本申请公开了一种医疗图像的重建方法及装置、非易失性存储介质。该方法包括：获取对增强CT图像进行分割处理得到的图像分割结果；确定图像分割结果中各器官的第一CT值和各器官对应的窗宽均值，并基于第一CT值和窗宽均值确定第一CT值的增强倍数，其中，窗宽均值为各器官在平扫CT图像中各像素点对应的常用CT值的平均值；将各器官的第二CT值降低增强倍数，得到各器官的第三CT值，并根据第三CT值确定第一目标平扫CT图像，其中，第二CT值为各器官在增强CT图像中各像素点对应的CT值。本申请解决了现有的增强CT图像与平扫CT图像转换方法存在平扫CT图像重建效果差、普适性较低等的技术问题。题。题。
【技术实现步骤摘要】
医疗图像的重建方法及装置、非易失性存储介质
[0001]本申请涉及CT图像重建领域，具体而言，涉及一种医疗图像的重建方法及装置、非易失性存储介质。
技术介绍
[0002]在深度学习医疗图像分割模型训练过程中，根据分割任务的不同，要对电子计算机断层扫描(Computed Tomography，CT)图像中不同器官进行人工标注，构建所需数据集。由于平扫CT图像中器官边界不明显所以难以进行人工标注，而增强CT图像具有明显的边界，容易区分各器官信息。因此，在医疗图像分割模型训练工作中，往往使用增强CT图像进行标注，构建数据集。由于通过增强CT图像训练得到的深度学习模型对增强CT图像具有较好的分割结果，但对平扫CT图像的识别结果较差，并且在实际的医疗环境中往往使用平扫CT图像进行疾病诊断。所以需要通过平扫CT图像构建数据集训练相应模型适应实际的应用需求，这与实际数据标注的难度相矛盾。因此，为了适应模型训练需要并降低数据标注难度，可以选择在增强CT图像上标注后，将增强CT图像转为平扫CT图像构建深度学习数据集。
[0003]现有技术中，增强CT图像与平扫CT图像转换主要基于深度学习方法，但是现有的方法大多存在平扫CT图像重建效果差以及普适性较低等问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请实施例提供了一种医疗图像的重建方法及装置、非易失性存储介质，以至少解决现有的增强CT图像与平扫CT图像转换方法存在平扫CT图像重建效果差、普适性较低等的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种医疗图像的重建方法，包括：获取对增强CT图像进行分割处理得到的图像分割结果；确定图像分割结果中各器官的第一CT值和各器官对应的窗宽均值，并基于第一CT值和窗宽均值确定第一CT值的增强倍数，其中，窗宽均值为各器官在平扫CT图像中各像素点对应的常用CT值的平均值；将各器官的第二CT值降低增强倍数，得到各器官的第三CT值，并根据第三CT值确定第一目标平扫CT图像，其中，第二CT值为各器官在增强CT图像中各像素点对应的CT值。
[0007]可选地，获取对增强CT图像进行分割处理得到的图像分割结果，包括：采用第一医疗图像分割模型对增强CT图像进行分割处理，得到第一图像分割结果，采用第二医疗图像分割模型对增强CT图像进行分割处理，得到第二图像分割结果，其中，第一医疗图像分割模型和第二医疗图像分割模型分别由不同的训练集输入至相同的神经网络模型中训练得到；对第一图像分割结果和第二图像分割结果中各器官对应的标签值进行合并处理，得到图像分割结果。
[0008]可选地，第一医疗图像分割模型和第二医疗图像分割模型通过以下方法确定：获取第一标注图像和第二标注图像，其中，第一标注图像是对样本增强CT图像中第一类器官
进行标注得到的图像，第二标注图像是对样本增强CT图像中第二类器官进行标注得到的图像；将第一标注图像和样本增强CT图像输入至神经网络模型中进行训练，得到第一医疗图像分割模型；将第二标注图像和样本增强CT图像输入至神经网络模型中进行训练，得到第二医疗图像分割模型。
[0009]可选地，对第一图像分割结果和第二图像分割结果中各器官对应的标签值进行合并处理，包括：将第一图像分割结果中目标器官的标签值修改为第一标签值；将第一图像分割结果中除第一标签值以外的器官的标签值进行重置，得到重置后的标签值；将重置后的标签值与第二图像分割结果中各器官对应的标签值进行合并，得到合并后的标签值，其中，合并后的标签值为图像分割结果中各器官的标签值。
[0010]可选地，确定图像分割结果中各器官的第一CT值和各器官对应的窗宽均值，并基于第一CT值和窗宽均值确定第一CT值的增强倍数，包括：根据图像分割结果中各器官的标签值确定各器官在增强CT图像中的显示区域；根据图像分割结果中各器官在其显示区域内的CT值确定第一CT值；确定第一CT值与窗宽均值的比值，并将比值确定为增强倍数。
[0011]可选地，上述方法还包括：分别确定不同年龄段内各用户的增强CT图像中各器官对应的增强倍数；确定不同年龄段内各用户的增强CT图像中各器官对应的增强倍数的平均值；根据平均值更新相应年龄段内所有用户的增强CT图像中各器官对应的增强倍数。
[0012]可选地，根据第三CT值确定第一目标平扫CT图像之后，上述方法还包括：确定增强CT图像中未转换为第一目标平扫CT图像的目标区域；根据预设窗宽均值降低目标区域内各像素点对应的CT值，得到第二目标平扫CT图像。
