CN113487507A - 一种基于多模块特征聚合的双域递归网络mr重建方法 - Google Patents
一种基于多模块特征聚合的双域递归网络mr重建方法 Download PDFInfo
- Publication number
- CN113487507A CN113487507A CN202110766581.XA CN202110766581A CN113487507A CN 113487507 A CN113487507 A CN 113487507A CN 202110766581 A CN202110766581 A CN 202110766581A CN 113487507 A CN113487507 A CN 113487507A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- domain
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002776 aggregation Effects 0.000 title claims abstract description 19
- 238000004220 aggregation Methods 0.000 title claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 241000282326 Felis catus Species 0.000 claims description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims 1
- 238000007670 refining Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000005070 sampling Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011503 in vivo imaging Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明请求保护一种基于特征聚合的双域递归网络MR重建方法。其实现步骤为:1)数据预处理:对K空间数据进行预处理,包括构建欠采样模板、模拟欠采样过程、归一化、截取切片、二维小波变换、构建训练集和测试集;2)构建网络模型:模型包括小波域多模块特征融合网络与图像域多模块特征融合网络;3)训练神经网络:将处理好的小波域数据、欠采样模板(mask)和欠采样K空间数据作为本网络的输入,原始的磁共振图像数据作为GT训练该模型;4)测试网络模型:将测试集的欠采样小波域数据输入上述模型中进行测试,得到高质量的重建图像;5)评价重建图像质量:本实验用PSNR和SSIM评价重建后图像质量。
Description
技术领域
本发明属于医学图像处理技术领域,具体的说是一种多模块特征聚合的双域递归网络MR重建方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)是一种非侵入式的活体成像技术,它通过组织细胞内的原子核在强大的磁场作用下发生共振,再经过信号采集和计算机处理,从而形成了磁共振医学影像。与CT影像相比,它具有无辐射、对比度高和多参数成像等特点,更容易发现病变位置。但磁共振扫描速度缓慢,从而产生运动伪影,因此我们解决的主要问题是磁共振图像重建速度与质量。
传统磁共振重建方法则是基于压缩感知(Compressed Sensing,CS)理论,信号采集可以低于奈奎斯特采样定律进行采样,CS_MRI利用数据的稀疏性和数据采样的非相关性,通过观测矩阵对稀疏信号压缩采样,从欠采的信号中通过非线性优化重建MR图像,但传统方法的重建速度和精度不高。近几年深度学习方法已经应用于磁共振图像重建,与传统方法相比,深度学习通过对数据的浅层特征提取,形成更抽象的特征信息,能够有效提高MR重建精度。本文就现有的基于深度学习重建方法进行改进,引入小波域,与图像域进行结合,对小波域的多个模块与图像域的多个模块,分别进行多模块特征聚合,对多张MR切片进行重建。图像预处理阶段保持一定比例的低频信息来维持图像的基础结构,大量包含组织细节的高频信息丢失,经网络训练后可重建出高质量、高精度的磁共振图像。本文旨在为磁共振重建找到其他解决方案。
发明内容
本发明提供一种基于多模块特征聚合的双域递归网络MR重建方法,以找到另一种重建MR图像的思路。
为了实现上述目的,本发明包括以下步骤:
S1)构建数据及并进行预处理:将原始K空间数据集通过不同加速因子下的欠采样模板(mask)模拟欠采样过程,得到欠采样的K空间数据,将欠采样K空间数据集经傅里叶逆变换(Inverse Fourier Transform,IFT)转换为图像域数据集,接着进行归一化、截取序列等操作,再将图像域数据集经过二维小波变换(Discrete Wavelet Transform,DWT)转换成小波域数据集,该数据集划分为训练集和测试集。
S2)重建模型的搭建:通过深度学习框架PyTorch搭建一种基于多模块特征融合的双域递归网络用于MR图像重建,该网络包括三个部分,分别为小波域多模块特征聚合网络,图像域多模块特征聚合网络,构造损失函数以及数据一致性层(DC)。
