一种基于神经网络的心脏伪影图像的生成方法、装置及存储介质制造方法及图纸

本发明专利技术提出一种基于神经网络的心脏伪影图像的生成方法、装置及存储介质，涉及人工智能及医疗图像处理技术领域，该方法包括：获取医疗设备在一个时间段内采集的M张心脏图像，并采集该时间段内的心电信号，将心电信号平均划分为M个子段心电信号，根据生成时间，每一张心脏图像对应一个子段心电信号，构成M个心脏图像

【技术实现步骤摘要】
一种基于神经网络的心脏伪影图像的生成方法、装置及存储介质


[0001]本专利技术涉及人工智能及医疗图像处理
，具体涉及一种基于神经网络的心脏伪影图像的生成方法、装置及存储介质。

技术介绍

[0002]CT图像伪影指图像上与实际解剖结构不相符的密度异常变化，它涉及CT机部件故障、校准不够及算法误差甚至错误等项目，要消除此类伪影，需根据图像伪影的形状、密度变化值及扫描参数等进行具体问题具体分析，第三代CT机的图像伪影具有一定的普遍性，又特别以环状伪影为最常见。
[0003]因此，伪影图像对于CT机等医疗设备的故障检测、医疗图像的判断、诊断具有重要的作用。
[0004]现有技术中，一般采用故障模拟的方式生成伪影图像，或者采用GAN网络生成伪影图像，但生成的伪影图像效果较差，纠其原因，是因为在生成时，没有考虑到心脏的状态。

