CN115115723A - 图像重建模型生成及图像重建方法、装置、设备和介质 - Google Patents
图像重建模型生成及图像重建方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115115723A CN115115723A CN202110287100.7A CN202110287100A CN115115723A CN 115115723 A CN115115723 A CN 115115723A CN 202110287100 A CN202110287100 A CN 202110287100A CN 115115723 A CN115115723 A CN 115115723A
- Authority
- CN
- China
- Prior art keywords
- image reconstruction
- model
- space data
- sampled
- 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.)
- Pending
Links
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种图像重建模型生成及图像重建方法、装置、设备和介质,其中,图像重建模型生成方法包括:获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到全采样K空间数据对应的欠采样K空间数据;将欠采样K空间数据输入至,根据对全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;当图像重建模型生成的重建图像与全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。本实施例的技术方案实现了提高图像重建速度,能够根据采样数据的稀疏先验和低秩先验特性重建图像,提升图像质量。
Description
技术领域
本发明实施例涉及医学图像处理技术领域,尤其涉及一种图像重建模型生成及图像重建方法、装置、设备和介质。
背景技术
磁共振心脏电影成像是一种非侵入式的成像技术,能够用于评估心功能,室壁运动异常等,为心脏临床诊断提供丰富的信息。然而,由于磁共振物理及硬件、和心脏运动周期时长的制约,磁共振心脏电影成像往往时间和空间分辨率受限,无法准确评估部分心脏疾病,如心率不齐等的心功能情况。因此,需要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。
目前,常用的加速磁共振心脏电影成像的方法,包括并行成像(ParallelImaging,PI)、压缩感知(Compressed Sensing,CS)技术、基于低秩矩阵分解以及深度学习方法。
但是,传统的并行成像或者压缩感知技术,没有利用大数据先验,并且这种迭代优化方法参数较难选择且耗时。而基于深度学习的神经网络方法虽然能够避免迭代求解步骤,加速了重建时间;但是,这些深度学习方法仅仅依赖于大数据的稀疏先验,限制了图像重建效果的提升。
发明内容
本发明实施例提供了一种图像重建模型生成及图像重建方法、装置、设备和介质,以实现在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
第一方面,本发明实施例提供了一种图像重建模型生成方法,该方法包括:
获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
可选的,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题求解得到的子问题,建立图像重建模型的过程,包括:
根据磁共振扫描对象运动在时间上的周期性,将所述对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题模型化表示;
设置所述磁共振图像重建问题的表示模型的辅助变量,并基于所述辅助变量确定所述表示模型的罚函数;
根据所述罚函数确定所述表示模型的三个子问题;
对所述三个子问题分别进行求解,并网络化得到所述图像重建模型。
可选的,所述对所述三个子问题分别进行求解,并网络化得到所述图像重建模型,包括:
分别对所述三个子问题进行优化改写;
采用迫近梯度法分别对优化改写后的三个子问题进行求解,得到各子问题的解的迭代表示;
将所述迭代表示过程网络化,得到所述图像重建模型。
可选的,所述分别对所述三个子问题进行优化,包括:
根据所述罚函数在数据保真项的预设数值展开表示的结果,分别对所述三个子问题进行优化。
可选的,所述图像重建模型包括低秩网络模块、稀疏网络模块和数据一致性模块。
第二方面,本发明实施例还提供了一种图像重建方法,该方法包括:
获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
将所述欠采样K空间数据输入至由任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
第三方面,本发明实施例还提供了一种图像重建模型生成装置,该装置包括:
数据预处理模块,用于获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
数据输入模块,用于将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
模型生成模块,用于当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
可选的,所述图像重建模型生成装置还包括模型构造模块,用于根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题求解得到的子问题,建立图像重建模型。
