[發明專利]醫學圖像偽影自動校正方法、裝置和計算機設備

在審

• 申請號: 202010909542.6
• 申請日: 2020-09-02
• 公開（公告）號: CN112037146A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 諶高峰;張浩;蔡敏占
• 申請（專利權）人: 廣州海兆印豐信息科技有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/04
• 代理公司: 佛山市廣盈專利商標事務所(普通合伙) 44339
• 代理人: 楊樂兵

本發明涉及一種醫學圖像偽影自動校正方法、裝置、計算機設備和存儲介質，所述方法包括：獲取第一樣本醫學圖像的第一探測數據，根據第一探測數據確定第一樣本醫學圖像中偽影的傳播規律信息和擾動規律信息；根據第一樣本醫學圖像中偽影的傳播規律信息和擾動規律信息構建卷積神經網絡模型；獲取待校正的醫學圖像的第二探測數據，將第二探測數據輸入卷積神經網絡模型，得到待校正的醫學圖像的偽影以及偽影類型；根據偽影類型對待校正的醫學圖像的偽影進行索引標注，將包含標注索引的偽影的待校正的醫學圖像輸入循環一致對抗網絡模型中，以使用循環一致對抗網絡模型對待校正的醫學圖像進行自動化校正。上述方法可以提高醫學圖像中去偽影的精確度。

技術領域

本發明涉及醫學圖像理技術領域，特別是涉及一種醫學圖像偽影自動校正方法、裝置、計算機設備和存儲介質。

背景技術

人工智能技術是當前的熱門領域，人工智能主要涉及模擬人腦進行分析學習的神經網絡。神經網絡模仿人腦的機制來解釋數據，例如圖像、視頻等。其中，深度學習概念起源于人工神經網絡的研究。多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

醫學成像系統因物理或軟件上存在的不足，不可避免地會產生偽影。這些偽影會降低圖像質量，甚至影響后續輔助分析診斷。然而，傳統采用信號處理的方式對醫學成像進行去偽影，其效果不高，去偽影的精確度不夠高。以CT為例，傳統基于圖像域去偽影方法因未將CT成像過程及投影數據結構特性納入其中，其偽影去除效果尚未達到最佳，其去偽影的精確度相對低。

發明內容

本發明的目的在于克服現有技術的不足，提供了一種醫學圖像偽影自動校正方法、裝置、計算機設備和存儲介質，可以提高醫學圖像中去偽影的精確度。

為了解決上述中至少一個技術問題，本發明實施例提供了一種醫學圖像偽影自動校正方法、裝置、計算機設備和存儲介質，所述方法包括：

獲取第一樣本醫學圖像的第一探測數據，根據所述第一探測數據確定所述第一樣本醫學圖像中偽影的傳播規律信息和擾動規律信息；

根據所述第一樣本醫學圖像中偽影的傳播規律信息和擾動規律信息構建卷積神經網絡模型；

獲取待校正的醫學圖像的第二探測數據，將所述第二探測數據輸入所述卷積神經網絡模型，得到所述卷積神經網絡模型輸出的所述待校正的醫學圖像的偽影以及偽影類型；

根據所述偽影類型對所述待校正的醫學圖像的偽影進行索引標注，將包含標注索引的偽影的所述待校正的醫學圖像輸入循環一致對抗網絡模型中，以使用所述循環一致對抗網絡模型對所述待校正的醫學圖像進行自動化校正；其中，所述循環一致對抗網絡模型輸出的圖像為所述待校正的醫學圖像去偽影后的圖像，所述循環一致對抗網絡模型采用包含已標注索引的偽影的第二樣本醫學圖像進行訓練得到。

可選的，所述獲取待校正的醫學圖像的第二探測數據，將所述第二探測數據輸入所述卷積神經網絡模型，得到所述卷積神經網絡模型輸出的所述待校正的醫學圖像的偽影以及偽影類型，包括：

對所述第二探測數據進行反投影重建，得到反投影重建圖像數據；

對所述反投影重建圖像數據進行歸一化處理，得到歸一化反投影圖像數據；

將所述歸一化反投影圖像數據輸入所述卷積神經網絡模型，得到所述卷積神經網絡模型輸出的所述待校正的醫學圖像的偽影以及偽影類型。

可選的，所述將包含標注索引的偽影的所述待校正的醫學圖像輸入循環一致對抗網絡模型中，包括：

將所述包含標注索引的偽影的所述待校正的醫學圖像進行Radon變換，得到投影域數據；

將所述投影域數據進行歸一化處理，得到目標醫學圖像數據；