全心脏多期相定位图像生成方法、装置、设备和介质与流程

1.本技术涉及医疗技术领域，特别是涉及一种全心脏多期相定位图像生成方法、装置、设备和介质。


背景技术：

2.医学成像检查在疾病的临床诊断中有着非常重要的辅助作用，在进行医学扫描时，常常需要对受检者目标区域进行固定位置/平面的扫描，以辅助疾病的诊断、治疗等。以磁共振成像为例，对于常规的磁共振扫描过程，通常首先由医生通过预扫描图像识别出解剖学位置后手工标定参考定位线，即得到定位图像，然后基于定位图像解剖学位置施加扫描序列进行精确扫描。
3.在传统方式中，在进行定位线定位，确定定位图像的时候，通常需要被测对象多次屏气配合，耗时较长，使得定位处理效率较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提升定位处理效率的全心脏多期相定位图像生成方法、装置、设备和介质。
5.一种全心脏多期相定位图像生成方法，所述方法包括：
6.获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相；
7.将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
8.在其中一个实施例中，心脏切面包括：横断位切面、冠状位切面以及矢状位切面中任一种。
9.在其中一个实施例中，获取被测对象的心脏动态图像为被测对象处于单次呼吸状态时采集的。
10.在其中一个实施例中，获取被测对象的心脏动态图像，包括：
11.通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
12.在其中一个实施例中，获取被测对象的心脏动态图像包括：
13.通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
14.在其中一个实施例中，将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像，包括：
15.通过机器学习模型，对各心脏切面的动态图像进行特征提取，得到对应各动态图像的特征数据；
16.基于各特征数据，进行图像重构，得到全心脏动态图像；
17.基于全心脏动态图像，确定被测对象的心脏的全心脏多期相定位图像。
18.在其中一个实施例中，上述方法还包括：
19.接收心肌图像扫描请求；
20.基于心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像；
21.基于目标期相定位图像对被测对象的待扫描心肌部位进行定位，并进行扫描，得到对应心肌图像扫描请求的心肌序列图像。
22.一种全心脏多期相定位图像生成装置，所述装置包括：
23.心脏动态图像获取模块，用于获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相；
24.全心脏多期相定位图像生成模块，用于将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
25.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
26.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤
27.上述全心脏多期相定位图像生成方法、装置、设备和介质，通过获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相，然后将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。从而，使得在获取到心脏动态图像后，可以通过机器学习系等方式，基于心脏动态图像中不同心脏切面的不同心脏期相，构建得到对应被测对象的全心脏多期相定位图像，相比于传统方式中通过多次屏气采集，并进行手工标定，本技术方案可以提升数据处理的智能化水平，并且可以减少数据采集的时间，进而可以提升数据处理的效率。
附图说明
28.图1为一个实施例中全心脏多期相定位图像生成方法的应用场景图；
29.图2为一个实施例中全心脏多期相定位图像生成方法的流程示意图；
30.图3为一个实施例中欠采样采集时刻的示意图；
31.图4为一个实施例中全心脏多期相定位图像生成装置的结构框图；
32.图5为一个实施例中计算机设备的内部结构图。
具体实施方式
33.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
34.本技术提供的全心脏多期相定位图像生成方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102可以采集被测对象的动态心
脏图像，并发送至服务器104，动态心脏图像包括被测对象在连续时间区间内各采集时间点对应的各序列图像，各采集时间点对应的各序列图像包括多帧单层图像。服务器104在获取到被测对象的动态心脏图像后，可以从各时间点对应的多帧单层图像中，确定各帧单层图像为参考图像，并确定其余帧的各单层图像为对应参考图像的非参考图像。进一步，服务器104可以将各参考图像与对应的各非参考图像进行层间混叠，得到被测对象在不同期相状态下的心脏全期相定位图像。其中，终端102可以是医学诊疗中的各中检测设备，如磁共振系统等，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104还可以是通用的计算机设备等。
35.在一个实施例中，如图2所示，提供了一种全心脏多期相定位图像生成方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
36.步骤s202，获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相。
37.其中，动态心脏图像指心脏在一定时间区间内的动态图像数据，心脏动态图像可以包括被测对象的多个心脏切面的动态图像，如从心尖到心室中心点的多个切面的图像。
38.在本实施例中，心脏动态图像可以通过磁共振成像设备或者计算机断层扫描成像设备获取。
39.在本实施例中，心脏切片可以包括横断位切面、冠状位切面以及矢状位切面中任意一种。
40.在本实施例中，各动态图像可以包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相。例如，对于某一心脏切面的动态图像，可以包括连续时间内心脏切面从收缩到舒张全过程的多帧图像，如包括图像1～10，各帧图像分别表示对应心脏切面在各个时刻的心脏期相。
41.在本实施例中，服务器可以对被测对象进行定位扫描，以得到被测对象的心脏动调图像。
42.步骤s204，将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
43.其中，机器学习模型可以是基于深度学习的神经网络模型，可以包括但不限于vggnet、alexnet、lenet5等。本领域技术人员可以理解的是，此处仅为举例说明，在其他实施例中，也可以是其他模型，本技术对此不作限制。
44.在本实施例中，服务器在得到全心脏的心脏动调图像之后，可以输入预先构建的机器学习模型中，通过机器学习模型进行全心脏全期相图像的构建，以得到对应于被测对象的全心脏多期相定位图像。
45.在本实施例中，全心脏多期相定位图像可以包括心脏在不同心脏期相的切面定位图像，例如，长轴、两腔、三腔、四腔或者短轴以及其他临床惯用的切面在心脏各个心脏运动期相下的图像，其还可以包括单不限于心脏在心脏收缩期和/或心脏舒张期的定位切面图像。
46.在本实施例中，机器学习模型为预先构建的模型，服务器可以预先获取训练数据，并对构建的初始机器学习模型进行训练，以得到机器学习模型。
47.具体地，服务器可以对训练数据进行标注，并将标注后的训练数据分为训练数据集以及测试训练集。
48.在本实施例中，服务器可以通过训练数据集对构建的初始机器学习模型进行迭代训练，并训练完成后，通过测试数据集进行测试。
49.在本实施例中，服务器进行模型训练的时候，可以基于模型输出的训练结果以及输入的训练数据集，确定初始机器学习模型的模型损失，并基于模型损失，对初始机器学习模型进行模型参数的更新。
50.进一步，服务器可以对模型参数更新后的初始神经网络模型进行迭代训练，直至训练完成。
51.在本实施例中，服务器可以预先设置测试通过率，并在测试通过率达到预设阈值时，指示模型测试通过。
52.在本实施例中，训练数据可以包括不同期相状态下的数据，例如，呼气状态下的数据，吸气状态下的数据，或者是长轴、两腔、三腔、四腔以及短轴等不同的数据。
53.上述全心脏多期相定位图像生成方法中，通过获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相，然后将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。从而，使得在获取到心脏动态图像后，可以通过机器学习等方式，基于心脏动态图像中不同心脏切面的不同心脏期相，构建得到对应被测对象的全心脏多期相定位图像，相比于传统方式中通过多次屏气采集，并进行手工标定，本技术方案可以提升数据处理的智能化水平，并且可以减少数据采集的时间，进而可以提升数据处理的效率。
54.在其中一个实施例中，获取被测对象的心脏动态图像为被测对象处于单次呼吸状态时采集的。
55.具体地，在进行心脏图像采集的时候，由于心脏位于胸腔内部，被测对象的吸气或者是呼气均会对采集的图像造成干扰。
56.在本实施例中，服务器可以是在被测对象处于屏气时进行图像的采集，例如，被测对象处于呼气状态或者是吸气状态时，采集被测对象的心脏动态图像。
57.具体地，服务器在接收到采集指令后，可以发出语音提示，如吸气或者呼气，以提示被测对象吸气或者呼气。
58.在其中一个实施例中，获取被测对象的心脏动态图像，可以包括：通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
59.在本实施例中，当被测对象处于吸气状态或者呼气状态时，服务器可以采用多层并行激发的方式，同时采集被测对象的心脏肌肉在多个断层的图像。例如，通过一次采集，并行对多个切面均进行激发，以并行采集多个切面的图像。
60.在本实施例中，动态图像是心脏切面在采集时间区间内多个采集时刻所对应的多个心脏期相的图像集合，服务器可以对各采集时刻均通过多层并行激发的方式，以得到被测对象在采集时间区间内各采集时刻对应的各心脏切面的图像，即得到被测对象的动态心脏图像。
61.上述实施例中，通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像，从而，使得可以通过一次采集即可采集到全心脏的多个心脏切面的动态图像，相比于传统方式中逐个切面进行采集，本技术方案可以减少采集时间，提升采集效率。并且，可以减少被测对象的屏气时间，提升用户体验。
62.在其中一个实施例中，获取被测对象的心脏动态图像，可以包括：通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
63.在本实施例中，服务器在进行心脏切面采样的时候，可以是以欠采样的方式进行的，例如，对于全心脏，可以仅采集10个心脏切面的动态图像，然后通过压缩感知的方式，得到被测对象的心脏动态图像。
64.同理，对于各心脏切面的动态图像，服务器在采集的时候，服务器也可以通过欠采样的方式，采集部分采集时刻的帧图像，并基于欠采样得到的多帧图像，得到对应心脏切面的动态图像。
65.例如，参考图3，对于某一心脏切面，服务器在采样的时候，通过欠采样的方式，可以仅采集20个采集时刻的帧图像，如采集整时刻的帧图像，即时刻1、时刻2
…
时刻20，然后通过压缩感知的方式，基于欠采样的帧图像，构建全期相图像，如构建出时刻1与时刻2之间时刻1.5的图像，或者是时刻1.75的图像等，并基于得到帧图像，得到各心脏切面对应全期相的动态图像。
66.上述实施例中，通过欠采样的方式采集被测对象的多个心脏切面的动态图像，并得到被测对象的心脏动态图像，可以减少采集的数量，提升采集效率。
67.在其中一个实施例中，服务器通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，可以通过层间混叠的方式，对不同心脏切面之间的图像进行去混叠处理，以得到被测对象的全心脏的心脏动调图像。
68.在其中一个实施例中，将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像，可以包括：通过机器学习模型，对各心脏切面的动态图像进行特征提取，得到对应各动态图像的特征数据；基于各特征数据，进行图像重构，得到全心脏动态图像；基于全心脏动态图像，确定被测对象的心脏的全心脏多期相定位图像。
69.具体地，服务器可以机器学习模型对输入的各动态图像进行卷积以及下采样处理，以得到对应各动态图像的特征图，即得到特征数据。
70.进一步，服务器可以对得到的特征数进行图像重构处理，以得到对应于全心脏的全心脏动态图像。
71.进一步，服务器可以从全心脏动态图像，识别出对应各心脏期相的定位图像，如对应于长轴、两腔、三腔、四腔以及短轴，或者是呼气、吸气状态的定位图像，以得到全心脏多期相定位图像。
72.在其中一个实施例中，上述方法还可以包括：接收心肌图像扫描请求；基于心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像；基于目标期相定位图像对被测对象的待扫描心肌部位进行定位，并进行扫描，得到对应心肌图像扫描请求的心肌序列图像。
73.如前文所述，磁共振扫描过程，通常首先由医生通过预扫描图像识别出解剖学位
置后手工标定参考定位线，然后于定位图像解剖学位置施加扫描序列进行精确扫描。
74.在本实施例中，服务器在获取到被测对象的全心脏多期相定位图像之后，可以根据用户的心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像，并将确定的目标期相定位图像作为定位图像进行精确扫描，以得到对应心肌图像扫描请求的心肌序列图像。
75.在本实施例中，心脏全期相定位图像中包括了心脏在不同心脏期相的切面定位图像，则服务器可以基于实际应用的需求，从中确定对应的目标期相定位图像，并进行后续的扫描处理，而无需对每一不同心脏期相均进行采集并进行定位，减少了数据处理的时间，提升了数据处理的效率。
76.在本实施例中，全心脏多期相定位图像生成方法可以应用于梯度回波(gradient echo，gre)、平衡稳态自由进动(balanced steady
‑
