CN111681296B - 图像重建方法、装置、计算机设备和存储介质 - Google Patents
图像重建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111681296B CN111681296B CN202010385564.7A CN202010385564A CN111681296B CN 111681296 B CN111681296 B CN 111681296B CN 202010385564 A CN202010385564 A CN 202010385564A CN 111681296 B CN111681296 B CN 111681296B
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- imaging data
- resonance imaging
- image
- network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 258
- 238000010586 diagram Methods 0.000 claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 6
- 238000002597 diffusion-weighted imaging Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 102100024521 Ficolin-2 Human genes 0.000 description 2
- 101001052753 Homo sapiens Ficolin-2 Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 102100024508 Ficolin-1 Human genes 0.000 description 1
- 102100024520 Ficolin-3 Human genes 0.000 description 1
- 101001052785 Homo sapiens Ficolin-1 Proteins 0.000 description 1
- 101001052749 Homo sapiens Ficolin-3 Proteins 0.000 description 1
- 102100022778 POC1 centriolar protein homolog A Human genes 0.000 description 1
- 101710125073 POC1 centriolar protein homolog A Proteins 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请涉及一种图像重建方法、装置、计算机设备和存储介质。方法包括：获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各磁共振成像数据填充K空间的部分编码位置；根据各磁共振成像数据，得到各磁共振成像数据对应的幅值图；根据各幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。采用本方法能够提高得到的重建图像的质量。
Description
技术领域
本申请涉及磁共振成像技术领域，特别是涉及一种图像重建方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)技术可对人体各部位进行安全、准确、快速、多对比度的成像，是进行疾病诊断的重要检查手段。因此，磁共振(MagneticResonance，MR)图像的重建是医学影像的重要研究方向。
目前，为了加快磁共振成像速度，临床上采集的MRI数据通常是K空间上的欠采样数据。传统技术中，磁共振图像的重建是通过将欠采样的K空间数据转换为图像域数据，将该图像域数据输入到深度学习模型，预测出全采样K空间数据，根据预测出的全采样K空间数据进行磁共振图像的重建。
然而，传统的磁共振图像重建方法，存在重建图像质量较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高磁共振重建图像质量的图像重建方法、装置、计算机设备和存储介质。
一种图像重建方法，所述方法包括：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置。
在其中一个实施例中，所述图像重建网络包括第一特征提取子网络、第二特征提取子网络和重建子网络；所述根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像，包括：
将各所述幅值图输入所述第一特征提取子网络，得到各所述幅值图对应的初始特征图；
根据各所述初始特征图和所述第二特征提取子网络，得到各所述幅值图对应的特征图；
根据各所述特征图和所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像。
在其中一个实施例中，所述第二特征提取子网络包括多级子网络；所述子网络的级数与所述磁共振成像数据的个数相同；所述根据各所述初始特征图和所述第二特征提取子网络，得到各所述幅值图对应的特征图，包括：
将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行特征融合，将融合后的特征图输入所述当前级子网络中，得到各所述幅值图对应的特征图。
在其中一个实施例中，所述根据各所述特征图和所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像，包括：
对各所述特征图进行特征融合，得到融合后的特征图；
将所述融合后的特征图输入所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像。
在其中一个实施例中，所述图像重建网络的训练过程包括：
