CN114255172A - 医学图像增强方法、装置、计算机设备和存储介质 - Google Patents
医学图像增强方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114255172A CN114255172A CN202010954315.5A CN202010954315A CN114255172A CN 114255172 A CN114255172 A CN 114255172A CN 202010954315 A CN202010954315 A CN 202010954315A CN 114255172 A CN114255172 A CN 114255172A
- Authority
- CN
- China
- Prior art keywords
- medical image
- sample
- target
- predicted
- medical
- 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 56
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 10
- 210000001519 tissue Anatomy 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 7
- 238000013519 translation Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008855 peristalsis Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种医学图像增强方法、装置、计算机设备和存储介质。所述方法包括：从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集；其中，目标医学图像与新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像；预测医学图像的信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比；根据预测医学图像，得到增强后的医学图像。
Description
技术领域
本申请涉及医学影像技术领域，特别是涉及一种医学图像增强方法、装置、计算机设备和存储介质。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)能够反映组织的纵向弛豫时间T1，横向弛豫时间T2和质子密度等多种特性，MRI已成为医学影像检查的重要技术手段。通常，为了增强磁共振图像的信噪比和细节信息，需要对磁共振图像进行增强处理。
传统技术中，主要是通过多次采集磁共振图像，对多次采集的磁共振图像的像素值进行加和求平均，将多次采集的磁共振图像的平均像素值作为目标磁共振图像的像素值，得到目标磁共振图像。
然而，传统的磁共振图像增强方法，存在得到的目标磁共振图像准确度较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高得到的目标医学图像准确度的医学图像增强方法、装置、计算机设备和存储介质。
一种医学图像增强方法，所述方法包括：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
根据所述预测医学图像，得到增强后的医学图像。
在其中一个实施例中，所述根据所述预测医学图像，得到增强后的医学图像，包括：
根据所述预测医学图像，获取所述预测医学图像各像素值的平均值；
将所述预测医学图像各像素值的平均值，确定为所述增强后的医学图像的像素值，得到所述增强后的医学图像。
在其中一个实施例中，所述根据所述预测医学图像，获取所述预测医学图像各像素值的平均值，包括：
对所述预测医学图像各像素值除以所述医学图像集合中医学图像的数量，得到所述预测医学图像各像素值的平均值。
在其中一个实施例中，所述根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像，包括：
将所述目标医学图像和所述新增医学图像集中的第一医学图像输入所述神经网络模型，执行迭代检测操作，得到所述预测医学图像。
在其中一个实施例中，所述神经网络模型的训练过程包括：
获取样本目标医学图像、样本新增医学图像以及所述样本目标医学图像对应的金标准图像；所述样本目标医学图像与所述样本新增医学图像分别对应不同采集方位下同一部位的医学图像；所述金标准图像的信噪比大于所述样本目标医学图像的信噪比或所述样本新增医学图像的信噪比；
将所述样本目标医学图像和所述样本新增医学图像输入预设的初始神经网络模型，得到样本预测医学图像；所述样本预测医学图像的像素值为所述样本目标医学图像的像素值和所述样本新增医学图像的像素值之和；
根据所述样本预测医学图像和所述金标准图像，对所述初始神经网络模型进行训练，得到所述神经网络模型。
在其中一个实施例中，所述获取样本目标医学图像以及所述样本目标医学图像对应的金标准图像，包括：
获取在预设的第一方位下多次采集的预设部位的医学图像，得到样本医学图像集；
从所述样本医学图像集中任选一幅医学图像，作为所述样本目标医学图像；
获取所述样本医学图像集中各医学图像像素值的平均值，将各所述医学图像像素值的平均值作为所述金标准图像的像素值，得到所述金标准图像。
在其中一个实施例中，所述获取样本新增医学图像包括：
获取在预设的第二方位下采集的所述预设部位的医学图像，得到所述样本新增医学图像。
一种医学图像增强装置，所述装置包括：
第一获取模块，用于从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
第二获取模块，用于根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
