CN113935895B 医学图像的处理方法、装置、存储介质及处理器 （福建自贸试验区厦门片区Manteia数据科技有限公司）

一标配准网络进行联合训练来自适应的拟合第一2将所述第一模态的医学图像通过配准生成对抗网络进行转换，得到生成模型与目标配准网络进行联合训练来自适应的拟合所述第一模态的医学图像中未对其中，在将所述第一模态的医学图像通过配准生成对抗其中，所述方法还包括：通过所述配准生成对抗网络中的计算所述配准后的第二模态的医学样本图像和所述第二模态的医学样本图像的相似将所述转换后的第二模态的医学样本图像和所述第二模态的医学样本图像输入判别基于所述判别结果和所述相似度调整所述生成模型的参数，第一转换单元，用于将所述第一模态的医学图像通过配准生成式对抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合所述第一模3于采用所述第二模态的医学样本图像通过所述目标配准网络对所述转换后的第二模态的4[0002]生成式对抗网络(GenerativeAdversarialNetwork，简称GAN)在图像到图像的[0003]具体而言，生成式对抗网络(GAN)是通过一个训练生成器G和一个鉴别器D进行对[0005]有监督的Pix2Pix和无监督的Cycle-consistency是GAN中两种常用的模式。5生成式对抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合第一模态的后的第二模态的医学样本图像和第二模态的医学样本图像输入判别模型，得到判别结果；第二模态的医学样本图像通过目标配准网络对转换后的第二模态的医学样本图像进行配6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，都应当属于本申请保护的范7[0034]下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的医的生成模型与目标配准网络进行联合训练来自适应的拟合第一模态的医学图像中未对齐采用对目标对象拍摄得到的CT医学影像通过目标配准网络对转换后的CT医学影像进行配[0042]通过上述方案进一步的限定了如何根据配准后的第二模态的医学样本图像调整8换后的第二模态的医学样本图像和第二模态的医学样本图像输入判别模型，得到判别结性模式(Cycle-consistency)，(c)为本申请提供的RegGAN(配准生成对抗网络)。具体地，可能等价于在无噪声的数据集上训练的性能。如果选择利用(a)中的Pix2Pix采[0050]如果存在一个噪声转移φ可以很好的适应于噪声分布，那么生成器G就等价于是9[0052]问题的关键就变为了如何得到φ,可以把正确的图像yn看作一个潜在的随机变[0054]在本申请中可以直接使用log-likelihoodfunction(6)作为目标函数来训练神[0060]通过公式(9)可以得到配准生成对抗网络。在本申请中还可以在数学上证明上述上优于Cycle-consistency。RegGAN可以在不改变原始网络架构的情况下集成到其他方法对抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合第一模态的医学图[0070]本申请实施例提供的医学图像的处理装置，通过第一获取单元301获取第一模态抗网络中的生成模型与目标配准网络进行联合训练来自适应的拟合第一模态的医学图像对转换后的第二模态的医学样本图像进行配准，得到配准后的第二模态的医学样本图像；元302等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元样本图像上，使得转换后的第二模态的医学样本图像与第二模态的医学样本图像进行配现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0096]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程