获取多个样本磁共振成像数据，并从各所述样本磁共振成像数据中确定出样本目标磁共振成像数据；其中，不同的样本磁共振成像数据对应不同的采样脉冲序列，且各所述样本磁共振成像数据填充K空间的部分编码位置；
获取所述样本目标磁共振成像数据对应的全采样磁共振图像；所述全采样磁共振图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
根据各所述样本磁共振成像数据，得到各所述样本磁共振成像数据对应的样本幅值图；
将各所述样本幅值图输入预设的初始图像重建网络，对所述样本目标磁共振成像数据进行重建，得到样本重建图像；所述样本重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
根据所述样本重建图像和所述全采样磁共振图像，对所述初始图像重建网络进行训练，得到所述图像重建网络。
在其中一个实施例中，所述根据所述样本重建图像和所述全采样磁共振图像，对所述初始图像重建网络进行训练，得到所述图像重建网络，包括：
根据所述样本重建图像和所述全采样磁共振图像，得到所述初始图像重建网络的第一损失函数的值；
根据所述样本重建图像的特征图和所述全采样磁共振图像的特征图，得到所述初始图像重建网络的第二损失函数的值；
根据所述样本重建图像对应的幅值图和所述全采样磁共振图像对应的幅值图，得到所述初始图像重建网络的第三损失函数的值；
根据所述第一损失函数的值、所述第二损失函数的值和所述第三损失函数的值，得到所述初始图像重建网络的损失函数的值，根据所述初始图像重建网络的损失函数的值对所述初始图像重建网络进行训练，得到所述图像重建网络。
在其中一个实施例中，所述根据所述样本重建图像的特征图和所述全采样磁共振图像的特征图，得到所述初始图像重建模型的第二损失函数的值之前，所述方法还包括：
将所述样本重建图像输入预设的特征提取网络，得到所述样本重建图像的特征图；
将所述全采样磁共振图像输入所述特征提取网络，得到所述全采样磁共振图像的特征图。
一种图像重建装置，所述装置包括：
第一获取模块，用于获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
第二获取模块，用于根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
第一重建模块，用于根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置。
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以下步骤：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置。
上述图像重建方法、装置、计算机设备和存储介质，通过获取不同的采样脉冲序列采集到的多个填充K空间的部分编码位置的磁共振成像数据，并将多个磁共振成像数据中的任意一个磁共振成像数据确定为目标磁共振成像数据，根据各磁共振成像数据，获取多个磁共振成像数据对应的幅值图，根据各磁共振成像数据对应的幅值图和预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像，且得到的重建图像对应的磁共振成像数据填充K空间的部分编码位置和除该部分编码位置之外的编码位置，通过该过程预设的图像重建网络不用再学习各磁共振成像数据中的实部图像数据和虚部图像数据之间的夹角值，而磁共振成像数据中的实部图像数据和虚部图像数据之间的夹角值不易被学到，这样简化了图像重建网络的学习过程，能够对目标磁共振成像数据的细节进行更好地恢复，另外，相比于图像重建网络利用复图像数据进行图像重建，利用各磁共振成像数据对应的幅值图进行图像重建更加直接简单，使得到的重建图像的细节更加地丰富，从而提高了得到的重建图像的质量。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例提供的图像重建方法的流程示意图；
图3为另一个实施例提供的图像重建方法的流程示意图；
图4为另一个实施例提供的图像重建方法的流程示意图；
图5为另一个实施例提供的图像重建方法的流程示意图；
图6为另一个实施例提供的图像重建方法的流程示意图
图7为一个实施例提供的图像重建装置的结构示意图。
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。
本申请实施例提供的图像重建方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
磁共振成像(Magnetic Resonance Imaging,MRI)技术可对人体各部位进行安全、准确、快速、多对比度的成像，是进行疾病诊断的重要检查手段，目前在临床诊断、科学研究上被广泛使用。通常，为了进一步加快磁共振成像速度，采用K空间上欠采样数据的策略，采集填充K空间的部分编码位置的磁共振成像数据，根据采集的填充K空间的部分编码位置的磁共振成像数据预测出全采样K空间数据，根据预测出的全采样K空间数据进行磁共振图像的重建，但该策略会导致重建的磁共振(Magnetic Resonance，MR)图像质量下降，细节信息丢失严重，从而影响临床诊断结果。在临床实际使用过程中，医生会通过多种不同的脉冲序列，对检测者的器官进行扫描，获得多张不同对比度的图像，然后综合分析这些图像对待检测者进行诊断。这些不同对比度的图像具有不同的上下文信息，对图像重建十分重要。近年来，随着深度学习技术的快速发展，MR图像重建方法也取得了一些重要突破，而这些方法都是将单序列的磁共振成像数据对应的MR图像直接输入到深度学习模型，对磁共振图像进行重建，输出的重建结果相比传统图像处理技术有了较大改善，时间花费也更少，但这些方法没有利用不同序列的磁共振成像数据对应的MR图像之间的信息。而在实际诊断应用中，医生往往会扫描多种不同序列的磁共振成像数据，这些不同序列的磁共振成像数据间具有不同的对比度和丰富的上下文信息，因此，利用其他序列的磁共振成像数据对恢复目标序列的磁共振成像数据的细节信息具有重要作用。
