CN114037830A - 增强图像生成模型的训练方法、图像处理方法及装置 - Google Patents
增强图像生成模型的训练方法、图像处理方法及装置 Download PDFInfo
- Publication number
- CN114037830A CN114037830A CN202111328739.1A CN202111328739A CN114037830A CN 114037830 A CN114037830 A CN 114037830A CN 202111328739 A CN202111328739 A CN 202111328739A CN 114037830 A CN114037830 A CN 114037830A
- Authority
- CN
- China
- Prior art keywords
- image
- generation model
- training
- enhanced
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 230000002708 enhancing effect Effects 0.000 claims abstract description 32
- 238000010586 diagram Methods 0.000 claims description 31
- 125000004122 cyclic group Chemical group 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000002872 contrast media Substances 0.000 abstract description 15
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 55
- 239000000243 solution Substances 0.000 description 9
- 238000002372 labelling Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000172 allergic effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 208000010668 atopic eczema Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种增强图像生成模型的训练方法、图像处理方法及装置。增强图像生成模型的训练方法包括：获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。通过本发明实施例公开的技术方案，提升了增强图像对比度和平扫图像的应用灵活性，避免了多次注射增强造影药剂对病人的伤害，提高了医生的诊断效率。
Description
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种增强图像生成模型的训练方法、图像处理方法及装置。
背景技术
在放疗流程中，计划CT是必不可少的一项。为了能够清晰的显示病灶部位周围的血管或脏器信息，需要扫描增强CT，即在CT扫描时向静脉注射造影剂，以增强局部扫描图像对比度。
在实施本发明的过程中发现现有技术中存在如下技术问题：一方面部分患者会对造影剂过敏，无法扫描增强CT，另一方面注射造影剂属于有创方式，对于部分患者并不适用。
发明内容
本发明提供一种增强图像生成模型的训练方法、图像处理方法及装置，以实现提升医学影像的图像对比度，避免多次注射增强造影药剂对病人的伤害，从而提高医生的诊断效率。
第一方面，本发明实施例提供了一种增强图像生成模型的训练方法，该方法包括：
获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
可选的，所述确定所述待处理样本图像的类别，包括：
将所述待处理样本图像输入至分类器中，得到所述分类器输出的所述待处理样本图像的类别。
可选的，所述识别所述待处理样本图像的感兴趣区域，包括：
基于所述分类器提取的图像特征生成所述待处理样本图像的热力图；
对所述热力图中的各像素点进行阈值匹配，基于匹配结果确定感兴趣区域。
可选的，所述基于所述分类器提取的图像特征生成所述待处理样本图像的热力图，包括：
获取所述分类器中预设结构提取的图像特征；
基于所述图像特征调整所述待处理样本图像中对应像素点的像素值，生成所述待处理样本图像的热力图。
可选的，所述初始模型包括第一生成模型和第二生成模型，第一生成模型用于将平扫图像转换为第二生成模型用于将增强图像转换为平扫图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，包括：
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对所述第一生成模型和第二生成模型进行迭代训练，直到满足结束条件，将训练完成的第一生成模型确定为增强图像生成模型。
可选的，所述第一生成模型和第二生成模型的迭代训练过程包括：
将类别为平扫图像的样本图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，将所述训练增强图像输入至所述第二生成模型中，得到所述第二生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第一损失函数，基于第一损失函数调整所述第一生成模型和所述第二生成模型；
和/或，
将类别为增强图像的样本数据输入至第二生成模型中，得到所述第二生成模型输出的训练平扫图像，将所述训练平扫图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第二损失函数，基于所述第二损失函数调整所述第一生成模型和所述第二生成模型。
可选的，所述初始模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像；
所述基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，包括；
迭代执行如下步骤，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型：
将类别为平扫图像的样本图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，将所述训练增强图像从所述第三生成模型的第二端输入至所述第三生成模型中，得到所述第三生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第三损失函数，基于所述第三损失函数调整所述第三生成模型；
和/或，
