伪影去除模型的训练方法、装置、设备、介质及程序产品制造方法及图纸

本申请公开了一种伪影去除模型的训练方法、装置、设备、介质及程序产品，涉及机器学习领域。该方法包括：获取图像内容匹配的参考图像和伪影图像；将伪影图像输入多个样本去除模型，分别输出得到伪影图像对应的伪影去除结果；确定多个样本去除模型分别对应的预测损失值；将多个预测损失值输入样本权重模型，输出得到多个预测损失值分别对应的权重参数；基于预测损失值和权重参数，对多个样本去除模型进行训练，得到多个伪影去除子模型构成的伪影去除模型伪影去除模型。即，通过样本权重模型确定多个样本去除模型分别对应的权重参数，能够使得在对多个样本去除模型进行训练的过程中，根据权重参数进行灵活训练，提高伪影去除模型训练的准确度。训练的准确度。训练的准确度。

【技术实现步骤摘要】
伪影去除模型的训练方法、装置、设备、介质及程序产品


[0001]本申请涉及机器学习领域，特别涉及一种伪影去除模型的训练方法、装置、设备、介质及程序产品。

技术介绍

[0002]计算机断层扫描(Computed Tomography，CT)是指由于人体的不同组织对X射线的吸收率与透过率不同，使得CT图像中呈现明暗程度不同的区域，用于表示不同的组织器官结构，因此，CT图像常应用于辅助临床诊断。然而，在CT扫描过程中，由于受不同因素影响，CT图像中会产生伪影，如：在对口腔进行CT扫描时，由于牙齿中植入了假牙，则生成的CT图像将受假牙影响从而产生条状阴影，导致图像质量较低，从而影响诊断。
[0003]在相关技术中，采用双域网络(DuDoNet)去除CT图像中的伪影，其中，双域网络中由两个模块构成，通过预设一个CT值处理窗口分别对包含伪影的弦图进行弦图域的处理，以及对包含伪影的CT图像进行图像域的处理，输出得到修复的正弦图像和增强后的CT图像，最终利用反投影层输出得到去除伪影的CT图像。
[0004]然而在相关技术中，通过双域网络去除包含伪影的CT图像的方法，是通过单个CT值处理窗口对图像数据进行归一化处理，忽略了不同组织器官之间存在差异，导致去除后的CT图像的还原真实度较低，图像准确度较低，图像质量较差。