1)小波域多模块特征聚合网络:网络架构包括三个重复的小波域残差模块、每个基本的小波域残差模块由一个3×3卷积,三个并行的空洞卷积,卷积核为3×3,两个1×1卷积组成,三个空洞卷积的扩张率分别为dilation=1,dilation=2,dilation=4,卷积核为3×3。首先欠采样小波数据经过3×3卷积,进行浅层特征提取,然后经过三个不同扩张率的卷积,用1×1卷积将不同尺度的信息融合到一起,最后将进行残差连接,则三个小波域残差块输出分别为F0,F1,F2,将F0,F1,F2按照通道维度拼接到一起,用1×1卷积将不同模块的特征信息融合到一起,实现了多模块的小波域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,最后进行跨层跳跃连接。
2)小波域数据一致性层:对网络重构的小波域经过小波逆变换转换成图像域数据,再经过傅里叶逆变换,实现图像域到K空间域的转换,由于欠采样K空间数据包含了网络重构K空间域的准确信息,因此,欠采样K空间要替换网络重构K空间的相应位置,公式如下:
其中,WDC代表小波域数据一致性,W,WH分别代表二维小波变换和二维小波逆变换,fcnn(wu|θ)代表网络重构数据,wu表示初始欠采样数据,F代表二维傅里叶变换,y=MK0,M代表欠采样模板(mask),K0代表初始K空间数据,δ是权重参数,设j为K空间上的一个点,Ω为K空间所有的欠采样点。
3)图像域多模块特征聚合网络:网络架构包括三个双向特征融合(BidirectionalFeature Fusion,BFF)模块,用来学习相邻切片的特征信息,小波域重构网络的输出经过小波逆变换转换成图像域数据,作为图像域重构网络的输入,每个基础模块是对输入数据的每张切片经过3×3卷积操作,进行浅层特征提取后,然后再进行一次3×3卷积操作,分别得到特征图M1,M2,...,Mn,接着令A1=M1,A1经过3×3卷积特征提取与M2特征融合得到A2,将A2经过3×3卷积特征提取与M3特征融合得到A3,以此类推,将An-1经过3×3卷积特征提取与Mn特征融合得到An,本模块使用LeakRelu函数进行修正,公式如下:
接着对切片维度进行反向操作,对切片维度反方向的每一个切片特征进行3×3卷积操作,分别得到特征图W1,W2,...,Wn,然后令B1=W1,B1经过卷积特征提取与W2特征融合得到B2,将B2经过卷积特征提取与W3特征融合得到B3,以此类推,将Bn-1经过卷积特征提取与Wn特征融合得到Bn,本模块用LeakRelu函数进行修正,公式如下:
其中,conv表示卷积操作,最后使特征图A1,A2,...,An和特征图B1,B2,...,Bn对应进行特征融合,即加和操作,使图像特征的每一维度信息增加,确保学习切片间有效的特征信息,接着将加和操作后的数据按照切片维度拼接到一起,公式如下:
H=cat[(A1+Bn):(A2+Bn-2):...:(An+B1)]
其中,cat[:]代表拼接操作。
图像域数据经过三个双向特征融合模块后的特征分别为H0、H1、H2,然后将H0、H1、H2按照通道维度拼接到一起,然后用1×1卷积将不同模块的特征信息融合到一起,实现多模块的图像域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,接着进行长跳跃连接。
4)图像域数据一致性层。公式如下:
在上述公式中,IDC代表图像域的数据一致性,F,FH分别二维傅里叶变换和二维傅里叶逆变换,fcnn(xu|θ)代表网络重构数据,wu表示初始欠采样数据,y=MK0,M代表欠采样模板(mask),K0表示初始K空间数据,δ是权重参数,设j为K空间上的一个点,Ω为K空间所有的欠采样点。
5)构造损失函数
本模型使用均方误差,公式如下:
其中,x表示目标数据,y表示网络重构的数据,m、n表示图像的大小,i、j表示像素的索引,MSE表示像素点偏离真实值距离平方和的平均数。
小波域损失函数如下所示:
图像域损失函数如下所示:
总的损失函数如下所示:
Loss=λ1loss1+λ2loss2
其中,fcnn表示网络模型,θ表示学习的参数,λ1,λ2为权重参数,经过反向传播进行参数优化,使损失函数收敛。
S4)设置最大迭代次数:使网络拟合更好的特征信息,重建出高质量的MR图像。
S5)模型训练:把训练集输入到模型当中,通过正向传播重建高质量MR图像,然后根据损失函数进行反向传播,不断更新网络参数,直至达到稳定。
本发明与现有技术相比,具有以下优点:
本发明中,在磁共振图像重建方法中,小波域和图像域的结合更能使网络学习更多的高频信息。对小波域和图像域的多模块特征聚合可以学习不同语义信息,拟合更好的数据特征,并加快网络收敛并重建出高质量的MR图像。
附图说明
图1为基于多模块特征聚合的双域递归网络MR重建方法流程图
图2为基于多模块特征聚合的双域递归网络总体模型图
图3为基于多模块特征聚合的双域递归网络的小波域残差模块与双向特征融合模块
具体实施方式
以下结合附图对本发明进行详细描述
本发明包含四个方面:训练数据的准备、小波域多模块特征聚合网络的构成、图像域多模块特征聚合网络的构成、网络模型的训练与重建。
