CN110570487A - 欠采样模型生成方法、图像重建方法、装置和计算机设备 - Google Patents
欠采样模型生成方法、图像重建方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110570487A CN110570487A CN201910789671.3A CN201910789671A CN110570487A CN 110570487 A CN110570487 A CN 110570487A CN 201910789671 A CN201910789671 A CN 201910789671A CN 110570487 A CN110570487 A CN 110570487A
- Authority
- CN
- China
- Prior art keywords
- model
- undersampled
- image
- reconstructed image
- updated
- 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
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请涉及一种欠采样模型生成方法、图像重建方法、装置、计算机设备和存储介质。所述方法包括:依据待更新欠采样模型得到欠采样图像;通过预设神经网络对欠采样图像进行重建,得到重建图像;当重建图像未满足预设要求时,获取差值最小的编码线;根据编码线更新待更新欠采样模型,生成新的欠采样模型;将新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定重建图像满足预设要求为止,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。采用本方法能够提高欠采样模型与神经网络的匹配率。
Description
技术领域
本申请涉及医学技术领域,特别是涉及一种欠采样模型生成方法、图像重建方法、装置、计算机设备和存储介质。
背景技术
随着医学技术领域的发展,出现了各种医学成像技术,通过成像设备扫描采集的数据进行图像重建可以得到清晰的医学图像,便于用户对病灶进行预判。尤其是磁共振成像技术,磁共振成像因其无电离辐射伤害,且拥有多种组织对比度成为了现代医疗影像技术中不可替代的一员。磁共振图像采集的过程通常是对整个K空间进行空间编码,从而导致图像采集时间往往都很长。而采集时间一旦很长便会带来一系列的影响,例如运动伪影影响图像质量等。因此,如何加快磁共振扫描采样的速度一直都是本领域研究的热点。
然而,由于K空间中心低频部分包含主要结构和对比度,而高频部分包含细节的物理规律,因此,现有通常采用欠采样模型对高频部分进行欠采样的数据采集。但是,由于随着人工智能技术的发展,通过神经网络对采集的磁共振数据进行图像重建成为了一种新的磁共振重建方法。然而神经网络是一种数据驱动的技术,使得其对于欠采样模型并没有特别的需求,从而导致无法选择与神经网络相匹配的欠采样模型。
发明内容
基于此,有必要针对上述技术问题,提供一种能够减少重建伪影,且与神经网络最为匹配的欠采样模型生成方法、图像重建方法、装置、计算机设备和存储介质。
一种欠采样模型生成方法,所述方法包括:
依据待更新欠采样模型得到欠采样图像;
通过预设神经网络对所述欠采样图像进行重建,得到重建图像;
当所述重建图像未满足预设要求时,获取差值最小的编码线;
根据所述差值最小的编码线生成新的欠采样模型;
将所述新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定所述重建图像满足预设要求为止,将满足要求的所述重建图像对应的欠采样模型作为最终生成的欠采样模型。
一种图像重建方法,所述方法包括:
利用权利要求上述任意一项所述的欠采样模型生成方法所生成的欠采样模型,得到待重建图像;
通过与所述欠采样模型对应的神经网络,将所述待重建图像进行重建,得到重建图像。
一种欠采样模型生成装置,所述装置包括:
采样模块,用于依据待更新欠采样模型得到欠采样图像;
重建模块,用于通过预设神经网络对所述欠采样图像进行重建,得到重建图像;
获取模块,用于当所述重建图像未满足预设要求时,获取差值最小的编码线;
生成模块,用于根据所述编码线更新所述待更新欠采样模型,生成新的欠采样模型;
迭代模块,用于将所述新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定所述重建图像满足预设要求为止,将满足要求的所述重建图像对应的欠采样模型作为最终生成的欠采样模型。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的欠采样模型生成方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的欠采样模型生成方法的步骤。
上述欠采样模型方法、装置、计算机设备和存储介质,利用待更新欠采样模型得到欠采样图像,通过预设神经网络对欠采样图像进行重建,得到重建图像。然后通过对重建图像进行评估确定是否满足预设要求,从而判断欠采样模型是否达到最优欠采样的情况。而当重建图像不满足预设要求时,获取差值最小的编码线,根据差值最小的编码线对欠采样模型进行更新,生成新的欠采样模型,根据新的欠采样模型重新得到欠采样图像,并且再次重建后进行评估,从而保证可以根据神经网络调整欠采样模型,保证得到与神经网络模型最匹配的欠采样模型。
附图说明
图1为一个实施例中欠采样模型生成方法的应用环境图;
图2为一个实施例中欠采样模型生成方法的流程示意图;
图3为一个实施例中欠采样模型迭代生成的结构示意图;
图4为一个实施例中欠采样模型、欠采样图像以及重建图像的示意图;
图5为一个实施例中获取差值最小的编码线步骤的流程示意图;
图6为一个实施例中欠采样模型生成装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的欠采样模型生成方法,可以应用于如图1所示的应用环境中。该应用环境涉及终端102,还可以涉及服务器104。终端102通过网络与服务器104进行通信。其中,终端102接收到用户的生成指令后,可由终端102响应生成指令,单独实现欠采样模型生成方法。也可以通过终端102将生成指令发送至服务器104,服务器104响应生成指令,实现欠采样模型生成方法。具体地,服务器104依据待更新欠采样模型得到欠采样图像。服务器104通过预设神经网络对欠采样图像进行重建,得到重建图像。当重建图像未满足预设要求时,服务器104获取差值最小的编码线。服务器104根据差值最小的编码线生成新的欠采样模型。服务器104将新的欠采样模型作为待更新欠采样模型,并返回利用待更新欠采样模型得到欠采样图像的步骤,直到确定重建图像满足预设要求为止,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种欠采样模型生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S202,依据待更新欠采样模型得到欠采样图像。
其中,欠采样是指数据的采样频率低于信号最高频率两倍的采样方式,欠采样模型则是用于进行欠采样的模板。可以理解为,磁共振设备在扫描时,根据设定的欠采样模型进行采样,即为按照欠采样模型所规定的进行数据的采集,将采集所得到的数据填充到K空间中,直至K空间数据填充完毕。而待更新欠采样模型为需要更新的欠采样模型,可以为初始生成的初始欠采样模型,也可以是根据初始欠采样模型新生成的不满足要求的欠采样模型,初始采样模型可以使用随机欠采样方式生成。可以理解为,只要确定该欠采样模型采集得到的欠采样图像经重建后,所得到的重建图像不满足要求,均可将该欠采样模型作为需要更新的欠采样模型。欠采样图像即是欠采样模型从K空间采集到的K空间数据重建所得到的图像。K空间是频域空间,成像数据根据不同的空间频率编排在特定的K空间位置,最后被变换成图像。也就是说,欠采样图像可以理解为是根据欠采样模型采集得到的K空间数据得到的图像。当欠采样模型从K空间采集到部分数据后,通过逆傅里叶变换将采集到的部分数据变换到图像域,即得到对应的欠采样图像。
具体地,当服务器接收到终端发送的生成指令后,服务器通过响应接收到的生成指令调用对应的待更新欠采样模型,利用调用的待更新欠采样模型从满采的K空间中进行数据采集,采集到的数据经过逆傅里叶变换后得到对应的欠采样图像。可以理解为,将待更新欠采样模型作用于全采样图像的K空间上,即待更新欠采样模型与K空间进行点乘,得到欠采样K空间。在将欠采样K空间进行逆傅里叶变换,得到欠采样图像。例如,当用户需要对欠采样模型进行更新,或者需要生成新的欠采样模型时,通过操作终端下达生成指令,终端将生成指令发送给服务器。服务器根据接收到的生成指令调用对应的待更新欠采样模型,利用待更新欠采样模型从满采的K空间中采集得到欠采样K空间数据,将欠采样K空间数据变换到图像域得到对应的欠采样图像。
步骤S204,通过预设神经网络对欠采样图像进行重建,得到重建图像。
其中,重建是指图像重建,图像重建是指对成像数据的高速数学运算。传统图像重建的运算主要使用快速傅里叶变换。在本实施例中,利用预设的神经网络对欠采样图像进行重建,得到对应的重建图像。神经网络为预先根据样本图像训练完成,可以应用于图像重建的模型。神经网络包括但不限于全卷积网络、对抗生成式网络、U-net网络、以及残差网络等等。
具体地,当通过欠采样模型得到对应的欠采样图像后,调用预先训练好的神经网络对欠采样模型生成的欠采样图像进行图像重建,即可得到神经网络输出的重建图像。例如,服务器通过调用预先部署在本地的神经网络,将欠采样图像输入至神经网络中,以利用神经网络对欠采样图像进行一系列卷积、池化等操作,从而得到重建图像。利用神经网络进行图像重建比传统图像重建运算方法更加快速和准确。
步骤S206,当重建图像未满足预设要求时,获取差值最小的编码线。
其中,编码线是指K空间中的相位编码线,而差值最小的编码线,即为重建图像对应K空间中相位编码线与全采样图像对应K空间中相位编码线差值最小的相位编码线。而未满足预设要求重建图像则是指与全采样图像进行比较后,确定重建图像与全采样图像差异过大时,则认定依照该欠采样图像重建得到的重建图像不满足要求。差异过大可以理解为,当基于预设比较指标将重建图像与全采样图像进行比较,得到的比较值大于设定的阈值时,即可确定重建图像与全采样图像差异过大。
在一个实施例中,在步骤S206当重建图像未满足预设要求时,获取差值最小的编码线之前,还包括评估重建图像是否满足预设要求的步骤。
评估重建图像是否满足预设要求的步骤具体包括:基于预设比较指标,将重建图像和全采样图像进行比较,得到比较值;当根据比较值与阈值确定重建图像未满足预设要求时,获取差值最小的编码线。
其中,预设比较指标包括但不仅限于PSNR(Peak Signal to Noise Ratio,峰值信噪比)和SSIM(Structural Similarity Index,结构相似性)。通过对重建图像与全采样图像的PSNR,SSIM等指标之差进行一个加权综合评价,设定一个阈值。当多项指标的加权综合评价指标小于阈值时,认为重建图像满足预设要求执行步骤S212,否则确定重建图像不满足要求,执行步骤S206,获取差值最小的编码线更新欠采样模型。
具体地,对于获取差值最小的编码线,当得到重建图像后,获取预设的全采样图像。将重建图像和全采样图像变换到K空间,即利用快速傅里叶变换分别将重建图像和全采样图像从图像域变换到对应的K空间,得到重建图像对应的K空间和全采样图像的K空间。将重建图像对应的K空间中相位编码线上每个点的值与全采样图像的K空间对应的编码线上每个点的值进行比较,确定K空间中每条对应相位编码线上每个点之间的差值,差值即为比较值,用于表示二者的差距。对于每条编码线上各像素点的差值,综合考虑编码线上各像素的L1或L2范数,协方差等指标,对各编码线上各指标加权后的综合值进行比较,选出综合差值最小的编码线。而在比较差值时需排除已经属于欠采样模型的编码线。
步骤S208,根据差值最小的编码线生成新的欠采样模型。
具体地,获取到差值最小的编码线之后,将该编码线增加至待更新欠采样模型中,得到一个新的欠采样模型,即为生成的新的欠采样模型。
步骤S210,将新的欠采样模型作为待更新欠采样模型,返回步骤S202,依据待更新欠采样模型得到欠采样图像,直到确定重建图像满足预设要求为止。
步骤S212,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。
具体地,当生成新的欠采样模型后,即需要判断由新的欠采样模型采集到的欠采样图像进行重建,得到的重建图像是否能够满足要求。即将该新的欠采样模型作为待更新欠采样模型,返回步骤S202,依据待更新欠采样模型得到欠采样图像。然后,同样执行后续步骤,即调用神经网络对欠采样图像进行重建,得到重建图像。当对重建图像进行评估确定其满足预设要求时,则可直接将该满足预设要求的重建图像对应的欠采样模型作为最终生成的欠采样模型,即停止生成新的欠采样模型。否则,当对重建图像进行评估确定其同样不满足预设要求时,继续进行迭代,即重新获取差值最小的编码线加入到待更新欠采样模型中,再次得到新的欠采样模型。也就是说,不断迭代更新欠采样模型,只有当得到的重建图像满足预设的要求,即可停止迭代,得到最终生成的欠采样模型。
例如,参考图3,迭代的第一轮,将欠采样模型1作为待更新欠采样模型1,利用待更新欠采样模型1得到欠采样图像1,欠采样图像1经过神经网络重建,得到重建图像1。当重建图像1满足预设要求时,将待更新欠采样模型1作为最终生成的欠采样模型,即将欠采样模型1作为最终生成的欠采样模型。当重建图像1不满足预设要求时,将重建图像1的K空间的编码线与全采样图像的K空间的编码线进行比较,获取差值最小的编码线1。将差值最小的编码线1加入到欠采样模型1(待更新欠采样模型1)中,得到欠采样模型2。迭代的第二轮,即将欠采样模型2作为待更新欠采样模型2。同样的,利用待更新欠采样模型2得到欠采样图像2,欠采样图像2经过神经网络重建,得到重建图像2。当重建图像2满足预设要求时,将待更新欠采样模型2作为最终生成的欠采样模型,即将欠采样模型2作为最终生成的欠采样模型。当重建图像2不满足预设要求时,将重建图像2的K空间的编码线与全采样图像的K空间的编码线进行比较,获取差值最小的编码线2。将差值最小的编码线2加入到欠采样模型2(待更新欠采样模型2)中,得到欠采样模型3,将欠采样模型3作为待更新欠采样模型3,待更新欠采样模型3迭代待更新欠采样模型1和待更新欠采样模型2的步骤,直到能够得到最终生成的欠采样模型。其他的待更新欠采样模型同样如此,在此不再赘述。进一步的,参考图4,待更新欠采样模型通过不断的更新,当前待更新欠采样模型相较于之前的待更新欠采样模型来说,编码线数量增多,使得所采集到的欠采样图像更加逼近全采样图像,从而利用神经网络重建得到的重建图像也随之更加逼近全采样图像。
上述欠采样模型方法,利用待更新欠采样模型得到欠采样图像,通过预设神经网络对欠采样图像进行重建,得到重建图像。然后通过对重建图像进行评估确定是否满足预设要求,从而判断欠采样模型是否达到最优欠采样的情况。而当重建图像不满足预设要求时,获取差值最小的编码线,根据差值最小的编码线对欠采样模型进行更新,生成新的欠采样模型,根据新的欠采样模型重新得到欠采样图像,并且再次重建后进行评估,从而可以根据神经网络调整欠采样模型,保证得到与神经网络模型最匹配的欠采样模型。
在一个实施例中,依据待更新欠采样模型得到欠采样图像,包括以下步骤:
生成初始采样模型,将初始采样模型作为待更新欠采样模型。基于待更新欠采样模型和预设的全采样图像,得到欠采样图像。
具体地,初始采样模型即为最初第一次生成的欠采样模型。可以理解为,当服务器接收到终端发送的生成指令后,响应生成指令随机生成一个初始欠采样模型,将该初始欠采样模型作为待更新欠采样模型。进一步的,即将待更新欠采样模型作用于全采样图像的K空间上,即待更新欠采样模型与K空间进行点乘,得到欠采样K空间。在将欠采样K空间进行逆傅里叶变换,得到欠采样图像。在本实施例中,通过欠采样模型得到对应的欠采样图像,便于后续通过欠采样图像评估欠采样模型是否需要进行更新。
在一个实施例中,如图5所示,根据比较值与阈值确定重建图像未满足预设要求时,获取差值最小的编码线包括以下步骤:
步骤S502,当根据比较值与阈值确定重建图像未满足预设要求时,确定重建图像对应欠采样模型已有的编码线。
具体地,即确定重建图像未满足预设要求时,确定该重建图像对应的欠采样模型。例如,重建图像1是待更新欠采样模型1(欠采样模型1)采集到的欠采样图像重建得到的,则待更新欠采样模型1(欠采样模型1)是重建图像1对应的欠采样模型。而若重建图像为重建图像2,而重建图像2是待更新欠采样模型2(欠采样模型2)采集到的欠采样图像重建得到的,则待更新欠采样模型2(欠采样模型2)是重建图像2对应的欠采样模型。进一步的,确定重建图像对应的欠采样模型之后,获取欠采样模型中已有的编码线。即可以理解为,获取重建图像对应的欠采样模型之后,获取该欠采样模型对应的欠采样图像,该欠采样图像对应K空间中的非零编码线即为欠采样模型已有的编码线。
步骤S504,分别从重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线。
具体地,当确定重建图像对应的欠采样模型的已有编码线后,从重建图像的K空间上和全采样图像的K空间上去除已有编码线。例如,已有编码线为编码线1和编码线2,则在重建图像的K空间上和全采样图像的K空间上去除编码线1和编码线2,剩余的编码线即为剩余编码线。
步骤S506,计算重建图像和预设的全采样图像K空间上剩余编码线的差值,得到差值最小的编码线。
具体地,计算重建图像和预设的全采样图像K空间上剩余编码线的差值,即是将重建图像的K空间与全采样图像的K空间进行相减。也就是说,计算重建图像的K空间上编码线与全采样图像的K空间上对应的编码线的差值,从而得到差值最小的编码线。其中,差值包括但不限于为计算编码线的LI范数差值、L2范数差值、编码线的协方差值、或者上述差值(LI范数差值、L2范数差值、协方差值)的组合差值等。进行差值计算后,通过差值之间的比较,确定差值最小的值,从而获取差值最小的值所对应的编码线,即为差值最小的编码线。在本实施例中,通过去除已有编码线后计算差值最小的编码线,防止编码线重复而使得新生成的欠采样模型没有变化。
在一个实施例中,神经网络为对抗生成式网络和全卷积网络,其中,对抗生成式网络(Generative Adversarial Networks,GAN)是一种深度学习的网络模型。对抗神经网络包括两部分:生成网络和辨别网络,其中,生成网络用于生成图像,使得生成的图像能混淆辨别网络。辨别网络则是用于判断图像为真实图像还是生成网络生成的图像,要尽可能的给出准确的判断。全卷积神经网络可以学习图到图之间的映射关系,接受任意尺寸的输入图像也可以用于图像生成。
具体地,即通过对抗生成式网络,或者全卷积网络对欠采样图像进行重建,得到重建图像。以对抗式生成网络为例,在本实施例中,通过将欠采样图像输入至已经训练好的对抗生成网络的生成网络,通过对抗生成网络的生成网络依据欠采样图像进行图像重建,得到重建图像。通过这种经过对抗式训练得到的神经网络进行图像重建,从而能够保证得到高质量的重建图像。或者,将欠采样图像直接输入至全卷积网络,利用全卷积网络对欠采样图像进行卷积操作,提取相应的特征,从而根据该特征得到重建图像。在本实施例中,利用神经网络进行图像重建,相比传统图像重建方法不仅快速并且提高了准确率。
在一个实施例中,还提供一种图像重建方法,具体包括:利用欠采样模型生成方法中所生成的欠采样模型对目标物进行采样,得到待重建图像。通过与欠采样模型对应的神经网络,对待重建图像进行重建,得到重建图像。
具体地,即当根据欠采样模型生成方法中的技术方案生成最终的欠采样模型后,即可利用该欠采样模型进行图像的重建。例如,利用磁共振扫描仪对目标物扫描不同序列参数的图像时,均可通过上述欠采样模型生成方法生成的该欠采样模型对目标物进行欠采样,从而采集得到对应的欠采样K空间数据,通过逆傅里叶变换将得到欠采样K空间数据从K空间域变换到图像域,得到欠采样K空间数据对应的欠采样图像,该欠采样图像即为需要进行图像重建的待重建图像。然后,调用神经网络,将待重建图像输入到调用的神经网络中,通过神经网络对待重建图像进行图像重建,得到重建图像。其中,为了得到高质量的重建图像,所调用的神经网络应当是欠采样模型对应的神经网络。欠采样模型对应的神经网络可以理解为欠采样模型生成方法中所使用的神经网络。而最终生成的欠采样模型可以理解为上述欠采样模型生成方法停止迭代后得到的欠采样模型,即若待更新欠采样模型1的重建图像1满足要求,则本实施例中使用的欠采样模型为待更新欠采样模型1。而若待更新欠采样模型2的重建图像2满足要求,则本实施例中使用的欠采样模型为待更新欠采样模型2,即可以理解为是迭代最后一轮的欠采样模型。例如,假设调用的神经网络为对抗式生成网络,即,当根据上述欠采样模型生成方法,得到与对抗式生成网络相匹配的欠采样模型之后,利用欠采样模型对目标物进行欠采样,得到欠采样模型对应的欠采样图像,该欠采样图像即为需要重建的待重建图像。然后,调用与欠采样模型相匹配的神经网络,即调用对抗式生成网络。将待重建图像输入至对抗式生成网络,利用对抗式生成网络中的生成网络,对待重建图像进行图像重建,得到重建图像。
另外,应当理解,无论是本实施例图像重建方法中的神经网络,还是上述欠采样模型生成方法的神经网络,均是预先通过训练图像和目标图像训练好,能够用于图像重建的网络模型。其中,训练图像为欠采样图像样本,作为神经网络训练的输入,目标图像即为全采样图像样本,作为神经网络训练的目标。
在本实施例中,在磁共振扫描时通过欠采样模型进行采样,缩短了扫描时间,并且由于欠采样模型生成方法能够生成与神经网络相匹配的欠采样模型,当通过欠采样模型生成方法所生成的欠采样模型对目标物进行欠采样得到欠采样图像之后,根据相匹配的神经网络进行欠采样图像的重建,从而保证重建得到的图像更逼近于全采图像,提高了图像重建的精度。
应该理解的是,虽然图2、5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种欠采样模型生成装置,包括:采样模块602、重建模块604、获取模块606、生成模块608和迭代模块610,其中:
采样模块602,用于依据待更新欠采样模型得到欠采样图像。
重建模块604,用于通过预设神经网络对欠采样图像进行重建,得到重建图像。
获取模块606,用于当重建图像未满足预设要求时,获取差值最小的编码线。
生成模块608,用于根据编码线更新待更新欠采样模型,生成新的欠采样模型。
迭代模块610,用于将新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定重建图像满足预设要求为止,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。
在一个实施例中,采样模块602还用于生成初始采样模型,将初始采样模型作为待更新欠采样模型;基于待更新欠采样模型和预设的全采样图像,得到欠采样图像。
在一个实施例中,获取模块606还用于基于预设比较指标,将重建图像和全采样图像进行比较,得到比较值;当根据比较值与阈值确定重建图像未满足预设要求时,获取差值最小的编码线。
在一个实施例中,获取模块606还用于当根据比较值与阈值确定重建图像未满足预设要求时,确定重建图像对应欠采样模型已有的编码线;分别从重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;计算重建图像和预设的全采样图像K空间上剩余编码线的差值,得到差值最小的编码线。
在一个实施例中,生成模块608还用于将编码线增加至待更新欠采样模型中,生成新的欠采样模型。
关于欠采样模型生成装置的具体限定可以参见上文中对于欠采样模型生成方法的限定,在此不再赘述。上述欠采样模型生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种欠采样模型生成方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
依据待更新欠采样模型得到欠采样图像;
通过预设神经网络对欠采样图像进行重建,得到重建图像;
当重建图像未满足预设要求时,获取差值最小的编码线;
根据编码线更新待更新欠采样模型,生成新的欠采样模型;
将新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定重建图像满足预设要求为止,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
生成初始采样模型,将初始采样模型作为待更新欠采样模型;基于待更新欠采样模型和预设的全采样图像,得到欠采样图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于预设比较指标,将重建图像和全采样图像进行比较,得到比较值;当根据比较值与阈值确定重建图像未满足预设要求时,获取差值最小的编码线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
当根据比较值与阈值确定重建图像未满足预设要求时,确定重建图像对应欠采样模型已有的编码线;分别从重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;计算重建图像和预设的全采样图像K空间上剩余编码线的差值,得到差值最小的编码线。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将编码线增加至待更新欠采样模型中,生成新的欠采样模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
依据待更新欠采样模型得到欠采样图像;
通过预设神经网络对欠采样图像进行重建,得到重建图像;
当重建图像未满足预设要求时,获取差值最小的编码线;
根据编码线更新待更新欠采样模型,生成新的欠采样模型;
将新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定重建图像满足预设要求为止,将满足要求的重建图像对应的欠采样模型作为最终生成的欠采样模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
生成初始采样模型,将初始采样模型作为待更新欠采样模型;基于待更新欠采样模型和预设的全采样图像,得到欠采样图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于预设比较指标,将重建图像和全采样图像进行比较,得到比较值;当根据比较值与阈值确定重建图像未满足预设要求时,获取差值最小的编码线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当根据比较值与阈值确定重建图像未满足预设要求时,确定重建图像对应欠采样模型已有的编码线;分别从重建图像和预设的全采样图像K空间上去除已有的编码线,得到剩余编码线;计算重建图像和预设的全采样图像K空间上剩余编码线的差值,得到差值最小的编码线。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将编码线增加至待更新欠采样模型中,生成新的欠采样模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种欠采样模型生成方法,所述方法包括:
依据待更新欠采样模型得到欠采样图像;
通过预设神经网络对所述欠采样图像进行重建,得到重建图像;
当所述重建图像未满足预设要求时,获取差值最小的编码线;
根据所述差值最小的编码线生成新的欠采样模型;
将所述新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定所述重建图像满足预设要求为止,将满足要求的所述重建图像对应的欠采样模型作为最终生成的欠采样模型。
2.根据权利要求1所述的方法,其特征在于,所述依据待更新欠采样模型得到欠采样图像的步骤,包括:
生成初始采样模型,将所述初始采样模型作为待更新欠采样模型;
基于所述待更新欠采样模型和预设的全采样图像,得到欠采样图像。
3.根据权利要求1所述的方法,其特征在于,所述当所述重建图像未满足预设要求时,获取差值最小的编码线的步骤,包括:
基于预设比较指标,将所述重建图像和所述全采样图像进行比较,得到比较值;
当根据所述比较值与阈值确定所述重建图像未满足预设要求时,获取差值最小的编码线。
4.根据权利要求3所述的方法,其特征在于,当根据所述比较值与阈值确定所述重建图像未满足预设要求时,所述获取差值最小的编码线的步骤,包括:
当根据所述比较值与阈值确定所述重建图像未满足预设要求时,确定所述重建图像对应欠采样模型已有的编码线;
分别从所述重建图像和预设的全采样图像K空间上去除所述已有的编码线,得到剩余编码线;
计算所述重建图像和预设的全采样图像K空间上所述剩余编码线的差值,得到差值最小的编码线。
5.根据权利要求1所述的方法,其特征在于,所述根据所述差值最小的编码线生成新的欠采样模型,包括:
将所述编码线增加至所述待更新欠采样模型中,生成新的欠采样模型。
6.根据权利要求1所述的方法,其特征在于,所述神经网络为对抗生成网络或全卷积网络。
7.一种图像重建方法,其特征在于,所述方法包括:
利用权利要求1-6中任意一项所述的欠采样模型生成方法所生成的欠采样模型对目标物进行采样,得到待重建图像;
通过与所述欠采样模型对应的神经网络,对所述待重建图像进行重建,得到重建图像。
8.一种欠采样模型生成装置,其特征在于,所述装置包括:
采样模块,用于依据待更新欠采样模型得到欠采样图像;
重建模块,用于通过预设神经网络对所述欠采样图像进行重建,得到重建图像;
获取模块,用于当所述重建图像未满足预设要求时,获取差值最小的编码线;
生成模块,用于根据所述编码线更新所述待更新欠采样模型,生成新的欠采样模型;
迭代模块,用于将所述新的欠采样模型作为待更新欠采样模型,并返回依据待更新欠采样模型得到欠采样图像的步骤,直到确定所述重建图像满足预设要求为止,将满足要求的所述重建图像对应的欠采样模型作为最终生成的欠采样模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789671.3A CN110570487B (zh) | 2019-08-26 | 2019-08-26 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
US17/002,817 US11568584B2 (en) | 2019-08-26 | 2020-08-26 | Systems and methods for magnetic resonance imaging |
US18/157,794 US11880915B2 (en) | 2019-08-26 | 2023-01-20 | Systems and methods for magnetic resonance imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910789671.3A CN110570487B (zh) | 2019-08-26 | 2019-08-26 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570487A true CN110570487A (zh) | 2019-12-13 |
CN110570487B CN110570487B (zh) | 2022-11-25 |
Family
ID=68776238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910789671.3A Active CN110570487B (zh) | 2019-08-26 | 2019-08-26 | 欠采样模型生成方法、图像重建方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570487B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157935A (zh) * | 2019-12-31 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111681297A (zh) * | 2020-05-28 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 图像重建方法、计算机设备和存储介质 |
CN111815558A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、方法及计算机存储介质 |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384836A (zh) * | 2010-12-22 | 2013-11-06 | 皇家飞利浦电子股份有限公司 | 包含grappa算子的用于任意k空间轨迹的快速两步并行重建 |
CN106133546A (zh) * | 2014-03-28 | 2016-11-16 | 皇家飞利浦有限公司 | 涉及sense的epi伪影校正 |
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
US20190041482A1 (en) * | 2017-08-07 | 2019-02-07 | Shenyang Neusoft Medical Systems Co., Ltd. | Reconstructing magnetic resonance images for contrasts |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
US20190219654A1 (en) * | 2018-01-12 | 2019-07-18 | Korea Advanced Institute Of Science And Technology | Method for varying undersampling dimension for accelerating multiple-acquisition magnetic resonance imaging and device for the same |
-
2019
- 2019-08-26 CN CN201910789671.3A patent/CN110570487B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384836A (zh) * | 2010-12-22 | 2013-11-06 | 皇家飞利浦电子股份有限公司 | 包含grappa算子的用于任意k空间轨迹的快速两步并行重建 |
CN106133546A (zh) * | 2014-03-28 | 2016-11-16 | 皇家飞利浦有限公司 | 涉及sense的epi伪影校正 |
CN106597333A (zh) * | 2016-12-30 | 2017-04-26 | 上海联影医疗科技有限公司 | 一种磁共振并行成像方法及磁共振成像系统 |
US20190041482A1 (en) * | 2017-08-07 | 2019-02-07 | Shenyang Neusoft Medical Systems Co., Ltd. | Reconstructing magnetic resonance images for contrasts |
US20190219654A1 (en) * | 2018-01-12 | 2019-07-18 | Korea Advanced Institute Of Science And Technology | Method for varying undersampling dimension for accelerating multiple-acquisition magnetic resonance imaging and device for the same |
CN109325985A (zh) * | 2018-09-18 | 2019-02-12 | 上海联影智能医疗科技有限公司 | 磁共振图像重建方法、装置和计算机可读存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111157935A (zh) * | 2019-12-31 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN111157935B (zh) * | 2019-12-31 | 2022-04-26 | 上海联影智能医疗科技有限公司 | 磁共振成像方法、装置、存储介质及计算机设备 |
CN113359076A (zh) * | 2020-03-06 | 2021-09-07 | 上海联影医疗科技股份有限公司 | 磁共振成像方法、装置、计算机设备和存储介质 |
CN111681297A (zh) * | 2020-05-28 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 图像重建方法、计算机设备和存储介质 |
CN111681297B (zh) * | 2020-05-28 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像重建方法、计算机设备和存储介质 |
CN111815558A (zh) * | 2020-06-04 | 2020-10-23 | 上海联影智能医疗科技有限公司 | 一种医学图像处理系统、方法及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110570487B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570487B (zh) | 欠采样模型生成方法、图像重建方法、装置和计算机设备 | |
CN111179177B (zh) | 图像重建模型训练方法、图像重建方法、设备及介质 | |
CN108763398B (zh) | 数据库配置参数处理方法、装置、计算机设备和存储介质 | |
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
US11995801B2 (en) | Image processing method, system, device and storage medium | |
CN111028153A (zh) | 图像处理和神经网络训练方法、装置及计算机设备 | |
CN112801875B (zh) | 超分辨率重建方法、装置、计算机设备和存储介质 | |
CN112784981A (zh) | 训练样本集生成方法、深度生成模型的训练方法和装置 | |
CN111383741A (zh) | 医学成像模型的建立方法、装置、设备及存储介质 | |
CN110555526A (zh) | 神经网络模型训练方法、图像识别方法和装置 | |
CN109345604A (zh) | 图片处理方法、计算机设备和存储介质 | |
CN111714124B (zh) | 磁共振电影成像方法、装置、成像设备及存储介质 | |
CN115147402A (zh) | 用于图像处理的自对比学习 | |
CN111157935B (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
CN111383742A (zh) | 一种医学成像模型的建立方法、装置、设备及存储介质 | |
CN114758783B (zh) | 深度学习的弹性成像方法、装置、计算机设备和存储介质 | |
Vasudeva et al. | Co-VeGAN: Complex-valued generative adversarial network for compressive sensing MR image reconstruction | |
CN113077379B (zh) | 特征潜码的提取方法及装置、设备及存储介质 | |
CN111105471B (zh) | 用于生成与成像有关的采样掩码的方法和装置 | |
CN113256519A (zh) | 图像的恢复方法、设备、存储介质及程序产品 | |
Huang et al. | Single-pass object-adaptive data undersampling and reconstruction for MRI | |
CN111681297A (zh) | 图像重建方法、计算机设备和存储介质 | |
CN111091504A (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
Güven et al. | An augmented Lagrangian method for image reconstruction with multiple features |
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 |