扫描图像的伪影去除方法、装置、计算机设备及存储介质

1.本发明涉及医学图像处理技术领域，具体涉及一种扫描图像的伪影去除方法、装置、计算机设备及存储介质。


背景技术：

2.计算机断层扫描(computed tomography，ct)图像通常会出现诸多的环形伪影，大大降低了重建图像的质量，并可能会导致后期出现误诊断。因此，去除ct图像中的环形伪影至关重要。
3.目前，针对ct图像中的环形伪影去除主要分为三类：基于硬件的方法、投影域正弦图的校正方法以及图像域使用极坐标变换的后处理方法。但是，基于硬件的方法依赖特殊的硬件设计，其设计较为复杂，且难以保证伪影的去除效果；投影域正弦图的校正方法依赖于原始投影数据，且会影响图像细节，导致重建图像的质量较差；图像域使用极坐标变换的后处理方法存在一定的错误率，难以很好的去除图像中的伪影。基于此，上述方法均难以对ct图像中的环形伪影进行有效去除。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种扫描图像的伪影去除方法、装置、计算机设备及存储介质，以解决ct图像中的伪影难以有效去除的问题。
5.第一方面，本发明实施例提供了一种扫描图像的伪影去除方法，该方法包括：获取带有环形伪影的待校正扫描图像；将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像；采用预设无监督网络模型消除第一图像中的条状伪影，生成第二图像；基于第一图像和第二图像进行伪影去除，得到目标扫描图像。
6.本发明实施例提供的扫描图像的伪影去除方法，通过将待校正扫描图像中的环形伪影转换为条状伪影，采用预设无监督网络模型对该条状伪影进行消除，由此能够通过预设无监督网络模型的对比学习来生成高质量的图像，能够有效地消除扫描图像中的环形伪影。该方法中的预设无监督网络模型不需要配对数据，减少了收集大量带注释训练数据的困难，提高了预设无监督网络模型的训练效率。而且，该方法无需额外的先验信息或硬件修改，充分利用了深度学习中的无监督网络模型解决了扫描图像环形伪影严重的问题，实现了环形伪影的有效去除。
7.结合第一方面，在一种实施方式中，将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像，包括：获取待校正扫描图像中的各个像素点在笛卡尔坐标系下的第一位置；将各个像素点对应的第一位置转换至极坐标系，得到各个像素点在极坐标系下的第二位置；基于第二位置，得到带有条状伪影的第一图像。
8.本发明实施例提供的扫描图像的伪影去除方法，由于条状伪影相比于环形伪影更容易去除，此处通过坐标系变换将待校正扫描图像中的环形伪影转换为条状伪影，便于更好的去除扫描图像中的伪影，提高了伪影的去除效果。
9.结合第一方面或其对应的实施方式，在一种实施方式中，该方法还包括：检测并获取坐标转换过程中所产生的未转换的多个像素点；采用双线性插值算法生成未转换的多个像素点。
10.本发明实施例提供的扫描图像的伪影去除方法，由于极坐标系与笛卡尔坐标系的坐标参数不同，会导致笛卡尔坐标系中的多个像素点未能成功转换，此时，采用双线性插值算法来生成未转换的多个像素点，避免极坐标系下出现突变或锯齿状的伪影或图像畸变，保证在极坐标系下生成平滑、连续的图像，使得后续的图像处理和分析能够更加准确、可靠。
11.结合第一方面，在一种实施方式中，基于第一图像和第二图像进行伪影去除，得到目标扫描图像，包括：基于第一图像和第二图像进行作差处理，得到条状伪影图像；将条状伪影图像进行逆变换处理，生成环形伪影图像；基于待校正扫描图像和环形伪影图像进行作差处理，得到目标扫描图像。
12.本发明实施例提供的扫描图像的伪影去除方法，第二图像为去除条状伪影的图像，将带有条状伪影的第一图像与第二图像进行作差处理，得到条状伪影图像，再通过坐标转换将其转换为环状伪影图像，将待校正扫描图像和环形伪影图像进行作差即可得到去除环形伪影的目标扫描图像。由此，能够最大程度的保持图像细节信息，从而保证了后续重建图像的质量。
13.结合第一方面或其对应的实施方式，在一种实施方式中，基于第一图像和第二图像进行作差处理，得到条状伪影图像，包括：将第一图像与第二图像作差，生成残差图像；对残差图像进行滤波处理，得到条状伪影图像。
14.本发明实施例提供的扫描图像的伪影去除方法，将带有条状伪影的第一图像与第二图像进行作差处理，得到带有图像细节和条状伪影的残差图像，通过对残差图像进行滤波处理，以滤除其携带的图像细节，得到条状伪影图像，便于得到不携带图像细节的环形伪影，由此在后续消除环形伪影时，能够保持图像细节信息，同时能够保持原始扫描图像的解剖完整性和空间分辨率。
15.结合第一方面或其对应的实施方式，在一种实施方式中，将条状伪影图像进行逆变换处理，生成环形伪影图像，包括：获取条状伪影图像中的各个像素点在极坐标系下的第三位置；将各个像素点对应的第三位置转换至笛卡尔坐标系，得到各个像素点在笛卡尔坐标系下的第四位置；基于各个像素点及其对应的第四位置，生成环形伪影图像。