S1)训练数据的准备包括原始K空间数据、欠采样模板等。原始K空间数据用K(kx,ky)表示,kx表示K空间频率编码方向,ky表示K空间相位编码方向,将原始K空间数据切分成长度为s,大小为256×256的K空间数据,经过欠采样模板(mask)模拟欠采样过程,公式如下:
Ku(kx,ky)=K(kx,ky)×mask(kx,ky)
本发明采用笛卡尔(Cartesiar)采样轨迹,需要采样点的值为1,不需要采样点的值为0,公式如下:
欠采样K空间经二维傅里叶逆变换获得图像域数据,并采用Min-Max归一化处理,经二维小波变换获得小波域数据w0=(w1,w2,...,wi)=DWT(xu),i为子带数(在本实验中,i=4,w1,w2,w3,w4分别表示低频分量、水平低频垂直高频分量、水平高频垂直低频分量和对角线高频分量),w0具有4个通道,大小为10×4×128×128。
S2)小波域多模块特征聚合网络的构成:如图3所示,网络架构包括三个重复的小波域残差模块、每个基本的小波域残差模块由一个3×3卷积,三个并行的空洞卷积,卷积核为3×3,两个1×1卷积组成,三个空洞卷积的扩张率分别为dilation=1,dilation=2,dilation=4,卷积核为3×3。首先欠采样小波数据经过3×3卷积,进行浅层特征提取,然后经过三个不同扩张率的卷积,用1×1卷积将不同尺度的信息融合到一起,最后将进行残差连接,则三个小波域残差块输出分别为F0,F1,F2,将F0,F1,F2按照通道维度拼接到一起,用1×1卷积将不同模块的特征信息融合到一起,实现了多模块的小波域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,最后进行跨层跳跃连接,对网络重构的小波域经过小波逆变换转换成图像域数据,再经过傅里叶逆变换,实现图像域到K空间域的转换,由于欠采样K空间数据包含了网络重构K空间域的准确信息,因此,欠采样K空间要替换网络重构K空间的相应位置,公式如下:
其中,WDC代表小波域数据一致性,W,WH分别代表二维小波变换和二维小波逆变换,fcnn(wu|θ)代表网络重构数据,wu表示初始欠采样数据,F代表二维傅里叶变换,y=MK0,M代表欠采样模板(mask),K0代表初始K空间数据,δ是权重参数,设j为K空间上的一个点,Ω为K空间所有的欠采样点。
S3)图像域多模块特征聚合网络:网络架构包括三个双向特征融合(Bidirectional Feature Fusion,BFF)模块。小波域重构网络的输出经过小波逆变换转换成图像域数据,作为图像域重构网络的输入,每个基础模块是对输入数据的每张切片经过3×3卷积操作,进行浅层特征提取后,然后再进行一次3×3卷积操作,分别得到特征图M1,M2,...,Mn,接着令A1=M1,A1经过3×3卷积特征提取与M2特征融合得到A2,将A2经过3×3卷积特征提取与M3特征融合得到A3,以此类推,将An-1经过3×3卷积特征提取与Mn特征融合得到An,本模块使用LeakRelu函数进行修正,公式如下:
接着对切片维度进行反向操作,对切片维度反方向的每一个切片特征进行3×3卷积操作,分别得到特征图W1,W2,...,Wn,然后令B1=W1,B1经过卷积特征提取与W2特征融合得到B2,将B2经过卷积特征提取与W3特征融合得到B3,以此类推,将Bn-1经过卷积特征提取与Wn特征融合得到Bn,本模块用LeakRelu函数进行修正,公式如下:
其中,conv表示卷积操作,最后使特征图A1,A2,...,An和特征图B1,B2,...,Bn对应进行特征融合,即加和操作,使图像特征的每一维度信息增加,确保学习切片间有效的特征信息,接着将加和操作后的数据按照切片维度拼接到一起,公式如下:
H=cat[(A1+Bn):(A2+Bn-2):...:(An+B1)]
其中,cat[:]代表拼接操作;
图像域数据经过三个双向特征融合模块后的特征分别为H0、H1、H2,然后将H0、H1、H2按照通道维度拼接到一起,然后用1×1卷积将不同模块的特征信息融合到一起,实现多模块的图像域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,接着进行长跳跃连接,接着进行图像域数据一致性。公式如下:
在上述公式中,IDC代表图像域的数据一致性,F,FH分别二维傅里叶变换和二维傅里叶逆变换,fcnn(xu|θ)代表网络重构数据,xu表示初始欠采样数据,y=MK0,M代表欠采样模板(mask),K0表示初始K空间数据,δ是权重参数,设j为K空间上的一个点,Ω为K空间所有的欠采样点。
S4)网络模型的训练与重建:
小波域与图像域组合的递归网络模型如图2所示,把训练集放入网络模型当中,通过正向传播得到重建的小波域数据和图像域数据,根据高质量的小波域数据和图像域数据与原始小波域数据和图像数据的误差进行反向传播,不断更新网络参数直至误差稳定,保存模型参数,本实验用Adam优化器训练整个网络,初始学习率设置为2×10-4,由于显存负担,从序列随机截取长度s=10的序列进行训练,训练轮次epoch=50,激活采用LeakRelu函数,其中α设置为0.1。迭代次数设置为nc=3(由于显存不足,后期可增加训练次数与迭代次数,以达到更好的重建结果),本实验采用4倍Cartesian采样轨迹,输入欠采样的测试数据集,加载训练好的模型,重建出高质量的图片,本实验与最近技术比较,采用峰值信噪比(PSNR)与结构相似度(SSIM)评价重建质量,如下所示表:PSNR和SSIM均比其他方法高。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,其具体结构允许有变化,技术人员在阅读本发明后,在此基础上做出的改动或修改样,同样落入本发明权利要求所限定的范围。总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (7)
