CT图像的处理方法、装置、计算机设备及存储介质与流程

ct图像的处理方法、装置、计算机设备及存储介质
技术领域
1.本发明涉及计算机多媒体技术领域，尤其涉及一种ct图像的处理方法、装置、计算机设备及存储介质。


背景技术：

2.ct图像(computed tomography，电子计算机断层扫描)的图像处理技术一直以来都是人工智能和医学交叉领域的研究重点，医生以及ai(artificial intelligence，人工智能)在观看处理越厚层的ct图像，就会有更高的效率。并且对于基于ct图像的各种学习下游任务来说，更高质量的ct图像也能更标准化ct图像的质量。因此如何提高ct图像的准确率亟需解决。
3.目前在现有技术中，大多通过传统的插值缩放的方法将ct图像拉长，但此方法会导致伪影严重，会显著降低ct图像的准确率。


技术实现要素：

4.有鉴于此，本发明的目的是为了克服现有技术中的不足，提供一种ct图像的处理方法、装置、计算机设备及存储介质。
5.本发明提供如下技术方案：
6.第一方面，本公开实施例中提供了一种ct图像的处理方法，所述方法包括：
7.对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；
8.将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；
9.将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；
10.将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；
11.根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。
12.进一步地，所述对预设数量原始ct图像进行预处理，包括：
13.对所述预设数量原始ct图像进行归一化处理，得到归一化后的预设数量原始ct图像；
14.根据预设标准化参数对所述归一化后的预设数量原始ct图像进行标准化处理，得到标准化后的预设数量原始ct图像；
15.将所述标准化后的预设数量原始ct图像进行数据增强处理，得到预设数量所述增强ct图像。
16.进一步地，所述第二损失包括第一中间损失、第二中间损失和第三中间损失，所述预设数值包括第一数值和第二数值，所述计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失，包括：
17.计算所述原始置信度与所述第二数值的第二损失函数，得到所述第一中间损失；
18.计算所述生成置信度与所述第一数值的第二损失函数，得到所述第二中间损失；
19.计算所述生成置信度与所述第二数值的第二损失函数，得到所述第三中间损失。
20.进一步地，所述根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，包括：
21.根据所述第一损失、所述第三中间损失和所述第三损失对所述生成器的权重进行更新；
22.根据所述第一中间损失和所述第二中间损失对所述判别器的权重进行更新。
23.进一步地，所述生成器采用u-net网络，所述判别器采用mobilenet v2网络，所述辅助网络采用deeplab v3网络。
24.进一步地，所述第一损失函数为smoothl1loss损失函数，所述smoothl1loss损失函数的计算公式为：
[0025][0026]
其中，smoothl1loss(a,b)为所述第一损失和所述第三损失，bi为第i次输入所述生成器的ct图像矩阵和输入所述辅助网络的原始血管掩码，f(ai)为第i次所述生成器输出的中间ct图像和所述辅助网络输出的生成血管掩码。
[0027]
进一步地，所述第二损失函数为l2loss损失函数，所述l2loss损失函数的计算公式为：
[0028][0029]
其中，l2loss(x,y)为所述第二损失，yi为第i次输入所述判别器的预设数值，f(xi)为第i次所述判别器输出的原始置信度和生成置信度。
[0030]
第二方面，本公开实施例中提供了一种ct图像的处理装置，所述装置包括：
[0031]
拼接模块，用于对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；
[0032]
第一计算模块，用于将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；
[0033]
第二计算模块，用于将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；
[0034]
第三计算模块，用于将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；
[0035]
训练模块，用于根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。
[0036]
第三方面，本公开实施例中提供了一种计算机设备，所述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第一方面中所述的ct图像的处理方法的步骤。
[0037]
第四方面，本公开实施例中提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中所述的ct图像的处理方法的步骤。
[0038]
本技术的实施例具有如下优点：
[0039]
本技术实施例提供的ct图像的处理方法，方法包括：对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。通过上述方法，能够保证原始ct图像内容信息不会丢失，对于原始ct图像的还原度有明显提升，且经过大量的训练，能极大的降低伪影的出现。
[0040]
为使本发明的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。
附图说明
[0041]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在各个附图中，类似的构成部分采用类似的编号。
[0042]
图1示出了本技术实施例提供的一种ct图像的处理方法的流程图；
[0043]
图2示出了本技术实施例提供的一种ct图像的生成器示意图；
[0044]
图3示出了本技术实施例提供的一种ct图像的判别器示意图；
[0045]
图4示出了本技术实施例提供的一种ct图像的辅助网络示意图；
[0046]
图5示出了本技术实施例提供的一种ct图像的结果示意图；
[0047]
图6示出了本技术实施例提供的另一种ct图像的结果示意图；
[0048]
图7示出了本技术实施例提供的一种ct图像的处理装置的结构示意图。
具体实施方式
[0049]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0050]
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。相反，当元件被称作“直接在”另一元件“上”时，不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0051]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0052]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0053]
除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0054]
实施例1
[0055]
如图1所示，为本技术实施例中的一种ct图像的处理方法的流程图，本技术实施例提供的ct图像的处理方法，执行主体可以为电子设备，包括以下步骤：
[0056]
步骤s110，对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵。
[0057]
具体地，本技术使用的ct图像源于400个高质量1mm的ct图像(200例正常ct，200例肺癌ct)。将预设数量连续的原始ct图像划分为一组数据集，并对每组数据集进行数据预处理，得到预设数量增强ct图像后对预设数量增强ct图像进行拼接，得到ct图像矩阵。
[0058]
数据预处理的过程为：首先对原始ct图像进行归一化处理，即：原始ct图像/255，计算后得到归一化后的原始ct图像。
[0059]
进一步地，在本实施例中，预设标准化参数包括mean和std，根据预设标准化参数对归一化后的原始ct图像进行标准化处理，即：(归一化后的原始ct图像-mean)/std，计算后得到标准化后的原始ct图像。
[0060]
最后将标准化后的原始ct图像随机进行反转、旋转等不影响原图质量的数据增强处理，得到增强ct图像。
[0061]
需要说明的是，在本实施例中，将预设数量设置为三张(后续说明书部分都以三张举例说明)，将预设标准化参数设置为mean＝[0.373，0.373，0.373]，std＝[0.641，0.641，0.641]，具体的预设数量和预设标准化参数可根据实际情况设定，本技术实施例对此不作限定。
[0062]
对原始ct图像进行预处理，可以得到更鲁棒的模型，从而便于后续进行模型的训练学习。
[0063]
步骤s120，将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失。
[0064]
进一步地，如图2所示，将ct图像矩阵输入至生成器，生成器进而输出中间ct图像，并计算中间ct图像与ct图像矩阵的第一损失函数，得到第一损失。
[0065]
在本实施例中，第一损失函数为smoothl1loss损失函数，所述smoothl1loss损失函数的计算公式为：
[0066][0067]
其中，smoothl1loss(a,b)为所述第一损失，bi为第i次输入所述生成器的ct图像矩阵，f(ai)为第i次所述生成器输出的中间ct图像。
[0068]
可以理解的是，在本实施例中，生成器采用u-net网络，生成器具体采用的网络可根据实际情况设定，本技术实施例对此不作限定。
[0069]
步骤s130，将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失。
[0070]
进一步地，如图3所示，将三张连续的增强ct图像与中间ct图像输入至判别器，判别器进而分别输出增强ct图像对应的原始置信度与中间ct图像对应的生成置信度。并计算原始置信度和生成置信度分别与预设数值的第二损失函数，得到第二损失。
[0071]
需要说明的是，第二损失还包括第一中间损失、第二中间损失和第三中间损失，预设数值包括第一数值和第二数值。通过计算原始置信度与第二数值的第二损失函数，得到第一中间损失；通过计算生成置信度与第一数值的第二损失函数，得到第二中间损失；通过计算生成置信度与第二数值的第二损失函数，得到第三中间损失。其中，第一数值为0，第二数值为1。
[0072]
在本实施例中，第二损失函数为l2loss损失函数，所述l2loss损失函数的计算公式为：
[0073][0074]
其中，l2loss(x,y)为所述第二损失，yi为第i次输入所述判别器的预设数值，f(xi)
为第i次所述判别器输出的原始置信度和生成置信度。
[0075]
可以理解的是，在本实施例中，判别器采用mobilenet v2网络，判别器具体采用的网络可根据实际情况设定，本技术实施例对此不作限定。
[0076]
步骤s140，将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失。
[0077]
进一步地，如图4所示，将三张连续的增强ct图像与中间ct图像输入至辅助网络，辅助网络进而分别输出增强ct图像对应的原始血管掩码与中间ct图像对应的生成血管掩码。并计算原始血管掩码与生成血管掩码的第一损失函数，得到第三损失。
[0078]
在本实施例中，第一损失函数为smoothl1loss损失函数，所述smoothl1loss损失函数的计算公式为：
[0079][0080]
其中，smoothl1loss(a,b)为所述第一损失，bi为第i次输入所述辅助网络的原始血管掩码，f(ai)为第i次辅助网络输出的生成血管掩码。
[0081]
可以理解的是，在本实施例中，辅助网络采用已完成ct图像血管分割任务训练的deeplab v3网络，辅助网络具体采用的网络可根据实际情况设定，本技术实施例对此不作限定。
[0082]
由于辅助网络的加入，对于最终生成的ct图像，使其生成的ct图像与原图之间的血管最大程度的接近，此损失更好的限制了最终ct图像的生成，相比较传统算法，对于还原原始ct图像有明显的提升。
[0083]
步骤s150，根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。
[0084]
具体地，根据第一损失、第三中间损失和第三损失对生成器的权重进行更新；根据第一中间损失和第二中间损失对判别器的模型参数进行更新，最终得到训练后的生成器和训练后的判别器。
[0085]
进一步地，将三张连续的增强ct图像输入至训练后的生成器后，训练后的生成器将输出最终ct图像，即为经过处理的ct图像。
[0086]
如图5和图6所示，与传统算法相比，对于4mm的ct图像，可以通过插帧输出1mm的最终ct图像，保证原始ct图像层内的真实信息不变。且经过大量的原始ct图像的训练，能极大地降低伪影的出现。
[0087]
上述方法对于医生阅片的观感体验有很大的提升，另外本技术的方法也可应用于ct阅片软件，在保证原始ct图像内的信息不变的基础上，帮助医生刻画ct中间层的信息，能够有效辅助医生阅片。
[0088]
本技术实施例提供的ct图像的处理方法，通过对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像
与所述ct图像矩阵的第一损失函数，得到第一损失；将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。通过上述方法，能够保证原始ct图像内容信息不会丢失，对于原始ct图像的还原度有明显提升，且经过大量的训练，能极大的降低伪影的出现。
[0089]
实施例2
[0090]
如图7所示，为本技术实施例中的一种ct图像的处理装置700的结构示意图，其装置包括：
[0091]
拼接模块710，用于对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；
[0092]
第一计算模块720，用于将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；
[0093]
第二计算模块730，用于将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；
[0094]
第三计算模块740，用于将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；
[0095]
训练模块750，用于根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。
[0096]
可选地，上述ct图像的处理装置700还包括：
[0097]
归一化模块，用于对所述预设数量原始ct图像进行归一化处理，得到归一化后的预设数量原始ct图像；
[0098]
标准化模块，用于根据预设标准化参数对所述归一化后的预设数量原始ct图像进行标准化处理，得到标准化后的预设数量原始ct图像；
[0099]
增强模块，用于将所述标准化后的预设数量原始ct图像进行数据增强处理，得到预设数量所述增强ct图像。
[0100]
可选地，上述ct图像的处理装置700还包括：
[0101]
第一中间计算模块，用于计算所述原始置信度与所述第二数值的第二损失函数，得到所述第一中间损失；
[0102]
第二中间计算模块，用于计算所述生成置信度与所述第一数值的第二损失函数，
得到所述第二中间损失；
[0103]
第三中间计算模块，用于计算所述生成置信度与所述第二数值的第二损失函数，得到所述第三中间损失。
[0104]
可选地，上述ct图像的处理装置700还包括：
[0105]
第一更新模块，用于根据所述第一损失、所述第三中间损失和所述第三损失对所述生成器的权重进行更新；
[0106]
第二更新模块，用于根据所述第一中间损失和所述第二中间损失对所述判别器的权重进行更新。
[0107]
本技术实施例提供的ct图像的处理装置，能够保证原始ct图像内容信息不会丢失，对于原始ct图像的还原度有明显提升，且经过大量的训练，能极大的降低伪影的出现。
[0108]
本公开实施例中提供了一种计算机设备，所述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实施例1中所述的ct图像的处理方法的步骤。
[0109]
本公开实施例中提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例1中所述的ct图像的处理方法的步骤。
[0110]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0111]
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
[0112]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0113]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种ct图像的处理方法，其特征在于，所述方法包括：对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。2.根据权利要求1所述的ct图像的处理方法，其特征在于，所述对预设数量原始ct图像进行预处理，包括：对所述预设数量原始ct图像进行归一化处理，得到归一化后的预设数量原始ct图像；根据预设标准化参数对所述归一化后的预设数量原始ct图像进行标准化处理，得到标准化后的预设数量原始ct图像；将所述标准化后的预设数量原始ct图像进行数据增强处理，得到预设数量所述增强ct图像。3.根据权利要求1所述的ct图像的处理方法，其特征在于，所述第二损失包括第一中间损失、第二中间损失和第三中间损失，所述预设数值包括第一数值和第二数值，所述计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失，包括：计算所述原始置信度与所述第二数值的第二损失函数，得到所述第一中间损失；计算所述生成置信度与所述第一数值的第二损失函数，得到所述第二中间损失；计算所述生成置信度与所述第二数值的第二损失函数，得到所述第三中间损失。4.根据权利要求3所述的ct图像的处理方法，其特征在于，所述根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，包括：根据所述第一损失、所述第三中间损失和所述第三损失对所述生成器的权重进行更新；根据所述第一中间损失和所述第二中间损失对所述判别器的权重进行更新。5.根据权利要求1所述的ct图像的处理方法，其特征在于，所述生成器采用u-net网络，所述判别器采用mobilenet v2网络，所述辅助网络采用deeplab v3网络。6.根据权利要求1所述的ct图像的处理方法，其特征在于，所述第一损失函数为smoothl1loss损失函数，所述smoothl1loss损失函数的计算公式为：
其中，smoothl1loss(a,b)为所述第一损失和所述第三损失，b
i
为第i次输入所述生成器的ct图像矩阵和输入所述辅助网络的原始血管掩码，f(a
i
)为第i次所述生成器输出的中间ct图像和所述辅助网络输出的生成血管掩码。7.根据权利要求6所述的ct图像的处理方法，其特征在于，所述第二损失函数为l2loss损失函数，所述l2loss损失函数的计算公式为：其中，l2loss(x,y)为所述第二损失，y
i
为第i次输入所述判别器的预设数值，f(x
i
)为第i次所述判别器输出的原始置信度和生成置信度。8.一种ct图像的处理装置，其特征在于，所述装置包括：拼接模块，用于对预设数量原始ct图像进行预处理，得到预设数量增强ct图像，并对预设数量所述增强ct图像进行拼接，得到ct图像矩阵；第一计算模块，用于将所述ct图像矩阵输入至生成器，控制所述生成器输出中间ct图像，计算所述中间ct图像与所述ct图像矩阵的第一损失函数，得到第一损失；第二计算模块，用于将预设数量所述增强ct图像与所述中间ct图像输入至判别器，控制所述判别器分别输出所述增强ct图像对应的原始置信度与所述中间ct图像对应的生成置信度，并计算所述原始置信度和所述生成置信度分别与预设数值的第二损失函数，得到第二损失；第三计算模块，用于将预设数量所述增强ct图像与所述中间ct图像输入至辅助网络，控制所述辅助网络分别输出所述增强ct图像对应的原始血管掩码与所述中间ct图像对应的生成血管掩码，计算所述原始血管掩码与所述生成血管掩码的第一损失函数，得到第三损失；训练模块，用于根据所述第一损失、所述第二损失和所述第三损失对所述生成器和所述判别器进行训练，并将预设数量所述增强ct图像输入至训练后的生成器，控制所述训练后的生成器输出最终ct图像。9.一种计算机设备，其特征在于，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权利要求1-7中任一项所述的ct图像的处理方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的ct图像的处理方法的步骤。

技术总结
本发明公开了一种CT图像的处理方法、装置、计算机设备及存储介质。方法包括：对原始CT图像处理得到增强CT图像，对增强CT图像拼接得到CT图像矩阵；CT图像矩阵输入生成器输出中间CT图像，计算中间CT图像与CT图像矩阵的损失函数得到第一损失；增强CT图像与中间CT图像输入判别器输出原始置信度与生成置信度，计算原始置信度和生成置信度与预设数值的损失函数得到第二损失；增强CT图像与中间CT图像输入辅助网络输出原始血管掩码与生成血管掩码，计算原始血管掩码与生成血管掩码的损失函数得到第三损失；根据三个损失对生成器和判别器进行训练，将增强CT图像输入训练后的生成器输出最终CT图像，提升了CT图像准确率。提升了CT图像准确率。提升了CT图像准确率。


技术研发人员：梁恒瑞 晏泽平 何建行
受保护的技术使用者：广州明医医疗科技有限公司
技术研发日：2023.04.23
技术公布日：2023/7/20