16.本发明实施例提供的扫描图像的伪影去除方法，通过坐标系变换将条状伪影图像转换为环形伪影图像，便于将其与待校正扫描图像进行作差处理，以有效去除扫描图像中的环形伪影，实现了环形伪影的有效去除。
17.结合第一方面，在一种实施方式中，方法还包括：获取待校正扫描图像的第一体素值和目标扫描图像的第二体素值；基于第一体素值与第二体素值之间的差值，对目标扫描图像进行体素值校正。
18.本发明实施例提供的扫描图像的伪影去除方法，通过对目标扫描图像的体素值进行校正，使得校正后的目标扫描图像与原始待校正扫描图像的体素分布一致，使得环形伪影的去除效果更加明显。
19.结合第一方面，在一种实施方式中，预设无监督网络模型包括生成器和判别器，预
设无监督的网络模型的训练方法包括：将第一图像的切片输入至生成器中，得到合成图像；将合成图像输入至判别器中，得到针对于合成图像的识别结果；基于合成图像和识别结果，采用反向传播算法对生成器和判别器进行迭代，直至判别器确定生成器输出的合成图像为不带条状伪影的图像。
20.本发明实施例提供的扫描图像的伪影去除方法，通过生成器和判别器的不断迭代，使得生成器输出的合成图像不断的接近不带条状伪影的图像，同时判别器的鉴别能力也不断增强，提升了合成图像的质量和可信度。
21.结合第一方面或其对应的实施方式，在一种实施方式中，生成器包括多个下采样单元、多个残差单元以及多个上采样单元，将第一图像的切片输入至生成器中，得到合成图像，包括：对第一图像的切片进行特征提取，得到第一维度的特征图；将特征图输入至多个下采样单元中，得到第二维度的下采样特征图；将下采样特征图输入至多个残差单元中，输出残差特征图；将残差特征图输入至多个上采样单元中，得到合成图像，合成图像的维度与第一图像的维度相等。
22.本发明实施例提供的扫描图像的伪影去除方法，结合多个下采样单元、多个残差单元以及多个上采样单元得到合成图像，以消除网络模型训练困难和退化的问题，保证无监督网络模型的训练效果。
23.结合第一方面或其对应的实施方式，在一种实施方式中，判别器包括多个下采样单元，将合成图像输入至判别器中，得到针对于合成图像的识别结果，包括：将合成图像裁剪为多个预设维度的图像块；分别将各个图像块依次输入至多个下采样单元中，通过最后一个下采样单元输出各个图像块对应的判别结果；对各个判别结果进行均值处理，得到识别结果。
24.本发明实施例提供的扫描图像的伪影去除方法，通过裁剪合成图像为多个图像块，并采用多个下采样单元对各个图像块进行识别，以得到各个图像块对应的识别结果，由此减少了该判别器的架构参数，使得判别器的训练更加方便。
25.结合第一方面或其对应的实施方式，在一种实施方式中，该方法还包括：基于预设无监督网络模型输出的合成图像，确定预设无监督网络模型的损失函数；基于损失函数优化预设无监督网络模型。
26.本发明实施例提供的扫描图像的伪影去除方法，通过确定出的损失函数优化预设无监督网络模型，促进预设无监督网络模型生成的图像与真实扫描图像在视觉上更相似，使得两者的分布模式尽可能保持一致，最大程度上提升扫描图像的伪影去除效果。
27.第二方面，本发明实施例提供了一种扫描图像的伪影去除装置，该装置包括：图像获取模块，用于获取带有环形伪影的待校正扫描图像；图像转换模块，用于将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像；伪影消除模块，用于基于预设无监督网络模型消除第一图像中的条状伪影，生成第二图像；校正模块，用于基于第一图像和第二图像进行伪影去除，得到目标扫描图像。
28.第三方面，本发明实施例提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的扫描图像的伪影去除方法。
29.第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介
质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的扫描图像的伪影去除方法。
附图说明
30.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
31.图1是本发明一些实施例的扫描图像的伪影去除方法的流程示意图；
32.图2是本发明一些实施例的另一扫描图像的伪影去除方法的流程示意图；
33.图3是本发明一些实施例的预设无监督网络模型的训练方法的流程示意图；
34.图4是本发明一些实施例的伪影去除方法的流程图；
35.图5是本发明一些实施例的校正前后ct图像中选取的roi的标准差对比柱状图；
36.图6是本发明一些实施例的校正前后模拟ct数据中选取的roi标准差对比柱状图；
37.图7是本发明一些实施例的真实ct图像上的伪影去除结果的示意图；
38.图8是本发明一些实施例的ct图像中两条线处的ct值变化图；
39.图9是本发明一些实施例的均匀的轴向cbct切片示意图；
40.图10是根据本发明实施例的扫描图像的伪影去除装置的结构框图；
41.图11是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