技术实现思路

[0005]本专利技术针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
[0006]一种基于神经网络的心脏伪影图像的生成方法，该方法包括：获取步骤，获取医疗设备在一个时间段内采集的M张心脏图像，并采集该时间段内的心电信号，其中，2≤M；预处理步骤，将所述心电信号平均划分为M个子段心电信号，根据生成时间每一张心脏图像对应一个子段心电信号，构成M个心脏图像
‑
心电信号组合（Ima
i
，HS
i
），其中，1≤i≤M；预生成步骤，基于每一个子段心电信号HS
i
的变化趋势对相应的心脏图像Ima
i
进行处理生成对应的初步心脏伪影图像CPIma
i
；生成步骤，将初步心脏伪影图像CPIma
i
与对应的子段心电信号HS
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，其中，所述神经网络模型采用基于心电信号优化的损失函数训练得到。
[0007]更进一步地，所述医疗设备为CT机、彩超机或MRI机器。
[0008]更进一步地，所述预生成步骤的操作为：统计一个子段心电信号HS
i
中的波峰的数量Hm
i
和波谷的数量Hn
i
，如果Hm
i
≤Hn
i
，则将心脏图像Ima
i
向左平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
，否则，则将心脏图像Ima
i
向右平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
。
[0009]更进一步地，在所述生成步骤中，判断所述子段心电信号HS
i
是否具有抖动信号，如果是，则将初步心脏伪影图像CPIma
i
进行翻转后再输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，如果否，则直接将初步心脏伪影图像CPIma
i
输入至经训练后的神经
网络模型中生成心脏伪影图像PIma
i
。
[0010]更进一步地，所述基于心电信号优化的损失函数为：；其中，n表示第一训练样本集中的样本数量，第一样本集中的训练样本的子段心电信号中的波峰的数量等于波谷的数量；m表示第二训练样本集中的样本数量，第二样本集中的训练样本的子段心电信号中的波峰的数量大于波谷的数量；q表示第三训练样本集中的样本数量，第三样本集中的训练样本的子段心电信号中的波峰的数量小于波谷的数量的样本数量；表示第一训练集中的第k个训练样本，表示第二训练集中的第个训练样本，表示第三训练集中的第p个训练样本，、、分别表示样本标签值，、、分别表示神经网络生成的心脏伪影图像，表示权值，n、m、q均大于1。
[0011]更进一步地，的值基于每个训练样本集中的波峰、波谷的总数量确定：；;;其中，Hnm、Hmm分别表示第二训练样本集中的波谷、波峰的总数量，Hnq、Hmq分别表示第三训练样本集中的波谷、波峰的总数量。
[0012]本专利技术还提出了一种基于神经网络的心脏伪影图像的生成装置，该装置包括：获取单元，获取医疗设备在一个时间段内采集的M张心脏图像，并采集该时间段内的心电信号，其中，2≤M；预处理单元，将所述心电信号平均划分为M个子段心电信号，根据生成时间每一张心脏图像对应一个子段心电信号，构成M个心脏图像
‑
心电信号组合（Ima
i
，HS
i
），其中，1≤i≤M；预生成单元，基于每一个子段心电信号HS
i
的变化趋势对相应的心脏图像Ima
i
进行处理生成对应的初步心脏伪影图像CPIma
i
；生成单元，将初步心脏伪影图像CPIma
i
与对应的子段心电信号HS
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，其中，所述神经网络模型采用基于心电信号优化的损失函数训练得到。
[0013]更进一步地，所述医疗设备为CT机、彩超机或MRI机器。
[0014]更进一步地，所述预生成单元的操作为：统计一个子段心电信号HS
i
中的波峰的数量Hm
i
和波谷的数量Hn
i
，如果Hm
i
≤Hn
i
，则将心脏图像Ima
i
向左平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
，否则，则将心脏图像Ima
i
向右平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
。
[0015]更进一步地，在所述生成单元中，判断所述子段心电信号HS
i
是否具有抖动信号，如果是，则将初步心脏伪影图像CPIma
i
进行翻转后再输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，如果否，则直接将初步心脏伪影图像CPIma
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
。
[0016]更进一步地，在所述生成步骤中，判断所述子段心电信号HS
i
是否具有抖动信号，如果是，则将初步心脏伪影图像CPIma
i
进行翻转后再输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，如果否，则直接将初步心脏伪影图像CPIma
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
。
[0017]更进一步地，所述基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的心脏伪影图像的生成方法，其特征在于，该方法包括：获取步骤，获取医疗设备在一个时间段内采集的M张心脏图像，并采集该时间段内的心电信号，其中，2≤M；预处理步骤，将所述心电信号平均划分为M个子段心电信号，根据生成时间，每一张心脏图像对应一个子段心电信号，构成M个心脏图像
‑
心电信号组合（Ima
i
，HS
i
），其中，1≤i≤M；预生成步骤，基于每一个子段心电信号HS
i
的变化趋势对相应的心脏图像Ima
i
进行处理生成对应的初步心脏伪影图像CPIma
i
；生成步骤，将初步心脏伪影图像CPIma
i
与对应的子段心电信号HS
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，其中，所述神经网络模型采用基于心电信号优化的损失函数训练得到。2.根据权利要求1所述的方法，其特征在于，所述医疗设备为CT机、彩超机或MRI机器。3.根据权利要求2所述的方法，其特征在于，所述预生成步骤的操作为：统计一个子段心电信号HS
i
中的波峰的数量Hm
i
和波谷的数量Hn
i
，如果Hm
i
≤Hn
i
，则将心脏图像Ima
i
向左平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
，否则，则将心脏图像Ima
i
向右平移Hn
i
像素后与心脏图像Ima
i
叠加得到初步心脏伪影图像CPIma
i
。4.根据权利要求3所述的方法，其特征在于，在所述生成步骤中，判断所述子段心电信号HS
i
是否具有抖动信号，如果是，则将初步心脏伪影图像CPIma
i
进行翻转后再输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
，如果否，则直接将初步心脏伪影图像CPIma
i
输入至经训练后的神经网络模型中生成心脏伪影图像PIma
i
。5.根据权利要求3所述的方法，其特征在于，所述基于心电信号优化的损失函数为：；其中，n表示第一训练样本集中的样本数量，第一样本集中的训练样本的子段心电信号中的波峰的数量等于波谷的数量；m表示第二训练样本集中的样本数量，第二样本集中的训练样本的子段心电信号中的波峰的数量大于波谷的数量；q表示第三训练样本集中的样本数量，第三样本集中的训练样本的子段心电信号中的波峰的数量小于波谷的数量的样本数量；表示第...

【专利技术属性】
技术研发人员：韩冰，戴跃跃，
申请(专利权)人：医链数科医疗科技江苏有限公司，
类型：发明
国别省市：