主动脉CTA图像智能重建方法、装置、设备及存储介质

主动脉cta图像智能重建方法、装置、设备及存储介质
技术领域
1.本公开涉及图像处理技术领域，尤其涉及一种主动脉cta图像智能重建方法、装置、设备及存储介质。


背景技术：

2.主动脉计算机断层摄影血管造影(computed tomography angiography,cta)作为一种主要的主动脉成像方式，需要向患者的血管中注射碘对比剂，在临床诊断主动脉疾病的首选无创性检查方法。但是当前常规碘对比剂剂量主动脉cta成像使用的碘对比剂剂量较高，存在损害患者健康的风险。使用超低剂量的碘对比剂进行主动脉cta成像可大大降低患者的碘对比剂损伤程度，拓宽cta检查的人群适应症，但超低碘对比剂剂量主动脉cta图像强度较低，难以直接用于主动脉疾病的临床诊断。因此，如何对超低碘对比剂剂量主动脉cta图像进行重建，以提高图像视觉显示强度是需要解决的技术问题。


技术实现要素：

3.为了解决上述技术问题，本公开提供了一种主动脉cta图像智能重建方法、装置、设备及存储介质。
4.本公开实施例的第一方面提供了一种主动脉cta图像智能重建方法，该方法包括：
5.获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉cta图像；
6.将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。
7.本公开实施例的第二方面提供了一种主动脉cta图像智能重建装置，该装置包括：
8.获取模块，用于获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的cta图像；
9.重建模块，用于将所述目标图像输入至预训练的图像重建模型，得到所述目标图像的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。
10.本公开实施例的第三方面提供了一种计算机设备，包括存储器和处理器，以及计算机程序，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，实现如上述第一方面的主动脉cta图像智能重建方法。
11.本公开实施例的第四方面提供了一种计算机可读存储介质，存储介质中存储有计算机程序，当计算机程序被处理器执行时，实现如上述第一方面的主动脉cta图像智能重建方法。
12.本公开实施例提供的技术方案与现有技术相比具有如下优点：
13.在本公开实施例提供的主动脉cta图像智能重建方法、装置、设备及存储介质中，通过获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的cta图像，将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量，能够在对基于超低剂量的碘对比剂采集的主动脉cta图像进行重建时，增强图像视觉显示强度，从而在增强后的目标重建图像中展示更清晰的主动脉的解剖信息，辅助医生进行主动脉病变的诊断，大大减少碘对比剂人群损伤。
附图说明
14.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
15.为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
16.图1是本公开实施例提供的一种主动脉cta图像智能重建方法的流程图；
17.图2是本公开实施例提供的一种构建图像重建模型的方法的流程图；
18.图3是本公开实施例提供的另一种构建图像重建模型的方法的流程图；
19.图4是本公开实施例提供的一种主动脉cta图像智能重建装置的结构示意图；
20.图5是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
21.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
22.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
23.应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
24.图1是本公开实施例提供的一种主动脉cta图像智能重建方法的流程图，该方法可以由一种主动脉cta图像智能重建装置执行。如图1所示，本实施例提供的主动脉cta图像智能重建方法包括如下步骤：
25.s101、获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉cta图像。
26.本公开实施例中的目标图像为向患者注入第一剂量的碘对比剂后，采集的主动脉
的计算机断层摄影血管造影(computed tomography angiography,cta)图像，该图像是通过计算机断层摄影血管造影技术进行血管造影检查，得到增强扫描的断层影像，其基本原理是利用计算机断层摄影(computed tomography，ct)技术，引入造影剂使血液对x射线的通透性降低，使血管在ct片上显示为高密度影，从而将血管与其它组织区分开来，其中，目标图像可以为利用ct技术得到的多张扫描切片图像。
27.本公开实施例中的第一剂量可以是相比于传统的低剂量碘对比剂的用量更少的超低剂量(比如传统的低剂量碘对比剂用量的15％～25％)。
28.本公开实施例中主动脉cta图像智能重建装置可以获取向患者注入第一剂量的碘对比剂后，采集的主动脉的cta图像，并将其确定为目标图像。
29.s102、将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。
30.本公开实施例中的生成对抗网络(generative adversarial network,gan)可以理解为通过两个神经网络相互博弈的方式进行学习的生成网络，生成对抗网络能够在不使用标注数据的情况下进行生成任务的学习。
