【技术实现步骤摘要】
本申请涉及成像，特别是涉及一种基于双域数据的成像矫正方法、系统、终端以及介质。
技术介绍
1、成像技术是指通过特定的设备和技术，将物体或场景的信息转化为可视化的图像或反映出的信息。常见的成像技术包括ct成像，磁共振成像、正电子发射断层成像、单光子发射计算机断层成像、超声成像、光学成像、雷达成像、红外成像、热学成像以及太赫兹成像等，对数字化医学影像诊断与治疗、信息化工业生产、安检和科研设备等行业有着巨大的应用价值。但在成像过程中，通常会因为各种原因产生一些伪影或噪声等，使生成的图像比较模糊或分辨率较低，无法对目标对象进行准确探测，进而影响基于图像进行的医学诊断以及工业检测等的准确性和适用性。
2、现有成像矫正技术中，多是对图像域单域数据进行处理，并且，仅具有降噪、去模糊、超分辨率、重建或去除某一类伪影等单一图像处理功能，不能广泛适用于各种图像处理任务。
3、以ct成像为例，成像过程中通常会出现一些伪影，如金属、散射以及稀疏角度伪影。具体的，金属伪影表现为金属周围的黑色和白色条纹及放射状细纹，主要是在ct扫描的物体包含金属时，由于金属对x射线的高衰减特性，导致的通过金属的通道值出现严重测量误差，进而在重建的图像中产生的伪影；散射伪影，指的是由于射线散射问题，在大锥角ct成像过程中出现的锥束ct图像伪影；而稀疏角度伪影则是采用经典解析法重建稀疏角度数据得到ct图像时出现的严重条状伪影。而为了去除成像过程中产生的各种图像伪影，现有伪影矫正技术主要有：
4、在专利(cn102567958a)中，提供了一
5、在专利(wo2019173452a1)中，提供了一种用于减少ct金属伪影的深层神经网络。所述深层神经网络的训练过程包括：基于测量域数据和解析模型生成ct图像；然后基于所生成的ct图像数据来训练人工神经网络模型，以获得所述深层神经网络。所述深层神经网络旨在减少传统插值方案可能引入的伪影，特别适用于放射治疗规划以及骨科成像中。但是，由于所述深层神经网络仅基于图像域数据训练，不能有效实现测量域和图像域的双域数据信息融合，无法完成高质量的金属伪影矫正。
6、在专利(cn113034636a)中，提供了一种基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置，用于通过构建多能谱ct的散射估计模型并基于所述多能谱ct的散射估计模型预测锥束ct图像。其中，所述多能谱ct的散射估计模型为基于包括估计散射信号的生成器以及区分散射信号的鉴别器的对抗网络训练而成，能够减少大锥角照射过程中的散射污染以及实现跨尺度多能谱锥束ct的图像质量提升。但是，该方法缺陷在于仅在测量域上矫正散射，没有利用ct图像域的图像信息，生成的锥束ct图像质量仍然有限。
7、在专利(cn109559359a)，提供了一种基于深度学习实现的稀疏角度数据重建图像的伪影去除方法。该方法将目前在计算机视觉上表现突出的深度学习方法引入到稀疏角度ct解析重建图像的伪影去除研究中，利用inception-resnet网络的特点，构建了一个表达能力精细且多样的神经网络，适用于稀疏角度数据解析重建图像的伪影去除。但该方法仅为基于数据的稀疏角度ct图像伪影去除方法，且数据仅来源于图像域。
8、总之，现有的成像矫正技术主要针对单一类型的成像缺陷进行处理，且数据类型少来源单一不够全面，从而较大的影响了成像矫正的效果和矫正后图像的质量。
技术实现思路
1、鉴于以上所述现有技术的缺点，本申请的目的在于提供一种基于双域数据的成像矫正方法、系统、终端以及介质，用于解决现有技术中成像矫正技术仅针对单一类型成像缺陷以及利用单域数据导致的矫正精确度差的问题。
2、为实现上述目的及其他相关目的，本申请的第一方面提供一种基于双域数据的成像矫正方法，所述基于双域数据的成像矫正方法包括：基于构建的测量域数据修正模型，根据目标对象的原始测量域数据获得对应的修正测量域数据；基于构建的图像域数据增强模型，根据目标对象的原始图像域数据获得对应的增强图像域数据；对所述修正测量域数据以及所述增强图像域数据进行数据融合；基于构建的成像矫正图像生成模型，根据融合后的数据，生成目标对象的成像矫正图像；其中，所述成像矫正图像生成模型包括：y型图像域数据融合网络以及y型测量域数据融合网络。
