运动补偿方法、装置、CT设备及CT系统与流程

本发明涉及医学图像处理技术领域，尤其涉及一种运动补偿方法、装置、ct设备及ct系统。

背景技术：

ct(computedtomography，电子计算机断层扫描)冠状动脉血管成像是目前临床应用广泛的安全无创的影像学技术，能够准确诊断心脏血管相关疾病，是心脏成像中热门的研究方向。心脏成像的难点是在ct扫描时，心脏一直处于运动状态，因此获取到的图像中往往包含运动伪影，影响了图像质量。

针对运动伪影，相关技术中采用心脏冠脉运动补偿技术来重建，这种技术根据冠脉运动向量场(简称运动场)进行运动补偿后再进行图像重建。

技术实现要素：

为克服相关技术中存在的问题，本发明提供了一种数据重建方法、装置、ct设备及ct系统，提高运动补偿的准确性。

根据本发明实施例的第一方面，提供一种运动补偿方法，包括：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

根据本发明实施例的第二方面，提供一种运动补偿装置，包括：

初始场确定模块，用于根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

初步重建模块，用于针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

分类及选择模块，用于利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

目标场确定模块，用于根据所述至少一幅图像，确定目标运动向量场；

补偿模块，用于根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

根据本发明实施例的第三方面，提供一种ct设备，包括：内部总线，以及通过内部总线连接的存储器、处理器和外部接口；其中，所述外部接口，用于连接ct系统的探测器，所述探测器包括多个探测器室及相应的处理电路；

所述存储器，用于存储图像重建的控制逻辑对应的机器可读指令；

所述处理器，用于读取所述存储器上的所述机器可读指令，并执行如下操作：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

根据本发明实施例的第四方面，提供一种ct系统，包括探测器、扫描床和ct设备，所述探测器包括多个探测器室及相应的处理电路；其中：

所述探测器室，用于在所述ct系统扫描过程中，探测穿过扫描对象的x射线并转换为电信号；

所述处理电路，用于将所述电信号转换成脉冲信号，采集脉冲信号的能量信息；

所述ct设备，用于：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明实施例，通过根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场，针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像，利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像，根据所述至少一幅图像，确定目标运动向量场，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据，通过分类模型筛选出运动伪影小于预设阈值的图像用于进行运动伪影的估计，提高了运动向量场的有效性，进而提高了运动补偿的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。

图1是本发明实施例提供的运动补偿方法的流程示例图。

图2是不同类别图像的示例图。

图3是本发明实施例提供的运动补偿装置的功能方块图。

图4是本发明实施例提供的ct设备的一个硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明实施例的一些方面相一致的装置和方法的例子。

在本发明实施例使用的术语是仅仅出于描述特定本发明实施例的目的，而非旨在限制本发明实施例。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

期相补偿仅需要半圈的view数据进行运动补偿，因此在计算量和计算复杂度上，期相补偿方法非常适合实际应用。

相关技术中，根据估计的运动伪影进行运动补偿，该技术中对于运动伪影的定量估计准确性较低，影响了运动补偿的效果。

本发明实施例提供的运动补偿方法，可以应用于心脏成像特别是冠状动脉血管成像的过程中。

下面通过实施例对运动补偿方法进行详细说明。

图1是本发明实施例提供的运动补偿方法的流程示例图。如图1所示，本实施例中，运动补偿方法可以包括：

s101，根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数。

s102，针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像。

s103，利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型。

s104，根据所述至少一幅图像，确定目标运动向量场。

s105，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

本实施例中，待处理的心脏ct扫描数据是与目标重建位置对应的扫描数据。

本实施例中，运动向量场模型可以为多项式。例如可以用下面公式(1)所示的运动向量场模型。

公式(1)中，s为运动向量场，ai为模型参数，ai＝(axi，ayi，azi)，分别对应(x，y，z)三个方向上的参数。t0为目标重建期相所对应的时间点，t为其它期相所在时间点。

