CN115100050A - Ct图像环状伪影的去除方法、装置、设备及存储介质 - Google Patents
Ct图像环状伪影的去除方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115100050A CN115100050A CN202210666274.9A CN202210666274A CN115100050A CN 115100050 A CN115100050 A CN 115100050A CN 202210666274 A CN202210666274 A CN 202210666274A CN 115100050 A CN115100050 A CN 115100050A
- Authority
- CN
- China
- Prior art keywords
- image
- artifact
- ring
- original image
- training data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 117
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 description 39
- 230000008901 benefit Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4046—Scaling the whole image or part thereof using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种CT图像伪影的去除方法,涉及图像处理技术领域。主要目的在于解决现有技术中CT图像伪影去除不够精确的问题。去除方法包括:获取具有环状伪影的原始图像;基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影;基于所述第一环状伪影、第二环状伪影和原始图像,获取伪影去除图像。
Description
技术领域
本发明涉及一种CT图像处理技术领域,特别是涉及一种CT图像环状伪影的去除方法、装置、设备及存储介质。
背景技术
计算机断层扫描(Computed tomography,简称CT)技术,能够根据接收穿透被检测者的X射线断层扫描数据构建图像,具有成像快捷、重建图像的密度分辨率高、图像维度切换方便等优点,被广泛应用于医疗诊断中。由于探测器通道的不一致性、射线硬化等,在CT扫描后获得的投影图像中,在CT图像上常见以同心圆形式表现的环状伪影。环状伪影会降低CT图像质量,甚至可能会覆盖组织结构及病灶,增加了医生误诊的可能性,因此,亟需一种有效的伪影去除方式来实现CT图像伪影的去除。
发明内容
有鉴于此,本发明提供一种CT图像伪影的去除方法、装置、设备及存储介质,主要目的在于改善图像伪影去除的不够精确的技术问题。
依据本发明一个方面,提供了一种CT图像伪影的去除方法,包括:
获取具有环状伪影的原始图像;
基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影;
基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
可选地,所述基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像,包括:
基于权重矩阵,所述第一环状伪影和所述第二环状伪影融合以获取融合环状伪影;
在所述原始图像去除所述融合环状伪影,得到伪影去除图像。
可选地,所述基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像,包括:
根据所述原始图像和所述第一环状伪影生成第一伪影去除图像;和
根据所述原始图像和所述第二环状伪影生成第二伪影去除图像;
按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像;
将所述提取到的区域图像进行拼接,得到所述伪影去除图像。
可选地,所述按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像,包括:
按照预设图像切分原则分别将所述第一伪影去除图像和所述第二伪影去除图像切分成内部区域图像和外部区域图像,并提取所述第一伪影去除图像的内部区域图像和所述第二伪影去除图像的外部区域图像;或,
分别将所述第一伪影去除图像和所述第二伪影去除图像划分为多个子图像,并计算各个所述子图像与所述原始图像之间的图像相关性,根据所述图像相关性从所述子图像中提取区域图像。
可选地,所述第一环状伪影的半径小于或等于所述第二环状伪影的半径。
可选地,所述第一环状伪影的半径小于所述原始图像的建像矩阵边长的四分之一。
可选地,所述基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影,包括:
基于预先训练的第一伪影识别模型、第二伪影识别模型和所述原始图像进行伪影识别处理,得到所述第一环状伪影和所述第二环状伪影,所述第一伪影识别模型为基于直角坐标图像训练得到的,所述第二伪影识别模型为基于极坐标图像训练得到的。
可选地,所述获取具有环状伪影的原始图像之前,所述方法还包括:
获取第一图像训练数据集,所述第一图像训练数据集中为直角坐标图像数据,且所述第一图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建第一初始神经网络,并利用所述第一图像训练数据集对所述第一初始神经网络进行训练,得到所述第一伪影识别模型。
