基于深度学习生成对抗网络的医学图像重建方法及装置与流程

本发明涉及医疗领域，尤其涉及一种基于深度学习生成对抗网络的医学图像重建方法及装置。

背景技术：

1、随着医疗影像设备的不断普及，其成为了医生的重要帮手。医生在对患者进行诊断时，往往借助医疗影像设备拍摄的医学图像进行病情判断，从而准确地确定出病灶所在。

2、但是，由于当前医疗影像设备的差异性、影像科医生数据采集习惯不同等因素，往往造成拍摄的医学图像的质量并不相同，进而影像医生的判断，可能会造成安全隐患。

3、因此，如何解决上述问题，是需要考虑的。

技术实现思路

1、本发明提供一种基于深度学习生成对抗网络的医学图像重建方法及装置，用以解决上述问题。

2、本发明的第一方面，提供了一种基于深度学习生成对抗网络的医学图像重建方法，包括：

3、获取第一医学图像，并基于所述第一医学图像生成第二医学图像，所述第二医学图像的清晰度低于所述第一医学图像的清晰度；

4、基于所述第一医学图像和所述第二医学图像，对生成对抗网络模型进行训练；

5、在经过训练后的生成对抗网络模型满足预设训练要求时，将满足预设要求的生成对抗网络作为目标生成对抗网络模型；

6、基于所述目标生成对抗网络模型，对待处理的医学图像进行处理，得到重建后的目标医学图像，其中，所述目标医学图像的清晰度高于所述待处理的医学图像的清晰度。

7、可选的，所述基于所述第一医学图像生成第二医学图像，包括：

8、对所述第一医学图像进行不同高斯核大小的高斯模糊处理，得到第二医学图像，或者，

9、对所述第一医学图像加入不同噪声处理，得到第二医学图像，其中，所述噪声包括椒盐噪声、插值噪声中的至少一种。

10、可选的，所述基于所述第一医学图像和所述第二医学图像，对生成对抗网络模型进行训练，包括：

11、基于生成对抗网络模型中的生成器g，对输入的第二医学图像进行生成操作，得到第一生成医学图像；

12、基于生成对抗网络模型中的判别器d，对输入的所述第一医学图像和所述第一生成医学图像进行判别操作，得到判别结果；

13、在基于所述判别结果确定所述第一生成医学图像与所述第一医学图像不匹配时，则基于所述第一生成医学图像和所述第一医学图像，对所述生成器g和所述判别器d进行迭代训练操作。

14、可选的，所述经过训练后的生成对抗网络模型满足预设训练要求，包括：

15、所述经过训练后的生成对抗网络模型的迭代训练次数达到预设迭代次数；或者，

16、在预设迭代次数内，所述经过训练后的生成对抗网络模型中的所述生成器g的loss值与所述判别器d的loss值不再变化。

17、可选的，所述生成器g包括第一分支结构和第二分支结构，所述基于生成对抗网络模型中的生成器g，对输入的第二医学图像进行生成操作，得到第一生成医学图像，包括：

18、基于所述第一分支结构，对所述第二医学图像进行特征提取操作，得到第一特征医学图像；

19、基于所述第二分支结构，对所述第二医学图像进行自注意力机制特征提取，得到第二特征医学图像；

20、基于所述第一特征图像和所述第二特征图像，得到所述第一生成医学图像。

21、可选的，所述判别器d包括第三分支结构，所述基于生成对抗网络模型中的判别器d，对输入的所述第一医学图像和所述第一生成医学图像进行判别操作，得到判别结果，包括：

22、基于所述第三分支结构，对所述第一生成医学图像进行3x3卷积操作、bn操作、多次细颗粒度特征提取操作以及多次粗颗粒度特征提取，得到第三特征图像；

23、基于所述第三特征图像与所述第一医学图像进行判别操作，得到判别结果。

24、可选的，所述基于所述第一特征图像和所述第二特征图像，得到所述第一生成医学图像，包括：

25、将所述第一特征图像和所述第二特征图像进行相加操作、3x3卷积操作、bn操作、激活函数elu操作，得到所述第一生成医学图像。

26、本发明的第二方面，提供了一种基于深度学习生成对抗网络的医学图像重建装置，包括：

27、获取模块，用于获取第一医学图像，并基于所述第一医学图像生成第二医学图像，所述第二医学图像的清晰度低于所述第一医学图像的清晰度；

28、训练模块，用于基于所述第一医学图像和所述第二医学图像，对生成对抗网络模型进行训练；

29、确定模块，用于在经过训练后的生成对抗网络模型满足预设训练要求时，将满足预设要求的生成对抗网络作为目标生成对抗网络模型；

30、处理模块，用于基于所述目标生成对抗网络模型，对待处理的医学图像进行处理，得到重建后的目标医学图像，其中，所述目标医学图像的清晰度高于所述待处理的医学图像的清晰度。

31、本发明的第三方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如上所述的基于深度学习生成对抗网络的医学图像重建方法。

32、本发明的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于深度学习生成对抗网络的医学图像重建方法。

33、本发明的上述技术方案至少具有如下有益效果：

34、本发明提供的基于深度学习生成对抗网络的医学图像重建方法，通过对第一医学图像进行处理，得到清晰度低于第一医学图像的第二医学图像，基于第一医学图像和第二医学图像，对生成对抗网络模型进行训练，从而得到满足预设要求的目标生成对抗网络模型。进而基于该目标生成网络模型，在对输入的待处理医学图像(模糊ct图像)进行处理时，便可以得到该待处理医学图像对应的目标医学图像(清晰ct图像)。如此，即使通过医疗影像设备拍摄的医学图像的清晰度较低，通过该目标生成对抗网络模型对待处理医学图像进行重建，也可以得到该待处理医学图像对应的清晰医学图像，克服了由于医疗影像设备以及影像科医生拍摄习惯不同，所造成的待处理医学图像清晰度较低，从而医生无法准确基于医学图像进行研判的问题，进而提高了医学图像的准确性，避免安全隐患的发生。

技术特征：

1.一种基于深度学习生成对抗网络的医学图像重建方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述基于所述第一医学图像生成第二医学图像，包括：

3.根据权利要求1所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述基于所述第一医学图像和所述第二医学图像，对生成对抗网络模型进行训练，包括：

4.根据权利要求3所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述经过训练后的生成对抗网络模型满足预设训练要求，包括：

5.根据权利要求3所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述生成器g包括第一分支结构和第二分支结构，所述基于生成对抗网络模型中的生成器g，对输入的第二医学图像进行生成操作，得到第一生成医学图像，包括：

6.根据权利要求3所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述判别器d包括第三分支结构，所述基于生成对抗网络模型中的判别器d，对输入的所述第一医学图像和所述第一生成医学图像进行判别操作，得到判别结果，包括：

7.根据权利要求5所述的基于深度学习生成对抗网络的医学图像重建方法，其特征在于，所述基于所述第一特征图像和所述第二特征图像，得到所述第一生成医学图像，包括：

8.一种基于深度学习生成对抗网络的医学图像重建装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于深度学习生成对抗网络的医学图像重建方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习生成对抗网络的医学图像重建方法。

技术总结
本发明提供了一种基于深度学习生成对抗网络的医学图像重建方法及装置，方法包括：获取第一医学图像，并基于第一医学图像生成第二医学图像，第二医学图像的清晰度低于第一医学图像的清晰度；基于第一医学图像和第二医学图像，对生成对抗网络模型进行训练；在经过训练后的生成对抗网络模型满足预设训练要求时，将满足预设要求的生成对抗网络作为目标生成对抗网络模型；基于目标生成对抗网络模型，对待处理的医学图像进行处理，得到重建后的目标医学图像。该方法克服了由于医疗影像设备以及影像科医生拍摄习惯不同，所造成的待处理医学图像清晰度较低，从而医生无法准确基于医学图像进行研判的问题，提高了医学图像的准确性，避免安全隐患的发生。

技术研发人员：张逸凌,刘星宇
受保护的技术使用者：北京长木谷医疗科技股份有限公司
技术研发日：
技术公布日：2024/1/15