3、于本申请的第一方面的一些实施例中，对所述修正测量域数据以及所述增强图像域数据进行数据融合的方式包括：采用第一融合方式对所述修正测量域数据以及所述增强图像域数据进行数据融合，生成图像域融合数据；采用第二融合方式对所述修正测量域数据以及所述增强图像域数据进行数据融合，生成测量域融合数据。
4、于本申请的第一方面的一些实施例中，所述y型图像域数据融合网络用于根据所述图像域融合数据，生成所述成像矫正图像。
5、于本申请的第一方面的一些实施例中，所述y型测量域数据融合网络用于根据所述测量域融合数据，生成目标对象的成像矫正测量数据，以供生成所述成像矫正图像。
6、于本申请的第一方面的一些实施例中，所述第一融合方式包括：对所述修正测量域数据进行正向域变换，采用真实扫描几何参数进行图像重建，获得域变换图像域数据；将所述增强图像域数据以及所述域变换图像域数据进行融合，生成图像域融合数据。
7、于本申请的第一方面的一些实施例中，所述第二融合方式包括：对所述增强图像域数据进行逆向域变换，采用真实扫描几何参数进行前向投影，获得域变换测量域数据；将所述修正测量域数据以及所述域变换测量域数据进行融合，生成测量域融合数据。
8、于本申请的第一方面的一些实施例中，根据所述成像矫正测量数据生成目标对象的所述成像矫正图像的方式包括：对目标对象的所述成像矫正测量数据进行正向域变换，采用真实扫描几何参数进行图像重建，生成所述成像矫正图像。
9、为实现上述目的及其他相关目的，本申请的第二方面提供一种基于双域数据的成像矫正系统，所述基于双域数据的成像矫正系统包括：测量域数据修正模块，用于基于构建的测量域数据修正模型，根据目标对象的原始测量域数据获得对应的修正测量域数据；图像域数据增强模块，用于基于构建的图像域数据增强模型，根据目标对象的原始图像域数据获得对应的增强图像域数据；数据融合模块，连接所述测量域数据修正模块以及所述图像域数据增强模块，用于对所述修正测量域数据以及所述增强图像域数据进行数据融合；成像矫正图像生成模块，连接所述数据融合模块，用于基于构建的成像矫正图像生成模型，根据融合后的数据，生成目标对象的成像矫正图像；其中，所述成像矫正图像生成模型包括：y型图本文档来自技高网...
【技术保护点】
1.一种基于双域数据的成像矫正方法，其特征在于，包括：
2.根据权利要求1所述的基于双域数据的成像矫正方法，其特征在于，对所述修正测量域数据以及所述增强图像域数据进行数据融合的方式包括：
3.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述Y型图像域数据融合网络用于根据所述图像域融合数据，生成所述成像矫正图像。
4.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述Y型测量域数据融合网络用于根据所述测量域融合数据，生成目标对象的成像矫正测量数据，以供生成所述成像矫正图像。
5.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述第一融合方式包括：
6.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述第二融合方式包括：
7.根据权利要求4所述的基于双域数据的成像矫正方法，其特征在于，根据所述成像矫正测量数据生成目标对象的所述成像矫正图像的方式包括：
8.一种基于双域数据的成像矫正系统，其特征在于，包括：
9.一种电子终端，其特征在
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于双域数据的成像矫正方法。
...【技术特征摘要】
1.一种基于双域数据的成像矫正方法，其特征在于，包括：
2.根据权利要求1所述的基于双域数据的成像矫正方法，其特征在于，对所述修正测量域数据以及所述增强图像域数据进行数据融合的方式包括：
3.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述y型图像域数据融合网络用于根据所述图像域融合数据，生成所述成像矫正图像。
4.根据权利要求2所述的基于双域数据的成像矫正方法，其特征在于，所述y型测量域数据融合网络用于根据所述测量域融合数据，生成目标对象的成像矫正测量数据，以供生成所述成像矫正图像。
5.根据权利要求2所述的基于双域数据...
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。