一种CT图像伪影去除方法、系统、存储介质及电子设备与流程

本发明属于ct图像伪影去除，特别涉及一种ct图像伪影去除方法、系统、存储介质及电子设备。

背景技术：

1、ct(computed tomography)，即电子计算机断层扫描，它是利用精确准直的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一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。

2、在ct扫描中，运动伪影主要体现为，因患者运动引起的图像质量下降。ct 图像中的运动伪影以各种形式出现，例如模糊、拖尾、重影、内部结构变形或严重的图像失真。继而，诊断准确性和放射成像效果可能会严重降低。

3、从扫描层面，可以通过快速扫描和基于患者运动估计的运动补偿，来避免运动伪影的出现。但受限于探测器帧率，重建时间过长和需要访问原始投影数据，在实际应用场景中，应用效果不佳。

技术实现思路

1、基于此，本发明实施例当中提供了一种ct图像伪影去除方法、系统、存储介质及电子设备，旨在快速去除ct图像中，由于患者呼吸或其他不自主运动产生的运动伪影。

2、本发明实施例的第一方面提供了一种ct图像伪影去除方法，所述方法包括：

3、获取含有伪影和对应的不含伪影的图像，形成训练集；

4、构建ct运动伪影去除神经网络，其中，所述ct运动伪影去除神经网络由基本块和步幅块组成，所述基本块由卷积层、通道注意力单元、空间注意力单元以及残差单元连接组成，所述步幅块由卷积层和残差单元连接组成；

5、构建深度学习网络损失，并根据所述深度学习网络损失，将训练集中的含有伪影和对应的不含伪影的图像输入所述ct运动伪影去除神经网络中进行训练，得到目标神经网络；

6、将待处理图像输入所述目标神经网络，得到伪影去除的目标图像；

7、所述获取含有伪影和对应的不含伪影的图像，形成训练集的步骤包括：

8、获取原始的含有伪影和对应的不含伪影的图像，将原始的含有伪影和对应的不含伪影的图像重合，得到重合图；

9、根据预设像素值，确定所述重合图中的重合区域；

10、根据所述重合区域对应的像素值，控制所述重合区域向外扩展，确定对应的扩展区域；

11、将所述扩展区域标记于原始的含有伪影的图像上，得到处理后的含有伪影的图像；

12、将所述重合区域标记于原始的对应的不含伪影的图像上，得到处理后的不含伪影的图像；

13、重新建立处理后的含有伪影的图像及处理后的对应的不含伪影的图像的对应关系，进行归一化处理后，形成训练集。

14、进一步的，所述获取含有伪影和对应的不含伪影的图像，形成训练集的步骤还包括：

15、获取原始的不含伪影的图像，通过伪影模拟，生成对应的含有伪影的图像，形成训练集，其中，所述伪影模拟为第一radon变换处理、第二radon变换处理以及第三radon变换处理中的一种或几种的组合；

16、所述第一radon变换处理具体包括：

17、将原始的不含伪影的图像的每个像素投射到一个平行的方向上，得到第一sinogram空间数据；

18、将所述第一sinogram空间数据进行平移和旋转操作，并将经过平移和旋转操作的sinogram空间数据进行逆radon变换处理，得到对应的含有伪影的图像；

19、所述第二radon变换处理具体包括：

20、根据获取到的同一ct图像序列中预设数量的相邻的不含伪影的图像，将各图像的每个像素投射到对应平行的方向上，得到各第二sinogram空间数据；

21、选取各第二sinogram空间数据的部分，根据预设角度，进行拼接操作，并将经过拼接操作的sinogram空间数据进行逆radon变换处理，得到对应的含有伪影的图像；

22、所述第三radon变换处理具体包括：

23、将原始的不含伪影的图像的每个像素投射到一个平行的方向上，得到第三sinogram空间数据；

24、在所述第三sinogram空间数据上添加预设掩膜，并将添加预设掩膜后的sinogram空间数据进行逆radon变换处理，得到对应的含有伪影的图像。

25、进一步的，所述根据所述重合区域对应的像素值，控制所述重合区域向外扩展，确定对应的扩展区域的步骤包括：

26、步骤一，获取所述重合区域的边界的像素点的像素值，并控制所述重合区域的边界的像素点同步向外延伸预设步进，获取延伸后的像素点的像素值；

27、步骤二，根据所述重合区域对应的像素值，判断延伸后的像素点的像素值是否与所述重合区域对应的像素值匹配；

28、步骤三，若是，则判断所述重合区域的边界的像素点的像素值与对应的延伸后的像素点的像素值的差值是否小于阈值；

29、步骤四，若是，则循环步骤一至步骤三，直至所述重合区域的边界的像素点的像素值与对应的延伸后的像素点的像素值的差值大于等于阈值时，控制延伸停止，并确定所述扩展区域。

30、进一步的，所述ct运动伪影去除神经网络包括依次连接的三个所述基本块、一个所述步幅块、两个所述基本块、一个所述步幅块以及一个所述基本块，且重复6次，其中，所述卷积层中卷积核的特征图设置为64。

31、进一步的，所述构建深度学习网络损失的步骤中，构建的深度学习网络损失包括l1 loss、频域空间损失、vggnet-19层特征图损失、基础的gan损失、以及基于谱归一化u-net的判别损失。

32、进一步的，所述根据所述深度学习网络损失，将训练集中的含有伪影和对应的不含伪影的图像输入所述ct运动伪影去除神经网络中进行训练，得到目标神经网络的步骤中，通过学习率为0.001的adam优化器进行迭代更新，其中，更新网络权重训练200个周期。

33、本发明实施例的第二方面提供了一种ct图像伪影去除系统，所述系统包括：

34、获取模块，用于获取含有伪影和对应的不含伪影的图像，形成训练集；

35、构建模块，用于构建ct运动伪影去除神经网络，其中，所述ct运动伪影去除神经网络由基本块和步幅块组成，所述基本块由卷积层、通道注意力单元、空间注意力单元以及残差单元连接组成，所述步幅块由卷积层和残差单元连接组成；

36、训练模块，用于构建深度学习网络损失，并根据所述深度学习网络损失，将训练集中的含有伪影和对应的不含伪影的图像输入所述ct运动伪影去除神经网络中进行训练，得到目标神经网络；

37、输入模块，用于将待处理图像输入所述目标神经网络，得到伪影去除的目标图像。

38、本发明实施例的第三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，该程序被处理器执行时实现第一方面提供的ct图像伪影去除方法。

39、本发明实施例的第四方面提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的ct图像伪影去除方法。

40、本发明实施例当中提供的一种ct图像伪影去除方法、系统、存储介质及电子设备，该方法通过获取含有伪影和对应的不含伪影的图像，形成训练集；构建ct运动伪影去除神经网络，其中，ct运动伪影去除神经网络由基本块和步幅块组成，基本块由卷积层、通道注意力单元、空间注意力单元以及残差单元连接组成，步幅块由卷积层和残差单元连接组成；构建深度学习网络损失，并根据深度学习网络损失，将训练集中的含有伪影和对应的不含伪影的图像输入ct运动伪影去除神经网络中进行训练，得到目标神经网络；将待处理图像输入目标神经网络，得到伪影去除的目标图像，以快速去除ct图像中，由于患者呼吸或其他不自主运动产生的运动伪影。