state free precession，bssfp)序列，平面回波成像(echo planar imaging，epi)序列等成像序列中。相位调制可由射频脉冲和/或梯度场实现，服务器也可以通过其他方式实现，本技术对此不作限制。
77.本发明实施例中，全心脏多期相定位图像生成方法，适用于磁共振心脏扫描快速定位扫描。这种新型的方法提出：在一次屏气或者自由呼吸状态下，基于自校准动态的同时多层并行激发技术和高倍加速的single shot(单次激发)cine(电影成像)得到高分辨率并且更大覆盖范围的全心(volumetric)2d cine，在多层并行同时激发要素(mb factor)等于2的情况下，采集30
‑
40层或者更多层，利用更多通道线圈，可以达到更高并行效果，因而在同样时间内可以扫描更多片层，从而可以增加扫描的覆盖率，或者在同样覆盖范围内极大的减少扫描时间，因而减少被测对象的屏气时间。
78.在本实施例中，通过人工智能机器学习(machine learning，ml)进行重建处理，可以得出多个心脏期相的切面定位，例如长轴、两腔、三腔、四腔或者短轴，以及其他临床惯用的切面在心脏各个心脏运动期相下的图像，也就是说电影成像，包含或者不限于心脏收缩期和/或心脏舒张期的定位切面。这具有非常显著的临床意义，对其它心脏磁共振成像的应用提供了直接的定位帮助，极大地增加了定位覆盖率，比如临床应用中需要基于心脏收缩期而有些临床应用需要基于心脏舒张期的定位图像去定位或采集，在临床应用场景中可以根据具体的心脏应用，去选取和应用采集到特定期相的定位像作为后续扫描的定位基础。
79.在其中一个很好的应用场景中，如senc(strain
‑
encoded，应变编码)扫描，由于senc扫描是用来测量心肌应变的一种序列，而测量中最重要的定位是收缩期的心肌定位，普通的流程包括上述提到的心脏两腔和四腔的定位技术，并且要结合两腔和四腔，以及短轴的电影成像，才能够精确的定位出心脏收缩期下的各个定位。本技术方案通过cine(电影成像)功能的easy scan(快捷扫描)，整个定位的流程可以将常规需要多次屏气扫描缩短为仅仅一个屏气的2d多层全心覆盖的cine easy scan扫描，大大的简化了定位流程以及扫描时间，使得senc技术的扫描更快速，更容易扫描。
80.同时，2d tmb cine easy scan(2d动态多层并行同时激发电影成像快捷扫描)实际上对于心功能的分析也有很好的实际意义。
81.应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分
步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
82.在一个实施例中，如图4所示，提供了一种全心脏多期相定位图像生成装置，包括：心脏动态图像获取模块100以及全心脏多期相定位图像生成模块200，其中：
83.心脏动态图像获取模块100，用于获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相。
84.全心脏多期相定位图像生成模块200，用于将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
85.在其中一个实施例中，心脏切面可以包括：横断位切面、冠状位切面以及矢状位切面中任一种。
86.在其中一个实施例中，获取被测对象的心脏动态图像为被测对象处于单次呼吸状态时采集的。
87.在其中一个实施例中，心脏动态图像获取模块100用于通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
88.在其中一个实施例中，心脏动态图像获取模块100通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
89.在其中一个实施例中，全心脏多期相定位图像生成模块200，可以包括：
90.特征提取子模块，用于通过机器学习模型，对各心脏切面的动态图像进行特征提取，得到对应各动态图像的特征数据。
91.重构子模块，用于基于各特征数据，进行图像重构，得到全心脏动态图像。
92.全心脏多期相定位图像生成子模块，用于基于全心脏动态图像，确定被测对象的心脏的全心脏多期相定位图像。
93.在其中一个实施例中，上述装置还可以包括：
94.请求接收模块，用于接收心肌图像扫描请求。
95.目标期相定位图像确定模块，用于基于心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像。
96.定位与扫描模块，用于基于目标期相定位图像对被测对象的待扫描心肌部位进行定位，并进行扫描，得到对应心肌图像扫描请求的心肌序列图像。
97.关于全心脏多期相定位图像生成装置的具体限定可以参见上文中对于全心脏多期相定位图像生成方法的限定，在此不再赘述。上述全心脏多期相定位图像生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