可选地,所述获取具有环状伪影的原始图像之前,所述方法还包括:
获取第二图像训练数据集,所述第二图像训练数据集中为极坐标图像数据,且所述第二图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建第二初始神经网络,并利用所述第二图像训练数据集对所述第二初始神经网络进行训练,得到所述第二伪影识别模型。
可选地,所述获取第二图像训练数据集之后,所述方法还包括:
将所述第二图像训练数据集中的极坐标图像按照预设对称轴进行翻转处理,得到更新后的第二图像训练数据集;
所述利用所述第二图像训练数据集对所述第二初始神经网络进行训练包括:
利用所述更新后的第二图像训练数据集对所述第二初始神经网络进行训练。
可选地,所述方法还包括:
根据所述极坐标图像数据中的像素数和径向坐标值计算权重系数,并根据所述权重系数计算预设损失函数的损失加权值;
基于所述损失加权值调整神经网络模型参数,并得到所述第二伪影识别模型。
可选地,将所述提取到的区域图像进行拼接,得到所述伪影去除图像之后,所述方法还包括:
根据所述提取到的区域图像确定与所述伪影去除图像对应的拼接像素点;
利用预置算法对所述拼接像素点进行均值处理。
依据本发明另一个方面,提供了一种CT图像伪影的去除装置,包括:
获取模块,用于获取具有环状伪影的原始图像;
提取模块,用于基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影;
去除模块,用于基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
可选地,所述提取模块包括:
第一提取单元,用于基于所述第一伪影识别模型对所述原始图像进行伪影识别处理,得到所述第一环状伪影;
第二提取单元,用于基于所述第二伪影识别模型对所述与所述原始图像对应的极坐标图像进行伪影识别处理,得到所述第二环状伪影。
可选地,所述去除模块包括:
融合单元,用于基于权重矩阵,所述第一环状伪影和所述第二环状伪影融合以获取融合环状伪影;
生成单元,在所述原始图像去除所述融合环状伪影,得到伪影去除图像。
可选地,所述去除模块包括:
生成单元,用于根据所述原始图像和所述第一环状伪影生成第一伪影去除图像,用于根据所述原始图像和所述第二环状伪影生成第二伪影去除图像;
第三提取单元,用于按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像;
拼接单元,用于将所述提取到的区域图像进行拼接,得到所述伪影去除图像。
可选地,
所述第三提取单元,具体用于按照预设图像切分原则分别将所述第一伪影去除图像和所述第二伪影去除图像切分成内部区域图像和外部区域图像,并提取所述第一伪影去除图像的内部区域图像和所述第二伪影去除图像的外部区域图像;
所述第三提取单元,具体还用于分别将所述第一伪影去除图像和所述第二伪影去除图像划分为多个子图像,并计算各个所述子图像与所述原始图像之间的图像相关性,根据所述图像相关性从所述子图像中提取区域图像。
可选地,所述装置还包括:构建模块,
所述获取模块,用于获取第一图像训练数据集,所述第一图像训练数据集中为直角坐标图像数据,且所述第一图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建模块,用于构建第一初始神经网络,并利用所述第一图像训练数据集对所述第一初始神经网络进行训练,得到所述第一伪影识别模型。
可选地,
所述获取模块,还用于获取第二图像训练数据集,所述第二图像训练数据集中为极坐标图像数据,且所述第二图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
所述构建模块,还用于构建第二初始神经网络,并利用所述第二图像训练数据集对所述第二初始神经网络进行训练,得到所述第二伪影识别模型。
可选地,所述装置还包括:
更新模块,用于将所述第二图像训练数据集中的极坐标图像按照预设对称轴进行翻转处理,得到更新后的第二图像训练数据集;
所述训练模块,具体用于利用所述更新后的第二图像训练数据集对所述第二初始神经网络进行训练。
可选地,所述装置还包括:
计算模块,用于根据所述极坐标图像数据中的像素数和径向坐标值计算权重系数,并根据所述权重系数计算预设损失函数的损失加权值;
调整模块,用于基于所述损失加权值调整神经网络模型参数,并得到所述第二伪影识别模型。
可选地,所述装置还包括:
确定模块,用于根据所述提取到的区域图像确定与所述伪影去除图像对应的拼接像素点;
均值处理模块,用于利用预置算法对所述拼接像素点进行均值处理。
根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述CT图像伪影的去除方法对应的操作。
根据本发明的再一方面,提供了一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述CT图像伪影的去除方法对应的操作。
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明提供了一种CT图像伪影的去除方法及装置,首先获取具有环状伪影的原始图像,然后基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影,基于原始图像、第一伪影图像和第二伪影图像,获取伪影去除图像。本发明实施例通过基于直角坐标系和极坐标系分别对原始图像进行伪影去除处理,得到伪影去除图像,由于基于不同坐标系对图像进行伪影去除处理时,在图像不同区域内去除伪影具有各自优势,因此可以避免单一坐标系下去除CT图像伪影时造成的伪影识别不够精确的问题,提升了图像伪影去除的精确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种CT图像伪影的去除方法流程图;
