CN115330615A - 伪影去除模型的训练方法、装置、设备、介质及程序产品 - Google Patents
伪影去除模型的训练方法、装置、设备、介质及程序产品 Download PDFInfo
- Publication number
- CN115330615A CN115330615A CN202210951294.0A CN202210951294A CN115330615A CN 115330615 A CN115330615 A CN 115330615A CN 202210951294 A CN202210951294 A CN 202210951294A CN 115330615 A CN115330615 A CN 115330615A
- Authority
- CN
- China
- Prior art keywords
- artifact
- removal
- model
- sample
- image
- 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
- 238000012549 training Methods 0.000 title claims abstract description 218
- 238000000034 method Methods 0.000 title claims abstract description 128
- 230000008569 process Effects 0.000 claims abstract description 57
- 238000012795 verification Methods 0.000 claims description 60
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 239000007943 implant Substances 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 75
- 229910052751 metal Inorganic materials 0.000 description 45
- 239000002184 metal Substances 0.000 description 45
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 24
- 238000012360 testing method Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 13
- 210000001015 abdomen Anatomy 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012804 iterative process Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 229910052755 nonmetal Inorganic materials 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申请公开了一种伪影去除模型的训练方法、装置、设备、介质及程序产品,涉及机器学习领域。该方法包括:获取图像内容匹配的参考图像和伪影图像;将伪影图像输入多个样本去除模型,分别输出得到伪影图像对应的伪影去除结果;确定多个样本去除模型分别对应的预测损失值;将多个预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数;基于预测损失值和权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型伪影去除模型。即,通过样本权重模型确定多个样本去除模型分别对应的权重参数,能够使得在对多个样本去除模型进行训练的过程中,根据权重参数进行灵活训练,提高伪影去除模型训练的准确度。
Description
技术领域
本申请涉及机器学习领域,特别涉及一种伪影去除模型的训练方法、装置、设备、介质及程序产品。
背景技术
计算机断层扫描(Computed Tomography,CT)是指由于人体的不同组织对X射线的吸收率与透过率不同,使得CT图像中呈现明暗程度不同的区域,用于表示不同的组织器官结构,因此,CT图像常应用于辅助临床诊断。然而,在CT扫描过程中,由于受不同因素影响,CT图像中会产生伪影,如:在对口腔进行CT扫描时,由于牙齿中植入了假牙,则生成的CT图像将受假牙影响从而产生条状阴影,导致图像质量较低,从而影响诊断。
在相关技术中,采用双域网络(DuDoNet)去除CT图像中的伪影,其中,双域网络中由两个模块构成,通过预设一个CT值处理窗口分别对包含伪影的弦图进行弦图域的处理,以及对包含伪影的CT图像进行图像域的处理,输出得到修复的正弦图像和增强后的CT图像,最终利用反投影层输出得到去除伪影的CT图像。
然而在相关技术中,通过双域网络去除包含伪影的CT图像的方法,是通过单个CT值处理窗口对图像数据进行归一化处理,忽略了不同组织器官之间存在差异,导致去除后的CT图像的还原真实度较低,图像准确度较低,图像质量较差。
发明内容
本申请实施例提供了一种伪影去除模型的训练方法、装置、设备、介质及程序产品,能够提高伪影去除模型的输出结果的准确度。所述技术方案如下:
一方面,提供了一种伪影去除模型的训练方法,所述方法包括:
获取图像内容匹配的参考图像和伪影图像,所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像,所述伪影图像是包含伪影的参考图像,所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影;
将所述伪影图像输入多个样本去除模型,分别输出得到所述伪影图像对应的伪影去除结果,不同样本去除模型对应不同的预设窗口范围,所述样本去除模型用于以对应的预设窗口范围为基准,去除所述伪影图像中的伪影;
基于所述伪影去除结果和所述参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值;
将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数,所述权重参数用于对所述样本去除模型的参数更新进行权重调整;
基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
另一方面,提供了一种伪影去除模型的训练装置,所述装置包括:
获取模块,用于获取图像内容匹配的参考图像和伪影图像,所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像,所述伪影图像是包含伪影的参考图像,所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影;
输入模块,用于将所述伪影图像输入多个样本去除模型,分别输出得到所述伪影图像对应的伪影去除结果,不同样本去除模型对应不同的预设窗口范围,所述样本去除模型用于以对应的预设窗口范围为基准,去除所述伪影图像中的伪影;
确定模块,用于基于所述伪影去除结果和所述参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值;
所述输入模块,用于将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数,所述权重参数用于对所述样本去除模型的参数更新进行权重调整;
训练模块,用于基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述本申请实施例中任一所述伪影去除模型的训练方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述本申请实施例中任一所述的伪影去除模型的训练方法。
另一方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的伪影去除模型的训练方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,也即,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个示例性实施例提供的伪影去除模型的训练方法示意图;
图2是本申请一个示例性实施例提供的实施环境示意图;
图3是本申请一个示例性实施例提供的伪影去除模型的训练方法流程图;
图4是本申请另一个示例性实施例提供的伪影去除模型的训练方法流程图;
图5是本申请另一个示例性实施例提供的DICD-Net模型示意图;
图6是本申请一个示例性实施例提供的网络结构示意图;
图7是本申请一个示例性实施例提供的样本权重模型网络结构示意图;
