图像生成方法技术

本申请涉及一种图像生成方法

【技术实现步骤摘要】
图像生成方法、装置、设备、存储介质和程序产品


[0001]本申请涉及图像处理
，特别是涉及一种图像生成方法
、
装置
、
设备
、
存储介质和程序产品
。

技术介绍

[0002]磁共振成像因为其良好的软组织对比度，且可以多角度成像，广泛应用于心脏成像当中
。
在磁共振成像过程中一般会涉及到
T1 weight
图像等图像，其中
T1
加权成像为通过采用较短的重复时间
TR
和较短的回波时间
TE
序列采集获得的图像，主要突出组织的纵向弛豫差别
。
通过
T1
加权图像可以在一定程度上定量观察组织中存在异常的信号或区域，但是观察的效果不佳
。
[0003]目前，为了便于更好地观察组织中存在异常的信号或区域，一般多采用对受检者的组织中注入钆造影剂的
LGE
延迟钆增强成像方式，获得
LGE
图像，其中
LGE
图像中的增强区域即为组织中存在异常的信号或区域，这样通过
LGE
图像可以明显地观察出组织中存在异常的信号或区域
。
[0004]然而，在采用
LGE
延迟钆增强成像过程中，有一些受检者会对注入的钆造影剂过敏，导致影响成像过程或检查过程的顺利执行
。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够避免对受检者注入的钆造影剂，且还能保证
LGE
延迟钆增强成像的成像过程或检查过程的顺利执行的图像生成方法
、
装置
、
设备
、
存储介质和程序产品
。
[0006]第一方面，本申请提供了一种图像生成方法，该方法包括：
[0007]获取待测组织的多张
T1
加权图像以及
CINE
图像；
[0008]根据多张
T1
加权图像
、CINE
图像以及预设的神经网络进行图像生成处理，生成待测组织对应的虚拟
LGE
图像；
[0009]其中，在虚拟
LGE
图像中，待测组织中异常区域的信号对比度高于其他区域的信号对比度；神经网络是基于多个训练样本集及每个训练样本集对应的金标准进行训练得到的，每个训练样本集中均包括多张训练
T1
加权图像
、
训练
T1 mapping
图像以及训练
CINE
图像，金标准包括金标准
LGE
图像
。
[0010]在其中一个实施例中，上述根据多张
T1
加权图像
、CINE
图像以及预设的神经网络进行图像生成处理，生成待测组织对应的虚拟
LGE
图像，包括：
[0011]根据多张
T1
加权图像确定对应的
T1 mapping
图像；
[0012]根据多张
T1
加权图像
、T1 mapping
图像以及
CINE
图像，确定待测组织对应的第一融合特征；
[0013]将第一融合特征输入至预设的神经网络中进行图像生成处理，生成虚拟
LGE
图像
。
[0014]在其中一个实施例中，上述根据多张
T1
加权图像
、T1 mapping
图像以及
CINE
图像，
确定待测组织对应的第一融合特征，包括：
[0015]对多张
T1
加权图像和
/
或
T1 mapping
图像进行特征提取处理，确定待测组织对应的第一特征图；上述第一特征图用于表征待测组织中异常区域和其他区域之间的差异关系；
[0016]对多张
T1
加权图像
、T1 mapping
图像
、CINE
图像以及第一特征图进行融合处理，确定第一融合特征
。
[0017]在其中一个实施例中，上述对多张
T1
加权图像和
T1 mapping
图像进行特征提取处理，确定待测组织对应的第一特征图，包括：
[0018]对多张
T1
加权图像进行特征提取处理，确定待测组织对应的第一子特征图；
[0019]对
T1 mapping
图像进行特征提取处理，确定待测组织对应的第二子特征图；
[0020]对第一子特征图和第二子特征图进行融合处理，确定第一特征图
。
[0021]在其中一个实施例中，上述根据多张
T1
加权图像
、CINE
图像以及预设的神经网络进行图像生成处理，生成待测组织对应的虚拟
LGE
图像，还包括：
[0022]根据多张
T1
加权图像
、CINE
图像以及预设的神经网络进行图像生成处理，生成虚拟
LGE
图像以及待测组织对应的异常区域分割掩膜
。
[0023]在其中一个实施例中，上述根据多张
T1
加权图像
、CINE
图像以及预设的神经网络进行图像生成处理，生成待测组织对应的异常区域分割掩膜，包括：
[0024]根据多张
T1
加权图像，确定待测组织对应的第一特征图；
[0025]对
CINE
图像进行特征提取处理，确定待测组织对应的第二特征图；上述第二特征图用于表征待测组织在运动过程中的异常信息和轮廓信息；
[0026]对第一特征图和第二特征图进行融合处理，确定第二融合特征；
[0027]将第二融合特征输入至神经网络中进行图像分割处理，确定待测组织对应的异常区域分割掩膜；上述异常区域分割掩膜中包括待测组织中的异常区域
。
[0028]在其中一个实施例中，上述金标准还包括金标准异常区域分割掩膜，上述神经网络的训练方式包括：
[0029]根据各训练样本集和初始神经网络，确定各训练图像子集对应的预测
LGE
图像以及预测异常区域分割掩膜；
[0030]根据各训练样本集对应的预测
LGE
图像
、
金标准
LGE
图像
、
预测异常区域分割掩膜以及金标准异常区域分割掩膜，对初始神经网络进行训练，确定神经网络
。
[0031]在其中一个实施例中，上述根据各训练图像子集对应的预测
LGE
图像
、
金标准
LGE...

