一种图像生成的方法、装置、设备及存储介质与流程

本发明实施例涉及医学成像技术领域，尤其涉及一种图像生成的方法、装置、设备及存储介质。

背景技术：

pet/ct(positronemissiontomography/computedtomography)全称为正电子发射断层显像/x线计算机体层成像仪，是一种将pet(功能代谢显像)和ct(解剖结构显像)两种先进的影像技术有机地结合在一起的新型的影像设备。它是将微量的正电子核素示踪剂注射到人体内，然后采用特殊的体外探测仪(pet)探测这些正电子核素人体各脏器的分布情况，通过计算机断层显像的方法显示人体的主要器官的生理代谢功能，同时应用ct技术为这些核素分布情况进行精确定位，使这台机器同时具有pet和ct的优点，发挥出各自的最大优势。

现有技术中，pet/ct使用同机的ct图像信息估计每个像素点的gamma衰减系数，进行pet图像信息的衰减校正。但是，由于获取的ct图像的视野口径有限，导致ct图像上可能会缺失手臂等区域，造成与pet图像的扫描范围不匹配，对pet图像的衰减校正产生影响。

技术实现要素：

本发明实施例提供一种图像生成的方法、装置、设备及存储介质，以实现对图像视野口径外的部分进行补全，获得更接近真实大视野口径的数据结果，减轻对图像进行衰减校正的影响。

第一方面，本发明实施例提供了一种图像生成的方法，该方法包括：

获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像；

根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像；

将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

可选的，所述获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像，包括：

获取所述第一原始图像和所述第二原始图像；

根据所述目标图像的目标分辨率和尺寸对所述第一原始图像和所述第二原始图像进行预处理，生成所述第一样本图像和所述第二样本图像，其中，所述第一样本图像和所述第二样本图像具有所述目标图像的目标分辨率和尺寸。

可选的，所述根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像，包括：

根据所述第一样本图像或所述第二原始图像确定所述第二样本图像中的待补齐区域；

基于所述目标图像的目标分辨率和尺寸，根据所述待补齐区域生成所述与第二样本图像中的待补齐区域对应的掩膜图像。

可选的，所述方法还包括：

基于至少一张历史第一原始图像和至少一张历史第二原始图像，分别对所述历史第一原始图像和所述历史第二原始图像进行预处理得到历史第一样本图像和历史第二样本图像，所述历史第一样本图像的有效信息所对应的区域和所述历史第二样本图像的有效信息所对应的区域的大小相同；

根据所述历史第一样本图像和所述历史第二原始图像生成与所述历史第二样本图像中待补齐区域对应的历史掩膜图像；

基于所述历史第一样本图像、历史第二样本图像和所述历史掩膜图像生成训练样本集；

将所述训练样本集输入到预先建立好的图像生成网络中，得到所述历史掩膜图像的输出目标图像；

根据所述输出目标图像与所述历史第二样本图像对所述图像生成网络的网络参数进行调整。

可选的，所述基于所述历史第一样本图像、历史第二样本图像和所述历史掩膜图像生成训练样本集，包括：

对至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像进行扩增处理得到至少一张与至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像对应的扩增图像；

将所述至少一张历史第一样本图像、至少一张历史第二样本图像、至少一张所述历史掩膜图像和所述至少一张扩增图像的集合作为训练样本集。

可选的，所述方法还包括：

根据输出的所述目标图像与所述第二样本图像生成第三样本图像，其中，所述第三样本图像具有所述目标图像的目标分辨率和尺寸。

可选的，所述第一原始图像是通过pet/ct一体机获取的未校正的pet图像，第二原始图像是通过pet/ct一体机获取的原始ct图像。

第二方面，本发明实施例还提供了一种图像生成的装置，该装置包括：

样本图像生成模块，用于获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像；

掩膜图像生成模块，用于根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像；

目标图像输出模块，用于将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

第三方面，本发明实施例还提供了一种设备，该设备包括：

一个或多个处理器；

存储装置，用于存储多个程序，

当所述多个程序中的至少一个被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明第一方面实施例所提供的一种图像生成的方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面实施例所提供的图像生成的方法。

本发明实施例通过获取第一原始图像和第二原始图像，并进行预处理得到第一样本图像和第二样本图像，之后生成与第二样本图像中待补齐区域对应的掩膜图像，将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系，以实现对图像视野口径外的部分进行补全，获得更接近真实大视野口径的数据结果，减轻对图像进行衰减校正的影响。