增强模块，用于根据所述预测医学图像，得到增强后的医学图像。
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：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
根据所述预测医学图像，得到增强后的医学图像。
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：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
根据所述预测医学图像，得到增强后的医学图像。
上述医学图像增强方法、装置、计算机设备和存储介质，能够从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集，进而可以根据目标医学图像、新增医学图像集和预设的神经网络模型，得到信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比的预测医学图像，由于目标医学图像和新增医学图像集中的各医学图像为在不同采集方位下采集的同一部位的医学图像，因此，得到的预测医学图像的像素值信息较为丰富，提高了得到的预测医学图像的准确度，而增强后的医学图像是根据预测医学图像得到的，进而提高了得到的增强后的医学图像的准确度。
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为一个实施例中医学图像增强方法的流程示意图；
图2a为一个实施例中医学图像增强方法的示意图；
图3为另一个实施例中医学图像增强方法的流程示意图；
图4为另一个实施例中医学图像增强方法的流程示意图；
图5为一个实施例中医学图像增强装置的结构框图。
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增强方法，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。
当前，为了增强医学图像的信噪比以及细节信息，对采集的医学图像进行多次平均是常用的手段。当前对医学图像进行多次平均的处理比较简单，通常是对多次采集的医学图像直接加和做平均，然而，在现实场景下，多次采集增加了扫描时间，会使得医学图像受到运动的干扰的几率大大增加。在使用多次采集的医学图像进行平均的过程中，如果待检测者发生自主或不自主的运动，会导致医学图像细节更加模糊；即使待检测者配合良好，但一些生理不可控因素也会导致磁共振成像区域模糊，如肠胃蠕动、前列腺等腺体的抽动等都会导致磁共振成像区域模糊，使得多次平均的效果十分不稳定，降低得到的医学图像的准确度。因此，有必要提供一种能够提高得到的医学图像准确度的医学图像增强方法、装置、计算机设备和存储介质。
在一个实施例中，如图2所示，提供了一种医学图像增强方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集(辅助增强医学图像)；其中，目标医学图像与新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像。
其中，医学图像可以是电子计算机断层扫描(Computed Tomography，CT)图像、磁共振(Magnetic Resonance)图像、数字化摄影(Digit Radiography，DR)图像、超声(Ultrasound)图像、正电子发射型计算机断层(Positron Emission ComputedTomography，PET)图像等中的单模态图像或者多模态图像。以医学图像为磁共振图像为例说明，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息。磁共振成像技术通过对静磁场中的人体施加某种特定频率的射频脉冲，使人体中的氢质子受到激励而发生磁共振现象。停止脉冲后，质子在弛豫过程中产生磁共振信号，通过对磁共振信号进行空间编码和图像重建等处理过程，得到磁共振图像。
具体地，计算机设备从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除该目标医学图像之外的其余医学图像作为新增医学图像集(辅助增强医学图像)。需要说明的是，新增医学图像集(辅助增强医学图像)中的各医学图像是预设的医学图像集中相似程度较高的医学图像。其中，预设的医学图像集合可以是检测对象在不同采集方位下实际扫描获得；或者仅采集几种设定采集方位下的扫描图像数据，然后对这些扫描图像数据进行旋转、平移变换等后处理操作，得到模拟采集方位所对应的模拟图像数据，扫描图像数据与模拟图像数据共同形成预设的医学图像集合。
示例性地，计算机设备将在不同采集方位下采集的待检测者腹部的30幅医学图像作为预设的医学图像集合，从这30幅医学图像中任意抽取一幅医学图像作为目标医学图像，将这30幅医学图像中除抽取的目标医学图像之外的29副医学图像作为新增医学图像集。可选的，采集方位可以是待检测者在扫描床上仰卧、俯卧、侧卧等不同体位。采集方位可以是脉冲序列对检测者的施加方向，例如：射频脉冲序列的施加方向、梯度脉冲序列的施加方向等。采集方位又或是待检测者相对扫描床的位置，例如：待测者相对扫描床的参考点发生位移，待测者相对扫描床的参考点相对静止。采集方位还可以是待检测者的部位与扫描视野(field of view，FOV)的相对关系，例如：待检测者的部位小于FOV，且该部位完全处于FOV内；待检测者的部位小于FOV，但该部位部分区域超出FOV；待检测者的部位大于FOV。可选的，计算机设备可以从磁共振成像设备中实时地获取预设的医学图像集合，也可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取预设的医学图像集合。
