CN109961435A - 脑图像获取方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种脑图像获取方法、装置、设备及存储介质。该方法包括：基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；获取已训练完备的脑图像获取神经网络模型；将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。本发明实施例的技术方案，解决了图像配准过程带来的精度限制的问题，提高了受检者的脑图像的结构精度；而且，受检者无需进行额外的MR扫描，操作更为便捷。

Description

脑图像获取方法、装置、设备及存储介质

技术领域

本发明实施例涉及医学图像处理技术，尤其涉及一种脑图像获取方法、装置、设备及存储介质。

背景技术

基于正电子发射型计算机断层成像(Positron Emission Computed Tomography，PET)技术，或是，单光子发射型计算机断层(Single-Photon Emission ComputedTomography，SPECT)技术，获取的脑图像可以在阿兹海默、帕金斯等疾病的早期诊断方面提供重要信息。特别地，在已知脑图像的生理结构的前提下，可以直接从图像上获取不同脑部位的药物摄取值，以预测疾病的发展趋势。为了实现上述功能，一种常用的方案是对受检者的脑图像进行变换，以实现脑图像的结构标准化，即实现脑图像中目标像素点的位置标准化。

将上述获取的脑图像作为第一脑图像，上述变换后的脑图像作为第二脑图像。由于第一脑图像中的结构信息较少，图像噪声较高，分辨率较差，而且示踪剂的种类繁多，因此很难根据第一脑图像直接获取结构较为标准的第二脑图像。为了解决上述问题，现有方案通常以在脑成像方面可以包含有较多结构信息的磁共振成像(Magnetic ResonanceImaging，MR)图像为媒介，实现根据第一脑图像和MR图像获取第二脑图像的效果。

具体的，获取同一个受检者的脑部的第一脑图像和MR图像；根据传统的图像配准方法或者手动配准方法确定MR图像的变形场(deformation field)，即确定MR图像和第二脑图像之间的变形场；将第一脑图像与MR图像进行配准，并将上述变形场应用于配准后的第一脑图像，获取第二脑图像。

但是，上述技术方案完全依赖于MR图像，很可能需要受检者接收额外的MR扫描，很难应用到更为普适且更为廉价的PET-CT系统。而且，现有的第一脑图像和MR图像的配准过程容易出现问题，直接影响第二脑图像的结构精度。

发明内容

本发明实施例提供了一种脑图像获取方法、装置、设备及存储介质，在未增加额外的MR图像的基础上，提高了获取到的受检者的脑图像的结构精度。

第一方面，本发明实施例提供了一种脑图像获取方法，可以包括：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；

根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

可选的，上述脑图像获取方法，还可以包括：

获取样本对象的样本脑图像，将样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将样本脑图像和样本变形场作为一组训练样本；

基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，其中，原始神经网络模型包括卷积神经网络模型。

可选的，上述脑图像获取方法，还可以包括：

基于样本对象的磁共振样本脑图像和正电子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型；或，

基于样本对象的磁共振样本脑图像和单光子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，训练样本可以包括第一训练样本和第二训练样本；相应的，所述基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，可以包括：

基于多个第二训练样本对原始神经网络模型进行训练，得到初步脑图像获取神经网络模型；

基于多个第一训练样本对初步脑图像获取神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，样本对象可以包括第一样本对象；所述第一训练样本可以通过如下步骤获取：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第一样本对象的第一样本脑图像，以及，基于磁共振成像技术获取第一样本对象的磁共振样本脑图像；

将磁共振样本脑图像和预设的标准脑图像进行配准，得到第一样本变形场，并将第一样本脑图像和第一样本变形场作为一组第一训练样本。

可选的，样本对象可以包括第二样本对象；第二训练样本可以通过如下步骤获取：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第二样本对象的第二样本脑图像；