42.为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.近些年来，许多研究人员针对ct图像中的环形伪影消除提出了诸多方法，这些方法大致可分为三类：1)基于硬件的方法；2)投影域正弦图的校正；3)图像域使用极坐标变换的后处理方法。
44.基于硬件的方法需要特殊的硬件设计，即需要移动探测器阵列以在数据采集期间获得每个探测器元件的不同响应。然后，对所有探测器元件的特性进行平均以减少伪影，但是其不能有效的完全消除伪影，且设计复杂。
45.投影域正弦图的校正属于图像重建前的预处理方法。相关技术中的图像重建前的预处理方法依赖于原始投影数据，这限制了其进一步应用。另外，图像重建前的预处理方法中低通滤波滤除了图像中的细节部分，降低了重建图像的质量。
46.相关技术中，基于极坐标变换的后处理方法进行环形伪影消除的方法主要有：基于独立分量分析的方法；基于径向基函数神经网络(radial basis function neural network，rbfnn)的方法；基于卷积神经网络(convolutional neural network，cnn)的混合环形伪影去除算法。但是，基于独立分量分析的方法容易丢失图像细节信息；基于rbfnn的方法需要手动识别增强后的条纹伪影，对于没有明显特征的伪影，如杂乱的条状伪影或者
伪影中存在间隙，则手动识别方法可能具有一定的错误率；基于cnn的混合环形伪影去除算法难以去除所有的伪影，轻微的伪影通常会保留下来。
47.基于此，本发明技术方案针对相关技术中所存在的缺陷，提出了一种基于无监督学习的扫描图像的伪影去除方法。具体地，该方法主要通过将待校正扫描图像中的环形伪影转换为条状伪影，采用预设无监督网络模型对该条状伪影进行消除，由此能够通过预设无监督网络模型的对比学习来生成高质量的图像，能够有效地消除扫描图像中的环形伪影。该方法中的预设无监督网络模型不需要配对数据，减少了收集大量带注释训练数据的困难，提高了预设无监督网络模型的训练效率。而且，无需额外的先验信息或硬件修改，充分利用了深度学习中的无监督网络模型解决了扫描图像环形伪影严重的问题，实现了环形伪影的有效去除。与图像重建前的预处理方法相比，该方法保持了图像细节信息，同时保持了原始扫描图像的解剖完整性、细节和空间分辨率。另外，该方法通过模拟ct数据的环形伪影作为内部测试数据集进行测试和评估，并结合患者的脑部ct数据作为外部测试数据集来对该方法进行测试，提高了该方法的鲁棒性。进一步的，该方法为实现适应性放射治疗和提高癌症患者的治疗效果提供了技术支持。
48.根据本发明实施例，提供了一种扫描图像的伪影去除方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
49.在本实施例中提供了一种扫描图像的伪影去除方法，可用于计算机设备，图1是根据本发明实施例的扫描图像的伪影去除方法的流程图，如图1所示，该流程包括如下步骤：
50.步骤s101，获取带有环形伪影的待校正扫描图像。
51.待校正扫描图像为通过扫描设备扫描人体部位所得到的计算机断层扫描(computed tomography，ct)图像，该待校正扫描图像中带有环形伪影。该扫描设备与计算机设备之间通信连接，扫描设备则可以将其扫描得到的待校正扫描图像传输至计算机设备。相应地，计算机设备则可以接收带有环形伪影的待校正扫描图像。
52.需要说明的是，此处还可以通过模拟方式生成带有环形伪影的待校正扫描图像。具体地，计算机设备可以模拟真实的扫描数据生成扫描图像，并采用仿真工具(例如matlab软件)在真实扫描图像中添加模拟环形伪影。其中，生成模拟环形伪影的方式如下：对于每个扫描图像中的每一层进行拉东(radon)变换，生成正投影数据；在正投影数据中添加随机的增益扰动，并生成扰动后的正投影数据；对随机扰动后的正投影数据进行反radon变换，则会在扫描图像中生成多条同中心的弧线状的伪影。
53.此处，通过模拟扫描数据以及模拟环形伪影，以生成待校正扫描图像，便于通过模拟的待校正数据进行伪影消除的内部测试，以验证伪影消除效果。
54.步骤s102，将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像。
55.条状伪影相较于环形伪影而言，更容易去除。在得到待校正扫描图像后，通过执行极坐标变换以对待校正图像进行坐标变换，以将环形伪影变换为条状伪影，生成带有条状伪影的第一图像。
56.步骤s103，采用预设无监督网络模型消除第一图像中的条状伪影，生成第二图像。
57.预设无监督网络模型为预先训练得到的用于消除条状伪影的神经网络模型，例如，基于双重对比学习的生成对抗网络(dclgan)。对于预设无监督网络模型的训练过程将在下述实施例中进行详细说明，此处不作赘述。
58.将训练好的无监督网络模型部署在计算机设备中，将第一图像输入至预设无监督网络模型中，通过预设无监督网络模型消除第一图像中的条状伪影以生成第二图像。即第二图像中包含有图像细节，但不包含条状伪影。
59.步骤s104，基于第一图像和第二图像进行伪影去除，得到目标扫描图像。
