一种成像方法、装置及存储介质制造方法及图纸

本申请公开了一种成像方法、装置及存储介质，利用训练好的可面向多种目标成像任务的第一神经网络和第二神经网络对被测组织进行成像。第一神经网络利用被测组织的降采数据重建获得质量较优的图像；第二神经网络对第一神经网络输出的质量较优的图像执行与目标成像任务相对应的图像处理操作，获得符合目标成像任务的被测组织的目标图像。相比现有技术，该方法所成目标图像与目标成像任务相互匹配，能精准反映医生所需的信息，因此目标图像可用性更强。当面对不同的目标成像任务时，第一神经网络和第二神经网络即分别采用与目标成像任务相对应的参数。对成像任务的适用性非常广，十分便捷可靠。

An imaging method, device and storage medium

【技术实现步骤摘要】
一种成像方法、装置及存储介质
本申请涉及数据处理
，特别是涉及一种成像方法、装置及存储介质。
技术介绍
医学成像是目前医学领域常用的技术手段。传统的医学成像方法以图像的整体质量为导向，要求最终获得的图像具有较高的信噪比和分辨率，以及较优的对比度，但是图像的实际应用效果不佳。由于这种成像方法着重强调需保证图像中大部分区域的质量，反而忽视了小部分区域的质量，例如图像中某些病灶区域存在严重伪影和噪声，导致图像难以精准反映病灶的真实状况。由此可见，在实际应用中，因为传统医学成像方法以图像的整体质量为导向，所获得的图像常无法精准地反映医生所需的信息。
技术实现思路
基于上述问题，本申请提供了一种成像方法、装置及存储介质，以使获得的图像能够精确地反映医生所需的信息。本申请实施例公开了如下技术方案：第一方面，本申请提供一种成像方法，应用于对被测组织进行成像；所述方法包括：利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像；所述第一神经网络包括第一神经网络参数和第一神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数；利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作，获得所述第二神经网络输出的图像作为所述被测组织的目标图像；所述第二神经网络包括第二神经网络参数和第二神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。可选地，所述利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像，具体包括：对所述被测组织的降采数据进行图像重建获得输入图像；利用所述目标成像任务对应的第一神经网络对所述输入图像进行重建，获得所述重建后的图像。可选地，在所述对所述被测组织的降采数据进行图像重建获得输入图像之前，所述方法还包括：获取历史组织的降采数据和满采数据；所述历史组织与所述被测组织的类型相同；根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练，并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练，获得所述第一神经网络参数和所述第二神经网络参数。可选地，所述根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练，并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练，获得所述第一神经网络参数和所述第二神经网络参数，具体包括：利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集；利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集；对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作，获得图像作为所述第二标注集；将所述输入集输入至所述第一神经网络模型，获得所述第一神经网络模型的第一输出结果；将所述第一输出结果输入至所述第二神经网络模型，获得所述第二神经网络模型的第二输出结果；利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值；以及，利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值；不同的目标成像任务对应不同的第一损失函数；不同的目标成像任务对应不同的第二损失函数；依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件，如果满足则继续迭代，如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数；或者，判断迭代次数是否达到预设次数，如果否则继续迭代，如果是，则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。可选地，具体应用于对所述被测组织进行磁共振成像；所述对所述被测组织的降采数据进行图像重建获得输入图像，具体包括：对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建，获得所述输入图像。可选地，当所述被测组织为脑组织时，所述目标成像任务为灰白质分割；当所述被测组织为腹部组织时，所述目标成像任务为水脂分离。可选地，具体应用于对所述被测组织进行CT成像；所述对所述被测组织的降采数据进行图像重建获得输入图像，具体包括：对所述被测组织的降采弦图进行滤波反投影重建，获得所述输入图像。可选地，所述被测组织为肺组织，所述目标成像任务为肺组织分割。第二方面，本申请提供一种成像装置，应用于对被测组织进行成像；所述装置包括：第一成像模块，用于利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像；所述第一神经网络包括第一神经网络参数和第一神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数；第二成像模块，用于利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作，获得所述第二神经网络输出的图像作为所述被测组织的目标图像；所述第二神经网络包括第二神经网络参数和第二神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。可选地，所述第一成像模块包括：输入图像获取单元，用于对所述被测组织的降采数据进行图像重建获得输入图像；图像重建单元，用于利用目标成像任务对应的第一神经网络对所述输入图像进行重建，获得重建后的图像；可选地，所述装置还包括：数据获取模块，用于获取历史组织的降采数据和满采数据；所述历史组织与所述被测组织的类型相同；网络训练模块，用于根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练，并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练，获得所述第一神经网络参数和所述第二神经网络参数。可选地，所述网络训练模块具体包括：训练集获取单元，用于利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集；利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集；对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作，获得图像作为所述第二标注集；第一训练单元，用于将所述输入集输入至所述第一神经网络模型，获得所述第一神经网络模型的第一输出结果；第二训练单元，用于将所述第一输出结果输入至所述第二神经网络模型，获得所述第二神经网络模型的第二输出结果；第三训练单元，用于利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值；以及，用于利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值；不同的目标成像任务对应不同的第一损失函数；不同的目标成像任务对应不同的第二损失函数；第四训练单元，用于依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件，如果满足则继续迭代，如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数；或者，用于判断迭代次数是否达到预设次数，如果是，则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。可选地，前述装置具体应用于对所述被测组织进行磁共振成像；则所述输入图像获取单元，具体包括：第一获取单元，用于对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建，获得所述输入图像。可选地，前述装置具体应用于对所述被测组织进行CT成本文档来自技高网...

【技术保护点】
1.一种成像方法，其特征在于，应用于对被测组织进行成像；所述方法包括：利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像；所述第一神经网络包括第一神经网络参数和第一神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数；利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作，获得所述第二神经网络输出的图像作为所述被测组织的目标图像；所述第二神经网络包括第二神经网络参数和第二神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。

【技术特征摘要】
1.一种成像方法，其特征在于，应用于对被测组织进行成像；所述方法包括：利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像；所述第一神经网络包括第一神经网络参数和第一神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第一神经网络参数；利用所述目标成像任务对应的第二神经网络对所述重建后的图像执行所述目标成像任务对应的图像处理操作，获得所述第二神经网络输出的图像作为所述被测组织的目标图像；所述第二神经网络包括第二神经网络参数和第二神经网络模型；所述被测组织不同的目标成像任务对应不同的所述第二神经网络参数。2.根据权利要求1所述的方法，其特征在于，所述利用目标成像任务对应的第一神经网络对所述被测组织的降采数据进行重建，获得重建后的图像，具体包括：对所述被测组织的降采数据进行图像重建获得输入图像；利用所述目标成像任务对应的第一神经网络对所述输入图像进行重建，获得所述重建后的图像。3.根据权利要求2所述的方法，其特征在于，在所述对所述被测组织的降采数据进行图像重建获得输入图像之前，所述方法还包括：获取历史组织的降采数据和满采数据；所述历史组织与所述被测组织的类型相同；根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练，并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练，获得所述第一神经网络参数和所述第二神经网络参数。4.根据权利要求3所述的方法，其特征在于，所述根据所述历史组织的降采数据和满采数据对所述第一神经网络模型进行训练，并根据所述历史组织的降采数据和满采数据对所述第二神经网络模型进行训练，获得所述第一神经网络参数和所述第二神经网络参数，具体包括：利用历史组织的降采数据进行图像重建获得第一重建图像作为所述目标成像任务的输入集；利用所述历史组织的满采数据进行图像重建获得第二重建图像作为所述目标成像任务的第一标注集；对所述第二重建图像执行与所述目标成像任务相对应的图像处理操作，获得图像作为所述第二标注集；将所述输入集输入至所述第一神经网络模型，获得所述第一神经网络模型的第一输出结果；将所述第一输出结果输入至所述第二神经网络模型，获得所述第二神经网络模型的第二输出结果；利用所述第一输出结果和所述第一标注集获得所述第一神经网络模型的第一损失函数的函数值；以及，利用所述第二输出结果和所述第二标注集获得所述第二神经网络模型的第二损失函数的函数值；不同的目标成像任务对应不同的第一损失函数；不同的目标成像任务对应不同的第二损失函数；依据所述第一损失函数的函数值和所述第二损失函数的函数值判断是否满足训练的迭代条件，如果满足则继续迭代，如果不满足则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数；或者，判断迭代次数是否达到预设次数，如果否则继续迭代，如果是，则停止迭代并确定所述第一神经网络参数和所述第二神经网络参数。5.根据权利要求2-4任一项所述的方法，其特征在于，具体应用于对所述被测组织进行磁共振成像；所述对所述被测组织的降采数据进行图像重建获得输入图像，具体包括：对所述被测组织的降采K空间数据进行逆傅里叶变换或敏感度编码方法重建，获得所述输入图像。6.根据权利要求5所述的方法，其特征在于，当所述被测组织为脑组织时，所述目标成像任务为灰白质分割；当所述被测组织为腹部...

【专利技术属性】
技术研发人员：黄峰，
申请(专利权)人：沈阳东软医疗系统有限公司，
类型：发明
国别省市：辽宁,21