-
公开(公告)号：CN112734869A
公开(公告)日：2021-04-30
申请号：CN202011476413.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于稀疏复数U型网络的快速磁共振成像方法，本发明包括数据采集、模拟欠采样、填零重建、复数差分变换、SCUNet网络构建、SCUNet网络训练、复数稀疏数据伪影抑制和逆滤波重建一共8个步骤。首次提出利用复数差分变换对图像空间的复数图像数据进行稀疏变换，对稀疏复数数据进行训练，基于逆滤波算法重建复数磁共振图像，从而使得训练网络SCUNet能更有效地提取复数数据的特征，提高最终磁共振欠采样复数重建图像的质量，既保留了磁共振欠采样图像的幅值信息又保留了相位信息,是一种很有应用潜力的快速复数磁共振成像方法。
-
Patent Agency Ranking
公开(公告)号：CN112734869B
公开(公告)日：2024-04-26
申请号：CN202011476413.9
申请日：2020-12-15
Applicant: 杭州电子科技大学
IPC: G06T11/00 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了基于稀疏复数U型网络的快速磁共振成像方法，本发明包括数据采集、模拟欠采样、填零重建、复数差分变换、SCUNet网络构建、SCUNet网络训练、复数稀疏数据伪影抑制和逆滤波重建一共8个步骤。首次提出利用复数差分变换对图像空间的复数图像数据进行稀疏变换，对稀疏复数数据进行训练，基于逆滤波算法重建复数磁共振图像，从而使得训练网络SCUNet能更有效地提取复数数据的特征，提高最终磁共振欠采样复数重建图像的质量，既保留了磁共振欠采样图像的幅值信息又保留了相位信息,是一种很有应用潜力的快速复数磁共振成像方法。
-
公开(公告)号：CN111123183B
公开(公告)日：2022-04-15
申请号：CN201911380988.8
申请日：2019-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于复数R2U_Net卷积神经网络的快速磁共振成像方法，本发明包括训练数据的准备、基于复数R2U_Net卷积神经网络的训练、基于复数R2U_Net卷积神经网络的图像重建三个步骤。采用本发明方法，通过构建复数卷积模块代替U_Net网络中的实数卷积模块，并加入复数批标准化、复数激活和复数递归残差卷积神经网络模块，构建了全部模块都基于复数的递归残差卷积神经网络。基于复数R2U_Net卷积神经网络的重建图像不仅可重建磁共振的幅值图像，还可重建出相位图像。此外，采用复数R2U_Net卷积神经网络训练时，能恢复出更多图像的高频信息。
-
公开(公告)号：CN112946545A
公开(公告)日：2021-06-11
申请号：CN202110117685.8
申请日：2021-01-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于PCU‑Net网络的快速多通道磁共振成像方法，包括数据处理与划分、PCU‑Net网络的构建与训练优化以及多通道磁共振图像重建三个步骤。本方法将复数U型卷积神经网络拓展至多通道数据的训练和预测，通过多通道复数模块提取多个通道间的特征，基于多通道复数均方误差训练网络，以用于多通道欠采样数据的磁共振图像重建，并通过循环导入网络参数的方法加速网络收敛。实验结果表明，本发明方法不仅能高质量重建多通道磁共振图像，而且基于训练后的优化参数，可快速重建多通道图像，以满足实时在线重建的需求。
-
公开(公告)号：CN112946545B
公开(公告)日：2022-03-18
申请号：CN202110117685.8
申请日：2021-01-28
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于PCU‑Net网络的快速多通道磁共振成像方法，包括数据处理与划分、PCU‑Net网络的构建与训练优化以及多通道磁共振图像重建三个步骤。本方法将复数U型卷积神经网络拓展至多通道数据的训练和预测，通过多通道复数模块提取多个通道间的特征，基于多通道复数均方误差训练网络，以用于多通道欠采样数据的磁共振图像重建，并通过循环导入网络参数的方法加速网络收敛。实验结果表明，本发明方法不仅能高质量重建多通道磁共振图像，而且基于训练后的优化参数，可快速重建多通道图像，以满足实时在线重建的需求。
-
公开(公告)号：CN111123183A
公开(公告)日：2020-05-08
申请号：CN201911380988.8
申请日：2019-12-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了基于复数R2U_Net卷积神经网络的快速磁共振成像方法，本发明包括训练数据的准备、基于复数R2U_Net卷积神经网络的训练、基于复数R2U_Net卷积神经网络的图像重建三个步骤。采用本发明方法，通过构建复数卷积模块代替U_Net网络中的实数卷积模块，并加入复数批标准化、复数激活和复数递归残差卷积神经网络模块，构建了全部模块都基于复数的递归残差卷积神经网络。基于复数R2U_Net卷积神经网络的重建图像不仅可重建磁共振的幅值图像，还可重建出相位图像。此外，采用复数R2U_Net卷积神经网络训练时，能恢复出更多图像的高频信息。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
