CN117710514A - 动态磁共振成像方法、模型训练方法、装置、设备及介质 - Google Patents
动态磁共振成像方法、模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117710514A CN117710514A CN202410170764.9A CN202410170764A CN117710514A CN 117710514 A CN117710514 A CN 117710514A CN 202410170764 A CN202410170764 A CN 202410170764A CN 117710514 A CN117710514 A CN 117710514A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- dynamic magnetic
- reconstructed
- resonance image
- quantum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 title claims abstract description 24
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000003384 imaging method Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 239000002096 quantum dot Substances 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000005610 quantum mechanics Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/40—Physical realisations or architectures of quantum processors or components for manipulating qubits, e.g. qubit coupling or qubit control
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种动态磁共振成像方法、模型训练方法、装置、设备及介质,其包括获取待重建的动态磁共振图像;将待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,重建后的动态磁共振图像是待重建的动态磁共振图像的上采样图像;成像模型包括量子卷积神经网络及普通卷积神经网络,量子卷积神经网络用于对待重建的动态磁共振图像进行特征提取,以获取对应的特征图;普通卷积神经网络用于将特征图转化为重建后的动态磁共振图像。本发明通过量子卷积神经网络与普通卷积神经网络串联,实现对磁共振图像进行重构;相比在经典计算上网络,不仅减少了计算时间,同时获得了更高质量的动态磁共振重建图像。
Description
技术领域
本发明属于医学影像技术领域,尤其涉及一种动态磁共振成像方法、模型训练方法、装置、设备及介质。
背景技术
磁共振利用静磁场和射频磁场对人体组织成像,它不仅提供了丰富的组织对比度,且对人体无害,因此成为医学临床诊断的一种强有力的工具。但是,成像速度慢一直是制约其快速发展的一大瓶颈,如何在成像质量为临床可接受的前提下,提高扫描速度,从而减少扫描时间尤为重要。
在成像方面,目前常用的技术是采用深度学习方法进行磁共振图像重建。深度学习方法是利用神经网络,从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系,从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数,但是动态磁共振图像有着庞大的数据量,传统的深度学习算法在处理大规模数据时需要消耗大量的时间,面临计算资源不足,计算效率低的问题。
发明内容
本发明提供了一种动态磁共振成像方法、模型训练方法、装置、设备及介质,旨在解决现有的深度学习的成像方法中计算资源不足,计算效率低的问题。
第一方面,本发明实施例提供了一种动态磁共振成像方法,其包括
获取待重建的动态磁共振图像;
将所述待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像;所述成像模型包括量子卷积神经网络及普通卷积神经网络,所述量子卷积神经网络用于对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;所述普通卷积神经网络用于将所述特征图转化为所述重建后的动态磁共振图像。
第二方面,本发明实施例提供了一种模型训练方法,其包括
获取动态磁共振图像样本;其中,所述动态磁共振图像样本包括待重建的动态磁共振图像及对应的全采样图像样本;
通过预设的量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;
通过将所述特征图输入预设的普通卷积神经网络中,以输出所述待重建的动态磁共振图像的重建后的动态磁共振图像;
通过最小化所述重建后的动态磁共振图像与所述全采样图像样本之间的损失,以优化模型参数。
第三方面,本发明实施例提供了一种动态磁共振成像装置,其包括
获取模块,用于获取待重建的动态磁共振图像;
