一种核磁共振图像重建方法及终端技术

本发明专利技术提供了一种核磁共振图像重建方法及终端，获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括K空间图像样本和第一重建图像；将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；根据所述目标深度神经网络重建待处理核磁共振图像；本发明专利技术能够在不同参数的变化下保证图像重建效果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。建。建。

【技术实现步骤摘要】
一种核磁共振图像重建方法及终端


[0001]本专利技术涉及医学图像处理领域，尤其涉及一种核磁共振图像重建方法及终端。

技术介绍

[0002]利用核磁共振成像生成人体的组织成像进行各种疾病的辅助判断是一种常用的技术手段，并且因为核磁共振成像不存在辐射暴露的问题，对于人体也更加安全。但核磁共振成像的过程中，图像重建的方式对最终的成像效果有较大的影响，常会出现图像伪影等问题，影响图像的质量。

技术实现思路

[0003]本专利技术所要解决的技术问题是：提供一种核磁共振图像重建方法及终端，实现鲁棒性更高的核磁共振图像重建。
[0004]为了解决上述技术问题，本专利技术采用的一种技术方案为：
[0005]一种核磁共振图像重建方法，包括步骤：
[0006]获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括K空间图像样本和第一重建图像；
[0007]将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
[0008]根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；
[0009]根据所述目标深度神经网络重建待处理核磁共振图像。
[0010]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0011]一种核磁共振图像重建终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0012]获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括K空间图像样本和第一重建图像；
[0013]将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
[0014]根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；
[0015]根据所述目标深度神经网络重建待处理核磁共振图像。
[0016]本专利技术的有益效果在于：核磁共振图像样本中包括K空间图像样本和第一重建图像，因核磁共振原始采集到的图像为频域中的K空间图像，通过获取重建效果较好的核磁共振图像样本作为训练图像，在训练过程中将灵敏度映射核集作为一个未知数参与训练优化，并根据预测得到的第二重建图像和已经确定的第一重建图像的差值对预设深度神经网络进行优化，使得最终得到的目标深度神经网络能够在不同参数的变化下保证图像重建效
果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。
附图说明
[0017]图1为本专利技术实施例的一种核磁共振图像重建方法的步骤流程图；
[0018]图2为本专利技术实施例的一种核磁共振图像重建终端的结构示意图；
[0019]标号说明：
[0020]1、一种核磁共振图像重建终端；2、处理器；3、存储器。
具体实施方式
[0021]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0022]请参照图1，一种核磁共振图像重建方法，包括步骤：
[0023]获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括K空间图像样本和第一重建图像；
[0024]将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；
[0025]根据所述第一重建图像和所述第二重建图像的差优化所述深度神经网络，得到目标深度神经网络；
[0026]根据所述目标深度神经网络重建待处理核磁共振图像。
[0027]从上述描述可知，本专利技术的有益效果在于：核磁共振图像样本中包括K空间图像样本和第一重建图像，因核磁共振原始采集到的图像为频域中的K空间图像，通过获取重建效果较好的核磁共振图像样本作为训练图像，在训练过程中将灵敏度映射核集作为一个未知数参与训练优化，并根据预测得到的第二重建图像和已经确定的第一重建图像的差值对预设深度神经网络进行优化，使得最终得到的目标深度神经网络能够在不同参数的变化下保证图像重建效果的稳定，并且不依赖于确定的灵敏度映射核集，实现高鲁棒性的核磁共振图像重建。
[0028]进一步地，所述将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集包括：
[0029]根据所述K空间图像样本建立总优化目标
[0030]其中，y表示所述K空间图像样本，A
m
表示与固定变量和采样掩膜A组成的线性算子，m表示待计算的所述预测图像，λ表示待定系数，D(m)表示在所述预设深度神经网络D中的待计算的所述预测图像；
[0031]通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s。
[0032]由上述描述可知，通过建立总优化目标，根据总优化目标进行预设深度神经网络的学习，特别是在得到待计算的预测图像的过程中，不依赖于对灵敏度的提前预测，避免了预测灵敏度的精确度对最终结果的影响。
[0033]进一步地，所述通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s包括：
[0034]将所述总优化目标Y根据所述交替选择优化算法展开得到展开式：
[0035][0036]s
+
＝D
s
(s)；
[0037][0038]m
+
＝D
m
(m)；
[0039]其中，其中x表示所述预测图像m或所述预测灵敏度映射核集s，F表示傅里叶变换；s+和m+分别表示更新所述预设深度神经网络后，下一次迭代时生成的预测灵敏度映射核集和预测图像；
[0040]根据共轭梯度算法求解所述展开式得到所述预测图像m及所述预测灵敏度映射核集s。
[0041]由上述描述可知，通过交替优化算法对总优化目标进行展开，将对总优化目标的优化具体为对预测图像和预测灵敏度核集的优化，实现图像重建关键参数的获取，并且通过共轭梯度算法进行求解，保证最终得到的解是最优解，且尽可能接近最优结果。
[0042]进一步地，所述根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络包括：
[0043]设置监督损失，所述监督损失为所述第一重建图像和所述第二重建图像的结构相似性指数；
[0044]根据所述结构相似性指数优化所述预设深度神经网络。
[0045]由上述描述可知，模型能够通过不断的学习进行优化，增强图像重建过程中的鲁棒性，并且对不同采样参数产生的分布唯一具有稳健性。
[0046]进一步地，根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像包括：
[0047][0048]其中，表示所述第二重建图像，F表示傅里叶变换，N表示迭代次数，C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种核磁共振图像重建方法，其特征在于，包括步骤：获取核磁共振图像样本集合，所述核磁共振图像样本集合中每一核磁共振图像样本包括K空间图像样本和第一重建图像；将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集；并根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像；根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络，得到目标深度神经网络；根据所述目标深度神经网络重建待处理核磁共振图像。2.根据权利要求1所述的一种核磁共振图像重建方法，其特征在于，所述将所述K空间图像样本通过预设深度神经网络，得到预测图像和预测灵敏度映射核集包括：根据所述K空间图像样本建立总优化目标其中，y表示所述K空间图像样本，A
m
表示与固定变量和采样掩膜A组成的线性算子，m表示待计算的所述预测图像，λ表示待定系数，D(m)表示在所述预设深度神经网络D中的待计算的所述预测图像；通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s。3.根据权利要求2所述的一种核磁共振图像重建方法，其特征在于，所述通过交替选择优化算法得到预测图像m和预测灵敏度映射核集s包括：将所述总优化目标Y根据所述交替选择优化算法展开得到展开式：s
+
＝D
s
(s)；m
+
＝D
m
(m)；其中，其中x表示所述预测图像m或所述预测灵敏度映射核集s，F表示傅里叶变换；s+和m+分别表示更新所述预设深度神经网络后，下一次迭代时生成的预测灵敏度映射核集和预测图像；根据共轭梯度算法求解所述展开式得到所述预测图像m及所述预测灵敏度映射核集s。4.根据权利要求1所述的一种核磁共振图像重建方法，其特征在于，所述根据所述第一重建图像和所述第二重建图像的差优化所述预设深度神经网络包括：设置监督损失，所述监督损失为所述第一重建图像和所述第二重建图像的结构相似性指数；根据所述结构相似性指数优化所述预设深度神经网络。5.根据权利要求2所述的一种核磁共振图像重建方法，其特征在于，根据所述预测图像和所述预测灵敏度映射核集得到第二重建图像包括：其中，表示所述第二重建图像，F表示傅里叶变换，N表示迭代次数，C表示，si表示所述
预测灵敏度映射核集s中第i个预测灵敏度映射核。6.一种核磁共振图像重建终端，包括存储器、处理器及存储在所...

【专利技术属性】
技术研发人员：陈明，黄雪芳，谢宝文，王恩培，贾文廷，李建东，雷国胜，龙腾，
申请(专利权)人：医诺智能科技广州有限公司，
类型：发明
国别省市：