【技术实现步骤摘要】
本专利技术涉及磁共振成像领域，特别是涉及一种磁共振欠采样数据的插值重建方法、系统、设备及介质。
技术介绍
1、目前的磁共振加速重建算法主要有两类，一类是基于压缩感知的方法，另一类是并行成像方法。压缩感知方法主要利用人工设计的先验知识和数据的稀疏性，将重建问题看作是对成像逆问题的优化求解过程。但是此类方法需要人工设计先验，先验知识简单却计算复杂度较高，需要多次迭代计算密集的操作子，并且重建性能受限；深度学习技术的引入允许网络模型自行学习更为复杂的先验和特征，并且可以基于gpu等并行计算单元加速运行和训练速度，取得了值得关注的大幅度性能提升。但是这类方法大多在图像域进行图像的恢复和重建，经过实验发现，网络经过训练会学到固定的模式，在面对离散或者特殊数据时，会生成难以预见的重建伪影，这对于临床诊断来说会带来不可估计的负面影响，容易带来误判等问题。另外，目前较为先进的图像域深度学习方法确实没有引入实际设备使用当中，反而是基于传统的并形成像的，像grappa这种保守的k空间插值方法至今仍被广泛利用。但是grappa只通过线性核来学习线圈之间的冗余...
【技术保护点】
1.一种磁共振欠采样数据的插值重建方法，其特征在于，包括：
2.根据权利要求1所述的磁共振欠采样数据的插值重建方法，其特征在于，所述物理先验补充分支的训练过程包括：
3.根据权利要求2所述的磁共振欠采样数据的插值重建方法，其特征在于，所述重建网络的训练过程包括：
4.根据权利要求1所述的磁共振欠采样数据的插值重建方法，其特征在于，根据所述插值的k空间数据进行重建，得到重建图像，具体包括：
5.一种磁共振欠采样数据的插值重建系统，其特征在于，包括：
6.根据权利要求5所述的磁共振欠采样数据的插值重建系统，其特征...
【技术特征摘要】
1.一种磁共振欠采样数据的插值重建方法，其特征在于，包括：
2.根据权利要求1所述的磁共振欠采样数据的插值重建方法，其特征在于，所述物理先验补充分支的训练过程包括：
3.根据权利要求2所述的磁共振欠采样数据的插值重建方法，其特征在于，所述重建网络的训练过程包括：
4.根据权利要求1所述的磁共振欠采样数据的插值重建方法，其特征在于，根据所述插值的k空间数据进行重建，得到重建图像，具体包括：
5.一种磁共振欠采样数据的插值重建系统，其特征在于，包括：
6....
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。