一种医学图像重建方法和系统技术方案

本申请实施例公开了一种医学图像重建方法。所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

A Method and System for Medical Image Reconstruction

The embodiment of this application discloses a medical image reconstruction method. The method includes: sampling and processing K-space to obtain the first K-space data; adjusting the trajectory of the first K-space data to obtain the second K-space data; reconstructing the data from the second K-space data using the reconstruction module to obtain the reconstructed image data. The reconstruction module includes a mixture of the neural network model or the neural network model and the non-neural network model. Model.

【技术实现步骤摘要】
一种医学图像重建方法和系统
本申请涉及图像处理领域，特别涉及一种医学图像重建方法和系统。
技术介绍
磁共振成像(MagneticResonanceImaging，MRI)是一种强大的医用成像模式，利用磁共振现象进行成像，具有非侵入性、无电离、辐射等特点，其所获得的图像具有清晰、精细、分辨率高、对比度好等特点。MRI可应用于人体解剖结构、生理功能、血流和代谢信息的成像等领域。然而，MRI的成像速度较慢，检查一次约为几分钟至十几分钟，这极大的限制了图像的时间和空间分辨率。因此，有必要提出一种图像重建方法，减少成像时间并提高成像质量。
技术实现思路
本申请实施例之一提供一种医学图像重建方法。所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。在一些实施例中，所述轨迹调整包括：利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。本申请实施例之一提供一种轨迹调整确定方法。所述方法包括：获取多个初始K空间数据；对所述初始K空间数据进行采样处理，得到第一K空间数据；利用至少一种轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据；基于所述第二K空间数据和初始K空间数据，获得至少一个初始轨迹优化模型，所述初始轨迹优化模型为神经网络模型或神经网络模型与非神经网络模型的混合模型，基于所述初始化轨迹优化模型获得对应的轨迹调整方法的误差，将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。在一些实施例中，所述基于所述初始化优化轨迹模型获得对应的轨迹调整方法的误差，包括：基于所述第二K空间数据和初始K空间数据生成至少一个训练集，所述一个训练集对应一种轨迹调整方法；利用所述训练集对至少一个初始模型进行训练，得到对应的神经网络模型；基于至少一个神经网络模型，获得每个神经网络模型的训练误差，将所述训练误差作为对应的轨迹调整方法的误差。在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述初始轨迹优化模型中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法、部分傅里叶方法或压缩感知方法。在一些实施例中，所述对所述初始K空间数据进行采样处理包括：利用预设采样轨迹对初始K空间数据进行处理，所述预设采样轨迹包括但不限于笛卡尔采样轨迹、螺旋采样轨迹或径向采样轨迹。在一些实施例中，所述轨迹调整方法为非机器学习的数据处理方式，包括但不限于：部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。本申请实施例之一提供一种轨迹优化模型训练方法。所述方法包括：获取多个初始K空间数据；对所述初始K空间数据进行采样处理，得到第一K空间数据；利用轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据；基于所述第二K空间数据和初始K空间数据，生成训练集；利用所述训练集对初始模型进行训练，得到轨迹优化模型。本申请实施例之一提供一种医学图像重建系统。所述系统包括：采样模块，用于对K空间进行采样处理，得到第一K空间数据；调整模块，用于对所述第一K空间数据进行轨迹调整，得到第二K空间数据；重建模块，用于对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。在一些实施例中，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。在一些实施例中，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。在一些实施例中，所述调整模块用于利用非神经网络的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。本申请实施例之一提供一种医学图像重建装置。所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现医学图像重建方法。本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现医学图像重建方法。本申请实施例之一提供一种轨迹调整确定装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现轨迹调整确定方法。本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现轨迹调整确定方法。本申请实施例之一提供一种轨迹优化模型训练装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现轨迹优化模型训练方法。本申请实施例之一提供一种计算机可存储介质，所述存储介质存储有计算机指令，当所述计算机指令中的至少部分指令被处理器执行时，实现轨迹优化模型训练方法。附图说明本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1所示为基于本申请一些实施例中示例磁共振成像系统的示意图；图2A所示为基于本申请一些实施例中示例磁共振成像系统的示意图；图2B所示为基于本申请一些实施例中具有处理模块的示例计算机设备的示例硬件和/或软件组件的示意图；图3为根据本申请一些实施例中磁共振成像的示例性流程图；图4为根据本申请一些实施例所示的医学图像重建系统的模块图；图5为根据本申请一些实施例所示的医学图像重建方法的示例性流程图；图6为根据本申请一些实施例所示的轨迹调整确定方法的示例性流程图；图7为根据本申请一些实施例所示的轨迹优化模型训练方法的示例性流程图；图8为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图；图9为根据本申请一些实施例所示的利用不同采样方法获得的K空间数据分布示意图；图10为根据本申请一些实施例所示的经过轨迹调整处理前后的K空间数据分布示意图；图11为根据本申请一些实施例所示的经过轨迹调整处理前后的K空本文档来自技高网...

【技术保护点】
1.一种医学图像重建方法，其特征在于，所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。

【技术特征摘要】
1.一种医学图像重建方法，其特征在于，所述方法包括：对K空间进行采样处理，得到第一K空间数据；对所述第一K空间数据进行轨迹调整，得到第二K空间数据；利用重建模块对所述第二K空间数据进行数据重建，得到重建图像数据，所述重建模块包括神经网络模型或神经网络模型与非神经网络模型的混合模型。2.如权利要求1所述的方法，其特征在于，所述神经网络模型与非神经网络模型的混合模型是指在所述重建模块中，同时包含基于神经网络模型构建的模块，以及非神经网络模型构建的模块，所述非神经网络模型包括数据重建算法，所述数据重建算法包括但不限于并行成像方法或压缩感知方法。3.如权利要求1所述的方法，其特征在于，所述神经网络模型基于以下训练方法获得：获取训练集，所述训练集中包括多个样本数据和所述样本数据经过数据重建算法处理后的期望数据；利用所述训练集对初始模型进行训练，获得神经网络模型。4.如权利要求1所述的方法，其特征在于，所述轨迹调整包括：利用非神经网络模型的数据处理方式，包括但不限于部分傅里叶成像方法、并行成像方法、压缩感知方法或网格化方法。5.一种轨迹调整确定方法，其特征在于，所述方法包括：获取多个初始K空间数据；对所述初始K空间数据进行采样处理，得到第一K空间数据；利用至少一种轨迹调整方法对所述第一K空间数据进行处理，得到第二K空间数据；基于所述第二K空间数据和初始K空间数据，获得至少一个初始轨迹优化模型，所述初始轨迹优化模型为神经网络模型或神经网络模型与非神经网络模型的混合模型，基于所述初始化轨迹优化模型获得对应的轨迹调整方法的误差，将所述最小误差对应的轨迹调整方法作为确定的轨迹调整方法。6.如权利要求5所述的方法，其特征在于，所述基于所述初始化优化轨迹模型获得对应的轨迹调整方法的误差，包括：基于所述第二K空间数据和初始K空间数据生成至少一个训练集，所述一个训练集对应一种轨迹调整方法；利用所述训练集对至少一个初始模型进行训练，得到对应的神经网络模型；基于至少一个神经网络模型，获得每个神经网络模型的训练误差，将所述训练误差作为对应的轨迹调整方法的误差。7.如权利要求5所述的方法，其特征在于，所述神经网络模型与非神经网络...

【专利技术属性】
技术研发人员：李国斌，刘楠，宗金光，黄小倩，廖术，
申请(专利权)人：上海联影医疗科技有限公司，
类型：发明
国别省市：上海,31