公式(1)中的运动向量场是一个二次多项式。

其中，在应用中，可以根据经验统计不同心率下血管运动的最大幅度来设定预设运动范围。预设运动范围可以用于对运动向量场进行初始化。

初始化时，假设在x、y、z三个方向上血管运动为线性运动，即设公式(1)中的a2＝0，计算血管分别在x、y、z方向的最大偏移，表示为sm＝{sxm，sym，szm}。则s的运动范围为[-sm，sm]。

当a2＝0时，公式(1)变为s＝a1(t-t0)，此时根据t、t0、s＝sm可以计算出a1的值，通过该a1的值确定的公式(1)的运动向量场即为初始运动向量场(初始运动向量场中a2＝0)。

在[-sm，sm]范围内，假设在x、y、z每个方向上有k(k为自然数)个采样(即分别对sx、sy、sz进行k个采样)，那么可以得到k³个参数组合，令m＝k³，对m个参数组合中的每个参数组合计算出运动向量场，作为初始运动向量场。每个参数组合对应一个初始运动向量场。

例如，假设当前采样为sx0，用于重建目标点的view所在期相分别为60～80，目标期相为75，那么所有view距离目标期相的最大距离为15，此时根据s＝a1(t-t0)计算得到a1＝sx0/15。

其中，根据初始运动向量场对待处理的心脏ct扫描数据进行运动补偿后进行图像重建的过程可以如下：

对于任意一个重建位置(x0,y0,z0)，假设一个初始运动向量场为s(x,y,z,t)，该初始运动向量场在目标重建位置(x0,y0,z0)的处值为s(x0,y0,z0,t)，则根据该初始运动向量场可以得到对(x0,y0,z0)补偿后的位置(xk,yk,zk)，如下：

xk＝x0+s(x0,y0,z0,t)

yk＝y0+s(x0,y0,z0,t)

zk＝z0+s(x0,y0,z0,t)

通过fdk(feldkamp)算法重建位置(xk,yk,zk)处的冠脉图像ik(x，y)，如公式(2)所示：

公式(2)中，各符号表示的内容如下：

nviewhalfperrot:机架旋转半圈的周向采样数；

channelpos:重建点(即重建位置)投影到探测器上的通道位置；

slicepos：重建点投影到探测器的层位置；

nbegview：过重建点的起始采样view索引；

nendview：过重建点的终止采样view索引；

p表示view中的数据值。

公式(2)中，重建点(x0,y0,z0)投影到探测器上的通道位置可以通过如下的公式(3)获得：

channelposi＝xk*cosθi-yk*sinθi(3)

公式(3)中，θ表示射线采样角度。

公式(2)中，重建点(x0,y0,z0)投影到探测器的层位置可以通过如下的公式(4)获得：

公式(4)中，r表示机架旋转半径，即球管焦点到旋转中心距离；δz表示过重建点射线源z位置到重建平面的距离。

对于每一初始运动向量场，都可以根据上述方法获得对应的初步重建图像。

本实施例中，分类模型是预先训练好的ai(artificialintelligence，人工智能)模型。分类模型的功能是对输入图像进行分类。本实施例中的分类模型中图像类别可以有两类：一类是运动伪影小于预设阈值的图像(包括无运动伪影的图像)，这类图像在本文中包括小运动伪影图像和无运动伪影图像；另一类是运动伪影大于或等于预设阈值的图像，包括大运动伪影图像和背景图。图2是不同类别图像的示例图。请参见图2，其中的第一列图像为血管的图像，在图像类别上属于运动伪影小于预设阈值的图像；第二列图像为大伪影图像，第三列图像为背景图，第二列图像和第三列图像在图像类别上都属于运动伪影大于或等于预设阈值的图像。

在一个示例性的实现过程中，分类模型的训练方法可以包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

本实施例中，深度学习网络模型可以是在alex-net基础上进行网络结构调整得到的模型。

训练数据分为两类，一类训练数据中的标签图像为运动伪影小于预设阈值的图像，另一类训练数据中的标签图像为运动伪影大于或等于预设阈值的图像。在数量上，两类训练数据的比例可以为1∶2。