可选的,所述模型构造模块具体用于:
根据磁共振扫描对象运动在时间上的周期性,将所述对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题模型化表示;
设置所述磁共振图像重建问题的表示模型的辅助变量,并基于所述辅助变量确定所述表示模型的罚函数;
根据所述罚函数确定所述表示模型的三个子问题;
对所述三个子问题分别进行求解,并网络化得到所述图像重建模型。
可选的,所述模型构造模块还可用于:
分别对所述三个子问题进行优化改写;
采用迫近梯度法分别对优化改写后的三个子问题进行求解,得到各子问题的解的迭代表示;
将所述迭代表示过程网络化,得到所述图像重建模型。
可选的,所述模型构造模块还可用于别对所述三个子问题进行优化,具体包括:
根据所述罚函数在数据保真项的预设数值展开表示的结果,分别对所述三个子问题进行优化。
可选的,所述图像重建模型包括低秩网络模块、稀疏网络模块和数据一致性网络模块。
第四方面,本发明实施例还提供了一种图像重建装置,该装置包括:
数据获取模块,用于获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
图像重建模块,用于将所述欠采样K空间数据输入至由任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
第五方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所提供的图像重建模型生成方法或图像重建方法。
第六方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的图像重建模型生成方法或图像重建方法。
上述发明中的实施例具有如下优点或有益效果:
本发明实施例,通过根据预设欠采样模型对获取到的动态磁共振图像序列的全采样K空间数据样本进行处理,得到全采样K空间数据对应的欠采样K空间数据;然后,将欠采样K空间数据输入至,根据对全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;当图像重建模型生成的重建图像,与全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。解决了现有技术中图像重建时间长或不能充分利用采样数据特性进行图像重建的问题,实现了在在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
附图说明
图1是本发明实施例一提供的一种图像重建模型生成方法的流程图;
图2是本发明实施例一提供的一种图像重建网络的网络结构示意图;
图3是本发明实施例二提供的一种图像重建方法的流程图;
图4是本发明实施例三提供的一种图像重建模型生成装置的结构示意图;
图5是本发明实施例四提供的一种图像重建装置的结构示意图;
图6是本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像重建模型生成方法的流程图,本实施例可适用于以磁共振动态图像的全采样图像为样本,训练图像重建模型的情况。该方法可以由图像重建模型生成装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的电子设备中。
如图1所示,图像重建模型生成方法包括以下步骤:
S110、获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据。
其中,动态磁共振图像序列的全采样K空间数据是预先采集的样本数据,可以根据动态磁共振图像序列的全采样K空间数据重建得到高分辨率的磁共振动态图像。例如,动态磁共振图像序列可以是磁共振心脏电影成像中每每一帧图像。预设欠采样模型可以根据采样加速倍数的需求由预设欠采样算子、傅里叶变换算子及线圈敏感度参数确定。
具体的,预设欠采样模型可以表示为y=MFCX(1);其中,M为欠采样算子,F是傅里叶变换算子,C是线圈敏感度矩阵(sensitivity maps),X是由全采样的动态磁共振图像序列中每一帧图像拉伸成一维向量,各列按图像帧顺序作为列拼接在一起,成为一个图像矩阵,y是欠采样K空间数据。在该步骤中,首先,将动态磁共振图像序列的全采样K空间数据中,每一帧图像对应的全采样K空间数据的多列数据按照列的顺序拼接成为一个只有一列的数据;然后,将所有图像帧对应的一列数据按照图像帧的顺序进行拼接,得到X。C可以通过ESPIRiT或者Walsh等算法估计出来,F就是傅里叶变换的算子,M是由0和1构成的向量,决定哪些点采集,哪些点不采集,不采集的点数值为0。
S120、将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练。
其中,图像重建模型是根据动态磁共振数据的稀疏先验和低秩先验特性进行建模并训练的到的图像重建模型。具体的,该图像重建模型的构建过程如下:
首先,针对X现构造出低秩矩阵,可以将矩阵X分解成背景分量L和动态分量S,因为背景分量中每一帧之间存在大量相关信息,所以L矩阵具有低秩性。同时,在心脏电影成像中,心脏跳动的区域较小,去除了背景分量L后,剩余的S分量本身就具有稀疏性。在一种优选的实施方式中,还可以进一步的对动态分量S进行稀疏变换,其稀疏性可以进一步提升。S稀疏性越强,重建图像的效果越好。系数变换可以通过傅里叶变换小波变换或是离散余弦变换等方法实现。例如,对S在时间方向做一维傅里叶变换,变换后的矩阵比S更稀疏。这里需要说明的是,L、S及X是维度相同的数据矩阵。
进一步的,根据心脏跳动在时间方向具有周期性。所以低秩和稀疏特性的约束下MRI重建问题可以写作
其中,λL和λS分别是低质约束和稀疏约束的正则化因子,A是编码矩阵,y是欠采的k空间数据,D是稀疏变换矩阵。||||*表示矩阵核范数,即计算矩阵非零奇异值之和。数学上常用和范数来逼近矩阵秩。