图8是本申请一个示例性实施例提供的多个样本去除模型示意图;
图9是本申请另一个示例性实施例提供的伪影去除模型的训练方法示意图;
图10是本申请一个示例性实施例提供的伪影去除模型应用过程示意图;
图11是本申请一个示例性实施例提供的伪影去除模型的训练方法示意图;
图12是本申请一个示意性实施例提供的伪影去除模型处理过程示意图;
图13是本申请一个示意性实施例提供的伪影去除模型的训练装置结构框图;
图14是本申请另一个示意性实施例提供的伪影去除模型的训练装置结构框图;
图15是本申请一个示例性实施例提供的服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先,针对本申请实施例中涉及的名词进行简单介绍。
窗技术:窗技术是计算机断层扫描(Computed Tomography,CT)检查中用以观察不同密度的正常组织或者病变的一种显示技术,包括窗宽(Window Width)和窗位(WindowLevel),由于各种组织结构或者病变具有不同的CT值,因此想要在CT图像上显示指定组织结构的细节时,需要选择适合观察该指定组织结构的窗宽和窗位,构成指定窗口范围,以获得针对该指定组织结构的最优显示模式,生成该指定窗口范围对应CT值的灰度图像。
示意性的,请参考图1,其示出了本申请一个示例性实施例提供的伪影去除模型的训练方法示意图,如图1所示,获取训练图像集100,其中,训练图像集100中包括图像内容匹配的参考图像101和伪影图像102,其中,参考图像101和伪影图像102属于一个样本图像对,参考图像101和伪影图像102都是对腹部进行计算机断层扫描(Computed Tomography,CT)后得到的CT图像,而伪影图像102是包含伪影的图像(受伪影污染的腹部CT图像),参考图像101中不包含伪影(未受伪影污染的腹部CT图像)。
将伪影图像102输入多个样本去除模型110,分别输出得到伪影图像102的伪影去除结果111,其中,多个样本去除模型110中各样本去除模型对应不同的预设窗口范围,因此伪影去除结果111实现为对应不同预设窗口范围下的伪影去除图像(如:图像1111是在[-1000,2000]HU窗口范围下的CT图像,图像1112是在[-320,480]HU窗口范围下的CT图像,图像1113是在[-160,240]HU窗口范围下的CT图像)。根据伪影去除结果111和参考图像101之间的像素点差异确定多个样本去除模型110分别对应的预测损失值112。
将预测损失值112输入样本权重模型120,输出得到预测损失值112分别对应的权重参数121,权重参数121用于对样本去除模型110的参数更新进行权重调整,根据预测损失值112和权重参数121对多个样本去除模型110进行训练,最终得到多个伪影去除子模型构成的伪影去除模型130,其中,伪影去除模型130用于对输入的包含伪影的目标图像进行伪影去除。
其次,对本申请实施例中涉及的实施环境进行说明,示意性的,请参考图2,该实施环境中涉及终端210、服务器220,终端210和服务器220之间通过通信网络230连接。
在一些实施例中,终端210向服务器220发送伪影去除请求,其中,伪影去除请求中包括目标扫描图像,本实施例中,目标扫描图像实现为被金属污染的CT图像(也即,对人体指定部位进行CT扫描过程中,生成的CT图像受到指定部位中植入的金属影响,产生的金属伪影),服务器220接收到来自终端发送的伪影去除请求后,对目标扫描图像中包含的金属伪影进行伪影去除,生成伪影去除结果,将伪影去除结果反馈至终端210。
其中,服务器220中包括伪影去除模型221,服务器220将目标扫描图像输入伪影去除模型221,输出得到伪影去除结果,伪影去除结果是指将目标扫描图像中识别得到的伪影区域进行去除后生成的CT增强图像。
其中,伪影去除模型221是通过将用于训练的伪影图像222输入多个样本去除模型223,输出得到多个伪影去除结果,根据伪影去除结果和参考图像(与伪影图像222图像内容匹配且不存在伪影的图像)之间像素点差异确定多个预测损失值224,将预测损失值224输入样本权重模型225,输出得到与多个预测损失值224分别对应的权重参数226,根据权重参数226和预测损失值224对样本去除模型223进行训练后得到的。
上述终端210可以是手机、平板电脑、台式电脑、便携式笔记本电脑、智能电视、智能车载等多种形式的终端设备,本申请实施例对此不加以限定。
值得注意的是,上述服务器220可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
其中,云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
在一些实施例中,上述服务器220还可以实现为区块链系统中的节点。
需要说明的是,本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号,均为经用户授权或者经过各方充分授权的,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如,本申请中涉及到的用于训练的参考图像和伪影图像,以及用于模型验证的验证图像是在充分授权的情况下获取的。
示意性的,对本申请提供的伪影去除模型的训练方法进行说明,请参考图3,其示出了本申请一个示例性实施例提供的伪影去除模型的训练方法流程图,该方法可以由终端执行,也可以由服务器执行,或者,也可以由终端和服务器共同执行,本实施例中以该方法由服务器执行进行说明,如图3所示,该方法包括:
步骤310,获取图像内容匹配的参考图像和伪影图像。
其中,参考图像是对未包含植入物的样本检测对象扫描后生成的图像,伪影图像是包含伪影的参考图像,伪影是在对包含植入物的样本检测对象的扫描过程中植入物产生的阴影。
示意性的,参考图像是指通过指定扫描技术对样本检测对象进行扫描后生成的医学图像,一般性的,伪影图像实现为灰度图像。其中,样本检测对象用于表示某个指定组织器官(如:心脏、腹部、胸腔、肺部等)。
在一些实施例中,参考图像是针对未包含植入物的样本检测对象进行扫描后得到的医学图像,也即,参考图像是未受到植入物影响的医学图像。
在一些实施例中,植入物指包含金属部件的且植入检测对象中的物体,如:假牙、起搏器、支架等植入物类型中至少一种,对此不加以限定。
示意性的,指定扫描技术是指CT扫描技术,因此,本申请实施例中涉及的图像均为CT图像。
在一些实施例中,图像内容匹配是指参考图像中包含的内容和伪影图像中包含的内容相同,如:参考图像和伪影图像都是针对同一个腹部进行CT扫描后生成的CT图像。其中,伪影图像与参考图像之间的区别为伪影图像是包含伪影的参考图像。也即,参考图像和伪影图像实现为一个样本图像对。
示意性的,伪影表示检测对象在进行扫描过程中,除样本检测对象以外的对象在扫描过程中在图像上产生的阴影(或者暗带)。
步骤320,将伪影图像输入多个样本去除模型,分别输出得到伪影图像对应的伪影去除结果。
其中,不同样本去除模型对应不同的预设窗口范围,样本去除模型用于以对应的预设窗口范围为基准,去除伪影图像中的伪影。
在一些实施例中,伪影去除结果是指通过样本去除模型,将伪影图像中包含的伪影进行去除,并输出与样本去除模型对应预设窗口范围对应的扫描图像,也即,该扫描图像中不包含伪影。
其中,上述扫描图像呈现的各区域对比度关系与伪影图像呈现的各区域的对比度关系相同,或者,不相同,对此不加以限定。
示意性的,预设窗口范围用于表示扫描图像中各区域之间的对比度关系,如:扫描图像中包括区域a和区域b,对应预设窗口范围A下,扫描图像中区域a亮度高于区域b,对应预设窗口范围B下,扫描图像中区域a亮度低于区域b。也即,同一张扫描图像对应不同的预设窗口范围时,其显示的各区域之间的对比度不同,便于对指定区域进行针对性查看。
可选地,样本去除模型对应的预设窗口范围是预先设置的固定窗口范围,如:样本去除模型A对应的预设窗口范围为[-1000,2000]HU;或者,样本去除模型对应的预设窗口范围是根据实际需要进行设定的可调整窗口范围,对此不加以限定。
可选地,多个样本去除模型对应相同的模型结构;或者,多个样本去除模型对应不同的模型结构,对此不加以限定。
步骤330,基于伪影去除结果和参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值。
示意性的,预测损失值用于表示伪影去除结果和参考图像之间各像素点之间的差值。
在一些实施例中,预设损失函数,通过损失函数计算伪影去除结果对应的像素值和参考图像对应的像素值之间的距离,将计算得到的结果作为多个样本去除模型分别对应的预测损失值。
步骤340,将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数。
其中,权重参数用于对样本去除模型的参数更新进行权重调整。
在一些实施例中,将多个样本去除模型对应的预测损失值分别输入样本权重模型,输出得到标量结果,作为单个预测损失值对应的权重参数。
