CN111047660A - 图像重建方法、装置、设备及存储介质 - Google Patents

Abstract

本申请属于图像处理技术领域，提供了一种图像重建方法、装置、设备及存储介质。方法获取目标对象的采样数据；将采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像，其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的非笛卡尔坐标系下的欠采样频域数据，重建获得对应的图像，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度。

Description

图像重建方法、装置、设备及存储介质

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像重建方法、装置、设备及存储介质。

背景技术

在目前的医学影像成像中，如计算机断层成像(computed tomography，CT)、磁共振成像(magnetic resonance imaging,MRI)、正电子发射断层成像(positron emissiontomography,PET)中，均需要对目标对象的采样数据进行图像重建，形成扫描区域的高清图像。

以磁共振成像MRI为例，为了增强磁共振成像技术在临床上的实用性，缩短扫描时间，磁共振设备经常采用远低于奈奎斯特采样频率进行数据采样，获得目标对象在非笛卡尔坐标系下的欠采样频域数据，然后对该非笛卡尔坐标系下的欠采样频域数据进行图像重建，形成目标对象的高清图像。

然而，目前基于非笛卡尔坐标系下的欠采样数据进行图像重建的方法，图像重建时间较长，成像速度较慢。

发明内容

有鉴于此，本申请实施例提供了一种图像重建方法、装置、设备及存储介质，以解决现有技术中在基于非笛卡尔坐标系下的欠采样数进行图像重建时，图像重建时间长的技术问题。

第一方面，本申请实施例提供了一种图像重建方法，包括：

获取目标对象的采样数据；其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像；其中，深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。

在第一方面的一种可能的实现方式中，将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像，包括：

将采样数据输入训练后的深度学习网络进行坐标转换，得到采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据；

对笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据；

对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像。

在第一方面的一种可能的实现方式中，对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像，包括：

对欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；

对均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。

在第一方面的一种可能的实现方式中，将采样数据输入训练后的深度学习网络进行图像重建之前，方法还包括：

获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于预设采样模式对成像目标进行处理获得的样本采样数据；全采样样本图像用于与初始深度学习网络输出的预测图像进行比较；预设采样模式中相邻的两个采样点之间的间隔不均匀；

根据多个训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。

在第一方面的一种可能的实现方式中，用于训练的成像目标有多个；

获取多个训练样本包括：

获取每个成像目标对应的全采样样本图像，全采样样本图像由医学影像设备采集；

基于预设采样模式获取每个成像目标的样本采样数据，样本采样数据为非笛卡尔坐标系下的欠采样频域数据；

将每个成像目标对应的全采样样本图像和样本采样数据作为一个训练样本。

在第一方面的一种可能的实现方式中，初始深度学习网络包括：依次级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块；

根据多个所述训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络包括：

初始化初始深度学习网络的模型参数；

通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据；

通过密度补偿卷积模块对笛卡尔坐标系下的欠采样非均匀样本数据进行密度补偿，生成对应的欠采样均匀样本数据；

通过图像重建卷积模块对欠采样均匀样本数据进行卷积运算，生成欠采样均匀样本数据对应的预测图像；

若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回执行通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据的步骤；若满足预设条件，保存当前的模型参数，获得深度学习网络。

在第一方面的一种可能的实现方式中，预设采样模式包括径向采样或螺旋扫描采样。

第二方面，本申请实施例提供了一种图像重建装置，包括：

采样模块，用于获取目标对象的采样数据；其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

重建模块，用于将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像；其中，深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。

第三方面，本申请实施例提供了一种图像重建设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面任一项方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一项方法的步骤。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的方法。

本申请实施例与现有技术相比存在的有益效果是：通过训练后的深度学习网络，对目标对象的采样数据进行处理，从而得到采样数据对应的重建图像，实现了目标对象采样数据的图像重建；其中，采样数据为非笛卡尔坐标系下的欠采样频域数据，深度学习网络为基于多个成像目标的欠采样样本频域数据以及该成像目标的全采样样本图像，对初始深度学习网络训练得到的。相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的采样数据，获得对应的重建图形，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度；另一方面，本申请中深度学习网络可以直接基于图形处理器GPU进行加速计算，在保障图像重建精度的前提下，进一步地缩短了非笛卡尔坐标系下的欠采样频域数据的图像重建时间。

