网络模型的训练方法、图像处理系统及方法技术方案

本发明专利技术提供一种网络模型的训练方法、图像处理系统及方法。其中，所述图像处理系统通过使用所述网络模型的训练方法训练出的所述图像转换网络能够将低剂量的图像转换成高剂量的图像，以保证在降低成像剂量的前提下，缓解成像中的噪声和伪影对成像质量的影响，实现高质量成像。进一步的，所述网络模型的训练方法中引用了噪声内容一致损失函数，以约束所述图像转换网络在高剂量图像转换至低剂量图像和低剂量图像转换至高剂量图像的两次转换中提取的噪声和内容尽可能一致，进而提高了图像转换过程中噪声提取和内容提取的精准度，以得到高质量的去噪图像，提高了图像处理效果。提高了图像处理效果。提高了图像处理效果。

【技术实现步骤摘要】
网络模型的训练方法、图像处理系统及方法


[0001]本专利技术涉及医疗器械
，特别涉及一种网络模型的训练方法、图像处理系统及方法。

技术介绍

[0002]在影像诊断领域，常用降低X射线管电流的方法来降低电子计算机断层扫描(Computed Tomography，CT)成像中的辐射剂量。但由于管电流的降低会导致探测器接收到的光子数量减少，进而使得采集到的投影信号被噪声信号影响严重。因此，重建得到的电子计算机断层扫描图像会存在大量的噪声和伪影，影响解剖结构的识别。同样，正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)等成像设备也会采用低剂量成像，再通过图像处理来改善成像质量。然而，现有的图像处理方法对低剂量图像的处理效果并不理想，很难达到高剂量图像的成像质量。
[0003]因此，亟需一种新的图像处理方法，来提高低剂量图像的成像质量。

技术实现思路

[0004]本专利技术的目的在于提供一种网络模型的训练方法、图像处理系统及方法，以解决如何提高低剂量下的成像质本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络模型的训练方法，其特征在于，包括：步骤一：构建生成对抗网络模型，所述生成对抗网络模型包括图像转换网络和判别装置；其中，所述图像转换网络至少用于提取图像噪声和图像内容；步骤二：将低剂量的样本图像输入至所述图像转换网络中，以生成高剂量的第一图像和低剂量的第一图像；以及，将高剂量的样本图像输入至所述图像转换网络中，以生成低剂量的第二图像和高剂量的第二图像；步骤三：将所述低剂量的样本图像、所述高剂量的第一图像、所述高剂量的样本图像和所述低剂量的第二图像分别输入至所述判别装置中，以获取对应的判别结果；步骤四：根据所述判别结果、所述图像噪声、所述图像内容、所述低剂量的样本图像、所述低剂量的第一图像、所述高剂量的样本图像以及所述高剂量的第二图像构建图像损失函数；步骤五：根据所述图像损失函数分别对所述图像转换网络和所述判别装置执行参数更新。2.根据权利要求1所述的网络模型的训练方法，其特征在于，所述图像转换网络包括第一网络结构和第二网络结构；其中，所述第一网络结构包括第一噪声提取网络、第一内容提取网络和第一图像融合网络；且所述步骤二的过程包括：采用所述第一噪声提取网络提取所述低剂量的样本图像的第一噪声，以获得去除所述第一噪声后的所述低剂量的样本图像；采用所述第一内容提取网络提取所述低剂量的样本图像的第一内容；以及，采用所述第一图像融合网络融合所述第一内容和去除所述第一噪声后的所述低剂量的样本图像，以生成所述高剂量的第一图像；采用所述第一噪声提取网络提取所述低剂量的第二图像的第二噪声，以获得去除所述第二噪声后的所述低剂量的第二图像；采用所述第一内容提取网络提取所述生成的低剂量的第二图像的第二内容；以及，采用所述第一图像融合网络融合所述第二内容和去除所述第二噪声后的所述低剂量的第二图像，以生成所述高剂量的第二图像；其中，所述图像噪声包括所述第一噪声和所述第二噪声；所述图像内容包括所述第一内容和所述第二内容。3.根据权利要求2所述的网络模型的训练方法，其特征在于，所述第二网络结构包括第二噪声提取网络、第二内容提取网络和第二图像融合网络；且所述步骤二的过程还包括：采用所述第二噪声提取网络提取所述高剂量的第一图像的第三噪声，以获得去除所述第三噪声后的所述高剂量的第一图像；采用所述第二内容提取网络提取所述高剂量的第一图像的第三内容；以及，采用所述第二图像融合网络融合所述第三内容和去除所述第三噪声后的所述高剂量的第一图像，以生成所述低剂量的第一...

【专利技术属性】
技术研发人员：韦子权，
申请(专利权)人：深圳市联影高端医疗装备创新研究院，
类型：发明
国别省市：