CN114998471A - 基于RecNet模型的磁粒子成像重建方法 - Google Patents
基于RecNet模型的磁粒子成像重建方法 Download PDFInfo
- Publication number
- CN114998471A CN114998471A CN202210712519.7A CN202210712519A CN114998471A CN 114998471 A CN114998471 A CN 114998471A CN 202210712519 A CN202210712519 A CN 202210712519A CN 114998471 A CN114998471 A CN 114998471A
- Authority
- CN
- China
- Prior art keywords
- signal
- image
- magnetic particle
- recnet
- model
- 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
- 239000006249 magnetic particle Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000003384 imaging method Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000005415 magnetization Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/12—Measuring magnetic properties of articles or specimens of solids or fluids
- G01R33/1276—Measuring magnetic properties of articles or specimens of solids or fluids of magnetic particles, e.g. imaging of magnetic nanoparticles
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/091—Active learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Chemical & Material Sciences (AREA)
- Nanotechnology (AREA)
- Image Analysis (AREA)
Abstract
本发明属于磁粒子成像的图像重建领域,具体涉及一种基于RecNet模型的磁粒子成像重建方法、***、设备,旨在解决现有的磁粒子成像重建方法中,基于***矩阵的重建方法获取***矩阵难度大,重建的结果包含噪声和伪影,x‑space的重建方法重建图像质量、清晰度较差的问题。本方法包括:获取待成像重建的一维MPI信号,作为输入信号;将输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;磁粒子重建模型RecNet基于域转换网络、改进的UNet网络构建。本发明可以在不获取***矩阵的情况下获得高质量的、清晰的磁粒子分布图像。
Description
技术领域
本发明属于磁粒子成像的图像重建领域,具体涉及一种基于RecNet模型的磁粒子成像重建方法、***、设备。
背景技术
磁粒子成像(magnetic particle image,MPI)是一种全新的断层成像技术,它具有时间分辨率高、无组织背景信号、灵敏性高、无辐射等诸多优点,已经被证实可以用于细胞示踪、血管造影、癌症检测等诸多医学领域,是最有可能进行临床应用的新型成像技术之一。
MPI重建是将MPI设备中获取的电压信号重建为磁粒子浓度的分布图,目前多采用基于***矩阵和x-space的重建方法,在基于***矩阵的重建方法中获取***矩阵的难度大,且重建结果往往包含噪声和伪影,而x-space的重建方法获取的磁粒子分布图像质量、清晰度较差,影响对MPI结果的判读。基于此,本发明提出了一种基于RecNet模型的磁粒子成像重建方法。
发明内容
为了解决现有技术中的上述问题,即为了解决现有的磁粒子成像重建方法中,基于***矩阵的重建方法获取***矩阵难度大,重建的结果包含噪声和伪影,x-space的重加方法重建图像质量、清晰度较差的问题,本发明第一方面,提出了一种基于RecNet模型的磁粒子成像重建方法,该方法包括:
S100,获取待成像重建的一维MPI信号,作为输入信号;
S200,将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
在一些优选的实施方式中,所述磁粒子重建模型RecNet,其训练方法为:
A100,获取待重建的灰度图像,并对所述灰度图像进行预处理;
A200,对预处理后的灰度图像进行MPI仿真,得到一维MPI信号、无磁场点速度信号;
A300,将所述一维MPI信号、所述无磁场点速度信号输入预构建的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像,作为重建图像;
A400,基于所述重建图像,以及磁粒子重建模型RecNet输入的一维MPI信号、无磁场点速度信号对应的待重建的灰度图像,通过均方误差损失函数得到损失值,进而进行反向传播以更新磁粒子重建模型RecNet的模型参数;
A500,循环A100-A400,直至得到训练好的磁粒子重建模型RecNet。