可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

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的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的图像重建系统的架构示意图；

图2是本申请一实施例提供的图像重建方法的流程示意图；

图3是本申请一实施例提供的深度学习网络的架构示意图；

图4是本申请一实施例提供的获得采样数据对应的重建图像的流程示意图；

图5是本申请一实施例提供的获取训练后的深度学习网络的流程示意图；

图6是本申请一实施例提供的获取训练样本的流程示意图；

图7是本申请一实施例提供的对深度学习网络进行迭代训练的流程示意图；

图8是本申请一实施例提供的图像重建装置的组成示意图；

图9是本申请另一实施例提供的图像重建装置的组成示意图；

图10是本申请一实施例提供的图像重建设备的结构示意图。

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。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

图1为本申请一实施例提供的图像重建系统的架构示意图，如图1所示，图像重建系统包括图像采集设备10和图像重建设备20。

图像采集设备10是指用于向用户提供医学影像成像的设备。例如，磁共振设备。

图像采集设备10可以根据采样模式不同，获得不同的采样数据，包括但不限于非均匀的欠采样频域数据、均匀的欠采样频域数据、均匀的全采样频域数据等。例如，当采样模式为螺旋扫描采样时，采样数据为非笛卡尔坐标系下的非均匀欠采样频域数据。

图像重建设备20用于接收图像采集设备10发送的非笛卡尔坐标系下的采样数据，以进行图像重建。图像重建设备20通过网络与图像采集设备10进行通信。上述网络包括但不限于广域网、局域网。

图像重建设备20可以为云端服务器，云端服务器可以是实现单一功能的服务器，也可以是实现多种功能的服务器，具体可以是独立的物理服务器，也可以是物理服务器集群。

示例性的，假设本申请实施例提供的图像重建方法由图像重建设备20执行，图像采集设备10为磁共振设备。磁共振设备将采样点按预设的编排方式进行存放，生成采样数据，并将采样数据发送至图像重建设备20，由图像重建设备20进行后续的图像重建。

编排方式由采样模式确定。实际应用中，若磁共振设备采用直线式扫描采样，采样点均匀分布在网格点上。图像重建设备20经过傅里叶逆变换就可以得到二维平面内每个确定位置体素的信号强度，将其转换为相应的灰度值，就得到磁共振图像。

但是直线式采样的成像速度较慢，限制了磁共振设备在临床医学影像领域的应用发展，为了提高成像效率，可以采用螺旋轨迹进行扫描采样。采用螺旋轨迹扫描采样后，采样点位于极坐标平面(非笛卡尔坐标系)上的一系列螺旋轨迹上，不是规则的矩形网格点，如果直接对螺旋轨迹扫描获取的采样点进行图像重建，需要预先进行网格化处理以及采用窗函数(尺度因子)进行平滑处理，需要非常大的计算量。

本申请实施例提供的图像重建方法中，图像重建设备20获取磁共振设备10采集的非笛卡尔坐标系下的欠采样数据，将该非笛卡尔坐标系下的欠采样数据输入训练后的深度学习网络进行重建处理，直接获得目标对象的重建图像。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行示例性地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于下文中列举的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图2为本申请一实施例提供的图像重建方法的流程示意图，本图像重建方法的执行主体为图1中所示的图像重建设备，如图2所示，该图像重建方法包括：

S201、获取目标对象的采样数据；其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

在本实施例中，目标对象是通过医学成像设备进行检测的检体。示例性的，目标对象包括仿体、活体(动物或人体)、离体器官或组织等。

在本实施例中，预设采样模式采集到的数据可以为非笛卡尔坐标系的数据；预设采样模式中采样点投影到笛卡尔坐标系后，相邻的两个采样点之间的间隔可以不均匀。例如:预设采样模式还可以包括下述任意一种：径向采样、螺旋轨迹采样、旋转扫描采样、基于平面回波成像序列(echo planar imaging，EPI)采样以及步进式(interleave)采样。其中EPI是在一次脉冲激发后依靠梯度线圈的连续反方向切换，采集一连串梯度回波信号。

