CN111091504B - 图像偏差场矫正方法、计算机设备和存储介质 - Google Patents
图像偏差场矫正方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111091504B CN111091504B CN201911139986.XA CN201911139986A CN111091504B CN 111091504 B CN111091504 B CN 111091504B CN 201911139986 A CN201911139986 A CN 201911139986A CN 111091504 B CN111091504 B CN 111091504B
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- network model
- sample
- loss function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003062 neural network model Methods 0.000 claims abstract description 217
- 238000012549 training Methods 0.000 claims abstract description 61
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims description 192
- 238000005070 sampling Methods 0.000 claims description 89
- 238000000605 extraction Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 27
- 230000004927 fusion Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 7
- 230000002829 reductive effect Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 11
- 239000010410 layer Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种图像偏差场矫正方法、计算机设备和存储介质。所述方法包括:获取原始医学图像;将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。采用本方法能够降低对原始医学图像进行偏差场矫正的耗时。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像偏差场矫正方法、计算机设备和存储介质。
背景技术
在磁共振成像中,由于磁共振设备自身存在的不完善性以及检测对象本身也存在一些特异性等因素,从而会导致最终的磁共振图像中出现相同组织在不同区域呈现了不同亮度的情况,也就是所谓的偏差场,而偏差场会对后期图像处理过程带来不利影响,因此,就需要在图像进行后续处理之前,先对图像进行偏差场矫正。
相关技术中在对图像进行偏差场矫正时,大多是采用非参数非均匀强度归一化算法(N3BiasFieldCorrection),通过不断迭代更新偏差场图像和矫正后的磁共振图像,使得磁共振图像的边缘和细节更加锐利,而偏差场图像更加平滑,直至达到预先设定的迭代次数或者两次预测的偏差场变异系数小于某个阈值则停止迭代。
然而上述技术在进行偏差场矫正时,存在耗时较高的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低偏差场矫正耗时的图像偏差场矫正方法、装置、计算机设备和存储介质。
一种图像偏差场矫正方法,该方法包括:
获取原始医学图像;
将原始医学图像输入至训练好的神经网络模型中,确定原始医学图像对应的偏差场图像,其中,训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
对原始医学图像和偏差场图像进行处理,得到偏差场矫正后的图像。
在其中一个实施例中,上述训练好的神经网络模型包括提取模块和采样模块以及融合模块,上述将原始医学图像输入至训练好的的神经网络模型中,确定原始医学图像对应的偏差场图像,包括:
将原始医学图像输入至提取模块进行特征提取,得到原始医学图像的初级特征;
将初级特征输入至采样模块进行采样处理,得到原始医学图像的采样特征图;
将采样特征图输入至融合模块进行特征融合处理,得到原始医学图像对应的偏差场图像。
在其中一个实施例中,上述采样模块包括至少一个上采样模块和至少一个下采样模块,上述将初级特征输入至采样模块进行采样处理,得到原始医学图像的采样特征图,包括:
将初级特征输入至至少一个下采样模块进行下采样特征提取,得到原始医学图像的目标特征;
将目标特征输入至至少一个上采样模块进行上采样特征提取,得到原始医学图像的采样特征图。
在其中一个实施例中,上述对原始医学图像和偏差场图像进行处理,得到偏差场矫正后的图像,包括:
将原始医学图像和偏差场图像进行比较运算处理,得到偏差场矫正后的图像。
在其中一个实施例中,上述神经网络模型的训练方法包括:
获取样本医学图像;上述样本医学图像的金标准为上述样本偏差场图像和/或样本矫正图像;
将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型;上述神经网络模型的损失函数包括样本偏差场的损失函数和/或样本矫正图像的损失函数。
在其中一个实施例中,上述将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型,包括:
将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像;
将样本偏差场图像和预测的偏差场图像输入至预设的损失函数,得到损失函数的值;
利用损失函数的值对初始神经网络模型的参数进行调整,直至损失函数的值达到预设的标准值为止,得到神经网络模型。
在其中一个实施例中,上述将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型,包括:
将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据预测的偏差场图像和样本医学图像得到预测的矫正图像;
将样本偏差场图像和预测的偏差场图像输入至预设的第一损失函数,得到第一损失函数的值,以及,将样本矫正图像和预测的矫正图像输入至预设的第二损失函数,得到第二损失函数的值;
利用第一损失函数的值和第二损失函数的值,对初始神经网络模型的参数进行调整,直至第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到神经网络模型。
在其中一个实施例中,上述将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型,包括:
将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对样本偏差场图像进行求导,得到样本偏差场导数图像;
将样本偏差场图像和预测的偏差场图像输入至预设的第一损失函数,得到第一损失函数的值,以及,将样本偏差场导数图像输入至预设的第三损失函数,得到第三损失函数的值;
利用第一损失函数的值和第三损失函数的值,对初始神经网络模型的参数进行调整,直至第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到神经网络模型。
一种图像偏差场矫正装置,该装置包括:
获取模块,用于获取原始医学图像;
确定模块,用于将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
处理模块,用于对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取原始医学图像;
将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取原始医学图像;
将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
上述图像偏差场矫正方法、装置、计算机设备和存储介质,通过获取原始医学图像,将原始医学图像输入至训练好的神经网络模型中,确定原始医学图像对应的偏差场图像,并对原始医学图像和偏差场图像进行处理,得到偏差场矫正后的图像。在该方法中,由于在对原始医学图像进行偏差场矫正时,确定的偏差场图像是采用训练好的神经网络模型得到的,相比于通过不断迭代更新计算过程中的偏差场图像和矫正图像,以得到最终的偏差场图像的方法,利用神经网络模型得到偏差场图像的方法计算速度更快,因此该方法可以降低得到偏差场图像的耗时,从而可以降低对原始图像进行偏差场矫正的耗时;另外,由于该方法中的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的,因此,该方法得到的神经网络模型也是比较准确的,从而可以使最终得到的偏差场图像和偏差场矫正后的图像更准确。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中图像偏差场矫正方法的流程示意图;
图3a为另一个实施例中图像偏差场矫正方法的流程示意图;
图3b为另一个实施例中神经网络模型的简单结构示意图;
图4a为另一个实施例中图像偏差场矫正方法的流程示意图;
图4b为另一个实施例中图像预处理的流程示意图;
图5为另一个实施例中神经网络模型训练的流程示意图;
图6为另一个实施例中神经网络模型训练的流程示意图;
图7为另一个实施例中神经网络模型训练的流程示意图;
图8为一个实施例中图像偏差场矫正装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前,对图像进行偏差场矫正可分为预处理和后处理两种方法。预处理方法需要基于两个假设:1)能够获得与原图像完全相同的扫描状态;2)偏差场不依赖于扫描对象,由于这两个假设通常无法在真实世界中成立,因此更多的研究基于图像特性,采用后处理方法矫正偏差场,例如同态滤波方法,通过取对数变换,将低频偏差场和真实图像在频率域的信号分开,通过高通滤波器滤除低频偏差场信号,最后取指数变换获得矫正后的图像;改进的同态滤波方法则通过低通滤波器和归一化卷积获得初步估计的偏差场,再通过B样条平滑得到精细的偏差场,最后利用估计的偏差场恢复真实图像。经典的偏差场矫正方法有“N3BiasFieldCorrection(N3,非参数非均匀强度归一化算法)”算法和“N4BiasFieldCorrection(N4)”算法,后者是对前者的变体,基于低频偏差场对图像的影响可以被建模为高斯核对灰度直方图的卷积,传统的偏差场矫正方法通过不断迭代以下步骤完成偏差场矫正:利用高斯同态滤波对灰度直方图去卷积,重新映射图像灰度,锐化图像的边缘和细节;通过B样条建模对偏差场进行平滑。具体地,N3算法通常包含以下步骤:1)去除前景区域;2)对图像进行重采样到工作分辨率;3)将图像转换到log空间;4)观测图像减去估计的偏差场,得到估计的真实图像并进行滤波;5)观测图像减去估计的真实图像,得到估计的偏差场并进行平滑;6)判断是否完成迭代:是则进行步骤7,否则重复步骤4-6;7)将图像从log空间转换到原始空间;8)对图像进行插值到原始分辨率;9)原始图像除以偏差场得到矫正后的图像。但是利用N3或N4进行图像偏差场矫正时,一般需要40s甚至更长时间完成一个样本的偏差场矫正处理,因此,不利于快速完成预处理的步骤,可见,该方法存在耗时较高的问题。因此,本申请提供一种图像偏差场矫正方法、装置、计算机设备和存储介质,旨在解决现有技术中存在的问题。
本申请实施例提供的图像偏差场矫正方法,可以应用于计算机设备,该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像偏差场矫正方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是图像偏差场矫正装置,也可以是计算机设备,下述实施例将以计算机设备为执行主体进行说明。
在一个实施例中,提供了一种图像偏差场矫正方法,本实施例涉及的是将原始医学图像输入至训练好的神经网络模型,得到偏差场图像,并利用偏差场图像对原始图像进行矫正的具体过程。如图2所示,该方法可以包括以下步骤:
S202,获取原始医学图像。