可选地,不同样本去除模型分别对应的预测损失值输入样本权重模型后,对应输出的多个预测损失值分别的权重参数各不相同;或者,存在至少两个预测损失值分别对应的权重参数相同,对此不加以限定。
示意性的,权重参数用于使得通过预测损失值对样本去除模型进行训练过程中,给各预测损失值分配不同的权重。
可选地,在获取将多个样本去除模型分别对应的预测损失值后,将多个预测损失值再同时输入样本权重模型,同时输出得到多个预测损失值分别对应的权重参数,也即,多个预测损失值分别对应的权重参数是同时获取得到的;或者,每获取一个样本去除模型对应的预测损失值后,即将其输入样本权重模型,输出得到该样本去除模型对应的权重参数,也即,多个预测损失值分别对应的权重参数是依次获取得到的,对此不加以限定。
步骤350,基于预测损失值和权重参数,对样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型。
其中,伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
示意性的,根据预测损失值和权重参数,对样本去除模型的第一模型参数进行参数调整,根据调整后的参数确定伪影去除子模型。
在一些实施例中,单个样本去除模型训练完后得到单个伪影去除子模型,最终多个伪影去除子模型构成伪影去除模型。
可选地,根据预测损失值和权重参数对样本去除模型进行训练的过程中,每个样本去除模型的训练过程是同时进行的,或者,每个样本去除模型的训练过程是依次执行,也即,当训练完第一个样本去除模型后,再开始训练第二个样本去除模型,对此不加以限定。
综上所述,本申请实施例提供的伪影去除模型的训练方法,采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
在一个可选的实施例中,以针对单个样本去除模型进行训练为例,对样本去除模型的训练过程实现为多次循环迭代训练过程,示意性的,请参考图4,其示出了本申请一个示例性实施例提供的伪影去除模型的训练方法流程图,该方法可以由终端执行,也可以由服务器执行,或者,也可以由终端和服务器共同执行,本实施例中以该方法由服务器执行进行说明,如图3所示,也即,步骤350中包括步骤351、步骤352和步骤353,步骤340中还包括步骤341,该方法包括如下步骤:
步骤310,获取图像内容匹配的参考图像和伪影图像。
其中,参考图像是对未包含植入物的样本检测对象扫描后生成的图像,伪影图像是包含伪影的参考图像,伪影是在对包含植入物的样本检测对象的扫描过程中植入物产生的阴影。
本实施例中,以金属伪影为例进行举例说明,由金属构成的伪影实现为条状结构的伪影。
示意性的,参考图像是对样本检测图像进行CT扫描后生成的CT图像,伪影图像是包含金属伪影的CT图像,也即,当前伪影图像由于样本检测图像中存在金属而导致CT扫描后生成的图像中包括金属伪影。
可选地,伪影图像和参考图像是从授权的公开数据集中直接获取的;或者,参考图像是从公开数据集中直接获取的图像,伪影图像是在参考图像的基础上,结合不同的金属对应的金属掩膜信息,人工合成得到的包含金属伪影的参考图像,对此不加以限定。
本实施例中,参考图像和伪影图像实现为一个样本图像对。
在一些实施例中,参考图像和伪影图像针对同一个样本检测对象对应的扫描图像。
步骤320,将伪影图像输入多个样本去除模型,分别输出得到伪影图像对应的伪影去除结果。
其中,不同样本去除模型对应不同的预设窗口范围,样本去除模型用于以对应的预设窗口范围为基准,去除伪影图像中的伪影。
示意性的,样本去除模型的预设窗口范围是预先设置好的固定窗口范围,如:样本去除模型A预设窗口范围固定为[-320,480]HU。
示意性的,不同的样本去除模型对应不同的预设窗口范围。
在一些实施例中,样本去除模型用于对伪影图像中的伪影进行去除后,根据预设窗口范围,将伪影图像调整至与预设窗口范围对应的显示模式,输出得到的结果即为伪影去除结果,如:伪影图像是窗口范围为[-1000,2000]HU的包含金属伪影的CT图像,将伪影图像输入样本去除模型(预设窗口范围为[-320,480]HU)之前,先将伪影图像的窗口范围调整至[-320,480]HU后将其输入样本去除模型,样本去除模型将伪影图像中的金属伪影去除进行图像输出,作为伪影去除结果。
示意性的,不同预设窗口范围对应的伪影去除结果显示的图像内容保持一致,各伪影去除结果显示的区域对比度不同。
可选地,本申请实施例中的样本去除模型可实现为深度可解释性卷积字典网络(Deep Interpretables Convolutional Dictionary Network,DICD-Net)、卷积神经网络(Convolutional Neural Network,CNN)、U-net网络等神经网络模型,对此不加以限定。
下面针对样本去除模型实现为DICD Net为例进行介绍。
针对由金属造成的伪影,具有金属伪影特有的先验知识,也即,金属伪影具有非局部的条状结构,该先验知识对于样本去除模型的参数学习能够起到引导作用,示意性的,请参考图5,其示出了本申请一个示例性实施例提供的DICD-Net模型示意图,如图5所示,DICD-Net500中包括N次迭代过程,在任意迭代过程中,该单次迭代过程由网络和X网络(X-Net)按照先后顺序组成。
如图5所示,将伪影图像510输入DICD-Net中进行N次迭代去除(N个Stage),输出得到伪影图像对应的伪影去除结果520,其中,伪影去除结果520实现为通过N个网络和X网络对伪影图像进行去除后得到的CT图像。其中,网络和X网络分别完成特征层和伪影去除结果520的更新。
下面针对N次迭代去除过程中单次Stage进行说明。
其中,表示第n次迭代去除过程中,网络的输出结果,表示残差网络630,残差网络630中的每个残差块依次包括:卷积层,批标准化层(BatchNormalization),ReLU层,卷积层,Batch Normalization层,以及跨链接层。
其中,Y表示输入的伪影图像(且该伪影图像中包含金属伪影);X表示伪影去除结果(X(n-1)表示第n-1次迭代阶段得到的伪影去除结果);I表示伪影图像中非金属伪影对应的掩膜信息(Mask);表示金属伪影重复出现的模式,本实施例中可理解为金属伪影的显示方式,是特征层,代表金属伪影的条状伪影结构,本实施例中可理解为金属伪影对应的特征图(Feature Map);η1为网络的更新步长。
示意性的,X网络620的网络结构可参考如下公式二:
其中,X(n)表示第n次迭代去除过程中,X网络的输出结果,表示残差网络640,残差网络640中的每个残差块依次包括:卷积层,批标准化层(BatchNormalization),ReLU层,卷积层,批标准化层,以及跨链接层。
其中,Y表示输入的伪影图像(且该伪影图像中包含金属伪影);X表示伪影去除结果(X(n-1)表示第n-1次迭代阶段得到的伪影去除结果);I表示伪影图像中非金属伪影对应的掩膜信息(Mask),表示金属伪影重复出现的模式,本实施例中可理解为金属伪影的显示方式,是特征层,代表金属伪影的条状伪影结构,本实施例中可理解为金属伪影对应的特征图(Feature Map),η2为X网络的更新步长。
结合上述公式一和公式二,如图6所示,当第n-1次迭代去除阶段得到的第n-1个特征图和第n-1次迭代去除阶段得到的伪影去除结果(X(n-1))输入网络中,输出得到第n次迭代去除阶段得到的第n个特征图将第n个特征图和第n-1次迭代阶段得到的伪影去除结果(X(n-1))输入X网络中,输出得到第n次迭代阶段的伪影去除结果(X(n))。
步骤330,基于伪影去除结果和参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值。
示意性的,预设损失函数,将伪影去除结果和参考图像通过预设损失函数计算像素值差值,将计算得到的结果作为多个样本去除模型分别对应的预测损失值。
步骤341,将第s-1次迭代训练得到的预测损失输入第s次迭代训练得到的样本权重模型,输出得到第s次迭代训练对应的权重参数。
本实施例中,在针对样本去除模型进行训练的过程中,样本权重模型也需要进行训练。
下面,首先针对样本权重模型的训练过程进行说明。
在一些实施例中,获取图像内容匹配的验证参考图像和验证伪影图像;将验证伪影图像输入多个样本去除模型,分别输出得到验证伪影图像对应的验证去除结果;基于验证去除结果和验证参考图像之间的像素点差异,确定多个样本去除模型分别对应的验证损失值;基于验证损失值,对样本权重模型进行训练。
示意性的,验证参考图像是对验证检测对象进行CT扫描后得到的CT图像,验证伪影图像是包含金属伪影的CT图像,其中,验证参考图像和验证伪影图像对应的图像内容相同(如:验证参考图像和验证伪影图像均为对同一个腹部进行CT扫描后得到的CT图像,其中,验证伪影图像中包括金属伪影,验证参考图像中不存在伪影)。
本实施例中,验证参考图像和验证伪影图像为验证样本中的一个图像对。
本实施例中,验证伪影图像和伪影图像属于不同的CT图像。
示意性的,将验证伪影图像输入多个样本去除模型,通过多个样本去除模型将伪影图像中的伪影去除后,生成与样本去除模型的预设窗口范围对应的图像,作为验证去除结果。其中,每个样本去除模型对应一个验证去除结果。
