[发明专利]医学图像伪影自动校正方法、装置和计算机设备

说明书

本发明涉及一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，所述方法包括：获取第一样本医学图像的第一探测数据，根据第一探测数据确定第一样本医学图像中伪影的传播规律信息和扰动规律信息；根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；获取待校正的医学图像的第二探测数据，将第二探测数据输入卷积神经网络模型，得到待校正的医学图像的伪影以及伪影类型；根据伪影类型对待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的待校正的医学图像输入循环一致对抗网络模型中，以使用循环一致对抗网络模型对待校正的医学图像进行自动化校正。上述方法可以提高医学图像中去伪影的精确度。

技术领域

本发明涉及医学图像理技术领域，特别是涉及一种医学图像伪影自动校正方法、装置、计算机设备和存储介质。

背景技术

人工智能技术是当前的热门领域，人工智能主要涉及模拟人脑进行分析学习的神经网络。神经网络模仿人脑的机制来解释数据，例如图像、视频等。其中，深度学习概念起源于人工神经网络的研究。多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

医学成像系统因物理或软件上存在的不足，不可避免地会产生伪影。这些伪影会降低图像质量，甚至影响后续辅助分析诊断。然而，传统采用信号处理的方式对医学成像进行去伪影，其效果不高，去伪影的精确度不够高。以CT为例，传统基于图像域去伪影方法因未将CT成像过程及投影数据结构特性纳入其中，其伪影去除效果尚未达到最佳，其去伪影的精确度相对低。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，可以提高医学图像中去伪影的精确度。

为了解决上述中至少一个技术问题，本发明实施例提供了一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，所述方法包括：

获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；

根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；

获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；

根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。

可选的，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：

对所述第二探测数据进行反投影重建，得到反投影重建图像数据；

对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；

将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。

可选的，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：

将所述包含标注索引的伪影的所述待校正的医学图像进行Radon变换，得到投影域数据；

将所述投影域数据进行归一化处理，得到目标医学图像数据；