一种基于深度学习的CT伪影识别方法和装置制造方法及图纸

本发明专利技术涉及医疗图像识别技术领域，具体提供了一种基于深度学习的CT伪影识别方法和装置，所述方法包括：调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别，得到各个CT图像的初级伪影类别识别结果；对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计，根据统计结果生成伪影类别特征向量；调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别，得到所述CT图像序列的伪影类别识别结果。本申请能够更加准确快速的获得CT检查的伪影类别，以便医生为后续CT检查做出正确干预，进而提高诊断的准确性。进而提高诊断的准确性。进而提高诊断的准确性。

【技术实现步骤摘要】
一种基于深度学习的CT伪影识别方法和装置


[0001]本专利技术涉及医疗图像识别
，尤其涉及一种基于深度学习的CT伪影识别方法和装置。

技术介绍

[0002]CT(计算机断层扫描成像系统)利用X射线扫描物体，获得投影数据，并通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域，CT自从1970年问世以来，与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段，CT重建能够快速得到高分辨率的图像，重建结果的对比度精度可以控制在1％以内，能分辨0 .5mm的级别的物体。
[0003]但是因为物理过程的复杂性，在CT实际应用中，因外界因素、机器因素等导致CT产生不准确、不真实的影像，称为伪影。CT图像伪影严重降低了CT图像的质量，它不能真实反映断层影像，影响诊断结果。且由于设备原因造成的伪影若无法快速识别，将持续影响后续CT图像的质量，进而影响诊断结果。<br/>
技术实现思路
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的CT伪影识别方法，其特征在于，所述方法包括：调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别，得到各个CT图像的初级伪影类别识别结果；对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计，根据统计结果生成伪影类别特征向量；调用预先训练得到的终级伪影类别识别模型对所述伪影类别特征向量进行识别，得到所述CT图像序列的伪影类别识别结果。2.根据权利要求1所述的方法，其特征在于，每一CT图像的初级伪影类别识别结果包括：CT图像的伪影子类别以及识别为相应伪影子类别的概率，所述CT图像的伪影子类别包括患者活动伪影、金属物体伪影、环状伪影、散射伪影、欠采样伪影以及正常图像。3.根据权利要求2所述的方法，其特征在于，所述对CT图像序列中各个CT图像的初级伪影类别识别结果进行统计，根据统计结果生成伪影类别特征向量包括：对所述伪影子类别的识别结果进行分类，得到简化的伪影类别，所述简化的伪影类别包括设备伪影、非设备伪影以及正常图像；统计所述CT图像序列中识别为每一简化的伪影类别的CT图像的数量和识别为相应伪影类别的概率值，将统计结果作为特征值组成伪影类别特征向量。4.根据权利要求1所述的方法，其特征在于，在调用预先训练得到的初级伪影类别识别模型对待识别的CT图像序列中各个CT图像的伪影子类别进行识别之前，所述方法还包括：采用Inception
‑
ResNet
‑
V2卷积神经网络构建基础卷积神经网络模型；获取预设的CT图像的训练集，所述训练集中包括多个CT图像的训练样本；将所述CT图像的训练样本输入到所述基础卷积神经网络模型的输入层，经过训练得到初级伪影类别识别模型。5.根据权利要求4所述的方法，其特征在于，在获取预设的CT图像的训练集之前，所述方法还包括：采集具有各类伪影的CT图像数据集，并对CT图像数据集中各个CT图...

【专利技术属性】
技术研发人员：陈志晔，刘梦琦，葛文浩，赵术强，樊文萍，席晓旭，陈栋栋，冯健，赖永航，曹鸥，
申请(专利权)人：青岛美迪康数字工程有限公司，
类型：发明
国别省市：