CN113689359A - 一种图像伪影去除模型及其训练方法和系统 - Google Patents

一种图像伪影去除模型及其训练方法和系统 Download PDF

Info

Publication number
CN113689359A
CN113689359A CN202111117116.XA CN202111117116A CN113689359A CN 113689359 A CN113689359 A CN 113689359A CN 202111117116 A CN202111117116 A CN 202111117116A CN 113689359 A CN113689359 A CN 113689359A
Authority
CN
China
Prior art keywords
image
objective
model
training
artifact removal
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.)
Granted
Application number
CN202111117116.XA
Other languages
English (en)
Other versions
CN113689359B (zh
Inventor
李彪
刘炎炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202111117116.XA priority Critical patent/CN113689359B/zh
Priority claimed from CN202111117116.XA external-priority patent/CN113689359B/zh
Publication of CN113689359A publication Critical patent/CN113689359A/zh
Priority to PCT/CN2022/120969 priority patent/WO2023046092A1/en
Application granted granted Critical
Publication of CN113689359B publication Critical patent/CN113689359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G06T5/80—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/448—Computed tomography involving metal artefacts, streaking artefacts, beam hardening or photon starvation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing

Abstract

本说明书实施例提供一种图像伪影去除模型训练方法和系统，该方法包括：获取第一初始图像，和与第一初始图像对应的初步校正图像、客观特征图；以及将第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以第一初始图像为第一训练样本、第一初始图像对应的标准去伪影图像为第一标签，通过客观特征图和第一标签对图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。

Description

一种图像伪影去除模型及其训练方法和系统
技术领域
本说明书涉及医学图像处理领域，特别涉及一种图像伪影去除模型及其训练方法和系统。
背景技术
在医学成像(例如CT成像)中，金属物体相比较于人体组织，有着更高的衰减特性，对光子有更强的吸收能力。当X射线穿过金属物体时，可导致射线束硬化，同时噪声，容积效应以及散射效应被加剧。这些效应会导致重建图像中出现金属伪影。机器学习模型可以用于减少或消除重建图像中的伪影。然而，当下现有的模型，未考虑包含伪影的相关信息(例如，伪影的大小、伪影的材质等)，使得模型的准确性和全面性难以改善，去伪影效果有待提高。
因此，希望提供一种图像伪影去除模型及其训练方法，以提高图像去伪影效果，提升重建图像的性能和准确度。
发明内容
本说明书实施例之一提供一种图像伪影去除模型训练方法，包括：获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图；以及将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。
本说明书实施例之一提供一种图像伪影去除模型训练系统，包括：第一获取模块，用于获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图；以及第一训练模块，用于将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。
本说明书实施例之一提供一种客观特征图模型训练方法，包括：获取第二初始图像，和所述第二初始图像包含伪影的客观信息；以及将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。
本说明书实施例之一提供一种客观特征图模型训练系统，包括：第二获取模块，用于获取第二初始图像，和所述第二初始图像包含伪影的客观信息；以及第二训练模块，用于将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上所述的方法。
本说明书实施例提供的图像伪影去除模型训练方法，由于客观特征图中可以包含多种类型的客观信息，使用客观特征图训练图像伪影去除模型可以使模型学习到更多与伪影相关的特征，以提高图像伪影去除模型处理包含各类伪影特征的医学图像的泛化能力。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的图像去伪影系统的应用场景示意图；
图2是根据本说明书一些实施例所示的图像伪影去除模型训练方法的示例性流程图；
图3是根据本说明书一些实施例所示的图像伪影去除模型与客观特征图模型进行同步训练的示例性流程图；
图4是根据本说明书一些实施例所示的通过训练好的图像伪影去除模型得到去伪影图像的示例性流程图；
图5是根据本说明书一些实施例所示的基于初始图像得到客观特征图的示例性流程图；
图6是根据本说明书一些实施例所示的客观特征图模型训练方法的示例性流程图；
图7是根据本说明书一些实施例所示的图像伪影去除模型训练系统的模块图；
图8是根据本说明书一些实施例所示的客观特征图模型训练系统的模块图；
图9是根据本说明书一些实施例所示的图像去伪影系统的模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标签的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的图像去伪影系统的应用场景示意图。
在一些实施例中，图像去伪影系统100可以通过实施本说明书披露的方法和/或过程，得到训练好的图像伪影去除模型。在一些实施例中，图像去伪影系统100可以利用训练好的图像伪影去除模型对图像进行去伪影处理，得到去伪影之后的图像(或称去伪影图像)。伪影是指在CT重建图像中存在实际物体中并不存在的杂影和干扰，即与实际被扫描物体无关的影像。在一些实施例中，图像去伪影系统100可以去除多种类型的伪影。例如，金属伪影、运动伪影、条状伪影、阴影状伪影、环状伪影或带状伪影等。在本说明书的实施例中，伪影可以包括金属伪影。
如图1所示，图像去伪影系统100可以包括第一计算系统120、第二计算系统130。第一计算系统120和第二计算系统130可以相同也可以不同。第一计算系统120和第二计算系统130可以是同一个计算系统，也可以是不同的计算系统。第一计算系统120和第二计算系统130是指具有计算能力的系统，可以包括各种计算机，比如服务器、个人计算机，也可以是由多台计算机以各种结构连接组成的计算平台。在一些实施例中，第一计算系统120和第二计算系统130可以部署在不同的计算设备上。在一些实施例中，第一计算系统120和第二计算系统130可以部署在同一个计算设备上，使得该计算设备同时具有模型训练和利用训练好的模型对图像进行处理的功能。
第一计算系统120和/或第二计算系统130中可以包括处理器，处理器可以执行程序指令。处理器可以包括各种常见的通用中央处理器(central processing unit，CPU)，图形处理器(graphics processing unit，GPU)，微处理器，特殊应用集成电路(application-specific integrated circuit，ASIC)，或其他类型的集成电路。
第一计算系统120和第二计算系统130还可以包括显示装置。显示装置可以从处理器接收并显示图像(例如，初始图像、初步校正图、客观特征图、标准去伪影图像、和/或去伪影图像等)。标准去伪影图像可以指用其他方法(例如，迭代法、插值法)去除图像中的伪影(例如金属伪影)后得到的图像，可作为模型训练的金标准。去伪影模型可以指利用训练好的模型处理图像，去除图像中的伪影后得到的不含伪影或伪影较少的图像。显示装置可以包括各类用于显示的屏幕和/或具有信息接收和/或发送功能的设备，如计算机、手机、平板电脑等。
第一计算系统120和/或第二计算系统130中可以包括存储介质，存储介质可以存储指令和/或数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
第一计算系统120和/或第二计算系统130还可以包括用于内部连接和/或与外部连接的网络。网络可以是有线网络或无线网络中的任意一种或多种。
在一些实施例中，第一计算系统120可以获取样本数据110，样本数据110可以是用于训练模型的数据。示例性的，样本数据110可以是训练图像伪影去除模型的数据。例如，样本数据110可以是带有金属伪影的原始图像。样本数据110可以通过各种常见的方式输入第一计算系统120。
在一些实施例中，第一计算系统120中可以训练模型122，更新模型122的参数，得到训练好的模型。示例性的，模型122可以是图像伪影去除模型。
在一些实施例中，第二计算系统130可以获取数据140，数据140可以是待去除伪影的图像。数据140可以通过各种常见的方式输入第二计算系统130。
在一些实施例中，第二计算系统130中可以利用模型132进行图像处理(例如去伪影操作)。模型132的参数可以来自于训练好的模型122。其中，参数可以以任何常见的方式传递。在一些实施例中，模型122与模型132可以是相同的。在一些实施例中，第二计算系统130可以基于模型132，生成结果150，结果150可以是模型132对数据140的处理结果。示例性的，模型132可以为训练好的图像伪影去除模型，结果150可以是训练好的图像伪影去除模型对图像的处理结果，即训练好的图像伪影去除模型输出的去伪影图像。
模型(例如，模型122或/和模型132)可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时，所使用的参数可以是被预先设置好的，也可以是动态调整的。一些参数可以通过训练的方法获得，一些参数可以在执行的过程中获得。关于图像伪影去除模型、初始图像和标准去伪影图像的更多描述可参见图2至图4及其相关描述。
图2是根据本说明书一些实施例所示的图像伪影去除模型训练方法的示例性流程图。
如图2所示，流程200可以包括下述步骤。在一些实施例中，流程200可以由第一计算系统120执行。
