医学图像重建技术的方法、装置、存储介质和电子设备与流程

本申请属于图像重建技术领域，尤其涉及一种医学图像重建技术的方法、装置、存储介质和电子设备。

背景技术：

近30年来，以磁共振成像(magneticresonanceimaging，mri)、电子计算机断层扫描(computedtomography，ct)和超声为代表的高端医学影像技术和设备不断发展，功能和性能日趋完善，检查技术和方法亦在不断创新。然而，mri/ct图像的质量并不都是尽如人意的，大量图像存在模糊、部分缺漏等问题，这样的图像往往需要进行图像重建或增强后才能被正常用于诊断。

现有的医学图像重建技术中，大多采用卷积神经网络(convolutionalneuralnetworks，cnn)构建并训练重建深度学习重建模型进行图像重建。然而，使用卷积神经网络的深度学习重建模型的模型训练耗时较长，模型性能较差，进行医学图像重建效率较低。

技术实现要素：

本申请实施例提供了一种医学图像重建技术的方法、装置、存储介质和电子设备，可以解决现有技术中，存在图像重建模型训练耗时较长，模型性能较差，进行医学图像重建效率较低的问题。

第一方面，本申请实施例提供了一种医学图像重建技术的方法，包括：

获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；

生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；

将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；

利用训练完成的所述生成器进行医学图像重建。

在第一方面的一种可能的实现方式中，所述生成器对所述第一图像进行图像重建，得到第三图像的步骤，包括：

提取所述第一图像的线性特征，得到特征节点；

对所述特征节点进行非线性特征增强，得到增强节点；

根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像。

在第一方面的一种可能的实现方式中，所述根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像的步骤，包括：

基于所述特征节点与所述增强节点，构建输入矩阵；

基于所述预训练模型参数，构建预训练参数矩阵；

根据所述输入矩阵和所述预训练参数矩阵，确定所述预训练的生成器的输出矩阵；

基于所述输出矩阵进行图像重建，得到第三图像。

在第一方面的一种可能的实现方式中，所述根据所述判别器的输出结果调整所述生成器的模型参数的步骤，包括：

根据预设的损失函数，计算所述第三图像与所述第二图像的损失值；

根据所述损失值调整所述生成器的模型参数。

在第一方面的一种可能的实现方式中，所述宽度学习网络包括输出层，所述根据所述损失值调整所述生成器的模型参数的步骤，包括：

根据反向传播算法，计算所述损失值在所述输出层的梯度向量；

根据所述梯度向量，调整所述生成器的模型参数。

在第一方面的一种可能的实现方式中，所述宽度学习网络的预训练包括获取预训练模型参数，具体包括：

提取所述第一图像的线性特征，得到第一图像特征节点；

对所述第一图像特征节点进行非线性特征增强，得到第一图像增强节点；

基于所述第一图像特征节点与所述第一图像增强节点，构建模型输入矩阵；

提取所述第二图像的线性特征，得到第二图像特征节点；

根据所述第二图像特征节点，构建模型输出矩阵；

根据所述模型输入矩阵以及所述模型输出矩阵，得到所述宽度学习网络的预训练模型参数。

第二方面，本申请实施例提供了一种医学图像重建技术的装置，包括：

样本数据获取单元，用于获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；

第一训练单元，用于生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；

第二训练单元，用于将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器；

模型应用单元，用于利用训练完成的所述生成器进行医学图像重建。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的医学图像重建技术的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的医学图像重建技术的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行如上述第一方面所述的医学图像重建技术的方法。

本申请实施例中，通过获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像，生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。本申请优化了基于生成对抗网络的图像重建模型，在对图像重建模型进行训练之前对生成器进行了预训练，使得生成器已经拥有了部分的拟合能力，可大幅节省训练的迭代次数，缩短模型的训练时间，再结合判别器的验证进一步调整模型参数，提高图像重建模型的性能，增强图像重建模型应用的及时性，在实际应用中可以满足更多需要，再利用训练完成的生成器进行医学图像重建，可提高医学图像重建的效率。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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。

