【技术实现步骤摘要】
一种无监督分布式CT金属伪影抑制方法及系统
[0001]本专利技术涉及深度学习及计算机断层扫描
，特别涉及一种无监督分布式CT金属伪影抑制方法及无监督分布式CT金属伪影抑制系统。
技术介绍
[0002]病人的金属植入物会造成射束硬化、光子饥饿等效应，从而导致CT重建图像产生高强度的星状、条纹伪影。抑制CT金属伪影从而提高临床诊断精确度，是该
持续追求的目标之一。
[0003]传统方法抑制CT金属伪影的能力有限，例如，直接矫正物理效应有失准确性，基于投影域插值的方法会造成新伪影，基于先验的技术依赖先验的准确性，迭代的方法需要精确设计正则化项。基于深度学习的CT金属伪影抑制技术方兴未艾，但当训练样本来自不同医院本地数据中心时，存在数据安全和隐私保护问题。传统联邦学习虽然可以保护患者隐私，其原理是在数据传递过程中，仅发生云端金属伪影抑制模型和本地金属伪影抑制模型参数的多次交替更新、聚合和上传，训练样本始终停留在本地，因此患者隐私得以保护。然而，传统联邦学习在CT金属伪影抑制性能方面表现不佳。
[0004...
【技术保护点】
【技术特征摘要】
1.一种无监督分布式CT金属伪影抑制方法，其特征在于，包括如下步骤：步骤(1)、构建云端配对CT金属伪影数据集和多个影像中心的非配对CT金属伪影数据集；步骤(2)、将云端配对CT金属伪影数据集输入基础网络进行有监督学习训练，得到云端金属伪影抑制模型参数，每个对应本地影像中心根据云端金属伪影抑制模型参数及对应的非配对CT金属伪影数据集进行无监督学习训练，得到本地金属伪影抑制模型参数，然后采用联邦学习策略交互式训练，最终得到优化金属伪影抑制模型；步骤(3)、根据步骤(2)得到的优化金属伪影抑制模型对影像中心的金属伪影CT图像重建，得到最终伪影抑制CT图像。2.根据权利要求1所述的无监督分布式CT金属伪影抑制方法，其特征在于，所述步骤(2)具体包括：步骤(2.1)、将云端配对CT金属伪影数据集输入基础网络进行有监督学习训练，得到云端金属伪影抑制模型及对应的云端金属伪影抑制模型参数；步骤(2.2)、将云端金属伪影抑制模型参数分发至所有影像中心，然后各个影像中心分别根据云端金属伪影抑制模型参数，将对应的非配对CT金属伪影数据集输入到基础网络进行无监督学习训练，得到对应每个影像中心相应本地金属伪影抑制模型及本地金属伪影抑制模型参数；步骤(2.3)、将各个影像中心的本地金属伪影抑制模型参数进行聚合得到聚合模型参数，然后将聚合模型参数上传云端，将聚合模型参数输入基础网络并通过梯度下降算法进行更新，得到更新的云端金属伪影抑制模型及更新的云端金属伪影抑制模型参数；步骤(2.4)、将更新的云端金属伪影抑制模型参数分发至所有影像中心，然后各个影像中心分别根据更新的云端金属伪影抑制模型参数，将对应的非配对CT金属伪影数据集输入基础网络进行无监督学习训练，得到更新的本地金属伪影抑制模型参数；步骤(2.5)、判断各个本地金属伪影抑制模型的代价函数及云端金属伪影抑制模型的代价函数的状态，当各个本地金属伪影抑制模型的代价函数和云端金属伪影抑制模型的代价函数均为收敛时，将当前本地金属伪影抑制模型参数定义为优化的本地金属伪影抑制模型参数，将进入步骤(3)；当否时，返回步骤(2.3)。3.根据权利要求2所述的无监督分布式CT金属伪影抑制方法，其特征在于：在所述步骤(2.3)中，所述聚合模型参数通过式(Ⅰ)得到：其中，Θ
poly
为聚合模型参数，T为所有本地影像中心的非配对CT金属伪影数据集的样本个数，为第n个影像中心的本地金属伪影抑制模型参数，t
n
为第n个本地影像中心的非配对CT金属伪影数据集的样本个数。4.根据权利要求3所述的无监督分布式CT金属伪影抑制方法，其特征在于：所述云端金属伪影抑制模型的代价函数由式(II)表示：J
cloud
...
【专利技术属性】
技术研发人员：边兆英，马思源，曾智雄，曾翠蝶，王昊，马建华，曾栋，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。