1.一种基于多模块特征融合的双域递归网络MR重建方法,其特征在于,包括如下步骤:
S1)数据预处理;
S2)构建网络模型;
S3)训练神经网络;
S4)测试网络模型;
S5)评价重建图像质量。
2.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法,其特征是,在S1)中,K空间数据维度为[number of slices,h,w,c],包含若干切片的四维数据,c表示数据通道数,h,w分别表示高和宽,在序列中随机截取长度为s=10的序列,即[s,h,w,c],不仅减轻显存压力,而且在训练过程中起到数据增强的效果,接着随机生成大小与K空间数据有相同维度的欠采样模板(mask),各序列间的欠采样模板各不相同,然后模拟欠采样过程,得到欠采样的K空间数据,将数据经过二维傅里叶转换成单通道图像数据,然后对图像数据进行归一化处理,公式如下:
接着将数据经二维小波变换转化为小波域数据。
3.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法,其特征是,在S2)中,小波域多模块特征聚合网络架构包括三个重复的小波域残差模块、每个基本的小波域残差模块由一个3×3卷积,三个并行的空洞卷积,卷积核为3×3,两个1×1卷积组成,三个空洞卷积的扩张率分别为dilation=1,dilation=2,dilation=4,卷积核为3×3。首先欠采样小波数据经过3×3卷积,进行浅层特征提取,然后经过三个不同扩张率的卷积,用1×1卷积将不同尺度的信息融合到一起,最后将进行残差连接,则三个小波域残差块输出特征分别为F0,F1,F2,将F0,F1,F2按照通道维度拼接到一起,用1×1卷积将不同模块的特征信息融合到一起,实现了多模块的小波域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,然后进行跨层跳跃连接,最后进行数据一致性,将采样K空间要替换网络重构K空间的相应位置。
4.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法,其特征是,在S2)中,图像域多模块特征聚合网络架构包括三个双向特征融合(BidirectionalFeature Fusion,BFF)模块,用来学习相邻切片的特征信息,小波域重构网络的输出经过小波逆变换转换成图像域数据,作为图像域重构网络的输入,每个基础模块是对输入数据的每张切片经过3×3卷积操作,进行浅层特征提取后,然后再进行一次3×3卷积操作,分别得到特征图M1,M2,...,Mn,接着令A1=M1,A1经过3×3卷积特征提取与M2特征融合得到A2,将A2经过3×3卷积特征提取与M3特征融合得到A3,以此类推,将An-1经过3×3卷积特征提取与Mn特征融合得到An,本模块使用LeakRelu函数进行修正;
接着对切片维度进行反向操作,对切片维度反方向的每一个切片特征进行3×3卷积操作,分别得到特征图W1,W2,...,Wn,然后令B1=W1,B1经过卷积特征提取与W2特征融合得到B2,将B2经过卷积特征提取与W3特征融合得到B3,以此类推,将Bn-1经过卷积特征提取与Wn特征融合得到Bn,本模块用LeakRelu函数进行修正;
最后使特征图A1,A2,...,An和特征图B1,B2,...,Bn对应进行特征融合,即加和操作,使图像特征的每一维度信息增加,确保学习切片间有效的特征信息,接着将加和操作后的数据按照切片维度拼接到一起,公式如下:
H=cat[(A1+Bn):(A2+Bn-2):...:(An+B1)]
其中,cat[:]代表拼接操作;
图像域数据经过三个双向特征融合模块后的特征图分别为H0、H1、H2,然后将H0、H1、H2按照通道维度拼接到一起,然后用1×1卷积将不同模块的特征信息融合到一起,实现多模块的图像域的特征融合,使网络融合不同上下文信息,能够精细化特征表达,然后进行跨层跳跃连接,最后进行数据一致性,将采样K空间要替换网络重构K空间的相应位置。
5.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR图像重建方法,其特征是,在S3)中,将训练集的波域数据、欠采样K空间数据和mask输入模型当中进行训练,原始数据作为GT,在小波域输出和图像域阈值输出中分别最小化损失函数训练神经网络。
6.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法,其特征是,在S4)中,将测试集的小波域数据、欠采样K空间数据和mask输入训练好的网络当中,得到网络重建后的磁共振图像。
