医学图像的去伪影模型训练方法、装置、设备及存储介质制造方法及图纸

一种医学图像的去伪影模型训练方法、装置、设备及存储介质，涉及人工智能技术领域。上述方法包括：获取干净医学图像、干净弦图和至少两个掩膜图像，掩膜图像是在医学图像中产生伪影的实体所对应的图像；对于每一个掩膜图像，基于干净弦图和掩膜图像，生成掩膜图像对应的带伪影医学图像和受污染弦图；采用去伪影模型，基于带伪影医学图像和受污染弦图，生成掩膜图像对应的去伪影医学图像和去污染弦图；根据干净医学图像、干净弦图、至少两个掩膜图像分别对应的去伪影医学图像和去污染弦图，确定去伪影模型的训练损失；基于训练损失对去伪影模型进行训练。本申请降低了训练样本的获取难度，无需搜集大量的成对训练样本，节省训练所需时间成本。所需时间成本。所需时间成本。

【技术实现步骤摘要】
医学图像的去伪影模型训练方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能
，特别涉及一种医学图像的去伪影模型训练方法、装置、设备及存储介质。

技术介绍

[0002]基于X射线投影重建得到的CT(Computed Tomography，计算机断层扫描)图像在临床诊断和治疗计划中发挥着十分重要的作用。
[0003]当患者体内携载有金属物(如假牙、髋关节假体)时，由于金属对X射线的吸收，CT图像会呈现条纹和阴影等伪影现象，从而可能影响临床的诊断。相关技术中，通过机器学习的方法训练去伪影模型，对带伪影的医学图像进行去伪影处理。该医学图像的去伪影模型训练方法，通过受污染的医学图像与其对应的干净医学图像，对去伪影模型进行训练。
[0004]然而，上述训练方法需要搜集大量成对的训练样本，成对的训练样本获取难度大，所需的时间成本高。

