图像重建方法和装置、电子设备及计算机可读存储介质制造方法及图纸

技术编号:32630625 阅读:22 留言:0更新日期:2022-03-12 18:04
本申请提供了一种图像重建方法和装置、电子设备及计算机可读存储介质,涉及医学成像技术领域。该方法获取运动组织的多时相实际欠采数据和对应的预扫描图像,利用训练后的深度学习网络模型对多时相实际欠采数据和对应的预扫描图像进行图像重建,得到实际运动组织电影成像图像。可以看到,本申请实施例可以将多时相k空间实际欠采数据重建为多时相k空间满采电影成像图像,运动组织电影成像图像相邻时相图像包含大量的冗余信息,而采用深度学习网络模型可以提取相邻时相图像共同的低频信息并合并相同高频信息,从而重建出最终的多时相图像集,这些多时相图像集的细节更丰富、信噪比更高。更高。更高。

【技术实现步骤摘要】
图像重建方法和装置、电子设备及计算机可读存储介质


[0001]本申请涉及医学成像
,尤其涉及一种图像重建方法和装置、电子设备及计算机可读存储介质。

技术介绍

[0002]磁共振成像(Magnetic Resonance Imaging,MRI)作为一种多参数、多对比度的成像技术,是现代医疗影像学中主要的成像方式之一,可以反映组织和质子密度等多种特性,为疾病的检出和诊断提供信息。磁共振成像的基本工作原理是利用磁共振现象,采用射频激励激发人体中的氢质子,运用梯度场进行位置编码,随后采用接收线圈接收带位置信息的电磁信号,最终利用傅里叶变换重建出图像信息。
[0003]心脏磁共振电影成像(Cardiac Magnetic Resonance Cine Imaging,CMRCI),简称心脏电影成像,可以对一个心动周期内不同时期的心脏进行快速成像,获取多幅图像,将心脏的收缩期和舒张期室壁、瓣膜等结构的图像以电影的形式进行播放,可以定量分析心功能参数,为诊断心功能异常提供更多的信息。由于心脏搏动复杂、血液流动无序、呼吸运动、心腔壁较薄等特殊因素,心脏电影成像对时间和空间的分辨率要求很高,为获得完整的心脏周期成像,通常就需要对成像进行加速,目前常用的加速方法有并行采集、压缩感知等。
[0004]并行成像采集技术可以是利用线圈的空间敏感度信息,多个接收线圈同时进行独立采样和编码,节约了空间定位所需梯度编码数目,成倍节约了成像时间。并行成像采集技术在一定程度上加快扫描速度,降低运动对图像的影响,但是牺牲了图像信噪比以及空间分辨力。而且加速因子越大,图像信噪比越低,卷褶伪影严重,难以在一次屏气中完成高质量的心脏电影扫描。压缩感知加速技术以信号的稀疏性作为前提,同时进行信号的采样与压缩,直接获取稀疏信号,只利用高度欠采样的k空间重建图像,减少了磁共振成像时间。压缩感知加速是否成功依赖于图像信号的稀疏性,不相干性采样及非线性重建,压缩感知的采样模板通常会影响到边界信息的敏感性,例如心肌与周围组织的对比度,而且不合适的重建参数及迭代重建算法也会导致图像的失真及模糊。
[0005]可以看到,目前的技术手段对图像的信噪比、对比度、锐利度等均有比较大的损失;为获取较高的空间分辨率,每个时相的时间相应会延长,导致该时相的扫描会受到心脏搏动的影响,图像模糊;并且通过插值等后处理方法来提高心脏电影成像的时间分辨率,考虑到心脏的复杂运动,通常不够准确;此外压缩感知算法计算量大,重建时间长。因此,如何在缩短采集时间提高采集效率时保证运动组织电影成像图像的质量成为亟需解决的技术问题。