技术实现思路

[0005]本申请实施例提供了一种伪影去除模型的训练方法、装置、设备、介质及程序产品，能够提高伪影去除模型的输出结果的准确度。所述技术方案如下：
[0006]一方面，提供了一种伪影去除模型的训练方法，所述方法包括：
[0007]获取图像内容匹配的参考图像和伪影图像，所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像，所述伪影图像是包含伪影的参考图像，所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影；
[0008]将所述伪影图像输入多个样本去除模型，分别输出得到所述伪影图像对应的伪影去除结果，不同样本去除模型对应不同的预设窗口范围，所述样本去除模型用于以对应的预设窗口范围为基准，去除所述伪影图像中的伪影；
[0009]基于所述伪影去除结果和所述参考图像之间的像素点差异，确定多个样本去除模型分别对应的预测损失值；
[0010]将多个样本去除模型分别对应的预测损失值输入样本权重模型，输出得到多个预测损失值分别对应的权重参数，所述权重参数用于对所述样本去除模型的参数更新进行权重调整；
[0011]基于所述预测损失值和所述权重参数，对多个样本去除模型进行训练，得到多个伪影去除子模型构成的伪影去除模型，所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
[0012]另一方面，提供了一种伪影去除模型的训练装置，所述装置包括：
[0013]获取模块，用于获取图像内容匹配的参考图像和伪影图像，所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像，所述伪影图像是包含伪影的参考图像，所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影；
[0014]输入模块，用于将所述伪影图像输入多个样本去除模型，分别输出得到所述伪影图像对应的伪影去除结果，不同样本去除模型对应不同的预设窗口范围，所述样本去除模型用于以对应的预设窗口范围为基准，去除所述伪影图像中的伪影；
[0015]确定模块，用于基于所述伪影去除结果和所述参考图像之间的像素点差异，确定多个样本去除模型分别对应的预测损失值；
[0016]所述输入模块，用于将多个样本去除模型分别对应的预测损失值输入样本权重模型，输出得到多个预测损失值分别对应的权重参数，所述权重参数用于对所述样本去除模型的参数更新进行权重调整；
[0017]训练模块，用于基于所述预测损失值和所述权重参数，对多个样本去除模型进行训练，得到多个伪影去除子模型构成的伪影去除模型，所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
[0018]另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述本申请实施例中任一所述伪影去除模型的训练方法。
[0019]另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述本申请实施例中任一所述的伪影去除模型的训练方法。
[0020]另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的伪影去除模型的训练方法。
[0021]本申请实施例提供的技术方案带来的有益效果至少包括：
[0022]采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练，其中，在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果，确定多个伪影去除结果和参考图像之间的预测损失值，将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数，根据预测损失值和权重参数对多个样本去除模型进行训练，最终得到包含多个伪影去除子模型的伪影去除模型，也即，通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练，使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像，满足不同图像的伪影去除需求，提高了伪影去除结果的伪影去除准确度。
附图说明
[0023]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使
用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1是本申请一个示例性实施例提供的伪影去除模型的训练方法示意图；
[0025]图2是本申请一个示例性实施例提供的实施环境示意图；
[0026]图3是本申请一个示例性实施例提供的伪影去除模型的训练方法流程图；
[0027]图4是本申请另一个示例性实施例提供的伪影去除模型的训练方法流程图；
[0028]图5是本申请另一个示例性实施例提供的DICD
‑
Net模型示意图；
[0029]图6是本申请一个示例性实施例提供的网络结构示意图；
[0030]图7是本申请一个示例性实施例提供的样本权重模型网络结构示意图；
[0031]图8是本申请一个示例性实施例提供的多个样本去除模型示意图；
[0032]图9是本申请另一个示例性实施例提供的伪影去除模型的训练方法示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种伪影去除模型的训练方法，其特征在于，所述方法包括：获取图像内容匹配的参考图像和伪影图像，所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像，所述伪影图像是包含伪影的参考图像，所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影；将所述伪影图像输入多个样本去除模型，分别输出得到所述伪影图像对应的伪影去除结果，不同样本去除模型对应不同的预设窗口范围，所述样本去除模型用于以对应的预设窗口范围为基准，去除所述伪影图像中的伪影；基于所述伪影去除结果和所述参考图像之间的像素点差异，确定多个样本去除模型分别对应的预测损失值；将多个样本去除模型分别对应的预测损失值输入样本权重模型，输出得到多个预测损失值分别对应的权重参数，所述权重参数用于对所述样本去除模型的参数更新进行权重调整；基于所述预测损失值和所述权重参数，对多个样本去除模型进行训练，得到多个伪影去除子模型构成的伪影去除模型，所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。2.根据权利要求1所述的方法，其特征在于，所述基于所述预测损失值和所述权重参数，对多个样本去除模型进行训练，得到多个伪影去除子模型构成的伪影去除模型，包括：基于多个预测损失值和多个损失值分别对应的权重参数，确定多个样本去除模型分别对应的加权损失值；基于多个样本去除模型分别对应的加权损失值对多个样本去除模型的第一模型参数分别进行调整，得到多个伪影去除子模型；将所述多个伪影去除子模型作为所述伪影去除模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述预测损失值和所述权重参数，确定加权损失值，包括：在第s次迭代训练过程中，基于第s
‑
1次迭代训练得到的预测损失值和第s次迭代训练得到的权重参数，确定第s次迭代训练对应的加权损失值；所述基于所述加权损失值对所述样本去除模型的第一模型参数进行调整，得到所述伪影去除模型，包括：基于所述第s次迭代训练对应的加权损失值，对所述样本去除模型的第s
‑
1次迭代训练得到的第一模型参数进行梯度调整，得到第s次迭代训练对应的第一模型参数，并进行第s+1次循环调整，直至所述伪影去除模型训练结束，s≥1且s为整数。4.根据权利要求3所述的方法，其特征在于，所述将所述预测损失值输入样本权重模型，输出得到权重参数，包括：将第s
‑
1次迭代训练得到的预测损失输入第s次迭代训练得到的样本权重模型，输出得到第s次迭代训练对应的权重参数。5.根据权利要求1至4任一所述的方法，其特征在于，所述将所述预测损失值输入样本权重模型，输出得到权重参数之前，还包括：获取图像内容匹配的验证参考图像和验证伪影图像；将所述验证伪影图像输入多个样本去除模型，分别输出得到所述验证伪影图像对应的
验证去除结果；基于所述验证去除结果和所述验证参考图像之间的像素点差异，确定多个样本去除模型分别对应的验证损失值；基于所述验证损失值，对所述样本权重模型进行训练。6.根据权利要求5所述的方法，其特征在于，所述基于所述验证损失值，对所述样本权重模型进行训练，包括：在s次迭代训练过程中，基于第s
‑
1次迭代训练得到的验证损失值，对所述样本权重模型的第二模型参数进行梯度调整，得到第s次迭代训练对应的样本权重模型。7.根据权利要求6所述的方法，其特征在于，所述基于第s

【专利技术属性】
技术研发人员：王红，郑冶枫，
申请(专利权)人：腾讯医疗健康深圳有限公司，
类型：发明
国别省市：