一种医学成像模型的建立方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种医学成像模型的建立方法、装置、设备及存储介质。该方法包括：获取医学图像的K空间欠采样数据作为训练样本；将训练样本输入至预先构建的原始神经网络进行训练，并根据模型损失函数优化原始神经网络；当模型损失函数收敛时，停止训练机器学习模型，将训练完成的原始神经网络作为目标医学成像模型；其中，原始神经网络包括频率域网络和图像域网络；模型损失函数包括主损失函数以及至少一个附加损失函数，附加损失函数包括k空间损失函数和/或图像域损失函数。本发明专利技术实施例的技术方案实现对网络的中间结果加以约束，更准确、更快速地对K空间欠采样医学图像进行重建。

【技术实现步骤摘要】
一种医学成像模型的建立方法、装置、设备及存储介质
本专利技术实施例涉及磁共振成像
，尤其涉及一种医学成像模型的建立方法、装置、设备及存储介质。
技术介绍
磁共振心脏电影成像是一种非侵入式的成像技术，能够为临床诊断提供丰富的空间和时间信息。由于磁共振物理及硬件的制约，磁共振心脏电影成像往往伴随着扫描时间长及成像速度慢等缺点。因此，如何在保证成像质量的前提下，加速磁共振心脏电影成像尤为重要。现有技术中，常用的加速磁共振心脏电影成像的方法，包括并行成像、压缩感知技术、深度学习的方法等。例如，动态广义自动校准部分并行采集(TGRAPPA)、利用时间滤波器的自适应敏感度编码(TSENSE)、利用时间频率稀疏性的焦欠定系统(k-tFOCUSS)、利用动态冗余的卡尔基方法(k-tSLR)、低秩稀疏矩阵(L+S)等。在磁共振心脏电影成像领域，基于级联卷积网络的磁共振动态成像(D5C5)及卷积递归神经网络(CRNN)取得了良好的重建效果。这两种方法利用神经网络，直接学习从欠采图像到全采图像的映射关系。传统的并行成像或者压缩感知技术，没有利用大数据先验，并且这种迭代优化方法往往是耗时的且参数较难选择。而基于深度学习的神经网络方法(D5C5、CRNN)也存在明显的不足。这两种深度模型只运用了一个损失函数用于训练整个网络，网络的中间结果并没有加以约束，无法更准确地优化神经网络模型，最终无法更准确地对磁共振心脏电影成像进行重建。
技术实现思路
本专利技术实施例提供了一种医学成像模型的建立方法、装置、设备及存储介质，以实现对网络的中间结果加以约束，更准确、更快速地对K空间欠采样医学图像进行重建。第一方面，本专利技术实施例提供了一种医学成像模型的建立方法，该方法包括：获取医学图像的K空间欠采样数据作为训练样本；将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。第二方面，本专利技术实施例还提供了一种医学成像模型的建立装置，该装置包括：训练样本获取模块，用于获取医学图像的K空间欠采样数据作为训练样本；训练模块，用于将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；目标医学成像模型确定模块，当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。第三方面，本专利技术实施例还提供了一种设备，该设备包括：一个或多个处理器；存储器，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本专利技术实施例中任一所述的医学成像模型的建立方法。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本专利技术实施例中任一所述的医学成像模型的建立方法。本专利技术实施例的技术方案获取医学图像的K空间欠采样数据作为训练样本，能够直接学习从欠采样图像到全采样图像的映射关系。进而，将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络，使神经网络更加准确地表征输入的样本。进而，当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型，用于K空间欠采样数据的重建。进而，其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数，充分结合频率域与图像域信息，直接学习从欠采图像到全采图像的映射关系，对不同网络深度的重建结果加以约束，能够更加充分地利用不同深度的网络信息。上述技术方案解决了传统的并行成像或者压缩感知技术，没有利用大数据先验，耗时且调参繁琐、基于深度学习的神经网络方法无法充分地利用频率域信息，无法更准确地对欠采样的图像进行重建的问题，实现能够同时学习频率域与图像域特征，充分结合频率域与图像域信息，对不同网络深度的重建结果加以约束，能够更加充分地利用不同深度的网络信息，快速、准确地对欠采样的医学图像进行重建，能够避免耗时的迭代求解步骤以及繁琐的调参过程。附图说明图1a是本专利技术实施例一中提供的一种医学成像模型的建立方法的流程图；图1b是本专利技术实施例一中提供的一种原始神经网络的结构示意图；图2a是本专利技术实施例二中提供的一种医学成像模型的建立方法的流程图；图2b是本专利技术实施例二中提供的不同磁共振心脏电影重建方法的结果比较；图3是本专利技术实施例三中提供的一种医学成像模型的建立装置的结构示意图；图4是本专利技术实施例四中的提供的一种设备的结构示意图。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1a为本专利技术实施例一提供的医学成像模型的建立方法的流程图，本实施例可适用于建立医学成像模型的情况，尤其适用于建立K空间欠采样数据的成像模型。该方法可以由医学成像模型的建立装置来执行，该装置可以由硬件和/或软件来实现，该装置可集成于设备(例如计算机)中来执行，具体包括如下步骤：步骤101、获取医学图像的K空间欠采样数据作为训练样本。示例性地，医学图像可以是磁共振心脏电影图像。K空间是寻常空间在傅利叶转换下的对偶空间，主要应用在磁振造影的成像分析，其他如磁振造影中的射频波形设计，以及量子计算中的初始态准备亦用到k空间的概念。K空间欠采样数据是指欠采样的K空间数据。该步骤获取K空间欠采样数据用于模型的训练。步骤102、将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络。其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括本文档来自技高网...

【技术保护点】
1.一种医学成像模型的建立方法，其特征在于，包括：/n获取医学图像的K空间欠采样数据作为训练样本；/n将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；/n当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；/n其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。/n

【技术特征摘要】
1.一种医学成像模型的建立方法，其特征在于，包括：
获取医学图像的K空间欠采样数据作为训练样本；
将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；
当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；
其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。


2.根据权利要求1所述的方法，其特征在于，所述频率域网络包括第一预设数量的频率域模块Fnet，其中，每个频率域模块Fnet包含第二预设数量的三维卷积层3DConv以及一个频率域数据一致层KDC。


3.根据权利要求2所述的方法，其特征在于，根据如下公式计算所述k空间损失函数：



其中，Kloss表示k空间损失，Kf表示医学图像的K空间欠采样数据对应的全采样k空间数据，表示第m个频率域模块的输出，M表示频率域模块的数量，αm表示第m个频率域模块对应的k空间损失函数的权重。


4.根据权利要求1所述的方法，其特征在于，所述图像域网络SDN包括第三预设数量的图像域模块Snet，其中，每个图像域模块包含第四预设数量的三维卷积层3DConv、一个图像域数据一致层IDC以及一个残差连接。


5.根据权利要求4所述的方法，其特征在于，根据如下公式计算所述图像域损失函数：



其中，Sloss表示图像域损失，S表示医学图像的K空间欠采样数据对应的全采样的医学图像，Sn表示第n个图像域模块的输出，N表示图像域模块的数量，βn表示第n个图像域模块对应的图像域损失函数的权重。


6.根据权利要求1所...

【专利技术属性】
技术研发人员：梁栋，王珊珊，柯子文，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