其中,原始医学图像可以是待检测对象的原始医学图像,待检测对象一般为人类,当然也可以是非人类,本实施例不作具体限定;原始医学图像可以是CT(ComputedTomography,电子计算机断层扫描)、PET(Positron Emission Computed Tomography,正电子发射型计算机断层显像)、MR(Magnetic Resonance,磁共振)等图像,另外,这里的原始医学图像可以是一维图像、二维图像、三维图像等。本实施例主要采用的是T1加权MR图像。
具体的,计算机设备可以通过对扫描设备采集到的数据进行图像重建和校正,从而得到原始医学图像,该扫描设备可以是MR设备、CT设备、PET设备、PET-CT设备、PET-MR设备等等;或者,原始医学图像也可以预先重建和校正好,存储在计算机设备中,当需要对其进行处理时,直接从计算机设备的存储器中读取该原始医学图像;又或者,计算机设备也可以从外部设备中获取原始医学图像,比如,将原始医学图像存储在云端,当需要进行处理操作时,计算机设备从云端获取该原始医学图像。本实施例对获取原始医学图像的获取方式不作限定。
S204,将原始医学图像输入至训练好的神经网络模型中,确定原始医学图像对应的偏差场图像,其中,训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的。
其中,这里的神经网络模型可以是机器学习网络模型,当然也可以是其他网络模型,其中,机器学习网络模型可以是DNN(Deep Neural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Network,循环神经网络)等。
具体的,计算机设备在得到原始医学图像之后,可以将该原始医学图像输入至训练好的神经网络模型中,该训练好的神经网络是针对金标准为样本偏差场图像进行训练的,通过该训练好的神经网络模型,就可以得到原始医学图像所对应的偏差场图像。其中,该金标准样本偏差场图像是通过采用N3算法或者N4算法计算得到的,因此这里的金标准偏差场图像是比较准确的,从而训练的神经网络模型也是比较准确的。另外,这里的金标准可以包括样本偏差场图像,当然还可以包括样本矫正图像(即样本偏差场矫正后的图像),当然还可以再包括其他金标准等等。
需要说明的是,在训练网络时,其实也可以训练另一个神经网络,用来将原始医学图像输入进去,直接得到偏差场矫正后的图像(称为矫正图像),但是在测试该另一个神经网络时,通过实验发现该直接得到矫正图像的方法测试精度不高,而利用神经网络先得到偏差场图像,再得到矫正图像的方法精度更高,因此,本申请实施例主要是通过训练好的可以得到偏差场图像的神经网络进行测试的。
S206,对原始医学图像和偏差场图像进行处理,得到偏差场矫正后的图像。
其中,在对原始医学图像和偏差场图像进行处理时,可以采用数学运算处理,当然也可以采用其他处理方式,在采用数学运算处理时,可选的,可以是将原始医学图像和偏差场图像进行比较运算处理,得到偏差场矫正后的图像。这里的比较运算处理如果针对log空间,即模型的训练、模型的输入输出均是在log空间进行的话,那么比较运算处理可以是将原始医学图像和偏差场图像作差,将差值作为偏差场矫正后的图像;如果针对原始空间,模型的训练、模型的输入输出均是在原始图像所在的空间进行的话,比较运算处理还可以是将原始医学图像和偏差场图像作商,将商值作为偏差场矫正后的图像,当然还可以是其他比较运算处理等方式,本实施例对此不作具体限定。
具体的,计算机设备在得到原始医学图像和偏差场图像之后,可以将原始医学图像和偏差场图像进行相应的处理,根据处理结果就可以得到偏差场矫正后的图像。通过实验表明,本实施例的方法可以在0.5s内完成偏差场的估计,如果加上图像预处理的步骤,本实施例的方法也可以在2-4s完成偏差场的估计,即均可以在短时间内得到偏差场图像,因此本实施例的方法可以降低偏差场矫正过程中的耗时。
上述图像偏差场矫正方法中,通过获取原始医学图像,将原始医学图像输入至训练好的神经网络模型中,确定原始医学图像对应的偏差场图像,并对原始医学图像和偏差场图像进行处理,得到偏差场矫正后的图像。在该方法中,由于在对原始医学图像进行偏差场矫正时,确定的偏差场图像是采用训练好的神经网络模型得到的,相比于通过不断迭代更新计算过程中的偏差场图像和矫正图像,以得到最终的偏差场图像的方法,利用神经网络模型得到偏差场图像的方法计算速度更快,因此该方法可以降低得到偏差场图像的耗时,从而可以降低对原始图像进行偏差场矫正的耗时;另外,由于该方法中的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的,因此,该方法得到的神经网络模型也是比较准确的,从而可以使最终得到的偏差场图像和偏差场矫正后的图像更准确。
在另一个实施例中,提供了另一种图像偏差场矫正方法,本实施例涉及的是若训练好的神经网络模型包括提取模块和采样模块以及融合模块,则如何将原始医学图像输入至训练好的神经网络模型,得到偏差场图像的具体过程。在上述实施例的基础上,如图3a所示,上述S204可以包括以下步骤:
S302,将原始医学图像输入至提取模块进行特征提取,得到原始医学图像的初级特征。
S304,将初级特征输入至采样模块进行采样处理,得到原始医学图像的采样特征图。
可选的,上述采样模块包括至少一个上采样模块和至少一个下采样模块,上述S304可以包括步骤A和步骤B:
步骤A,将初级特征输入至至少一个下采样模块进行下采样特征提取,得到原始医学图像的目标特征。
步骤B,将目标特征输入至至少一个上采样模块进行上采样特征提取,得到原始医学图像的采样特征图。
S306,将采样特征图输入至融合模块进行特征融合处理,得到原始医学图像对应的偏差场图像。
其中,采样模块包括的上采样模块和下采样模块的数量可以相同,上采样模块和下采样模块的数量均可以是1个、2个、3个等等,传统的神经网络模型一般是4个上采样模块和4个下采样模块,本实施例主要采用的是3个上采样模块和3个下采样模块,这样可以减少网络结构和参数,提高网络计算效率。另外,提取模块可以对原始医学图像进行特征提取,得到初级特征,采样模块可以对初级特征继续进行下采样和上采样,得到采样特征图,即得到原始医学图像到偏差场图像的映射特征图,融合模块可以对映射得到的采样特征图或映射特征图进行特征融合,最终得到偏差场图像。参见图3b所示,在神经网络主体结构中,每一个下采样模块包含一个kernel size=2(卷积核尺寸),stride=2(步长)的下采样操作和若干个kernel size=3,stride=1的残差卷积操作,以完成对图像的特征提取,每一个上采样模块包含一个kernel size=2,stride=2的转置卷积操作和若干个kernel size=3,stride=1的残差卷积操作,以完成对图像的映射。在上采样模块和下采样模块各自的残差卷积模块中,加入了卷积核大小为1×1×1的卷积层,在执行3×3×3卷积之前对不同通道的特征图进行融合,以此来降低通道数,以解决网络模型大、参数多、训练耗时的问题。另外,本实施例在网络结构下两层的下采样模块和上采样模块之间也可以加入跳层连接,为图像映射增加辅助信息。
