-
公开(公告)号：CN113538612B
公开(公告)日：2022-06-17
申请号：CN202110687906.5
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明属于医疗技术领域，具体为一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法。本发明该法包括：获取成对的ｋ空间全采样数据和ｋ空间降采样数据，生成训练样本；將ｋ空间降采样数据重新排列，用于重建具有低秩性质的k空间数据；基于矩阵低秩分解的原理，通过神经网络构建低秩分解单元；基于变分贝叶斯推断从低秩分解中重建出低秩成分；计算重建结果与k空间全采样数据的损失函数，并利用优化器训练网络；从训练好的网络中快速重建出ｋ空间数据，进而获得重建的磁共振图像。与现有技术相比，本发明方法完全在ｋ空间加速重建，鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN111105364A
公开(公告)日：2020-05-05
申请号：CN201911221840.X
申请日：2019-12-03
Applicant: 复旦大学
Abstract: 本发明涉及一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：(1)获取成对的原始图像和退化图像，生成训练样本；(2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得图像的秩一逼近；(3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；(4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；(5)利用优化器训练秩一分解网络和秩一重建网络；(6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN111105364B
公开(公告)日：2023-04-28
申请号：CN201911221840.X
申请日：2019-12-03
Applicant: 复旦大学
Abstract: 本发明涉及一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：(1)获取成对的原始图像和退化图像，生成训练样本；(2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得图像的秩一逼近；(3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；(4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；(5)利用优化器训练秩一分解网络和秩一重建网络；(6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN111260566B
公开(公告)日：2022-08-09
申请号：CN202010023382.5
申请日：2020-01-09
Applicant: 复旦大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于稀疏先验的图像复原方法，该方法包括如下步骤：(1)获取成对的退化图像和真实图像，生成训练样本；(2)在小波域中构建稀疏化单元来稀疏表示图像；(3)在图像域中构建图像复原单元来重建退化图像的细节信息，获取复原图像；(4)获取损失函数；(5)循环迭代，利用优化器最小化损失函数，以训练稀疏化单元和图像复原单元；(6)将稀疏化单元与图像复原单元级联，形成图像复原模型，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN113538611A
公开(公告)日：2021-10-22
申请号：CN202110687905.0
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明公开了一种无监督的心脏磁共振参数定量图像重建方法。本发明方法包括：获取心脏磁共振降采样K空间数据以及对应的降采样算子，生成训练样本；利用卷积神经网络搭建迭代网络框架；利用对抗网络对真实梯度和学习到的梯度的分布进行判别，确保二者在分布上相似；利用神经网络学习正则化算子，对重建图像进行约束；计算损失函数并在训练样本上进行训练；基于物理模型对重建得到的图像序列进行拟合，计算mapping参数图；将网路框架用于新的心脏磁共振数据，进行mapping重建。本方法不需要全采样的金标准数据，能高效实现心脏磁共振mapping重建的加速，且适用于多种参数mapping重建，具有临床应用价值。
-
Patent Agency Ranking
公开(公告)号：CN113554728B
公开(公告)日：2022-04-12
申请号：CN202110687898.4
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明公开了一种基于半监督的从多序列3T到7T磁共振图像的生成方法。其包括：获取3T磁共振图像与7T磁共振图像，生成训练样本；通过神经网络构建的生成器G1从7T磁共振图像中生成多序列3T磁共振图像；通过神经网络构建的特征融合模块提取3T磁共振图像的特征并融合，获得指导结构信息与高频细节的7T指导图像；通过神经网络构建的生成器G2，以3T磁共振图像与获得的指导图像为输入，生成相同序列的7T磁共振图像；综合损失函数使用优化器训练网络；从训练好的生成器G2中快速生成单序列7T图像。本发明使用多序列的3T磁共振图像，能够更好地合成对应7T磁共振图像的高频细节，鲁棒性高，泛化能力强，易于训练与实现。
-
公开(公告)号：CN113554728A
公开(公告)日：2021-10-26
申请号：CN202110687898.4
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明公开了一种基于半监督的从多序列3T到7T磁共振图像的生成方法。其包括：获取3T磁共振图像与7T磁共振图像，生成训练样本；通过神经网络构建的生成器G1从7T磁共振图像中生成多序列3T磁共振图像；通过神经网络构建的特征融合模块提取3T磁共振图像的特征并融合，获得指导结构信息与高频细节的7T指导图像；通过神经网络构建的生成器G2，以3T磁共振图像与获得的指导图像为输入，生成相同序列的7T磁共振图像；综合损失函数使用优化器训练网络；从训练好的生成器G2中快速生成单序列7T图像。本发明使用多序列的3T磁共振图像，能够更好地合成对应7T磁共振图像的高频细节，鲁棒性高，泛化能力强，易于训练与实现。
-
公开(公告)号：CN111260552A
公开(公告)日：2020-06-09
申请号：CN202010023379.3
申请日：2020-01-09
Applicant: 复旦大学
Abstract: 本发明涉及一种基于递进学习的图像超分辨率方法，该方法包括如下步骤：(1)获取成对的低分辨率和高分辨率图像，生成训练样本；(2)构建图像超分辨率网络，所述的图像超分辨率网络用于输入低分辨率图像并输出高分辨率图像；(3)确定度量高分辨率图像局部细节特征的局部细节度量；(4)确定随训练次数递进增加的难度系数，结合局部细节度量与难度系数确定每一次训练过程中各训练样本的自适应权重；(5)基于自适应权重定义图像超分辨率网络的加权损失函数；(6)利用优化器最小化加权损失函数，训练图像超分辨率网络；(7)获得用于图像超分辨率的图像超分辨率网络。与现有技术相比，本发明鲁棒性高，泛化能力强，计算时间短，实现方便。
-
-
公开(公告)号：CN113538612A
公开(公告)日：2021-10-22
申请号：CN202110687906.5
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明属于医疗技术领域，具体为一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法。本发明该法包括：获取成对的ｋ空间全采样数据和ｋ空间降采样数据，生成训练样本；將ｋ空间降采样数据重新排列，用于重建具有低秩性质的k空间数据；基于矩阵低秩分解的原理，通过神经网络构建低秩分解单元；基于变分贝叶斯推断从低秩分解中重建出低秩成分；计算重建结果与k空间全采样数据的损失函数，并利用优化器训练网络；从训练好的网络中快速重建出ｋ空间数据，进而获得重建的磁共振图像。与现有技术相比，本发明方法完全在ｋ空间加速重建，鲁棒性高，泛化能力强，计算时间短，实现方便。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
