医学图像伪影自动校正方法、装置和计算机设备与流程

本发明涉及医学图像理技术领域，特别是涉及一种医学图像伪影自动校正方法、装置、计算机设备和存储介质。

背景技术：

人工智能技术是当前的热门领域，人工智能主要涉及模拟人脑进行分析学习的神经网络。神经网络模仿人脑的机制来解释数据，例如图像、视频等。其中，深度学习概念起源于人工神经网络的研究。多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

医学成像系统因物理或软件上存在的不足，不可避免地会产生伪影。这些伪影会降低图像质量，甚至影响后续辅助分析诊断。然而，传统采用信号处理的方式对医学成像进行去伪影，其效果不高，去伪影的精确度不够高。以ct为例，传统基于图像域去伪影方法因未将ct成像过程及投影数据结构特性纳入其中，其伪影去除效果尚未达到最佳，其去伪影的精确度相对低。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供了一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，可以提高医学图像中去伪影的精确度。

为了解决上述中至少一个技术问题，本发明实施例提供了一种医学图像伪影自动校正方法、装置、计算机设备和存储介质，所述方法包括：

获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；

根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；

获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；

根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。

可选的，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：

对所述第二探测数据进行反投影重建，得到反投影重建图像数据；

对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；

将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。

可选的，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：

将所述包含标注索引的伪影的所述待校正的医学图像进行radon变换，得到投影域数据；

将所述投影域数据进行归一化处理，得到目标医学图像数据；

将目标医学图像数据输入循环一致对抗网络模型中。

可选的，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：

根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；

根据各伪影类型确定对应的循环一致对抗网络模型；

将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；

将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；

其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。

可选的，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到；

所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

可选的，所述方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到；

所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

可选的，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。

另外，本发明实施例还提供了一种医学图像伪影自动校正装置，所述装置包括：

第一获取模块，用于获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息；

构建模块，用于根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型；

第二获取模块，用于获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型；

校正模块，用于根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。

另外，本发明实施例还提供了一种计算机设备，其包括：存储器、处理器及存储在存储器上并可在处理器上运行的应用程序，处理器执行应用程序时实现上述任一实施例方法的步骤。

另外，本发明实施例还提供了一种计算机可读存储介质，其上存储有应用程序，应用程序被处理器执行时实现上述任一实施例方法的步骤。

在本发明实施例中，通过实施上述方法通过第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。

附图说明

图1是本发明实施例中的一种医学图像伪影自动校正方法的流程示意图；

图2是本发明实施例中的一种医学图像伪影自动校正装置的结构组成示意图；

图3是本发明实施例中的计算机设备的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1是本发明实施例中的一种医学图像伪影自动校正方法的流程示意图。如图1所示，一种医学图像伪影自动校正方法，所述方法包括如下步骤：

步骤s102，获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息。

在本实施例中，第一样本医学图像用于作为训练模型的图像数据集。计算机设备读取第一医学图像的第一探测数据，分析第一探测数据中伪影的传播规律以及伪影的扰动规律，从而确定第一样本医学图像中伪影的传播规律信息和扰动规律信息。其中，第一样本医学图像可通过医学成像设备获得。医学成像设备包括医学断层成像（ct），核磁共振成像（mri），医学超声成像（us），正电子发射断层成像（pet）。第一探测数据可以是医学成像设备直接采集的源信号数据或者经系统校正后的二次数据。第一样本医学图像中伪影的传播规律信息和扰动规律信息可以是通过构建统计模型，计算分析第二探测数据对应的投影数据的分布获得。例如，包含条纹伪影的投影数据不再满足复合泊松分布。

步骤s104，根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。

在本实施例中，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。具体地，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息确定出卷积神经网络模型的各个模型参数，从而使得构建出的卷积神经网络能够识别各医学图像中的各伪影类型。

步骤s106，获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。

在本实施例中，待校正的医学图像中包含有伪影。为了确定待校正的医学图像中伪影的类型，可将第二探测数据输入到上述构建的卷积神经网络模型中，通过卷积神经网络模型识别出待校正的医学图像中伪影的类型。具体地，卷积神经网络模型可以输出待校正的医学图像中的伪影以及伪影类型。

进一步地，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：对所述第二探测数据进行反投影重建，得到反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。其中，卷积神经网络模型输出的待校正的医学图像的伪影以及伪影类型是第二探测数据重建后获得的图像域数据。

步骤s108，根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。

在本实施例中，计算机设备可以根据卷积模型输出的伪影类型对待校正的医学图像的伪影进行索引标注。进一步地，将包含有索引标注的待校正的医学图像输入循环一致对抗网络模型中，从而得到循环一致对抗网络模型输出的图像。循环一致对抗网络模型输出的图像为对待校正的医学图像进行自动化校正后的图像，也即是去伪影后的待校正的医学图像。因此，可实现对待校正的医学图像的伪影自动化校正。其中，循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。也即是，循环一致对抗网络模型已采用大数据中已标注索引的伪影的样本医学图像进行训练，其具备对伪影自动识别并去除伪影的功能。

优选地，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：将所述包含标注索引的伪影的所述待校正的医学图像进行radon变换，得到投影域数据；将所述投影域数据进行归一化处理，得到目标医学图像数据；将目标医学图像数据输入循环一致对抗网络模型中。其中，循环一致对抗网络模型输出的数据是伪影后的投影数据。

优选地，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；根据各伪影类型确定对应的循环一致对抗网络模型；将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。

具体地，所述医学图像伪影自动校正，其可适用于多种情况，比如：同一幅图像中多种类型的伪影、多种伪影存在混叠或多种不同伪影表征相似、多尺度方向各异性的伪影。基于伪影结构差异性的情况，对于同一幅图像中多种类型的伪影，基于伪影标注索引的测量数据，对于不同伪影，利用不同的伪影自动校正模型去除伪影，再将去伪影后的各个数据进行融合，得到去伪影后的完整测量数据，其中，各对应的循环一致对抗网络模型的输入数据以及输出数据均为ct投影域数据。

其中，数据融合是指特征级图像融合。具体地，对去伪影后的数据进行特征抽取，将边缘、形状、局部特征等信息进行综合处理，经严格的图像配准，获得去除各类伪影的探测数据。

优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

具体地，对于多种伪影存在混叠或多种不同伪影表征相似的情况，上述两种情况中构建第一目标循环一致对抗网络模型的处理方式均为：基于伪影自动辨识的结果，采用特征提取方法(例如高斯模型、动态阈值法、支持向量机等)，对伪影部分形状、纹理等特征进行分析，选择可以分开各类型伪影的有用特征进行提取，根据各伪影结构特征差异性对伪影进行分类，针对不同特征的伪影拟分别构建特定第一目标循环一致对抗网络模型及相应的损失函数，第一目标循环一致对抗网络模型通过迭代更新，不断改变神经网络中所有的参数，使各损失函数值达到最小，以实现基于伪影结构特征差异的伪影自动校正。其中各损失函数可以是mae(平均绝对误差)函数。

优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

具体地，基于伪影多尺度方向各异性的情况，第二目标循环一致对抗网络模型的构建方式如下：对于复杂且严重的伪影，利用多尺度方向场处理(例如多尺度方向变换场，多尺度轮廓变换场等)含伪影测量数据，以提取测量数据中伪影部分多尺度方向数据信息。具体地，对辨识后的伪影数据经radon变换转换为投影域数据，并利用拉普拉斯塔形分解和方向滤波器组实现一种多分辨的、局域的、方向的图像表示方法，基于不同伪影具有多尺度各向异性特点，将该数据划分为不同尺度的投影数据，针对不同尺度方向的伪影拟分别构建各自的第二目标循环一致对抗网络模型和损失函数，通过不断迭代实现该尺度方向的伪影校正。最终经图像融合后获得去伪影后的测量数据。其中各损失函数可以是mse(均方误差)函数。

优选地，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。因此，可实现基于伪影特征差异的伪影自动校正。

需要说明的是，上述实施例提到的模型（卷积神经网络模型和循环一致对抗网络模型）是预先或在线训练的，以用于辨识三维定位像一个或多个解剖结构特征。

在本发明实施例中，通过实施上述方法通过第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。

本发明还提供一种医学图像伪影自动校正装置。如图2所示，所述装置包括：

第一获取模块12，用于获取第一样本医学图像的第一探测数据，根据所述第一探测数据确定所述第一样本医学图像中伪影的传播规律信息和扰动规律信息。

在本实施例中，第一样本医学图像用于作为训练模型的图像数据集。计算机设备读取第一医学图像的第一探测数据，分析第一探测数据中伪影的传播规律以及伪影的扰动规律，从而确定第一样本医学图像中伪影的传播规律信息和扰动规律信息。其中，第一样本医学图像可通过医学成像设备获得。医学成像设备包括医学断层成像（ct），核磁共振成像（mri），医学超声成像（us），正电子发射断层成像（pet）。第一探测数据可以是医学成像设备直接采集的源信号数据或者经系统校正后的二次数据。第一样本医学图像中伪影的传播规律信息和扰动规律信息可以是通过构建统计模型，计算分析第二探测数据对应的投影数据的分布获得。例如，包含条纹伪影的投影数据不再满足复合泊松分布。

构建模块14，用于根据所述第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。

在本实施例中，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型。具体地，计算机设备根据第一样本医学图像中伪影的传播规律信息和扰动规律信息确定出卷积神经网络模型的各个模型参数，从而使得构建出的卷积神经网络能够识别各医学图像中的各伪影类型。

第二获取模块16，用于获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。

在本实施例中，待校正的医学图像中包含有伪影。为了确定待校正的医学图像中伪影的类型，可将第二探测数据输入到上述构建的卷积神经网络模型中，通过卷积神经网络模型识别出待校正的医学图像中伪影的类型。具体地，卷积神经网络模型可以输出待校正的医学图像中的伪影以及伪影类型。

进一步地，所述获取待校正的医学图像的第二探测数据，将所述第二探测数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型，包括：对所述第二探测数据进行反投影重建，得到反投影重建图像数据；对所述反投影重建图像数据进行归一化处理，得到归一化反投影图像数据；将所述归一化反投影图像数据输入所述卷积神经网络模型，得到所述卷积神经网络模型输出的所述待校正的医学图像的伪影以及伪影类型。其中，卷积神经网络模型输出的待校正的医学图像的伪影以及伪影类型是第二探测数据重建后获得的图像域数据。

校正模块18，用于根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正；其中，所述循环一致对抗网络模型输出的图像为所述待校正的医学图像去伪影后的图像，所述循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。

在本实施例中，计算机设备可以根据卷积模型输出的伪影类型对待校正的医学图像的伪影进行索引标注。进一步地，将包含有索引标注的待校正的医学图像输入循环一致对抗网络模型中，从而得到循环一致对抗网络模型输出的图像。循环一致对抗网络模型输出的图像为对待校正的医学图像进行自动化校正后的图像，也即是去伪影后的待校正的医学图像。因此，可实现对待校正的医学图像的伪影自动化校正。其中，循环一致对抗网络模型采用包含已标注索引的伪影的第二样本医学图像进行训练得到。也即是，循环一致对抗网络模型已采用大数据中已标注索引的伪影的样本医学图像进行训练，其具备对伪影自动识别并去除伪影的功能。

优选地，所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，包括：将所述包含标注索引的伪影的所述待校正的医学图像进行radon变换，得到投影域数据；将所述投影域数据进行归一化处理，得到目标医学图像数据；将目标医学图像数据输入循环一致对抗网络模型中。其中，循环一致对抗网络模型输出的数据是伪影后的投影数据。

优选地，所述伪影类型为多种，所述根据所述伪影类型对所述待校正的医学图像的伪影进行索引标注，将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：根据各伪影类型对所述待校正的医学图像中各伪影进行索引标注；根据各伪影类型确定对应的循环一致对抗网络模型；将包含标注索引的各伪影的所述待校正的医学图像分别输入对应的循环一致对抗网络模型中，得到各对应的医学图像校正数据；将各对应的医学图像校正数据进行数据融合，以对所述待校正的医学图像进行自动化校正；其中，数据融合后的图像数据为所述待校正的医学图像去伪影后的图像，所述数据融合包括将所述各对应的医学图像校正数据中的特征图像数据进行融合处理。

具体地，所述医学图像伪影自动校正，其可适用于多种情况，比如：同一幅图像中多种类型的伪影、多种伪影存在混叠或多种不同伪影表征相似、多尺度方向各异性的伪影。基于伪影结构差异性的情况，对于同一幅图像中多种类型的伪影，基于伪影标注索引的测量数据，对于不同伪影，利用不同的伪影自动校正模型去除伪影，再将去伪影后的各个数据进行融合，得到去伪影后的完整测量数据，其中，各对应的循环一致对抗网络模型的输入数据以及输出数据均为ct投影域数据。

其中，数据融合是指特征级图像融合。具体地，对去伪影后的数据进行特征抽取，将边缘、形状、局部特征等信息进行综合处理，经严格的图像配准，获得去除各类伪影的探测数据。

优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多种伪影混淆情况或多种不同伪影表征相似的情况时，确定出第一目标循环一致对抗网络模型，所述第一目标循环一致对抗网络模型根据多种类型的伪影的各种类型的特征图像进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第一目标循环一致对抗网络模型中，以使用所述第一目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

具体地，对于多种伪影存在混叠或多种不同伪影表征相似的情况，上述两种情况中构建第一目标循环一致对抗网络模型的处理方式均为：基于伪影自动辨识的结果，采用特征提取方法(例如高斯模型、动态阈值法、支持向量机等)，对伪影部分形状、纹理等特征进行分析，选择可以分开各类型伪影的有用特征进行提取，根据各伪影结构特征差异性对伪影进行分类，针对不同特征的伪影拟分别构建特定第一目标循环一致对抗网络模型及相应的损失函数，第一目标循环一致对抗网络模型通过迭代更新，不断改变神经网络中所有的参数，使各损失函数值达到最小，以实现基于伪影结构特征差异的伪影自动校正。其中各损失函数可以是mae(平均绝对误差)函数。

优选地，所述医学图像伪影自动校正方法还包括：当根据所述伪影类型确定所述待校正的医学图像中包含多尺度方向且各尺度方向异性的伪影时，确定出第二目标循环一致对抗网络模型，所述第二目标循环一致对抗网络模型根据多尺度方向场处理后的伪影测量数据进行训练得到。所述将包含标注索引的伪影的所述待校正的医学图像输入循环一致对抗网络模型中，以使用所述循环一致对抗网络模型对所述待校正的医学图像进行自动化校正，包括：将包含标注索引的伪影的所述待校正的医学图像输入第二目标循环一致对抗网络模型中，以使用所述第二目标循环一致对抗网络模型对所述待校正的医学图像进行自动化校正。

具体地，基于伪影多尺度方向各异性的情况，第二目标循环一致对抗网络模型的构建方式如下：对于复杂且严重的伪影，利用多尺度方向场处理(例如多尺度方向变换场，多尺度轮廓变换场等)含伪影测量数据，以提取测量数据中伪影部分多尺度方向数据信息。具体地，对辨识后的伪影数据经radon变换转换为投影域数据，并利用拉普拉斯塔形分解和方向滤波器组实现一种多分辨的、局域的、方向的图像表示方法，基于不同伪影具有多尺度各向异性特点，将该数据划分为不同尺度的投影数据，针对不同尺度方向的伪影拟分别构建各自的第二目标循环一致对抗网络模型和损失函数，通过不断迭代实现该尺度方向的伪影校正。最终经图像融合后获得去伪影后的测量数据。其中各损失函数可以是mse(均方误差)函数。

优选地，所述循环一致对抗网络模型用于对所述包含标注索引的伪影的所述待校正的医学图像中的各伪影进行特征分析和提取，以基于所述各伪影特征差异进行自动化校正；其中，所述各伪影的特征包括梯度特征、均值特征以及边缘特征中的一项或多项。因此，可实现基于伪影特征差异的伪影自动校正。

需要说明的是，上述实施例提到的模型（卷积神经网络模型和循环一致对抗网络模型）是预先或在线训练的，以用于辨识三维定位像一个或多个解剖结构特征。

在本发明实施例中，通过实施上述装置通过第一样本医学图像中伪影的传播规律信息和扰动规律信息构建卷积神经网络模型，从而使用构建的卷积神经网络模型确定待校正的医学图像中的伪影类型，提高了辨识待校正的医学图像中的伪影准确度。进一步地，采用第二样本医学图像进行训练得到的循环一致对抗网络模型对待校正的医学图像进行去伪影的自动化校正，提高了去伪影的精确度。

本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有应用程序，该程序被处理器执行时实现上述实施例中任意一个实施例的医学图像伪影自动校正方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘（包括软盘、硬盘、光盘、cd-rom、和磁光盘）、rom（read-onlymemory，只读存储器）、ram（randomaccessmemory，随即存储器）、eprom（erasableprogrammableread-onlymemory，可擦写可编程只读存储器）、eeprom（electricallyerasableprogrammableread-onlymemory，电可擦可编程只读存储器）、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备（例如，计算机、手机）以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。

本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的医学图像伪影自动校正方法。

此外，图3是本发明实施例中的计算机设备的结构组成示意图。

本发明实施例还提供了一种计算机设备，如图3所示。所述计算机设备包括处理器302、存储器303、输入单元304以及显示单元305等器件。本领域技术人员可以理解，图3示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器303可用于存储应用程序301以及各功能模块，处理器302运行存储在存储器303的应用程序301，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、zip盘、u盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。

输入单元304用于接收信号的输入，以及接收用户输入的关键字。输入单元304可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作），并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键（比如播放控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。显示单元305可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元305可采用液晶显示器、有机发光二极管等形式。处理器302是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器303内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。

作为一个实施例，所述计算机设备包括：一个或多个处理器302，存储器303，一个或多个应用程序301，其中所述一个或多个应用程序301被存储在存储器303中并被配置为由所述一个或多个处理器302执行，所述一个或多个应用程序301配置用于执行上述实施例中的任意一实施例中对的医学图像伪影自动校正方法。

在本发明实施例中，通过实施上述方法可以提高医学图像中去伪影的精确度。

另外，以上对本发明实施例所提供的一种医学图像伪影自动校正方法、装置、计算机设备和存储介质进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。