[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

说明书

本发明公开了一种医学成像模型的建立方法、装置、设备及存储介质。该方法包括：获取医学图像的K空间欠采样数据作为训练样本；将训练样本输入至预先构建的原始神经网络进行训练，并根据模型损失函数优化原始神经网络；当模型损失函数收敛时，停止训练机器学习模型，将训练完成的原始神经网络作为目标医学成像模型；其中，原始神经网络包括频率域网络和图像域网络；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，附加损失函数包括k空间损失函数和/或图像域损失函数。本发明实施例的技术方案实现对网络的中间结果加以约束，更准确、更快速地对K空间欠采样医学图像进行重建。

技术领域

本发明实施例涉及磁共振成像技术领域，尤其涉及一种医学成像模型的建立方法、装置、设备及存储介质。

背景技术

磁共振心脏电影成像是一种非侵入式的成像技术，能够为临床诊断提供丰富的空间和时间信息。由于磁共振物理及硬件的制约，磁共振心脏电影成像往往伴随着扫描时间长及成像速度慢等缺点。因此，如何在保证成像质量的前提下，加速磁共振心脏电影成像尤为重要。

现有技术中，常用的加速磁共振心脏电影成像的方法，包括并行成像、压缩感知技术、深度学习的方法等。例如，动态广义自动校准部分并行采集(TGRAPPA)、利用时间滤波器的自适应敏感度编码(TSENSE)、利用时间频率稀疏性的焦欠定系统(k-t FOCUSS)、利用动态冗余的卡尔基方法(k-t SLR)、低秩稀疏矩阵(L+S)等。在磁共振心脏电影成像领域，基于级联卷积网络的磁共振动态成像(D5C5)及卷积递归神经网络(CRNN)取得了良好的重建效果。这两种方法利用神经网络，直接学习从欠采图像到全采图像的映射关系。

传统的并行成像或者压缩感知技术，没有利用大数据先验，并且这种迭代优化方法往往是耗时的且参数较难选择。而基于深度学习的神经网络方法(D5C5、CRNN)也存在明显的不足。这两种深度模型只运用了一个损失函数用于训练整个网络，网络的中间结果并没有加以约束，无法更准确地优化神经网络模型，最终无法更准确地对磁共振心脏电影成像进行重建。

发明内容

本发明实施例提供了一种医学成像模型的建立方法、装置、设备及存储介质，以实现对网络的中间结果加以约束，更准确、更快速地对K空间欠采样医学图像进行重建。

第一方面，本发明实施例提供了一种医学成像模型的建立方法，该方法包括：

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。

第二方面，本发明实施例还提供了一种医学成像模型的建立装置，该装置包括：

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。