图像去伪影方法、装置、设备及存储介质与流程

图像去伪影方法、装置、设备及存储介质
1.本技术要求于2021年09月09日提交的申请号为202111057910.x、发明名称为“图像去伪影方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本技术中。
技术领域
2.本技术实施例涉及人工智能技术领域，特别涉及一种图像去伪影方法、装置、设备及存储介质。


背景技术：

3.基于x射线投影重建得到的ct(computed tomography，计算机断层扫描)图像在临床诊断和治疗计划中发挥着十分重要的作用。
4.当患者体内携载有金属物(如假牙、髋关节假体)时，由于金属对x射线的吸收，ct图像会呈现条纹和阴影等伪影现象，从而可能影响临床的诊断。相关技术中，提供了一种对偶域网络，该对偶域网络包括弦图处理模块和ct图像处理模型。首先，通过弦图处理模块对弦图进行修复，得到修复后的弦图；通过对修复后的弦图进行滤波后投影，得到重构ct图像，然后通过ct图像处理模块对重构ct图像进行处理，最终输出重构去伪影ct图像。
5.然而，上述这种方式的去伪影效果仍然不够理想。


技术实现要素：

6.本技术实施例提供了一种图像去伪影方法、装置、设备及存储介质，能够提升图像去伪影的效果。所述技术方案如下：
7.根据本技术实施例的一个方面，提供了一种图像去伪影方法，所述方法包括：
8.获取带伪影医学图像和受污染弦图，所述带伪影医学图像和所述受污染弦图是针对同一对象的一组对应图像；
9.基于所述带伪影医学图像和所述受污染弦图，执行n个阶段的迭代处理，生成所述带伪影医学图像对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。
10.根据本技术实施例的一个方面，提供了一种去伪影模型的训练方法，所述方法包括：
11.获取样本数据，所述样本数据包括干净医学图像样本和干净弦图样本，所述干净医学图像样本和所述干净弦图样本是针对同一对象的一组对应图像；
12.基于所述干净医学图像样本，生成受污染弦图样本和带伪影医学图像样本；
13.采用所述去伪影模型，基于所述带伪影医学图像样本和所述受污染弦图样本，执行n个阶段的迭代处理，生成所述带伪影医学图像样本对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数；
14.根据所述干净医学图像样本和所述最终去伪影医学图像，计算所述去伪影模型的训练损失；
15.基于所述训练损失对所述去伪影模型进行训练。
16.根据本技术实施例的一个方面，提供了一种图像去伪影装置，所述装置包括：
17.图像获取模块，用于获取带伪影医学图像和受污染弦图，所述带伪影医学图像和所述受污染弦图是针对同一对象的一组对应图像；
18.去伪影模块，用于基于所述带伪影医学图像和所述受污染弦图，执行n个阶段的迭代处理，生成所述带伪影医学图像对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。
19.根据本技术实施例的一个方面，提供了一种去伪影模型的训练装置，所述装置包括：
20.样本获取模块，用于获取样本数据，所述样本数据包括干净医学图像样本和干净弦图样本，所述干净医学图像样本和所述干净弦图样本是针对同一对象的一组对应图像；
21.样本处理模块，用于基于所述干净医学图像样本，生成受污染弦图样本和带伪影医学图像样本；
22.去伪影模块，用于采用所述去伪影模型，基于所述带伪影医学图像样本和所述受污染弦图样本，执行n个阶段的迭代处理，生成所述带伪影医学图像样本对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数；
23.损失计算模块，用于根据所述干净医学图像样本和所述最终去伪影医学图像，计算所述去伪影模型的训练损失；
24.模型训练模块，用于基于所述训练损失对所述去伪影模型进行训练。
25.根据本技术实施例的一个方面，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上述图像去伪影方法，或者实现上述去伪影模型的训练方法。
26.根据本技术实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读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上述图像去伪影方法，或者实现上述去伪影模型的训练方法。
27.根据本技术实施例的一个方面，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图像去伪影方法，或者实现上述去伪影模型的训练方法。
28.本技术实施例提供的技术方案可以包括如下有益效果：
29.通过对带伪影医学图像及其对应的受污染弦图，进行n个阶段(n为大于1的整数)的迭代处理，生成带伪影医学图像对应的最终去伪影医学图像，其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，从而实现弦图和医学图像的相互约束，使得弦图和医学图像的信息交互更加充分，提升了去伪影处理的效果，更有利于
后续临床任务的操作。
30.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，并不能限制本技术。
附图说明
31.为了更清楚地说明本技术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技术的一些实施例，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。
32.图1是本技术一个实施例提供的去伪影方法的示意图；
33.图2是本技术一个实施例提供的方案实施环境的示意图；
34.图3是本技术一个实施例提供的图像去伪影方法的流程图；
35.图4是本技术一个实施例提供的去伪影模型的结构示意图；
36.图5是本技术另一个实施例提供的图像去伪影方法的流程图；
37.图6是本技术另一个实施例提供的去伪影模型的结构示意图；
38.图7是本技术另一个实施例提供的去伪影方法的示意图；
39.图8是本技术另一个实施例提供的图像去伪影方法的流程图；
40.图9是本技术另一个实施例提供的去伪影模型的结构示意图；
41.图10是本技术一个实施例提供的通道级联与分离操作的示意图；
42.图11是本技术另一个实施例提供的通道级联与分离操作的示意图；
43.图12是本技术一个实施例提供的去伪影模型训练方法的流程图；
44.图13是本技术一个实施例提供的去伪影模型构建实验流程图；
45.图14是本技术一个实施例提供的去伪影模型的实验结果示意图；
46.图15是本技术一个实施例提供的图像去伪影装置的框图；
47.图16是本技术另一个实施例提供的图像去伪影装置的框图；
48.图17是本技术一个实施例提供的去伪影模型的训练装置的框图；
49.图18是本技术另一个实施例提供的去伪影模型的训练装置的框图；
50.图19是本技术一个实施例提供的计算机设备的结构框图。
具体实施方式
51.下面将结合附图对本技术实施方式作进一步地详细描述。
52.人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
53.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机
视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
54.计算机视觉技术(computer vision，cv)是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像分割、图像识别、图像语义理解、图像检索、ocr(optical character recognition，光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3d(three-dimensional，三维)技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
