申请/专利权人：中国科学院精密测量科学与技术创新研究院

申请日：2024-01-15

公开（公告）日：2024-04-09

公开（公告）号：CN117853603A

主分类号：G06T11/00

分类号：G06T11/00;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了基于深度学习的磁共振非笛卡尔采样密度补偿重建方法。首先获取配对的磁共振影像、非笛卡尔采样k空间数据和采样点极坐标的极角与极径作为训练集，构建密度补偿重建网络，然后通过所设定的总损失函数训练密度补偿重建网络。通过坐标卷积，将采样点极坐标3D数据与非笛卡尔采样k空间数据一起训练，使得卷积能够感知采样点位置，从而实现通过卷积网络学习密度补偿。网络训练完成后，将待处理的非笛卡尔采样k空间数据与采样点极坐标3D数据输入到训练好的密度补偿重建网络中，即可快速进行密度补偿并进行重建。本发明极大地减少了计算资源与时间的耗费，密度补偿与重建效果优异，应用时无需人工额外优化。

主权项：1.基于深度学习的磁共振非笛卡尔采样密度补偿重建方法，其特征在于，包括以下步骤：步骤1、获取配对的磁共振影像、非笛卡尔采样k空间数据以及对应的采样点极坐标3D数据作为样本组，其中采样点极坐标3D数据包括采样点极坐标的极角与极径，将样本组划分为训练集和测试集；步骤2、构建密度补偿重建网络，密度补偿重建网络包含密度补偿网络、非均匀傅里叶变换和卷积重建网络，非笛卡尔采样k空间数据以及对应的采样点极坐标3D数据构成3D输入数据，3D输入数据输入至密度补偿网络，得到精确补偿的2D非笛卡尔采样k空间数据；精确补偿的2D非笛卡尔采样k空间数据以及对应的采样点极坐标3D数据输入至非均匀傅里叶变换，得到2D重建图像；2D重建图像输入至卷积重建网络，得到预测非笛卡尔重建图像；其中3D输入数据维度为H×W×3，H与W分别为非笛卡尔采样k空间数据的长与宽，3D输入数据的第三维度“3”为3D输入数据的3个通道，一个通道为非笛卡尔采样k空间数据，一个通道为采样点极坐标的极角，一个通道为采样点极坐标的极径；步骤3、设定总损失函数L；步骤4、根据步骤3设定的总损失函数，利用步骤1生成的训练集对步骤2构建的密度补偿重建网络进行端到端的训练，并保存密度补偿重建网络的参数；步骤5、将待处理的非笛卡尔采样k空间数据与对应采样点极坐标3D数据构成待重建的3D输入数据，待重建的3D输入数据的结构与步骤1中3D输入数据的结构一致，待重建的3D输入数据输入到步骤4训练好的密度补偿重建网络当中得到非笛卡尔采样磁共振重建影像。

全文数据：

权利要求：

百度查询： 中国科学院精密测量科学与技术创新研究院 基于深度学习的磁共振非笛卡尔采样密度补偿重建方法

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