具体的,下采样段采用3×3×3卷积核,随层数增加提取图像更加具有全局性的抽象特征,同时stride=2的卷积操作使得图像分辨率逐层减半,特征图的数量逐层加倍,在这里可以将最终得到的特征记为目标特征或者目标特征图;上采样段使用转置卷积提高特征映射分辨率的同时,采用3×3×3卷积核建立原输入图像(即原始医学图像)和输出图像(即偏差场图像)之间的映射关系,即可以将目标特征图再进行三层上采样,最终得到和原始医学图像大小相同的采样特征图。整个神经网络采用残差网络的层间连接设计,并在下采样段和上采样段中特征映射分辨率相同的位置之间构建跳层连接,避免训练过程中出现梯度消失的问题,同时也在残差模块中引入1×1×1卷积核进行特征融合以减少参数数量,例如可以将下采样段的64×64×64的特征图和上采样段的64×64×64的特征图进行跳层连接,以尽可能减少梯度损失带来的网络误差。
本实施例提供的图像偏差场矫正方法,若训练好的神经网络模型包括提取模块和采样模块以及融合模块,则可以将原始医学图像输入至提取模块进行特征提取,得到原始医学图像的初级特征,并将初级特征输入至采样模块进行采样处理,得到原始医学图像的采样特征图,以及将采样特征图输入至融合模块进行特征融合处理,得到原始医学图像对应的偏差场图像。在本实施例中,由于可以采用包括提取模块和采样模块以及融合模块的神经网络模型对原始医学图像进行偏差场估计处理,而该神经网络模型在设计时可以降低通道数,从而可以降低神经网络模型的大小以及减少网络模型的参数,进而可以降低神经网络模型处理原始医学图像的耗时,提高对原始医学图像进行偏差场矫正的速度。
在另一个实施例中,提供了另一种图像偏差场矫正方法,本实施例涉及的是如何对神经网络模型进行训练的具体过程。在上述实施例的基础上,如图4a所示,该神经网络模型的训练过程可以包括以下步骤:
S402,获取样本医学图像;上述样本医学图像的金标准为上述样本偏差场图像和/或样本矫正图像。
其中,这里的样本偏差场图像正如上面S204中所述,可以通过采用N3算法或者N4算法计算得到,样本矫正图像在这里也可以和样本偏差场图像一样,同样作为神经网络模型训练的金标准,可以是由样本医学图像和样本偏差场图像作商得到。这里的样本医学图像和上面原始医学图像一样,可以是CT、PET、MR等图像。
在得到样本医学图像之后,可以对样本医学图像进行预处理,参见图4b所示,以样本图像为人体脑部的T1加权MRI图像为例,该预处理过程可以包括输入T1加权MRI图像、重采样、提取脑组织、配准、灰度归一化、切割图像背景区域、4倍降采样、输出预处理后的MRI图像。也就是说,可以将T1加权MRI图像重采样到256×256×256尺寸,体素大小为1×1×1mm3,得到重采样后的图像,并对重采样后的图像提取脑组织,以减少颅骨以及脖子等部分图像带来的干扰,之后可以对剥脑后的图像进行配准以及灰度归一化,使图像的灰度范围为[0,1],接着以归一化后的图像中心为中心,将256×256×256大小的图像切割成192×224×192大小,减少图像中的背景区域,以降低网络训练的显存要求。另外,考虑到偏差场是一种缓慢变化的平滑场,几乎不包含细节信息,因此,对切割背景区域后的T1图像(样本医学图像)以及金标准图像(样本偏差场图像和/或样本矫正图像)进行4倍降采样,以进一步降低显存要求。
由上可见,样本医学图像的尺寸为4倍降采样后的尺寸,因此之后利用神经网络模型直接得到的输出结果是样本医学图像进行4倍降采样后对应的结果,因此在实际进行偏差场矫正时,可以将神经网络模型直接得到的输出结果进行4倍上采样,然后得到和样本医学图像尺寸一致的图像,并将该图像作为神经网络模型输出的偏差场图像,再和原始医学图像进行比较运算处理,完成偏差场矫正,这里的原始医学图像的尺寸可以和样本医学图像的尺寸相同。
S404,将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型;上述神经网络模型的损失函数包括样本偏差场的损失函数和/或样本矫正图像的损失函数。
其中,在对神经网络模型进行训练时,可以采用不同的损失函数对神经网络模型训练,例如可以采用样本偏差场的损失函数、样本矫正图像的损失函数、样本偏差场导数图像的损失函数等等,下面分别对利用这几种损失函数对神经网络模型进行具体训练的过程进行说明。
场景一,在利用样本偏差场的损失函数对神经网络模型进行训练时,可选的,可以采用如图5所示的步骤:
S502,将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像。
S504,将样本偏差场图像和预测的偏差场图像输入至预设的损失函数,得到损失函数的值。
S506,利用损失函数的值对初始神经网络模型的参数进行调整,直至损失函数的值达到预设的标准值为止,得到神经网络模型。
具体的,计算机设备在得到预处理后的样本医学图像之后,可以将各样本医学图像输入至初始神经网络模型,得到各样本医学图像对应的预测的偏差场图像,并根据上述金标准样本偏差场图像和预测的偏差场图像,计算金标准样本偏差场图像和预测的偏差场图像之间的损失,并将该损失作为损失函数的值,并利用该损失函数的值对初始神经网络模型进行训练,最终得到训练好的神经网络模型。在这里,损失可以是金标准样本偏差场图像和预测的偏差场图像之间的误差、方差、范数等;损失函数在这里可以是L1损失函数、L2损失函数等等;在训练神经网络模型时,当神经网络模型的损失函数的值小于预设的阈值时,或者当损失函数的值基本稳定时(即不再发生变化时),则可以确定神经网络模型已经训练好,否则还要继续训练,当训练好时可以固定神经网络模型的参数,便于测试使用。
