【技术实现步骤摘要】
本申请涉及医疗图像处理，尤其涉及一种消除ct伪影的方法、装置及电子设备。
技术介绍
1、ct(computed tomography，电子计算机断层扫描)是一种利用精确准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕扫描对象的某一部位作一个接一个的断面扫描，以获取扫描对象的该部位的不同断面的扫描图像的技术。在医学图像中，ct图像作为较为安全的成像方式，因其成本低、辐射低、操作方便等优点，应用率远高于其他成像方式。
2、但是，由于其本身成像机制是借助射线进行成像，这使得ct图像相较于其他医学成像而言，更容易存在噪声和伪影，给图像的解读和诊断带来了诸多不便。其中，ct伪影是一种原本被扫描对象本身并不存在，但是却在图像中出现的影像。
3、因此，如何减少ct伪影甚至去除ct伪影成为提高图像质量亟需解决的技术问题。
技术实现思路
1、有鉴于此，本申请实施例提供了一种消除ct伪影的方法、装置及电子设备，以消除ct图像中存在的伪影，进而提高输出ct图像的图像质量。
2、第一方面，本申请提供了一种消除ct伪影的方法，所述方法包括：
3、获取目标源ct图像，并将所述目标源ct图像输入至预设ct图像生成模型中；
4、利用所述预设ct图像生成模型对所述目标源ct图像进行去伪影处理，将所述预设ct图像生成模型的输出结果确定为目标去伪影ct图像；
5、其中，所述预设ct图像生成模型预先通过如下方式获得：
6、将c
7、获取所述预设深度卷积神经网络模型针对所述第一样本数据处理得到的第一输出结果，并计算所述第一输出结果与所述参考输出数据之间的输出结果差异；
8、基于所述输出结果差异，对所述预设深度卷积神经网络模型进行参数调整，直至所述输出结果差异收敛；
9、将所述输出结果差异收敛对应的深度卷积神经网络模型确定为所述预设ct图像生成模型。
10、结合第一方面，在第二种可能的实施例中，所述第一样本数据为整张图像中包含伪影的ct图像，所述第二样本数据为基于所述第一样本数据去除伪影得到的参考ct图像，或者所述第二样本数据为整张图像中不包含伪影的ct图像，所述第一样本数据为基于所述第二样本数据添加预设伪影特征得到的ct图像。
11、结合第一方面，在第三种可能的实施例中，所述预设ct图像生成模型的网络结构中至少包括：生成器网络模型，所述生成器网络模型中包括若干个编码器与若干个解码器；
12、其中，若干个所述编码器串联得到第一处理子网络，若干个所述解码器串联得到第二处理子网络，所述第一处理子网络的输出与所述第二处理子网络的输入连接。
13、结合第一方面的第三种可能的实施例，在第四种可能的实施例中，所述利用所述预设ct图像生成模型对所述目标源ct图像进行去伪影处理，包括：
14、将所述目标源ct图像输入至所述第一处理子网络中进行卷积下采样，提取所述目标源ct图像中包含的影像特征；
15、基于所述第二处理子网络对所述影像特征进行卷积上采样，消除所述影像特征中的伪影特征，得到剩余的影像特征；
16、根据所述剩余的影像特征，基于不同的影像参数，生成所述目标去伪影ct图像。
17、结合第一方面的第三种可能的实施例，在第五种可能的实施例中，
18、所述预设深度卷积神经网络模型中包括：初始生成器网络模型，所述获取所述预设深度卷积神经网络模型针对所述第一样本数据处理得到的第一输出结果，并计算所述第一输出结果与所述参考输出数据之间的输出结果差异，包括：
19、将所述第一样本数据输入至所述初始生成器网络模型中，由所述初始生成器网络模型对所述第一样本数据进行卷积处理，得到所述第一样本数据对应的初始去伪影图像；并计算所述初始去伪影图像与所述第二样本数据之间的第一输出差异，其中，所述第一输出差异表征所述初始去伪影图像与所述第二样本数据在第一对比维度上的相似度；
20、所述基于所述输出结果差异，对所述预设深度卷积神经网络模型进行参数调整，直至所述输出结果差异收敛，包括：
21、基于所述第一输出差异，对所述初始生成器网络模型的参数进行调整，直至所述第一输出差异收敛。
22、结合第一方面的第五种可能的实施例，在第六种可能的实施例中，所述利用所述预设ct图像生成模型对所述目标源ct图像进行去伪影处理，包括：
23、所述预设深度卷积神经网络模型还包括：初始判别器网络模型，所述方法还包括：
24、将所述初始去伪影图像、所述第二样本数据输入至所述初始判别器网络模型中，由所述初始判别器网络模型计算所述初始伪影图像与所述第二样本数据之间的第二输出差异，其中，所述第二输出差异表征所述初始去伪影图像与所述第二样本数据在第二对比维度上的相似度；
25、所述基于所述输出结果差异，对所述预设深度卷积神经网络模型进行参数调整，直至所述输出结果差异收敛，包括：
26、基于所述第二输出差异，对所述初始生成器网络模型的参数、所述初始判别器网络模型的参数进行调整，直至所述第二输出差异收敛。
27、第二方面，本申请提供了一种消除ct伪影的装置，所述装置包括：
28、获取模块，用于获取目标源ct图像，并将所述目标源ct图像输入至预设ct图像生成模型中；
29、生成模块，用于利用所述预设ct图像生成模型对所述目标源ct图像进行去伪影处理，将所述预设ct图像生成模型的输出结果确定为目标去伪影ct图像；
30、其中，所述预设ct图像生成模型预先通过如下方式获得：
31、将ct图像训练样本数据对输入至预设深度卷积神经网络模型中，其中，所述ct图像训练样本数据对包括：第一样本数据与第二样本数据，其中，所述第一样本数据为待处理数据，所述第二样本数据为所述第一样本数据对应的参考输出数据；
32、获取所述预设深度卷积神经网络模型针对所述第一样本数据处理得到的第一输出结果，并计算所述第一输出结果与所述参考输出数据之间的输出结果差异；
33、基于所述输出结果差异，对所述预设深度卷积神经网络模型进行参数调整，直至所述输出结果差异收敛；
34、将所述输出结果差异收敛对应的深度卷积神经网络模型确定为所述预设ct图像生成模型。
35、结合第二方面，在第二种可能的实施例中，所述第一样本数据为整张图像中包含伪影的ct图像，所述第二样本数据为基于所述第一样本数据去除伪影得到的参考ct图像，或者所述第二样本数据为整张图像中不包含伪影的ct图像，所述第一样本数据为基于所述第二样本数据添加预设伪影特征得到的ct图像。本文档来自技高网...
【技术保护点】
1.一种消除CT伪影的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一样本数据为整张图像中包含伪影的CT图像，所述第二样本数据为基于所述第一样本数据去除伪影得到的参考CT图像，或者所述第二样本数据为整张图像中不包含伪影的CT图像，所述第一样本数据为基于所述第二样本数据添加预设伪影特征得到的CT图像。
3.根据权利要求1所述的方法，其特征在于，所述预设CT图像生成模型的网络结构中至少包括：生成器网络模型，所述生成器网络模型中包括若干个编码器与若干个解码器；
4.根据权利要求3所述的方法，其特征在于，所述利用所述预设CT图像生成模型对所述目标源CT图像进行去伪影处理，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设深度卷积神经网络模型中包括：初始生成器网络模型，所述获取所述预设深度卷积神经网络模型针对所述第一样本数据处理得到的第一输出结果，并计算所述第一输出结果与所述参考输出数据之间的输出结果差异，包括：
6.根据权利要求5所述的方法，其特征在于，所述预设深度卷积神经网络模型还包
7.一种消除CT伪影的装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述第一样本数据为整张图像中包含伪影的CT图像，所述第二样本数据为基于所述第一样本数据去除伪影得到的参考CT图像，或者所述第二样本数据为整张图像中不包含伪影的CT图像，所述第一样本数据为基于所述第二样本数据添加预设伪影特征得到的CT图像；
9.根据权利要求8所述的装置，其特征在于，
10.一种电子设备，其特征在于，所述电子设备包括：
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种消除ct伪影的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一样本数据为整张图像中包含伪影的ct图像，所述第二样本数据为基于所述第一样本数据去除伪影得到的参考ct图像，或者所述第二样本数据为整张图像中不包含伪影的ct图像，所述第一样本数据为基于所述第二样本数据添加预设伪影特征得到的ct图像。
3.根据权利要求1所述的方法，其特征在于，所述预设ct图像生成模型的网络结构中至少包括：生成器网络模型，所述生成器网络模型中包括若干个编码器与若干个解码器；
4.根据权利要求3所述的方法，其特征在于，所述利用所述预设ct图像生成模型对所述目标源ct图像进行去伪影处理，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设深度卷积神经网络模型中包括：初始生成器网络模型，所述获取所述预设深度卷积神经网络模型针对所述第一样本数据处理得到的第一...
【专利技术属性】
技术研发人员：吴烁华，郭岗，
申请(专利权)人：紫桐智能厦门信息科技有限公司，
类型：发明
国别省市：
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。