图2示出了本发明实施例提供的另一种CT图像伪影的去除方法流程图;
图3示出了本发明实施例提供的一种神经网络结构示意图;
图4示出了本发明实施例提供的一种具有伪影的原始图像示意图;
图5示出了本发明实施例提供的一种无伪影图像示意图;
图6示出了本发明实施例提供的另一种无伪影图像示意图;
图7示出了本发明实施例提供的一种伪影去除图像示意图;
图8示出了本发明实施例提供的一种CT图像伪影的去除装置组成框图;
图9示出了本发明实施例提供的另一种CT图像伪影的去除装置组成框图;
图10示出了本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
针对现有技术中CT图像伪影去除不够精确的情况,因此,本发明实施例提供了一种CT图像伪影的去除方法,如图1所示,该方法包括:
101、获取具有环状伪影的原始图像。
其中,环状伪影是CT图像上常见的伪影,在图像上以同心圆的形式表现。环状伪影的生成因素较多,常见的生成因素包括探测器通道的不一致性和射线硬化等。
本发明实施例中,执行主体可以是具有图像识别功能的图像处理系统,如数字处理系统、智能图像处理系统等。示例性的,当执行主体为智能图像处理系统时,智能处理系统通过预设接口或者扫描装置获取具有伪影的原始图像。
102、基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影。
第一环状伪影和第二环状伪影可以指图像或图像相关的数据。第一环状伪影是基于直角坐标系提取的,第二环状伪影是基于极坐标系提取的,因此,第一环状伪影和第二环状伪影的提取环境不同。第一环状伪影和第二环状伪影在图像中的位置可以相同,也可以不同。在同一位置的环状伪影,基于直角坐标系和极坐标系提取的内容可以存在差异,差异包括但不限于数据量的差异。其中,第一环状伪影和第二环状伪影可以通过深度学习训练的环状伪影识别模型进行提取。在执行过程中,具体为智能处理系统可以将原始图像输入环状伪影识别模型,环状伪影识别模型输出第一环状伪影和第二环状伪影。
在极坐标系下,环状伪影的半径较小时,转化为极坐标的采样点较少,导致周向上的像素值几乎相同,不利于环的提取。但在直角坐标系下,不存在上述问题,或者上述问题的严重性在直角坐标系下小于极坐标系。示例性的,第一环状伪影的半径小于或等于第二环状伪影的半径,这样更有利于发挥在直角坐标系和极坐标系下提取环状伪影的优势。更进一步地,第一环状伪影的半径可以为原始图像建像矩阵边长的四分之一,而第二环状伪影则可以为能够标识原始图像其他区域的伪影,如第二环状伪影的半径为原始图像建像矩阵边长的二分之一,但不限于此。
103,基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
提取第一环状伪影和第二环状伪影后,可以在原始图像中去除第一环状伪影和第二环状伪影,获取伪影去除图像,也可以基于第一环状伪影和第二环状伪影,获取融合环状伪影,在原始图像中去除融合环状伪影,获取伪影去除图像。在原始图像中去除环状伪影的方式,可以基于第一环状伪影和第二环状伪影的位置关系确定。下文中详细介绍。
本发明实施例提供了一种CT图像伪影的去除方法,首先获取具有环状伪影的原始图像,然后基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影,基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。本发明实施例通过基于直角坐标系和极坐标系分别对原始图像进行伪影去除处理,得到伪影去除图像,可以避免单一坐标系下去除CT图像伪影时造成的伪影识别不够精确的问题,充分发挥在极坐标系和直角坐标系下提取图像不同区域内的伪影的各自优势,进而提升了图像伪影去除的精确性。
现有技术中在对CT图像进行环状伪影去除时通常结合投影域和图像域的混合域算法,具体为分别对图像域与投影域进行去环。然而,由于混合域算法是仅基于极坐标图像进行图像去除伪影处理,且环状伪影在投影域数值较小,对网络计算精度要求较高,且容易在图像块衔接处产生像素值的突变,后续平滑处理对图像细节的损失也就更大,也就是说环状伪影去除的不够精确。而在本申请实施例中,通过分别基于直角坐标系和极坐标系提取原始图像中的环状伪影,由于在这两个坐标系下去除图像不同区域的伪影效果的不同,因此结合在不同坐标下得到的伪影去除图像,获取到的伪影去除图像的伪影去除精确度更高。
进一步的,作为上述实施例的细化和扩展,为了完整说明上述实施例的具体实施过程,提供了另一种CT图像伪影的去除方法,如图2所示,该方法包括:
201、获取第一图像训练数据集。
202、构建第一初始神经网络,并利用所述第一图像训练数据集对所述第一初始神经网络进行训练,得到所述第一伪影识别模型。
其中,所述第一图像训练数据集中为直角坐标图像数据,且所述第一图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据。
203、获取第二图像训练数据集。
204、构建第二初始神经网络,并利用所述第二图像训练数据集对所述第二初始神经网络进行训练,得到所述第二伪影识别模型。
其中,所述第二图像训练数据集中为极坐标图像数据,且所述第二图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据。通常情况下,从CT设备采集到的CT图像数据为直角坐标图像数据,并在建像过程中通过逆非线性校正的方法,随机添加1-50倍的环状伪影,从而可以获得具有较重的环状伪影图像数据和干净CT图像数据,将具有环状伪影标签的图像数据作为神经网络模型训练的输入,将干净的无伪影图像数据作为神经网络学习的标签,从而构建出第一图像训练数据集。而由于第二图像训练数据集中为极坐标图像数据,因此在从CT设备采集到的CT图像数据之后需要先将直角坐标图像数据转换为极坐标图像数据,同样的在基于极坐标图像数据建像过程中,添加环状伪影,以便于获取到包含带伪影标签和无伪影标签的第二图像训练数据集。
进一步地,为了得到基于不同坐标系图像进行伪影识别模型,需要构建初始神经网络,而初始神经网络可以为多种神经网络的组合,如卷积神经网络、循环神经网络、全连接网络和对抗生成网络等网络中的一种或多种,第一初始神经网络与第二初始神经网络可以相同也可以不同,示例性的,在本申请实施例中,第一伪影识别模型和第二伪影识别模型的初始神经网络均为UNet网络,网络结构示意图如图3所示。此外,本申请实施例中在基于图像训练数据集训练伪影识别模型时,对初始直角坐标图像进行了随机的裁剪过程以适应不同的建像中心,以提升伪影识别模型训练的准确性。
为了进一步提升第二伪影识别模型训练的准确性,上述步骤获取第二图像训练数据集之后,本申请实施例还包括:将所述第二图像训练数据集中的极坐标图像按照预设对称轴进行翻转处理,得到更新后的第二图像训练数据集。所述利用所述第二图像训练数据集对所述第二初始神经网络进行训练包括:利用所述更新后的第二图像训练数据集对所述第二初始神经网络进行训练。
需要说明的是,具体地,将极坐标图像行方向标记为径向,列方向标记为周向,在基于极坐标图像数据创建第二图像训练数据集之后,沿径向第一列为轴对图像进行翻转以进行像素填充,并根据得到的像素填充后的极坐标图像数据创建更新后的第二图像训练数据集。由于经过图像翻转进行像素填充后的极坐标数据,在经过图像卷积和裁剪操作后输出的图像仍为最初的极坐标图像数据尺寸,避免了在卷积过程中图像信息的丢失,从而使得基于第二图像训练数据集对初始神经网络进行训练得到的伪影识别模型具有更高的准确性。在一示例中,在经过图像卷积和裁剪操作后输出的图像具体可以为通过裁剪的方式将翻转的部分减掉。
进一步地,为了提升识别模型对原始图像中伪影提取的准确性,本申请实施例还包括:根据所述极坐标图像数据中的像素数和径向坐标值计算权重系数,并根据所述权重系数计算预设损失函数的损失加权值;基于所述损失加权值调整神经网络模型参数,并得到所述第二伪影识别模型。
具体地,第一伪影识别模型的损失函数可以采用L1损失函数,而本申请实施例在基于更新后的第二图像训练数据集对初始神经网络进行训练时,对L1损失函数进行了loss的加权,其中,每一列权重为:径向像素总数-径向坐标)/径向像素总数,从而使得在伪影识别模型训练过程中基于损失函数调整模型参数对模型进行优化,以得到具有更高准确性的第一伪影识别模型和第二伪影识别模型。
需要说明的是,由于图像训练数据集中的训练数据分为带有伪影标签部分和带有无伪影标签部分,因此在根据该图像训练数据集训练伪影识别模型时,通过神经网络的有监督学习能力对图像中的伪影进行识别,并将识别到的伪影作为伪影识别模型的输出参数。在模型训练过程中,根据模型训练的输出与图像训练数据能够计算得到相应的损失函数,以便根据损失函数对神经网络的参数进行调整优化,直至符合预设训练条件以完成伪影识别模型的训练。
205、获取具有环状伪影的原始图像。
206、基于预先训练的第一伪影识别模型、第二伪影识别模型对所述原始图像进行伪影识别处理。
本发明实施例中,执行主体可以是具有图像识别功能的图像处理系统,如数字处理系统、智能图像处理系统等。示例性的,当执行主体为智能图像处理系统时,智能处理系统通过预设接口或者扫描装置获取具有环状伪影的原始图像,并基于直角坐标系下训练的第一伪影识别模型识别原始图像中第一环状伪影,和基于极坐标系下训练的第二伪影识别模型提取原始图像中的第二环状伪影。
由于原始图像为直角坐标图像,因此可以将原始图像直接输入到第一伪影识别模型进行伪影识别处理,并得到基于直角坐标图像识别的第一伪影图像。由于第二伪影识别模型是基于极坐标图像数据集训练得到的,因此需要将获取到的原始图像转换为极坐标图像并输入到第二伪影识别模型中进行伪影识别处理,得到第二伪影图像。示例性的,将直角坐标图像转换为极坐标图像时所用的插值函数可以是Cubic Convolution4×4邻域插值函数,基于该插值算法进行极坐标转换能够获得具有较高精度的极坐标图像。
需要说明的是,在具体实践过程中若仅基于极坐标系对图像伪影进行去除处理,由于转化为极坐标系时对中心点采样问题,对于半径较小的图像区域采样点较少,导致极坐标图像周上的像素值几乎相同,不利于伪影的识别与提取,从而使得仅基于极坐标系对图像进行伪影去除时图像中心部分伪影去除不够精确。相反,若仅基于直角坐标系对图像伪影进行去除处理,对于半径较大的图像区域,由于感受野的原因导致图像外部区域伪影识别去除效果不如极坐标系外围的去环效果。也就是说,基于极坐标图像和直角坐标图像分别进行伪影识别,可以得到不完全相同的第一伪影图像和第二伪影图像,以便结合两份伪影图像对原始图像进行伪影识别去除处理。
207、根据所述原始图像和所述第一环状伪影生成第一伪影去除图像,根据所述原始图像和所述第二环状伪影生成第二伪影去除图像。
基于第一环状伪影、第二环状伪影和原始图像,获得伪影去除图像的方法之一是:根据所述原始图像和所述第一环状伪影生成第一伪影去除图像,根据所述原始图像和所述第二环状伪影生成第二伪影去除图像。在此种情况下,第一环状伪影和第二环状伪影的位置可以不重叠,示例的,第一环状伪影的半径小于第二环状伪影的半径,在原始图像中,可以直接减去第一环状伪影和第二环状伪影,以获得第一环状伪影去除图像和第二环状伪影去除图像。第一环状伪影和第二环状伪影的位置也可以至少部分重叠,对于重叠位置的伪影,可以采用权重的方式在原始图像中去除,示例的,在半径较小的区域,第一环状伪影的权重大,第二环状伪影的权重小,在半径较大的区域,第一环状伪影的权重小,第二环状伪影的权重大。
为了得到伪影去除处理的图像,执行主体智能图像处理系统在调用预置伪影识别模型进行伪影识别处理得到两份伪影图像后,可以根据原始图像和两份不完全相同的伪影图像生成两份不完全相同的伪影去除图像。具体地,根据原始图像和伪影图像生成伪影去除图像的实现方式可以为现有技术中图像去除方式,本申请实施例对此不做具体限定。
由上述内容可知,第二伪影识别模型的输入参数为极坐标图像,其输入的第二伪影图像也是极坐标图像,为此,在根据原始图像和第二伪影图像生成第二无伪影图像时,需要首先将第二伪影图像转换为直角坐标图像并生成直角坐标系下的第二无伪影图像。
208、按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像。
具体地,本步骤可以包括:按照预设图像切分原则分别将所述第一伪影去除图像和所述第二伪影去除图像切分成内部区域图像和外部区域图像,并提取所述第一伪影去除图像的内部区域图像和所述第二伪影去除图像的外部区域图像。
其中,预设图像切分原则可以根据不同的应用场景进行设定,以便结合第一伪影识别模型和第二伪影识别模型的伪影识别优势提取伪影识别更加精确,也即得到的伪影去除图像更加精确的图像区域。示例性的,预设图像切分原则可以为以图像中心为圆心、图像径向/周向的二分之一尺寸为半径画圆以对无伪影图像进行切分,并从第一伪影去除图像中提取该圆形区域部分,而从第二伪影去除图像中提取除此圆形区域的外围部分,提取方式具体可以为第一环状伪影权重圆形区域部分为1,其它部分为0,第二环状伪影权重圆形区域部分为0,其它区域为1。
在其它实施例中,步骤208也可以包括:分别将所述第一伪影去除图像和所述第二伪影去除图像划分为多个子图像,并计算各个所述子图像与所述原始图像之间的图像相关性,根据所述图像相关性从所述子图像中提取区域图像。
在基于直角坐标系和极坐标系得到两个伪影去除图像之后,分别将第一伪影去除图像和第二伪影去除图像拆分成多个小patch子图像,并计算各个子图像与具有伪影的原始图像之间的相关性,由于图像相关性能够标识各子图像与原始图像之间相似程度,即相关性越大表明子图像与原始图像越接近,去环程度越小,如相关性为1时,表明子图像与原图相同。相反,相关性越小表明子图像与原始图像越疏远,去环程度越大。示例性的,当伪影去除图像为256*256的像素矩阵时,可以以16*16像素矩阵为子图像进行拆分,得到16个子图像,通过计算每个子图像矩阵和原始图像之间相关性,对于同一区域的子图像,从第一伪影去除图像和第二伪影去除图像中提取相关性相对较小的子图像,以便根据提取到的子图像生成最终的伪影去除图像。
209、将所述提取到的区域图像进行拼接,得到所述伪影去除图像。
在本申请实施例中,分别将具有伪影的原始图像输入到两种不同伪影识别模型中进行伪影识别处理,得到两份不完全相同的伪影图像,进而结合原始图像得到两份伪影去除图像。由于基于直角坐标图像和极坐标图像进行伪影识别去除处理时,对于原始图像的不同区域去除效果具有各自优势,因此在得到两份伪影去除图像之后,按照预先设定的图像切分原则分别对伪影去除图像进行切分,并分别提取两种坐标系下伪影去除精度较高的图像区域以便根据提取到的图像区域进行拼接得到与原始图像对应的伪影去除图像。
为了提升去除伪影图像的图像质量,本申请实施例还包括:根据所述提取到的区域图像确定与所述伪影去除图像对应的拼接像素点;利用预置算法对所述拼接像素点进行均值处理。在本申请实施例中,通过将直角坐标系下伪影去除处理得到的伪影去除图像与极坐标系下伪影去除处理得到的伪影去除图像拼接后,像素值突变的可能性较低,能够降低平滑衔接处造成图像的细节丢失,且对拼接处像素点进行均值处理后,能够进一步减少像素值突变的影响,提升了图像伪影去除的准确性。
进一步地,在本发明实施中的一个应用场景中,如图4所示为智能图像处理系统获取到的具有伪影的原始图像,通过调用第一伪影识别模型对原始图像进行伪影识别,并根据得到的第一伪影图像和原始图像生成如图5所示的第一伪影去除图像。通过调用第二伪影识别模型对原始图像进行伪影识别,并根据得到的第二伪影图像和原始图像生成如图6所示的第二伪影去除图像。按照预设图像融合规则对第一伪影去除图像和第二伪影去除图像进行融合,并根据加权后的第一环状伪影与第二环状伪影相加得到最终环状伪影,去除后得到如图7所示的与原始图像对应的伪影去除图像。
此外,本申请实施例中,在经由第一伪影识别模型对原始图像进行伪影识别后结合原始图像生成第一伪影去除图像后,还可以将该第一伪影去除图像输入到第二伪影识别模型中进行二次伪影识别,并根据此时识别到的伪影和第一伪影去除图像生成最终的与原始图像对应的伪影去除图像。由于第一伪影去除图像为基于直角坐标图像进行伪影去除后的图像,将该图像经由第二伪影识别模型进行二次伪影识别模型,能够弥补第一伪影识别模型的不足,从而使得经由二次伪影识别后得到的伪影去除图像也具有较高精度的伪影去除效果。
在其它示例性实施例中,在步骤207之后,可以执行其它步骤,获取伪影去除图像,具体包括:
210,基于权重矩阵,所述第一环状伪影和所述第二环状伪影融合以获取融合环状伪影。
在本申请实施例中,第一环状伪影可以乘以第一权重矩阵,获取第一权重环状伪影,第二环状伪影可以乘以第二权重矩阵,获取第二权重环状伪影,然后第一权重环状伪影和第二权重环状伪影融合,获取融合环状伪影。在此种情况下,第一环状伪影和第二环状伪影的位置至少部分重叠,对重叠位置的第一环状伪影和第二环状伪影赋予不同的权重,示例的,在环状伪影半径较小的位置,第一环状伪影的权重高,在环状伪影半径较大的位置,第二环状伪影的权重高。不重叠的位置,权重可以设置为1。融合环状伪影也可以称为全局环状伪影。
211,在所述原始图像去除所述融合环状伪影,得到伪影去除图像。
在原始图像中可以减去融合环状伪影,获取伪影去除图像,具体方法不做进一步限定。
本发明提供了一种CT图像伪影的去除方法,首先获取具有环状伪影的原始图像,然后基于直角坐标系训练的第一伪影识别模型,提取所述原始图像的第一环状伪影,和基于极坐标系训练的第二伪影识别模型,提取所述原始图像的第二环状伪影,基于第一环状伪影、第二环状伪影和原始图像以获取伪影去除图像(可以采用步骤208到209,也可以采用步骤210到211)。本发明实施例通过基于直角坐标系和极坐标系分别对原始图像进行伪影提取处理,得到伪影去除图像,充分发挥了在直角坐标系和极坐标系下提取图像不同区域内的伪影的优势,避免了单一坐标系下去除CT图像伪影时造成的伪影识别不够精确的问题,提升了图像伪影去除的精确性。
进一步的,作为图1和图2方法的具体实现,本实施例提供了一种CT图像伪影的去除装置,如图8所示,该装置包括:获取模块31、去除模块32。
获取模块31,用于获取具有环状伪影的原始图像;
提取模块32,用于基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影
去除模块33,用于基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
具体的应用场景中,图9所示,所述提取模块32包括:
第一提取单元3201,用于基于所述第一伪影识别模型对所述原始图像进行伪影识别处理,得到所述第一环状伪影;
第二提取单元3202,用于基于所述第二伪影识别模型对所述与所述原始图像对应的极坐标图像进行伪影识别处理,得到所述第二环状伪影;
具体的应用场景中,图9所示,去除模块33可以包括:
第一生成单元3303,用于根据所述原始图像和所述第一环状伪影生成第一伪影去除图像,根据所述原始图像和所述第二环状伪影生成第二伪影去除图像;
第三提取单元3304,用于按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像;
拼接单元3305,用于将所述提取到的区域图像进行拼接,得到所述伪影去除图像。
在具体的应用场景中,图9所示,所述第三提取单元3304,具体用于按照预设图像切分原则分别将所述第一伪影去除图像和所述第二伪影去除图像切分成内部区域图像和外部区域图像,并提取所述第一伪影去除图像的内部区域图像和所述第二伪影去除图像的外部区域图像;
所述第三提取单元3304,具体还用于分别将所述第一伪影去除图像和所述第二伪影去除图像划分为多个子图像,并计算各个所述子图像与所述原始图像之间的图像相关性,根据所述图像相关性从所述子图像中提取区域图像。
去除模块33也可以包括:
融合单元3306,用于基于权重矩阵,所述第一环状伪影和所述第二环状伪影融合以获取融合环状伪影;
第二生成单元3307,用于在所述原始图像去除所述融合环状伪影,得到伪影去除图像。
在具体的应用场景中,如图9所示,所述装置还包括:构建模块34,
所述获取模块31,用于获取第一图像训练数据集,所述第一图像训练数据集中为直角坐标图像数据,且所述第一图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建模块34,用于构建第一初始神经网络,并利用所述第一图像训练数据集对所述第一初始神经网络进行训练,得到所述第一伪影识别模型。
在具体的应用场景中,如图9所示,
所述获取模块31,还用于获取第二图像训练数据集,所述第二图像训练数据集中为极坐标图像数据,且所述第二图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
所述构建模块34,还用于构建第二初始神经网络,并利用所述第二图像训练数据集对所述第二初始神经网络进行训练,得到所述第二伪影识别模型。
在具体的应用场景中,如图9所示,所述装置还包括:更新模块35,
所述更新模块35,用于将所述第二图像训练数据集中的极坐标图像按照预设对称轴进行翻转处理,得到更新后的第二图像训练数据集;
所述构建模块34,具体用于利用所述更新后的第二图像训练数据集对所述第二初始神经网络进行训练。
在具体的应用场景中,如图9所示,所述装置还包括:
计算模块36,用于根据所述极坐标图像数据中的像素数和径向坐标值计算权重系数,并根据所述权重系数计算预设损失函数的损失加权值;
调整模块37,用于基于所述损失加权值调整神经网络模型参数,并得到所述第二伪影识别模型。
在具体的应用场景中,如图9所示,所述装置还包括:
确定模块38,用于根据所述提取到的区域图像确定与所述伪影去除图像对应的拼接像素点;
均值处理模块39,用于利用预置算法对所述拼接像素点进行均值处理。
本发明提供了一种CT图像伪影的去除装置,首先获取具有环状伪影的原始图像,然后基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影,基于第一环状伪影、第二环状伪影和原始图像,获取伪影去除图像。本发明实施例通过基于直角坐标系和极坐标系分别对原始图像进行伪影提取处理,得到伪影去除图像,充分发挥了直角坐标系和极坐标系在图像不同区域内提取伪影的优势,避免了单一坐标系下去除CT图像伪影时造成的伪影识别不够精确的问题,提升了图像伪影去除的精确性。
根据本发明一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的CT图像伪影的去除方法。
图10示出了根据本发明一个实施例提供的一种计算机设备的结构示意图,本发明具体实施例并不对计算机设备的具体实现做限定。
如图10所示,该计算机设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述CT图像伪影的去除方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:
获取具有环状伪影的原始图像;
基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影;
基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (15)
1.一种CT图像伪影的去除方法,其特征在于,包括:
获取具有环状伪影的原始图像;
基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影;
基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像,包括:
基于权重矩阵,所述第一环状伪影和所述第二环状伪影融合以获取融合环状伪影;
在所述原始图像去除所述融合环状伪影,得到伪影去除图像。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像,包括:
根据所述原始图像和所述第一环状伪影生成第一伪影去除图像;
根据所述原始图像和所述第二环状伪影生成第二伪影去除图像;
按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像;
将所述提取到的区域图像进行拼接,得到所述伪影去除图像。
4.根据权利要求3所述的方法,其特征在于,所述按照预设图像提取规则分别从所述第一伪影去除图像和所述第二伪影去除图像中提取区域图像,包括:
按照预设图像切分原则分别将所述第一伪影去除图像和所述第二伪影去除图像切分成内部区域图像和外部区域图像,并提取所述第一伪影去除图像的内部区域图像和所述第二伪影去除图像的外部区域图像;或,
分别将所述第一伪影去除图像和所述第二伪影去除图像划分为多个子图像,并计算各个所述子图像与所述原始图像之间的图像相关性,根据所述图像相关性从所述子图像中提取区域图像。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述第一环状伪影的半径小于或等于所述第二环状伪影的半径。
6.根据权利要求5所述的方法,其特征在于,所述第一环状伪影的半径小于所述原始图像的建像矩阵边长的四分之一。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述基于直角坐标系,提取所述原始图像中的第一环状伪影,和基于极坐标系,提取所述原始图像中的第二环状伪影,包括:
基于预先训练的第一伪影识别模型、第二伪影识别模型和所述原始图像进行伪影识别处理,得到所述第一环状伪影和所述第二环状伪影,所述第一伪影识别模型为基于直角坐标图像训练得到的,所述第二伪影识别模型为基于极坐标图像训练得到的。
8.根据权利要求7所述的方法,其特征在于,所述获取具有环状伪影的原始图像之前,所述方法还包括:
获取第一图像训练数据集,所述第一图像训练数据集中为直角坐标图像数据,且所述第一图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建第一初始神经网络,并利用所述第一图像训练数据集对所述第一初始神经网络进行训练,得到所述第一伪影识别模型。
9.根据权利要求7所述的方法,其特征在于,所述获取具有环状伪影的原始图像之前,所述方法还包括:
获取第二图像训练数据集,所述第二图像训练数据集中为极坐标图像数据,且所述第二图像训练数据集中包含带伪影标签和无伪影标签的图像训练数据;
构建第二初始神经网络,并利用所述第二图像训练数据集对所述第二初始神经网络进行训练,得到所述第二伪影识别模型。
10.根据权利要求9所述的方法,其特征在于,所述获取第二图像训练数据集之后,所述方法还包括:
将所述第二图像训练数据集中的极坐标图像按照预设对称轴进行翻转处理,得到更新后的第二图像训练数据集;
所述利用所述第二图像训练数据集对所述第二初始神经网络进行训练包括:
利用所述更新后的第二图像训练数据集对所述第二初始神经网络进行训练。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
根据所述极坐标图像数据中的像素数和径向坐标值计算权重系数,并根据所述权重系数计算预设损失函数的损失加权值;
基于所述损失加权值调整神经网络模型参数,并得到所述第二伪影识别模型。
12.根据权利要求3或4所述的方法,其特征在于,将所述提取到的区域图像进行拼接,得到所述伪影去除图像之后,所述方法还包括:
根据所述提取到的区域图像确定与所述伪影去除图像对应的拼接像素点;
利用预置算法对所述拼接像素点进行均值处理。
13.一种CT图像伪影的去除装置,其特征在于,包括:
获取模块,用于获取具有环状伪影的原始图像;
提取模块,用于基于直角坐标系,提取所述原始图像的第一环状伪影,和基于极坐标系,提取所述原始图像的第二环状伪影;
去除模块,用于基于所述第一环状伪影、所述第二环状伪影和所述原始图像,获取伪影去除图像。
14.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-12中任一项所述的CT图像伪影的去除方法对应的操作。
15.一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-12任一项所述的CT图像伪影的去除方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666274.9A CN115100050A (zh) | 2022-06-14 | 2022-06-14 | Ct图像环状伪影的去除方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210666274.9A CN115100050A (zh) | 2022-06-14 | 2022-06-14 | Ct图像环状伪影的去除方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100050A true CN115100050A (zh) | 2022-09-23 |
Family
ID=83290148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210666274.9A Pending CN115100050A (zh) | 2022-06-14 | 2022-06-14 | Ct图像环状伪影的去除方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100050A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485937A (zh) * | 2023-06-21 | 2023-07-25 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
-
2022
- 2022-06-14 CN CN202210666274.9A patent/CN115100050A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485937A (zh) * | 2023-06-21 | 2023-07-25 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
CN116485937B (zh) * | 2023-06-21 | 2023-08-29 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598728B (zh) | 图像分割方法、装置、诊断系统及存储介质 | |
CN110648337A (zh) | 髋关节分割方法、装置、电子设备和存储介质 | |
KR20230054432A (ko) | 인물 이미지 복원 방법, 장치, 전자 기기, 기억 매체 및 프로그램 제품 | |
CN111161269B (zh) | 图像分割方法、计算机设备和可读存储介质 | |
KR101977067B1 (ko) | 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치 | |
CN110443254B (zh) | 图像中金属区域的检测方法、装置、设备和存储介质 | |
CN109635714B (zh) | 文档扫描图像的矫正方法及装置 | |
JP2019194821A (ja) | 目標認識装置、目標認識方法及びプログラム | |
CN115100050A (zh) | Ct图像环状伪影的去除方法、装置、设备及存储介质 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN114926342A (zh) | 图像超分辨率重建模型构建方法、装置、设备及存储介质 | |
CN111028134A (zh) | 图像处理方法、装置、系统及介质 | |
CN112200780B (zh) | 骨组织定位方法、装置、计算机设备和存储介质 | |
CN110689486A (zh) | 图像的处理方法、装置、设备及计算机可存储介质 | |
CN115222755B (zh) | 一种基于医疗成像设备的医疗图像目标分割方法及装置 | |
WO2023241032A1 (zh) | 基于深度学习的智能识别骨关节炎的方法及系统 | |
CN113469882B (zh) | 基于土壤ct图像的超分辨率重建方法及装置 | |
CN114140340A (zh) | 图像数据的伪影处理方法及装置、存储介质、终端 | |
CN114972030A (zh) | 一种图像拼接方法、装置、存储介质与电子设备 | |
CN110833429B (zh) | 计算机断层扫描成像方法、装置、设备及存储介质 | |
CN113808147A (zh) | 一种图像处理方法、装置、系统及计算机设备 | |
CN112750124A (zh) | 模型生成、图像分割方法、装置、电子设备及存储介质 | |
CN113327221A (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
CN111627037A (zh) | 图像区域提取方法、装置、设备及存储介质 | |
KR20080069084A (ko) | 자기 트레이닝을 기반으로 하는 영상 복원 장치 및 방법 |
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 |