[发明专利]一种基于神经网络的CT伪影抑制方法、设备以及介质

说明书

公开了一种用于训练神经网络的方法和设备、图像处理方法和设备以及存储介质。用于训练神经网络的方法包括：构建主干网络和域分类器。主干网络用于对带伪影CT图像进行处理，得到伪影抑制CT图像，域分类器用于对主干网络的域适应层的输出进行处理，得到对于带伪影CT图像所属类别的判别结果。域适应层用于提取所述带伪影CT图像的伪影特征。该类别包括带仿真伪影的CT图像和带实际伪影的CT图像。对主干网络和域分类器进行联合训练，以便基于损失函数对主干网络和域分类器的参数进行调整。当损失函数实现收敛时确定训练完成，将训练得到的主干网络作为目标神经网络。利用上述训练得到的目标神经网络能够实现针对实际扫描下带伪影CT图像的有效伪影抑制。

技术领域

本公开的实施例涉及辐射成像，具体涉及一种基于神经网络的CT伪影抑制方法、设备以及存储介质。

背景技术

X光断层成像技术(X-Ray Computed Tomography,X-CT)应用于医疗、安检、工业无损检测等领域，已有几十年的历史。由于多种物理因素如束流硬化、光子数过少、散射、数据采样率不足等的影响，CT重建图像中可能出现伪影(Artifacts)，会降低图像质量，从而影响医生等使用者的判断。CT图像中的伪影有很多种，包括条状和带状伪影、风车伪影、环状伪影和运动模糊等。

在过去的几十年里，针对CT图像中的伪影，研究了许多伪影抑制方法。这些方法依赖于对CT扫描中的物理因素的建模，在CT成像的不同阶段进行校正。尽管其中一些方法成功部署在商用CT设备中，但这些传统的伪影抑制方法的性能并不能让人满意。由于对物理作用的建模无法做到完全准确，只是某种意义上的近似，故传统的伪影抑制算法的准确性不足，从而导致实用价值不高。

发明内容

根据本公开实施例，提出了一种用于训练神经网络的方法和设备、图像处理方法和设备、以及存储介质，利用训练得到的目标神经网络能够实现针对实际扫描下带伪影CT图像(即带实际伪影的CT图像)的有效伪影抑制。

在本公开的一个方面，提出了一种用于训练神经网络的方法，包括：构建主干网络和域分类器。然后对主干网络和域分类器进行联合训练，以便基于损失函数对主干网络和域分类器的参数进行调整。当损失函数实现收敛时确定训练完成，将训练得到的主干网络作为目标神经网络。

其中，主干网络用于对带伪影CT图像进行处理，得到伪影抑制CT图像。域分类器用于对主干网络的域适应层的输出进行处理，得到对于带伪影CT图像所属类别的判别结果。域适应层用于提取带伪影CT图像的伪影特征。上述类别包括：带仿真伪影的CT图像和带实际伪影的CT图像。

根据本公开实施例，域适应层包括：主干网络的前第一预定数量个网络层。

根据本公开实施例，域分类器包括特征组合层和判别模块。域适应层的输出包括：域适应层中的第一预定数量个网络层的输出特征。上述域分类器用于对主干网络的域适应层的输出进行处理包括：域分类器用于将域适应层中的第一预定数量个网络层的输出特征作为输入，利用特征组合层对所述第一预定数量个网络层的输出特征进行组合得到组合特征，并利用判别模块确定所述组合特征所属类别。

根据本公开实施例，上述对主干网络和域分类器进行联合训练，以便基于损失函数对主干网络和域分类器的参数进行调整包括：对主干网络进行有监督训练，以便基于第一损失函数对主干网络的参数进行调整。同时，对域适应层和域分类器进行对抗训练，以便基于第二损失函数对域适应层和域分类器的参数进行调整。在此基础上，上述当损失函数实现收敛时确定训练完成包括：当第一损失函数和第二损失函数均实现收敛时，确定训练完成。

根据本公开实施例，上述方法还包括：在对主干网络和域分类器进行联合训练之前，先对主干网络进行初步有监督训练。在此基础上，上述对主干网络和域分类器进行联合训练包括：当上述初步有监督训练进行第二预定数量次时，再对主干网络和域分类器进行联合训练。