本申请涉及图像处理
技术领域：
：，特别是涉及一种心脏冠脉图像的伪影校正方法和可读存储介质。
背景技术：
：：电子计算机断层扫描(computedtomography，ct)利用精确准直的x线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。比如心脏冠脉的一些异常情况可以通过ct图像反应出来，但由于心脏不停的跳动，导致心脏冠脉的ct图像存在运动伪影，这对辅助临床医生阅片带来较大的影响。因此，需要对心脏冠脉的ct图像进行伪影校正。传统技术中，通常利用图像分析方法选取心脏冠脉ct图像的最优期相，然后选取最优期相前后相邻的若干个期相；根据最优期相和前后相邻的若干个期相所对应的心脏冠脉ct图像进行图像配准，以对心脏冠脉ct图像进行伪影校正。但是，传统技术的伪影校正过程耗时较长、效率较低。技术实现要素：基于此，有必要针对传统技术的伪影校正过程耗时较长、效率较低的问题，提供一种心脏冠脉图像的伪影校正方法和可读存储介质。第一方面，本申请实施例提供一种心脏冠脉图像的伪影校正方法，包括：将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。第二方面，本申请实施例提供一种心脏冠脉图像的伪影校正装置，包括：分割模块，用于将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；确定模块，用于根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；配准模块，用于对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。第三方面，本申请实施例提供一种计算机设备，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以下步骤：将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。第四方面，本申请实施例提供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：将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。上述心脏冠脉图像的伪影校正方法、装置、计算机设备和存储介质，能够将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。该方法中，采用第一分割模型对心脏冠脉图像进行分割，提高了分割效率，进而提高伪影校正过程的效率；同时相较于图像分析方法提高了得到的冠脉分割图像的准确率，也进而提高了伪影校正结果的准确率。附图说明图1为一个实施例提供的计算机设备的内部结构示意图；图2为一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图；图3为另一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图；图4为又一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图；图5为一个实施例提供的心脏冠脉图像的伪影校正装置的结构示意图；图6为另一个实施例提供的心脏冠脉图像的伪影校正装置的结构示意图。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。本实施例提供的心脏冠脉图像的伪影校正方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机(personalcomputer，简称pc)，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑(portableandroiddevice，简称pad)、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。该方法可以应用于对心脏冠脉图像中的冠脉伪影进行校正的过程，该心脏冠脉图像包括但不限于电子计算机断层扫描图像(computedtomography，ct)、核磁共振图像(nuclearmagneticresonanceimaging，mri)、正电子发射型计算机断层图像(positronemissioncomputedtomography，pet)或者x光片等。需要说明的是，下述方法实施例的执行主体可以是心脏冠脉图像的伪影校正装置，该装置可以通过软件、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。下述方法实施例以执行主体为计算机设备为例进行说明，该计算机设备可以是终端，也可以是服务器，可以为单独的计算设备，也可以集成于医学成像设备上，本实施例对此不做限定。图2为一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图。