YY-T0482-2010医用成像磁共振设备主要图像质量参数的测定

matlab开发-磁共振成像。Este Proyecto Realiza la Modulacion PWM de Se_ales Como Voz，Coseno，Seno.

这是一个关于磁共振机器和脑影像中机器学习应用的基础只是的讲义，

使用3D卷积神经网络和磁共振成像的早期识别阿尔茨海默氏病

医学数据分析

提出了一种基于低秩矩阵逼近（LRMA）和加权核范数最小化（WNNM）正则化的去噪算法，以消除磁共振图像的Rician噪声。 该技术将来自嘈杂的3D MR数据的相似的非局部立方块简单地分组到一个补丁矩阵中，每个块按字典顺序矢量化为一列，计算该矩阵的奇异值分解（SVD），然后是LRMA的闭式解通过用不同的阈值硬阈值不同的奇异值来实现。 去噪块是从低秩矩阵的此估计中获得的，整个无噪声MR数据的最终估计是通过聚合所有彼此重叠的去噪示例块来建立的。 为了进一步提高WNNM算法的去噪性能，我们首先在两次迭代的正则化框架中实现了上述去噪过程，然后利用基于单像素补丁的简单非局部均值（NLM）滤波器来降低WNNM算法的去噪强度。均匀面积。 所提出的降噪算法与相关的最新技术进行了比较，并在合成和真实3D MR数据上产生了非常有竞争力的结果。

非笛卡尔并行磁共振成像重建技术研究新进展.pdf,相对于传统的k空间笛卡尔采样，非笛卡尔采样能够使得k空间具有更高的覆盖效率，同时可以更有效地利用梯度系统性能，减少dB/dt值，避免引起人体不良的生理反应。k空间非笛卡尔采样和并行成像技术结合能够进一步提高成像速度，但是也使得图像域中的伪影模式更加复杂，因此非笛卡尔并行磁共振成像重建具有更高的技术难度。综述了目前几种典型的非笛卡尔并行成像重建技术，具体讨论了每种方法的技术细节和优缺点，包括敏感度编码（SENSE）、共轭梯度敏感度编码（CG SENSE）、非笛卡尔自标定并行采集方法（non Cartesian GRAPPA）、基于数据一致性的迭代方法（SPIRiT）和近年来发展迅速的压缩感知技术。SENSE和CG SENSE理论上可以获得最优的重建结果，但受制于线圈敏感度分布的准确测量；Non Cartesian GRAPPA无需测量线圈敏感度，但只能对特定的非笛卡尔采样模式进行近似计算；SPIRiT结合了SENSE和GRAPPA的优点，通过迭代优化方法可以获得较满意的结果；压缩感知技术利用图像的稀疏变换特性，配合现有的迭代优化并行成像方法可以进一步提升重建图像质量，将继续成为未来研究的热点。

1.5T磁共振主流机型和技术特点分析

集成有多个同心环的磁共振器的巨大电场增强

YY0319-2008医用电气设备第2-33部分：医疗诊断用磁共振设备安全专用要求