在一个实施例中，如图2所示，提供了一种图像重建方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各磁共振成像数据填充K空间的部分编码位置。
其中，磁共振成像数据可由磁共振接收线圈采集磁共振信号获得，该信号实际是带有空间编码信息的无线电波，该无线电波属于模拟信号而非数字信息，需要经过模数转换(analog-digital conversion，ADC)变成数字信号，后者被填充到K空间的编码位置，成为数字数据点阵。其中，K空间也称为傅里叶空间，其是带有空间定位编码信息的MR信号原始数字数据的填充空间。对K空间的数据进行傅里叶转换，就能对原始数字数据中的空间定位编码信息进行解码，分解出不同频率、相位和幅度的MR信号，不同的频率和相位代表不同的空间位置，而幅度则代表MR信号强度，将不同频率、相位及信号强度的MR数字信息分配到相应的像素中，即得到MR图像数据。
具体地，计算机设备获取多个不同的采样脉冲序列采集的多个磁共振成像数据，且各磁共振成像数据填充K空间的部分编码位置。可选的，采集多个磁共振成像数据对应的采样脉冲序列可以包括：T1加权像(T1 Weighted Imaging，T1WI)序列、T2加权像(T2Weighted Imaging，T1WI)序列和弥散加权像(Diffusion Weighted Imaging，DWI)序列。
S202，根据各磁共振成像数据，得到各磁共振成像数据对应的幅值图。
具体地，计算机设备根据上述获取的各磁共振成像数据，得到各磁共振成像数据对应的幅值图。可选的，计算机设备可以根据各磁共振成像数据中的实部图像数据和虚部图像数据生成各磁共振成像数据中的复图像数据，再分别对各磁共振成像数据中的复图像数据进行去噪处理，根据各去噪后的复图像数据，得到各磁共振成像数据对应的幅值图。
S203，根据各幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
具体地，计算机设备根据上述得到的各磁共振成像数据对应的幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像。其中，目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除该部分编码位置之外的编码位置。示例性地，以计算机设备得到三个磁共振成像数据为例，分别记为第一磁共振成像数据、第二磁共振成像数据和第三磁共振成像数据，则目标磁共振成像数据可以为第一磁共振成像数据，也可以为第二磁共振成像数据，也可以为第三磁共振成像数据，相应地，计算机设备可以对第一磁共振成像数据进行重建，得到第一磁共振成像数据对应的重建图像，也可以对第二磁共振成像数据进行重建，得到第二磁共振成像数据对应的重建图像，也可以对第三磁共振成像数据进行重建，得到第三磁共振成像数据对应的重建图像。
在本实施例中，计算机设备通过获取不同的采样脉冲序列采集到的多个填充K空间的部分编码位置的磁共振成像数据，并将多个磁共振成像数据中的任意一个磁共振成像数据确定为目标磁共振成像数据，根据各磁共振成像数据，获取多个磁共振成像数据对应的幅值图，根据各磁共振成像数据对应的幅值图和预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像，且得到的重建图像对应的磁共振成像数据填充K空间的部分编码位置和除该部分编码位置之外的编码位置，通过该过程预设的图像重建网络不用再学习各磁共振成像数据中的实部图像数据和虚部图像数据之间的夹角值，而磁共振成像数据中的实部图像数据和虚部图像数据之间的夹角值不易被学到，这样简化了图像重建网络的学习过程，能够对目标磁共振成像数据的细节进行更好地恢复，另外，相比于图像重建网络利用复图像数据进行图像重建，利用各磁共振成像数据对应的幅值图进行图像重建更加直接简单，使得到的重建图像的细节更加地丰富，从而提高了得到的重建图像的质量。
在一个实施例中，如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述图像重建网络包括第一特征提取子网络、第二特征提取子网络和重建子网络，上述S203，包括：
S301，将各幅值图输入第一特征提取子网络，得到各幅值图对应的初始特征图。
具体地，计算机设备将上述得到的各磁共振成像数据对应的幅值图输入第一特征提取子网络，得到各幅值图对应的初始特征图。可选的，第一特征提取子网络可以为残差网络，也可以为U-Net网络。
S302，根据各初始特征图和第二特征提取子网络，得到各幅值图对应的特征图。
具体地，计算机设备根据上述各幅值图对应的初始特征图和第二特征提取子网络，得到各幅值图对应的特征图。可选的，计算机设备可以将上述各幅值图对应的初始特征图依次输入第二特征提取子网络，得到各幅值图对应的特征图。可选的，第二特征提取网络可以为残差网络，也可以为U-Net网络。
S303，根据各特征图和重建子网络，对目标磁共振成像数据进行重建，得到重建图像。
具体地，计算机设备根据上述得到的各幅值图对应的特征图和重建子网络，对目标磁共振成像数据进行重建，得到重建图像。可选的，计算机设备可以将各幅值图对应的特征图输入重建子网络，重建子网络根据各幅值图对应的特征图帮助恢复目标磁共振成像数据的细节信息，从而对目标磁共振成像数据进行重建，得到目标磁共振成像数据对应的重建图像。
在本实施例中，计算机设备将得到的各磁共振成像数据对应的幅值图输入第一特征提取子网络，能够得到各幅值图对应的初始特征图，进一步地，可以根据各幅值图对应的初始特征图和第二特征提取子网络，得到各幅值图对应的特征图，通过该过程计算机设备可以得到各幅值图对应的准确度较高的特征图，进而可以根据得到的准确度较高的各幅值图对应的特征图和重建子网络，对目标磁共振成像数据进行重建，得到重建图像。
在一个实施例中，如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述第二特征提取子网络包括多级子网络；多级子网络的级数与上述获取的磁共振成像数据的个数相同；上述S302，包括：将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行特征融合，将融合后的特征图输入当前级子网络中，得到各幅值图对应的特征图。
