[发明专利]医学图像重建方法、医学图像重建网络训练方法和装置

权利要求书

1.一种医学图像重建网络训练方法，其特征在于，包括：

对真实图像样本进行特征编码提取，得到所述真实图像样本的特征编码向量；

通过图像重建网络，基于所述特征编码向量进行图像重建得到第一图像，基于所述真实图像样本的第一隐层向量进行图像重建得到第二图像；

通过图像判别网络对所述真实图像样本、所述第一图像和所述第二图像进行图像判别，并根据图像判别结果对所述图像重建网络进行优化；其中，所述图像重建网络的卷积为带有近邻上采样的三维可分离卷积层；

所述对真实图像样本进行特征编码提取，得到所述真实图像样本的特征编码向量，包括：

通过图像编码网络的多个三维卷积层对所述真实图像样本进行分层特征提取；

通过线性函数对提取到的特征进行处理，得到所述真实图像样本的特征编码向量；

所述方法还包括：

通过编码特征判别网络对所述特征编码向量和所述第一隐层向量进行向量判别；

基于向量判别结果对所述图像编码网络进行优化。

2.如权利要求1所述的医学图像重建网络训练方法，其特征在于，所述基于向量判别结果对所述图像编码网络进行优化，包括：

计算所述第二图像与所述真实图像样本之间的逐体素差异，并通过梯度下降法更新所述图像编码网络的网络参数，直至所述逐体素差异小于或等于预设阈值；

其中，所述逐体素差异为所述图像编码网络的第一损失函数，所述第一损失函数为：

L_C为所述第一损失函数，z_e为所述特征编码向量，z_r为所述第一隐层向量，C表征所述图像编码网络，E为数学期望。

3.如权利要求1所述的医学图像重建网络训练方法，其特征在于，所述根据图像判别结果对所述图像重建网络进行优化，包括：

根据所述图像判别结果、结构相似性度量损失函数和感知度量损失函数，确定所述图像重建网络的第二损失函数，并通过梯度下降法更新所述图像重建网络的网络参数，对所述图像重建网络进行训练；

其中，所述第二损失函数为：

L_G为所述第二损失函数，z_e为所述特征编码向量，z_r为所述第一隐层向量，C表征所述图像编码网络，D为所述图像判别网络，G为所述图像重建网络，E为数学期望，L_SSIM为结构相似性度量损失函数，L_perceptual代表感知度量损失函数，X_real表征所述真实图像，λ₁和λ₂为权重系数，Φ为Gram矩阵，L_D为图像判别网络的损失函数。

4.一种医学图像重建方法，其特征在于，包括：

获取待重建图像的第二隐层向量；

通过训练后的图像重建网络，基于所述第二隐层向量对所述待重建图像进行图像重建，其中，所述训练后的图像重建网络通过权利要求1-3任一项所述的医学图像重建网络训练方法得到。