[發明專利]一種醫學圖像重建方法和系統

有效

• 申請號: 201811564525.2
• 申請日: 2018-12-20
• 公開（公告）號: CN109658471B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 李國斌;劉楠;宗金光;黃小倩;廖術
• 申請（專利權）人: 上海聯影醫療科技股份有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T5/10
• 代理公司: 成都七星天知識產權代理有限公司 51253
• 代理人: 楊永梅

本申請實施例公開了一種醫學圖像重建方法。所述方法包括：對K空間進行采樣處理，得到第一K空間數據；對所述第一K空間數據進行軌跡調整，得到第二K空間數據；利用重建模塊對所述第二K空間數據進行數據重建，得到重建圖像數據，所述重建模塊包括神經網絡模型或神經網絡模型與非神經網絡模型的混合模型。

技術領域

本申請涉及圖像處理領域，特別涉及一種醫學圖像重建方法和系統。

背景技術

磁共振成像(Magnetic?Resonance?Imaging，MRI)是一種強大的醫用成像模式，利用磁共振現象進行成像，具有非侵入性、無電離、輻射等特點，其所獲得的圖像具有清晰、精細、分辨率高、對比度好等特點。MRI可應用于人體解剖結構、生理功能、血流和代謝信息的成像等領域。然而，MRI的成像速度較慢，檢查一次約為幾分鐘至十幾分鐘，這極大的限制了圖像的時間和空間分辨率。因此，有必要提出一種圖像重建方法，減少成像時間并提高成像質量。

發明內容

本申請實施例之一提供一種醫學圖像重建方法。所述方法包括：對K空間進行采樣處理，得到第一K空間數據；對所述第一K空間數據進行軌跡調整，得到第二K空間數據；利用重建模塊對所述第二K空間數據進行數據重建，得到重建圖像數據，所述重建模塊包括神經網絡模型或神經網絡模型與非神經網絡模型的混合模型。

在一些實施例中，所述神經網絡模型與非神經網絡模型的混合模型是指在所述重建模塊中，同時包含基于神經網絡模型構建的模塊，以及非神經網絡模型構建的模塊，所述非神經網絡模型包括數據重建算法，所述數據重建算法包括但不限于并行成像方法或壓縮感知方法。

在一些實施例中，所述神經網絡模型基于以下訓練方法獲得：獲取訓練集，所述訓練集中包括多個樣本數據和所述樣本數據經過數據重建算法處理后的期望數據；利用所述訓練集對初始模型進行訓練，獲得神經網絡模型。

在一些實施例中，所述軌跡調整包括：利用非神經網絡的數據處理方式，包括但不限于部分傅里葉成像方法、并行成像方法、壓縮感知方法或網格化方法。

本申請實施例之一提供一種軌跡調整確定方法。所述方法包括：獲取多個初始K空間數據；對所述初始K空間數據進行采樣處理，得到第一K空間數據；利用至少一種軌跡調整方法對所述第一K空間數據進行處理，得到第二K空間數據；基于所述第二K空間數據和初始K空間數據，獲得至少一個初始軌跡優化模型，所述初始軌跡優化模型為神經網絡模型或神經網絡模型與非神經網絡模型的混合模型，基于所述初始化軌跡優化模型獲得對應的軌跡調整方法的誤差，將所述最小誤差對應的軌跡調整方法作為確定的軌跡調整方法。

在一些實施例中，所述基于所述初始化優化軌跡模型獲得對應的軌跡調整方法的誤差，包括：基于所述第二K空間數據和初始K空間數據生成至少一個訓練集，所述一個訓練集對應一種軌跡調整方法；利用所述訓練集對至少一個初始模型進行訓練，得到對應的神經網絡模型；基于至少一個神經網絡模型，獲得每個神經網絡模型的訓練誤差，將所述訓練誤差作為對應的軌跡調整方法的誤差。

在一些實施例中，所述神經網絡模型與非神經網絡模型的混合模型是指在所述初始軌跡優化模型中，同時包含基于神經網絡模型構建的模塊，以及非神經網絡模型構建的模塊，所述非神經網絡模型包括數據重建算法，所述數據重建算法包括但不限于并行成像方法、部分傅里葉方法或壓縮感知方法。

在一些實施例中，所述對所述初始K空間數據進行采樣處理包括：利用預設采樣軌跡對初始K空間數據進行處理，所述預設采樣軌跡包括但不限于笛卡爾采樣軌跡、螺旋采樣軌跡或徑向采樣軌跡。

在一些實施例中，所述軌跡調整方法為非機器學習的數據處理方式，包括但不限于：部分傅里葉成像方法、并行成像方法、壓縮感知方法或網格化方法。