55.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
56.随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
57.如图1所示，本技术实施例提供的方案涉及计算机视觉技术和机器学习技术领域，利用计算机视觉技术和机器学习技术训练得到去伪影模型，再采用去伪影模型对带伪影医学图像和受污染弦图进行去伪影处理，得到最终去伪影医学图像。具体通过如下实施例进行说明。
58.请参考图2，其示出了本技术一个实施例提供的方案实施环境的示意图。该方案实施环境可以实现成为图像处理的系统架构。该方案实施环境可以包括：终端100和服务器200。
59.终端100可以是诸如pc(personal computer，个人计算机)、平板电脑、手机、医疗设备等电子设备。终端100中可以安装运行目标应用程序的客户端，该目标应用程序可以是远程医疗应用程序，也可以是提供有图像处理功能的其他应用程序，如医学计算应用程序、运动健康应用程序、生活服务类应用程序等，本技术对此不作限定。另外，本技术对该目标应用程序的形式不作限定，包括但不限于安装在终端100中的app(application，应用程序)、小程序等，还可以是网页形式。终端100也可以是医疗设备。可选地，该医疗设备用于采集医学图像。可选地，该医疗设备可以用于采集医学图像，同时实现对带伪影医学图像的去伪影处理。在一个示例中，医疗设备通过与pc建立连接，实现对带伪影医学图像的去伪影处理。在另一个示例中，医疗设备可以通过自身实现对带伪影医学图像的去伪影处理。
60.服务器200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，还可以是提供云计算服务的云服务器。服务器200可以是上述目标应用程序的后台服务器，用于为目标应用程序的客户端提供后台服务。
61.终端100和服务器200之间可以通过网络进行通信，如有线或无线网络。
62.本技术实施例提供的图像处理方法，各步骤的执行主体可以是计算机设备，所述计算机设备是指具备数据计算、处理和存储能力的电子设备。以图1所示的方案实施环境为例，可以由终端100执行图像去伪影方法(如终端100中安装运行的目标应用程序的客户端执行该图像去伪影方法)，也可以由服务器200执行该图像去伪影方法，或者由终端100和服务器200交互配合执行，本技术对此不作限定。为了便于说明，在下文方法实施例中，仅以图像去伪影方法的各步骤执行主体为计算机设备进行介绍说明。
63.此外，本技术技术方案可以和区块链技术相结合。例如，本技术所公开的图像去伪影方法，其中涉及的一些数据(诸如医学图像、弦图等数据)可以保存于区块链上。
64.可选地，本技术提供的技术方案可以在医疗场景中取得应用。示例性地，医疗设备与pc连接，pc与服务器连接。可选地，医疗设备与pc之间，pc与服务器之间可以通过有线连接进行通信，也可以通过无线连接进行通信，本技术对此不作限定。医疗设备采集医学图像，并将该医学图像发送到pc，pc再将医学图像上传到服务器，服务器对该医学图像进行去伪影处理，然后将去伪影后的医学图像发送到pc，医生可以对照去伪影后的医学图像进行诊断。可选地，pc收到医疗设备发送的医学图像后，直接对该医学图像进行去伪影处理，然后直接将去伪影后的医学图像显示出来，不需要上传服务器。
65.请参考图3，其示出了本技术一个实施例提供的图像去伪影方法的流程图。该方法可以包括如下几个步骤(210～220)：
66.步骤210：获取带伪影医学图像和受污染弦图，带伪影医学图像和受污染弦图是针对同一对象的一组对应图像。
67.上述带伪影医学图像是指被伪影污染的医学图像，伪影是指医学图像中与实际结构不相符的信号，可以表现为图像变形、重叠、缺失、模糊等。可选地，医学图像包括ct图像。
68.上述受污染弦图是指上述带伪影医学图像对应的弦图。弦图是一种展示数据之间相互关系的图形。上述受污染弦图为与其对应的带伪影医学图像的投影数据。
69.需要说明的一点是，本技术提供的实施例中，带伪影医学图像可以在受污染弦图之前获取，也可以在受污染弦图之后获取，也可以与受污染弦图同时获取，本技术对此不作限定。
70.在一个示例中，先获取带伪影医学图像，根据带伪影医学图像生成对应的受污染弦图。可选地，通过对带伪影医学图像进行前向投影，得到对应的受污染弦图。前向投影是指通过拉东变换将医学图像转换为对应的弦图的一种计算方式。
71.在另一个示例中，先获取受污染弦图，根据受污染弦图生成对应的带伪影医学图像。可选地，通过对受污染弦图进行滤波后投影，得到对应的带伪影医学图像。
72.在另一个示例中，同时获取到带伪影医学图像及其对应的受污染弦图。
73.可选地，上述受污染弦图和带伪影医学图像可以通过物理设备获取，也可以在带伪影医学图像库中获取，本技术对此不作限定。
74.另外，带伪影医学图像和受污染弦图是针对同一对象的一组对应图像，带伪影医学图像和受污染弦图是针对同一身体部位的一组对应图像。例如，上述身体部位可以是头部、胸部、手部、腿部、腹部等，本技术对此不作限定。
75.步骤220：基于带伪影医学图像和受污染弦图，执行n个阶段的迭代处理，生成带伪影医学图像对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复
处理，以及对医学图像进行去伪影处理，n为大于1的整数。
76.上述最终去伪影医学图像是指，对带伪影医学图像进行去伪影处理后得到的医学图像。需要说明的是，上述n个阶段的迭代处理，每一阶段的迭代处理均用于对弦图进行修复处理，以及对医学图像进行去伪影处理，也即处理后得到的图像被伪影污染的程度相比于处理前的图像被伪影污染的程度要轻，在本技术实施例中，将每一阶段的迭代处理得到的图像，称为干净医学图像和干净归一化弦图，但应当理解的是，干净医学图像和干净归一化弦图并非是完全没有被伪影污染的图像，包括n个阶段迭代处理结束后得到的最终去伪影医学图像也可能不是完全没有伪影的医学图像，但其比初始的带伪影医学图像中存在的伪影要少。
77.示例性地，如图4所示，基于带伪影医学图像x
ma
和受污染弦图y，执行n个阶段的迭代处理，生成带伪影医学图像x
ma
对应的最终去伪影医学图像xn。
78.可选地，上述n个阶段的迭代处理，最终输出除了包括带伪影医学图像对应的最终去伪影医学图像之外，还包括带伪影医学图像对应的最终去污染弦图，本技术对此不作限定。
79.可选地，每一阶段的迭代处理可以先对弦图进行修复处理，再对医学图像进行去伪影处理，也可以先对医学图像进行去伪影处理，再对弦图进行修复处理，本技术仅以每一阶段的迭代处理先对弦图进行修复处理，再对医学图像进行去伪影处理为例。
80.在本技术实施例中，n个阶段的迭代处理中，交替进行对弦图的修复处理，以及对医学图像的去伪影处理，该n个阶段的迭代处理顺序进行，其中，第i-1次迭代处理的输出，作为第i次迭代处理的输入，i为大于0的整数。
81.在一个示例中，以n＝3为例，第一阶段先对弦图进行修复处理，再对医学图像进行去伪影处理，第二阶段继续先对弦图进行修复处理，再对医学图像进行去伪影处理，然后第三阶段依旧是先对弦图进行修复处理，再对医学图像进行去伪影处理，第三阶段完成后输出最终去伪影医学图像。可选地，第三阶段完成后，最终输出还包括最终去污染弦图。
82.在另一个示例中，以n＝3为例，第一阶段先对医学图像进行去伪影处理，再对弦图进行修复处理，第二阶段继续先对医学图像进行去伪影处理，再对弦图进行修复处理，然后第三阶段依旧是先对医学图像进行去伪影处理，再对弦图进行修复处理，第三阶段完成后输出最终去伪影医学图像。可选地，第三阶段完成后，最终输出还包括最终去污染弦图。