在一些优选的实施方式中,对所述灰度图像进行预处理,其方法为:
对所述灰度图像进行插值处理,得到插值灰度图像;
对插值灰度图像进行随机剪裁,并将随机剪裁后的插值灰度图像放置于第一图像的设定位置,合成新的图像;所述第一图像为像素灰度值全为0、尺寸大小与插值灰度图像大小相同的图像;
将合成的图像进行设定度数的旋转,将旋转后的图像作为预处理后的灰度图像;所述设定度数为90度的整数倍。
在一些优选的实施方式中,对预处理后的灰度图像进行MPI仿真,其方法为:
将预处理后的灰度图像的像素灰度值线性转换为磁粒子的浓度信号;
基于磁粒子的浓度信号,结合设定的仿真参数,通过朗之万方程进行MPI仿真,得到一维MPI信号、无磁场点速度信号;所述仿真参数包括磁粒子温度、饱和磁化强度、驱动场磁场强度幅值、频率、选择场磁场强度、采样频率、重复采样时间、线圈灵敏度、FOV。
在一些优选的实施方式中,将预处理后的灰度图像的像素灰度值线性转换为磁粒子的浓度信号,其方法为:
c(r)=cmaxg(r)/gmax
其中,c(r)为预处理后的灰度图像像素点r处的磁粒子的浓度信号,g(r)为像素点r处的像素灰度值,cmax和gmax为设定的最大磁粒子浓度和最大像素灰度值。
在一些优选的实施方式中,所述无磁场点速度信号,其获取方法为:
计算x方向无磁场点的位置:
将x方向无磁场点的位置对时间进行求导,得到无磁场点速度信号。
本发明的第二方面,提出了一种基于RecNet模型的磁粒子成像重建***,包括:信号获取模块、图像重建模块;
所述信号获取模块,配置为获取待成像重建的一维MPI信号,作为输入信号;
所述图像重建模块,配置为将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
本发明的第三方面,提出了一种设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于RecNet模型的磁粒子成像重建方法。
本发明的第四方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于RecNet模型的磁粒子成像重建方法。
本发明的有益效果:
本发明可以在不获取***矩阵的情况下获得高质量的、清晰的磁粒子分布图像,并且图像像素的灰度值能线性反应磁粒子浓度,为MPI重建提供了一种新的方案,有利于MPI结果的判读和定量分析。
1)本发明利用深度学习的方法,通过域转换网络、改进的UNet网络构建端到端的RecNet模型进行磁粒子图像重建,使得重建结果直接反应磁粒子的浓度,避免了x-space重建结果中磁粒子分布信息与其他的信息耦合,需要进行进一步处理的情况以及x-space重建结果信噪比低等弊端,同时克服基于***矩阵重建方法需要精确的***矩阵。
2)本发明能够对具有一定分布特征的图像进行处理,有利于避免分布特征对重建结果的影响。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于RecNet模型的磁粒子成像重建方法的流程示意图;
图2是本发明一种实施例的基于RecNet模型的磁粒子成像重建***的框架示意图;
图3是本发明一种实施例的灰度图像经过预处理前后的示意图;
图4是本发明一种实施例的MPI仿真得到的数据的示例图;
图5是本发明一种实施例的磁粒子重建模型RecNet中域转换网络的结构示意图;
图6是本发明一种实施例的磁粒子重建模型RecNet中改进的UNet网络的结构示意图;
图7是本发明一种实施例的基于磁粒子重建模型RecNet进行磁粒子成像的重建结果的示意图;
图8是本发明一种实施例的磁粒子重建模型RecNet的训练过程的示意图;
图9是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于RecNet模型的磁粒子成像重建方法,如图1所示,包括以下步骤:
S100,获取待成像重建的一维MPI信号,作为输入信号;
S200,将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
为了更清晰地对本发明基于RecNet模型的磁粒子成像重建方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
在下述实施例中,先对磁粒子重建模型RecNet的训练过程进行详述,再对基于RecNet模型的磁粒子成像重建方法进行图像重建的过程进行详述。
1、磁粒子重建模型RecNet的训练过程,如图8所示
A100,获取待重建的灰度图像,并对所述灰度图像进行预处理;
在本实施例中,先获取待重建的灰度图像,作为标签。本发明中,优选从MNIST和Fashion MNIST数据集中选取图像,如图3中的(a)所示,然后对选取的图像进行预处理,预处理的过程具体如下:
对所述灰度图像进行插值处理,得到插值灰度图像;在MNIST和Fashion MNIST数据集中选取的灰度图像的尺寸为28×28,本发明中优选将其进行插值,得到121×121的插值灰度图像。
对插值灰度图像进行随机剪裁,主要是为了去除其图像本身的分布信息,如图像主体部分在图像的中间位置等,对图像进行的随机的裁剪,裁剪的方式是首先产生随机尺寸的矩形框,在本实施例中矩形框边长大小为20到121的随机值,然后等可能地随机选择图像中的位置作为裁剪区域进行裁剪。
剪裁后,将随机剪裁后的插值灰度图像放置于第一图像的设定位置,合成新的图像;所述第一图像为像素灰度值全为0(即全黑图像)、尺寸大小与插值灰度图像大小相同的图像;设定位置的选取可采用:对于可以放置裁剪图像的所有位置等可能随机选取的方式。
