[发明专利]运动补偿方法、装置、CT设备及CT系统

权利要求书

1.一种运动补偿方法，其特征在于，包括：

根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；

针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；

利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。

2.根据权利要求1所述的方法，其特征在于，根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据之后，还包括：

根据所述目标数据进行图像重建，得到目标重建图像。

3.根据权利要求1所述的方法，其特征在于，根据所述至少一幅图像，确定目标运动向量场，包括：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

4.根据权利要求3所述的方法，其特征在于，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，包括：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

5.根据权利要求3所述的方法，其特征在于，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，包括：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

6.根据权利要求1所述的方法，其特征在于，所述运动向量场模型为多项式。

7.根据权利要求1所述的方法，其特征在于，所述分类模型的训练方法包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

8.一种运动补偿装置，其特征在于，包括：

初始场确定模块，用于根据预设的运动向量场模型，在预设运动范围内确定M个初始运动向量场；M为自然数；

初步重建模块，用于针对目标重建位置，分别根据所述M个初始运动向量场中的每个初始运动向量场，对待处理的心脏CT扫描数据进行运动补偿后进行图像重建，得到M幅初步重建图像；

分类及选择模块，用于利用已训练好的分类模型对所述M幅初步重建图像进行分类，根据分类结果从所述M幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

目标场确定模块，用于根据所述至少一幅图像，确定目标运动向量场；

补偿模块，用于根据所述目标运动向量场，对所述心脏CT扫描数据进行运动补偿，得到目标数据。