在进行训练时，可以采用随机梯度下降法进行训练。当然，本实施例并不对训练方式进行限制，在实际应用中，可以根据需要选择适合的其他训练方式。

在训练完毕后，还可以利用验证数据对分类模型进行验证。验证数据也包括两类图像，即一类图像为运动伪影小于预设阈值的图像，另一类图像为运动伪影大于或等于预设阈值的图像。

通过验证，可以进一步确定分类模型的分类精度，以确定分类模型是否符合应用需求。如不符合则需要重新训练分类模型。如符合则可以作为已训练好的模型保存和使用。

当前，一些运动伪影的估计方法无法准确分辨出所有血管图像运动伪影大小，当图像中运动伪影较大时，会造成错误的估计或者估计准确度很低，从而使得用于运动补偿的运动向量场准确度低，进而影响运动补偿效果。

本实施例通过利用分类模型对图像进行分类，可以将估计准确度较低的大运动伪影图像和背景图从运动向量场的计算中排除，只利用小运动伪影图像和无运动伪影图像进行运动伪影的评估以及运动向量场的确定，以提高运动向量场的准确性。

在一个示例性的实现过程中，步骤s104中，根据所述至少一幅图像，确定目标运动向量场，可以包括：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

其中，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，可以包括：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

本实施例中，可以通过如下的公式(5)计算图像的熵值ent。

公式(5)中，g表示图像直方图中的灰度级，f(s)表示在运动向量场s下进行运动补偿后的图像。函数p()为概率函数，表示每个灰度级在图像中出现的概率。

其中，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，可以包括：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

在一个实例中，可以采用powell优化方法对基础运动向量场进行优化，即以powell优化方法找到的使得图像的熵值最小的运动向量场作为目标运动向量场。

需要说明的是，在实际应用中，可以根据具体需要采用适当的优化方法对基础向量场进行优化，而不限于本示例中的powell优化方法。

本实施例在依据分类结果选择的小运动伪影图像的基础上，再通过图像熵值确定目标运动向量场，排除了准确度低的大运动伪影图像和背景图的干扰，提高了运动向量场的有效性，由于运动向量场的有效性越好，运动补偿的准确性越高，因此提高了运动补偿的准确性。

在一个示例性的实现过程中，步骤s105之后，还可以包括：

根据所述目标数据进行图像重建，得到目标重建图像。

本实施例中，目标数据是基于准确性高的目标运动向量场进行运动补偿得到的，补偿效果好，从而依据该目标数据进行重建能够得到更高质量的重建图像。

本发明实施例提供的运动补偿方法，通过根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场，针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像，利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像，根据所述至少一幅图像，确定目标运动向量场，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据，通过分类模型筛选出运动伪影小于预设阈值的图像用于进行运动伪影的估计，提高了运动向量场的有效性，进而提高了运动补偿的准确性。

基于上述的方法实施例，本发明实施例还提供了相应的装置、设备及存储介质实施例。

图3是本发明实施例提供的运动补偿装置的功能方块图。如图3所示，本实施例中，运动补偿装置可以包括：

初始场确定模块310，用于根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

初步重建模块320，用于针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

分类及选择模块330，用于利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

目标场确定模块340，用于根据所述至少一幅图像，确定目标运动向量场；

补偿模块350，用于根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

在一个示例性的实现过程中，还包括：

最终重建模块，用于根据所述目标数据进行图像重建，得到目标重建图像。

在一个示例性的实现过程中，目标场确定模块340具体用于：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

在一个示例性的实现过程中，目标场确定模块340在用于基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值时，可以具体用于：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

在一个示例性的实现过程中，目标场确定模块340在用于根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场时，可以具体用于：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

在一个示例性的实现过程中，所述运动向量场模型为多项式。

在一个示例性的实现过程中，所述分类模型的训练方法包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

本发明实施例还提供了一种ct设备。图4是本发明实施例提供的ct设备的一个硬件结构图。如图4所示，ct设备包括：内部总线401，以及通过内部总线连接的存储器402，处理器403和外部接口404，其中，所述外部接口，用于连接ct系统的探测器，所述探测器包括多个探测器室及相应的处理电路；

所述存储器402，用于存储运动补偿逻辑对应的机器可读指令；

所述处理器403，用于读取存储器402上的机器可读指令，并执行所述指令以实现如下操作：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

在一个示例性的实现过程中，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据之后，还包括：

根据所述目标数据进行图像重建，得到目标重建图像。

在一个示例性的实现过程中，根据所述至少一幅图像，确定目标运动向量场，包括：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

在一个示例性的实现过程中，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，包括：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

在一个示例性的实现过程中，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，包括：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

采用powell优化方法，对所述基础向量场进行优化，在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

在一个示例性的实现过程中，所述运动向量场模型为多项式。

在一个示例性的实现过程中，所述分类模型的训练方法包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

本发明实施例还提供一种ct系统，包括探测器、扫描床和ct设备，所述探测器包括多个探测器室及相应的处理电路；其中：

所述探测器室，用于在所述ct系统扫描过程中，探测穿过扫描对象的x射线并转换为电信号；

所述处理电路，用于将所述电信号转换成脉冲信号，采集脉冲信号的能量信息；

所述ct设备，用于：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

在一个示例性的实现过程中，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据之后，还包括：

根据所述目标数据进行图像重建，得到目标重建图像。

在一个示例性的实现过程中，根据所述至少一幅图像，确定目标运动向量场，包括：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

在一个示例性的实现过程中，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，包括：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

在一个示例性的实现过程中，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，包括：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

在一个示例性的实现过程中，所述运动向量场模型为多项式。

在一个示例性的实现过程中，所述分类模型的训练方法包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如下操作：

根据预设的运动向量场模型，在预设运动范围内确定m个初始运动向量场；m为自然数；

针对目标重建位置，分别根据所述m个初始运动向量场中的每个初始运动向量场，对待处理的心脏ct扫描数据进行运动补偿后进行图像重建，得到m幅初步重建图像；

利用已训练好的分类模型对所述m幅初步重建图像进行分类，根据分类结果从所述m幅初步重建图像中选择运动伪影小于预设阈值的至少一幅图像；所述分类模型为深度学习网络模型；

根据所述至少一幅图像，确定目标运动向量场；

根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据。

在一个示例性的实现过程中，根据所述目标运动向量场，对所述心脏ct扫描数据进行运动补偿，得到目标数据之后，还包括：

根据所述目标数据进行图像重建，得到目标重建图像。

在一个示例性的实现过程中，根据所述至少一幅图像，确定目标运动向量场，包括：

基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值；

根据所述至少一幅图像的运动伪影估值中的最小值，确定运动向量场的初始参数值；

根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场。

在一个示例性的实现过程中，基于预设的运动伪影估值算法，确定所述至少一幅图像中各个图像的运动伪影估值，包括：

获取所述至少一幅图像中各个图像的熵值，将熵值作为图像的运动伪影估值。

在一个示例性的实现过程中，根据预设的优化算法和所述初始参数值，对运动向量场进行优化，得到目标运动向量场，包括：

令运动向量场的参数值等于所述初始参数值，得到基础运动向量场；

在预设范围内查找使得图像的熵值最小的运动向量场，作为目标运动向量场。

在一个示例性的实现过程中，所述运动向量场模型为多项式。

在一个示例性的实现过程中，所述分类模型的训练方法包括：

设置深度学习网络模型和初始参数值；

获得若干组训练数据，每组训练数据包括标签图像和所述标签图像对应的图像类别；所述图像类别包括运动伪影小于预设阈值的图像和运动伪影大于或等于预设阈值的图像；

利用所述训练数据对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为分类模型。

对于装置和设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。

应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。