-
公开(公告)号：CN119515726A
公开(公告)日：2025-02-25
申请号：CN202411564411.3
申请日：2024-11-05
Applicant: 厦门大学
Abstract: 一种腹部多激发高清扩散磁共振智能重建方法，涉及基于多激发交错平面回波序列采集的腹部扩散磁共振图像的智能重建。包括以下步骤：1）获取利用多激发交错平面回波序列采集腹部扩散磁共振图像的频域数据；2）设计智能高清腹部扩散磁共振重建模型；3）构建大量成对训练数据，并用于重建模型中的相位分割网络的训练，得到训练好的网络参数；4）采用凸集投影算法求解智能高清腹部扩散磁共振重建模型，得到最终重建结果。与传统重建算法相比，所提出的方法具有更好的重建信噪比和伪影抑制能力，能够实现高清扩散图像重建。
-
公开(公告)号：CN119251074A
公开(公告)日：2025-01-03
申请号：CN202411784782.2
申请日：2024-12-06
Applicant: 厦门大学
IPC: G06T5/60 , G06T5/70 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0985
Abstract: 一种物理智能磁共振扩散加权图像去噪和定量方法，涉及扩散磁共振加权成像。包括以下步骤：1）获取利用多扩散方向的平面回波成像序列采集的扩散加权磁共振数据；2）设计物理智能磁共振扩散加权图像去噪与定量的深度学习网络模型及损失函数；3）利用步骤1）获得的训练数据集，训练物理智能磁共振扩散加权图像去噪与定量的深度学习网络模型；4）将待去噪的扩散加权数据输入到训练好的网络中，生成最终的去噪与定量结果。通过物理正则化损失和低b值数据的联合应用，有效解决磁共振扩散加权成像中的低信噪比问题，实现图像去噪，并进一步提供准确的定量结果。在减少采集次数的同时能够保持甚至提升图像质量和ADC定量准确性。
-
公开(公告)号：CN118707416B
公开(公告)日：2024-12-13
申请号：CN202411185276.1
申请日：2024-08-27
Applicant: 厦门大学
IPC: G01R33/46 , G06N3/0464 , G06F18/22 , A61B5/055
Abstract: 一种人工智能超复数波谱重建方法，涉及磁共振波谱采样信号的重建。1）获取超复数形式的N维磁共振波谱全采样信号；2）根据实际欠采样模板对未采集的数据位置填零，生成N维磁共振波谱的欠采样信号；3）将步骤1）中N维磁共振波谱的全采样信号作为深度学习网络输出，将步骤2）中N维磁共振波谱的欠采样信号、欠采样模板作为网络输入，构成训练集；4）设计基于秩一近似分解的深度学习网络模型、损失函数及网络的反馈功能；5）利用训练集对基于秩一近似分解的深度学习网络的参数进行训练；6）将待重建的N维磁共振波谱的欠采样信号输入已训练的网络，获得N维磁共振波谱的重建信号。通过深度学习网络和秩一近似分解特性，有效降低重建误差。
-
公开(公告)号：CN117576234B
公开(公告)日：2024-12-13
申请号：CN202311454984.6
申请日：2023-11-03
Applicant: 厦门大学
Abstract: 一种动态磁共振智能成像方法，涉及动态磁共振图像重建。获取多线圈三维磁共振傅里叶空间‑时间数据，通过傅里叶逆变换、傅里叶空间‑时间欠采样、数据分离提取、线圈灵敏度编解码操作，建立包含全采样的合并线圈二维图像空间‑时间数据、欠采样填零的多线圈二维傅里叶空间‑时间数据和对应的二维傅里叶空间‑时间欠采样模板的训练集；设计基于时间低秩和空间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；求解基于时间低秩和空间稀疏模型展开的深度学习网络的最优参数；将待重建的欠采样的多线圈三维磁共振傅里叶空间‑时间数据输入已训练的网络，实现动态磁共振图像重建。重建速度快、重建质量高、内存消耗小，所需训练数据量少。
-
公开(公告)号：CN118504288B
公开(公告)日：2024-10-01
申请号：CN202410951541.6
申请日：2024-07-16
Applicant: 厦门大学
IPC: G06F30/20 , G06F18/214 , G06F18/20 , G06N10/00
Abstract: 一种深度量子计算的磁共振波谱代谢物基集生成方法，涉及磁共振波谱技术领域。包括：1）获取代谢物结构信息，进行数据预处理，生成初始自旋系统矩阵，得到仿真数据集；2）构建基于深度量子计算的基集生成网络Bs‑net及损失函数，3）设计脉冲模块Ex‑net和演化模块Ev‑net，学习不同角度的脉冲过程和密度算符随时间的更新过程；4）加载步骤3）的训练模型，在自旋回波序列上进行验证子模块组合后生成的代谢物基集。基于量子力学理论，利用深度学习方法学习序列的脉冲任务和密度算符随时间演化的过程，可适应多TE，多代谢物的基集生成情况，增强模型的泛化能力和准确性，为基集生成提供更灵活更准确的模拟策略。
-
Patent Agency Ranking
公开(公告)号：CN118470151B
公开(公告)日：2024-09-13
申请号：CN202410932035.2
申请日：2024-07-12
Applicant: 厦门大学
IPC: G06T11/00 , G06T5/90 , G06T5/60 , G06N3/0464 , G06N3/0455 , G06V10/80 , G06T5/10 , G06N3/084
Abstract: 一种智能动态对比度增强磁共振成像方法，涉及磁共振图像处理。1）获取动态对比度增强磁共振图像的傅里叶变换数据（也称频率数据），预处理，制作训练标签构建训练集；2）构建基于药代动力学和时空特征融合的深度学习网络，网络采用编码器‑解码器框架，由两个编码器（空间特征提取路径、时间‑空间特征提取路径）和一个解码器组成；两个编码器将提取的特征图拼接输入解码器；3）设计多任务损失函数，训练模型，训练集上采用梯度下降法对网络权重更新至损失函数收敛；4）待重建目标成像的频率数据输入训练好的模型，得到重建图像和药代动力学参数。通过时空特征融合及联合优化定量参数，实现快速高质量的图像重建和准确的药代动力学参数估计。
-
公开(公告)号：CN117173273B
公开(公告)日：2024-09-06
申请号：CN202311164236.4
申请日：2023-09-11
Applicant: 厦门大学
IPC: G06T11/00 , G06T5/80 , G06T5/10 , G06V10/774 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/082 , G06N3/048
Abstract: 一种即插即用的生成数据深度学习快速磁共振成像方法，涉及磁共振图像的重建方法。依据磁共振图像特性，生成全采样无噪图像仿真数据，再添加高斯白噪声生成对应的带噪声的图像仿真数据，然后进行随机一维数据提取操作，建立包含全采样无噪的一维图像仿真数据、带噪声的一维图像仿真数据的训练集；设计深度去伪影网络、损失函数及网络参数更新方式；利用获得的训练集，求解深度去伪影网络的最优参数；将训练好的深度去伪影网络插入基于近端梯度下降的迭代重建算法中；将待重建的欠采样的磁共振傅里叶空间数据输入迭代重建算法，通过迭代求解，实现快速磁共振图像重建。具有重建质量高、重建速度快和对不同采样模式鲁棒的特点。
-
公开(公告)号：CN118570323A
公开(公告)日：2024-08-30
申请号：CN202410615342.8
申请日：2024-05-17
Applicant: 厦门大学
Abstract: 一种物理智能高清扩散张量磁共振重建与定量方法，涉及基于多激发交错平面回波序列采集的多个扩散方向的扩散磁共振图像的联合重建与扩散张量的准确估计。其特征包括以下步骤：1)获取利用多激发交错平面回波序列采集的多个扩散方向的扩散磁共振图像的频域数据；2)设计物理智能高清扩散张量磁共振的联合重建与张量定量模型；3)构建大量成对训练数据，并用于图像重建与张量定量模型中的去噪器网络的训练；4)采用凸集投影算法求解图像重建与张量定量模型，得到最终重建的图像与张量。能够实现亚毫米的高清扩散图像重建。从而更准确地分析和理解组织或器官的微观结构和功能。可在神经科学、脑疾病诊断、治疗规划等领域具有广泛的应用价值。
-
公开(公告)号：CN118504288A
公开(公告)日：2024-08-16
申请号：CN202410951541.6
申请日：2024-07-16
Applicant: 厦门大学
IPC: G06F30/20 , G06F18/214 , G06F18/20 , G06N10/00
Abstract: 一种深度量子计算的磁共振波谱代谢物基集生成方法，涉及磁共振波谱技术领域。包括：1）获取代谢物结构信息，进行数据预处理，生成初始自旋系统矩阵，得到仿真数据集；2）构建基于深度量子计算的基集生成网络Bs‑net及损失函数，3）设计脉冲模块Ex‑net和演化模块Ev‑net，学习不同角度的脉冲过程和密度算符随时间的更新过程；4）加载步骤3）的训练模型，在自旋回波序列上进行验证子模块组合后生成的代谢物基集。基于量子力学理论，利用深度学习方法学习序列的脉冲任务和密度算符随时间演化的过程，可适应多TE，多代谢物的基集生成情况，增强模型的泛化能力和准确性，为基集生成提供更灵活更准确的模拟策略。
-
公开(公告)号：CN115840179A
公开(公告)日：2023-03-24
申请号：CN202211473137.X
申请日：2022-11-21
Applicant: 厦门大学
Abstract: 一种高保真磁共振采样信号智能重建方法，首先采集磁共振采样信号，根据信号特点欠采样、傅里叶变换等操作，构建由欠采样的一维磁共振采样信号、对应的一维欠采样模版和全采样的一维磁共振采样信号构成训练集，前二者作为网络模型的输入，后者作为标签；低秩模型迭代求解的最优化算法设计了深度学习神经网络结构，将该神经网络结构与最优化算法交替迭代，构成最终的网络结构，并用训练集求解网络的最优化参数，构成重建模型；最后将待重建的欠采样的磁共振采样信号输入训练完成的网络模型进行磁共振采样信号的重建。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.026 seconds)
