[发明专利]图像重建方法、装置、设备及存储介质

权利要求书

1.一种图像重建方法，其特征在于，包括：

获取目标对象的采样数据；其中，所述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；

将所述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，所述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所述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；

所述将所述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，包括：

将所述采样数据输入训练后的深度学习网络进行坐标转换，得到所述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；

对所述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；

对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像。

2.如权利要求1所述的图像重建方法，其特征在于，所述对所述欠采样均匀频域数据进行重建处理，得到所述欠采样均匀频域数据对应的重建图像，包括：

对所述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；

对所述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。

3.如权利要求1-2任一项所述的图像重建方法，其特征在于，所述将所述采样数据输入训练后的深度学习网络进行图像重建之前，所述方法还包括：

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所述预设采样模式对所述成像目标进行处理获得的样本采样数据；所述全采样样本图像用于与所述初始深度学习网络输出的预测图像进行比较；所述预设采样模式中相邻的两个采样点之间的间隔不均匀；

根据多个所述训练样本，对所述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。

4.如权利要求3所述的图像重建方法，其特征在于，用于训练的成像目标有多个；

所述获取多个训练样本包括：

获取每个成像目标对应的全采样样本图像，所述全采样样本图像由医学影像设备采集；

基于所述预设采样模式获取每个所述成像目标的样本采样数据，所述样本采样数据为非笛卡尔坐标系下的欠采样频域数据；

将每个所述成像目标对应的全采样样本图像和样本采样数据作为一个训练样本。

5.如权利要求3所述的图像重建方法，其特征在于，所述初始深度学习网络包括：依次级联的坐标转换卷积模块、密度补偿卷积模块以及图像重建卷积模块；

所述根据多个所述训练样本，对所述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包括：

初始化所述初始深度学习网络的模型参数；

通过所述坐标转换卷积模块对所述训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据；

通过所述密度补偿卷积模块对所述笛卡尔坐标系下的欠采样非均匀样本数据进行密度补偿，生成对应的欠采样均匀样本数据；

通过所述图像重建卷积模块对所述欠采样均匀样本数据进行卷积运算，生成所述欠采样均匀样本数据对应的预测图像；

若当前不满足预设条件，则更新当前深度学习网络的模型参数，并返回执行所述通过所述坐标转换卷积模块对所述训练样本中的样本采样数据进行卷积运算得到笛卡尔坐标系下的欠采样非均匀样本数据的步骤；若满足预设条件，保存当前的模型参数，获得所述深度学习网络。

6.如权利要求1所述的图像重建方法，其特征在于，所述预设采样模式包括径向采样或螺旋扫描采样。