31.本公开实施例中的循环一致性损失可以理解为用于保持输入和输出之间的高度一致性，以使生成模型的学习更具有目标性而引入的损失函数。
32.本公开实施例中的图像重建模型可以理解为基于循环一致性损失对预设的生成对抗网络进行训练得到的图像生成模型。
33.本公开实施例中的图像强度可以理解为与从图像中提取特征信息的难易程度相关的参数，图像强度越大，越容易从图像中提取到特征信息。示例的，图像强度可以包括图像的对比度、分辨率、信噪比、清晰度等。
34.本公开实施例中的第二剂量可以是传统的低剂量碘对比剂的用量，第一剂量小于第二剂量。在采集cta图像时，使用的碘对比剂用量越多，图像强度越高，同时对患者造成的身体伤害也越大。
35.本公开实施例中，主动脉cta图像智能重建装置可以在获得目标图像后，将目标图像输入至预训练的图像重建模型，得到输出的目标图像对应的增强图像强度后的目标重建图像。
36.本公开实施例获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的cta图像，将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量，能够在对基于超低剂量的碘对比剂采集的主动脉cta图像进行重建时，增强图像视觉显示强度，从而在增强后的目标重建图像中展示更清晰的主动脉的解剖信息，辅助医生进行主动脉病变的诊断，大大减少碘对比剂人群损伤。
37.图2是本公开实施例提供的一种构建图像重建模型的方法的流程图，如图2所示，
在上述实施例的基础上，可以通过如下方法构建图像重建模型。其中，所述生成对抗网络包括正向生成对抗网络和反向生成对抗网络，所述正向生成对抗网络用于提高图像的强度，所述反向生成对抗网络用于降低图像的强度。
38.s201、将预先获取的第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入所述正向生成对抗网络，生成所述第一训练图像对应的第一图像，其中，所述第一训练图像集中的训练图像为基于所述第一剂量的碘对比剂采集的主动脉cta训练图像，所述第二训练图像集中的训练图像为基于所述第二剂量的碘对比剂采集的主动脉cta训练图像，所述第一训练图像集中的训练图像的图像强度小于所述第二训练图像集中的训练图像的图像强度。
39.本公开实施例中的正向生成对抗网络可以理解为生成图像强度更高的重建图像的生成对抗网络，反向生成对抗网络可以理解为生成图像强度更低的重建图像的生成对抗网络。
40.本公开实施例中的训练图像集可以理解为用于对图像重建模型进行训练的训练数据集，训练数据集中包括多张主动脉cta图像，其中，第一训练图像集中包含的训练图像的图像强度较低，图像采集时使用的碘对比剂的剂量相对较低，为第一剂量，第二训练图像集中包含的训练图像的图像强度较高，图像采集时使用的碘对比剂的剂量相对较高，为第二剂量，第一训练图像集和第二训练图像集中的训练图像可以为非配对的训练图像，示例的，第二剂量可以为目前在临床上使用的低剂量碘对比剂的剂量，比如60ml，第一剂量可以为第二剂量的25％，即15ml，在此不作限定。
41.本公开实施例中的第一图像可以理解为图像内容与第一训练图像接近，图像强度与第二训练图像的接近的图像。
42.本公开实施例中，主动脉cta图像智能重建装置可以预先获取第一训练图像集和第二训练图像集，并将第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入正向生成对抗网络，得到正向生成对抗网络基于第一训练图像生成的图像强度与第二训练图像近似的第一图像。
43.s202、将所述第一图像与所述第一训练图像输入所述反向生成对抗网络，生成第二图像。
44.本公开实施例中的第二图像可以理解为图像内容与第一图像接近，图像强度与第一训练图像接近的图像。
45.本公开实施例中，主动脉cta图像智能重建装置可以在基于正向生成对抗网络得到第一训练图像对应的第一图像后，将第一图像和第一训练图像输入反向生成对抗网络中，得到反向生成对抗网络基于第一图像生成的图像强度与第一训练图像近似的第二图像。
46.s203、基于所述第一训练图像和所述第二图像，得到第一循环一致性损失。
47.本公开实施例中，主动脉cta图像智能重建装置可以在获得第二图像后，将第一训练图像与第二图像进行对比，计算二者的差值，基于差值得到第一循环一致性损失。具体地，第一循环一致性损失的计算方法可以表示如下：
48.49.其中，l
rec-x
代表第一循环一致性损失，x～p
data()
代表第一训练图像集中的数据分布，g
x
→y代表正向生成对抗网络，gy→
x
代表反向生成对抗网络，x代表第一训练图像。
50.在本公开实施例中，由于第二图像为第一训练图像经过正向生成对抗网络和反向生成对抗网络后得到的图像，在图像内容和图像强度两方面都与原始的第一训练图像近似，因此可以比较第一训练图像和第二图像之间的差异得到第一循环一致性损失。
51.s204、基于所述第一循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练。
52.本公开实施例中，主动脉cta图像智能重建装置可以在获得第一循环一致性损失后，根据第一循环一致性损失，对正向生成对抗网络和反向生成对抗网络进行对抗训练，以使第一循环一致性损失收敛，得到训练后的正向生成对抗网络和反向生成对抗网络。
53.s205、根据训练后的正向生成对抗网络，构建所述图像重建模型。
54.本公开实施例中，主动脉cta图像智能重建装置可以根据训练后的正向生成对抗网络，构建图像重建模型。
55.本公开实施例通过将预先获取的第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入所述正向生成对抗网络，生成所述第一训练图像对应的第一图像，其中，所述第一训练图像集中的训练图像为基于所述第一剂量的碘对比剂采集的主动脉cta训练图像，所述第二训练图像集中的训练图像为基于所述第二剂量的碘对比剂采集的主动脉cta训练图像，所述第一训练图像集中的训练图像的图像强度小于所述第二训练图像集中的训练图像的图像强度；将所述第一图像与所述第一训练图像输入所述反向生成对抗网络，生成第二图像；基于所述第一训练图像和所述第二图像，得到第一循环一致性损失；基于所述第一循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练；根据训练后的正向生成对抗网络，构建所述图像重建模型，其中，所述生成对抗网络包括正向生成对抗网络和反向生成对抗网络，所述正向生成对抗网络用于提高图像的强度，所述反向生成对抗网络用于降低图像的强度，能够通过循环一致性损失对正向生成对抗网络进行约束，以使正向生成对抗网络能够更好的保留输入图像的内容，只增强输入图像的图像强度，更好的辅助医生进行主动脉病变的诊断。
56.在本公开一些实施例中，主动脉cta图像智能重建方法还包括：
57.将所述第一训练图像集中的第三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像；
58.将所述第三图像与所述第四训练图像输入所述正向生成对抗网络，生成第四图像；
59.基于所述第四训练图像和所述第四图像，得到第二循环一致性损失；
60.s205进一步包括：
61.基于所述第一循环一致性损失和所述第二循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练。
62.本公开实施例中的第三训练图像与第一训练图像，以及第四训练图像与第二训练图像可以是相同的图像，也可以是不同的图像，在此不作限定。
63.本公开实施例中的第三图像可以理解为图像内容与第四训练图像接近，图像强度与第三训练图像接近的图像，第四图像可以理解为图像内容与第三图像接近，图像强度与
第四训练图像接近的图像。
64.本公开实施例中，主动脉cta图像智能重建装置可以将第一训练图像集中的第三训练图像与第二训练图像集中的第四训练图像输入反向生成对抗网络，得到反向生成对抗网络基于第四训练图像生成的图像强度与第三训练图像近似的第三图像，再将第三图像和第四训练图像输入正向生成对抗网络中，得到正向生成对抗网络基于第三图像生成的图像强度与第四训练图像近似的第四图像，进而将第四训练图像与第四图像进行对比，计算二者的差值，基于差值得到第二循环一致性损失。具体地，第二循环一致性损失的计算方法可以表示如下：
[0065][0066]
其中，l
rec-y
代表第二循环一致性损失，y～p
data()
代表第二训练图像集中的数据分布，y代表第四训练图像。
[0067]
在本公开实施例中，由于第四图像为第四训练图像经过反向生成对抗网络和正向生成对抗网络后得到的图像，在图像内容和图像强度两方面都与原始的第四训练图像近似，因此可以比较第四训练图像和第四图像之间的差异得到第二循环一致性损失。
[0068]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一循环一致性损失和第二循环一致性损失后，根据第一循环一致性损失和第二循环一致性损失，对正向生成对抗网络和反向生成对抗网络进行对抗训练，以使第一循环一致性损失和第二循环一致性损失收敛，得到训练后的正向生成对抗网络和反向生成对抗网络。
[0069]
示例的，主动脉cta图像智能重建装置可以计算第一循环一致性损失和第二循环一致性损失之和作为生成对抗网络的循环一致性损失，根据循环一致性损失对生成对抗网络进行对抗训练，以使循环一致性损失收敛，得到训练后的生成对抗网络。
[0070]
本公开实施例通过将所述第一训练图像集中的第三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像；将所述第三图像与所述第四训练图像输入所述正向生成对抗网络，生成第四图像；基于所述第四训练图像和所述第四图像，得到第二循环一致性损失；基于所述第一循环一致性损失和所述第二循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练，能够基于双边学习机制得到的两种循环一致性损失，并基于这两种循环一致性损失训练得到能够更好的保留图像的语义特征的生成对抗网络，只改变图像强度，更好的辅助医生进行主动脉病变的诊断。
[0071]
在本公开另一些实施例中，所述正向生成对抗网络和所述反向生成对抗网络分别包括一组生成器和鉴别器，所述生成器使用残差神经网络；
[0072]
s201进一步包括：
[0073]
将所述第一训练图像输入所述正向生成对抗网络中的正向生成器，得到所述第一训练图像对应的第一图像；
[0074]
将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果；
[0075]
所述将所述第一训练图像集中的第三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像，包括：
[0076]
将所述第四训练图像输入所述反向生成对抗网络中的反向生成器，得到所述第四训练图像对应的第三图像；
[0077]
将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，其中，所述第一图像域为所述第一训练图像集中的训练图像所在的图像域，所述第二图像域为所述第二训练图像集中的训练图像所在的图像域。
[0078]
本公开实施例中的生成器可以理解为用于生成图像的神经网络，生成器试图生成高保真度的主动脉图像的假样本，以欺骗鉴别器，而鉴别器可以理解为用于对接收的图像进行鉴别，判断接收的图像是假样本还是真实图像的神经网络。具体地，在正向生成对抗网络中，正向生成器用于基于图像强度较低的训练图像，比如第一训练图像集中的训练图像，生成重建图像，正向鉴别器用于鉴别该图像是否为图像强度较高的第二图像域中的图像，在反向生成对抗网络中，反向生成器用于基于图像强度较高的训练图像，比如第二训练图像集中的训练图像，生成重建图像，反向鉴别器用于鉴别该图像是否为图像强度较低的第一图像域中的图像。
