图像重建方法、系统、电子设备及可读存储介质与流程
1.本公开涉及图像重建技术领域，特别涉及一种图像重建方法、系统、电子设备及可读存储介质。
背景技术：
2.现有的ct重建技术多采用fbp(滤波反投影)技术进行图像重建。在滤波过程中，kernel函数(滤波核函数)的选择决定了生成的断层图像的风格特征。滤波核函数的本质上是由不同频率的滤波系数所组成的曲线。
3.在实际应用中，不同的医院、不同的医生或者不同的扫描部位所需要的滤波核函数往往是不同的。目前的滤波核函数，主要依赖于开发者通过经验去调整现有的滤波核函数，使用第一次调整后的滤波核函数进行图像重建生成一批样图供临床医生们评审，收集临床医生们的反馈意见，并结合经验再次调整该滤波和函数所对应的曲线。重复上述过程，直到基于所调整的滤波核函数重建的图像符合临床医生们的需求。这不仅需要开发者拥有丰富的经验，而且反复调整、生成样图、收集意见这个过程的工作量巨大，使得难以获得满足不同需求的滤波核函数。
技术实现要素：
4.为解决上述技术问题，本公开提供一种图像重建方法、系统、电子设备及可读存储介质，只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。
5.第一方面，本公开提供一种图像重建方法，该方法包括：
6.获取目标样本图像；
7.提取所述目标样本图像的风格特征得到目标风格特征；
8.将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
9.基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。
10.较佳地，所述提取所述目标样本图像的风格特征得到目标风格特征的步骤包括：
11.使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；
12.使用gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。
13.较佳地，所述第一卷积神经网络基于训练数据集训练神经网络模型得到，训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。
14.较佳地，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一
滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。
15.较佳地，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和ct数据进行图像重建得到的图像的空气图像噪声；其中，所述空气图像噪声为图像中不包括成像物体的区域的图像噪声。
16.较佳地，所述第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到；所述基准图像噪声用于表征，利用所述第一滤波核函数基于所述样本图像对应的ct数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声；所述图像噪声变化系数根据所述实际采集重建条件与所述预设采集重建条件之间的差异确定。
17.较佳地，所述基准图像噪声为抽样频率噪声贡献值之和；所述抽样频率噪声贡献值为预设噪声贡献值与对应的波幅值的乘积；其中，所述预设噪声贡献值为在所述预设采集重建条件下不同频率分量对图像噪声的贡献值，所述频率分量和对应的波幅值由对所述第一滤波核函数进行抽样得到。
18.第二方面，本公开提供一种图像重建系统，该系统包括：
19.样本图像获取模块，用于获取目标样本图像；
20.风格特征获取模块，用于提取所述目标样本图像的风格特征得到目标风格特征；
21.目标函数生成模块，用于将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
22.图像重建模块，用于基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。
23.较佳地，所述风格特征获取模块包括：
24.图像特征提取单元，用于使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；
25.风格特征生成单元，用于使用gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。
26.较佳地，该图像重建系统还包括模型训练模块，用于基于训练数据集训练神经网络模型得到所述第一卷积神经网络。训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。
27.较佳地，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。
28.较佳地，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和ct数据进行图像重建得到
的图像的空气图像噪声；其中，所述空气图像噪声为图像中不包括成像物体的区域的图像噪声。
29.较佳地，所述第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到；所述基准图像噪声用于表征，利用所述第一滤波核函数基于所述样本图像对应的ct数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声；所述图像噪声变化系数根据所述实际采集重建条件与所述预设采集重建条件之间的差异确定。
30.较佳地，所述基准图像噪声为抽样频率噪声贡献值之和；所述抽样频率噪声贡献值为预设噪声贡献值与对应的波幅值的乘积；其中，所述预设噪声贡献值为在所述预设采集重建条件下不同频率分量对图像噪声的贡献值，所述频率分量和对应的波幅值由对所述第一滤波核函数进行抽样得到。
31.第三方面，本公开提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行计算机程序时，实现第一方面及其任一种实施方式所述的图像重建方法。
32.第四方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面及其任一种实施方式所述的图像重建方法。
33.本公开的积极进步效果在于：本公开提供的图像重建方法、系统、电机设备及可读存储介质，只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。
附图说明
34.图1为本公开实施例1中的图像重建方法的流程图；
35.图2为本公开实施例1中获取目标损失函数的流程示意图；
36.图3为本公开实施例1中的图像重建方法的原理示意图；
37.图4为本公开实施例2中的图像重建系统的模块示意图；
38.图5为本公开实施例3中的电子设备的结构示意图。
具体实施方式
39.下面通过实施例的方式进一步说明本公开，但并不因此将本公开限制在所述的实施例范围之中。
40.实施例1
41.本实施例提供一种图像重建方法。
42.如图1所示，该图像重建方法包括步骤s1-s4：
43.步骤s1、获取目标样本图像；
44.步骤s2、提取目标样本图像的风格特征得到目标风格特征；
45.步骤s3、将目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
46.步骤s4、基于目标滤波核函数对待重建数据进行图像重建，获得重建图像。
47.在步骤s1中，收集一批目标用户想要的风格的ct图像作为目标样本图像。
48.在步骤s2中，提取目标样本图像的风格特征作为目标风格特征。
49.其中，风格特征用于表征ct图像的彩、明暗、噪声、纹理等特征。
50.在一种可行的实施方式中，步骤s2包括：
51.步骤s21、使用包括多个卷积核的第二卷积神经网络基于目标样本图像提取得到多个通道的图像特征；
52.步骤s22、使用gram矩阵基于多个通道的图像特征获取目标风格特征。
53.具体地，将目标样本图像输入第二卷积神经网络，第二卷积神经网络包括多个卷积核，不同的卷积核用于输出不同通道的图像特征。即，目标样本图像经过不同的卷积核提取得到多个通道的图像特征，将多个通道的图像特征利用gram矩阵进行表征，得到目标风格特征。
54.示例性的，目标样本图像的尺寸为n*n，第二卷积神经网络包括c个卷积核k，每个卷积核k的尺寸为m*m。目标样本图像经过第二卷积神经网络得到多个通道的图像特征i，其计算方式为：
55.i
c,j,j
＝i
n,n
*k
c,m,m
；
56.利用gram矩阵表征c个通道的图像特征得到目标风格特征ig，其计算方式为：
[0057][0058]
在步骤s3中，第一卷积神经网络根据目标风格特征进行推理，便可以得到目标滤波核函数。
[0059]
在一种可行的实施方式中，第一卷积神经网络是基于训练数据集训练神经网络模型得到的。其中，训练数据集包括若干样本图像和重建样本图像的样本滤波核函数。
[0060]
训练过程为根据目标损失函数反向传播误差，迭代更新神经网络模型的模型参数，直至目标损失函数小于预设阈值。
[0061]
在一种可行的实施方式中，第一卷积神经网络包括一系列卷积层。在另一种可行的实施方式中，第一卷积神经网络还包括残差模块。
[0062]
在一种可行的实施方式中，目标损失函数根据第一损失函数确定。
[0063]
具体地，先根据样本图像的风格特征生成第一滤波核函数，再基于第一滤波核函数和样本滤波核函数获取表征图像风格差异的第一损失函数，将第一损失函数作为目标损失函数。
[0064]
示例性的，根据样本图像的风格特征生成的第一滤波核函数为kernel1，样本滤波核函数为kernel0。第一损失函数l1为第一滤波核函数与样本滤波核函数的均方误差，具体的计算方式为：
