医学图像的处理方法、装置、存储介质及处理器制造方法及图纸

本申请公开了一种医学图像的处理方法、装置、存储介质及处理器。该方法包括：获取第一模态的医学图像；将第一模态的医学图像通过配准生成对抗网络进行转换，得到第二模态的医学图像，其中，配准生成对抗网络是由生成式对抗网络训练得到，生成式对抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合第一模态的医学图像中未对齐的噪声分布，第一模态和第二模态不同。通过本申请，解决了相关技术中对医学图像转换的精度较低的问题。中对医学图像转换的精度较低的问题。中对医学图像转换的精度较低的问题。

【技术实现步骤摘要】
医学图像的处理方法、装置、存储介质及处理器


[0001]本申请涉及图像处理
，具体而言，涉及一种医学图像的处理方法、装置、存储介质及处理器。

技术介绍

[0002]生成式对抗网络(Generative Adversarial Network，简称GAN)在图像到图像的翻译领域显示出巨大的潜力。它已成功应用于医学图像分析，如分割、配准和剂量计算。然而，现有的模式有其局限性。
[0003]具体而言，生成式对抗网络(GAN)是通过一个训练生成器G和一个鉴别器D进行对抗训练来实现图像生成转换的过程。生成器用于将源域图像X的分布转换为目标域图像Y的分布。鉴别器是用于确定目标域图像是否可能来自生成器或真实数据。
[0004][0005]有监督的Pix2Pix和无监督的Cycle
‑
consistency是GAN中两种常用的模式。Pix2Pix更新生成器(G:X
→
Y)通过最小化源图像x和目标图像Y之间的像素级L1损失。因此，它需要对齐良好的成对图像，其中，每个像素都有相应的标签。
[0006本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像的处理方法，其特征在于，包括：获取第一模态的医学图像；将所述第一模态的医学图像通过配准生成对抗网络进行转换，得到第二模态的医学图像，其中，所述配准生成对抗网络是由生成式对抗网络训练得到，所述生成式对抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合所述第一模态的医学图像中未对齐的噪声分布，所述第一模态和所述第二模态不同。2.根据权利要求1所述的方法，其特征在于，在将所述第一模态的医学图像通过配准生成对抗网络进行转换之前，所述方法还包括：获取医学样本图像对，其中，所述医学样本图像对中包括：第一模态的医学样本图像和第二模态的医学样本图像；将所述第一模态的医学样本图像输入生成模型中，得到转换后的第二模态的医学样本图像；采用所述第二模态的医学样本图像通过所述目标配准网络对所述转换后的第二模态的医学样本图像进行配准，得到配准后的第二模态的医学样本图像；根据配准后的第二模态的医学样本图像调整所述生成模型的参数，以得到所述配准生成对抗网络。3.根据权利要求2所述的方法，其特征在于，根据配准后的第二模态的医学样本图像调整所述生成模型的参数，以得到所述配准生成对抗网络包括：计算所述配准后的第二模态的医学样本图像和所述第二模态的医学样本图像的相似度；基于所述相似度调整所述生成模型的参数，以得到所述配准生成对抗网络。4.根据权利要求2所述的方法，其特征在于，采用所述第二模态的医学样本图像通过所述目标配准网络对所述转换后的第二模态的医学样本图像进行配准，得到配准后的第二模态的医学样本图像包括：在所述目标配准网络中，采用平滑损失函数约束形变场，其中，所述形变场作用于所述转换后的第二模态的医学样本图像上，使得所述转换后的第二模态的医学样本图像与所述所述第二模态的医学样本图像进行配准，得到所述配准后的第二模态的医学样本图像。5.根据权利要求3所述的方法，...

【专利技术属性】
技术研发人员：周琦超，孔令轲，
申请(专利权)人：福建自贸试验区厦门片区Manteia数据科技有限公司，
类型：发明
国别省市：