图1是本申请实施例提供的医学图像重建技术的方法的实现流程图；

图2是本申请实施例提供的医学图像重建技术的方法中的生成器重建图像的具体实现流程图；

图3是本申请实施例提供的医学图像重建技术的方法中宽度学习网络bls预训练过程的具体实现流程图；

图4是本申请实施例提供的医学图像重建技术的方法中生成器的模型参数调整的具体实现流程图；

图5是本申请实施例提供的医学图像重建技术的方法的模型训练场景示意图；

图6是本申请实施例提供的医学图像重建技术的装置的结构框图；

图7是本申请实施例提供的电子设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

本申请实施例提供的一种医学图像重建技术的方法适用于各种类型的终端设备或者服务器，具体可以包括mri成像设备、手机、平板电脑、可穿戴设备、笔记本电脑、车载设备、增强现实(ar)设备，虚拟现实(vr)设备、个人数字助理(personaldigitalassistant，pda)、数字电视等电子设备。

本申请实施例为了能够缩短用于医学图像重建的模型的训练时间，提高模型性能以及医学图像重建的效率，通过优化基于生成对抗网络的图像重建模型，生成器由经过预训练的宽度学习网络构成，使得在训练图像重建模型时，生成器已经拥有了部分的拟合能力，再通过判别器的验证进一步提高图像重建模型的模型参数的准确性，进而在缩短模型训练时间的同时提高图像重建模型的性能。

下面结合具体实施例对本申请提供的医学图像重建技术的方法进行示例性的说明。

图1示出了本申请实施例提供的医学图像重建技术的方法的实现流程，执行端为电子设备，该方法流程可以包括如下步骤s101至s104。

s101：获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像。

上述第一图像是图像重建之前的低分辨率图像，上述第二图像是与上述第一图像对应的高分辨率图像。在本申请实施例中，上述第一图像可以是三基色图像(rgb图像)，也可以是图像传感器获取的原始图像(raw图像)。

在一种可能的实施方式中，将上述样本训练数据集按指定比例划分为第一样本训练数据集和第二样本训练数据集，其中，上述第一样本训练数据集用于训练上述图像重建模型，上述第二样本训练数据集用于验证训练好的图像重建模型。

在一种可能的实施方式中，将上述样本训练数据集按指定比例划分为第一样本训练数据集、第二样本训练数据集以及第三样本训练数据集，其中，上述第一样本训练数据集用于训练上述图像重建模型，上述第二样本训练数据集用于迭代训练过程的验证，上述第三训练样本数据集用于验证迭代训练结束后的图像重建模型。

s102：生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络。

本申请实施例中，图像重建模型中的生成器用于重建图像。

在一种可能的实施方式中，将上述第一图像输入至生成器中进图像重建之前，对上述第一图像进行预处理，得到预处理后的第一图像，将预处理后的第一图像输入至生成器中间图像重建。

在一些实施方式中，上述预处理包括图像归一化处理，将经过图像归一化处理的第一图像输入至生成器中进行图像重建。

在本申请实施例中，用于图像重建的生成器为经过预训练的宽度学习网络(boardlearningsystem，bls)。经过预训练的宽度学习网络使得用于图像重建的生成器在进行训练之前已具备一定的拟合能力，可快速收敛模型参数。

作为本申请一种可能的实施方式，如图2所示，上述所述生成器对所述第一图像进行图像重建，得到第三图像的步骤，包括：

a1：提取所述第一图像的线性特征，得到特征节点。

在本申请实施例中，通过生成器的特征层提取特征，压缩输入的规模。

a2：对所述特征节点进行非线性特征增强，得到增强节点。

在本申请实施例中，生成器的增强层通过非线性激活函数，对特征节点进行增强，增加模型的非线性拟合能力。

a3：根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图像。

在一些可能的实施方式中，上述步骤a3具体包括：

a31：基于所述特征节点与所述增强节点，构建输入矩阵。

a32：基于所述预训练模型参数，构建预训练参数矩阵。

a33：根据所述输入矩阵和所述预训练参数矩阵，确定所述预训练的生成器的输出矩阵。

a34：基于所述输出矩阵进行图像重建，得到第三图像。

作为本申请一种可能的实施方式，图3示出了本申请实施例提供的宽度学习网络bls的预训练过程，bls网络的预训练也即生成器的初始化。bls网络包括特征层和增强层，具体地，bls网络的预训练包括获取预训练模型参数，详述如下：