将类别为增强图像的样本数据从所述第三生成模型的第二端输入至第三生成模型中，得到所述第三生成模型输出的训练平扫图像，将所述训练平扫图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第四损失函数，基于所述第四损失函数调整所述第三生成模型。
可选的，所述第一损失函数包括作为输入图像的平扫图像和所述训练平扫图像的循环一致性损失、所述第一生成模型的输入鉴别损失和所述第二生成模型的输入鉴别损失；
所述第二损失函数包括作为输入图像的增强图像和所述训练增强图像的循环一致性损失、所述第一生成模型的输入鉴别损失和所述第二生成模型的输入鉴别损失；
所述第三损失函数包括作为输入图像的平扫图像和所述训练平扫图像的循环一致性损失、所述第三生成模型的第一端的输入鉴别损失和所述第三生成模块的第二端的输入鉴别损失；
所述第四损失函数包括作为输入图像的增强图像和所述训练增强图像的循环一致性损失、所述第三生成模型的第一端的输入鉴别损失和所述第三生成模型的第二端的输入鉴别损失。
第二方面，本发明实施例还提供了一种图像处理方法，该方法包括：
获取目标对象的平扫图像；
将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
第三方面，本发明实施例还提供了一种增强图像生成模型的训练装置，该装置包括：
待处理样本图像的类别确定模块，用于获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
感兴趣区域确定模块，用于识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
增强图像生成模型确定模块，用于基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
第四方面，本发明实施例还提供了一种图像处理装置，该装置包括：
平扫图像获取模块，用于获取目标对象的平扫图像；
增强图像获取模块，用于将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
第五方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，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本发明任意实施例提供的增强图像生成模型的训练方法或者图像处理方法。
第六方面，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任意实施例提供的增强图像生成模型的训练方法或者图像处理方法。
本实施例的技术方案具体通过获取待处理样本图像，确定待处理样本图像的类别，其中，类别包括平扫图像和增强图像；识别待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型；具体本实施例的技术方案通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于图像特征确定样本图像，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于平扫图像得到增强图像，避免了因为患者对造影剂不适所造成的无法得到增强图像的情况，提高了医学影像的图像对比度以及应用灵活性。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1是本发明实施例提供的一种增强图像生成模型的训练方法的流程示意图；
图2是本发明实施例提供的另一种增强图像生成模型的训练方法的流程示意图；
图3是本发明实施例提供的另一种增强图像生成模型的训练方法的流程示意图；
图4是本发明实施例提供的一种图像处理方法的流程示意图；
图5是本发明实施例提供的一种增强图像生成模型的训练装置的结构示意图；
图6是本发明实施例提供的一种图像处理装置的结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。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。
图1为本发明实施提供的一种增强图像生成模型的训练方法的流程图，本实施例可适用于对增强图像生成模型进行训练的情况；更适用于基于无监督的训练方式对增强图像生成模型进行训练的情况。该方法可以由增强图像生成模型的训练装置来执行，该装置可以由软件和/或硬件的方式来实现。
在对本实施例的技术方案进行介绍之前，先对本实施例的技术方案的应用场景进行示例性的介绍。具体的，应用场景包括：在放疗流程中，计划CT是必不可少的一项。为了能够清晰的显示病灶部位周围的血管或脏器信息，需要扫描增强CT，即在CT扫描时向静脉注射造影剂，以增强局部扫描图像对比度。
但是，在实施本发明的过程中发现现有技术中存在如下技术问题：一方面部分患者会对造影剂过敏，无法扫描增强CT，另一方面注射造影剂属于有创方式，对于部分患者并不适用。
现有技术中，有采用CT图像降噪及对比度增强技术，可以一定程度提升CT图像质量，但关键部位对比度增强效果依然无法与增强CT相比。还有的技术利用生成对抗网络实现图像风格变换，例如CT与MR，CT与CBCT之间的转换，但此种方法是图像整体风格的变化，无法做到仅对图像局部进行针对性的对比度增强。
所以，针对现有技术中存在的问题，本实施例的技术方案通过提升平扫CT感兴趣区域的对比度，达到模拟增强CT的效果，避免了造影剂使用的局限性，实现了辅助医生进行诊断，提升医生的诊断效率。
需要说明的是，上述应用场景的介绍只是本实施例的技术方案的可选应用场景，本实施例的技术方案还可以应用于根据已有的低对比度图像确定相对的高对比度图像的应用场景；以及，还可以适用于提升MRI图像中感兴趣区域的对比度，达到模拟增强MRI的效果；在上述应用场景的基础上，本实施例的技术方案还可以应用于其他应用场景，本实施对技术方案的应用场景不加以限制。
进一步的，基于上述技术思路本实施例的技术方案具体通过获取待处理样本图像，将待处理样本图像输入至分类器中，确定分类器输出的待处理样本图像的类别，其中，类别包括平扫图像和增强图像；基于分类器提取的图像特征对待处理样本图像进行处理，确定待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；进一步的，基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于图像特征确定样本图像，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于平扫图像得到增强图像，避免了因为造影剂不适造成的无法得到增强图像，提高了图像质量以及应用灵活性。
如图1所示，该方法具体包括以下步骤：
S110、获取待处理样本图像，确定待处理样本图像的类别，其中，类别包括平扫图像和增强图像。