[0079]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一训练图像和第二训练图像后，将第一训练图像输入正向生成对抗网络中的正向生成器，得到正向生成器输出的第一训练图像对应的第一图像，并将第一图像与第二训练图像输入正向生成对抗网络中的正向鉴别器，以使正向鉴别器将第二训练图像作为真值图像，对第一图像是否属于图像强度较高的第二图像域进行鉴别，得到正向鉴别结果；主动脉cta图像智能重建装置可以在获得第三训练图像和第四训练图像后，将第四训练图像输入反向生成对抗网络中的反向生成器，得到反向生成器输出的第四训练图像对应的第三图像，并将第三图像与第三训练图像输入正向反成对抗网络中的反向鉴别器，以使反向鉴别器将第三训练图像作为真值图像，对第三图像是否属于图像强度较低的第一图像域进行鉴别，得到反向鉴别结果。
[0080]
本公开实施例通过将所述第一训练图像输入所述正向生成对抗网络中的正向生成器，得到所述第一训练图像对应的第一图像；将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果；将所述第四训练图像输入所述反向生成对抗网络中的反向生成器，得到所述第四训练图像对应的第三图像；将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，其中，所述第一图像域为所述第一训练图像集中的训练图像所在的图像域，所述第二图像域为所述第二训练图像集中的训练图像所在的图像域，所述正向生成对抗网络和所述反向生成对抗网络分别包括一组生成器和鉴别器，所述生成器使用残差神经网络，能够基于生成对抗网络中的生成器和鉴别器，生成图像强度符合需求的重建图像，从而辅助医生进行主动脉病变的诊断。
[0081]
图3是本公开实施例提供的另一种构建图像重建模型的方法的流程图，如图3所示，在上述实施例的基础上，可以通过如下方法构建图像重建模型。
[0082]
s301、基于所述正向鉴别结果计算得到正向对抗性损失。
[0083]
本公开实施例中，主动脉cta图像智能重建装置可以在得到正向鉴别器的正向鉴别结果后，基于该正向鉴别结果计算正向对抗性损失，具体的，可以计算正向生成器的对抗
性损失和正向鉴别器的对抗性损失，进而基于该正向生成器的对抗性损失和正向鉴别器的对抗性损失计算得到整体的正向对抗性损失。
[0084]
s302、基于所述反向鉴别结果计算得到反向对抗性损失。
[0085]
本公开实施例中，主动脉cta图像智能重建装置可以在得到正向鉴别器的反向鉴别结果后，基于该反向鉴别结果计算反向对抗性损失，具体的，可以计算反向生成器的对抗性损失和反向鉴别器的对抗性损失，进而基于该反向生成器的对抗性损失和反向鉴别器的对抗性损失计算得到整体的反向对抗性损失。
[0086]
s303、基于所述第一循环一致性损失、所述第二循环一致性损失、所述正向对抗性损失和所述反向对抗性损失，对所述正向生成器、所述正向鉴别器、所述反向生成器和所述反向鉴别器的参数迭代进行对抗训练。
[0087]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一循环一致性损失、第二循环一致性损失、正向对抗性损失和反向对抗性损失后，计算生成对抗网络的整体损失，进而根据整体损失，对正向生成器、正向鉴别器、反向生成器和反向鉴别器进行对抗训练，以使整体损失收敛，得到训练后的正向生成对抗网络和反向生成对抗网络。
[0088]
s304、根据训练后的正向生成器，构建所述图像重建模型。
[0089]
本公开实施例中，主动脉cta图像智能重建装置可以在得到训练后的正向生成器之后，根据正向生成器，构建图像重建模型。
[0090]
本公开实施例通过基于所述正向鉴别结果计算得到正向对抗性损失；基于所述反向鉴别结果计算得到反向对抗性损失；基于所述第一循环一致性损失、所述第二循环一致性损失、所述正向对抗性损失和所述反向对抗性损失，对所述正向生成器、所述正向鉴别器、所述反向生成器和所述反向鉴别器的参数迭代进行对抗训练；根据训练后的正向生成器，构建所述图像重建模型，能够基于对抗性损失和循环一致性损失对生成对抗网络进行训练，以使根据正向生成器构建的图像重建模型在增强图像强度的同时，保证原始图像与重建图像之间的语义一致，提升重建图像的准确度，辅助医生对主动脉病变进行准确诊断。
[0091]
在本公开又一些实施例中，所述正向鉴别器包括第一正向鉴别器和第二正向鉴别器，所述反向鉴别器包括第一反向鉴别器和第二反向鉴别器，所述第一正向鉴别器和所述第一反向鉴别器用于基于所述第一图像域与所述第二图像域之间的特征的相关性对图像进行鉴别，所述第二正向鉴别器和所述第二反向鉴别器用于基于第一图像域与第二图像域内部的特征的相关性对图像进行鉴别；
[0092]
所述将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果，包括：
[0093]
将所述第一图像与所述第二训练图像分别输入所述第一正向鉴别器和所述第二正向鉴别器，得到第一正向鉴别结果和第二正向鉴别结果；
[0094]
所述将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，包括：
[0095]
将所述第三图像与所述第三训练图像分别输入所述第一反向鉴别器和所述第二反向鉴别器，得到第一反向鉴别结果和第二反向鉴别结果；
[0096]
s301进一步包括：
[0097]
基于所述第一正向鉴别结果计算得到第一正向对抗性损失；
[0098]
基于所述第二正向鉴别结果计算得到第二正向对抗性损失；
[0099]
基于所述第一正向对抗性损失和所述第二正向对抗性损失，计算得到所述正向对抗性损失；
[0100]
s302进一步包括：
[0101]
基于所述第一反向鉴别结果计算得到第一反向对抗性损失；
[0102]
基于所述第二反向鉴别结果计算得到第二反向对抗性损失；
[0103]
基于所述第一反向对抗性损失和所述第二反向对抗性损失，计算得到所述反向对抗性损失。
[0104]
