快速成像模型的训练方法、装置及服务器制造方法及图纸

本申请属于磁共振扫描成像技术领域，提供了一种快速成像模型的训练方法、装置及服务器，该方法包括：在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；对融合后的特征图进行图像重建，输出成像数据；根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；采用更新后的参数和欠采样掩膜进行前向计算。本申请实施例解决无法对欠采样掩膜进行优化和成像效果不佳的问题。

Training method, device and server of fast imaging model

【技术实现步骤摘要】
快速成像模型的训练方法、装置及服务器
本专利技术涉及磁共振扫描成像的
，尤其涉及一种快速成像模型的训练方法、装置及服务器。
技术介绍
磁共振成像由于自身强大的功能，能提供丰富的解剖和功能信息，使得磁共振成像在医疗领域应用广泛。为进行磁共振成像，需在临床上对病人进行磁共振扫描。在扫描时，病人需长时间保持一个姿势不变，导致病人体验感差。因此需加快磁共振成像速度。在真实场景中，磁共振扫描仪需要以奈奎斯特采样频率对数据进行采样才能确保能够完全不失真地恢复数据。在现有技术中，主要是基于深度学习构建磁共振快速成像方法。采用该方法进行成像的步骤主要为，考虑只采集部分数据，以不满足奈奎斯特采样定理的采样方式(高倍回顾性欠采样)对数据进行采样；对获得的欠采样数据进行填零操作得到零填充图像；将零填充图像输入深度学习网络，经过深度学习网络处理后输出恢复的高清图像。但由于基于深度学习构建的快速成像方法无法对应用于数据采样的欠采样掩膜进行学习，无法对欠采样掩膜进行优化；且基于深度学习构建的快速成像方法仅考虑了通道注意力，导致快速成像方法的成像效果不佳。
技术实现思路
有鉴于此，本专利技术实施例提供了一种快速成像模型的训练方法、装置及服务器，以解决无法对欠采样掩膜进行优化和成像效果不佳的问题。本专利技术实施例的第一方面提供了一种快速成像模型的训练方法，包括：在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；N≥1；对融合后的特征图进行图像重建，输出成像数据；根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；采用更新后的参数和更新后的欠采样掩膜进行前向计算，以输出下一所述成像数据。在一个实施示例中，所述将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图，包括：提取所述训练数据的初始化特征数据；对于每一所述多粒度注意力模块，根据预设的若干图像尺度对所述初始化特征数据进行特征提取，并融合提取到的若干特征图；通过多粒度注意力机制将融合后的特征图分割为若干具有不同注意力权重的区域图像；融合所有所述区域图像，得到特征细化后的特征图。在一个实施示例中，所述根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜，包括：根据所述成像数据与所述目标标签反向计算梯度，得到梯度矩阵；根据所述梯度矩阵更新所述多粒度注意力机制赋予所述若干区域图像的注意力权重。在一个实施示例中，所述根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜，还包括：根据所述欠采样掩膜生成连续型掩膜，将所述连续型掩膜与所述梯度矩阵相加得到更新后的连续型掩膜；将所述更新后的连续型掩膜二值化，得到更新后的欠采样掩膜。在一个实施示例中，所述快速成像模型包括学习所述欠采样掩膜的卷积层，根据所述欠采样掩膜对应设置所述卷积层的卷积核和参数；所述欠采样掩膜的初始值包括预设数量的低频采样条和随机采样的高频采样条。在一个实施示例中，所述将所述更新后的连续型掩膜二值化的规则为：其中，(φ)ij为二值化后的所述欠采样掩膜；(φc)ij为所述连续型掩膜；τ为所述连续型掩膜中最大值的根据成像加速倍数设置的预设百分比。在一个实施示例中，所述根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据，包括：根据所述欠采样掩膜对磁共振扫描到的图像进行欠采样，得到欠采样K空间数据；对所述欠采样K空间数据进行傅里叶逆变换得到欠采样图像域数据，以作为所述训练数据。在一个实施示例中，对磁共振扫描到的所述图像进行傅里叶逆变换得到全采样图像域数据，以作为所述目标标签。本专利技术实施例的第二方面提供了一种快速成像模型的训练装置，包括：训练数据生成模块，用于在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；特征提取模块，用于将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；N≥1；图像融合模块，用于对融合后的特征图进行图像重建，输出成像数据；参数和欠采样掩膜更新模块，用于根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；前向计算模块，用于采用更新后的参数和更新后的欠采样掩膜进行前向计算，以输出下一所述成像数据。本专利技术实施例的第三方面提供了一种服务器，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中快速成像模型的训练方法。本专利技术实施例提供的一种快速成像模型的训练方法、装置及服务器，通过在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；N≥1；对融合后的特征图进行图像重建，输出成像数据；所述快速成像模型包括学习所述欠采样掩膜的神经网络层；根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；采用更新后的参数和更新后的欠采样掩膜进行前向计算，以输出下一所述成像数据。通过将学习欠采样掩膜的神经网络嵌入快速成像模型中一起迭代训练，并根据成像数据与目标标签反向计算的梯度对应优化欠采样掩膜和模型参数，从而提高快速成像模型的成像速率。且快速成像模型中包括N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，充分利用图像的多粒度信息和区域注意力。增强成像数据中特征的表示，从而提高成像效果。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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他的附图。图1是本专利技术实施例一提供的快速成像模型的训练方法的流程示意图；图2是本专利技术实施例一提供的快速成像模型的结构示意图；图3是本专利技术实施例一提供的多粒度注意力模块的结构示意图；图4是本专利技术实施例一提供的基于多粒度注意力机制的特征细化部分的结构示意图；图5是本专利技术实施例二提本文档来自技高网...