在本发明实施例中，样本图像为用于对初始模型进行训练的图像。待处理样本图像可以理解为未标注的样本图像，以便于直接对初始模型进行训练，从而实现减少医护人员的工作强度，降低标注成本。本实施例中，待处理样本图像中包括平扫图像以及增强图像。平扫图像可以等效于扫描对象未服用造影剂时采用预设医学影像设备进行扫查所得到的医学图像。增强图像可以等效于扫描对象服用造影剂后采用预设医学影像设备进行扫查所得到的医学图像。可选的，医学影像设备可以是MRI设备，也可以是CT设备，本实施例对医学影像设备的设备类型不加以限定。
具体的，获取待处理样本图像的方法可以是基于医学影像设备中存储的历史图像扫描记录进行获取。当然，还可以采用其他方式获取待处理样本图像，本实施例对样本图像的获取方式不加以限制。
进一步的，在获取待处理样本图像之后，确定该待处理样本图像的类别。可选的，可以基于预设分类器确定类别。具体的确定方法包括：将该待处理样本图像输入至分类器中，得到分类器输出的该待处理样本图像的类别。其中，待处理图像的类别可以包括平扫图像和增强图像。在本实施例中，分类器可以是预先训练的神经网络分类模型，例如，ImageNet，DenseNet等分类网络，当然也可以是其他分类器，本实施例对分类器不加以限定。
S120、识别待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像。
在本发明实施例中，可以是基于图像分割算法对待处理样本图像中的感兴趣区域进行分割识别；例如阈值法、区域生长法、机器学习法、形状匹配法等等；也可以基于分类器对待处理样本图像中的感兴趣区域进行分类识别，本实施例对确定感兴趣区域的识别方式不加以限定。
值得注意的是，若采用分类器对待处理样本图像进行感兴趣区域识别，则分类器可以同时输出感兴趣区域识别结果和待处理样本图像的分类结果，当然，还可以顺序输出兴趣区域识别结果和待处理样本图像的分类结果，本实施例对分类器输出兴趣区域识别结果和待处理样本图像的分类结果的先后顺序不加以限制。
可选的，采用分类器识别待处理样本图像的感兴趣区域的方法可以包括：基于分类器提取的图像特征对待处理样本图像进行处理，确定待处理样本图像的感兴趣区域。其中，图像特征可以是分类器确定图像类别的图像特征。例如，可以是包含像素值的图像序列，本实施例对图像特征的类型不加以限定。
具体的，基于分类器提取的图像特征对待处理样本图像进行处理，确定待处理样本图像的感兴趣区域的方法可以包括：基于分类器提取的图像特征生成待处理样本图像的热力图；对热力图中的各像素点进行阈值匹配，基于匹配结果确定感兴趣区域。
本实施例中，热力图可以是用于区别显示图像特征在待处理样本图像中的中位置的图像，例如基于不同像素点进行区分体现的图像。
可选的，生成待处理样本图像的热力图的方法可以是：获取分类器中预设结构提取的图像特征；基于图像特征调整待处理样本图像中对应像素点的像素值，生成待处理样本图像的热力图。
其中，分类器中可以包括特征提取模块和分类处理模块，例如，在一些实施例中特征提取模块可以是由多个卷积层组合得到，获取该特征提取模块输出的图像特征。可选的，分类器中预设结构可以是用于提取特征的卷积层中的最后一个卷积层/卷积模块。该图像特征可以是特征图，还可以是特征向量，对此不作限定。该图像特征为分类处理模块进行分类处理的特征，是对待处理样本图像进行分类的依据。
具体的，获取分类器提取的图像特征，确定图像特征在待处理样本图像中的位置，以及该位置对应的各像素点的像素值，将上述各像素点的像素值调整为与待处理样本图像中的其他位置的各像素点的像素值不同的数值(示例性的，可以是调整至预设像素值)，以区别显示出图像特征在待处理样本图像中的位置，进一步的，基于图像特征在待处理样本图像中的位置对应的各像素点的调整后的像素值以及待处理样本图像中的其他位置的各像素点的像素值生成的新的图像作为该待处理图像的热力图。
当然，在本实施例中，还可以基于预先训练的热力图像生成模型，将获取到的分类器提取待处理样本图像的图像特征以及该待处理样本图像输入至预先训练好的热力图像生成模型中，得到该热力图像生成模型输出的该待处理样本图像的热力图。当然，还可以基于其他方式确定待处理样本图像的热力图，本实施例对生成方法不加以限定。
进一步的，基于热力图中的各像素点预先设置像素点阈值范围，并基于该像素点阈值确定待处理样本图像的感兴趣区域图像。具体的，将预先设置的像素点阈值范围与热力图中的各像素点进行比较，将处于该像素点阈值范围内的热力图的各像素点确定为待处理样本图像的感兴趣区域图像，从而将包括感兴趣区域的图像作为训练初始模型的样本图像。其中，像素点阈值可以是基于调整后的图像特征对应的像素点与待处理样本图像中其他位置的图像的像素点之间的像素差距进行设置。
示例性的，以胸部的扫描图像为例，感兴趣区域可以是血管和(部分)脏器；所以，在最终得到的包括感兴趣区域的样本图像中血管和(部分)脏器是区别显示于其他部位的，以使后续基于样本图像对增强图像生成模型进行训练的过程中提高模型对感兴趣区域的学习能力，从而实现图像的增强效果。
S130、基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
在本发明实施例中，在获取包括感兴趣区域的图像以及样本图像的类别之后，可以是基于将包括感兴趣区域的样本图像输入至初始模型得到的结果，以及将样本图像的类别作为标签，生成损失函数对初始模型的模型参数进行迭代训练，得到增强图像生成模型。可选的，本实施例中可以采用对抗神经网络训练方式对初始模型进行训练，也可以采用卷积神经网络对初始模型进行训练，本实施对模型的训练方式不加以限定。
需要说明的是，上述生成的损失函数包括初始模型输入图像和输出图像的循环一致性损失和基于鉴别器对初始模型中至少一个生成模型的输入鉴别损失。其中，鉴别器用于鉴别输入至初始模型中的样本图像的类别与真实的类别是否一致，并基于鉴别结果生成损失函数，进一步增加初始模型训练的准确性，提高模型的训练效果。
本实施例的技术方案具体通过获取待处理样本图像，将待处理样本图像输入至分类器中，确定分类器输出的待处理样本图像的类别，其中，类别包括平扫图像和增强图像；基于分类器提取的图像特征对待处理样本图像进行处理，确定待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；进一步的，基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于图像特征确定样本图像，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于低对比度图像得到高对比度图像，提高了医学影像的图像质量以及应用灵活性。
图2为本发明实施例提供的另一种增强图像生成模型的训练方法的流程图，本实施例在上述各实施例的基础上，将步骤“基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型”细化为“基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型；其中，初始模型包括第一生成模型和第二生成模型”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。参见图2，本实施例提供的增强图像生成模型的训练方法包括：
S210、获取待处理样本图像，确定待处理样本图像的类别，其中，类别包括平扫图像和增强图像。
S220、识别待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像。
S230、基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型；其中，初始模型包括第一生成模型和第二生成模型。
在本实施例中，第一生成模型用于将平扫图像转换为增强图像；具体可以理解为：将平扫图像作为第一生成模型的输入图像，并得到第一模型输出的增强图像。第二生成模型用于将增强图像转换为平扫图像；具体可以理解为：将增强图像作为第二生成模型的输入图像，并得到第二模型输出的平扫图像。
具体的，基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练可以包括基于包括感兴趣区域的样本图像，以及样本图像的类别对第一生成模型和第二生成模型进行迭代训练，直到满足结束条件，将训练完成的第一生成模型确定为增强图像生成模型。
当然，在一些实施例中，也可以将第二生成模型确定为增强图像生成模型，相应的第一生成模型和第二生成模型的输入图像以及输出图像都要进行对应的变换变换，以实现采用正确的图像对模型进行训练，以得到训练准确的增强图像生成模型。
可选的，基于第一生成模型和第二生成模型的训练过程可以是：将类别为平扫图像的样本图像输入至第一生成模型中，得到第一生成模型输出的训练增强图像，将训练增强图像输入至第二生成模型中，得到第二生成模型输出的训练平扫图像，基于类别为平扫图像的样本图像和训练平扫图像生成第一损失函数，基于第一损失函数调整第一生成模型和第二生成模型，并将训练完的第一模型作为增强图像生成模型。
具体的，将类别为平扫图像的样本图像输入至第一生成模型中，得到第一生成模型输出的训练增强图像，进而将训练增强图像作为样本图像输入至第二生成模型中，得到第二生成模型输出的训练平扫图像，将该训练平扫结果作为初始模型输出结果，将样本图像中类别为平扫图像的样本图像作为数据标签，基于类别为平扫图像的样本图像和训练平扫图像生成第一损失函数并，基于第一损失函数调整第一生成模型的模型参数和第二生成模型的模型参数，直到满足结束条件，得到训练好的增强图像生成模型。
其中，第一损失函数包括作为输入图像的平扫图像和训练平扫图像的循环一致性损失、第一生成模型的输入鉴别损失和第二生成模型的输入鉴别损失。
具体的，基于第一损失函数对上述训练中的第一生成模型和第二生成模型进行重复训练，直到第一生成模型和第二生成模型在训练样本中收敛，即第一生成模型和第二生成模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变，确定此时的第一生成模型和第二生成模型满足训练停止条件，即完成模型训练，得到训练完成的增强图像生成模型。
可选的，基于第一生成模型和第二生成模型的训练过程还可以是：将类别为增强图像的样本数据输入至第二生成模型中，得到第二生成模型输出的训练平扫图像，将训练平扫图像输入至第一生成模型中，得到第一生成模型输出的训练增强图像，基于类别为增强图像的样本数据和训练增强图像生成第二损失函数，基于第二损失函数调整第一生成模型和第二生成模型，并将训练完的第一模型作为增强图像生成模型。
具体的，将类别为增强图像的样本数据输入至第二生成模型中，得到第二生成模型输出的训练平扫图像，进而将训练平扫图像作为样本图像输入至第一生成模型中，得到第一生成模型输出的训练增强图像，将训练增强图像作为初始模型的输出结果，将样本图像中类别为增强图像的样本图像作为数据标签，基于类别为增强图像的样本数据和训练增强图像生成第二损失函数，基于第二损失函数调整第一生成模型的模型参数和第二生成模型的模型参数，直到满足结束条件，得到训练好的增强图像。
其中，第二损失函数包括作为输入图像的增强图像和训练增强图像的循环一致性损失、第一生成模型的输入鉴别损失和第二生成模型的输入鉴别损失。
具体的，基于第二损失函数对上述训练中的第一生成模型和第二生成模型进行重复训练，直到第一生成模型和第二生成模型在训练样本中收敛，即第一生成模型和第二生成模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变，确定此时的第一生成模型和第二生成模型满足训练停止条件，即完成模型训练，得到训练完成的增强图像生成模型。
本实施例的技术方案具体通过采用不同类别的样本数据以及不同的初始模型进行对抗式神经网络训练，得到增强图像生成模型；上述技术方案通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于对抗式样本对模型进行训练，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于平扫图像得到增强图像，避免了因为造影剂不适造成的无法得到增强图像，提高了图像质量以及应用灵活性。
图3为本发明实施例提供的另一种增强图像生成模型的训练方法的流程图，本实施例在上述各实施例的基础上，将步骤“基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型”细化为“基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型；其中，初始模型包括第三生成模型”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。参见图3，本实施例提供的增强图像生成模型的训练方法包括：
S310、获取待处理样本图像，确定待处理样本图像的类别，其中，类别包括平扫图像和增强图像。
S320、识别待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像。
S330、基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型；其中，初始模型包括第三生成模型。
在本实施例中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像；具体还可以理解为将平扫图像作为第三生成模型第一端的输入图像，并得到第三生成模型输出的增强图像；以及，将增强图像作为第三生成模型第二端的输入图像，并得到第三生成模型输出的平扫图像。