步骤210，获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图。在一些实施例中，步骤210可以由第一获取模块710执行。
初始图像可以是对目标对象(例如，人体，动物，模体，或工件等)进行成像而得到的二维图像和/或三维图像。在一些实施例中，初始图像可以是医学图像(例如，与人或动物的整体或部分器官或组织相关的图像)。所述器官可以包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述组织可以包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。在一些实施例中，所述初始图像可以是工业图像或模体图像，例如可以是工件或模体的扫描图像。本说明书中的初始图像可以为各种类型，包括但不限于电子计算机断层扫描(CT)图像、发射计算机断层扫描(ECT)图像、磁共振成像(MRI)图像、超声图像、正电子发射断层扫描(PET)图像等。需要注意的是，虽然下文多处以医学CT图像为例进行说明，但是本说明书的技术方案也可以用于其他类型的图像的伪影校正，例如，还可以用于工业CT图像、工业MRI图像等。初始图像可以基于原始扫描数据进行图像重建生成。在一些实施例中，初始图像中可以包括伪影。例如，金属伪影、运动伪影等。如果目标对象包含金属物体，或者成像视场(field of view，FOV)中出现金属物体，当X射线穿过金属物体时，可导致射线束硬化，同时噪声，容积效应以及散射效应被加剧，从而导致重建图像中出现金属伪影。此外，在对目标对象进行扫描的过程中，目标对象的移动、呼吸、心跳、胃肠蠕动等可在重建图像中造成运动伪影。
在一些实施例中，第一获取模块710可以从对目标对象执行CT扫描的扫描仪处获取第一初始图像。在一些实施例中，第一获取模块710可以从与第一计算系统120关联的存储设备，或图像去伪影系统100之外的其他存储设备处获取第一初始图像。例如，第一获取模块710可以从医生在临床阶段收集的初始图像所形成的数据库中获取。
在一些实施例中，第一获取模块710还可以通过模拟系统或模拟平台模拟获取第一初始图像。对于第一初始图像的获取，本实施例并不对此构成限制。
初步校正图像是指通过物理校正算法对初始图像进行校正后的图像。物理校正算法可以包括金属伪影校正MAR(Metal Artifact Reduction)、硬化校正等。初始校正图像可以是二维图像和/或三维图像。
在一些实施例中，第一获取模块710可以通过对第一初始图像执行物理校正算法来获取初步校正图像。在一些实施例中，第一获取模块710可以从与第一计算系统120关联的存储设备，或图像去伪影系统100之外的其他存储设备处获取初步校正图像。
客观特征图是指能反映与伪影相关的客观信息的图像或数据。在一些实施例中，客观信息可以反映伪影特征的属性。例如，扫描部位为头部，则该客观信息可以反映出伪影特征在伪影图像中的伪影分布位置为患者的头部。示例性客观信息可以包括伪影种类、伪影大小、伪影强度、伪影分布位置、伪影率、初始图像的扫描参数、初始图像的扫描场景、扫描部位的窗宽窗位信息等或其任意组合。以金属伪影为例，与金属伪影相关的客观信息可以包括金属材质的种类、金属材质的尺寸、金属植入物的位置、所述初始图像的扫描参数、所述初始图像的扫描场景等中的至少一种。其中，金属材质的种类是指产生金属伪影的金属对应的类型，例如，铜、铁等；金属材质的尺寸是指产生金属伪影的金属的实际尺寸；金属植入位置是指产生金属伪影的金属在被扫描时，相对于患者的实际位置；扫描参数可以是扫描过程中的相关参数，例如，模体的扫描范围、视场角(field of view,FOV)范围、扫描时间、扫描电压、扫描电流、窗宽、窗位等；扫描场景可以是当前的扫描部位。
在一些实施例中，第一获取模块710可以基于第一初始图像、第一初始图像的扫描信息(例如扫描协议，扫描参数等)、和/或计算设备(例如，第一计算系统120，或第二计算系统130等)接收到的与客观信息相关的输入信息，得到与第一初始图像对应的客观信息。在一些实施例中，为方便将上述客观信息应用于模型处理，第一获取模块710可以对上述客观信息进行向量化处理，得到客观特征图。使得每一种客观信息均能与一个数值化向量相对应。在一些实施例中，每种客观信息可以包含多个类，每个类都可以用数值(例如1，2，3，4，5等)表示。在一些实施例中，可以为每个客观信息赋予初始值0。例如，第一初始图像可以对应四种客观信息a、b、c、d，初始向量为[0，0，0，0]；客观信息a可以包含3个类，客观信息a的取值可以为3个类中的一个，例如1，则客观信息a可以表示为向量[1，0，0，0]；客观信息b可以包含2个类，客观信息b的取值可以为2个类中的一个，例如2，则客观信息b可以表示为向量[0，2，0，0]；客观信息c可以包含4个类，客观信息c的取值可以为4个类中的一个，例如4，则客观信息c可以表示为向量[0，0，4，0]；客观信息d可以包含3个类，客观信息d的取值可以为3个类中的一个，例如3，则客观信息d可以表示为向量[0，0，0，3]。在一些实施例中，若存在多种客观信息，第一获取模块710还可以对上述多种客观信息的组合进行向量化处理，使得任意数量的客观信息的组合可以与一个数值向量对应。例如，前述四种客观信息a、b、c、d的组合可以为向量[1，2，4，3]。在一些实施例中，在完成对各客观信息的向量化处理后，可以将上述客观信息和对应的数值向量形成表格类型的图数据。例如，客观特征图可以为表格，表格的第一列显示客观信息的名称，例如客观信息a、客观信息b，表格的第二列显示客观信息的向量值，例如[1，0，0，0]、[0，2，0，0]等，其中，表格的每一行数据中的客观信息名称与客观信息的向量值一一对应。
在一些实施例中，第一获取模块710可以基于第一初始图像，采集至少部分客观信息(例如，金属材质的种类、金属材质的尺寸、金属植入物的位置)。在一些实施例中，可以先通过人工采集的方式获取至少部分客观信息(例如，人工输入相应的客观信息)，以供第一获取模块710获取客观信息。例如，用户(例如，医生)可以在第一初始图像中标注至少一个客观信息，例如标注的客观信息可以是金属植入物位置在头部、金属材质为铁，则该客观信息即为第一获取模块710基于该第一初始图像采集的客观信息。在一些实施例中，第一获取模块710可以通过模拟系统或模拟平台自动生成并采集客观信息。例如，该模拟系统或模拟平台可以通过图像识别技术识别出第一初始图像所包含的客观信息(例如，通过识别图像中的伪影位置确定金属植入物位置，通过识别图像中的伪影的大小确定金属大小等)。
在一些实施例中，第一获取模块710可以基于第一初始图像的扫描信息(例如扫描协议，扫描参数等)，采集至少部分客观信息(例如，初始图像的扫描参数、所述初始图像的扫描场景)。例如，第一获取模块710可以读取或分析第一初始图像的扫描协议、扫描参数等信息，自动采集相关的客观信息(例如，扫描电流为200mA、扫描电压为100kV)供第一获取模块710获取。
在一些实施例中，第一获取模块710可以基于计算设备(例如，第一计算系统120，或第二计算系统130等)接收到的与客观信息相关的输入信息，采集至少部分客观信息(例如，金属材质的种类、金属材质的尺寸、金属植入物的位置)。例如，对于金属伪影，用户可以通过临床经验判断出金属材质的种类、金属植入物的位置，将上述客观信息输入到计算设备中，并同步存储到相关存储设备中，以供第一获取模块710进行后续采集获取。
在一些实施例中，第一获取模块710可以基于特征映射字典，将客观信息转换为词向量(或称向量)并整合，以得到客观特征图。特征映射字典可以是包含客观信息名称、和与客观信息对应数值向量之间映射关系的查找表。在一些实施例中，第一获取模块710可以通过特征映射字典直接获取各种客观信息对应的词向量。例如，对于某一客观信息为伪影扫描协议，可以通过查找特征映射字典，获取该伪影扫描协议的数值化向量(例如，向量[0，2，0])。
在一些实施例中，第一获取模块710可以结合特征映射字典的映射关系，对一种或多种客观信息进行映射处理得到对应的词向量，并对得到的一个或多个词向量依次排列整合得到对应的客观特征图。
