[发明专利]扫描图像的优化方法、优化装置和医学扫描系统

说明书

本申请涉及一种扫描图像的优化方法、扫描图像的优化装置、医学扫描系统，以及计算机可读存储介质。其中，该方法包括：以第一图像作为输入图像、以第二图像作为目标图像，更新第一人工神经网络的网络参数；分别以第一人工神经网络的输出图像和输入图像作为第二人工神经网络的训练样本，以第二人工神经网络的输出图像和输入图像作为第一人工神经网络的训练样本，交替迭代训练第一人工神经网络和第二人工神经网络，直至达到预设迭代次数或者第一人工神经网络当前输出的图像满足设定条件时，输出第一人工神经网络当前输出的图像。通过本申请，解决了相关技术中对相同部位的重复扫描所需的成像时间长的问题，缩短了医学成像时间。

技术领域

本申请涉及医学成像技术领域，特别是涉及扫描图像的优化方法、扫描图像的优化装置、医学扫描系统，以及计算机可读存储介质。

背景技术

随着机器学习技术的发展和计算机硬件性能的提升，机器学习中深度学习技术被广泛地应用到各行各业。在医疗领域的医学成像领域中，也越来越多得使用深度学习技术来解决相关的问题，例如基于深度学习技术的伪影消除、超分辨率、图像降噪等等。

深度学习技术以人工神经网络的应用为典型代表。人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，其自适应性体现在它能够根据环境的变化，对网络参数(也称为权值)进行调整，改善系统的行为。根据适应环境的方式的不同，人工神经网络可分为监督学习和非监督学习两种学习方式。在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。当样本情况发生变化时，经学习可以修改权值以适应新的环境。在非监督学习中，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。

基于非监督学习训练的人工神经网络依赖于网络参数的选择，存在网络参数不易收敛，人工神经网络的输出结果不可预测的问题。基于监督学习训练的人工神经网络虽然克服了上述的问题，但是其依赖于大量的训练样本来训练其网络参数。然而，在医学扫描领域中，不同的病人的医学扫描图像差异很大，来自于同一个病人的医学扫描图像数量也远达不到人工神经网络进行监督学习需求的训练样本数量。并且，以PET成像为例，PET成像与所使用的示踪剂种类及用量关系密切，不同的示踪剂种类或用量对应的成像图像差异极大，因此，基于某一种示踪剂药物的图像样本训练得到的人工神经网络不能够用于其他示踪剂药物相关的医学图像处理。

在PET成像或者CT成像中，对于相同部位可能进行多次扫描。例如PET成像中在完成第一次扫描后，间隔一段时间还会进行第二次扫描(称为延迟扫描)，以通过对疑似病灶进行二次成像来达到降低漏诊、误诊率的目的。然而，随着示踪剂随着时间推移不断衰变导致活度降低，第二次扫描往往需要增加扫描时间来保证图像质量，导致第二次成像的时间长、效率低。

发明内容

本申请实施例提供了一种扫描图像的优化方法、扫描图像的优化装置、医学扫描系统，以及计算机可读存储介质，以至少解决相关技术中对相同部位的重复扫描所需的成像时间长的问题。

第一方面，本申请实施例提供了一种扫描图像的优化方法，包括：获取第一图像和第二图像，其中，所述第二图像对应的扫描时间晚于所述第一图像对应的扫描时间；以所述第一图像作为输入图像、以所述第二图像作为目标图像，更新第一人工神经网络的网络参数；分别以所述第一人工神经网络的输出图像和输入图像作为第二人工神经网络的训练样本，以所述第二人工神经网络的输出图像和输入图像作为所述第一人工神经网络的训练样本，交替迭代训练所述第一人工神经网络和第二人工神经网络，直至达到预设迭代次数或者所述第一人工神经网络当前输出的图像满足设定条件时，输出所述第一人工神经网络当前输出的图像。