具体的，基于包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练可以包括基于包括感兴趣区域的样本图像，以及样本图像的类别对第三生成模型进行迭代训练，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型。
可选的，迭代执行如下步骤，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型：
将类别为平扫图像的样本图像从第三模型的第一端输入至第三生成模型中，得到第三生成模型输出的训练增强图像，将训练增强图像从第三生成模型的第二端输入至第三生成模型中，得到第三生成模型输出的训练平扫图像，基于类别为平扫图像的样本图像和训练平扫图像生成第三损失函数，基于第三损失函数调整第三生成模型，并将训练完的第三模型作为增强图像生成模型。
具体的，将类别为平扫图像的样本图像从第三模型的第一端输入至第三生成模型中，得到第三生成模型输出的训练增强图像，进而将训练增强图像作为样本图像从第三生成模型的第二端输入至第三生成模型中，得到第三生成模型输出的训练平扫图像，将该训练平扫结果作为初始模型输出结果，将样本图像中类别为平扫图像的样本图像作为数据标签，基于类别为平扫图像的样本图像和训练平扫图像生成第一损失函数，基于第三损失函数调整第三生成模型的模型参数，直到满足结束条件，得到训练好的增强图像生成模型。
其中，第三损失函数包括作为输入图像的平扫图像和训练平扫图像的循环一致性损失、第三生成模型的第一端的输入鉴别损失和第三生成模块的第二端的输入鉴别损失。
具体的，基于第三损失函数对上述训练中的第三生成模型进行重复训练，直到第三生成模型在训练样本中收敛，即第三生成模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变，确定此时的第三生成模型满足训练停止条件，即完成模型训练，得到训练完成的增强图像生成模型。
可选的，还可以迭代执行如下步骤，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型：
将类别为增强图像的样本数据从第三生成模型的第二端输入至第三生成模型中，得到第三生成模型输出的训练平扫图像，将训练平扫图像从第三模型的第一端输入至第三生成模型中，得到第三生成模型输出的训练增强图像，基于类别为增强图像的样本数据和训练增强图像生成第四损失函数，基于第四损失函数调整第三生成模型，并将训练完的第三模型作为增强图像生成模型。
具体的，类别为增强图像的样本数据从第三生成模型的第二端输入至第三生成模型中，得到第三生成模型输出的训练平扫图像，进而将训练平扫图像作为样本图像从第三模型的第一端输入至第三生成模型中，得到第三生成模型输出的训练增强图像，将训练增强图像作为初始模型的输出结果，将样本图像中类别为增强图像的样本图像作为数据标签，基于类别为增强图像的样本数据和训练增强图像生成第二损失函数，基于第四损失函数调整第三生成模型的模型参数，直到满足结束条件，得到训练好的增强图像生成模型。
其中，第四损失函数包括作为输入图像的增强图像和训练增强图像的循环一致性损失、第三生成模型的第一端的输入鉴别损失和第三生成模型的第二端的输入鉴别损失。
具体的，基于第四损失函数对上述训练中的第三生成模型进行重复训练，直到第三生成模型在训练样本中收敛，即第三生成模型的损失值趋于零或者长时间趋于稳定不再随着训练次数的增加而改变，确定此时的第三生成模型满足训练停止条件，即完成模型训练，得到训练完成的增强图像生成模型。
具体通过采用不同类别的样本数据以及不同的初始模型进行对抗式神经网络训练，得到增强图像生成模型；上述技术方案通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于对抗式样本对模型进行训练，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于平扫图像得到增强图像，避免了因为造影剂不适造成的无法得到增强图像，提高了图像质量以及应用灵活性。
图4为本发明实施例提供的另一种图像处理方法的流程图，本实施例可适用于对医学图像进行处理的情况；更适用于对医学平扫图像进行处理得到医学增强图像的情况。该方法可以由图像处理装置来执行，该装置可以由软件和/或硬件的方式来实现。如图4所示，该方法具体包括以下步骤：
S410、获取目标对象的平扫图像。
本发明实施例中，目标对象可以是进行扫描的对象，平扫图像可以是CT的平扫图像。本实施例中可以是基于目标对象的CT扫描数据得到平扫图像。
S420、将平扫图像输入至预先训练的增强图像生成模型中，得到平扫图像对应的增强图像。
在本发明实施例中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；或者，增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
具体的，将目标对象的平扫图像输入至预先训练的增强图像中，以得到目标对象对应的增强图像，其中该增强图像生成模型基于本发明任意实施例提供的增强图像生成模型的训练方法进行训练得到。
本实施例的技术方案通过将获取到的目标对象的平扫图像基于预先训练的增强图像生成模型中，得到目标对象的增强图像，实现了基于低对比度图像得到高对比度图像，提升了图像质量，以及使平扫图像的应用更加灵活。
以下是本发明实施例提供的增强图像生成模型的训练装置和图像处理装置的实施例，该装置与上述各实施例的增强图像生成模型的训练方法和图像处理方法属于同一个发明构思，在增强图像生成模型的训练装置和图像处理方法的实施例中未详尽描述的细节内容，可以参考上述增强图像生成模型的训练方法和图像处理方法的实施例。
图5为本发明实施例提供的一种增强图像生成模型的训练装置的结构示意图，本实施例可适用于对增强图像生成模型进行训练的情况；更适用于基于无监督的训练方式对增强图像生成模型进行训练的情况。参见图5，该增强图像生成模型的训练装置的具体结构包括：待处理样本图像的类别确定模块510、感兴趣区域确定模块520以及增强图像生成模型确定模块530；其中，
待处理样本图像的类别确定模块510，用于获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
感兴趣区域确定模块520，用于识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
增强图像生成模型确定模块530，用于基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