附图说明

图1是本发明实施例一提供的一种图像生成的方法的流程图；

图2是本发明实施例二提供的一种图像生成的方法的流程图；

图3是本发明实施例三提供的一种图像生成的方法的示意图；

图4是本发明实施例提供的未校正的pet图像和原始ct图像进行预处理的操作结果图；

图5是本发明实施例提供的深度学习图像生成网络的示意图；

图6是本发明实施例四提供的一种图像生成的装置的结构图；

图7是本发明实施例提供的一种设备的硬件结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的一种图像生成的方法的流程图，本实施例可适用于对获取的医学图像的视野口径小导致的医学图像衰减校正结果不准确的情况，该方法可以由图像生成的装置来执行，具体包括如下步骤：

s110、获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像。

其中，第一原始图像和第二原始图像可以为二维图像，也可以为三维图像，相应的，当第一原始图像和第二原始图像为二维图像时，经过预处理得到第一样本图像和第二样本图像也为二维图像，当第一原始图像和第二原始图像为三维图像时，经过预处理得到第一样本图像和第二样本图像也为三维图像；第一原始图像和第二原始图像可以为图像分辨率或是图像尺寸不一样，或是两者都不一样的图像，第一原始图像和第二原始图像也可以为不同类型的图像。预处理可以包括体数据插值、图像调整和图像归一化等，以对原始图像进行分辨率或是尺寸上的调整，本发明实施例仅对此进行说明，不对此进行限制。

具体的，通过对第一原始图像和第二原始图像进行预处理，将第一原始图像和第二原始图像生成指定的相同分辨率和尺寸的图像，则所得到的第一样本图像和第二样本图像是具有相同的分辨率和尺寸的图像。需要说明的是第一原始图像和第二原始图像的分辨率和尺寸可以通过自由指定进行设置，但第一原始图像和第二原始图像所包含的有效信息由第一原始图像和第二原始图像本身的扫描视野来决定的。

其中，第一原始图像和第二原始图像所包含的有效信息是指图像的扫描视野范围所对应的区域，扫描视野是由本领域技术人员在使用ct设备前，根据实际需求进行设置的。例如，一套ct设备数据的扫描视野(也可以称为扫描口径)为500mm，而实际图像重建视野为600mm，则当前ct数据的有效信息所对应的区域是指fov500以内的区域，而fov500以外的区域，由于扫描得到的ct生数据可能是不完全的，因此重建出的这部分图像可能不是完全准确的。

示例性地，第一原始图像是通过pet/ct一体机获取的未校正的pet图像，第二原始图像是通过pet/ct一体机获取的原始ct图像，由于pet/ct一体机在采集原始ct图像的视野口径有限，会导致在基于采集到的原始ct图像，对同机采集到的未校正的pet图像进行衰减校正产生影响，通常情况下，pet/ct一体机获取的未校正的pet图像的视野较大，而原始ct图像的视野相较于未校正的pet图像的视野小，例如，一般未校正的pet图像的视野为600mm，原始ct图像的视野为400mm，此时需要对原始ct图像视野外的图像进行补全，以避免对pet图像进行衰减校正产生影响。需要说明的是此处通过pet/ct一体机获取的未校正的pet图像和原始ct图像，图像中包含的有效信息是根据pet/ct一体机获取的原始pet图像(即未校正的pet图像)决定的。也就是说，pet/ct一体机获取的未校正的pet图像的视野为600mm，原始ct图像的视野为400mm，可以将原始ct图像的视野通过预处理将视野处理成为600mm，也可以将未校正的pet图像和原始ct图像的视野通过预处理将视野同时处理成为700mm，但是未校正的pet图像和原始ct图像所包含的有效信息仍为原始的未校正的pet图像的视野大小所决定。

s120、根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像。

具体的，第二样本图像中待补齐区域对应的掩膜图像是指确定需要图像生成网络输出的补齐区域的图像，即目标图像，掩膜图像设置的目的是为了覆盖住第一样本图像或第二原始图像中的已显示数据区域，从而确定出第二样本图像中缺失的区域。掩膜图像的分辨率和图像尺寸与第二样本图像的分辨率和图像尺寸保持一致。

