医学图像处理方法、装置、计算机设备及存储介质

医学图像处理方法、装置、计算机设备及存储介质
1.本技术要求2023年04月21日提交的申请号为202310458907.1的发明专利申请的优先权，其全部内容通过引用结合在本技术中。
技术领域
2.本发明实施例涉及医学图像处理领域，涉及医学图像处理方法、装置、计算机设备及存储介质。


背景技术：

3.心脏成像一直以来都是医学成像中最具有挑战的课题之一。研究表明，右冠脉的平均运动速度最高可达7cm/s，医学成像系统的时间分辨率达到20ms与40ms，才能分别实现无运动伪影的冠脉成像与心脏功能成像。然而，当前最高端医学成像设备的时间分辨率均在140-175ms之间，远低于所需的20ms时间分辨率或40ms的时间分辨率。
4.为此很多研究者试图通过不同的图像处理方法提高心脏功能成像的时间分辨率。但这些方法均需要基于多个时相的心脏图像甚至多个心动周期的心脏图像，患者成像过程需要接收的辐射剂量较高。


技术实现要素：

5.本发明实施例提供了一种医学图像处理方法、装置、计算机设备及存储介质，解决了现有动态医学成像无法兼顾低辐射剂量与高时间分辨率的问题。
6.第一方面，本发明实施例提供了一种医学图像处理方法，包括：
7.基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；
8.确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；
9.基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；
10.确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络参数；
11.返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。
12.第二方面，本发明实施例还提供了一种医学图像处理装置，包括：
13.形变数据预测模块，用于基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；
14.初始图像确定模块，用于确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；
15.形变处理模块，用于基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；
16.模型网络参数调整模块，用于确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络参数；
17.迭代模块，用于返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。
18.第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
19.一个或多个处理器；
20.存储装置，用于存储一个或多个程序；
21.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的医学图像处理方法。
22.第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的医学图像处理方法。
23.相较于现有技术，本实施例提供的医学图像处理方法的技术方案，由于用于重建初始图像的测量数据是医学成像系统采集的扫描数据，目标时刻位于测量数据的采集时间内，因此基于前述误差之和调整目标运动模型的网络参数，使其输出的预测形变数据与目标对象的目标运动器官在目标时刻的时相一致，实际上是以测量数据为依据来调整目标运动模型的网络参数，实现了根据具体情况调整目标运动模型的网络参数的目的，提高了目标运动模型的网络参数设置的灵活性、准确性和可泛化性，可以保证其在接收到不同类型的输入图像时，均会输出较高图像质量的重构图像。
附图说明
24.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
25.图1a是本发明实施例提供的医学图像处理方法的流程图；
26.图1b是本发明实施例提供的目标运动模型的结构示意图；
27.图1c是本发明实施例提供的又一医学图像处理方法的流程示意图；
28.图2a是本发明实施例提供的预测形变数据生成方法的流程图；
29.图2b是本发明实施例提供的又一医学图像处理方法的流程示意图；
30.图3a是本发明实施例提供的又一医学图像处理方法的流程示意图；