将合成的图像进行设定度数的旋转,将旋转后的图像作为预处理后的灰度图像,如图3中的(b)所示;所述设定度数为90度的整数倍。
A200,对预处理后的灰度图像进行MPI仿真,得到一维MPI信号、无磁场点速度信号;
在本实施例中,对预处理后的灰度图像进行MPI仿真,具体过程为:
将预处理后的灰度图像的像素灰度值线性转换为磁粒子的浓度信号,具体如公式(1)所示:
c(r)=cmaxg(r)/gmax (1)
其中,c(r)为预处理后的灰度图像像素点r处的磁粒子的浓度信号,g(r)为像素点r处的像素灰度值,cmax和gmax为设定的最大磁粒子浓度和最大像素灰度值。在本发明中,设定在最大磁粒子浓度为最大浓度优选设置为5×107mmol/L,最大像素灰度值优选设置为255。
基于磁粒子的浓度信号,结合设定的仿真参数,通过朗之万方程进行MPI仿真,得到一维MPI信号、无磁场点速度信号。其中,MPI仿真得到的一维MPI信号,如图4所示。
在本发明中,设定MPI仿真环境,进行MPI信号的仿真。其中,设定的仿真参数为:磁粒子温度优选设置为20℃、饱和磁化强度优选设置为8×105A/m,驱动场磁场强度幅值优选设置为12mT×12mT、频率优选设置为2.5/102MHz×2.5/96MHz,选择场磁场强度优选设置为2.0T×2.0T,采样频率优选设置为2.5MHz,重复采样时间优选设置为6.528×10-4s,线圈灵敏度优选设置为1.0,FOV优选设置为12.1mm×12.1mm。
另外,无磁场点速度信号,其获取方法为:
计算x方向无磁场点的位置:
将x方向无磁场点的位置对时间进行求导,得到无磁场点速度信号,即FFP的速度信号即为FFP位置对时间的导数。存储电压信号(即一维MPI信号)和无磁场点(FFP)速度信号作为仿真结果。
A300,将所述一维MPI信号、所述无磁场点速度信号输入预构建的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像,作为重建图像;
在本实施例中,所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建,如图5所示,其中,图5中的矩形上方的数字,例如1、4、8等,表示对应层的通道数(图6中的同理),1633,14641表示的是每一个通道中的数据量;目的是将电压信号和FFP信息这两个1D信号转换为图像域中的二维信号,具体转换过程如下:
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;即首先进行1D信号的处理,这里采用的是1D卷积的形式,目的是提取信号中的时序信息,在本实施例中,通过消融实验可以验证1D卷积对MPI的重建质量有很大的影响。
所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号,将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;即在对一维MPI信号、无磁场点速度信号进行1D卷积处理后,进行域的转换,采用的是全连接层,这虽然增大了模型的参数规模,但是能够最为直接地将一维信号转换成二维信号。
所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;即经过卷积处理后,对这两个信号得到二维特征图进行通道上的拼接。
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;即为了进行特征的初步提取,加入多个卷积、批标准化层、非线性激活函数,在进一步提取数据特征地基础上,完成两种不同信号特征的融合,同时加入非线性操作,此时我们得到的特征就是转换后并进行简单提取得到的特征图。
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接,如图6所示;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像,如图7所示。
在本发明中,将特征图输入到一个改进的UNet网络模型,UNet网络是编码器-解码器结构,其有效性被广泛验证,UNet在RecNet中用于深层特征的提取,除了通道数和特征图尺寸的改变,我们基本保持了UNet的结构和操作。其中,本实施例中,将UNet用于磁粒子浓度重建,本质是一个对每一个位置上做回归预测,因此在模型输出层加入多个1×1的卷积层,将特征图通道数降为1,并且用Sigmoid函数作为最后一层的激活函数。
A400,基于所述重建图像,以及磁粒子重建模型RecNet输入的一维MPI信号、无磁场点速度信号对应的待重建的灰度图像,通过均方误差损失函数得到损失值,进而进行反向传播以更新磁粒子重建模型RecNet的模型参数;
在本实施例中,将磁粒子重建模型RecNet输入的一维MPI信号、无磁场点速度信号对应的待重建的灰度图像作为真值标签(即图7中的标签),结合所述重建图像,优选通过均方误差(mean square error,MSE)损失函数进行模型的反向传播,进行参数的调整。在其他实施例中,可以根据实际需要选取损失函数。
A500,循环A100-A400,直至得到训练好的磁粒子重建模型RecNet。
在本实施例中,在训练次数未达到所预设的训练次数的情况下重复执行步骤100~A400,否则,训练结束,得到训练好的磁粒子重建模型RecNet。
2、基于RecNet模型的磁粒子成像重建方法
S100,获取待成像重建的一维MPI信号,作为输入信号;
在本实施例中,先获取待成像重建的一维MPI信号。本发明中优选通过MPI设备获取待成像重建的一维MPI信号,其中,MPI设备为现有,此处不再一一详述。
