CN110322432A

CN110322432A - 医学图像处理方法、装置、计算机设备和可读存储介质

Info

Publication number: CN110322432A
Application number: CN201910443697.2A
Authority: CN
Inventors: 辛阳; 张树恒; 孟晓林
Original assignee: Shanghai United Imaging Healthcare Co Ltd
Current assignee: Shanghai United Imaging Healthcare Co Ltd
Priority date: 2019-05-27
Filing date: 2019-05-27
Publication date: 2019-10-11
Anticipated expiration: 2039-05-27
Also published as: CN110322432B

Abstract

本发明涉及一种医学图像处理方法、装置、计算机设备和可读存储介质，该方法包括：获取检测对象的躺位形态结构图像；将躺位形态结构图像输入生成对抗网络模型中，得到预测图像；预测图像为躺位形态结构图像对应的磁场强度下检测对象的站立形态结构图像。该方法解决了现有技术中通过低磁场的检测方式获得的站立式磁共振图像不够准确的问题。

Description

医学图像处理方法、装置、计算机设备和可读存储介质

技术领域

本发明涉及磁共振成像领域，特别是涉及一种医学图像处理方法、装置、计算机设备和可读存储介质。

背景技术

磁共振成像技术是利用原子核在磁场内所产生的信号经重建成像的一种影像技术。磁共振成像技术与其它断层成像技术(如CT)有一些共同点，比如它们都可以显示某种物理量(如密度)在空间中的分布；同时也有它自身的特色，磁共振成像可以得到任何方向的断层图像，三维体图像，甚至可以得到空间－波谱分布的四维图像。MRI提供的信息量不但大于医学影像学中的其他许多成像术，而且不同于已有的成像术，因此，它对疾病的诊断具有很大的潜在优越性。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT检测中的伪影；不需注射造影剂；无电离辐射，对机体没有不良影响。MRI对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效，同时对腰椎椎间盘后突、原发性肝癌等疾病的诊断也很有效。基于其具有对人体没有电离辐射损伤、软组织结构显示清晰、图像对比度清晰、影像信息丰富等众多优点，磁共振扫描已经成为临床上广泛采用的扫描技术。

目前应用于临床针对的磁共振产品按照磁场强度主要分为如下几类：应用于解剖学诊断的0.3T、0.5T等低场永磁磁共振；应用于解剖学、功能学研究的中场1.0T超导磁共振；应用于解剖学、神经系统功能学的高场1.5T超导磁共振；应用于解剖学、全身多部位功能学的超高场3.0T超导磁共振。当然还包括处于临床试验阶段的7.0T及以上的超高场超导磁共振。

通常情况下，磁场强度越强，其功能就越强大，成像速度也就越快，特别是对于一些运动的器官(如心脏，腹部各脏器组织。)其优势就凸显出来，与永磁相比其影像的分辨率是两个概念极。但是，传统的永磁磁共振已经不能满足患者需求，无法最大限度达到早期诊断和早期治疗的目的。超高场磁共振成像的优势除了灵敏度提高本身，而是有助于实现一系列成像方法及应用。在超高场下，化学位移增加、血氧水平依赖性(BOLD)对比增强、弛豫时间改变和磁敏感效应增大，这使得超高场磁共振成像技术在核磁共振波谱(MRS)、BOLD功能性磁共振成像(fMRI)、化学交换饱和转移(CEST)、磁敏感加权成像(SWI)和定量磁敏感成像(QSM)方面的应用具有先天优势。

然而，高场磁共振也存在一定的限制，例如：对于带有心脏起搏器的患者，场强过高会导致停搏；体内有金属的患者，未防止高场下金属异物的移动，也不适用于高场检查。此外，高场磁共振则会影响人身体内部组织的相互作用，并会对磁铁对象或植入物产生磁力作用，存在安全隐患。与此同时磁共振对人体刺激的频率及波长和磁场强度是联系在一起的，当磁感应度为1.5时，刺激的频率是64MHz、波长约为56cm；当磁感应度为3时频率和波长分别为128MHz和28cm；而当磁感应度为7时甚至是300MHz和12cm。波长越短能量密度就越大，这被称作每公斤单位的特殊的吸收速率，波长过短会引发吸收速率的异质性，限值被迅速超越时会使其导致皮肤烧伤。高场磁共振在生理学上会造成短时间的影响，据报道，少数被试者在7磁感应度的磁共振研究中感到晕眩、恶心或口腔内产生金属味觉。另一方面，当前的大部分磁共振扫描中，受试者一般采用或躺或趴的方式进行检测，而受试者在检测时采用的爬或躺的方式，使得椎骨受到脑部压迫的力不存在，导致获得的磁共振图像无法准确地反应组织结构；在日常状态下的关联关系。现有技术中，通常使受试者站立于低磁场系统中，从而获得更为接近人体日常状态的磁共振图像。

但是，低磁场的检测方式存在获得的站立式磁共振图像不够准确的问题。

发明内容

基于此，有必要针对低磁场的检测方式存在获得的站立式磁共振图像不够准确的问题，提供一种医学图像处理方法、装置、计算机设备和可读存储介质。

第一方面，本发明实施例提供一种医学图像处理方法，所述方法包括：

获取检测对象的躺位形态结构图像；

将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下所述检测对象的站立形态结构图像。

在其中一个实施例中，所述躺位形态结构图像与所述预测图像为同一检测对象的医学图像，所述医学图像对应的检测区域包括目标检测部位；所述目标检测部位在躺位形态下相对周围组织的位置与所述目标检测部位在站立形态下相对周围组织的位置不同，和/或，所述目标检测部位在躺位形态下的形态与所述目标检测部位在站立形态下的形态不同。

在其中一个实施例中，所述目标检测部位包括所述检测对象的脊柱、小脑、肝脏、子宫中的至少一种。

在其中一个实施例中，所述将所述躺位形态结构图像和所述站立形态结构图像，输入生成对抗网络网络模型中，得到预测图像之前，所述方法还包括：

对所述躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像；

所述将所述躺位形态结构图像，输入生成对抗网络模型中，得到预测图像，包括：

将所述归一化处理后的躺位形态结构图像，输入所述生成对抗网络模型中，得到预测图像。

在其中一个实施例中，所述方法还包括：

获取多个样本躺位形态结构图像和多个样本站立形态结构图像；所述各样本躺位形态结构图像对应的磁场强度大于所述各样本站立形态结构图像对应的磁场强度；

将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型；所述预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。

在其中一个实施例中，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型，包括：

将所述各样本躺位形态结构图像输入所述预设初始生成器网络，得到所述各样本躺位形态结构图像对应的样本预测图像；

将所述各样本预测图像和所述各样本站立形态结构图像输入所述预设初始判别器网络，输出判别结果，根据判别结果对所述预设初始生成器网络和所述预设初始判别器网络进行交替训练，得到所述生成对抗网络模型。

在其中一个实施例中，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型之前，所述方法还包括：

对所述各样本躺位形态结构图像和所述各样本站立形态结构图像进行归一化处理，得到归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像；

将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型，包括：

将所述归一化处理后的各样本躺位形态结构图像和所述归一化处理后的各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。

第二方面，本发明实施例提供一种医学图像处理装置，所述装置包括：

第一获取模块，用于获取检测对象的躺位形态结构图像；

预测模块，用于将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下所述检测对象的站立形态结构图像。

第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取检测对象的躺位形态结构图像；

第四方面，本发明实施例提供一种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以下步骤：

获取检测对象的躺位形态结构图像；

上述实施例提供的医学图像处理方法、装置、计算机设备和可读存储介质中，计算机设备获取检测对象的躺位形态结构图像，将躺位形态结构图像输入生成对抗网络模型中，得到预测图像，其中，预测图像为躺位形态结构图像对应的磁场强度下该检测对象的站立形态结构图像。在该方法中，生成对抗网络模型的输入为躺位形态结构图像，得到的预测图像为该躺位形态结构图像对应的磁场强度下的站立形态结构图像，使得通过生成对抗网络模型得到的预测图像更加准确，且站立形态结构图像更为接近人体的日常状态，解决了现有技术中通过低磁场的检测方式获得的站立式磁共振图像不够准确的问题。

附图说明

图1为一个实施例提供的计算机设备的内部结构示意图；

图2一个实施例提供的医学图像处理方法的流程示意图；

图3为另一个实施例提供的医学图像处理方法的流程示意图；

图4为一个实施例提供的医学图像处理装置结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的医学图像处理方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。

需要说明的是，本申请实施例提供的医学图像处理方法，其执行主体可以是医学图像处理装置，该医学图像处理装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。

下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的医学图像处理方法的流程示意图。本实施例涉及的是计算机设备根据检测对象的躺位形态结构图像和生成对抗网络模型，得到预测图像的具体实现过程。如图2所示，该方法可以包括：

S201，获取检测对象的躺位形态结构图像。

具体的，计算机设备获取检测对象的躺位形态结构图像，其中，躺位形态结构图像为检测对象在强磁场下扫描得到的躺位形态的图像。可选的，计算机设备可以从超导磁共振成像系统中获取躺位形态结构图像，从低场磁共振成像系统中获取站立形态结构图像，也可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取躺位形态结构图像和站立形态结构图像。可选的，躺位形态可以为平躺形态、俯卧形态、左侧卧形态、右侧卧形态等躺位形态中的任一种。可选的，检测对象的躺位形态结构图像对应的磁场强度可以为1.5T、O.3T，也可以为更高主磁场的超导磁共振设备对应的磁场强度，且该设备包含封闭的孔腔结构，检测对象无法采用站立形式进行扫描。

S202，将躺位形态结构图像输入生成对抗网络模型中，得到预测图像；预测图像为躺位形态结构图像对应的磁场强度下检测对象的站立形态结构图像。

具体的，计算机设备将躺位形态结构图像输入生成对抗网络模型中，得到预测图像。其中，预测图像为躺位形态结构图像对应的磁场强度下检测对象的站立形态结构图像，生成对抗网络模型为预先训练的生成对抗网络模型，用于根据躺位形态结构图像，得到预测图像。可选的，站立形态可以为坐位形态、直立形态、斜立形态等站立形态中的任一种。

在一个实施例中，医学图像处理方法还可包括根据预测图像和躺位形态结构图像获取目标图像。例如，从预测图像中分割得到感兴趣区域子图像；确定躺位形态结构图像中的待处理区域，该待处理区域与感兴趣区域子图像相对应，即对应同一组织；根据感兴趣区域子图像修正待处理区域，获得修正的待处理区域，从而得到修正的躺位形态结构图像，即目标图像。

可选地，根据感兴趣区域子图像修正待处理区域，获得修正的待处理区域可包括：根据感兴趣区域子图像对待处理区域作形态修正。例如，对于脊柱组织，修正脊柱的弯曲度；在例如，修正脊柱相邻椎骨之间的距离；还例如，修正脊柱椎间盘的形状。

可选地，根据感兴趣区域子图像修正待处理区域，获得修正的待处理区域可包括：根据感兴趣区域子图像对待处理区域作位置调整。例如，对于小脑组织，对齐作平移处理，以更改小脑与脊柱之间的距离。当然，可以理解的，在上述修正过程中，躺位形态结构图像的轮廓信息可保持不变，而仅更改轮廓所包围的感兴趣点、感兴趣区域。

在本实施例中，生成对抗网络模型的输入为躺位形态结构图像，得到的预测图像为该躺位形态结构图像对应的磁场强度下的站立形态结构图像，使得通过生成对抗网络模型得到的预测图像更加准确，且站立形态结构图像更为接近人体的日常状态，解决了现有技术中通过低磁场的检测方式获得的站立式磁共振图像不够准确的问题。

在上述实施例的基础上，作为一种可选的实施方式，躺位形态结构图像与预测图像为同一检测对象的医学图像，医学图像对应的检测区域包括目标检测部位；目标检测部位在躺位形态下相对周围组织的位置与目标检测部位在站立形态下相对周围组织的位置不同，和/或，目标检测部位在躺位形态下的形态与目标检测部位在站立形态下的形态不同。

具体的，躺位形态结构图像与得到的预测图像为同一检测对象的医学图像，该医学图像对应的检测区域包括目标检测部位；该目标检测部位在躺位形态下相对周围组织的位置与该目标检测部位在站立形态下相对周围组织的位置不同，和/或，该目标检测部位在躺位形态下的形态与该目标检测部位在站立形态下的形态不同。可选的，目标检测部位包括检测对象的脊柱、小脑、肝脏、子宫中的至少一种。例如，当目标检测部位为脊柱时，检测对象站立时脊柱可能会产生弯曲，从而导致脊柱与周围神经的位置关系相比躺位形态更靠近或者脊柱会对周围神经产生神经压迫，且检测对象站立时脊柱弯曲度大于躺位形态的脊柱弯曲度，即在站立形态下的脊柱的形态与躺位形态下脊柱的形态不同；又例如，当检测部位是小脑时，检测对象躺位形态下小脑处于脑脊液中，且与脊柱保持一定的距离，而检测对象站立时，脑脊液中小脑受重力作用下沉，与脊柱的距离消失。

在本实施例中，躺位形态结构图像与预测图像为同一检测对象的医学图像，能够使生成对抗网络模型根据躺位形态结构图像准确的得到预测图像，提高了根据躺位形态结构图像得到预测图像的准确度。

在上述实施例的基础上，作为一种可选的实施方式，上述S202之前，上述方法还包括：对躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像；S202，包括：将归一化处理后的躺位形态结构图像，输入生成对抗网络模型中，得到预测图像。

具体的，计算机设备将躺位形态结构图像，输入生成对抗网络模型之前，对躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像，将归一化处理后的躺位形态结构图像，输入生成对抗网络模型中，得到预测图像。可选的，计算机设备可以根据预设的归一化处理公式对躺位形态结构图像进行归一化处理，式中，I为躺位形态结构图像，max为躺位形态结构图像像素值的最大值，min为躺位形态结构图像像素值的最小值，I'为归一化后的躺位形态结构图像。

在本实施例中，计算机设备对躺位形态结构图像进行归一化处理，能够使躺位形态结构图像变换为一固定的标准形式，这样将归一化处理后的躺位形态结构图像输入生成对抗网络模型中，能够使得到的预测图像更为准确。

图3为另一个实施例提供的医学图像处理方法的流程示意图。本实施例涉及的是对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型的具体实现过程。如图3所示，在上述实施例的基础上，作为一种可选的实施方式，上述方法还包括：

S301，获取多个样本躺位形态结构图像和多个样本站立形态结构图像；各样本躺位形态结构图像对应的磁场强度大于各样本站立形态结构图像对应的磁场强度。

具体的，计算机设备首先获取多个样本躺位形态结构图像和多个样本站立形态结构图像，其中，各样本躺位形态结构图像对应的磁场强度大于各样本站立形态结构图像对应的磁场强度。可选的，计算机设备可以从超导磁共振成像系统中获取多个样本躺位形态结构图像，从低场磁共振成像系统中获取多个样本站立形态结构图像，也可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取多个样本躺位形态结构图像和多个样本站立形态结构图像。当然，多个样本躺位形态结构图像和多个样本站立形态结构图像还可以是不同模态的医学图像。例如，多个样本躺位形态结构图像可以是磁共振扫描得到的图像，而多个样本站立形态结构图像可以是X射线成像设备拍摄获得的图像。

S302，将各样本躺位形态结构图像和各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型；预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。

在一个实施例中，对抗网络模型经过训练可表征目标检测部位与周围部位在躺位形态、站立形态下的映射关系。例如，样本躺位形态结构图像可以是1.5T、3.0T等场强下患者躺位拍摄得到的磁共振头部图像，样本站立形态结构图像可以是0.3T场强下患者站立拍摄得到的磁共振头部图像，通过神经网络训练可获取站立状态下、躺位状态下的小脑与脊柱之间的距离变化关系，该距离变化关系即为躺位形态、站立形态下的映射关系。又例如，通过神经网络训练可获取站立状态下、躺位状态下的小脑在整个图像中的位置坐标，小脑在两种状态下的坐标变化即为躺位形态、站立形态下的映射关系。

