CN107909622A - 模型生成方法、医学成像的扫描规划方法及医学成像*** - Google Patents

Abstract

本发明实施例提供了模型生成方法、医学成像的扫描规划方法及医学成像***，涉及医学图像自动扫描规划技术领域，基于深度学习方法确定人工智能网络模型，进而通过人工智能网络模型得到扫描参数，保证了扫描参数的精度。该方法包括模型生成和使用过程：模型生成过程包括：获取样本预扫描图像以及样本预扫描图像对应的样本扫描参数；根据样本扫描参数生成样本距离场；通过人工智能网络对样本预扫描图像与样本距离场进行学习，生成人工智能网络模型。模型使用过程包括：获取受检者目标区域的预扫描图像；通过人工智能网络模型对预扫描图像进行处理，得到距离场；根据距离场，确定扫描参数。本发明实施例提供的技术方案，适用于扫描规划过程中。

Description

模型生成方法、医学成像的扫描规划方法及医学成像***

【技术领域】

本发明涉及医学图像自动扫描规划技术领域，尤其涉及模型生成方法、医学成像的扫描规划方法及医学成像***。

【背景技术】

在临床医学领域，常常需要对受检者目标区域进行扫描获取医学扫描图像，以辅助疾病的诊断、治疗等。

对于常规的磁共振扫描过程，通常首先由医生通过低分辨率的预扫描图像(也称为定位片)识别出解剖学位置，然后手工标定参考定位线和参考中心，从而确定所需要的扫描参数，比如扫描方向、扫描中心点、扫描中心轴以及扫描窗的大小。在确定扫描参数后，根据扫描参数对解剖学位置施加扫描序列进行精确扫描。

目前的磁共振扫描过程中，通过人工标定确定扫描参数，这种方法效率较低，延长了整个扫描过程所需要的时间，并且由于人工差异、经验差异，可能会造成识别结果、标定结果不一致，扫描参数的精度无法保证。

【发明内容】

有鉴于此，本发明实施例提供了一种模型生成方法、医学成像的扫描规划方法及医学成像***，基于深度学习，通过人工智能网络模型对受检者目标区域的预扫描图像进行处理，进而确定扫描参数，可以减小扫描过程所需要时间，并且保证扫描参数的精度。

第一方面，本发明实施例提供一种模型生成方法，所述方法包括：

获取样本预扫描图像以及所述样本预扫描图像对应的样本扫描参数，所述样本扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小中的其中一种；

根据所述样本扫描参数，生成样本距离场；

通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系；

根据所述映射关系生成人工智能网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系之前，所述方法还包括：

提取所述样本预扫描图像的特征信息，所述样本预扫描图像的特征信息至少包括所述样本预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数中的其中一种；

则通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系，包括：

通过人工智能网络对所述样本预扫描图像的特征信息与所述样本距离场进行学习，得到所述样本预扫描图像的特征信息与所述样本距离场的映射关系。

第二方面，本发明实施例提供一种医学成像的扫描规划方法，所述方法包括：

获取受检者目标区域的预扫描图像；

通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，所述人工智能网络模型包含所述预扫描图像与所述距离场的映射关系；

根据所述距离场，确定扫描参数，所述扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小、扫描方向中的其中一种。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述根据所述距离场，确定扫描参数之后，所述方法还包括：

基于所述扫描参数对所述受检者目标区域执行扫描。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述通过人工智能网络模型对所述预扫描图像进行处理之前，所述方法还包括：

提取所述预扫描图像的特征信息，所述预扫描图像的特征信息至少包括所述预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数、梯度幅值信息、梯度单位向量信息中的其中一种；

则所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像的特征信息进行处理，得到距离场，所述人工智能网络模型包含所述预扫描图像的特征信息与所述距离场的映射关系。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心点的距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述基于扫描中心点的距离场，确定扫描中心点。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心轴的距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述基于扫描中心轴的距离场，确定扫描中心轴。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到非线性加窗距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述非线性加窗距离场，确定扫描窗大小。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述距离场，确定扫描参数，包括：

对所述距离场进行加权拟合运算，确定扫描参数；或，

对所述距离场进行霍夫投票，确定扫描参数。

第三方面，本发明实施例提供一种医学成像***，所述医学成像***包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像***实现如上任一方面和任一可能的实现方式所述的方法。