60.第一图像中携带有条状伪影和图像细节，第二图像中携带有图像细节，结合第一图像与第二图像进行图像处理，可以得到条状伪影图像。继而，将条状伪影图像经过坐标变换转换为环形伪影图像，结合环形伪影图像和待校正扫描图像进行图像处理，可以消除待校正扫描图像中的环形伪影，得到不携带伪影的目标扫描图像。
61.本实施例提供的扫描图像的伪影去除方法，通过将待校正扫描图像中的环形伪影转换为条状伪影，采用预设无监督网络模型对该条状伪影进行消除，由此能够通过预设无监督网络模型的对比学习来生成高质量的图像，能够有效地消除扫描图像中的环形伪影。该方法中的预设无监督网络模型不需要配对数据，减少了收集大量带注释训练数据的困难，提高了预设无监督网络模型的训练效率。而且，无需额外的先验信息或硬件修改，充分利用了深度学习中的无监督网络模型解决了扫描图像环形伪影严重的问题，实现了环形伪影的有效去除。
62.在本实施例中提供了一种扫描图像的伪影去除方法，可用于计算机设备，图2是根据本发明实施例的扫描图像的伪影去除方法的流程图，如图2所示，该流程包括如下步骤：
63.步骤s201，获取带有环形伪影的待校正扫描图像。详细说明参见上述实施例对应的相关描述，此处不再赘述。
64.步骤s202，将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像。
65.具体地，上述步骤s202可以包括：
66.步骤s2021，获取待校正扫描图像中的各个像素点在笛卡尔坐标系下的第一位置。
67.第一位置为笛卡尔坐标系下的待校正扫描图像中各个像素点的坐标位置。构建笛卡尔坐标系，将待校正扫描图像放置在笛卡尔坐标系中，即可得到各个像素点在笛卡尔坐标系下的第一位置。
68.步骤s2022，将各个像素点对应的第一位置转换至极坐标系，得到各个像素点在极坐标系下的第二位置。
69.第二位置为极坐标系下的待校正扫描图像中各个像素点的坐标位置。按照笛卡尔坐标系与极坐标系的坐标转换规则，可以将待校正扫描图像由笛卡尔坐标系转换至极坐标系。
70.具体地，笛卡尔坐标系与极坐标系的转换规则如下：
[0071][0072]
其中，(x，y)为笛卡尔坐标系下的坐标位置，其在极坐标系下对应的坐标位置为(θ，ρ)；m为待校正扫描图像的尺寸，具体包括待校正扫描图像的宽和高。
[0073]
步骤s2023，基于第二位置，得到带有条状伪影的第一图像。
[0074]
根据各个像素点对应的第二位置生成转换后的伪影图像，即将环形伪影转换为条状伪影，生成带有条状伪影的第一图像。
[0075]
在一些可选的实施例方式中，上述步骤s202还可以包括：
[0076]
步骤a1，检测并获取坐标转换过程中所产生的未转换的多个像素点。
[0077]
步骤a2，采用双线性插值算法生成未转换的多个像素点。
[0078]
在将待校正扫描图像从笛卡尔坐标系转换到极坐标系的过程中，由于采样的离散性，可能导致在极坐标系下的图像中存在采样不连续的点。因为极坐标系下，不同角度和距离处的像素数量可能不同，导致一些像素点在笛卡尔坐标系中有对应值，但在极坐标系中没有对应值。
[0079]
此处，采用双线性插值算法来生成由于采样不连续而无法转换的像素点。具体地，双线性插值算法利用周围已知像素点的值进行加权平均，从而估计出各个未转换的像素点所对应的像素值。由此，能够在极坐标系下生成平滑和连续的第一图像，这对于后续去除条状伪影或其他伪影、准确计算图像特征、进行图像分割等任务至关影响。
[0080]
上述采用双线性插值算法来生成未转换的多个像素点，保证在极坐标系下生成平滑、连续的图像，避免出现突变或锯齿状的伪影或图像畸变，使得后续的图像处理和分析能够更加准确和可靠。
[0081]
步骤s203，采用预设无监督网络模型消除第一图像中的条状伪影，生成第二图像。详细说明参见上述实施例对应的相关描述，此处不再赘述。
[0082]
步骤s204，基于第一图像和第二图像进行伪影去除，得到目标扫描图像。
[0083]
具体地，上述步骤s204可以包括：
[0084]
步骤s2041，基于第一图像和第二图像进行作差处理，得到条状伪影图像。
[0085]
第一图像为带有条状伪影和图像细节的图像，第二图像中带有图像细节，但其不带有条状伪影。将第一图像与第二图像进行作差，可以消除第一图像中的图像细节，得到条状伪影图像。
[0086]
在一些可选的实施例方式中，上述步骤s2041可以包括：
[0087]
步骤b1，将第一图像与第二图像作差，生成残差图像。
[0088]
步骤b2，对残差图像进行滤波处理，得到条状伪影图像。
[0089]
将带有条状伪影的第一图像和不带有条状伪影的第二图像进行作差，得到具有图像细节和条状伪影的残差图像。继而，采用预设滤波方式(例如，均值滤波、中值滤波等)对残差图像中的图像细节进行滤除，得到相应的条状伪影图像。
[0090]
将带有条状伪影的第一图像与第二图像进行作差处理，得到带有图像细节和条状伪影的残差图像，通过对残差图像进行滤波处理，以滤除其携带的图像细节，得到条状伪影图像，便于得到不携带图像细节的环形伪影，由此在后续消除环形伪影时，能够保持图像细节信息，同时能够保持原始扫描图像的解剖完整性和空间分辨率。
[0091]