将第二样本脑图像和预设的标准脑图像进行配准，得到第二样本变形场，并将第二样本脑图像和第二样本变形场作为一组第二训练样本。

可选的，在将样本脑图像和样本变形场作为一组训练样本之后，上述脑图像获取方法还可以包括：

基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增；

相应的，所述基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，包括：

基于已扩增的训练样本集对原始神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增，可以包括：

根据训练样本集中的至少两个样本变形场，以及，预设的随机变形场，生成扩增变形场；

根据训练样本集中的每组训练样本，获取已变换样本脑图像，并根据至少两个已变换样本脑图像生成已变换扩增脑图像；

根据已变换扩增脑图像和扩增变形场，生成未变换扩增脑图像。

可选的，上述脑图像获取方法，还可以包括：

根据接收到的用户输入的调整操作对变形场进行调整，并基于调整后的变形场和第一脑图像对脑图像获取神经网络模型再次进行训练，并根据训练结果更新脑图像获取神经网络模型。

可选的，根据变形场对第一脑图像进行变换，获取第二脑图像，可以包括：

根据变形场对第一脑图像中的目标像素点的位置坐标进行变换，获取第二脑图像。

第二方面，本发明实施例还提供了一种脑图像获取装置，该装置可以包括：

第一脑图像获取模块，用于基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

模型获取模块，用于获取已训练完备的脑图像获取神经网络模型；

变形场确定模块，用于将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；

脑图像获取模块，用于根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

第三方面，本发明实施例还提供了一种设备，该设备可以包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如下操作：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；

根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

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，该计算机程序被处理器执行时实现如下操作：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；

根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

本发明实施例的技术方案，通过将第一脑图像即PET图像或是SPECT图像输入至脑图像获取神经网络模型中，确定第一脑图像对应的变形场；根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。上述技术方案解决了图像配准过程带来的精度限制的问题，提高了受检者的脑图像的结构精度；而且，受检者无需进行额外的MR扫描，操作更为便捷。

附图说明

图1是本发明实施例一中的一种脑图像获取方法的流程图；

图2是本发明实施例二中的一种脑图像获取方法的流程图；

图3是本发明实施例二中的一种脑图像获取方法中的原始神经网络模型的结构示意图；

图4是本发明实施例三中的一种脑图像获取方法的流程图；

图5是本发明实施例四中的一种脑图像获取装置的结构框图；

图6是本发明实施例五中的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。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结构。

在介绍本发明实施例之前，先对本发明实施例的应用场景进行说明。神经网络模型是从信息处理的角度对人脑的神经元网络进行抽象的计算模型，目的在于让计算机能够模拟人脑的思考方式来解决一些抽象的问题。神经网络模型是一种端到端模型，即计算机可以自动学习有用的特征，从而减少了人为提取特征造成的复杂性和不完备性。

但是，在图像处理领域，特别是PET图像和SPECT图像的处理领域，由于神经网络模型的黑箱特性使得获取的图像的正确性不好判断，而且获取到的错误的图像有可能出现误诊等医疗事故，限制了神经网络模型在PET图像和SPECT图像的处理领域的应用。然而，本发明实施例的应用场景可以完全克服上述问题，因为，若通过神经网络模型获取的变形场存在误差，基于变形场变换后的脑图像必然存在误差，这种误差是可以通过观察直接识别判断的。

实施例一

图1是本发明实施例一中提供的一种脑图像获取方法的流程图。本实施例可适用于获取受检者的结构标准化的脑图像的情况。该方法可以由本发明实施例提供的脑图像获取装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在各种用户终端或服务器上。

参见图1，本发明实施例的方法具体包括如下步骤：

S110、基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像。

其中，第一脑图像可以是受检者进行头部扫描后实时获取的图像，也可以是从脑图像数据库中获取的图像。第一脑图像可以是PET图像，可以是SPECT图像。由于PET图像和SPECT图像是功能性图像，图像中的生理信息较多，结构信息较少。则，根据PET图像或是SPECT图像较难通过传统算法直接确定图像中的那些生理信息属于大脑结构中的哪部分结构。

S120、获取已训练完备的脑图像获取神经网络模型，将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场。