在一个实施例中，对抗网络模型经过训练可表征目标检测部位在躺位形态、站立形态下的形态变化的映射关系。例如，样本躺位形态结构图像可以是患者躺位拍摄得到的磁共振脊柱图像，样本站立形态结构图像可以是采用X射线成像设备拍摄患者站立状态下的脊柱数字摄影(Digital Radiography,DR)图像，患者躺位时脊柱呈第一弯曲度，患者站立状态时脊柱呈第二弯曲度，通过神经网络训练可获取站立状态下、躺位状态下的脊柱弯曲度的变化关系。又例如，患者躺位时脊柱的相邻椎骨之间为第一距离，患者站立状态时脊柱相邻椎骨之间为第二距离，通过神经网络训练可获取站立状态下、躺位状态下的脊柱相邻椎骨之间的变化关系。再例如，患者躺位时脊柱的椎间盘为第一状态，患者站立状态时脊柱的椎间盘为第二状态，通过神经网络训练可获取站立状态下、躺位状态下的脊柱的椎间盘的变化关系。

具体的，计算机设备将各样本躺位形态结构图像和各样本站立形态结构图像作为预设初始神经网络模型的输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。其中，预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。可选的，计算机设备将各样本躺位形态结构图像输入预设初始生成器网络，得到各样本躺位形态结构图像对应的样本预测图像，将各样本预测图像和各各样本站立形态结构图像输入预设初始判别器网络，输出判别结果，根据判别结果对预设初始生成器网络和预设初始判别器网络进行交替训练，得到生成对抗网络模型。其中，样本预测图像为样本躺位形态结构图像对应的磁场强度下的检测对象的站立形态结构图像。

在本实施例中，计算机设备得到的神经网络模型是将多个样本躺位形态结构图像和多个样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始神经网络模型进行训练得到的，提高了得到的神经网络模型的准确度，这样可以保证利用神经网络模型得到预测图像的准确度。

在上述实施例的基础上，作为一种可选的实施方式，上述S302之前，上述方法还包括：对各样本躺位形态结构图像和各样本站立形态结构图像进行归一化处理，得到归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像；S302包括：将归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。

具体的，计算机设备将各样本躺位形态结构图像和各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练之前，对各样本躺位形态结构图像和各样本站立形态结构图像进行归一化处理，得到归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像，将归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像作为输入，样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。可选的，计算机设备可以根据预设的归一化处理公式对各样本躺位形态结构图像和各样本站立形态结构图像进行归一化处理；对各样本躺位形态结构图像进行归一化处理时，式中，I为各样本躺位形态结构图像，max为各样本躺位形态结构图像像素值的最大值，min为各样本躺位形态结构图像像素值的最小值，I'为归一化后的各样本躺位形态结构图像；对各样本站立形态结构图像进行归一化处理时，式中，I为各样本站立形态结构图像，max为各样本站立形态结构图像像素值的最大值，min为各样本站立形态结构图像像素值的最小值，I'为归一化后的各样本站立形态结构图像。

在本实施例中，计算机设备对各样本躺位形态结构图像和各样本站立形态结构图像进行归一化处理，能够使各样本躺位形态结构图像和各样本站立形态结构图像变换为一固定的标准形式，这样将归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像输入预设初始生成对抗网络模型中，能够对预设初始生成对抗网络模型进行更好的训练，使得到的生成对抗网络模型更为准确。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图4为一个实施例提供的医学图像处理装置结构示意图。如图4所示，该装置可以包括：第一获取模块10和预测模块11。

具体的，第一获取模块10，用于获取检测对象的躺位形态结构图像；

预测模块11，用于将躺位形态结构图像输入生成对抗网络模型中，得到预测图像；预测图像为躺位形态结构图像对应的磁场强度下的站立形态结构图像。

可选的，躺位形态结构图像与预测图像为同一检测对象的医学图像，医学图像对应的检测区域包括目标检测部位；目标检测部位在躺位形态下相对周围组织的位置与目标检测部位在站立形态下相对周围组织的位置不同，和/或，目标检测部位在躺位形态下的形态与目标检测部位在站立形态下的形态不同。

