[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

说明书

本申请适用于图像处理技术领域，提供一种医学图像重建方法、医学图像重建网络训练方法和装置。该医学图像重建网络训练方法包括：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。本申请引入来自于真实图像中的先验知识引导，稳定对图像重建网络的训练，易于达到最优收敛，从而解决生成对抗网络训练困难的问题。

技术领域

本申请实施例属于图像处理技术领域，尤其涉及一种医学图像重建方法、医学图像重建网络训练方法和装置。

背景技术

功能性磁共振成像(functional magnetic resonance imaging，fMRI)是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。它作为一种非介入的技术，能够对特定的大脑活动皮层区域进行准确定位，并捕获能够反映神经元活动的血氧变化。但由于fMRI图像采集成本高、扫描时间长，且一些特殊患者无法进行(比如体内金属物品者不能接受扫描)，在特定的应用场景下，能获取的影像数量往往是有限的，这极大地限制了深度学习等依赖于大量数据的人工智能方法在医学影像分析领域的应用。

一个极具前景的解决方法是通过现有的人工智能方法利用有限的真实图像样本，学习从高斯隐层向量中重建相应医学影像，从而达到增强样本量，支撑后续图像分析任务的目的。而生成对抗网络是当前性能较佳的生成模型，逐渐成为了深度学习的研究热点，并开始应用到医学图像领域中。

传统的生成对抗网络可以通过学习真实数据分布，生成带有多样性的新图像，但也存在网络训练困难，不易达到最优收敛的问题。

发明内容

为克服相关技术中存在的问题，本申请实施例提供了一种医学图像重建方法、医学图像重建网络训练方法和装置。

本申请是通过如下技术方案实现的：

第一方面，本申请实施例提供了一种医学图像重建网络训练方法，其包括：

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。

在第一方面的第一种可能的实现方式中，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。

在第一方面的第二种可能的实现方式中，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。

在第一方面的第三种可能的实现方式中，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：