本发明实施例提供了一种模型生成方法、医学成像的扫描规划方法及医学成像***，基于深度学习的方法确定人工智能网络模型，通过人工智能网络模型对受检者目标区域的预扫描图像进行处理，得到相应的距离场，进而通过距离场确定扫描参数。本发明实施例提供的技术方案相比于现有技术，通过人工智能网络模型获取距离场，进而确定扫描参数，减小了整个扫描过程所需要时间，且机器学习不会存在人工或经验带来的误差，因此还可以保证扫描参数的精度。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种模型生成的方法流程图；

图2是本发明实施例提供的一种脑部预扫描图像及解剖学位置扫描窗的示意图；

图3是本发明实施例提供的一种像素示意图；

图4是本发明实施例提供的另一种像素示意图；

图5是本发明实施例提供的另一种模型生成的方法流程图；

图6是本发明实施例提供的一种医学成像的扫描规划方法流程图；

图7是本发明实施例提供的三维距离场示意图；

图8是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图9是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图10是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图11是本发明实施例提供的一种基于三维梯度信息确定扫描中心点的流程示意图；

图12是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图13是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图14是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图15是本发明实施例提供的另一种医学成像的扫描规划方法流程图；

图16是本发明实施例提供的一种医学成像***的示意图；

图17是本发明实施例提供的一种具体的医学成像***图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例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。

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”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本发明实施例提供了一种模型生成方法，适用于扫描规划中网络模型的生成过程，如图1所示，所述方法包括：

101、获取样本预扫描图像以及所述样本预扫描图像对应的样本扫描参数。

其中，预扫描图像是对包含待解剖学位置的一个较大部位的整体扫描图像，是分辨率较低的三维侦察图像或者定位片图像。样本预扫描图像可以是数据库中保存的多个受检者或者同一受检者的前期已知的样本图像。

其中，所述样本预扫描图像对应的样本扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小中的其中一种，样本扫描参数为已知值或确定值。

需要说明的是，为了对解剖学位置进行精确扫描，通常需要由预扫描图像确定解剖学位置的合适的扫描窗，合适的扫描窗可以在预扫描图像上确定出候选区域。本发明实施例正是基于此目的，提供了通过样本学习得到相应的人工智能网络模型的过程，进而可以通过人工智能网络模型直接由预扫描图像得到扫描窗。

其中，样本预扫描图像对应的样本扫描参数(包括扫描中心点、扫描中心轴、扫描窗大小)是确定样本扫描窗(也即是确定样本扫描窗的距离场)所需要的参数。

具体的，为了使预扫描图像与扫描窗的对比更加清晰，具体的通过头部扫描进行示例说明，如图2所示，图中(1)为低分辨率的头部预扫描图像，从左至右依次是预扫描图像的矢状面、冠状面和横断面，图中(2)中相应的，从左至右显示了解剖学位置扫描窗在三个方向上的示意图。

102、根据所述样本扫描参数，生成样本距离场。

步骤102中，通过样本扫描参数自动生成多个样本距离场，样本距离场可以基于扫描中心点或扫描中心轴。具体的，样本距离场可以是前述样本扫描窗的扫描中心点或扫描中心轴进行距离变换后获得的。样本距离场的距离变换可以是欧氏距离变换(eudlideandistance transfrom)、棋盘距离变换(chessboard distance transform)或街道距离变换(city block distance transform)。当然，考虑到扫描坐标系在三个方向上执行扫描，除了单轴距离场，还可由两个方向的扫描轴组成L形双轴距离场。

并且，样本距离场可以是二维距离场或三维距离场。二维距离场的两个维度可包括：欧式距离和棋盘距离，或者欧式距离和城市街区距离，或者棋盘距离和城市街区距离。三维距离场的三个维度可包括：欧式距离、棋盘距离和城市街区距离。

在一个具体的实现过程中，样本距离场可以是三维距离场D(d1,d2,d3)。其中d1对应第一维度，可用欧式距离代替；d2对应第二维度，可用棋盘距离代替；d3对应第三维度，可用城市街区距离代替。各维度的距离计算过程如下：

1)根据样本扫描参数可确定一个样本扫描窗，该样本扫描窗在样本预扫描图像上可确定一个候选区域，当然样本预扫描图像也可经过二值化处理。在候选区域内包含一个连通区域S，将候选区域内中的目标像素点分类，分为内部点、外部点和孤立点。如图3所示，以中心像素的四邻域为例，如果中心像素为目标像素(值为1)且四邻域都为目标像素(值为1)，则该点为内部点。如图4所示，如果该中心像素为目标像素，四邻域为背景像素(值为0)，则该中心点为孤立点。候选区域内除了内部点和孤立点之外的目标像素点则为边界点。

2)确定候选区域内所有内部点和非内部点，其中，内部点组成的集合为R1；非内部点组成的集合为R2。

3)对于R1中的每一点，计算该点在R2中的最小距离，这些最小距离构成集合S3。

令(x₁,y₁)表示R1中的任意一点，令(x₂,y₂)表示R2中的任意一点，

当最小距离对应欧式距离，

当最小距离对应棋盘距离，d2((x₁,y₁),(x₂,y₂))＝|x₁-x₂|+|y₁-y₂|；

当最小距离对应城市街区距离，d3((x₁,y₁),(x₂,y₂))＝max(|x₁-x₂|,|y₁-y₂|)。

103、通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系。

可选地，人工智能(Artificial Intelligence，AI)网络可以选择BP(BackPropagation，反向传播)神经网络、径向基神经网络、感知器神经网络、线性神经网络、自组织神经网络、反馈神经网络、聚类网络、深度学习网络、前馈神经网络等。

在一种具体的实施方式中，人工智能网络选择卷积神经网络(ConvolutionalNeural Network,CNN)，样本距离场为三维样本距离场，步骤103以监督式学习方法，通过CNN网络中的回归网络学习样本预扫描图像和三维样本距离场，得到它们之间的映射关系，根据该映射关系可以自动化设定CNN网络中的所有参数，也即生成人工智能网络模型。

104、根据所述映射关系生成人工智能网络模型。

上述模型生成方法中，通过人工智能网络对若干个样本预扫描图像和样本距离场进行深度学习/机器学习，不断调整网络参数得到样本预扫描图像与样本距离场的映射关系，进而根据映射关系生成人工智能网络模型，完成整个的模型生成过程。

进一步来说，结合前述方法流程，为了降低人工智能网络学习的难度，提高学习的成功率，还可以根据样本预扫描图像的特征信息与样本距离场进行学习，建立人工智能网络模型，因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，执行在步骤103之前，如图5所示，包括：

105、提取所述样本预扫描图像的特征信息。

其中，所述样本预扫描图像的特征信息至少包括所述样本预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数中的其中一种。

则步骤103具体执行为以下步骤：

1031、通过人工智能网络对所述样本预扫描图像的特征信息与所述样本距离场进行学习，得到所述样本预扫描图像的特征信息与所述样本距离场的映射关系。

其中，该学习过程使用的算法包括梯度反向传播法、梯度下降算法等。

本发明实施例提供了一种医学成像的扫描规划方法，适用于扫描规划中通过人工智能网络模型确定扫描参数的过程中，该扫描规划可被医学成像设备执行，如图6所示，所述方法包括：

201、获取受检者目标区域的预扫描图像。

其中，受检者目标区域的预扫描图像为待处理的预扫描图像，预扫描图像的具体解释见步骤101，此处不再赘述。

202、通过人工智能网络模型对所述预扫描图像进行处理，得到距离场。

其中，所述人工智能网络模型可以指示所述预扫描图像与所述距离场的映射关系。人工智能网络模型的训练生成方法见上述模型生成方法实施例。

具体的，步骤202中，可以将预扫描图像、预扫描图像块或预扫描图像的特征信息输入人工智能网络模型，进而通过人工智能网络模型识别预扫描图像中包含的解剖学位置，得到相应解剖学位置扫描窗的距离场。

203、根据所述距离场，确定扫描参数。

其中，所述扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小、扫描方向中的其中一种。需要说明的是，扫描方向指的是扫描序列的施加方向，在得到距离场之后，可以根据距离场的形状判断扫描方向。

需要说明的是，本发明实施例中的预扫描图像、距离场、扫描参数、扫描窗与上述模型生成实施例中样本预扫描图像、样本距离场、样本扫描参数、样本扫描窗，实际表示的意义并没有差别，只是所在方法流程中的作用不同。比如样本预扫描图像是作为样本进行学习的图像，而本发明实施例中预扫描图像是待处理的图像。

本发明实施例提供的医学成像的扫描规划方法，通过基于深度学习方法确定的人工智能网络模型对受检者目标区域的预扫描图像进行处理，得到相应的距离场，进而通过距离场确定扫描参数。本发明实施例提供的技术方案相比于现有技术，通过人工智能网络模型获取距离场，进而确定扫描参数，可以减小整个扫描过程所需要时间，且机器学习不会存在人工或经验带来的误差，因此还可以保证扫描参数的精度。并且本发明实施例中，距离场可以是各种形状的距离场，因此本技术方案提供的医学成像的扫描规划方法，可以适用于各种不同的扫描区域。

进一步来说，在一个具体示例中，如图7所示，以膝关节的预扫描图像(图中(1)，其中左上一、右上一和右下一小图分别是膝关节在三维方向上的预扫描图像，分别为横断面、冠状面和矢状面视图，每张小图左下角小框示意图中的白色边框大致标注出了解剖学位置)为例，将通过本发明实施例提供的技术方案生成的三维距离场(图中(2)，图中相应位置的距离场图分别与(1)一一对应，其中颜色较深的黑色阴影部分为三维距离场，具体见每张小图左下角小框示意图中的白色边框标注部分)，与通过已知的扫描参数生成的三维距离场(图中(3)，图中相应位置的距离场图分别与(1)一一对应，其中颜色较深的黑色阴影部分为三维距离场，具体见每张小图左下角小框示意图中的白色边框标注部分)进行对比，可以看到，本技术方案生成的三维距离场与扫描参数生成的三维距离场大致是相同的，这很好的说明了本技术方***性和实用性。需要说明的是，图7中(1)(2)(3)中左下一小图均为示意图的美观而设置的无意义补充图。

进一步来说，结合前述方法流程，在确定扫描参数之后，***还要根据扫描参数进行扫描，因此本发明实施例的另一种可能的实现方式还提供以下方法流程，执行在步骤203之后，如图8所示，包括：

204、基于所述扫描参数对所述受检者目标区域执行扫描。

进一步来说，结合前述方法流程，为了降低人工神经网络模型的处理难度，可以根据预扫描图像的特征信息获取距离场，因此本发明实施例的另一种可能的实现方式还提供了以下方法流程，执行在步骤202之前，如图9所示，包括：

205、提取所述预扫描图像的特征信息。

其中，所述预扫描图像的特征信息至少包括所述预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数中的其中一种。

则步骤202具体执行为以下步骤：

2021、通过人工智能网络模型对所述预扫描图像的特征信息进行处理，得到距离场。

其中，所述人工智能网络模型可以指示所述预扫描图像的特征信息与所述距离场的映射关系。

进一步来说，结合前述方法流程，为了更加具体的介绍各个扫描参数的确定过程，基于扫描中心点、扫描中心轴、扫描窗大小，本发明实施例的另一种可能的实现方式针对步骤202的实现，还提供了以下三种可能的实现方法。

第一种实现方法，基于扫描中心点，如图10所示，包括：

2022、通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心点的距离场。

其中，步骤2022中，人工智能网络模型是根据上述模型生成方法实施例，通过对样本预扫描图像与由扫描中心点生成的样本距离场进行学习生成的网络模型。

则步骤203具体执行为以下步骤：

2031、根据所述基于扫描中心点的距离场，确定扫描中心点。

为了使确定扫描中心点的过程更加易于理解，本发明实施例针对基于三维梯度信息(梯度x，梯度y，梯度z)确定扫描中心点三维坐标(x,y,z)的过程，提供了如图11所示的流程示意图。

第二种实现方法，基于扫描中心轴，如图12所示，包括：

2023、通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心轴的距离场。

其中，步骤2023中，人工智能网络模型是根据上述模型生成方法实施例，通过对样本预扫描图像与由扫描中心轴生成的样本距离场进行学习生成的网络模型。

则步骤203具体执行为以下步骤：

2032、根据所述基于扫描中心轴的距离场，确定扫描中心轴。

第三种实现方法，基于扫描窗大小，如图13所示，包括：

2024、通过人工智能网络模型对所述预扫描图像进行处理，得到非线性加窗距离场。

其中，步骤2024中，人工智能网络模型是根据上述模型生成方法实施例，通过对样本预扫描图像与由扫描中心点、扫描窗大小生成的样本距离场进行学习训练生成的网络模型。具体的，由扫描中心点和扫描窗大小生成非线性加窗函数，通过非线性加窗函数得到非线性加窗距离场，进而学习样本预扫描图像和非线性加窗距离场，得到人工智能网络模型。

则步骤203具体执行为以下步骤：

2033、根据所述非线性加窗距离场，确定扫描窗大小。

进一步来说，结合前述方法流程，对于步骤203中以何种运算方式通过距离场确定扫描参数的具体实现过程，本发明实施例的另一种可能的实现方式还提供了以下两种可能的实现方法：

第一种方法，如图14所示，包括：

2034、对所述距离场进行加权拟合运算，确定扫描参数。

具体的，比如当距离场为圆柱形时，可以通过加权直线拟合运算，确定扫描中心轴。

第二种方法，如图15所示，包括：

2035、对所述距离场进行霍夫投票，确定扫描参数。

需要说明的是，基于上述实施例中，通过霍夫(Hough)投票确定扫描参数时，可以根据解剖学位置的组织结构特征，对距离场中各个空间位置进行加权计算，以屏蔽代表性差的区域。

本发明实施例提供了一种医学成像***，如图16所示，所述医学成像***包括处理器31以及存储器32；所述存储器32用于存储指令，所述指令被所述处理器31执行时，导致所述医学成像***实现模型生成方法、医学成像的扫描规划方法中任一实施例相关的方法流程。

上述医学成像***中，可以通过人工智能网络对多个样本预扫描图像和样本距离场进行深度学习，得到样本预扫描图像与样本三维距离场的对应关系，进而根据映射关系生成人工智能网络模型，完成整个的模型生成过程。进而可以通过人工智能网络模型对受检者目标区域的预扫描图像进行处理，得到相应的距离场，通过距离场确定扫描参数。本发明实施例提供的技术方案相比于现有技术，通过人工智能网络模型获取距离场，进而确定扫描参数，可以减小整个扫描过程所需要时间，且机器学习不会存在人工或经验带来的误差，因此还可以保证扫描参数的精度。

在一种可能的实现方式中，针对医学成像的扫描规划方法，如图17所示，医学成像***可以包括扫描仪41和计算机42。

其中，扫描仪41可以是数字化X射线摄影(digital radiography，DR)扫描仪、磁共振(magnetic resonance，MR)扫描仪、计算机断层扫描(computed tomography，CT)扫描仪等。

具体的，扫描仪可对受检者目标区域执行预扫描生成预扫描图像，或者基于计算机42生成的扫描参数对受检者目标区域执行成像扫描。

其中，计算机42可以被用于实现实施本发明实施例中披露的特定方法和装置。在一些实施例中，计算机42可以通过其硬件设备、软件程序、固件以及它们的组合来实现本发明实施例的具体实施。在一些实施例中，计算机42可以是一个通用目的的计算机，或一个有特定目的的计算机。

如图17所示，计算机42可以包括内部通信总线421，处理器(processor)422，只读存储器(ROM)423，随机存取存储器(RAM)424，通信端口425，输入/输出组件426，硬盘427，以及用户界面428。内部通信总线421可以实现计算机42组件间的数据通信。处理器422可以进行判断和发出提示。

在一些实施例中，处理器422可以由一个或多个处理器组成。通信端口425可以实现计算机42与其他部件(图中未示出)例如：外接设备、图像采集设备、数据库、外部存储以及图像处理工作站等之间进行数据通信。

在一些实施例中，计算机42可以通过通信端口425从网络发送和接受信息及数据。输入/输出组件426支持计算机42与其他部件之间的输入/输出数据流。用户界面428可以实现计算机42和用户之间的交互和信息交换。计算机42还可以包括不同形式的程序储存单元以及数据储存单元，例如硬盘427，只读存储器(ROM)423，随机存取存储器(RAM)424，能够存储计算机处理和/或通信使用的各种数据文件，以及处理器422所执行的可能的程序指令。

在本发明实施例中，处理器422的指令用于执行如下操作：获取受检者目标区域的预扫描图像；通过人工智能网络模型对预扫描图像进行处理，得到距离场，人工智能网络模型包含预扫描图像与距离场之间的映射关系；根据所述距离场，确定扫描参数。进一步的，预扫描图像可以是预先存储在只读存储器423或者随机存取存储器424中，或者通过扫描仪41即时扫描获得。

可选地，处理器422还可执行对人工智能网络进行训练：获取样本预扫描图像以及样本预扫描图像对应的样本扫描参数，样本扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小中的其中一种；根据样本扫描参数，生成样本距离场；通过人工智能网络对样本预扫描图像与样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系；根据所述映射关系生成人工智能网络模型。在此实施例中，处理器422执行对人工智能网络训练的过程还包括：提取样本预扫描图像的特征信息；通过人工智能网络学习样本预扫描图像的特征信息与样本距离场，得到所述样本预扫描图像的特征信息与所述样本距离场的映射关系，与之对应地，对于对受检者目标区域的预扫描图像的处理可包括：提取预扫描图像的特征信息，并将该特征信息输入人工智能网络模型中，输出预测的距离场。其中预扫描图像的特征信息可包括样本预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数等。

可选地，上述样本预扫描图像、样本扫描参数或者人工智能网络模型可以预先存储在计算机42中。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种模型生成方法，其特征在于，所述方法包括：

获取样本预扫描图像以及所述样本预扫描图像对应的样本扫描参数，所述样本扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小中的其中一种；

根据所述样本扫描参数，生成样本距离场；

通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系；

根据所述映射关系生成人工智能网络模型。

2.根据权利要求1所述的方法，其特征在于，在所述通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系之前，所述方法还包括：

提取所述样本预扫描图像的特征信息，所述样本预扫描图像的特征信息至少包括所述样本预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数中的其中一种；

则通过人工智能网络对所述样本预扫描图像与所述样本距离场进行学习，得到所述样本预扫描图像与所述样本距离场的映射关系，包括：

通过人工智能网络对所述样本预扫描图像的特征信息与所述样本距离场进行学习，得到所述样本预扫描图像的特征信息与所述样本距离场的映射关系。

3.一种医学成像的扫描规划方法，其特征在于，所述方法包括：

获取受检者目标区域的预扫描图像；

通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，所述人工智能网络模型包含所述预扫描图像与所述距离场的映射关系；

根据所述距离场，确定扫描参数，所述扫描参数至少包括扫描中心点、扫描中心轴、扫描窗大小、扫描方向中的其中一种。

4.根据权利要求3所述的方法，其特征在于，在所述根据所述距离场，确定扫描参数之后，所述方法还包括：

基于所述扫描参数对所述受检者目标区域执行扫描。

5.根据权利要求3所述的方法，其特征在于，在所述通过人工智能网络模型对所述预扫描图像进行处理之前，所述方法还包括：

提取所述预扫描图像的特征信息，所述预扫描图像的特征信息至少包括所述预扫描图像的三维梯度信息、梯度块信息、图像块信息、结构张量信息、三维小波系数、二维小波系数、梯度幅值信息、梯度单位向量信息中的其中一种；

则所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像的特征信息进行处理，得到距离场，所述人工智能网络模型包含所述预扫描图像的特征信息与所述距离场的映射关系。

6.根据权利要求3所述的方法，其特征在于，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心点的距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述基于扫描中心点的距离场，确定扫描中心点。

7.根据权利要求3所述的方法，其特征在于，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到基于扫描中心轴的距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述基于扫描中心轴的距离场，确定扫描中心轴。

8.根据权利要求3所述的方法，其特征在于，所述通过人工智能网络模型对所述预扫描图像进行处理，得到距离场，包括：

通过人工智能网络模型对所述预扫描图像进行处理，得到非线性加窗距离场；

则根据所述距离场，确定扫描参数，包括：

根据所述非线性加窗距离场，确定扫描窗大小。

9.根据权利要求3所述的方法，其特征在于，所述根据所述距离场，确定扫描参数，包括：

对所述距离场进行加权拟合运算，确定扫描参数；或，

对所述距离场进行霍夫投票，确定扫描参数。

10.一种医学成像***，其特征在于，所述医学成像***包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述医学成像***实现如权利要求1至9任一项所述的方法。