具体地，计算机设备将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行特征融合，将融合后的特征图输入当前级子网络中，得到各幅值图对应的特征图。示例性地，如图4所示，以获取的磁共振成像数据包括3个磁共振成像数据为例进行说明，将这3个磁共振成像数据对应的幅值图分别记为如图4所示的input1、input2和input3，并将input1对应的磁共振成像数据确定为目标磁共振成像数据，计算机设备将input1、input2和input3分别输入第一特征提取子网络即图4中的FCN1，得到input1、input2、input3对应的初始特征图，记为图4中的input1'、input2'、input3'，相应地，第二特征提取子网络包括三级子网络，即图4中的三个FCN2，计算机设备将input1'输入第一级子网络FCN2，得到input1对应的特征图，然后将input1对应的特征图和input2'进行特征融合，需要说明的是，此处可以采用通道拼接的融合方法将input1对应的特征图和input2'进行特征融合，然后，将融合后的特征图输入第二级子网络FCN2，得到input2对应的特征图，然后将input1对应的特征图、input2对应的特征图和input3'进行特征融合，需要说明的是，此处可以采用各元素相加的融合方法将input1对应的特征图、input2对应的特征图进行特征融合，记为input12，再采用通道拼接的方法将input12和input3'进行特征融合，然后，将特征融合后的特征图输入第三级子网络FCN2，得到input3对应的特征图。需要说明的是，图4中Element-wise addition表示的含义是对多个特征图上相同位置所对应的元素值进行相加的操作。
在本实施例中，计算机设备将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行融合，能够增加网络的特征图的表达能量和语义信息，从而提高了得到的各幅值图对应的特征图的准确度。
在一个实施例中，如图5所示，在上述实施例的基础上，作为一种可选的实施方式，上述S303，包括：
S501，对各特征图进行特征融合，得到融合后的特征图。
具体地，计算机设备对得到的各幅值图对应的特征图进行特征融合，得到融合后的特征图。可选的，请继续参见图4，计算机设备得到各幅值图对应的特征图后，可以采用各点元素相加的融合方法，对各特征图上相同位置所对应的元素值进行相加的操作进行特征融合，得到融合后的特征图。
S502，将融合后的特征图输入重建子网络，对目标磁共振成像数据进行重建，得到重建图像。
具体地，计算机设备将上述得到的融合后的特征图输入重建子网络，对目标磁共振成像数据进行重建，得到重建图像。示例性地，请继续参见图4，图4中的FCN3为本实施例中的重建子网络，output1则为对目标磁共振成像数据进行重建，得到的重建图像。可选的，重建子网络可以为残差网络，也可以为U-Net网络。
在本实施例中，计算机设备对各磁共振成像数据的幅值图对应的特征图进行特征融合，能够将各幅值图的特征图中的信息进行有效地融合，得到的融合后的特征图中的细节信息更加丰富，进而计算机设备将融合后的特征图输入重建子网络，能够对目标磁共振成像数据进行准确地重建，提高了得到的重建图像的准确度。
在一个实施例中，如图6所示，在上述实施例的基础上，作为一种可选的实施方式，上述图像重建网络的训练过程，包括：
S601，获取多个样本磁共振成像数据，并从各样本磁共振成像数据中确定出样本目标磁共振成像数据；其中，不同的样本磁共振成像数据对应不同的采样脉冲序列，且各样本磁共振成像数据填充K空间的部分编码位置。
具体地，计算机设备获取多个样本磁共振成像数据，并从这多个样本磁共振成像数据中确定出样本目标磁共振成像数据。其中，不同的样本磁共振成像数据对应不同的采样脉冲序列，且各样本磁共振成像数据填充K空间的部分编码位置。可选的，采集多个样本磁共振成像数据对应的采样脉冲序列可以包括：T1加权像(T1 Weighted Imaging，T1WI)序列、T2加权像(T2 Weighted Imaging，T1WI)序列和弥散加权像(Diffusion WeightedImaging，DWI)序列。
S602，获取样本目标磁共振成像数据对应的全采样磁共振图像；全采样磁共振图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
具体地，计算机设备获取上述样本目标磁共振成像数据对应的全采样磁共振图像。其中，全采样磁共振图像对应的磁共振成像数据填充K空间的部分编码位置和除该部分编码位置之外的编码位置。可选的，计算机设备可以采用并行成像加速成像方法、压缩感知加速成像方法或半傅里叶加速成像方法中的任一种方法，得到样本目标磁共振成像数据对应的全采样磁共振图像。
S603，根据各样本磁共振成像数据，得到各样本磁共振成像数据对应的样本幅值图。
具体地，计算机设备根据各样本磁共振成像数据，得到各样本磁共振成像数据对应的样本幅值图。可选的，计算机设备可以对各样本磁共振成像数据中的实部样本图像数据和虚部样本图像数据分别进行去噪处理，并生成样本磁共振信号空间中的样本复图像数据，根据生成的样本复图像数据，得到各样本磁共振成像数据对应的样本幅值图。
S604，将各样本幅值图输入预设的初始图像重建网络，对样本目标磁共振成像数据进行重建，得到样本重建图像；样本重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
具体地，计算机设备将各样本幅值图输入预设的初始图像重建网络，对样本目标磁共振成像数据进行重建，得到样本重建图像。其中，样本重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。可选的，计算机设备可以根据初始第一特征提取子网络对各样本幅值图的特征进行提取，得到各样本幅值图对应的样本初始特征图，根据初始第二特征提取子网络对各样本幅值图对应的样本初始特征图进行特征提取，得到各样本幅值图对应的特征图，根据各样本幅值图对应的特征图和初始重建子网络，对样本目标磁共振成像数据进行重建，得到样本重建图像。