为了解决该MRI重建问题,在本实施例中引入一个辅助变量X,用来代表L和S的累加和。那么上述优化问题可以写作
辅助变量X的引入可以在模型构造成功后,最开始的迭代步骤中,L和S可以进行非精确搜索,从而使算法更快收敛到最优的L和S。快速收敛对于迭代算法网络化十分重要,因为网络化时,我们需要用少量的迭代网络模块代替原先较多的迭代步骤。为了解公式(3)中的等式优化问题,确定公式(3)罚函数:
进一步的,根据罚函数可以通过交替最小化算法求解,得到如下三个子问题,最终将如下三个子问题进行网络便可以得到目标图像重建模型。
进一步的,那么公式(5)中的子问题可以改写成
其中,是软阈值算子,X=UΣV*是X的奇异值分解,Σ是奇异值矩阵,U和V分别是左右矩阵,*表示共轭转置;是与稀疏变换D相关的迫近算子,若D是正交变换,则是软阈值算子,若D为非正交变换,那么P的形式无法直接写出解析解;γ是更新步长,γ=1/(1+ηρ)。每一个迭代步中,通过削减小于阈值λL的奇异值,使得L具有低秩性;公式(9)中X迭代步骤中,是重建图像和输入k空间数据在k空间中的残差,用于数据一致性修正。
进一步的,虽然迭代解的形式可以如公式9所示,但是仍然有三个问题需要解决:第一,迭代需要很长的时间收敛,重建速度慢,尤其是奇异值分解的计算加入到迭代过程中后;第二,正则化参数难以调节,需要耗费大量时间尝试,尤其是L+S有两个分量,如果λL相比λS太大,重建图像的S部分将不够稀疏,包含大量静态成分,如果λL相比λS太小,重建图像中L部分将包含许多动态信息,与模型相违背;第三,只有在稀疏变换D具有正交性时,的显式解才能写出,否则无法得到具体的计算方式,但是正交的稀疏变换会极大限制稀疏变换的选择范围,可能导致重建性能受限。
因此,我们将公式(9)中的迭代过程网络化,展开成为低秩+稀疏网络(L+S-Net),L+S-Net包含多个网络块,每一个网络块包含图2所示的三个网络模块,分别是低秩模块Lk、稀疏模块Sk、数据一致性模块Xk:
低秩模块Lk+1对Xk-Sk进行可学习的奇异值软阈值操作(Learned Singular ValueThreshold,LSVT),该操作与公式(10)中所示一致,但是阈值换成了可学习的变量:
其中软阈值算子的阈值为
T(β,Σ)=β·σ1 (13)
其中,σ1是最大的奇异值,β是可学习的阈值因子。公式(11)中的稀疏模块中,使用一个可学习的卷积神经网络C来代替迫近算子每个网络块中,阈值因子β、卷积神经网络C、更新步长γ都是独立可学习的,在网络训练中,将X0和L0初始化为欠采k空间数据y对应的补零图,S0采用全0初始化,这些可学习参数不断优化,最后得到高质量的重建结果,生成图像重建模型。
S130、当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
全采样K空间数据对应的重建图像为重建质量高的标准图像,图像重建模型训练的过程,也就是对模型中参数进行学习更新的过程,参数的优化使模型输出的图像越来越接近标准图像。当图像重建模型生成的重建图像,与全采样K空间数据对应的重建图像间的均方误差满足预设条件,也就是模型收敛时,便可以得到目标图像重建模型,完成模型训练过程。
本实施例的技术方案,通过根据预设欠采样模型对获取到的动态磁共振图像序列的全采样K空间数据样本进行处理,得到全采样K空间数据对应的欠采样K空间数据;然后,将欠采样K空间数据输入至,根据对全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;当图像重建模型生成的重建图像,与全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。解决了现有技术中图像重建时间长或不能充分利用采样数据特性进行图像重建的问题,实现了在在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
实施例二
图2为本发明实施例二提供的一种图像重建方法的流程图,本实施例可适用于对医学图像重建的情况。该方法可以由图像重建装置执行,该装置可以由软件和/或硬件的方式来实现,集成于具有应用开发功能的计算机设备中。
如图2所示,图像重建方法包括以下步骤:
S210、获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据。
具体的,在进行磁共振扫描采样的过程中,可以根据采样速度的需求设置采样的模型,由预设欠采样算子、傅里叶变换算子及线圈敏感度参数确定。预设欠采样算子决定了采样的加倍速度。
具体的,预设欠采样模型可以表示为y=MFCX(1);其中,M为欠采样算子,F是傅里叶变换算子,C是线圈敏感度矩阵(sensitivity maps),X是由全采样的动态磁共振图像序列中每一帧图像拉伸成一维向量,各列按图像帧顺序作为列拼接在一起,成为一个图像矩阵,y是欠采样K空间数据。在该步骤中,首先,将动态磁共振图像序列的全采样K空间数据中,每一帧图像对应的全采样K空间数据的多列数据按照列的顺序拼接成为一个只有一列的数据;然后,将所有图像帧对应的一列数据按照图像帧的顺序进行拼接,得到X。C可以通过ESPIRiT或者Walsh等算法估计出来,F就是傅里叶变换的算子,M是由0和1构成的向量,决定哪些点采集,哪些点不采集,不采集的点数值为0。
在进行磁共振扫描时,可以通过上述采样模型得到欠采样的K空间数据。例如,获取心脏动态的磁共振采样数据。
S220、将所述欠采样K空间数据输入至任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
其中,目标图像重建模型是在低秩特性以及稀疏特性的约束下进行图像重建的模型,能够重建得到高质量的图像。
