一种动态医学成像方法、装置、设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种动态医学成像方法、装置、设备及存储介质，所述方法包括：获取动态采样数据；将所述动态采样数据输入至训练好的动态成像模型中，获得所述动态成像模型的输出结果，其中，所述动态成像模型包括低秩模块；根据所述输出结果确定所述动态采样数据对应的目标重建图像并输出。本发明专利技术实施例提供的方法通过动态成像模型中的低秩模块获取动态数据中的低秩特征，利用动态数据中的低秩特征进行图像重建，使得图像重建时充分利用了动态数据中的低秩特征，提升了图像重建性能，改善了动态医学图像的重建结果。

【技术实现步骤摘要】
一种动态医学成像方法、装置、设备及存储介质
本专利技术实施例涉及图像重建
，尤其涉及一种动态医学成像方法、装置、设备及存储介质。
技术介绍
动态医学成像可以理解为使用成像或造影剂来选择性地增大图像中目标区域的对比度或者跟随在目标区域中的吸收或流动，即所谓的造影剂跟踪术，能够为临床诊断提供丰富的信息。例如，磁共振动态成像中的心脏电影成像能够用于评估心功能，室壁运动异常等，为心脏临床诊断提供丰富的信息。然而，由于磁共振物理及硬件、和心脏运动周期时长的制约，磁共振心脏电影成像往往时间和空间分辨率受限，无法准确评估部分心脏疾病，如心率不齐等的心功能情况。因此，在保证成像质量的前提下，利用快速成像方法提高磁共振心脏电影成像的时间和空间分辨率尤为重要。随着神经网络的快速发展，通过神经网络进行医学图像的重建已成为研究的主要方向，基于深度学习的神经网络方法(DC-CNN、CRNN、DIMENSION)能够避免迭代求解步骤，加速了重建时间。但是，这些深度学习方法仅仅无法充分利用数据特征，限制了重建性能的提升。专利
技术实现思路
本专本文档来自技高网...

【技术保护点】
1.一种动态医学成像方法，其特征在于，包括：/n获取动态采样数据；/n将所述动态采样数据输入至训练好的动态成像模型中，获得所述动态成像模型的输出结果，其中，所述动态成像模型包括低秩模块；/n根据所述输出结果确定所述动态采样数据对应的目标重建图像并输出。/n

【技术特征摘要】
1.一种动态医学成像方法，其特征在于，包括：
获取动态采样数据；
将所述动态采样数据输入至训练好的动态成像模型中，获得所述动态成像模型的输出结果，其中，所述动态成像模型包括低秩模块；
根据所述输出结果确定所述动态采样数据对应的目标重建图像并输出。


2.根据权利要求1所述的方法，其特征在于，所述动态成像模型包括链式连接的至少一个基于低秩模块构建的级联模块，所述将所述动态采样数据输入至训练好的动态成像模型中，获得所述动态成像模型的输出结果，包括：
根据所述级联模块的连接顺序，依次将每个所述级联模块作为当前级联模块，将位于所述当前级联模块之前的前一级联模块的输出结果输入至所述当前级联模块中，获得当前级联模块的输出结果，并将最后一个级联模块的输出结果作为所述动态成像模型的输出结果。


3.根据权利要求2所述的方法，其特征在于，所述基于低秩模块构建的级联模块包括顺次连接的所述低秩模块、卷积神经网络和数据一致性模块，所述将位于所述当前级联模块之前的前一级联模块的输出结果输入至所述当前级联模块中，获得当前级联模块的输出结果，包括：
将位于所述当前级联模块之前的前一级联模块的输出结果输入至所述当前级联模块中的所述低秩模块中，获得所述低秩模块输出的第一低秩特征；
将所述第一低秩特征输入至所述卷积神经网络中，获得所述卷积神经网络输出的第一卷积特征；
将所述第一卷积特征输入至所述数据一致性模块中，将所述数据一致性模块的输出结果作为所述当前级联模块的输出结果。


4.根据权利要求2所述的方法，其特征在于，所述基于低秩模块构建的级联模块包括顺次连接的卷积神经网络、所述低秩模块和数据一致性模块，所述将位于所述当前级联模块之前的前一级联模块的输出结果输入至所述当前级联模块中，获得当前级联模块的输出结果，包括：
将位于所述当前级联模块之前的前一级联模块的输出结果输入至所述当前级联模块中的卷积神经网络中，获得所述卷积神经网络输出的第二卷积特征；
将所述第二卷积特征输入至所述低秩模块中，获得所述低秩模块输出的第二低秩特征；
将所述第二低秩特征输入至所述数据一致性模块中...

【专利技术属性】
技术研发人员：朱燕杰，梁栋，柯子文，刘新，郑海荣，
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