S202，根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像；预测医学图像的信噪比(或像素值)大于目标医学图像的信噪比(或像素值)或新增医学图像集中各医学图像的信噪比(或像素值)。
具体地，计算机设备根据上述确定的目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像，其中，该预测医学图像相对预设的医学图像集合中任意一幅图像具有更高信噪比。示例性的，对于待测者的部位保持相对静止的情况，预测医学图像的像素值可以为目标医学图像的像素值和新增医学图像集中各医学图像的像素值的加权和。对于待测者的部位产生自主运动或者非自主运动的情况，预测医学图像的像素值相当于位移修正后的目标医学图像的像素值和位移修正后的新增医学图像集中各医学图像的像素值的加权和，即预测医学图像的像素值为图像间的局部位移得到修正的预设的医学图像集合中所有图像的像素值的加权和。
S203，根据预测医学图像，得到增强后的医学图像。
具体地，计算机设备根据上述得到的预测医学图像，得到增强后的医学图像。可选的，计算机设备可以根据上述预测医学图像的像素值和预设的医学图像集合中的医学图像的数量，得到增强后的医学图像的像素值，从而得到增强后的医学图像。需要说明的是，得到的增强后的医学图像可以为对整幅医学图像进行增强后的医学图像，也可以为对该医学图像中的局部感兴趣区域进行增强后的医学图像，示例性地，局部感兴趣区域可以为血管、肺结节和出血灶等区域。
上述医学图像增强方法中，计算机设备能够从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集，进而可以根据目标医学图像、新增医学图像集和预设的神经网络模型，得到信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比的预测医学图像，由于目标医学图像和新增医学图像集中的各医学图像为在不同采集方位下采集的待检测者同一部位的医学图像，因此，得到的预测医学图像的像素值信息较为丰富，提高了得到的预测医学图像的准确度，而增强后的医学图像是根据预测医学图像得到的，进而提高了得到的增强后的医学图像的准确度。
在上述根据预测医学图像，得到增强后的医学图像的场景中，计算机设备可以根据预测医学图像各像素值的平均值，得到增强后的医学图像。在一个实施例中，如图3所示，上述S203，包括：
S301，根据预测医学图像，获取预测医学图像各像素值的平均值。
具体地，计算机设备根据上述得到的预测医学图像，获取上述预测医学图像各像素值的平均值。可选的，计算机设备可以对上述预测医学图像各像素值除以上述预设的医学图像集合中医学图像的数量，得到预测医学图像各像素值的平均值。可选的，计算机设备也可以先获得上述预测医学图像各像素值之和，然后对各像素值之和除以预测医学图像中像素点的数量，得到预测医学图像各像素值的平均值。可选的，计算机设备也可以首先获取预测医学图像各像素值之和，然后将预测医学图像各像素值之和除以预设的医学图像集合中医学图像的数量，得到平均值，将该平均值作为预测医学图像各像素值的平均值。
S302，将预测医学图像各像素值的平均值，确定为增强后的医学图像的像素值，得到增强后的医学图像。
具体地，计算机设备将上述得到的预测医学图像各像素值的平均值，确定为增强后的医学图像的像素值，得到增强后的医学图像。可选的，计算机设备可以将上述目标医学图像的各像素值替换为预测医学图像各像素值的平均值，得到增强后的医学图像，也可以根据预测医学图像各像素值的平均值对目标医学图像的各像素值进行修改，将目标医学图像的各像素值修改为预测医学图像各像素值的平均值，得到增强后的医学图像。
本实施例中，由于预测医学图像的像素值信息较为丰富，计算机设备根据预测医学图像，能够准确地获取预测医学图像各像素值的平均值，提高了得到的预测医学图像各像素值的平均值的准确度，而增强后的医学图像是将预测医学图像各像素值的平均值确定为增强后的医学图像的像素值得到的，由于得到的预测医学图像各像素值的平均值得到了提高，进而提高了得到的增强后的医学图像的准确度。
在上述根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像的场景中，计算机设备可以将目标医学图像和新增医学图像集输入上述神经网络模型，得到预测医学图像。在一个实施例中，上述S202，包括：将目标医学图像和新增医学图像集中的第一医学图像输入神经网络模型，执行迭代检测操作，得到预测医学图像；其中，迭代检测操作包括：将神经网络模型上一次输出的医学图像、新增医学图像集中的第二医学图像，均输入神经网络模型，得到新的医学图像，返回执行迭代检测操作，直至遍历完新增医学图像集中的医学图像，第二医学图像同样与目标医学图像具有相同或相似的轮廓结构。
具体地，计算机设备将目标医学图像和新增医学图像集中的第一医学图像输入上述神经网络模型，执行迭代检测操作，得到上述预测医学图像，其中，第一医学图像与目标医学图像具有相同或相似的轮廓结构，该迭代检测操作包括：将上述神经网络模型上一次输出的医学图像、新增医学图像集中的第二医学图像，均输入上述神经网络模型，得到新的医学图像，返回执行该迭代检测操作，直至遍历完新增医学图像集中的医学图像。示例性地，以新增医学图像集中包括三幅医学图像为例，分别为：第一医学图像、第二医学图像和第三医学图像，并且这三幅医学图像与目标医学图像具有相同或相似的轮廓结构，首先，计算机设备将目标医学图像和第一医学图像输入上述神经网络模型，得到神经网络模型输出的第一输出医学图像，再将第一输出医学图像和第二医学图像输入上述神经网络模型，得到神经网络模型输出的第二输出医学图像，然后将第二输出医学图像和第三医学图像输入上述神经网络模型，得到神经网络模型输出的第三输出医学图像，将得到的第三输出医学图像作为上述预测医学图像。
