-
公开(公告)号：CN115640506A
公开(公告)日：2023-01-24
申请号：CN202211442910.6
申请日：2022-11-18
Applicant: 中国科学院自动化研究所
IPC: G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/14
Abstract: 本发明属于磁粒子成像领域，具体涉及了一种基于时频谱信号增强的磁粒子分布模型重建方法和系统，旨在解决现有的磁粒子成像技术无法同时高效的去除谐波干扰和高斯噪声等背景噪声，以至重建的磁粒子分布模型精度不足的问题。本发明包括：通过磁粒子成像设备扫描获得待测目标的一维时域信号，分段傅里叶变换获得时频谱，通过融合自我注意力机制的深度神经网络获得去噪时频谱得到高质量磁粒子时域信号；再进行磁粒子分布模型重建。本发明通过融入自我注意力机制的深度神经网络学习时频谱中的全局信息与局部信息，从而学习倍频间的关系以区分信号中的有效粒子信号和噪声信号，通过融合局部和全局信息完成对时频谱的去噪，获得高质量磁粒子时域信号。
-
公开(公告)号：CN115526946A
公开(公告)日：2022-12-27
申请号：CN202211254765.9
申请日：2022-10-13
Applicant: 中国科学院自动化研究所
IPC: G06T11/00
Abstract: 本发明属于磁粒子成像领域，具体涉及一种基于特征融合的磁粒子成像图像去噪声方法、系统、设备，旨在解决现有MPI去噪声方法难以兼顾噪声去除和图像细节保持的问题。本发明方法包括：采集待去噪的MPI图像，作为输入图像；基于预训练的特征融合去噪声网络模型对所述输入图像进行去噪处理，得到去噪后的MPI图像；所述特征融合去噪声网络模型包括特征提取模块、特征融合模块、特征回归模块；特征提取模块包括噪声特征提取器、内容特征提取器；特征融合模块包括两个通道注意力子模块、两个卷积层和一个空间注意力子模块；特征回归模块基于卷积层构建。本发明能够在达到良好去噪声效果的同时保持MPI图像的结构细节。
-
公开(公告)号：CN115640501A
公开(公告)日：2023-01-24
申请号：CN202211256029.7
申请日：2022-10-13
Applicant: 中国科学院自动化研究所
IPC: G06F18/10 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于磁粒子成像领域，具体涉及一种基于多尺度特征融合的磁粒子成像时频域信号滤波方法、系统、设备，旨在解决现有技术无法有效消除MPI中的噪声，导致磁粒子成像质量较差的问题。本发明方法包括：采集磁粒子成像系统中原始的频域信号，作为输入信号；通过预构建的多尺度特征滤波的神经网络模型对输入信号进行滤波处理，得到滤波后的时域信号；多尺度特征滤波的神经网络模型包括四个滤波子模块；滤波子模块基于依次连接的卷积层、特征滤波结构、两层全连接层构建。本发明能够提取信号中粒子和噪声相关特征，滤除噪声信号，提高信号信噪比，提升磁粒子成像质量。
-
公开(公告)号：CN115640506B
公开(公告)日：2023-03-21
申请号：CN202211442910.6
申请日：2022-11-18
Applicant: 中国科学院自动化研究所
IPC: G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F17/14
Abstract: 本发明属于磁粒子成像领域，具体涉及了一种基于时频谱信号增强的磁粒子分布模型重建方法和系统，旨在解决现有的磁粒子成像技术无法同时高效的去除谐波干扰和高斯噪声等背景噪声，以至重建的磁粒子分布模型精度不足的问题。本发明包括：通过磁粒子成像设备扫描获得待测目标的一维时域信号，分段傅里叶变换获得时频谱，通过融合自我注意力机制的深度神经网络获得去噪时频谱得到高质量磁粒子时域信号；再进行磁粒子分布模型重建。本发明通过融入自我注意力机制的深度神经网络学习时频谱中的全局信息与局部信息，从而学习倍频间的关系以区分信号中的有效粒子信号和噪声信号，通过融合局部和全局信息完成对时频谱的去噪，获得高质量磁粒子时域信号。
-
-
-
Search Results
4
records
(took 0.018 seconds)