可选的，目标检测部位包括检测对象的脊柱、小脑、肝脏、子宫中的至少一种。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

请继续参见图4，在上述实施例的基础上，可选的，如图4所示，上述装置还包括：第一处理模块12。

具体的，第一处理模块12，用于对躺位形态结构图像进行归一化处理，得到归一化处理后的躺位形态结构图像；

上述预测模块11，具体用于将归一化处理后的躺位形态结构图像，输入生成对抗网络模型中，得到预测图像。

请继续参见图4，在上述实施例的基础上，可选的，如图4所示，上述装置还包括：第二获取模块13和训练模块14。

具体的，第二获取模块13，用于获取多个样本躺位形态结构图像和多个样本站立形态结构图像；各样本躺位形态结构图像对应的磁场强度大于各样本站立形态结构图像对应的磁场强度；

训练模块14，用于将各样本躺位形态结构图像和各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型；预设初始生成对抗网络模型包括预设初始生成器网络和预设初始判别器网络。

请继续参见图4，在上述实施例的基础上，可选的，如图4所示，上述训练模块14包括：获取单元141和训练单元142。

具体的，第一训练单元141，用于将各样本躺位形态结构图像输入预设初始生成器网络，得到各样本躺位形态结构图像对应的样本预测图像；第二训练单元142，用于将各样本预测图像和各样本站立形态结构图像输入预设初始判别器网络，输出判别结果，根据判别结果对预设初始生成器网络和预设初始判别器网络进行交替训练，得到生成对抗网络模型。

请继续参见图4，在上述实施例的基础上，可选的，如图4所示，装置还包括：第二处理模块15。

具体的，第二处理模块15，用于对各样本躺位形态结构图像和各样本站立形态结构图像进行归一化处理，得到归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像；

上述训练模块14，具体用于将归一化处理后的各样本躺位形态结构图像和归一化处理后的各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到生成对抗网络模型。

关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定，在此不再赘述。上述医学图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取检测对象的躺位形态结构图像；

将躺位形态结构图像输入生成对抗网络模型中，得到预测图像；预测图像为躺位形态结构图像对应的磁场强度下检测对象的站立形态结构图像。

上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取检测对象的躺位形态结构图像；

上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种医学图像处理方法，其特征在于，所述方法包括：

获取检测对象的躺位形态结构图像；

2.根据权利要求1所述的方法，其特征在于，所述躺位形态结构图像与所述预测图像为同一检测对象的医学图像，所述医学图像对应的检测区域包括目标检测部位；所述目标检测部位在躺位形态下相对周围组织的位置与所述目标检测部位在站立形态下相对周围组织的位置不同，和/或，所述目标检测部位在躺位形态下的形态与所述目标检测部位在站立形态下的形态不同。

3.根据权利要求2所述的方法，其特征在于，所述目标检测部位包括所述检测对象的脊柱、小脑、肝脏、子宫中的至少一种。

4.根据权利要求1所述的方法，其特征在于，所述将所述躺位形态结构图像，输入生成对抗网络模型中，得到预测图像之前，所述方法还包括：

5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：

6.根据权利要求5所述的方法，其特征在于，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型，包括：

7.根据权利要求6所述的方法，其特征在于，所述将所述各样本躺位形态结构图像和所述各样本站立形态结构图像作为输入，将样本预测图像作为输出，对预设初始生成对抗网络模型进行训练，得到所述生成对抗网络模型之前，所述方法还包括：

8.一种医学图像处理装置，其特征在于，所述装置包括：

获取模块，用于获取检测对象的躺位形态结构图像；

预测模块，用于将所述躺位形态结构图像输入生成对抗网络模型中，得到预测图像；所述预测图像为所述躺位形态结构图像对应的磁场强度下的站立形态结构图像。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。

10.一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权利要求1-7中任一项所述的方法的步骤。