CN114004903A - 伪影校正方法、装置、计算机设备和存储介质 - Google Patents

伪影校正方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114004903A
CN114004903A CN202010736829.3A CN202010736829A CN114004903A CN 114004903 A CN114004903 A CN 114004903A CN 202010736829 A CN202010736829 A CN 202010736829A CN 114004903 A CN114004903 A CN 114004903A
Authority
CN
China
Prior art keywords
medical image
crosstalk
sample
image
corrected
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.)
Pending
Application number
CN202010736829.3A
Other languages
English (en)
Inventor
苏彬
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 CN202010736829.3A priority Critical patent/CN114004903A/zh
Priority to PCT/CN2021/108756 priority patent/WO2022022535A1/en
Priority to EP21849918.4A priority patent/EP4168992A4/en
Publication of CN114004903A publication Critical patent/CN114004903A/zh
Priority to US18/156,849 priority patent/US20230162331A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G5/00—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators
    • G09G5/36—Control arrangements or circuits for visual indicators common to cathode-ray tube indicators and other visual indicators characterised by the display of a graphic pattern, e.g. using an all-points-addressable [APA] memory
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G2320/00—Control of display operating conditions
    • G09G2320/02—Improving the quality of display appearance
    • G09G2320/0209—Crosstalk reduction, i.e. to reduce direct or indirect influences of signals directed to a certain pixel of the displayed image on other pixels of said image, inclusive of influences affecting pixels in different frames or fields or sub-images which constitute a same image, e.g. left and right images of a stereoscopic display

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种伪影校正方法、装置、计算机设备和存储介质。所述方法包括：获取待校正的医学图像；医学图像为带有串扰伪影的图像；根据预设的校正模型，对医学图像进行校正，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。采用本方法能够提高得到的校正后的医学图像的准确度。

Description

伪影校正方法、装置、计算机设备和存储介质
技术领域
本申请涉及医学图像技术领域，特别是涉及一种伪影校正方法、装置、计算机设备和存储介质。
背景技术
通常，由于阵列式探测器两个相邻像素之间距离非常小，很容易发生信号从一个像素扩散到另一个像素的情况，即出现串扰现象，例如，利用计算机断层成像(ComputedTomography,CT)对待检测者进行扫描时出现的串扰现象，并且串扰现象可能会发生在探测器的多个方向，进而导致重建的图像出现伪影，例如，环状伪影等。因此，需要对探测器出现的串扰伪影进行校正。
传统技术中，通常是使用平滑算法对出现串扰的图像数据进行拟合，得到近似于未发生串扰的图像数据，进而根据拟合系数对出现串扰的图像数据进行校正。
然而，目前的串扰伪影校正方法，存在校正准确度较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高CT图像串扰伪影校正准确度的伪影校正方法、装置、计算机设备和存储介质。
一种伪影校正方法，所述方法包括：
获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
在其中一个实施例中，所述根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像，包括：
将所述医学图像输入所述校正模型，通过所述校正模型，得到所述校正后的医学图像。
在其中一个实施例中，所述根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像，包括：
将预设的矩阵输入所述校正模型，通过所述校正模型，得到所述医学图像对应的校正矩阵；其中，所述预设的矩阵的大小与所述医学图像的大小相同，且所述预设的矩阵中的元素均相同；
根据所述校正矩阵，对所述医学图像进行校正，得到所述校正后的医学图像。
在其中一个实施例中，所述校正模型通过以下方式训练：
获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像；所述样本医学图像为包括样本串扰伪影的图像；所述样本医学图像对应的金标准图像为去除所述样本串扰伪影后的图像；
将所述样本医学图像输入预设的初始校正模型，得到样本校正图像；
根据所述样本校正图像和所述样本图像对应的金标准图像，对所述初始校正模型进行训练，得到所述校正模型。
在其中一个实施例中，所述获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像，包括：
获取无串扰伪影的医学图像；
根据预设的构造方法，将所述无串扰伪影的医学图像构造为所述待校正的样本医学图像；
将所述无串扰伪影的医学图像作为所述样本医学图像对应的金标准图像。
在其中一个实施例中，所述根据预设的构造方法，将所述无串扰伪影的医学图像构造为所述待校正的样本医学图像，包括：
根据所述无串扰伪影的医学图像的特征信息，得到所述无串扰伪影的医学图像对应的投影数据；所述特征信息包括所述无串扰伪影的医学图像的衰减校正系数和物理系数；
将所述投影数据与预设的串扰伪影系数相乘，得到有串扰伪影的投影数据；
对所述有串扰伪影的投影数据进行重建，得到所述待校正的样本医学图像。
在其中一个实施例中，所述获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像，包括：
获取包括所述样本串扰伪影的医学图像，并将包括所述样本串扰伪影的医学图像作为所述样本医学图像；
利用预设的串扰校正方法，去除所述样本串扰伪影，得到所述样本医学图像对应的金标准图像。
一种伪影校正装置，所述装置包括：
第一获取模块，用于获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
校正模块，用于根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
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：
获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
一种计算机可读存储介质，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：
获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
上述伪影校正方法、装置、计算机设备和存储介质，首先获取带有串扰伪影的待校正的医学图像，然后根据预设的校正模型，能够对获取的带有串扰伪影的待校正的医学图像进行校正，去除待校正的医学图像中的串扰伪影，得到校正后的医学图像，由于校正模型是预先训练好的用于去除待校正的医学图像中的串扰伪影的模型，而通过大量的样本图像训练得到的校正模型的准确度也较高，因此，通过校正模型能够准确地去除待校正的医学图像中的串扰模型，从而提高了得到的校正后的医学图像的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图；
图2为一个实施例中伪影校正方法的流程示意图；
图2a为一个实施例中的校正模型的结构示意图；
图3为另一个实施例中伪影校正方法的流程示意图；
图3a为一个实施例中校正矩阵的示意图；
图4为另一个实施例中伪影校正方法的流程示意图；
图5为另一个实施例中伪影校正方法的流程示意图；
图5a为一个实施例提供的串扰伪影系数的确定方法示意图；
图5b为一个实施例提供的探测器构成的结构示意图；
图5c为一个实施例提供的探测器构成的结构示意图；
图5d为一个实施例提供的串扰伪影系数的确定方法示意图；
图6为另一个实施例中伪影校正方法的流程示意图；
图7为一个实施例中伪影校正装置的结构框图。
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。
本申请实施例提供的伪影校正方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、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。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。
在一个实施例中，如图2所示，提供了一种伪影校正方法，以该方法应用于图1中的计算机设备为例进行说明，包括以下步骤：
S201，获取待校正的医学图像；医学图像为带有串扰伪影的图像。
其中，待校正的医学图像为CT(Computed Tomography,计算机断层成像)图像。待校正的医学图像的串扰伪影为在采集待校正的医学图像数据的过程中由于阵列式探测器两个相邻像素之间的距离较小，产生信号从一个像素扩散到另一个像素而发生串扰现象，进而导致重建的CT图像出现串扰伪影。
具体地，计算机设备首先获取带有串扰伪影的待校正的医学图像。可选的，计算机设备可以从CT设备中实时地获取待校正的医学图像，也可以从PACS(Picture Archivingand Communication Systems，影像归档和通信系统)服务器中获取待校正的医学图像。可选的，待校正的医学图像带有的串扰伪影为环状伪影，也可以为弧状伪影，本实施例在此对串扰伪影的形状不加以限制。需要说明的是，待校正的医学图像中带有的串扰伪影的形状与探测器发生串扰的位置相关，不同的串扰位置将产生不同的串扰伪影。
S202，根据预设的校正模型，对医学图像进行校正，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。
具体地，计算机设备根据预设的校正模型，对上述获取的待校正的医学图像进行校正，得到校正后的医学图像。其中，预设的校正模型用于去除待校正的医学图像中的串扰伪影；得到的校正后的医学图像为去除串扰伪影后的图像。可选的，预设的校正模型的网络结构可以为任一种神经网络结构。需要说明的是，本实施例中所描述的校正模型可以运用到任何一种可以完整扫描的正常探测器系统采集的CT图像所产生的串扰伪影的校正。
示例性地，图2a为一个实施例提供的用于去除医学图像中的串扰伪影的校正模型的结构示意图，如图2a所示，该校正模型可以包括：输入层、卷积层、批量归一化层、池化层、全连接层、损失层以及输出层。其中，输入层，用于数据的输入。在训练过程中输入数据是若干个训练样本，所述训练样本可以是若干张待校正的样本医学图像以及该待校正的样本医学图像对应的金标准图像，其中，待校正的样本医学图像是包括有样本串扰伪影的图像，待校正的样本医学图像对应的金标准图像为去除样本串扰伪影后的图像。卷积层，用于进行特征提取和特征映射。低卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。批量归一化层，用于把逐渐向非线性函数映射后向取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值落入对输入比较敏感的区域，以此避免梯度消失问题。池化层，用于对数据做下采样，对多尺度数据特征进行学习分类，提高模型分类辨识度，并提供了非线性，减少模型参数数量，减少过拟合问题。全连接层，用于在模型的尾部进行重新拟合，减少特征信息的损失。损失层，接受两个输入，其中的一个是神经网络的预测值，另一个是真实标签(即待校正的样本医学图像对应的金标准图像)。损失层则将这两个输入进行一系列运算，得到当前网络的损失函数。深度学习的目的是在权值空间中找到让损失函数最小的权值。损失函数是在前向传播计算中得到的，同时也是反向传播的起点，损失函数基本都是由真实值和预测值两部分组成，正确的损失函数，可以起到让预测值一直逼近真实值的效果，当预测值和真实值相等时，损失值最小。在本实施例中采用的损失函数优选为归一化指数函数、交叉熵损失函数或者平方误差损失函数。输出层，用于输出校正后的医学图像，在本实例中校正后的医学图像为去除了串扰伪影后的医学图像。需要说明的是，上述描述的校正模型的结构中的卷积层、批量归一化层、池化层可以为一个或多个，本实施例在此对卷积层的数量、批量归一化层的数量以及池化层的数量不加以限制，可以在实际使用中根据实际需求对卷积层的数量、批量归一化层的数量以及池化层的数量进行对应的调整。
上述伪影校正方法中，计算机设备首先获取带有串扰伪影的待校正的医学图像，然后根据预设的校正模型，能够对获取的带有串扰伪影的待校正的医学图像进行校正，去除待校正的医学图像中的串扰伪影，得到校正后的医学图像，由于校正模型是预先训练好的用于去除待校正的医学图像中的串扰伪影的模型，而通过大量的样本图像训练得到的校正模型的准确度也较高，因此，通过校正模型能够准确地去除待校正的医学图像中的串扰模型，从而提高了得到的校正后的医学图像的准确度。
在上述根据预设的校正模型，对待校正的医学图像进行校正，得到校正后的医学图像的场景中，计算机设备可以直接利用校正模型，对待校正的医学图像进行校正，也可以利用校正模型得到校正参数，利用校正参数对待校正的医学图像进行校正，得到校正后的医学图像。下面详细介绍采用不同的方法去除待校正的医学图像的串扰伪影，得到去除串扰伪影后的医学图像的具体实现方式。
在一个实施例中，若计算机设备根据预设的校正模型，对待校正的医学图像进行校正，得到校正后的医学图像，上述S202包括：将医学图像输入校正模型，通过校正模型，得到校正后的医学图像。
具体地，计算机设备将上述待校正的医学图像输入上述预设的校正模型，通过预设的校正模型，去除待校正的医学图像中的串扰伪影，得到上述校正后的医学图像。可选的，计算机设备可以将整幅待校正的医学图像输入预设的校正模型，去除待校正的医学图像中的串扰伪影，也可以将待校正的医学图像按照预设的尺寸划分为不同的子图像，将各子图像分别输入预设的校正模型，去除各子图像中的串扰伪影，然后按照划分待校正的医学图像的顺序，将去除了串扰伪影的各子图像进行组合，得到校正后的医学图像。
本实施例中，计算机设备将待校正的医学图像输入预设的校正模型，通过预设的校正模型，能够准确地去除待校正的医学图像中的串扰伪影，从而得到比较准确地校正后的医学图像，提高了得到的校正后的医学图像的准确度。
在一个实施例中，若计算机设备利用校正模型得到校正参数，利用校正参数对待校正的医学图像进行校正，得到校正后的医学图像，如图3所示，上述S202包括：
S301，将预设的矩阵输入校正模型，通过校正模型，得到医学图像对应的校正矩阵；其中，预设的矩阵的大小与医学图像的大小相同，且预设的矩阵中的元素均相同。
具体地，计算机设备将预设的矩阵输入上述校正模型，通过上述校正模型，得到上述待校正的医学图像对应的校正矩阵；其中，预设的矩阵的大小与上述待校正的医学图像的大小相同，且预设的矩阵中的元素均相同。可选的，预设的矩阵中的元素可以均为一。可以理解的是，校正模型输出的校正矩阵为一个参数矩阵，根据该参数矩阵能够对待校正的医学图像中的串扰伪影进行校正。示例性地，如图3a所示，图3a中的a11,a12,L,a14即为待校正的医学图像对应的校正矩阵中各元素的值。可以理解的是，上述预设的校正模型为已经训练好的用于去除待校正的医学图像的串扰伪影的模型，模型中的参数已为固定的参数，因此，将元素均为一的预设的矩阵输入上述校正模型后，通过校正模型的参数能够对预设的矩阵的元素值进行调整，从而得到待校正的医学图像对应的校正矩阵。
S302，根据校正矩阵，对医学图像进行校正，得到校正后的医学图像。
具体地，计算机设备根据上述得到的待校正的医学图像对应的校正矩阵，对上述待校正的医学图像进行校正，得到校正后的医学图像。可选的，计算机设备可以将得到的校正矩阵与待校正的医学图像相乘，从而得到校正后的医学图像。
本实施例中，计算机设备将预设的矩阵输入预设的校正模型，通过校正模型，能够得到待校正的医学图像对应的校正矩阵，由于预设的校正模型为已经训练好的模型，进而可以通过校正模型准确地得到待校正的医学图像对应的校正矩阵，提高了得到的待校正的医学图像对应的校正矩阵的准确度，进而可以根据得到的校正矩阵，对待校正的医学图像进行准确地校正，从而提高了得到的校正后的医学图像的准确度。
在上述根据预设的校正模型，对医学图像进行校正的场景中，校正模型为预先训练好的模型，在一个实施例中，如图4所示，上述校正模型是通过以下方式训练得到的：
S401，获取待校正的样本医学图像以及样本医学图像对应的金标准图像；样本医学图像为包括样本串扰伪影的图像；样本医学图像对应的金标准图像为去除样本串扰伪影后的图像。
具体地，计算机设备获取待校正的样本医学图像以及该样本医学图像对应的金标准图像。其中，待校正的样本医学图像为包括样本串扰伪影的图像，样本医学图像对应的金标准图像为去除上述样本串扰伪影后的图像。可选的，计算机设备可以从PACS服务器中获取无串扰伪影的图像作为样本医学图像对应的金标准图像，然后对该无串扰伪影的图像构造伪影得到待校正的样本医学图像，也可以从PACS服务器中获取有串扰伪影的图像作为待校正的样本医学图像，然后去除该串扰伪影得到样本医学图像对应的金标准图像。
S402，将样本医学图像输入预设的初始校正模型，得到样本校正图像。
具体地，计算机设备将获取的待校正的样本医学图像输入上述预设的初始校正模型，通过初始校正模型，得到样本校正图像，其中，样本校正图像为去除了待校正的样本医学图像中的串扰伪影的图像。可选的，初始校正模型的网络结构可以为任一种神经网络结构。
S403，根据样本校正图像和样本图像对应的金标准图像，对初始校正模型进行训练，得到校正模型。
具体地，计算机设备将上述得到的样本校正图像和获取的样本图像对应的金标准图像相比较，得到初始校正模型的损失函数，通常但不局限于取初始校正模型的损失函数为L1损失函数或者L2损失函数，通过多次的迭代减小损失函数的值，从而对初始校正模型进行训练，得到上述校正模型。可选的，计算机设备可以将初始校正模型的损失函数的值达到稳定值或者最小值时对应的初始校正模型确定为上述校正模型。
本实施例中，计算机设备首先获取待校正的样本医学图像以及样本医学图像对应的金标准图像，然后将样本医学图像输入预设的初始校正模型，能够得到样本校正图像，进而可以根据样本校正图像和样本图像对应的金标准图像的差异，对初始校正模型进行训练，这样通过大量的待校正的样本医学图像和样本医学图像对应的金标准图像，能够对初始校正模型进行准确地训练，从而能够得到比较准确地校正模型，提高了得到的校正模型的准确度。
在上述获取待校正的样本医学图像以及该样本医学图像对应的金标准图像的场景中，计算机设备可以通过正向的获取方式先获取无串扰伪影的医学图像，然后根据预设的构造方法将该无串扰伪影的医学图像构造为有串扰伪影的医学图像，或者通过逆向的获取方式先获取有串扰伪影的医学图像，然后再去除该医学图像中的串扰伪影，得到待校正的样本医学图像以及该样本医学图像对应的金标准图像。下面详细介绍采用不同的方法获取待校正的样本医学图像以及该样本医学图像对应的金标准图像的具体实现方式。
在一个实施例中，若计算机设备通过正向地获取方式，得到待校正的样本医学图像以及该样本医学图像对应的金标准图像，如图5所示，上述S401包括：
S501，获取无串扰伪影的医学图像。
具体地，计算机设备获取无串扰伪影的医学图像。其中，无串扰伪影的医学图像即为探测器系统在采集医学图像数据的过程中探测器系统未发生串扰现象而重建的医学图像。可选的，计算机设备可以从PACS服务器中获取无串扰伪影的医学图像。
S502，根据预设的构造方法，将无串扰伪影的医学图像构造为待校正的样本医学图像。
具体地，计算机设备根据预设的构造方法，将无串扰伪影的医学图像构造为上述待校正的样本医学图像。可选的，计算机设备可以首先根据无串扰伪影的医学图像的特征信息，得到无串扰伪影的医学图像对应的投影数据，其中，无串扰伪影的医学图像的特征信息包括无串扰伪影的医学图像的衰减校正系数和物理系数，然后将得到的无串扰伪影的医学图像对应的投影数据与预设的串扰伪影系数相乘，得到有串扰伪影的投影数据，再对有串扰伪影的投影数据进行重建，得到待校正的样本医学图像。其中，计算机设备可以通过以下方式确定预设的串扰伪影系数：(1)假设串扰发生于某个探测器的像素和与之相邻的像素之间，示例性地，如图5a所示，假设当前像素只与相邻的前一个像素发生串扰，首先，如图5d中的第一幅图所示，设定每个像素的串扰系数为c，若发生串扰现象，即第n个像素将其接收到的信号强度与串扰系数c相乘后，将相乘后的信号强度通过串扰作用给到了与之相邻的第n-1个像素上，据此可以确定一个固定的参数c作为预设的串扰伪影系数；(2)如图5b和图5c所示，图5b和图5c为探测器的构成示意图，假设对于每一个探测器模块，探测器模块内部串扰伪影系数相同，但在两个探测器模块交界处串扰伪影信号被抑制，据此可以对于不同的探测器模块确定一个串扰伪影系数，如图5d中的第二幅图中的c即表示一个探测器对应的串扰伪影系数，从而得到预设的串扰伪影系数；示例性地，假设医学图像是由两个探测器模块a和b进行数据采集得到的，则可以将探测器模块a内部的串扰伪影系数均设置为a1，将探测器模块b内部的串扰伪影系数均设置为b1，将a1、b1确定为预设的串扰伪影系数(3)假设每个有串扰伪影的医学图像的像素之间的串扰伪影系数随机，但是每个像素的串扰伪影系数取值范围均为[-0.07,0.07]，如图5d所示，像素x12的串扰伪影系数可以为0.05(表示像素x11的信号强度加到了x11)，像素x13的串扰伪影系数可以为-0.06(表示像素x13的信号强度将加到x14)。
S503，将无串扰伪影的医学图像作为样本图像对应的金标准图像。
具体地，计算机设备将上述获取的无串扰伪影的医学图像作为上述样本医学图像对应的金标准图像。可以理解的是，校正模型是用于去除待校正的医学图像中的串扰伪影的，因此，在对校正模型进行训练时的金标准图像为无串扰无影的医学图像，在本实施例中，计算机设备可直接将获取的无串扰伪影的医学图像作为上述待校正的样本医学图像对应的金标准图像。
本实施例中，计算机设备首先获取无串扰伪影的医学图像，将获取的无串扰伪影的医学图像作为待校正的样本医学图像对应的金标准图像，然后根据预设的构造方法，将获取的无串扰伪影的医学图像构造为待校正的样本医学图像，由于是直接将获取的无串扰伪影的医学图像作为待校正的样本医学图像对应的金标准图像，因此，保证了得到的待校正的样本医学图像对应的金标准图像的准确度，确保了得到的待校正的样本医学图像对应的金标准图像是无串扰伪影的医学图像，另外，待校正的样本医学图像是根据预设的构造方法对获取的无串扰伪影的医学图像进行构造得到的，而根据预设的构造方法对获取的无串扰伪影的医学图像进行构造的过程比较简单，提高了得到的待校正的样本医学图像的效率。
在一个实施例中，若计算机设备通过逆向地获取方式，得到待校正的样本医学图像以及该样本医学图像对应的金标准图像，如图6所示，上述S401包括：
S601，获取包括样本串扰伪影的医学图像，并将包括样本串扰伪影的医学图像作为样本医学图像。
具体地，计算机设备获取包括样本串扰伪影的医学图像，并将包括该样本串扰伪影的医学图像作为待校正的样本医学图像。可选的，计算机设备可以从PACS服务器中获取包括样本串扰伪影的医学图像。可选的，样本串扰伪影可以为条状伪影，也可以为环状伪影，也可以为其他形状的伪影。
S602，利用预设的串扰校正方法，去除样本串扰伪影，得到样本医学图像对应的金标准图像。
具体地，计算机设备利用预设的串扰校正方法，去除上述样本串扰伪影的医学图像中的样本串扰伪影，得到上述样本医学图像对应的金标准图像。需要说明的是，本实施例中的串扰校正方法可以为任何一种可用的串扰校正方法，例如，拟合平滑法等，本实施例在此不做限制。可以理解的是，利用预设的串扰校正方法，是将包括有样本串扰伪影的医学图像通过校正的方式，校正为等同于没有样本串扰伪影的医学图像。
在本实施例中，计算机设备首先获取包括样本串扰伪影的医学图像，将包括样本串扰伪影的医学图像作为样本医学图像，这样能够准确地确定出样本医学图像，然后利用预设的拟合方法，能够快速准确地去除获取的医学图像中的样本串扰伪影，从而提高了得到的样本医学图像对应的金标准图像效率和准确度，另外，计算机设备是直接将获取的包括样本串扰伪影的医学图像作为的样本医学图像，这样计算机设备能够快速地确定出样本医学图像，提高了得到的样本医学图像的效率。
为了便于本领域技术人员的理解，以下对本公开提供的伪影校正方法进行详细介绍，该方法可以包括：
S1，获取待校正的样本医学图像以及样本医学图像对应的金标准图像；样本医学图像为包括样本串扰伪影的图像；样本医学图像对应的金标准图像为去除样本串扰伪影后的图像。
S2，将样本医学图像输入预设的初始校正模型，得到样本校正图像。
S3，根据样本校正图像和样本图像对应的金标准图像，对初始校正模型进行训练，得到校正模型。
S4，获取待校正的医学图像；医学图像为带有串扰伪影的图像；执行S5，或者，执行S6-S7。
S5，将医学图像输入校正模型，通过校正模型，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。
S6，将预设的矩阵输入校正模型，通过校正模型，得到医学图像对应的校正矩阵；其中，预设的矩阵的大小与医学图像的大小相同。
S7，根据校正矩阵，对医学图像进行校正，得到校正后的医学图像。
其中，S1中获取待校正的样本医学图像以及样本医学图像对应的金标准图像步骤中，计算机设备可以通过正向的获取方式先获取无串扰伪影的医学图像，然后根据预设的构造方法将该无串扰伪影的医学图像构造为有串扰伪影的医学图像，或者通过逆向的获取方式先获取有串扰伪影的医学图像，然后再去除该医学图像中的串扰伪影，得到待校正的样本医学图像以及该样本医学图像对应的金标准图像。下面详细介绍采用这两种方法的具体实现方式：
一)若计算机设备通过正向的获取方式先获取无串扰伪影的医学图像，然后根据预设的构造方法将该无串扰伪影的医学图像构造为有串扰伪影的医学图像，则上述S1包括：
D1，获取无串扰伪影的医学图像。
D2，根据无串扰伪影的医学图像的特征信息，得到无串扰伪影的医学图像对应的投影数据；特征信息包括无串扰伪影的医学图像的衰减校正系数和物理系数。
D3，将投影数据与预设的串扰伪影系数相乘，得到有串扰伪影的投影数据。
D4，对有串扰伪影的投影数据进行重建，得到待校正的样本医学图像。
二)若计算机设备通过逆向的获取方式先获取有串扰伪影的医学图像，然后再去除该医学图像中的串扰伪影，得到待校正的样本医学图像以及该样本医学图像对应的金标准图像，则上述S1包括：
H1，获取包括样本串扰伪影的医学图像，并将包括样本串扰伪影的医学图像作为样本医学图像。
H2，利用预设的拟合方法，去除样本串扰伪影，得到样本医学图像对应的金标准图像。
需要说明的是，针对上述S1-S7、D1-D4、H1-H2中的描述可以参见上述实施例中相关的描述，且其效果类似，本实施例在此不再赘述。
应该理解的是，虽然图2-6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2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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7所示，提供了一种伪影校正装置，包括：第一获取模块和校正模块，其中：
第一获取模块，用于获取待校正的医学图像；医学图像为带有串扰伪影的图像。
校正模块，用于根据预设的校正模型，对医学图像进行校正，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述校正模块包括：第一校正单元，其中：
第一校正单元，用于将医学图像输入校正模型，通过校正模型，得到校正后的医学图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述校正模块包括：第一获取单元和第二校正单元，其中：
第一获取单元，用于将预设的矩阵输入校正模型，通过校正模型，得到医学图像对应的校正矩阵；其中，预设的矩阵的大小与医学图像的大小相同，且预设的矩阵中的元素均为一。
第二校正单元，用于根据校正矩阵，对医学图像进行校正，得到校正后的医学图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述装置还包括：第二获取模块、第三获取模块和训练模块，其中：
第二获取模块，用于获取待校正的样本医学图像以及样本医学图像对应的金标准图像；样本医学图像为包括样本串扰伪影的图像；样本医学图像对应的金标准图像为去除样本串扰伪影后的图像。
第三获取模块，用于将样本医学图像输入预设的初始校正模型，得到样本校正图像。
训练模块，用于根据样本校正图像和样本图像对应的金标准图像，对初始校正模型进行训练，得到校正模型。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取模块包括：第二获取单元、构造单元和第三获取单元，其中：
第二获取单元，用于获取无串扰伪影的医学图像。
构造单元，用于根据预设的构造方法，将无串扰伪影的医学图像构造为待校正的样本医学图像。
第三获取单元，用于将无串扰伪影的医学图像作为样本医学图像对应的金标准图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述构造单元，具体用于根据无串扰伪影的医学图像的特征信息，得到无串扰伪影的医学图像对应的投影数据；特征信息包括无串扰伪影的医学图像的衰减校正系数和物理系数；
将投影数据与预设的串扰伪影系数相乘，得到有串扰伪影的投影数据；对有串扰伪影的投影数据进行重建，得到待校正的样本医学图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例的基础上，可选的，上述第二获取模块包括：第四获取单元和第五获取单元，其中：
第四获取单元，用于获取包括样本串扰伪影的医学图像，并将包括样本串扰伪影的医学图像作为样本医学图像。
第五获取单元，用于利用预设的拟合方法，去除样本串扰伪影，得到样本医学图像对应的金标准图像。
本实施例提供的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于伪影校正装置的具体限定可以参见上文中对于伪影校正方法的限定，在此不再赘述。上述伪影校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：
获取待校正的医学图像；医学图像为带有串扰伪影的图像；
根据预设的校正模型，对医学图像进行校正，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，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：
获取待校正的医学图像；医学图像为带有串扰伪影的图像；
根据预设的校正模型，对医学图像进行校正，得到校正后的医学图像；其中，校正模型用于去除医学图像中的串扰伪影；校正后的医学图像为去除串扰伪影后的图像。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)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)

1.一种伪影校正方法，其特征在于，所述方法包括：
获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
2.根据权利要求1所述的方法，其特征在于，所述根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像，包括：
将所述医学图像输入所述校正模型，通过所述校正模型，得到所述校正后的医学图像。
3.根据权利要求1所述的方法，其特征在于，所述根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像，包括：
将预设的矩阵输入所述校正模型，通过所述校正模型，得到所述医学图像对应的校正矩阵；其中，所述预设的矩阵的大小与所述医学图像的大小相同，且所述预设的矩阵中的元素均相同；
根据所述校正矩阵，对所述医学图像进行校正，得到所述校正后的医学图像。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述校正模型通过以下方式训练：
获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像；所述样本医学图像为包括样本串扰伪影的图像；所述样本医学图像对应的金标准图像为去除所述样本串扰伪影后的图像；
将所述样本医学图像输入预设的初始校正模型，得到样本校正图像；
根据所述样本校正图像和所述样本图像对应的金标准图像，对所述初始校正模型进行训练，得到所述校正模型。
5.根据权利要求4所述的方法，其特征在于，所述获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像，包括：
获取无串扰伪影的医学图像；
根据预设的构造方法，将所述无串扰伪影的医学图像构造为所述待校正的样本医学图像；
将所述无串扰伪影的医学图像作为所述样本医学图像对应的金标准图像。
6.根据权利要求5所述的方法，其特征在于，所述根据预设的构造方法，将所述无串扰伪影的医学图像构造为所述待校正的样本医学图像，包括：
根据所述无串扰伪影的医学图像的特征信息，得到所述无串扰伪影的医学图像对应的投影数据；所述特征信息包括所述无串扰伪影的医学图像的衰减校正系数和物理系数；
将所述投影数据与预设的串扰伪影系数相乘，得到有串扰伪影的投影数据；
对所述有串扰伪影的投影数据进行重建，得到所述待校正的样本医学图像。
7.根据权利要求4所述的方法，其特征在于，所述获取待校正的样本医学图像以及所述样本医学图像对应的金标准图像，包括：
获取包括所述样本串扰伪影的医学图像，并将包括所述样本串扰伪影的医学图像作为所述样本医学图像；
利用预设的串扰校正方法，去除所述样本串扰伪影，得到所述样本医学图像对应的金标准图像。
8.一种伪影校正装置，其特征在于，所述装置包括：
第一获取模块，用于获取待校正的医学图像；所述医学图像为带有串扰伪影的图像；
校正模块，用于根据预设的校正模型，对所述医学图像进行校正，得到校正后的医学图像；其中，所述校正模型用于去除所述医学图像中的串扰伪影；所述校正后的医学图像为去除所述串扰伪影后的图像。
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7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，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7中任一项所述的方法的步骤。
CN202010736829.3A 2020-07-28 2020-07-28 伪影校正方法、装置、计算机设备和存储介质 Pending CN114004903A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010736829.3A CN114004903A (zh) 2020-07-28 2020-07-28 伪影校正方法、装置、计算机设备和存储介质
PCT/CN2021/108756 WO2022022535A1 (en) 2020-07-28 2021-07-27 Systems and methods for image processing
EP21849918.4A EP4168992A4 (en) 2020-07-28 2021-07-27 IMAGE PROCESSING SYSTEMS AND METHODS
US18/156,849 US20230162331A1 (en) 2020-07-28 2023-01-19 Systems and methods for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010736829.3A CN114004903A (zh) 2020-07-28 2020-07-28 伪影校正方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114004903A true CN114004903A (zh) 2022-02-01

Family

ID=79920451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010736829.3A Pending CN114004903A (zh) 2020-07-28 2020-07-28 伪影校正方法、装置、计算机设备和存储介质

Country Status (4)

Country Link
US (1) US20230162331A1 (zh)
EP (1) EP4168992A4 (zh)
CN (1) CN114004903A (zh)
WO (1) WO2022022535A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118474556A (zh) * 2023-11-22 2024-08-09 荣耀终端有限公司 图像处理方法及相关设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107945132B (zh) 2017-11-29 2022-10-04 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置
CN110473269B (zh) * 2019-08-08 2023-05-26 上海联影医疗科技股份有限公司 一种图像重建方法、系统、设备及存储介质
CN111080740B (zh) * 2019-12-27 2023-06-16 上海联影医疗科技股份有限公司 一种图像校正方法、装置、设备及介质

Also Published As

Publication number Publication date
WO2022022535A1 (en) 2022-02-03
US20230162331A1 (en) 2023-05-25
EP4168992A1 (en) 2023-04-26
EP4168992A4 (en) 2024-01-03

Similar Documents

Publication Publication Date Title
CN108022212B (zh) 高分辨率图片生成方法、生成装置及存储介质
CN111369440B (zh) 模型训练、图像超分辨处理方法、装置、终端及存储介质
EP3951702A1 (en) Method for training image processing model, image processing method, network device, and storage medium
CN110136056A (zh) 图像超分辨率重建的方法和装置
US8917952B2 (en) Parallel image convolution processing with SVD kernel data
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN111161269B (zh) 图像分割方法、计算机设备和可读存储介质
CN112419153A (zh) 图像超分辨率重建方法、装置、计算机设备和存储介质
CN110211205B (zh) 图像处理方法、装置、设备和存储介质
CN113256529B (zh) 图像处理方法、装置、计算机设备及存储介质
CN111666890B (zh) 脊柱变形人群识别方法、装置、计算机设备及存储介质
JP2020191046A (ja) 画像処理装置、画像処理方法、及びプログラム
US11562467B2 (en) Method and system for designing an optical filter
CN116862812A (zh) 红外图像处理方法、装置、计算机设备、存储介质及产品
CN114004903A (zh) 伪影校正方法、装置、计算机设备和存储介质
US20240078643A1 (en) Systems and methods for denoising medical images
US20130202199A1 (en) Using higher order statistics to estimate pixel values in digital image processing to improve accuracy and computation efficiency
CN111223046A (zh) 一种图像超分辨率重建方法及装置
CN113643394B (zh) 散射校正方法、装置、计算机设备和存储介质
CN108961161A (zh) 一种图像数据处理方法、装置和计算机存储介质
CN112509052B (zh) 黄斑中心凹的检测方法、装置、计算机设备和存储介质
CN114926876A (zh) 图像关键点检测方法、装置、计算机设备和存储介质
US10938999B2 (en) Image processing apparatus that performs filter operation on group of regions in an image, image processing method and non-transitory computer- readable storage medium
CN117745880B (zh) 多维非线性变换的医学图像填充方法、装置、设备及介质
CN116664746B (zh) 人脸重建方法及装置、计算机可读存储介质、终端

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