【技术保护点】

【技术特征摘要】
1.
一种图像生成方法，其特征在于，所述方法包括：获取待测组织的多张
T1
加权图像以及电影
CINE
图像；根据所述多张
T1
加权图像
、
所述
CINE
图像以及预设的神经网络进行图像生成处理，生成所述待测组织对应的虚拟
LGE
图像；其中，在所述虚拟
LGE
图像中，所述待测组织中异常区域的信号对比度高于其他区域的信号对比度；所述神经网络是基于多个训练样本集及每个训练样本集对应的金标准进行训练得到的，每个所述训练样本集中均包括多张训练
T1
加权图像
、
训练
T1 mapping
图像以及训练
CINE
图像，所述金标准包括金标准
LGE
图像
。2.
根据权利要求1所述的方法，其特征在于，所述根据所述多张
T1
加权图像
、
所述
CINE
图像以及预设的神经网络进行图像生成处理，生成所述待测组织对应的虚拟
LGE
图像，包括：根据所述多张
T1
加权图像确定对应的
T1 mapping
图像；根据所述多张
T1
加权图像
、
所述
T1 mapping
图像以及所述
CINE
图像，确定所述待测组织对应的第一融合特征；将所述第一融合特征输入至预设的神经网络中进行图像生成处理，生成所述虚拟
LGE
图像
。3.
根据权利要求2所述的方法，其特征在于，所述根据所述多张
T1
加权图像
、
所述
T1 mapping
图像以及所述
CINE
图像，确定所述待测组织对应的第一融合特征，包括：对所述多张
T1
加权图像和
/
或所述
T1 mapping
图像进行特征提取处理，确定所述待测组织对应的第一特征图；所述第一特征图用于表征所述待测组织中所述异常区域和所述其他区域之间的差异关系；对所述多张
T1
加权图像
、
所述
T1 mapping
图像
、
所述
CINE
图像以及所述第一特征图进行融合处理，确定所述第一融合特征
。4.
根据权利要求3所述的方法，其特征在于，所述对所述多张
T1
加权图像和所述
T1 mapping
图像进行特征提取处理，确定所述待测组织对应的第一特征图，包括：对所述多张
T1
加权图像进行特征提取处理，确定所述待测组织对应的第一子特征图；对所述
T1 mapping
图像进行特征提取处理，确定所述待测组织对应的第二子特征图；对所述第一子特征图和所述第二子特征图进行融合处理，确定所述第一特征图
。5.
根据权利要求1‑4任一项所述的方法，其特征在于，所述根据所述多张
T1
加权图像
、
所述
CINE
图像以及预设的神经网络进行图像生成处理，生成所述待测组织对应的虚拟
LGE
图像，还包括：根据所述多张
T1
加权图像
、
所述
CINE
图像以及预设的神经网络进行图像生成处理，生成所述虚...

【专利技术属性】
技术研发人员：黄小倩，廖术，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：