其中，脑图像获取神经网络模型的输入是第一脑图像，即PET图像或是SPECT图像，输出是第一脑图像对应的变形场。则，当受检者进行头部扫描后获取的第一脑图像可以直接输入至脑图像神经网络模型，自动确定与第一脑图像对应的变形场。脑图像获取神经网络模型的应用，使得根据PET图像或是SPECT图像可以直接确定相应的变形场，无需受检者接收额外的MR扫描；避免了因PET图像与MR图像，或，SPECT图像和MR图像在配准过程中的错误而导致的变换后的脑图像的结构精度较低的情况。

S130、根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

其中，根据变形场可以对第一脑图像进行变换，获取第二脑图像，第二脑图像即为变换后的第一脑图像。由于第二脑图像是大脑结构标准化的图像，图像中的每个目标像素点都位于它对应的大脑结构中；而且，目标像素点的像素值可以反映生理信息，则根据第二脑图像可以直接确定图像中的那些生理信息属于大脑中的哪部分结构。

可选的，当得到变形场D和第一脑图像X后，可以根据图像变换函数Y＝f(X,D)获取第二脑图像Y。上述图像变换的过程可以认为是目标像素点的位置坐标的变换过程，即根据变形场对第一脑图像中的目标像素点的位置坐标进行变换，获取第二脑图像。示例性的，当第一脑图像A区域的目标像素点变换到第二脑图像B区域时，只有目标像素点的位置坐标发生变换，而目标像素点的数值并未发生变换。上述步骤设置的好处在于，可以自动确定第一脑图像中每个目标像素点对应的目标区域，得到大脑结构标准化的第二脑图像。

本发明实施例的技术方案，通过将第一脑图像即PET图像或是SPECT图像输入至脑图像获取神经网络模型中，确定第一脑图像对应的变形场；根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。上述技术方案解决了图像配准过程带来的精度限制的问题，提高了受检者的脑图像的结构精度；而且，受检者无需进行额外的MR扫描，操作更为便捷。

一种可选的技术方案，上述脑图像获取方法，具体还可以包括：基于样本对象的磁共振样本脑图像和正电子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型；或是，基于样本对象的磁共振样本脑图像和单光子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型。

其中，脑图像获取神经网络模型是在原始神经网络模型的基础上训练得到的。由于PET技术和SPECT技术是功能性成像技术，得到的正电子发射型计算机断层样本脑图像或是单光子发射型计算机断层样本脑图像的结构信息较少。相应的，可以包含有较多结构信息的磁共振样本脑图像在图像变换的过程中具有较大的优势，然而，这需要受检者接收额外的MR扫描，或者使用较昂贵的PET/MR仪器。

为了解决上述问题，可以基于磁共振样本脑图像对原始神经网络模型进行训练，或者说，是基于磁共振样本脑图像对应的样本变形场对原始神经网络模型进行训练，使得已训练完备的脑图像获取神经网络模型中具备结构信息。即，将正电子发射型计算机断层样本脑图像或是单光子发射型计算机断层样本脑图像作为输入，磁共振样本脑图像对应的变形场作为输出，对原始神经网络模型进行训练。上述步骤设置的好处在于，根据已训练完备的脑图像获取神经网络模型得到的变形场中具备结构信息。在实际应用中，即使第一脑图像是结构信息较少的PET图像或是SPECT图像，由于变形场中具备结构信息作为辅助，可以提高获取到的第二脑图像的结构精度。

一种可选的技术方案，上述脑图像获取方法，具体还可以包括：根据接收到的用户输入的调整操作对变形场进行调整，并基于调整后的变形场和第一脑图像对脑图像获取神经网络模型再次进行训练，并根据训练结果更新脑图像获取神经网络模型。

其中，在原始神经网络模型的训练过程，训练样本可能无法涵盖所有情况的脑图像，使得训练完备的脑图像获取神经网络模型可能需要再次进行训练。则，在脑图像获取神经网络模型的应用过程，当获取的第二脑图像出现不理想的情况时，设备可以提供操作界面，以供用户对获取的变形场或是第二脑图像进行调整。示例性的，当用户认为第二脑图像中的海马区域的位置有误时，可以控制鼠标将海马区域调整至正确的位置。

