基于扩散模型去除CT图像金属伪影的方法及系统技术方案

本发明专利技术实施例公开了一种基于扩散模型去除CT图像金属伪影的方法及系统，基于扩散模型去除CT图像金属伪影的方法包括：获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。该基于扩散模型去除CT图像金属伪影的方法解决现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。学习去除CT图像金属伪影的效果不佳的问题。学习去除CT图像金属伪影的效果不佳的问题。

【技术实现步骤摘要】
基于扩散模型去除CT图像金属伪影的方法及系统


[0001]本专利技术涉及计算机
，具体涉及一种基于扩散模型去除CT图像金属伪影的方法及系统。

技术介绍

[0002]CT图像是医生诊断的一个辅助工具，医生通过观察CT图像中组织的形态特征对病人的疾病进行诊断，现在，许多研究者通过深度学习算法对CT图像中的人体组织进行分割，进而完成病人的病症诊断、手术规划和术后评估，但是如果病人的身体中本身存在金属植入物，CT图像扫描过程中所生成的图像上会产生放射状的金属伪影，这些伪影无论是对于疾病的诊断，还是对于AI的组织分割都产生了很大的负面影响；
[0003]使用深度学习的方式进行CT图像中金属去伪影的方法需要找到对应的配对CT图像进行训练，即需要找到一个病人的2张对应图像，一张有伪影，一张没有伪影，然后将有伪影图像当成训练图像，无伪影图像当成标签，进行训练。但是，在临床上，很难找到同一个患者的两种不同类型的CT图像。因此，在实际操作中，基于深度学习去除CT图像金属伪影的效果不佳。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种基于扩散模型去除CT图像金属伪影的方法及系统，用以解决现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。
[0005]为实现上述目的，本专利技术实施例提供一种基于扩散模型去除CT图像金属伪影的方法，所述方法具体包括：
[0006]获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；
[0007]基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；
[0008]将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。
[0009]在上述技术方案的基础上，本专利技术还可以做如下改进：
[0010]进一步地，所述扩散模型采用的损失函数如下：
[0011][0012]式中，x0为无金属伪影CT图像、t为所述第一特征信息和所述第二特征信息的相加次数，ε为高斯分布的超参数、a^为训练权重、∈
θ
为高斯分布的超参数，I为有金属伪影CT图像。
[0013]进一步地，所述基于扩散模型去除CT图像金属伪影的方法还包括：
[0014]得到去金属伪影CT图像后，通过所述扩散模型对所述去金属伪影CT图像中去除伪影部分进行填充处理，以对所述去金属伪影CT图像进行还原得到目标去金属伪影CT图像。
[0015]进一步地，所述基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，包括：
[0016]基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集划分训练集、测试集和验证集；
[0017]基于所述训练集训练所述扩散模型；
[0018]基于所述测试集对训练好的所述扩散模型进行性能评估，得到满足性能条件的扩散模型；
[0019]基于所述验证集评估满足性能条件的所述扩散模型的去除金属伪影结果，得到所述扩散模型所对应的评价指数。
[0020]进一步地，所述扩散模型包括分段编码器、状态编码器和分段译码器，其中，所述分段编码器、状态编码器和分段译码器依次连接。
[0021]通过所述分段编码器提取所述有金属伪影CT图像的第一特征信息；
[0022]通过所述状态编码器提取所述有金属伪影CT图像的第二特征信息；
[0023]将所述第一特征信息和所述第二特征信息进行相加得到第三特征信息；
[0024]将所述第三特征信息输入所述分段译码器进行特征信息提取，得到目标去金属伪影CT图像。
[0025]进一步地，所述基于扩散模型去除CT图像金属伪影的方法，还包括：
[0026]在所述扩散模型中添加注意力机制模块，所述注意力机制模块与所述分段编码器和分段译码器相连，所述注意力机制模块包括若干个卷积层，基于所述卷积层使用不同大小的池化操作，聚合不同区域的上下文信息。
[0027]进一步地，所述无金属伪影CT图像包括无金属无伪影CT图像和有金属无伪影CT图像。
[0028]本专利技术的另一方面提供了一种基于扩散模型去除CT图像金属伪影的系统，包括：
[0029]获取模块，用于获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；
[0030]训练模块，用于基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；
[0031]处理模块，用于将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。
[0032]本专利技术的又一方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
[0033]本专利技术的再一方面提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
[0034]本专利技术实施例具有如下优点：
[0035]本专利技术中基于扩散模型去除CT图像金属伪影的方法，获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；将有金属伪影CT图像输入所述目标扩散模型，得到
目标去金属伪影CT图像；该方法不需要使用配对的数据，直接寻找相同数量的2组无关联的无金属无伪影CT图像和有金属无伪影CT图像便可训练扩散模型，训练好的目标扩散模型可以去除有金属伪影CT图像的金属伪影；解决了现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。
附图说明
[0036]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0037]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。
[0038]图1为本专利技术基于扩散模型去除CT图像金属伪影的方法的流程图；
[0039]图2为本专利技术基于扩散模型去除CT图像金属伪影的系统的架构图；
[0040]图3为本专利技术扩散模型生成图像的流程示意图；
[0041]图4为本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩散模型去除CT图像金属伪影的方法，其特征在于，所述方法包括：获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。2.根据权利要求1所述基于扩散模型去除CT图像金属伪影的方法，其特征在于，所述扩散模型采用的损失函数如下：式中，x0为无金属伪影CT图像、t为所述第一特征信息和所述第二特征信息的相加次数，ε为高斯分布的超参数、a^为训练权重、∈
θ
为高斯分布的超参数，I为有金属伪影CT图像。3.根据权利要求2所述基于扩散模型去除CT图像金属伪影的方法，其特征在于，所述基于扩散模型去除CT图像金属伪影的方法还包括：得到去金属伪影CT图像后，通过所述扩散模型对所述去金属伪影CT图像中去除伪影部分进行填充处理，以对所述去金属伪影CT图像进行还原得到目标去金属伪影CT图像。4.根据权利要求2所述基于扩散模型去除CT图像金属伪影的方法，其特征在于，所述基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，包括：基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集划分训练集、测试集和验证集；基于所述训练集训练所述扩散模型；基于所述测试集对训练好的所述扩散模型进行性能评估，得到满足性能条件的扩散模型；基于所述验证集评估满足性能条件的所述扩散模型的去除金属伪影结果，得到所述扩散模型所对应的评价指数。5.根据权利要求1所述基于扩散模型去除CT图像金属伪影的方法，其特征在于，所述...

【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
类型：发明
国别省市：