S605，根据样本重建图像和全采样磁共振图像，对初始图像重建网络进行训练，得到图像重建网络。
具体地，计算机设备根据样本重建图像和全采样磁共振图像，对初始图像重建网络进行训练，得到上述图像重建网络。可选的，计算机设备可以根据样本重建图像和全采样磁共振图像，得到初始图像重建网络的第一损失函数的值，根据样本重建图像的特征图和全采样磁共振图像的特征图，得到初始图像重建网络的第二损失函数的值，根据样本重建图像对应的幅值图和全采样磁共振图像对应的幅值图，得到初始图像重建网络的第三损失函数的值，根据第一损失函数的值、第二损失函数的值和第三损失函数的值，得到初始图像重建网络的损失函数的值，根据初始图像重建网络的损失函数的值对初始图像重建网络进行训练，得到上述图像重建网络。
可选的，计算机设备可以将样本重建图像输入预设的特征提取网络，得到样本重建图像的特征图，将全采样磁共振图像输入该特征提取网络，得到全采样磁共振图像的特征图，可选的，该预设的特征提取网络可以为VGG-19网络。
可选的，计算机设备可以根据样本重建图像、全采样磁共振图像和公式L1＝||Ioutput-IGT||1，得到初始图像重建网络的第一损失函数的值，其中，L1表示第一损失函数的值，Ioutput表示样本重建图像，IGT表示全采样磁共振图像；计算机设备可以根据样本重建图像的特征图、全采样磁共振图像的特征图和公式Lper＝||φn(Ioutput)-φn(IGT)||1，得到初始图像重建网络的第二损失函数的值，其中，Lper表示第二损失函数的值，φn(Ioutput)表示VGG-19网络第n个网络层的输出的样本重建图像的特征图，φn(IGT)表示VGG-19网络第n个网络层的输出的全采样磁共振图像的特征图，需要说明的是，如果VGG-19网络不含有批标准化(Batch Normalization)层，n可取34，否则，n取49；计算机设备可以根据样本重建图像对应的幅值图、全采样磁共振图像对应的幅值图和公式得到初始图像重建网络的第三损失函数的值，其中，/>表示第三损失函数的值，/>表示样本重建图像对应的幅值图，/>表示全采样磁共振图像对应的幅值图。可选的，计算机设备可以根据公式/>得到初始图像重建网络的损失函数的值，式中，L表示初始图像重建网络的损失函数的值，λ1、λ2、λ3为参数，示例性地，一般λ1、λ2、λ3的取值可以为：λ1＝0.1，λ2＝1，λ3＝0.01，需要说明的是，λ1、λ2、λ3的取值可根据具体的实际情况进行调节，本实施例在此不做限制。
需要说明的是，作为一种可选的实施方式，在对初始图像重建网络进行训练时，可以将初始图像重建网络作为生成模型，加入判别模型，使用生成对抗神经网络对初始图像重建网络进行训练，得到图像重建网络。可选的，生成对抗神经网络可以为Pix2Pix2网络，也可以为Cycle-Gan网络。
在本实施例中，计算机设备将各样本磁共振成像数据对应的样本幅值图输入预设的初始图像重建网络，能够对样本目标磁共振成像数据进行准确地重建，提高了得到的样本重建图像的准确度，进而可以根据得到的样本重建图像和全采样磁共振图像，准确地得到初始图像重建网络的损失函数的值，能够对初始图像重建网络进行准确地训练，提高了得到的图像重建网络的准确度。
应该理解的是，虽然图2-6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2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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7所示，提供了一种图像重建装置，包括：第一获取模块、第二获取模块和第一重建模块，其中：
第一获取模块，用于获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各磁共振成像数据填充K空间的部分编码位置。
第二获取模块，用于根据各磁共振成像数据，得到各磁共振成像数据对应的幅值图。
第一重建模块，用于根据各幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，图像重建网络包括第一特征提取子网络、第二特征提取子网络和重建子网络；上述第一重建模块包括：第一获取单元、第二获取单元和重建单元，其中，
第一获取单元，用于将各幅值图输入第一特征提取子网络，得到各幅值图对应的初始特征图。
第二获取单元，用于根据各初始特征图和第二特征提取子网络，得到各幅值图对应的特征图。
重建单元，用于根据各特征图和重建子网络，对目标磁共振成像数据进行重建，得到重建图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，第二特征提取子网络包括多级子网络；子网络的级数与磁共振成像数据的个数相同；第二获取单元，具体用于将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行特征融合，将融合后的特征图输入当前级子网络中，得到各幅值图对应的特征图。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述重建单元，具体用于对各特征图进行特征融合，得到融合后的特征图；将融合后的特征图输入重建子网络，对目标磁共振成像数据进行重建，得到重建图像。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第三获取模块、第四获取模块、第五获取模块、第二重建模块和训练模块，其中：
第三获取模块，用于获取多个样本磁共振成像数据，并从各样本磁共振成像数据中确定出样本目标磁共振成像数据；其中，不同的样本磁共振成像数据对应不同的采样脉冲序列，且各样本磁共振成像数据填充K空间的部分编码位置。
第四获取模块，用于获取样本目标磁共振成像数据对应的全采样磁共振图像；全采样磁共振图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
第五获取模块，用于根据各样本磁共振成像数据，得到各样本磁共振成像数据对应的样本幅值图。