本实施例的技术方案,通过根据预设的采样模型进行采样,并将采样数据输入至训练好的图像重建模型中,得到重建图像;解决了现有技术中图像重建时间长或不能充分利用采样数据特性进行图像重建的问题,实现了在在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
实施例三
图4为本发明实施例三提供的一种图像重建模型生成装置的结构示意图,本实施例可适用于以磁共振动态图像的全采样图像为样本,训练图像重建模型的情况。
如图4所示,图像重建模型生成装置包括数据预处理模块310、数据输入模块320和模型生成模块330。
其中,数据预处理模块310,用于获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;数据输入模块320,用于将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;模型生成模块330,用于当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
本实施例的技术方案,通过根据预设欠采样模型对获取到的动态磁共振图像序列的全采样K空间数据样本进行处理,得到全采样K空间数据对应的欠采样K空间数据;然后,将欠采样K空间数据输入至,根据对全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;当图像重建模型生成的重建图像,与全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。解决了现有技术中图像重建时间长或不能充分利用采样数据特性进行图像重建的问题,实现了在在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
可选的,所述图像重建模型生成装置还包括模型构造模块,用于根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题求解得到的子问题,建立图像重建模型。
可选的,所述模型构造模块具体用于:
根据磁共振扫描对象运动在时间上的周期性,将所述对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题模型化表示;
设置所述磁共振图像重建问题的表示模型的辅助变量,并基于所述辅助变量确定所述表示模型的罚函数;
根据所述罚函数确定所述表示模型的三个子问题;
对所述三个子问题分别进行求解,并网络化得到所述图像重建模型。
可选的,所述模型构造模块还可用于:
分别对所述三个子问题进行优化改写;
采用迫近梯度法分别对优化改写后的三个子问题进行求解,得到各子问题的解的迭代表示;
将所述迭代表示过程网络化,得到所述图像重建模型。
可选的,所述模型构造模块还可用于别对所述三个子问题进行优化,具体包括:
根据所述罚函数在数据保真项的预设数值展开表示的结果,分别对所述三个子问题进行优化。
可选的,所述图像重建模型包括低秩网络模块、稀疏网络模块和数据一致性网络模块。本发明实施例所提供的图像重建模型生成装置可执行本发明任意实施例所提供的图像重建模型生成方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5为本发明实施例四提供的一种图像重建装置的结构示意图,本实施例可适用于的情况。
如图5所示,图像重建装置包括数据获取模块410和图像重建模块420。
其中,数据获取模块410,用于获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;图像重建模块420,用于将所述欠采样K空间数据输入至由任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
本实施例的技术方案,通过根据预设的采样模型进行采样,并将采样数据输入至训练好的图像重建模型中,得到重建图像;解决了现有技术中图像重建时间长或不能充分利用采样数据特性进行图像重建的问题,实现了在在加快图像重建速度的同时,能够充分利用采样数据的低秩特性与稀疏特性,建立图像重建模型,以提升重建图像质量。
本发明实施例所提供的图像重建装置可执行本发明任意实施例所提供的图像重建方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种计算机设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图6显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以任意具有计算能力的终端设备,如智能控制器及服务器、手机等终端设备。
如图6所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图6中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发实施例所提供的一种图像重建模型生成方法步骤,该方法包括:
获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
或者,还可以实现本发实施例所提供的一种图像重建方法步骤,该方法包括:
获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
将所述欠采样K空间数据输入至由任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
实施例六
本实施例六提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所提供的图像重建模型生成方法,包括:
获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
或者,还可以实现本发实施例所提供的一种图像重建方法步骤,该方法包括:
获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
