CN110490947A - 核磁共振图像重建方法、装置、存储介质及终端设备 - Google Patents

核磁共振图像重建方法、装置、存储介质及终端设备 Download PDF

Info

Publication number
CN110490947A
CN110490947A CN201910654538.7A CN201910654538A CN110490947A CN 110490947 A CN110490947 A CN 110490947A CN 201910654538 A CN201910654538 A CN 201910654538A CN 110490947 A CN110490947 A CN 110490947A
Authority
CN
China
Prior art keywords
magnetic resonance
nuclear magnetic
image
reconstruction
resonance image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910654538.7A
Other languages
English (en)
Other versions
CN110490947B (zh
Inventor
朱燕杰
梁栋
柯子文
刘新
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910654538.7A priority Critical patent/CN110490947B/zh
Publication of CN110490947A publication Critical patent/CN110490947A/zh
Application granted granted Critical
Publication of CN110490947B publication Critical patent/CN110490947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请提供了一种核磁共振图像重建方法、装置、存储介质及终端设备，通过采集欠采样的核磁共振图像，并将欠采样的核磁共振图像输入至预先训练好的核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，该核磁共振图像重建模型利用迭代器辅助训练得到。通过利用神经网络模型预先对迭代器的迭代过程进行学习，使得神经网络模型能够根据预先学习的核磁共振图像重建方法对输入的核磁共振图像进行快速重建，无需在迭代重建过程中调整参数，缩短了对核磁共振图像进行重建所需要的时间，提高了对核磁共振图像进行重建的效率。

Description

核磁共振图像重建方法、装置、存储介质及终端设备
技术领域
本申请属于图像处理技术领域，尤其涉及一种核磁共振图像重建方法、装置、存储介质及终端设备。
背景技术
核磁共振成像技术是一种非侵入式的成像技术，能够为临床诊断提供丰富的信息。然而，由于磁共振物理及硬件制约，磁共振心脏电影成像往往时间和空间分辨率受限，无法对被扫描部位进行空间信息全采集。因此，在保证成像质量的前提下，利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。在现有技术中，通常在采集欠采样核磁共振图像后，通过动态冗余的卡尔基方法等图像重建算法，利用空间信息填补欠采样的K空间数据，实现对欠采样核磁共振图像的重建。虽然通过图像重建算法能够实现对欠采样核磁共振图像的重建，但是由于核磁共振图像所包含的数据量较为庞大，通过图像重建算法对欠采样核磁共振图像进行所消耗的时间较长，并且需要占据计算机大量的计算资源，存在对欠采样核磁共振图像进行重建效率较低的问题。
发明内容
有鉴于此，本申请实施例提供了一种核磁共振图像重建方法、装置、存储介质及终端设备，以解决现有技术中对欠采样核磁共振图像进行重建效率较低的问题。
本申请实施例的第一方面提供了一种核磁共振图像重建方法，包括：
采集欠采样的核磁共振图像；
将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像；
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，包括：
解析所述欠采样的核磁共振图像的图像参数；
将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数；
根据所述重建图像参数计算得到核磁共振重建图像。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像之前，还包括：
获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像；
将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；
根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
优选的，所述将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果，包括：
逐个读取所述样本图像集中的所述欠采样核磁共振样本图像；
解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数；
将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
优选的，所述预设条件为将所述重建输出结果代入损失函数计算得到的值小于预设阈值。
优选的，所述根据所述迭代器每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型，包括：