本实施例中，由于迭代检测操作包括将神经网络模型上一次输出的医学图像、新增医学图像集中的第二医学图像，均输入神经网络模型，得到新的医学图像，返回执行迭代检测操作，直至遍历完新增医学图像集中的医学图像，这样计算机设备将目标医学图像和新增医学图像集中的第一医学图像输入神经网络模型，执行迭代检测操作，能够通过该迭代检测操作准确地得到预测医学图像，提高了得到的预测医学图像的准确度。
在上述根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像的场景中，预设的神经网络模型为已经训练好的模型。在一个实施例中，如图4所示，上述神经网络模型的训练过程包括：
S401，获取样本目标医学图像、样本新增医学图像以及样本目标医学图像对应的金标准图像；样本目标医学图像与样本新增医学图像分别对应不同采集方位下同一部位的医学图像；金标准图像的信噪比(或像素值)大于样本目标医学图像的信噪比(或像素值)或样本新增医学图像的信噪比(或像素值)。
具体地，计算机设备获取样本目标医学图像、样本新增医学图像以及样本目标医学图像对应的金标准图像；其中，样本目标医学图像与样本新增医学图像分别对应不同采集方位下同一部位的医学图像，金标准图像的信噪比大于样本目标医学图像的信噪比或样本新增医学图像的信噪比。可选的，计算机设备可以采集历史扫描对象预设部位的医学图像，从中任选一幅医学图像作为样本目标医学图像，然后对采集的医学图像进行随机噪声添加，得到N幅不同的医学图像，然后从中任选两幅图像，一幅作为样本目标医学图像对应的金标准图像，对另一幅做平移处理、旋转处理和缩放处理中的任意一种处理，得到样本新增医学图像，需要说明的是，在这种场景下，通过样本目标医学图像、样本目标医学图像对应的金标准图像和样本新增医学图像对预设的神经网络进行训练，如果输入的图像有轻微的不同，网络能够找到相似的结构并进行信号叠加。可选的，计算机设备也可以在预设的第一方位下采集医学图像，在预设的第二方位下采集医学图像，第一方位下采集的医学图像和第二方位下采集的医学图像可以完全不相关，即可以为不同部位的图像，然后将第一方位下采集的医学图像作为样本目标医学图像以及样本目标医学图像对应的金标准图像，将第二方位下采集的医学图像作为样本新增医学图像，需要说明的是，在这种场景下，通过样本目标医学图像、样本目标医学图像对应的金标准图像和样本新增医学图像对预设的神经网络进行训练，如果输入的图像差别较大，网络能够筛除错误的医学图像，以免错误信息的干扰。
可选的，在本实施例中，计算机设备可以在预设的第一方位下多次采集历史扫描对象预设部位的医学图像，从中任选一幅医学图像，作为样本目标医学图像，在预设的第二方位下采集历史扫描对象预设部位的医学图像，得到样本新增医学图像；也可以在预设的第一方位下多次采集历史扫描对象预设部位的医学图像，从中任选一幅医学图像作为样本目标医学图像，并从中任选一幅医学图像进行预处理，得到样本新增医学图像，下面详细介绍采用这两种方法的具体实现方式：
第一种：若计算机设备是在预设的第一方位下多次采集历史扫描对象预设部位的医学图像，从中任选一幅医学图像，作为样本目标医学图像，在预设的第二方位下采集历史扫描对象预设部位的医学图像，得到样本新增医学图像，则上述S401，包括：
步骤A，获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到样本医学图像集。
具体地，计算机设备获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到样本医学图像集。可选的，历史扫描对象预设部位可以为头部、关节等多种可固定的位置中的任一种部位。
步骤B，从样本医学图像集中任选一幅医学图像，作为样本目标医学图像。
具体地，计算机设备从上述得到的样本医学图像集中任选一幅医学图像，将选取的该医学图像作为样本目标医学图像。示例性地，如样本医学图像集中有30幅医学图像，计算机设备可以从这30幅医学图像中任选一幅医学图像，作为样本目标医学图像。
步骤C，获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。
具体地，计算机设备获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。可选的，计算机设备可以对样本医学图像集中各医学图像的各像素值除以样本医学图像集中医学图像的数量，得到样本医学图像集中各医学图像像素值的平均值，也可以先获取样本医学图像集中各医学图像像素值之和，然后对各医学图像像素值之和除以样本医学图像集中医学图像的数量，得到像素值的平均值，将该像素值的平均值作为样本医学图像集中各医学图像像素值的平均值。
步骤D，获取在预设的第二方位下采集的历史扫描对象预设部位的医学图像，得到样本新增医学图像。
具体地，计算机设备获取在预设的第二方位下采集的历史扫描对象上述预设部位的医学图像，得到样本新增医学图像。可选的，预设的第二方位可以是对上述第一方位的采集框进行旋转、平移或缩放后的方位。可选的，计算机设备可以获取在该预设的第二方位下采集的历史扫描对象预设部位的一幅医学图像，并将该图像作为样本新增医学图像，也可以获取在该预设的第二方位下采集的历史扫描对象预设部位的多幅医学图像，并获取这多幅医学图像像素值的平均值，将该多幅医学图像像素值的平均值作为样本新增医学图像像素值的平均值，得到样本新增医学图像。
本实施例中，计算机设备首先获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到的样本医学图像集，这样样本医学图像集中包括的均为历史扫描对象同一预设部位的医学图像，然后从样本医学图像集中任选一幅医学图像作为样本目标医学图像，能够提高得到的样本目标医学图像的准确度，然后获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像，由于金标准图像的像素值是各医学图像像素值的平均值，因此，提高了得到的金标准图像的准确度，然后再获取在预设的第二方位下采集的历史扫描对象预设部位的医学图像，由于是将预设的第二方位下采集的待检测预设部位的医学图像作为的样本新增医学图像，这样样本新增医学图像与样本目标医学图像均为历史扫描对象同一部位的医学图像，因此提高了得到的样本新增医学图像的准确度。