本实施例涉及的是计算机设备从多个期相的心脏冠脉图像中确定最优期相对应的图像集，并基于该图像集得到伪影校正后的心脏冠脉图像的具体过程。如图2所示，该方法包括：s101，将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像。具体的，计算机设备首先需获取多个期相的心脏冠脉图像，该多个期相可以对应于一个心动周期(包括舒张期和收缩期)，可选的，该心脏冠脉图像可以由计算机设备从后处理工作站或影像归档和通信系统(picturearchivingandcommunicationsystems，pacs)中获取，也可以从医院信息管理系统(hospitalinformationsystem，his)、临床信息系统(clinicalinformationsystem，cis)、放射科信息管理系统(radiologyinformationsystem，ris)、电子病历系统(electronicmedicalrecord，emr)以及相关的医学影像云存储平台获取。其中，从这些系统中获取的医学图像通常为生数据图像，计算机设备可以通过fbp方法得到多个期相的心脏冠脉图像。然后，计算机设备可以将上述多个期相的心脏冠脉图像输入第一分割模型，可选的，可以将多个期相的心脏冠脉图像全部输入该第一分割模型，也可以从多个期相中选择若干个期限的心脏冠脉图像输入该第一分割模型(该若干个期相的心脏冠脉图像的图像质量满足预设的质量条件)。其中，上述第一分割模型用于分割出心脏冠脉图像中的冠脉区域图像，且使得分割出的冠脉区域图像尽可能包含全部的伪影区域，可选的，该第一分割模型可以为神经网络模型，如v-net模型，也可以为其他机器学习的分割网络。以v-net模型为例，其可以首先对心脏冠脉图像进行数次的下采样，再进行相同次数的上采样，得到冠脉分割图像。其中，为使得第一分割模型的分割结果尽可能多的包含伪影区域，可以将预测过程中的softmax函数阈值调小，大于该阈值模型输出置为1，小于该阈值模型输出置为0，那么该阈值的值越小，分割出的图像区域越大，使得分割结果可以包括更多的伪影区域。可选的，上述第一分割模型的训练方式可以包括：将大量的样本图像输入初始第一分割模型，得到包含伪影区域的初始分割图像，然后计算初始分割图像和包含伪影标记的分割标签之间的损失(该分割标签可以为由医生标注的标准分割图像)，采用该损失对初始第一分割模型进行训练；当该损失达到收敛或小于等于预设阈值时，表征初始第一分割模型训练收敛，得到上述第一分割模型。可选的，在将心脏冠脉图像输入第一分割模型之前，计算机设备还可以对该心脏冠脉图像进行预处理：如对心脏冠脉图像进行随机的左右水平翻转、水平方向与竖直方向上的平移变换、随机的旋转、边缘的填充以及对比度的改变；再对心脏冠脉图像进行归一化以及标准化的操作，得到标准化图像。s102，根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相。具体的，计算机设备根据预设的质量评估指标对上述分割得到的多个冠脉分割图像进行量化分析，得到每个冠脉分割图像的量化结果，从中选取量化结果最优(如量化值最大)的冠脉分割图像，其对应的期相便为最优期相，其中，量化结果最优表征该冠脉分割图像中的伪影最小。可选的，上述质量评估指标可以包括冠脉形状规则度指标和冠脉边缘锐利度指标，其中，冠脉形状规则度指标指冠脉分割图像中冠脉的截面形状接近圆形或者椭圆形的程度，越接近则形状越规则；冠脉边缘锐利度指标指冠脉分割图像中冠脉的截面边缘曲线光滑程度，越光滑则边缘锐利度越低。那么计算机设备可以对每个冠脉分割图像，基于指标标准分别计算在上述两个指标下的量化值，得到的量化值表征冠脉分割图像中的伪影大小，如冠脉形状越规则以及边缘锐利度越低，表示伪影越小。然后计算机设备将量化值最高(即伪影最小)的冠脉分割图像所对应的期相作为最优期相。s103，对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。具体的，计算机设备确定了最优期相后，选择最优期相之前以及之后的预设数量的期相作为候选期相，并将最优期相和候选期相分别对应的心脏冠脉图像作为最优期相图像集。示例性的，假设最优期相为多个期相中的第80个期相，选择最优期相之前2个和之后2个的期相，即第78、79、81、82个期相作为候选期相，并将这5个期相对应的心脏冠脉图像作为最优期相图像集。然后，计算机设备以最优期相对应的心脏冠脉图像为基准，对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像。其中，医学图像配准是指对于一幅医学图像寻求一种或者一系列的空间变换，使它与另外一幅医学图像或者多幅图像上的对应点达到空间上的一致。这种一致是建立两幅图像中相同解剖结构的匹配对应关系。通常配准算法的策略是，假定两幅待配准的图像分别为m和f，定义一个目标函数(也称能量函数)e＝e(m,t(f))，其中t代表对图像f作空间变换，一般认为e值的大小代表了图像的配准程度，对于特定的配准任务，图像m和f是确定的，因此e是空间变换t的函数，即e＝e(t)。