[发明专利]一种医学成像模型的建立方法、装置、设备及存储介质

权利要求书

1.一种医学成像模型的建立方法，其特征在于，包括：

获取医学图像的K空间欠采样数据作为训练样本；

将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；

当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；

其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。

2.根据权利要求1所述的方法，其特征在于，所述频率域网络包括第一预设数量的频率域模块Fnet，其中，每个频率域模块Fnet包含第二预设数量的三维卷积层3D Conv以及一个频率域数据一致层KDC。

3.根据权利要求2所述的方法，其特征在于，根据如下公式计算所述k空间损失函数：

其中，Kloss表示k空间损失，K_f表示医学图像的K空间欠采样数据对应的全采样k空间数据，表示第m个频率域模块的输出，M表示频率域模块的数量，α_m表示第m个频率域模块对应的k空间损失函数的权重。

4.根据权利要求1所述的方法，其特征在于，所述图像域网络SDN包括第三预设数量的图像域模块Snet，其中，每个图像域模块包含第四预设数量的三维卷积层3D Conv、一个图像域数据一致层IDC以及一个残差连接。

5.根据权利要求4所述的方法，其特征在于，根据如下公式计算所述图像域损失函数：

其中，Sloss表示图像域损失，S表示医学图像的K空间欠采样数据对应的全采样的医学图像，S_n表示第n个图像域模块的输出，N表示图像域模块的数量，β_n表示第n个图像域模块对应的图像域损失函数的权重。

6.根据权利要求1所述的方法，其特征在于，还包括：

将至少一项所述附加损失函数加权后与所述主损失函数进行求和运算得到模型损失函数。

7.根据权利要求6所述的方法，其特征在于，所述将至少一项所述附加损失函数加权后与所述主损失函数进行求和运算得到模型损失函数，包括：

分别对k空间损失函数和图像域损失函数进行加权；

将所述主损失函数、加权后的k空间损失函数以及加权后的图像域损失函数进行求和运算得到模型损失函数。

8.根据权利要求1所述的方法，其特征在于，还包括：

获取待成像的K空间欠采样数据；

将所述待成像的K空间欠采样数据输入训练完成的所述目标医学成像模型中，得到重建医学图像。

9.一种医学成像模型的建立装置，其特征在于，包括：

训练样本获取模块，用于获取医学图像的K空间欠采样数据作为训练样本；

训练模块，用于将所述训练样本输入至预先构建的所述原始神经网络进行训练，并根据模型损失函数优化所述原始神经网络；

目标医学成像模型确定模块，当所述模型损失函数收敛时，停止训练所述机器学习模型，将训练完成的所述原始神经网络作为目标医学成像模型；

其中，所述原始神经网络包括频率域网络FDN以及图像域网络SDN，所述频率域网络FDN与所述图像域网络SDN之间通过傅里叶逆变换IFFT连接；所述模型损失函数包括主损失函数以及至少一个附加损失函数，所述附加损失函数包括k空间损失函数和/或图像域损失函数。

10.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的医学成像模型的建立方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的医学成像模型的建立方法。