伪影去除模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请涉及一种伪影去除模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。该方法涉及人工智能技术领域。方法包括：通过伪影去除模型的卷积核自适应网络，确定与含伪影图像对应的自适应卷积核；通过伪影去除模型的伪影位置特征提取网络，根据自适应卷积核、非金属区域的位置信息，提取伪影位置特征；通过伪影去除模型的金属伪影去除网络，根据自适应卷积核、非金属区域的位置信息与伪影位置特征，得到伪影去除图像；基于伪影去除图像和原始医学图像之间的差异，调整卷积核自适应网络、伪影位置特征提取网络和金属伪影去除网络的网络参数后，返回获取训练样本的步骤继续训练，以得到训练好的伪影去除模型，提高了图像处理效果。处理效果。处理效果。

【技术实现步骤摘要】
伪影去除模型的训练方法、装置、设备及存储介质


[0001]本申请涉及计算机
，特别是涉及一种伪影去除模型的训练方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着计算机技术与人工智能技术的发展，基于人工智能的图像处理技术可广泛应用到各行各业。在一些应用场景中，为了对确保原图中有价值信息不被无用信息所覆盖，常常需要对原图中的无用信息进行去除。例如，在断层扫描获取医学图像的过程中，若扫描部位出现金属，则得到的医学影像会出现金属伪影，此时，为避免金属伪影掩盖原图信息，需要对医学图像中的金属伪影进行去除。
[0003]在相关技术中，常常直接利用医学影像数据来重构无金属伪影的医学影像，然而，医学图像中的组织结构与金属伪影间存在耦合作用，而且金属本身的属性都会影响医学影像中金属伪影强度变化，相关技术中并未考虑不同医学影像中金属伪影的特征模式的差异性，导致无法对金属伪影进行准确的去除，图像处理效果不佳。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高图像处理效果的伪影去除模型的训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]本申请提供了一种伪影去除模型的训练方法。所述方法包括：
[0006]获取训练样本，所述训练样本包括原始医学图像和含伪影图像，所述含伪影图像包含金属伪影，所述含伪影图像包括金属区域与非金属区域；
[0007]通过伪影去除模型的卷积核自适应网络，确定与所述含伪影图像对应的自适应卷积核，所述自适应卷积核与所述含伪影图像中的金属伪影模式相适应；
[0008]通过所述伪影去除模型的伪影位置特征提取网络，根据所述自适应卷积核、所述非金属区域的位置信息，提取所述含伪影图像中金属伪影的伪影位置特征；
[0009]通过所述伪影去除模型的金属伪影去除网络，根据所述自适应卷积核、所述非金属区域的位置信息与所述伪影位置特征，对所述含伪影图像进行伪影去除，得到伪影去除图像；
[0010]基于所述伪影去除图像和所述原始医学图像之间的差异，调整所述卷积核自适应网络、所述伪影位置特征提取网络和所述金属伪影去除网络的网络参数后，返回所述获取训练样本的步骤继续训练，直至得到训练好的伪影去除模型。
[0011]本申请还提供了一种伪影去除模型的训练装置。所述装置包括：
[0012]样本获取模块，用于获取训练样本，所述训练样本包括原始医学图像和含伪影图像，所述含伪影图像包含金属伪影，所述含伪影图像包括金属区域与非金属区域；
[0013]第一卷积核确定模块，用于通过伪影去除模型的卷积核自适应网络，确定与所述含伪影图像对应的自适应卷积核，所述自适应卷积核与所述含伪影图像中的金属伪影模式
相适应；
[0014]第一位置特征提取模块，用于通过所述伪影去除模型的伪影位置特征提取网络，根据所述自适应卷积核、所述非金属区域的位置信息，提取所述含伪影图像中金属伪影的伪影位置特征；
[0015]第一去除模块，用于通过所述伪影去除模型的金属伪影去除网络，根据所述自适应卷积核、所述非金属区域的位置信息与所述伪影位置特征，对所述含伪影图像进行伪影去除，得到伪影去除图像；
[0016]调整模块，用于基于所述伪影去除图像和所述原始医学图像之间的差异，调整所述卷积核自适应网络、所述伪影位置特征提取网络和所述金属伪影去除网络的网络参数后，返回所述获取训练样本的步骤继续训练，直至得到训练好的伪影去除模型。
[0017]在一些实施例中，所述样本获取模块，用于获取原始医学图像，所述原始医学图像是不包含金属伪影的医学图像；根据至少一种金属掩膜和所述原始医学图像，得到与所述原始医学图像对应的含伪影图像；基于所述原始医学图像和对应的含伪影图像，确定训练样本。
