【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及一种医学图像处理方法、模型训练方法、设备、介质及产品。
技术介绍
1、超分辨率技术能够从低分辨率的ct图像中生成高分辨率图像，显著提高图像的细节和清晰度。这对于检测和诊断微小病变(如早期癌症、微小血管异常等)尤为重要。而且在外科手术中，高分辨率的ct图像能够提供更精确的解剖结构信息，帮助外科医生进行手术规划，提高手术的成功率和安全性。高分辨率的ct图像对于后处理和分析(如三维重建、图像分割、功能成像等)有更好的支持，从而提高相关工作的精度和效率。
2、通过使用超分辨率技术，可以在降低扫描参数(如减少x射线剂量)的情况下获得高质量的ct图像，从而减少患者接受的辐射剂量，降低潜在的辐射风险。
3、现有技术通常将低分辨率图像输入超分辨率模型中，得到对应的高分辨率图像。由于直接基于低分辨图像推理生成高分辨率图像存在较大的推理难度，因此现有超分辨率模型输出的高分辨率图像的准确性较低。
技术实现思路
1、本专利技术提供了一种医学图像处理方法、模型训练方法、设备、介质及产品，以解决现有技术无法基于低分辨率图像确定出准确的高分辨率图像的问题。
2、根据本专利技术的一方面，提供了一种医学图像处理方法，包括：
3、将目标扫描部位的待处理图像序列划分为至少两个待处理图像组合，所述待处理图像组合包括第一数量的连续图像；
4、从预先存储的所述目标扫描部位的参考图像序列中，选取与各所述待处理图像组合符合设定相似度条
5、对所述待处理图像组合进行上采样得到上采样结果，所述上采样结果的分辨率与所述参考图像序列的分辨率相同；
6、使用预训练的图像生成模型对各上采样结果与对应的参考图像组合进行处理，确定与各所述待处理图像组合对应的目标图像组合，所述目标图像组合的分辨率与所述参考图像序列的分辨率相同；
7、根据所有所述目标图像组合，确定与所述待处理图像序列对应的目标图像序列。
8、根据本专利技术的另一方面，提供了一种用于训练参考图像确定模型的模型训练方法，包括：
9、获取第一样本集合，所述第一样本集合包括设定数量针对目标扫描部位的训练图像序列；
10、从各所述训练图像序列中随机选取出一个初始图像组合，并对所述初始图像组合中的各图像进行下采样得到训练图像组合，所述训练图像组合包括第一数量的连续图像；
11、对所述训练图像序列进行下采样，得到下采样结果，所述下采样结果的分辨率与所述训练图像组合的分辨率相同；
12、将所述下采样结果与各所述训练图像组合输入参考图像确定模型，得到所述参考图像序列中与各所述训练图像组合中的设定图像符合设定相似度条件的参考图像，并根据各所述参考图像与对应设定图像之间的相似度完成所述参考图像确定模型的参数优化，得到预训练的参考图像确定模型。
13、根据本专利技术的另一方面，提供了一种用于训练图像生成模型的模型训练方法，包括：
14、获取第二样本集合，所述第二样本集合包括针对目标扫描部位的参考图像序列与设定数量的训练图像序列；
15、从各所述训练图像序列中随机选取一个训练图像组合，并对所述训练图像组合进行下采样得到目标训练图像组合，所述训练图像组合包括第一数量的连续图像；
16、从所述参考图像序列中，选取与各所述目标训练图像组合符合设定相似度条件的参考图像组合，其中，所述参考图像组合中的连续图像数量大于所述第一数量；
17、对所述目标训练图像组合进行上采样得到上采样结果，所述上采样结果的分辨率与所述参考图像序列的分辨率相同；
18、将各所述上采样结果与对应的参考图像组合输入图像生成模型，得到与各上采样结果对应的目标图像组合，并根据各所述目标图像组合与对应训练图像组合之间的相似度，完成图像生成模型的参数优化，得到预训练的图像生成模型。
19、根据本专利技术的另一方面，提供了一种医学图像处理装置，包括：
20、图像分组模块，用于将目标扫描部位的待处理图像序列划分为至少两个待处理图像组合，所述待处理图像组合包括第一数量的连续图像；
21、参考图像模块，用于从预先存储的所述目标扫描部位的参考图像序列中，选取与各所述待处理图像组合符合设定相似度条件的参考图像组合，其中，所述参考图像组合中的连续图像数量大于所述第一数量；
22、采样模块，用于对所述待处理图像组合进行上采样得到上采样结果，所述上采样结果的分辨率与所述参考图像序列的分辨率相同；