相应的，当设备接收到用户输入的调整操作时，可以根据所述调整操作对变形场进行调整，例如，当用户将第二脑图像中的A区域向左侧调整5个像素点时，设备可以将变形场中与A区域相对应的A1区域向左侧调整5个像素点，以得到调整后的变形场。进而，可以基于调整后的变形场和第一脑图像对脑图像获取神经网络模型再次进行训练，并根据训练结果进行更新。

由前述内容可知，当现有技术中的第一脑图像和MR图像的配准过程出现错误时，即使用户对第二脑图像进行调整，以后类似的第一脑图像依然会出现错误。然而，本发明实施例的技术方案，当再次输入类似的第一脑图像时，更新后的脑图像获取神经网络模型已经可以处理这个类型的第一脑图像，直接输出理想的变形场，增强了对类似图像的识别度。

实施例二

图2是本发明实施例二中提供的一种脑图像获取方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，上述脑图像获取方法，具体还可以包括：获取样本对象的样本脑图像，将样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将样本脑图像和样本变形场作为一组训练样本；基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，所述原始神经网络模型可以包括卷积神经网络模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图2所示，本实施例的方法具体可以包括如下步骤：

S210、获取样本对象的样本脑图像，将样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将样本脑图像和样本变形场作为一组训练样本。

其中，样本脑图像可以是PET图像，可以是SPECT图像，还可以是MR图像；预设的标准脑图像可以是MR图像。且，针对不同的样本对象，预设的标准脑图像可以是相同的脑图像，也可以是不同的脑图像。例如，可以根据样本对象的年龄、国籍、性别等个人属性信息选择对应的标准脑图像。

样本脑图像和标准脑图像的配准算法可以是梯度下降法、光流法、块配准法等。样本脑图像和标准脑图像配准完成后，可以得到与样本脑图像对应的样本变形场，每组样本脑图像和样本变形场可以作为一组训练样本。重复上述步骤，可以得到多组训练样本。

S220、基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，其中，原始神经网络模型包括卷积神经网络模型。

其中，将训练样本中的样本脑图像作为输入，样本变形场作为输出，对原始神经网络模型进行训练，得到脑图像获取神经网络模型。具体的，当原始神经网络模型包括卷积神经网络模型时，示例性的，如图3所示，在输入层和输出层的中间，可以包括多个卷积层、池化层(图中未画出)和全连接层。每次卷积操作都可以对应于不同数量的滤波器，特别地，由于输出层输出的是具备3个方向变量值的变形场，最后一个卷积操作可以等效于3个滤波器。可以理解是，卷积神经网络模型中的每个卷积层和全连接层中的元素都是未知变量，上述模型训练的过程正是估计这些未知变量的最优解的过程。

S230、基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像。

S240、获取已训练完备的脑图像获取神经网络模型，将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场。

S250、根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

本发明实施例的技术方案，将样本脑图像和样本变形场作为一组训练样本，基于多组训练样本对原始神经网络模型进行训练，得到的脑图像获取神经网络模型可以涵盖更多的情况，完备性更好。

一种可选的技术方案，训练样本可以包括第一训练样本和第二训练样本；相应的，基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，可以包括：基于多个第二训练样本对原始神经网络模型进行训练，得到初步脑图像获取神经网络模型；基于多个第一训练样本对初步脑图像获取神经网络模型进行训练，得到脑图像获取神经网络模型。

其中，当训练样本包括第一训练样本和第二训练样本时，假设，第一训练样本是数量较少而训练效果较佳的样本，第二训练样本是数量较多而训练效果一般的样本，为了同时满足训练效果以及训练次数的要求，可以采用迁移学习的方法。例如，可以基于多个第二训练样本对原始神经网络模型进行初步训练，得到初步脑图像获取神经网络模型；然后，基于多个第一训练样本对初步脑图像获取神经网络模型再次进行训练，可选的，可以对初步脑图像获取神经网络模型的后几层进行训练，也可以对初步脑图像获取神经网络模型的各层进行训练。上述步骤设置的好处在于，在训练样本的训练效果较佳而数量较少的情况下，可以同时满足训练效果和训练次数，得到可以涵盖多种情况的且训练效果较佳的脑图像获取神经网络模型。

一种可选的技术方案，样本对象可以包括第一样本对象；第一训练样本可以通过如下步骤获取：基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第一样本对象的第一样本脑图像，以及，基于磁共振成像技术获取第一样本对象的磁共振样本脑图像；将磁共振样本脑图像和预设的标准脑图像进行配准，得到第一样本变形场，并将第一样本脑图像和第一样本变形场作为一组第一训练样本。

其中，磁共振样本脑图像中包含有较多的结构信息，其与标准脑图像配准后得到的第一样本变形场亦包含有较多的结构信息，这样的变形场作为训练样本时可以得到较好的训练效果。因此，可以将第一样本脑图像和第一样本变形场作为一组第一训练样本。可选的，当磁共振样本脑图像的数量较多时，可以直接基于多个第一训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型。上述步骤设置的好处在于，可以使得已训练完备的脑图像获取神经网络模型中具备结构信息，根据上述模型获取的变形场亦具备结构信息。

一种可选的技术方案，样本对象可以包括第二样本对象；第二训练样本可以通过如下步骤获取：基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第二样本对象的第二样本脑图像；将第二样本脑图像和预设的标准脑图像进行配准，得到第二样本变形场，并将第二样本脑图像和第二样本变形场作为一组第二训练样本。

其中，第一样本对象和第二样本对象可以是相同的样本对象，也可以是不同的样本对象。由于磁共振样本脑图像需要受检者接收额外的MR扫描后方可获取，则医学领域中的磁共振样本脑图像的数量较为有限。相应的，第二样本脑图像只需受检者接收常规的PET扫描或是SPECT扫描后即可获取，则医学领域中的第二样本脑图像的数量较多。因此，可以将第二样本脑图像和第二样本变形场作为一组第二训练样本。可以理解的是，虽然第二训练样本的数量较多，但是第二样本脑图像中未具备结构信息，使得已训练完备的脑图像获取神经网络模型中亦未具备结构信息，训练效果不佳。因此，第二训练样本和第一训练样本可以配合使用，以同时满足训练效果和训练次数的要求。

需要说明的是，本发明实施例中的“第一样本对象”和“第二样本对象”、“第一样本脑图像”和“第二样本脑图像”、“第一训练样本”和“第二训练样本”、“第一样本变形场”和“第二样本变形场”等类似表述中的“第一”以及“第二”仅仅是用于区分各个名词，并非对各内容的限定。

实施例三

图4是本发明实施例三中提供的一种脑图像获取方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，在将样本脑图像和样本变形场作为一组训练样本之后，上述脑图像获取方法还可以包括：基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增；相应的，所述基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，具体可以包括：基于已扩增的训练样本集对原始神经网络模型进行训练，得到脑图像获取神经网络模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。

如图4所示，本实施例的方法具体可以包括如下步骤：

S310、获取样本对象的样本脑图像，将样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将样本脑图像和样本变形场作为一组训练样本。

S320、基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增。

其中，由于原始神经网络模型的训练过程对训练样本的数量有较高要求，即训练样本的数量越大，训练效果越佳。但是，医学领域的特殊性决定了训练样本的数量是有限的，即样本脑图像的数量是有限的。而且，即使是相同的扫描技术，不同设备生成的样本脑图像的质量亦存在差异，无法实现图像标准化的目的。因此，需要基于预设的数据集扩增算法对已有的训练样本集进行扩增，例如，可以通过平移、翻转、加噪声等方法从已有训练样本中创造出一批新的训练样本，以获得训练效果更佳的脑图像获取神经网络模型。

S330、基于已扩增的训练样本集对原始神经网络模型进行训练，得到脑图像获取神经网络模型，其中，原始神经网络模型包括卷积神经网络模型。

S340、基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像。

S350、获取已训练完备的脑图像获取神经网络模型，将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场。

S360、根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

本发明实施例的技术方案，通过数据集扩增算法对由多个训练样本构成的训练样本集进行扩增，并基于已扩增的训练样本集对原始神经网络模型进行训练，可以得到完备性更佳的脑图像获取神经网络模型。

