一种图像重建方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种图像重建方法、装置、设备及介质，所述方法包括：获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型进行迭代求解后的迭代关系式进行泛化后求解得到的；获取所述目标图像重建模型输出的重建图像。本发明专利技术实施例所提供的图像重建方法通过对原始图像重建模型进行迭代求解后的迭代关系式进行泛化后求解得到目标图像重建模型，基于得到的目标图像重建模型以及欠采样数据得到重建图像，提高了神经网络的网络自由度，且保障了图像重建过程中的数据一致性，提高了重建的图像质量。

【技术实现步骤摘要】
一种图像重建方法、装置、设备及介质
本专利技术实施例涉及图像重建领域，尤其涉及一种图像重建方法、装置、设备及介质。
技术介绍
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。在快速成像方面，采用深度学习方法进行磁共振图像重建受到越来越多的关注。深度学习方法利用神经网络，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。迭代软阈值算法是一种针对L1约束的最优化问题的求解算法，在反问题求解中得到广泛应用。将深度学习与ISTA算法结合的ISTA-net方法采用深度神经网络来学习算法中的参数以及稀疏变换，在图像重建、去噪等问题中能得到比传统方法更好的效果。但是，现有的深度神经网络的模型较固定，可能无法有效的保证图像重建过程中的数据一致性。...

【技术保护点】
1.一种图像重建方法，其特征在于，包括：/n获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型进行迭代求解后的迭代关系式进行泛化后求解得到的；/n获取所述目标图像重建模型输出的重建图像。/n

【技术特征摘要】
1.一种图像重建方法，其特征在于，包括：
获取采集到的欠采样数据，将所述欠采样数据输入至预先训练好的目标图像重建模型中，其中，所述目标图像重建模型是对原始图像重建模型进行迭代求解后的迭代关系式进行泛化后求解得到的；
获取所述目标图像重建模型输出的重建图像。


2.根据权利要求1所述的方法，其特征在于，所述目标图像重建模型的构建，包括：
将所述原始图像重建模型中的数据保真项进行泛化，得到泛化后的图像重建模型；
使用迭代软阈值算法对泛化后的图像重建模型进行转化，根据转化后的图像重建模型得到所述目标图像重建模型。


3.根据权利要求2所述的方法，其特征在于，所述转化后的图像重建模型中包括所述数据保真项的一阶偏导，所述根据转化后的图像重建模型得到所述目标图像重建模型，包括：
使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到替代后的图像重建模型；
将所述替代后的图像重建模型中的迭代关系式进行泛化，得到所述目标图像重建模型。


4.根据权利要求3所述的方法，其特征在于，所述原始图像重建模型为：所述泛化后的图像重建模型为：minmF(Am,f)+λ||Ψm||1，其中，m为待重建图像，A为编码矩阵，f为欠采样数据，λ为正则参数，Ψ表示稀疏变换。


5.根据权利要求4所述的方法，其特征在于，使用迭代软阈值算法对泛化后的图像重建模型进行转化，得到转化后的图像重建模型为：



其中，m(n)表示第n次迭代的待重建图像，ρ为步长，F′为所述数据保真项的一阶偏导。


6.根据权利要求5所述的方法，其特征在于，所述使用卷积神经网络代替所述转化后的图像重建模型中数据保真项的一阶偏导，得到替代后的图像...

【专利技术属性】
技术研发人员：郑海荣，梁栋，程静，王海峰，朱燕杰，刘新，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44