本实施例的技术方案具体通过获取待处理样本图像，将所述待处理样本图像输入至分类器中，确定所述分类器输出的所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；基于所述分类器提取的图像特征对所述待处理样本图像进行处理，确定所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；进一步的，基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，通过分类器确定图像类别，减少了对样本图像的标注，降低了医护人员的工作强度；并且基于图像特征确定样本图像，增加了模型训练的准确性，实现了提高模型训练的质量以及效率，从而实现了基于平扫图像得到增强图像，提高了图像质量。
在上述各实施例的基础上，待处理样本图像的类别确定模块510，包括：
类别确定单元，用于将所述待处理样本图像输入至分类器中，得到所述分类器输出的所述待处理样本图像的类别。
在上述各实施例的基础上，感兴趣区域确定模块520，包括：
热力图生成子模块，用于基于所述分类器提取的图像特征生成所述待处理样本图像的热力图；
感兴趣区域确定子模块，用于对所述热力图中的各像素点进行阈值匹配，基于匹配结果确定感兴趣区域。
在上述各实施例的基础上，热力图生成子模块，包括：
图像特征获取单元，用于获取所述分类器中预设结构提取的图像特征；
热力图生成单元，用于基于所述图像特征调整所述待处理样本图像中对应像素点的像素值，生成所述待处理样本图像的热力图。
在上述各实施例的基础上，所述初始模型包括第一生成模型和第二生成模型，第一生成模型用于将平扫图像转换为增强图像，所述第二生成模型用于将增强图像转换为平扫图像；
相应的，增强图像生成模型确定模块530，包括：
增强图像生成模型确定单元，用于基于所述包括感兴趣区域的样本图像，以及样本图像的类别对所述第一生成模型和第二生成模型进行迭代训练，直到满足结束条件，将训练完成的第一生成模型确定为增强图像生成模型。
在上述各实施例的基础上，所述第一生成模型和第二生成模型的迭代训练过程包括：
将类别为平扫图像的样本图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，将所述训练增强图像输入至所述第二生成模型中，得到所述第二生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第一损失函数，基于第一损失函数调整所述第一生成模型和所述第二生成模型；
或者，
将类别为增强图像的样本数据输入至第二生成模型中，得到所述第二生成模型输出的训练平扫图像，将所述训练平扫图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第二损失函数，基于所述第二损失函数调整所述第一生成模型和所述第二生成模型。
在上述各实施例的基础上，所述初始模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像；
相应的，增强图像生成模型确定模块530，包括：
迭代执行如下步骤，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型：
将类别为平扫图像的样本图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，将所述训练增强图像从所述第三生成模型的第二端输入至所述第三生成模型中，得到所述第三生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第一损失函数，基于第三损失函数调整所述第三生成模型；
或者，
将类别为增强图像的样本数据从所述第三生成模型的第二端输入至第三生成模型中，得到所述第三生成模型输出的训练平扫图像，将所述训练平扫图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第二损失函数，基于所述第四损失函数调整所述第三生成模型。
在上述各实施例的基础上，所述第一损失函数、第二损失函数和第三损失函数分别包括所述初始模型输入图像和输出图像的循环一致性损失和基于鉴别器对所述初始模型中至少一个生成模型的输入鉴别损失。
本发明实施例所提供的增强图像生成模型的训练装置可执行本发明任意实施例所提供的增强图像生成模型的训练方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述增强图像生成模型的训练装置的实施例中，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。
图6为本发明实施例提供的一种图像处理装置的结构示意图，本实施例可适用于对医学图像进行处理的情况；更适用于对医学平扫图像进行处理得到医学增强图像的情况。参见图6，该图像处理装置的具体结构包括：平扫图像获取模块610以及增强图像获取模块620；其中，
平扫图像获取模块610，用于获取目标对象的平扫图像；
增强图像获取模块620，用于将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像。
本实施例的技术方案通过将获取到的目标对象的平扫图像基于预先训练的增强图像生成模型中，得到目标对象的增强图像，提升了图像质量，以及使平扫图像的应用更加灵活。
本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述图像处理装置的实施例中，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。
图7为本发明实施例提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备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，电子设备12以通用计算电子设备的形式表现。电子设备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。
电子设备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电子设备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。电子设备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。系统存储器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，可以存储在例如系统存储器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。
电子设备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电子设备12交互的设备通信，和/或与使得该电子设备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，电子设备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7所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备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样本数据获取，可选的，如实现本发实施例所提供的一种增强图像生成模型的训练方法步骤，增强图像生成模型的训练方法包括：