成像模块,用于将所述待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像;其中,所述成像模型包括量子卷积神经网络及普通卷积神经网络,所述量子卷积神经网络用于对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;所述普通卷积神经网络用于将所述特征图转化为所述重建后的动态磁共振图像。
第四方面,本发明实施例提供了一种电子设备,其包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的动态磁共振成像方法。
第五方面,本发明实施例提供了一种存储介质,其上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现上述的动态磁共振成像方法。
与现有技术相比,本发明基于深度学习的方法,在传统的神经网络模型中加入了量子神经网络,通过量子卷积神经网络与传统卷积神经网络串联,实现对磁共振图像进行重构;利用量子并行性,潜在地缓解卷积神经网络的过度拟合问题。还利用了纠缠、叠加和干涉等量子力学的思想来提供了更快、更强大的磁共振动态成像的图像重建能力。相比在经典计算上网络,不仅减少了计算时间,同时获得了更高质量的动态磁共振重建图像。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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它的附图。
图1为本发明实施例提供的动态磁共振成像方法的主流程示意图;
图2为图1所示实施例的子流程示意图;
图3为图1所示实施例的子流程示意图;
图4为图1所示实施例的模型训练方法的流程示意图;
图5为图1所示实施例中量子卷积神经网络的结构示意图;
图6为图5所示实施例中卷积模块的结构示意图;
图7为图1所示实施例中普通卷积神经网络的结构示意图;
图8为本发明实施例提供的动态磁共振成像装置的模块结构框图;
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
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清楚、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和 “包含”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。
请参阅图1至图4,图1展示了本发明实施例提供的一种动态磁共振成像方法的主流程示意图,本发明的一种动态磁共振成像方法的一实施例包括如下步骤S100-S200:
S100、获取待重建的动态磁共振图像。
S200、将待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;
其中,重建后的动态磁共振图像是待重建的动态磁共振图像的上采样图像;成像模型包括量子卷积神经网络及普通卷积神经网络,量子卷积神经网络用于对待重建的动态磁共振图像进行特征提取,以获取对应的特征图;普通卷积神经网络用于将特征图转化为重建后的动态磁共振图像。
在本实施例中,基于机器学习的方法构建成像模型,通过对成像模型进行训练,从而可以对图像进行重建,以获得重建后的上采样图像,以提高图像的质量。具体地,本发明方法应用于磁共振领域,用于对动态磁共振图像进行重建;并且构建的成像模型具体包括了量子卷积神经网络以及普通卷积神经网络;量子卷积神经网络是基于量子计算机下的量子电路构成的卷积神经网络,用于对动态磁共振图像进行特征提取,普通卷积神经网络则是基于传统卷积架构的神经网络,用于将特征图转化为重建后的动态磁共振图像,量子卷积神经网络与普通卷积神经网络进行串联构建了成像模型,量子卷积神经网络的输出作为普通卷积神经网络的输入。
深度学习的方法往往需要大量的训练才能获得较好的效果,具有很高的时间和空间复杂度,在动态磁共振重建中可能会面临计算资源不足的问题。而本发明的方法是基于深度学习,在传统的神经网络中加入了量子神经网络,与传统神经网络训练方法相比,本方法中的量子计算具有更高的计算效率,与基于经典计算机的卷积神经网络方法相比,量子卷积神经网络由于量子的特性,可以更高效地搜索最优解或近似最优解,获得更高的处理效率。
在一可选的实施例中,如图2所示,量子卷积神经网络对待重建的动态磁共振图像进行特征提取的过程包括如下步骤S210至S230:
S210、对待重建的动态磁共振图像进行编码,将其转换为量子比特的量子态。
S220、对量子态进行量子卷积操作,以获取变化后的量子态。
S230、对变化后的量子态进行测量,以获取特征图。
在本实施例中,如图5所示,量子卷积神经网络包括编码模块、卷积模块以及测量模块;其中,编码模块用于对待重建的动态磁共振图像进行编码,将其转换为量子比特的量子态;卷积模块用于对量子态进行量子卷积操作,以获取变化后的量子态;测量模块用于对变化后的量子态进行测量,以获取特征图。可理解地,量子卷积神经网络是通过基于量子计算机构建的量子电路来实现的,量子电路中包括有量子位和量子门,通过量子电路中的编码模块提取待重建的动态磁共振图像的特征,并编码为量子态,通过卷积模块对量子态进行逻辑运算获得变化后的量子态,最后通过测量模块对变化后的量子态进行观测,以获取最终的测量结果并完成整个特征提取的过程。
在一可选的实施方式中,如图6所示,该量子电路其包括四个从上自下依次排列的量子位,整个电路从左自右依次运行,在量子卷积模块中包括两个串联的纠缠层,每一纠缠层均设有八个旋转逻辑门,旋转逻辑门的旋转角度是可以训练的参数,具体八个旋转逻辑门中包括有四个RZ旋转门及四个RY旋转门;其中,各RZ门与RY门均位于不同的量子位上,第一RZ门设于第一量子位上并受控于第一量子位,第二RZ门设于第三量子位并受控于第二量子位,第三RZ门设于第四量子位并受控于第三量子位,第四RZ门设于第一量子位并受控于第四量子位;第一RY门设于第四RZ门之后,第二RY门设于第一RZ门之后,第三RY门设于第二RZ门之后,第四RY门设于第三RZ门之后。
量子卷积神经网络是架构在量子计算机之上,利用了量子比特和量子门进行计算,采用量子并行处理和量子叠加等特性,在特定情况下可以加速计算过程,在量子卷积神经网络中,每个输入样本被编码为量子态,即输入数据被量子化,然后,利用量子门操作对输入数据进行变换和处理,量子卷积神经网络可以提取图像中的量子特征表示。与传统的卷积神经网络相比,由于量子计算具有并行性和超级位置计算的优势,潜在地缓解卷积神经网络的过度拟合问题;量子卷积神经网络能够处理更复杂的计算任务,并且在一些特定情况下,可以获得更高的计算效率。其次,量子卷积神经网络引入了量子叠加态的概念,使得模型能够同时考虑多种可能性,进而增强了模型的表达能力和泛化能力,有利于提高重建图像的质量。
在一可选的实施例中,如图3所示,普通卷积神经网络是基于U-net网络构建的,普通卷积神经网络将特征图转化为重建后的动态磁共振图像的过程包括如下步骤S240至S250:
S240、对特征图进行下采样操作,以获取中间特征图。
S250、对中间特征图进行上采样操作,以获取重建后的动态磁共振图像。
卷积神经网络U-net主要由编码器和解码器组成,其编码器用于提取图像特征并逐渐降低分辨率,而解码器则负责将低分辨率特征逐步上采样并与编码器的高分辨率特征进行融合,最终输出分割结果。
具体地,如图7所示,卷积神经网络包括输入模块、第一下采样模块、第二下采样模块、第一上采样模块、第二上采样模块以及输出模块;通过输入模块、第一下采样模块、第二下采样模块对特征图进行下采样操作,以获取中间特征图,通过第一上采样模块、第二上采样模块以及输出模块对中间特征图进行上采样操作,以获取重建后的动态磁共振图像。更为具体地,输入模块包括两个33/>3大小的卷积层,第一下采样模块与第二下采样模块均包括一个2/>2大小的全局池化层及两个3/>3/>3大小的卷积层,第一上采样模块及第二上采样模块均包括一跳链接层、一个3/>3/>3大小的上卷积层及两个3/>3/>3大小的卷积层,输出模块包括一个3/>3/>3大小的卷积层。
使用 3D 残差 U-net 来减少心脏动态磁共振影像的欠采样伪影。残差 U-net 包含一个收缩的多尺度分解路径和一个在每个尺度上带有跳连接的对称扩展路径。如图7所示,三维卷积在整个图像序列上训练,以加强图像帧间的时间一致性。从欠采样数据重建的图像作于网络的输入,输出为去混叠的重建图像。每个卷积层都配备一个整流线性单元(ReLU)作为非线性激活函数。残差 U-net 在编码器和解码器路径之间的每人尺度上包含一个跳连接。
U-net具有紧凑的网络结构,使得网络参数相对较少,且训练速度较快,可以降低过拟合的风险,提高模型的泛化能力,此外,U-net还引入了跳跃连接(Skip Connections)结构,将编码器部分的特征图与解码器部分进行跳跃连接,从而保留了更多的空间信息和上下文信息。这有助于提高分割结果的准确性和细节保留能力。
如图4所示,本发明还提供了一种模型训练方法,用于获得上述方法中的训练好的成像模型,训练过程具体包括如下步骤S10至S40:
S10、获取动态磁共振图像样本;
其中,动态磁共振图像样本包括待重建的动态磁共振图像及对应的全采样图像样本。
S20、通过预设的量子卷积神经网络对待重建的动态磁共振图像进行特征提取,以获取对应的特征图。
S30、通过将特征图输入预设的普通卷积神经网络中,以输出待重建的动态磁共振图像的重建后的动态磁共振图像。
S40、通过最小化重建后的动态磁共振图像与全采样图像样本之间的损失,以优化模型参数。
在本实施例中,基于量子卷积神经网络与普通卷积神经网络构建的成像模型进行训练,其训练方法是依靠输入欠采样的动态磁共振图像样本,将模型生成的重建图像与欠采样的动态磁共振图像样本对应的全采样图像进行比对,并建立损失函数,通过最小化损失函数的值来对模型的参数进行优化,其中模型参数包括了量子卷积神经网络中的量子门参数以及普通卷积神经网络的卷积核参数。在一可选的实施方式中,通过均方差损失函数计算重建后的动态磁共振图像与全采样图像样本的损失值;若损失值为零或模型训练次数达到预设的迭代次数,则停止模型训练以获取优化后的模型参数。
如图8所示,本发明实施例还提供了一种动态磁共振成像装置100,该装置包括获取模块101及成像模块102,其中,获取模块101用于获取待重建的动态磁共振图像;成像模块102用于将待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,重建后的动态磁共振图像是待重建的动态磁共振图像的上采样图像;其中,成像模型包括量子卷积神经网络及普通卷积神经网络,量子卷积神经网络用于对待重建的动态磁共振图像进行特征提取,以获取对应的特征图;普通卷积神经网络用于将特征图转化为重建后的动态磁共振图像。