因此，计算机设备可以将上述候选期限对应的心脏冠脉图像配准到最优期相对应的心脏冠脉图像空间上。本实施例提供的心脏冠脉图像的伪影校正方法，计算机设备首先将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；再根据预设的质量评估指标对该多个冠脉分割图像进行量化分析，确定最优期相；该最优期相为伪影最小的冠脉分割图像所对应的期相；然后对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像。该方法中，采用第一分割模型对心脏冠脉图像进行分割，提高了分割效率，进而提高伪影校正过程的效率；同时相较于图像分析方法提高了得到的冠脉分割图像的准确率，也进而提高了伪影校正结果的准确率。图3为另一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图。本实施例涉及的是计算机设备对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像的具体过程。在上述实施例的基础上，可选的，上述s103可以包括：s201，将最优期相图像集中的心脏冠脉图像输入第二分割模型，得到多个冠脉图像。其中，为对心脏冠脉图像中的冠脉区域更有针对性的进行伪影校正，计算机设备还可以先将冠脉区域精确的分割出来，基于分割得到的冠脉图像进行图像配准。具体的，计算机设备将上述最优期相图像集中的图像分别输入第二分割模型，该第二分割模型用于对冠脉区域精确分割，得到每个图像对应的冠脉图像。可选的，该第二分割模型可以为神经网络模型，如v-net模型，也可以为其他机器学习的分割模型。该第二分割模型的网络结构可以与上述第一分割模型的网络结构相同，也可以不同，但两者的功能具有一定差异：第一分割模型使得分割出的冠脉区域图像尽可能多的包含伪影区域，而第二分割模型使得分割出的冠脉区域尽可能精确。可选的，上述第二分割模型可以包括心脏粗分割模型、心脏细分割模型和冠脉分割模型，那么该s201步骤可以包括：将最优期相图像集中的每个心脏冠脉图像输入心脏粗分割模型，得到每个心脏冠脉图像的心脏粗分割结果；根据每个心脏粗分割结果，使用心脏细分割模型，得到每个心脏冠脉图像的心脏细分割结果；根据每个心脏细分割结果，使用冠脉分割模型，得到多个冠脉图像。该过程可以理解为：先将最优期相图像集中每个心脏冠脉图像中的心脏区域大概分割出来，即心脏粗定位结果，可以用box1对其画框标记；再根据box1标记从心脏冠脉图像中截取对应位置的心脏粗定位图像，使用心脏细分割模型对该心脏粗定位图像进行心脏细分割，得到心脏区域的精确分割结果，可以用box2对其画框标记；最后根据box2标记从心脏冠脉图像中截取对应位置的心脏细分割图像，使用冠脉分割模型对该心脏细分割图像进行分割，得到冠脉区域的精细分割图像。s202，对多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。具体的，计算机设备可以对精细分割出来的多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。可选的，计算机设备可以先分别提取多个冠脉图像中的左右中心线，基于该中心线位置对多个冠脉图像进行图像配准，可选的，可以进行点云图像配准，进而得到伪影校正后的心脏冠脉图像。本实施例提供的心脏冠脉图像的伪影校正方法，计算机设备将最优期相图像集输入第二分割模型，得到最优期相图像集对应的多个冠脉图像，再对多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。该方法中，通过将最优期相图像集中的冠脉图像精细分割出来再进行图像配准，大大提高了图像配准结果的准确性，进而提高伪影校正结果的准确性。可选的，在其中一些实施例中，上述将多个期相的心脏冠脉图像输入第一分割模型，包括：根据多个期相中相邻期相的心脏冠脉图像，确定各心脏冠脉图像的伪影大小；从各心脏冠脉图像中选取多个目标心脏冠脉图像，输入第一分割模型；多个目标心脏冠脉图像中的伪影大小小于或者等于预设阈值。其中，计算机设备通过对比相邻期相的心脏冠脉图像，可以得到每个像素点值在不同心脏冠脉图像的变化情况，进而确定各心脏冠脉图像中的伪影大小，根据各心脏冠脉图像中的伪影大小，制作对应的运动图(motionmap)。那么，从该运动图中，可以得出哪段期相对应的心脏冠脉图像伪影较小，哪段期相对应的心脏冠脉图像伪影较大，然后选取伪影大小小于或者等于预设阈值的心脏冠脉图像输入第一分割模型。由此只需将伪影较小的心脏那冠脉图像进行分割及量化分析，大大减少了第一分割模型及计算机设备的数据处理量，提高数据处理效率，进而也提高了伪影校正过程的效率。可选的，通过上述motionmap可以确定近似最优期相(该近似最优期相表征的是伪影相对较小的心脏冠脉图像所对应的期相)；然后将该近似最优期相以及与其相邻的预设数量的期相所对应的心脏冠脉图像，作为目标心脏冠脉图像，输入第一分割模型，得到多个冠脉分割图像。