31.图3b是本发明实施例提供的又一医学图像处理方法的流程示意图；
32.图4是本发明实施例提供的又一医学图像处理方法的流程示意图；
33.图5是本发明实施例提供的目标运动模型的网络参数调整方法的流程图；
34.图6是本发明实施例提供的医学图像处理装置的结构框图；
35.图7是本发明实施例提供的c臂ct成像系统的结构示意图；
36.图8a是本发明实施例提供的诊断ct成像系统的结构示意图；
37.图8b是本发明实施例提供的又一诊断ct成像系统的结构示意图；
38.图9是本发明实施例提供的ct成像系统中的计算机设备的结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.图1a是本发明实施例提供的医学图像处理方法的流程图。本实施例的技术方案适用于提高包括运动器官的医学图像的时间分辨率的情况。该方法可以由本发明实施例提供的医学图像处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在电子计算机设备的处理器中应用。如图1a和图1b所示，该方法具体包括如下步骤：
41.s110、基于目标运动模型生成至少一组预测形变数据，该至少一组预测形变数据分别对应一个目标时刻。
42.在一个实施例中，预测形变数据为运动向量场。
43.其中，目标运动模型为深度学习模型，其可生成针对初始图像的至少一组预测形变数据。在一个实施例中，目标运动模型为图1b所示的神经网络。该神经网络共有24层卷积神经网络层，该24层卷积神经网络层包括三类卷积网络层，这些卷积网络层中的网络参数均为可学习的。第一类卷积网络层使用3
×
3卷积核，间隔为1，在图1b中标记为“conv，3
×
3，s1”，之后为批归一化操作(bnorm)和整流线性单元(relu)激活函数。第二类卷积网络层使用3
×
3卷积核，间隔为2，并在图1b中标记为“conv，3
×
3，s2”，之后为bnorm和relu。第三类卷积网络层使用1
×
1卷积核，间隔为1，并在图1b中标记为“conv，1
×
1，s1”，之后为线性激活函数。所有卷积层都有相应的可学偏差项。每个卷积层均保持该层的输入输出为同样的空间维度。采样层使用2
×
2卷积核，并在图1b中标记为up-sample 2
×
2。所有采样层使用双线性插值算法。捷径链接(skip+concatenate，图1b中黑色实箭头)用以促进网络训练过程。网络参数中的卷积核使用glorot均匀分布随机数作为初始化，偏差项使用0作为初始化值。其余网络参数设置与初始化值均选择默认方式。
44.s120、确定测量数据对应的初始图像，目标时刻在所述测量数据的采集时间内。
45.其中，初始图像为包括运动器官的临床图像。运动器官可以是心脏、肺部、腹部等器官。
46.测量数据由临床成像系统采集。临床成像系统可以是ct(computer tomography，计算机断层扫描成像)成像系统，或者mri(magnetic resonance imaging，磁共振成像)成像系统。其中，ct成像系统可以是诊断ct成像系统、c臂ct成像系统等。
47.关于目标时刻在初始图像对应的测量数据的采集时间内。示例性的，初始图像对应的采集时间为[a时刻，b时刻]，那么该至少一组目标时刻均分布在该[a时刻，b时刻]内。
[0048]
在一个实施例中，测量数据确定后，对目标对象的测量数据进行图像重建以得到初始图像。其中，目标对象为患者。
[0049]
图1c是本发明实施例提供的又一医学图像处理方法的流程示意图。为了便于技术方案的说明，该附图中，测量数据仅能用于重建出一幅初始图像。可以理解的是，在测量数据可用于重建出至少两幅初始图像的情况下，可将测量数据划分为至少两组部分测量数
据，并对每个部分测量数据执行附图1c中的医学图像处理方法即可。其中，每个部分测量数据均可重建出一幅初始图像，即该每个部分测量数据相当于附图1c中的测量数据。
[0050]
s130、基于该至少一组预测形变数据分别对初始图像进行形变处理以得到至少一幅重构图像，将该至少一幅重构图像作为重构图像序列。
[0051]
其中，形变处理指对图像的每个像素位置进行包括平移、旋转、缩放等变形处理中的至少一项。
[0052]
基于预测形变数据对初始图像进行形变处理，以得到目标器官处于目标时相状态的重构图像。具体为，
[0053]
由于各预测形变数据对应不同的目标时刻，因此基于预测形变数据对初始图像进行形变处理，可以将初始图像形变为与具体时刻对应的重构图像，以实现捕捉运动器官在不同目标时刻的运动时相状态的目的。
[0054]
在一个实施例中，采用现有形变处理方法，基于各预测形变数据对初始图像进行形变处理以得到对应的重构图像。
[0055]
可以理解的是，由于本实施例中的重构图像序列是基于一幅初始图像确定的，因此重构图像序列包括的重构图像数量等于时间分辨率比值，该时间分辨率比值为重构图像的时间分辨率与初始图像的时间分辨率的比值。
[0056]
s140、确定重构图像序列对应的预测数据与测量数据之间的误差，根据误差反向调整目标运动模型的网络参数。
[0057]
重构图像序列对应的预测数据确定后，确定该预测数据与初始图像对应的测量数据之间的误差，根据该误差反向调整目标运动模型的网络参数，以使网络参数调整后的目标运动模型输出的至少一组预测形变数据中的部分或全部预测形变数据发生了变化。
[0058]
本实施例中，初始图像是基于测量数据重建的，预测数据是基于重构图像序列确定的；由于测量数据是直接获取的准确的扫描数据，因此预测数据与测量数据之间的误差可以准确反映重构图像序列的误差大小，从而反映重构图像序列的准确与否。因此可以通过调整目标运动模型的网络参数，调整其输出的至少一组预测形变数据，从而调整基于任一预测形变数据对初始图像进行形变处理后的重构图像。
[0059]
s150、返回基于目标运动模型生成至少一组预测形变数据的步骤，直至误差符合设定误差条件。
[0060]
在检测到目标运动模型输出至少一组新的预测形变数据的情况下，返回步骤s110，直至误差符合设定误差条件。
[0061]
相较于初始图像，重构图像序列具有更高的时间分辨率，因此重构图像序列可以提供更为丰富准确的器官运动信息。
[0062]
在一个实施例中，误差条件为误差阈值，其可被配置为可修改项。也就是说，用户可以根据实际需求在设定的误差可调节范围内调节误差阈值的大小。
[0063]
由于重构图像序列的时间分辨率高于初始图像的时间分辨率，且重构图像序列可用于临床诊断，因此本公开实施例允许用户在采集mri测量数据时，通过降低初始图像的时间分辨率来增加测量数据的频率范围。具体地，确定临床诊断用mri图像的时间分辨率，并将该时间分辨率作为目标时间分辨率，即重构图像序列的时间分辨率；基于该目标时间分辨率和目标运动模型对应的时间分辨率提升比值，确定初始图像的时间分辨率，并将该时
间分辨率作为初始时间分辨率，以该初始时间分辨率采集被测者的mri测量数据。其中，
[0064]
在一个实施例中，设定目标时间分辨率等于现有临床诊断用mri图像的时间分辨率，时间分辨率提升比值为5，那么初始时间分辨率为目标时间分辨率的1/6，相较于现有技术来说，根据该初始时间分辨率采集被测者的mri测量数据时，用于重建任一初始图像的测量数据可被分配的采集时间为现有数据采集时间的6倍，因此允许用户通过增加用于重建单幅初始图像对应的测量数据的采集时间的方式，增加该测量数据的频率范围。可以理解的是，对于mri图像来说，频率范围更大的测量数据对应空间分辨率更高的初始图像，重构图像的空间分辨率与初始图像的空间分辨率相同，即本公开实施例可以在不降低临床诊断用mri图像的时间分辨率的情况下，间接提高mri图像空间分辨率。
[0065]
相较于现有技术，本实施例提供的医学图像处理方法的技术方案，由于用于重建初始图像的测量数据是医学成像系统采集的扫描数据，目标时刻位于测量数据的采集时间内，因此基于前述误差之和调整目标运动模型的网络参数，使其输出的预测形变数据与目标对象的目标运动器官在目标时刻的时相一致，实际上是以测量数据为依据来调整目标运动模型的网络参数，实现了根据具体情况调整目标运动模型的网络参数的目的，提高了目标运动模型的网络参数设置的灵活性、准确性和可泛化性，可以保证其在接收到不同类型的输入图像时，均会输出较高图像质量的重构图像。
[0066]
图2a是本发明实施例提供的预测形变数据生成方法的流程图。本实施例对前述实施例中基于目标运动模型生成预测形变数据进行了细化。如图2a与图2b所示，该方法包括：
[0067]
s2101、确定模型输入数据，所述模型输入数据为随机形变数据或者坐标集合，所述坐标集合包括所述至少一个目标时刻以及与各所述目标时刻对应的投影角度或方位角对应的测量数据的坐标，或者包括所述至少一个目标时刻以及各所述目标时刻对应的重构图像的像素坐标。
[0068]
在一个实施例中，基于均匀分布随机函数确定与设定数据分布方式对应的随机形变数据，比如与初始图像像素坐标分布方式对应的随机向量场。该实施例提供了一种快速、便捷的随机形变数据的生成方式。
[0069]
在一个实施例中，在确定随机形变数据的同时，还确定期望目标运动模型基于该预测形变数据生成的预测形变数据的个数。由前述实施例可知，该个数与重构图像序列包括的重构图像的数量相同，重构图像序列包括的重构图像的数量等于时间分辨率比值，该时间分辨率比值为重构图像的时间分辨率与初始图像的时间分辨率的比值。因此用户可将期望的重构图像时间分辨率与初始图像的时间分辨率的比值作为预测形变数据的个数。
[0070]
在一个实施例中，模型输入数据包括坐标集合，坐标集合包括至少一个目标时刻以及各目标时刻对应的重构图像的像素坐标。其中，重构图像的像素坐标可理解为像素的行、列分布数据，比如512
×
512、1024
×
1024。
[0071]
在一个实施例中，坐标集合包括至少一个目标时刻以及与各目标时刻对应的投影角度或方位角对应的测量数据的坐标。测量数据的数据分布方式可表示为a
×
b，其中，a为矩阵的行数，b为矩阵的列数，a与b均为正整数。可选地，目标运动模型输出的预测形变数据的数据分布形式与测量数据的数据分布形式相同，实现了以坐标集合作为模型输入数据限
定目标运动模型输出的预测形变数据的数据分布方式的技术效果。
[0072]
不同形式的模型输入数据对应的目标运动模型的具体网络不同。
[0073]
s2102、将模型输入数据输入目标运动模型，以使目标运动模型生成至少一组预测形变数据。
[0074]
将模型输入数据输入目标运动模型，以使目标运动模型基于该模型输入数据生成至少一组预测形变数据。
[0075]
在一个实施例中，在向目标运动模型输入随机形变数据的同时，还向目标运动模型输入预测形变数据的个数。该实施例中，将预测形变数据的个数配置为可修改项。用户可根据实际需要自行设置预测形变数据的个数。需要说明的是，预测形变数据的个数大于1，同时小于或等于测量数据对应方位角(测量数据为mri扫描数据)的数量或投影角度(测量数据为ct扫描数据)的数量。
[0076]
本实施例的目标运动模型无需预先训练，使其应用场景不受训练样本的限值；直接基于模型输入数据生成至少一组预测形变数据，提高了模型使用的便捷性。
[0077]
图3a是本发明实施例提供的又一医学图像处理方法的流程图。本实施例在前述实施例的基础上增加了基于预测形变数据与测量数据确定初始图像的步骤。如图3a和图3b所示，该方法包括：
[0078]
s310、基于目标运动模型生成至少一组预测形变数据，该至少一组预测形变数据分别对应一个目标时刻。
[0079]
s3201、根据预测形变数据的组别数，采用设定数据划分策略对测量数据进行划分，以得到与各组预测形变数据对应的测量数据组，其中，各测量数据组对应一个投影角度组合或方位角组合，不同测量数据组对应的数据采集时段无重合部分。
[0080]
其中，不同测量数据组对应的数据采集时段无重合部分可以理解为，对于任一投影角度或方位角，其对应的部分测量数据可以作为一个测量数据组。具体地，相邻采集时刻对应的投影角度或方位角对应的部分测量数据可以被划分至少一个测量数据组，不相邻的采集时刻对应的投影角度或方位角对应的测量数据不能被划分至少一个测量数据组。或者，对应运动器官的同一运动状态的投影角度或方位角对应的部分测量数据可以被划分至少一个测量数据组；运动器官的不同运动状态对应的投影角度或方位角对应的测量数据不能被划分至少一个测量数据组。
[0081]
可以理解的是，在ct或mri数据采集过程中，如果数据采集方式不是基于投影角度或方位角递增或递减的顺序采集的，那么在投影角度组合或方位角组合包括至少一个投影角度或方位角的情况下，该至少一个投影角度或方位角在投影角度组合或方位角组合中分散式分布，而不是聚集式分布。在一个实施例中，将测量数据对应的所有投影角度或方位角作为投影角度集合或方位角集合。
[0082]
在一个实施例中，不同测量数据组对应的投影角度组合包括的投影角度的数量相同，或者不同测量数据组对应的方位角组合包括的方位角的数量相同。
[0083]
s3202、基于运动补偿的图像重建算法、所述至少一组预测形变数据、所述至少一组预测形变数据分别与相应测量数据组的对应关系，确定测量数据对应的初始图像。
[0084]
基于所述至少一组预测形变数据、所述至少一组预测形变数据分别与相应测量数据组的对应关系，对测量数据进行运动补偿的图像重建以得到初始图像。
[0085]
s330、基于该至少一组预测形变数据分别对初始图像进行形变处理以得到至少一幅重构图像，将该至少一幅重构图像作为重构图像序列。
[0086]
s340、确定重构图像序列对应的预测数据，以及预测数据与测量数据之间的误差，根据误差反向调整目标运动模型的网络参数。
[0087]
s350、返回基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。
[0088]
本实施例根据至少一组预测形变数据对测量数据进行基于运动补偿的图像重建以得到初始图像。有助于提高初始图像的质量，以及基于初始图像确定的重构图像序列中各重构图像的质量。
[0089]
图4是本发明实施例提供的又一医学图像处理方法的流程图。该实施例用于在前述实施例的基础上，对确定重构图像序列对应的预测数据做进一步细化。如图4所示，该方法包括：
[0090]
s410、基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻。
[0091]
s420、确定测量数据对应的初始图像，目标时刻在测量数据的采集时间内。
[0092]
s430、基于该至少一组预测形变数据分别对初始图像进行形变处理以得到至少一幅重构图像，将该至少一幅重构图像作为重构图像序列。
[0093]
s440、确定测量数据对应的图像类型，采用图像类型对应的预测数据确定策略确定重构图像序列对应的预测数据，以及确定预测数据与测量数据之间的误差，根据误差反向调整目标运动模型的网络参数。
[0094]
在一个实施例中，在所述测量数据对应的图像类型为mri图像的情况下，采用mri图像对应的预测数据确定策略确定重构图像序列对应的预测数据，包括：
[0095]
步骤a1、在所述重构图像为mri图像的情况下，根据与所述重构图像对应的预测形变数据对应的方位角组合，确定各所述重构图像对应的方位角组合。
[0096]
步骤a2、根据第一设定信号模型与各重构图像对应的方位角组合，计算各所述重构图像对应的至少一个径向线数据组。
[0097]
步骤a3、将所述重构图像序列中的所有重构图像对应的径向线数据组的并集作为所述重构图像序列对应的预测数据组。
[0098]
该实施例根据与所述重构图像对应的预测形变数据对应的方位角组合，确定各重构图像对应的方位角组合，根据第一设定信号模型与各重构图像对应的方位角组合，确定各重构图像对应的至少一个径向线数据组，从而确定重构图像序列对应的预测数据组。保证了在初始图像为mri图像的情况下，重构图像序列对应的预测数据确定的准确性。
[0099]
在一个实施例中，在所述测量数据对应的图像类型为ct图像的情况下，采用ct图像对应的预测数据确定策略确定重构图像序列对应的预测数据，包括：
[0100]
步骤b1、在所述重构图像为ct图像的情况下，根据与所述重构图像对应的预测形变数据对应的投影角度组合，确定各所述重构图像对应的投影角度组合。
[0101]
步骤b2、根据第二设定信号模型与各重构图像对应的投影角度组合，沿所述投影角度组合计算所述重构图像对应的预测数据组。
[0102]
步骤b3、将所述重构图像序列中的所有重构图像对应的预测数据组的并集作为预
测数据。
[0103]
在一个实施例中，投影角度为ct成像系统的射线源输出射线时机架的旋转角度范围的中间值，比如，射线源在125度-126度出束，则125-126度即为一个投影角度。
[0104]
其中，第二设定信号模型为现有投影模型，比如前向投影模型。
[0105]
本实施例通过第二设定信号模型与各重构图像对应的投影角度组合，确定各重构图像对应的预测数据组，从而确定了重构图像序列对应的预测数据。保证了在初始图像为ct图像的情况下，重构图像序列对应的预测数据确定的准确性。
[0106]
s450、返回基于目标运动模型生成至少一组预测形变数据的步骤，直至误差符合设定误差条件。
[0107]
本实施例采用图像类型对应的预测数据确定策略确定重构图像序列对应的预测数据，提高了预测数据确定的灵活性与准确性。
[0108]
图5是本发明实施例提供的目标运动模型的网络参数调整方法的流程图，该实施例在前述实施例的基础上对网络参数调整方法做了进一步的细化。该方法包括：
[0109]
s5301、根据误差确定重构图像序列中各重构图像对应的第一误差。
[0110]
由于预测数据是基于重构图像序列确定的，因此在预测数据相较于测量数据存在误差的情况下，重构图像序列中的各重构图像也存在相应误差，本实施例将该相应误差作为第一误差。
[0111]
s5302、根据各重构图像对应的第一误差，确定与各重构图像对应的各预测形变数据对应的第二误差。
[0112]
由于重构图像是基于初始图像与对应预测形变数据确定的，因此在初始图像为准确数据的前提下，如果重构图像存在第一误差，那么与其对应的预测形变数据也存在相应误差。本实施例将预测形变数据存在的误差作为第二误差。
[0113]
s5303、根据各预测形变数据对应的第二误差反向调整目标运动模型的网络参数。
[0114]
根据各预测形变数据对应的第二误差反向调整目标运动模型的网络参数，以使网络参数调整后的目标运动模型可以输出至少一组新的预测形变数据。
[0115]
本实施例将重构图像序列对应的预测数据与初始图像对应的测量数据之间的误差层层传递给目标运动模型，以使目标运动模型根据该误差调整其网络参数，由于测量数据为真实数据，描述运动器官在每个方位角或投影角度采集数据时间范围内的真实运动情况，因此该网络误差调整方法具有较高的准确度，也使目标运动模型具有较高的可泛化性。
[0116]
图6是本发明又一实施例提供的医学图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的医学图像处理方法，该装置可选为软件或硬件实现。该装置包括：
[0117]
形变数据预测模块61，用于基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；
[0118]
初始图像确定模块62，用于确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；
[0119]
图像处理模块63，用于基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；
[0120]
模型网络参数调整模块64，用于确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络
参数；
[0121]
迭代模块65，用于返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。
[0122]
在一个实施例中，形变数据预测模块61用于：
[0123]
确定模型输入数据，所述模型输入数据为随机形变数据或者坐标集合，所述坐标集合包括所述至少一个目标时刻以及与各所述目标时刻对应的投影角度或方位角对应的测量数据的坐标，或者包括所述至少一个目标时刻以及各所述目标时刻对应的重构图像的像素坐标；
[0124]
将所述模型输入数据输入目标运动模型，以使所述目标运动模型生成至少一组预测形变数据。
[0125]
在一个实施例中，形变数据预测模块61用于：
[0126]
在向所述目标运动模型输入随机形变数据的同时，还向所述目标运动模型输入预测形变数据的个数。
[0127]
在一个实施例中，所述预测形变数据为运动向量场。
[0128]
在一个实施例中，所述初始医学图像为包括运动器官的医学图像。
[0129]
在一个实施例中，图像处理模块62用于：
[0130]
根据所述预测形变数据的组别数，采用设定数据划分策略对所述测量数据进行划分，以得到与各组预测形变数据对应的测量数据组，其中，各所述测量数据组对应一个投影角组合或方位角组合，不同测量数据组对应的数据采集时段无重合部分；
[0131]
基于所述至少一组预测形变数据、所述至少一组预测形变数据分别与相应测量数据组的对应关系，对测量数据进行运动补偿的图像重建以得到初始图像。
[0132]
在一个实施例中，模型网络参数调整模块64用于：
[0133]
在所述重构图像为mri图像的情况下，根据与所述重构图像对应的预测形变数据对应的方位角组合，确定各所述重构图像对应的方位角组合；
[0134]
根据第一设定信号模型与各重构图像对应的方位角组合，计算各所述重构图像对应的至少一个径向线数据组；
[0135]
将所述重构图像序列中的所有重构图像对应的径向线数据组的并集作为所述重构图像序列对应的预测数据组。
[0136]
在一个实施例中，模型网络参数调整模块64用于：
[0137]
在所述重构图像为ct图像的情况下，根据与所述重构图像对应的预测形变数据对应的投影角度组合，确定各所述重构图像对应的投影角度组合；
[0138]
根据第二设定信号模型与各重构图像对应的投影角度组合，沿所述投影角度组合计算所述重构图像对应的预测数据组；
[0139]
将所述重构图像序列中的所有重构图像对应的预测数据组的并集作为预测数据。
[0140]
相较于现有技术，本实施例提供的医学图像处理装置的技术方案，由于用于重建初始图像的测量数据是医学成像系统采集的扫描数据，目标时刻位于测量数据的采集时间内，因此基于前述误差之和调整目标运动模型的网络参数，使其输出的预测形变数据与目标对象的目标运动器官在目标时刻的时相一致，实际上是以测量数据为依据来调整目标运动模型的网络参数，实现了根据具体情况调整目标运动模型的网络参数的目的，提高了目
标运动模型的网络参数设置的灵活性、准确性和可泛化性，可以保证其在接收到不同类型的输入图像时，均会输出较高图像质量的重构图像。
[0141]
本发明实施例所提供的医学图像处理装置可执行本发明任意实施例所提供的医学图像处理方法，具备执行方法相应的功能模块和有益效果。
[0142]
图7是本发明又一实施例提供的c臂ct成像系统的结构示意图。该系统包括机架1211、探测器1212、床板1214、x线光管1215、c臂驱动轴1216、转轴1217以及基座1219。x线光管1215和探测器1212装备在c型机架1211的两端，两者中心连接线与其旋转中轴线1218垂直。c型机架1211绕旋转中轴线1218旋转，从而在不同的投影角度拍摄床板上的患者1213的影像数据。x线光管1215由x线发生器123控制其电流、电压和曝光时间等，探测器1212采集到的投影数据由通信系统126传输给计算机设备，机架1211与c臂驱动轴1216相连，其动力由转轴1217提供。基座1219负责承重。c臂控制单元121控制机架1211的旋转速度、角度、位置等。主轴控制单元122连接基座1219，并为整个c臂系统提供电力支持。x线发生器123控制x线光管1215的电流、电压和曝光时间。数据采集系统124协调机架1211、探测器1212和x线发生器1215，并收集采集到的数据。床板控制系统125控制床板1214的位置和运动速度，以实现对患者1213的不同扫描轨道。通信系统126连接c臂控制单元121、主轴控制单元122、x线发生器124、数据采集系统124和床板控制系统125，并将采集到的投影数据传输给计算机设备2的存储器。
[0143]
图8a和图8b示出了又一ct成像系统的结构示意图。该ct成像系统为诊断ct，相较于c臂ct，其机架1211为环形，探测器1212和x线光管1215均设置于机架上，且相对分布，床板1214在床板控制器125的控制下进出机架孔径，机架带动探测器1212和x线光管1215绕床板1214运动。
[0144]
图9为本发明又一实施例提供的计算机设备的结构示意图，如图9所示，该计算机设备2包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图9中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图9中以通过总线连接为例。
[0145]
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的医学图像处理方法对应的程序指令/模块(例如，形变数据预测模块61、初始图像确定模块62、形变处理模块63、模型网络参数调整模块65与迭代模块65)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的医学图像处理方法。
[0146]
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0147]
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。该输入装置可配置在操作工作站，操作师通过该操作工作站控制ct成像系统的运行。
[0148]
输出装置204可包括显示屏等显示设备，例如，操作工作站的显示屏。
[0149]
本发明又一实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种医学图像处理方法，该方法包括：
[0150]
基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；
[0151]
确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；
[0152]
基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；
[0153]
确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络参数；
[0154]
返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。
[0155]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的医学图像处理方法中的相关操作。
[0156]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的医学图像处理方法。
[0157]
值得注意的是，上述医学图像处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0158]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：
1.一种医学图像处理方法，其特征在于，包括：基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络参数；返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。2.根据权利要求1所述的方法，其特征在于，所述基于目标运动模型生成至少一组预测形变数据，包括：确定模型输入数据，所述模型输入数据为随机形变数据或者坐标集合，所述坐标集合包括所述至少一个目标时刻以及与各所述目标时刻对应的投影角度或方位角对应的测量数据的坐标，或者包括所述至少一个目标时刻以及各所述目标时刻对应的重构图像的像素坐标；将所述模型输入数据输入目标运动模型，以使所述目标运动模型生成至少一组预测形变数据。3.根据权利要求2所述的方法，其特征在于，在向所述目标运动模型输入随机形变数据的同时，还向所述目标运动模型输入预测形变数据的个数。4.根据权利要求1所述的方法，其特征在于，所述预测形变数据为运动向量场。5.根据权利要求1所述的方法，其特征在于，所述初始图像为包括运动器官的医学图像。6.根据权利要求1所述的方法，其特征在于，所述确定测量数据对应的初始图像，包括：根据所述预测形变数据的组别数，采用设定数据划分策略对所述测量数据进行划分，以得到与各组预测形变数据对应的测量数据组，其中，各所述测量数据组对应一个投影角组合或方位角组合，不同测量数据组对应的数据采集时段无重合部分；基于所述至少一组预测形变数据、所述至少一组预测形变数据分别与相应测量数据组的对应关系，对测量数据进行运动补偿的图像重建以得到初始图像。7.根据权利要求6所述的方法，其特征在于，所述确定所述重构图像序列对应的预测数据，包括：在所述重构图像为mri图像的情况下，根据与所述重构图像对应的预测形变数据对应的方位角组合，确定各所述重构图像对应的方位角组合；根据第一设定信号模型与各重构图像对应的方位角组合，计算各所述重构图像对应的至少一个径向线数据组；将所述重构图像序列中的所有重构图像对应的径向线数据组的并集作为所述重构图像序列对应的预测数据组。8.根据权利要求6所述的方法，其特征在于，所述确定所述重构图像序列对应的预测数据，包括：
在所述重构图像为ct图像的情况下，根据与所述重构图像对应的预测形变数据对应的投影角度组合，确定各所述重构图像对应的投影角度组合；根据第二设定信号模型与各重构图像对应的投影角度组合，沿所述投影角度组合计算所述重构图像对应的预测数据组；将所述重构图像序列中的所有重构图像对应的预测数据组的并集作为预测数据。9.一种医学图像处理装置，其特征在于，包括：形变数据预测模块，用于基于目标运动模型生成至少一组预测形变数据，所述至少一组预测形变数据分别对应一个目标时刻；初始图像确定模块，用于确定测量数据对应的初始图像，所述目标时刻在所述测量数据的采集时间内；形变处理模块，用于基于所述至少一组预测形变数据分别对所述初始图像进行形变处理以得到至少一幅重构图像，将所述至少一幅重构图像作为重构图像序列；模型网络参数调整模块，用于确定所述重构图像序列对应的预测数据，以及所述预测数据与所述测量数据之间的误差，根据所述误差反向调整所述目标运动模型的网络参数；迭代模块，用于返回所述基于目标运动模型生成至少一组预测形变数据的步骤，直至所述误差符合设定误差条件。10.一种计算机设备，其特征在于，所述计算机设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的医学图像处理方法。11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的医学图像处理方法。

技术总结
本发明实施例公开了一种医学图像处理方法、装置、计算机设备及存储介质，该方法包括：基于目标运动模型生成至少一组预测形变数据，该至少一组预测形变数据分别对应一个目标时刻；确定测量数据对应的初始图像，目标时刻在测量数据的采集时间内；基于该至少一组预测形变数据分别对初始图像进行形变处理以得到至少一幅重构图像，将该至少一幅重构图像作为重构图像序列；确定重构图像序列对应的预测数据，以及预测数据与测量数据之间的误差，根据误差反向调整目标运动模型的网络参数；返回基于目标运动模型生成至少一组预测形变数据的步骤，直至误差符合设定误差条件。达到了提高动态医学图像时间分辨率的技术效果。动态医学图像时间分辨率的技术效果。动态医学图像时间分辨率的技术效果。


技术研发人员：李印生 梁栋 郑海荣
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：2023.05.26
技术公布日：2023/8/13