7.根据权利要求1所述的一种基于多模块特征融合的双域递归网络MR重建方法,其特征是,在S5)中,用PSNR和SSIM评估重建磁共振图像的质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766581.XA CN113487507A (zh) | 2021-07-07 | 2021-07-07 | 一种基于多模块特征聚合的双域递归网络mr重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766581.XA CN113487507A (zh) | 2021-07-07 | 2021-07-07 | 一种基于多模块特征聚合的双域递归网络mr重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487507A true CN113487507A (zh) | 2021-10-08 |
Family
ID=77941558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766581.XA Pending CN113487507A (zh) | 2021-07-07 | 2021-07-07 | 一种基于多模块特征聚合的双域递归网络mr重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487507A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218453A (zh) * | 2023-11-06 | 2023-12-12 | 中国科学院大学 | 一种不完备多模态医学影像学习方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934778A (zh) * | 2017-03-10 | 2017-07-07 | 北京工业大学 | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 |
CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
CN111784792A (zh) * | 2020-06-30 | 2020-10-16 | 四川大学 | 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 |
CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
CN112946545A (zh) * | 2021-01-28 | 2021-06-11 | 杭州电子科技大学 | 基于PCU-Net网络的快速多通道磁共振成像方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
-
2021
- 2021-07-07 CN CN202110766581.XA patent/CN113487507A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934778A (zh) * | 2017-03-10 | 2017-07-07 | 北京工业大学 | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 |
CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
CN111784792A (zh) * | 2020-06-30 | 2020-10-16 | 四川大学 | 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 |
CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
CN112164122A (zh) * | 2020-10-30 | 2021-01-01 | 哈尔滨理工大学 | 一种基于深度残差生成对抗网络的快速cs-mri重建方法 |
CN112946545A (zh) * | 2021-01-28 | 2021-06-11 | 杭州电子科技大学 | 基于PCU-Net网络的快速多通道磁共振成像方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
Non-Patent Citations (6)
Title |
---|
ALI GHOLIPOUR等: "Super-resolution reconstruction in frequency, image, and wavelet domains to reduce through-plane partial voluming in MRI", 《MED. PHYS》, pages 6919 - 6932 * |
ZHILUN WANG等: "IKWI-net: A cross-domain convolutional neural network for undersampled magnetic resonance image reconstruction", 《MAGNETIC RESONANCE IMAGING》, pages 1 - 10 * |