获取所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应；
根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数；
将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
优选的，所述根据第N次迭代重建操作的所述输入参数计算得到第N层神经网络模型的输入特征向量，包括：
对第N次迭代重建操作的所述输入参数进行傅里叶逆变换以及通道融合，得到所述输入特征向量。
本申请实施例的第二方面提供了一种核磁共振图像重建装置，包括：
图像采集模块，用于采集欠采样的核磁共振图像。
图像重建模块，用于将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像。
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
优选的，所述图像重建模块，具体包括：
解析子模块，用于解析所述欠采样的核磁共振图像的图像参数。
第一输出子模块，用于将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数。
第二输出子模块，用于根据所述重建图像参数计算得到核磁共振重建图像。
优选的，该核磁共振图像重建装置还包括：
第一获取模块，用于获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像。
第二获取模块，用于将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果。
优选的，所述第二获取模块，具体包括：
读取子模块，用于逐个读取所述样本图像集中的所述欠采样核磁共振样本图像。
第一获取子模块，用于解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数。
第三输出子模块，用于将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
优选的，所述预设条件为将所述重建输出结果代入损失函数计算得到的值小于预设阈值。
模型训练模块，用于根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
优选的，所述模型训练模块，具体包括：
第二获取子模块，用于所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应。
第三获取子模块，用于根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数。
子网络训练子模块，将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
优选的，所述根据第N次迭代重建操作的所述输入参数计算得到第N层神经网络模型的输入特征向量，包括：
对第N次迭代重建操作的所述输入参数进行傅里叶逆变换以及通道融合，得到所述输入特征向量。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如下步骤：
采集欠采样的核磁共振图像；
将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像；
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，包括：
解析所述欠采样的核磁共振图像的图像参数；
将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数；
根据所述重建图像参数计算得到核磁共振重建图像。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像之前，还包括：
获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像；
将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；
根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
优选的，所述将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果，包括：
逐个读取所述样本图像集中的所述欠采样核磁共振样本图像；
解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数；
将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
优选的，所述预设条件为将所述重建输出结果代入损失函数计算得到的值小于预设阈值。
优选的，所述根据所述迭代器每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型，包括：
获取所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应；
根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数；
将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
优选的，所述根据第N次迭代重建操作的所述输入参数计算得到第N层神经网络模型的输入特征向量，包括：
对第N次迭代重建操作的所述输入参数进行傅里叶逆变换以及通道融合，得到所述输入特征向量。
本申请实施例的第四方面提供了一种核磁共振图像重建终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
采集欠采样的核磁共振图像；
将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像；