步骤s2042，将条状伪影图像进行逆变换处理，生成环形伪影图像。
[0092]
如上文所述，将环形伪影经过坐标转换可以得到条状伪影。此处，将条状伪影图像进行坐标逆变换，则可以将条状伪影图像转换为环形伪影图像。
[0093]
在一些可选的实施例方式中，上述步骤s2042可以包括：
[0094]
步骤c1，获取条状伪影图像中的各个像素点在极坐标系下的第三位置。
[0095]
步骤c2，将各个像素点对应的第三位置转换至笛卡尔坐标系，得到各个像素点在笛卡尔坐标系下的第四位置。
[0096]
步骤c3，基于各个像素点及其对应的第四位置，生成环形伪影图像。
[0097]
第三位置为极坐标系的条状伪影图像中各个像素点的坐标位置。第四位置为条状伪影图像中的各个像素点转换到笛卡尔坐标系下的坐标位置。按照笛卡尔坐标系与极坐标系的坐标转换规则，可以将条状伪影图像由极坐标系转换至笛卡尔坐标系。具体的转换规则如下：
[0098][0099]
其中，(θ1，ρ1)为极坐标系下的坐标位置；(x1，y1)为对应于(θ1，ρ1)在笛卡尔坐标系下的坐标位置；n为条状伪影图像的尺寸，具体包括条状伪影图像的宽和高。
[0100]
根据上述转换规则，可以得到各个像素点在笛卡尔坐标系下的第四位置，由此，基于各个像素点对应的第四位置进行图像重建，即可将条状伪影图像转换为环形伪影图像。
[0101]
通过坐标系变换将条状伪影图像转换为环形伪影图像，便于将其与待校正扫描图像进行作差处理，以有效去除扫描图像中的环形伪影，实现了环形伪影的有效去除。
[0102]
步骤s2043，基于待校正扫描图像和环形伪影图像进行作差处理，得到目标扫描图像。
[0103]
以带有环形伪影图像的待校正扫描图像减去环形伪影图像，可以将待校正扫描图像中的环形伪影图像予以消除，得到不带伪影的目标扫描图像。
[0104]
步骤s205，获取待校正扫描图像的第一体素值和目标扫描图像的第二体素值。
[0105]
第一体素值用于表征待校正扫描图像中所呈现的人体部位区域的体素值。第二体素值为目标扫描图像中所呈现的人体部位区域的体素值。计算机设备通过解析待校正扫描图像中人体部位区域的灰度值和像素值等数据，可以得到人体部位区域在待校正扫描图像中的体素值。同理，可以得到人体部位区域在目标扫描图像中的体素值。
[0106]
步骤s206，基于第一体素值与第二体素值之间的差值，对目标扫描图像进行体素值校正。
[0107]
将第一体素值与第二体素值进行对比，确定第二体素值相较于第一体素值的差值。在目标扫描图像中的人体部位区域，在第二体素值的基础上添加该差值以消除体素分布不一致的问题，保证目标扫描图像与待校正扫描图像的体素分布一致。
[0108]
本实施例提供的扫描图像的伪影去除方法，由于条状伪影相比于环形伪影更容易去除，此处通过坐标系变换将待校正扫描图像中的环形伪影转换为条状伪影，便于更好的去除扫描图像中的伪影，提高了伪影的去除效果。将带有条状伪影的第一图像与去除条状伪影的第二图像进行作差处理，得到条状伪影图像，再通过坐标转换将其转换为环状伪影图像，将待校正扫描图像和环形伪影图像进行作差即可得到去除环形伪影的目标扫描图像。由此，能够最大程度的保持图像细节信息，从而保证了后续重建图像的质量。通过对目标扫描图像的体素值进行校正，使得校正后的目标扫描图像与原始待校正扫描图像的体素分布一致，使得环形伪影的去除效果更加明显。
[0109]
在一些可选的实施例方式中，上述步骤s202中的预设无监督网络模型包括生成器
和判别器，如图3所示，在极坐标系下训练预设无监督的网络模型，该预设无监督的网络模型的训练方法包括：
[0110]
步骤s301，将第一图像的切片输入至生成器中，得到合成图像。
[0111]
生成器用于是将第一图像转换为合成图像，以使合成图像接近于第二图像。在一些可选的实施例方式中，生成器包括多个下采样单元、多个残差单元以及多个上采样单元，相应地，上述步骤s301可以包括：
[0112]
步骤d1，对第一图像的切片进行特征提取，得到第一维度的特征图。
[0113]
步骤d2，将特征图输入至多个下采样单元中，得到第二维度的下采样特征图。
[0114]
步骤d3，将下采样特征图输入至多个残差单元中，输出残差特征图。
[0115]
步骤d4，将残差特征图输入至多个上采样单元中，得到合成图像，合成图像的维度与第一图像的维度相等。
[0116]
生成器g的网络结构由u型网络unet和残差网络resnet组合而成，其主要包含有若干个下采样单元、若干个基于resnet的残差单元和若干个个上采样单元，下采用单元和上采样单元的个数相同。第一维度用于表征特征图的大小，第二维度用于表征下采样特征图的大小。
[0117]
此处以2个下采样、9个基于resnet的残差块和2个上采样块为例，对生成合成图像的生成过程进行说明如下：
[0118]
首先，将第一图像分割为多个相同尺寸的切片，将第一图像的切片依次经过卷积层、归一化层和relu激活层进行特征提取，得到大小为256
×
256的特征图。
[0119]
其次，将第一维度的特征图输入至两个串接的下采样单元中，则特征图的大小由256
×
256变成64
×
64。为了消除深度神经网络训练困难问题及退化现象，此处在该生成器g的网络架构中加入9个残差单元，每个残差单元由若干个(例如2个)卷积层、若干个(例如2个)归一化层和残差层连接。下采样特征图依次经过卷积层、归一化层和残差层，输出残差特征图。
[0120]
再次，将残差特征图输入至2个串接的上采样单元中，得到与第一图像尺寸一致的特征图。该下采样单元输出的特征图即为合成图像。
[0121]
通过结合多个下采样单元、多个残差单元以及多个上采样单元得到合成图像，以消除网络模型训练困难和退化的问题，保证无监督网络模型的训练效果。
[0122]
步骤s302，将合成图像输入至判别器中，得到针对于合成图像的识别结果。
[0123]
判别器可以接收生成器输出的合成图像，将合成图像与真实的不带条状伪影的图像进行对比，并会输出全0或全1的数组以区分真实样本和虚假样本。具体地，对于判别器输出全0的数组，将其分类为虚假样本；对于输出全1的数组，将其分类为真实样本。
[0124]
在一些可选的实施例方式中，判别器包括多个下采样单元，相应地，上述步骤s302可以包括：
[0125]
步骤e1，将合成图像裁剪为多个预设维度的图像块。
[0126]
步骤e2，分别将各个图像块依次输入至多个下采样单元中，通过最后一个下采样单元输出各个图像块对应的判别结果。
[0127]
步骤e3，对各个判别结果进行均值处理，得到识别结果。
[0128]
预设维度用于表征图像块的大小。判别器d
rct
(即检测合成图像与真实的不带条状
伪影的图像是否一致)采用patchgan判别器架构，即使用大小为70x70的局部图像块(patch)并为每个补丁分配一个结果，相当于将合成图像裁剪成多个重叠大小为70x70的patch，并将每个patch输入至判别器，得到针对于各个patch的识别结果，将各个识别进行平均，得到最终的识别结果。
[0129]
判别器d
rct
包含有多个下采样单元，每个下采样单元包含卷积层、归一化层和relu层。以5个下采样单元为例，将各个图像块依次输入至串接的5个下采样单元中，使得图像块的尺寸从256
×
256变为14
×
14，并将最后一层输出图像中的每个像素范围转换至[-1，1]中，以分别对应每个patch的判别结果。将各个判别结果进行均值处理，得到平均判别结果，即最终的识别结果。上述补丁级判别器的架构进比整个图像级别鉴别器具有更少的参数，在实现图像判别的基础上简化了判别器的网络架构。
[0130]
步骤s303，基于合成图像和识别结果，采用反向传播算法对生成器和判别器进行迭代，直至判别器确定生成器输出的合成图像为不带条状伪影的图像。
[0131]
判别器将其针对合成图像输出的识别结果输入至生成器中，以使生成器能够结合识别结果确定合成图像与不带条状伪影的图像之间的区别。继而，生成器可以优化其合成图像的生成，以使其无限逼近于不带条状伪影的图像。
[0132]
在训练时，采用反向传播算法分别训练生成器和判别器，两者不断地进行迭代优化，使得生成器输出的合成图像不断的接近不带条状伪影的图像，同时判别器所具备的识别能力也不断增强，由此提升了生成图像的质量和可信度。
[0133]
需要说明的是，上述预设无监督网络模型还可以包括生成器f和判别器d
uct
。其中，生成器f用于从不带条状伪影的图像生成带有条状伪影的合成图像；判别器d
uct
用于鉴别带有条状伪影的合成图像与带有条状伪影的第一图像是否一致。生成器f和判别器d
uct
的训练方法与上述生成器g和判别器d
rct
相同，此处不再赘述。
[0134]
通过裁剪合成图像为多个图像块，并采用多个下采样单元对各个图像块进行识别，以得到各个图像块对应的识别结果，由此减少了该判别器的架构参数，使得判别器的训练更加方便。
[0135]
由此，在训练无监督网络模型的过程中，通过生成器和判别器的不断迭代，使得生成器输出的合成图像不断的接近真实图像，同时判别器的鉴别能力也不断增强，提升了合成图像的质量和可信度。
[0136]
在一些可选的实施例方式中，上述方法还可以包括：
[0137]
步骤f1，基于预设无监督网络模型输出的合成图像，确定预设无监督网络模型的损失函数。
[0138]
步骤f2，基于损失函数优化预设无监督网络模型。
[0139]
预设无监督网络模型的损失函数主要由三个部分组成：对抗性损失、patchnce loss和一致性损失。预设无监督网络模型使用对抗性损失来促进合成图像sct与不带条状伪影的图像rct在视觉上更相似，使得两者的分布模式尽可能保持一致。
[0140]
具体地，生成器g的对抗性损失如下：
[0141]
l
gan
(g，d
rct
，uct，rct)
[0142]
＝e
rct～rct
[log d
rct
(rct)]+e
uct～uct
[log(1-d
rct
(g(uct)))]
[0143]
其中，l
gan
(g，d
rct
，uct，rct)表示生成器g的对抗性损失；uct为带有条状伪影的图
像；rct为不带条状伪影的图像；e
rct～rct
表示rct图像的分布状态；e
uct～uct
表示uct图像的分布状态；g表示生成器g，用于从带有条状伪影的图像生成不带条状伪影的图像；dr
ct
表示rct图像的判别器。
[0144]
生成器f的对抗性损失与生成器g类似，其对抗性损失如下：
[0145]
l
gan
(f，d
ct
，uct，rct)
[0146]
＝e
uct～uct
[logd
uct
(uct)]+e
rct～rct
[log(1-d
uct
(f(rct)))]
[0147]
其中，l
gan
(f，d
ct
，uct，rct)表示生成器f的对抗性损失；uct为带有条状伪影的图像；rct为不带条状伪影的图像；e
rct～rct
表示rct图像的分布状态；e
uct～uct
表示uct图像的分布状态；f表示生成器f，用于从不带条状伪影的图像生成带有条状伪影的图像；d
uct
表示uct图像的判别器。
[0148]
采用噪声对比估计框架，使带有条状伪影的图像uct和合成图像sct的相应patch之间的互信息达到最大化。具体地，将图像中的patch视为对象来构造正样本和负样本，通过对比学习的思想将“查询样本”及其“正样本”两个示例样本与数据集中的其他示例样本(“负样本”)相关联并形成对比。在生成的sct和uct中选择同一位置，我们将查询样本、正样本、负样本分别表示成和此处建立了一个(n+1)路分类问题，使用交叉熵损失，其具体表达式如下：
[0149][0150]
τ用于控制查询样本和其他正负样本之间的距离，默认值为0.07。表示查询样本v和正样本v
+
之间的余弦相似度。通过最小化l实现查询样本和正样本之间的互信息最大化，以及查询样本和负样本之间的互信息最小化。
[0151]
在两个不同的图像域，采用2个不同的嵌入层embedding来提取uct和rct的有效独立特征。embedding uct中包含g
enc
和h
uct
，用来提取uct图像域特征。类似地，embedingrct由f
enc
和h
rct
组成用于提取rct图像域特征。为了学习uct和rct两个图像域之间的独立特异性，两个embedding之间不共享权重。
[0152]
从g
enc
(uct)中选取l层特征并将其送入到一个两层mlp投影头h
uct
，将uct图像编码成特征并堆叠生成的特征。其中l∈{1，2，3...，l}表示选取的第l层输出特征。实际上，每一个特征是图像中一个patch。每个选定层的空间位置表示为s∈{1，2，3...，s
l
}，s
l
表示第l层的空间位置个数。我们每次选取一个查询样本query，找到与其对应的特征作为积极特征剩余的其他特征作为消极特征c
l
代表每层的通道数目。类似地，输出的rct被编码成由此，我们的目标是匹配uct和rct相应的patch。uct转换成rct图像的损失函数patchnce loss可表示为：
[0153]
[0154][0155]
在rct图像转换成uct过程中，在rct图像转换成uct过程中，
[0156]
为了避免生成器进行不必要的更改，确保生成的sct与原始uct保持结构一致，我们使用一致性损失以提高训练效率，该一致性损失identity loss可以表示为：
[0157]
l
identity
(g，f)＝e
uct～uct
[||f(uct)-uct||1]+e
rct
[||g(rct)-rct||1]
[0158]
最后，总的损失函数可以表示为：
[0159]
l(g，f，d
uct
，d
rct
，h
uct
，h
rct
)
[0160]
＝λ
gan
(l
gan
(g，d
rct
，uct，rct)+l
gan
(f，d
uct
，uct，rct))+λ
nce
l
patchnceuct
(g，h
uct
，h
rct
，uct)+λ
nce
l
patchncerct
(f，h
uct
，h
rct
，rct)+λ
idt
l
identity
(g，f)
[0161]
继而，通过确定出的损失函数优化预设无监督网络模型，促进预设无监督网络模型生成的图像与真实扫描图像在视觉上更相似，使得两者的分布模式尽可能保持一致，最大程度上提升扫描图像的伪影去除效果。
[0162]
作为本发明实施例的一个或多个具体应用实施例，此处结合具体扫描图像的环形伪影消除对上述方法进行说明。如图4所示的伪影去除方法的流程图，其实现方式主要包括：
[0163]
(1)添加模拟环形伪影：在真实的ct数据io
ri
上加入模拟环形伪影得到原始ct图像，即待校正扫描图像i0。
[0164]
(2)极坐标转换：通过极坐标变换将笛卡尔坐标系下带有环形伪影的待校正扫描图像i0转化为极坐标系下带有条状伪影的第一图像p0。
[0165]
(3)构建合成网络：在极坐标系下应用预设无监督网络模型消除第一图像p0中的条状伪影以生成第二图像pf，再将p0和pf作差生成具有图像细节和条状伪影的残差图像p
res
，通过均值滤波去除图像细节得到条状伪影图像p
ring
。
[0166]
(4)极坐标逆变换：对条状伪影图像p
ring
执行逆坐标变换得到笛卡尔坐标系下的环形伪影图像i
ring
，并使用i0减去i
ring
得到校正后的目标扫描图像i
corr
。
[0167]