获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
可选的，如实现本发实施例所提供的一种图像处理方法步骤，图像处理方法包括：
获取目标对象的平扫图像；
将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
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样本数据获取方法的技术方案。
本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，可选的，如实现本发实施例所提供的一种增强图像生成模型的训练方法步骤，增强图像生成模型的训练方法包括：
获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
可选的，如实现本发实施例所提供的一种图像处理方法步骤，图像处理方法包括：
获取目标对象的平扫图像；
将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
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)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
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)
1.一种增强图像生成模型的训练方法，其特征在于，包括：
获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
2.根据权利要求1所述的方法，其特征在于，确定所述待处理样本图像的类别，包括：
将所述待处理样本图像输入至分类器中，得到所述分类器输出的所述待处理样本图像的类别。
3.根据权利要求2所述的方法，其特征在于，所述识别所述待处理样本图像的感兴趣区域，包括：
基于所述分类器提取的图像特征生成所述待处理样本图像的热力图；
对所述热力图中的各像素点进行阈值匹配，基于匹配结果确定感兴趣区域。
4.根据权利要求3所述的方法，其特征在于，所述基于所述分类器提取的图像特征生成所述待处理样本图像的热力图，包括：
获取所述分类器中预设结构提取的图像特征；
基于所述图像特征调整所述待处理样本图像中对应像素点的像素值，生成所述待处理样本图像的热力图。
5.根据权利要求1所述的方法，其特征在于，所述初始模型包括第一生成模型和第二生成模型，第一生成模型用于将平扫图像转换为增强图像，所述第二生成模型用于将增强图像转换为平扫图像；
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，包括：
基于所述包括感兴趣区域的样本图像，以及样本图像的类别对所述第一生成模型和第二生成模型进行迭代训练，直到满足结束条件，将训练完成的第一生成模型确定为增强图像生成模型。
6.根据权利要求5所述的方法，其特征在于，所述第一生成模型和第二生成模型的迭代训练过程包括：
将类别为平扫图像的样本图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，将所述训练增强图像输入至所述第二生成模型中，得到所述第二生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第一损失函数，基于第一损失函数调整所述第一生成模型和所述第二生成模型；
和/或，
将类别为增强图像的样本数据输入至第二生成模型中，得到所述第二生成模型输出的训练平扫图像，将所述训练平扫图像输入至第一生成模型中，得到所述第一生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第二损失函数，基于所述第二损失函数调整所述第一生成模型和所述第二生成模型。
7.根据权利要求1所述的方法，其特征在于，所述初始模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像；
相应的，所述基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型，包括；
迭代执行如下步骤，直到满足结束条件，将训练完成的第三生成模型确定为增强图像生成模型：
将类别为平扫图像的样本图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，将所述训练增强图像从所述第三生成模型的第二端输入至所述第三生成模型中，得到所述第三生成模型输出的训练平扫图像，基于所述类别为平扫图像的样本图像和所述训练平扫图像生成第三损失函数，基于所述第三损失函数调整所述第三生成模型；
和/或，
将类别为增强图像的样本数据从所述第三生成模型的第二端输入至第三生成模型中，得到所述第三生成模型输出的训练平扫图像，将所述训练平扫图像从所述第三模型的第一端输入至第三生成模型中，得到所述第三生成模型输出的训练增强图像，基于所述类别为增强图像的样本数据和所述训练增强图像生成第四损失函数，基于所述第四损失函数调整所述第三生成模型。
8.根据权利要求6或7所述的方法，其特征在于，
所述第一损失函数包括作为输入图像的平扫图像和所述训练平扫图像的循环一致性损失、所述第一生成模型的输入鉴别损失和所述第二生成模型的输入鉴别损失；
所述第二损失函数包括作为输入图像的增强图像和所述训练增强图像的循环一致性损失、所述第一生成模型的输入鉴别损失和所述第二生成模型的输入鉴别损失；
所述第三损失函数包括作为输入图像的平扫图像和所述训练平扫图像的循环一致性损失、所述第三生成模型的第一端的输入鉴别损失和所述第三生成模块的第二端的输入鉴别损失；
所述第四损失函数包括作为输入图像的增强图像和所述训练增强图像的循环一致性损失、所述第三生成模型的第一端的输入鉴别损失和所述第三生成模型的第二端的输入鉴别损失。
9.一种图像处理方法，其特征在于，包括：
获取目标对象的平扫图像；
将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
10.一种增强图像生成模型的训练装置，其特征在于，包括：
待处理样本图像的类别确定模块，用于获取待处理样本图像，确定所述待处理样本图像的类别，其中，所述类别包括平扫图像和增强图像；
感兴趣区域确定模块，用于识别所述待处理样本图像的感兴趣区域，以得到包括感兴趣区域的样本图像；