将所述欠采样K空间数据输入至由任一实施例所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像重建模型生成方法,其特征在于,包括:
获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
2.根据权利要求1所述的方法,其特征在于,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题求解得到的子问题,建立图像重建模型的过程,包括:
根据磁共振扫描对象运动在时间上的周期性,将所述对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题模型化表示;
设置所述磁共振图像重建问题的表示模型的辅助变量,并基于所述辅助变量确定所述表示模型的罚函数;
根据所述罚函数确定所述表示模型的三个子问题;
对所述三个子问题分别进行求解,并网络化得到所述图像重建模型。
3.根据权利要求2所述的方法,其特征在于,所述对所述三个子问题分别进行求解,并网络化得到所述图像重建模型,包括:
分别对所述三个子问题进行优化改写;
采用迫近梯度法分别对优化改写后的三个子问题进行求解,得到各子问题的解的迭代表示;
将所述迭代表示过程网络化,得到所述图像重建模型。
4.根据权利要求3所述的方法,其特征在于,所述分别对所述三个子问题进行优化,包括:
根据所述罚函数在数据保真项的预设数值展开表示的结果,分别对所述三个子问题进行优化。
5.根据权利要求1-4中任一所述的方法,其特征在于,所述图像重建模型包括低秩网络模块、稀疏网络模块和数据一致性网络模块。
6.一种图像重建方法,其特征在于,包括:
获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
将所述欠采样K空间数据输入至由权利要求1-5中任一所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
7.一种图像重建模型生成装置,其特征在于,包括:
数据预处理模块,用于获取动态磁共振图像序列的全采样K空间数据,并基于预设欠采样模型得到所述全采样K空间数据对应的欠采样K空间数据;
数据输入模块,用于将所述欠采样K空间数据输入至,根据对所述全采样K空间数据,在低秩特性和稀疏特性约束下进行磁共振图像重建问题进行求解得到的子问题,建立的图像重建模型,对模型进行训练;
模型生成模块,用于当所述图像重建模型生成的重建图像,与所述全采样K空间数据对应的重建图像间的均方误差满足预设条件时,完成模型训练,得到目标图像重建模型。
8.一种图像重建装置,其特征在于,包括:
数据获取模块,用于获取基于预设欠采样模型得到的动态磁共振图像序列的欠采样K空间数据;
图像重建模块,用于将所述欠采样K空间数据输入至由权利要求1-5中任一所述的图像重建模型生成方法得到的目标图像重建模型中,得到所述欠采样K空间数据对应的重建图像。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的图像重建模型生成方法或图像重建方法。
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,该程序被处理器执行时实现如权利要求1-6中任一所述的图像重建模型生成方法或图像重建方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287100.7A CN115115723A (zh) | 2021-03-17 | 2021-03-17 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
PCT/CN2021/085552 WO2022193379A1 (zh) | 2021-03-17 | 2021-04-06 | 图像重建模型生成及装置、图像重建方法及装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287100.7A CN115115723A (zh) | 2021-03-17 | 2021-03-17 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115723A true CN115115723A (zh) | 2022-09-27 |
Family
ID=83321852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287100.7A Pending CN115115723A (zh) | 2021-03-17 | 2021-03-17 | 图像重建模型生成及图像重建方法、装置、设备和介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115115723A (zh) |
WO (1) | WO2022193379A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116725515A (zh) * | 2023-08-14 | 2023-09-12 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8823374B2 (en) * | 2009-05-27 | 2014-09-02 | Siemens Aktiengesellschaft | System for accelerated MR image reconstruction |
CN102309328B (zh) * | 2011-10-19 | 2012-11-14 | 中国科学院深圳先进技术研究院 | 弥散张量成像方法及系统 |