示意性的,预设损失函数,通过损失函数计算多个验证去除结果和验证参考图像之间像素点的差值,作为样本去除模型对应的验证损失值。其中,多个样本去除模型分别对应多个验证损失值。
示意性的,通过多个验证损失值对样本权重模型的第二模型参数进行调整。
在一些实施例中,在s次迭代训练过程中,基于第s-1次迭代训练得到的验证损失值,对样本权重模型的第二模型参数进行梯度调整,得到第s次迭代训练对应的样本权重模型。
本实施例中,针对样本权重模型进行训练的过程中包括对样本权重模型进行N次迭代训练(与上述DICD-Net网络中包含的N次迭代过程对应),也即,在N次迭代过程中,样本权重模型和样本去除模型是迭代交替更新的。
本申请实现的方案为通过多个样本去除模型对应的验证损失值,均对样本权重模型进行训练,以针对单个验证损失值对样本权重模型进行训练的过程为例进行说明,针对样本权重模型的第二模型参数进行梯度调整的方式可具体参考公式三:
其中,用于表示在第s-1次迭代过程中关于θ的映射函数,由于在当前s次迭代训练过程中,第二模型参数(θ)尚未进行更新,因此设置一个关于θ的映射函数用于表示样本去除模型对应的第一模型参数(Θ)和样本权重模型对应的第二模型参数(θ)之间的映射关系。也即,基于s-1次迭代训练得到的第一模型参数,确定第一模型参数和第二模型参数之间在第s-1次迭代训练过程中对应的映射关系;基于映射关系,确定第s-1次迭代训练得到的验证损失值。
示意性的,关于θ的映射函数具体可参考公式四:
公式四:
步骤351,基于多个预测损失值和多个损失值分别对应的权重参数,确定多个样本去除模型分别对应的加权损失值。
示意性的,针对多个DICD-Net的优化目标,可以通过预设损失函数,通过对多个DICD-Net的模型参数分别进行调整后,使得损失函数的输出损失值和最小,即为伪影去除模型最终的优化目标,因此,针对伪影去除模型中包含多个DICD-Net的损失函数具体可参考公式五:
本实施例中,将设置为包含一个隐藏层的多层感知器(Multi-Layer Perception,MLP)网络,示意性的,请参考图7,其示出了本申请一个示例性实施例提供的样本权重模型网络结构示意图,如图7所示,当前显示MLP网络700,该网络中包括输入层710、隐藏层720和输出层730,输入层为预测损失值711,输出层730为预测损失值711对应的权重参数731,其中,隐藏层720中包含多个神经元,隐藏层720神经元个数根据实际需要进行限定。
在一些实施例中,在第s次迭代训练过程中,基于第s-1个预测损失值和第s个权重参数,确定第s个加权损失值。
示意性的,加权损失值用于表示经过权重调整后的样本去除模型的对应的预测损失值,具体可参考公式六:
步骤352,基于多个样本去除模型分别对应的加权损失值对多个样本去除模型的第一模型参数分别进行调整,得到多个伪影去除子模型。
示意性的,根据多个加权损失值对多个样本去除模型的第一模型参数进行梯度调整,得到调整后参数作为伪影去除模型对应的模型参数,进而得到伪影去除模型,其具体训练过程可参考公式七:
其中,Θ(s-1)用于表示第s-1次迭代训练过程中得到第一模型参数(针对单次迭代训练中B个样本去除模型分别对应的多个第一模型参数),用于表示通过第s次迭代训练对应的加权损失值对第s-1个第一模型参数进行梯度调整,也即,基于第s次迭代训练对应的加权损失值,对样本去除模型的第s-1次迭代训练得到的第一模型参数进行梯度调整,得到第s次迭代训练对应的第一模型参数,并进行第s+1次循环调整,直至伪影去除模型训练结束,s≥1且s为整数。
值得注意的是,上述针对样本权重模型和样本去除模型进行训练的过程中,其对应的训练顺序为公式四(对θ进行参数化,得到关于θ的映射函数)、公式三(对样本权重模型的第二模型参数进行梯度调整)和公式七(对多个样本去除模型分别对应的第一参数模型进行梯度调整)。
本实施例中,针对样本去除模型的调整效果条件,给出了如公式八对应的训练目标:
其中,Θ*(θ)用于表示多个第一模型参数对应的最优解(也即符合调整效果条件的第一参数),多个第一模型参数的最优解可通过计算加权损失值对应的最小化值获取。
示意性的,针对样本权重模型的第二模型参数,我们也可以给出如公式九对应的训练目标:
其中,θ*用于表示第二模型参数的最优解,该最优解可通过计算预测损失值对应的最小化值获取,将第二模型参数达到最优解(或者无限逼近最优解),将该第二模型参数作为针对样本权重模型的最终训练得到的第二参数。
值得注意的是,公式八和公式九仅为针对样本去除模型和样本权重模型设定的训练目标,在实际训练过程中,对样本去除模型和样本权重模型的训练过程通过公式四、公式三和公式七按照指定顺序进行迭代循环训练。
示意性的,针对多个样本去除模型同时进行训练后,生成得到多个样本去除模型分别对应的伪影子模型,也即,单个伪影子模型和单个样本去除模型对应。
步骤353,将多个伪影去除子模型作为伪影去除模型。
示意性的,伪影去除模型中包括多个训练结束的样本去除模型,也即,伪影去除模型中包括多个伪影去除子模型。
在一些实施例中,响应于第一模型参数的循环迭代调整次数达到次数阈值,将最近一次调整得到的第一模型参数确定为第一参数;或者;响应于第一模型参数的调整效果符合调整效果条件,将第一模型参数确定为第一参数,调整效果条件用于表示对预测损失值的限制要求。
示意性的,伪影去除模型中的模型参数为第一参数,本实施例中针对多个样本去除模型的训练目标即为将多个样本去除模型分别对应的第一模型参数经过梯度调整后得到的结果作为伪影去除模型最终对应的第一参数。
可选地,次数阈值是预先设置好的指定次数或者根据训练情况进行自行设定的,如:针对多个样本去除模型训练100次,则100次即为次数阈值,当对多个样本去除模型的第一模型参数进行循环迭代调整的次数达到100次时,将第100次训练得到的多个第一模型参数确定为第一参数。
可选地,调整效果条件是指当对多个样本去除模型进行梯度调整后,伪影图像输入伪影图像后输出的伪影去除结果和参考图像之间的预测损失值符合调整效果条件后,将多个样本去除模型分别对应的第一模型参数确定为伪影去除网络的第一参数,也即,本次训练的第一模型参数符合对样本去除模型的训练目标。
综上所述,本申请实施例提供的伪影去除模型的训练方法,采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
本实施例中,通过先对样本权重模型进行训练,再将预测损失值输入根据训练得到的样本权重模型中输出得到权重参数,根据权重参数和多个预测损失值对多个样本去除模型的第一模型参数分别进行梯度调整,从而实现在迭代训练过程中,样本权重模型和样本去除模型交替迭代训练,能够通过对样本权重模型的训练来辅助训练样本去除模型,提高模型训练的准确度和训练效果。
在一个可选的实施例中,针对不同预设窗口范围还包括窗口转换的过程,以图3为例的步骤对本申请的方案应用于辅助诊断领域为例进行说明:
步骤310,获取图像内容匹配的参考图像和伪影图像。
其中,参考图像是对未包含植入物的样本检测对象扫描后生成的图像,伪影图像是包含伪影的参考图像,伪影是在对包含植入物的样本检测对象的扫描过程中植入物产生的阴影。
伪影图像是针对预先获取的公开数据集中的授权CT图像进行图像合成后的CT图像。
本实施例中,针对伪影图像的获取过程,首先使用公开数据集中未被金属影响的CT图像作为参考图像,以及不同类型的金属掩膜(Mask),按照数据仿真流程,将CT图像和金属掩膜进行图像合成,合成得到包含金属伪影的CT图像,作为训练数据。
将训练数据对应的CT值进行裁剪,得到窗口范围为[-1000,2000]HU的CT图像,然后转为衰减系数,将其归置到[0,1]范围,最终转换到[0,255]范围的CT图像。
对每个训练数据都随机进行图像裁剪,裁剪成边长为64×64大小的图像块,然后以0.5概率分别随机进行水平镜像翻转和垂直镜像翻转,用于最终生成不同的伪影图像。
本实施例中,参考图像和伪影图像实现为一个样本图像对。
示意性的,多个样本去除模型分别对应不同的预设窗口范围,用于标注扫描图像针对不同CT值的情况下,各区域显示的对比度关系,本实施例中,以三个样本去除模型为例进行说明,也即,本实施例中包括的三个样本去除模型,其各自对应的预设窗口范围分别为[-1000,2000]HU、[-320,480]HU和[-160,240]HU,对此不加以限定。
示意性的,请参考图8,其示出了本申请一个示例性实施例提供的多个样本去除模型示意图,如图8所示,当前显示多窗口的样本去除模型示意图,其中,多窗口的样本去除模型中包括三个不同预设窗口范围分别对应的样本去除模型810、样本去除模型820和样本去除模型830,其中,样本去除模型实现为DICD-Net结构的模型,因此,样本去除模型810为对应第一预设窗口范围([-1000,2000]HU)的DICD-Net(b=1),样本去除模型820为对应第二预设窗口范围([-320,480]HU)的DICD-Net(b=2),样本去除模型830为对应第三预设窗口范围([-160,240]HU)的DICD-Net(b=3)。
