-
公开(公告)号：CN113327196A
公开(公告)日：2021-08-31
申请号：CN202110488060.2
申请日：2021-04-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向MR图像超分辨的联合字典训练优化方法，属于MR图像重建领域。步骤一：输入训练图像块对字典大小K，其中，表示空间X的训练样本，是空间Y的训练样本；步骤二：初始化和n＝0，t＝1；步骤三：循环，对于i＝1,2,....,N执行如下优化公式；且步骤四：更新归一下的列向量，结束循环；步骤五：根据下面公式更新步骤六：输出字典对和本方法有效减小了重构的误差，提升了图像的重构精度。
-
公开(公告)号：CN113327196B
公开(公告)日：2023-04-07
申请号：CN202110488060.2
申请日：2021-04-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种面向MR图像超分辨的联合字典训练优化方法，属于MR图像重建领域。步骤一：输入训练图像块对字典大小K，其中，表示空间X的训练样本，是空间Y的训练样本；步骤二：初始化和n＝0，t＝1；步骤三：循环，对于i＝1,2,....,N执行如下优化公式；且步骤四：更新归一下的列向量，结束循环；步骤五：根据下面公式更新步骤六：输出字典对和本方法有效减小了重构的误差，提升了图像的重构精度。
-
公开(公告)号：CN113744132B
公开(公告)日：2024-09-27
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
IPC: G06T3/4053 , G06T7/00 , G06V10/774 , G06V10/77 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
公开(公告)号：CN113744132A
公开(公告)日：2021-12-03
申请号：CN202111055372.0
申请日：2021-09-09
Applicant: 哈尔滨工业大学
Abstract: 基于多重优化的MR图像深度网络超分辨方法，解决了现有利用深度学习网络重建超分辨率MR图像时难以在模型复杂度和训练难度取得较好平衡的问题，属于图像超分辨率重建技术领域。本发明包括：获取MR图像训练集，包括多切片的低分辨MR图像集和对应的多切片高分辨MR图像集；利用MR图像训练集对超分辨深度学习网络进行训练，超分辨深度学习网络包括融合层和多个超分辨网络，每个超分辨网络的输入为低分辨MR图像，每个超分辨网络的输出同时输入到融合层，融合层输出高分辨MR图像；利用训练完成后的超分辨深度学习网络将低分辨MR图像重建为高分辨MR图像。超分辨网络和融合层在训练时，可采用不同的损失函数的级联。
-
-
-
Search Results
4
records
(took 0.016 seconds)