83.可选地，n的取值可以是根据去伪影模型的训练结果设定，也可以是依据经验设定，本技术对此不作限定。
84.可选地，采用去伪影模型实现上述n个阶段的迭代处理。也即，采用去伪影模型，基于带伪影医学图像样本和受污染弦图样本，执行n个阶段的迭代处理，生成带伪影医学图像样本对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。在一个示例中，去伪影模型包括n个级联的去伪影网络模块，用于执行n个阶段的迭代处理；每个去伪影网络模块都包括：用于对弦图进行修复处理的第一神经网络，以及用于对医学图像进行去伪影处理的第二神经网络。
85.综上所述，本技术实施例提供的技术方案，通过对带伪影医学图像及其对应的受污染弦图，进行n个阶段(n为大于1的整数)的迭代处理，生成带伪影医学图像对应的最终去伪影医学图像，其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行
去伪影处理，从而实现弦图和医学图像的相互约束，使得弦图和医学图像的信息交互更加充分，提升了去伪影处理的效果，更有利于后续临床任务的操作。
86.另外，该方法对应迭代算法一一展开构建去伪影模型，使得去伪影模型的每个网络模块均具有特定的物理含义，该去伪影模型具有很强的物理可解释性，整个去伪影过程透明可视，使得用户能够更容易明白每个模块的作用，方便去伪影模型的调试和使用。
87.请参考图5，其示出了本技术另一个实施例提供的去伪影方法流程图。该方法可以包括如下几个步骤(310～360)。
88.步骤310：获取带伪影医学图像和受污染弦图，带伪影医学图像和受污染弦图是针对同一对象的一组对应图像。
89.步骤320：基于带伪影医学图像和受污染弦图，生成初始化的干净医学图像、初始化的干净归一化弦图和归一化因子，归一化因子的轮廓特征优于受污染弦图的轮廓特征。
90.在一个示例中，初始化的干净医学图像是指对带伪影医学图像进行初始化处理得到的初步去伪影的医学图像；初始化的干净归一化弦图是指对受污染弦图进行初始化处理得到的初步修复的弦图。可选地，初始化处理包括通道级联和通道分离操作。通道级联是指按照通道维度把图像进行级联，得到一个多通道张量作为输入。通道分离是指按照通道维度对多通道张量进行拆分，第一个通道作为图像，剩下的通道作为辅助变量。
91.在一个示例中，可以通过如下步骤321～323得到上述初始化的干净医学图像和初始化的干净归一化弦图。
92.步骤321：获取带伪影医学图像对应的重构弦图和重构医学图像。
93.重构弦图是指对受污染弦图进行初步修复得到的图像；重构医学图像是指对带伪影医学图像进行初步去伪影得到的图像。
94.可选地，采用线性插值算法对受污染弦图进行初步修复，得到重构弦图。可选地，根据重构弦图得到重构医学图像。示例性地，对重构弦图进行滤波后投影得到重构医学图像。线性插值算法是指一种图像去伪影的方法，但其操作简单，容易引入新的伪影，同时会造成医学图像中组织结构的缺失。在本技术实施例中，通过线性插值算法对受污染弦图进行初步修复处理，再根据重构弦图获得重构医学图像，使得带伪影医学图像的受污染程度降低，一定程度上减少去伪影模型的工作量，有利于减少模型所需要的去伪影网络模块的数量。
95.步骤322：对重构弦图执行第一近端操作，得到初始化的干净归一化弦图。第一近端操作是指通过第一神经网络对弦图进行修复处理的操作。
96.步骤323：对重构医学图像执行第二近端操作，得到初始化的干净医学图像。第二近端操作是指通过第二神经网络对医学图像进行去伪影处理的操作。
97.在一个示例中，归一化因子是指对受污染弦图进行归一化处理得到的，通过归一化处理，使得受污染弦图的轮廓特征更为均匀和平坦。
98.示例性地，可以通过如下步骤324～326得到归一化因子。可选地，采用如下步骤324～326得到归一化因子的去伪影模型称为indudonet(可解释性对偶域网络)。
99.步骤324：根据带伪影医学图像生成先验医学图像，先验医学图像是指具有干净医学图像的共有特征的医学图像。
100.为了和下文实施例进行区分，将此处步骤324中的“先验医学图像”称为“第一先验
医学图像”，即步骤324为：根据带伪影医学图像生成第一先验医学图像，第一先验医学图像是指具有干净医学图像的共有特征的医学图像。
101.可选地，通过先验网络对带伪影医学图像进行处理，生成第一先验医学图像。示例性地，如图4所示，通过先验网络对带伪影医学图像x
ma
进行处理，生成第一先验医学图像。可选地，将带伪影医学图像和重构医学图像级联后，输入至先验网络，通过先验网络输出第一先验医学图像。在本技术实施例中，对于先验网络的结构，本技术不作限定。示例性地，先验网络为u形结构。示例性地，如图7所示，将带伪影医学图像620与重构医学图像610级联后，输入先验网络630，得到第一先验医学图像a。
102.步骤325：对第一先验医学图像和带伪影医学图像对应的重构医学图像进行融合处理，得到融合图像。
103.重构医学图像是指对带伪影医学图像进行初步去伪影得到的图像。可选地，上述融合处理为加和处理。示例性地，将先验医学图像和重构医学图像对应位置像素值进行加和，得到融合图像。示例性地，如图7所示，将第一先验医学图像a和重构医学图像610对应位置像素值进行加和，得到融合图像b。
104.步骤326：对融合图像进行前向投影，得到归一化因子。
105.示例性地，如图7所示，对融合图像b进行前向投影，得到归一化因子640。
106.需要说明的一点是，归一化因子可以是对融合图像进行前向投影得到，也可以是直接对带伪影医学图像进行前向投影得到，还可以是对先验医学图像进行前向投影得到，本技术对此不作限定。需要说明的一点是，生成归一化因子可以在生成初始化的干净医学图像和初始化的干净归一化弦图之前执行，也可以在生成初始化的干净医学图像和初始化的干净归一化弦图之后执行，也可以与生成初始化的干净医学图像和初始化的干净归一化弦图同步执行，本技术对此不作限定。
107.示例性地，如图8所示，还可以通过如下步骤327～328得到归一化因子。可选地，采用如下步骤327～328得到归一化因子的去伪影模型称为indodunet+(可解释性对偶域网络+)。
108.步骤327：根据带伪影医学图像和带伪影医学图像对应的重构医学图像，生成第二先验医学图像。
109.示例性地，如图6所示，根据带伪影医学图像x
ma
和带伪影医学图像对应的重构医学图像x
li
，生成第二先验医学图像。
110.重构医学图像是指对带伪影医学图像进行初步去伪影得到的图像，第二先验医学图像是指具有干净医学图像的共有特征和带伪影医学图像的独有特征的医学图像。
111.可选地，根据重构医学图像，生成初始先验医学图像，初始先验医学图像是指具有干净医学图像的共有特征的医学图像；将初始先验医学图像和带伪影医学图像进行加权融合，得到第二先验医学图像。
112.可选地，根据重构弦图，结合干净医学图像的先验统计特性，生成初始先验医学图像。重构医学图像结合干净医学图像的先验统计特性，利用手工正则的方式对重构医学图像进行处理，得到初始先验医学图像，使得该网络的物理可解释性更强。
113.可选地，通过加权网络对带伪影医学图像进行处理，得到权重矩阵；对初始先验医学图像和权重矩阵进行点乘计算，得到第二先验医学图像。
114.示例性地，如图9所示，根据线性插值算法得到的重构医学图像x
li
，结合干净医学图像的先验统计特性，生成初始先验医学图像。通过加权网络wnet对带伪影医学图像xma进行处理，得到权重矩阵，对初始先验医学图像和权重矩阵进行点乘计算，得到第二先验医学图像。
115.步骤328：对第二先验医学图像进行前向投影，得到归一化因子。
116.第二先验医学图像的获取方法与第一先验医学图像的获取方法相比，采用轻量级的加权网络对重构医学图像和带伪影医学图像进行处理，降低了网络所需的参数量，提升网络的跨域泛化潜力，另外加权网络的物理可解释性也更强。
117.步骤330：对于n个阶段中的第i个阶段，根据归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和受污染弦图，得到更新后的归一化弦图。