b1：提取所述第一图像的线性特征，得到第一图像特征节点。

在本申请实施例中，通过生成器的特征层提取第一图像的线性特征，得到第一图像特征节点。特征层由数个特征窗口组成，每个特征窗口有若干个特征节点，每个节点可以理解为一个列向量。在本申请实施例中，特征层实际上就是数组列向量，特征层的作用就是提取输入的第一图像的特征，实际上就是压缩输入的图像的规模。

b2：对所述第一图像特征节点进行非线性特征增强，得到第一图像增强节点。

在本申请实施例中，通过增强层对所述第一图像特征节点进行非线性特征增强，得到第一图像增强节点。增强层通过非线性激活函数，对上述第一图像特征节点进行增强，从而增强模型的非线性拟合能力。

b3：基于所述第一图像特征节点与所述第一图像增强节点，构建模型输入矩阵。

具体地，根据特征节点和增强节点，构建增广矩阵，组成上述模型输入矩阵。

在本申请实施例中，第一图像的图像分辨率为n1×n2，模型输入矩阵的数据规模为n1×n2+n3行，每行n1×n2维。其中，n1为特征窗口数，n2为每个特征窗口的特征节点数，n3为增强节点数，n1×n2为特征节点的维度。模型输入矩阵每行的维度根据第一图像的图像分辨率确定。

在本申请实施例中，特征窗口实际上是一个对输入数据的预处理过程，无论输入数据有多少，都可以将其映射到n1个特征窗口(每个特征窗口有n2个维度)，以此来起到减少输入维度，降低模型复杂度。

b4：提取所述第二图像的线性特征，得到第二图像特征节点。

b5：根据所述第二图像特征节点，构建模型输出矩阵。

在本申请实施例中，第二图像的图像分辨率为b1×b2，模型输出矩阵每行的维度为b1×b2，即，模型输出矩阵每行的维度根据第二图像的图像分辨率确定。

b6：根据所述模型输入矩阵以及所述模型输出矩阵，得到所述bls网络的预训练模型参数。

在本申请实施例中，根据回归公式y＝wx获取预训练模型参数。其中，定义x为模型输入矩阵，y为模型输出矩阵，w为预训练参数矩阵，即为预训练模型参数构建的矩阵。具体地，预训练参数矩阵根据w＝yx⁺得到，其中，x⁺是通过岭回归求出的伪逆。根据预训练参数矩阵即可得到上述bls网络的预训练模型参数。

以一个应用场景为例，构建生成器，该生成器的输入层由bls网络构成，该bls网络的输入层由特征层和增强层构成。具体地，从训练样本数据集中获取m对图像组，共包括m张低分辨率图像和m张高分辨率图像，每一图像组包括1张低分辨率图像，以及1张与该张低分辨率图像对应的高分辨率图像。对该m对图像组中的图像进行归一化处理，将图像的相似归一化到[-1,1]之间。低分辨率图像的分辨率为n1×n2，将m张低分辨率图像输入至特征层，通过特征层将低分辨率图像的二维矩阵n1×n2重排列成n1×n2的一维向量，然后根据预设参数n1、预设参数n2，生成n1个特征窗口，每个特征窗口包括n2个特征节点，共得到n1×n2个特征节点，每一特征节点的维度为n1×n2。通过增强层对特征节点进行非线性特征增强，根据预设参数n3，生成n3个增强节点，每一增强节点的维度为n1×n2。根据特征节点和增强节点，构建增广矩阵，得到模型输入矩阵x，x的数据规模为n1×n2+n3行，每行n1×n2维。根据m张高分辨率图像构建输出矩阵，其中每张高分辨率图像的分辨率为b1×b2，通过特征层将高分辨率图像的二维矩阵b1×b2重排列成b1×b2的一维向量，生成模型输出矩阵。根据回归公式y＝wx，计算预训练参数矩阵w＝yx⁺，其中，x⁺是通过岭回归求出的伪逆。基于预训练参数矩阵得到预训练参数，生成器的预训练完成。

