图像重建方法、装置、设备及存储介质制造方法及图纸

本申请属于图像处理技术领域，提供了一种图像重建方法、装置、设备及存储介质。方法获取目标对象的采样数据；将采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像，其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的非笛卡尔坐标系下的欠采样频域数据，重建获得对应的图像，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度。

【技术实现步骤摘要】
图像重建方法、装置、设备及存储介质
本申请涉及图像处理
，尤其涉及一种图像重建方法、装置、设备及存储介质。
技术介绍
在目前的医学影像成像中，如计算机断层成像(computedtomography，CT)、磁共振成像(magneticresonanceimaging,MRI)、正电子发射断层成像(positronemissiontomography,PET)中，均需要对目标对象的采样数据进行图像重建，形成扫描区域的高清图像。以磁共振成像MRI为例，为了增强磁共振成像技术在临床上的实用性，缩短扫描时间，磁共振设备经常采用远低于奈奎斯特采样频率进行数据采样，获得目标对象在非笛卡尔坐标系下的欠采样频域数据，然后对该非笛卡尔坐标系下的欠采样频域数据进行图像重建，形成目标对象的高清图像。然而，目前基于非笛卡尔坐标系下的欠采样数据进行图像重建的方法，图像重建时间较长，成像速度较慢。
技术实现思路
有鉴于此，本申请实施例提供了一种图像重建方法、装置、设备及存储介质，以解决现有技术中在基于非笛卡尔坐标系下的欠采样数进行本文档来自技高网...

【技术保护点】
1.一种图像重建方法，其特征在于，包括：/n获取目标对象的采样数据；其中，所述采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；/n将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像；其中，所述深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及所述成像目标的全采样样本图像，对初始深度学习网络训练得到。/n

【技术特征摘要】
1.一种图像重建方法，其特征在于，包括：
获取目标对象的采样数据；其中，所述采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；
将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像；其中，所述深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及所述成像目标的全采样样本图像，对初始深度学习网络训练得到。


2.如权利要求1所述的图像重建方法，其特征在于，所述将所述采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像，包括：
将所述采样数据输入训练后的深度学习网络进行坐标转换，得到所述采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据；
对所述笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据；
对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像。


3.如权利要求2所述的图像重建方法，其特征在于，所述对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像，包括：
对所述欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；
对所述均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。


4.如权利要求1-3任一项所述的图像重建方法，其特征在于，所述将所述采样数据输入训练后的深度学习网络进行图像重建之前，所述方法还包括：
获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于所述预设采样模式对所述成像目标进行处理获得的样本采样数据；所述全采样样本图像用于与所述初始深度学习网络输出的预测图像进行比较；所述预设采样模式中相邻的两个采样点之间的间隔不均匀；
根据多个所述训练样本，对所述初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。


5.如权利要求4所述的图像重建方法，其特征在于，用于训练的成像目标有多个；
所述获取多个训练样本包括：
获取每个成像目标对应的全采样样本图像，所述全采样样本图像由医学影像设备采集；
基于所述预设采样模式获取每个所述成像目标的样本采样数据，所述样本...

【专利技术属性】
技术研发人员：王珊珊，郑海荣，祁可翰，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