【技术实现步骤摘要】
本专利技术属于医学影像，尤其涉及一种动态磁共振成像方法、模型训练方法、装置、设备及介质。
技术介绍
1、磁共振利用静磁场和射频磁场对人体组织成像，它不仅提供了丰富的组织对比度，且对人体无害，因此成为医学临床诊断的一种强有力的工具。但是，成像速度慢一直是制约其快速发展的一大瓶颈，如何在成像质量为临床可接受的前提下，提高扫描速度，从而减少扫描时间尤为重要。
2、在成像方面，目前常用的技术是采用深度学习方法进行磁共振图像重建。深度学习方法是利用神经网络，从大量训练数据中学习重建所需的最优参数或者直接学习从欠采数据到全采图像之间的映射关系，从而取得比传统并行成像或者压缩感知方法更好的成像质量和更高的加速倍数，但是动态磁共振图像有着庞大的数据量，传统的深度学习算法在处理大规模数据时需要消耗大量的时间，面临计算资源不足，计算效率低的问题。
技术实现思路
1、本专利技术提供了一种动态磁共振成像方法、模型训练方法、装置、设备及介质，旨在解决现有的深度学习的成像方法中计算资源不足，计算效率低的问题。
2、第一方面，本专利技术实施例提供了一种动态磁共振成像方法，其包括
3、获取待重建的动态磁共振图像；
4、将所述待重建的动态磁共振图像输入训练好的成像模型，以获取重建后的动态磁共振图像；其中，所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像；所述成像模型包括量子卷积神经网络及普通卷积神经网络，所述量子卷积神经网络用于对所述待重建的动态磁共
5、第二方面，本专利技术实施例提供了一种模型训练方法，其包括
6、获取动态磁共振图像样本；其中，所述动态磁共振图像样本包括待重建的动态磁共振图像及对应的全采样图像样本；
7、通过预设的量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取，以获取对应的特征图；
8、通过将所述特征图输入预设的普通卷积神经网络中，以输出所述待重建的动态磁共振图像的重建后的动态磁共振图像；
9、通过最小化所述重建后的动态磁共振图像与所述全采样图像样本之间的损失，以优化模型参数。
10、第三方面，本专利技术实施例提供了一种动态磁共振成像装置，其包括
11、获取模块，用于获取待重建的动态磁共振图像；
12、成像模块，用于将所述待重建的动态磁共振图像输入训练好的成像模型，以获取重建后的动态磁共振图像；其中，所述重建后的动态磁共振图像是所述待重建的动态磁共振图像的上采样图像；其中，所述成像模型包括量子卷积神经网络及普通卷积神经网络，所述量子卷积神经网络用于对所述待重建的动态磁共振图像进行特征提取，以获取对应的特征图；所述普通卷积神经网络用于将所述特征图转化为所述重建后的动态磁共振图像。
13、第四方面，本专利技术实施例提供了一种电子设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的动态磁共振成像方法。
14、第五方面，本专利技术实施例提供了一种存储介质，其上存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行，以实现上述的动态磁共振成像方法。
15、与现有技术相比，本专利技术基于深度学习的方法，在传统的神经网络模型中加入了量子神经网络，通过量子卷积神经网络与传统卷积神经网络串联，实现对磁共振图像进行重构；利用量子并行性，潜在地缓解卷积神经网络的过度拟合问题。还利用了纠缠、叠加和干涉等量子力学的思想来提供了更快、更强大的磁共振动态成像的图像重建能力。相比在经典计算上网络，不仅减少了计算时间，同时获得了更高质量的动态磁共振重建图像。
本文档来自技高网...【技术保护点】
1.一种动态磁共振成像方法，其特征在于，所述的方法包括：
2.根据权利要求1所述的方法，其特征在于，所述量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取的过程包括：
3.根据权利要求2所述的方法，其特征在于，所述量子卷积神经网络包括量子卷积模块，所述量子卷积模块通过量子电路实现，所述量子电路包括四个量子位，所述量子卷积模块包括两个串联的纠缠层，所述纠缠层包括四个RZ门及四个RY门；其中，第一RZ门设于第一量子位上并受控于第一量子位，第二RZ门设于第三量子位并受控于第二量子位，第三RZ门设于第四量子位并受控于第三量子位，第四RZ门设于第一量子位并受控于第四量子位，所述四个RY门分别位于不同的量子位，且所述RY门设于所述RZ门之后。
4.根据权利要求1所述的方法，其特征在于，所述普通卷积神经网络是基于U-net网络构建的，所述普通卷积神经网络将所述特征图转化为所述重建后的动态磁共振图像的过程包括：
5.根据权利要求4所述的方法，其特征在于，所述普通卷积神经网络包括输入模块、第一下采样模块、第二下采样模块、第一上采样模块、第二上采
6.一种模型训练方法，其特征在于，包括：
7.根据权利要求6所述的模型训练方法，其特征在于，通过最小化所述重建后的动态磁共振图像与所述全采样图像样本之间的损失，以优化所述模型参数，包括：
8.一种动态磁共振成像装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
10.一种存储介质，其上存储有计算机可读指令，其特征在于，所述计算机可读指令被一个或多个处理器执行，以实现如权利要求1至5中任一项所述的方法。
...【技术特征摘要】
1.一种动态磁共振成像方法，其特征在于，所述的方法包括：
2.根据权利要求1所述的方法，其特征在于，所述量子卷积神经网络对所述待重建的动态磁共振图像进行特征提取的过程包括：
3.根据权利要求2所述的方法，其特征在于，所述量子卷积神经网络包括量子卷积模块，所述量子卷积模块通过量子电路实现，所述量子电路包括四个量子位，所述量子卷积模块包括两个串联的纠缠层，所述纠缠层包括四个rz门及四个ry门；其中，第一rz门设于第一量子位上并受控于第一量子位，第二rz门设于第三量子位并受控于第二量子位，第三rz门设于第四量子位并受控于第三量子位，第四rz门设于第一量子位并受控于第四量子位，所述四个ry门分别位于不同的量子位，且所述ry门设于所述rz门之后。
4.根据权利要求1所述的方法，其特征在于，所述普通卷积神经网络是基于u-net网络构建的，所述普通卷积神经网络将所述特征图转化为所述重建后的动态磁共振图像的过程包括：
5.根据权利要求4所述的方法，其特征在于，所述普通...
【专利技术属性】
技术研发人员：梁栋，郑海荣，王海峰，周谊航，周硕，刘聪聪，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。