S200,将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像。
在本实施例中,在采集输入信号时,获取驱动场磁场强度以及选择场在x方向单位距离的磁场强度的变化量Gx,基于Gx,计算x方向无磁场点的位置xffp(具体计算过程如上述公式(2)所示),对xffp进行求导,得到输入信号对应的无磁场点速度信号。将输入信号及其对应的无磁场点速度信号,输入上述训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像。
本发明第二实施例的一种基于RecNet模型的磁粒子成像重建***,如图2所示,包括:信号获取模块100、图像重建模块200;
所述信号获取模块100,配置为获取待成像重建的一维MPI信号,作为输入信号;
所述图像重建模块200,配置为将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
需要说明的是,上述实施例提供的基于RecNet模型的磁粒子成像重建***,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的基于RecNet模型的磁粒子成像重建方法。
本发明第四实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的基于RecNet模型的磁粒子成像重建方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图9,其示出了适于用来实现本申请方法、***、装置实施例的服务器的计算机***的结构示意图。图9示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图9所示,计算机***包括中央处理单元(CPU,Central Processing Unit)901,其可以根据存储在只读存储器(ROM,Read Only Memory)902中的程序或者从存储部分908加载到随机访问存储器(RAM,Random Access Memory)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有***操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O,Input/Output)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于RecNet模型的磁粒子成像重建方法,其特征在于,该方法包括以下步骤:
S100,获取待成像重建的一维MPI信号,作为输入信号;
S200,将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
2.根据权利要求1所述的基于RecNet模型的磁粒子成像重建方法,其特征在于,所述磁粒子重建模型RecNet,其训练方法为:
A100,获取待重建的灰度图像,并对所述灰度图像进行预处理;
A200,对预处理后的灰度图像进行MPI仿真,得到一维MPI信号、无磁场点速度信号;
A300,将所述一维MPI信号、所述无磁场点速度信号输入预构建的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像,作为重建图像;
A400,基于所述重建图像,以及磁粒子重建模型RecNet输入的一维MPI信号、无磁场点速度信号对应的待重建的灰度图像,通过均方误差损失函数得到损失值,进而进行反向传播以更新磁粒子重建模型RecNet的模型参数;
A500,循环A100-A400,直至得到训练好的磁粒子重建模型RecNet。
3.根据权利要求1所述的基于RecNet模型的磁粒子成像重建方法,其特征在于,对所述灰度图像进行预处理,其方法为:
对所述灰度图像进行插值处理,得到插值灰度图像;
对插值灰度图像进行随机剪裁,并将随机剪裁后的插值灰度图像放置于第一图像的设定位置,合成新的图像;所述第一图像为像素灰度值全为0、尺寸大小与插值灰度图像大小相同的图像;
将合成的图像进行设定度数的旋转,将旋转后的图像作为预处理后的灰度图像;所述设定度数为90度的整数倍。
4.根据权利要求1所述的基于RecNet模型的磁粒子成像重建方法,其特征在于,对预处理后的灰度图像进行MPI仿真,其方法为:
将预处理后的灰度图像的像素灰度值线性转换为磁粒子的浓度信号;
基于磁粒子的浓度信号,结合设定的仿真参数,通过朗之万方程进行MPI仿真,得到一维MPI信号、无磁场点速度信号;所述仿真参数包括磁粒子温度、饱和磁化强度、驱动场磁场强度幅值、频率、选择场磁场强度、采样频率、重复采样时间、线圈灵敏度、FOV。
5.根据权利要求4所述的基于RecNet模型的磁粒子成像重建方法,其特征在于,将预处理后的灰度图像的像素灰度值线性转换为磁粒子的浓度信号,其方法为:
c(r)=cmaxg(r)/gmax
其中,c(r)为预处理后的灰度图像像素点r处的磁粒子的浓度信号,g(r)为像素点r处的像素灰度值,cmax和gmax为设定的最大磁粒子浓度和最大像素灰度值。
7.一种基于RecNet模型的磁粒子成像重建***,其特征在于,该***包括:信号获取模块、图像重建模块;
所述信号获取模块,配置为获取待成像重建的一维MPI信号,作为输入信号;
所述图像重建模块,配置为将所述输入信号及其对应的无磁场点速度信号,输入训练好的磁粒子重建模型RecNet进行图像重建,得到二维MPI图像;
所述磁粒子重建模型RecNet包含域转换网络和改进的UNet网络;