示例性的，以第一样本图像为预处理后的pet图像，第二原始图像为原始ct图像为例，可以根据原始ct图像生成指定形状区域的掩膜图像，则指定形状区域为原始ct图像的视野为400mm的区域，该指定形状可以为圆形、方形或是椭圆形等形状，可以想到的是该指定形状也可以通过算法等方法实现更精确的确定，本发明实施例仅对此进行说明，不对此进行限制；也可以根据预处理后的pet图像生成包含原始ct图像中缺失区域的掩膜图像。

s130、将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个模块之间具有级联关系。

其中，所述图像生成网络的网络结构和深度可以由本领域技术人员根据实际情况进行设置，图像生成网络包括至少两个深度学习模块，至少两个深度学习模块之间具有级联关系，可选的，深度学习模块可以为残差模块(residualblock)或密集模块(denseblock)。

本实施例的技术方案中获取目标图像后，可以根据输出的所述目标图像与所述第二样本图像生成第三样本图像，其中，所述第三样本图像具有所述目标图像的目标分辨率和尺寸。具体的，目标图像可直接作为最终结果，也可以根据与第二样本图像中待补齐区域对应的掩膜图像，即确定出第二样本图像中缺失的部分，与第二样本图像进行拼合，保持原有的第二样本图像的部分不被改变，拼合后的图像作为最终结果，这样设置的好处在于既实现了对图像缺失部分的补齐，又可以最大限度的保证图像的准确性。

本发明实施例通过获取第一原始图像和第二原始图像，并进行预处理得到第一样本图像和第二样本图像，之后生成与第二样本图像中待补齐区域对应的掩膜图像，将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络可以包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系，解决了现有技术中由于图像视野口径小造成视野口径外的图像缺失的问题，以实现对图像视野口径外的部分进行补全，获得更接近真实大视野口径的数据结果，减轻对图像进行衰减校正的影响。

实施例二

图2为本发明实施例二提供的一种图像生成的方法的流程图。本实施例以上述实施例为基础进行优化，在本实施例中，将步骤获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像进一步优化为：获取所述第一原始图像和所述第二原始图像；根据所述目标图像的目标分辨率和尺寸对所述第一原始图像和所述第二原始图像进行预处理，生成所述第一样本图像和所述第二样本图像，其中，所述第一样本图像和所述第二样本图像具有所述目标图像的目标分辨率和尺寸；其中，所述预处理包括体数据插值、图像调整和图像归一化。在此基础上，将步骤根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像进一步优化为：根据所述第一样本图像或所述第二原始图像确定所述第二样本图像中的待补齐区域；基于所述目标图像的目标分辨率和尺寸，根据所述待补齐区域生成所述与第二样本图像中的待补齐区域对应的掩膜图像。

相应的，本实施例的方法具体包括：

s210、获取所述第一原始图像和所述第二原始图像。

s220、根据所述目标图像的目标分辨率和尺寸对所述第一原始图像和所述第二原始图像进行预处理，生成所述第一样本图像和所述第二样本图像，其中，所述第一样本图像和所述第二样本图像具有所述目标图像的目标分辨率和尺寸；

其中，所述预处理包括体数据插值、图像调整和图像归一化。

具体的，分别对第一原始图像和第二原始图像做体数据插值、图像调整和图像归一化的处理，图像归一化是将图像阈值调整到0-1的范围。

示例性的，以pet/ct一体机获取的未校正的pet图像和原始ct图像为例，一般情况pet图像的扫描视野fov为600mm，原始ct图像的扫描视野fov为400mm或500mm。本实施例的pet图像和原始ct图像的信息可以如下表1所示，目标图像的扫描视野fov指定为700mm，图像尺寸与原始ct图像保持一致为512*512*609，即指定了目标分辨率为1.37*1.37*1.5，其中，z方向分辨率与原始ct图像保持一致。此处需要说明的是指定的扫描视野大于等于pet图像的扫描视野就可以用于对pet图像进行衰减校正。在实际操作中，一般采用将原始ct图像的扫描视野最多生成与pet图像的扫描视野相同，不会再进行进一步的扩大，可能也无法实现进一步的视野扩大，原因在于pet图像的扫描视野已经可以包含所有患者待检测部分，只会有小部分数据稍微超出600mmfov视野的范围，因此所以生成与pet图像相同视野fov的原始ct图像，已可以基本满足临床需求。

表1，对未校正的pet图像和原始ct图像进行预处理得到的结果

s230、根据所述第一样本图像或所述第二原始图像确定所述第二样本图像中的待补齐区域。

s240、基于所述目标图像的目标分辨率和尺寸，根据所述待补齐区域生成所述与第二样本图像中的待补齐区域对应的掩膜图像。

s250、将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

在本发明实施例中，图像生成网络可以采用深度学习网络，可以理解的是，在将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像之前，还包括：对图像生成网络进行训练。为了保证数据的准确性，可以采用临床上的历史医学图像以及与医学图像对应的目标图像结果对所述图像生成网络进行训练。

具体地，对所述图像生成网络进行训练可包括：基于至少一张历史第一原始图像和至少一张历史第二原始图像，分别对所述历史第一原始图像和所述历史第二原始图像进行预处理得到历史第一样本图像和历史第二样本图像，所述历史第一样本图像的有效信息所对应的区域和所述历史第二样本图像的有效信息所对应的区域的大小相同；根据所述历史第一样本图像或所述历史第二原始图像生成与所述历史第二样本图像中待补齐区域对应的历史掩膜图像；基于所述历史第一样本图像、历史第二样本图像和所述历史掩膜图像生成训练样本集；将所述训练样本集输入到预先建立好的图像生成网络中，得到所述历史掩膜图像的输出目标图像；根据所述输出目标图像与所述历史第二样本图像对所述图像生成网络的网络参数进行调整。可以理解的是，训练样本集中可以包括一张、两张及两张以上的样本图像。为了保证图像生成网络的训练效果，训练样本集中可以包括多张历史样本图像。

由于历史原始图像在应用于医学图像领域中，原始图像通常来自于用户临床数据，样本量通常很珍贵，然而采用深度学习的图像生成网络往往下需要大量的样本进行训练，因此，可以对历史样本图像数据进行扩增处理，以增加训练样本。具体地，所述基于至少一张历史第一原始图像和至少一张历史第二原始图像生成训练样本集，可包括：对至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像进行扩增处理得到至少一张与至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像对应的扩增图像；将所述至少一张历史第一样本图像、至少一张历史第二样本图像、至少一张所述历史掩膜图像和所述至少一张扩增图像的集合作为训练样本集；其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。这样不仅能够增加在图像生成网络中训练样本的数量，而且通过扩增处理后的样本图像对图像生成网络进行训练，能够提高图像生成网络对原始图像的待补齐区域的提取能力。

需要说明的是，可以对一张、两张以及两张以上的历史样本图像进行扩增处理，以保证图像生成网络深度学习的效果。另外，对同一张图像可以进行一种、两种或多种扩增处理，对不同的图像可以进行相同的扩增处理，也可以进行不同的扩增处理。训练样本集中扩增图像的种类和数量都可以根据实际需求进行设置，再次并不做限定。

本实施例的技术方案，通过获取原始图像，并对原始图像进行指定的分辨率和图像尺寸的样本图像，并根据样本图像或是原始图像生成待补齐区域对应的掩膜图像，将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，即可输出目标图像，图像缺失区域的补齐过程简洁，且补齐效果好，同时还能够原始图像的数据特征，进而结合目标图像得到更为准确的图像数据，使得求解出的图像数据更接近真实大视野口径的数据结果，更加合理又具有参考价值，减轻对图像进行衰减校正的影响。

实施例三

图3为本发明实施例提供的一种图像生成的方法的示意图。在上述各实施例的基础上，提供一种优选实施例。以通过pet/ct一体机获取的未校正的pet图像和原始ct图像为例，该图像生成的方法包括：

通过pet/ct一体机获取未校正的pet图像和原始ct图像。

根据目标医学图像的目标分辨率和图像尺寸对所述未校正的pet图像和所述原始ct图像进行预处理，生成预处理后的pet图像和ct图像，其中，所述预处理后的pet图像和ct图像具有目标医学图像的目标分辨率和图像尺寸；如图4所示为本发明实施例提供的未校正的pet图像和原始ct图像进行预处理的操作结果图，其中，如图4所示所述预处理包括体数据插值、图像尺寸统一和图像归一化。

根据所述原始ct图像确定所述预处理后的pet图像和ct图像待补齐区域的掩膜图像；

基于所述预处理后的pet图像或ct图像具有所述目标医学图像的目标分辨率和图像尺寸，根据所述掩膜图像生成具有所述目标医学图像的目标分辨率和图像尺寸的所述待补齐区域掩膜图像。

将所述待补齐区域掩膜图像、所述预处理后的pet图像和ct图像输入到图像生成网络中，输出目标医学图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系，如图5所示为本发明实施例提供的深度学习图像生成网络的示意图，图5中的网络输入即为所述待补齐区域掩膜图像、所述预处理后的pet图像和ct图像。

实施例四

图6为本发明实施例四提供的一种图像生成的装置的结构图，本实施例可适用于对获取的医学图像的视野口径小导致的医学图像衰减校正结果不准确的情况。

如图6所示，所述装置包括：样本图像生成模块310、掩膜图像生成模块320和目标图像输出模块330，其中：

样本图像生成模块310，用于获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像；

掩膜图像生成模块320，用于根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像；

目标图像输出模块330，用于将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

本实施例提供的图像生成的装置，通过获取第一原始图像和第二原始图像，并进行预处理得到第一样本图像和第二样本图像，之后生成与第二样本图像中待补齐区域对应的掩膜图像，将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系，以实现对图像视野口径外的部分进行补全，获得更接近真实大视野口径的数据结果，减轻对图像进行衰减校正的影响。

在上述各实施例的基础上，所述样本图像生成模块310，包括：

原始图像获取单元，用于取所述第一原始图像和所述第二原始图像；

样本图像生成单元，用于根据所述目标图像的目标分辨率和尺寸对所述第一原始图像和所述第二原始图像进行预处理，生成所述第一样本图像和所述第二样本图像，其中，所述第一样本图像和所述第二样本图像具有所述目标图像的目标分辨率和尺寸；

其中，所述预处理包括体数据插值、图像调整和图像归一化。

在上述各实施例的基础上，所述掩膜图像生成模块320，包括：

待补齐区域确定单元，用于根据所述第一样本图像或所述第二原始图像确定所述第二样本图像中的待补齐区域；

掩膜图像生成单元，用于基于所述目标图像的目标分辨率和尺寸，根据所述待补齐区域生成所述与第二样本图像中的待补齐区域对应的掩膜图像。

在上述各实施例的基础上，所述装置还包括：

基于至少一张历史第一原始图像和至少一张历史第二原始图像，分别对所述历史第一原始图像和所述历史第二原始图像进行预处理得到历史第一样本图像和历史第二样本图像，所述历史第一样本图像的有效信息所对应的区域和所述历史第二样本图像的有效信息所对应的区域的大小相同；

根据所述历史第一样本图像和所述历史第二原始图像生成与所述历史第二样本图像中待补齐区域对应的历史掩膜图像；

基于所述历史第一样本图像、历史第二样本图像和所述历史掩膜图像生成训练样本集；

将所述训练样本集输入到预先建立好的图像生成网络中，得到所述历史掩膜图像的输出目标图像；

根据所述输出目标图像与所述历史第二样本图像对所述图像生成网络的网络参数进行调整。

在上述各实施例的基础上，所述基于所述历史第一样本图像、历史第二样本图像和所述历史掩膜图像生成训练样本集，包括：

对至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像进行扩增处理得到至少一张与至少一张历史第一样本图像、至少一张历史第二样本图像和至少一张所述历史掩膜图像对应的扩增图像；

将所述至少一张历史第一样本图像、至少一张历史第二样本图像、至少一张所述历史掩膜图像和所述至少一张扩增图像的集合作为训练样本集；

其中，所述扩增处理包括拉伸处理、旋转处理以及镜像处理中的至少一个。

在上述各实施例的基础上，所述装置还包括：

第三样本图像生成模块，用于根据输出的所述目标图像与所述第二样本图像生成第三样本图像，其中，所述第三样本图像具有所述目标图像的目标分辨率和尺寸。

在上述各实施例的基础上，所述第一原始图像是通过pet/ct一体机获取的未校正的pet图像，第二原始图像是通过pet/ct一体机获取的原始ct图像。

上述各实施例所提供的图像生成的装置可执行本发明任意实施例所提供的图像生成的方法，具备执行图像生成的方法相应的功能模块和有益效果。

实施例五

图7为本发明实施例五提供的一种设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性设备12的框图。图7显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的图像生成的方法，该方法包括：

获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像；

根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像；

将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的图像生成的方法的技术方案。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的图像生成的方法，该方法包括：

获取第一原始图像和第二原始图像，并分别对所述第一原始图像和所述第二原始图像进行预处理得到第一样本图像和第二样本图像；

根据所述第一样本图像或所述第二原始图像生成与第二样本图像中待补齐区域对应的掩膜图像；

将所述待补齐区域掩膜图像、所述第一样本图像与所述第二样本图像输入到图像生成网络中，输出目标图像，其中，所述图像生成网络包括至少两个深度学习模块，所述至少两个深度学习模块之间具有级联关系。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像生成的方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。