在一可选的实施例中,成像模块102包括编码模块、卷积模块以及测量模块;其中,编码模块用于对待重建的动态磁共振图像进行编码,将其转换为量子比特的量子态;卷积模块用于对量子态进行量子卷积操作,以获取变化后的量子态;测量模块用于对变化后的量子态进行测量,以获取特征图。
在一可选的实施例中,成像模块102包括下采样模块及上采样模块;其中,下采样模块用于对特征图进行下采样操作,以获取中间特征图;上采样模块用于对中间特征图进行上采样操作,以获取重建后的动态磁共振图像。
在一可选的实施例中,该装置还包括模型训练模块,训练模块用于对成像模块进行训练,进一步地,该训练模块包括样本获取模块、参数优化模块。获取模块用于获取动态磁共振图像样本;其中,动态磁共振图像样本包括待重建的动态磁共振图像及对应的全采样图像样本;参数优化模块用于通过最小化重建后的动态磁共振图像与全采样图像样本之间的损失,以优化模型参数。
如图9所示,本发明实施例还提供一种电子设备140,包括处理器141、存储器142、非易失性存储器144及存储在非易失性存储器144上并可在处理器上运行的计算机程序1441,处理器141执行计算机程序1441时实现如上的动态磁共振成像方法的任意实施例。具体地,还包括输入/输出接口145以及与之相连接的输入/输出设备146,处理器141、存储器142、非易失性存储器144以及输入/输出接口145通过内部总线143相连接。
应当理解,在本发明实施例中,处理器可以是中央处理单元 (CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal 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。其中,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。
本发明还提出了一种存储介质,在示例性实施例中,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集在被计算机设备的处理器执行时以实现上述任意实施例的动态磁共振成像方法。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本发明的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (10)
1.一种动态磁共振成像方法,其特征在于,所述的方法包括:
获取待重建的动态磁共振图像;
将所述待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像;所述成像模型包括量子卷积神经网络及普通卷积神经网络,所述量子卷积神经网络用于对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;所述普通卷积神经网络用于将所述特征图转化为所述重建后的动态磁共振图像。
2.根据权利要求1所述的方法,其特征在于,所述量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取的过程包括:
对所述待重建的动态磁共振图像进行编码,将其转换为量子比特的量子态;
对所述量子态进行量子卷积操作,以获取变化后的量子态;
对所述变化后的量子态进行测量,以获取所述特征图。
3.根据权利要求2所述的方法,其特征在于,所述量子卷积神经网络包括量子卷积模块,所述量子卷积模块通过量子电路实现,所述量子电路包括四个量子位,所述量子卷积模块包括两个串联的纠缠层,所述纠缠层包括四个RZ门及四个RY门;其中,第一RZ门设于第一量子位上并受控于第一量子位,第二RZ门设于第三量子位并受控于第二量子位,第三RZ门设于第四量子位并受控于第三量子位,第四RZ门设于第一量子位并受控于第四量子位,所述四个RY门分别位于不同的量子位,且所述RY门设于所述RZ门之后。
4.根据权利要求1所述的方法,其特征在于,所述普通卷积神经网络是基于U-net网络构建的,所述普通卷积神经网络将所述特征图转化为所述重建后的动态磁共振图像的过程包括:
对所述特征图进行下采样操作,以获取中间特征图;
对所述中间特征图进行上采样操作,以获取所述重建后的动态磁共振图像。
5.根据权利要求4所述的方法,其特征在于,所述普通卷积神经网络包括输入模块、第一下采样模块、第二下采样模块、第一上采样模块、第二上采样模块以及输出模块;所述输入模块包括两卷积层,所述第一下采样模块与所述第二下采样模块均包括一全局池化层及两卷积层,所述第一上采样模块及所述第二上采样模块均包括一跳连接层、一上卷积层及两卷积层,所述输出模块包括一卷积层。
6.一种模型训练方法,其特征在于,包括:
获取动态磁共振图像样本;其中,所述动态磁共振图像样本包括待重建的动态磁共振图像及对应的全采样图像样本;
通过预设的量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;
通过将所述特征图输入预设的普通卷积神经网络中,以输出所述待重建的动态磁共振图像的重建后的动态磁共振图像;
通过最小化所述重建后的动态磁共振图像与所述全采样图像样本之间的损失,以优化模型参数。
7.根据权利要求6所述的模型训练方法,其特征在于,通过最小化所述重建后的动态磁共振图像与所述全采样图像样本之间的损失,以优化所述模型参数,包括:
通过均方差损失函数计算所述重建后的动态磁共振图像与所述全采样图像样本的损失值;
若所述损失值为零或模型训练次数达到预设的迭代次数,则停止模型训练以获取优化后的模型参数。
