公开(公告)号：CN112700508B

公开(公告)日：2022-04-19

申请号：CN202011589581.9

申请日：2020-12-28

Applicant: 广东工业大学

Inventor： 蔡越 ,  罗玉 ,  凌捷 ,  柳毅

IPC: G06T11/00 ,  G06N3/04

Abstract: 本发明提出一种基于深度学习的多对比度MRI图像重建方法，涉及医疗影像处理的技术领域，通过采集真实的全采样MRI图像和随机在K空间下采样后的重构MRI图像组成训练集样本，训练出深度卷积神经网络，然后将不同对比度的欠采样MRI图像作为其输入，输出不同对比度初步全采样MRI图像，编码器提取不同对比度初步全采样MRI图像的结构特征和对比度特征后进行相似性约束，最后通过生成器生成最终的不同对比度的完整MRI图像，克服当前大多数模型仅利用单对比度的MRI图像进行重建，而缺少对多对比度的MRI图像关联信息的利用进行重建，提升MRI图像的重建质量，保证医疗系统诊断结果的可靠性。

公开(公告)号：CN113192151B

公开(公告)日：2022-12-27

申请号：CN202110379886.5

申请日：2021-04-08

Applicant: 广东工业大学

Inventor： 蔡越 ,  罗玉 ,  凌捷 ,  柳毅 ,  张博愉

IPC: G06T11/00 ,  G06T7/13 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于结构相似性的MRI图像重建方法，属于医学图像优化技术领域。所述方法包括步骤：对全采样MRI图像进行模拟欠采样预处理；建立T1和T2对比度的单对比度重建模型；构建相似性约束损失函数；融合训练多对比度融合重建模型；将同一部位多个对比度的欠采样MRI图像输入多对比度融合重建模型。本发明利用拟合能力强大的深度学习技术，为不同对比度的MRI图像建立单对比度重建模型，并使用结构相似性约束对不同对比度的单对比度重建模型进行融合训练，与单一对比度重建神经网络模型相比达到更高质量的重建效果。

公开(公告)号：CN117456032A

公开(公告)日：2024-01-26

申请号：CN202311462738.5

申请日：2023-11-06

Applicant: 广东工业大学

Inventor： 罗玉 ,  蔡越 ,  凌捷 ,  柳毅

IPC: G06T11/00 ,  G06T9/00 ,  G06T5/70 ,  G06T7/13 ,  G06N3/088

Abstract: 本申请实施例提供了一种基于图像分解的无训练磁共振影像重建方法、系统及介质，该方法包括：获取磁共振影像，将磁共振影像输入预设的影像分解模型进行解耦，得到图像边缘区域与平滑区域；通过无训练神经网络先验生成器获取图像边缘区域、平滑区域的分解成分与分解掩码，生成图像边缘区域编码向量、图像平滑区域编码向量与分解掩码的编码向量；基于磁共振影像分解模型与映射关系模型，利用分解掩码对分解成分进行融合，获得磁共振影像重建结果；通过构建磁共振影像分解模型，将磁共振影像分解为边缘区域和平滑区域，并利用无训练神经网络先验生成器灵活获取图像分解成分和分解掩码，以此降低单模型的重建难度以提升磁共振影像的重建效率。

公开(公告)号：CN115984402A

公开(公告)日：2023-04-18

申请号：CN202310045495.9

申请日：2023-01-30

Applicant: 广东工业大学

Inventor： 罗玉 ,  蔡越 ,  凌捷

IPC: G06T11/00 ,  G06N3/0464 ,  G06N3/084 ,  G06T5/00 ,  G06T5/10

Abstract: 本发明公开了一种联合边界的展开式MRI影像重建方法、系统和存储介质，属于医学影像优化技术领域。通过结合影像边界信息设计重建模型，并结合传统优化理论对重建影像和影像边界进行交替优化，同时基于拟合能力强大的深度学习技术将优化流程中的可网络化子模块进行展开。在大规模数据的驱动下，结合网络模块预训练和整体重建模型微调的方式，训练出能有效利用影像边界信息对欠采样MRI影像进行高质量重建的优化模型，且相较于单纯基于深度学习的方法，该重建模型具有更高的解释性和可靠性。

公开(公告)号：CN112700508A

公开(公告)日：2021-04-23

申请号：CN202011589581.9

申请日：2020-12-28

Applicant: 广东工业大学

Inventor： 蔡越 ,  罗玉 ,  凌捷 ,  柳毅

IPC: G06T11/00 ,  G06N3/04

Abstract: 本发明提出一种基于深度学习的多对比度MRI图像重建方法，涉及医疗影像处理的技术领域，通过采集真实的全采样MRI图像和随机在K空间下采样后的重构MRI图像组成训练集样本，训练出深度卷积神经网络，然后将不同对比度的欠采样MRI图像作为其输入，输出不同对比度初步全采样MRI图像，编码器提取不同对比度初步全采样MRI图像的结构特征和对比度特征后进行相似性约束，最后通过生成器生成最终的不同对比度的完整MRI图像，克服当前大多数模型仅利用单对比度的MRI图像进行重建，而缺少对多对比度的MRI图像关联信息的利用进行重建，提升MRI图像的重建质量，保证医疗系统诊断结果的可靠性。

公开(公告)号：CN113192151A

公开(公告)日：2021-07-30

申请号：CN202110379886.5

申请日：2021-04-08

Applicant: 广东工业大学

Inventor： 蔡越 ,  罗玉 ,  凌捷 ,  柳毅 ,  张博愉

IPC: G06T11/00 ,  G06T7/13 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明公开了一种基于结构相似性的MRI图像重建方法，属于医学图像优化技术领域。所述方法包括步骤：对全采样MRI图像进行模拟欠采样预处理；建立T1和T2对比度的单对比度重建模型；构建相似性约束损失函数；融合训练多对比度融合重建模型；将同一部位多个对比度的欠采样MRI图像输入多对比度融合重建模型。本发明利用拟合能力强大的深度学习技术，为不同对比度的MRI图像建立单对比度重建模型，并使用结构相似性约束对不同对比度的单对比度重建模型进行融合训练，与单一对比度重建神经网络模型相比达到更高质量的重建效果。