场景二,在利用样本矫正图像的损失函数对神经网络模型进行训练时,可选的,可以采用如图6所示的步骤:
S602,将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据预测的偏差场图像和样本医学图像得到预测的矫正图像。
S604,将样本偏差场图像和预测的偏差场图像输入至预设的第一损失函数,得到第一损失函数的值,以及,将样本矫正图像和预测的矫正图像输入至预设的第二损失函数,得到第二损失函数的值。
S606,利用第一损失函数的值和第二损失函数的值,对初始神经网络模型的参数进行调整,直至第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到神经网络模型。
其中,这里的第一损失函数和第二损失函数可以相同,也可以不同;第一损失函数和第二损失函数在这里均可以是L1损失函数、L2损失函数等等。
具体的,计算机设备在得到预处理后的样本医学图像之后,可以将各样本医学图像输入至初始神经网络模型,得到各样本医学图像对应的预测的偏差场图像,之后可以由样本医学图像和预测的偏差场图像作商得到预测的矫正图像,并根据上述金标准样本偏差场图像和预测的偏差场图像,计算金标准样本偏差场图像和预测的偏差场图像之间的第一损失,并将该第一损失作为第一损失函数的值,以及,根据上述金标准样本矫正图像和预测的矫正图像,计算金标准样本矫正图像和预测的矫正图像之间的第二损失,并将该第二损失作为第二损失函数的值,之后,可以利用该第一损失函数的值和第二损失函数的值,对初始神经网络模型进行训练,最终得到训练好的神经网络模型。在这里,可以是利用第一损失函数的值和第二损失函数的值的和值、加权和值、均值、差值等对初始神经网络模型进行训练;另外,这里的第一损失可以是金标准样本偏差场图像和预测的偏差场图像之间的误差、方差、范数等,第二损失可以是金标准样本矫正图像和预测的矫正图像之间的误差、方差、范数等;在训练神经网络模型时,当神经网络模型的第一损失函数的值和第二损失函数的值均小于预设的阈值时,或者当第一损失函数的值和第二损失函数的值均基本稳定时(即不再发生变化时),则可以确定神经网络模型已经训练好,否则还要继续训练,当训练好时可以固定神经网络模型的参数,便于测试使用。
场景三,在利用样本偏差场导数图像的损失函数对神经网络模型进行训练时,可选的,可以采用如图7所示的步骤:
S702,将样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对样本偏差场图像进行求导,得到样本偏差场导数图像。
S704,将样本偏差场图像和预测的偏差场图像输入至预设的第一损失函数,得到第一损失函数的值,以及,将样本偏差场导数图像输入至预设的第三损失函数,得到第三损失函数的值。
S706,利用第一损失函数的值和第三损失函数的值,对初始神经网络模型的参数进行调整,直至第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到神经网络模型。
其中,这里的第一损失函数和第三损失函数可以相同,也可以不同;第一损失函数和第三损失函数在这里均可以是L1损失函数、L2损失函数等等;另外,这里的第一损失函数和上述S602-S606的第一损失函数相同,在此就不再赘述。
具体的,计算机设备在得到预处理后的样本医学图像之后,可以对各样本医学图像的金标准样本偏差场图像进行求导,得到各样本偏差场图像对应的样本偏差场导数图像,并将各样本偏差场导数图像输入至第三损失函数,得到第三损失函数的值,之后,可以利用第一损失函数的值和第三损失函数的值,对初始神经网络模型进行训练,最终得到训练好的神经网络模型。在这里,可以是利用第一损失函数的值和第三损失函数的值的和值、加权和值、均值、差值等对初始神经网络模型进行训练;另外,这里的第一损失可以是金标准样本偏差场图像和预测的偏差场图像之间的误差、方差、范数等;在训练神经网络模型时,当神经网络模型的第一损失函数的值和第三损失函数的值均小于预设的阈值时,或者当第一损失函数的值和第三损失函数的值均基本稳定时(即不再发生变化时),则可以确定神经网络模型已经训练好,否则还要继续训练,当训练好时可以固定神经网络模型的参数,便于测试使用。
本实施例提供的图像偏差场矫正方法,在对神经网络模型训练时,可以获取样本医学图像,该样本医学图像的金标准为样本偏差场图像和/或样本矫正图像,并将样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对初始神经网络模型进行训练,得到神经网络模型,神经网络模型的损失函数包括样本偏差场的损失函数和/或样本矫正图像的损失函数。在本实施例中,由于神经网络模型是利用金标准为样本偏差场图像的样医学图像进行训练得到的,因此得到的神经网络模型是比较准确的,进而在利用该准确的网络进行偏差场估计时,得到的偏差场图像也是比较准确的,更进一步地,可以使最终得到的偏差场矫正后的图像更为准确。
应该理解的是,虽然图2、3a、4a、5-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、3a、4a、5-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种图像偏差场矫正装置,包括:获取模块10、确定模块11和处理模块12,其中:
获取模块10,用于获取原始医学图像;
确定模块11,用于将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
处理模块12,用于对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
可选的,上述处理模块12还用于将所述原始医学图像和所述偏差场图像进行比较运算处理,得到偏差场矫正后的图像。
关于图像偏差场矫正装置的具体限定可以参见上文中对于图像偏差场矫正方法的限定,在此不再赘述。
在另一个实施例中,提供了另一种图像偏差场矫正装置,在上述实施例的基础上,若训练好的神经网络模型包括提取模块和采样模块以及融合模块,则上述确定模块11可以包括:提取模块、采样模块和融合模块,其中:
提取模块,用于将所述原始医学图像输入至所述提取模块进行特征提取,得到所述原始医学图像的初级特征;
采样模块,用于将所述初级特征输入至所述采样模块进行采样处理,得到所述原始医学图像的采样特征图;
融合模块,用于将所述采样特征图输入至所述融合模块进行特征融合处理,得到所述原始医学图像对应的偏差场图像。
可选的,若所述采样模块包括至少一个上采样模块和至少一个下采样模块,则上述采样模块还用于将所述初级特征输入至所述至少一个下采样模块进行下采样特征提取,得到所述原始医学图像的目标特征;将所述目标特征输入至所述至少一个上采样模块进行上采样特征提取,得到所述原始医学图像的采样特征图。
在另一个实施例中,提供了另一种图像偏差场矫正装置,在上述实施例的基础上,上述装置还可以包括训练模块,该训练模块用于获取样本医学图像;所述样本医学图像的金标准为所述样本偏差场图像和/或样本矫正图像;将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型;所述神经网络模型的损失函数包括所述样本偏差场的损失函数和/或所述样本矫正图像的损失函数。
可选的,上述训练模块可以包括第一确定单元、第一损失计算单元和第一训练单元,其中:
第一确定单元,用于将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像;
第一损失计算单元,用于将所述样本偏差场图像和所述预测的偏差场图像输入至预设的损失函数,得到所述损失函数的值;
第一训练单元,用于利用所述损失函数的值对所述初始神经网络模型的参数进行调整,直至所述损失函数的值达到预设的标准值为止,得到所述神经网络模型。
可选的,上述训练模块可以包括第二确定单元、第二损失计算单元和第二训练单元,其中:
第二确定单元,用于将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据所述预测的偏差场图像和所述样本医学图像得到预测的矫正图像;
第二损失计算单元,用于将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本矫正图像和所述预测的矫正图像输入至预设的第二损失函数,得到所述第二损失函数的值;
第二训练单元,用于利用所述第一损失函数的值和所述第二损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
可选的,上述训练模块可以包括第三确定单元、第三损失计算单元和第三训练单元,其中:
第三确定单元,用于将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对所述样本偏差场图像进行求导,得到样本偏差场导数图像;
第三损失计算单元,用于将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本偏差场导数图像输入至预设的第三损失函数,得到所述第三损失函数的值;
第三训练单元,用于利用所述第一损失函数的值和所述第三损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
关于图像偏差场矫正装置的具体限定可以参见上文中对于图像偏差场矫正方法的限定,在此不再赘述。
上述图像偏差场矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取原始医学图像;
将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述原始医学图像输入至所述提取模块进行特征提取,得到所述原始医学图像的初级特征;
将所述初级特征输入至所述采样模块进行采样处理,得到所述原始医学图像的采样特征图;
将所述采样特征图输入至所述融合模块进行特征融合处理,得到所述原始医学图像对应的偏差场图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述初级特征输入至所述至少一个下采样模块进行下采样特征提取,得到所述原始医学图像的目标特征;
将所述目标特征输入至所述至少一个上采样模块进行上采样特征提取,得到所述原始医学图像的采样特征图。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述原始医学图像和所述偏差场图像进行比较运算处理,得到偏差场矫正后的图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取样本医学图像;所述样本医学图像的金标准为所述样本偏差场图像和/或样本矫正图像;
将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型;所述神经网络模型的损失函数包括所述样本偏差场的损失函数和/或所述样本矫正图像的损失函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的损失函数,得到所述损失函数的值;
利用所述损失函数的值对所述初始神经网络模型的参数进行调整,直至所述损失函数的值达到预设的标准值为止,得到所述神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据所述预测的偏差场图像和所述样本医学图像得到预测的矫正图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本矫正图像和所述预测的矫正图像输入至预设的第二损失函数,得到所述第二损失函数的值;
利用所述第一损失函数的值和所述第二损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对所述样本偏差场图像进行求导,得到样本偏差场导数图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本偏差场导数图像输入至预设的第三损失函数,得到所述第三损失函数的值;
利用所述第一损失函数的值和所述第三损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
在一个实施例中,提供了一种可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取原始医学图像;
将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过将样本医学图像输入至初始神经网络模型,并将样本偏差场图像作为金标准进行训练得到的;
对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述原始医学图像输入至所述提取模块进行特征提取,得到所述原始医学图像的初级特征;
将所述初级特征输入至所述采样模块进行采样处理,得到所述原始医学图像的采样特征图;
将所述采样特征图输入至所述融合模块进行特征融合处理,得到所述原始医学图像对应的偏差场图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述初级特征输入至所述至少一个下采样模块进行下采样特征提取,得到所述原始医学图像的目标特征;
将所述目标特征输入至所述至少一个上采样模块进行上采样特征提取,得到所述原始医学图像的采样特征图。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述原始医学图像和所述偏差场图像进行比较运算处理,得到偏差场矫正后的图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取样本医学图像;所述样本医学图像的金标准为所述样本偏差场图像和/或样本矫正图像;
将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型;所述神经网络模型的损失函数包括所述样本偏差场的损失函数和/或所述样本矫正图像的损失函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的损失函数,得到所述损失函数的值;
利用所述损失函数的值对所述初始神经网络模型的参数进行调整,直至所述损失函数的值达到预设的标准值为止,得到所述神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据所述预测的偏差场图像和所述样本医学图像得到预测的矫正图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本矫正图像和所述预测的矫正图像输入至预设的第二损失函数,得到所述第二损失函数的值;
利用所述第一损失函数的值和所述第二损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对所述样本偏差场图像进行求导,得到样本偏差场导数图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本偏差场导数图像输入至预设的第三损失函数,得到所述第三损失函数的值;
利用所述第一损失函数的值和所述第三损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种图像偏差场矫正方法,其特征在于,所述方法包括:
获取原始医学图像;
将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,其中,所述训练好的神经网络模型是通过对样本医学图像和所述样本医学图像的金标准进行训练得到的;所述样本医学图像的金标准为样本偏差场图像和/或样本矫正图像;所述神经网络模型的损失函数包括所述样本偏差场图像的损失函数和所述样本矫正图像的损失函数,或者所述样本偏差场图像的损失函数和所述样本偏差场图像的样本偏差场导数图像的损失函数;
对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像。
2.根据权利要求1所述的方法,其特征在于,所述训练好的神经网络模型包括提取模块和采样模块以及融合模块,所述将所述原始医学图像输入至训练好的神经网络模型中,确定所述原始医学图像对应的偏差场图像,包括:
将所述原始医学图像输入至所述提取模块进行特征提取,得到所述原始医学图像的初级特征;
将所述初级特征输入至所述采样模块进行采样处理,得到所述原始医学图像的采样特征图;
将所述采样特征图输入至所述融合模块进行特征融合处理,得到所述原始医学图像对应的偏差场图像。
3.根据权利要求2所述的方法,其特征在于,所述采样模块包括至少一个上采样模块和至少一个下采样模块,所述将所述初级特征输入至所述采样模块进行采样处理,得到所述原始医学图像的采样特征图,包括:
将所述初级特征输入至所述至少一个下采样模块进行下采样特征提取,得到所述原始医学图像的目标特征;
将所述目标特征输入至所述至少一个上采样模块进行上采样特征提取,得到所述原始医学图像的采样特征图。
4.根据权利要求1或2所述的方法,其特征在于,所述对所述原始医学图像和所述偏差场图像进行处理,得到偏差场矫正后的图像,包括:
将所述原始医学图像和所述偏差场图像进行比较运算处理,得到偏差场矫正后的图像。
5.根据权利要求1所述的方法,其特征在于,所述神经网络模型的训练方法包括:
获取样本医学图像;
将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型。
6.根据权利要求5所述的方法,其特征在于,所述将所述样本医学图像作为初始神经网络模型的输入,并利用金标准样本偏差场图像和/或样本矫正图像将预测的偏差场图像作为所述初始神经网络模型的输出,对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的损失函数,得到所述损失函数的值;
利用所述损失函数的值对所述初始神经网络模型的参数进行调整,直至所述损失函数的值达到预设的标准值为止,得到所述神经网络模型。
7.根据权利要求5所述的方法,其特征在于,所述将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并根据所述预测的偏差场图像和所述样本医学图像得到预测的矫正图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本矫正图像和所述预测的矫正图像输入至预设的第二损失函数,得到所述第二损失函数的值;
利用所述第一损失函数的值和所述第二损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第二损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
8.根据权利要求5所述的方法,其特征在于,所述将所述样本医学图像作为初始神经网络模型的输入,将预测的偏差场图像作为所述初始神经网络模型的输出,并利用金标准样本偏差场图像和/或样本矫正图像对所述初始神经网络模型进行训练,得到所述神经网络模型,包括:
将所述样本医学图像输入至初始神经网络模型,得到预测的偏差场图像,并对所述样本偏差场图像进行求导,得到样本偏差场导数图像;
将所述样本偏差场图像和所述预测的偏差场图像输入至预设的第一损失函数,得到所述第一损失函数的值,以及,将所述样本偏差场导数图像输入至预设的第三损失函数,得到所述第三损失函数的值;
利用所述第一损失函数的值和所述第三损失函数的值,对所述初始神经网络模型的参数进行调整,直至所述第一损失函数的值和第三损失函数的值均达到预设的标准值为止,得到所述神经网络模型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139986.XA CN111091504B (zh) | 2019-11-20 | 2019-11-20 | 图像偏差场矫正方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911139986.XA CN111091504B (zh) | 2019-11-20 | 2019-11-20 | 图像偏差场矫正方法、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091504A CN111091504A (zh) | 2020-05-01 |
CN111091504B true CN111091504B (zh) | 2023-08-18 |
Family
ID=70394014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911139986.XA Active CN111091504B (zh) | 2019-11-20 | 2019-11-20 | 图像偏差场矫正方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091504B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503686A (zh) * | 2023-03-28 | 2023-07-28 | 北京百度网讯科技有限公司 | 图像矫正模型的训练方法、图像矫正方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201416416D0 (en) * | 2014-09-17 | 2014-10-29 | Biomediq As | Bias correction in images |
-
2019
- 2019-11-20 CN CN201911139986.XA patent/CN111091504B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409503A (zh) * | 2018-09-27 | 2019-03-01 | 深圳市铱硙医疗科技有限公司 | 神经网络的训练方法、图像转换方法、装置、设备及介质 |
CN110310257A (zh) * | 2019-05-31 | 2019-10-08 | 上海联影医疗科技有限公司 | 医学图像处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘筱力.基于偏差场补偿和邻域约束的脑磁共振图像分割方法.《知网》.2014,1-9. * |
Also Published As
Publication number | Publication date |
---|---|
CN111091504A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
JP6993334B2 (ja) | 自動化された心臓ボリュームセグメンテーション | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN111612754B (zh) | 基于多模态图像融合的mri肿瘤优化分割方法及系统 | |
CN113313234A (zh) | 用于图像分割的神经网络系统和方法 | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
CN110827369B (zh) | 欠采样模型生成方法、图像重建方法、设备和存储介质 | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN110866909A (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN113487536A (zh) | 图像分割方法、计算机设备和存储介质 | |
CN113610752A (zh) | 乳腺图像配准方法、计算机设备和存储介质 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN111091504B (zh) | 图像偏差场矫正方法、计算机设备和存储介质 | |
CN110766661B (zh) | 磁共振成像的水脂分离方法、磁共振成像方法和设备 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
Rousseau et al. | A supervised patch-based image reconstruction technique: Application to brain MRI super-resolution | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 | |
CN110310314B (zh) | 图像配准方法、装置、计算机设备和存储介质 | |
CN116342444A (zh) | 一种双通道多模态图像融合方法及融合成像终端机 | |
Benseghir et al. | A new partial differential equation for image inpainting | |
CN116128895A (zh) | 医学图像分割方法、装置和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |