-
Patent Agency Ranking
公开(公告)号：CN106991651B
公开(公告)日：2019-10-29
申请号：CN201611138095.9
申请日：2016-12-12
Applicant: 南昌大学
IPC: G06T5/00
Abstract: 一种基于合成分析反卷积网络的快速成像方法，包括以下步骤：在融入DN和MRF先验信息的合成分析反卷积网络上用图像库进行滤波器学习；在滤波器训练过程中利用轮换技术、半二次分离技术和迭代重加权最小二乘法更新滤波器和稀疏系数；在已训练的滤波器基础上，从欠采样K空间中获取初始图像，建立图像重建模型；在重建模型上利用轮换技术、半二次元分离技术和迭代重加权最小二乘法进行稀疏系数和目标图像更新；满足收敛条件得到重建图像。本发明在一定程度上提高了图像重建的精度，同时还提供了一种运用上述合成分析反卷积网络的快速成像方法的基于合成分析反卷积网络的快速成像系统，能够得到较高精度的重建图像。
-
公开(公告)号：CN112862950A
公开(公告)日：2021-05-28
申请号：CN202110089104.4
申请日：2021-01-22
Applicant: 南昌大学
Abstract: 本发明涉及磁共振成像领域，公布了一种基于低秩张量编码的快速心肌灌注磁共振成像方法，包括以下步骤：步骤(a)：采用k近邻方法按照一定的相似性准则在心肌灌注图像帧中搜索三维立体相似块并聚类构建三维低秩张量；步骤(b)：对构建的三维低秩张量进行高阶奇异值分解，以利用心肌灌注序列图像的空‑时冗余；步骤(c)：引入增广拉格朗日技术，建立基于低秩张量编码的图像重建模型；步骤(d)：利用交替方向乘子法对重建模型进行求解，得到成像结果。本发明通过低秩张量编码挖掘心肌灌注磁共振图像的空‑时冗余，使得图像数据可以更好地稀疏表示，在超欠采样下得到令人满意的图像重建效果，从而加快心肌灌注磁共振成像的速度。
-
公开(公告)号：CN106991651A
公开(公告)日：2017-07-28
申请号：CN201611138095.9
申请日：2016-12-12
Applicant: 南昌大学
IPC: G06T5/00
Abstract: 一种基于合成分析反卷积网络的快速成像方法，包括以下步骤：在融入DN和MRF先验信息的合成分析反卷积网络上用图像库进行滤波器学习；在滤波器训练过程中利用轮换技术、半二次分离技术和迭代重加权最小二乘法更新滤波器和稀疏系数；在已训练的滤波器基础上，从欠采样K空间中获取初始图像，建立图像重建模型；在重建模型上利用轮换技术、半二次元分离技术和迭代重加权最小二乘法进行稀疏系数和目标图像更新；满足收敛条件得到重建图像。本发明在一定程度上提高了图像重建的精度，同时还提供了一种运用上述合成分析反卷积网络的快速成像方法的基于合成分析反卷积网络的快速成像系统，能够得到较高精度的重建图像。
-
公开(公告)号：CN112862922A
公开(公告)日：2021-05-28
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
公开(公告)号：CN112862922B
公开(公告)日：2022-10-11
申请号：CN202110109862.8
申请日：2021-01-27
Applicant: 南昌大学
Abstract: 本发明提供了一种基于多特征生成网络先验信息引导的图像填充方法，包括以下步骤：步骤A：将图像数据集分为训练数据集、验证数据集和测试数据集三部分；步骤B：设计一种可以提取彩色图像先验信息的多特征可逆1×1卷积流形生成网络结构，使用图像数据集对该网络进行训练，得到训练好的网络模型；步骤C：设计一种可以提取已训练网络模型内的先验信息的迭代求解算法；步骤D：采用迭代求解算法应用于已训练网络模型对图像测试数据集进行测试，输出得到最终的修复图像。本发明首先从具有RGB通道的图像中利用该网络学习多特征图像先验信息，然后采用可变增强技术将获取的多特征图像先验信息嵌入到迭代重建过程中去迭代优化修复结果。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