所述域转换网络基于依次连接的1D卷积层、全连接层、拼接层、空间特征提取层构建;
所述1D卷积层,配置为分别将一维MPI信号、无磁场点速度信号进行1D卷积处理;所述全连接层,配置为将1D卷积处理后的一维MPI信号转换成二维信号,作为第一信号;将1D卷积处理后的无磁场点速度信号转换成二维信号,作为第二信号;所述拼接层,配置为对所述第一信号、所述第二信号进行拼接,将拼接后的信号作为第三信号;
所述空间特征提取层基于依次连接的多个卷积层、批标准化层、非线性激活函数构建;所述空间特征提取层,配置为对所述第三信号进行特征提取;
所述改进的UNet网络基于UNet网络和多个1×1的卷积层构建,多个1×1的卷积层与所述UNet网络的输出层连接;所述改进的UNet网络,配置为对空间特征提取层提取特征进一步提取,并进行图像重建,得到二维MPI图像。
8.一种设备,其特征在于,包括:
至少一个处理器;以及与至少一个所述处理器通信连接的存储器;
其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-6任一项所述的基于RecNet模型的磁粒子成像重建方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现权利要求1-6任一项所述的基于RecNet模型的磁粒子成像重建方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712519.7A CN114998471B (zh) | 2022-06-22 | 2022-06-22 | 基于RecNet模型的磁粒子成像重建方法 |
US18/144,256 US11835602B1 (en) | 2022-06-22 | 2023-05-08 | Magnetic particle imaging (MPI) reconstruction method based on RecNet model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712519.7A CN114998471B (zh) | 2022-06-22 | 2022-06-22 | 基于RecNet模型的磁粒子成像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998471A true CN114998471A (zh) | 2022-09-02 |
CN114998471B CN114998471B (zh) | 2022-12-16 |
Family
ID=83037785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210712519.7A Active CN114998471B (zh) | 2022-06-22 | 2022-06-22 | 基于RecNet模型的磁粒子成像重建方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11835602B1 (zh) |
CN (1) | CN114998471B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640506A (zh) * | 2022-11-18 | 2023-01-24 | 中国科学院自动化研究所 | 基于时频谱信号增强的磁粒子分布模型重建方法和*** |
CN116503507A (zh) * | 2023-06-26 | 2023-07-28 | 中国科学院自动化研究所 | 基于预训练模型的磁粒子图像重建方法 |
CN116934597A (zh) * | 2023-09-14 | 2023-10-24 | 中国科学院自动化研究所 | 基于fdnn模型的磁粒子成像空间分辨率提升方法 |
CN117689761A (zh) * | 2024-02-02 | 2024-03-12 | 北京航空航天大学 | 基于扩散模型的即插即用磁粒子成像重建方法、*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
CN113129403A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院自动化研究所 | 基于前向模型的磁粒子成像***矩阵图像重建方法及*** |
CN113331812A (zh) * | 2021-06-03 | 2021-09-03 | 中国科学院自动化研究所 | 面向全身的三维磁粒子成像方法、***及设备 |
CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
CN113781365A (zh) * | 2021-10-26 | 2021-12-10 | 中国科学院自动化研究所 | 基于深度图像先验的mpi***矩阵复原方法 |
CN113808234A (zh) * | 2021-11-08 | 2021-12-17 | 北京航空航天大学 | 一种基于欠采样的快速磁粒子成像重建方法 |
CN113850883A (zh) * | 2021-10-14 | 2021-12-28 | 北京航空航天大学 | 基于注意力机制的磁粒子成像重建方法 |
CN113947642A (zh) * | 2021-10-18 | 2022-01-18 | 北京航空航天大学 | 一种x空间磁粒子成像解卷积方法 |
WO2022016461A1 (zh) * | 2020-07-23 | 2022-01-27 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
WO2022077158A1 (en) * | 2020-10-12 | 2022-04-21 | Gudsen Engineering, Inc. | Simultaneous localization and mapping using road surface data |
CN114419176A (zh) * | 2021-12-24 | 2022-04-29 | 杭州微影医疗科技有限公司 | 一种螺旋桨磁共振成像的重建***和方法 |
CN114403843A (zh) * | 2022-01-25 | 2022-04-29 | 西安电子科技大学 | 一种二维磁粒子成像*** |
CN114601442A (zh) * | 2022-01-13 | 2022-06-10 | 西安电子科技大学 | 一种二维磁粒子成像方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110420026B (zh) * | 2019-07-15 | 2020-05-19 | 中国科学院自动化研究所 | 基于ffl的磁粒子成像三维立体重建方法、***、装置 |
-
2022
- 2022-06-22 CN CN202210712519.7A patent/CN114998471B/zh active Active
-
2023
- 2023-05-08 US US18/144,256 patent/US11835602B1/en active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018223275A1 (zh) * | 2017-06-06 | 2018-12-13 | 深圳先进技术研究院 | 基于深度卷积网的一维部分傅里叶并行磁共振成像方法 |
CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
WO2022016461A1 (zh) * | 2020-07-23 | 2022-01-27 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
WO2022077158A1 (en) * | 2020-10-12 | 2022-04-21 | Gudsen Engineering, Inc. | Simultaneous localization and mapping using road surface data |
CN113129403A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院自动化研究所 | 基于前向模型的磁粒子成像***矩阵图像重建方法及*** |
CN113331812A (zh) * | 2021-06-03 | 2021-09-03 | 中国科学院自动化研究所 | 面向全身的三维磁粒子成像方法、***及设备 |
CN113628296A (zh) * | 2021-08-04 | 2021-11-09 | 中国科学院自动化研究所 | 一种从时频域信号到二维图像的磁粒子成像重建方法 |
CN113850883A (zh) * | 2021-10-14 | 2021-12-28 | 北京航空航天大学 | 基于注意力机制的磁粒子成像重建方法 |
CN113947642A (zh) * | 2021-10-18 | 2022-01-18 | 北京航空航天大学 | 一种x空间磁粒子成像解卷积方法 |
CN113781365A (zh) * | 2021-10-26 | 2021-12-10 | 中国科学院自动化研究所 | 基于深度图像先验的mpi***矩阵复原方法 |
CN113808234A (zh) * | 2021-11-08 | 2021-12-17 | 北京航空航天大学 | 一种基于欠采样的快速磁粒子成像重建方法 |
CN114419176A (zh) * | 2021-12-24 | 2022-04-29 | 杭州微影医疗科技有限公司 | 一种螺旋桨磁共振成像的重建***和方法 |
CN114601442A (zh) * | 2022-01-13 | 2022-06-10 | 西安电子科技大学 | 一种二维磁粒子成像方法 |
CN114403843A (zh) * | 2022-01-25 | 2022-04-29 | 西安电子科技大学 | 一种二维磁粒子成像*** |
Non-Patent Citations (5)
Title |
---|
DI DONG: "The Role of Imaging in the Detection and Management of COVID-19: A Review", 《IEEE REVIEWS IN BIOMEDICAL ENGINEERING》 * |
JIA YIPAN: "Muti-Domain Integrative Swin Transformer Network for Sparse-View Tomographic Reconstruction", 《ARXIV》 * |
PENG ZHENGYAO: "A deep learning-based computational prediction model for characterizing cellular biomarker distribution in tumor microenvironment", 《PROCEEDINGS OF SPIE》 * |
TONG TONG: "Domain Transform Network for Photoacoustic Tomography from Limited-view and Sparsely Sampled Data", 《PHOTOACOUSTICS》 * |
陈晓君: "基于***矩阵的磁粒子成像重构研究进展", 《北京生物医学工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640506A (zh) * | 2022-11-18 | 2023-01-24 | 中国科学院自动化研究所 | 基于时频谱信号增强的磁粒子分布模型重建方法和*** |
CN115640506B (zh) * | 2022-11-18 | 2023-03-21 | 中国科学院自动化研究所 | 基于时频谱信号增强的磁粒子分布模型重建方法和*** |
CN116503507A (zh) * | 2023-06-26 | 2023-07-28 | 中国科学院自动化研究所 | 基于预训练模型的磁粒子图像重建方法 |
CN116503507B (zh) * | 2023-06-26 | 2023-08-29 | 中国科学院自动化研究所 | 基于预训练模型的磁粒子图像重建方法 |
CN116934597A (zh) * | 2023-09-14 | 2023-10-24 | 中国科学院自动化研究所 | 基于fdnn模型的磁粒子成像空间分辨率提升方法 |
CN116934597B (zh) * | 2023-09-14 | 2023-12-08 | 中国科学院自动化研究所 | 基于fdnn模型的磁粒子成像空间分辨率提升方法 |
CN117689761A (zh) * | 2024-02-02 | 2024-03-12 | 北京航空航天大学 | 基于扩散模型的即插即用磁粒子成像重建方法、*** |
CN117689761B (zh) * | 2024-02-02 | 2024-04-26 | 北京航空航天大学 | 基于扩散模型的即插即用磁粒子成像重建方法、*** |
Also Published As
Publication number | Publication date |
---|---|
US11835602B1 (en) | 2023-12-05 |
CN114998471B (zh) | 2022-12-16 |
US20230417847A1 (en) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998471B (zh) | 基于RecNet模型的磁粒子成像重建方法 | |
CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
CN111462264B (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
CN115526946A (zh) | 基于特征融合的磁粒子成像图像去噪声方法、***、设备 | |
US20230032472A1 (en) | Method and apparatus for reconstructing medical image | |
CN113781365B (zh) | 基于深度图像先验的mpi***矩阵复原方法 | |
CN117078792A (zh) | 正则项自适应优化的磁粒子图像重建***、方法及设备 | |
CN113592972A (zh) | 一种基于多模态聚合的磁共振图像重建方法及装置 | |
CN112767420B (zh) | 基于人工智能的核磁影像分割方法、装置、设备和介质 | |
CN115640501A (zh) | 基于多尺度特征融合的磁粒子成像时频域信号滤波方法 | |
CN116934597B (zh) | 基于fdnn模型的磁粒子成像空间分辨率提升方法 | |
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 | |
CN111157934B (zh) | 一种基于生成式对抗网络的并行磁共振成像方法 | |
CN117576250B (zh) | 前瞻性欠采样MRI Dixon数据的快速重建方法及*** | |
CN117689761B (zh) | 基于扩散模型的即插即用磁粒子成像重建方法、*** | |
CN117635479B (zh) | 基于双阶段扩散模型的磁粒子图像去噪方法、***及设备 | |
CN111681296B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN115063500B (zh) | 基于生成对抗网络的磁性纳米粒子成像重建方法 | |
CN115778353B (zh) | 基于旋转谐波图的磁场自由线磁粒子成像方法 | |
CN117541471B (zh) | 基于sph启发的pg-spect图像超分辨重建方法 | |
CN114881208A (zh) | 基于自注意力机制的mmpi混合信号分离方法 | |
CN117934650A (zh) | 基于域自适应的体素内不相干运动磁共振成像重建方法及装置 | |
CN116416327A (zh) | 医学图像处理方法、装置、设备及存储介质 | |
CN118069995A (zh) | 一种基于深度学习的核磁共振定域波谱信号去噪方法及*** |
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 |