第二种：若计算机设备是在预设的第一方位下多次采集历史扫描对象预设部位的医学图像，从中任选一幅医学图像作为样本目标医学图像，并从中任选一幅医学图像进行预处理，得到样本新增医学图像，则上述S401，包括：
步骤E，获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到样本医学图像集。
具体地，计算机设备获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到样本医学图像集。可选的，历史扫描对象预设部位可以为头部、关节等多种可固定的位置中的任一种部位。
步骤F，从样本医学图像集中任选一幅医学图像，作为样本目标医学图像。
具体地，计算机设备从上述得到的样本医学图像集中任选一幅医学图像，将选取的该医学图像作为样本目标医学图像。示例性地，如样本医学图像集中有30幅医学图像，计算机设备可以从这30幅医学图像中任选一幅医学图像，作为样本目标医学图像。
步骤G，获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。
具体地，计算机设备获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。可选的，计算机设备可以对样本医学图像集中各医学图像的各像素值除以样本医学图像集中医学图像的数量，得到样本医学图像集中各医学图像像素值的平均值，也可以先获取样本医学图像集中各医学图像像素值之和，然后对各医学图像像素值之和除以样本医学图像集中医学图像的数量，得到像素值的平均值，将该像素值的平均值作为样本医学图像集中各医学图像像素值的平均值。
步骤H，从样本医学图像集中任选一幅医学图像并进行预处理，得到样本新增医学图像；预处理包括平移处理、旋转处理和缩放处理中的任意一种。
具体地，计算机设备从样本医学图像集中任选一幅医学图像，并对选取的医学图像进行预处理，得到样本新增医学图像。其中，对选取的医学图像进行的预处理包括平移处理、旋转处理和缩放处理中的任意一种。示例性地，如样本医学图像集中包括30幅医学图像，则计算机设备可以从这30幅医学图像中任选一幅医学图像，然后对选取的这幅图像进行平移处理，得到样本新增医学图像。
本实施例中，计算机设备首先获取在预设的第一方位下多次采集的历史扫描对象预设部位的医学图像，得到的样本医学图像集，这样样本医学图像集中包括的均为历史扫描对象同一预设部位的医学图像，然后从样本医学图像集中任选一幅医学图像作为样本目标医学图像，能够提高得到的样本目标医学图像的准确度，然后获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像，由于金标准图像的像素值是各医学图像像素值的平均值，因此，提高了得到的金标准图像的准确度，然后再从样本医学图像集中任选一幅医学图像并进行预处理，从而得到样本新增医学图像，由于样本新增医学图像是从样本医学图像集中任选一幅医学图像并进行预处理得到的，这样样本新增医学图像与样本目标医学图像均为历史扫描对象同一部位的医学图像，因此提高了得到的样本新增医学图像的准确度。
可选的，在本实施例中，样本目标医学图像和样本新增医学图像可以在不同采集方位下采集历史扫描对象具有较高一致性部位的医学图像，也可以在不同采集方位下采集历史扫描对象产生运动的器官的医学图像，下面详细介绍采用这两种方法的具体实现方式：
示例性地，在一个实施例中，样本目标医学图像、样本新增医学图像可分别为实际扫描采集的历史扫描对象头部或者关节的医学图像，头部或者关节部位在不同采集方位下具有较高的一致性，由此得到样本目标医学图像和样本新增医学图像也具有较高的一致性。金标准图像中每个像素点的像素值则为样本目标医学图像和样本新增医学图像所有像素点的加权和。
示例性地，在一个实施例中，样本目标医学图像、样本新增医学图像可分别为实际扫描采集的历史扫描对象产生运动的器官的医学图像，该器官例如是心脏、腹部等。本申请实施例中，首先确定样本目标医学图像、样本新增医学图像之间存在的局部位置偏移；对局部位置偏移进行中值滤波处理，得到滤波处理后的局部位置偏移；根据局部位置偏移确定样本目标医学图像、样本新增医学图像的每个像素所对应的最匹配像素的位置；对于每个最匹配像素的位置，分别计算样本目标医学图像对应像素的权重、样本新增医学图像对应像素的权重；根据样本目标医学图像对应像素的权重、样本新增医学图像对应像素的权重对于样本目标医学图像、样本新增医学图像作加权平均处理，得到每个最匹配像素的位置的像素值，多个最匹配像素的位置的像素值的集合则为金标准图像。在此实施例中，样本目标医学图像、样本新增医学图像之间存在的局部位置偏移可通过如下方式确定：以目标医学图像为参考图像；对于该参考图像中任一个像素点，该像素点可确定一参考图像块，在样本新增医学图像中寻找与该参考图像块最相似的图像块；根据参考图像块与最相似的图像块确定局部位置偏移。样本目标医学图像对应像素的权重、样本新增医学图像对应像素的权重获取方式具体可采用非局域均值算法。
可选的，在本实施例中，样本目标医学图像、样本新增医学图像和金标准图像可都为实际扫描采集获得。样本扫描对象的组织的部分在一个或多个设定的采集方位下处于FOV之外，样本目标医学图像和/或样本新增医学图像存在卷褶伪影，相对应地，金标准图像可通过如下三种方式获取：
第一种，在一个实施例中，若样本扫描对象的组织大小超出FOV，样本目标医学图像和样本新增医学图像都存在卷褶伪影，则金标准图像为FOV增大后的多个采集图像通过加权计算获得。
第二种，在一个实施例中，若样本扫描对象的组织大小未超出FOV，但在设定采集方位下样本扫描对象的组织的局部处于FOV之外，对应设定采集方位的样本目标医学图像和/或样本新增医学图像则存在卷褶伪影，金标准图像则为：在设定采集方位下，沿相位编码方向过采样以对超出FOV范围的局部进行相位编码，获得的第一组样本图像，令样本扫描对象的组织在除设定采集方位以外得到的样本目标医学图像和/或样本新增医学图像为第二组样本图像，金标准图像则为第一组样本图像与第二组样本图像配准后的加权。
第三种，在一个实施例中，若样本扫描对象的组织大小未超出FOV，但在设定采集方位下样本扫描对象的组织的局部处于FOV之外，对应设定采集方位的样本目标医学图像和/或样本新增医学图像则存在卷褶伪影，金标准图像则为：对于设定采集方位，切换相位编码的方向与频率编码的方向，以使得样本扫描对象的层面较短的方向设置为相位编码方向，获得的第一组样本图像，令样本扫描对象的组织在除设定采集方位以外得到的样本目标医学图像和/或样本新增医学图像为第二组样本图像，金标准图像则为第一组样本图像与第二组样本图像配准后的加权。
S402，将样本目标医学图像和样本新增医学图像输入预设的初始神经网络模型，得到样本预测医学图像；样本预测医学图像的像素值为样本目标医学图像的像素值和样本新增医学图像的像素值之和。
具体地，计算机设备将上述获取的样本目标医学图像和样本新增医学图像输入预设的初始神经网络模型，得到样本预测医学图像。其中，样本预测医学图像的像素值为样本目标医学图像的像素值和样本新增医学图像的像素值之和。也就是，计算机设备将上述获取的样本目标医学图像和样本新增医学图像输入预设的初始神经网络模型，通过预设的初始神经网络模型，对样本目标医学图像的像素值和样本新增医学图像的像素值进行求和，得到样本预测医学图像的像素值，从而得到样本预测医学图像。
S403，根据样本预测医学图像和金标准图像，对初始神经网络模型进行训练，得到神经网络模型。
具体地，计算机设备根据得到的样本预测医学图像以及上述获取的样本目标医学图像对应的金标准图像，获取初始神经网络模型的损失函数的值，根据初始神经网络模型的损失函数的值，对初始神经网络模型进行训练，当初始神经网络模型的损失函数的值达到最小值或者稳定值时，得到神经网络模型。
本实施例中，计算机设备首先获取样本目标医学图像、样本新增医学图像以及样本目标医学图像对应的金标准图像，将样本目标医学图像和样本新增医学图像输入预设的初始神经网络模型，能够得到样本预测医学图像，进而可以根据得到的样本预测医学图像和获取的样本目标医学图像对应的金标准图像，对初始神经网络模型进行准确地训练，从而准确地得到神经网络模型，提高了得到的神经网络模型的准确度。
应该理解的是，虽然图2-4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2-4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种医学图像增强装置，包括：第一获取模块、第二获取模块和增强模块，其中：
第一获取模块，用于从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集；其中，目标医学图像与新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像。
第二获取模块，用于根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像；预测医学图像的信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比。
增强模块，用于根据预测医学图像，得到增强后的医学图像。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述增强模块，包括：第一获取单元和增强单元，其中：
第一获取单元，用于根据预测医学图像，获取预测医学图像各像素值的平均值。
增强单元，用于将预测医学图像各像素值的平均值，确定为增强后的医学图像的像素值，得到增强后的医学图像。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述第一获取单元，具体用于对预测医学图像各像素值除以医学图像集合中医学图像的数量，得到预测医学图像各像素值的平均值。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述第二获取模块，包括：第二获取单元，其中：
第二获取单元，用于将目标医学图像和新增医学图像集中的第一医学图像输入神经网络模型，执行迭代检测操作，得到预测医学图像；
其中，迭代检测操作包括：将神经网络模型上一次输出的医学图像、新增医学图像集中的第二医学图像，均输入神经网络模型，得到新的医学图像，返回执行迭代检测操作，直至遍历完新增医学图像集中的医学图像。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述装置还包括：第三获取模块、第四获取模块和训练模块，其中：
第三获取模块，用于获取样本目标医学图像、样本新增医学图像以及样本目标医学图像对应的金标准图像；样本目标医学图像与样本新增医学图像分别对应不同采集方位下同一部位的医学图像；金标准图像的信噪比大于样本目标医学图像的信噪比或样本新增医学图像的信噪比。
第四获取模块，用于将样本目标医学图像和样本新增医学图像输入预设的初始神经网络模型，得到样本预测医学图像；样本预测医学图像的像素值为样本目标医学图像的像素值和样本新增医学图像的像素值之和。
训练模块，用于根据样本预测医学图像和金标准图像，对初始神经网络模型进行训练，得到神经网络模型。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述第三获取模块，包括：第三获取单元、第四获取单元、第五获取单元和第六获取单元，其中：
第三获取单元，用于获取在预设的第一方位下多次采集的预设部位的医学图像，得到样本医学图像集。
第四获取单元，用于从样本医学图像集中任选一幅医学图像，作为样本目标医学图像。
第五获取单元，用于获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。
第六获取单元，用于获取在预设的第二方位下采集的预设部位的医学图像，得到样本新增医学图像。
本实施例提供的医学图像增强装置，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。
在上述实施例的基础上，可选的，上述第三获取模块，包括：第七获取单元、第八获取单元、第九获取单元和第十获取单元，其中：
第七获取单元，用于获取在预设的第一方位下多次采集的预设部位的医学图像，得到样本医学图像集。
第八获取单元，用于从样本医学图像集中任选一幅医学图像，作为样本目标医学图像。
第九获取单元，用于获取样本医学图像集中各医学图像像素值的平均值，将各医学图像像素值的平均值作为金标准图像的像素值，得到金标准图像。
第十获取单元，用于从样本医学图像集中任选一幅医学图像并进行预处理，得到样本新增医学图像；预处理包括平移处理、旋转处理和缩放处理中的任意一种。
本实施例提供的医学图像增强装置，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。
关于医学图像增强装置的具体限定可以参见上文中对于医学图像增强方法的限定，在此不再赘述。上述医学图像增强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：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集；其中，目标医学图像与新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像；预测医学图像的信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比；
根据预测医学图像，得到增强后的医学图像。
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：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除目标医学图像之外的其余医学图像作为新增医学图像集；其中，目标医学图像与新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据目标医学图像、新增医学图像集和预设的神经网络模型，得到预测医学图像；预测医学图像的信噪比大于目标医学图像的信噪比或新增医学图像集中各医学图像的信噪比；
根据预测医学图像，得到增强后的医学图像。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像增强方法，其特征在于，所述方法包括：
从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的各医学图像分别对应不同采集方位下的同一部位的医学图像；
根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
根据所述预测医学图像，得到增强后的医学图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述预测医学图像，得到增强后的医学图像，包括：
根据所述预测医学图像，获取所述预测医学图像各像素值的平均值；
将所述预测医学图像各像素值的平均值，确定为所述增强后的医学图像的像素值，得到所述增强后的医学图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预测医学图像，获取所述预测医学图像各像素值的平均值，包括：
对所述预测医学图像各像素值除以所述医学图像集合中医学图像的数量，得到所述预测医学图像各像素值的平均值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像，包括：
将所述目标医学图像和所述新增医学图像集中的第一医学图像输入所述神经网络模型，执行迭代检测操作，得到所述预测医学图像。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述神经网络模型的训练过程包括：
获取样本目标医学图像、样本新增医学图像以及所述样本目标医学图像对应的金标准图像；所述样本目标医学图像与所述样本新增医学图像分别对应不同采集方位下同一部位的医学图像；所述金标准图像的信噪比大于所述样本目标医学图像的信噪比或所述样本新增医学图像的信噪比；
将所述样本目标医学图像和所述样本新增医学图像输入预设的初始神经网络模型，得到样本预测医学图像；所述样本预测医学图像的像素值为所述样本目标医学图像的像素值和所述样本新增医学图像的像素值之和；
根据所述样本预测医学图像和所述金标准图像，对所述初始神经网络模型进行训练，得到所述神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述获取样本目标医学图像以及所述样本目标医学图像对应的金标准图像，包括：
获取在预设的第一方位下多次采集的预设部位的医学图像，得到样本医学图像集；
从所述样本医学图像集中任选一幅医学图像，作为所述样本目标医学图像；
获取所述样本医学图像集中各医学图像像素值的平均值，将各所述医学图像像素值的平均值作为所述金标准图像的像素值，得到所述金标准图像。
7.根据权利要求5所述的方法，其特征在于，所述获取样本新增医学图像包括：
获取在预设的第二方位下采集的所述预设部位的医学图像，得到所述样本新增医学图像。
8.一种医学图像增强装置，其特征在于，所述装置包括：
第一获取模块，用于从预设的医学图像集合中任意抽取一幅医学图像作为目标医学图像，将除所述目标医学图像之外的其余医学图像作为新增医学图像集；其中，所述目标医学图像与所述新增医学图像集中的医学图像分别对应不同采集方位下的同一部位的医学图像；
第二获取模块，用于根据所述目标医学图像、所述新增医学图像集和预设的神经网络模型，得到预测医学图像；所述预测医学图像的信噪比大于所述目标医学图像的信噪比或所述新增医学图像集中各医学图像的信噪比；
增强模块，用于根据所述预测医学图像，得到增强后的医学图像。
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至7中任一项所述的方法的步骤。
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至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010954315.5A CN114255172A (zh) | 2020-09-11 | 2020-09-11 | 医学图像增强方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010954315.5A CN114255172A (zh) | 2020-09-11 | 2020-09-11 | 医学图像增强方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114255172A true CN114255172A (zh) | 2022-03-29 |
Family
ID=80788075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010954315.5A Pending CN114255172A (zh) | 2020-09-11 | 2020-09-11 | 医学图像增强方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114255172A (zh) |
-
2020
- 2020-09-11 CN CN202010954315.5A patent/CN114255172A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11633169B2 (en) | Apparatus for AI-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same | |
| US10796464B2 (en) | Selective image reconstruction | |
| EP3611699A1 (en) | Image segmentation using deep learning techniques | |
| US10803354B2 (en) | Cross-modality image synthesis | |
| CN110570483B (zh) | 扫描方法、装置、计算机设备和存储介质 | |
| KR101716039B1 (ko) | 의료 영상 기반의 질환 진단 정보 산출 방법 및 장치 | |
| EP3338636B1 (en) | An apparatus and associated method for imaging | |
| CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| US20120287131A1 (en) | Image processing apparatus and image registration method | |
| CN112435341B (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
| CN109389653B (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 | |
| CN111062997A (zh) | 一种血管造影成像方法、系统、设备和存储介质 | |
| EP1652122B1 (en) | Automatic registration of intra-modality medical volume images using affine transformation | |
| CN111028212A (zh) | 关键点检测方法、装置、计算机设备和存储介质 | |
| CN108038840B (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
| US11950877B2 (en) | System and method for fully automatic LV segmentation of myocardial first-pass perfusion images | |
| CN112150571A (zh) | 一种图像运动伪影消除方法、装置、设备及存储介质 | |
| CN114943714A (zh) | 医学图像处理系统、装置、电子设备及存储介质 | |
| CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
| CN110244249B (zh) | 磁共振扫描方法、装置、医学扫描设备和存储介质 | |
| CN109345606B (zh) | 心脏图像重建方法、装置、计算机设备和可读存储介质 | |
| US20220292641A1 (en) | Dynamic imaging and motion artifact reduction through deep learning | |
| CN115761134A (zh) | 孪生模型的生成方法、系统、核磁共振装置和介质 | |
| CN114255172A (zh) | 医学图像增强方法、装置、计算机设备和存储介质 | |
| CN114677415A (zh) | 图像配准方法、装置、计算机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 |