[发明专利]图像重建方法、装置、存储介质及电子设备

说明书

本申请提供一种图像重建方法、装置、存储介质及电子设备，涉及图像处理技术领域。该方法包括：在编码器模块输出的第一特征图序列中添加M个掩码向量矩阵，其中，第一特征图序列为第一影像序列的特征图序列，M为正整数；利用解码器模块中的自注意力机制，基于第一特征图序列，确定M个掩码向量矩阵各自对应的M个学习向量矩阵；基于第一特征图序列和M个学习向量矩阵，生成第二影像序列。本申请基于非对称的编码器‑解码器结构和自注意力机制，可以对第一特征图序列中不同区域进行自适应的特征提取、可以更准确地对不同组织结构的第一影像序列进行重建、可根据医生诊断需要生成所需层厚的第二影像序列。

技术领域

本申请涉及图像处理技术领域，具体涉及一种图像重建方法、装置、存储介质及电子设备。

背景技术

电子计算机断层扫描(Computed Tomography，CT)图像的层厚一般在10mm以下，其中，薄层CT图像的层厚一般在5mm以下，厚层CT图像的层厚一般在5-10mm。CT图像的层厚越小，它就具有更小的层间距和更高的空间分辨率，因此，薄层CT图像具有更小的层间距和更高的空间分辨率，可以帮助医生实现更精准的诊断。然而，薄层CT图像相比于厚层CT图像增加了数倍的数据量，这对于数据的传输和存储都造成了很大的挑战。此外，薄层CT图像需要更长的扫描时间，这意味着患者需要接收更长时间的放射扫描，因此，在实际临床中，厚层CT图像仍然是影像学检查的常规选择之一。但是，厚层CT图像的层间和层内分辨率具有显著差异，且厚层CT图像中的每个体素都是各向异性的。

将厚层CT图像重建为薄层CT图像，可以在某种程度上解决上述问题。相关技术中，基于深度学习进行图像重建的方法一般都是基于卷积神经网络结构开发的，但卷积算子在训练后卷积参数被固定，难以适应人体解剖结构的差异性，且卷积算子固有的归纳偏置特征无法有效建模图像中的长距离依赖。

发明内容

为了解决上述技术问题，提出了本申请。本申请实施例提供了一种图像重建方法、装置、存储介质及电子设备。

第一方面，本申请一实施例提供了一种图像重建方法，用于将第一影像序列重建为第二影像序列，其中，第二影像序列的层厚小于第一影像序列的层厚。该方法包括：在编码器模块输出的第一特征图序列中添加M个掩码向量矩阵，其中，第一特征图序列为第一影像序列的特征图序列，M为正整数；利用解码器模块中的自注意力机制，基于第一特征图序列，确定M个掩码向量矩阵各自对应的M个学习向量矩阵；基于第一特征图序列和M个学习向量矩阵，生成第二影像序列。

结合第一方面，在第一方面的某些实现方式中，解码器模块包括跨平面自注意力块单元、第一Transformer计算单元，跨平面自注意力块单元和第一Transformer计算单元包含自注意力机制，第一特征图序列包含分别与空间直角坐标系的三个坐标平面对应的第一平面特征数据、第二平面特征数据和第三平面特征数据。利用解码器模块中的自注意力机制，基于第一特征图序列，确定M个掩码向量矩阵各自对应的M个学习向量矩阵，包括：利用跨平面自注意力块单元，对第一特征图序列中的第一平面特征数据和第二平面特征数据分别进行特征数据增强处理，生成第二特征图序列；利用第一Transformer计算单元，对第二特征图序列中的第三平面特征数据进行特征数据增强处理，生成第三特征图序列；基于第三特征图序列，确定M个掩码向量矩阵各自对应的M个学习向量矩阵。

结合第一方面，在第一方面的某些实现方式中，利用跨平面自注意力块单元，对第一特征图序列中的第一平面特征数据和第二平面特征数据分别进行特征数据增强处理，生成第二特征图序列，包括：利用跨平面自注意力块单元，分别对第一平面特征数据和第二平面特征数据进行特征位置标注，生成第一平面特征标注数据和第二平面特征标注数据；分别对第一平面特征标注数据和第二平面特征标注数据进行特征标注数据的提取和计算，生成第一平面特征提取数据和第二平面特征提取数据；将第一平面特征数据和第一平面特征提取数据相加，得到第一平面特征增强数据；将第二平面特征数据和第二平面特征提取数据相加，得到第二平面特征增强数据；基于第一平面特征增强数据、第二平面特征增强数据和第三平面特征数据，生成第二特征图序列。