CN115249279A - 医学图像处理方法、装置、计算机设备和存储介质 - Google Patents

医学图像处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115249279A
CN115249279A CN202110469953.2A CN202110469953A CN115249279A CN 115249279 A CN115249279 A CN 115249279A CN 202110469953 A CN202110469953 A CN 202110469953A CN 115249279 A CN115249279 A CN 115249279A
Authority
CN
China
Prior art keywords
artifact
processed
medical image
image
training sample
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
CN202110469953.2A
Other languages
English (en)
Inventor
辛阳
史宇航
李国斌
胡立翔
陈艳霞
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 CN202110469953.2A priority Critical patent/CN115249279A/zh
Priority to US17/661,268 priority patent/US20220351372A1/en
Publication of CN115249279A publication Critical patent/CN115249279A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请涉及一种医学图像处理方法、装置、计算机设备和存储介质，适用于计算机技术领域。所述方法包括：将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息。采用本方法能够提高图像的质量。

Description

医学图像处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种医学图像处理方法、装置、计算机设备和存储介质。
背景技术
随着科技的飞速发展，核磁共振成像技术越来越成熟。核磁共振技术主要通过识别水分子中氢原子信号的分布来推测水分子在被扫描物体内的分布，进而探测被扫描物体的内部结构。然而，在核磁共振成像过程中，由于被扫描物体的状态、扫描设备的状态以及外部环境等因素的影响，可能造成核磁共振图像中出现运动伪影。运动伪影对核磁共振图像的图像质量有负面影响，因此，需要尽量消除核磁共振图像中的伪影。
在传统技术中，核磁共振图像生成以后，通常由扫描操作者对生成的核磁共振图像进行检查，确定核磁共振图像中的伪影对图像质量的影响，根据伪影对图像质量的影响确定是否需要对被扫描部位进行加扫或重扫。
然而，由于需要扫描操作者对核磁共振图像进行检查判断，因此主观性较强，存在判断不准确的情况，因而难以保证图像质量。
发明内容
基于此，有必要针对上述技术问题，提供一种医学图像处理方法、装置、计算机设备和存储介质，能够提高图像的质量。
第一方面，提供了一种医学图像处理方法，该方法包括：将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息。
在其中一个实施例中，将待处理医学图像输入至目标伪影识别模型之前或者之后，上述方法还包括：在待处理医学图像中识别被扫描部位和扫描方位。
在其中一个实施例中，在将待处理医学图像输入至目标伪影识别模型之前，在待处理医学图像中识别被扫描部位和扫描方位，包括：获取待处理医学图像对应的医疗设备场强信息；获取医疗设备场强信息对应的部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在其中一个实施例中，在将待处理医学图像输入至目标伪影识别模型之后，在待处理医学图像中识别被扫描部位和扫描方位，包括：获取待处理医学图像对应的医疗设备场强信息；根据医疗设备场强信息和目标伪影属性信息确定部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在其中一个实施例中，目标伪影程度识别模型通过如下方式确定：根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
在其中一个实施例中，目标伪影识别模型的训练过程为：获取第一训练样本集，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息；基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
在其中一个实施例中，目标伪影程度识别模型的训练过程为：获取第二训练样本集，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息；基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
在其中一个实施例中，部位模型的训练过程为：获取第三训练样本集，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向；基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
第二方面，提供了一种医学图像处理装置，装置包括：
第一输入模块，用于将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；
第二输入模块，用于将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；
输出模块，用于在待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值的情况下，输出提示信息。
在其中一个实施例中，上述医学图像处理装置，还包括：
识别模块，用于在待处理医学图像中识别被扫描部位和扫描方位。
在其中一个实施例中，上述识别模块，具体用于：获取待处理医学图像对应的医疗设备场强信息；获取医疗设备场强信息对应的部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在其中一个实施例中，上述识别模块，具体用于：获取待处理医学图像对应的医疗设备场强信息；根据医疗设备场强信息和目标伪影属性信息确定部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在其中一个实施例中，上述种医学图像处理装置，还包括：
确定模块，用于根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
在其中一个实施例中，上述医学图像处理装置，还包括：
第一获取模块，用于获取第一训练样本集，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息；
第一处理模块，用于基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理；
第一训练模块，用于基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
在其中一个实施例中，上述医学图像处理装置，还包括：
第二获取模块，用于获取第二训练样本集，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息；
第二处理模块，用于基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理；
第二训练模块，用于基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
在其中一个实施例中，上述医学图像处理装置，还包括：
第三获取模块，用于获取第三训练样本集，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向；
第三处理模块，用于基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；
基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；
第三训练模块，用于基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述第一方面任一所述的方法。
第四方面，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如上述第一方面任一所述的方法。
上述医学图像处理方法、装置、计算机设备和存储介质，将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息。上述方法，将待处理医学图像输入至目标伪影识别模型后，可以准确地获取到目标伪影的属性信息。然后，将待处理医学图像和目标伪影的属性信息输入至目标伪影程度识别模型之后，目标伪影程度识别模型可以根据目标伪影的属性信息准确有效地确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。此外，计算机设备还可以对待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度与预设伪影影响程度阈值进行比较，从而可以准确地确定待处理医学图像是否需要加扫或者重扫，进一步保证了图像的质量。
附图说明
图1为一个实施例中医学图像处理方法的流程示意图；
图2为一个实施例中医学图像处理方法中目标伪影识别模型结构示意图；
图3为一个实施例中医学图像处理方法中界面示意图；
图4为另一个实施例中医学图像处理方法的流程示意图；
图5为另一个实施例中医学图像处理方法的流程示意图；
图6为另一个实施例中医学图像处理方法的流程示意图；
图7为另一个实施例中医学图像处理方法的流程示意图；
图8为另一个实施例中医学图像处理方法的流程示意图；
图9为另一个实施例中医学图像处理方法的流程示意图；
图10为另一个实施例中医学图像处理方法的流程示意图；
图11为一个实施例中医学图像处理装置的结构框图；
图12为一个实施例中医学图像处理装置的结构框图；
图13为一个实施例中医学图像处理装置的结构框图；
图14为一个实施例中医学图像处理装置的结构框图；
图15为一个实施例中医学图像处理装置的结构框图；
图16为一个实施例中医学图像处理装置的结构框图；
图17为一个实施例中计算机设备为服务器时的内部结构图；
图18为一个实施例中计算机设备为终端时的内部结构图。
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。