一种可选的技术方案，基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增，可以包括：根据训练样本集中的至少两个样本变形场，以及，预设的随机变形场，生成扩增变形场；根据训练样本集中的每组训练样本，获取已变换样本脑图像，并根据至少两个已变换样本脑图像生成已变换扩增脑图像；根据已变换扩增脑图像和扩增变形场，生成未变换扩增脑图像。

其中，首先，从已有的训练样本集中任意获取至少两个样本变形场，基于预设的数学平均算法求解所述至少两个样本变形场的数学平均，同时加入预设的随机变形场，生成扩增变形场。可选的，预设的数学平均算法可以是权重值随机的的权重数学平均算法、算数平均算法、几何平均算法等。预设的随机变形场可以是随机生成的旋转变形场、平移变形场等。

其次，根据训练样本集中的每组训练样本中的样本脑图像和样本变形场，获取对应的已变换样本脑图像。从已有的多个已变换样本脑图像中任意选取至少两个已变换样本脑图像，基于预设的数学平均算法求解所述至少两个已变换样本脑图像的数学平均，生成已变换扩增脑图像。

再次，根据已变换扩增脑图像和扩增变形场，生成未变换扩增脑图像，并将扩增变形场作为样本变形场，将未变换扩增脑图像作为样本脑图像，加入至训练样本集中。

可选的，上述训练样本集扩增的过程可以通过如下公式表达：

假设训练样本集中共有N组训练样本，第i组训练样本包括样本脑图像X_i和样本变形场D_i，i∈[1,N]。与第i组训练样本对应的已变换样本脑图像Y_i＝f(X_i,D_i)，其中函数f是图像变换过程。由于样本变形场的逆变换D_i ^-1可以根据样本变形场D_i计算得来，则可以认为样本脑图像X_i＝g(Y_i,D_i ^-1)，其中函数g是图像逆变换过程。则，根据样本变形场样本变形场以及预设的随机变形场T，可以生成扩增变形场O：

其中，α，β和γ是[0,1]之间的随机数；K₁，K₂是[1,N]之间的随机整数。

进而，根据已变换样本脑图像和已变换样本脑图像可以生成已变换扩增脑图像并根据已变换扩增脑图像和扩增变形场O，可以生成未变换扩增脑图像I：

其中，δ是[0,1]之间的随机数；K₃，K₄是[1,N]之间的随机整数。

具体的，K₁，K₂，K₃和K₄可以相等，可以部分相等，还可以互不相等。由前述内容可知，只有当K₁＝K₃，α＝δ＝1，β＝γ＝0时，训练样本集未实现扩增的目的；其余情况下，训练样本集实现扩增的目的。上述步骤设置的好处在于，可以将训练样本的数量扩增数倍。

实施例四

图5为本发明实施例四提供的脑图像获取装置的结构框图，该装置用于执行上述任意实施例所提供的脑图像获取方法。该装置与上述各实施例的脑图像获取方法属于同一个发明构思，在脑图像获取装置的实施例中未详尽描述的细节内容，可以参考上述脑图像获取方法的实施例。参见图5，该装置具体可包括：第一脑图像获取模块410、模型获取模块420、变形场确定模块430和脑图像获取模块440。

其中，第一脑图像获取模块410，用于基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

模型获取模块420，用于获取已训练完备的脑图像获取神经网络模型；

变形场确定模块430，用于将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；

脑图像获取模块440，用于根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

可选的，在上述装置的基础上，该装置还可包括：

训练样本获取模块，用于获取样本对象的样本脑图像，将样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将样本脑图像和样本变形场作为一组训练样本；

模型训练模块，用于基于多个训练样本对原始神经网络模型进行训练，得到脑图像获取神经网络模型，其中，原始神经网络模型包括卷积神经网络模型。

可选的，在上述装置的基础上，该装置还包括模型训练模块，该模块用于：

基于样本对象的磁共振样本脑图像和正电子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型；或，

基于样本对象的磁共振样本脑图像和单光子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，训练样本包括第一训练样本和第二训练样本；相应的，模型训练模块，具体可以包括：