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，包括：
解析所述欠采样的核磁共振图像的图像参数；
将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数；
根据所述重建图像参数计算得到核磁共振重建图像。
优选的，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像之前，还包括：
获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像；
将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；
根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
优选的，所述将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果，包括：
逐个读取所述样本图像集中的所述欠采样核磁共振样本图像；
解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数；
将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
优选的，所述预设条件为将所述重建输出结果代入损失函数计算得到的值小于预设阈值。
优选的，所述根据所述迭代器每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型，包括：
获取所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应；
根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数；
将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
优选的，所述根据第N次迭代重建操作的所述输入参数计算得到第N层神经网络模型的输入特征向量，包括：
对第N次迭代重建操作的所述输入参数进行傅里叶逆变换以及通道融合，得到所述输入特征向量。
本申请提供了一种核磁共振图像重建方法、装置、存储介质及终端设备，通过采集欠采样的核磁共振图像，并将欠采样的核磁共振图像输入至预先训练好的核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，该核磁共振图像重建模型利用迭代器辅助训练得到。通过利用神经网络模型预先对迭代器的迭代过程进行学习，使得神经网络模型能够根据预先学习的核磁共振图像重建方法对输入的核磁共振图像进行快速重建，无需在迭代重建过程中调整参数，缩短了对核磁共振图像重建进行所需要的时间，提高了对核磁共振图像进行重建的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的核磁共振图像重建模型在使用阶段的流程示意图；
图2为本申请实施例提供的核磁共振图像重建模型在训练阶段的流程示意图；
图3为本申请实施例提供的一种核磁共振图像重建方法的流程示意图；
图4为本申请实施例提供的一种核磁共振图像重建方法中S102的细化流程示意图；
图5为本申请另一实施例提供的一种核磁共振图像重建方法的流程示意图；
图6为本申请实施例提供的一种核磁共振图像重建方法中S202的细化流程示意图；
图7为本申请实施例提供的一种核磁共振图像重建方法中S203的细化流程示意图；
图8是本申请实施例提供的一种核磁共振图像重建装置的示意图；
图9为本申请实施例提供的一种核磁共振图像重建终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
本申请实施例提供了一种核磁共振图像重建方法。结合图1所示的示意图，该方法适用于计算机设备对欠采样的核磁共振图像的重建，具体包括：如图3的流程示意图所示的步骤S101-S102。
S101，采集欠采样的核磁共振图像。
获取由核磁共振仪通过快速核磁共振成像技术采集到的欠采样的核磁共振图像，如通过并行成像和压缩感知技术加速核磁共振图像采集速度，获得欠采样的核磁共振图像，并且基于核磁共振成像技术获得的欠采样的核磁共振图像是能够通过算法实现重建的，能够利用图像之间的关系对缺失的数据进行补全。
S102，将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像。
具体的，将欠采样的核磁共振图像输入到预先训练好的核磁共振图像重建模型中，该核磁共振图像重建模型是一种神经网络模型，核磁共振图像重建模型是通过迭代器辅助训练得到。示例性的，在本申请实施例中使用低秩稀疏矩阵迭代优化器作为迭代器辅助训练该核磁共振重建模型，在现有技术中还存在其他的迭代优化器能够实现对欠采样的核磁共振图像进行重建，同样能够作为神经网络模型的辅助训练工作，对此在本申请中不做限定。
在训练过程中，根据迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到核磁共振图像重建模型；该输入参数中的初次输入参数由迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由迭代器基于每次迭代重建操作的重建输出结果确定下一次迭代重建操作的输入参数。
在另一种实施方式中，如图4的流程示意图所示，步骤S102能够通过步骤S1021-S1023实现。
S1021：解析所述欠采样的核磁共振图像的图像参数。
对核磁共振图像进行解析，获得核磁共振图像的图像参数，所述图像参数具体包括：核磁共振图像的K空间数据、欠采样轨迹、线圈敏感度信息等参数。K空间数据为核磁共振图像成像在频域上的表示，通过傅里叶逆变换能够得到核磁共振图像的空间数据，欠采样轨迹用于描述欠采样的核磁共振图像的欠采样空间的轨迹，线圈敏感度为核磁共振仪在采集该核磁共振图像时的线圈敏感度参数，欠采样轨迹和线圈敏感度信息能够辅助对K空间数据进行迭代重建。