[0018]在一些实施例中，所述伪影去除模型包括多个迭代阶段的子模型，每个迭代阶段的子模型共用同一卷积核自适应网络；所述第一卷积核确定模块，用于在所述多个迭代阶段的首个迭代阶段，通过所述卷积核自适应网络根据所述含伪影图像确定首个迭代阶段与所述含伪影图像对应的中间自适应卷积核；根据所述首个迭代阶段与所述含伪影图像对应的中间自适应卷积核和所述含伪影图像输出首个迭代阶段的中间伪影去除图像；在所述多个迭代阶段的非首个迭代阶段，获取当前迭代阶段的前一迭代阶段输出的中间伪影去除图像，通过所述卷积核自适应网络，根据所述含伪影图像和所述前一迭代阶段输出的中间伪影去除图像，确定当前迭代阶段与所述含伪影图像对应的中间自适应卷积核；将所述多个迭代阶段的末次迭代阶段得到的中间自适应卷积核，作为与所述含伪影图像对应的自适应卷积核。
[0019]在一些实施例中，所述第一卷积核确定模块，用于拼接所述含伪影图像和所述前一迭代阶段输出的中间伪影去除图像，得到当前迭代阶段的输入图像；通过所述卷积核自适应网络，根据所述当前迭代阶段的输入图像，确定当前迭代阶段与所述含伪影图像对应的中间自适应卷积核。
[0020]在一些实施例中，每个迭代阶段的子模型中的伪影位置特征提取网络随迭代过程更新；所述第一位置特征提取模块，用于在所述多个迭代阶段的首个迭代阶段，通过首个迭代阶段的子模型中的伪影位置特征提取网络，根据所述含伪影图像确定首个迭代阶段的伪影位置特征提取网络提取的中间伪影位置特征；在所述多个迭代阶段的非首个迭代阶段，通过当前迭代阶段的子模型中的伪影位置特征提取网络，根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核以及当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征，提取所述含伪影图像中金属伪影的中间伪影位置特征；将末次迭代阶段的子模型中的伪影位置特征提取网络提取到的中间伪影位置特征，作为所述含伪影图像中金属伪影的伪影位置特征。
[0021]在一些实施例中，所述第一位置特征提取模块，用于根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核、当前迭代阶段的前一迭
代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征以及当前迭代阶段的前一迭代阶段输出的中间伪影去除图像，确定前一迭代阶段的预估位置特征梯度；确定所述当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征与所述前一迭代阶段的预估位置特征梯度间的差异；通过当前迭代阶段的子模型中的伪影位置特征提取网络，根据所述差异提取所述含伪影图像中金属伪影的中间伪影位置特征。
[0022]在一些实施例中，每个迭代阶段的子模型中的金属伪影去除网络随迭代过程更新；所述第一去除模块，用于在所述多个迭代阶段的非首个迭代阶段，通过当前迭代阶段的子模型中的金属伪影去除网络，根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核、当前迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征以及当前迭代阶段的前一迭代阶段的子模型中的金属伪影去除网络输出的中间伪影去除图像本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种伪影去除模型的训练方法，其特征在于，所述方法包括：获取训练样本，所述训练样本包括原始医学图像和含伪影图像，所述含伪影图像包含金属伪影，所述含伪影图像包括金属区域与非金属区域；通过伪影去除模型的卷积核自适应网络，确定与所述含伪影图像对应的自适应卷积核，所述自适应卷积核与所述含伪影图像中的金属伪影模式相适应；通过所述伪影去除模型的伪影位置特征提取网络，根据所述自适应卷积核、所述非金属区域的位置信息，提取所述含伪影图像中金属伪影的伪影位置特征；通过所述伪影去除模型的金属伪影去除网络，根据所述自适应卷积核、所述非金属区域的位置信息与所述伪影位置特征，对所述含伪影图像进行伪影去除，得到伪影去除图像；基于所述伪影去除图像和所述原始医学图像之间的差异，调整所述卷积核自适应网络、所述伪影位置特征提取网络和所述金属伪影去除网络的网络参数后，返回所述获取训练样本的步骤继续训练，直至得到训练好的伪影去除模型。2.根据权利要求1所述的方法，其特征在于，所述获取训练样本，包括：获取原始医学图像，所述原始医学图像是不包含金属伪影的医学图像；根据至少一种金属掩膜和所述原始医学图像，得到与所述原始医学图像对应的含伪影图像；基于所述原始医学图像和对应的含伪影图像，确定训练样本。3.