-
公开(公告)号：CN114972562B
公开(公告)日：2024-06-07
申请号：CN202210555015.9
申请日：2022-05-20
Applicant: 厦门大学
IPC: G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G01R33/54
Abstract: 联合线圈灵敏度估计与图像重建的快速磁共振成像方法，包括以下步骤：1)获取多线圈磁共振傅里叶空间数据和欠采样模板，并生成欠采样填零的多线圈图像、完整的多线圈灵敏度映射图与磁共振图像共同组成训练集；2)设计基于稀疏模型展开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。通过联合磁共振线圈灵敏度估计和图像的稀疏性，以传统最优化方法为指导设计深度神经网络，具有线圈灵敏度估计准、图像重建速度快和重建质量高的特点。
-
公开(公告)号：CN116597037B
公开(公告)日：2024-06-04
申请号：CN202310576205.3
申请日：2023-05-22
Applicant: 厦门大学
IPC: G06T11/00 , G06N3/0464 , G06N3/048 , G06N3/08 , G01R33/561 , G01R33/565
Abstract: 一种物理生成数据驱动的快速磁共振智能成像方法，包括以下步骤：1)依据磁共振图像所包含的物理特性，生成全采样的多线圈图像仿真数据，再依据磁共振成像物理模型，通过傅里叶变换、傅里叶空间噪声添加、傅里叶空间欠采样等操作，建立包含全采样的多线圈一维图像仿真数据、欠采样填零的多线圈一维傅里叶空间仿真数据和对应的一维欠采样模板的训练集；2)设计基于迭代过程展开的深度神经网络模型、网络的反馈功能及损失函数；3)利用步骤1)获得的训练集，求解深度神经网络的最优参数；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，并在网络求解中引入傅里叶空间自一致性操作进行数据校准，实现磁共振图像重建。
-
公开(公告)号：CN117078785B
公开(公告)日：2024-04-23
申请号：CN202311045660.7
申请日：2023-08-18
Applicant: 厦门大学
IPC: G06T11/00 , 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：CN117576234A
公开(公告)日：2024-02-20
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：CN117572314A
公开(公告)日：2024-02-20
申请号：CN202311461012.X
申请日：2023-11-06
Applicant: 厦门大学
IPC: G01R33/54 , G01R33/565 , A61B5/055 , A61B5/00 , G06T11/00 , G06T3/4053
Abstract: 一种高分辨率超高b值扩散磁共振成像方法，涉及高清扩散磁共振图像重建。1)获取利用多激发平面回波序列采集的待重建扩散磁共振的k空间数据；2)设计基于自先验子空间的一维低秩重建模型；3)预重建k空间的低频数据，获得低分辨率无运动伪影的重建图像提取自先验子空间；4)将先验子空间代入先验子空间重建模型，利用凸集投影算法求解模型，得无运动伪影的高清扩散重建图像。将高清扩散磁共振重建分解为两个关键步骤。一，基于k空间低频数据预重建无运动伪影的低分辨率图像；二，固定先验子空间进行完整k空间低秩重建，从低分辨率无运动伪影图像中恢复出高分辨率图像。比常见低秩重建算法重建速度提高10到50倍、重建图像更加清晰。
-
Patent Agency Ranking
公开(公告)号：CN117173273A
公开(公告)日：2023-12-05
申请号：CN202311164236.4
申请日：2023-09-11
Applicant: 厦门大学
IPC: G06T11/00 , G06T5/00 , 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：CN117115112A
公开(公告)日：2023-11-24
申请号：CN202311094484.6
申请日：2023-08-29
Applicant: 厦门大学
IPC: G06T7/00 , G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 深度学习多任务磁共振心脏分割和定量方法，涉及图像处理领域。获取磁共振心脏多对比度图像，进行数据预处理，制作训练标签；对处理好的数据集，按照固定比例划分为训练集、验证集和测试集；构建基于残差卷积网络的多任务磁共振心脏分割和定量网络，网络同时包含用于生成心脏T2定量的定量模块和心脏结构分割的分割模块；设计多任务损失函数策略，确定网络优化器参数，利用带有分割和定量标签的训练数据集，进行模型训练；加载训练模型，输入测试集，对输出的分割结果进行RGB映射操作，对输出的定量结果进行窗口截断操作，得最终的心脏分割和定量结果。
-
公开(公告)号：CN115581449A
公开(公告)日：2023-01-10
申请号：CN202211405929.3
申请日：2022-11-10
Applicant: 厦门大学
IPC: A61B5/055
Abstract: 一种多b值联合高清扩散磁共振智能成像方法，涉及图像重建。1)采集数据，包含b值为0s/mm2和其他b值的多激发交错平面回波扩散加权数据；2)生成训练数据集，重建b值为0s/mm2的磁共振图像，从b值为0的图像中估计通道灵敏度；利用PAIR重建其他b值的扩散加权数据作为训练标签；3)设计扩散加权智能成像模型及损失函数；4)使用训练数据集训练联合多b值智能重建网络；5)获取待重建的多激发扩散加权测试数据；6)利用训练好的智能重建网络重建多激发扩散加权数据，得到重建图像。可将传统算法重建单张图片的时间从1～2min降低至0.2s，快速重建多激发扩散加权图像，提高信噪比和图像质量，抑制奈奎斯特鬼影。
-
公开(公告)号：CN111915007B
公开(公告)日：2022-06-14
申请号：CN202010743645.X
申请日：2020-07-29
Applicant: 厦门大学
Inventor： 屈小波
Abstract: 一种基于神经网络的磁共振谱降噪方法，涉及磁共振谱降噪方法。1)利用多次采集的不同组合求均值构建相应的训练模型数据集与标签集，用于求解高信噪比与低信噪比磁共振谱之间的映射关系；2)构建基于迭代滑窗的长短时记忆循环神经网络的用于磁共振谱降噪的深度学习网络模型；3)将步骤1)生成的数据集训练步骤2)中所设计深度学习网络模型，使用ADAM优化算法训练步骤2)中网络的参数，得到模型最优参数；4)对低信噪比的磁共振谱的时域信号使用步骤3)训练好的网络模型进行降噪处理，对降噪后的时域信号进行傅里叶变换得到对应的降噪后磁共振谱。具有无需先验知识、降噪速度快、降噪质量高、泛化性好的特点，且适用于密集谱峰降噪。
-
公开(公告)号：CN114333983A
公开(公告)日：2022-04-12
申请号：CN202111597318.9
申请日：2021-12-24
Applicant: 厦门大学
Abstract: 一种基于深度学习的磁共振波谱智能量化分析方法，涉及磁共振波谱量化分析方法。提供可实现目标代谢信号的量化分析，并且具有量化速度快、量化精度高和智能一体化特点的一种基于深度学习的磁共振波谱智能量化分析方法。利用磁共振波谱信号模型构建仿真数据，其中包括模拟非理想成像条件下的磁共振波谱信号、对应的代谢物分量信号以及背景信号波谱作为仿真训练集；设计深度学习波谱量化网络及损失函数；利用获得的仿真训练集训练步所述网络，得到最优参数下的网络；将活体磁共振波谱输入最优参数下的网络，得到背景信号和目标代谢物分量信号，以及代谢物分量在非理想成像条件下的信号参数；利用网络预测得出的信号参数计算目标代谢物的浓度。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.025 seconds)
