断层图像重建方法、装置、可读存储介质和电子设备制造方法及图纸

本发明专利技术涉及断层图像重建技术领域，特别地涉及一种断层图像重建方法、装置、可读存储介质和电子设备，该方法包括：采集断层扫描得到的待重建图像数据；利用预先训练的基于深度学习的非均匀傅里叶变换重建网络，将待重建图像数据在局部通路和全局通路进行数据填补处理，并融合得到重建的断层图像；从而直接优化非均匀傅里叶变换操作，使用深度学习方法根据大量数据自适应地学习卷积核，并获取空间频率域(即采集域)的局部和全局关联，更好地恢复数据，以得到质量好的无伪影重建图像。以得到质量好的无伪影重建图像。以得到质量好的无伪影重建图像。

【技术实现步骤摘要】
断层图像重建方法、装置、可读存储介质和电子设备


[0001]本专利技术涉及断层图像重建
，特别地涉及一种断层图像重建方法、装置、可读存储介质和电子设备。

技术介绍

[0002]断层图像重建技术主要包括磁共振(MRI)、计算机断层成像(CT)以及正电子发射断层成像(PET)技术，医务工作者能够基于断层图像重建技术获得的受检对象的图像从而对受检对象的各种疾病进行诊断。但是，上述断层图像重建技术存在扫描时间过长以及存在电离辐射的技术问题，容易引起受检对象不适或对受检对象造成伤害，所以，本领域亟需一种可加速扫描过程或者降低辐射剂量的断层图像重建方法。
[0003]有研究者提出了基于并行成像原理、压缩感知理论(CS)及基于深度学习的重建算法。这些方法都假设采集到的图像原数据在空间
‑
频率域是局部相关的，即存在局部冗余性，这些方法可以利用该局部冗余性进行降采条件下的图像重建和恢复。然而，图像原数据在空间
‑
频率域还存在全局相关性，尚没有方法可以很好利用该全局相关性进行断层图像重建。
[0004]基于上述讨论可见，本领域亟需一种基于深度学习直接优化非均匀傅里叶变换的重建方法，直接对不同种类的断层图像数据进行重建，并且利用数据在空间
‑
频率域的全局相关性，生成质量好的无伪影重建图像。

技术实现思路

[0005]本专利技术提供一种断层图像重建方法、装置、可读存储介质和电子设备，解决了现有技术中难以很好利用全局相关性进行断层图像重建的技术问题。<br/>[0006]第一方面，本专利技术提供了一种断层图像重建方法，包括：
[0007]采集断层扫描得到的待重建图像数据；
[0008]利用预先训练的基于深度学习的非均匀傅里叶变换重建网络，将待重建图像数据在局部通路和全局通路进行数据填补处理，并融合得到重建的断层图像。
[0009]在一些实施例中，基于深度学习的非均匀傅里叶变换重建网络的训练过程，包括：
[0010]获取不同断层扫描方式的仿真图像数据；
[0011]搭建基于深度学习的非均匀傅里叶变换重建网络；
[0012]利用仿真图像数据对搭建好的基于深度学习的非均匀傅里叶变换重建网络进行训练；
[0013]基于真实采集的不同断层扫描方式的图像数据对训练的基于深度学习的非均匀傅里叶变换重建网络进行微调，得到最终的基于深度学习的非均匀傅里叶变换重建网络。
[0014]在一些实施例中，获取不同断层扫描方式的仿真图像数据，包括：
[0015]对多个自然图像进行灰度化处理得到对应的灰度图像；
[0016]随机生成降采样的采集轨迹；
[0017]对灰度图像和采集轨迹进行不同断层扫描方式的仿真，得到不同断层扫描方式的仿真图像数据，并在仿真图像数据中添加随机高斯分布噪声。
[0018]在一些实施例中，基于深度学习的非均匀傅里叶变换重建网络，包括：
[0019]数据重排与尺度变换模块，用于将不同断层扫描方式的仿真图像数据转换为相同的目标形式及生成对应的采集位置图以记录数据的采集位置信息，并将目标形式的仿真图像数据进行非线性尺度变换；
[0020]自适应插值模块，用于将非线性尺度变换后的数据分别在局部通路和全局通路进行数据填补处理；
[0021]融合模块，用于将数据填补处理后的局部通路和全局通路的数据进行融合得到重建的断层图像。
[0022]在一些实施例中，数据重排与尺度变换模块在将不同断层扫描方式的仿真图像数据转换为相同的目标形式时，用于：
[0023]当仿真图像数据为MRI扫描方式的仿真图像数据时，将仿真图像数据转换为规则尺寸的方形形状；
[0024]当仿真图像数据为CT扫描方式的仿真图像数据或者PET扫描方式的仿真图像数据时，对仿真图像数据的正弦图进行一维逆傅里叶变换，以得到与辐射状MRI采集得到的k空间数据相同的形式，然后将仿真图像数据转换为规则尺寸的方形形状。
[0025]在一些实施例中，数据重排与尺度变换模块在将目标形式的仿真图像数据进行非线性尺度变换时，用于：
[0026]采用下式将目标形式的仿真图像数据进行非线性尺度变换：
[0027][0028]x
t
＝x
t
/max(x
t
)
[0029][0030]其中，x
in
为目标形式的仿真图像数据，
⊙
为对应元素相乘操作，Ω为获取大于零元素位置的模板操作，max为取得最大值操作，p为超参数，x
t
为输出的非线性尺度变换后的数据。
[0031]在一些实施例中，自适应插值模块在将非线性尺度变换后的数据分别在局部通路和全局通路进行数据填补处理时，用于：
[0032]对非线性尺度变换后的数据进行展开操作，以得到非线性尺度变换后的数据中的各个数据点及各个数据点的邻域；
[0033]将展开的各个数据点与自适应密度补偿函数进行逐点相乘操作，以及进行卷积操作，得到第四数据；其中，自适应密度补偿函数是使用权重生成网络对采集位置图进行处理而得到的；
[0034]将第四数据进行分组卷积以得到第五数据，其中，分组数为数据点的总数；
[0035]将第五数据和第四数据分别在局部通路和全局通路进行数据填补处理。
[0036]在一些实施例中，将第五数据和第四数据分别在局部通路和全局通路进行数据填补处理，包括：
[0037]在局部通路中，将第五数据反展开并合并数据，利用第一空间变换操作将合并后
的数据安置到靠近中心的采集区域；
[0038]在全局通路中，将第四数据通过编码器映射到低维空间并进行全局变换处理，通过解码器将全局变换处理后的数据映射回原始空间，再利用第二空间变换操作将数据安置到靠近外围的采集区域。
[0039]在一些实施例中，融合模块在将数据填补处理后的局部通路和全局通路的数据进行融合得到重建的断层图像时，用于：
[0040]将数据填补处理后的局部通路和全局通路的数据进行融合，再经过逆尺度变换和逆傅里叶变换得到重建的断层图像。
[0041]第二方面，本专利技术提供了一种断层图像重建装置，包括：
[0042]采集模块，用于采集断层扫描得到的待重建图像数据；
[0043]重建模块，用于利用预先训练的基于深度学习的非均匀傅里叶变换重建网络，将待重建的图像数据在局部通路和全局通路进行填补处理，并融合得到重建的断层图像。
[0044]第三方面，本专利技术提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面的任一实施例的方法。
[0045]第四方面，本专利技术提供了一种电子设备，包括处理器和存储器，存储器上存储有计算机程序，处理器执行计算机程序时实现第一方面的任一实施例的方法。
[0046]本专利技术提供的一种断层图像重建方法、装置、可读存储介质和电子设备，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种断层图像重建方法，其特征在于，包括：采集断层扫描得到的待重建图像数据；利用预先训练的基于深度学习的非均匀傅里叶变换重建网络，将所述待重建图像数据在局部通路和全局通路进行数据填补处理，并融合得到重建的断层图像。2.根据权利要求1所述的断层图像重建方法，其特征在于，所述基于深度学习的非均匀傅里叶变换重建网络的训练过程，包括：获取不同断层扫描方式的仿真图像数据；搭建基于深度学习的非均匀傅里叶变换重建网络；利用仿真图像数据对搭建好的基于深度学习的非均匀傅里叶变换重建网络进行训练；基于真实采集的不同断层扫描方式的图像数据对训练的基于深度学习的非均匀傅里叶变换重建网络进行微调，得到最终的基于深度学习的非均匀傅里叶变换重建网络。3.根据权利要求2所述的断层图像重建方法，其特征在于，所述获取不同断层扫描方式的仿真图像数据，包括：对多个自然图像进行灰度化处理得到对应的灰度图像；随机生成降采样的采集轨迹；对所述灰度图像和所述采集轨迹进行不同断层扫描方式的仿真，得到不同断层扫描方式的仿真图像数据，并在仿真图像数据中添加随机高斯分布噪声。4.根据权利要求2所述的断层图像重建方法，其特征在于，所述基于深度学习的非均匀傅里叶变换重建网络，包括：数据重排与尺度变换模块，用于将不同断层扫描方式的仿真图像数据转换为相同的目标形式及生成对应的采集位置图以记录数据的采集位置信息，并将目标形式的仿真图像数据进行非线性尺度变换；自适应插值模块，用于将非线性尺度变换后的数据分别在局部通路和全局通路进行数据填补处理；融合模块，用于将数据填补处理后的局部通路和全局通路的数据进行融合得到重建的断层图像。5.根据权利要求4所述的断层图像重建方法，其特征在于，所述数据重排与尺度变换模块在将不同断层扫描方式的仿真图像数据转换为相同的目标形式时，用于：当仿真图像数据为MRI扫描方式的仿真图像数据时，将仿真图像数据转换为规则尺寸的方形形状；当仿真图像数据为CT扫描方式的仿真图像数据或者PET扫描方式的仿真图像数据时，对仿真图像数据的正弦图进行一维逆傅里叶变换，以得到与辐射状MRI采集得到的k空间数据相同的形式，然后将仿真图像数据转换为规则尺寸的方形形状。6.根据权利要求4所述的断层图像重建方法，其特征在于，所述数据重排与尺度变换模块在将目标形式的仿真图像数据进行非线性尺度变换时，用于：采用下式将目标形式的仿真图像数据进行非线性尺度变换：x
t
＝x...

【专利技术属性】
技术研发人员：陈慧军，李雨泽，杨润宇，窦佳琦，王雅洁，郭华，徐子茗，
申请(专利权)人：清华大学，
类型：发明
国别省市：