。客观图像质量评价指标选定为峰值信噪比(PSNR)及结构相似性(SSIM)两种。
(5-1)评价基于多通道DRCN网络的重建方法，对非扫描切面图像分辨率的改善。本实施例中经上述预处理，再以冠状面切面作为网络输入，进行图像超分辨率重建。表1为样本数据抽掉1/2行像素时网络通道数N不同时冠状面的超分辨率重建结果。表2为同一本实施例中矢状面的超分辨率重建结果。
表1
Figure BDA0002856552230000081
表2
Figure BDA0002856552230000082
从表1和表2中可以看出，基于多通道DRCN相较于单通道DRCN(N＝1)的重建在超分辨率重建的质量上有所提升，且随着网络输入图像张数的增加，重建时可参考的像素内容增加，冠状面和矢状面的图像重建质量均有所提高。
(5-2)评价基于多通道DRCN网络的重建方法，对三维数据体空间连续性的恢复程度。为直观表达出本方法对于空间连续性的良好性能，选取重建后三维图像中某一矢状面图像，取该图像的某一行像素进行像素值绘制，如图5所示，其中，(a)为原始图，(b)对应N＝1，(c)对应N＝7。本实施例结果可以看到，相比于N＝1及单通道超分辨率重建结果，N＝7时行像素值分布图中跳变点明显减少，图像像素值分布连续性明显改善。
本领域的技术人员容易理解，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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种三维医学图像超分辨率重建方法，其特征在于，该方法包括：
训练阶段：
S1.对不同尺寸大小且相互之间无连续性的高分辨率二维医学图像进行随机行抽取，使其具备与三维医学图像非扫描面相似的断层特征，再进行插值生成与原始图像尺寸相同的低分辨率二维医学图像，将高分辨率三维医学图像经过随机扫描面抽取、插值得到低分辨率三维医学图像，并将其沿冠状面方向分割成连续二维图像切片序列；
S2.训练二维单通道重建网络，训练样本为低分辨率二维医学图像，标签为对应高分辨率二维医学图像；
S3.对训练好的二维单通道重建网络进行数据迁移，改变输入层使得网络每次能够输入N张连续的二维医学图像，并添加一个新输出层对经过重建后输出的N个结果进行加权求和，生成二维多通道网络，N为奇数；
S4.冻结网络主体部分的训练参数，仅训练二维多通道网络输出层参数，训练样本为沿冠状面方向分割出的连续二维图像切片序列，标签为原始三维图像沿冠状面分解出的二维切面；
其中，二维多通道网络训练样本数目远少于二维单通道重建网络训练样本数目；
应用阶段：
采用低秩约束对齐各扫描面，通过迭代的方式，寻找使三维医学图像扫描面矩阵的秩最小的变换参数，从而使三维数据对齐；
T1对三维医学图像进行线性插值，得到空间分辨率各向同性的低分辨率三维医学图像，再沿冠状面方向分割成序列二维图像；
T2.将连续N张二维切面输入到训练好的多通道二维重建网络中，得到第(N+1)/2张原始切面的重建后的超分辨率切面；
T3.重复步骤T2，直至得到每一张切面的重建结果；
T4.将所有重建切面沿冠状面方向进行叠加，得到三维医学图像超分辨率重建结果。
2.如权利要求1所述的方法，其特征在于，二维单通道重建网络采用DRCN。
3.如权利要求1所述的方法，其特征在于，步骤S1具体如下：
S11.对二维高分辨率图像进行隔行采样或随机行采样，得到与三维断层扫描图像非扫描切面相似断层特征的低分辨率二维图像；
S12.对采样后图像进行线性插值，恢复图像原尺寸，得到训练样本。
4.如权利要求1至3任一项所述的方法，其特征在于，通过计算PSNR、SSIM两种客观图像质量评价指标，对三维医学图像超分辨率重建结果进行评价。
5.如权利要求1至3任一项所述的方法，其特征在于，抽取重建后的三维医学图像中位于原插值切面且垂直于重建面的一行像素值，进行像素值绘制，若像素值分布中跳变点减少、灰度值变化连续，则重建结果空间连续性好。
6.一种三维医学图像超分辨率重建***，其特征在于，计算机可读存储介质和处理器；
所述计算机可读存储介质用于存储可执行指令；
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行权利要求1至5任一项所述的三维医学图像超分辨率重建方法。
CN202011546695.5A 2020-12-24 2020-12-24 一种三维医学图像超分辨率重建方法和*** Active CN112669209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011546695.5A CN112669209B (zh) 2020-12-24 2020-12-24 一种三维医学图像超分辨率重建方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011546695.5A CN112669209B (zh) 2020-12-24 2020-12-24 一种三维医学图像超分辨率重建方法和***

Publications (2)

Publication Number Publication Date
CN112669209A CN112669209A (zh) 2021-04-16
CN112669209B true CN112669209B (zh) 2023-06-16

Family

ID=75408233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011546695.5A Active CN112669209B (zh) 2020-12-24 2020-12-24 一种三维医学图像超分辨率重建方法和***

Country Status (1)

Country Link
CN (1) CN112669209B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113436067B (zh) * 2021-05-22 2023-05-09 西北工业大学深圳研究院 一种自学习的超分辨率三维光声血管图像重建方法及***
CN113822985A (zh) * 2021-08-31 2021-12-21 苏州鑫康成医疗科技有限公司 一种多切面三维重建及特征识别方法
CN116805284B (zh) * 2023-08-28 2023-12-19 之江实验室 基于特征迁移的三维磁共振平面间超分辨重建方法和***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108289221A (zh) * 2018-01-17 2018-07-17 华中科技大学 异常值检测的无参考图像质量评价模型及构建方法
JP2018190145A (ja) * 2017-05-01 2018-11-29 日本放送協会 空間・階調超解像装置及びプログラム
CN109584164A (zh) * 2018-12-18 2019-04-05 华中科技大学 基于二维影像迁移学习的医学图像超分辨率三维重建方法
CN109741439A (zh) * 2018-12-07 2019-05-10 广州医科大学 一种二维mri胎儿图像的三维重建方法
CN110458949A (zh) * 2019-08-14 2019-11-15 首都医科大学附属北京天坛医院 三维模型的二维切平面的重建方法、移动终端及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10776963B2 (en) * 2016-07-01 2020-09-15 Cubismi, Inc. System and method for forming a super-resolution biomarker map image
CN106600553B (zh) * 2016-12-15 2019-12-17 华中科技大学 一种基于卷积神经网络的dem超分辨率方法
CN109360152A (zh) * 2018-10-15 2019-02-19 天津大学 基于稠密卷积神经网络的三维医学图像超分辨率重建方法
US11449989B2 (en) * 2019-03-27 2022-09-20 The General Hospital Corporation Super-resolution anatomical magnetic resonance imaging using deep learning for cerebral cortex segmentation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018190145A (ja) * 2017-05-01 2018-11-29 日本放送協会 空間・階調超解像装置及びプログラム
CN108289221A (zh) * 2018-01-17 2018-07-17 华中科技大学 异常值检测的无参考图像质量评价模型及构建方法
CN109741439A (zh) * 2018-12-07 2019-05-10 广州医科大学 一种二维mri胎儿图像的三维重建方法
CN109584164A (zh) * 2018-12-18 2019-04-05 华中科技大学 基于二维影像迁移学习的医学图像超分辨率三维重建方法
CN110458949A (zh) * 2019-08-14 2019-11-15 首都医科大学附属北京天坛医院 三维模型的二维切平面的重建方法、移动终端及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用于三维医学图像配准的"粗精"混合算法研究;翁飞;侯文广;曾明平;;北京生物医学工程(第01期);12-17 *

Also Published As

Publication number Publication date
CN112669209A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
CN112669209B (zh) 一种三维医学图像超分辨率重建方法和***
CN108460726B (zh) 一种基于增强递归残差网络的磁共振图像超分辨重建方法
CN107610194B (zh) 基于多尺度融合cnn的磁共振图像超分辨率重建方法
CN108898560B (zh) 基于三维卷积神经网络的岩心ct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
Sood et al. An application of generative adversarial networks for super resolution medical imaging
CN110490832A (zh) 一种基于正则化深度图像先验方法的磁共振图像重建方法
CN113160380B (zh) 三维磁共振影像超分辨重建方法、电子设备和存储介质
Qiu et al. Progressive U-Net residual network for computed tomography images super-resolution in the screening of COVID-19
CN111754598B (zh) 基于变换学习的局部空间邻域并行磁共振成像重构方法
CN113269818A (zh) 一种基于深度学习的地震数据纹理特征重建方法
CN109741439B (zh) 一种二维mri胎儿图像的三维重建方法
Klug et al. Scaling laws for deep learning based image reconstruction
CN112837220B (zh) 一种提高红外图像分辨率的方法及其用途
Zhang et al. Alternating direction method of multipliers for nonconvex log total variation image restoration
CN116029908A (zh) 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法
CN115311135A (zh) 一种基于3dcnn的各向同性mri分辨率重建方法
Yang et al. Fast MRI reconstruction via edge attention
CN113506258A (zh) 多任务复值深度学习的欠采样肺部气体mri重建方法
Guo et al. Semi‐supervised super‐resolution of diffusion‐weighted images based on multiple references
CN114140404A (zh) 基于人工智能的肺部多核mri双域超分辨率重建方法
CN108346167B (zh) 一种基于正交字典下同时稀疏编码的mri图像重构方法
CN112634385A (zh) 一种基于深度拉普拉斯网络的快速磁共振成像方法
CN114004764B (zh) 一种基于稀疏变换学习的改进灵敏度编码重建方法
CN116740217B (zh) 基于人工智能技术的动脉自旋标记方法、装置及存储介质

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