吕俊杰: "基于深度学习的磁共振图像去噪和重建", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, pages 060 - 208 * |
吴浩博: "基于生成对抗网络的图像超分辨重建算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, pages 138 - 1079 * |
杨兵等: "基于深度特征聚合网络的医学图像分割", 《计算机工程》, pages 1 - 12 * |
杨兵等: "融合组织特性的磁共振图像自动分割", 《浙江省医学会医学工程学术大会》, pages 2 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117218453A (zh) * | 2023-11-06 | 2023-12-12 | 中国科学院大学 | 一种不完备多模态医学影像学习方法 |
CN117218453B (zh) * | 2023-11-06 | 2024-01-16 | 中国科学院大学 | 一种不完备多模态医学影像学习方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghodrati et al. | MR image reconstruction using deep learning: evaluation of network structure and loss functions | |
CN108717717B (zh) | 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 | |
CN113077527B (zh) | 一种基于欠采样的快速磁共振图像重建方法 | |
CN106934778B (zh) | 一种基于小波域结构和非局部分组稀疏的mr图像重建方法 | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
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 | |
US11170543B2 (en) | MRI image reconstruction from undersampled data using adversarially trained generative neural network | |
CN103142228A (zh) | 压缩感知磁共振快速成像方法 | |
CN112991483B (zh) | 一种非局部低秩约束的自校准并行磁共振成像重构方法 | |
CN105931242B (zh) | 基于字典学习和时间梯度的动态核磁共振图像重建方法 | |
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 | |
Wang et al. | MHAN: Multi-Stage Hybrid Attention Network for MRI reconstruction and super-resolution | |
CN109920017B (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 | |
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*** | |
CN113487507A (zh) | 一种基于多模块特征聚合的双域递归网络mr重建方法 | |
CN110148193A (zh) | 基于自适应正交字典学习的动态磁共振并行重建方法 | |
CN117333365A (zh) | 基于混合Transformer超分辨率网络的图像超分辨率方法 | |
Yi et al. | Frequency Learning via Multi-Scale Fourier Transformer for MRI Reconstruction | |
CN116863024A (zh) | 一种磁共振图像重建方法、***、电子设备及存储介质 | |
CN114299174B (zh) | 一种基于深度无监督学习的多回波欠采样重建—水脂分离方法 | |
CN113920211B (zh) | 一种基于深度学习的快速磁敏感加权成像方法 | |
CN114529519B (zh) | 基于多尺度深度空洞残差网络的图像压缩感知重建方法及*** | |
CN110598579A (zh) | 一种基于深度学习的超复数磁共振波谱重建方法 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN112634385B (zh) | 一种基于深度拉普拉斯网络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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |
|
WD01 | Invention patent application deemed withdrawn after publication |