在一些实施方式中，按照实际需要在预训练完成的bls添加全连接层，所述全连接层用于增强生成器的生成能力。

在本申请实施例中，利用bls网络构建生成器，并对该bls网络也即生成器进行预训练，得到生成器的预训练参数，使得在利用判别器进行迭代训练之前，生成器已具备一定的拟合能力，进而可缩短迭代训练的时间。

s103：将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。

在本申请实施例中，预设训练条件可以是预设迭代次数。将上述第二图像和上述第三图像输入判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，一次训练完成，重复执行将样本训练数据集中的第一图像输入至生成器中进行图像重建，得到第三图像，将第二图像与第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数的步骤，直到达到预设迭代次数，例如，200次，则训练完成，得到训练好的生成器。

在本申请实施例中，上述判别器用于验证上述生成器生成的第三图像。

在一种可能的实施方式中，初始化判别器。具体地，将m张低分辨率图像输入至已经初始化完成的生成器中，生成规模为m的重建图像，根据低分辨率图像与重建图像重排列成一维，并构建增广矩阵，得到输入矩阵。将规模同为m的全0和全1向量拼接构建输出矩阵，根据回归公式，求得判别器的参数矩阵，继而得到判别器的参数。

作为本申请一种可能的实施方式，如图4所示，上述根据所述判别器的输出结果调整所述生成器的模型参数的步骤，具体包括：

c1：根据预设的损失函数，计算所述第三图像与所述第二图像的损失值。

在本申请实施例中，预设的损失函数可以为交叉熵函数。

c2：根据所述损失值调整所述生成器的模型参数。

在一些可能的实施方式中，所述宽度学习网络包括输出层，上述步骤c2具体包括：

c21：根据反向传播算法，计算所述损失值在所述输出层的梯度向量。

具体地，使用反向传播算法，计算上述损失值在所述输出层对应的输出矩阵的梯度向量。其具体过程包括，根据损失值对里输出层最近的一个隐层的各个参数求偏导，并使用梯度公式求出梯度，梯度公式如下式(1)：

其中ik是沿第k个方向的单位向量。

c22：根据所述梯度向量，调整所述生成器的模型参数。

具体地，使用梯度下降法计算更新模型参数，并使用链式法则类似的向前更新各个隐层。

以一个应用场景为例，如图5所示，生成器输入低分辨率图像，若不是首次训练，则进行生成器bls网络初始化，得到具有预训练参数的生成器；若不是首次训练，则通过生成器得到重建图像，将上述低分辨率图像对应的高分辨率图像与上述重建图像输入至判别器，并根据预设损失函数计算重建图像与高分辨率图像的损失值，再根据反向传播算法更新生成器的模型参数，一次训练完成，当达到预定迭代次数，训练完成。

作为本申请一种可能的实施方式，对判别器的参数进行更新。具体地，将生成器生成的第三图像与上述第二图像输入至判别器，根据预设的损失函数计算判别器的损失值，根据反向传播算法，计算所述判别器的损失值在所述判别器的输出层的梯度向量，使用梯度下降法计算并更新判别器的模型参数，并使用链式法则类似的向前更新判别器各个隐层。

本申请实施例中，基于训练时生成器生成的重建图像对判别器的参数进行同步更新调整，进一步提高判别器的判别验证能力，从而可有效增强训练过程中生成器的优化效果。

s104：利用训练完成的所述生成器进行医学图像重建。

在本申请实施例中，通过上述步骤s101至步骤s103训练完成得到的生成器进行图像重建，具体可应用于医学图像重建。在一种实际应用场景中，训练好的生成器可用于mri成像，用于观察阿尔茨海默症(alzheimer’sdisease,ad)患者的颞叶和海马等脑部结构的病变情况，可提高mri重建任务的效率。

由上可见，在本申请实施例中，通过获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像，生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。本申请优化了基于生成对抗网络的图像重建模型，在对图像重建模型进行训练之前对生成器进行了预训练，使得生成器已经拥有了部分的拟合能力，可大幅节省训练的迭代次数，缩短模型的训练时间，再结合判别器的验证进一步调整模型参数，提高图像重建模型的性能，增强图像重建模型应用的及时性，在实际应用中可以满足更多需要，再利用训练完成的生成器进行医学图像重建，可提高医学图像重建的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的医学图像重建技术的方法，图6示出了本申请实施例提供的医学图像重建技术的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图6，该医学图像重建技术的装置包括：样本数据获取单元61，第一训练单元62，第二训练单元63，其中：

样本数据获取单元61，用于获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像；

第一训练单元62，用于生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；

第二训练单元63，用于将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。

模型应用单元64，用于利用训练完成的所述生成器进行医学图像重建。

在一种可能的实施方式中，所述第一训练单元62包括：

特征节点获取模块，用于提取所述第一图像的线性特征，得到特征节点；

增强节点获取模块，用于对所述特征节点进行非线性特征增强，得到增强节点；

图像重建模块，用于根据所述特征节点、所述增强节点以及所述经过预训练的宽度学习网络的预训练模型参数进行图像重建，生成第三图。

在一种可能的实施方式中，所述图像重建模块具体用于：

基于所述特征节点与所述增强节点，构建输入矩阵；

基于所述预训练模型参数，构建预训练参数矩阵；

根据所述输入矩阵和所述预训练参数矩阵，确定所述预训练的生成器的输出矩阵；

基于所述输出矩阵进行图像重建，得到第三图像。

在一种可能的实施方式中，上述第二训练单元63具体包括：

损失计算模块，用于根据预设的损失函数，计算所述第三图像与所述第二图像的损失值；

参数调整模块，用于根据所述损失值调整所述生成器的模型参数。

在一种可能的实施方式中，所述宽度学习网络包括输出层，所述参数调整模块具体用于：

根据反向传播算法，计算所述损失值在所述输出层的梯度向量；

根据所述梯度向量，调整所述生成器的模型参数。

在一种可能的实施方式中，上述医学图像重建技术的装置还包括预训练单元，所述预训练单元具体包括：

第一特征提取模块，用于提取所述第一图像的线性特征，得到第一图像特征节点；

第一增强模块，用于对所述第一图像特征节点进行非线性特征增强，得到第一图像增强节点；

输入构建模块，用于基于所述第一图像特征节点与所述第一图像增强节点，构建模型输入矩阵；

第二特征提取模块，用于提取所述第二图像的线性特征，得到第二图像特征节点；

输出构建模块，用于根据所述第二图像特征节点，构建模型输出矩阵；

参数计算模块，用于根据所述模型输入矩阵以及所述模型输出矩阵，得到所述宽度学习网络的预训练模型参数。

由上可见，在本申请实施例中，通过获取样本训练数据集，所述样本训练数据集包括第一图像和第二图像，其中，所述第一图像为低分辨率图像，所述第二图像为与所述第一图像对应的高分辨率图像，生成器对所述第一图像进行图像重建，得到第三图像，所述第三图像为所述第一图像对应的重建图像，所述生成器为经过预训练的宽度学习网络；将所述第二图像与所述第三图像输入至判别器中，并根据所述判别器的输出结果调整所述生成器的模型参数，直至满足预设训练条件，得到训练完成的生成器。本申请优化了基于生成对抗网络的图像重建模型，在对图像重建模型进行训练之前对生成器进行了预训练，使得生成器已经拥有了部分的拟合能力，可大幅节省训练的迭代次数，缩短模型的训练时间，再结合判别器的验证进一步调整模型参数，提高图像重建模型的性能，增强图像重建模型应用的及时性，在实际应用中可以满足更多需要，再利用训练完成的生成器进行医学图像重建，可提高医学图像重建的效率。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如图1至图5表示的任意一种医学图像重建技术的方法的步骤。

本申请实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如图1至图5表示的任意一种医学图像重建技术的方法的步骤。

本申请实施例还提供一种计算机程序产品，当该计算机程序产品在电子设备上运行时，使得电子设备执行实现如图1至图5表示的任意一种医学图像重建技术的方法的步骤。

图7是本申请一实施例提供的电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机可读指令72。所述处理器70执行所述计算机可读指令72时实现上述各个医学图像重建技术的方法实施例中的步骤，例如图1所示的步骤s101至s104。或者，所述处理器70执行所述计算机可读指令72时实现上述各装置实施例中各模块/单元的功能，例如图6所示单元61至64的功能。

示例性的，所述计算机可读指令72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令72在所述电子设备7中的执行过程。

所述电子设备7可以是成像设备或者服务器。所述电子设备7可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备7还可以包括输入输出设备、网络接入设备、总线等。

所述处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field–programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述电子设备7的内部存储单元，例如电子设备7的硬盘或内存。所述存储器71也可以是所述电子设备7的外部存储设备，例如所述电子设备7上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述电子设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机可读指令以及所述电子设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。