23、预测模块，用于使用预训练的图像生成模型对各上采样结果与对应的参考图像组合进行处理，确定与各所述待处理图像组合对应的目标图像组合，所述目标图像组合的分辨率与所述参考图像序列的分辨率相同；
24、结果模块，用于根据所有所述目标图像组合，确定与所述待处理图像序列对应的目标图像序列。
25、根据本专利技术的另一方面，提供了一种用于训练参考图像确定模型的模型训练装置，包括：
26、第一获取模块，用于获取第一样本集合，所述第一样本集合包括设定数量针对目标扫描部位的训练图像序列；
27、第一选取模块，用于从各所述训练图像序列中随机选取出一个初始图像组合，并对所述初始图像组合中的各图像进行下采样得到训练图像组合，所述训练图像组合包括第一数量的连续图像；
28、下采样模块，用于对所述训练图像序列进行下采样，得到下采样结果，所述下采样结果的分辨率与所述待处理图像组合的分辨率相同；
29、第一训练模块，用于将所述下采样结果与各所述训练图像组合输入参考图像确定模型，得到所述参考图像序列中与各所述训练图像组合中的设定图像符合设定相似度条件的参考图像，并根据各所述参考图像与对应设定图像之间的相似度完成所述参考图像确定模型的参数优化，得到预训练的参考图像确定模型。
30、根据本专利技术的另一方面，提供了一种用于训练图像生成模型的模型训练装置，包括：
31、第二获取模块，用于获取第二样本集合，所述第二样本集合包括针对目标扫描部位的参考图像序列与设定数量的训练图像序列；
32、第二选取模块，用于从各所述训练图像序列中随机选取一个训练图像组合，并对所述训练图像组合进行下采样得到目标训练图像组合，所述训练图像组合包括第一数量的连续图像；
33、第三选取模块，用于从所述参考图像序列中，选取与各所述目标训练图像组合符合设定相似度条件的参考图像组合，其中，所述参考图像组合中的连续图像数量大于所述第一数量；
34、上采样模块，用于对所述目标训练图像组合进行上采样得到上采样结果，所述上采样结果的分辨率与所述参考图像序列的分辨率相同；
35、第二模型训练模块，用于将各所述上采样结果与对应的参考图像组合输入图像生成模型，得到与各上采样结果对应的目标本文档来自技高网...
【技术保护点】
1.一种医学图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述从预先存储的所述目标扫描部位的参考图像序列中，选取与各所述待处理图像组合符合设定相似度条件的参考图像组合，包括：
3.根据权利要求2所述的方法，其特征在于，所述在所述目标参考图像序列中，选取与各所述待处理图像组合的设定图像对应的参考图像，包括：
4.根据权利要求2所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.一种用于训练参考图像确定模型的模型训练方法，其特征在于，包括：
7.一种用于训练图像生成模型的模型训练方法，其特征在于，包括
8.一种电子设备，其特征在于，所述电子设备包括：
9.一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指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的医学图像处理方法，或者权利要求6所述的用于训练参考图像确定模型的模型训练方法，或者权利要求7所述的用于训练图像生成模型的模型训练方法。
...
【技术特征摘要】
1.一种医学图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述从预先存储的所述目标扫描部位的参考图像序列中，选取与各所述待处理图像组合符合设定相似度条件的参考图像组合，包括：
3.根据权利要求2所述的方法，其特征在于，所述在所述目标参考图像序列中，选取与各所述待处理图像组合的设定图像对应的参考图像，包括：
4.根据权利要求2所述的方法，其特征在于，
5.根据权利要求1所述的方法，其特征在于，
6.一种用于训练参考图像确定模型的模型训练方法，其特征在于，包括：
7.一种用于训练图像生成模型的模型训练方法，其特征在于，包括
...【专利技术属性】
技术研发人员：冯朝燕，闵祥德，朱杰，张配配，范婵媛，
申请(专利权)人：华中科技大学同济医学院附属同济医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。