本技術涉及圖像，特別是涉及一種數據擴增方法、模型訓練方法、裝置、計算機設備和介質。

背景技術：

1、隨著人工智能在醫學領域的發展與應用，將深度學習技術應用于磁共振系統已經成為發展趨勢。例如：通過深度學習模型，對磁共振掃描圖像中的目標組織進行分割，得到目標組織分割結果。

2、對于深度學習模型而言，往往需要大量的訓練數據，才能訓練得到高精度的深度學習模型。其中，訓練數據需包括大量的高分辨率磁共振數據。然而，由于高分辨率磁共振數據的獲取難度較大，難以通過直接掃描獲得大量的高分辨率磁共振數據，導致深度學習模型的訓練數據量較少，進而造成訓練得到的深度學習模型的準確性較低。

3、因此，如何獲取大量的高分辨率磁共振數據，以擴增深度學習模型的訓練數據進而提高深度學習模型的準確性成為了目前亟待解決的技術問題。

技術實現思路

1、基于此，有必要針對上述技術問題，提供一種能夠基于采集到的少量高分辨率磁共振數據，并對該少量高分辨率磁共振數據進行擴增，以獲取到大量訓練數據的數據擴增方法、模型訓練方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。

2、第一方面，本技術提供了一種數據擴增方法。該方法包括：

3、獲取金標準磁共振數據；

4、對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充處理，得到樣本磁共振數據；

5、基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡；目標生成對抗網絡包括目標生成器網絡；目標生成器網絡用于對金標準磁共振數據進行擴增處理。

6、在其中一個實施例中，對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充處理，得到樣本磁共振數據，包括：

7、按照預設尺寸提取金標準磁共振數據對應的目標k空間中的中心區域的磁共振數據，得到中心磁共振數據；

8、基于第一預設填充數值，對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充處理，得到邊緣磁共振數據；目標k空間的邊緣區域為目標k空間中剔除中心區域后剩余的k空間區域；

9、基于中心磁共振數據及邊緣磁共振數據，得到樣本磁共振數據。

10、在其中一個實施例中，初始生成對抗網絡包括初始生成器網絡和初始判別器網絡；基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡，包括：

11、將樣本磁共振數據輸入至初始生成器網絡中，得到擴增后的樣本磁共振數據；

12、將擴增后的樣本磁共振數據和金標準磁共振數據，輸入至初始判別器網絡中，得到判別結果；

13、基于判別結果，對初始生成器網絡和初始判別器網絡進行訓練，得到目標生成對抗網絡。

14、在其中一個實施例中，將樣本磁共振數據輸入至初始生成器網絡中，得到擴增后的樣本磁共振數據，包括：

15、將樣本磁共振數據輸入至初始生成器網絡中，得到候選磁共振數據；

16、將候選磁共振數據對應的目標k空間的中心區域的磁共振數據，替換為中心磁共振數據，得到擴增后的樣本磁共振數據。

17、在其中一個實施例中，擴增后的樣本磁共振數據和金標準磁共振數據均為磁共振掃描生數據；初始判別器網絡包括第一初始判別器網絡和第二初始判別器網絡；將擴增后的樣本磁共振數據和金標準磁共振數據，輸入至初始判別器網絡中，得到判別結果，包括：

18、將擴增后的樣本磁共振數據和金標準磁共振數據，輸入至第一初始判別器網絡中，得到第一判別結果；

19、對擴增后的樣本磁共振數據進行圖像重建，得到樣本磁共振圖像；以及對金標準磁共振數據進行圖像重建，得到金標準磁共振圖像；

20、將樣本磁共振圖像和金標準磁共振圖像，輸入至第二初始判別器網絡中，得到第二判別結果；

21、根據第一判別結果和第二判別結果，得到判別結果。

22、在其中一個實施例中，該方法還包括：

23、獲取初始磁共振數據；初始磁共振數據的分辨率小于金標準磁共振數據的分辨率；

24、基于第二預設填充數值，對初始磁共振數據對應的初始k空間的外圍區域進行填充處理，將填充后的初始磁共振數據作為樣本磁共振數據。

25、在其中一個實施例中，該方法還包括：

26、將金標準磁共振數據輸入至目標生成器網絡中進行擴增處理，得到擴增后的金標準磁共振數據；

27、將金標準磁共振數據和擴增后的金標準磁共振數據，作為深度學習網絡的訓練數據；

28、基于訓練數據，對深度學習網絡進行訓練，得到訓練好的深度學習模型。

29、在其中一個實施例中，訓練數據作為深度學習網絡的樣本數據，或者，作為深度學習網絡的金標準數據。

30、第二方面，本技術還提供了一種模型訓練方法。該方法包括：

31、獲取金標準磁共振數據；

32、獲取樣本磁共振數據；樣本磁共振數據的獲取方式包括對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充獲取，和/或，對初始磁共振數據對應的初始k空間的外圍區域進行填充獲取；

33、基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡；目標生成對抗網絡包括目標生成器網絡；

34、將金標準磁共振數據輸入至目標生成器網絡中進行擴增處理，得到擴增后的金標準磁共振數據；

35、基于金標準磁共振數據和擴增后的金標準磁共振數據，對深度學習網絡進行訓練，得到訓練好的深度學習模型。

36、第三方面，本技術還提供了一種數據擴增裝置。該裝置包括：

37、獲取模塊，用于獲取金標準磁共振數據；

38、處理模塊，用于對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充處理，得到樣本磁共振數據；和/或，對初始磁共振數據對應的初始k空間的外圍區域進行填充處理，得到樣本磁共振數據；

39、第一訓練模塊，用于基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡；目標生成對抗網絡包括目標生成器網絡；目標生成器網絡用于對金標準磁共振數據進行擴增處理。

40、第四方面，本技術還提供了一種模型訓練裝置。該裝置包括：

41、第一獲取模塊，用于獲取金標準磁共振數據；

42、第二獲取模塊，用于獲取樣本磁共振數據；樣本磁共振數據的獲取方式包括對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充獲取，和/或，對初始磁共振數據對應的初始k空間的外圍區域進行填充獲取；

43、第一訓練模塊，用于基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡；目標生成對抗網絡包括目標生成器網絡；

44、擴增模塊，用于將金標準磁共振數據輸入至目標生成器網絡中進行擴增處理，得到擴增后的金標準磁共振數據；

45、第二訓練模塊，用于基于金標準磁共振數據和擴增后的金標準磁共振數據，對深度學習網絡進行訓練，得到訓練好的深度學習模型。

46、第五方面，本技術還提供了一種計算機設備。該計算機設備包括存儲器和處理器，該存儲器存儲有計算機程序，該處理器執行所述計算機程序時實現上述第一方面中的數據擴增方法和/或上述第二方面中的模型訓練方法的步驟。

47、第六方面，本技術還提供了一種計算機可讀存儲介質。該計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述第一方面中的數據擴增方法和/或上述第二方面中的模型訓練方法的步驟。

48、第七方面，本技術還提供了一種計算機程序產品，該計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述第一方面中的數據擴增方法和/或上述第二方面中的模型訓練方法的步驟。

49、上述數據擴增方法、模型訓練方法、裝置、計算機設備、存儲介質和計算機程序產品，計算機設備通過獲取金標準磁共振數據；接著，通過對金標準磁共振數據對應的目標k空間中的邊緣區域進行填充處理，來得到樣本磁共振數據；并基于樣本磁共振數據和金標準磁共振數據，對初始生成對抗網絡進行訓練，得到目標生成對抗網絡；該目標生成對抗網絡中包括目標生成器網絡；目標生成器網絡可用于對金標準磁共振數據進行擴增處理。由此可見，本技術實施例中，對于真實采集的少量高分辨率磁共振數據而言，通過對其目標k空間中的邊緣區域進行不同填充處理，可以得到大量的與真實采集的磁共振數據的分辨率近乎一致的樣本磁共振數據；進而，將該少量高分辨磁共振數據作為金標準磁共振數據，并與處理所得的大量樣本磁共振數據，再共同作為生成對抗網絡的訓練數據，來實現對生成對抗網絡的訓練；由于訓練數據量較大，因此能夠獲得高精度的目標生成器網絡。接著，基于該高精度的目標生成器網絡，對真實采集的少量高分辨率磁共振數據進行數據擴增處理，不僅能夠得到大量的高分辨率磁共振數據，而且，采用該方法進行數據擴增后的高分辨率磁共振數據，與真實采集的高分辨率磁共振數據也更為接近，其數據擴增處理的精度和準確性均有所保障；進而，將以此方式進行數據擴增處理后的大量高分辨率磁共振數據作為深度學習模型的訓練數據進行訓練時，能夠為深度學習模型的訓練提供了強有力的數據支撐，并能夠提高深度學習模型的訓練精度和模型準確性。

50、另外，采用本技術實施例提出的方法，不僅能夠對深度學習模型所需的但難以實際采集的高分辨率磁共振數據進行擴展，得到大量的訓練數據，提高訓練數據的獲取效率；而且還能解決在實際采集高分辨率磁共振數據的過程中所面臨的采集難度大以及可能出現的運動偽影等的一系列問題，從而提高高分辨率磁共振數據的準確性，提高訓練數據的精度；進而能夠提高對深度學習模型的訓練精度。