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的数据保真项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将原始图像重建模型的数据保真项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。

An image reconstruction method, device, equipment and medium

【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。
技术实现思路
本专利技术实施例提供了一种图像重建方法、装置、设备及介质，以实现保障图像重建过程中的数据一致性，提高重建的图像质量。第一方面，本专利技术实施例提供了一种图像重建方法，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的数据保真项进行泛化后求解得到的；<br>获取所述目标图像重建模型输出的重建图像。第二方面，本专利技术实施例还提供了一种图像重建装置，包括：欠采样数据获取模块，用于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，所述图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的；重建图像获取模块，用于获取所述目标图像重建模型输出的重建图像。第三方面，本专利技术实施例还提供了一种计算机设备，所述设备包括：一个或多个处理器；存储装置，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专利技术任意实施例所提供的图像重建方法。第四方面，本专利技术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专利技术任意实施例所提供的图像重建方法。本专利技术实施例通过获取待分割视频，确定知识点数据与所述待分割视频中视频帧之间的对应关系；根据所述对应关系对所述待分割视频进行分割，得到至少一个视频片段，通过根据待分割视频中的知识点数据对待分割视频进行分割，简化了视频的分割过程，提高了视频的分割准确度。本专利技术实施例通过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的数据保真项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。本专利技术实施例所提供的图像重建方法通过将原始图像重建模型的数据保真项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。附图说明图1是本专利技术实施例一所提供的一种图像重建方法的流程图；图2a是本专利技术实施例二所提供的一种图像重建方法的流程图；图2b是本专利技术实施例二所提供的一种目标图像重建模型的网络结构示意图；图2c为采用本专利技术实施例二所提供图像重建方法进行图像重建的重建效果图；图3是本专利技术实施例三所提供的一种图像重建装置的结构示意图；图4是本专利技术实施例四所提供的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专利技术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专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一所提供的一种图像重建方法的流程图。本实施例可适用于对采集到的欠采样K空间数据进行图像重建时的情形。该方法可以由图像重建装置执行，该图像重建装置可以采用软件和/或硬件的方式实现，例如，该图像重建装置可配置于计算机设备中。如图1所示，所述方法包括：S110、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的数据保真项进行泛化后求解得到的。本实施例中，通过机器学习算法将采集的欠采样数据进行学习，得到欠采样数据对应的重建图像。具体的，将欠采样数据输入至训练好的目标图像重建模型中，获得目标图像重建模型输出的重建图像。可选的，目标图像重建模型是基于神经网络构建的。神经网络是基于人工神经网络(ArtificialNeuralNetwork，即ANN)构建的模块。人工神经网络由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重。神经网络包含数据输入层，中间隐藏层，数据输出层。在本实施例中，神经网络可以为卷积神经网络(ConvoltionalNeuralNetworks,CNN)、生成对抗网络GenerativeAdversarialNetworks，GAN)或者其他形式的神经网络模型。可选的，欠采样数据可以为待成像部位内磁共振设备扫描获得的欠采样的K空间数据。需要说明的是，本专利技术实施例中的目标图像重建模型是对原始图像重建模型的数据保真项进行泛化后求解得到的，对原始图像重建模型的数据保真项进行泛化后再求解获得目标图像重建模型，解除了原始图像重建模型中数据需要建立在线性无偏估计的前提下的弊端，使得目标图像重建模型的适用性更广，提高了神经网络的网络自由度。S120、获取所述目标图像重建模型输出的重建图像。在本实施例中，将欠采样数据输入至训练好的目标图像重建模型后，获取目标图像重建模型输出的重建图像，将获取的重建图像作为欠采样数据对应的图像。本专利技术实施例通过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的数据保真项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，通过将原始图像重建模型的数据保真项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。实施例二图2a是本专利技术实施例二所提供的一种图像重建方法的流程图。本实施例在上述实施例的基础上进行了优化。如图2a所示，所述方法包括：S210、将原始图本文档来自技高网...

【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的数据保真项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的数据保真项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...

【专利技术属性】
技术研发人员：梁栋，程静，王海峰，朱燕杰，刘新，郑海荣，
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