影像处理的方法、影像处理模型的训练方法及装置制造方法及图纸

本发明专利技术提供了一种影像处理的方法、影像处理模型的训练方法及装置，涉及医学影像处理的技术领域，影像处理的方法包括：获取待处理影像；提取待处理影像包含的目标区域；将目标区域输入至预先训练好的影像处理模型，通过影像处理模型对目标区域进行去除伪影处理，并输出目标区域对应的去伪影影像；对去伪影影像进行还原处理，得到待处理影像对应的目标影像。本发明专利技术提供的影像处理的方法、影像处理模型的训练方法及装置，使用生成对抗网络模型进行伪影消除，无需设置任何前置条件和人工参与，具有较好的泛化性能，不仅能够兼顾多种类的伪影，得到较好的去伪影效果，也有利于进行推广。也有利于进行推广。也有利于进行推广。

【技术实现步骤摘要】
影像处理的方法、影像处理模型的训练方法及装置


[0001]本专利技术涉及医学影像处理的
，尤其是涉及一种影像处理的方法、影像处理模型的训练方法及装置。

技术介绍

[0002]CBCT影像，全称为Cone Beam CT，也称为锥形束CT，其主要利用X射线源和平板检测器的旋转照射得到多角度的图像切片后，再通过三维重建，即可得到CT图像切片。较短的扫描时间可减少因病人身体移动引起的图像失真，这一优点使得CBCT技术被广泛使用，但是由于平板检测器会接收大量X射线散射后的放射结果，使得CBCT影像的噪声及图像对比度、分辨率等相关的图像质量会受到很大的限制，即人们常说的CBCT伪影。
[0003]目前，CBCT伪影主要可分为以下几类：杯状伪影、环状伪影、条纹伪影、金属伪影、散射伪影、截断伪影。而目前常用的消除CBCT伪影的方法主要为传统图像处理算法，多数为在图像重建过程中利用某一种伪影的形成原理进行相关消除算法的开发，但是，这类算法的适用范围较窄，难以兼顾多种类的伪影，不仅去伪影效果不明显，也难以进行推广。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种影像处理的方法、影像处理模型的训练方法及装置，以缓解上述技术问题。
[0005]第一方面，本专利技术实施例提供了一种影像处理的方法，包括：获取待处理影像；提取所述待处理影像包含的目标区域；将所述目标区域输入至预先训练好的影像处理模型，通过所述影像处理模型对所述目标区域进行去除伪影处理，并输出所述目标区域对应的去伪影影像；其中，所述影像处理模型为预先训练好的生成对抗网络模型中的生成器，用于对输入的所述目标区域进行去除伪影处理；对所述去伪影影像进行还原处理，以得到所述待处理影像对应的目标影像，其中，所述目标影像包含所述去伪影影像。
[0006]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，上述待处理影像为CBCT影像；上述提取所述待处理影像包含的目标区域的步骤，包括：对所述CBCT影像的身体掩膜进行分割；按照预设的裁剪调整规则对分割后的所述身体掩膜进行裁剪调整，以得到所述目标区域；其中，所述裁剪调整规则包括：在预设的坐标系内，以所述身体掩膜的坐标中心为中心原点，平均向所述CBCT影像的外延方向裁剪预设像素的区域；将裁剪后得到的所述区域的尺寸调整至预设尺寸，并将调整后的区域确定为目标区域。
[0007]结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，上述对所述去伪影影像进行还原处理，以得到所述待处理影像对应的目标影像的步骤，包括：基于所述裁剪调整规则对所述去伪影影像进行反向操作，以得到所述待处理影像对应的目标影像。
[0008]第二方面，本专利技术实施例还提供一种影像处理模型的训练方法，其特征在于，包括：获取预先设置的训练集，其中，所述训练集包括至少一对训练影像，且，每对所述训练影
