图像重建模型训练方法、图像重建方法及相关设备

背景技术

图像重建技术是指通过物体外部测量的数据，经数字处理获得三维物体的形状信息的技术。目前，图像重建技术在各个领域被广泛应用，例如在医学领域中，通过磁共振成像(MRI，Magnetic Resonance Imaging)等成像技术，能够重建人体各部分的三维图像，以便医生在诊疗过程中进行观察。

相关技术中，在成像技术采集到的切片数量过低的情况下，由于各个切片之间的层间分辨率低，因此难以重建高分辨率的三维图像，不利于相关技术人员的观察和使用。

发明内容

为克服相关技术中存在的问题，本公开提供了一种图像重建模型训练方法、图像重建方法及相关设备。

根据本公开实施例的第一方面，提供一种图像重建模型训练方法，包括：获取三维训练图像以及与三维图像对应的不同方向上的第一切片图像序列，其中，第一切片图像序列的分辨率低于三维训练图像的分辨率；将不同方向上的第一切片图像序列分别输入预设图像重建模型，生成第一重建图像；根据生成的每个第一重建图像与三维训练图像之间的第一损失，对预设图像重建模型进行训练，得到初始图像重建模型；获取二维训练图像，二维训练图像包括待重建对象不同方向的第二切片图像序列，三维训练图像示出的对象与待重建对象的类别相同，且第二切片图像序列的分辨率低于三维训练图像的分辨率；将二维训练图像中的每个第二切片图像序列分别输入初始图像重建模型，生成第二重建图像；根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型。

在一些实施例中，所述不同方向上的第一切片图像序列的获得方法包括：将所述三维训练图像沿所述不同方向分别进行降采样处理，得到所述不同方向上的第一切片图像序列。

在一些实施例中，第一切片图像序列的分辨率与第二切片图像序列的分辨率相同或相近。

在一些实施例中，根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型，包括：针对生成的每个第二重建图像分别进行如下处理，得到最终图像重建模型：分别计算该第二重建图像与不同方向中每个方向的第二切片图像序列之间的损失，得到分别与不同方向对应的第二损失；综合分别与不同方向对应的第二损失，对初始图像重建模型的参数进行调整。

在一些实施例中，在根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型之前，还包括：对不同方向的第二切片图像序列进行配准操作，以使不同方向的第二切片图像序列的像素在空间中对齐。

在一些实施例中，综合分别与不同方向对应的第二损失，对初始图像重建模型的参数进行调整，包括：计算该第二重建图像中各个像素之间的平滑损失；综合平滑损失以及分别与不同方向对应的第二损失，对初始图像重建模型的参数进行调整。

在一些实施例中，三维训练图像示出的对象为成人脑，待重建对象为胎儿脑。

根据本公开实施例的第二方面，提供一种图像重建方法，包括：获取待重建对象的切片图像序列；将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像，图像重建模型基于本公开实施例第一方面训练得到。

在一些实施例中，在切片图像序列包括待重建对象多个方向的切片图像序列的情况下，将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像包括：将多个方向的切片图像序列分别输入图像重建模型，得到多个初始三维图像；将多个初始三维图像融合，得到最终三维图像。

在一些实施例中，将多个初始三维图像融合，得到最终三维图像，包括：针对最终三维图像中的每个第一像素，进行如下处理：将多个初始三维图像中与该第一像素位置相同的多个第二像素的像素平均值，作为该第一像素的像素值，从而得到最终三维图像。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，处理器配置为经由执行可执行指令来执行本公开实施例第一方面或第二方面的方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本公开实施例第一方面或第二方面的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例，利用高分辨率的三维训练图像对图像重建模型进行初步训练，得到初始图像重建模型。进一步利用分辨率较低、但能够示出待重建对象的二维训练图像对初始图像重建模型再次进行训练，得到最终图像重建模型。由于三维训练图像示出的对象和待重建对象的类别相同，使得本公开实施例能够基于迁移学习的思想，训练出可以准确重建待重建对象的图像重建模型，提升了对于低分辨率的切片图像序列的重建准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

图1示出相关技术中示例性的MRI图像示意图。

图2示出本公开实施例中一种图像重建模型训练方法的系统架构示意图。

图3示出本公开实施例中一种图像重建模型训练方法的流程示意图。

图4示出本公开实施例中预设图像重建模型的训练过程示意图。

图5示出本公开实施例中初始图像重建模型的训练过程示意图。

图6示出本公开实施例中一种图像重建方法的流程示意图。

图7示出本公开实施例中一种图像重建模型训练装置的结构示意图。

图8示出本公开实施例中一种图像重建装置的结构示意图。

图9示出本公开实施例中一种电子设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

在当前成像技术中，超声是最常用的成像方式，但是由于对比度低、视野狭窄、信噪比低等原因不能很好地显示待成像对象的细节结构，例如胎儿发育中的大脑、内脏等。如果超声检查中发现待成像对象的一些疑似结构异常，使用MRI可以作为补充检查，提供更详细的结构信息，因为MRI有较好的软组织对比度，视野较大，信噪比高，无辐射，并且可以采集任意切面的图像信息，能看到一些超声中不易发现的结构。MRI正成为日益重要的一种影像检查。

但是MRI采集过程通常较长，而待成像对象可能在这段时间会有运动(例如，胎儿在母体中运动不可控)，容易造成运动伪影。因此，临床上使用快速成像方式，可以以不到一秒的时间得到一张高分辨率的二维切片，但是不同切片之间仍然受到待成像对象的运动影响，相互之间有位移偏差，并且层间距较大，一般是3-4mm，因此得到的三维数据实际是由一堆二维切片叠起来的，称之为一堆(stack)，其三维分辨率低。

如图1所示，图1示出了相关技术中示例性的MRI图像示意图。在图1中，自左至右分别为通过MRI采集的横断位、冠状位和矢状位的胎儿脑图像。由于该图像为横断位采集的，除了横断位的胎儿脑图像以外，从其他方向看，受胎儿运动影响，分辨率很低。

由于MRI可以从不同截面采集数据，通常MRI可以分别从横断位、冠状位和矢状位三个正交方向进行采集，以分别得到三个方向的层内高分辨率的二维切片图像序列。然而，三个方向的二维切片图像序列相对于三维图像而言，仍然存在缺失信息，因此仍然无法重建出高分辨率的三维图像。

有鉴于此，本公开实施例提供的方法，提供了一种有监督和无监督相结合的训练方式，能够基于迁移学习的思想，训练出可以准确重建待重建对象的图像重建模型，提升了对于低分辨率的切片图像序列的重建准确性，并可适用于针对运动对象的重建。

可以理解的是，本实施例的医学图像分析方法可以是在任意电子设备上执行的，例如，其可以是在服务器上执行，也可以在终端上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本公开的限制。

示例性地，图2示出了可以应用于本公开实施例的医学图像分析方法或医学图像分析装置的示例性系统架构示意图。

如图2所示，该系统架构200包括图像采集装置201、服务器202和终端203。图像采集装置201和终端203均与服务器202通过网络连接，比如，通过有线或无线网络连接等。

示例性地，图像采集装置201可以用于对采集被检测者进行数据获取，可以获取与被检测者的至少一部分有关的二维切片图像序列和/或三维图像。被检测者可以是生物或非生物。例如，被检测者可以是患者、人造物体、实验者等。例如，对象可以包括患者的特定部分、器官和/或组织。例如，采集的对象可包括被检测者的头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等，或其任何组合。

示例性地，服务器202可以是单台服务器，也可以是由多个服务器组成的服务器集群或云服务器。例如，服务器可以为多个异构系统之间的互通服务器或者后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。

服务器202上部署有图像重建模型。服务器202可以根据图像采集装置采集到的二维切片图像序列和/或三维图像，执行本公开实施例提供的图像重建模型训练方法或图像重建方法。

此外，服务器202还可用于将生成的最终三维图像分析结果发至终端203，以便向用户展示基于图像重建模型生成的最终三维图像。

终端203可以接收服务器202生成的最终三维图像。其中，终端203可以包括手机、智能电视、平板电脑、笔记本电脑、或个人计算机(PC，Personal Computer)等。终端203上还可以设置客户端，该客户端可以是应用程序客户端或者浏览器客户端等等。

本领域技术人员可以知晓，图2中示出的图像采集装置、服务器和终端的数量仅仅是示意性的，根据实际需要，可以具有任意数目的图像采集装置、服务器和终端，本公开对此不做限制。

下面将结合附图及实施例对本示例实施方式进行详细说明。

首先，本公开实施例中提供了一种图像重建模型训练方法，该方法可以由任意电子设备执行。

图3示出本公开实施例中一种图像重建模型训练方法的流程示意图，如图3所示，本公开实施例中提供的图像重建模型训练方法包括如下步骤。

S301，获取三维训练图像以及与三维图像对应的不同方向上的第一切片图像序列。

需要说明的是，三维训练图像可以通过图像采集装置获得，例如，可以包括超声设备、X射线设备、核磁共振设备、核医学设备、医用光学设备以及热成像设备等，本公开实施例对此不作限定。

示例性地，三维训练图像可以为各种类型的图像。例如，按照获取医学图像的设备划分，医学图像可以包括超声图像、X射线、计算机断层扫描(Computed Tomography，CT)、磁共振成像(Magnetic Resonance Imaging，MRI)、数字减影血管造影(Digital SubtractionAngiography，DSA)和正电子发射断层摄影术(Positron Emission Computed Tomography，PET)等。此外，按照三维训练图像示出的对象划分，三维训练图像可以包括脑组织图像、脊髓图像、眼底图像、血管图像、胰腺图像和肺部图像等。

在一些实施例中，三维训练图像是通过MRI采集的静止对象的图像，其层内和层间均具有较高的分辨率。

在一些实施例中，为了使后续S302中的预设图像重建模型学习到图像中的上采样特征，第一切片图像序列的分辨率可低于三维训练图像的分辨率。

示例性地，第一切片图像序列的层内分辨率可以与三维训练图像相同或相近，而第一切片图像序列的层间分辨率低于三维训练图像的分辨率。

例如，在第一切片图像序列为横断位采集的切片图像序列时，该第一切片图像序列在横断位的分辨率较高，可以与三维训练图像的分辨率相同或相近，而矢状位和冠状位的分辨率低于三维训练图像的分辨率。

需要说明的是，第一切片图像序列可以通过对三维训练图像示出的对象进行低分辨率采集得到，也可以通过对三维训练图像进行降采样得到。

示例性地，第一切片图像序列的获得方法可以是：将三维训练图像沿不同方向分别进行降采样处理，得到不同方向上的第一切片图像序列。可以理解的是，本公开实施例中的三维训练图像可以分解为层间距低(层间分辨率高)的二维切片图像序列。对三维图像的降采样过程，可以通过在该二维切片图像序列中抽取若干层二维切片实现，即降低层间分辨率。

在一些实施例中，为了使第一切片图像序列能够准确模拟运动对象的模糊情况，本公开实施例还可以在降采样的过程中加入运动模糊。例如，在第一切片图像序列中加入一定程度的旋转和/或平移造成的模糊。

S302，将不同方向上的第一切片图像序列分别输入预设图像重建模型，生成第一重建图像。

需要说明的是，预设图像重建模型可以采用编码器-解码器网络模型。

其中，编码器可以提取切片图像序列的层内特征和层间相关性特征，以便学习上采样时的空间依赖性。为了保证编码器和解码器两端匹配特征图的大小一致，编码器部分输出的低维特征图需要进行上采样操作再通过跳跃连接与解码器部分的特征图拼接到一起。对此，解码器在图像的层内和切片维度都执行上采样工作，恢复切片图像序列的层内尺寸，同时在原有的切片图像序列间生成新的切片。

在一些实施例中，通过将不同方向中每个方向的第一切片图像序列分别输入预设图像重建模型，可以针对每个方向的第一切片图像序列分别生成一个第一重建图像。

S303，根据生成的每个第一重建图像与三维训练图像之间的第一损失，对预设图像重建模型进行训练，得到初始图像重建模型。

在一些实施例中，请参考图4，图4示出了预设图像重建模型的训练过程示意图。通过将分辨率为128×128×20的第一切片图像序列分别输入预设图像重建模型，输出分辨率与三维训练图像分辨率(128×128×80)相同的第一重建图像。

为保证输出的第一重建图像与通过采集得到的真实三维训练图像尽可能相似，并在大量的训练图像中学习到待重建对象的解剖结构特征以及低分辨率到高分辨率映射细节，通过计算每个第一重建图像与三维训练图像之间的第一损失，即可实现对预设图像重建模型的训练，从而得到初始图像重建模型。

S304，获取二维训练图像。

需要说明的是，二维训练图像可以是待重建对象不同方向的第二切片图像序列。二维训练图像的采集方式与三维训练图像相似，区别在于，由于待重建对象为运动中的对象，因此通过相关技术中的图像采集手段，无法采集到该对象的高分辨率三维图像。第二切片图像序列通常为层间分辨率极低的二维切片图像序列。

在一些实施例中，上述三维训练图像示出的对象与待重建对象的类别相同，且第二切片图像序列的分辨率低于三维训练图像的分辨率。

可以理解的是，本公开实施例基于迁移学习的思想，能够把针对三维训练图像示出的对象进行训练得到的模型作为初始点，应用于针对待重建对象的模型训练中。也就是说，由于三维训练图像示出的对象和待重建对象具有一定的相似度，通过使用三维训练图像对图像重建模型预先训练，能够为基于二维训练图像训练的过程提供一定的基础和支撑，从而提高模型表达的准确性。

在一些实施例中，当第二切片图像序列的分辨率与第一切片图像序列的分辨率相同或相近时，本公开实施例中的图像重建模型能够学习到更好的上采样特征。

S305，将二维训练图像中的每个第二切片图像序列分别输入初始图像重建模型，生成第二重建图像。

示例性地，请参照图5，图5示出了本公开实施例中对于初始图像重建模型的训练过程示意图。与S302类似，二维训练图像中的待重建对象不同方向的第二切片图像序列被分别输入初始图像重建模型，从而针对每个方向的第二切片图像序列分别生成一个第二重建图像。

S306，根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型。

需要说明的是，针对本公开实施例中的待重建对象，由于其自身的原因(例如，待重建对象存在运动使采集的图像发生模糊)，无法获得真实的高分辨率三维图像数据。为了完成针对待重建对象重建的训练任务，本公开实施例通过采集的真实二维训练图像中的像素，直接约束生成的第二重建图像在空间中的像素。

示例性地，请继续参照图5，二维训练图像包括待重建对象不同方向的第二切片图像序列，针对生成的每个第二重建图像而言，通过分别计算该第二重建图像与不同方向中每个方向的第二切片图像序列之间的损失，可以得到分别与不同方向对应的第二损失。综合分别与不同方向对应的第二损失(例如，将不同方向对应的第二损失相加，作为模型调参过程中的整体损失)，可以对初始图像重建模型的参数进行调整，从而得到最终图像重建模型。

在一些实施例中，为了准确确定二维训练图像与第二重建图像在空间中的像素对应关系，在计算第二损失前，可以对不同方向的第二切片图像序列进行配准操作，以使不同方向的第二切片图像序列的像素在空间中对齐。

请再次参照图5，为了保证第二重建图像在生成过程中过度平滑，避免发生突兀的明暗像素变化或是线条断裂等，上述整体损失中还可以加入第二重建图像自身的平滑损失。

具体地，在计算第二重建图像中各个像素之间的平滑损失后，可以综合平滑损失以及分别与不同方向对应的第二损失(例如，将平滑损失和不同方向对应的第二损失相加，作为模型调参过程中的整体损失)，对初始图像重建模型进行训练，得到最终图像重建模型。

本公开实施例，利用高分辨率的三维训练图像对图像重建模型进行初步训练，得到初始图像重建模型。进一步利用分辨率较低、但能够示出待重建对象的二维训练图像对初始图像重建模型再次进行训练，得到最终图像重建模型。由于三维训练图像示出的对象和待重建对象的类别相同，使得本公开实施例能够基于迁移学习的思想，训练出可以准确重建待重建对象的图像重建模型，提升了对于低分辨率的切片图像序列的重建准确性。

此外，在医疗领域中，通过本公开实施例提供的方法训练的图像重建模型，能够准确的针对运动对象的MRI图像进行重建。例如，胎儿脑图像，心脏图像等。

基于同一发明构思，本公开实施例还提供了一种图像重建方法，该方法可以由任意电子设备执行。

图6示出本公开实施例中一种图像重建方法的流程示意图，如图6所示，本公开实施例中提供的图像重建方法包括如下步骤。

S601，获取待重建对象的切片图像序列。

S602，将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像。

需要说明的是，本公开实施例中的图像重建模型，基于图像重建模型训练方法实施例中提供的方法预先训练得到。

示例性地，在切片图像序列包括待重建对象多个方向的切片图像序列的情况下，将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像的方式可以是：将多个方向的切片图像序列分别输入图像重建模型，得到多个初始三维图像；将多个初始三维图像融合，得到最终三维图像。

示例性地，将多个初始三维图像融合，得到最终三维图像的方式可以是：针对最终三维图像中的每个第一像素，将多个初始三维图像中与该第一像素位置相同的多个第二像素的像素平均值，作为该第一像素的像素值，从而得到最终三维图像。

本公开实施例提供的图像重建方法，可以通过输入单一方向的切片图像序列，实现高分辨率的图像重建，以便适用于切片图像序列难以多方向采集的情况(例如，幽闭恐惧症患者可能对长时间的MRI成像产生恐惧)。

当然，通过输入多个方向的图像切片序列，能够使本公开重建出的图像获得更高的精度和准确性，以便相关技术人员参考。

基于同一发明构思，本公开实施例中还提供了一种图像重建模型训练装置，如下面的实施例。由于该装置实施例解决问题的原理与上述图像重建模型训练方法实施例相似，因此该装置实施例的实施可以参见上述图像重建模型训练方法实施例的实施，重复之处不再赘述。

图7示出本公开实施例中一种图像重建模型训练装置的结构示意图，如图7所示，该图像重建模型训练装置700包括：第一获取模块701、第一生成模块702、第一训练模块703、第二获取模块704、第二生成模块705和第二训练模块706。

具体地，第一获取模块701用于，获取三维训练图像以及与三维图像对应的不同方向上的第一切片图像序列，其中，第一切片图像序列的分辨率低于三维训练图像的分辨率。第一生成模块702用于，将不同方向上的第一切片图像序列分别输入预设图像重建模型，生成第一重建图像。第一训练模块703用于，根据生成的每个第一重建图像与三维训练图像之间的第一损失，对预设图像重建模型进行训练，得到初始图像重建模型。第二获取模块704用于，获取二维训练图像，二维训练图像包括待重建对象不同方向的第二切片图像序列，三维训练图像示出的对象与待重建对象的类别相同，且第二切片图像序列的分辨率低于三维训练图像的分辨率。第二生成模块705用于，将二维训练图像中的每个第二切片图像序列分别输入初始图像重建模型，生成第二重建图像。第二训练模块706用于，根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型。

在一些实施例中，第一生成模块702还用于，将三维训练图像沿不同方向分别进行降采样处理，得到不同方向上的第一切片图像序列。

在一些实施例中，第一切片图像序列的分辨率与第二切片图像序列的分辨率相同或相近。

在一些实施例中，第二训练模块706用于，针对生成的每个第二重建图像分别进行如下处理，得到最终图像重建模型：分别计算该第二重建图像与不同方向中每个方向的第二切片图像序列之间的损失，得到分别与不同方向对应的第二损失；综合分别与不同方向对应的第二损失，对初始图像重建模型的参数进行调整。

在一些实施例中，第二训练模块706还用于，对不同方向的第二切片图像序列进行配准操作，以使不同方向的第二切片图像序列的像素在空间中对齐。

在一些实施例中，第二训练模块706还用于，计算该第二重建图像中各个像素之间的平滑损失；综合平滑损失以及分别与不同方向对应的第二损失，对初始图像重建模型的参数进行调整。

在一些实施例中，三维训练图像示出的对象为成人脑，待重建对象为胎儿脑。

基于同一发明构思，本公开实施例中还提供了一种图像重建装置，如下面的实施例。由于该装置实施例解决问题的原理与上述图像重建方法实施例相似，因此该装置实施例的实施可以参见上述图像重建方法实施例的实施，重复之处不再赘述。

图8示出本公开实施例中一种图像重建装置的结构示意图，如图8所示，该图像重建装置800包括：获取模块801和重建模块802。

具体地，获取模块801用于，获取待重建对象的切片图像序列。重建模块802用于，将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像。其中，图像重建模型基于上述图像重建模型训练方法实施例提供的方法训练得到。

在一些实施例中，重建模块802还用于，将多个方向的切片图像序列分别输入图像重建模型，得到多个初始三维图像；将多个初始三维图像融合，得到最终三维图像。

在一些实施例中，重建模块802还用于，针对最终三维图像中的每个第一像素，进行如下处理：将多个初始三维图像中与该第一像素位置相同的多个第二像素的像素平均值，作为该第一像素的像素值，从而得到最终三维图像。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和适用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。

其中，存储单元存储有程序代码，程序代码可以被处理单元910执行，使得处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

在一些实施例中，处理单元910可以执行上述图像重建模型训练方法实施例的如下步骤：获取三维训练图像以及与三维图像对应的不同方向上的第一切片图像序列，其中，第一切片图像序列的分辨率低于三维训练图像的分辨率；将不同方向上的第一切片图像序列分别输入预设图像重建模型，生成第一重建图像；根据生成的每个第一重建图像与三维训练图像之间的第一损失，对预设图像重建模型进行训练，得到初始图像重建模型；获取二维训练图像，二维训练图像包括待重建对象不同方向的第二切片图像序列，三维训练图像示出的对象与待重建对象的类别相同，且第二切片图像序列的分辨率低于三维训练图像的分辨率；将二维训练图像中的每个第二切片图像序列分别输入初始图像重建模型，生成第二重建图像；根据二维训练图像对生成的每个第二重建图像分别进行约束，以便调整初始图像重建模型的参数，得到最终图像重建模型。

在一些实施例中，处理单元910还可以执行上述图像重建方法实施例的如下步骤：获取待重建对象的切片图像序列；将切片图像序列输入预先训练的图像重建模型，重建待重建对象的最终三维图像，图像重建模型基于上述图像重建模型训练方法实施例提供的方法训练得到。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备940(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图9所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，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操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。