医学图像处理方法、装置、计算机设备和可读存储介质制造方法及图纸

本发明专利技术涉及一种医学图像处理方法、装置、计算机设备和可读存储介质，该方法包括：获取检测对象的躺位形态结构图像；将躺位形态结构图像输入生成对抗网络模型中，得到预测图像；预测图像为躺位形态结构图像对应的磁场强度下检测对象的站立形态结构图像。该方法解决了现有技术中通过低磁场的检测方式获得的站立式磁共振图像不够准确的问题。

Medical image processing methods, devices, computer equipment and readable storage media

【技术实现步骤摘要】
医学图像处理方法、装置、计算机设备和可读存储介质
本专利技术涉及磁共振成像领域，特别是涉及一种医学图像处理方法、装置、计算机设备和可读存储介质。
技术介绍
磁共振成像技术是利用原子核在磁场内所产生的信号经重建成像的一种影像技术。磁共振成像技术与其它断层成像技术(如CT)有一些共同点，比如它们都可以显示某种物理量(如密度)在空间中的分布；同时也有它自身的特色，磁共振成像可以得到任何方向的断层图像，三维体图像，甚至可以得到空间－波谱分布的四维图像。MRI提供的信息量不但大于医学影像学中的其他许多成像术，而且不同于已有的成像术，因此，它对疾病的诊断具有很大的潜在优越性。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT检测中的伪影；不需注射造影剂；无电离辐射，对机体没有不良影响。MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效，同时对腰椎椎间盘后突、原发性肝癌等疾病的诊断也很有效。基于其具有对人体没有电离辐射损伤、软组织结构显示清晰、图像对比度清晰、影像信息丰富等众多优点，磁共振扫描已经成为临床上广泛采用的扫描技术。目前应用于临床针对的磁共振产品按照磁场强度主要分为如下几类：应用于解剖学诊断的0.3T、0.5T等低场永磁磁共振；应用于解剖学、功能学研究的中场1.0T超导磁共振；应用于解剖学、神经系统功能学的高场1.5T超导磁共振；应用于解剖学、全身多部位功能学的超高场3.0T超导磁共振。当然还包括处于临床试验阶段的7.0T及以上的超高场超导磁共振。通常情况下，磁场强度越强，其功能就越强大，成像速度也就越快，特别是对于一些运动的器官(如心脏，腹部各脏器组织。)其优势就凸显出来，与永磁相比其影像的分辨率是两个概念极。但是，传统的永磁磁共振已经不能满足患者需求，无法最大限度达到早期诊断和早期治疗的目的。超高场磁共振成像的优势除了灵敏度提高本身，而是有助于实现一系列成像方法及应用。在超高场下，化学位移增加、血氧水平依赖性(BOLD)对比增强、弛豫时间改变和磁敏感效应增大，这使得超高场磁共振成像技术在核磁共振波谱(MRS)、BOLD功能性磁共振成像(fMRI)、化学交换饱和转移(CEST)、磁敏感加权成像(SWI)和定量磁敏感成像(QSM)方面的应用具有先天优势。然而，高场磁共振也存在一定的限制，例如：对于带有心脏起搏器的患者，场强过高会导致停搏；体内有金属的患者，未防止高场下金属异物的移动，也不适用于高场检查。此外，高场磁共振则会影响人身体内部组织的相互作用，并会对磁铁对象或植入物产生磁力作用，存在安全隐患。与此同时磁共振对人体刺激的频率及波长和磁场强度是联系在一起的，当磁感应度为1.5时，刺激的频率是64MHz、波长约为56cm；当磁感应度为3时频率和波长分别为128MHz和28cm；而当磁感应度为7时甚至是300MHz和12cm。波长越短能量密度就越大，这被称作每公斤单位的特殊的吸收速率，波长过短会引发吸收速率的异质性，限值被迅速超越时会使其导致皮肤烧伤。高场磁共振在生理学上会造成短时间的影响，据报道，少数被试者在7磁感应度的磁共振研究中感到晕眩、恶心或口腔内产生金属味觉。另一方面，当前的大部分磁共振扫描中，受试者一般采用或躺或趴的方式进行检测，而受试者在检测时采用的爬或躺的方式，使得椎骨受到脑部压迫的力不存在，导致获得的磁共振图像无法准确地反应组织结构；在日常状态下的关联关系。现有技术中，通常使受试者站立于低磁场系统中，从而获得更为接近人体日常状态的磁共振图像。但是，低磁场的检测方式存在获得的站立式磁共振图像不够准确的问题。
技术实现思路
基于此，有必要针对低磁场的检测方式存在获得的站立式磁共振图像不够准确的问题，提供一种医学图像处理方法、装置、计算机设备和可读存储介质。第一方面，本专利技术实施例提供一种医学图像处理方法，所述方法包括：获取检测对象的躺位形态结构图像；将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下所述检测对象的站立形态结构图像。在其中一个实施例中，所述躺位形态结构图像与所述预测图像为同一检测对象的医学图像，所述医学图像对应的检测区域包括目标检测部位；所述目标检测部位在躺位形态下相对周围组织的位置与所述目标检测部位在站立形态下相对周围组织的位置不同，和/或，所述目标检测部位在躺位形态下的形态与所述目标检测部位在站立形态下的形态不同。在其中一个实施例中，所述目标检测部位包括所述检测对象的脊柱、小脑、肝脏、子宫中的至少一种。在其中一个实施例中，所述将所述躺位形态结构图像和所述站立形态结构图像，输入生成对抗网络网络模型中，得到预测图像之前，所述方法还包括：对所述躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像；所述将所述躺位形态结构图像，输入生成对抗网络模型中，得到预测图像，包括：将所述归一化处理后的躺位形态结构图像，输入所述生成对抗网络模型中，得到预测图像。在其中一个实施例中，所述方法还包括：获取多个样本躺位形态结构图像和多个样本站立形态结构图像；所述各样本躺位形态结构图像对应的磁场强度大于所述各样本站立形态结构图像对应的磁场强度；将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型；所述预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。在其中一个实施例中，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型，包括：将所述各样本躺位形态结构图像输入所述预设初始生成器网络，得到所述各样本躺位形态结构图像对应的样本预测图像；将所述各样本预测图像和所述各样本站立形态结构图像输入所述预设初始判别器网络，输出判别结果，根据判别结果对所述预设初始生成器网络和所述预设初始判别器网络进行交替训练，得到所述生成对抗网络模型。在其中一个实施例中，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型之前，所述方法还包括：对所述各样本躺位形态结构图像和所述各样本站立形态结构图像进行归一化处理，得到归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像；将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型，包括：将所述归一化处理后的各样本躺位形态结构图像和所述归一化处理后的各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。第二方面，本专利技术实施例提供一种医学图像处理装置，所述装置包括：第一获取模块，用于获取检测对象的躺位形态结构图像；预测模块，用于将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强本文档来自技高网...

【技术保护点】
1.一种医学图像处理方法，其特征在于，所述方法包括：获取检测对象的躺位形态结构图像；将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下所述检测对象的站立形态结构图像。

【技术特征摘要】
1.一种医学图像处理方法，其特征在于，所述方法包括：获取检测对象的躺位形态结构图像；将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下所述检测对象的站立形态结构图像。2.根据权利要求1所述的方法，其特征在于，所述躺位形态结构图像与所述预测图像为同一检测对象的医学图像，所述医学图像对应的检测区域包括目标检测部位；所述目标检测部位在躺位形态下相对周围组织的位置与所述目标检测部位在站立形态下相对周围组织的位置不同，和/或，所述目标检测部位在躺位形态下的形态与所述目标检测部位在站立形态下的形态不同。3.根据权利要求2所述的方法，其特征在于，所述目标检测部位包括所述检测对象的脊柱、小脑、肝脏、子宫中的至少一种。4.根据权利要求1所述的方法，其特征在于，所述将所述躺位形态结构图像，输入生成对抗网络模型中，得到预测图像之前，所述方法还包括：对所述躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像；所述将所述躺位形态结构图像，输入生成对抗网络模型中，得到预测图像，包括：将所述归一化处理后的躺位形态结构图像，输入所述生成对抗网络模型中，得到预测图像。5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：获取多个样本躺位形态结构图像和多个样本站立形态结构图像；所述各样本躺位形态结构图像对应的磁场强度大于所述各样本站立形态结构图像对应的磁场强度；将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型；所述预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。6.根据权利要求5所述的方法，其特征在于，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对...

【专利技术属性】
技术研发人员：辛阳，张树恒，孟晓林，
申请(专利权)人：上海联影医疗科技有限公司，
类型：发明
国别省市：上海,31