8.一种动态磁共振成像装置,其特征在于,所述装置包括:
获取模块,用于获取待重建的动态磁共振图像;
成像模块,用于将所述待重建的动态磁共振图像输入训练好的成像模型,以获取重建后的动态磁共振图像;其中,所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像;其中,所述成像模型包括量子卷积神经网络及普通卷积神经网络,所述量子卷积神经网络用于对所述待重建的动态磁共振图像进行特征提取,以获取对应的特征图;所述普通卷积神经网络用于将所述特征图转化为所述重建后的动态磁共振图像。
9.一种电子设备,其特征在于,所述电子设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种存储介质,其上存储有计算机可读指令,其特征在于,所述计算机可读指令被一个或多个处理器执行,以实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410170764.9A CN117710514B (zh) | 2024-02-06 | 2024-02-06 | 动态磁共振成像方法、模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410170764.9A CN117710514B (zh) | 2024-02-06 | 2024-02-06 | 动态磁共振成像方法、模型训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117710514A true CN117710514A (zh) | 2024-03-15 |
CN117710514B CN117710514B (zh) | 2024-06-11 |
Family
ID=90152011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410170764.9A Active CN117710514B (zh) | 2024-02-06 | 2024-02-06 | 动态磁共振成像方法、模型训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117710514B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658469A (zh) * | 2018-12-13 | 2019-04-19 | 深圳先进技术研究院 | 一种基于深度先验学习的头颈联合成像方法和装置 |
US20190251713A1 (en) * | 2018-02-13 | 2019-08-15 | Wisconsin Alumni Research Foundation | System and method for multi-architecture computed tomography pipeline |
WO2019241459A1 (en) * | 2018-06-15 | 2019-12-19 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | System and methods for t1 and t2 weighted magnetic resonance imaging |
CN111358430A (zh) * | 2020-02-24 | 2020-07-03 | 深圳先进技术研究院 | 一种磁共振成像模型的训练方法及装置 |
US20200410675A1 (en) * | 2018-12-13 | 2020-12-31 | Shenzhen Institutes Of Advanced Technology | Method and apparatus for magnetic resonance imaging and plaque recognition |
CN116664931A (zh) * | 2023-05-29 | 2023-08-29 | 重庆师范大学 | 基于量子向经典迁移学习的膝骨关节炎分级方法 |
-
2024
- 2024-02-06 CN CN202410170764.9A patent/CN117710514B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190251713A1 (en) * | 2018-02-13 | 2019-08-15 | Wisconsin Alumni Research Foundation | System and method for multi-architecture computed tomography pipeline |
WO2019241459A1 (en) * | 2018-06-15 | 2019-12-19 | University Of Pittsburgh-Of The Commonwealth System Of Higher Education | System and methods for t1 and t2 weighted magnetic resonance imaging |
CN109658469A (zh) * | 2018-12-13 | 2019-04-19 | 深圳先进技术研究院 | 一种基于深度先验学习的头颈联合成像方法和装置 |