随着科技的飞速发展，医学成像技术越来越成熟。在医学成像过程中，由于被扫描物体的状态、扫描设备的状态以及外部环境等因素的影响，可能造成最终重建的医学图像中出现伪影。而伪影对应的是检测对象中根本不存在的组织或病灶的影响，常常表现为图像变形、重叠、缺失或模糊等。伪影可造成医学图像质量下降、病灶掩盖、假性病灶，从而较大可能引起临床医生的误诊。因此，需要尽量消除医学成像过程中可能产生的伪影，使得医学成像设备运行在最佳状态。
在传统技术中，医学图像生成以后，通常由扫描操作者对生成的医学图像进行检查，确定医学图像中的伪影对图像质量的影响，根据伪影对图像质量的影响确定是否需要对被扫描部位进行加扫或重扫。
然而，由于需要扫描操作者对医学图像进行检查判断，因此主观性较强，存在判断不准确的情况，因而难以保证图像质量。
本申请针对上述技术问题提出了一种医学图像处理方法，该方法主要包括以下内容：将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息，提示信息用于提示用户确认是否接受待处理医学图像中的伪影，以及是否需要对待处理医学图像对应的被扫描部位进行重新扫描。本申请实施例提供了一种医学图像处理方法，在该方法中，将待处理医学图像输入至目标伪影识别模型后，可以准确地获取到目标伪影的属性信息。然后，将待处理医学图像和目标伪影的属性信息输入至目标伪影程度识别模型之后，目标伪影程度识别模型可以根据目标伪影的属性信息准确有效地确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。此外，计算机设备还可以对待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度与预设伪影影响程度阈值进行比较，从而可以在伪影对于医学图像的图像质量影响较大时，及时向操作界面提示信息，进一步保证了图像的质量。
需要说明的是，本申请实施例提供的医学图像处理的方法，其执行主体可以是医学图像处理成的装置，该医学图像处理的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。所处理的医学图像可以是磁共振(MR)图像、计算机断层扫描(CT)图像、正电子发射型计算机断层扫描(PET)图像、数字化摄影(DR)图像、超声(US)图像以及以上两种模态的融合图像等。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在本申请一个实施例中，如图1所示，提供了一种医学图像处理方法，以该方法应用于计算机设备为例进行说明，包括以下步骤：
步骤101，计算机设备将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息。
其中，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征。待处理医学图像可以是磁共振(MR)图像、计算机断层扫描(CT)图像、正电子发射型计算机断层扫描(PET)图像、数字化摄影(DR)图像、超声(US)图像或者以上两种模态的融合图像等。
具体地，计算机设备可以向医疗设备发送扫描指令。医疗设备在接收到计算机设备发送扫描指令之后，可以对待扫描的部位进行扫描，并将扫描到的数据发送至计算机设备。计算机设备接收医疗设备发送的扫描数据，并根据扫描数据生成被扫描部位对应的待处理医学图像。
示例性的，以待处理医学图像可为核磁共振图像为例，以待处理医学图像可为核磁共振图像为例，计算机设备可以向核磁共振设备发送扫描指令。核磁共振设备在接收到计算机设备发送扫描指令之后，可以对待扫描的部位进行扫描，并将扫描到的数据发送至计算机设备。计算机设备接收核磁共振设备发送的扫描数据，并根据扫描数据生成被扫描部位对应的待处理医学图像。
计算机设备可以将待处理医学图像输入至目标伪影识别模型。可选的，目标伪影识别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，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，在目标伪影识别模型是CNN时，其可以是V-Net模型、U-Net模型、生成式对抗网络Generative Adversarial Nets模型等。本申请实施例对目标伪影识别模型的类型不做具体限定。
可选的，在目标伪影识别模型是CNN时，目标伪影识别模型可以包括50层深度卷积神经网络，其中，包括4个残差块，49次卷积和一次全连接，其中，目标伪影识别模型的结构如图2所示，激活函数采用RELU函数，公式为：
Fn＝R(Wn*Fn-1+Bn)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。
目标伪影识别模型对待处理医学图像进行识别处理之后，可以输出目标伪影属性信息，其中，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征。目标伪影属性信息可以包括伪影的大小信息、伪影的位置信息、伪影的数量信息以及伪影的种类信息中的至少一项信息。
其中，伪影的种类可以包括拉链伪影、火花伪影、不自主运动伪影、呼吸伪影、血管搏动伪影等。伪影的种类还可根据来源划分为设备伪影和人为伪影，设备伪影例如包括成像系统的测量误差伪影、X射线束硬化伪影、成像系统高电压波动伪影、电子线路的温漂伪影、探测器漂移伪影等；人为伪影例如包括检测对象体位移动的伪影、体内器官蠕动的伪影、体内金属植入物伪影等。
步骤102，计算机设备将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息。
其中，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。
具体地，在将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息之后，计算机设备可以将待处理医学图像以及目标伪影属性信息输入至目标伪影程度识别模型。目标伪影程度识别模型可以基于目标伪影属性信息确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。
可选的，目标伪影程度识别模型可以对待处理医学图像进行识别，并划分待处理医学图像中的感兴趣区域和非感兴趣区域。其中，感兴趣区域可以是待处理医学图像中包括的被扫描部位。例如，在被扫描部位为脑部时，待处理图像中既包括脑部对应的图像信息，还包括小部分颈部对应的图像信息。目标伪影程度识别模型将待处理医学图像中的颈部划分为非感兴趣区域，并将待处理医学图像中的脑部划分为感兴趣区域。
目标伪影程度识别模型在确定了待处理医学图像中的感兴趣区域之后，可以根据待处理医学图像中感兴趣区域的位置信息、感兴趣区域的属性信息以及目标伪影的属性信息确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。
示例性的，待处理医学图像对应的被扫描部位为脑部，目标伪影程度识别模型对待处理医学图像进行识别，将待处理医学图像中的脑白质、脑灰质等脑部组织识别为感兴趣区域，并将待处理医学图像中的颈部识别为非感兴趣区域。目标伪影程度模型根据目标伪影属性信息确定待处理医学图像中的目标伪影为颈部运动伪影。由于颈部运动伪影对于脑部组织的影响甚小，因此，目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值(例如信噪比阈值、对比度阈值)等的差值，确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值的差值越大，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果存在目标伪影的待处理医学图像的信噪比、对比度等与设定的图像质量阈值的差值越小，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影与被扫描部位之间的位置关系确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影距离被扫描部位的距离小于预设距离阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影距离被扫描部位的距离大于或等于预设距离阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影的面积大小确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影的面积超过预设的面积阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影的面积小于预设的面积阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，目标伪影程度识别模型可以根据目标伪影的数量多少确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影的数量超过预设的数量阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大；如果目标伪影的数量小于预设的数量阈值，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小。
可选的，标伪影程度识别模型可以根据目标伪影的种类确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。如果目标伪影的种类属于被扫描部位在扫描过程中不可避免的伪影的种类，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较小；如果目标伪影的种类属于被扫描部位在扫描过程中可以避免的伪影的种类，则目标伪影程度识别模型确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度较大。
步骤103，若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则计算机设备输出提示信息。
其中，提示信息可以为一提示标识，用于提示用户确认是否接受待处理医学图像中的伪影，以及是否需要对待处理医学图像对应的被扫描部位进行重新扫；或者，提示信息可以仅为一警示标识，用于指示待处理医学图像中存在影响图像质量的伪影；提示信息可以为具体的序列，该序列对应受伪影影响的医学图像，且该序列为整个医学成像扫描中一段时序。
在一个实施例中，为了方便确定待处理医学图像中的伪影对待处理医学图像质量的影响程度，目标伪影程度识别模型在输出伪影程度指示信息时，可以对伪影程度指示信息进行分级。可选的，计算机设备可以将伪影程度指示信息分级为一级，二级，三级以及四级，其中，一级可以表示待处理医学图像正常，不受伪影影响；二级可以表示伪影对待处理医学图像轻微影响；三级可以表示伪影对待处理医学图像中度影响；四级表示伪影对待处理医学图像重度影响。
可选的，伪影程度指示信息分级可以是经过多名研究人员对多张包括伪影的扫描图像进行研究确定的，也可以经过多名研究人员对多张包括伪影的扫描图像进行影响程度标注，并利用标注后的扫描图像进行机器学习模型训练得到的。
可选的，假设预设伪影程度阈值为二级，则当目标伪影程度识别模型输出的伪影程度指示信息为三级或者四级时，计算机设备输出提示信息。其中，计算机设备输出提示信息的方式可以是发出提示声音，也可以是发出提示红光，还可以是在显示屏上显示重新扫描的提示文字，又或是在显示屏中显示与存在伪影的待处理医学图像对应的扫描序列段，本申请实施例对计算机设备输出提示信息的方式不做具体限定。
示例性的，在完成一次扫描之后，医学设备可以根据扫描数据得到多张医学图像，每张医学图像对应不同的扫描序列。计算机设备在通过目标伪影程度识别模型对多张医学图像进行伪影程度识别之后，可以根据目标伪影程度识别模型输出的伪影程度指示信息以及预设伪影程度阈值，从多张医学图像中确定出目标医学图像，其中，目标医学图像中的伪影对目标医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值的医学图像。计算机设备将目标医学图像对应的扫描序列输出，从而提示用户确认是否接受目标医学图像中的伪影，以及是否需要对目标医学图像对应的被扫描部位进行重新扫。
例如，如图3所示为一扫描界面示意图，其中第一行为扫描对象的三个方位的预览图像界面，第二列从左到右分别为扫描协议执行区、部位显示区、以及推荐协议区，其中：扫描协议执行区包含检测对象本次扫描所需要执行的多个类别的扫描协议(从上至下依次进行，有医师设置或者系统自动设置)；部位显示区用于显示检测对象的多个扫描部位，且该区域的每个扫描部位链接推荐协议区，点击其中一个扫描部位可在推荐协议区显示能够执行的推荐扫描协议，在推荐协议区选中的推荐扫描协议即可被添加至扫描协议执行区。在此实施例中，图3中的扫描协议执行区已经执行了编号1和2的两种扫描序列，计算机设备按照图1所示的方法处理扫描序列得到的医学图像，且在界面上输出提示信息，该提示信息为受伪影影响的医学图像所对应的编号为2的扫描序列。进一步的，操作医师可根据提示信息选择对编号为2的扫描序列进行重新扫描。
在另一实施例中，提示信息仍然为受伪影影响的医学图像所对应的编号为2的扫描序列(该时段的扫描序列受伪影影响)，计算可根据扫描协议执行区所设定的多个类别的扫描协议的顺序和实现功能，在推荐协议区生成推荐的扫描协议。推荐的扫描协议相对于扫描协议执行区所设定的多个类别的扫描协议可具有不同类别或时序，但能够实现等同的图像显示效果。可选的，推荐的扫描协议可以采用基于大数据方式训练的协议推荐模型自动生成。该协议推荐模型可通过利用多组扫描协议训练神经网络获得。示例性的，多组扫描协议包括图像显示效果等同或类似的第一组样本扫描协议和第二组样本扫描协议，第一组样本扫描协议相对于第二组样本扫描协议可具有不同种类的子扫描协议，或者第一组样本扫描协议相对于第二组样本扫描协议可具有不同时序的子扫描协议。
上述医学图像处理方法中，计算机设备将医疗设备扫描得到的待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息。计算机设备将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息。此外，在待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值的情况下，计算机设备输出提示信息。上述方法，将待处理医学图像输入至目标伪影识别模型后，可以准确地获取到目标伪影的属性信息。然后，将待处理医学图像和目标伪影的属性信息输入至目标伪影程度识别模型之后，目标伪影程度识别模型可以根据目标伪影的属性信息准确有效地确定待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度。此外，计算机设备还可以对待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度与预设伪影影响程度阈值进行比较，从而可以准确地确定待处理医学图像是否需要加扫或者重扫，进一步保证了图像的质量。
在本申请一个可选的实施例中，在上述步骤101“计算机设备将待处理医学图像输入至目标伪影识别模型”之前或者之后，还可以包括以下内容：
计算机设备在待处理医学图像中识别被扫描部位和扫描方位。
可选的，计算机设备可以通过预设的第一图像识别算法识别待处理医学图像中的被扫描部位，并确定被扫描部位对应的方位。其中，被扫描部位对应的方位可以是冠状位、矢状位和横断位中的任意一种。其中，预设的第一图像识别算法既可以识别待处理医学图像中的被扫描部位和也可以识别被扫描部位对应的扫描方位。
具体地，计算机设备通过预设的第一图像识别算法可以对待处理医学图像进行特征提取，并根据提取出的特征确定待处理医学图像中的被扫描部位以及被扫描部位对应的扫描方位。
示例性的，计算机设备通过预设的第一图像识别算法，对待处理医学图像中的特征进行提取，根据提取的特征，确定待处理医学图像中的被扫描部位为头部，并且确定被扫描部位对应的方位为冠状位。
可选的，计算机设备可以读取待处理医学图像中的方位标签信息，从而确定待处理医学图像对应的被扫描部位的扫描方位。其中，方位标签信息可以包括冠状位、矢状位和横断位中的任意一种。计算机设备在读取到待扫描部位的扫描方位之后，可根据待扫描部位的扫描方位，将待处理医学图像输入至预设的第二图像识别算法识别待处理医学图像中的被扫描部位。
示例性的，计算机设备通过读取待处理医学图像中的方位标签信息确定待处理医学图像对应的被扫描部位的扫描方位为冠状位。计算机设备将待处理医学图像输入至冠状位对应的预设的第二图像识别算法，通过冠状位对应的预设的扫描部位图像识别算法对待处理医学图像进行特征提取，确定待处理医学图像对应的被扫描部位为脑部。
可选的，计算机设备还可以先将待处理医学图像输入至预设的第三图像识别算法识别待处理医学图像中的被扫描部位，在计算机设备确定了待处理医学图像对应的扫描部位之后，计算机设备可以读取待处理医学图像中的方位标签信息，从而确定待处理医学图像对应的被扫描部位的扫描方位。其中，方位标签信息可以包括冠状位、矢状位和横断位中的任意一种。
本申请实施例中，计算机设备在待处理医学图像中识别被扫描部位和扫描方向，使得计算机设备可以根据被扫描部位和扫描方向确定与被扫描部位和扫描方向对应的目标伪影识别模型。由于，不同扫描部位和扫描方向对应的伪影的种类不同，上述方法可以使得待处理医学图像中的被扫描部位各扫描方向与目标伪影识别模型对应，从而提高对待处理医学图像中伪影识别的准确性。此外，计算机设备在待处理医学图像中识别被扫描部位和扫描方向，还可以使得计算机设备根据被扫描部位和扫描方向确定与被扫描部位和扫描方向对应的目标伪影程度识别模型。由于，不同扫描部位和扫描方向对应的伪影的种类不同，且不同扫描部位和扫描方向对应运动敏感度也不相同，因此，上述方法可以使得待处理医学图像中的被扫描部位各扫描方向与目标伪影程度识别模型对应，从而提高对待处理医学图像中伪影程度识别的准确性。
在本申请一种可选的实现方式中，在将待处理医学图像输入至目标伪影识别模型之前，需要根据待处理医学图像中的被扫描部位以及扫描方向确定待处理医学图像对应的目标伪影识别模型，因此，需要在待处理医学图像中识别被扫描部位和扫描方位。如图4所示，其中，在待处理医学图像中识别被扫描部位和扫描方位，可以包括以下步骤：
首先需要说明的是，由于不同被扫描部位对应的伪影的种类不同，且不同部位对应的运动敏感的程度不同。因此，在将待处理医学图像输入至目标伪影识别模型之前，需要根据待处理医学图像中的被扫描部位以及扫描方向确定待处理医学图像对应的目标伪影识别模型。
步骤401，计算机设备获取待处理医学图像对应的医疗设备场强信息。
具体地，由于医疗设备的场强不同，经过医疗设备扫描后得到的图像的清晰度也不同。因此，为了提高对待处理医学图像中被扫描部位和扫描方向识别的准确性，需要获取医疗设备的场强信息。
可选的，计算机设备可以向用户展示输入界面，用户在计算机设备展示的输入界面输入医疗设备的场强信息，从而使得计算机设备获取到待处理医学图像对应的医疗设备场强信息。又或者，待处理医学图像带有标签信息，计算机设备自动读取该标签信息，进而通过标签信息直接获取场强信息。
可选的，计算机设备可以利用预设的分辨率识别算法对待处理医学图像进行分辨率识别，从而确定待处理医学图像的分辨率，根据待处理医学图像的分辨率，确定待处理医学图像对应的医疗设备场强信息。
示例性的，以医疗设备为核磁共振设备为例，核磁共振设备场强为3.0T时，经核磁共振设备扫描后得到的图像的更加清晰；核磁共振设备场强为1.5T时，经核磁共振设备扫描后得到的图像的稍微模糊一点。计算机设备利用预设的分辨率识别算法对待处理医学图像进行分辨率识别，从而确定待处理医学图像的分辨率，当待处理医学图像的分辨率大于预设的分辨率阈值时，确定待处理医学图像对应的核磁共振设备场强为3.0T；当待处理医学图像的分辨率小于等于预设的分辨率时，确定待处理医学图像对应的核磁共振设备场强为1.5T。其中，预设的分辨率阈值可以是计算机设备对多张图像的分别率进行识别后，并进行对比确定的。其中，多张图像是不同场强的核磁共振设备对同一部位进行扫描后得到的。
步骤402，计算机设备获取医疗设备场强信息对应的部位模型。
其中，部位模型既可以识别待处理医学图像中的被扫描部位，又可以识别被扫描部位对应的扫描方向。
具体地，计算机设备的数据库中针对不同场强的医疗设备存储着不同的部位模型，并且存储着医疗设备场强信息与部位模型之间的对应的关系。计算机设备在确定了待处理医学图像对应的核磁共振的场强信息之后，可以在数据库中查找与待处理医学图像对应的医疗设备场强信息对应的部位模型。根据查找到的结果，确定与医疗设备场强信息对应的部位模型。
示例性的，计算机设备在确定待处理医学图像对应的医疗设备场强为3.0T之后，在数据库中查找医疗设备场强为3.0T对应的部位模型，经过查找计算机设备确定与医疗设备场强为3.0对应的第二个部位识别模型。计算机设备在数据库中调用该部位模型，识别待处理医学图像中的被扫描部位和扫描方向。
步骤403，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
具体地，计算机设备根据待处理医学图像的医疗设备场强信息确定了部位模型之后，将待处理医学图像输入至部位模型。部位模型对待处理医学图像进行特征提取，根据提取的特征确定待处理医学图像中包括的被扫描部位和扫描方向。
其中，部位模型可以机器学习网络模型，当然也可以是其他网络模型，机器学习网络模型可以是DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional NeuralNetworks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)等，在部位模型是CNN时，其可以是V-Net模型、U-Net模型、生成式对抗网络Generative AdversarialNets模型等。本申请实施例对部位模型的类型不做具体限定。
可选的，在部位模型是CNN时，部位模型可以包括50层深度卷积神经网络，其中，包括4个残差块，49次卷积和一次全连接，激活函数采用RELU激活函数，公式为：
Fn＝R(Wn*Fn-1+Bn)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。
在本申请实施例中，由于医疗设备的场强不同，经过医疗设备扫描后得到的图像的清晰度也不同，上述方法中，计算机设备获取待处理医学图像对应的医疗设备场强信息，并获取医疗设备场强信息对应的部位模型，保证了待处理医学图像对应的医疗设备场强信息与部位模型对应，从而可以保证部位模型识别出的待处理医学图像中包括的被扫描部位以及扫描方向的准确性。此外，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部以及扫描方向位，使得可以根据待处理医学图像中包括的被扫描部位以及扫描方向识别待处理医学图像中的伪影，从而提高医学图像处理的准确率。
在本申请一个可选的实现方式中，计算机设备可以根据医疗设备场强信息、被扫描部位和扫描方位中的至少一种确定目标伪影识别模型。
可选的，计算机设备可以根据医疗设备场强信息确定与医疗设备场强信息对应的目标伪影识别模型。
具体地，计算机设备的数据库中针对不同场强的医疗设备存储着不同的目标伪影识别模型，并且存储着医疗设备场强信息与目标伪影识别模型之间的对应的关系。计算机设备在确定了待处理医学图像对应的核磁共振的场强信息之后，可以在数据库中查找与待处理医学图像对应的医疗设备场强信息对应的目标伪影识别模型。根据查找到的结果，确定与医疗设备场强信息对应的目标伪影识别模型。
可选的，计算机设备在确定了待处理医学图像中包括的被扫描部位和扫描方位之后，计算机设备可以根据待处理医学图像中包括的被扫描部位和扫描方位确定，与被扫描部位和扫描方位对应的目标伪影识别模型。
例如，当被扫描部位为胸部，扫描方向为冠状位时，由于肺部呼吸的原因，待处理医学图像中胸部图像很容易受到呼吸伪影的影响。可选的，冠状位胸部扫描图像对应对呼吸伪影的识别可能会相对粗糙一点。因此，在将待处理医学图像输入至目标伪影识别模型时，首先需要确定待处理医学图像中的被扫描部位和扫描方向，在确定待处理医学图像的被扫描部位为胸部和扫描方向为冠状位之后，将待处理医学图像输入至与冠状位胸部扫描图像对应的目标伪影识别模型中。
可选的，在计算机设备数据库中存储有多种伪影识别模型，并存储着被扫描部位以及扫描方向与伪影识别模型之间的对应关系，其中，不同的伪影识别模型侧重于识别不同扫描部位和扫描方向对应的伪影的类型不同。在计算机设备确定了待处理医学图像中的被扫描部位以及扫描方向之后，可以在数据库中查找被扫描部位以及扫描方向与伪影识别模型中之间的对应的关系。根据查找到的被扫描部位以及扫描方向与伪影识别模型中之间的对应的关系，确定与待处理医学图像中的被扫描部位以及扫描方向对应的目标伪影识别模型。
示例性的，计算机设备在确定了待处理医学图像中的被扫描部位为胸部且扫描方向为冠状位之后，可以在数据库中查找到被扫描部位以及扫描方向与伪影识别模型之间的对应关系。计算机设备根据被扫描部位以及扫描方向与伪影识别模型之间的对应关系，确定冠状位胸部医学图像对应的伪影识别模型为第三个伪影识别模型。计算机设备将第三个伪影识别模型确定为与待处理医学图像中被扫描部位对应的目标伪影识别模型。
可选的，计算机设备首先根据医疗设备场强信息，选出与医疗设备场强信息匹配的候选目标伪影识别模型。然后，计算机设备根据被扫描部位和扫描方向，从候选部位模型中确定与目标伪影属性信息匹配的目标伪影识别模型。
可选的，计算机设备首先根据被扫描部位和扫描方向，选出与被扫描部位和扫描方向匹配的候选目标伪影识别模型。然后，计算机设备根据医疗设备场强信息，从候选部位模型中确定与医疗设备场强信息匹配的目标伪影识别模型。
在本申请实施例中，计算机设备根据医疗设备场强信息、被扫描部位和扫描方位中的至少一种确定目标伪影识别模型，保证了目标伪影识别模型与医疗设备场强信息以及被扫描部位和扫描方位的匹配，从而保证了目标伪影识别模型识别出的待处理医学图像中伪影属性信息的准确性。
在本申请一种可选的实现方式中，在将待处理医学图像输入至目标伪影识别模型之后，需要根据待处理医学图像中的被扫描部位以及扫描方向确定待处理医学图像对应的目标伪影程度识别模型，因此，需要在待处理医学图像中识别被扫描部位和扫描方位。如图5所示，其中，在待处理医学图像中识别被扫描部位和扫描方位，可以包括以下步骤：
步骤501，计算机设备获取待处理医学图像对应的医疗设备场强信息。
具体地，由于医疗设备的场强不同，经过医疗设备扫描后得到的图像的清晰度也不同。因此，为了提高对待处理医学图像中被扫描部位和扫描方向识别的准确性，需要获取医疗设备的场强信息。
可选的，计算机设备可以向用户展示输入界面，用户在计算机设备展示的输入界面输入医疗设备的场强信息，从而使得计算机设备获取到待处理医学图像对应的医疗设备场强信息。又或者，待处理医学图像带有标签信息，计算机设备自动读取该标签信息，进而通过标签信息直接获取场强信息。
可选的，计算机设备可以利用预设的分辨率识别算法对待处理医学图像进行分辨率识别，从而确定待处理医学图像的分辨率，根据待处理医学图像的分辨率，确定待处理医学图像对应的医疗设备场强信息。
示例性的，以医疗设备为核磁共振设备为例，核磁共振设备场强为3.0T时，经核磁共振设备扫描后得到的图像的更加清晰；核磁共振设备场强为1.5T时，经核磁共振设备扫描后得到的图像的稍微模糊一点。计算机设备利用预设的分辨率识别算法对待处理医学图像进行分辨率识别，从而确定待处理医学图像的分辨率，当待处理医学图像的分辨率大于预设的分辨率阈值时，确定待处理医学图像对应的核磁共振设备场强为3.0T；当待处理医学图像的分辨率小于等于预设的分辨率时，确定待处理医学图像对应的核磁共振设备场强为1.5T。其中，预设的分辨率阈值可以是计算机设备对多张图像的分别率进行识别后，并进行对比确定的。其中，多张图像是不同场强的核磁共振设备对同一部位进行扫描后得到的。
步骤502，计算机设备根据医疗设备场强信息和目标伪影属性信息确定部位模型。
其中，部位模型既可以识别待处理医学图像中的被扫描部位，又可以识别被扫描部位对应的扫描方向。
具体地，由于不同场强的医疗设备生成的医学图像的清晰度不同，因此，不同的医疗设备场强信息对应的部位模型不同。此外，由于，不同的目标伪影属性信息对应的被扫描部位以及扫描方向不同，因此，不同的目标伪影属性信息对应的部位模型不同。综上，计算机设备需要根据医疗设备场强信息和目标伪影属性信息确定部位模型。
由于，目标伪影属性信息对不同的被扫描部位以及不同扫描方向的被扫描部位的影响程度不同，因此，在确定目标伪影程度识别模型之前，需要利用部位模型识别待处理医学图像中的被扫描部位和扫描方向。
可选的，计算机设备首先根据医疗设备场强信息，选出与医疗设备场强信息匹配的候选部位模型。然后，计算机设备根据目标伪影属性信息，从候选部位模型中确定与目标伪影属性信息匹配的部位模型。
具体地，计算机设备的数据库中针对不同场强的医疗设备存储着不同的部位模型，并且存储着医疗设备场强信息与部位模型之间的对应的关系。计算机设备在确定了待处理医学图像对应的核磁共振的场强信息之后，可以在数据库中查找与待处理医学图像对应的医疗设备场强信息对应的部位模型。根据查找到的结果，确定与医疗设备场强信息对应的候选部位模型。计算机设备确定了候选部位模型之后，可以根据目标伪影属性信息从候选部位模型中确定与目标伪影属性信息匹配的部位模型。
示例性的，计算机设备在确定待处理医学图像对应的医疗设备场强为3.0T之后，在数据库中查找医疗设备场强为3.0T对应的部位模型，经过查找计算机设备选择出与医疗设备场强为3.0对应的5个候选部位模型。计算机设备根据目标伪影属性信息从5个候选部位模型中确定与目标伪影属性信息匹配的部位模型。
可选的，计算机设备首先根据目标伪影属性信息，选出与目标伪影属性信息匹配的候选部位模型。然后，计算机设备根据医疗设备场强信息，从候选部位模型中确定与医疗设备场强信息匹配的部位模型。
具体地，计算机设备的数据库中针对不同目标伪影属性信息存储着不同的部位模型，并且存储着目标伪影属性信息与部位模型之间的对应的关系。计算机设备在确定了待处理医学图像中的目标伪影的目标伪影属性信息之后，可以在数据库中查找与目标伪影属性信息对应的部位模型。根据查找到的结果，确定与目标伪影属性信息对应的候选部位模型。计算机设备确定了候选部位模型之后，可以根据医疗设备场强信息从候选部位模型中确定与目标伪影属性信息匹配的部位模型。
步骤503，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
具体地，计算机设备根据医疗设备场强信息和目标伪影属性信息确定部位模型之后，将待处理医学图像输入至部位模型。部位模型对待处理医学图像进行特征提取，根据提取的特征确定待处理医学图像中包括的被扫描部位和扫描方向。
其中，部位模型可以机器学习网络模型，当然也可以是其他网络模型，机器学习网络模型可以是DNN(Deep Neural Networks，深度神经网络)、CNN(Convolutional NeuralNetworks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)等，在部位模型是CNN时，其可以是V-Net模型、U-Net模型、生成式对抗网络Generative AdversarialNets模型等。本申请实施例对部位模型的类型不做具体限定。
可选的，在部位模型是CNN时，部位模型可以包括50层深度卷积神经网络，其中，包括4个残差块，49次卷积和一次全连接，激活函数采用RELU激活函数，公式为：
Fn＝R(Wn*Fn-1+Bn)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。
在本申请实施例中，由于医疗设备的场强不同，经过医疗设备扫描后得到的图像的清晰度也不同。此外，由于目标伪影属性信息对不同的被扫描部位以及不同扫描方向的被扫描部位的影响程度不同。上述方法中，计算机设备获取待处理医学图像对应的医疗设备场强信息。根据医疗设备场强信息和目标伪影属性信息确定部位模型，将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。从而，保证了待处理医学图像对应的医疗设备场强信息以及目标伪影属性信息与部位模型对应，从而可以保证部位模型识别出的待处理医学图像中包括的被扫描部位以及扫描方向的准确性。此外，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位以及扫描方向，使得可以根据待处理医学图像中包括的被扫描部位以及扫描方向确定目标伪影程度识别模型，从而提高医学图像处理的准确率。
在本申请一个可选的实现方式中，计算机设备可以根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
可选的，由于医疗设备场强信息影响待处理医学图像的清晰度，而待处理医学图像的清晰度可能会影响目标伪影识别模型输出的伪影程度指示信息。例如，当医疗设备场强信息较大时，待处理医学图像的清晰度会较高；当医疗设备场强信息较小时，待处理医学图像的清晰度会较低。而相同的伪影属性信息对清晰度较高的待处理医学图像的影响程度可能较低，而对清晰度较低的待处理医学图像的影响程度可能较大。因此，在确定目标伪影程度识别模型时，可能需要考虑医疗设备场强信息对目标伪影程度识别模型的影响。例如，当医疗设备场强信息较小时，确定的目标伪影识别模型更加精细。
可选的，由于不同属性信息的伪影对待处理医学图像的影响程度不同，因此，目标伪影属性信息也可能会影响目标伪影识别模型输出的伪影程度指示信息。例如，由于肺部呼吸原因，当待处理医学图像为肺部扫描图像时，肺部呼吸不可避免。因此，呼吸伪影对肺部扫描图像的影响程度较小。因此，在确定目标伪影程度识别模型时，可能需要考虑目标伪影属性信息对目标伪影程度识别模型的影响。
可选的，由于不同扫描部位和扫描方向受伪影的影响程度不同，因此，不同的扫描部位和扫描方向也可能会影响目标伪影识别模型输出的伪影程度指示信息，例如，当被扫描部位为脑部时，由于脑部结构比较精细，很小的运动伪影也会对脑部扫描结果产生影响。然而，由于腹部本身就不可避免存在呼吸伪影，当腹部扫描图像中存在呼吸伪影的情况下，对腹部扫描图像的影响程度也较弱。因此，在确定目标伪影程度识别模型时，可能需要考虑不同扫描部位和扫描方向对目标伪影程度识别模型的影响。例如，扫描部位对脑部时，对应的目标伪影程度识别模型更加精细。
基于上述内容，计算机设备可以根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的任意一种确定目标伪影程度识别模型；也可以根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的任意两种确定目标伪影程度识别模型；还可以综合考虑根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位各方面的影响因素，确定目标伪影程度识别模型。
在本申请实施例中，计算机设备可以根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。从而使得目标伪影程度识别模型可以与医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位的适配性，从而保证目标伪影程度识别模型输出的伪影程度指示信息更加准确，从而提高医学图像处理的准确率。
在本申请一个可选的实现方式中，待处理医学图像未包含标签信息，上述步骤401和步骤501中“计算机设备获取待处理医学图像对应的医疗设备场强信息”，可以包括以下内容：
计算机设备将待处理医学图像输入至场强识别模型，得到医疗设备场强信息。
具体地，计算机设备在获取到待处理医学图像之后，为了确定待处理医学图像对应的医疗设备场强信息，可以将待处理医学图像输入至场强识别模型。
可选的，场强识别模型可以对待处理医学图像进行特征提取，根据提取的特征，识别待处理医学图像的清晰度，从而确定待处理医学图像对应的医疗设备场强信息。
其中，场强识别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，机器学习网络模型可以是DNN(Deep Neural Networks，深度神经网络)、CNN(ConvolutionalNeural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)等，在场强识别模型是CNN时，其可以是V-Net模型、U-Net模型、生成式对抗网络GenerativeAdversarial Nets模型等。本申请实施例对目标伪影识别模型的类型不做具体限定。
可选的，在场强识别模型是CNN时，场强识别模型可以包括50层深度卷积神经网络，其中，包括4个残差块，49次卷积和一次全连接，激活函数采用RELU激活函数，公式为：
Fn＝R(Wn*Fn-1+Bn)
其中，R表示非线性激活函数Relu，Wn、Bn分别表示特征提取阶段中卷积层的权重和偏置，Fn-1表示上一个卷积输出的特征图，Fn表示当前特征提取阶段得到的输出特征图。
在本申请实施例中，计算机设备将待处理医学图像输入至场强识别模型，得到医疗设备场强信息。可以保证得到的医疗设备场强信息的准确性。
在本申请一个可选的实施例中，如图6所示，上述目标伪影识别模型的训练过程可以包括以下步骤：
步骤601，计算机设备获取第一训练样本集。
具体地，计算机设备获取第一训练样本集。其中，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息。
需要说明的是，由于不同被扫描部位对应的伪影的种类不同。针对不同被扫描部位的伪影识别模型，对应的训练样本集不同。示例性的，胸部伪影识别模型对应的训练样本集中只包括各种各样的胸部扫描图像。
可选的，计算机设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取第一训练样本集，也可以从医学影像设备中实时地获取第一训练样本集。
可选的，为了方便对第一训练样本集中的各第一训练样本图像进行识别，计算机设备得到第一训练样本集后，可以将各第一训练样本图像在x轴、y轴和z轴上按各轴向分别对各第一训练样本图像进行拆分处理，得到各第一训练样本图像各视角的样本二维切面图，其中x轴、y轴和z轴的轴向分别对应冠状位、矢状位和横断位。计算机设备分别对第一训练样本集中第一训练样本图像对应的冠状位、矢状位和横断位进行分开训练。
步骤602，计算机设备基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。
具体地，为了保证训练得到的目标伪影识别模型的准确性，避免计算机设备将第一训练样本图像中的被扫描部位识别成伪影或者将第一训练样本图像中的医学图像处理成被扫描部位，计算机设备可以基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。
其中，Z分数，也叫标准分数(standard score)是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。
具体地，计算机设备可以分别计算各第一训练样本图像的图像亮度，并根据各第一训练样本图像的图像亮度计算第一训练样本集的图像亮度的平均值以及标准差。计算机设备可以根据利用各第一训练样本图像的图像亮度与第一训练样本集的图像亮度的平均值的差除以第一训练样本集的图像亮度的标准差，从而得到归一化处理后的各第一训练样本图像的图像亮度。
计算机设备基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理之后，可以保证各第一训练样本图像的图像亮度之间的差距较小，利用归一化处理后的第一训练样本图像训练目标伪影识别模型，有利于保证目标伪影识别模型的准确性。
步骤603，计算机设备基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
具体地，计算机设备在得到归一化处理后的第一训练样本集之后，可以将归一化处理后的第一训练样本集输入至未经训练的伪影识别模型，训练伪影识别模型，从而得到目标伪影识别模型。
可选的，伪影识别模型可以对各第一训练样本中的第一训练样本图像进行识别，首先对第一训练样本图像中的各个像素进行识别，确定第一训练样本图像中包括的被扫描部位。在确定第一训练样本图像中包括的被扫描部位之后，识别第一训练样本图像中除被扫描部位之外的其他像素，从而识别出伪影，并确定伪影的位置。然后，根据伪影的分布情况以及伪影对应的像素值，确定伪影的深浅、大小以及种类等属性信息。最终，输出伪影的属性信息。
进一步地，上述目标伪影识别模型在训练时，可以选择Adam优化器对目标伪影识别模型进行优化，从而可以使目标伪影识别模型能够快速收敛，并具有很好的泛化能力。
在上述利用Adam优化器对目标伪影识别模型进行优化时，也可以为优化器设置一个学习率，在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率，并设置给优化器。该测试技术的学习率选择过程为：首先将学习率设置为一个很小的值，接着将目标伪影识别模型和第一训练样本图像数据简单的迭代几次，每次迭代完成后增加学习率，并记录每次的训练损失(loss)，然后绘制LR Range Test图，一般理想的LR Range Test图包含三个区域：第一个区域学习率太小损失基本不变，第二个区域损失减小收敛很快，最后一个区域学习率太大以至于损失开始发散，那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率，并将该最佳学习率作为Adam优化器的初始学习率，设置给优化器。
在本申请实施例中，计算机设备获取第一训练样本集，并基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。计算机设备基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。在本申请实施例中，目标伪影识别模型通过第一训练样本集训练得到，因此，得到的目标伪影识别模型更加准确。从而，利用目标伪影识别模型识别出的伪影的属性信息更加准确。
在本申请一个可选的实施例中，如图7所示，上述目标伪影程度识别模型的训练过程可以包括以下步骤：
步骤701，计算机设备获取第二训练样本集。
具体地，计算机设备获取第二训练样本集。其中，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息。
可选的，计算机设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取第二训练样本图像，并通过专家组或者机器学习算法对第二训练样本图像对应的伪影程度指示信息进行标注，从而得到第二训练样本集；也可以从医学影像设备中实时地获取第二训练样本图像，并通过专家组或者机器学习算法对第二训练样本图像对应的伪影程度指示信息进行标注，从而得到第二训练样本集。
步骤702，计算机设备基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。
具体地，为了保证训练得到的目标伪影程度识别模型的准确性，避免计算机设备因为各第二训练样本图像的亮度不同，而错误判断第二训练样本图像中伪影对第二训练样本图像的影响程度，因此，计算机设备可以基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。
其中，Z分数，也叫标准分数(standard score)是一个数与平均数的差再除以标准差的过程。在统计学中，标准分数是一个观测或数据点的值高于被观测值或测量值的平均值的标准偏差的符号数。
具体地，计算机设备可以分别计算各第二训练样本图像的图像亮度，并根据各第二训练样本图像的图像亮度计算第二训练样本集的图像亮度的平均值以及标准差。计算机设备可以根据利用各第二训练样本图像的图像亮度与第二训练样本集的图像亮度的平均值的差除以第二训练样本集的图像亮度的标准差，从而得到归一化处理后的各第二训练样本图像的图像亮度。
计算机设备基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理之后，可以保证各第二训练样本图像的图像亮度之间的差距较小，利用归一化处理后的第一训练样本图像训练目标伪影识别模型，有利于保证目标伪影识别模型的准确性。
步骤703，计算机设备基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
具体地，计算机设备在得到归一化处理后的第二训练样本集之后，可以将归一化处理后的第二训练样本集输入至未经训练的伪影程度识别模型，训练伪影程度识别模型，从而得到目标伪影程度识别模型。
可选的，伪影程度识别模型可以识别伪影的属性信息，然后根据伪影的属性信息以及第二训练样本图像中的被扫描部位的图像信息，判断第二训练图像中的伪影对第二训练样本图像的影响程度，输出第二样本图像对应的伪影程度指示信息。
计算机设备可以根据伪影对第二训练样本图像的影响程度，将伪影程度指示信息进行伪影影响程度分级。其中，伪影程度识别模型的损失函数可以为交叉熵损失函数：
Figure BDA0003045131980000161
其中，xi为伪影影响程度类别，i＝1，2，3，4；p(x)为真实概率分布，q(x)为预测概率分布。
进一步地，上述目标伪影程度识别模型在训练时，可以选择Adam优化器对目标伪影程度识别模型进行优化，从而可以使目标伪影程度识别模型能够快速收敛，并具有很好的泛化能力。
在本申请实施例中，计算机设备获取第二训练样本集，并基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。计算机设备基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。在本申请实施例中，目标伪影程度识别模型通过第二训练样本图像以及第二训练样本图像对应的伪影程度指示信息训练得到，因此保证了得到的目标伪影程度识别模型的准确性。从而，利用目标伪影程度识别模型得到的目标伪影程度指示信息更加准确。
在本申请一个可选的实施例中，如图8所示，上述部位模型的训练过程可以包括以下步骤：
步骤801，计算机设备获取第三训练样本集。
具体地，计算机设备获取第三训练样本集。其中，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向。
可选的，计算机设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取第三训练样本集，也可以从医学影像设备中实时地获取第三训练样本集。
步骤802，计算机设备基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理。
具体地，为了保证训练得到的部位模型的准确性，避免因为各第三训练样本图像的亮度不同，而导致计算机设备对各第三训练样本图像的清晰度识别错误，从而导致对各第三训练样本图像对应的被扫描部位和扫描方向识别错误。因此，计算机设备可以基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理。
具体地，计算机设备可以分别计算各第三训练样本图像的图像亮度，并根据各第三训练样本图像的图像亮度计算第三训练样本集的图像亮度的平均值以及标准差。计算机设备可以根据利用各第三训练样本图像的图像亮度与第三训练样本集的图像亮度的平均值的差除以第三训练样本集的图像亮度的标准差，从而得到归三化处理后的各第三训练样本图像的图像亮度。
计算机设备基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归三化处理之后，可以保证各第三训练样本图像的图像亮度之间的差距较小，利用归三化处理后的第三训练样本图像训练部位模型，有利于保证部位模型的准确性。
步骤803，计算机设备基于归一化处理后的第三训练样本集对的部位识别网络进行训练，得到部位模型。
具体地，计算机设备在得到归一化处理后的第三训练样本集之后，可以将归一化处理后的第三训练样本集输入至部位识别网络，训练部位识别网络，从而得到目标部位模型。
可选的，部位模型可以提取各第三训练样本图像的中特征信息，根据采集到的特征信息确定各第三训练样本图像中的被扫描部位扫描方向。
进一步地，上述部位模型在训练时，可以选择Adam优化器对部位模型进行优化，从而可以使部位模型能够快速收敛，并具有很好的泛化能力。
在上述利用Adam优化器对部位模型进行优化时，也可以为优化器设置一个学习率，在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率，并设置给优化器。该测试技术的学习率选择过程为：首先将学习率设置为一个很小的值，接着将部位模型和第三训练样本图像数据简单的迭代几次，每次迭代完成后增加学习率，并记录每次的训练损失(loss)，然后绘制LR Range Test图，一般理想的LR Range Test图包含三个区域：第一个区域学习率太小损失基本不变，第二个区域损失减小收敛很快，最后一个区域学习率太大以至于损失开始发散，那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率，并将该最佳学习率作为Adam优化器的初始学习率，设置给优化器。
在本申请实施例中，计算机设备获取第三训练样本集，并基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理。计算机设备基于归一化处理后的第三训练样本集对未经训练的部位识别网络进行训练，得到部位模型。在本申请实施例中，部位模型通过归一化处理后的第三训练样本集训练得到，保证了得到的部位模型的准确性，从而，在部位模型的准确的情况下，才可以保证目标伪影识别模型识别出的伪影属性信息准确。
需要说明的是，上述实施例中的第一训练样本集、第二训练样本集以及第三训练样本集可以是相同的医学图像经过不同标注后生成的，也可以是不同的医学图像经过不同标注后生成的，本申请实施例对第一训练样本集、第二训练样本集以及第三训练样本集不做具体限定。
为了更好的说明本申请的提供的医学图像处理方法，本申请提供一种医学图像处理方法的整体流程方面进行解释说明的实施例，如图9所示，该方法包括：
步骤901，计算机设备获取第一训练样本集。
步骤902，计算机设备基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。
步骤903，计算机设备基于归一化处理后的第一训练样本集伪影识别网络进行训练，得到目标伪影识别模型。
步骤904，计算机设备获取第二训练样本集。
步骤905，计算机设备基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。
步骤906，计算机设备基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
步骤907，计算机设备获取第三训练样本集。
步骤908，计算机设备基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理。
步骤909，计算机设备基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
步骤910，计算机设备读取待处理医学图像的标签信息，从而获取待处理医学图像对应的医疗设备场强信息。
步骤911，计算机设备获取医疗设备场强信息对应的部位模型。
步骤912，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方向。
步骤913，计算机设备根据医疗设备场强信息、被扫描部位和扫描方向确定目标伪影识别模型。
步骤914，计算机设备将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息。
步骤915，根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
步骤916，计算机设备将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息。
步骤917，在待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于预设伪影影响程度阈值的情况下，计算机设备输出提示信息。
为了更好的说明本申请的提供的医学图像处理方法，本申请提供另一种医学图像处理方法的整体流程方面进行解释说明的实施例，如图10所示，该方法包括：
步骤1001，计算机设备获取第一训练样本集。
步骤1002，计算机设备基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。
步骤1003，计算机设备基于归一化处理后的第一训练样本集伪影识别网络进行训练，得到目标伪影识别模型。
步骤1004，计算机设备获取第二训练样本集。
步骤1005，计算机设备基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。
步骤1006，计算机设备基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
步骤1007，计算机设备获取第三训练样本集。
步骤1008，计算机设备基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理。
步骤1009，计算机设备基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
步骤1010，计算机设备读取待处理医学图像的标签信息，从而获取待处理医学图像对应的医疗设备场强信息。
步骤1011，计算机设备获取医疗设备场强信息对应的目标伪影识别模型。
步骤1012，计算机设备将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息。
步骤1013，计算机设备根据医疗设备场强信息和目标伪影属性信息确定部位模型。
步骤1014，计算机设备将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方向。
步骤1015，根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
步骤1016，计算机设备将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息。
步骤1017，在待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于预设伪影影响程度阈值的情况下，计算机设备输出提示信息。
应该理解的是，虽然图1以及图3-10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1-8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。
在本申请一个实施例中，如图11所示，提供了一种医学图像处理装置1100，包括：第一输入模块1101、第二输入模块1102和输出模块1103，其中：
第一输入模块1101，用于将医疗设备扫描得到的待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征。
第二输入模块1102，用于将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；
输出模块1103，用于在待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值的情况下，输出提示信息，提示信息用于提示用户确认是否接受待处理医学图像中的伪影，以及是否需要对待处理医学图像对应的被扫描部位进行重新扫描。
在本申请一个实施例中，如图12所示，上述医学图像处理装置1100，还包括：识别模块1104，其中：
识别模块1104，用于在待处理医学图像中识别被扫描部位和扫描方位。
在本申请一个实施例中，上述识别模块1104，具体用于：获取待处理医学图像对应的医疗设备场强信息；获取医疗设备场强信息对应的部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位
在本申请一个实施例中，上述识别模块1104，具体用于：获取待处理医学图像对应的医疗设备场强信息；根据医疗设备场强信息和目标伪影属性信息确定部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在本申请一个实施例中，如图13所示，上述种医学图像处理装置1100，还包括：确定模块1105，其中：
确定模块1105，用于根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
在本申请一个实施例中，如图14所示，上述医学图像处理装置1100，还包括：
第三获取模块1106、第一处理模块1107以及第一训练模块1108，其中：
第一获取模块1106，用于获取第一训练样本集，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息。
第一处理模块1107，用于基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理。
第一训练模块1108，用于基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
在本申请一个实施例中，如图15所示，上述医学图像处理装置1100，还包括：
第四获取模块1109、第二处理模块1110以及第二训练模块1111，其中：
第二获取模块1109，用于获取第二训练样本集，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息。
第二处理模块1110，用于基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理。
第二训练模块1111，用于基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
在本申请一个实施例中，如图16所示，上述医学图像处理装置1100，还包括：第三获取模块1112、第三处理模块1113以及第三训练模块1114，其中：
第三获取模块1112，用于获取第三训练样本集，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向；
第三处理模块1113，用于基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；
基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；
第三训练模块1114，用于基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
关于医学图像处理装置的具体限定可以参见上文中对于医学图像处理方法的限定，在此不再赘述。上述医学图像处理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，该计算机设备可以是服务器，其内部结构图可以如图17所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储医学图像处理数据。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医学图像处理方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图18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、通信接口、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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种医学图像处理方法。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17和图18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。
在本申请一个实施例中，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：将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息，提示信息用于提示用户确认是否接受待处理医学图像中的伪影，以及是否需要对待处理医学图像对应的被扫描部位进行重新扫描。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：在待处理医学图像中识别被扫描部位和扫描方位。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待处理医学图像对应的医疗设备场强信息；获取医疗设备场强信息对应的部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待处理医学图像对应的医疗设备场强信息；根据医疗设备场强信息和目标伪影属性信息确定部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一训练样本集，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息；基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第二训练样本集，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息；基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第三训练样本集，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向；基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
在本申请一个实施例中，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：
将待处理医学图像输入至目标伪影识别模型，得到目标伪影识别模型输出的目标伪影属性信息，目标伪影属性信息用于指示待处理医学图像中的伪影的属性特征；将待处理医学图像和目标伪影属性信息输入至目标伪影程度识别模型，得到目标伪影程度识别模型输出的伪影程度指示信息，伪影程度指示信息用于指示待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度；若待处理医学图像中的伪影对待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息，提示信息用于提示用户确认是否接受待处理医学图像中的伪影，以及是否需要对待处理医学图像对应的被扫描部位进行重新扫描。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：在待处理医学图像中识别被扫描部位和扫描方位。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待处理医学图像对应的医疗设备场强信息；获取医疗设备场强信息对应的部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待处理医学图像对应的医疗设备场强信息；根据医疗设备场强信息和目标伪影属性信息确定部位模型；将待处理医学图像输入至部位模型，得到待处理医学图像中包括的被扫描部位和扫描方位。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据医疗设备场强信息、目标伪影属性信息、被扫描部位和扫描方位中的至少一种确定目标伪影程度识别模型。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第一训练样本集，第一训练样本集包括多个第一训练样本，各第一训练样本包括第一训练样本图像和与第一训练样本图像对应的训练伪影属性信息；基于Z分数，对第一训练样本集中的各第一训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到目标伪影识别模型。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第二训练样本集，第二训练样本集包括多个第二训练样本，各第二训练样本包括第二训练样本图像和与第二训练样本图像对应的伪影程度指示信息；基于Z分数，对第二训练样本集中的各第二训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到目标伪影程度识别模型。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第三训练样本集，第三训练样本集包括多个第三训练样本，各第三训练样本包括第三训练样本图像和与第三训练样本图像对应的被扫描部位和扫描方向；基于Z分数，对第三训练样本集中的各第三训练样本图像的图像亮度进行归一化处理；基于归一化处理后的第三训练样本集对部位识别网络进行训练，得到部位模型。
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，的计算机程序可存储于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-OnlyMemory，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)

1.一种医学图像处理方法，其特征在于，所述方法包括：
将待处理医学图像输入至目标伪影识别模型，得到所述目标伪影识别模型输出的目标伪影属性信息，所述目标伪影属性信息用于指示所述待处理医学图像中的伪影的属性特征；
将所述待处理医学图像和所述目标伪影属性信息输入至目标伪影程度识别模型，得到所述目标伪影程度识别模型输出的伪影程度指示信息，所述伪影程度指示信息用于指示所述待处理医学图像中的伪影对所述待处理医学图像的图像质量的影响程度；
若所述待处理医学图像中的伪影对所述待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值，则输出提示信息。
2.根据权利要求1所述的方法，其特征在于，在所述将待处理医学图像输入至目标伪影识别模型之前或之后，所述方法还包括：
在所述待处理医学图像中识别被扫描部位和扫描方位。
3.根据权利要求2所述的方法，其特征在于，在所述将待处理医学图像输入至目标伪影识别模型之前，所述在所述待处理医学图像中识别被扫描部位和扫描方位，包括：
获取所述待处理医学图像对应的医疗设备场强信息；
获取所述医疗设备场强信息对应的部位模型；
将所述待处理医学图像输入至所述部位模型，得到所述待处理医学图像中包括的所述被扫描部位和所述扫描方位。
4.根据权利要求2所述的方法，其特征在于，在所述将待处理医学图像输入至目标伪影识别模型之后，所述在所述待处理医学图像中识别被扫描部位和扫描方位，包括：
获取所述待处理医学图像对应的医疗设备场强信息；
根据所述医疗设备场强信息和所述目标伪影属性信息确定部位模型；
将所述待处理医学图像输入至所述部位模型，得到所述待处理医学图像中包括的所述被扫描部位和所述扫描方位。
5.根据权利要求3或4所述的方法，其特征在于，所述目标伪影程度识别模型通过如下方式确定：
根据所述医疗设备场强信息、所述目标伪影属性信息、所述被扫描部位和所述扫描方位中的至少一种确定所述目标伪影程度识别模型。
6.根据权利要求1所述的方法，其特征在于，所述目标伪影识别模型的训练过程为：
获取第一训练样本集，所述第一训练样本集包括多个第一训练样本，各所述第一训练样本包括第一训练样本图像和与所述第一训练样本图像对应的训练伪影属性信息；
基于Z分数，对所述第一训练样本集中的各所述第一训练样本图像的图像亮度进行归一化处理；
基于归一化处理后的第一训练样本集对伪影识别网络进行训练，得到所述目标伪影识别模型。
7.根据权利要求1所述的方法，其特征在于，所述目标伪影程度识别模型的训练过程为：
获取第二训练样本集，所述第二训练样本集包括多个第二训练样本，各所述第二训练样本包括第二训练样本图像和与所述第二训练样本图像对应的伪影程度指示信息；
基于Z分数，对所述第二训练样本集中的各所述第二训练样本图像的图像亮度进行归一化处理；
基于归一化处理后的第二训练样本集对伪影程度识别网络进行训练，得到所述目标伪影程度识别模型。
8.一种医学图像处理装置，其特征在于，所述装置包括：
第一输入模块，用于将待处理医学图像输入至目标伪影识别模型，得到所述目标伪影识别模型输出的目标伪影属性信息，所述目标伪影属性信息用于指示所述待处理医学图像中的伪影的属性特征；
第二输入模块，用于将所述待处理医学图像和所述目标伪影属性信息输入至目标伪影程度识别模型，得到所述目标伪影程度识别模型输出的伪影程度指示信息，所述伪影程度指示信息用于指示所述待处理医学图像中的伪影对所述待处理医学图像的图像质量的影响程度；
输出模块，用于在所述待处理医学图像中的伪影对所述待处理医学图像的图像质量的影响程度大于或等于预设伪影影响程度阈值的情况下，输出提示信息。
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。
CN202110469953.2A 2021-04-28 2021-04-28 医学图像处理方法、装置、计算机设备和存储介质 Pending CN115249279A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110469953.2A CN115249279A (zh) 2021-04-28 2021-04-28 医学图像处理方法、装置、计算机设备和存储介质
US17/661,268 US20220351372A1 (en) 2021-04-28 2022-04-28 Systems and methods for image processing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110469953.2A CN115249279A (zh) 2021-04-28 2021-04-28 医学图像处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN115249279A true CN115249279A (zh) 2022-10-28

Family

ID=83696000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110469953.2A Pending CN115249279A (zh) 2021-04-28 2021-04-28 医学图像处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115249279A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797729A (zh) * 2023-01-29 2023-03-14 有方（合肥）医疗科技有限公司 模型训练方法及装置、运动伪影识别及提示的方法及装置
CN116167984A (zh) * 2023-01-13 2023-05-26 北京医准智能科技有限公司 用于抑制运动伪影的骨折假阳检出的方法、装置及设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116167984A (zh) * 2023-01-13 2023-05-26 北京医准智能科技有限公司 用于抑制运动伪影的骨折假阳检出的方法、装置及设备
CN116167984B (zh) * 2023-01-13 2023-11-24 浙江医准智能科技有限公司 用于抑制运动伪影的骨折假阳检出的方法、装置及设备
CN115797729A (zh) * 2023-01-29 2023-03-14 有方（合肥）医疗科技有限公司 模型训练方法及装置、运动伪影识别及提示的方法及装置

Similar Documents

Publication Publication Date Title
US11610313B2 (en) Systems and methods for generating normative imaging data for medical image processing using deep learning
RU2677764C2 (ru) Координатная привязка медицинских изображений
US20200367853A1 (en) Apparatus for ai-based automatic ultrasound diagnosis of liver steatosis and remote medical diagnosis method using the same
US8560341B2 (en) Medical image processing apparatus, medical image processing method, and program
CN104637024B (zh) 医用图像处理装置以及医用图像处理方法
US7672517B2 (en) Method for encoding image pixels a method for processing images and a method for processing images aimed at qualitative recognition of the object reproduced by one or more image pixels
US20090285466A1 (en) Method, Computer Software, And System For Tracking, Stabilizing, And Reporting Motion Between
KR20190061041A (ko) 이미지 프로세싱
US9974490B2 (en) Method and device for segmenting a medical examination object with quantitative magnetic resonance imaging
CN110288698B (zh) 基于mri的半月板三维重建系统
WO2020027228A1 (ja) 診断支援システム及び診断支援方法
CN115249279A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
CN110555860A (zh) 医学图像中肋骨区域标注的方法、电子设备和存储介质
CN111091539B (zh) 网络模型训练、医学图像处理方法、装置、介质及设备
CN114202516A (zh) 一种异物检测方法、装置、电子设备及存储介质
CN111226287A (zh) 用于分析医学成像数据集的方法、用于分析医学成像数据集的系统、计算机程序产品以及计算机可读介质
CN115700740A (zh) 医学图像处理方法、装置、计算机设备和存储介质
CN110619621A (zh) 识别图像中肋骨区域的方法、装置、电子设备和存储介质
CN110244249B (zh) 磁共振扫描方法、装置、医学扫描设备和存储介质
CN114612484B (zh) 基于无监督学习的视网膜oct图像分割方法
CN116434918A (zh) 医学图像处理方法及计算机可读存储介质
CN110555850A (zh) 识别图像中肋骨区域的方法、装置、电子设备和存储介质
US20210134442A1 (en) Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images
US20220076796A1 (en) Medical document creation apparatus, method and program, learning device, method and program, and trained model

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