在一些实施例中，第一获取模块710还可以通过客观特征图模型获取客观特征图。关于客观特征图模型以及通过客观特征图模型获取客观特征图的更多描述，可以参见图5及其相关描述。
通过上述方式，在对图像伪影去除模型进行训练之前，通过获取初始图像的初步校正图像并用于后续模型训练，可以显著地提升图像伪影去除模型的性能；通过获取初始图像的客观特征图并应用于后续模型训练，使得模型在训练过程中能够学习到与伪影特征相关的多种客观信息，以显著地提升图像伪影去除模型的泛化能力。
步骤220，将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。在一些实施例中，步骤220可以由第一训练模块720执行。
在一些实施例中，图像伪影去除模型可以包括但不限于深度学习模型、机器学习模型等。例如，图像伪影去除模型可以包括但不限于U-NET(U型网络)、DenseNet(DenseConvolutional Network，密集卷积网络)、ResNet(Residual Network，残差网络)、GAN(Generative Adversarial Networks，生成式对抗网络)等。
在一些实施例中，第一训练模块720可以基于一个或多个带有标签的第一训练样本来训练图像伪影去除模型。具体的，可以将带有标签的第一训练样本，和第一训练样本对应的初步校正图像、客观特征图输入至图像伪影去除模型，通过训练更新图像伪影去除模型的参数，得到训练好的图像伪影去除模型。第一训练样本的标签可以指第一训练样本对应的期望输出图像。
在一些实施例中，第一训练样本可以为第一初始图像。关于第一初始图像获取的更多描述可以参见步骤210及其相关描述。
在一些实施例中，第一训练样本对应的第一标签可以为标准去伪影图像。在一些实施例中，第一标签可以通过其他训练好的图像伪影处理模型获取。在一些实施例中，第一标签还可以通过其他方式获取，例如基于能够生成标准去伪影图像的模拟系统或模拟平台生成并获取。
在一些实施例中，图像伪影去除模型可以基于上述样本，通过一种或多种模型训练方法进行训练，更新模型参数。示例性模型训练方法可以包括梯度下降法、随机梯度下降法、牛顿法等。
在一些实施例中，在图像伪影去除模型的训练过程中，模型可以对第一训练样本(即第一初始图像)与初步校正图像进行融合处理得到两者的融合向量。由于图像伪影去除模型可以是多种类型的多层神经网络，在模型训练时，上述融合向量可以应用到图像伪影去除模型的每一层。在一些实施例中，在图像伪影去除模型的训练过程中，客观特征图可以不被模型处理(或改变)，而是用于调整图像伪影去除模型的参数，相当于作为图像伪影去除模型的超参数输入。例如，当前客观特征图包含扫描部位窗宽窗位的客观信息，将该客观特征图输入至图像伪影去除模型后，在图像伪影去除模型的训练过程中，图像伪影去除模型可以根据该客观特征图调整第一初始图像、初步校正图像和输出图像的窗宽窗位，例如，将第一初始图像、初步校正图像和输出图像的窗宽窗位调整到与客观特征图包含的窗宽窗位一致。相当于客观特征图作为输入对训练中的图像伪影去除模型的参数进行调整，以更新图像伪影去除模型的参数、提升图像伪影去除模型的性能。
在一些实施例中，可以将第一训练样本、初步校正图像、客观特征图分别对应的向量输入到图像伪影去除模型中，图像伪影去除模型可以对第一训练样本与初步校正图像进行融合处理得到两者的融合向量，图像伪影去除模型对融合向量经过运算后得到输出值。然后基于损失函数值和客观特征图对图像伪影去除模型的参数进行调整，其中，损失函数值通过第一训练样本对应的当前输出图像与第一标签的差异确定。在图像伪影去除模型的训练过程中，客观特征图可以赋予所述差异不同的权重来实现网络有偏向性的训练，可以使得训练后的图像伪影去除模型可以针对与客观特征图表示的客观信息对应的伪影进行去除，且不容易受到其他种类的伪影的影响。在一些实施例中，所述对图像伪影去除模型的反向调整过程可以是一个迭代的过程。每次使用训练样本训练后，图像伪影去除模型中的参数都会发生变化，作为下一次输入训练样本进行训练的参数。
在一些实施例中，当训练中的图像伪影去除模型满足预设条件时，可以结束训练。其中，预设条件可以是图像伪影去除模型训练中的损失函数结果收敛或小于预设阈值、训练样本数达到预定的数量，或者模型的预测正确率大于某一预定正确率阈值等。
通过上述方式，在模型训练过程中，对第一初始图像和初步校正图像进行融合处理得到两者的融合向量，并应用到整个模型的训练过程，使得初步校正图像可以作为模型训练的正确导向，从而不仅能够减少模型训练过程中的计算量，还能够提升图像伪影去除模型对初始图像执行去伪影处理的准确性；另外，由于客观特征图包含伪影特征的一种或多种客观信息，使得通过客观特征图在模型训练中对模型参数进行调整，可以提升模型处理初始图像的针对性、偏向性，从而显著地提升图像伪影去除模型的泛化能力。
应当注意的是，上述有关流程200的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。在一些实施例中，图像伪影去除模型的训练过程还可以包括：获取客观特征图模型，以及对客观特征图模型和图像伪影去除模型进行同步训练。其中，客观特征图模型的输入可以为客观信息对应的词向量，客观特征图模型的输出可以为客观特征图。关于对客观特征图模型和图像伪影去除模型进行同步训练的更多描述可以参见图3及其相关描述。
图3是根据本说明书一些实施例所示的图像伪影去除模型与客观特征图模型进行同步训练的示例性流程图300。
在一些实施例中，对于客观特征图模型和图像伪影去除模型的同步训练，可以先保持其中一个模型(第一模型，例如客观特征图模型)的参数不变，去训练另一个模型(第二模型，例如图像伪影去除模型)，在第二模型完成一轮或多轮训练后再去训练第一模型，以保证两个模型的同步训练效果达到最佳。在一些实施例中，第一训练模块720可以先保持客观特征图模型的参数不变。也即，在图像伪影去除模型完成至少一轮训练之前，不对该客观特征图模型进行训练。在一些实施例中，第一训练模块720可以将客观特征图模型输出的客观特征图输入至图像伪影去除模型，训练图像伪影去除模型并调整图像伪影去除模型的参数。当图像伪影去除模型训练到一定程度(例如，图像伪影去除模型训练中的损失函数结果收敛或小于预设阈值、训练样本数达到预定的数量，或者模型的预测正确率大于某一预定正确率阈值等)后，可以停止图像伪影去除模型的训练(即保持图像伪影去除模型的参数不变)，而训练客观特征图模型并调整客观特征图模型的参数。在一些实施例中，客观特征图模型和图像伪影去除模型的训练可以交替进行一次或多次，直到同步训练满足一定条件(例如，两个模型训练中的损失函数结果收敛或小于预设阈值、训练样本数达到预定的数量，或者两个模型的预测正确率大于某一预定正确率阈值等)即可停止同步训练。在一些实施例中，训练图像伪影去除模型的训练样本与训练客观特征图模型的样本可以来自不同获取批次。例如，训练图像伪影去除模型的训练样本(即第一训练样本)可以从第一批临床图像中获取，训练客观特征图模型的样本可以从第二批临床图像中获取。如此，通过不同批次的训练样本分别训练图像伪影去除模型和客观特征图模型，能够使两个模型在同步训练的过程中学习到更多与伪影特征相关的数据，以提高图像伪影去除模型和客观特征图模型的泛化能力。
流程300可以由第一计算系统120执行。示例性地，流程300可以包括：
步骤310，可以保持所述客观特征图模型的参数不变，将第一训练样本包含的伪影特征对应的客观信息输入至客观特征图模型，并输出得到客观特征图；将客观特征图输入至图像伪影去除模型，训练所述图像伪影去除模型，并调整所述图像伪影去除模型的参数。在一些实施例中，步骤310可以由第一训练模块720执行。也即，在此同步训练的过程中，先对图像伪影去除模型进行训练，输入可以为第一训练样本(例如第一初始图像)、第一标签(例如，与第一初始图像对应的标准去伪影图像)、第一训练样本对应的初步校正图像和(客观特征图模型输出的)客观特征图，关于训练图像伪影去除模型的更多描述可以参见图2及其相关描述，在此不再赘述。
步骤320，对所述图像伪影去除模型输出的图像进行评分。在一些实施例中，步骤320可以由第一训练模块720执行。
评分可以是指用户(例如，医生)或模型(例如，客观特征图模型)对当前图像伪影去除模型输出的图像进行打分的分值。由于在模型训练过程中，还未得到训练好的图像伪影去除模型，使得在训练过程中的输出无法达到对初始图像进行最准确的去伪影处理效果，为了评估当前训练阶段中图像伪影去除模型的性能，用户可以对当前图像伪影去除模型的输出图像进行评估，用对应的评分的高低来衡量当前的模型性能。在一些实施例中，评分可以为数值。例如，评分1～5分，评分越高代表当前图像伪影去除模型的性能越好。在一些实施例中，评分高低的依据可以包括在不同的临床场景下输出图像的伪影程度、组织结构的显示质量，对病灶结果的可诊断性等。例如，输出图像的伪影程度越小、组织结构的显示质量越高、和/或对病灶结果的可诊断性越高，则对应的评分越高。
在一些实施例中，第一训练模块720可以通过获取用户输入的方式获取评分。例如，用户可以将评分输入图像去伪影系统100供第一训练模块720获取。
步骤330，保持当前图像伪影去除模型的参数不变，将所述评分作为客观特征图模型训练的标签，同步训练所述客观特征图模型和所述图像伪影去除模型，并更新所述客观特征图模型的参数。在一些实施例中，步骤330可以由第一训练模块720执行。
根据前述可知，由于客观特征图中可以包含多种类型的客观信息，使用客观特征图训练图像伪影去除模型可以使模型学习到更多与伪影特征相关的数据，以提高图像伪影去除模型的泛化能力。因此，输入的客观特征图的准确度越高，相应地，图像伪影去除模型输出的去伪影图像的准确度越高。
在一些实施例中，当图像伪影去除模型完成一轮或多轮训练后，可以获取不同于第一初始图像的第二初始图像，和所述第二初始图像包含伪影的客观信息；可以保持当前图像伪影去除模型的参数不变，将第二初始图像对应的评分(即第二初始图像输入至当前图像伪影去除模型得到的输出图像的评分)为标签，以第二初始图像的客观信息为训练样本，训练客观特征图模型，得到训练好的客观特征图模型。关于客观特征图模型训练的更多描述可以参见图6及其相关描述。
在一些实施例中，在客观特征图模型和图像伪影去除模型同步训练的过程中，第一训练模块720可以基于对图像伪影去除模型输出图像进行的打分，更新客观特征图模型训练的标签。随着对图像伪影去除模型的多次迭代训练，图像伪影去除模型的性能逐渐提升，对图像伪影去除模型输出图像进行的打分会越来越高，从而提升客观特征图模型的训练效果。
在一些实施例中，对于同一个初始图像或同一批次的多个初始图像的训练样本，可以再次将上述初始图像作为当前图像伪影去除模型的输入，用户可以对当前图像伪影去除模型输出的图像进行评分。由于当前的图像伪影去除模型性能要高于之前的，因此当前输出图像的评分相较于之前的评分更加准确，第一训练模块720可以根据最新的评分更新客观特征图模型训练的标签。
在一些实施例中，对于第二初始图像或与第一初始图像不为同一批次的多个初始图像的训练样本，可以将上述该图像作为当前图像伪影去除模型的输入，用户可以对当前图像伪影去除模型输出的图像进行更准确地评分。在一些实施例中，第一训练模块720可以根据上述最新的评分更新客观特征图模型训练的标签。
通过上述方式，在客观特征图模型和图像伪影去除模型同步训练的过程中，由于对图像伪影去除模型输出图像进行的打分可以作为客观特征图模型的标签，使得经过训练的图像伪影去除模型随着训练次数的增加，会为客观特征图模型输出更准确的标签，从而能够提升后续对客观特征图模型的训练效果。
在一些实施例中，图像伪影去除模型可以包括两个及以上伪影去除子模型。在一些实施例中，上述两个及以上伪影去除子模型可以分别具有去除包含不同伪影的客观信息的初始图像的处理功能。例如，伪影去除子模型A可以用于去除包含伪影种类为铁的初始图像，伪影去除子模型B可以用于去除包含伪影位置为头部的初始图像。从而，在对伪影去除子模型进行训练时，可以采用最合适的客观特征图作为输入，使得训练好的伪影去除子模型最终具有期望的处理功能。在一些实施例中，不同的伪影去除子模型可以为相同或不同类型的神经网络。例如，伪影去除子模型A可以为U-NET，伪影去除子模型B可以为DenseNet。
相应地，在一些实施例中，客观特征图模型可以包括分类模型，该分类模型输出的分类结果可以用于确定使用两个及以上伪影去除子模型中的哪一个进行图像伪影的去除。在一些实施例中，分类模型可以包括多层感知机(Multi-Layer Perception，MLP)、决策树(Decision Tree，DT)、深度神经网络(Deep Neural Network，DNN)、支持向量机(SupportVector Machine，SVM)、K最近邻算法(K-Nearest Neighbor，KNN)等。
在一些实施例中，分类模型的输入可以为客观特征图模型输出的客观特征图，分类模型的输出可以为表示使用哪一个伪影去除子模型的分类结果。在一些实施中，分类模型的输出可以为数值。例如，数字1用于表示使用伪影去除子模型A，数字2用于表示使用伪影去除子模型B。
通过上述方式，图像伪影去除模型可以通过多个伪影去除子模型具有多样化的处理功能，并且通过客观特征图模型的分类结果可以准确地给出使用哪个伪影去除子模型进行图像处理能够达到最佳的处理效果，从而能够提升图像伪影去除模型处理图像的准确度和效率。
图4是根据本说明书一些实施例所示的通过训练好的图像伪影去除模型得到去伪影图像的示例性流程图。如图4所示，流程400可以包括下述步骤。在一些实施例中，流程400可以由第二计算系统130执行。
步骤410，获取第四初始图像，和与所述第四初始图像对应的初步校正图像、客观特征图。在一些实施例中，步骤410可以由第三获取模块910执行。
与所述第四初始图像对应的初步校正图像、客观特征图的获取方式，与第一初始图像对应的初步校正图像和客观特征图的获取方式类似，在此不再赘述。
在一些实施例中，第三获取模块910可以通过对第四初始图像执行物理校正算法来获取初步校正图像。在一些实施例中，第三获取模块910可以从与第二计算系统130关联的存储设备，或图像去伪影系统100之外的其他存储设备处获取初步校正图像。
在一些实施例中，第三获取模块910可以基于特征映射字典，将客观信息转换为词向量(或称向量)并整合，以得到客观特征图。在一些实施例中，第三获取模块910还可以通过训练好的客观特征图模型获取客观特征图。
关于步骤410的更多描述可以参见前述步骤210的相关描述。
步骤420，将所述第四初始图像、初步校正图像和客观特征图输入至训练好的图像伪影去除模型，得到去伪影图像。在一些实施例中，步骤420可以由执行模块920执行。
在一些实施例中，图像伪影去除模型的输入可以为第四初始图像、与第四初始图像对应的初步校正图像、客观特征图，图像伪影去除模型的输出可以为去伪影图像。去伪影图像是指将初始图像中的伪影部分或全部去除后得到的医学图像。
在一些实施例中，第四初始图像对应的客观特征图可以包含扫描部位窗宽窗位的客观信息。在一些实施例中，在将该客观特征图输入至图像伪影去除模型后，由于该客观特征图包含了当前扫描部位的窗宽窗位信息，在应用图像伪影去除模型进行图像处理的过程中，图像伪影去除模型可以根据该客观特征图中的窗宽窗位信息调整第四初始图像、初步校正图像和输出图像的窗宽窗位，例如，将第四初始图像、初步校正图像和输出图像的窗宽窗位调整到与客观特征图包含的窗宽窗位一致。由此，可以保留最佳的窗宽窗位信息，提升图像伪影去除模型的性能。
关于图像伪影去除模型的更多描述可以参见图2及其相关描述。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图5是根据本说明书一些实施例所示的基于初始图像得到客观特征图的示例性流程图500。
在一些实施例中，图像去伪影系统100或客观特征图模型训练系统800可以通过客观特征图模型得到客观特征图。在一些实施例中，客观特征图模型可以包括客观信息采集单元和客观特征图生成单元。在一些实施例中，客观特征图生成单元可以包括U-NET(U型网络)、DenseNet(Dense Convolutional Network，密集卷积网络)、ResNet(ResidualNetwork，残差网络)、GAN(Generative Adversarial Networks，生成式对抗网络)。客观特征图的获取过程可以由第二计算系统130执行，该获取过程具体可以包括：
步骤510，将所述第一初始图像输入至所述客观信息采集单元，得到所述客观信息。在一些实施例中，步骤510可以由第二计算系统130执行。在一些实施例中，客观信息采集单元可以通过图像识别技术识别出第一初始图像中所包含的客观信息。例如，客观信息采集单元可以先识别出伪影位置，再进一步地识别出该伪影特征所包含的其他客观信息(例如，伪影种类为金属铜、伪影直径为3mm)。在一些实施例中，客观信息采集单元的输入可以为带有用户(例如，医生)标记的第一初始图像。例如，医生可以在第一初始图像上标记出包含客观信息的注释(例如在第一初始图像上标记出伪影位置、伪影大小等)，客观信息采集单元可以根据上述标记采集客观信息。在一些实施例中，客观信息采集单元采集客观信息的过程可以与图2步骤210中第一获取模块710采集客观信息的过程类似，更多关于客观信息的采集的描述可以参见图2中步骤210的相关描述。
步骤520，可以基于特征映射字典，将所述客观信息转换为词向量，得到所述客观信息的词向量。在一些实施例中，步骤520可以由第二计算系统130执行。关于基于特征映射字典将客观信息转换为词向量的更多描述可以参见图2中步骤210及其相关描述。
步骤530，将所述客观信息的词向量输入至所述客观特征图生成单元，得到所述客观特征图。在一些实施例中，步骤530可以由第二计算系统130执行。在一些实施例中，客观特征图生成单元的输入可以为客观信息的词向量，输出可以为客观特征图。该过程与第一获取模块710基于特征映射字典，将客观信息转换为词向量并整合得到客观特征图类似。关于根据客观信息的词向量得到客观特征图的更多描述，可以参见图2中步骤210的相关描述。
图6是根据本说明书一些实施例所示的客观特征图模型训练方法的示例性流程图。
图6是根据本说明书一些实施例所示的图像伪影去除模型训练方法的示例性流程图。如图6所示，流程600可以包括下述步骤。在一些实施例中，流程600可以由第二计算系统130执行。
步骤610，获取第二初始图像，和所述第二初始图像包含伪影的客观信息。在一些实施例中，步骤610可以由第二获取模块810执行。步骤610中获取第二初始图像和客观信息的方法可以与图2步骤210中获取第一初始图像和客观信息的方法类似。关于获取第二初始图像和客观信息的更多描述，可以参见步骤210中获取第一初始图像和客观特征图的相关描述。
步骤620，将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。在一些实施例中，步骤620可以由第二训练模块820由执行。
在一些实施例中，第二训练模块820可以基于一个或多个带有标签的第二训练样本来训练客观特征图模型。具体的，可以将带有标签的第二训练样本输入至客观特征图模型，通过训练更新客观特征图模型的参数，得到训练好的客观特征图模型。第二训练样本的标签可以指第二训练样本对应的期望打分。
在一些实施例中，第二训练样本可以为第二初始图像。在一些实施例中，第二训练样本对应的第二标签可以为第二初始图像对应的期望评分或标准评分(即，利用图像伪影去除模型处理第二初始图像得到的输出图像，对该输出图像进行打分得到的评分)。在一些实施例中，第二标签可以通过以下方式获取。
在一些实施例中，可以先将第二初始图像输入至预训练的图像伪影去除模型，输出得到待评分的去伪影图像，再对该待评分的去伪影图像进行打分，得到第二初始图像对应的评分。关于评分的更多描述可以参考图3及其相关描述。
在一些实施例中，预训练的图像伪影去除模型可以为训练图像伪影去除模型和/或客观特征图模型时用到的模型。在一些实施例中，预训练的图像伪影去除模型可以通过对初始图像伪影去除模型(其具有初始模型参数)进行预训练得到。在一些实施例中，可以获取第三初始图像，并将第三初始图像作为训练样本、将具有标准评分的标准去伪影图像作为标签训练初始图像伪影去除模型，得到预训练的图像伪影去除模型。在一些实施例中，可以将第三训练样本，以及与第三训练样本对应的初步校正图像一起输入至初始图像伪影去除模型，初始图像伪影去除模型可以对第三训练样本进行处理后得到输出图像。在一些实施例中，可以基于输出图像与标准去伪影图像之间的差异计算损失函数值，并基于损失函数值对初始图像去伪影模型的参数进行调整。其中，具有标准评分的标准去伪影图像可以包括评分标准达到最高的标准去伪影图像。例如，评分标准为1～5分，则具有标准评分的标准去伪影图像可以是评分为5分的标准去伪影图像。
在一些实施例中，客观特征图模型可以基于第二训练样本，通过一种或多种训练方法进行训练，以更新客观特征图模型的参数。例如，可以基于梯度下降法进行训练。在一些实施例中，可以将第二训练样本输入到客观特征图模型中，客观特征图模型可以对第二训练样本进行处理后得到输出值，该输出值为第二初始图像对应的预测评分。在一些实施例中，可以基于预测评分与第二标签(即标准评分)之间的差异，计算损失函数值，并基于损失函数值对客观特征图模型的参数进行调整。
在一些实施例中，当训练中的客观特征图模型满足预设条件时，可以结束训练。其中，预设条件可以是客观特征图模型训练中的损失函数结果收敛或小于预设阈值、训练样本数达到预定的数量，或者模型的预测正确率大于某一预定正确率阈值等。
通过上述方式，在客观特征图模型的训练过程中，以预训练的图像伪影去除模型输出图像的打分作为第二标签，可以有效地提升第二标签的准确性，从而能够提升客观特征图模型训练的准确性和效率。
应当注意的是，上述有关流程600的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程600进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
需要说明的是，客观特征图模型在训练过程中可以包括一个评分输出层，该评分输出层的输入可以为客观特征图模型产生的客观特征图，输出可以为当前图像伪影去除模型的输出图像对应的评分，利用客观特征图模型输出的评分和第二训练样本的标签(例如，由医生进行的打分)之间的差异，更新客观特征图模型的参数。而在应用客观特征图模型得到客观特征图，以进行图像伪影去除模型的训练，或应用图像伪影去除模型进行图像处理的过程中，都可以不包含该评分输出层，使得客观特征图模型的输出为客观特征图。在一些实施例中，评分输出层可以位于客观特征图模型的最后一层，相应地，客观特征图模型的倒数第二层输出为客观特征图。
图7是根据本说明书一些实施例所示的图像伪影去除模型训练系统的模块图。
在一些实施例中，图像伪影去除模型训练系统700可以包括第一获取模块710和第一训练模块720。
在一些实施例中，第一获取模块710可以用于获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图。
在一些实施例中，第一训练模块720可以用于将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。
应当理解，图7所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于各个模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该图像去伪影系统100的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图7中披露的第一获取模块710和第一训练模块720可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，第一获取模块710和第一训练模块720可以共用一个存储模块，第一获取模块710和第一训练模块720也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图8是根据本说明书一些实施例所示的客观特征图模型训练系统的模块图。
在一些实施例中，客观特征图模型训练系统800可以包括第二获取模块810和第二训练模块820。
在一些实施例中，第二获取模块810可以用于获取第二初始图像，和所述第二初始图像包含伪影的客观信息。
在一些实施例中，第二训练模块820可以用于将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。
应当理解，图8所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于各个模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该图像去伪影系统100的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图8中披露的第二获取模块810和第二训练模块820可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，第二获取模块810和第二训练模块820可以共用一个存储模块，第二获取模块810和第二训练模块820也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图9是根据本说明书一些实施例所示的图像去伪影系统的模块图。
在一些实施例中，图像去伪影系统900可以包括第三获取模块910和执行模块920。
在一些实施例中，第三获取模块910可以用于获取第四初始图像，和与所述第四初始图像对应的初步校正图像、客观特征图。
在一些实施例中，执行模块920可以用于将所述第四初始图像、初步校正图像和客观特征图输入至训练好的图像伪影去除模型，得到去伪影图像。
应当理解，图9所示的系统及其模块可以利用各种方式来实现。需要注意的是，以上对于各个模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该图像去伪影系统900的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图9中披露的第三获取模块910和执行模块920可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，第三获取模块910和执行模块920可以共用一个存储模块，第三获取模块910和执行模块920也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于：(1)在模型训练过程中，对第一初始图像和初步校正图像进行融合处理得到两者的融合向量，并应用到整个模型的训练过程，使得初步校正图像可以作为模型训练的正确导向，从而不仅能够减少模型训练过程中的计算量，还能够提升图像伪影去除模型对初始图像执行去伪影处理的准确性；(2)客观特征图中可以包含多种类型的客观信息，使用客观特征图训练图像伪影去除模型可以使模型学习到更多与伪影相关的特征，以提高图像伪影去除模型处理包含各类伪影特征的医学图像的泛化能力；(3)在图像伪影去除模型和客观特征图模型的同步训练过程中，由于图像伪影去除模型输出图像的打分可以作为客观特征图模型的标签，使得图像伪影去除模型随着训练次数的增加，会为客观特征图模型训练提供更准确的、质量更高的标签，从而能够提升后续对客观特征图模型的训练效果；(4)图像伪影去除模型可以包含多个伪影去除子模型，从而提供多样化的处理功能，并且通过与客观特征图模型连接的分类模型可以准确地确定使用哪个伪影去除子模型进行图像处理能够达到最佳的处理效果，从而能够提升图像伪影去除模型对图像处理的准确度和效率。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种图像伪影去除模型训练方法，包括：
获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图；以及
将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。
2.如权利要求1所述的方法，其中，所述客观特征图由以下方式获取：
基于所述第一初始图像，采集客观信息；以及
基于特征映射字典，将所述客观信息转换为词向量并整合，以得到所述客观特征图。
3.如权利要求1所述的方法，其中，所述客观特征图由训练好的客观特征图模型获取，所述训练好的客观特征图模型包括客观信息采集单元和客观特征图生成单元，所述获取过程包括：
将所述第一初始图像输入至所述客观信息采集单元，得到所述客观信息的至少一部分；
基于特征映射字典，将所述客观信息转换为词向量，得到所述客观信息的词向量；以及
将所述客观信息的词向量输入至所述客观特征图生成单元，得到所述客观特征图。
4.如权利要求1所述的方法，所述训练所述图像伪影去除模型，包括：
获取客观特征图模型；
对所述客观特征图模型和所述图像伪影去除模型进行同步训练，其中，所述客观特征图模型的输入为所述客观信息对应的词向量，所述客观特征图模型的输出为所述客观特征图。
5.如权利要求4所述的方法，所述同步训练包括：
保持所述客观特征图模型的参数不变，将所述客观特征图模型输出的所述客观特征图输入至所述图像伪影去除模型，训练所述图像伪影去除模型并调整所述图像伪影去除模型的参数；
对所述图像伪影去除模型输出的图像进行评分；以及
将所述评分作为所述客观特征图模型训练的标签，同步训练所述客观特征图模型和所述图像伪影去除模型，并更新所述客观特征图模型的参数；其中
在同步训练的过程中，基于所述图像伪影去除模型输出的图像的评分，更新所述客观特征图模型训练的标签。
6.如权利要求3-5所述的方法，所述图像伪影去除模型包括两个及以上伪影去除子模型，所述客观特征图模型包括分类模型，所述分类模型输出的分类结果用于确定使用所述两个及以上伪影去除子模型中的哪一个进行图像伪影的去除。
7.一种图像伪影去除模型训练系统，包括：
第一获取模块，用于获取第一初始图像，和与所述第一初始图像对应的初步校正图像、客观特征图；以及
第一训练模块，用于将所述第一初始图像、初步校正图像和客观特征图输入至图像伪影去除模型，以所述第一初始图像为第一训练样本、所述第一初始图像对应的标准去伪影图像为第一标签，通过所述客观特征图和所述第一标签对所述图像伪影去除模型的参数进行调整，得到训练好的图像伪影去除模型。
8.一种客观特征图模型训练方法，包括：
获取第二初始图像，和所述第二初始图像包含伪影的客观信息；以及
将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。
9.一种客观特征图模型训练系统，包括：
第二获取模块，用于获取第二初始图像，和所述第二初始图像包含伪影的客观信息；以及
第二训练模块，用于将所述客观信息输入至客观特征图模型，以所述客观信息为第二训练样本、所述第二初始图像对应的评分为第二标签，对所述客观特征图模型进行训练，得到训练好的客观特征图模型。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～6和8中任一项所述的方法。
CN202111117116.XA 2021-09-23 2021-09-23 一种图像伪影去除模型及其训练方法和系统 Active CN113689359B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111117116.XA CN113689359B (zh) 2021-09-23 一种图像伪影去除模型及其训练方法和系统
PCT/CN2022/120969 WO2023046092A1 (en) 2021-09-23 2022-09-23 Systems and methods for artifact removing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111117116.XA CN113689359B (zh) 2021-09-23 一种图像伪影去除模型及其训练方法和系统

Publications (2)

Publication Number Publication Date
CN113689359A true CN113689359A (zh) 2021-11-23
CN113689359B CN113689359B (zh) 2024-05-14

Family

ID=

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241070A (zh) * 2021-12-01 2022-03-25 北京长木谷医疗科技有限公司 Ct图像去金属伪影以及模型训练的方法和装置
WO2023046092A1 (en) * 2021-09-23 2023-03-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for artifact removing
CN116228916A (zh) * 2023-05-10 2023-06-06 中日友好医院(中日友好临床医学研究所) 一种图像去金属伪影方法、系统及设备
WO2024032098A1 (zh) * 2022-08-09 2024-02-15 腾讯科技（深圳）有限公司 伪影去除模型的训练方法、装置、设备、介质及程序产品

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060010095A1 (en) * 2004-07-09 2006-01-12 Wolff Gregory J Synchronizing distributed work through document logs
US10083499B1 (en) * 2016-10-11 2018-09-25 Google Llc Methods and apparatus to reduce compression artifacts in images
CN109214992A (zh) * 2018-07-27 2019-01-15 中国科学院深圳先进技术研究院 Mri图像的伪影去除方法、装置、医疗设备及存储介质
CN109272472A (zh) * 2018-10-15 2019-01-25 天津大学 面向医用能谱ct图像的噪声及伪影消除方法
CN111223161A (zh) * 2020-01-02 2020-06-02 京东数字科技控股有限公司 一种图像重建方法、装置及存储介质
CN111223066A (zh) * 2020-01-17 2020-06-02 上海联影医疗科技有限公司 运动伪影校正方法、装置、计算机设备和可读存储介质
CN111968195A (zh) * 2020-08-20 2020-11-20 太原科技大学 用于低剂量ct图像降噪及去伪影的双注意力生成对抗网络
CN112037146A (zh) * 2020-09-02 2020-12-04 广州海兆印丰信息科技有限公司 医学图像伪影自动校正方法、装置和计算机设备
CN112150574A (zh) * 2020-09-28 2020-12-29 上海联影医疗科技股份有限公司 一种图像伪影自动校正方法、系统、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060010095A1 (en) * 2004-07-09 2006-01-12 Wolff Gregory J Synchronizing distributed work through document logs
US10083499B1 (en) * 2016-10-11 2018-09-25 Google Llc Methods and apparatus to reduce compression artifacts in images
CN109214992A (zh) * 2018-07-27 2019-01-15 中国科学院深圳先进技术研究院 Mri图像的伪影去除方法、装置、医疗设备及存储介质
CN109272472A (zh) * 2018-10-15 2019-01-25 天津大学 面向医用能谱ct图像的噪声及伪影消除方法
CN111223161A (zh) * 2020-01-02 2020-06-02 京东数字科技控股有限公司 一种图像重建方法、装置及存储介质
CN111223066A (zh) * 2020-01-17 2020-06-02 上海联影医疗科技有限公司 运动伪影校正方法、装置、计算机设备和可读存储介质
CN111968195A (zh) * 2020-08-20 2020-11-20 太原科技大学 用于低剂量ct图像降噪及去伪影的双注意力生成对抗网络
CN112037146A (zh) * 2020-09-02 2020-12-04 广州海兆印丰信息科技有限公司 医学图像伪影自动校正方法、装置和计算机设备
CN112150574A (zh) * 2020-09-28 2020-12-29 上海联影医疗科技股份有限公司 一种图像伪影自动校正方法、系统、装置及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023046092A1 (en) * 2021-09-23 2023-03-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for artifact removing
CN114241070A (zh) * 2021-12-01 2022-03-25 北京长木谷医疗科技有限公司 Ct图像去金属伪影以及模型训练的方法和装置
CN114241070B (zh) * 2021-12-01 2022-09-16 北京长木谷医疗科技有限公司 Ct图像去金属伪影以及模型训练的方法和装置
WO2024032098A1 (zh) * 2022-08-09 2024-02-15 腾讯科技（深圳）有限公司 伪影去除模型的训练方法、装置、设备、介质及程序产品
CN116228916A (zh) * 2023-05-10 2023-06-06 中日友好医院(中日友好临床医学研究所) 一种图像去金属伪影方法、系统及设备

Also Published As

Publication number Publication date
WO2023046092A1 (en) 2023-03-30

Similar Documents

Publication Publication Date Title
EP3470006B1 (en) Automated segmentation of three dimensional bony structure images
RU2677764C2 (ru) Координатная привязка медицинских изображений
US10997466B2 (en) Method and system for image segmentation and identification
WO2021213519A1 (zh) 图像获取、判断图像质量、医学图像采集的方法和系统
WO2022037696A1 (zh) 基于深度学习的骨骼分割方法和系统
JP2014530352A (ja) 陽電子放射断層撮影画像の空間標準化方法
CN112150574A (zh) 一种图像伪影自动校正方法、系统、装置及存储介质
CN111462112A (zh) 一种判断图像质量的方法和系统
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
CN113240661B (zh) 基于深度学习的腰椎骨分析方法、装置、设备及存储介质
CN111105421A (zh) 一种脑白质高信号分割方法、装置、设备及存储介质
CN111563910B (zh) 眼底图像分割方法及设备
CN111568451A (zh) 一种曝光剂量调节方法和系统
CN114359430A (zh) 一种pet图像重建方法和系统
CN112200780B (zh) 骨组织定位方法、装置、计算机设备和存储介质
AU2019204365C1 (en) Method and System for Image Segmentation and Identification
CN113689359B (zh) 一种图像伪影去除模型及其训练方法和系统
CN113689359A (zh) 一种图像伪影去除模型及其训练方法和系统
US20220292673A1 (en) On-Site training of a machine-learning algorithm for generating synthetic imaging data
CN113420814B (zh) 一种肺疾病检测模型的训练方法、装置、设备和介质
CN115880358A (zh) 定位模型的构建方法、影像标志点的定位方法及电子设备
CN116168097A (zh) 构建cbct勾画模型和勾画cbct图像的方法、装置、设备及介质
CN112884706B (zh) 一种基于神经网络模型的图像评估系统和相关产品
CN111640127B (zh) 一种用于骨科的精准临床诊断导航方法
CN114596225A (zh) 一种运动伪影模拟方法和系统

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