期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于3D U-Net和DTI模型约束的扩散张量场估计方法
被引量:
1
1
作者
麦兆华
李嘉龙
+1 位作者
冯衍秋
张鑫媛
《南方医科大学学报》
CAS
CSCD
北大核心
2023年第7期1224-1232,共9页
目的为从少量的低信噪比扩散加权(DW)图像中估计得到准确的扩散张量成像(DTI)量化参数,本文提出一种基于3D U-Net和DTI模型约束的扩散张量场估计网络(3D DTI-Unet)。方法3D DTI-Unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅...
目的为从少量的低信噪比扩散加权(DW)图像中估计得到准确的扩散张量成像(DTI)量化参数,本文提出一种基于3D U-Net和DTI模型约束的扩散张量场估计网络(3D DTI-Unet)。方法3D DTI-Unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅非扩散加权图像与6幅不同扩散编码方向的DW图像),通过3D U-Net网络预测得到降噪后的非扩散加权图像以及准确的扩散张量场,并通过DTI模型重建得到dMRI数据,将其与dMRI数据的真实值进行比较来优化网络,从而保证dMRI数据与扩散张量场的物理模型一致性。为验证所提方法的有效性,与Marchenko-Pastur主成分分析(MP-PCA)和基于全局指导下的局部高阶奇异值分解(GL-HOSVD)这两种扩散加权图像去噪算法进行实验对比。结果从DW图像、扩散张量场以及DTI量化参数的定量分析结果以及视觉效果来看,所提方法均优于MP-PCA与GL-HOSVD。结论本文所提方法能够从1幅非扩散加权图像和6幅DW图像得到准确的DTI量化参数,可减少临床采集时间,提高临床量化诊断的可靠性。
展开更多
关键词
扩散张量成像
张量场估计
3D
U-Net
Rician噪声
图像去噪
下载PDF
职称材料
基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建
2
作者
陆琪琪
连梓锋
+3 位作者
李嘉龙
斯文彬
麦兆华
冯衍秋
《波谱学杂志》
CAS
北大核心
2023年第3期258-269,共12页
磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出...
磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振R_(2)^(*)参数图像重建.通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练.网络的训练不需要使用真实的R_(2)^(*)参数图像.同时,相较于传统的参数估计算法,本文提出的方法能够快速准确地重建出铁沉积肝脏R_(2)^(*)参数图像,较好地抑制图像中噪声的影响,校正噪声引起的偏差,同时保持R_(2)^(*)参数图像中的结构细节.
展开更多
关键词
磁共振成像
参数图像重建
深度学习
自监督网络
肝脏铁过载
下载PDF
职称材料
题名
基于3D U-Net和DTI模型约束的扩散张量场估计方法
被引量:
1
1
作者
麦兆华
李嘉龙
冯衍秋
张鑫媛
机构
南方医科大学生物医学工程学院
广东省医学图像处理重点实验室
广东省医学成像与诊断技术工程实验室
出处
《南方医科大学学报》
CAS
CSCD
北大核心
2023年第7期1224-1232,共9页
基金
国家自然科学基金(61971214)
广东省自然科学基金(2023A1515012093)。
文摘
目的为从少量的低信噪比扩散加权(DW)图像中估计得到准确的扩散张量成像(DTI)量化参数,本文提出一种基于3D U-Net和DTI模型约束的扩散张量场估计网络(3D DTI-Unet)。方法3D DTI-Unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅非扩散加权图像与6幅不同扩散编码方向的DW图像),通过3D U-Net网络预测得到降噪后的非扩散加权图像以及准确的扩散张量场,并通过DTI模型重建得到dMRI数据,将其与dMRI数据的真实值进行比较来优化网络,从而保证dMRI数据与扩散张量场的物理模型一致性。为验证所提方法的有效性,与Marchenko-Pastur主成分分析(MP-PCA)和基于全局指导下的局部高阶奇异值分解(GL-HOSVD)这两种扩散加权图像去噪算法进行实验对比。结果从DW图像、扩散张量场以及DTI量化参数的定量分析结果以及视觉效果来看,所提方法均优于MP-PCA与GL-HOSVD。结论本文所提方法能够从1幅非扩散加权图像和6幅DW图像得到准确的DTI量化参数,可减少临床采集时间,提高临床量化诊断的可靠性。
关键词
扩散张量成像
张量场估计
3D
U-Net
Rician噪声
图像去噪
Keywords
diffusion tensor imaging
tensor field estimation
3D U-Net
Rician noise
image denoising
分类号
R445.2 [医药卫生—影像医学与核医学]
下载PDF
职称材料
题名
基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建
2
作者
陆琪琪
连梓锋
李嘉龙
斯文彬
麦兆华
冯衍秋
机构
南方医科大学生物医学工程学院
出处
《波谱学杂志》
CAS
北大核心
2023年第3期258-269,共12页
基金
国家自然科学基金资助项目(U21A6005)。
文摘
磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振R_(2)^(*)参数图像重建.通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练.网络的训练不需要使用真实的R_(2)^(*)参数图像.同时,相较于传统的参数估计算法,本文提出的方法能够快速准确地重建出铁沉积肝脏R_(2)^(*)参数图像,较好地抑制图像中噪声的影响,校正噪声引起的偏差,同时保持R_(2)^(*)参数图像中的结构细节.
关键词
磁共振成像
参数图像重建
深度学习
自监督网络
肝脏铁过载
Keywords
MR imaging
parameter mapping
deep learning
self-supervised network
liver iron overload
分类号
O482.53 [理学—固体物理]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于3D U-Net和DTI模型约束的扩散张量场估计方法
麦兆华
李嘉龙
冯衍秋
张鑫媛
《南方医科大学学报》
CAS
CSCD
北大核心
2023
1
下载PDF
职称材料
2
基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建
陆琪琪
连梓锋
李嘉龙
斯文彬
麦兆华
冯衍秋
《波谱学杂志》
CAS
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部