医学图像重建技术的方法、装置、存储介质和电子设备制造方法及图纸

本申请适用于图像重建技术领域，提供了一种医学图像重建技术的方法、装置、存储介质和电子设备，包括：获取样本训练数据集，样本训练数据集包括第一图像和第二图像，其中，第一图像为低分辨率图像，第二图像为与第一图像对应的高分辨率图像；生成器对所述第一图像进行图像重建，得到第三图像，第三图像为第一图像对应的重建图像，生成器为经过预训练的宽度学习网络；将第二图像与第三图像输入至判别器中，并根据判别器的输出结果调整生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器，利用训练完成的生成器进行医学图像重建。本申请可缩短医学图像重建模型的训练时间，并提高医学图像重建的效率。

【技术实现步骤摘要】
医学图像重建技术的方法、装置、存储介质和电子设备
本申请属于图像重建
，尤其涉及一种医学图像重建技术的方法、装置、存储介质和电子设备。
技术介绍
近30年来，以磁共振成像(MagneticResonanceImaging，MRI)、电子计算机断层扫描(ComputedTomography，CT)和超声为代表的高端医学影像技术和设备不断发展，功能和性能日趋完善，检查技术和方法亦在不断创新。然而，MRI/CT图像的质量并不都是尽如人意的，大量图像存在模糊、部分缺漏等问题，这样的图像往往需要进行图像重建或增强后才能被正常用于诊断。现有的医学图像重建技术中，大多采用卷积神经网络(ConvolutionalNeuralNetworks，CNN)构建并训练重建深度学习重建模型进行图像重建。然而，使用卷积神经网络的深度学习重建模型的模型训练耗时较长，模型性能较差，进行医学图像重建效率较低。
技术实现思路
本申请实施例提供了一种医学图像重建技术的方法、装置、存储介质和电子设备，可以解决现有技术中，存在图像重建模型训练耗时较长，模型性能较差，进行医学图像重建效率较低的问题。第一方面，本申请实施例提供了一种医学图像重建技术的方法，包括：获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；利用训练完成的所述生成器进行医学图像重建。在第一方面的一种可能的实现方式中，所述生成器对所述第一图像进行图像重建，得到第三图像的步骤，包括：提取所述第一图像的线性特征，得到特征节点；对所述特征节点进行非线性特征增强，得到增强节点；根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像。在第一方面的一种可能的实现方式中，所述根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像的步骤，包括：基于所述特征节点与所述增强节点，构建输入矩阵；基于所述预训练模型参数，构建预训练参数矩阵；根据所述输入矩阵和所述预训练参数矩阵，确定所述预训练的生成器的输出矩阵；基于所述输出矩阵进行图像重建，得到第三图像。在第一方面的一种可能的实现方式中，所述根据所述判别器的输出结果调整所述生成器的模型参数的步骤，包括：根据预设的损失函数，计算所述第三图像与所述第二图像的损失值；根据所述损失值调整所述生成器的模型参数。在第一方面的一种可能的实现方式中，所述宽度学习网络包括输出层，所述根据所述损失值调整所述生成器的模型参数的步骤，包括：根据反向传播算法，计算所述损失值在所述输出层的梯度向量；根据所述梯度向量，调整所述生成器的模型参数。在第一方面的一种可能的实现方式中，所述宽度学习网络的预训练包括获取预训练模型参数，具体包括：提取所述第一图像的线性特征，得到第一图像特征节点；对所述第一图像特征节点进行非线性特征增强，得到第一图像增强节点；基于所述第一图像特征节点与所述第一图像增强节点，构建模型输入矩阵；提取所述第二图像的线性特征，得到第二图像特征节点；根据所述第二图像特征节点，构建模型输出矩阵；根据所述模型输入矩阵以及所述模型输出矩阵，得到所述宽度学习网络的预训练模型参数。第二方面，本申请实施例提供了一种医学图像重建技术的装置，包括：样本数据获取单元，用于获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；第一训练单元，用于生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；第二训练单元，用于将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；模型应用单元，用于利用训练完成的所述生成器进行医学图像重建。第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的医学图像重建技术的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的医学图像重建技术的方法。第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行如上述第一方面所述的医学图像重建技术的方法。本申请实施例中，通过获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像，生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。本申请优化了基于生成对抗网络的图像重建模型，在对图像重建模型进行训练之前对生成器进行了预训练，使得生成器已经拥有了部分的拟合能力，可大幅节省训练的迭代次数，缩短模型的训练时间，再结合判别器的验证进一步调整模型参数，提高图像重建模型的性能，增强图像重建模型应用的及时性，在实际应用中可以满足更多需要，再利用训练完成的生成器进行医学图像重建，可提高医学图像重建的效率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的医学图像重建技术的方法的实现流程图；图2是本申请实施例提供的医学图像重建技术的方法中的生成器重建图像的具体实现流程图；图3是本申请实施例提供的医学图像重建技术的方法中宽度学习网络BLS预训练过程的具体实现流程图；图4是本申请实施例提供的医学图像重建技术的方法中生成器的模型参数调整的具体实现流程图；图5是本申请实施例提供的医学图像重建技术的方法的模型训练场景示意图；图6是本申请实施例本文档来自技高网...

【技术保护点】
1.一种医学图像重建技术的方法，其特征在于，包括：/n获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；/n生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；/n将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；/n利用训练完成的所述生成器进行医学图像重建。/n

【技术特征摘要】
1.一种医学图像重建技术的方法，其特征在于，包括：
获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；
生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；
将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；
利用训练完成的所述生成器进行医学图像重建。


2.根据权利要求1所述的方法，其特征在于，所述生成器对所述第一图像进行图像重建，得到第三图像的步骤，包括：
提取所述第一图像的线性特征，得到特征节点；
对所述特征节点进行非线性特征增强，得到增强节点；
根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像。


3.根据权利要求2所述的方法，其特征在于，所述根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像的步骤，包括：
基于所述特征节点与所述增强节点，构建输入矩阵；
基于所述预训练模型参数，构建预训练参数矩阵；
根据所述输入矩阵和所述预训练参数矩阵，确定所述预训练的生成器的输出矩阵；
基于所述输出矩阵进行图像重建，得到第三图像。


4.根据权利要求1所述的方法，其特征在于，所述根据所述判别器的输出结果调整所述生成器的模型参数的步骤，包括：
根据预设的损失函数，计算所述第三图像与所述第二图像的损失值；
根据所述损失值调整所述生成器的模型参数。


5.根据权利要求4所述的方法，其特征在于，所述宽度学习网络包括输出层，所述根据所述损失值调整所述生成器的模型参数的步骤，包括：
根据反向传播算法，计算所述损失值在所述输出层的梯度向量；
根据所述梯度向量，调整所述生成器的模型参数。


6.根据权利要求1至5任一项所述的方...

【专利技术属性】
技术研发人员：王书强，胡博闻，申妍燕，
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：广东;44