本公开实施例中的第一正向鉴别和第一反向鉴别器用于在对抗训练过程中从第一图像域和第二图像域中学习特征级别的相互关系，以对齐不同图像域之间特征的分布，并基于第一图像域与第二图像域之间的特征的相关性对接收的图像进行鉴别，第二正向鉴别和第二反向鉴别器用于在对抗训练过程中从分别第一图像域和第二图像域中提取内部相关性，保持域内特征的一致性，并基于第一图像域与第二图像域内部的特征的相关性对接收的图像进行鉴别。
[0105]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一图像与第二训练图像后，将第一图像与第二训练图像分别输入第一正向鉴别器和第二正向鉴别器，得到第一正向鉴别结果和第二正向鉴别结果，进而基于第一正向鉴别结果计算得到第一正向对抗性损失，基于第二正向鉴别结果计算得到第二正向对抗性损失，并在确定第一正向对抗性损失和第二正向对抗性损失后，基于第一正向对抗性损失和第二正向对抗性损失，计算得到正向对抗性损失，其中，第一正向对抗性损失可以由正向生成器的对抗性损失和第一正向鉴别器的对抗性损失综合得到，正向生成器的对抗性损失和第一正向鉴别器的对抗性损失的目标损失函数可以分别表示如下：
[0106][0107][0108]
代表正向生成器的对抗性损失，代表第一正向鉴别器的对抗性损失，d
y1
代表第一正向鉴别器，g
x
→y代表正向生成器。
[0109]
在构建第二正向鉴别器时，可以使用分层格拉姆(gram)矩阵对跨域的内部相关性进行建模，具体可以给定一个带有n个图像的小批次输入，第二正向鉴别器网络中第l层的特征用f
l
∈rn×h×w×c表示，h、w和c分别表示特征的高度、宽度和通道数。因此，内相关可以用gram矩阵m
l
∈rn×n表示：
[0110][0111]
其中m
l
表示特征和特征之间矩阵乘法的结果，i和j表示n个输入图像中的图像
编号。需要注意的是，应该首先进行变形和转置。m
l
可以表征小批量输入中第i个切片和第j个切片特征的相关性。为了生成与目标生成的图像所在的图像域相匹配的图像，可以计算生成图像对应的特征间矩阵乘法的结果与目标图像对应的特征间矩阵乘法的结果之间的偏差，具体地，第二正向对抗性损失l
dic
可以表示如下：
[0112][0113]
示例的，可以使用第二正向鉴别器的最后一层的特征计算第二正向对抗性损失，即以d
y2
的输出作为f
l
。
[0114]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一正向对抗性损失和第二正向对抗性损失后，按照预设比例对二者进行求和，得到正向对抗性损失。
[0115]
本公开实施例中，第一反向对抗性损失、第二反向对抗性损失和反向对抗性损失的具体计算方法与第一正向对抗性损失、第二正向对抗性损失和正向对抗性损失类似，在此不再赘述。
[0116]
本公开实施例中，主动脉cta图像智能重建装置可以在获得第一正向对抗性损失、第二正向对抗性损失、第一反向对抗性损失、第二反向对抗性损失、第一循环一致性损失和第二循环一致性损失后计算生成对抗网络的整体损失，进而根据整体损失，对正向生成器、正向鉴别器、反向生成器和反向鉴别器进行对抗训练，以使整体损失收敛，得到训练后的正向生成对抗网络和反向生成对抗网络，整体损失的具体计算方法可以表示如下：
[0117]
l
malar
(g
x
→y，gy→
x
，d
y1
，d
y2
，d
x1
，d
x2
)
[0118]
＝l
adv
(g
x
→y，d
y1
)+l
adv
(gy→
x
，d
x1
)+λl
dic_y
(g
x
→y，d
y2
)
[0119]
+λl
dic_x
(gy→
x
，d
x2
)+βl
rec_x
+βl
rec_y
[0120]
其中，l
malar
(g
x
→y，gy→
x
，d
y1
，d
y2
，d
x1
，d
x2
)代表整体损失，l
adv
(g
x
→y，d
y1
)代表第一正向对抗性损失，l
adv
(gy→
x
，d
x1
)代表第一反向对抗性损失，l
dic_y
(g
x
→y，d
y2
)代表第二正向对抗性损失，λl
dic_x
(gy→
x
，d
x2
)代表第二反向对抗性损失，l
rec_x
代表第一循环一致性损失，l
rec_y
代表第二循环一致性损失，λ和β是用于平衡损失项的超参数，示例的，λ和β可以分别设置为1和10。
[0121]
本公开实施例通过将所述第一图像与所述第二训练图像分别输入所述第一正向鉴别器和所述第二正向鉴别器，得到第一正向鉴别结果和第二正向鉴别结果；将所述第三图像与所述第三训练图像分别输入所述第一反向鉴别器和所述第二反向鉴别器，得到第一反向鉴别结果和第二反向鉴别结果；基于所述第一正向鉴别结果计算得到第一正向对抗性损失；基于所述第二正向鉴别结果计算得到第二正向对抗性损失；基于所述第一正向对抗性损失和所述第二正向对抗性损失，计算得到所述正向对抗性损失；基于所述第一反向鉴别结果计算得到第一反向对抗性损失；基于所述第二反向鉴别结果计算得到第二反向对抗性损失；基于所述第一反向对抗性损失和所述第二反向对抗性损失，计算得到所述反向对抗性损失，其中，所述正向鉴别器包括第一正向鉴别器和第二正向鉴别器，所述反向鉴别器包括第一反向鉴别器和第二反向鉴别器，所述第一正向鉴别器和所述第一反向鉴别器用于基于所述第一图像域与所述第二图像域之间的特征的相关性对图像进行鉴别，所述第二正
向鉴别器和所述第二反向鉴别器用于基于第一图像域与第二图像域内部的特征的相关性对图像进行鉴别，能够消除不同图像域之间的主动脉强度差异，改善图像域之间特征级别的相互关系，同时保持图像域内部特征的一致性，以使重建图像更加平顺，辅助医生对主动脉病变进行准确诊断。
[0122]
在本公开再一些实施例中，所述生成器使用多尺度残差神经网络融合多头自注意力机制，从所述第一训练图像和所述第四训练图像中提取特征，并生成所述第一图像和所述第三图像。
[0123]
本公开在一些实施例中，正向生成对抗网络和反向生成对抗网络中班喊的正向生成器和反向生成器可以采用多尺度残差神经网络架构，并在生成重建图像时，融合多头自注意力机制，以使生成器能够提取第一训练图像和所述第四训练图像中的细节特征，同时获取第一训练图像和第四训练图像整体的上下文信息，结合细节特征和上下文信息生成第一图像和第三图像。
[0124]
本公开实施例通过构建生成器使用多尺度残差神经网络融合多头自注意力机制的生成器，从所述第一训练图像和所述第四训练图像中提取特征，并生成所述第一图像和所述第三图像，能够更准确的从图像中识别主动脉所在的区域，进而针对主动脉进行图像增强，同时在生成重建图像时排除高强度金属支架和伪影带来的噪声干扰，得到更准确的重建图像，辅助医生对主动脉病变进行准确诊断。
[0125]
图4是本公开实施例提供的一种主动脉cta图像智能重建装置的结构示意图。如图4所示，该主动脉cta图像智能重建装置400包括：获取模块410，重建模块420，其中，获取模块410，用于获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉cta图像；重建模块420，用于将所述目标图像输入至预训练的图像重建模型，得到所述目标图像的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。
[0126]
可选的，所述生成对抗网络包括正向生成对抗网络和反向生成对抗网络，所述正向生成对抗网络用于提高图像的强度，所述反向生成对抗网络用于降低图像的强度，所述主动脉cta图像智能重建装置还包括训练模块，所述训练模块包括：第一生成单元，用于将预先获取的第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入所述正向生成对抗网络，生成所述第一训练图像对应的第一图像，其中，所述第一训练图像集中的训练图像为基于所述第一剂量的碘对比剂采集的主动脉cta训练图像，所述第二训练图像集中的训练图像为基于所述第二剂量的碘对比剂采集的主动脉cta训练图像，所述第一训练图像集中的训练图像的图像强度小于所述第二训练图像集中的训练图像的图像强度；第二生成单元，用于将所述第一图像与所述第一训练图像输入所述反向生成对抗网络，生成第二图像；第一损失确定单元，用于基于所述第一训练图像和所述第二图像，得到第一循环一致性损失；训练单元，用于基于所述第一循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练；构建单元，用于根据训练后的正向生成对抗网络，构建所述图像重建模型。
[0127]
可选的，所述训练模块还包括：第三生成单元，用于将所述第一训练图像集中的第
三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像；第四生成单元，用于将所述第三图像与所述第四训练图像输入所述正向生成对抗网络，生成第四图像；第二损失确定单元，用于基于所述第四训练图像和所述第四图像，得到第二循环一致性损失；所述训练单元，具体用于：基于所述第一循环一致性损失和所述第二循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练。
[0128]
可选的，所述正向生成对抗网络和所述反向生成对抗网络分别包括一组生成器和鉴别器，所述生成器使用残差神经网络；所述第一生成单元，包括：第一生成子单元，用于将所述第一训练图像输入所述正向生成对抗网络中的正向生成器，得到所述第一训练图像对应的第一图像；第一鉴别子单元，用于将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果；所述第三生成单元，包括：第二生成子单元，用于将所述第四训练图像输入所述反向生成对抗网络中的反向生成器，得到所述第四训练图像对应的第三图像；第二鉴别子单元，用于将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，其中，所述第一图像域为所述第一训练图像集中的训练图像所在的图像域，所述第二图像域为所述第二训练图像集中的训练图像所在的图像域。
[0129]
可选的，所述训练模块还包括：第三损失确定单元，用于基于所述正向鉴别结果计算得到正向对抗性损失；第四损失确定单元，用于基于所述反向鉴别结果计算得到反向对抗性损失；所述训练单元，具体用于：基于所述第一循环一致性损失、所述第二循环一致性损失、所述正向对抗性损失和所述反向对抗性损失，对所述正向生成器、所述正向鉴别器、所述反向生成器和所述反向鉴别器的参数迭代进行对抗训练；所述构建单元，具体用于：根据训练后的正向生成器，构建所述图像重建模型。
[0130]
可选的，所述正向鉴别器包括第一正向鉴别器和第二正向鉴别器，所述反向鉴别器包括第一反向鉴别器和第二反向鉴别器，所述第一正向鉴别器和所述第一反向鉴别器用于基于所述第一图像域与所述第二图像域之间的特征的相关性对图像进行鉴别，所述第二正向鉴别器和所述第二反向鉴别器用于基于第一图像域与第二图像域内部的特征的相关性对图像进行鉴别；所述第一鉴别子单元，具体用于：将所述第一图像与所述第二训练图像分别输入所述第一正向鉴别器和所述第二正向鉴别器，得到第一正向鉴别结果和第二正向鉴别结果；所述第二鉴别子单元，具体用于：将所述第三图像与所述第三训练图像分别输入所述第一反向鉴别器和所述第二反向鉴别器，得到第一反向鉴别结果和第二反向鉴别结果；所述第三损失确定单元，包括：第一损失确定子单元，用于基于所述第一正向鉴别结果计算得到第一正向对抗性损失；第二损失确定子单元，用于基于所述第二正向鉴别结果计算得到第二正向对抗性损失；第三损失确定子单元，用于基于所述第一正向对抗性损失和所述第二正向对抗性损失，计算得到所述正向对抗性损失；所述第四损失确定单元，包括：第四损失确定子单元，用于基于所述第一反向鉴别结果计算得到第一反向对抗性损失；第五损失确定子单元，用于基于所述第二反向鉴别结果计算得到第二反向对抗性损失；第六损失确定子单元，用于基于所述第一反向对抗性损失和所述第二反向对抗性损失，计算得到所述反向对抗性损失。
[0131]
可选的，所述生成器使用多尺度残差神经网络融合多头自注意力机制，从所述第一训练图像和所述第四训练图像中提取特征，并生成所述第一图像和所述第三图像。
[0132]
本实施例提供的主动脉cta图像智能重建装置能够执行上述任一实施例所述的方法，其执行方式和有益效果类似，在这里不再赘述。
[0133]
图5是本公开实施例提供的一种计算机设备的结构示意图。
[0134]
如图5所示，该计算机设备可以包括处理器510以及存储有计算机程序指令的存储器520。
[0135]
具体地，上述处理器510可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0136]
存储器520可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器520可以包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个及其以上这些的组合。在合适的情况下，存储器520可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器520可在综合网关设备的内部或外部。在特定实施例中，存储器520是非易失性固态存储器。在特定实施例中，存储器520包括只读存储器(read-only memory，rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmable rom，prom)、可擦除prom(electrical programmable rom，eprom)、电可擦除prom(electrically erasable programmable rom，eeprom)、电可改写rom(electrically alterable rom，earom)或闪存，或者两个或及其以上这些的组合。
[0137]
处理器510通过读取并执行存储器520中存储的计算机程序指令，以执行本公开实施例所提供的主动脉cta图像智能重建方法的步骤。
[0138]
在一个示例中，该计算机设备还可包括收发器530和总线540。其中，如图5所示，处理器510、存储器520和收发器530通过总线540连接并完成相互间的通信。
[0139]
总线540包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industrial standard architecture，isa)总线、无限带宽互连、低引脚数(low pin count，lpc)总线、存储器总线、微信道架构(micro channel architecture，mca)总线、外围控件互连(peripheral component interconnect，pci)总线、pci-express(pci-x)总线、串行高级技术附件(serial advanced technology attachment，sata)总线、视频电子标准协会局部(video electronics standards association local bus，vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线540可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0140]
本公开实施例还提供了一种计算机可读存储介质，该存储介质可以存储有计算机程序，当计算机程序被处理器执行时，使得处理器实现本公开实施例所提供的主动脉cta图像智能重建方法。
[0141]
上述的存储介质可以例如包括计算机程序指令的存储器520，上述指令可由主动
脉cta图像智能重建设备的处理器510执行以完成本公开实施例所提供的主动脉cta图像智能重建方法。可选的，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(random access memory，ram)、光盘只读存储器(compact disc rom，cd-rom)、磁带、软盘和光数据存储设备等。上述计算机程序可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0142]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0143]
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种主动脉cta图像智能重建方法，其特征在于，包括：获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉cta图像；将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。2.根据权利要求1所述的方法，其特征在于，所述生成对抗网络包括正向生成对抗网络和反向生成对抗网络，所述正向生成对抗网络用于提高图像的强度，所述反向生成对抗网络用于降低图像的强度，所述图像重建模型是基于如下步骤训练得到的：将预先获取的第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入所述正向生成对抗网络，生成所述第一训练图像对应的第一图像，其中，所述第一训练图像集中的训练图像为基于所述第一剂量的碘对比剂采集的主动脉cta训练图像，所述第二训练图像集中的训练图像为基于所述第二剂量的碘对比剂采集的主动脉cta训练图像，所述第一训练图像集中的训练图像的图像强度小于所述第二训练图像集中的训练图像的图像强度；将所述第一图像与所述第一训练图像输入所述反向生成对抗网络，生成第二图像；基于所述第一训练图像和所述第二图像，得到第一循环一致性损失；基于所述第一循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练；根据训练后的正向生成对抗网络，构建所述图像重建模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述第一训练图像集中的第三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像；将所述第三图像与所述第四训练图像输入所述正向生成对抗网络，生成第四图像；基于所述第四训练图像和所述第四图像，得到第二循环一致性损失；所述基于所述第一循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练，包括：基于所述第一循环一致性损失和所述第二循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练。4.根据权利要求3所述的方法，其特征在于，所述正向生成对抗网络和所述反向生成对抗网络分别包括一组生成器和鉴别器，所述生成器使用残差神经网络；所述将预先获取的第一训练图像集中的第一训练图像与第二训练图像集中的第二训练图像输入所述正向生成对抗网络，生成所述第一训练图像对应的第一图像，包括：将所述第一训练图像输入所述正向生成对抗网络中的正向生成器，得到所述第一训练图像对应的第一图像；将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果；所述将所述第一训练图像集中的第三训练图像与所述第二训练图像集中的第四训练图像输入所述反向生成对抗网络，生成所述第四训练图像对应的第三图像，包括：
将所述第四训练图像输入所述反向生成对抗网络中的反向生成器，得到所述第四训练图像对应的第三图像；将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，其中，所述第一图像域为所述第一训练图像集中的训练图像所在的图像域，所述第二图像域为所述第二训练图像集中的训练图像所在的图像域。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：基于所述正向鉴别结果计算得到正向对抗性损失；基于所述反向鉴别结果计算得到反向对抗性损失；所述基于所述第一循环一致性损失和所述第二循环一致性损失，对所述正向生成对抗网络和所述反向生成对抗网络的参数迭代进行对抗训练，包括：基于所述第一循环一致性损失、所述第二循环一致性损失、所述正向对抗性损失和所述反向对抗性损失，对所述正向生成器、所述正向鉴别器、所述反向生成器和所述反向鉴别器的参数迭代进行对抗训练；所述根据训练后的正向生成对抗网络，构建所述图像重建模型，包括：根据训练后的正向生成器，构建所述图像重建模型。6.根据权利要求5所述的方法，其特征在于，所述正向鉴别器包括第一正向鉴别器和第二正向鉴别器，所述反向鉴别器包括第一反向鉴别器和第二反向鉴别器，所述第一正向鉴别器和所述第一反向鉴别器用于基于所述第一图像域与所述第二图像域之间的特征的相关性对图像进行鉴别，所述第二正向鉴别器和所述第二反向鉴别器用于基于第一图像域与第二图像域内部的特征的相关性对图像进行鉴别；所述将所述第一图像与所述第二训练图像输入所述正向生成对抗网络中的正向鉴别器，得到所述正向鉴别器对于所述第一图像是否属于第二图像域的正向鉴别结果，包括：将所述第一图像与所述第二训练图像分别输入所述第一正向鉴别器和所述第二正向鉴别器，得到第一正向鉴别结果和第二正向鉴别结果；所述将所述第三图像与所述第三训练图像输入所述反向生成对抗网络中的反向鉴别器，得到所述反向鉴别器对于所述第三图像是否属于第一图像域的反向鉴别结果，包括：将所述第三图像与所述第三训练图像分别输入所述第一反向鉴别器和所述第二反向鉴别器，得到第一反向鉴别结果和第二反向鉴别结果；所述基于所述正向鉴别结果计算得到正向对抗性损失，包括：基于所述第一正向鉴别结果计算得到第一正向对抗性损失；基于所述第二正向鉴别结果计算得到第二正向对抗性损失；基于所述第一正向对抗性损失和所述第二正向对抗性损失，计算得到所述正向对抗性损失；所述基于所述反向鉴别结果计算得到反向对抗性损失，包括：基于所述第一反向鉴别结果计算得到第一反向对抗性损失；基于所述第二反向鉴别结果计算得到第二反向对抗性损失；基于所述第一反向对抗性损失和所述第二反向对抗性损失，计算得到所述反向对抗性损失。
7.根据权利要求4所述的方法，其特征在于，所述生成器使用多尺度残差神经网络融合多头自注意力机制，从所述第一训练图像和所述第四训练图像中提取特征，并生成所述第一图像和所述第三图像。8.一种主动脉cta图像智能重建装置，其特征在于，包括：获取模块，用于获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉cta图像；重建模块，用于将所述目标图像输入至预训练的图像重建模型，得到所述目标图像的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉cta图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。9.一种电子设备，其特征在于，包括：处理器；存储器，用于存储可执行指令；其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现上述权利要求1-7中任一项所述的方法。

技术总结
本公开涉及一种主动脉CTA图像智能重建方法、装置、设备及存储介质，该方法包括：获取目标图像，所述目标图像为基于第一剂量的碘对比剂采集的主动脉CTA图像；将所述目标图像输入至预训练的图像重建模型，得到所述目标图像对应的目标重建图像，其中，所述图像重建模型为基于循环一致性损失对预设的生成对抗网络进行训练得到的，所述目标重建图像的图像强度与基于第二剂量的碘对比剂采集的主动脉CTA图像的图像强度相同，且大于所述目标图像的图像强度，所述第一剂量小于所述第二剂量。本公开通过重建目标图像，能够增强图像视觉显示强度，展示更清晰的主动脉解剖信息，辅助进行病变诊断，减少造影剂损伤。减少造影剂损伤。减少造影剂损伤。


技术研发人员：徐磊 周振 高一峰 张宏凯 李爽 雷昊 张卫卫 张贺晔
受保护的技术使用者：首都医科大学附属北京安贞医院
技术研发日：2023.06.01
技术公布日：2023/8/28