US20200410675A1 (en) * | 2018-12-13 | 2020-12-31 | Shenzhen Institutes Of Advanced Technology | Method and apparatus for magnetic resonance imaging and plaque recognition |
CN111358430A (zh) * | 2020-02-24 | 2020-07-03 | 深圳先进技术研究院 | 一种磁共振成像模型的训练方法及装置 |
CN116664931A (zh) * | 2023-05-29 | 2023-08-29 | 重庆师范大学 | 基于量子向经典迁移学习的膝骨关节炎分级方法 |
Non-Patent Citations (1)
Title |
---|
董安勇等: "基于卷积神经网络的红外与可见光图像融合", 红外技术, no. 07, 20 July 2020 (2020-07-20), pages 660 - 669 * |
Also Published As
Publication number | Publication date |
---|---|
CN117710514B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep learning for fast MR imaging: A review for learning reconstruction from incomplete k-space data | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN111028242A (zh) | 一种肿瘤自动分割系统、方法及电子设备 | |
US11756191B2 (en) | Method and apparatus for magnetic resonance imaging and plaque recognition | |
Han et al. | Flow field reduction via reconstructing vector data from 3-D streamlines using deep learning | |
CN113920213B (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 | |
CN112669248A (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
Wang et al. | Denoising auto-encoding priors in undecimated wavelet domain for MR image reconstruction | |
CN106097253A (zh) | 一种基于块旋转和清晰度的单幅图像超分辨率重建方法 | |
CN110717958A (zh) | 一种图像重建方法、装置、设备及介质 | |
Saydjari et al. | Equivariant wavelets: Fast rotation and translation invariant wavelet scattering transforms | |
CN112819914A (zh) | 一种pet图像处理方法 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
US20230032472A1 (en) | Method and apparatus for reconstructing medical image | |
CN110490947A (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
CN116823625A (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和系统 | |
CN110942496A (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 | |
CN117391995B (zh) | 渐进式人脸图像复原方法、系统、设备及存储介质 | |
WO2024021796A1 (zh) | 一种图像处理方法、装置、电子设备、存储介质及程序产品 | |
CN117710514B (zh) | 动态磁共振成像方法、模型训练方法、装置、设备及介质 | |
CN112700508A (zh) | 一种基于深度学习的多对比度mri图像重建方法 | |
CN114693823B (zh) | 一种基于空频双域并行重建的磁共振图像重建方法 | |
CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
CN112669400B (zh) | 基于深度学习预测和残差架构的动态mr重建方法 | |
Huang et al. | FNSAM: Image super-resolution using a feedback network with self-attention mechanism |
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 |