增强图像生成模型确定模块，用于基于所述包括感兴趣区域的样本图像，以及样本图像的类别对初始模型进行训练，得到增强图像生成模型。
11.一种图像处理装置，其特征在于，包括：
平扫图像获取模块，用于获取目标对象的平扫图像；
增强图像获取模块，用于将所述平扫图像输入至预先训练的增强图像生成模型中，得到所述平扫图像对应的增强图像；
其中，增强图像生成模型包括第一生成模型，第一生成模型用于将平扫图像转换为增强图像；
或者，所述增强图像生成模型包括第三生成模型，其中，第三生成模型用于将第一端输入的平扫图像转换为增强图像，以及将第二端输入的增强图像转换为平扫图像。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，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权利要求1-8中任一所述的增强图像生成模型的训练方法或者如权利要求9所述的图像处理方法。
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，该程序被处理器执行时实现如权利要求1-8中任一所述的增强图像生成模型的训练方法或者如权利要求9所述的图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328739.1A CN114037830A (zh) | 2021-11-10 | 2021-11-10 | 增强图像生成模型的训练方法、图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328739.1A CN114037830A (zh) | 2021-11-10 | 2021-11-10 | 增强图像生成模型的训练方法、图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037830A true CN114037830A (zh) | 2022-02-11 |
Family
ID=80137233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111328739.1A Pending CN114037830A (zh) | 2021-11-10 | 2021-11-10 | 增强图像生成模型的训练方法、图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037830A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI813522B (zh) * | 2022-12-20 | 2023-08-21 | 悟智股份有限公司 | 分類模型建立方法 |
-
2021
- 2021-11-10 CN CN202111328739.1A patent/CN114037830A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI813522B (zh) * | 2022-12-20 | 2023-08-21 | 悟智股份有限公司 | 分類模型建立方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
| US10902588B2 (en) | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities | |
| US20190220977A1 (en) | Cross-Domain Image Analysis and Cross-Domain Image Synthesis Using Deep Image-to-Image Networks and Adversarial Networks | |
| US20220207742A1 (en) | Image segmentation method, device, equipment and storage medium | |
| JP5222082B2 (ja) | 情報処理装置およびその制御方法、データ処理システム | |
| CN106340021B (zh) | 血管提取方法 | |
| US8958614B2 (en) | Image-based detection using hierarchical learning | |
| US20110311116A1 (en) | System and methods for anatomical structure labeling | |
| CN111971752B (zh) | 医学图像数据的显示 | |
| CN111145160B (zh) | 钙化区域所处冠脉分支的确定方法、装置、服务器及介质 | |
| Zhou et al. | A unified visual information preservation framework for self-supervised pre-training in medical image analysis | |
| CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
| US11798161B2 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
| Rubin et al. | CT-To-MR conditional generative adversarial networks for ischemic stroke lesion segmentation | |
| CN115994902A (zh) | 医学图像分析方法、电子设备及存储介质 | |
| CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| JP5539478B2 (ja) | 情報処理装置および情報処理方法 | |
| CN113889238A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN112634309A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN117357249B (zh) | 针对目标器官的穿刺路径规划方法及相关产品 | |
| CN114037830A (zh) | 增强图像生成模型的训练方法、图像处理方法及装置 | |
| Zhou et al. | Wrist ultrasound segmentation by deep learning | |
| CN116631584A (zh) | 通用型医学影像报告生成方法与系统、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |