公开(公告)号：CN104739410A

公开(公告)日：2015-07-01

申请号：CN201510181018.0

申请日：2015-04-16

Applicant: 厦门大学

Inventor： 屈小波 ,  占志芳 ,  刘运松 ,  郭迪 ,  陈忠

IPC: A61B5/055 ,  G06T11/00 ,  G06T5/00

CPC classification number: A61B5/055

Abstract: 一种磁共振图像的迭代重建方法，涉及磁共振成像。提供计算简单、运算速度快、占用计算机内存少的一种磁共振图像的迭代重建方法。首先提出一个解空间受限的稀疏重建模型，再通过迭代运算求解重建模型并获得重建磁共振图像，其中在每次迭代中利用相邻两次迭代的重建图像对图像进行修正，用来加快图像重建的速度。这种重建方法的参数少，重建的迭代运算复杂度低，运算速度快。同时，图像重建过程不需要额外计算变换域系数，占用少量计算机内存。

公开(公告)号：CN118570227A

公开(公告)日：2024-08-30

申请号：CN202410610751.9

申请日：2024-05-16

Applicant: 厦门大学

Inventor： 屈小波 ,  李泽宇

IPC: G06T7/11 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  A61B5/00

Abstract: 一种基于深度学习的脑区分割算法，涉及脑区分割。步骤：1)获取由Destrieux脑图谱分割的结果作为模型训练和评估的训练标签，以及将部分左右脑区合并减少标签后，得到122个脑区标签的训练集；2)设计基于Unet网络展开的具有多尺度、多分支注意模块的深度学习网络模型；3)构建网络的损失函数；4)利用步骤1)获得的训练集，求解深度学习网络的最优参数；5)将待分割的脑部数据输入已训练的网络进行分割。通过引入多尺度分割注意力模块和多分支交叉注意力模块，增加不同尺度的感受野，以便得到深度的特征，实现对更多不同尺度大小脑区的精确分割，可将全脑分割为161个脑区的网络结构，具有分割速度快和分割精度高的特点。

公开(公告)号：CN118484631A

公开(公告)日：2024-08-13

申请号：CN202410623684.4

申请日：2024-05-20

Applicant: 厦门大学

Inventor： 屈小波 ,  谭贺娟 ,  涂章仁

IPC: G06F18/10 ,  G01N24/08 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种智能磁共振波谱代谢物定量方法。基于量子仿真模拟生成人体谱序列，结合磁共振物理模型，考虑场不均匀性造成的非理想因素，根据人体代谢物浓度范围生成训练集；构建微分最小二乘的量化深度网络及损失函数；去噪模块D‑net的参数通过梯度下降更新，量化模块M‑net的参数通过微分最小二乘求解，D‑net和M‑net串联组合形成智能定量的DM‑net；去噪模块D‑net与量化模块M‑net间在固定最优参数下更新网络梯度，在给定去噪模块网络参数下求解量化模块最优参数实现双向循环优化；训练集输入DM‑net网络模型，预测实测波谱的代谢物浓度。减小非理想因素造成的量化误差，提高量化结果稳定性，精准量化目标代谢物。

公开(公告)号：CN118365956A

公开(公告)日：2024-07-19

申请号：CN202410610843.7

申请日：2024-05-16

Applicant: 厦门大学

Inventor： 屈小波 ,  郭林

IPC: G06V10/764 ,  G06V10/40 ,  G06V10/82 ,  G16H50/50

Abstract: 一种基于CapsNet的肝癌早期诊断模型，涉及图像处理。提取输入的肝脏增强CT图像的特征，通过ResNet模块，卷积、正则化、激活函数、最大池化；输出的特征在PrimaryCaps层捕捉特征空间信息，输出图像初级特征，减少维度，抽象和细化特征；在PrimaryCaps层和DigitCaps层间添加的额外PrimaryCaps层识别和整合局部特征；经过DigitCaps层分类，包含一个数字胶囊层，用于进行动态路由，经过Squash操作得到由8维的向量组成的特征图。融合ResNet的深度残差学习框架和CapsNet的高级特征表示能力设计E‑CapsNet，提高肝癌早期诊断的准确性和效率。

公开(公告)号：CN117011409B

公开(公告)日：2024-05-10

申请号：CN202311004982.7

申请日：2023-08-10

Applicant: 厦门大学

Inventor： 屈小波 ,  管飞强 ,  钱晨

IPC: G06T11/00 ,  G01R33/54 ,  G06T5/70 ,  G06F17/14 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

Abstract: 多部位物理智能高清扩散磁共振数据生成方法，1)利用扩散物理模型生成仿真的高清扩散磁共振幅值图；2)基于物理运动模型生成各次激发扩散图像的高阶仿真运动相位；3)将仿真扩散磁共振幅值图、高阶仿真运动相位图和采集的多通道线圈灵敏度地图结合，利用傅里叶变换，变换到k空间，得全采样的网络训练标签数据，4)再加入高斯噪声，得带噪k空间数据；5)根据目标实测高清扩散数据的采集序列的采样轨迹，对带噪k空间数据欠采样，得运动伪影干扰的仿真多通道多激发扩散磁共振数据；6)重复1)～5)，生成网络训练输入数据和全采样训练标签数据；7)利用生成扩散磁共振数据集训练神经网络，实现实测高清扩散磁共振数据的重建或去噪。

公开(公告)号：CN113971706B

公开(公告)日：2024-04-30

申请号：CN202111203947.9

申请日：2021-10-15

Applicant: 厦门大学

Inventor： 屈小波 ,  王孜

IPC: G06T11/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08 ,  A61B5/055

Abstract: 一种快速磁共振智能成像方法，包括以下步骤：1)获取多线圈磁共振傅里叶空间数据，并通过傅里叶逆变换等操作生成欠采样填零的多线圈一维混合空间数据、对应的一维欠采样模板和完整的多线圈一维混合空间数据共同组成训练集；2)设计基于低秩和稀疏模型展开的深度学习网络模型、网络的反馈功能及损失函数；3)利用步骤1)获得的训练集，求解基于低秩和稀疏模型展开的深度学习网络的最优参数；4)将待重建的欠采样的磁共振傅里叶空间数据输入已训练的网络重建磁共振图像。通过同时约束磁共振傅里叶空间的低秩性和图像的稀疏性，以传统最优化方法为指导设计一维深度神经网络，具有重建速度快、重建质量高和内存消耗小的特点。

公开(公告)号：CN117316424A

公开(公告)日：2023-12-29

申请号：CN202311088352.2

申请日：2023-08-28

Applicant: 厦门大学

Inventor： 屈小波 ,  周毅荣 ,  吴炎煌

IPC: G16H50/20 ,  G01R33/48 ,  G16H30/00

Abstract: 云磁共振成像系统。包括：1)数据采集和上传模块：操作人员从磁共振设备获取磁共振数据，通过安全通道将数据以统一格式上传至云磁共振成像系统服务器，确保数据传输安全。2)数据处理和分析模块：得到上传的磁共振数据，在高性能服务器上处理，借助人工智能技术进行图像快速重建、噪声去除、信号增强以及其他深度学习训练任务等，从中提取用于诊断的有用信息。3)结果访问与诊断模块：云端医生通过各种终端设备登录系统，随时访问已处理的图像数据和结果，进行在线阅片、诊断报告撰写、图像评估等任务。4)系统监控与安全模块：通过监控工具和人工智能技术实时监测运行状态，检测异常情况并触发警报，以维护数据隐私和系统安全。

公开(公告)号：CN117078785A

公开(公告)日：2023-11-17

申请号：CN202311045660.7

申请日：2023-08-18

Applicant: 厦门大学

Inventor： 屈彪 ,  李泽宇 ,  屈小波

IPC: G06T11/00 ,  G06T5/00 ,  G06N3/045 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0495 ,  G06N3/08

Abstract: 一种快速非笛卡尔磁共振智能成像方法，涉及非笛卡尔采样磁共振图像的重建方法。获取非笛卡尔采样的多线圈磁共振傅里叶空间数据和采样轨迹，结合欠采样轨迹并通过密度补偿和非均匀傅里叶逆变换等操作，获得欠采样K空间数据，全采样合成图，全采样轨迹，欠采样轨迹共同组成训练集；设计基于稀疏模型展开的针对非笛卡尔采样数据的联合磁共振灵敏度估计与图像重建深度学习网络模型、网络的推理功能及损失函数；利用获得的训练集，求解基于稀疏模型展开的深度学习网络的最优参数；将待重建的非笛卡尔欠采样的磁共振傅里叶空间数据输入已训练好的网络重建磁共振图像。具有同时对线圈灵敏度估计、图像重建速度快和重建质量高的特点。

公开(公告)号：CN116415503A

公开(公告)日：2023-07-11

申请号：CN202310396819.3

申请日：2023-04-14

Applicant: 厦门大学

Inventor： 屈小波 ,  陈晓蝶

IPC: G06F30/27 ,  A61B5/055 ,  A61B5/00 ,  G06N10/20 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/082 ,  G06F18/214

Abstract: 一种物理模型驱动人工智能的磁共振波谱定量方法，涉及磁共振波谱定量方法。利用量子演化得到代谢物基集，基于磁共振信号物理解析模型，添加非理想因子，构建训练集；设计基于物理模型驱动的深度学习量化网络模型及损失函数，得到最优网络模型；目标信号量化，将实际采集的目标数据输入最优网络模型，即得到量化的目标代谢物浓度和矫正后的输入谱。本发明结合神经网络优越的非线性学习能力和磁共振信号模型的可解释性，可以快速精准量化γ‑氨基丁酸等目标代谢物，有效减小了非理想因素造成的量化误差，提高了量化结果的稳定性。

公开(公告)号：CN113034639B

公开(公告)日：2022-09-06

申请号：CN202110303699.9

申请日：2021-03-22

Applicant: 厦门大学

Inventor： 屈小波

IPC: G06T11/00 ,  G06F17/16 ,  G06F17/14

Abstract: 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法，涉及磁共振成像。提供通过利用多个可分离汉克尔矩阵的低秩特性来降低磁共振图像重建时间的一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法。包括以下步骤：1)建立基于可分离汉克尔矩阵的图像重建模型；2)建立基于可分离汉克尔矩阵重建模型的求解算法；3)重建多通道磁共振图像，多通道合并后即得到基于可分离汉克尔矩阵的磁共振成像的图像。通过构建多个可分离的汉克尔矩阵来代替大规模结构化矩阵，以达到加快重建计算速度，减小重建所需内存的目的。通过约束多个可分离汉克尔矩阵的低秩性，来代替约束大规模结构化矩阵的低秩性，能够显著降低计算时间，减小计算内存。