-
Patent Agency Ranking
公开(公告)号：CN113256749A
公开(公告)日：2021-08-13
申请号：CN202110423015.9
申请日：2021-04-20
Applicant: 南昌大学
Abstract: 本发明提供了一种基于高维相关性先验信息的快速磁共振成像重建方法，包括以下步骤：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集；结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于高维的相关性先验信息；设计一种快速提取网络模型的先验信息的迭代求解算法；将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果。本发明将全采样数据和欠采样数据相结合作为基于相关性的高维先验信息，利用不同的噪声水平对多个模型进行训练，通过欠采样且含伪影的图像训练一个无监督网络，使训练出来的网络参数非常接近于利用全采样图像训练的有监督网络。
-
公开(公告)号：CN112862922A
公开(公告)日：2021-05-28
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
公开(公告)号：CN119672160A
公开(公告)日：2025-03-21
申请号：CN202510179458.6
申请日：2025-02-19
Applicant: 南昌大学
Abstract: 本发明提供了一种基于正交分解的子空间扩散模型的MRI重建方法，包括：形成开源脑部数据集；构建基于正交分解的子空间扩散模型，通过将k空间数据分解到子空间中进行扩散，从而更好地捕捉数据分布并在噪声环境下保持稳健性；设计用于提取该模型内的先验信息的迭代求解算法；采用迭代求解算法应用于该模型对测试数据集进行测试，输出最终的修复图像。本发明促进了在复杂分布中有效信息的学习，解决了固有的高维外推挑战，并降低了与扩散模型相关的计算成本。对不同数据集的全面实验清楚地表明，本发明在重建速度和质量方面优于其他的方法。
-
公开(公告)号：CN113256749B
公开(公告)日：2022-12-06
申请号：CN202110423015.9
申请日：2021-04-20
Applicant: 南昌大学
Abstract: 本发明提供了一种基于高维相关性先验信息的快速磁共振成像重建方法，包括以下步骤：准备开源脑部数据集SIAT并将其分为训练数据集和测试数据集；结合衍生的大数定律和多通道高维思想，在不同噪声水平的情况下优化多个网络模型，并形成基于高维的相关性先验信息；设计一种快速提取网络模型的先验信息的迭代求解算法；将迭代求解算法应用于已训练的网络模型并对图像测试数据集进行测试，输出得到最终的重建结果。本发明将全采样数据和欠采样数据相结合作为基于相关性的高维先验信息，利用不同的噪声水平对多个模型进行训练，通过欠采样且含伪影的图像训练一个无监督网络，使训练出来的网络参数非常接近于利用全采样图像训练的有监督网络。
-
公开(公告)号：CN112862922B
公开(公告)日：2022-10-11
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
-
-
-
Search Results
5
records
(took 0.014 seconds)