118.在一个示例中，通过对归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和受污染弦图进行计算，得到更新后的归一化弦图。示例性地，通过公式(1)计算得到更新后的归一化弦图。
[0119][0120]
式中，是指更新后的归一化弦图；是指第i-1次迭代得到的干净归一化弦图；x
i-1
是指第i-1次迭代得到的干净医学图像；y是指受污染弦图；是指归一化因子；η1为更新步长；p是指拉东变换，即前向投影运算；α是指用来平衡空间域和拉东域数据一致性的加和因子；tr为弦图中的金属轨迹，其元素为{0,1}，其中1表示金属轨迹区域；式中与均进行
⊙
运算。
[0121]
示例性地，如图7所示，根据归一化因子640、第i-1次迭代得到的干净归一化弦图661、第i-1次迭代得到的干净医学图像662和受污染弦图650，得到更新后的归一化弦图663。
[0122]
需要说明的一点是，第i-1次迭代处理得到的更新后的归一化弦图，用于第i次迭代处理，但应当理解的是，上述更新后的归一化弦图在每个阶段的迭代处理中，获取流程是相同的，但由于每个阶段的迭代处理输入的数据不同，使得每个阶段的迭代处理得到的更新后的归一化弦图也是不同的。
[0123]
在一个示例中，更新后的归一化弦图可以由如下步骤331～332得到。
[0124]
步骤331：根据归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和受污染弦图，得到第一中间结果。
[0125]
在一个示例中，对归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和受污染弦图进行计算，得到第一中间结果。示例性地，通过公式(2)计算得到第一中间结果。
[0126][0127]
式中，是指第i-1次迭代得到的干净归一化弦图；x
i-1
是指第i-1次迭代得到的干净医学图像；y是指受污染弦图；是指归一化因子；η1为更新步长；p是指拉东变换，即前向投影运算；α是指用来平衡空间域和拉东域数据一致性的加和因子；tr为弦图中的金属轨
迹，其元素为{0,1}，其中1表示金属轨迹区域；式中与均进行
⊙
运算。需要说明的是，本技术中的
⊙
均代表点乘计算，后文中将不再对此一一赘述。
[0128]
需要说明的一点是，上述第一中间结果在每个阶段的迭代处理中，获取流程是相同的，但由于每个阶段的迭代处理输入的数据不同，使得每个阶段的迭代处理得到的第一中间结果也是不同的。
[0129]
步骤332：根据第i-1次迭代得到的干净归一化弦图和第一中间结果，得到更新后的归一化弦图。
[0130]
在一个示例中，对第i-1次迭代得到的干净归一化弦图和第一中间结果进行计算，得到更新后的归一化弦图。示例性地，通过公式(3)计算得到更新后的归一化弦图。
[0131][0132]
式中，是指更新后的归一化弦图；η1为更新步长；为公式(2)的偏导数。
[0133]
步骤340：对更新后的归一化弦图执行第一近端操作，得到第i次迭代得到的干净归一化弦图，第一近端操作用于通过第一神经网络对弦图进行修复处理。
[0134]
在一个示例中，第一神经网络为第一近端网络，通过近端梯度技术对更新后的归一化弦图进行处理，得到第i次迭代得到的干净归一化弦图。
[0135]
可选地，第一神经网络为残差网络，由ts个残差块(resblocks)组成(ts为正整数)，每个残差块依次由卷积层、批量归一化(batch normalization)层、relu激活层、卷积层、批量归一化层以及跨链接构成。示例性地，卷积层的卷积核大小为3*3，步长为1。
[0136]
示例性地，如图7所示，将更新后的归一化弦图663输入第一神经网络664，输出第i次迭代得到的干净归一化弦图665。
[0137]
可选地，在执行第一近端操作之前，将更新后的归一化弦图和第i-1次迭代得到的第一辅助变量级联，得到第i次级联后的更新后的归一化弦图；然后对第i次级联后的更新后的弦图执行第一近端操作，得到第i次级联后的干净归一化弦图；对第i次级联后的干净归一化弦图进行通道拆分，选择第一通道的图像作为第i次迭代得到的干净归一化弦图。在一个示例中，如图10所示，将更新后的归一化弦图和第i-1次迭代得到的第一辅助变量进行级联，将得到的第i次级联后的更新后的归一化弦图输入第一神经网络，得到第i次级联后的干净归一化弦图，然后对第i次级联后的干净归一化弦图进行通道拆分，选择第一个通道作为第一通道，第一通道的图像作为第i次迭代得到的干净归一化弦图，其余通道作为第i次迭代得到的第一辅助变量，用于第i+1次迭代阶段。示例性地，第i次级联后的干净归一化弦图的通道的数量为33，则将其中第一个通道作为第一通道，第一通道的图像作为所述第i次迭代得到的干净归一化弦图，其余32个通道的图像作为第i次迭代得到的第一辅助变量，用于第i+1次迭代阶段。可选地，第一通道为第i次级联后的干净归一化弦图的通道中的任一通道，本技术对此不作限定。示例性地，第一通道可以为第i次级联后的干净归一化弦图的通道中的第一个通道，也可以为第i次级联后的干净归一化弦图的通道中的最后一个通道。
[0138]
步骤350：根据归一化因子、第i-1次迭代得到的干净医学图像和第i次迭代得到的干净归一化弦图，得到更新后的医学图像。
[0139]
在一个示例中，通过对归一化因子、第i-1次迭代得到的干净医学图像和第i次迭代得到的干净归一化弦图进行计算，得到更新后的医学图像。示例性地，通过公式(4)计算得到更新后的医学图像。
[0140][0141]
式中，是指更新后的医学图像；x
i-1
是指第i-1次迭代得到的干净医学图像；是指第i次迭代得到的干净归一化弦图；是指归一化因子；η2为更新步长；p是指拉东变换，即前向投影运算；p
t
是指拉东变换的转置运算；式中与进行
⊙
运算。
[0142]
示例性地，如图7所示，根据归一化因子640、第i-1次迭代得到的干净医学图像666和第i次迭代得到的干净归一化弦图665，得到更新后的医学图像667。
[0143]
需要说明的一点是，第i-1次迭代处理得到的更新后的医学图像，用于第i次迭代处理，但应当理解的是，上述更新后的医学图像在每个阶段的迭代处理中，获取流程是相同的，但由于每个阶段的迭代处理输入的数据不同，使得每个阶段的迭代处理得到的更新后的医学图像也是不同的。
[0144]
在一个示例中，更新后的医学图像可以由如下步骤351～352得到。
[0145]
步骤351：根据归一化因子、第i-1次迭代得到的干净医学图像和第i次迭代得到的干净归一化弦图，得到第二中间结果。
[0146]
在一个示例中，对归一化因子、第i-1次迭代得到的干净医学图像和第i次迭代得到的干净归一化弦图进行计算，得到第二中间结果。示例性地，通过公式(5)计算得到第二中间结果。
[0147][0148]
式中，x
i-1
是指第i-1次迭代得到的干净医学图像；是指第i次迭代得到的干净归一化弦图；是指归一化因子；η2为更新步长；p是指拉东变换，即前向投影运算；式中与进行
⊙
运算。
[0149]
需要说明的一点是，上述第二中间结果在每个阶段的迭代处理中，获取流程是相同的，但由于每个阶段的迭代处理输入的数据不同，使得每个阶段的迭代处理得到的第二中间结果也是不同的。
[0150]
步骤352：根据第i-1次迭代得到的干净医学图像和第二中间结果，得到更新后的医学图像。
[0151]
在一个示例中，对第i-1次迭代得到的干净医学图像和第二中间结果进行计算，得到更新后的医学图像。示例性地，通过公式(6)计算得到更新后的医学图像。
[0152][0153]
式中，是指更新后的医学图像；η2为更新步长；为公式(5)的偏导数。
[0154]
步骤360：对更新后的医学图像执行第二近端操作，得到第i次迭代得到的干净医学图像，第二近端操作用于通过第二神经网络对医学图像进行去伪影处理。
[0155]