像包括第一类影像数据和第二类影像数据，其中，所述第一类影像数据和所述第二类影像数据为包含相同软组织的CBCT影像，且，所述第二类影像数据的成像质量高于所述第一类影像数据的成像质量；将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器和判别器分别进行循环训练，以更新所述生成器和所述判别器参数；保存更新后的所述生成器和所述判别器的参数，并将所述生成对抗网络模型中的所述生成器保存为影像处理模型，以用于对待处理影像进行去除伪影处理。
[0009]结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，上述将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器和判别器分别进行循环训练的步骤，包括：持续循环执行下述步骤，直至所述生成对抗网络模型包括的生成器和判别器满足预设条件，其中，所述预设条件包括循环训练的次数达到预设次数，或者所述生成器的损失值小于预设的损失阈值和所述判别器的损失值维持在预设范围：冻结所述生成器的参数，将所述训练集中的所述第一类影像数据输入至所述生成器中，得到所述第一类影像数据的预测影像数据；将所述预测影像数据和所述第一类影像数据对应的所述第二类影像数据输入至所述判别器进行判定，并计算所述判别器的损失值；将所述损失值反向传播至所述判别器中，以更新所述判别器的参数；以及，冻结所述判别器的参数，将所述训练集中的所述第一类影像数据输入至所述生成器中，得到所述第一类影像数据的预测影像数据；将所述第一类影像数据的预测影像数据和所述第一类影像数据对应的所述第二类影像数据输入至所述判别器和所述生成器进行判定，并计算所述判别器的损失值和所述生成器的损失值，将所述生成器和所述判别器的损失值之和反向传播至所述生成器，以更新所述生成器的参数。
[0010]结合第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，上述方法还包括：如果监测到所述循环训练的次数完成预设的循环周期，则获取预先设置的验证集；其中，所述验证集包括至少一对所述训练影像，且，每对所述训练影像包括所述第一类影像数据和所述第二类影像数据；将所述验证集中的所述第一类影像数据输入至更新后的所述生成对抗网络模型，以使更新后的所述生成对抗网络模型中的所述生成器输出所述第一类影像数据的预测影像数据；计算所述预测影像数据与所述第一类影像数据对应的所述第二类影像数据的损失值；如果所述生成器的损失值小于预设的损失阈值以及所述判别器的损失值维持在预设范围，则停止所述循环训练，保存所述生成器和所述判别器的参数，并对所述生成对抗网络模型进行更新。
[0011]结合第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的第三种可能的实施方式，其中，上述计算所述生成器的损失值所用到的损失函数为加权的L1损失函数和L2损失函数：计算所述判别器的损失值所用到的损失函数为L1损失函数；
[0012]其中，所述L1损失函数的计算公式为：所述L2损失函数的计算公式为：n为输入的训练影像的数量，yi为所述第二类影像数据的目标区域，f(xi)为所述第一类影像数据的预测影像数据的区域。
[0013]结合第二方面，本专利技术实施例提供了第二方面的第四种可能的实施方式，其中，上述方法还包括：获取预先采集的影像数据集，其中，所述影像数据集中的影像数据包括多个
对相同软组织进行CBCT影像采集时得到的第一类样本数据和第二类样本数据，其中，所述第二类样本数据的成像质量高于所述第一类样本数据的成像质量；对所述影像数据集中的影像数据进行数据配准，以使所述第一类样本数据与所述第二类样本数据的每个像素点的物理坐标位置一一对应；对数据配准之后的所述第一类样本数据和所述第二类样本数据进行裁剪处理，以提取所述第一类样本数据和所述第二类样本数据中包含的目标区域，并将裁剪后的目标区域保存至预先建立的初始训练集中；按照预设的增广方式对所述初始训练集进行数据增广，得到所述初始训练集对应的增广数据集；按照预设的比例将所述增广数据集划分成训练集和验证集。