将伪影图像901输入样本去除模型910,输出得到样本去除模型910对应的第一预测区域911,其中,第一预测区域911用于表示通过样本去除模型910以第一预设窗口范围为基准,对伪影图像901中的金属伪影去除后生成的CT图像。
示意性的,在伪影图像在输入样本去除模型之前,本身也对应有预设窗口范围,因此,针对伪影图像的预设窗口范围和输入的样本去除模型的预设窗口范围之间属于不同的窗口范围时,需要在输入样本去除模型前将伪影图像进行窗口转换,生成与样本去除模型对应的预设窗口范围一致的伪影图像。
如图8所示,将伪影图像801和第一预测区域811输入窗口转换层(Window Layer,图8中标记为W)进行窗口转换,得到伪影图像801对应的第一样本转换结果802,以及第一预测区域811对应的第一预测转换结果812,其中,第一样本转换结果802和第一预测转换结果812对应的窗口范围与样本去除模型820的预设窗口范围保持一致,将第一预测区域811和第一预测转换结果812输入通道融合层(Channel Concatenation,图8中标记为C),将第一融合结果输入样本去除模型820,输出得到样本去除模型820对应的第二预测区域821将伪影图像801、第一预测区域811和第二预测区域821输入窗口转换层进行窗口转换,得到伪影图像801对应的第二样本转换结果803、第一预测区域811对应的第二预测转换结果813,以及第二预测区域821对应的第三预测转换结果822,将第二样本转换结果803、第二预测转换结果813和第三预测转换结果822输入通道融合层后再输入样本去除模型830,输出得到样本去除模型830对应的第三预测区域831。
在一些实施例中,确定第i个样本去除模型对应窗口范围,i为正整数;将伪影图像和第i-1个伪影去除结果进行窗口转换,得到伪影图像和第i-1伪影去除结果分别对应的窗口转换结果,作为第i个样本去除模型的模型输入。
示意性的,窗口转换的过程可参考如下公式十至公式十二:
公式十:Xori=Xcurr×(Hcurr-Lcurr)+Lcurr
公式十一:Xclip=Clip(Xori;[Lnext,Hnext])
其中,Xori用于表示原始图像,Xcurr和Xnext分别表示窗口转换前后对应的扫描图像,[Lcurr,Hcurr]和[Lnext,Hnext]分别表示窗口转换前后分别对应的预设窗口范围(L表示窗位,H表示窗高)。
步骤320,将伪影图像输入多个样本去除模型,分别输出得到伪影图像对应的伪影去除结果。
其中,不同样本去除模型对应不同的预设窗口范围,样本去除模型用于以对应的预设窗口范围为基准,去除伪影图像中的伪影。
步骤330,基于伪影去除结果和参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值。
步骤340,将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数。
其中,权重参数用于对样本去除模型的参数更新进行权重调整。
本实施例中,根据三个预测损失值和分别对应的三个权重参数,对三个样本去除模型分别同时进行训练,得到三个伪影去除子模型,将这三个伪影去除子模型作为最终的伪影去除网络(Mar Network)。
本实施例中,在针对多个样本去除模型的训练过程中,多个样本去除模型和样本权重模型的训练过程是迭代交替进行的,也即,多个样本去除模型的第一模型参数和样本权重模型的第二模型参数是交替更新的,且通过更新后的第二模型参数对第一模型参数进行参数调整。
示意性的,请参考图9,其示出了本申请一个示例性实施例提供的伪影去除模型的训练方法示意图,如图9所示,将伪影图像900输入样本去除模型920(包含三个,图中未示出该模型数量),输出得到伪影去除结果931、伪影去除结果932和伪影去除结果933,其中,样本去除模型920和样本权重模型940之间是交替训练的。
如图9所示,针对第s次迭代训练过程,当前获取第s-1次迭代训练后得到第一模型参数(Θ(s-1))和第二模型参数(θ(s-1)),首先根据上述公式四,通过第s-1次迭代训练后得到的第一模型参数确定第s-1次迭代训练后得到的关于θ的映射函数然后根据上述公式三,通过第s-1次迭代训练后得到的关于θ的映射函数确定第s-1次迭代训练后得到的验证损失值,根据第s-1次迭代训练后得到的验证损失值对θ(s-1)进行梯度调整,得到第s次迭代训练后对应的第二模型参数(θ(s)),根据θ(s)确定第s次迭代训练对应的样本权重模型,将第s-1次迭代训练后得到的预测损失值输入第s次迭代训练对应的样本权重模型,得到第s次迭代训练后对应的权重参数,通过公式七,根据第s-1次迭代训练后得到的预测损失值和第s次迭代训练对应的权重参数,确定第s次迭代训练对应的加权损失值,用于对Θ(s-1)进行梯度调整,得到第s次迭代训练对应第二模型参数(Θ(s)),以此进行循环迭代训练,直至样本去除模型训练结束。
值得注意的是,当进行第一次迭代训练时,第一模型参数和第二模型参数均为预先设置好的初始值。
在一些实施例中,获取第一学习衰减率,第一学习衰减率是指根据迭代次数以衰减形式对第一学习率进行调整,第一学习率是预先设定的对多个样本去除模型进行训练的更新步长;在对多个样本去除模型进行训练的过程中,基于第一学习衰减率对第一学习率进行梯度下降,得到伪影去除模型对应的目标学习率。
本实施例中,针对样本去除模型的训练,设置第一学习率为2×10-4,并设置第一学习衰减率为每30个epoch,第一学习率衰减0.5,总训练的epoch数量为200,在每次迭代训练过程中,batch大小为16,样本CT图像块大小为64x64,当第一学习率通过第一学习衰减率进行梯度下降后,若epoch数量达到预设数量(200),则将当前最后一次梯度下降得到的第一学习率作为样本去除模型的目标学习率。
本实施例中,针对样本权重模型设置第二学习率为1×10-5,隐藏层对应的神经元数量为100。
示意性的,请参考图10,其示出了本申请一个示意性实施例提供的伪影去除模型处理过程示意图,如图10所示,当前处理系统包括前端A1010(如:CT扫描仪)、服务器1020和前端B(如:电脑终端或者手机终端)。
当通过前端A1010对目标检测对象进行CT扫描后,若目标检测对象中植入了金属,则当前前端A1010生成的CT图像中包含金属造成的金属伪影区域。
将该CT图像输入服务器1020中的伪影去除模型,对CT图像进行伪影去除,将识别得到的金属伪影区域进行移除后生成不同预设窗口范围下的无金属伪影的CT图像,并将其反馈至前端B1030,用于供医生进行辅助诊断。
综上所述,本申请实施例提供的伪影去除模型的训练方法,采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
本实施例中,针对基于多个窗口范围的多个样本去除模型进行训练的方式,能够使多个不同窗口范围的样本去除模型进行同时训练,最终得到能够输出不同窗口范围的伪影去除结果的伪影去除模型,能够更好的提高模型的训练效果。
本实施例中,通过窗口转换将不同窗口范围的图像进行转换,能够使得不同窗口范围之间能够更好的进行模型学习,提高模型训练的准确度和灵活性。
请参考图11,其示出了本申请一个示例性实施例提供的伪影去除模型的训练方法示意图,如图11所示,该方法包括如下:
步骤1110,开始。
示意性的,本申请提供的伪影去除模型的训练方法由服务器执行,当前通过向服务器发送训练请求后,服务器开始执行对伪影去除模型的训练过程。
服务器首先判断当前进行训练阶段还是测试阶段,若为训练阶段,则执行步骤1120,若为测试阶段,则执行步骤1150。
步骤1120,获取伪影图像。
本实施例中,伪影图像是指包含金属伪影的CT图像,其中,伪影图像是通过获取公开数据集中的参考图像,结合不同金属掩膜信息,通过数据仿真流程合成得到的包含金属伪影的CT图像,作为训练数据。参考图像和伪影图像对应相同的图像内容,也即,参考图像和伪影图像实现为一个样本图像对。
步骤1130,对样本去除模型的第一模型参数和样本权重模型的第二模型参数进行迭代循环训练。
本实施例中,针对三个样本去除模型分别对应的第一模型参数进行同时梯度调整。
本实施例中,将伪影图像分别输入三个样本去除模型,输出得到三个伪影去除结果。
根据预测损失值和权重参数,在循环迭代训练过程中,依次按照上述公式四、公式三和公式七,反向传播到样本权重模型和三个样本去除模型,先后针对样本权重模型的第二模型参数和三个样本去除模型分别对应的第一模型参数进行梯度调整。
当针对第一模型参数进行循环迭代训练的次数达到次数阈值,执行步骤1140,反之继续执行步骤1130。
步骤1140,保存训练模型。
当针对第一模型参数的循环迭代训练次数达到次数阈值后,将最后一次训练得到的多个第一模型参数作为第一参数,确定伪影去除模型,其中,伪影去除模型中包括三个训练好的伪影去除子模型。
服务器将训练好的伪影去除模型进行存储。
步骤1150,获取测试伪影图像。
当服务器判定当前为测试阶段时,获取包含金属伪影的测试伪影图像,其中,测试伪影图像实现为用于对训练好的伪影去除模型进行效果测试的CT图像。
步骤1160,加载已经训练好的伪影去除模型。
服务器获取测试伪影图像后,将存储的已经训练好的伪影去除模型进行加载。
步骤1170,通过前向计算得到伪影去除模型生成的伪影去除结果。
将测试伪影图像输入伪影去除模型,通过针对测试伪影图像进行前向计算,得到测试伪影图像对应的伪影去除结果。其中,伪影去除结果是指对测试伪影图像去除伪影后生成预设窗口范围下的CT图像。
步骤1180,输出伪影去除结果对应的不同预设窗口范围的CT图像。
将通过伪影去除模型同时输出得到的针对三种不同预设窗口范围的伪影去除结果进行输出。
本实施例中,将最终训练好的三个伪影去除子模型,作为伪影去除模型,也即,当前将目标图像输入伪影去除模型后,将同时输出三个对应不同预设窗口范围的伪影去除结果。示意性的,请参考图12,其示出了本申请一个示例性实施例提供的伪影去除模型应用过程示意图,如图12所示,当目标图像1210(本实施例中,提供了针对同一腹部组织在同一窗口范围下,三种不同显示方式的腹部CT图像,分别为图像1211,图像1212和图像1213),将其输入伪影去除模型1220后,同时输出三种不同窗口范围的伪影去除结果(包括图像1211对应的三种伪影去除结果111,图像1212对应的三种伪影去除结果122,图像1213对应的三种伪影去除结果133)。该伪影去除结果用于辅助医生对腹部组织进行诊断。
综上所述,本申请实施例提供的伪影去除模型的训练方法,采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
本申请提供的有益效果包括如下几点:
1.所设计的样本去除模型(DICD-Net)具有良好的可解释性,这可以方便用户很好地了解模型中每个模块的功能;
2.在不同窗口范围之间,引入了样本权重模型,使得不同窗口范围的重建复原学习过程更加灵活,这对充分提升组织结构的保真度具有更好的潜力;
3.所重建复原的不同对比度CT图像(伪影去除结果),有利于对不同组织和器官进行更细精细的观察,从而更好地方便后续的诊断。
图13是本申请一个示例性实施例提供的伪影去除模型的训练装置的结构框图,如图13所示,该装置包括如下部分:
获取模块1310,用于获取图像内容匹配的参考图像和伪影图像,所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像,所述伪影图像是包含伪影的参考图像,所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影;
输入模块1320,用于将所述伪影图像输入多个样本去除模型,分别输出得到所述伪影图像对应的伪影去除结果,不同样本去除模型对应不同的预设窗口范围,所述样本去除模型用于以对应的预设窗口范围为基准,去除所述伪影图像中的伪影;
确定模块1330,用于基于所述伪影去除结果和所述参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值;
所述输入模块1320,还用于将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数,所述权重参数用于对所述样本去除模型的参数更新进行权重调整;
训练模块1340,用于基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
在一个可选的实施例中,如图14所示,所述训练模块1340,包括:
确定单元1341,用于基于多个预测损失值和多个损失值分别对应的权重参数,确定多个样本去除模型分别对应的加权损失值;
调整单元1342,用于基于多个样本去除模型分别对应的加权损失值对多个样本去除模型的第一模型参数分别进行调整,得到多个伪影去除子模型;
所述确定单元1341,还用于将所述多个伪影去除子模型作为所述伪影去除模型。
在一个可选的实施例中,所述确定单元1341,还用于在第s次迭代训练过程中,基于第s-1次迭代训练得到的预测损失值和第s次迭代训练得到的权重参数,确定第s次迭代训练对应的加权损失值;
所述调整单元1342,还用于基于所述第s次迭代训练对应的加权损失值,对所述样本去除模型的第s-1次迭代训练得到的第一模型参数进行梯度调整,得到第s次迭代训练对应的第一模型参数,并进行第s+1次循环调整,直至所述伪影去除模型训练结束,s≥1且s为整数。
在一个可选的实施例中,所述输入模块1320,还用于将第s-1次迭代训练得到的预测损失输入第s次迭代训练得到的样本权重模型,输出得到第s次迭代训练对应的权重参数。
在一个可选的实施例中,所述获取模块1310,还用于获取图像内容匹配的验证参考图像和验证伪影图像;
所述输入模块1320,还用于将所述验证伪影图像输入多个样本去除模型,分别输出得到所述验证伪影图像对应的验证去除结果;
所述确定模块1330,还用于基于所述验证去除结果和所述验证参考图像之间的像素点差异,确定多个样本去除模型分别对应的验证损失值;
所述训练模块1340,还用于基于所述验证损失值,对所述样本权重模型进行训练。
在一个可选的实施例中,所述训练模块1340,还用于在s次迭代训练过程中,基于第s-1次迭代训练得到的验证损失值,对所述样本权重模型的第二模型参数进行梯度调整,得到第s次迭代训练对应的样本权重模型。
在一个可选的实施例中,所述确定模块1330,还用于基于第s-1次迭代训练得到的第一模型参数,确定第一模型参数和第二模型参数之间在第s-1次迭代训练过程中对应的映射关系;基于所述映射关系,确定第s-1次迭代训练得到的验证损失值。
在一个可选的实施例中,所述确定模块1330,还用于响应于所述第一模型参数的循环迭代调整次数达到次数阈值,将最近一次调整得到的第一模型参数确定为所述第一参数;或者;响应于所述第一模型参数的调整效果符合调整效果条件,将所述第一模型参数确定为所述第一参数,所述调整效果条件用于表示对所述预测损失值的限制要求。
在一个可选的实施例中,所述获取模块1310,还用于获取第一学习衰减率,所述第一学习衰减率是指根据迭代次数以衰减形式对第一学习率进行调整,所述第一学习率是预先设定的对多个样本去除模型进行训练的更新步长;
所述装置还包括:
梯度下降模块1350,用于在对多个样本去除模型进行训练的过程中,基于所述第一学习衰减率对所述第一学习率进行梯度下降,得到所述伪影去除模型对应的目标学习率。
在一个可选的实施例中,所述确定模块1330,还用于确定第i个样本去除模型对应窗口范围,i为正整数;
所述装置还包括:
转换模块1360,用于将所述伪影图像和第i-1个伪影去除结果进行窗口转换,得到所述伪影图像和第i-1伪影去除结果分别对应的窗口转换结果,作为第i个样本去除模型的模型输入。
综上所述,本申请实施例提供的伪影去除模型的训练装置,采用图像内容匹配的参考图像和伪影图像对多个样本去除模型进行训练,其中,在训练过程中将伪影图像输入多个样本去除模型后分别输出多个伪影去除结果,确定多个伪影去除结果和参考图像之间的预测损失值,将预测损失值输入样本权重模型后最终得到各个预测损失值对应的权重参数,根据预测损失值和权重参数对多个样本去除模型进行训练,最终得到包含多个伪影去除子模型的伪影去除模型,通过采用权重参数和预测损失值对多个对应不同预设窗口范围的样本去除模型进行训练,使得最终训练得到的伪影去除模型能够输出不同窗口范围对应的伪影去除图像,满足不同图像的伪影去除需求,提高了伪影去除结果的伪影去除准确度。
需要说明的是:上述实施例提供的伪影去除模型的训练装置,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的伪影去除模型的训练装置与伪影去除模型的训练方法实施例属于同一构思,其具体实现过程详见方法实施例,此处不再赘述。
图15示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲:
服务器1500包括中央处理单元(Central Processing Unit,CPU)1501、包括随机存取存储器(Random Access Memory,RAM)1502和只读存储器(Read Only Memory,ROM)1503的系统存储器1504,以及连接系统存储器1504和中央处理单元1501的系统总线1505。服务器1500还包括用于存储操作系统1513、应用程序1514和其他程序模块1515的大容量存储设备1506。
大容量存储设备1506通过连接到系统总线1505的大容量存储控制器(未示出)连接到中央处理单元1501。大容量存储设备1506及其相关联的计算机可读介质为服务器1500提供非易失性存储。也就是说,大容量存储设备1506可以包括诸如硬盘或者紧凑型光盘只读存储器(Compact Disc Read Only Memory,CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read Only Memory,EEPROM)、闪存或其他固态存储技术,CD-ROM、数字通用光盘(Digital Versatile Disc,DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1504和大容量存储设备1506可以统称为存储器。
根据本申请的各种实施例,服务器1500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器1500可以通过连接在系统总线1505上的网络接口单元1511连接到网络1512,或者说,也可以使用网络接口单元1511来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序,一个或者一个以上程序存储于存储器中,被配置由CPU执行。
本申请的实施例还提供了一种计算机设备,该计算机设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的伪影去除模型的训练方法。
本申请的实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行,以实现上述各方法实施例提供的伪影去除模型的训练方法。
本申请的实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中任一所述的伪影去除模型的训练方法。
可选地,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、固态硬盘(SSD,Solid State Drives)或光盘等。其中,随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM,Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种伪影去除模型的训练方法,其特征在于,所述方法包括:
获取图像内容匹配的参考图像和伪影图像,所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像,所述伪影图像是包含伪影的参考图像,所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影;
将所述伪影图像输入多个样本去除模型,分别输出得到所述伪影图像对应的伪影去除结果,不同样本去除模型对应不同的预设窗口范围,所述样本去除模型用于以对应的预设窗口范围为基准,去除所述伪影图像中的伪影;
基于所述伪影去除结果和所述参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值;
将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数,所述权重参数用于对所述样本去除模型的参数更新进行权重调整;
基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
2.根据权利要求1所述的方法,其特征在于,所述基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,包括:
基于多个预测损失值和多个损失值分别对应的权重参数,确定多个样本去除模型分别对应的加权损失值;
基于多个样本去除模型分别对应的加权损失值对多个样本去除模型的第一模型参数分别进行调整,得到多个伪影去除子模型;
将所述多个伪影去除子模型作为所述伪影去除模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述预测损失值和所述权重参数,确定加权损失值,包括:
在第s次迭代训练过程中,基于第s-1次迭代训练得到的预测损失值和第s次迭代训练得到的权重参数,确定第s次迭代训练对应的加权损失值;
所述基于所述加权损失值对所述样本去除模型的第一模型参数进行调整,得到所述伪影去除模型,包括:
基于所述第s次迭代训练对应的加权损失值,对所述样本去除模型的第s-1次迭代训练得到的第一模型参数进行梯度调整,得到第s次迭代训练对应的第一模型参数,并进行第s+1次循环调整,直至所述伪影去除模型训练结束,s≥1且s为整数。
4.根据权利要求3所述的方法,其特征在于,所述将所述预测损失值输入样本权重模型,输出得到权重参数,包括:
将第s-1次迭代训练得到的预测损失输入第s次迭代训练得到的样本权重模型,输出得到第s次迭代训练对应的权重参数。
5.根据权利要求1至4任一所述的方法,其特征在于,所述将所述预测损失值输入样本权重模型,输出得到权重参数之前,还包括:
获取图像内容匹配的验证参考图像和验证伪影图像;
将所述验证伪影图像输入多个样本去除模型,分别输出得到所述验证伪影图像对应的验证去除结果;
基于所述验证去除结果和所述验证参考图像之间的像素点差异,确定多个样本去除模型分别对应的验证损失值;
基于所述验证损失值,对所述样本权重模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述基于所述验证损失值,对所述样本权重模型进行训练,包括:
在s次迭代训练过程中,基于第s-1次迭代训练得到的验证损失值,对所述样本权重模型的第二模型参数进行梯度调整,得到第s次迭代训练对应的样本权重模型。
7.根据权利要求6所述的方法,其特征在于,所述基于第s-1次迭代训练得到的验证损失值,对所述样本权重模型的第二模型参数进行梯度调整,得到第s次迭代训练对应的样本权重模型之前,还包括:
基于第s-1次迭代训练得到的第一模型参数,确定第一模型参数和第二模型参数之间在第s-1次迭代训练过程中对应的映射关系;
基于所述映射关系,确定第s-1次迭代训练得到的验证损失值。
8.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
响应于所述第一模型参数的循环迭代调整次数达到次数阈值,将最近一次调整得到的第一模型参数确定为所述第一参数;
或者;
响应于所述第一模型参数的调整效果符合调整效果条件,将所述第一模型参数确定为所述第一参数,所述调整效果条件用于表示对所述预测损失值的限制要求。
9.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
获取第一学习衰减率,所述第一学习衰减率是指根据迭代次数以衰减形式对第一学习率进行调整,所述第一学习率是预先设定的对多个样本去除模型进行训练的更新步长;
在对多个样本去除模型进行训练的过程中,基于所述第一学习衰减率对所述第一学习率进行梯度下降,得到所述伪影去除模型对应的目标学习率。
10.根据权利要求1至4任一所述的方法,其特征在于,所述方法还包括:
确定第i个样本去除模型对应窗口范围,i为正整数;
将所述伪影图像和第i-1个伪影去除结果进行窗口转换,得到所述伪影图像和第i-1伪影去除结果分别对应的窗口转换结果,作为第i个样本去除模型的模型输入。
11.一种伪影去除模型的训练装置,其特征在于,所述装置包括:
获取模块,用于获取图像内容匹配的参考图像和伪影图像,所述参考图像是对未包含植入物的样本检测对象扫描后生成的图像,所述伪影图像是包含伪影的参考图像,所述伪影是在对包含所述植入物的样本检测对象的扫描过程中所述植入物产生的阴影;
输入模块,用于将所述伪影图像输入多个样本去除模型,分别输出得到所述伪影图像对应的伪影去除结果,不同样本去除模型对应不同的预设窗口范围,所述样本去除模型用于以对应的预设窗口范围为基准,去除所述伪影图像中的伪影;
确定模块,用于基于所述伪影去除结果和所述参考图像之间的像素点差异,确定多个样本去除模型分别对应的预测损失值;
所述输入模块,用于将多个样本去除模型分别对应的预测损失值输入样本权重模型,输出得到多个预测损失值分别对应的权重参数,所述权重参数用于对所述样本去除模型的参数更新进行权重调整;
训练模块,用于基于所述预测损失值和所述权重参数,对多个样本去除模型进行训练,得到多个伪影去除子模型构成的伪影去除模型,所述伪影去除子模型用于基于对应的预设窗口范围对目标图像进行伪影去除。
12.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储至少一段程序,所述至少一段程序由所述处理器加载并执行以实现如权利要求1至10任一所述的伪影去除模型的训练方法。
13.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一段程序,所述至少一段程序由处理器加载并执行以实现如权利要求1至10任一所述的伪影去除模型的训练方法。
14.一种计算机程序产品,其特征在于,包括计算机指令,所述计算机指令被处理器执行时实现如权利要求1至10任一所述的伪影去除模型的训练方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951294.0A CN115330615A (zh) | 2022-08-09 | 2022-08-09 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
PCT/CN2023/096836 WO2024032098A1 (zh) | 2022-08-09 | 2023-05-29 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210951294.0A CN115330615A (zh) | 2022-08-09 | 2022-08-09 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115330615A true CN115330615A (zh) | 2022-11-11 |
Family
ID=83921833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210951294.0A Pending CN115330615A (zh) | 2022-08-09 | 2022-08-09 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115330615A (zh) |
WO (1) | WO2024032098A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690255A (zh) * | 2023-01-04 | 2023-02-03 | 浙江双元科技股份有限公司 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
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 |
CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
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 |
CN117649358A (zh) * | 2024-01-30 | 2024-03-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3731144A1 (en) * | 2019-04-25 | 2020-10-28 | Koninklijke Philips N.V. | Deep adversarial artifact removal |
CN112446873A (zh) * | 2020-12-11 | 2021-03-05 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像伪影的去除方法 |
CN112862728B (zh) * | 2021-03-22 | 2023-06-27 | 上海壁仞智能科技有限公司 | 伪影去除方法、装置、电子设备和存储介质 |
CN113689359B (zh) * | 2021-09-23 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 一种图像伪影去除模型及其训练方法和系统 |
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 |
CN115330615A (zh) * | 2022-08-09 | 2022-11-11 | 腾讯医疗健康(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 |
-
2022
- 2022-08-09 CN CN202210951294.0A patent/CN115330615A/zh active Pending
-
2023
- 2023-05-29 WO PCT/CN2023/096836 patent/WO2024032098A1/zh unknown
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115690255A (zh) * | 2023-01-04 | 2023-02-03 | 浙江双元科技股份有限公司 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
CN115690255B (zh) * | 2023-01-04 | 2023-05-09 | 浙江双元科技股份有限公司 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
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 |
CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
CN116993845B (zh) * | 2023-06-09 | 2024-03-15 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
CN117649358A (zh) * | 2024-01-30 | 2024-03-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
CN117649358B (zh) * | 2024-01-30 | 2024-04-16 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2024032098A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115330615A (zh) | 伪影去除模型的训练方法、装置、设备、介质及程序产品 | |
US11727569B2 (en) | Training a CNN with pseudo ground truth for CT artifact reduction | |
CN110570492B (zh) | 一种基于神经网络的ct伪影抑制方法、设备以及介质 | |
CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
WO2022121160A1 (zh) | 一种基于深度学习的增强ct图像质量和分辨率的方法 | |
CN110998602A (zh) | 使用深度学习方法对3d牙颌面结构的分类和3d建模 | |
CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
JP2014064941A (ja) | 医療用途のデジタルx線画像の明るさレベルを計算する方法 | |
CN112598649B (zh) | 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法 | |
CN107958471A (zh) | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN113096210A (zh) | 图像重建方法、装置、电子设备和存储介质 | |
CN113838161B (zh) | 一种基于图学习的稀疏投影重建方法 | |
CN113592968B (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
EP4009268A1 (en) | Performing denoising on an image | |
CN112233126B (zh) | 医学图像的加窗方法及装置 | |
CN114862982A (zh) | 一种基于生成对抗网络的混合域无监督有限角ct重建方法 | |
CN113205566A (zh) | 基于深度学习的腹部三维医学影像转换生成方法 | |
CN117152365B (zh) | 一种口腔cbct超低剂量成像的方法、系统及装置 | |
CN114693831B (zh) | 一种图像处理方法、装置、设备和介质 | |
CN117115046B (zh) | 一种放疗cbct稀疏采样影像增强的方法、系统及装置 | |
WO2022091869A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
US20210330274A1 (en) | Computer-implemented method, computer program, systems and x-ray facility for correction of x-ray image data with regard to noise effects | |
CN117274080B (zh) | 一种低剂量ct弦图恢复方法及相关装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40075677 Country of ref document: HK |