第二重建模块，用于将各样本幅值图输入预设的初始图像重建网络，对样本目标磁共振成像数据进行重建，得到样本重建图像；样本重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
训练模块，用于根据样本重建图像和全采样磁共振图像，对初始图像重建网络进行训练，得到图像重建网络。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述训练模块包括第三获取单元、第四获取单元、第五获取单元和训练单元，其中：
第三获取单元，用于根据样本重建图像和全采样磁共振图像，得到初始图像重建网络的第一损失函数的值。
第四获取单元，用于根据样本重建图像的特征图和全采样磁共振图像的特征图，得到初始图像重建网络的第二损失函数的值。
第五获取单元，用于根据样本重建图像对应的幅值图和全采样磁共振图像对应的幅值图，得到初始图像重建网络的第三损失函数的值。
训练单元，用于根据第一损失函数的值、第二损失函数的值和第三损失函数的值，得到初始图像重建网络的损失函数的值，根据初始图像重建网络的损失函数的值对初始图像重建网络进行训练，得到图像重建网络。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第四获取单元还用于将样本重建图像输入预设的特征提取网络，得到样本重建图像的特征图；将全采样磁共振图像输入特征提取网络，得到全采样磁共振图像的特征图。
本实施例提供的图像重建装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于图像重建装置的具体限定可以参见上文中对于图像重建方法的限定，在此不再赘述。上述图像重建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，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：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各磁共振成像数据填充K空间的部分编码位置；
根据各磁共振成像数据，得到各磁共振成像数据对应的幅值图；
根据各幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各磁共振成像数据填充K空间的部分编码位置；
根据各磁共振成像数据，得到各磁共振成像数据对应的幅值图；
根据各幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；目标磁共振成像数据为各磁共振成像数据中的任意一个磁共振成像数据；重建图像对应的磁共振成像数据填充K空间的部分编码位置和除部分编码位置之外的编码位置。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)
1.一种图像重建方法，其特征在于，所述方法包括：
获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
所述图像重建网络的训练过程包括：
根据样本重建图像和全采样磁共振图像，得到预设的初始图像重建网络的第一损失函数的值；
根据所述样本重建图像的特征图和所述全采样磁共振图像的特征图，得到所述初始图像重建网络的第二损失函数的值；
根据所述样本重建图像对应的幅值图和所述全采样磁共振图像对应的幅值图，得到所述初始图像重建网络的第三损失函数的值；
根据所述第一损失函数的值、所述第二损失函数的值和所述第三损失函数的值，得到所述初始图像重建网络的损失函数的值，根据所述初始图像重建网络的损失函数的值对所述初始图像重建网络进行训练，得到所述图像重建网络。
2.根据权利要求1所述的方法，其特征在于，所述图像重建网络包括第一特征提取子网络、第二特征提取子网络和重建子网络；所述根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像，包括：
将各所述幅值图输入所述第一特征提取子网络，得到各所述幅值图对应的初始特征图；
根据各所述初始特征图和所述第二特征提取子网络，得到各所述幅值图对应的特征图；
根据各所述特征图和所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像。
3.根据权利要求2所述的方法，其特征在于，所述第二特征提取子网络包括多级子网络；所述子网络的级数与所述磁共振成像数据的个数相同；所述根据各所述初始特征图和所述第二特征提取子网络，得到各所述幅值图对应的特征图，包括：
将当前级子网络之前的所有级子网络输出的特征图与当前级子网络对应的初始特征图进行特征融合，将融合后的特征图输入所述当前级子网络中，得到各所述幅值图对应的特征图。
4.根据权利要求2所述的方法，其特征在于，所述根据各所述特征图和所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像，包括：
对各所述特征图进行特征融合，得到融合后的特征图；
将所述融合后的特征图输入所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像。
5.根据权利要求1所述的方法，其特征在于，所述图像重建网络的训练过程还包括：
获取多个样本磁共振成像数据，并从各所述样本磁共振成像数据中确定出样本目标磁共振成像数据；其中，不同的样本磁共振成像数据对应不同的采样脉冲序列，且各所述样本磁共振成像数据填充K空间的部分编码位置；
获取所述样本目标磁共振成像数据对应的所述全采样磁共振图像；所述全采样磁共振图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
根据各所述样本磁共振成像数据，得到各所述样本磁共振成像数据对应的样本幅值图；
将各所述样本幅值图输入所述初始图像重建网络，对所述样本目标磁共振成像数据进行重建，得到所述样本重建图像；所述样本重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
