申请/专利权人：杭州电子科技大学

申请日：2023-12-08

公开（公告）日：2024-03-12

公开（公告）号：CN117689750A

主分类号：G06T11/00

分类号：G06T11/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明公开了一种基于TC‑DiffRecon模型的纹理协调的MRI图像重建方法，包括如下步骤：步骤1、获取数据集并将数据集划分为训练集和验证集；步骤2、构建并训练TC‑Diffuserecon网络模型；步骤3、将数据集中图像数据输入到MF‑UNet网络中输出预测噪声；步骤4、MF‑UNet网络输出的预测噪声以及数据集中欠采样的k空间图像作为输入通过TCKG模块得到初步预测结果；步骤5、将多组数据图像通过步骤3和步骤4得到多个初步预测结果，将多个初步预测结果通过从粗到细采样模块得到采样结果；步骤6、将步骤5的输出采样结果作为输入重复步骤3和步骤4，一共重复K次，输出MRI重建结果，该方法实现了较高质量的纹理协调的MRI重建结果。

主权项：1.一种基于TC-DiffRecon模型的纹理协调的MRI图像重建方法，其特征在于，包括如下步骤：步骤1、获取数据集并将数据集划分为训练集和验证集；步骤2、构建并训练TC-Diffuserecon网络模型，所述TC-Diffuserecon网络模型包括MF-UNet网络、TCKG模块和从粗到细采样模块；所述MF-UNet网络为以U-Net网络为主干网络，对MF-UNet网络的超参数进行设置，通过超参数设置后的MF-UNet网络对输出的主干特征和跳跃特征进行调节，所述超参数包括主干特征缩放因子和跳跃特征缩放因子；步骤3、将数据集中图像数据输入到MF-UNet网络中输出预测噪声∈θyt,t，其中yt指的是输入的图像数据，t指的是通过MF-UNet网络进行第t步噪声预测；步骤4、MF-UNet网络输出的预测噪声∈θyt,t以及数据集中欠采样的k空间图像xobs作为输入通过TCKG模块得到初步预测结果yt-1，表达式如下： 其中，其中，αt表示噪声调度，σt是与αt相关的一个参数，与表示傅里叶变化与逆傅里叶变换，表示欠采样掩模，由欠采样掩模函数生成，表示对于在t步生成的yt-1，再次对其应用一个随机生成且服从标准正态分布分布的高斯噪声，得到一个新的图像数据y″t，表达式如下： 其中指的是高斯噪声，然后新的图像数据y″t作为输入重复步骤4进行去噪，一共重复Q次，其中Q为超参数；步骤5、通过从粗到细采样模块，将K组数据图像通过TK次步骤3和步骤4得到K个初步预测结果yt-1进行平均得到步骤6、将步骤5的输出采样结果作为输入重复步骤3和步骤4，一共重复Trefine次，得到最终的MRI重建结果。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于TC-DiffRecon模型的纹理协调的MRI图像重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD