[發明專利]圖像生成方法、裝置、設備和存儲介質

有效

• 申請號: 201811622772.3
• 申請日: 2018-12-28
• 公開（公告）號: CN109754447B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 葛云皓;廖術;魏冬銘
• 申請（專利權）人: 上海聯影智能醫療科技有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/30
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 朱五云

1.一種圖像生成方法，其特征在于，所述方法包括：

獲取原始圖像；

將訓練圖像輸入至預設的生成網絡模型中，生成所述訓練圖像對應的預測目標圖像；所述生成網絡模型中包括圖像生成參數的初始值；

采用內容判別模型對所述預測目標圖像和實際目標圖像進行分類，得到內容分類準確率；采用形狀判別模型對所述預測目標圖像和所述訓練圖像進行分類，得到形狀分類準確率；

根據所述內容分類準確率和所述形狀分類準確率，確定損失函數的損失值，并根據所述損失值調整所述圖像生成參數的值，得到所述圖像生成參數的實際值；

將所述圖像生成參數的初始值替換為所述圖像生成參數的實際值，得到圖像生成模型；

將所述原始圖像輸入至所述圖像生成模型中，生成目標圖像；所述目標圖像與所述原始圖像的模態不同，且所述原始圖像與所述目標圖像為醫學圖像。

2.根據權利要求1所述的方法，其特征在于，所述將所述原始圖像輸入至預設的圖像生成模型中，生成目標圖像，包括：

將所述原始圖像切分成多張子圖像；

將各個所述子圖像輸入至所述圖像生成模型中，生成每個所述子圖像對應的子目標圖像；

將各個所述子目標圖像進行整合，得到所述原始圖像對應的目標圖像。

3.根據權利要求1所述的方法，其特征在于，所述采用形狀判別模型對所述預測目標圖像和所述訓練圖像進行分類，得到形狀分類準確率，包括：

分別提取所述預測目標圖像的形狀和所述訓練圖像的形狀；

采用所述形狀判別網絡模型對所述預測目標圖像和所述訓練圖像的形狀進行分類，得到形狀分類準確率。

4.根據權利要求1至3中任一項所述的方法，其特征在于，在所述得到所述圖像生成參數的實際值之前，還包括：

對所述訓練圖像和所述實際目標圖像進行剛性配準。

5.一種圖像生成裝置，其特征在于，所述裝置包括：

獲取模塊，用于獲取原始圖像；

訓練模塊，用于將訓練圖像輸入至預設的生成網絡模型中，生成所述訓練圖像對應的預測目標圖像；所述生成網絡模型中包括圖像生成參數的初始值；采用內容判別模型對所述預測目標圖像和實際目標圖像進行分類，得到內容分類準確率；采用形狀判別模型對所述預測目標圖像和所述訓練圖像進行分類，得到形狀分類準確率；根據所述內容分類準確率和所述形狀分類準確率，確定損失函數的損失值，并根據所述損失值調整所述圖像生成參數的值，得到所述圖像生成參數的實際值；將所述圖像生成參數的初始值替換為所述圖像生成參數的實際值，得到圖像生成模型；

生成模塊，用于將所述原始圖像輸入至所述圖像生成模型中，生成目標圖像；所述目標圖像與所述原始圖像的模態不同，且所述原始圖像與所述目標圖像為醫學圖像。

6.根據權利要求5所述的裝置，其特征在于，所述生成模塊包括：切分單元、生成單元和整合單元，

所述切分單元，用于將所述原始圖像切分成多張子圖像；

所述生成單元，用于將各個所述子圖像輸入至所述圖像生成模型中，生成每個所述子圖像對應的子目標圖像；

所述整合單元，用于將各個所述子目標圖像進行整合，得到所述原始圖像對應的目標圖像。

7.根據權利要求5所述的裝置，其特征在于，所述訓練模塊，具體用于分別提取所述預測目標圖像的形狀和所述訓練圖像的形狀；采用所述形狀判別網絡模型對所述預測目標圖像和所述訓練圖像的形狀進行分類，得到形狀分類準確率。

8.根據權利要求5至7任一項所述的裝置，其特征在于，所述訓練模塊包括剛性配準單元，所述剛性配準單元用于對所述訓練圖像和所述實際目標圖像進行剛性配準。

9.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至4中任一項所述方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至4中任一項所述方法的步驟。