根据所述样本重建图像和所述全采样磁共振图像，对所述初始图像重建网络进行训练，得到所述图像重建网络。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述样本重建图像的特征图和所述全采样磁共振图像的特征图，得到所述初始图像重建模型的第二损失函数的值之前，所述方法还包括：
将所述样本重建图像输入预设的特征提取网络，得到所述样本重建图像的特征图；
将所述全采样磁共振图像输入所述特征提取网络，得到所述全采样磁共振图像的特征图。
7.一种图像重建装置，其特征在于，所述装置包括：
第一获取模块，用于获取多个磁共振成像数据；其中，不同的磁共振成像数据对应不同的采样脉冲序列，且各所述磁共振成像数据填充K空间的部分编码位置；
第二获取模块，用于根据各所述磁共振成像数据，得到各所述磁共振成像数据对应的幅值图；
第一重建模块，用于根据各所述幅值图以及预设的图像重建网络，对目标磁共振成像数据进行重建，得到重建图像；所述目标磁共振成像数据为各所述磁共振成像数据中的任意一个磁共振成像数据；所述重建图像对应的磁共振成像数据填充所述K空间的所述部分编码位置和除所述部分编码位置之外的编码位置；
所述装置，还用于根据样本重建图像和全采样磁共振图像，得到预设的初始图像重建网络的第一损失函数的值；根据所述样本重建图像的特征图和所述全采样磁共振图像的特征图，得到所述初始图像重建网络的第二损失函数的值；根据所述样本重建图像对应的幅值图和所述全采样磁共振图像对应的幅值图，得到所述初始图像重建网络的第三损失函数的值；根据所述第一损失函数的值、所述第二损失函数的值和所述第三损失函数的值，得到所述初始图像重建网络的损失函数的值，根据所述初始图像重建网络的损失函数的值对所述初始图像重建网络进行训练，得到所述图像重建网络。
8.根据权利要求7所述的装置，其特征在于，所述图像重建网络包括第一特征提取子网络、第二特征提取子网络和重建子网络；所述第一重建模块包括：
第一获取单元，用于将各所述幅值图输入所述第一特征提取子网络，得到各所述幅值图对应的初始特征图；
第二获取单元，用于根据各所述初始特征图和所述第二特征提取子网络，得到各所述幅值图对应的特征图；
重建单元，用于根据各所述特征图和所述重建子网络，对目标磁共振成像数据进行重建，得到所述重建图像。
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6中任一项所述的方法的步骤。
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6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010385564.7A CN111681296B (zh) | 2020-05-09 | 2020-05-09 | 图像重建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010385564.7A CN111681296B (zh) | 2020-05-09 | 2020-05-09 | 图像重建方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111681296A CN111681296A (zh) | 2020-09-18 |
| CN111681296B true CN111681296B (zh) | 2024-03-22 |
Family
ID=72433904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010385564.7A Active CN111681296B (zh) | 2020-05-09 | 2020-05-09 | 图像重建方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111681296B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019041376A1 (zh) * | 2017-08-30 | 2019-03-07 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
| CN109791686A (zh) * | 2016-07-15 | 2019-05-21 | 弗劳恩霍夫应用研究促进协会 | 用于产生图像的系统，尤其磁共振系统 |
| CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
| CN109993809A (zh) * | 2019-03-18 | 2019-07-09 | 杭州电子科技大学 | 基于残差U-net卷积神经网络的快速磁共振成像方法 |
| CN110047138A (zh) * | 2019-04-24 | 2019-07-23 | 复旦大学 | 一种磁共振薄层图像重建方法 |
| CN110276736A (zh) * | 2019-04-01 | 2019-09-24 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
| CN111127374A (zh) * | 2019-11-22 | 2020-05-08 | 西北大学 | 一种基于多尺度密集网络的Pan-sharpening方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100266185A1 (en) * | 2009-04-21 | 2010-10-21 | Sloan Kettering Institute of Cancer | Malignant tissue recognition model for the prostate |
-
2020
- 2020-05-09 CN CN202010385564.7A patent/CN111681296B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109791686A (zh) * | 2016-07-15 | 2019-05-21 | 弗劳恩霍夫应用研究促进协会 | 用于产生图像的系统，尤其磁共振系统 |