示例性的，假设预设采样模式为磁共振设备基于螺旋轨迹对目标对象进行扫描。螺旋轨迹扫描一般从采样点存放空间的中央出发，然后呈螺旋状向外扩展。也就是说，一次激发后的采样点不是在二维的网格上顺序排列的，通过调节梯度波形，使得数据沿着螺旋轨迹加以填充，采用螺旋轨迹扫描成像后，各采样点位于极坐标平面(非笛卡尔坐标系)上的一系列螺旋轨迹上，不是规则的矩形网格点；将采样点投影到笛卡尔坐标系后，相邻的采样点之间的间隔不相同。磁共振设备将位于极坐标平面的一系列的初始采样点发送至图像重建设备，以使图像重建设备对该数据进行图像重建，获得目标对象的重建图像。

S202、将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像；其中，深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。

本实施例中的深度学习网络为基于深度学习框架构建的深度学习网络。该深度学习网络的输入为非笛卡尔坐标系下的欠采样样本频域数据，输出为接近全采样的高精度的图像，即重建图像。

本实施例中，可以多个预设采样模式对应一个深度学习网络，也可以每个预设采样模型对应一个深度学习网络，应根据预设采样模式中采样原理进行划分，在此不做限定。

深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。在训练过程中，成像目标的非笛卡尔坐标系下的欠采样样本频域数据是采用预设采样模式获取得到，全采样样本图像用于与初始深度学习网络输出的预测图像进行比较，以基于比较结果调整初始深度学习网络的模型参数。

本实施例中，深度学习网络包括级联的依次级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块。其中，坐标转换卷积模块，用于接收输入的非笛卡尔坐标系下欠采样频域数据，并对非笛卡尔坐标系下的欠采样频域数据进行卷积运算得到笛卡尔坐标系下的欠采样均匀频域数据。密度补偿卷积模块用于对笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据。图像重建卷积模块，用于对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像。

请一并参阅图3，图3主要针对S202中如何获得采样数据对应的重建图像进行示例性描述。假设预设的采样模式为螺旋轨迹采样。

如图3所示，将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像，包括S2011～S2013，具体如下：

S2021、将采样数据输入训练后的深度学习网络进行坐标转换，得到采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据。

坐标转换卷积模块，接收输入采样数据，即非笛卡尔坐标系下的欠采样频域数据，对该非笛卡尔坐标系下的欠采样频域数据进行卷积运算得到笛卡尔坐标系下的欠采样均匀频域数据。

其中，卷积运算可以为实数卷积运算也可以为复数卷积运算。在一种实施方式中，坐标转换卷积模块进行复数卷积运算，坐标转换卷积模块包括多层级联的第一复数卷积块。

第一复数卷积块的复数卷积运算可以表示为：

W*C＝(A+iB)*(a+ib)＝(Aa-Bb)+i(Ab+Ba) (1)

其中，W表示输入的采样数据，A表示采样数据的实部，B表示采样数据的虚部，C表示复数卷积核，a表示复数卷积核的实部，b表示复数卷积核的虚部，对采样数据的实部和虚部分别进行卷积。

S2022、对笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据。

密度补偿卷积模块包括多层级联的第二复数卷积块。多层第二复数卷积块依次通过复数卷积运算实现对欠采样非均匀频域数据进行密度补偿处理。复数卷积运算同上式(1)，在此不再赘述。

S2023、对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像。

图像重建卷积模块，对欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；然后对均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。

图像重建卷积模块包括多层级联的第三复数卷积块，多层第三复数卷积块依次通过复数卷积运算实现对欠采样均匀频域数据进行填充处理。复数卷积运算同上式(1)，在此不再赘述。从信号与图像处理的角度来说，复数与实数相比引入了相位信息，图像的相位信息提供了图像形状、边缘和方向的细节性描述，可用于恢复图像的幅度信息，基于复数卷积运算的深度学习网络，具有更好的图像重建效果。

本实施例中，重建图像的精度受第一复数卷积块、第二复数卷积块以及第三复数卷积块中卷积核的大小影响，可以根据重建图像的精度需求设置卷积核的大小，在此不做具体限定。

示例性的，请一并参阅图4，图4为本申请实施例提供的深度学习网络的结构示意图，如图4所示，深度学习网络包括级联的依次级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块，坐标转换卷积模块的输入为采样数据，输出为笛卡尔坐标系下的欠采样非均匀频域数据；密度补偿卷积模块的输入为欠采样频域数据，输出为笛卡尔坐标系下的欠采样均匀频域数据，图像重建卷积模块的输入为欠采样均匀频域数据，输出为重建图像。

