[发明专利]图像重建方法、装置、设备及存储介质

说明书

本申请属于图像处理技术领域，提供了一种图像重建方法、装置、设备及存储介质。方法获取目标对象的采样数据；将采样数据输入训练后的深度学习网络进行处理，获得所述采样数据对应的重建图像，其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；相比于现有技术中基于非均匀快速傅里叶变换对非笛卡尔坐标系下的欠采样频域数据进行图像重建的技术方案，本申请实施例中深度学习网络经过预先训练，可以直接根据输入的非笛卡尔坐标系下的欠采样频域数据，重建获得对应的图像，不需要人工选择/调整尺度因子等参数，提高了非笛卡尔坐标系下的欠采样频域数据的重建速度。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像重建方法、装置、设备及存储介质。

背景技术

在目前的医学影像成像中，如计算机断层成像(computed tomography，CT)、磁共振成像(magnetic resonance imaging,MRI)、正电子发射断层成像(positron emissiontomography,PET)中，均需要对目标对象的采样数据进行图像重建，形成扫描区域的高清图像。

以磁共振成像MRI为例，为了增强磁共振成像技术在临床上的实用性，缩短扫描时间，磁共振设备经常采用远低于奈奎斯特采样频率进行数据采样，获得目标对象在非笛卡尔坐标系下的欠采样频域数据，然后对该非笛卡尔坐标系下的欠采样频域数据进行图像重建，形成目标对象的高清图像。

然而，目前基于非笛卡尔坐标系下的欠采样数据进行图像重建的方法，图像重建时间较长，成像速度较慢。

发明内容

有鉴于此，本申请实施例提供了一种图像重建方法、装置、设备及存储介质，以解决现有技术中在基于非笛卡尔坐标系下的欠采样数进行图像重建时，图像重建时间长的技术问题。

第一方面，本申请实施例提供了一种图像重建方法，包括：

获取目标对象的采样数据；其中，采样数据为基于预设采样模式获取的非笛卡尔坐标系下的欠采样频域数据；

将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像；其中，深度学习网络是基于多个成像目标的非笛卡尔坐标系下的欠采样样本频域数据以及成像目标的全采样样本图像，对初始深度学习网络训练得到。

在第一方面的一种可能的实现方式中，将采样数据输入训练后的深度学习网络进行处理，获得采样数据对应的重建图像，包括：

将采样数据输入训练后的深度学习网络进行坐标转换，得到采样数据对应的笛卡尔坐标系下的欠采样非均匀频域数据；

对笛卡尔坐标系下的欠采样非均匀频域数据进行密度补偿处理，得到笛卡尔坐标系下的欠采样均匀频域数据；

对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像。

在第一方面的一种可能的实现方式中，对欠采样均匀频域数据进行重建处理，得到欠采样均匀频域数据对应的重建图像，包括：

对欠采样均匀频域数据进行填充处理，得到全采样的均匀频域数据；

对均匀频域数据进行傅里叶逆变换，得到欠采样均匀频域数据对应的重建图像。

在第一方面的一种可能的实现方式中，将采样数据输入训练后的深度学习网络进行图像重建之前，方法还包括：

获取多个训练样本，每个训练样本包括成像目标的全采样样本图像和基于预设采样模式对成像目标进行处理获得的样本采样数据；全采样样本图像用于与初始深度学习网络输出的预测图像进行比较；预设采样模式中相邻的两个采样点之间的间隔不均匀；

根据多个训练样本，对初始深度学习网络进行迭代训练，并在满足预设条件时停止训练，得到训练后的深度学习网络。