S1022：将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数。
将所述图像参数输入至所述核磁共振图像重建模型中，这里的图像参数主要指K空间数据，欠采样轨迹、线圈敏感度信息等其他图像参数可根据需要输入，经过所述核磁共振图像重建模型中的若干层子网络迭代重建处理后，输出最终的重建图像参数，即对欠采样的K空间数据进行迭代重建后的K空间数据。
S1023：根据所述重建图像参数计算得到核磁共振重建图像。
在获得重建图像参数后，原有的欠采样信息被核磁共振图像重建模型的若干层子网络优化重构，使得重建后的图像信息变得完整。该根据该重建图像参数并不能够直接获得核磁共振重建图像，还需要进一步对重建图像参数进行计算转换。具体的，由于核磁共振图像重建模型最终输出的重建图像参数为重建后的K空间数据，所以将图像重建参数进行傅里叶逆变换后能够得到重建后的核磁共振重建图像。
在另一个实施例中，结合图1和图2所给出的示意图，在步骤S102之前还需要预先对核磁共振图像重建模型进行训练，结合图2该核磁共振图像重建方法包括：如图5的流程示意图所示的步骤S201-205，在上一实施例的步骤S102之前执行步骤S201-S203能够实现对核磁共振图像重建模型的训练。
S201：获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像。
对核磁共振图像重建模型进行训练前，需要获取大量的欠采样核磁共振样本图像。在本申请中在样本图像集中预先存储了大量欠采样核磁共振样本图像，在核磁共振图像重建模型的训练过程中，通过迭代器逐个对所有的核磁共振样本图像进行迭代重建，并且根据每一次迭代重建过程中输入迭代器的输入参数和每次迭代重建后产生重建输出结果来对核磁共振图像重建模型进行训练。通过迭代器的辅助训练，使得神经网络模型能够在缺乏全采样的核磁共振样本图像的情况下，对神经网络的子网络进行更新，当迭代器进行了N次迭代重建操作后，相对应的神经网络也能够获得具有N层子网络的核磁共振图像重建模型。
S202：将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果。
参照图2所给出的示意图，将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，每一次迭代重建操作都会输出一个重建输出结果，而迭代器每一次迭代重建操作的输入参数除第一次输入之外，其余的输入参数均有上一次迭代重建操作的重建输出结果进行傅里叶逆变换计算得到。获取并记录每一次迭代重建操作的输入参数和重建输出结果，方便核磁共振图像重建模型根据每一次迭代重建操作的输入参数和重建输出结果对子网络进行更新。
在另一种实施方式中，结合图2所给出的示意图，如图6的流程示意图所示，步骤S202可以通过步骤S2021-S2023实现。
S2021：逐个读取所述样本图像集中的所述欠采样核磁共振样本图像。
从存储有大量欠采样核磁共振样本图像的样本图像集中，逐个读取欠采样核磁共振样本图像。样本图像集为迭代器迭代产生神经网络模型的训练样本提供了大量的原始数据，迭代器读取了欠采样核磁共振样本图像后能够对该欠采样核磁共振样本图像进行重建，重构补足欠缺的欠采样核磁共振样本图像的图像参数。
S2022：解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数。
对读取到的每个核磁共振样本图像进行解析，每次解析均能够得到欠采样样本图像的样本图像参数，该样本图像参数记录了核磁共振仪产生的欠采样的K空间数据、欠采样轨迹、线圈敏感度信息等核磁共振图像的图像参数。其中，通过迭代器的迭代重建操作能够将欠采样核磁共振样本图像的图像参数中欠缺的K空间数据进行补足，进而完成对欠采样核磁共振样本图像的重建操作。
S2023：将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
将样本图像参数中的K空间数据、欠采样轨迹以及线圈敏感度信息输入到迭代器中，作为初次迭代重建操作的输入参数，即若干输入参数的初次输入参数，启动所述迭代器的迭代重建操作。当迭代器进行了一次迭代重建操作之后，下一次迭代重建操作的输入参数通过上一次迭代重建操作的重建输出结果获得。进行若干次迭代重建操作，直到重建输出结果能够满足预设条件时停止迭代重建操作。在每次迭代重建操作后，记录当次迭代重建操作的输入参数和重建输出结果，将每次迭代重建操作的输入参数和重建输出结果作为神经网络模型的训练样本材料。
示例性的，迭代器停止迭代重建操作的预设条件可以是将重建输出结果代入损失函数计算得到的值小于一个预设阈值；其中，该损失函数是迭代器反映每次重建输出结果变化情况的函数，随着迭代重建操作次数的增加，损失函数的值越来越小。
示例性的，迭代器停止迭代重建操作的预设条件还可以是重建输出结果个数累计达到某一预设阈值，即迭代重建操作的次数达到某一预设阈值时，则不再进行迭代操作。在迭代器迭代重建操作次数达到了某一预设阈值后，可以认为再进行迭代重建操作，其输出的重建输出结果变化不再明显，重建输出结果已经达到了预期的精度，故而不再继续进行迭代重建操作。
S203：根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
根据每次迭代重建操作对应的输入参数和重建输出结果，逐层更新神经网络模型，即每当迭代器完成一次迭代重建操作，则对应更新一层神经网络的子网络，当该迭代器完成N次迭代时，所述核磁共振图像重建模型也对应进行N层神经网络的子网络更新，最终获得与迭代器完成迭代重建操作相同数量的神经网络子网络层数。
在另一个实施例中，结合图2所给出的示意图，如图7的流程示意图所示，步骤S203能够通过步骤S2031-S2033实现。