其中，坐标转换卷积模块包括多层级联的第一复数卷积块。密度补偿卷积模块包括多层级联的第二复数卷积块；图像重建卷积模块包括多层级联的第三复数卷积块。

实际应用中，坐标转换卷积模块接收非笛卡尔坐标系下的欠采样频域数据，级联的第一复数卷积块依次对该非笛卡尔坐标系下的欠采样频域数据进行复数卷积运算，即上一个第一复数卷积块的输出为下一个第一复数卷积块的输入，直至多个第一复数卷积模块均完成复数卷积运算，生成笛卡尔坐标系下的欠采样频域数据；多层级联的第二复数卷积块中第一个第二复数卷积块接收最后一个第一复数卷积块的输出(即笛卡尔坐标系下的欠采样频域数据)，并对该输出进行复数卷积运算，然后级联的第二复数卷积块依次对上一个第二复数卷积块的输出进行复数卷积运算，直至输出笛卡尔坐标系下的欠采样均匀频域数据；级联的第三复数卷积块依次对该欠采样均匀频域数据进行复数卷积运算，即上一个第三复数卷积块的输出为下一个第三复数卷积块的输入，直至多个第三复数卷积块均完成复数卷积运算，输出重建图像。

本实施例提供的图像重建方法，本申请实施例与现有技术相比存在的有益效果是：通过训练后的深度学习网络，对目标对象的采样数据进行处理，从而得到采样数据对应的重建图像，实现了目标对象采样数据的图像重建；其中，采样数据为非笛卡尔坐标系下的欠采样频域数据，深度学习网络为基于多个成像目标的欠采样样本频域数据以及该成像目标的全采样样本图像，对初始深度学习网络训练得到的。相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的采样数据，获得对应的重建图形，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度；另一方面，本申请中深度学习网络可以直接基于图形处理器GPU进行加速计算，在保障图像重建精度的前提下，进一步地缩短了非笛卡尔坐标系下的欠采样频域数据的图像重建时间

请一并参阅图5，图5为本申请一实施例提供的获取训练后的深度学习网络的流程示意图，图5主要针对如何获取步骤S202中训练后的深度学习网络进行示例性描述。如图5所示，获取训练后的深度学习网络的方法包括S501～S502，具体如下：

S501、获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于预设采样模式对成像目标进行处理获得的样本采样数据；全采样样本图像用于与初始深度学习网络输出的预测图像进行比较；预设采样模式中相邻的两个采样点之间的间隔不均匀。

多个训练样本对应于多个成像目标，训练样本与成像目标一一对应，成像目标可以包括步骤202中目标对象，是用于通过医学成像设备进行检测的检体。成像目标可以指一个目标检体上的不同位置的对象，也可以指不同的目标检体。

成像目标的全采样样本图像可以基于低倍欠采因子从医学影像设备采集获得。

每个训练样本中的样本采样数据可以基于预设采样模式对成像目标进行处理获得。

请一并参阅图6，图6主要针对上述S501中如何获取训练样本进行示例性描述。成像目标有多个，多个训练样本对应于多个成像目标。

如图6所示，获取多个训练样本的步骤包括S5011～S5013，具体如下：

S5011、获取每个成像目标对应的全采样样本图像，全采样样本图像由医学影像设备采集。

本实施例中，医院影像设备可以为磁共振设备，磁共振设备可以基于低倍欠采因子从磁共振设备上采集获得成像目标扫描图像，然后对采集获得的扫描图像进行预处理，并将处理后的图像作为成像目标的全采样样本图像。其中，预处理方式可以包括选图处理、归一化处理等。选图处理用于取出一些质量不高或者包含较多噪音数据的图像，以提高训练的效率。归一化处理是为了更便于进行该全采样图像在复数卷积神经网络中的输入，以适应后续的训练。

S5012、基于预设采样模式获取每个成像目标的样本采样数据，样本采样数据为非笛卡尔坐标系下的欠采样频域数据。

针对某一成像目标，基于预设采样模式从同一个磁共振设备上采集获得其的初始欠采样频域数据，即未成像前的频域数据，该成像目标为在非笛卡尔坐标系下的欠采样样本频域数据。

S5013、将每个成像目标对应的全采样样本图像和样本采样数据作为一个训练样本。

将其全采样图像和欠采样频域数据组合为一个训练样本。

本实施例提供的获取多个训练样本，对基于医学成像设备获得的成像目标的全采样初始扫描图像进行预处理，获得成像目标的全采样图像，部分消除了奇异样本数据导致的不良影响，提高训练的效率。

S502、根据多个训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。

在本实施例中，初始深度学习网络的结构与步骤202中的深度学习网络结构相同。初始深度学习网络包括级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块。

本实施例中，根据多个训练样本，对深度学习网络进行迭代训练包括，针对每个训练样本，将该训练样本中的全采样图像作为标签，将该训练样本中的样本采样数据作为输入，得到深度学习网络输出的预测图像，将深度学习网络输出的预测图像与全采样图像进行比较，并根据比较结果调整深度学习网络的模型参数；之后，开始下一轮迭代训练；若当前的训练次数满足预设迭代次数，或者本次迭代训练获得的预测图像的精度与训练样本中的全采样样本图像的精度之间的误差小于或等于预设误差阈值时，停止训练，得到训练后深度学习网络。其中，误差采用预设的损失函数计算得到。即，在本实施例中，预设条件是指：当前的训练次数达到预设迭代次数，或者本次迭代训练获得的预测图像的精度与训练样本中的全采样样本图像的精度之间的误差小于或等于预设误差阈值。

本实施方式中，训练的损失函数可以为最小绝对值偏差损失函数、最小平方误差损失函数等，在此不做具体限定。损失函数用于计算深度学习网络输出的预测图像与全采样图像之间的误差值。例如，图像分辨率差值、图像清晰度差值或图像相似度差值等。

本实施例中，基于多个训练样本对深度学习网络进行训练，优化了该复数神经网络模型的模型参数，基于这种训练得到的深度学习网络，在输入任意目标对象的非笛卡尔坐标系的欠采样频域数据，就可以得到该目标对象的高分辨率图像，即重建图像，该高分辨率图像就是接近全采样图像的图像，可以满足医学影像中的实际应用需求。

在另一种实施方式中，可以基于端到端的训练机制对深度学习网络进行训练。请一并参阅图7，图7主要针对上述步骤S502中对深度学习网络进行迭代训练进行示例性描述。

根据多个所述训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时，停止训练得到训练后的深度学习网络包括：

S701、初始化初始深度学习网络的模型参数。

模型参数的初始化值为预设值。

S702、通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据。

根据多个成像目标获得多个训练样本，采用多个训练样本依次进行端到端的训练。

在本实施例中，将训练样本的样本采样数据输入到初始深度学习网络中坐标转换卷积模块，基于初始深度学习网络当前的模型参数向前传播。具体地坐标转换卷积模块中级联的第一复数卷积块依次进行复数卷积运算，直至多个第一复数卷积块均完成复数卷积运算，生成笛卡尔坐标系下的欠采样频域数据。

S703、通过密度补偿卷积模块对笛卡尔坐标系下的欠采样非均匀样本数据进行密度补偿，生成对应的欠采样均匀样本数据。

本步骤与步骤S2022处理相同，在此不再赘述。

S704、通过图像重建卷积模块对欠采样均匀样本数据进行卷积运算，生成欠采样均匀样本数据对应的预测图像。

本步骤与步骤S2023处理相同，在此不再赘述。

S705、若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回执行通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据的步骤；若满足预设条件，保存当前的模型参数，获得深度学习网络。

在执行完S704之后，判定当前是否满足预设条件。该预设条件可以为：当前的训练次数达到预设迭代次数，或者本次迭代训练获得的预测图像的精度与训练样本中的全采样样本图像的精度之间的误差小于或等于预设误差阈值。

若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回S702，并继续执行S702～S704。

示例性的，假设本次迭代训练获得的预测图像的精度与训练样本中的全采样样本图像的精度之间的误差大于预设误差阈值，则基于该误差，在深度学习网络进行反向传播，对当前深度学习网络的模型参数进行更新。然后返回执行S702～S704，执行下一次迭代，即将训练样本的样本采样数据作为输入，基于更新模型参数的深度学习网络向前传播，并将当前深度学习网络的输出(预测图像)再次与当前训练样本中的全采样样本图像进行对比，直至两者之间的误差小于预设阈值，保存当前的模型参数，获得深度学习网络。其中反向传播是根据前向传播的结果与误差，调整模型参数的过程。

若满足预设条件，则保存当前的模型参数，获得深度学习网络。

本实施例提供的深度学习网络迭代训练方法，采用端到端的训练方式，直接将采集获得样本采样数据输入深度学习网络，即可得到一个预测图像，将该预测图像与训练样本中的全采样样本图像进行比较会得到一个误差，对该误差进行反向传播，更新深度学习网络的模型参数，直至深度学习网络的输出与全采样样本图像的精度误差小于预设阈值。该方法节约了每一个独立学习任务执行之前所需的数据标注工作，可以直接基于图形处理器GPU进行训练计算，提高了训练效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

基于上述实施例所提供的图像重建的方法，本发明实施例进一步给出实现上述方法实施例的装置实施例。

图8为本申请一实施例提供的图像重建装置的组成示意图。如图8所示，图像重建装置80包括：采样模块801和重建模块802。

采样模块801，用于获取目标对象的采样数据；其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

重建模块802，用于将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像；其中，深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。

重建模块802，具体用于：

将采样数据输入训练后的深度学习网络进行坐标转换，得到采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据；

对笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据；

对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像。

重建模块802，还具体用于：

对欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；

对均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。

本实施例提供的图像重建装置，通过训练后的深度学习网络，对目标对象的采样数据进行处理，从而得到采样数据对应的重建图像，实现了目标对象采样数据的图像重建；其中，采样数据为非笛卡尔坐标系下的欠采样频域数据，深度学习网络为基于多个成像目标的欠采样样本频域数据以及该成像目标的全采样样本图像，对初始深度学习网络训练得到的。相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的采样数据，获得对应的重建图形，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度；另一方面，本申请中深度学习网络可以直接基于图形处理器GPU进行加速计算，在保障图像重建精度的前提下，进一步地缩短了非笛卡尔坐标系下的欠采样频域数据的图像重建时间

图9为本申请另一实施例提供的图像重建装置的组成示意图。如图9所示，图像重建装置80还包括训练模块803。

训练模块803，用于：

获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于预设采样模式对成像目标进行处理获得的样本采样数据；全采样样本图像用于与初始深度学习网络输出的预测图像进行比较；预设采样模式中相邻的两个采样点之间的间隔不均匀；

根据多个训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。

可选地，训练模块803，具体用于：

获取每个成像目标对应的全采样样本图像，全采样样本图像由医学影像设备采集；

基于预设采样模式获取每个成像目标的样本采样数据，样本采样数据为非笛卡尔坐标系下的欠采样频域数据；

将每个成像目标对应的全采样样本图像和样本采样数据作为一个训练样本。

可选地，深度学习网络包括：依次级联的坐标转换卷积模块、傅里叶逆变换模块以及第二复数卷积层；训练模块803，还具体用于：

初始化初始深度学习网络的模型参数；

通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据；

通过密度补偿卷积模块对笛卡尔坐标系下的欠采样非均匀样本数据进行密度补偿，生成对应的欠采样均匀样本数据；

通过图像重建卷积模块对欠采样均匀样本数据进行卷积运算，生成欠采样均匀样本数据对应的预测图像；

若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回执行通过坐标转换卷积模块对训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据的步骤；若满足预设条件，保存当前的模型参数，获得深度学习网络。

可选地，坐标转换卷积模块包括多个级联的第一复数卷积模块，第二复数卷积层包括多个级联的第二复数卷积模块；第一复数卷积模块和第二复数卷积模块的卷积核大小相同。

可选地，预设采样模式包括径向采样或螺旋扫描采样。

本实施例提供的图像重建装置，基于多个训练样本对初始深度学习网络进行训练，优化了该初始深度学习网络的模型参数，基于这种训练得到的深度学习网络，在输入任意目标对象的非笛卡尔坐标系下的欠采样频域数据，就可以得到该目标对象的高分辨率图像，即重建图像，该高分辨率图像就是接近全采样图像的图像，可以满足医学影像中的实际应用需求。

图8和图9所示实施例提供的图像重建装置，可用于执行上述方法实施例中的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图10是本申请一实施例提供的图像重建设备的示意图。如图10所示，该实施例的图像重建终端设备100包括：至少一个处理器1001、存储器1002以及存储在存储器1002中并可在处理器1001上运行的计算机程序。图像重建设备还包括通信部件1003，其中，处理器1001、存储器1002以及通信部件1003通过总线1004连接。

处理器1001执行计算机程序时实现上述各个图像重建方法实施例中的步骤，例如图2所示实施例中的步骤S201至步骤S202。或者，处理器1001执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块801至802的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1002中，并由处理器1001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，该指令段用于描述计算机程序在图像重建设备100中的执行过程。

本领域技术人员可以理解，图10仅仅是图像重建装置设备的示例，并不构成对图像重建设备的限定，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，例如输入输出设备、网络接入设备、总线等。

处理器1001可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。

存储器1002可以是图像重建设备的内部存储单元，也可以是图像重建设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。所述存储器1002用于存储所述计算机程序以及图像重建设备所需的其他程序和数据。所述存储器1002还可以用于暂时地存储已经输出或者将要输出的数据。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到图像重建设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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，并不使相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)

1.一种图像重建方法，其特征在于，包括：

获取目标对象的采样数据；其中，所述采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像；其中，所述深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及所述成像目标的全采样样本图像，对初始深度学习网络训练得到。

2.如权利要求1所述的图像重建方法，其特征在于，所述将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像，包括：

将所述采样数据输入训练后的深度学习网络进行坐标转换，得到所述采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据；

对所述笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据；

对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像。

3.如权利要求2所述的图像重建方法，其特征在于，所述对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像，包括：

对所述欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；

对所述均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。

4.如权利要求1-3任一项所述的图像重建方法，其特征在于，所述将所述采样数据输入训练后的深度学习网络进行图像重建之前，所述方法还包括：

获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于所述预设采样模式对所述成像目标进行处理获得的样本采样数据；所述全采样样本图像用于与所述初始深度学习网络输出的预测图像进行比较；所述预设采样模式中相邻的两个采样点之间的间隔不均匀；

根据多个所述训练样本，对所述初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。

5.如权利要求4所述的图像重建方法，其特征在于，用于训练的成像目标有多个；

所述获取多个训练样本包括：

获取每个成像目标对应的全采样样本图像，所述全采样样本图像由医学影像设备采集；

基于所述预设采样模式获取每个所述成像目标的样本采样数据，所述样本采样数据为非笛卡尔坐标系下的欠采样频域数据；

将每个所述成像目标对应的全采样样本图像和样本采样数据作为一个训练样本。

6.如权利要求4所述的图像重建方法，其特征在于，所述初始深度学习网络包括：依次级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块；

所述根据多个所述训练样本，对所述初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络包括：

初始化所述初始深度学习网络的模型参数；

通过所述坐标转换卷积模块对所述训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据；

通过所述密度补偿卷积模块对所述笛卡尔坐标系下的欠采样非均匀样本数据进行密度补偿，生成对应的欠采样均匀样本数据；

通过所述图像重建卷积模块对所述欠采样均匀样本数据进行卷积运算，生成所述欠采样均匀样本数据对应的预测图像；

若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回执行所述通过所述坐标转换卷积模块对所述训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据的步骤；若满足预设条件，保存当前的模型参数，获得所述深度学习网络。

7.如权利要求1所述的图像重建方法，其特征在于，所述预设采样模式包括径向采样或螺旋扫描采样。

8.一种图像重建装置，其特征在于，包括：

采样模块，用于获取目标对象的采样数据；其中，所述采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

重建模块，用于将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像；其中，所述深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及所述成像目标的全采样样本图像，对初始深度学习网络训练得到。

9.一种图像重建设备，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程序，其特征在于，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。

10.一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。

Images