可选的，在其中一些实施例中，上述根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相，包括：根据多个冠脉分割图像中相邻的冠脉分割图像，确定各冠脉分割图像的伪影大小；从各冠脉分割图像中选取多个候选冠脉分割图像，根据质量评估指标对多个候选冠脉分割图像进行量化分析，确定最优期相；多个候选冠脉分割图像中的伪影大小小于或者等于预设阈值。其中，计算机设备得到多个冠脉分割图像后，通过对比相邻冠脉分割图像，可以得到每个像素点值在不同冠脉分割图像的变化情况，进而确定各冠脉分割图像中的伪影大小，选取伪影大小小于或者等于预设阈值的候选冠脉分割图像进行量化分析，由此可大大减少计算机设备量化分析过程的数据处理量，提高了数据处理效率。图4为又一个实施例提供的心脏冠脉图像的伪影校正方法的流程示意图。本实施例涉及的是计算机设备对上述第二分割模型进行训练的具体过程。在上述实施例的基础上，可选的，该方法还包括：s301，将第一分辨率的样本图像输入初始心脏粗分割模型，得到心脏粗分割预测结果；根据心脏粗分割预测结果与心脏粗分割标签之间的损失，对初始心脏粗分割模型进行训练。s302，将第二分辨率的样本图像输入初始心脏细分割模型，得到心脏细分割预测结果；根据心脏细分割预测结果与心脏细分割标签之间的损失，对初始心脏细分割模型进行训练。s303，将第三分辨率的样本图像输入初始冠脉分割模型，得到冠脉预测图像；根据冠脉预测图像与冠脉分割标签之间的损失，对初始冠脉分割模型进行训练；其中，第一分辨率低于第二分辨率，第二分辨率低于第三分辨率。具体的，对于大量的样本图像，可由经验丰富的医生对其进行三重标注：心脏粗分割标签、心脏细分割标签以及冠脉分割标签，并由计算机设备对样本图像重采样为不同分辨率的样本图像，其中，第一分辨率低于第二分辨率，第二分辨率低于第三分辨率。然后，将第一分辨率的样本图像输入初始心脏粗分割模型，计算输出的心脏粗分割预测结果与心脏粗分割标签之间的损失，采用该损失对初始心脏粗分割模型进行训练。将第二分辨率的样本图像输入初始心脏细分割模型，计算输出的心脏细分割预测结果与心脏细分割标签之间的损失，采用该损失对初始心脏细分割模型进行训练。将第三分辨率的样本图像输入初始冠脉分割模型，计算输出的冠脉预测图像与冠脉分割标签之间的损失，采用该损失对初始冠脉分割模型进行训练。可选的，当上述三个损失达到收敛或小于等于预设阈值时，表征三个模型训练收敛，便得到上述心脏粗分割模型、心脏细分割模型和冠脉分割模型。本实施例提供的心脏冠脉图像的伪影校正方法，通过不同分辨率的样本图像分别对初始心脏粗分割模型、初始心脏细分割模型和初始冠脉分割模型进行训练，可以得到精度较高的心脏粗分割模型、心脏细分割模型和冠脉分割模型，则在模型应用阶段，可以得到精度较高的冠脉图像。由此可大大提高图像配准结果的精度，进而提高伪影校正结果的准确率。应该理解的是，虽然图2-图4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2-图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。图5为一个实施例提供的心脏冠脉图像的伪影校正装置的结构示意图。如图5所示，该装置包括：分割模块11、确定模块12和配准模块13。具体的，分割模块11，用于将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；确定模块12，用于根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；配准模块13，用于对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。本实施例提供的心脏冠脉图像的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。图6为另一个实施例提供的心脏冠脉图像的伪影校正装置的结构示意图。在上述图5所示实施例的基础上，如图6所示，配准模块13包括：分割单元131和配准单元132。具体的，分割单元131，用于将最优期相图像集中的心脏冠脉图像输入第二分割模型，得到多个冠脉图像配准单元132，用于对多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。本实施例提供的心脏冠脉图像的伪影校正装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。在其中一个实施例中，上述分割模块11，具体用于根据多个期相中相邻期相的心脏冠脉图像，确定各心脏冠脉图像的伪影大小；从各心脏冠脉图像中选取多个目标心脏冠脉图像，输入第一分割模型；多个目标心脏冠脉图像中的伪影大小小于或者等于预设阈值。在其中一个实施例中，确定模块12，具体用于根据多个冠脉分割图像中相邻的冠脉分割图像，确定各冠脉分割图像的伪影大小；从各冠脉分割图像中选取多个候选冠脉分割图像，根据质量评估指标对多个候选冠脉分割图像进行量化分析，确定最优期相；多个候选冠脉分割图像中的伪影大小小于或者等于预设阈值。