公开(公告)号：CN118707416A

公开(公告)日：2024-09-27

申请号：CN202411185276.1

申请日：2024-08-27

Applicant: 厦门大学

Inventor： 屈小波 ,  于小烔 ,  黄奕晖

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：CN118570088A

公开(公告)日：2024-08-30

申请号：CN202410615287.2

申请日：2024-05-17

Applicant: 厦门大学

Inventor： 屈小波 ,  陈劲宇

IPC: G06T5/70 ,  G06T5/60 ,  G06N3/0464 ,  G06N3/048

Abstract: 一种基于图像域和张量域的双域深度学习扩散张量成像去噪方法。本方法包含对DWI图像和张量元素图像分别去噪的网络DDNet和TDNet。DuTD去噪方法包括以下步骤：1)设计DDNet网络与TDNet网络分别完成对带噪声的DWI图像和扩散张量的去噪；2)去噪后的扩散张量通过生物物理模型还原到图像域；3)从去噪后的张量中还原的DWI图像与直接去噪的DWI图像通过加权平均得到最终去噪的DWI图像。针对采集时间临床可接受的6方向DWI数据，提出图像域与参数域双域深度学习去噪方法，并将该方法应用于自采的帕金森病人数据，去噪效果优秀，并且验证其临床适用性。

公开(公告)号：CN114140341B

公开(公告)日：2024-06-07

申请号：CN202111269797.1

申请日：2021-10-29

Applicant: 厦门大学

Inventor： 屈小波 ,  宋文科

IPC: G06T5/80 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/774 ,  G06V10/82 ,  G06T5/60

Abstract: 一种基于深度学习的磁共振图像非均匀场校正方法，涉及磁共振图像处理方法。包括以下步骤：获取带有非均匀场的磁共振图像，由非均匀场、均匀的磁共振图像和带有非均匀场的磁共振图像共同组成训练集；设计校正磁共振图像非均匀场的深度学习网络模型；构建网络的损失函数；训练校正磁共振图像非均匀场的深度学习网络模型参数；对目标带有非均匀场的磁共振图像进行校正。通过深度学习对均匀磁共振图像和非均匀场进行联合估计的方法，具有校正误差小，图像质量高的特点。

公开(公告)号：CN117075016A

公开(公告)日：2023-11-17

申请号：CN202311031915.4

申请日：2023-08-16

Applicant: 厦门大学

Inventor： 屈小波 ,  蔡庆瑞

IPC: G01R33/56 ,  G06T11/00 ,  G06N3/0499 ,  G06N3/084 ,  G06N3/0985 ,  G01R33/54

Abstract: 物理智能磁共振定量成像方法，涉及磁共振定量成像方法。1)设计基于磁共振信号模型的物理嵌入式损失函数和神经网络模型，神经网络模型结构采用全连接网络，将待定量参数添加到神经网络模型的优化参数中；2)对于图像上的任一像素，在步骤1)设计的神经网络模型将在磁共振信号模型的定义域内选点，通过前向传播得到对应的网络输出，结合在该像素上的实测数据，利用模型的等式关系进行自学习得到网络的最优参数，对于T1定量，将参数值依据信号模型进行变换即为定量值；对于T2定量，参数值即为该像素的定量值；3)重复步骤2)，逐像素地得到定量值，将定量值按原像素排布进行排序即得到该参数的定量成像图。

公开(公告)号：CN117011409A

公开(公告)日：2023-11-07

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 ,  G06T5/00 ,  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：CN116415503B

公开(公告)日：2023-11-07

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：CN113143243B

公开(公告)日：2023-08-22

申请号：CN202110213802.0

申请日：2021-02-25

Applicant: 厦门大学

Inventor： 屈小波 ,  赵金奎

IPC: A61B5/055

Abstract: 一种基于谱分解的深度学习磁共振波谱重建方法，涉及磁共振波谱重建方法。基于磁共振波谱时域信号的指数函数特性，生成仿真信号；将仿真信号进行欠采样作为网络的输入，对应的全采样信号作为输出的标签，构建出网络训练集；设计基于谱分解的深度学习网络迭代块，并对网络执行反馈操作，生成重建模型；用上述训练集对网络进行训练后，将需要进行重建的欠采样核磁共振波谱信号作为网络的输入，获得输出的重建波谱信号。这种通过对磁共振信号进行谱分解的深度学习重建方法在重建过程中充分保护和利用了谱峰信息，具有重建速度快、重建质量高的优势。

公开(公告)号：CN116597037A

公开(公告)日：2023-08-15

申请号：CN202310576205.3

申请日：2023-05-22

Applicant: 厦门大学

Inventor： 屈小波 ,  王孜

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：CN114187374A

公开(公告)日：2022-03-15

申请号：CN202111271011.X

申请日：2021-10-29

Applicant: 厦门大学

Inventor： 屈小波 ,  钱晨

IPC: G06T11/00

Abstract: 一种多激发平面回波扩散加权成像方法，涉及磁共振图像的重建方法。包括以下步骤：1)获取待重建的多次激发的平面回波扩散加权数据；2)设计基于低秩和加权总变分重建模型；3)利用凸集投影算法求解重建模型，得到重建图像；通过同时约束磁共振图像相位光滑导致的低秩性和加权总变分，并对多次激发数据的相位差异建模，建立了联合多次激发重建的重建模型，以凸集投影方法为数值算法求解该模型。所提方法具有很好地抑制扩散加权图像鬼影的特点。

公开(公告)号：CN113971706A

公开(公告)日：2022-01-25

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 ,  G06K9/62 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  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。