-
公开(公告)号：CN1327809C
公开(公告)日：2007-07-25
申请号：CN200510033772.6
申请日：2005-03-28
Applicant: 南方医科大学
Abstract: 本发明公开了一种在T1加权磁共振成像中用PROPELLER采样方式消除运动伪影的方法，包括步骤如下：(1)基于PROPELLER采集方式对T1加权成像数据进行采集；(2)在图像域进行相位矫正；(3)由中心重叠采样区域的K空间数据，根据相关测度，进行基于频域相关的运动参数估计；(4)以步骤3中结果出发，基于图像域最大化互信息量算法，进行运动参数的迭代优化搜索；(5)由步骤4中结果，进行运动补偿；(6)通过非笛卡尔数据网格化重建算法，重建出不受运动伪影干扰的图像。本发明可以提高运动估计与补偿的精度与稳健性，相应地更好地消除T1加权图像的运动伪影干扰。
-
公开(公告)号：CN1975781A
公开(公告)日：2007-06-06
申请号：CN200610123796.5
申请日：2006-11-29
Applicant: 南方医科大学
Abstract: 本发明公开一种基于有限采样全局优化的图像弹性配准方法，该方法的配准步骤为：先读入变形图像，计算定义的目标函数的最高频率，再以目标函数的最高频率的2倍对变形系数进行均匀采样计算，得到变形图像系列，然后读入参考图像，以最小目标函数值所对应的变形函数对变形图像进行变形，完成粗配准，进而以粗配准中的变形系数值为起始点，用梯度下降法搜索目标函数的全局最小值的点，完成图像的配准。本发明依据采样定理，采用有限的采样点就可以得到目标函数的全局最小值的点，即可实现图像的弹性配准，因此具有计算工作量小，配准时间短的显著技术效果。此外，本发明还克服了随机采样需要操作者根据经验进行人工干预，难以保证配准效果一致性的不足。
-
公开(公告)号：CN113240078B
公开(公告)日：2024-03-19
申请号：CN202110469551.2
申请日：2021-04-26
Applicant: 南方医科大学
IPC: G06N3/0464 , G06N3/08 , G06T7/00 , G06T5/70
Abstract: 本发明公开了一种基于深度学习网络的磁共振R2*参数量化方法，该方法包括：使用第一深度学习网络对输入磁共振T2*加权图像进行去噪声处理；同时使用第二深度学习网络对经过噪声处理后的磁共振T2*加权图像进行磁共振R2*量化预测；所述第一深度学习网络和所述第二深度学习网络组建级联网络。使用深度学习算法对R2*参数进行量化，避免了传统算法的复杂性，减小了量化误差，提升了计算速度，缩短了计算所需的时间。
-
公开(公告)号：CN108596995B
公开(公告)日：2022-02-01
申请号：CN201810464375.1
申请日：2018-05-15
Applicant: 南方医科大学
Abstract: 一种PET‑MRI最大后验联合重建方法，包括如下步骤：一、采集对象的PET数据和MRI数据；二、构建PET‑MRI联合重建的数学统计模型；三、在数学统计模型中，利用待重建PET和MRI图像的相关性设计交叉先验模型；四、结合步骤三设计的PET和MRI的交叉先验模型，采用最大后验方法对步骤二构建的PET和MRI图像的数学统计模型进行联合重建，得到带约束目标函数的优化方程；五、对步骤四得到的带约束目标函数的优化方程进行迭代计算，同步得到PET和MRI重建图像。本发明能同步重建PET和MRI图像，抑制PET图像噪声，减少MRI伪影，提高重建图像的量化水平，能够更好地辅助临床诊断。
-
公开(公告)号：CN104899906B
公开(公告)日：2019-02-12
申请号：CN201510323802.0
申请日：2015-06-12
Applicant: 南方医科大学
IPC: G06T11/00
Abstract: 一种基于自适应正交基的磁共振图像重建方法,包括如下步骤：(1)获得原始的k空间数据，对采样的k空间数据进行傅里叶逆变换得到初始重建图像；(2)在正交基约束下建立基于压缩感知的重建模型；(3)对初始重建图像进行分块，随机提取部分图像块进行正交基学习，得到一组自适应正交基；(4)用硬域值法对所有图像块进行自适应正交基下的稀疏表示；(5)用最小二乘法更新重建图像得到当前重建图像；(6)判断当前重建图像是否满足收敛条件，如果收敛，以当前重建图像作为最终的重建图像，否则进入步骤(7)；(7)减小正则化参数取值，以当前重建图像作为初始重建图像，返回步骤(3)。本发明重建速度快、图像质量良好。
-
Patent Agency Ranking
公开(公告)号：CN109146842A
公开(公告)日：2019-01-04
申请号：CN201810745977.4
申请日：2018-07-09
Applicant: 南方医科大学
CPC classification number: G06T7/0012 , G06T7/13 , G06T7/251 , G06T11/005 , G06T11/006 , G06T11/008 , G06T2207/10081 , G06T2207/10116 , G06T2207/30061
Abstract: 本发明公开了一种胸部数字合成X射线体层成像中呼吸运动分析方法，其制备方法包括以下步骤：S1，通过胸部数字合成体层成像，获取CTS投影数据；S2,从S1中获取的CTS投影数据提取膈肌的运动轨迹；S3,从S2获取的膈肌运动进行进行sin‑quadric模型拟合。本发明针对在目标对象进行CTS扫描过程中，因目标对象肺功能不全或者屏气不足导致的投影数据处于不同的呼吸相位中，从而造成呼吸运动伪影，影响CTS呈现的问题，通过对CTS呼吸信号进行提取分析，通过sobel算法边缘检测及sin‑quadratic模型拟合对CTS图像进行呼吸运动校正，有效防止了CTS图像中的呼吸运动伪影。
-
公开(公告)号：CN108805892A
公开(公告)日：2018-11-13
申请号：CN201810558897.8
申请日：2018-06-01
Applicant: 南方医科大学
CPC classification number: G06T7/136 , G06T7/41 , G06T2207/30096
Abstract: 本发明属于医学图像分析领域，具体为一种PET图像鼻咽癌瘤内异质性的定量刻画方法。本发明包括：获取患者的PET/CT扫描数据，将其转换为标准摄取值(SUV)图像；对鼻咽部原发病灶进行三维分割；对病灶进行离散化处理，对处理后的病灶构建4种影像组学矩阵，并全面考虑矩阵构建过程中的对称性、平均策略、距离、邻域个数以及窗宽尺寸5种参数设置；从构建好的矩阵中提取415个纹理特征，结合5个传统SUV特征以实现瘤内代谢异质性的定量刻画。本发明通过充分挖掘无创的PET图像所蕴含的信息，更加全面地刻画了鼻咽癌的瘤内代谢异质性，为医生实现精准鼻咽癌鉴别提供了定量的评估指标。
-
公开(公告)号：CN106373109B
公开(公告)日：2018-10-26
申请号：CN201610797914.4
申请日：2016-08-31
Applicant: 南方医科大学
Abstract: 本发明公开了一种医学图像模态合成的方法，源模态图像空间分辨率归一化处理，使图像的分辨率归一化到同样大小，源模态图像灰度值标准化或者归一化处理，对第一步处理后的源模态图像灰度值归一化到均值为0，标准偏差为1，将处理后的源模态图像为输入，由卷积神经网络进行预测，将卷积神经网络预测输出进行线性变换生成目标模态图像；以此达到进行线性变换的目的，最终生成目标模态图像。通过学习得到的卷积神经网络模型快速有效地实现医学图像的模态合成，通过对卷积神经网络模型的训练自动完成不同尺度、多种层次图像特征的学习和优化，不需要进行耗时的图像配准过程，可快速准确地完成模态合成。
-
公开(公告)号：CN104794739B
公开(公告)日：2018-03-06
申请号：CN201510216586.X
申请日：2015-05-03
Applicant: 南方医科大学
IPC: G06T11/00
Abstract: 一种基于局部稀疏对应点组合的从MR图像预测CT图像的方法，包括（1）测试MR图像进行归一化处理；（2）对测试MR图像的点x，提取以x为中心的图像块，获得测试样本；（3）从MR训练集图像中，提取参照局部搜索窗内每个参照点的特征块构成MR字典；（4）从MR训练集图像中选取与测试样本k个相似的块形成MR字典，获得CT字典；（5）探测CT字典的离群值，得到CT字典)和MR字典（6）求解字典系数；（7）加权合并CT字典)，预测点x的CT值；（8）对MR测试图像中每个点重复步骤（2）‑（7），最后对重叠的图像块加权合并，获得每个点的CT值，得到预测CT图像。本发明能够从多模态MR图像准确预测CT图像。
-
公开(公告)号：CN103247061B
公开(公告)日：2017-02-15
申请号：CN201310045123.2
申请日：2013-02-05
Applicant: 南方医科大学
IPC: G06T11/00
Abstract: 一种X射线CT图像的增广拉格朗日迭代重建方法，其特征在于：依次包括如下步骤：（1）获取CT设备的系统参数和低剂量扫描协议下的投影数据 ；（2）对步骤（1）中的投影数据 进行逐个数据点上的方差 估计，并对步骤（1）中的投影数据 进行滤波反投影得到初始图像；（3）以步骤(2)中得到的初始图像作为迭代的初始图像进行迭代重建，根据迭代公式、进行循环迭代，获得最终的重建图像。本发明同时提出了对上述迭代公式的优化算法。本发明适用性宽，迭代次数少，成像质量高。
-
-
-
-
-
-
-
-
-
Search Results
144
records
(took 0.026 seconds)