初步模型训练单元，用于基于多个第二训练样本对原始神经网络模型进行训练，得到初步脑图像获取神经网络模型；

模型训练单元，用于基于多个第一训练样本对初步脑图像获取神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，样本对象包括第一样本对象；训练样本获取模块，可以包括：

第一样本对象的图像获取单元，用于基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第一样本对象的第一样本脑图像，以及，基于磁共振成像技术获取第一样本对象的磁共振样本脑图像；

第一训练样本获取单元，用于将磁共振样本脑图像和预设的标准脑图像进行配准，得到第一样本变形场，并将第一样本脑图像和第一样本变形场作为一组第一训练样本。

可选的，样本对象包括第二样本对象；训练样本获取模块，可以包括：

第二样本对象的图像获取单元，用于基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取第二样本对象的第二样本脑图像；

第二训练样本获取单元，用于将第二样本脑图像和预设的标准脑图像进行配准，得到第二样本变形场，并将第二样本脑图像和第二样本变形场作为一组第二训练样本。

可选的，在上述装置的基础上，该装置还包括样本扩增模块，该模块用于：基于预设的数据集扩增算法对由多个训练样本构成的训练样本集进行扩增；相应的，模型训练模块，具体可以用于基于已扩增的训练样本集对原始神经网络模型进行训练，得到脑图像获取神经网络模型。

可选的，样本扩增模块，可以包括：

扩增变形场生成单元，用于根据训练样本集中的至少两个样本变形场，以及，预设的随机变形场，生成扩增变形场；

已变换扩增脑图像生成单元，用于根据训练样本集中的每组训练样本，获取已变换样本脑图像，根据至少两个已变换样本脑图像生成已变换扩增脑图像；

未变换扩增脑图像生成单元，用于根据已变换扩增脑图像和扩增变形场，生成未变换扩增脑图像。

可选的，在上述装置的基础上，该装置还可包括：

模型更新模块，用于根据接收到的用户输入的调整操作对变形场进行调整，并基于调整后的变形场和第一脑图像对脑图像获取神经网络模型再次进行训练，并根据训练结果更新脑图像获取神经网络模型。

可选的，脑图像获取模块440，具体可以用于：根据变形场对第一脑图像中的目标像素点的位置坐标进行变换，获取第二脑图像。

本发明实施例四提供的脑图像获取装置，通过第一脑图像获取模块、模型获取模块和变形场确定模块的相互配合，将第一脑图像输入至脑图像获取神经网络模型中，确定第一脑图像对应的变形场；通过脑图像获取模块使得变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。上述装置解决了图像配准过程带来的精度限制的问题，提高了受检者的脑图像的结构精度；而且，受检者无需进行额外的MR扫描，操作更为便捷。

本发明实施例所提供的脑图像获取装置可执行本发明任意实施例所提供的脑图像获取方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述脑图像获取装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例五

图6为本发明实施例五提供的一种设备的结构示意图，如图6所示，该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个，图6中以一个处理器520为例；设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接，图6中以通过总线550连接为例。

存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的脑图像获取方法对应的程序指令/模块(例如，脑图像获取装置中的第一脑图像获取模块410、模型获取模块420、变形场确定模块430和脑图像获取模块440)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的脑图像获取方法。

存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置530可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。

实施例六

本发明实施例六提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种脑图像获取方法，该方法可以包括：基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；获取已训练完备的脑图像获取神经网络模型；将第一脑图像输入至脑图像获取神经网络模型，确定第一脑图像对应的变形场；根据变形场对第一脑图像进行变换，获取第二脑图像，将第二脑图像作为受检者的脑图像。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令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脑图像获取方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

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。

Claims (13)

1.一种脑图像获取方法，其特征在于，包括：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将所述第一脑图像输入至所述脑图像获取神经网络模型，确定所述第一脑图像对应的变形场；

根据所述变形场对所述第一脑图像进行变换，获取第二脑图像，将所述第二脑图像作为受检者的脑图像。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取样本对象的样本脑图像，将所述样本脑图像和预设的标准脑图像进行配准，得到样本变形场，并将所述样本脑图像和所述样本变形场作为一组训练样本；