在其中一个实施例中，质量评估指标包括冠脉形状规则度指标和冠脉边缘锐利度指标；确定模块12，具体用于分别计算每个冠脉分割图像在冠脉形状规则度指标和冠脉边缘锐利度指标下的量化值；量化值用于表征冠脉分割图像中的伪影大小；将量化值最高的冠脉分割图像所对应的期相作为最优期相。在其中一个实施例中，第二分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型；上述分割单元131，具体用于将最优期相图像集中的每个心脏冠脉图像输入心脏粗分割模型，得到每个心脏冠脉图像的心脏粗分割结果；根据每个心脏粗分割结果，使用心脏细分割模型，得到每个心脏冠脉图像的心脏细分割结果；根据每个心脏细分割结果，使用冠脉分割模型，得到多个冠脉图像。在其中一个实施例中，上述装置还包括训练模块，用于将第一分辨率的样本图像输入初始心脏粗分割模型，得到心脏粗分割预测结果；根据心脏粗分割预测结果与心脏粗分割标签之间的损失，对初始心脏粗分割模型进行训练；将第二分辨率的样本图像输入初始心脏细分割模型，得到心脏细分割预测结果；根据心脏细分割预测结果与心脏细分割标签之间的损失，对初始心脏细分割模型进行训练；将第三分辨率的样本图像输入初始冠脉分割模型，得到冠脉预测图像；根据冠脉预测图像与冠脉分割标签之间的损失，对初始冠脉分割模型进行训练；其中，第一分辨率低于第二分辨率，第二分辨率低于第三分辨率。在其中一个实施例中，上述配准单元132，具体用于对多个冠脉图像分别进行中心线提取，基于中心线位置对多个冠脉图像进行点云配准，得到伪影校正后的心脏冠脉图像。在其中一个实施例中，上述训练模块，还用于将样本图像输入初始第一分割模型，得到包含伪影区域的预测分割图像；根据预测分割图像与包含伪影标记的分割标签之间的损失，对初始第一分割模型进行训练，得到第一分割模型。关于心脏冠脉图像的伪影校正装置的具体限定可以参见上文中对于心脏冠脉图像的伪影校正方法的限定，在此不再赘述。上述心脏冠脉图像的伪影校正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终端，其内部结构图可以如图1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、网络接口、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、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心脏冠脉图像的伪影校正方法。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1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：将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。在一个实施例中，处理器执行计算机程序时还实现以下步骤：将最优期相图像集中的心脏冠脉图像输入第二分割模型，得到多个冠脉图像；对多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据多个期相中相邻期相的心脏冠脉图像，确定各心脏冠脉图像的伪影大小；从各心脏冠脉图像中选取多个目标心脏冠脉图像，输入第一分割模型；多个目标心脏冠脉图像中的伪影大小小于或者等于预设阈值。在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据多个冠脉分割图像中相邻的冠脉分割图像，确定各冠脉分割图像的伪影大小；从各冠脉分割图像中选取多个候选冠脉分割图像，根据质量评估指标对多个候选冠脉分割图像进行量化分析，确定最优期相；多个候选冠脉分割图像中的伪影大小小于或者等于预设阈值。在一个实施例中，质量评估指标包括冠脉形状规则度指标和冠脉边缘锐利度指标；处理器执行计算机程序时还实现以下步骤：分别计算每个冠脉分割图像在冠脉形状规则度指标和冠脉边缘锐利度指标下的量化值；量化值用于表征冠脉分割图像中的伪影大小；将量化值最高的冠脉分割图像所对应的期相作为最优期相。在一个实施例中，第二分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型；处理器执行计算机程序时还实现以下步骤：将最优期相图像集中的每个心脏冠脉图像输入心脏粗分割模型，得到每个心脏冠脉图像的心脏粗分割结果；根据每个心脏粗分割结果，使用心脏细分割模型，得到每个心脏冠脉图像的心脏细分割结果；根据每个心脏细分割结果，使用冠脉分割模型，得到多个冠脉图像。在一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一分辨率的样本图像输入初始心脏粗分割模型，得到心脏粗分割预测结果；根据心脏粗分割预测结果与心脏粗分割标签之间的损失，对初始心脏粗分割模型进行训练；将第二分辨率的样本图像输入初始心脏细分割模型，得到心脏细分割预测结果；根据心脏细分割预测结果与心脏细分割标签之间的损失，对初始心脏细分割模型进行训练；将第三分辨率的样本图像输入初始冠脉分割模型，得到冠脉预测图像；根据冠脉预测图像与冠脉分割标签之间的损失，对初始冠脉分割模型进行训练；其中，第一分辨率低于第二分辨率，第二分辨率低于第三分辨率。在一个实施例中，处理器执行计算机程序时还实现以下步骤：对多个冠脉图像分别进行中心线提取，基于中心线位置对多个冠脉图像进行点云配准，得到伪影校正后的心脏冠脉图像。在一个实施例中，处理器执行计算机程序时还实现以下步骤：将样本图像输入初始第一分割模型，得到包含伪影区域的预测分割图像；根据预测分割图像与包含伪影标记的分割标签之间的损失，对初始第一分割模型进行训练，得到第一分割模型。在一个实施例中，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：将多个期相的心脏冠脉图像输入第一分割模型，得到多个包含伪影区域的冠脉分割图像；根据预设的质量评估指标对多个冠脉分割图像进行量化分析，确定最优期相；最优期相为伪影最小的冠脉分割图像所对应的期相；对最优期相图像集中的图像进行图像配准，得到伪影校正后的心脏冠脉图像；最优期相图像集包括最优期相对应的心脏冠脉图像、以及与最优期相相邻的预设数量的期相对应的心脏冠脉图像。本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将最优期相图像集中的心脏冠脉图像输入第二分割模型，得到多个冠脉图像；对多个冠脉图像进行图像配准，得到伪影校正后的心脏冠脉图像。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据多个期相中相邻期相的心脏冠脉图像，确定各心脏冠脉图像的伪影大小；从各心脏冠脉图像中选取多个目标心脏冠脉图像，输入第一分割模型；多个目标心脏冠脉图像中的伪影大小小于或者等于预设阈值。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据多个冠脉分割图像中相邻的冠脉分割图像，确定各冠脉分割图像的伪影大小；从各冠脉分割图像中选取多个候选冠脉分割图像，根据质量评估指标对多个候选冠脉分割图像进行量化分析，确定最优期相；多个候选冠脉分割图像中的伪影大小小于或者等于预设阈值。在一个实施例中，质量评估指标包括冠脉形状规则度指标和冠脉边缘锐利度指标；计算机程序被处理器执行时还实现以下步骤：分别计算每个冠脉分割图像在冠脉形状规则度指标和冠脉边缘锐利度指标下的量化值；量化值用于表征冠脉分割图像中的伪影大小；将量化值最高的冠脉分割图像所对应的期相作为最优期相。在一个实施例中，第二分割模型包括心脏粗分割模型、心脏细分割模型和冠脉分割模型；计算机程序被处理器执行时还实现以下步骤：将最优期相图像集中的每个心脏冠脉图像输入心脏粗分割模型，得到每个心脏冠脉图像的心脏粗分割结果；根据每个心脏粗分割结果，使用心脏细分割模型，得到每个心脏冠脉图像的心脏细分割结果；根据每个心脏细分割结果，使用冠脉分割模型，得到多个冠脉图像。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一分辨率的样本图像输入初始心脏粗分割模型，得到心脏粗分割预测结果；根据心脏粗分割预测结果与心脏粗分割标签之间的损失，对初始心脏粗分割模型进行训练；将第二分辨率的样本图像输入初始心脏细分割模型，得到心脏细分割预测结果；根据心脏细分割预测结果与心脏细分割标签之间的损失，对初始心脏细分割模型进行训练；将第三分辨率的样本图像输入初始冠脉分割模型，得到冠脉预测图像；根据冠脉预测图像与冠脉分割标签之间的损失，对初始冠脉分割模型进行训练；其中，第一分辨率低于第二分辨率，第二分辨率低于第三分辨率。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对多个冠脉图像分别进行中心线提取，基于中心线位置对多个冠脉图像进行点云配准，得到伪影校正后的心脏冠脉图像。在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将样本图像输入初始第一分割模型，得到包含伪影区域的预测分割图像；根据预测分割图像与包含伪影标记的分割标签之间的损失，对初始第一分割模型进行训练，得到第一分割模型。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，所述的计算机程序可存储于一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/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)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。以上所述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。当前第1页12当前第1页12