技术实现思路

[0006]鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的图像重建方法和装置、电子设备及计算机可读存储介质,能够在缩短采集时间提
高采集效率时保证运动组织电影成像图像的质量。所述技术方案如下:
[0007]第一方面,提供了一种图像重建方法,该方法包括:
[0008]获取训练后的深度学习网络模型,所述训练后的深度学习网络模型是基于运动组织的k空间满采的多时相数据和预扫描运动组织图像以及与k空间满采的多时相数据对应的欠采数据训练所得;
[0009]获取运动组织的多时相实际欠采数据和对应的预扫描图像,利用所述训练后的深度学习网络模型对所述多时相实际欠采数据和对应的预扫描图像进行图像重建,得到实际运动组织电影成像图像。
[0010]在一种可能的实现方式中,基于运动组织的k空间满采的多时相数据和预扫描运动组织图像以及与k空间满采的多时相数据对应的欠采数据对深度学习网络模型进行训练,得到所述训练后的深度学习网络模型,包括:
[0011]采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像;
[0012]将所述初步多时相运动组织图像和所述预扫描运动组织图像以及所述欠采数据作为深度学习网络模型的网络输入,网络输出为重建的多时相运动组织图像;
[0013]将所述满采的多时相数据进行重建得到满采多时相运动组织图像;
[0014]将所述重建的多时相运动组织图像与所述满采多时相运动组织图像进行比对,进而根据比对结果对深度学习网络模型的网络参数进行更新,从而得到所述训练后的深度学习网络模型。
[0015]在一种可能的实现方式中,在采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像之前,所述方法还包括:
[0016]获取运动组织电影成像k空间满采的多通道多时相数据作为深度学习网络模型训练的标签数据,同时获取预扫描运动组织图像作为深度学习网络模型的前项信息;
[0017]采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像,包括:采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多通道多时相数据对应的欠采数据进行重建,生成初步合并通道多时相运动组织图像;
[0018]将所述初步多时相运动组织图像和所述预扫描运动组织图像以及所述欠采数据作为深度学习网络模型的网络输入,网络输出为重建的多时相运动组织图像,包括:将所述初步合并通道多时相运动组织图像和所述预扫描运动组织图像以及所述欠采数据作为深度学习网络模型的网络输入,网络输出为重建的合并通道多时相运动组织图像。
[0019]在一种可能的实现方式中,利用所述训练后的深度学习网络模型对所述多时相实际欠采数据和对应的预扫描图像进行图像重建,得到实际运动组织电影成像图像,包括:
[0020]将所述多时相实际欠采数据和对应的预扫描图像进行初步重建,生成实际初步多时相运动组织图像;
[0021]将所述实际初步多时相运动组织图像、所述多时相实际欠采数据和对应的预扫描图像输入所述训练后的深度学习网络模型,得到的输出为实际运动组织电影成像图像。
[0022]在一种可能的实现方式中,所述训练后的深度学习网络模型用于提取相邻时相图
像共同的低频信息并合并相同高频信息。
[0023]在一种可能的实现方式中,通过以下步骤获取与k空间满采的多时相数据对应的欠采数据:
[0024]将满采的多时相数据在k空间上抽取为欠采数据。
[0025]在一种可能的实现方式中,所述将满采的多时相数据在k空间上抽取为欠采数据,包括:
[0026]在预设的欠采倍数区间选择训练欠采倍数;
[0027]将满采的多时相数据在k空间上按照所述训练欠采倍数抽取为欠采数据。
[0028]第二方面,提供了一种图像重建装置,该装置包括:
[0029]获取模块,用于获取训练后的深度学习网络模型,所述训练后的深度学习网络模型是基于运动组织的k空间满采的多时相数据和预扫描运动组织图像以及与k空间满采的多时相数据对应的欠采数据训练所得;
[0030]重建模块,用于获取运动组织的本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种图像重建方法,其特征在于,包括:获取训练后的深度学习网络模型,所述训练后的深度学习网络模型是基于运动组织的k空间满采的多时相数据和预扫描运动组织图像以及与k空间满采的多时相数据对应的欠采数据训练所得;获取运动组织的多时相实际欠采数据和对应的预扫描图像,利用所述训练后的深度学习网络模型对所述多时相实际欠采数据和对应的预扫描图像进行图像重建,得到实际运动组织电影成像图像。2.根据权利要求1所述的图像重建方法,其特征在于,基于运动组织的k空间满采的多时相数据和预扫描运动组织图像以及与k空间满采的多时相数据对应的欠采数据对深度学习网络模型进行训练,得到所述训练后的深度学习网络模型,包括:采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像;将所述初步多时相运动组织图像和所述预扫描运动组织图像以及所述欠采数据作为深度学习网络模型的网络输入,网络输出为重建的多时相运动组织图像;将所述满采的多时相数据进行重建得到满采多时相运动组织图像;将所述重建的多时相运动组织图像与所述满采多时相运动组织图像进行比对,进而根据比对结果对深度学习网络模型的网络参数进行更新,从而得到所述训练后的深度学习网络模型。3.根据权利要求2所述的图像重建方法,其特征在于,在采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像之前,所述方法还包括:获取运动组织电影成像k空间满采的多通道多时相数据作为深度学习网络模型训练的标签数据,同时获取预扫描运动组织图像作为深度学习网络模型的前项信息;采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多时相数据对应的欠采数据进行重建,生成初步多时相运动组织图像,包括:采用预设初步重建算法将预扫描运动组织图像和与k空间满采的多通道多时相数据对应的欠采数据进行重建,生成初步合并通道多时相运动组织图像;将所述初步多时相运动组织图像和所述预扫描运动组织图像以及所述欠采数据作为深度学习网络模型的网络输入,网络输出为重建的多时相运动组织图像,包括:将所述初步合并通...

【专利技术属性】
技术研发人员:苗桢壮章星星蒋先旺
申请(专利权)人:上海东软医疗科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1