在一个示例中，第二神经网络为第二近端网络，通过近端梯度技术对更新后的医学图像进行处理，得到第i次迭代得到的干净医学图像。
[0156]
可选地，第二神经网络为残差网络，由ts个残差块(resblocks)组成(ts为正整数)，每个残差块依次由卷积层、批量归一化(batch normalization)层、relu激活层、卷积层、批量归一化层以及跨链接构成。示例性地，卷积层的卷积核大小为3*3，步长为1。可选地，第一神经网络与第二神经网络的结构可以相同，也可以不同，本技术对此不作限定。
[0157]
示例性地，如图7所示，将更新后的医学图像667输入第二神经网络668，输出第i次迭代得到的干净医学图像669。
[0158]
可选地，在进行第二近端操作之前，将更新后的医学图像和第i-1次迭代得到的第二辅助变量级联，得到第i次级联后的医学图像；然后对第i次级联后的医学图像执行第二近端操作，得到第i次级联后的干净医学图像；对第i次级联后的干净医学图像进行通道拆分，选择第二通道的图像作为第i次迭代得到的干净医学图像。在一个示例中，如图11所示，将更新后的医学图像和第i-1次迭代得到的第二辅助变量进行级联，然后将得到第i次级联后的医学图像输入第二神经网络，得到第i次级联后的干净医学图像，对第i次级联后的干净医学图像进行通道拆分，将第一个通道作为第二通道，第二通道中的图像作为所述第i次迭代得到的干净医学图像，其余通道作为第i次迭代得到的第二辅助变量，用于第i+1次迭代阶段。示例性地，第i次级联后的干净医学图像的通道的数量为33，将其中第一个通道作为第二通道，第二通道的图像作为所述第i次迭代得到的干净医学图像，其余32个通道的图像作为第i次迭代得到的第二辅助变量，用于第i+1次迭代阶段。可选地，第一通道为第i次级联后的干净医学图像的通道中的任一通道，本技术对此不作限定。示例性地，第一通道可以为第i次级联后的干净医学图像的通道中的第一个通道，也可以为第i次级联后的干净医学图像的通道中的最后一个通道。
[0159]
需要说明的一点是，i为小于等于n的正整数，当i＝1时，第i-1次迭代得到的干净归一化弦图是初始化的干净归一化弦图，第i-1次迭代得到的干净医学图像是初始化的干净医学图像；当i＝n时，第i次迭代得到的干净医学图像用于作为带伪影医学图像对应的最终去伪影医学图像。
[0160]
综上所述，本技术实施例提供的技术方案中，采用重构医学图像和带伪影医学图像级联输入的方法，相比于仅输入重构医学图像，补充了完整的医学图像中组织结构的数据，在一定程度上避免了医学图像中组织结构的缺失，相比于仅输入带伪影医学图像，对带伪影医学图像进行初步去伪影处理，减少了去伪影模型的工作量，从而减少了去伪影模型中去伪影网络模块的数量；采用加权网络与干净医学图像的先验统计特性相结合的方法，网络所需的参数量更少，提高网络的跨域泛化能力，同时加权网络的物理可解释性更强。
[0161]
下面，通过实施例对去伪影模型的训练流程进行介绍说明，有关该去伪影模型使用过程中涉及的内容和训练过程中涉及的内容是相互对应的，两者互通，如在一侧未作详细说明的地方，可以参考另一侧的描述说明。
[0162]
请参考图12其示出了本技术实施例提供的一种去伪影模型的训练方法流程图。该方法可以包括如下几个步骤(710～750)。
[0163]
步骤710：获取样本数据，样本数据包括干净医学图像样本和干净弦图样本。
[0164]
可选地，干净医学图像样本和干净弦图样本是针对同一对象的一组对应图像。
[0165]
需要说明的一点是，干净医学图像样本可以在干净弦图样本之前获取，也可以在干净弦图样本之后获取，也可以与干净弦图样本同时获取，本技术对此不作限定。
[0166]
在一个示例中，获取到干净医学图像样本，则根据干净医学图像样本生成对应的干净弦图样本。可选地，通过对干净医学图像样本进行前向投影，得到对应的干净弦图样本。
[0167]
在另一个示例中，获取到干净弦图样本，则根据干净弦图样本生成对应的干净医学图像样本。可选地，通过对干净弦图样本进行滤波后投影，得到对应的干净医学图像样本。
[0168]
在另一个示例中，同时获取到干净医学图像样本及其对应的干净弦图样本。
[0169]
步骤720：基于干净医学图像样本，生成受污染弦图样本和带伪影医学图像样本。
[0170]
在一个示例中，首先获取伪影仿真数据，再根据伪影仿真数据和干净医学图像样本，生成受污染投影图像，对受污染投影图像添加噪声，生成受污染弦图样本，然后根据受污染弦图样本，生成带伪影医学图像样本。示例性地，获取不同类型的金属掩膜，按照数据仿真流程合成金属伪影，得到受污染弦图样本，然后通过对受污染弦图样本进行滤波后投影，得到带伪影医学图像样本。可选地受污染投影图像是对干净医学图像样本进行组织分割后，再进行多能级医学图像投影得到的。
[0171]
可选地，对受污染弦图样本的数值范围进行裁剪，得到裁剪后的受污染弦图样本，将受污染弦图样本的数据值限制在一定范围内。示例性地，将受污染弦图样本卡到阈值[0,4]范围，然后除以4归一化到[0,1]范围，最后乘255转化到[0,255]范围。
[0172]
可选地，对裁剪后的受污染弦图样本进行滤波后投影，得到对应的带伪影医学图像样本。
[0173]
可选地，对带伪影医学图像样本的数值范围进行裁剪，得到裁剪后的带伪影医学图像样本，将医学图像样本的像素值限制在一定范围内。在一个示例中，将带伪影医学图像样本卡到阈值[0,1]范围，然后乘255转化到[0,255]范围。在另一个示例中，将带伪影医学图像样本归一化到[0,1]范围，然后乘255转化到[0,255]范围。
[0174]
步骤730：采用去伪影模型，基于带伪影医学图像样本和受污染弦图样本，执行n个阶段的迭代处理，生成带伪影医学图像样本对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。
[0175]
在一个示例中，去伪影模型包括n个级联的去伪影网络模块，每个去伪影网络模块包括：用于对弦图进行修复处理的第一神经网络，以及用于对医学图像进行去伪影处理的第二神经网络。
[0176]
在一个示例中，最终去伪影医学图像可以由如下步骤731～735得到。
[0177]
步骤731：基于带伪影医学图像样本和受污染弦图样本，生成初始化的干净医学图像、初始化的干净归一化弦图和归一化因子，归一化因子的轮廓特征优于所述受污染弦图的轮廓特征。
[0178]
步骤732：对于n个阶段中的第i个阶段，根据归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和受污染弦图样本，得到更新后的归一化弦图。
[0179]
步骤733：采用第i个去伪影网络模块中包含的第一神经网络，对更新后的归一化
弦图执行第一近端操作，得到第i次迭代得到的干净归一化弦图。
[0180]
步骤734：根据归一化因子、第i-1次迭代得到的干净医学图像和第i次迭代得到的干净归一化弦图，得到更新后的医学图像。
[0181]
步骤735：采用第i个去伪影网络模块中包含的第二网络网络，对更新后的医学图像执行第二近端操作，得到第i次迭代得到的干净医学图像。
[0182]
需要说明的一点是，i为小于等于n的正整数，当i＝1时，第i-1次迭代得到的干净归一化弦图是初始化干净归一化弦图，第i-1次迭代得到的干净医学图像是初始化的干净医学图像；当i＝n时，第i次迭代得到的干净医学图像用于作为带伪影医学图像样本对应的最终去伪影医学图像。
[0183]
需要说明的一点是，本技术实施例中，对于去伪影模型的训练方法中得到的干净医学图像、干净归一化弦图、更新后的医学图像和更新后的归一化弦图，与图像去伪影方法中得到的干净医学图像、干净归一化弦图、更新后的医学图像和更新后的归一化弦图在用词上没有进行区分，但本领域技术人员应当知道，两者并不相同。
[0184]
步骤740：根据干净医学图像样本和最终去伪影医学图像，计算去伪影模型的训练损失。
[0185]
在一个示例中，使用训练目标函数计算去伪影模型的训练损失。可选地，训练目标函数为公式(7)。
[0186][0187]
式中，βn为折衷参数；γ是用来平衡各项损失的权重；x
gt
为干净医学图像样本；y
gt
为干净归一化弦图样本；m为医疗图像中的金属位置；为归一化因子；为第n次迭代得到的干净归一化弦图；xn为最终去伪影医学图像。
[0188]
在示例性实施例中，βn＝0.1(n为小于n的自然数)，βn＝1，γ＝0.1，n＝7，m、x
gt
和y
gt
在训练仿真实验中是已知的。
[0189]
步骤750：基于训练损失对去伪影模型进行训练。
[0190]
在一个示例中，采用基于adam(adaptive moment estimation，自适应动量估计)算法更新求解优化参数，包括，步长η1和η2。在每次迭代过程中，计算预测结果误差并反向传播到去伪影模型，计算梯度并更新去伪影模型的参数。
[0191]
在一个示例中，初始学习率设为2
×
10-4
，每进行40次迭代，该学习率衰减0.5，总训练迭代次数为100，在每次迭代过程中，迭代网络模块中包括两个神经网络，ct图像大小为416*416，弦图大小为641*640。
[0192]
需要说明的是，上文以不同的实施例分别对去伪影模型的使用过程和训练过程进行了介绍说明，有关该模型使用过程中涉及的内容和训练过程中涉及的内容是相互对应的，两者互通，如在一侧未作详细说明的地方，可以参考另一侧的描述说明。
[0193]
基于以上所述的去伪影模型，设计了相关实验以验证其去伪影效果。在实验环境中，该模型搭载于云系统，实验的具体流程请参考图13。
[0194]
步骤810：判断当前为训练阶段还是测试阶段。
[0195]
步骤820：若当前处于训练阶段，获取去伪影模型的样本数据。
[0196]
步骤830：对去伪影模型进行迭代训练。
[0197]
步骤840：基于训练损失对去伪影模型进行训练。
[0198]
步骤850：判断是否达到设定的训练次数。
[0199]
步骤860：若达到设定的训练次数，则保存训练后的去伪影模型；若未达到设定的训练次数，则继续对去伪影模型进行训练。
[0200]
步骤870：若当前处于测试阶段，获取带伪影医学图像。
[0201]
步骤880：采用去伪影模型对带伪影医学图像进行处理。
[0202]
步骤890：输出最终去伪影医学图像。
[0203]
其中关于训练过程的细节，请参照本技术去伪影模型的训练方法实施例，本技术在此不再赘述。
[0204]
上述图像去伪影方法的思路是由问题推导的过程中启发得到的，该问题推导的过程如下。
[0205]
首先给定一个观察到的受污染弦图其中，nb和n
p
分别为医学图像采集设备中排布的探测器的数量和投影角度的数量。基于此，传统的迭代去伪影方法可以通过公式(8)表达。
[0206][0207]
式中，x∈rh×w代表干净医学图像(空间域)，h和w分别为医学图像的高度和宽度；p为拉东变换，即前投影运算，tr是弦图中的金属轨迹，其元素为{0,1}，其中1表示金属轨迹区域，
⊙
是对应元素乘积；g(
·
)为正则项，代表干净医学图像的先验结构；λ为折衷参数。
[0208]
对于拉东域和空间域的互相学习，进一步对空间域和拉东域进行联合正则。
[0209]
此时，公式(8)可转化为公式(9)。
[0210][0211]
式中，s指干净归一化弦图(拉东域)；α是用来平衡空间域和拉东域的数据一致性的加和因子；g1(
·
)和g2(
·
)均为正则项，分别嵌入了干净归一化弦图s和干净医学图像x的先验结构。
[0212]
由于对受污染弦图进行归一化后再矫正，会比直接矫正受污染弦图要容易，因为归一化后廓更均匀、平坦。因此，s可以重新定义为公式(10)。
[0213][0214]
式中，为归一化因子，通常为对先验医学图像进行前向投影得到的，即进行前向投影得到的，即为根据带伪影医学图像，通过先验网络得到的；为归一化后的干净归一化弦图。
[0215]
将公式(10)带入公式(9)中，即可推导得到公式(11)。
[0216][0217]
为得到去伪影医学图像和干净弦图，应对公式(11)进行求解。
[0218]
示例性地，采用近端梯度技术交替更新和x。具体地，在第n次迭代中，的更新问题可以通过求解公式(11)中关于的二次近似问题实现，该问题可写为公式(12)。
[0219][0220]
式中，为第n-1次迭代计算得到的更新结果，η1为更新步长，
[0221]
针对一般的正则项公式(12)可以写为公式(13)。
[0222][0223]
将带入公式(13)，解得的更新规则为公式(14)。
[0224][0225]
式中，是由正则项g1(
·
)所决定的近端算子，可设计为网络模块。
[0226]
同样的，x的二次近似问题可以写为公式(15)。
[0227][0228]
其中，
[0229]
因此，x的更新规则可以写为公式(16)。
[0230][0231]
式中，是由正则项g2(
·
)所决定的近端算子，可设计为网络模块。
[0232]
基于公式(14)和公式(16)，将每个迭代子步骤对应展开成网络模块，从而构建了整个去伪影模型，使得该去伪影方法具有很好的物理可解释性，同时拉东域和空间域相互学习，使得医学图像和弦图的信息交互更为充分。
[0233]
另外，本技术实施例中，采用公式(17)和公式(18)进行初始化处理。
[0234][0235][0236]
式中，|为通道分离操作；concat(
·
)为通道级联操作；s
li
为采用线性插值算法对受污染弦图进行修复处理得到的重构弦图；x
li
为根据s
li
得到的重构医学图像；q
0s
为初始化第一辅助变量；q
0x
为初始化第二辅助变量；是由正则项g1(
·
)所决定的近端算子；是由正则项g2(
·
)所决定的近端算子；ks和k
x
为卷积核，卷积核大小分别为fs×fs
×ns
×
1和f
x
×fx
×nx
×
1。在训练过程中，卷积核大小为fs×fs
×ns
×
1＝f
x
×fx
×nx
×
1＝3*3*32*1。
[0237]
示例性地，针对相关技术提供的六种去伪影方法li、nmar、cnnmar、dudonet(对偶域网络)、dscmar、dudonet++(对偶域网络++)，以及本技术技术方案提出的两种去伪影方法indudonet(可解释性对偶域网络)和indudonet+(可解释性对偶域网络+)，本技术进行了实验对比。
[0238]
请参考图14，其示出了上述五种去伪影方法的泛化效果对比图。在图14中可以看出，indudonet+的泛化效果相比于其他几种去伪影方法更好。
[0239]
如表1所示，indudonet+所需的网络参数量最少,更利于实际部署存储。
[0240]
表1：去伪影方法网络参数量对比表
[0241][0242]
下述为本技术装置实施例，可以用于执行本技术方法实施例。对于本技术装置实施例中未披露的细节，请参照本技术方法实施例。
[0243]
请参考图15，其示出了本技术一个实施例提供的图像去伪影装置的框图。该装置具有实现上述图像去伪影方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置900可以包括：图像获取模块910、去伪影模块920。
[0244]
图像获取模块910，用于获取带伪影医学图像和受污染弦图，所述带伪影医学图像和所述受污染弦图是针对同一对象的一组对应图像。
[0245]
去伪影模块920，用于基于所述带伪影医学图像和所述受污染弦图，执行n个阶段的迭代处理，生成所述带伪影医学图像对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。
[0246]
在一些实施例中，如图16所示，所述去伪影模块920包括预处理单元921、弦图更新单元922、第一近端单元923、医学图像更新单元924和第二近端单元925。
[0247]
预处理单元921，用于基于所述带伪影医学图像和所述受污染弦图，生成初始化的干净医学图像、初始化的干净归一化弦图和归一化因子，所述归一化因子的轮廓特征优于所述受污染弦图的轮廓特征。
[0248]
在一些实施例中，所述预处理单元921用于获取所述带伪影医学图像对应的重构弦图和重构医学图像，所述重构弦图是指对所述受污染弦图进行初步修复得到的图像，所述重构医学图像是指对所述带伪影医学图像进行初步去伪影得到的图像；对所述重构弦图执行第一近端操作，得到所述初始化的干净归一化弦图；对所述重构医学图像执行第二近端操作，得到所述初始化的干净医学图像。
[0249]
在一些实施例中，所述预处理单元921用于根据所述带伪影医学图像生成第一先验医学图像，所述第一先验医学图像是指具有干净医学图像的共有特征的医学图像；对所述第一先验医学图像和所述带伪影医学图像对应的重构医学图像进行融合处理，得到融合图像，所述重构医学图像是指对所述带伪影医学图像进行初步去伪影得到的图像；对所述融合图像进行前向投影，得到所述归一化因子。在一些实施例中，所述预处理单元921用于
将所述带伪影医学图像和所述重构医学图像级联后，输入至先验网络，通过所述先验网络输出所述第一先验医学图像。
[0250]
在一些实施例中，所述预处理单元921用于根据所述带伪影医学图像和所述带伪影医学图像对应的重构医学图像，生成第二先验医学图像；其中，所述重构医学图像是指对所述带伪影医学图像进行初步去伪影得到的图像，所述第二先验医学图像是指具有干净医学图像的共有特征和所述带伪影医学图像的独有特征的医学图像；对所述第二先验医学图像进行前向投影，得到所述归一化因子。
[0251]
在一些实施例中，所述预处理单元921用于根据所述重构医学图像，生成初始先验医学图像，所述初始先验医学图像是指具有干净医学图像的共有特征的医学图像；将所述初始先验医学图像和所述带伪影医学图像进行加权融合，得到所述第二先验医学图像。
[0252]
在一些实施例中，所述预处理单元921用于通过加权网络对所述带伪影医学图像进行处理，得到权重矩阵；对所述初始先验医学图像和所述权重矩阵进行点乘计算，得到所述第二先验医学图像。
[0253]
弦图更新单元922，用于对于所述n个阶段中的第i个阶段，根据所述归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和所述受污染弦图，得到更新后的归一化弦图。
[0254]
在一些实施例中，所述弦图更新单元922用于根据所述归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和所述受污染弦图，得到第一中间结果；根据所述第i-1次迭代得到的干净归一化弦图和所述第一中间结果，得到所述更新后的归一化弦图。
[0255]
第一近端单元923，用于对所述更新后的归一化弦图执行第一近端操作，得到第i次迭代得到的干净归一化弦图，所述第一近端操作用于通过第一神经网络对弦图进行修复处理。
[0256]
在一些实施例中，所述第一近端单元923用于将所述更新后的归一化弦图和第i-1次迭代得到的第一辅助变量级联，得到第i次级联后的更新后的归一化弦图；对所述第i次级联后的更新后的归一化弦图执行第一近端操作，得到第i次级联后的干净归一化弦图；对所述第i次级联后的干净归一化弦图进行通道拆分，选择第一通道的图像作为所述第i次迭代得到的干净归一化弦图。
[0257]
医学图像更新单元924，用于根据所述归一化因子、所述第i-1次迭代得到的干净医学图像和所述第i次迭代得到的干净归一化弦图，得到更新后的医学图像。
[0258]
在一些实施例中，所述医学图像更新单元924用于根据所述归一化因子、所述第i-1次迭代得到的干净医学图像和所述第i次迭代得到的干净归一化弦图，得到第二中间结果；根据所述第i-1次迭代得到的干净医学图像和所述第二中间结果，得到所述更新后的医学图像。
[0259]
第二近端单元925，用于对所述更新后的医学图像执行第二近端操作，得到第i次迭代得到的干净医学图像，所述第二近端操作用于通过第二神经网络对医学图像进行去伪影处理。
[0260]
在一些实施例中，所述第二近端单元925用于将所述更新后的医学图像和第i-1次迭代得到的第二辅助变量级联，得到第i次级联后的医学图像；对所述第i次级联后的医学
图像执行第二近端操作，得到第i次级联后的干净医学图像；对所述第i次级联后的干净医学图像进行通道拆分，选择第二通道的图像作为所述第i次迭代得到的干净医学图像。
[0261]
在一些实施例中，i为小于等于n的正整数，当i＝1时，所述第i-1次迭代得到的干净归一化弦图是所述初始化的干净归一化弦图，所述第i-1次迭代得到的干净医学图像是所述初始化的干净医学图像；当i＝n时，所述第i次迭代得到的干净医学图像用于作为所述带伪影医学图像对应的最终去伪影医学图像。
[0262]
请参考图17，其示出了本技术一个实施例提供的去伪影模型训练装置的框图。该装置具有实现上述去伪影模型的训练方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置1100可以包括：样本获取模块1110、样本处理模块1120、去伪影模块1130、损失计算模块1110和模型训练模块1150。
[0263]
样本获取模块1110，用于获取样本数据，所述样本数据包括干净医学图像样本和干净弦图样本，所述干净医学图像样本和所述干净弦图样本是针对同一对象的一组对应图像。
[0264]
样本处理模块1120，用于基于所述干净医学图像样本，生成受污染弦图样本和带伪影医学图像样本。
[0265]
在一些实施例中，所述样本处理模块1120用于，获取伪影仿真数据；根据所述伪影仿真数据和所述干净医学图像样本，生成受污染投影图像；对所述受污染投影图像添加噪声，生成所述受污染弦图样本；根据所述受污染弦图样本，生成所述带伪影医学图像样本。
[0266]
去伪影模块1130，用于采用所述去伪影模型，基于所述带伪影医学图像样本和所述受污染弦图样本，执行n个阶段的迭代处理，生成所述带伪影医学图像样本对应的最终去伪影医学图像；其中，每一阶段的迭代处理用于对弦图进行修复处理，以及对医学图像进行去伪影处理，n为大于1的整数。
[0267]
在一些实施例中，所述去伪影模型包括n个级联的去伪影网络模块，每个去伪影网络模块包括：用于对弦图进行修复处理的第一神经网络，以及用于对医学图像进行去伪影处理的第二神经网络。
[0268]
在一些实施例中，如图18所示，所述去伪影模块1130包括预处理单元1131、弦图更新单元1132、第一近端单元1133、医学图像更新单元1134和第二近端单元1135。
[0269]
预处理单元1131，用于基于所述带伪影医学图像和所述受污染弦图，生成初始化的干净医学图像、初始化的干净归一化弦图和归一化因子，所述归一化因子的轮廓特征优于所述受污染弦图的轮廓特征。
[0270]
在一些实施例中，所述预处理单元1131用于获取所述带伪影医学图像对应的重构弦图和重构医学图像，所述重构弦图是指对所述受污染弦图进行初步修复得到的图像，所述重构医学图像是指对所述带伪影医学图像进行初步去伪影得到的图像；对所述重构弦图执行第一近端操作，得到所述初始化的干净归一化弦图；对所述重构医学图像执行第二近端操作，得到所述初始化的干净医学图像。
[0271]
在一些实施例中，所述预处理单元1131用于根据所述带伪影医学图像生成先验医学图像，所述先验医学图像是指具有干净医学图像的共有特征的医学图像；对所述先验医学图像和所述带伪影医学图像对应的重构医学图像进行融合处理，得到融合图像，所述重构医学图像是指对所述带伪影医学图像进行初步去伪影得到的图像；对所述融合图像进行
前向投影，得到所述归一化因子。
[0272]
在一些实施例中，所述预处理单元1131用于将所述带伪影医学图像和所述重构医学图像级联后，输入至先验网络，通过所述先验网络输出所述先验医学图像。
[0273]
弦图更新单元1132，用于对于所述n个阶段中的第i个阶段，根据所述归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和所述受污染弦图，得到更新后的归一化弦图。
[0274]
在一些实施例中，所述弦图更新单元1132用于根据所述归一化因子、第i-1次迭代得到的干净归一化弦图、第i-1次迭代得到的干净医学图像和所述受污染弦图，得到第一中间结果；根据所述第i-1次迭代得到的干净归一化弦图和所述第一中间结果，得到所述更新后的归一化弦图。
[0275]
第一近端单元1133，用于对所述更新后的归一化弦图执行第一近端操作，得到第i次迭代得到的干净归一化弦图，所述第一近端操作用于通过第一神经网络对弦图进行修复处理。
[0276]
在一些实施例中，所述第一近端单元1133用于将所述更新后的归一化弦图和第i-1次迭代得到的第一辅助变量级联，得到第i次级联后的更新后的归一化弦图；对所述第i次级联后的更新后的归一化弦图执行第一近端操作，得到第i次级联后的干净归一化弦图；对所述第i次级联后的干净归一化弦图进行通道拆分，选择第一通道的图像作为所述第i次迭代得到的干净归一化弦图。
[0277]
医学图像更新单元1134，用于根据所述归一化因子、所述第i-1次迭代得到的干净医学图像和所述第i次迭代得到的干净归一化弦图，得到更新后的医学图像。
[0278]
在一些实施例中，所述医学图像更新单元1134用于根据所述归一化因子、所述第i-1次迭代得到的干净医学图像和所述第i次迭代得到的干净归一化弦图，得到第二中间结果；根据所述第i-1次迭代得到的干净医学图像和所述第二中间结果，得到所述更新后的医学图像。
[0279]
第二近端单元1135，用于对所述更新后的医学图像执行第二近端操作，得到第i次迭代得到的干净医学图像，所述第二近端操作用于通过第二神经网络对医学图像进行去伪影处理。
[0280]
在一些实施例中，所述第二近端单元1135用于将所述更新后的医学图像和第i-1次迭代得到的第二辅助变量级联，得到第i次级联后的医学图像；对所述第i次级联后的医学图像执行第二近端操作，得到第i次级联后的干净医学图像；对所述第i次级联后的干净医学图像进行通道拆分，选择第二通道的图像作为所述第i次迭代得到的干净医学图像。
[0281]
在一些实施例中，i为小于等于n的正整数，当i＝1时，所述第i-1次迭代得到的干净归一化弦图是所述初始化的干净归一化弦图，所述第i-1次迭代得到的干净医学图像是所述初始化的干净医学图像；当i＝n时，所述第i次迭代得到的干净医学图像用于作为所述带伪影医学图像对应的最终去伪影医学图像。
[0282]
损失计算模块1140，用于根据所述干净医学图像样本和所述最终去伪影医学图像，计算所述去伪影模型的训练损失。
[0283]
模型训练模块1150，用于基于所述训练损失对所述去伪影模型进行训练。
[0284]
需要说明的是，上述实施例提供的装置，在实现其功能时，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，上述实施例提供的装置与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，这里不再赘述。
[0285]
请参考图18，其示出了本技术一个实施例提供的计算机设备的结构示意图。该计算机设备可以是任何具备数据计算、处理和存储功能的电子设备。该计算机设备可用于实施上述实施例中提供的图像去伪影方法，也可用于实施上述实施例中提供的去伪影模型的训练方法。具体来讲：
[0286]
该计算机设备1300包括中央处理单元(如cpu(central processing unit，中央处理器)、gpu(graphics processing unit，图形处理器)和fpga(field programmable gate array，现场可编程逻辑门阵列)等)1301、包括ram(random-access memory，随机存储器)1302和rom(read-only memory，只读存储器)1303的系统存储器1304，以及连接系统存储器1304和中央处理单元1301的系统总线1305。该计算机设备1300还包括帮助服务器内的各个器件之间传输信息的基本输入/输出系统(input output system，i/o系统)1306，和用于存储操作系统1313、应用程序1314和其他程序模块1315的大容量存储设备1307。
[0287]
在一些实施例中，该基本输入/输出系统1306包括有用于显示信息的显示器1308和用于用户输入信息的诸如鼠标、键盘之类的输入设备1309。其中，该显示器1308和输入设备1309都通过连接到系统总线1305的输入输出控制器1310连接到中央处理单元1301。该基本输入/输出系统1306还可以包括输入输出控制器1310以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1310还提供输出到显示屏、打印机或其他类型的输出设备。
[0288]
该大容量存储设备1307通过连接到系统总线1305的大容量存储控制器(未示出)连接到中央处理单元1301。该大容量存储设备1307及其相关联的计算机可读介质为计算机设备1300提供非易失性存储。也就是说，该大容量存储设备1307可以包括诸如硬盘或者cd-rom(compact disc read-only memory，只读光盘)驱动器之类的计算机可读介质(未示出)。
[0289]
不失一般性，该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、eprom(erasable programmable read-only memory，可擦写可编程只读存储器)、eeprom(electrically erasable programmable read-only memory，电可擦写可编程只读存储器)、闪存或其他固态存储技术，cd-rom、dvd(digital video disc，高密度数字视频光盘)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该计算机存储介质不局限于上述几种。上述的系统存储器1304和大容量存储设备1307可以统称为存储器。
[0290]
根据本技术实施例，该计算机设备1300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。也即计算机设备1300可以通过连接在该系统总线1305上的网络接口单元1311连接到网络1312，或者说，也可以使用网络接口单元1311来连接到其他类型的网络或远程计算机系统(未示出)。
[0291]
所述存储器还包括至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述图像去伪影方法，或去伪影模型的训练方法。
[0292]
在示例性实施例中，还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、所述代码集或所述指令集在被计算机设备的处理器执行时实现上述图像去伪影方法，或去伪影模型的训练方法。
[0293]
可选地，该计算机可读存储介质可以包括：rom(read-only memory，只读存储器)、ram(random-access memory，随机存储器)、ssd(solid state drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括reram(resistance random access memory，电阻式随机存取记忆体)和dram(dynamic random access memory，动态随机存取存储器)。
[0294]
在示例性实施例中，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图像去伪影方法，或者执行上述去伪影模型的训练方法。
[0295]
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0296]
以上所述仅为本技术的示例性实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。