[0014]结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影像处理的方法，其特征在于，包括：获取待处理影像；提取所述待处理影像包含的目标区域；将所述目标区域输入至预先训练好的影像处理模型，通过所述影像处理模型对所述目标区域进行去除伪影处理，并输出所述目标区域对应的去伪影影像；其中，所述影像处理模型为预先训练好的生成对抗网络模型中的生成器，用于对输入的所述目标区域进行去除伪影处理；对所述去伪影影像进行还原处理，以得到所述待处理影像对应的目标影像，其中，所述目标影像包含所述去伪影影像。2.根据权利要求1所述的方法，其特征在于，所述待处理影像为CBCT影像；提取所述待处理影像包含的目标区域的步骤，包括：对所述CBCT影像的身体掩膜进行分割；按照预设的裁剪调整规则对分割后的所述身体掩膜进行裁剪调整，以得到所述目标区域；其中，所述裁剪调整规则包括：在预设的坐标系内，以所述身体掩膜的坐标中心为中心原点，平均向所述CBCT影像的外延方向裁剪预设像素的区域；将裁剪后得到的所述区域的尺寸调整至预设尺寸，并将调整后的区域确定为目标区域。3.根据权利要求2所述的方法，其特征在于，对所述去伪影影像进行还原处理，以得到所述待处理影像对应的目标影像的步骤，包括：基于所述裁剪调整规则对所述去伪影影像进行反向操作，以得到所述待处理影像对应的目标影像。4.一种影像处理模型的训练方法，其特征在于，包括：获取预先设置的训练集，其中，所述训练集包括至少一对训练影像，且，每对所述训练影像包括第一类影像数据和第二类影像数据，其中，所述第一类影像数据和所述第二类影像数据为包含相同软组织的CBCT影像，且，所述第二类影像数据的成像质量高于所述第一类影像数据的成像质量；将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器和判别器分别进行循环训练，以更新所述生成器和所述判别器参数；保存更新后的所述生成器和所述判别器的参数，并将所述生成对抗网络模型中的所述生成器保存为影像处理模型，以用于对待处理影像进行去除伪影处理。5.根据权利要求4所述的方法，其特征在于，将所述训练集输入至预先构建的生成对抗网络模型，对所述生成对抗网络模型包括的生成器和判别器分别进行循环训练的步骤，包括：持续循环执行下述步骤，直至所述生成对抗网络模型包括的生成器和判别器满足预设条件，其中，所述预设条件包括循环训练的次数达到预设次数，或者所述生成器的损失值小于预设的损失阈值和所述判别器的损失值维持在预设范围：冻结所述生成器的参数，将所述训练集中的所述第一类影像数据输入至所述生成器中，得到所述第一类影像数据的预测影像数据；将所述预测影像数据和所述第一类影像数据对应的所述第二类影像数据输入至所述
判别器进行判定，并计算所述判别器的损失值；将所述损失值反向传播至所述判别器中，以更新所述判别器的参数；以及，冻结所述判别器的参数，将所述训练集中的所述第一类影像数据输入至所述生成器中，得到所述第一类影像数据的预测影像数据；将所述第一类影像数据的预测影像数据和所述第一类影像数据对应的所述第二类影像数据输入至所述判别器进行判定，并计算所述判别器的损失值和所述生成器的损失值，将所述生成器和所述判别器的损失值之和反向传播至所述生成器，以更新所述生成器的参数。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：如果监测到所述循环训练的次数完成预设的循环周期，则获取预先设置的验证集；其中，所述验证集包括至少一对所述训练影像，且，每对所述训练影像包括所述第一类影像数据和所述第二类影像数据；将所述验证集中的所述第一类影像数据输入至更新后的所述生成对抗网络模型，以使更新后的所述生成对抗网络模型中...

【专利技术属性】
技术研发人员：蒋雪，魏军，田孟秋，
申请(专利权)人：广州柏视医疗科技有限公司，
类型：发明
国别省市：