[0065][0066]
在另一种可行的实施方式中，如图2所示，目标损失函数根据第一损失函数和第二损失函数确定。
[0067]
具体地，先获取样本图像的空气图像噪声得到第一图像噪声，再利用第一滤波核函数基于样本图像对应的实际采集重建条件和ct数据进行图像重建，将重建得到的图像的空气图像噪声作为第二图像噪声，最后获取第一图像噪声与第二图像噪声的差值得到第二损失函数。其中，空气图像噪声为图像中不包括成像物体的区域的图像噪声。
[0068]
示例性的，选取像边缘不包括成像物体的n个图正方形区域i，么每个正方形区域中的图像噪声为i
air
，相应的空气图像噪声为所有正方形区域i
air
的图像噪声的样本方差开平方根的值。因此，第一图像噪声的计算方式为：
[0069][0070]
在一种可行的实施方式中，第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到。
[0071]
其中，基准图像噪声用于表征，利用第一滤波核函数基于样本图像对应的ct数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声。
[0072]
并且，由于实际采集参数和预设采集参数不同、实际重建参数和预设重建参数不同，造成了实际采集重建条件与预设采集重建条件之间存在一定差异。
[0073]
根据实际采集重建条件与预设采集重建条件之间的差异获取图像噪声变化系数，可以使用图像噪声变化系数调整基准图像噪声获得第二图像噪声。这样无需真的利用第一滤波核函数基于样本图像对应的ct数据按照预设采集重建条件进行图像重建，也可以获得基准图像噪声。
[0074]
在一种可行的实施方式中，基准图像噪声为第一滤波和函数的抽样频率噪声贡献值之和。
[0075]
具体地，对第一滤波核函数进行抽样，获取抽样频率分量及对应的波幅值；获取抽样频率分量对应的预设噪声贡献值，预设噪声贡献值为在预设采集重建条件下不同频率分量对图像噪声的贡献值；计算预设噪声贡献值与对应的波幅值的乘积得到抽样频率噪声贡献值；统计抽样频率噪声贡献值之和得到基准图像噪声。
[0076]
基准图像噪声的计算方法为：
[0077][0078]
其中，n是按照每1lp/cm为单位对第一滤波核函数进行抽样后的抽样点数量。wi是机器预先标定好的一组参数，上限为系统的最大分辨率对应的lp/cm，wi表征了ct数据不同频率分量对图像噪声的贡献值。vi是第一滤波核函数抽样后的值，代表了每部分频率分量的幅值。
[0079]
在ct扫描的采集参数中，kv值、ma值、滤过板类型会影响图像噪声，在ct图像的重建参数中，重建图像的图像厚度也会影响图像噪声。这些因素对于图像噪声的影响都是独立的，可以单独在ct系统上进行标定及调整。因此，图像噪声变化系数包括kv值变化率w
kv
、ma值变化率w
ma
以及图像厚度变化率w
imgthickness
等。
[0080]
具体地，第二图像噪声l2的计算方式为：
[0081]
noise2＝noise0
·wkv
·wma
·wimgthickness
。
[0082]
示例性的，预设采集重建条件为120kv，100ma，利用头部对应的滤过板进行axial扫描，重建0.5mm厚度的图像。样本图像的实际采集重建条件为100kv，100ma，利用头部滤过板进行axial扫描，重建1mm厚度的图像，那么w
kv
就会调整kv由120kv变化为100kv带来的图像噪声变化；w
ma
未发生变化，值为1；w
imgthickness
调整由0.5mm变化为1mm带来的图像噪声变化。最终可以得到，利用第一滤波核函数基于样本图像对应的实际采集重建条件和ct数据
进行图像重建得到的图像的空气图像噪声。
[0083]
在得到第一图像噪声和第二图像噪声之后，根据第一图像噪声与第二图像噪声之间的变化，可以得到第二损失函数，用于表征在相同采集重建条件下，利用第一卷积神经网络生成的第一滤波核函数与利用对应的样本滤波核函数进行图像重建所得到图像的图像噪声的差异。
[0084]
示例性的，第二损失函数的计算方式为：
[0085]
l2＝|noise1-noise2|
[0086]
因此，目标损失函数的计算方式还可以为l＝l1+l2，或l＝l1/(l1+l2)。
[0087]
在步骤s4中，利用目标滤波核函数基于待重建数据进行图像重建，最终获得符合需要的重建图像。
[0088]
如图3所示，本实施例提供的图像重建方法，只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。
[0089]
实施例2
[0090]
本实施例提供一种图像重建系统。
[0091]
如图4所示，该图像重建系统包括：
[0092]
样本图像获取模块21，用于获取目标样本图像；
[0093]
风格特征获取模块22，用于提取目标样本图像的风格特征得到目标风格特征；
[0094]
目标函数生成模块23，用于将目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；
[0095]
图像重建模块24，用于基于目标滤波核函数对待重建数据进行图像重建，获得重建图像。
[0096]
样本图像获取模块21用于收集一批目标用户想要的风格的ct图像作为目标样本图像。
[0097]
风格特征获取模块22用于提取目标样本图像的风格特征作为目标风格特征。
[0098]
其中，风格特征用于表征ct图像的彩、明暗、噪声、纹理等特征。
[0099]
在一种可行的实施方式中，风格特征获取模块22包括：
[0100]
图像特征提取单元，用于使用包括多个卷积核的第二卷积神经网络基于目标样本图像提取得到多个通道的图像特征；
[0101]
风格特征生成单元，用于使用gram矩阵基于多个通道的图像特征获取目标风格特征。
[0102]
具体地，将目标样本图像输入第二卷积神经网络，第二卷积神经网络包括多个卷积核，不同的卷积核用于输出不同通道的图像特征。即，目标样本图像经过不同的卷积核提取得到多个通道的图像特征，将多个通道的图像特征利用gram矩阵进行表征，得到目标风格特征。
[0103]
示例性的，目标样本图像的尺寸为n*n，第二卷积神经网络包括c个卷积核k，每个卷积核k的尺寸为m*m。目标样本图像经过第二卷积神经网络得到多个通道的图像特征i，其
计算方式为：
[0104]ic,j,j
＝i
n,n
*k
c,m,m
；
[0105]
利用gram矩阵表征c个通道的图像特征得到目标风格特征ig，其计算方式为：
[0106][0107]
目标函数生成模块23用于使用第一卷积神经网络根据目标风格特征进行推理，便可以得到目标滤波核函数。
[0108]
在一种可行的实施方式中，该图像重建系统还包括模型训练模块，用于基于训练数据集训练神经网络模型得到的第一卷积神经网络。其中，训练数据集包括若干样本图像和重建样本图像的样本滤波核函数。
[0109]
训练过程为根据目标损失函数反向传播误差，迭代更新神经网络模型的模型参数，直至目标损失函数小于预设阈值。
[0110]
在一种可行的实施方式中，第一卷积神经网络包括一系列卷积层。在另一种可行的实施方式中，第一卷积神经网络还包括残差模块。
[0111]
在一种可行的实施方式中，目标损失函数根据第一损失函数确定。
[0112]
具体地，先根据样本图像的风格特征生成第一滤波核函数，再基于第一滤波核函数和样本滤波核函数获取表征图像风格差异的第一损失函数，将第一损失函数作为目标损失函数。
[0113]
示例性的，根据样本图像的风格特征生成的第一滤波核函数为kernel1，样本滤波核函数为kernel0。第一损失函数l1为第一滤波核函数与样本滤波核函数的均方误差，具体的计算方式为：
[0114][0115]
在另一种可行的实施方式中，如图2所示，目标损失函数根据第一损失函数和第二损失函数确定。
[0116]
具体地，先获取样本图像的空气图像噪声得到第一图像噪声，再利用第一滤波核函数基于样本图像对应的实际采集重建条件和ct数据进行图像重建，将重建得到的图像的空气图像噪声作为第二图像噪声，最后获取第一图像噪声与第二图像噪声的差值得到第二损失函数。其中，空气图像噪声为图像中不包括成像物体的区域的图像噪声。
[0117]
示例性的，选取像边缘不包括成像物体的n个图正方形区域i，么每个正方形区域中的图像噪声为i
air
，相应的空气图像噪声为所有正方形区域i
air
的图像噪声的样本方差开平方根的值。因此，第一图像噪声的计算方式为：
[0118][0119]
在一种可行的实施方式中，第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到。
[0120]
其中，基准图像噪声用于表征，利用第一滤波核函数基于样本图像对应的ct数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声。
[0121]
并且，由于实际采集参数和预设采集参数不同、实际重建参数和预设重建参数不
同，造成了实际采集重建条件与预设采集重建条件之间存在一定差异。
[0122]
根据实际采集重建条件与预设采集重建条件之间的差异获取图像噪声变化系数，可以使用图像噪声变化系数调整基准图像噪声获得第二图像噪声。这样无需真的利用第一滤波核函数基于样本图像对应的ct数据按照预设采集重建条件进行图像重建，也可以获得基准图像噪声。
[0123]
在一种可行的实施方式中，基准图像噪声为第一滤波和函数的抽样频率噪声贡献值之和。
[0124]
具体地，对第一滤波核函数进行抽样，获取抽样频率分量及对应的波幅值；获取抽样频率分量对应的预设噪声贡献值，预设噪声贡献值为在预设采集重建条件下不同频率分量对图像噪声的贡献值；计算预设噪声贡献值与对应的波幅值的乘积得到抽样频率噪声贡献值；统计抽样频率噪声贡献值之和得到基准图像噪声。
[0125]
基准图像噪声的计算方法为：
[0126][0127]
其中，n是按照每1lp/cm为单位对第一滤波核函数进行抽样后的抽样点数量。wi是机器预先标定好的一组参数，上限为系统的最大分辨率对应的lp/cm，wi表征了ct数据不同频率分量对图像噪声的贡献值。vi是第一滤波核函数抽样后的值，代表了每部分频率分量的幅值。
[0128]
在ct扫描的采集参数中，kv值、ma值、滤过板类型会影响图像噪声，在ct图像的重建参数中，重建图像的图像厚度也会影响图像噪声。这些因素对于图像噪声的影响都是独立的，可以单独在ct系统上进行标定及调整。因此，图像噪声变化系数包括kv值变化率w
kv
、ma值变化率w
ma
以及图像厚度变化率w
imgthickness
等。
[0129]
具体地，第二图像噪声l2的计算方式为：
[0130]
noise2＝noise0
·wkv
·wma
·wimgthickness
。
[0131]
示例性的，预设采集重建条件为120kv，100ma，利用头部对应的滤过板进行axial扫描，重建0.5mm厚度的图像。样本图像的实际采集重建条件为100kv，100ma，利用头部滤过板进行axial扫描，重建1mm厚度的图像，那么w
kv
就会调整kv由120kv变化为100kv带来的图像噪声变化；w
ma
未发生变化，值为1；w
imgthickness
调整由0.5mm变化为1mm带来的图像噪声变化。最终可以得到，利用第一滤波核函数基于样本图像对应的实际采集重建条件和ct数据进行图像重建得到的图像的空气图像噪声。
[0132]
在得到第一图像噪声和第二图像噪声之后，根据第一图像噪声与第二图像噪声之间的变化，可以得到第二损失函数，用于表征在相同采集重建条件下，利用第一卷积神经网络生成的第一滤波核函数与利用对应的样本滤波核函数进行图像重建所得到图像的图像噪声的差异。
[0133]
示例性的，第二损失函数的计算方式为：
[0134]
l2＝|noise1-noise2|
[0135]
因此，目标损失函数的计算方式还可以为l＝l1+l2，或l＝l1/(l1+l2)。
[0136]
图像重建模块24用于利用目标滤波核函数基于待重建数据进行图像重建，最终获得符合需要的重建图像。
[0137]
如图3所示，本实施例提供的图像重建系统，只需要从目标用户偏好的图像中提取
出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。
[0138]
实施例3
[0139]
图5为本公开实施例3提供的一种电子设备的结构示意图。电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现实施例1所述的图像重建方法。图5显示的电子设备30仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0140]
如图5所示，电子设备30可以通用计算设备的形式表现，例如其可以为服务器设备。电子设备30的组件可以包括但不限于：上述至少一个处理器31、上述至少一个存储器32、连接不同系统组件(包括存储器32和处理器31)的总线33。
[0141]
总线33包括数据总线、地址总线和控制总线。
[0142]
存储器32可以包括易失性存储器，例如随机存取存储器(ram)321和/或高速缓存存储器322，还可以进一步包括只读存储器(rom)323。
[0143]
存储器32还可以包括具有一组(至少一个)程序模块324的程序/实用工具325，这样的程序模块324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。
[0144]
处理器31通过运行存储在存储器32中的计算机程序，从而执行各种功能应用以及数据处理，例如本公开实施例1所述的图像重建方法。
[0145]
电子设备30也可以与一个或多个外部设备34(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(i/o)接口35进行。并且，模型生成的设备30还可以通过网络适配器36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5所示，网络适配器36通过总线33与模型生成的设备30的其它模块通信。应当明白，尽管图中未示出，可以结合模型生成的设备30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、冗余处理器、外部磁盘驱动阵列、raid(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
[0146]
应当注意，尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
[0147]
实施例4
[0148]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时，实现实施例1所述的图像重建方法。
[0149]
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
[0150]
在可能的实施方式中，本公开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时，实现实施例1所述
的图像重建方法。
[0151]
其中，可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的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
[0152]
虽然以上描述了本公开的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本公开的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本公开的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本公开的保护范围。
技术特征：
1.一种图像重建方法，其特征在于，所述方法包括：获取目标样本图像；提取所述目标样本图像的风格特征得到目标风格特征；将所述目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。2.根据权利要求1所述的图像重建方法，其特征在于，所述提取所述目标样本图像的风格特征得到目标风格特征的步骤包括：使用包括多个卷积核的第二卷积神经网络基于所述目标样本图像提取得到多个通道的图像特征；使用gram矩阵基于所述多个通道的图像特征获取所述目标风格特征。3.根据权利要求1所述的图像重建方法，其特征在于，所述第一卷积神经网络基于训练数据集训练神经网络模型得到，训练过程为根据目标损失函数反向传播误差，迭代更新所述神经网络模型的模型参数，直至所述目标损失函数小于预设阈值；其中，所述训练数据集包括若干样本图像和重建所述样本图像的样本滤波核函数。4.根据权利要求3所述的方法，其特征在于，所述目标损失函数根据第一损失函数确定，所述第一损失函数基于第一滤波核函数和样本滤波核函数获取，所述第一损失函数用于表征图像风格差异；其中，所述第一滤波核函数根据所述样本图像的风格特征生成。5.根据权利要求4所述的方法，其特征在于，所述目标损失函数根据所述第一损失函数与第二损失函数确定，所述第二损失函数为第一图像噪声与第二图像噪声的差值，所述第二损失函数用于表征图像噪声差异；所述第一图像噪声为所述样本图像的空气图像噪声；所述第二图像噪声为利用所述第一滤波核函数基于所述样本图像对应的实际采集重建条件和ct数据进行图像重建得到的图像的空气图像噪声；其中，所述空气图像噪声为图像中不包括成像物体的区域的图像噪声。6.根据权利要求5所述的方法，其特征在于，所述第二图像噪声由使用图像噪声变化系数调整基准图像噪声得到；所述基准图像噪声用于表征，利用所述第一滤波核函数基于所述样本图像对应的ct数据按照预设采集重建条件进行图像重建得到的图像的空气图像噪声；所述图像噪声变化系数根据所述实际采集重建条件与所述预设采集重建条件之间的差异确定。7.根据权利要求6所述的方法，其特征在于，所述基准图像噪声为抽样频率噪声贡献值之和；所述抽样频率噪声贡献值为预设噪声贡献值与对应的波幅值的乘积；其中，所述预设噪声贡献值为在所述预设采集重建条件下不同频率分量对图像噪声的贡献值，所述频率分量和对应的波幅值由对所述第一滤波核函数进行抽样得到。8.一种图像重建系统，其特征在于，所述系统包括：样本图像获取模块，用于获取目标样本图像；风格特征获取模块，用于提取所述目标样本图像的风格特征得到目标风格特征；目标函数生成模块，用于将所述目标风格特征输入第一卷积神经网络生成相应的目标
滤波核函数；图像重建模块，用于基于所述目标滤波核函数对待重建数据进行图像重建，获得重建图像。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行计算机程序时，实现如权利要求1-7所述的图像重建方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7所述的图像重建方法。
技术总结
本公开提供了一种图像重建方法、系统、电子设备及可读存储介质。该图像重建方法包括：获取目标样本图像；提取目标样本图像的风格特征得到目标风格特征；将目标风格特征输入第一卷积神经网络生成相应的目标滤波核函数；基于目标滤波核函数对待重建数据进行图像重建，获得重建图像。该方法只需要从目标用户偏好的图像中提取出目标风格特征，将目标风格特征输入训练过的网络模型中，就可以根据该目标风格特征直接推理得到目标滤波核函数，进而进行相应风格特征的图像重建，不再需要反复进行繁琐的调试，可以快速获得满足不同需求的滤波核函数，大量减少生成滤波核函数所需的时间成本、人力成本。人力成本。人力成本。