根据权利要求1所述的方法，其特征在于，所述伪影去除模型包括多个迭代阶段的子模型，每个迭代阶段的子模型共用同一卷积核自适应网络；所述通过伪影去除模型的卷积核自适应网络，确定与所述含伪影图像对应的自适应卷积核，包括：在所述多个迭代阶段的首个迭代阶段，通过所述卷积核自适应网络根据所述含伪影图像确定首个迭代阶段与所述含伪影图像对应的中间自适应卷积核；根据所述首个迭代阶段与所述含伪影图像对应的中间自适应卷积核和所述含伪影图像输出首个迭代阶段的中间伪影去除图像；在所述多个迭代阶段的非首个迭代阶段，获取当前迭代阶段的前一迭代阶段输出的中间伪影去除图像，通过所述卷积核自适应网络，根据所述含伪影图像和所述前一迭代阶段输出的中间伪影去除图像，确定当前迭代阶段与所述含伪影图像对应的中间自适应卷积核；将所述多个迭代阶段的末次迭代阶段得到的中间自适应卷积核，作为与所述含伪影图像对应的自适应卷积核。4.根据权利要求3所述的方法，其特征在于，所述通过所述卷积核自适应网络，根据所述含伪影图像和所述前一迭代阶段输出的中间伪影去除图像，确定当前迭代阶段与所述含伪影图像对应的中间自适应卷积核，包括：拼接所述含伪影图像和所述前一迭代阶段输出的中间伪影去除图像，得到当前迭代阶段的输入图像；通过所述卷积核自适应网络，根据所述当前迭代阶段的输入图像，确定当前迭代阶段与所述含伪影图像对应的中间自适应卷积核。5.根据权利要求3所述的方法，其特征在于，每个迭代阶段的子模型中的伪影位置特征
提取网络随迭代过程更新；所述通过所述伪影去除模型的伪影位置特征提取网络，根据所述自适应卷积核、所述非金属区域的位置信息，提取所述含伪影图像中金属伪影的伪影位置特征，包括：在所述多个迭代阶段的首个迭代阶段，通过首个迭代阶段的子模型中的伪影位置特征提取网络，根据所述含伪影图像确定首个迭代阶段的伪影位置特征提取网络提取的中间伪影位置特征；在所述多个迭代阶段的非首个迭代阶段，通过当前迭代阶段的子模型中的伪影位置特征提取网络，根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核以及当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征，提取所述含伪影图像中金属伪影的中间伪影位置特征；将末次迭代阶段的子模型中的伪影位置特征提取网络提取到的中间伪影位置特征，作为所述含伪影图像中金属伪影的伪影位置特征。6.根据权利要求5所述的方法，其特征在于，所述通过当前迭代阶段的子模型中的伪影位置特征提取网络，根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核以及当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征，提取所述含伪影图像中金属伪影的中间伪影位置特征，包括：根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核、当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征以及当前迭代阶段的前一迭代阶段输出的中间伪影去除图像，确定前一迭代阶段的预估位置特征梯度；确定所述当前迭代阶段的前一迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征与所述前一迭代阶段的预估位置特征梯度间的差异；通过当前迭代阶段的子模型中的伪影位置特征提取网络，根据所述差异提取所述含伪影图像中金属伪影的中间伪影位置特征。7.根据权利要求5所述的方法，其特征在于，每个迭代阶段的子模型中的金属伪影去除网络随迭代过程更新；所述通过所述伪影去除模型的金属伪影去除网络，根据所述自适应卷积核、所述非金属区域的位置信息与所述伪影位置特征，对所述含伪影图像进行伪影去除，得到伪影去除图像，包括：在所述多个迭代阶段的非首个迭代阶段，通过当前迭代阶段的子模型中的金属伪影去除网络，根据所述非金属区域的位置信息、当前迭代阶段与所述含伪影图像对应的中间自适应卷积核、当前迭代阶段的子模型中的伪影位置特征提取网络提取的中间伪影位置特征以及当前迭代阶段的前一迭代阶段的子模型中的金属伪影去除网络输出的中间伪影去除图像，对所述含伪影图像进行伪影去除，得到当前迭代阶段的子模型中的金属伪影去除网络输出的中间伪影去除图像；将末次迭代阶段的子模型中的金属伪影去除网络输出的中间伪影去除图像，作为对所述含伪影图像进行伪影去除得到的伪影去除图像。8.根据权利要求7所述的方法，其特征在于，所述根据所述非金属区域的位置信...

【专利技术属性】
技术研发人员：王红，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：