【技术保护点】
1.一种快速成像模型的训练方法，其特征在于，包括：/n在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；/n将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；N≥1；/n对融合后的特征图进行图像重建，输出成像数据；/n根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；/n采用更新后的参数和更新后的欠采样掩膜进行前向计算，以输出下一所述成像数据。/n

【技术特征摘要】
1.一种快速成像模型的训练方法，其特征在于，包括：
在每一次模型迭代训练时，根据欠采样掩膜对磁共振扫描到的图像进行欠采样，得到训练数据；
将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图；N≥1；
对融合后的特征图进行图像重建，输出成像数据；
根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜；
采用更新后的参数和更新后的欠采样掩膜进行前向计算，以输出下一所述成像数据。


2.如权利要求1所述的快速成像模型的训练方法，其特征在于，所述将所述训练数据输入快速成像模型，通过N个多粒度注意力模块根据图像的多尺度信息和注意力机制对所述训练数据进行特征提取，并融合每一所述多粒度注意力模块提取到的特征图，包括：
提取所述训练数据的初始化特征数据；
对于每一所述多粒度注意力模块，根据预设的若干图像尺度对所述初始化特征数据进行特征提取，并融合提取到的若干特征图；
通过多粒度注意力机制将融合后的特征图分割为若干具有不同注意力权重的区域图像；
融合所有所述区域图像，得到特征细化后的特征图。


3.如权利要求2所述的快速成像模型的训练方法，其特征在于，所述根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜，包括：
根据所述成像数据与所述目标标签反向计算梯度，得到梯度矩阵；
根据所述梯度矩阵更新所述多粒度注意力机制赋予所述若干区域图像的注意力权重。


4.如权利要求3所述的快速成像模型的训练方法，其特征在于，所述根据所述成像数据与目标标签反向计算梯度，以通过所述梯度更新所述快速成像模型的参数和所述欠采样掩膜，还包括：
根据所述欠采样掩膜生成连续型掩膜，将所述连续型掩膜与所述梯度矩阵相加得到更新后的连续型掩膜；
将所述更新后的连续型掩膜二值化，得到更新后的欠采样掩膜。


5.如权利要求4所述的快速成像模型的训练方法，其特征...

【专利技术属性】
技术研发人员：王珊珊，郑海荣，梁皓云，刘新，梁栋，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44