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，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