CN104714199B (zh) * | 2013-12-17 | 2018-04-24 | 西门子(深圳)磁共振有限公司 | 一种磁共振成像方法和装置 |
US20180306884A1 (en) * | 2017-04-21 | 2018-10-25 | Mayo Foundation For Medical Education And Research | Accelerated dynamic magnetic resonance imaging using low rank matrix completion |
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 |
-
2021
- 2021-03-17 CN CN202110287100.7A patent/CN115115723A/zh active Pending
- 2021-04-06 WO PCT/CN2021/085552 patent/WO2022193379A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116725515A (zh) * | 2023-08-14 | 2023-09-12 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
CN116725515B (zh) * | 2023-08-14 | 2024-01-26 | 山东奥新医疗科技有限公司 | 一种磁共振快速成像方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022193379A1 (zh) | 2022-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766769B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
CN110766768B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
CN109658468B (zh) | 磁共振参数成像方法、装置、设备及存储介质 | |
US10627470B2 (en) | System and method for learning based magnetic resonance fingerprinting | |
CN103854297B (zh) | 利用紧框架学习的动态图像重建 | |
CN111383741B (zh) | 医学成像模型的建立方法、装置、设备及存储介质 | |
Kelkar et al. | Prior image-constrained reconstruction using style-based generative models | |
CN112991483B (zh) | 一种非局部低秩约束的自校准并行磁共振成像重构方法 | |
CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
CN111714124B (zh) | 磁共振电影成像方法、装置、成像设备及存储介质 | |
CN115115723A (zh) | 图像重建模型生成及图像重建方法、装置、设备和介质 | |
Fan et al. | An interpretable MRI reconstruction network with two-grid-cycle correction and geometric prior distillation | |
CN112488949A (zh) | 一种低剂量pet图像还原方法、系统、设备和介质 | |
CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
WO2022193378A1 (zh) | 图像重建模型生成方法及装置、图像重建方法及装置、设备、介质 | |
WO2021129235A1 (zh) | 三维磁共振快速参数成像方法和装置 | |
CN115170418A (zh) | 符合退化的低秩高维图像填充模型及其填充方法与系统 | |
Zhang et al. | Distributed compressive sensing via LSTM-aided sparse bayesian learning | |
CN107895387A (zh) | Mri图像重建方法及装置 | |
Ansorge et al. | Exceptionally fast non-linear 3D image registration using GPUs | |
Biswas et al. | Ultrasound medical image deblurring and denoising method using variational model on cuda | |
Shafique et al. | Compressed SVD-based L+ S model to reconstruct undersampled dynamic MRI data using parallel architecture | |
Zhang et al. | T2LR-Net: An unrolling network learning transformed tensor low-rank prior for dynamic MR image reconstruction | |
WO2022120588A1 (zh) | 一种低剂量pet图像还原方法、系统、设备和介质 |
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 |