S2031：获取所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应。
当迭代器进行第N次迭代重建操作时，对应的对核磁共振图像重建模型的第N层子网络进行更新。获取迭代器第N次迭代重建操作的输入参数和重建输出结果，迭代器每次迭代重建操作的输入参数和重建输出结果是核磁共振图像重建模型的子网络训练更新的样本来源。
S2032：根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数。
根据获取到的第N次迭代重建操作的输入参数计算得到核磁共振图像重建模型的第N层子网络的输入特征向量，具体的，可以通过傅里叶逆变换和通道融合算法对第N次迭代重建操作进行计算，进而获得第N层子网络的输入特征向量。并且根据第N次迭代重建操作获得的重建输出结果，获得该次重建输出结果对应的损失函数，将该损失函数作为第N层子网络的损失函数。将迭代器第N次迭代重建操作产生的输入参数和重建输出结果进行计算转换，以方便核磁共振图像重建模型能够根据第N次迭代重建操作产生的输入参数和重建输出结果对第N层子网络进行更新。
S2033：将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
将输入特征向量正向输入到核磁共振图像重建模型的第N层子网络中，并且将损失函数作为对输入特征向量的处理参数输入到核磁共振图像重建模型的第N层子网络中，核磁共振图像重建模型作为一种神经网络模型，根据正向输入的输入特征向量以及作为处理参数的损失函数，能够对第N层子网络进行更新，更新后的第N层子网络在接收到同样的输入特征向量时，能够快速处理产生对应的重建输出结果。至此，完成了与迭代器迭代重建操作同步的核磁共振图像重建模型的N层子网络更新，相对应的得到了一个具有N层子网络的核磁共振图像重建模型。在使用时，将欠采样的核磁共振图像输入到该具有N层子网络的核磁共振图像重建模型中，该核磁共振图像重建模型能够快速对欠采样的核磁共振图像进行处理，进而输出符合预期条件的核磁共振重建图像。
S204，采集欠采样的核磁共振图像。
步骤S204与步骤101相同，在上一实施例中已经对步骤S101进行详细描述，与上一实施例相类似，在此不再过多赘述。
S205，将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像。
步骤S205与步骤S102相同，步骤S102在上一实施例中已经进行详细描述，与上一实施例相类似，在此不再过多赘述。
在本申请中，通过将采集到的欠采样的核磁共振图像输入到预先训练好的核磁共振图像重建模型中，核磁共振图像重建模型能够根据输入的欠采样的核磁共振图像进行快速重建，本输出核磁共振重建图像。相较于通过迭代器进行的迭代重建操作，通过核磁共振图像重建模型获得核磁共振重建图像，能够明显缩短获得该核磁共振重建图像的处理时间，并且也不需要反复对每次迭代重建操作的输入参数进行调整，提高核磁共振图像重建效率。
同时，在该核磁共振图像重建模型的训练阶段，通过迭代器对欠采样的核磁共振样本图像进行迭代更新，辅助核磁共振图像重建模型N层子网络的更新操作，进而使得神经网络模型在缺乏全采样核磁共振图像样本的情况下也能够实现对核磁共振图像重建模型的训练，降低了对神经网络模型进行训练的投入成本，同时核磁共振图像重建模型通过对迭代器的迭代重建操作过程进行主动学习，能够节省核磁共振图像重建模型的学习训练时间，提高了对核磁共振图像重建模型进行训练操作的效率。
与前述方法实施例相对应的，本申请的另一个实施例中提供了一种核磁共振图像重建装置，结合图8，该装置能够实现步骤S101-S103或步骤S201-205对应的所有操作，具体包括：
图像采集模块81，用于采集欠采样的核磁共振图像。
图像重建模块82，用于将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像。
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
所述图像重建模块82，具体包括：
解析子模块，用于解析所述欠采样的核磁共振图像的图像参数。
第一输出子模块，用于将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数。
第二输出子模块，用于根据所述重建图像参数计算得到核磁共振重建图像。
在本实施例中，该核磁共振图像重建装置还包括：
第一获取模块，用于获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像。
第二获取模块，用于将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果。
所述第二获取模块，具体包括：
读取子模块，用于逐个读取所述样本图像集中的所述欠采样核磁共振样本图像。
第一获取子模块，用于解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数。
第三输出子模块，用于将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
模型训练模块，用于根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
所述模型训练模块，具体包括：
第二获取子模块，用于所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应。
第三获取子模块，用于根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数。
子网络训练子模块，将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
在本申请中，通过将采集到的欠采样的核磁共振图像输入到预先训练好的核磁共振图像重建模型中，核磁共振图像重建模型能够根据输入的欠采样的核磁共振图像进行快速重建，本输出核磁共振重建图像。相较于通过迭代器进行的迭代重建操作，通过核磁共振图像重建模型获得核磁共振重建图像，能够明显缩短获得该核磁共振重建图像的处理时间，并且也不需要反复对每次迭代重建操作的输入参数进行调整，提高核磁共振图像重建效率。
同时，在该核磁共振图像重建模型的训练阶段，通过迭代器对欠采样的核磁共振样本图像进行迭代更新，辅助核磁共振图像重建模型N层子网络的更新操作，进而使得神经网络模型在缺乏全采样核磁共振图像样本的情况下也能够实现对核磁共振图像重建模型的训练，降低了对神经网络模型进行训练的投入成本，同时核磁共振图像重建模型通过对迭代器的迭代重建操作过程进行主动学习，能够节省核磁共振图像重建模型的学习训练时间，提高了对核磁共振图像重建模型进行训练操作的效率。
图9为本申请另一个实施例提供的核磁共振图像重建终端设备的示意图。如图9所示，该实施例的核磁共振图像重建终端设备9包括：处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，例如核磁共振图像重建程序。所述处理器90执行所述计算机程序92时实现上述各个核磁共振图像重建方法实施例中对应的步骤，例如图3所示的步骤S101-103或图5所示的步骤S201-205。
示例性的，所述计算机程序92可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器91中，并由所述处理器90执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序92在所述核磁共振图像重建终端设备9中的执行过程。
所述核磁共振图像重建终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述核磁共振图像重建终端设备可包括，但不仅限于，处理器90、存储器91。本领域技术人员可以理解，图9仅仅是核磁共振图像重建终端设备9的示例，并不构成对核磁共振图像重建终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述核磁共振图像重建终端设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器90可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述核磁共振图像重建终端设备9的内部存储单元，例如核磁共振图像重建终端设备9的硬盘或内存。所述存储器91也可以是所述核磁共振图像重建终端设备9的外部存储设备，例如所述核磁共振图像重建终端设备9上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。进一步地，所述存储器91还可以既包括所述核磁共振图像重建终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述核磁共振图像重建终端设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述核磁共振图像重建方法的步骤。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种核磁共振图像重建方法，其特征在于，所述方法包括：
采集欠采样的核磁共振图像；
将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像；
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
2.如权利要求1所述的核磁共振图像重建方法，其特征在于，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像，包括：
解析所述欠采样的核磁共振图像的图像参数；
将所述图像参数输入至所述核磁共振图像重建模型，经过所述核磁共振图像重建模型的若干层子网络的图像重建后，输出重建图像参数；
根据所述重建图像参数计算得到核磁共振重建图像。
3.如权利要求1所述的核磁共振图像重建方法，其特征在于，所述将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像之前，还包括：
获取样本图像集；所述样本图像集包括多个欠采样核磁共振样本图像；
将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；
根据每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型。
4.如权利要求3所述的核磁共振图像重建方法，其特征在于，所述将所述欠采样核磁共振样本图像逐个输入至迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果，包括：
逐个读取所述样本图像集中的所述欠采样核磁共振样本图像；
解析所述欠采样核磁共振样本图像，得到所述欠采样核磁共振样本图像的样本图像参数；
将所述样本图像参数作为所述输入参数的初次输入参数，输入至所述迭代器中进行若干次迭代重建，获取并记录每次迭代重建操作的所述输入参数和所述重建输出结果；其中，当所述重建输出结果满足预设条件时，停止迭代重建操作。
5.如权利要求3所述的核磁共振图像重建方法，其特征在于，所述根据所述迭代器每次迭代重建操作的所述输入参数和所述重建输出结果，逐层更新神经网络模型，得到具有若干层子网络的所述核磁共振图像重建模型，包括：
获取所述迭代器第N次迭代重建操作的所述输入参数和所述重建输出结果；其中，所述N与所述迭代器进行迭代重建操作的次数对应；
根据第N次迭代重建操作的所述输入参数计算得到所述核磁共振图像重建模型的第N层子网络的输入特征向量，根据第N次迭代重建操作的所述重建输出结果计算得到所述核磁共振图像重建模型的第N层子网络的损失函数；
将所述输入特征向量和所述损失函数作为所述核磁共振图像重建模型的第N层子网络的训练样本，更新所述核磁共振图像重建模型中的所述第N层子网络，得到具有N层子网络的所述核磁共振图像重建模型。
6.如权利要求4所述的核磁共振图像重建方法，其特征在于，所述预设条件为将所述重建输出结果代入损失函数计算得到的值小于预设阈值。
7.如权利要求5所述的核磁共振图像重建方法，其特征在于，所述根据第N次迭代重建操作的所述输入参数计算得到第N层神经网络模型的输入特征向量，包括：
对第N次迭代重建操作的所述输入参数进行傅里叶逆变换以及通道融合，得到所述输入特征向量。
8.一种核磁共振图像重建装置，其特征在于，所述装置包括：
图像采集模块，采集欠采样的核磁共振图像；
图像重建模块，将所述欠采样的核磁共振图像输入至核磁共振图像重建模型中进行图像重建，得到核磁共振重建图像；
其中，所述核磁共振图像重建模型是通过迭代器辅助训练得到；在训练过程中，根据所述迭代器每次迭代重建操作的输入参数和重建输出结果逐层更新神经网络模型得到所述核磁共振图像重建模型；所述输入参数中的初次输入参数由所述迭代器基于样本图像集中的欠采样核磁共振样本图像确定，并根据由所述迭代器基于每次迭代重建操作的所述重建输出结果确定下一次迭代重建操作的所述输入参数。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
10.一种核磁共振图像重建终端设备，其特征在于，所述终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
CN201910654538.7A 2019-07-19 2019-07-19 核磁共振图像重建方法、装置、存储介质及终端设备 Active CN110490947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910654538.7A CN110490947B (zh) 2019-07-19 2019-07-19 核磁共振图像重建方法、装置、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910654538.7A CN110490947B (zh) 2019-07-19 2019-07-19 核磁共振图像重建方法、装置、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN110490947A true CN110490947A (zh) 2019-11-22
CN110490947B CN110490947B (zh) 2023-06-27

Family

ID=68547493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910654538.7A Active CN110490947B (zh) 2019-07-19 2019-07-19 核磁共振图像重建方法、装置、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN110490947B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112213674A (zh) * 2020-09-11 2021-01-12 上海东软医疗科技有限公司 磁共振压缩感知重建方法及装置
WO2021114098A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN113781596A (zh) * 2020-09-25 2021-12-10 上海联影医疗科技股份有限公司 图像重建方法和系统
CN114814684A (zh) * 2022-06-23 2022-07-29 中科微影(浙江)医疗科技有限公司 小型核磁共振设备优化成像方法、装置、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373167A (zh) * 2016-11-15 2017-02-01 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法
CN106618571A (zh) * 2016-11-16 2017-05-10 深圳先进技术研究院 一种磁共振成像方法和系统
CN109741416A (zh) * 2019-01-04 2019-05-10 北京大学深圳医院 核磁共振图像重建方法、装置、计算机设备及其存储介质
US20190172230A1 (en) * 2017-12-06 2019-06-06 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106373167A (zh) * 2016-11-15 2017-02-01 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法
CN106618571A (zh) * 2016-11-16 2017-05-10 深圳先进技术研究院 一种磁共振成像方法和系统
US20190172230A1 (en) * 2017-12-06 2019-06-06 Siemens Healthcare Gmbh Magnetic resonance image reconstruction with deep reinforcement learning
CN109741416A (zh) * 2019-01-04 2019-05-10 北京大学深圳医院 核磁共振图像重建方法、装置、计算机设备及其存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡源: "基于深度学习的快速磁共振成像技术研究", 《中国优秀硕士学位论文集医药卫生科技辑》 *
胡源: "基于深度学习的快速磁共振成像技术研究", 《中国优秀硕士学位论文集医药卫生科技辑》, 1 March 2019 (2019-03-01) *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021114098A1 (zh) * 2019-12-10 2021-06-17 中国科学院深圳先进技术研究院 弱监督磁共振快速成像方法和装置
CN112213674A (zh) * 2020-09-11 2021-01-12 上海东软医疗科技有限公司 磁共振压缩感知重建方法及装置
CN112213674B (zh) * 2020-09-11 2023-03-21 上海东软医疗科技有限公司 磁共振压缩感知重建方法及装置
CN113781596A (zh) * 2020-09-25 2021-12-10 上海联影医疗科技股份有限公司 图像重建方法和系统
CN114814684A (zh) * 2022-06-23 2022-07-29 中科微影(浙江)医疗科技有限公司 小型核磁共振设备优化成像方法、装置、设备及介质
CN114814684B (zh) * 2022-06-23 2022-09-16 中科微影(浙江)医疗科技有限公司 小型核磁共振设备优化成像方法、装置、设备及介质

Also Published As

Publication number Publication date
CN110490947B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN110490947A (zh) 核磁共振图像重建方法、装置、存储介质及终端设备
Quan et al. Compressed sensing MRI reconstruction using a generative adversarial network with a cyclic loss
Chen et al. Efficient and accurate MRI super-resolution using a generative adversarial network and 3D multi-level densely connected network
Liang et al. Deep magnetic resonance image reconstruction: Inverse problems meet neural networks
Wu et al. Tinyvit: Fast pretraining distillation for small vision transformers
CN109325985A (zh) 磁共振图像重建方法、装置和计算机可读存储介质
CN104933683B (zh) 一种用于磁共振快速成像的非凸低秩重建方法
Makkie et al. Fast and scalable distributed deep convolutional autoencoder for fMRI big data analytics
CN109633502B (zh) 磁共振快速参数成像方法及装置
US10627470B2 (en) System and method for learning based magnetic resonance fingerprinting
Hu et al. Self-supervised learning for mri reconstruction with a parallel network training framework
WO2023045482A1 (zh) 基于长距离注意力模型重建的多层磁共振成像方法及装置
Unser et al. GlobalBioIm: A unifying computational framework for solving inverse problems
CN108010094A (zh) 一种磁共振图像重建方法和装置
CN111862251A (zh) 医学图像重建技术的方法、装置、存储介质和电子设备
Guo et al. Deep attentive wasserstein generative adversarial networks for MRI reconstruction with recurrent context-awareness
Vasudeva et al. Compressed sensing mri reconstruction with co-vegan: Complex-valued generative adversarial network
CN111738435A (zh) 一种基于移动设备的在线稀疏训练方法及系统
Patel et al. Cross attention transformers for multi-modal unsupervised whole-body pet anomaly detection
CN110246200A (zh) 磁共振心脏电影成像方法、装置及磁共振扫描仪
CN111063000B (zh) 基于神经网络结构搜索的磁共振快速成像方法和装置
CN115115723A (zh) 图像重建模型生成及图像重建方法、装置、设备和介质
Zabihi et al. SepUnet: depthwise separable convolution integrated U-net for MRI reconstruction
Golbabaee et al. Compressive MRI quantification using convex spatiotemporal priors and deep auto-encoders
Zhao et al. JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant