CN115700740A

CN115700740A - 医学图像处理方法、装置、计算机设备和存储介质

Info

Publication number: CN115700740A
Application number: CN202110833211.3A
Authority: CN
Inventors: 胡立翔; 史宇航; 辛阳; 陈艳霞; 李国斌
Original assignee: Shanghai United Imaging Healthcare Co Ltd
Current assignee: Shanghai United Imaging Healthcare Co Ltd
Priority date: 2021-07-22
Filing date: 2021-07-22
Publication date: 2023-02-07

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。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。采用本方法能够使用训练的模型实现医学图像伪影的识别，而且模型的训练减少对标签样本的依赖。

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质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。进行医学成像扫描的工作流通过包括：操作医师确认患者的身份信息，并待患者进入扫描间后语音提示患者进行扫描前的摆位等准备工作；操作医师扫描定位图像，根据定位图像设置成像序列的参数。对于三甲医院而言，每天就诊的患者数量非常大，操作医师处于高强度的工作状态，容易产生视觉疲劳，忽略掉扫描过程中由于运动而产生伪影的部分，从而影响扫描图像的质量以及后续疾病诊断的效果；对于基层医院而言，受限制于操作医师的经验，较难保证得到高质量的医学图像。鉴于此，有必要对现有的医学图像扫描工作流进行改进。

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，能够使用训练的模型实现医学图像伪影的识别，而且模型的训练减少对标签样本的依赖。

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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包括先验伪影属性信息；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，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包括先验伪影程度指示信息；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。

在其中一个实施例中，目标伪影识别模型的训练过程为：根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签；利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选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，利用第一训练样本以及带有第一伪标签的第二训练样本对候选伪影识别网络进行训练，得到目标伪影识别模型，包括：将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值；将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值；获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。

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：根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络；将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签；利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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，利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选伪影程度识别网络进行训练，得到目标伪影程度识别模型，包括：将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。

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或之后，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。

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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包括先验伪影属性信息；

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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包括先验伪影程度指示信息；

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：

第一训练模块，用于根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；

第一获取模块，用于将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签；

第二训练模块，用于利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选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，上述第二训练模块，具体用于将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值；将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值；获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。

在其中一个实施例中，上述医学图像处理装置，还包括：

第三训练模块，用于根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络；

第二获取模块，用于将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签；

第四训练模块，用于利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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，上述第四训练模块，具体用于将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。

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。

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的所述方法。

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，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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包括先验伪影属性信息；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，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包括先验伪影程度指示信息；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，可以自动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自动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(增加扫描次数或增加不同类型的扫描序列)或者重扫(重新扫描前次的扫描序列)，进一步保证了扫描的质量。此外，由于目标伪影识别模型是根据标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像训练得到的，且目标伪影程度识别模型是根据标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像训练得到的。因此，不仅可以保证训练得到的目标伪影识别模型和目标伪影程度识别模型的准确性，而且使得对减少了标注样本的数量，降低对标签样本的依赖，提高模型的学习效率。且避免了因为样本标注规则不一，导致训练得到的目标伪影识别模型不准确。

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中的确定第一伪标签的示意图；

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为另一个实施例中医学图像处理方法的流程示意图；

图12为另一个实施例中医学图像处理方法的流程示意图；

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为一个实施例中医学图像处理装置的结构框图；

图18为一个实施例中计算机设备为服务器时的内部结构图；

图19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。而伪影对应的重建的医学图像中出现的一些人体本身不存在的图像信息，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，需要尽量降低甚至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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包括先验伪影属性信息，即用于指示真实伪影属性信息；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，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包含先验伪影程度指示信息，即用于指示真实伪影程度指示信息；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，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。此外，由于目标伪影识别模型是根据标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像训练得到的，且目标伪影程度识别模型是根据标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像训练得到的。因此，不仅可以保证训练得到的目标伪影识别模型和目标伪影程度识别模型的准确性，而且使得对减少了标注样本的数量，减轻了标注样本的工作量。且避免了因为样本标注规则不一，导致训练得到的目标伪影识别模型不准确。

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。

其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签为先验伪影属性信息。

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中的半监督学习模型，当然也可以是其他网络模型，其中，半监督学习模型可以为self-training(自训练算法)、generative models(生成概率模型)、SVMs(半监督支持向量机)、graph-based methods(基于图的方法)、multiview learning(多视图算法)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，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：

F_n＝R(W_n*F_n-1+B_n)

其中，R表示非线性激活函数Relu，W_n、B_n分别表示特征提取阶段中卷积层的权重和偏置，F_n-1表示上一个/当前特征提取阶段前的卷积输出的特征图，F_n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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包括先验伪影程度指示信息。

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含有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含有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，自动获取目标伪影属性信息。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，自动获取伪影程度指示信息。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。此外，由于目标伪影识别模型是根据标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像训练得到的，且目标伪影程度识别模型是根据标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像训练得到的。因此，本申请的激发方案使用非监督深度学习的方式降低对标签样本的依赖，提高模型的学习效率，而且避免了因为样本标注规则不一，导致训练得到的目标伪影识别模型不准确。

在本申请一个可选的实现方式中，如图4所示，目标伪影识别模型的训练过程可以包括：

步骤401，计算机设备根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络。

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)服务器中获取医学图像，也可以从医学影像设备中实时地获取医学图像。在获取到医学图像之后，可以通过专业人员对医学图像进行观察，并对医学图像中的伪影属性信息进行标注，从而生成标注第一标签的第一训练医学图像。

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，对应的第一训练医学图像不同。示例性的，胸部伪影识别模型对应的第一训练医学图像中只包括各种各样的胸部扫描图像。

可选的，为了方便对第一训练医学图像进行识别，计算机设备得到第一训练医学图像后，可以将各第一训练医学图像在x轴、y轴和z轴上按各轴向分别对各第一训练医学图像进行拆分处理，得到第一训练医学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。计算机设备分别对各第一训练医学图像对应的冠状位、矢状位和横断位进行分开训练。

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医学图像中的被扫描部位识别成伪影或者将第一训练医学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，对各第一训练医学图像亮度进行归一化处理。

计算机设备在得到归一化处理后的第一训练医学图像之后，可以将归一化处理后的第一训练医学图像输入至初始伪影识别网络，训练初始伪影识别网络，从而得到候选伪影识别网络。

可选的，初始伪影识别网络可以对各第一训练医学图像进行识别，首先对第一训练医学图像中的各个像素进行识别，确定第一训练医学图像中包括的被扫描部位。在确定第一训练医学图像中包括的被扫描部位之后，识别第一训练医学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，上述候选伪影识别网络在训练时，可以选择Adam优化器对候选伪影识别网络进行优化，从而可以使候选伪影识别网络能够快速收敛，并具有很好的泛化能力。

在上述利用Adam优化器对候选伪影识别网络进行优化时，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，接着将候选伪影识别网络和第一训练医学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。

步骤402，计算机设备将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签。

具体地，在根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络之后，计算机设备可以将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签。

其中，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医学图像，也可以从医学影像设备中实时地获取第二训练医学图像。

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，对应的第二训练医学图像不同。示例性的，胸部伪影识别模型对应的第二训练医学图像中只包括各种各样的胸部扫描图像。

具体地，计算机设备可以利用候选伪影识别网络中的特征提取层识别第二训练医学图像中的特征，并从第二训练医学图像中识别出伪影，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，输出训练伪影属性信息。可选的，计算机设备可以从候选伪影识别网络输出的训练伪影属性信息中选择置信度最大的训练伪影属性信息作为第二训练医学图像对应的第一伪标签。

示例性的，如图5所示，计算机设备利用第一训练医学图像训练图5中的神经网络模型(初始神经网络模型或者初始神经网络)，得到训练好的神经网络模型。然后计算机设备将第二训练医学图像输入至训练好的神经网络模型，根据训练好的神网络模型输出的训练伪影属性信息，从中选择置信度最大的训练伪影属性信息作为第二训练医学图像对应的第一伪标签。其中，图5中的1、2、3、4分别表示不同的训练伪影属性信息。在此实施例中，神经网络模型选择半监督深度神经网络模型。

步骤403，计算机设备利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选伪影识别网络进行训练，得到目标伪影识别模型。

具体地，计算机设备分别将第一训练医学图像以及带有第一伪标签的第二训练医学图像输入至候选伪影识别网络，利用交叉熵损失函数分别计算第一训练医学图像以及带有第一伪标签的第二训练医学图像对应的损失值，根据计算得到的损失值，训练候选伪影识别网络，最后得到目标伪影识别模型模型。

在本申请实施例中，计算机设备根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络。将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签。利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选伪影识别网络进行训练，得到目标伪影识别模型。不仅可以保证训练得到的目标伪影识别模型的准确性，而且降低对标签样本的依赖，，减轻了标注样本的工作量。且避免了因为样本标注规则不一，导致训练得到的目标伪影识别模型不准确。

在本申请一个可选的实现方式中，如图6所示，上述步骤403中的“利用第一训练样本以及带有第一伪标签的第二训练样本对候选伪影识别网络进行训练，得到目标伪影识别模型”可以包括以下步骤：

步骤601，计算机设备将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值。

具体地，计算机设备可以将第一训练医学图像输入至候选伪影识别网络，输出第一训练医学图像对应的第一伪影属性信息，并利用交叉熵损失函数计算候选伪影识别网络输出的第一伪影属性信息与第一训练医学图像对应的第一标签之间的第一损失值。

步骤602，计算机设备将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值。

具体地，计算机设备将第二训练医学图像输入至候选伪影识别网络，输出第二训练医学图像对应的第二伪影属性信息，并利用交叉熵损失函数计算候选伪影识别网络输出的第二伪影属性信息与第二训练医学图像对应的第一伪标签之间的第二损失值。

步骤603，计算机设备获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。

其中，第一权重值和第二权重值根据当前对候选伪影识别网络中的网络参数进行更新的迭代次数确定。

具体地，计算机设备可以根据候选伪影识别网络迭代次数确定第一损失值和第二损失值分别对应的第一权重值和第二权重值。为了避免因为第一伪标签不准确，导致模型训练失败，因此，在迭代次数较小时，可以将第二权重的数值设置的小一点，从而减少第二损失值，对第一目标损失值的影响。示例性地，假设当前候选伪影识别网络只迭代了10次数，此时，第一损失值对应的第一权重可以为1，第二损失值对应的第二权重可以为0。可选的，随着迭代次数的增加，第一权重对应的数值可以越来越小，第二权重对应的数值可以越来越大，直到迭代到预设次数，假设预设次数为1000次，此时，第一损失值和第二损失值占比相同，即第一权重值和第二权重值相同。

计算机设备在确定了获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理得到第一目标损失值。

计算机设备根据第一目标损失值对候选伪影识别网络中的网络参数进行更新，直到更新到预设次数之后，第一目标损失值的数值不再变化，计算机设备确定训练得到目标伪影识别模型。

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医学图像以及第二训练医学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 RangeTest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，将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值。将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值。获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。上述方法，根据对候选伪影识别网络中的网络参数进行更新的迭代次数确定第一权重值和第二权重值，可以保证在模型训练过程中第一损失值和第二损失值发挥适当的作用，可以避免因为第一伪标签不准确，导致模型训练失败，从而可以保证模型的准确性。

本申请一个可选的实现方式中，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，计算机设备根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络。

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)服务器中获取医学图像，也可以从医学影像设备中实时地获取医学图像。在获取到医学图像之后，可以通过专业人员对医学图像进行观察，并对医学图像中的伪影程度指示信息进行标注，从而生成标注第二标签的第三训练医学图像。

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，且伪影对医学图像的影响程度也不同。因此，针对不同被扫描部位的伪影程度识别模型，对应的第三训练医学图像不同。示例性的，胸部伪影程度识别模型对应的第三训练医学图像中只包括各种各样的胸部扫描图像。

可选的，为了方便对第三训练医学图像进行识别，计算机设备得到第三训练医学图像后，可以将各第三训练医学图像在x轴、y轴和z轴上按各轴向分别对各第三训练医学图像进行拆分处理，得到第三训练医学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。计算机设备分别对各第三训练医学图像对应的冠状位、矢状位和横断位进行分开训练。

为了保证训练得到的目标伪影程度识别模型的准确性，避免计算机设备将第三训练医学图像中的被扫描部位识别成伪影或者将第三训练医学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，对各第三训练医学图像亮度进行归一化处理。

计算机设备在得到归一化处理后的第三训练医学图像之后，可以将归一化处理后的第三训练医学图像输入至初始伪影程度识别网络，训练初始伪影程度识别网络，从而得到候选伪影程度识别网络。

可选的，初始伪影程度识别网络可以对各第三训练医学图像进行识别，首先对第三训练医学图像中的各个像素进行识别，确定第三训练医学图像中包括的被扫描部位。在确定第三训练医学图像中包括的被扫描部位之后，识别第三训练医学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，根据伪影属性信息以及第三训练医学图像中的被扫描部位的图像信息，判断第三训练医学图像中的伪影对第三训练医学图像的影响程度，输出第三训练医学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三训练医学图像的影响程度，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：

其中，x_i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，上述候选伪影程度识别网络在训练时，可以选择Adam优化器对候选伪影程度识别网络进行优化，从而可以使候选伪影程度识别网络能够快速收敛，并具有很好的泛化能力。

在上述利用Adam优化器对候选伪影程度识别网络进行优化时，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，接着将候选伪影程度识别网络和第三训练医学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LRRange 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。

步骤702，计算机设备将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

具体地，在根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络之后，计算机设备可以将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

其中，计算机设备可以从PACS(Picture Archiving and CommunicationSystems，影像归档和通信系统)服务器中获取第四训练医学图像，也可以从医学影像设备中实时地获取第四训练医学图像。

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，且伪影对医学图像的影响程度也不同。针对不同被扫描部位的伪影程度识别模型，对应的第四训练医学图像不同。示例性的，胸部伪影程度识别模型对应的第四训练医学图像中只包括各种各样的胸部扫描图像。

具体地，计算机设备可以利用候选伪影程度识别网络中的特征提取层识别第四训练医学图像中的特征，并根据第四训练医学图像中被扫描部位，以及伪影的深浅、大小以及种类等属性信息，确定伪影对第四训练医学图像的影响程度，从而输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

步骤703，计算机设备利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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，计算机设备分别将第三训练医学图像以及带有第二伪标签的第四训练医学图像输入至候选伪影程度识别网络，利用交叉熵损失函数分别计算第三训练医学图像以及带有第二伪标签的第四训练医学图像对应的损失值，根据计算得到的损失值，训练候选伪影程度识别网络，最后得到目标伪影程度识别模型模型。

在本申请实施例中，计算机设备根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络。将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选伪影程度识别网络进行训练，得到目标伪影程度识别模型。不仅可以保证训练得到的目标伪影程度识别模型的准确性，而且使得对减少了标注样本的数量，减轻了标注样本的工作量。且避免了因为样本标注规则不一，导致训练得到的目标伪影程度识别模型不准确。

在本申请一个可选的实现方式中，如图8所示，上述步骤703“利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选伪影程度识别网络进行训练，得到目标伪影程度识别模型”，可以包括以下步骤：

步骤801，计算机设备将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值。

具体地，计算机设备可以将第三训练医学图像输入至候选伪影程度识别网络，输出第三训练医学图像对应的第一伪影程度指示信息，并利用交叉熵损失函数计算候选伪影程度识别网络输出的第一伪影程度指示信息与第三训练医学图像对应的第二标签之间的第三损失值。

其中，交叉熵损失函数可以为：

步骤802，计算机设备将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值。

具体地，计算机设备将第四训练医学图像输入至候选伪影程度识别网络，输出第四训练医学图像对应的第二伪影程度指示信息，并利用交叉熵损失函数计算候选伪影程度识别网络输出的第二伪影程度指示信息与第四训练医学图像对应的第二伪标签之间的第四损失值。

其中，交叉熵损失函数可以为：

步骤803，计算机设备获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。

其中，第三权重值和第四权重值根据当前对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定。

具体地，计算机设备可以根据候选伪影程度识别网络迭代次数确定第三损失值和第四损失值分别对应的第三权重值和第四权重值。为了避免因为第二伪标签不准确，导致模型训练失败，因此，在迭代次数较小时，可以将第四权重的数值设置的小一点，从而减少第四损失值对第二目标损失值的影响。示例性地，假设当前候选伪影程度识别网络只迭代了10次数，此时，第三损失值对应的第三权重值可以为1，第四损失值对应的第四权重值可以为0。可选的，随着迭代次数的增加，第三权重值可以越来越小，第四权重值可以越来越大，直到迭代到预设次数，假设预设次数为1000次，此时，第三损失值和第四损失值占比相同，即第三权重值和第四权重值相同。

计算机设备在确定了获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理得到第一目标损失值。

计算机设备根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新，直到更新到预设次数之后，第二目标损失值的数值不再变化，计算机设备确定训练得到目标伪影程度识别模型。

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。

在上述利用Adam优化器对目标伪影程度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，接着将目标伪影程度识别模型和第三训练医学图像以及第四训练医学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 RangeTest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。

在本申请实施例中将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新，其中，第三权重值和第四权重值根据当前对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定。上述方法，根据对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定第三权重值和第四权重值，可以保证在模型训练过程中第三损失值和第四损失值发挥适当的作用，可以避免因为第二伪标签不准确，导致目标伪影程度识别模型训练失败，从而可以保证目标伪影程度识别模型的准确性。

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9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901，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902，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903，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：

F_n＝R(W_n*F_n-1+B_n)

其中，R表示非线性激活函数Relu，W_n、B_n分别表示特征提取阶段中卷积层的权重和偏置，F_n-1表示上一个卷积输出的特征图，F_n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10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1001，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。

步骤1002，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。

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1003，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。

F_n＝R(W_n*F_n-1+B_n)

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：

F_n＝R(W_n*F_n-1+B_n)

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。

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11所示，该方法包括：

步骤1101，计算机设备根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络。

步骤1102，计算机设备将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签。

步骤1103，计算机设备将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值。

步骤1104，计算机设备将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值。

步骤1105，计算机设备获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。

步骤1106，计算机设备根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络。

步骤1107，计算机设备将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

步骤1108，计算机设备将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值。

步骤1109，计算机设备将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值。

步骤1110，计算机设备获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。

步骤1111，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1112，计算机设备获取医疗设备场强信息对应的部位模型。

步骤1113，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1114，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1115，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1116，计算机设备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1117，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1118，计算机设备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12所示，该方法包括：

步骤1201，计算机设备根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络。

步骤1202，计算机设备将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签。

步骤1203，计算机设备将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值。

步骤1204，计算机设备将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值。

步骤1205，计算机设备获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。

步骤1206，计算机设备根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络。

步骤1207，计算机设备将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

步骤1208，计算机设备将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值。

步骤1209，计算机设备将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值。

步骤1210，获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。

步骤1211，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1212，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1213，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1214，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1215，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1216，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1217，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1218，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13所示，提供了一种医学图像处理装置1300，包括：第一输入模块1301、第二输入模块1302和输出模块1303，其中：

第一输入模块1301，用于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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包含先验伪影属性信息。

第二输入模块1302，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包含先验伪影程度指示信息。

输出模块1303，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，如图14所示，上述医学图像处理装置1300，还包括：第一训练模块1304、第一获取模块1305以及第二训练模块1306，其中：

第一训练模块1304，用于根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；

第一获取模块1305，用于将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签；

第二训练模块1306，用于利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选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，上述第二训练模块1306，具体用于将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值；将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值；获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。其中，第一权重值和第二权重值根据当前对候选伪影识别网络中的网络参数进行更新的迭代次数确定。

在其中一个实施例中，如图15所示，上述医学图像处理装置1300，还包括：第三训练模块1307、第二获取模块1308以及第四训练模块1309，其中：

第三训练模块1307，用于根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络。

第二获取模块1308，用于将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签。

第四训练模块1309，用于利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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，上述第四训练模块1309，具体用于将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。其中，第三权重值和第四权重值根据当前对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定。

在其中一个实施例中，如图16所示，上述医学图像处理装置1300，还包括：识别模块1310。其中：

识别模块1310，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1310，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1310，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，如图17所示，上述种医学图像处理装置1300，还包括：确定模块1311，其中：

确定模块1311，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。

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19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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包含先验伪影属性信息；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，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包含先验伪影程度指示信息；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。

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：根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签；利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选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：将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值；将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值；获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。其中，第一权重值和第二权重值根据当前对候选伪影识别网络中的网络参数进行更新的迭代次数确定。

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：根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络；将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签；利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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：将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。其中，第三权重值和第四权重值根据当前对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定。

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，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，其中，目标伪影识别模型是根据第一训练样本集训练得到的，第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，第一标签包含先验伪影属性信息；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，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，目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，第二标签包含先验伪影程度指示信息；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。

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：根据第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；将第二训练医学图像输入至候选伪影识别网络，获取候选伪影识别网络输出的训练伪影属性信息，并将训练伪影属性信息作为第二训练医学图像对应的第一伪标签；利用第一训练医学图像以及带有第一伪标签的第二训练医学图像对候选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：将第一训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第一训练医学图像带有的第一标签得到第一损失值；将第二训练医学图像输入至候选伪影识别网络，根据候选伪影识别网络的输出以及第二训练医学图像带有的第一伪标签得到第二损失值；获取第一损失值和第二损失值分别对应的第一权重值和第二权重值，并根据获取到第一权重值和第二权重值对第一损失值和第二损失值进行加权求和处理，得到第一目标损失值，根据第一目标损失值对候选伪影识别网络中的网络参数进行更新。其中，第一权重值和第二权重值根据当前对候选伪影识别网络中的网络参数进行更新的迭代次数确定。

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：根据第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络；将第四训练医学图像输入至候选伪影程度识别网络，获取候选伪影程度识别网络输出的训练伪影程度指示信息，并将训练伪影程度指示信息作为第二训练样本对应的第二伪标签；利用第三训练医学图像以及带有第二伪标签的第四训练医学图像对候选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：将第三训练医学图像输入至候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第三训练医学图像带有的第二标签得到第三损失值；将第四训练医学图像输入至所候选伪影程度识别网络，根据候选伪影程度识别网络的输出以及第四训练医学图像带有的第二伪标签得到第四损失值；获取第三损失值和第四损失值分别对应的第三权重值和第四权重值，并根据获取到的第三权重值和第四权重值对第三损失值和第四损失值进行加权求和处理，得到第二目标损失值，根据第二目标损失值对候选伪影程度识别网络中的网络参数进行更新。其中，第三权重值和第四权重值根据当前对候选伪影程度识别网络中的网络参数进行更新的迭代次数确定。

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。

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

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，其中，所述目标伪影识别模型是根据第一训练样本集训练得到的，所述第一训练样本集包括对应标注第一标签的第一训练医学图像和未对应标注第一标签的第二训练医学图像，所述第一标签包括先验伪影属性信息；

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，所述目标伪影程度识别模型是根据第二训练样本集训练得到的，其中，所述第二训练样本集包括对应标注第二标签的第三训练医学图像和未对应标注第二标签的第四训练医学图像，所述第二标签包括先验伪影程度指示信息；

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，所述目标伪影识别模型的训练过程为：

根据所述第一训练医学图像对初始伪影识别网络进行训练，得到候选伪影识别网络；

将所述第二训练医学图像输入至所述候选伪影识别网络，获取所述候选伪影识别网络输出的训练伪影属性信息，并将所述训练伪影属性信息作为所述第二训练医学图像对应的第一伪标签；

利用所述第一训练医学图像以及带有所述第一伪标签的第二训练医学图像对所述候选伪影识别网络进行训练，得到所述目标伪影识别模型。

3.根据权利要求2所述的方法，其特征在于，所述利用所述第一训练样本以及带有所述第一伪标签的第二训练样本对所述候选伪影识别网络进行训练，得到所述目标伪影识别模型，包括：

将所述第一训练医学图像输入至所述候选伪影识别网络，根据所述候选伪影识别网络的输出以及所述第一训练医学图像带有的第一标签得到第一损失值；

将所述第二训练医学图像输入至所述候选伪影识别网络，根据所述候选伪影识别网络的输出以及所述第二训练医学图像带有的第一伪标签得到第二损失值；

获取所述第一损失值和所述第二损失值分别对应的第一权重值和第二权重值，并根据获取到所述第一权重值和所述第二权重值对所述第一损失值和所述第二损失值进行加权求和处理，得到第一目标损失值，根据所述第一目标损失值对所述候选伪影识别网络中的网络参数进行更新。

4.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：

根据所述第三训练医学图像对初始伪影程度识别网络进行训练，得到候选伪影程度识别网络；

将所述第四训练医学图像输入至所述候选伪影程度识别网络，获取所述候选伪影程度识别网络输出的训练伪影程度指示信息，并将所述训练伪影程度指示信息作为所述第二训练样本对应的第二伪标签；

利用所述第三训练医学图像以及带有所述第二伪标签的第四训练医学图像对所述候选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。

5.根据权利要求4所述的方法，其特征在于，所述利用所述第三训练医学图像以及带有所述第二伪标签的第四训练医学图像对所述候选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，包括：

将所述第三训练医学图像输入至所述候选伪影程度识别网络，根据所述候选伪影程度识别网络的输出以及所述第三训练医学图像带有的第二标签得到第三损失值；

将所述第四训练医学图像输入至所候选伪影程度识别网络，根据所述候选伪影程度识别网络的输出以及所述第四训练医学图像带有的第二伪标签得到第四损失值；

获取所述第三损失值和所述第四损失值分别对应的第三权重值和第四权重值，并根据获取到的所述第三权重值和所述第四权重值对所述第三损失值和所述第四损失值进行加权求和处理，得到第二目标损失值，根据所述第二目标损失值对所述候选伪影程度识别网络中的网络参数进行更新。

6.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/或扫描方位。

7.根据权利要求6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。

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半监督学习的目标伪影识别模型，得到所述半监督学习的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半监督学习的目标伪影属性信息输入至目标伪影程度识别模型，得到所述半监督学习的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。