基于多个所述训练样本对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型，其中，所述原始神经网络模型包括卷积神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于样本对象的磁共振样本脑图像和正电子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型；或，

基于所述样本对象的磁共振样本脑图像和单光子发射型计算机断层样本脑图像；以及预设的标准脑图像，对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型。

4.根据权利要求2所述的方法，其特征在于，所述训练样本包括第一训练样本和第二训练样本；相应的，所述基于多个所述训练样本对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型，包括：

基于多个所述第二训练样本对原始神经网络模型进行训练，得到初步脑图像获取神经网络模型；

基于多个所述第一训练样本对所述初步脑图像获取神经网络模型进行训练，得到所述脑图像获取神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述样本对象包括第一样本对象；所述第一训练样本通过如下步骤获取：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取所述第一样本对象的第一样本脑图像，以及，基于磁共振成像技术获取所述第一样本对象的磁共振样本脑图像；

将所述磁共振样本脑图像和预设的标准脑图像进行配准，得到第一样本变形场，并将所述第一样本脑图像和所述第一样本变形场作为一组第一训练样本。

6.根据权利要求4或5所述的方法，其特征在于，所述样本对象包括第二样本对象；所述第二训练样本通过如下步骤获取：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取所述第二样本对象的第二样本脑图像；

将所述第二样本脑图像和预设的标准脑图像进行配准，得到第二样本变形场，并将所述第二样本脑图像和所述第二样本变形场作为一组第二训练样本。

7.根据权利要求2所述的方法，其特征在于，在所述将所述样本脑图像和所述样本变形场作为一组训练样本之后，所述方法还包括：基于预设的数据集扩增算法对由多个所述训练样本构成的训练样本集进行扩增；

相应的，所述基于多个所述训练样本对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型，包括：

基于已扩增的训练样本集对原始神经网络模型进行训练，得到所述脑图像获取神经网络模型。

8.根据权利要求7所述的方法，其特征在于，所述基于预设的数据集扩增算法对由多个所述训练样本构成的训练样本集进行扩增，包括：

根据所述训练样本集中的至少两个所述样本变形场，以及，预设的随机变形场，生成扩增变形场；

根据所述训练样本集中的每组训练样本，获取已变换样本脑图像，并根据至少两个所述已变换样本脑图像生成已变换扩增脑图像；

根据所述已变换扩增脑图像和所述扩增变形场，生成未变换扩增脑图像。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据接收到的用户输入的调整操作对所述变形场进行调整，并基于调整后的变形场和所述第一脑图像对所述脑图像获取神经网络模型再次进行训练，并根据训练结果更新所述脑图像获取神经网络模型。

10.根据权利要求1所述的方法，其特征在于，所述根据所述变形场对所述第一脑图像进行变换，获取第二脑图像，包括：

根据所述变形场对所述第一脑图像中的目标像素点的位置坐标进行变换，获取第二脑图像。

11.一种脑图像的获取装置，其特征在于，包括：

第一脑图像获取模块，用于基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

模型获取模块，用于获取已训练完备的脑图像获取神经网络模型；

变形场确定模块，用于将所述第一脑图像输入至所述脑图像获取神经网络模型，确定所述第一脑图像对应的变形场；

脑图像获取模块，用于根据所述变形场对所述第一脑图像进行变换，获取第二脑图像，将所述第二脑图像作为受检者的脑图像。

12.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如下操作：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将所述第一脑图像输入至所述脑图像获取神经网络模型，确定所述第一脑图像对应的变形场；

根据所述变形场对所述第一脑图像进行变换，获取第二脑图像，将所述第二脑图像作为受检者的脑图像。

13.一种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下操作：

基于正电子发射型计算机断层技术或单光子发射型计算机断层技术获取受检者的第一脑图像；

获取已训练完备的脑图像获取神经网络模型；

将所述第一脑图像输入至所述脑图像获取神经网络模型，确定所述第一脑图像对应的变形场；

根据所述变形场对所述第一脑图像进行变换，获取第二脑图像，将所述第二脑图像作为受检者的脑图像。