98.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据
库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储动态心脏图像以及全心脏多期相定位图像等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种全心脏多期相定位图像生成方法。
99.本领域技术人员可以理解，图5中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
100.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相；将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
101.在其中一个实施例中，心脏切面可以包括：横断位切面、冠状位切面以及矢状位切面中任一种。
102.在其中一个实施例中，获取被测对象的心脏动态图像可以为被测对象处于单次呼吸状态时采集的。
103.在其中一个实施例中，处理器执行计算机程序时实现获取被测对象的心脏动态图像，可以包括：通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
104.在其中一个实施例中处理器执行计算机程序时实现获取被测对象的心脏动态图像，可以包括：通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
105.在其中一个实施例中，处理器执行计算机程序时实现将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像，可以包括：通过机器学习模型，对各心脏切面的动态图像进行特征提取，得到对应各动态图像的特征数据；基于各特征数据，进行图像重构，得到全心脏动态图像；基于全心脏动态图像，确定被测对象的心脏的全心脏多期相定位图像。
106.在其中一个实施例中，处理器执行计算机程序时还可以实现以下步骤：接收心肌图像扫描请求；基于心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像；基于目标期相定位图像对被测对象的待扫描心肌部位进行定位，并进行扫描，得到对应心肌图像扫描请求的心肌序列图像。
107.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取被测对象的心脏动态图像，心脏动态图像包括被测对象的多个心脏切面的动态图像，各动态图像包括对应心脏切面的多帧图像，各帧图像指示心脏切面在对应时刻的心脏期相；将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像。
108.在其中一个实施例中，心脏切面可以包括：横断位切面、冠状位切面以及矢状位切面中任一种。
109.在其中一个实施例中，获取被测对象的心脏动态图像可以为被测对象处于单次呼
吸状态时采集的。
110.在其中一个实施例中，计算机程序被处理器执行时实现获取被测对象的心脏动态图像，可以包括：通过同时多层并行激发的方式，并行采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
111.在其中一个实施例中，计算机程序被处理器执行时实现获取被测对象的心脏动态图像，可以包括：通过心脏切面欠采样的方式，采集被测对象的多个心脏切面的动态图像，得到被测对象的心脏动态图像。
112.在其中一个实施例中，计算机程序被处理器执行时实现将心脏动态图像输入预先构建的机器学习模型中，通过机器学习模型生成对应被测对象的心脏的全心脏多期相定位图像，可以包括：通过机器学习模型，对各心脏切面的动态图像进行特征提取，得到对应各动态图像的特征数据；基于各特征数据，进行图像重构，得到全心脏动态图像；基于全心脏动态图像，确定被测对象的心脏的全心脏多期相定位图像。
113.在其中一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：接收心肌图像扫描请求；基于心肌图像扫描请求，从全心脏多期相定位图像中确定目标期相定位图像；基于目标期相定位图像对被测对象的待扫描心肌部位进行定位，并进行扫描，得到对应心肌图像扫描请求的心肌序列图像。
114.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
115.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
116.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。