图像重建方法、计算机可读介质及计算机设备技术

本发明专利技术公开一种图像重建方法，包括：对能够求解出迭代重建关系的计算模型进行求解，以得到迭代重建关系；将所述迭代重建关系展开到深度神经网络上，以得到初始图像重建模型；对所述迭代重建关系中的由至少两个子参数以固定组合关系组合的参数进行拆解，以得到至少两个独立的子参数；根据所有独立的子参数对所述初始图像重建模型进行优化，以得到优化图像重建模型。本发明专利技术引入深度学习方法，将传统优化算法展开到神经网络上，利用神经网络来学习算法中的参数、函数关系等未知量，并进一步打散算法中参数间的结构关系，使神经网络自由学习参数间的组合关系，最终获得具有优化算法结构的深度神经网络，用来进行图像的快速重建。

Image reconstruction method, computer readable medium and computer equipment

【技术实现步骤摘要】
图像重建方法、计算机可读介质及计算机设备
本专利技术属于图像处理
，尤其涉及一种利用机器学习的方法来进行图像重建的图像重建方法、计算机可读介质及计算机设备。
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，目前常用的技术是并行成像技术和压缩感知技术。并行成像技术是利用多通道线圈之间的相关性来加速采集，而压缩感知技术则是利用被成像物体的稀疏性这一先验信息来减少K空间采样点。然而，受硬件等条件限制，并行成像技术的加速倍数有限，且随着加速倍数的增加，图像会出现噪声放大的现象；而压缩感知技术由于采用迭代重建使得重建时间非常长，且较难选择稀疏变换和重建参数。
技术实现思路
为了解决上述现有技术存在的技术问题，本专利技术提供了一种利用机器学习的方法来进行图像重建的图像重建方法、计算机可读介质及计算机本文档来自技高网...

【技术保护点】
1.一种图像重建方法，其特征在于，包括：/n对能够求解出迭代重建关系的计算模型进行求解，以得到迭代重建关系；/n将所述迭代重建关系展开到深度神经网络上，以得到初始图像重建模型；/n对所述迭代重建关系中的由至少两个子参数以固定组合关系组合的参数进行拆解，以得到至少两个独立的子参数；/n根据所有独立的子参数对所述初始图像重建模型进行优化，以得到优化图像重建模型。/n

【技术特征摘要】
1.一种图像重建方法，其特征在于，包括：
对能够求解出迭代重建关系的计算模型进行求解，以得到迭代重建关系；
将所述迭代重建关系展开到深度神经网络上，以得到初始图像重建模型；
对所述迭代重建关系中的由至少两个子参数以固定组合关系组合的参数进行拆解，以得到至少两个独立的子参数；
根据所有独立的子参数对所述初始图像重建模型进行优化，以得到优化图像重建模型。


2.根据权利要求1所述的图像重建方法，其特征在于，所述迭代重建关系包括所述图像数据关系，所述图像数据关系被表示为式子1，
[式子1]xn+1＝proxτ[R](xn-τA*dn+1)
其中，n为大于或等于1的整数，x表示图像数据，prox表示近似算子，τ表示第一算法参数，A*表示欠采傅里叶变换算子的伴随，d表示对偶参数，R表示正则项，xn-τA*dn+1为具有固定组合关系的参数。


3.根据权利要求2所述的图像重建方法，其特征在于，对具有固定组合关系的参数进行拆解的方法包括：
利用算子Λ代替式子1中的proxτ[R]，以使所述式子1变换为式子2，
[式子2]xn+1＝Λ(xn-τA*dn+1)
将所述参数拆解为至少两个独立的子参数xn和A*dn+1，以使所述式子2变换为式子3，
[式子3]xn+1＝Λ(xn,A*dn+1)
其中，xn和A*dn+1能够通过深度学习方法学习得到彼此之间的相关关系，算子Λ能够通过深度学习的方法获得。


4.根据权利要求3所述的图像重建方法，其特征在于，所述迭代重建关系还包括对偶参数关系，所述对偶参数关系表示为式子4，...

【专利技术属性】
技术研发人员：梁栋，程静，王海峰，朱燕杰，郑海荣，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