| WO2019041376A1 (zh) * | 2017-08-30 | 2019-03-07 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
| CN109919840A (zh) * | 2019-01-21 | 2019-06-21 | 南京航空航天大学 | 基于密集特征融合网络的图像超分辨率重建方法 |
| CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
| CN109993809A (zh) * | 2019-03-18 | 2019-07-09 | 杭州电子科技大学 | 基于残差U-net卷积神经网络的快速磁共振成像方法 |
| CN110276736A (zh) * | 2019-04-01 | 2019-09-24 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
| CN110047138A (zh) * | 2019-04-24 | 2019-07-23 | 复旦大学 | 一种磁共振薄层图像重建方法 |
| CN111127374A (zh) * | 2019-11-22 | 2020-05-08 | 西北大学 | 一种基于多尺度密集网络的Pan-sharpening方法 |
Non-Patent Citations (3)
| Title |
|---|
| Guang Yang et al.DAGAN: deep de-aliasing generative adversarial networks for fast compressed sensing MRI reconstruction.《IEEE Transactions on Medical Imaging》.2018,全文. * |
| 基于深度学习的快速磁共振成像技术研究;胡源;《中国优秀硕士学位论文全文数据库电子期刊 医药卫生科技辑》;20200115;第2020卷(第1期);全文 * |
| 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全文数据库电子期刊 医药卫生科技辑》.2020,第2020卷(第2020期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111681296A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109557489B (zh) | 一种磁共振成像方法和装置 | |
| CN109350061B (zh) | 基于深度卷积神经网络的磁共振成像方法 | |
| CN108896943B (zh) | 一种磁共振定量成像方法和装置 | |
| US10915990B2 (en) | Systems and methods for denoising medical images with deep learning network | |
| US11250543B2 (en) | Medical imaging using neural networks | |
| CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
| CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
| CN110992440B (zh) | 弱监督磁共振快速成像方法和装置 | |
| CN113534031B (zh) | 图像域数据生成方法、计算机设备和可读存储介质 | |
| CN114998471B (zh) | 基于RecNet模型的磁粒子成像重建方法 | |
| US11417423B2 (en) | Multi-coil magnetic resonance imaging with artificial intelligence | |
| US20230032472A1 (en) | Method and apparatus for reconstructing medical image | |
| CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| CN111157935A (zh) | 磁共振成像方法、装置、存储介质及计算机设备 | |
| CN114299185A (zh) | 磁共振图像生成方法、装置、计算机设备和存储介质 | |
| CN114010180B (zh) | 一种基于卷积神经网络的磁共振快速成像方法及装置 | |
| CN116204768A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
| CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
| CN111681296B (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
| CN113592972B (zh) | 一种基于多模态聚合的磁共振图像重建方法及装置 | |
| WO2021155782A1 (en) | Systems and methods for magnetic resonance image reconstruction from incomplete k-space data | |
| US11508048B2 (en) | Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image | |
| CN111145285B (zh) | Mri动态增强图像重建方法、装置、计算机设备和存储介质 |
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 |