技术实现思路

[0005]本申请实施例提供了一种医学图像的去伪影模型训练方法、装置、设备及存储介质。所述技术方案如下：
[0006]根据本申请实施例的一个方面，提供了一种医学图像的去伪影模型训练方法，所述方法包括：
[0007]获取干净医学图像、干净弦图和至少两个掩膜图像，所述干净医学图像和所述干净弦图是针对同一对象的一组对应图像，所述掩膜图像是在医学图像中产生伪影的实体所对应的图像；
[0008]对于每一个所述掩膜图像，基于所述干净弦图和所述掩膜图像，生成所述掩膜图像对应的带伪影医学图像和受污染弦图；
[0009]采用所述去伪影模型，基于所述带伪影医学图像和所述受污染弦图，生成所述掩膜图像对应的去伪影医学图像和去污染弦图；
[0010]根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像之间的一致性，以及所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图之间的一致性，确定所述去伪影模型的训练损失；
[0011]基于所述训练损失对所述去伪影模型的参数进行调整，得到完成训练的去伪影模型。
[0012]根据本申请实施例的一个方面，提供了一种医学图像的去伪影模型训练装置，所述装置包括：
[0013]获取模块，用于获取干净医学图像、干净弦图和至少两个掩膜图像，所述干净医学图像和所述干净弦图是针对同一对象的一组对应图像，所述掩膜图像是在医学图像中产生伪影的实体所对应的图像；
[0014]第一生成模块，用于对于每一个所述掩膜图像，基于所述干净弦图和所述掩膜图像，生成所述掩膜图像对应的带伪影医学图像和受污染弦图；
[0015]第二生成模块，用于采用所述去伪影模型，基于所述带伪影医学图像和所述受污染弦图，生成所述掩膜图像对应的去伪影医学图像和去污染弦图；
[0016]损失确定模块，用于根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像之间的一致性，以及所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图之间的一致性，确定所述去伪影模型的训练损失；
[0017]训练模块，用于基于所述训练损失对所述去伪影模型的参数进行调整，得到完成训练的去伪影模型。
[0018]根据本申请实施例的一个方面，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计算机程序，所述计算机程序由所述处理器加载并执行以实现上述医学图像的去伪影模型训练方法。
[0019]根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述医学图像的去伪影模型训练方法。
[0020]根据本申请实施例的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序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程序，处理器执行该计算机程序，使得该计算机设备执行上述医学图像的去伪影模型训练方法。
[0021]本申请实施例提供的技术方案可以包括如下有益效果：
[0022]通过至少两个掩膜图像对干净弦图进行处理，生成掩膜图像对应的受污染弦图，进而生成掩膜图像对应的带伪影医学图像。通过不同的掩膜图像可以生成不同的掩膜图像分别对应的受污染弦图和带伪影医学图像，用于对去伪影模型进行训练。降低了训练样本的获取难度，无需人工搜集大量的成对训练样本，可以节省模型训练所需的时间成本。
附图说明
[0023]图1是本申请一个实施例提供的医学图像的去伪影方法的示意图；
[0024]图2是本申请一个实施例提供的方案实施环境的示意图；
[0025]图3是本申请一个实施例提供的医学图像的去伪影方法的示意图；
[0026]图4是本申请一个实施例提供的医学图像的去伪影模型训练方法的流程图；
[0027]图5是本申请另一个实施例提供的医学图像的去伪影模型训练方法的流程图；
[0028]图6是本申请另一个实施例提供的医学图像的去伪影模型训练方法的流程图；
[0029]图7是本申请一个实施例提供的掩膜图像的示意图；
[0030]图8是本申请一个实施例提供的生成受污染弦图的示意图；
[0031]图9是本申请一个实施例提供的生成重构弦图和重构医学图像的示意图；
[0032]图10是本申请一个实施例提供的去伪影模型的结构示意图；
[0033]图11是本申请一个实施例提供的去伪影网络模块的结构示意图；
[0034]图12是本申请另一个实施例提供的医学图像的去伪影模型训练方法的流程图；
[0035]图13是本申请一个实施例提供的数据增广处理和预处理的示意图；
[0036]图14是本申请一个实施例提供的医学图像的去伪影模型训练方法的示意图；
[0037]图15是本申请一个实施例提供的医学图像的去伪影模型训练装置的框图；
[0038]图16是本申请另一个实施例提供的医学图像的去伪影模型训练装置的框图；
[0039]图17是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
[0040]下面将结合附图对本申请实施方式作进一步地详细描述。
[0041]人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0042]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像的去伪影模型训练方法，其特征在于，所述方法包括：获取干净医学图像、干净弦图和至少两个掩膜图像，所述干净医学图像和所述干净弦图是针对同一对象的一组对应图像，所述掩膜图像是在医学图像中产生伪影的实体所对应的图像；对于每一个所述掩膜图像，基于所述干净弦图和所述掩膜图像，生成所述掩膜图像对应的带伪影医学图像和受污染弦图；采用所述去伪影模型，基于所述带伪影医学图像和所述受污染弦图，生成所述掩膜图像对应的去伪影医学图像和去污染弦图；根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像之间的一致性，以及所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图之间的一致性，确定所述去伪影模型的训练损失；基于所述训练损失对所述去伪影模型的参数进行调整，得到完成训练的去伪影模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述干净弦图和所述掩膜图像，生成所述掩膜图像对应的带伪影医学图像和受污染弦图，包括：对所述掩膜图像进行前向投影，生成伪影仿真弦图；根据所述伪影仿真弦图和所述干净弦图，生成所述掩膜图像对应的受污染弦图；对所述掩膜图像对应的受污染弦图进行滤波后投影，生成所述掩膜图像对应的带伪影医学图像。3.根据权利要求1所述的方法，其特征在于，所述根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像之间的一致性，以及所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图之间的一致性，确定所述去伪影模型的训练损失，包括：根据所述至少两个掩膜图像分别对应的去污染弦图，计算第一损失，所述第一损失用于衡量不同掩膜图像对应的去污染弦图之间的一致性；根据所述至少两个掩膜图像分别对应的去伪影医学图像，计算第二损失，所述第二损失用于衡量不同掩膜图像对应的去伪影医学图像之间的一致性；根据所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图，计算第三损失，所述第三损失用于衡量所述去污染弦图与所述干净弦图之间的一致性；根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像，计算第四损失，所述第四损失用于衡量所述去伪影医学图像与所述干净医学图像之间的一致性；根据所述第一损失、所述第二损失、所述第三损失和所述第四损失，计算所述去伪影模型的训练损失。4.根据权利要求3所述的方法，其特征在于，所述根据所述至少两个掩膜图像分别对应的去污染弦图，计算第一损失，包括：对于任意一组去污染弦图对，计算所述去污染弦图对中包含的两个去污染弦图对应位置像素值的差异，得到第一差异度值；其中，每一组去污染弦图对中包含两个掩膜图像分别对应的去污染弦图；根据多组所述去污染弦图对分别对应的第一差异度值，计算得到所述第一损失。5.根据权利要求3所述的方法，其特征在于，所述根据所述至少两个掩膜图像分别对应的去伪影医学图像，计算第二损失，包括：
对于任意一组去伪影医学图像对，确定所述去伪影医学图像对中包含的两个去伪影医学图像对应的实体区域，计算所述两个去伪影医学图像除所述实体区域外的对应位置像素值的差异，得到第二差异度值；其中，每一组去伪影医学图像对中包含两个掩膜图像分别对应的去伪影医学图像；根据多组所述去伪影医学图像对分别对应的第二差异度值，计算得到所述第二损失。6.根据权利要求3所述的方法，其特征在于，所述根据所述干净弦图和所述至少两个掩膜图像分别对应的去污染弦图，计算第三损失，包括：对于任意一组去污染弦图对，计算所述去污染弦图对中包含的两个去污染弦图分别与所述干净弦图对应位置像素值的差异，得到第三差异度值和第四差异度值；其中，每一组去污染弦图对中包含两个掩膜图像分别对应的去污染弦图；根据多组所述去污染弦图对分别对应的第三差异度值和第四差异度值，计算得到所述第三损失。7.根据权利要求3所述的方法，其特征在于，所述根据所述干净医学图像和所述至少两个掩膜图像分别对应的去伪影医学图像，计算第四损失，包括：对于任意一组去伪影医学图像对，确定所述去伪影医学图像对中包含的两个去伪影医学图像对应的实体区域，计算所述两个去伪影医学图像分别与所述干净医学图像除所述实体区域外的对应位置像素值的差异，得到第五差异度值和第六差异度值；其中，每一组去伪影医学图像对中包含两个掩膜图像分别对应的去伪影医学图像；根据多组所述去伪影医学图像对分别对应的第五差异度值和第六差异度值，计算得到所述第四损失。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述掩膜图像对应的受污染弦图，生成所述掩膜图像对应的重构弦图，所述重构弦图是指对所述受污染弦图进行初步修复得到的图像；对所述重构弦图进行前向投影，得到重构医学图像；所述采用所述去伪影模型，基于所述带伪影医学图像和所述受污染弦图，生成所述掩膜图像对应的去伪影医学图像和去污染弦图，包括：采用所述去伪影模型，基于所述带伪影医学图像、所述受污染弦图、所述重构弦图和所述重构医学图像，生成...

【专利技术属性】
技术研发人员：王红，李悦翔，魏东，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：