[0013]可选地，确定增强CT图像中未转换为第一目标平扫CT图像的目标区域，包括：提取增强CT图像中的第一区域的图像，其中，第一区域所含的像素点在增强CT图像和平扫CT图像中的CT值一致；提取第一目标平扫CT图像中的第二区域的图像，其中，第二区域所含的像素点的CT值处于预设区间内；根据增强CT图像、对应于第一区域的目标矩阵和对应于第二区域的位置矩阵，得到目标区域。
[0014]根据本申请实施例的另一方面，还提供了一种医疗图像的重建装置，包括：获取模块，用于获取对增强CT图像进行分割处理得到的图像分割结果；确定模块，用于确定图像分割结果中各器官的第一CT值和各器官对应的窗宽均值，并基于第一CT值和窗宽均值确定第一CT值的增强倍数，其中，窗宽均值为各器官在平扫CT图像中各像素点对应的常用CT值的平均值；处理模块，用于将各器官的第二CT值降低增强倍数，得到各器官的第三CT值，并根据第三CT值确定第一目标平扫CT图像，其中，第二CT值为各器官在增强CT图像中各像素点对应的CT值。
[0015]根据本申请实施例的再一方面，还提供了一种非易失性存储介质，非易失性存储介质中存储有程序，其中，在程序运行时控制非易失性存储介质所在设备执行以上的医疗图像的重建方法。
[0016]根据本申请实施例的再一方面，还提供了一种电子设备，包括：存储器和处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行以上的医疗图像的重建方法。
[0017]在本申请实施例中，通过获取对增强CT图像进行分割处理得到的图像分割结果；确定图像分割结果中各器官的第一CT值和各器官对应的窗宽均值，并基于第一CT值和窗宽
均值确定第一CT值的增强倍数，其中，窗宽均值为各器官在平扫CT图像中各像素点对应的常用CT值的平均值；将各器官的第二CT值降低增强倍数，得到各器官的第三CT值，并根据第三CT值确定第一目标平扫CT图像，其中，第二CT值为各器官在增强CT图像中各像素点对应的CT值的方式，通过图像分割方法将增强CT图像中的器官及组织进行分割，通过区域CT值等比例下降的方法将增强CT图像转换为平扫CT图像，从而实现了提高平扫CT图像的重建效果，以及增强CT图像转换为平扫CT图像的运算速度与普适性等技术效果，进而解决了现有的增强CT图像与平扫CT图像转换方法存在平扫CT图像重建效果差、普适性较低等技术问题。
附图说明
[0018]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医疗图像的重建方法，其特征在于，包括：获取对增强CT图像进行分割处理得到的图像分割结果；确定所述图像分割结果中各器官的第一CT值和所述各器官对应的窗宽均值，并基于所述第一CT值和所述窗宽均值确定所述第一CT值的增强倍数，其中，所述窗宽均值为所述各器官在平扫CT图像中各像素点对应的常用CT值的平均值；将所述各器官的第二CT值降低所述增强倍数，得到所述各器官的第三CT值，并根据所述第三CT值确定第一目标平扫CT图像，其中，所述第二CT值为所述各器官在所述增强CT图像中各像素点对应的CT值。2.根据权利要求1所述的方法，其特征在于，获取对增强CT图像进行分割处理得到的图像分割结果，包括：采用第一医疗图像分割模型对所述增强CT图像进行分割处理，得到第一图像分割结果，采用第二医疗图像分割模型对所述增强CT图像进行分割处理，得到第二图像分割结果，其中，所述第一医疗图像分割模型和所述第二医疗图像分割模型分别由不同的训练集输入至相同的神经网络模型中训练得到；对所述第一图像分割结果和所述第二图像分割结果中各器官对应的标签值进行合并处理，得到所述图像分割结果。3.根据权利要求2所述的方法，其特征在于，所述第一医疗图像分割模型和所述第二医疗图像分割模型通过以下方法确定：获取第一标注图像和第二标注图像，其中，所述第一标注图像是对样本增强CT图像中第一类器官进行标注得到的图像，所述第二标注图像是对所述样本增强CT图像中第二类器官进行标注得到的图像；将所述第一标注图像和所述样本增强CT图像输入至所述神经网络模型中进行训练，得到所述第一医疗图像分割模型；将所述第二标注图像和所述样本增强CT图像输入至所述神经网络模型中进行训练，得到所述第二医疗图像分割模型。4.根据权利要求2所述的方法，其特征在于，对所述第一图像分割结果和所述第二图像分割结果中各器官对应的标签值进行合并处理，包括：将所述第一图像分割结果中目标器官的标签值修改为第一标签值；将所述第一图像分割结果中除所述第一标签值以外的器官的标签值进行重置，得到重置后的标签值；将所述重置后的标签值与所述第二图像分割结果中各器官对应的标签值进行合并，得到合并后的标签值，其中，所述合并后的标签值为所述图像分割结果中各器官的标签值。5.根据权利要求1所述的方法，其特征在于，确定所述图像分割结果中各器官的第一CT值和所述各器官对应的窗宽均值，并基于所述第一CT值和所述窗宽均值确定所述第一CT值的增强倍数，包括：根据所述图像分割结果中所述...
【专利技术属性】
技术研发人员：李延祥，李楠宇，陈日清，徐宏，余坤璋，
申请(专利权)人：杭州堃博生物科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。