将上述方法应用于模拟的待校正扫描图像进行了测试，实验结果如图5和图6所示，其显示窗口宽度/中心分别设置为500和0hu。
[0168]
图5为校正前后ct图像中选取的感兴趣区域(roi)的标准差对比柱状图。第一行显示轴向图像，第二行是校正前后ct图像中选取的roi标准差对比柱状图。其中，(a)是带有环形伪影的未校正ct图像；(b)是校正后的图像；(c)是没有环形伪影的参考图像。结果显示，校正后的ct图像相较于原始的待校正扫描图像而言，其噪声有所降低。
[0169]
图6为校正前后模拟ct数据中选取的roi标准差对比柱状图。第一行显示模拟ct图像，第二行是校正前后模拟ct图像中选取的roi标准差对比柱状图。其中，(a)是带有环形伪影的未校正ct图像；(b)是校正后的图像；(c)是没有环形伪影的参考图像。结果显示，校正后的模拟ct图像噪声有所降低。
[0170]
进一步地，针对21名患者共2944张ct图像对上述扫描图像的伪影去除方法进行测
试和评估，实验结果如图7-图9所示，显示窗口宽度/中心分别设置为500和0hu。
[0171]
图7为在患者真实ct图像上的伪影去除结果示意图，第一行显示的是轴向图像，第二行中的图像是第一行虚线所指方框中的指示放大图。其中，(a)是带有环形伪影的未校正ct图像；(b)是校正后的图像；(c)是没有环形伪影的参考图像；(d)是(a)和(b)之间的差异；(e)和(f)为(a)中方框中的放大图；(g)和(h)为(b)中方框中的放大图；(i)和(j)为(c)中方框中的放大图；(k)和(l)为(d)中方框中的放大图。结果显示，该扫描图像的伪影去除方法显著地抑制了ct图像中的环形伪影。
[0172]
图8为ct图像中两条线处的ct值变化图。第一行显示轴向图像，第二行中的图像是第一行中竖线、横线处的ct值变化图。其中，(a)是带有环形伪影的未校正ct图像；(b)是校正后的图像；(c)是没有环形伪影的参考图像。
[0173]
图9为患者的均匀的轴向cbct切片示意图。其中，(a)是带有环形伪影的未校正图像；(b)是使用上述方法校正后的图像；(c)在(b)的基础上进行体素校正得到的结果；(d)和(e)显示的第一行中竖线处、横线处的ct值变化图。
[0174]
通过图7-图9，可以清楚地看到，相比于校正前的ct图像，校正后的ct图像环形伪影已经被去除，且图像细节数据被保留，同时，校正后的ct图像与真实的参考ct图像之间匹配较好。
[0175]
在本实施例中还提供了一种扫描图像的伪影去除装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0176]
本实施例提供一种扫描图像的伪影去除装置，如图10所示，包括：
[0177]
图像获取模块401，用于获取带有环形伪影的待校正扫描图像。
[0178]
图像转换模块402，用于将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像。
[0179]
伪影消除模块403，用于基于预设无监督网络模型消除第一图像中的条状伪影，生成第二图像。
[0180]
校正模块404，用于基于第一图像和第二图像进行伪影去除，得到目标扫描图像。
[0181]
在一些可选的实施例方式中，图像转换模块402包括：
[0182]
第一位置获取单元，用于获取待校正扫描图像中的各个像素点在笛卡尔坐标系下的第一位置。
[0183]
第二位置确定单元，用于将各个像素点对应的第一位置转换至极坐标系，得到各个像素点在极坐标系下的第二位置。
[0184]
第二图像生成单元，用于基于第二位置，得到带有条状伪影的第一图像。
[0185]
在一些可选的实施例方式中，图像转换模块402还可以包括：
[0186]
转换检测单元，用于检测并获取坐标转换过程中所产生的未转换的多个像素点。
[0187]
像素生成单元，用于采用双线性插值算法生成未转换的多个像素点。
[0188]
在一些可选的实施例方式中，校正模块404包括：
[0189]
第一处理单元，用于基于第一图像和第二图像进行作差处理，得到条状伪影图像。
[0190]
逆变换单元，用于将条状伪影图像进行逆变换处理，生成环形伪影图像。
[0191]
第二处理单元，用于基于待校正扫描图像和环形伪影图像进行作差处理，得到目标扫描图像。
[0192]
在一些可选的实施例方式中，第一处理单元包括：
[0193]
残差图像生成子单元，用于将第一图像与第二图像作差，生成残差图像。
[0194]
滤波处理子单元，用于对残差图像进行滤波处理，得到条状伪影图像。
[0195]
在一些可选的实施例方式中，逆变换单元包括：
[0196]
第三位置获取子单元，用于获取条状伪影图像中的各个像素点在极坐标系下的第三位置。
[0197]
第四位置确定子单元，用于将各个像素点对应的第三位置转换至笛卡尔坐标系，得到各个像素点在笛卡尔坐标系下的第四位置。
[0198]
环形伪影生成子单元，用于基于各个像素点及其对应的第四位置，生成环形伪影图像。
[0199]
在一些可选的实施例方式中，上述扫描图像的伪影去除装置还包括：
[0200]
体素获取单元，用于获取待校正扫描图像的第一体素值和目标扫描图像的第二体素值。
[0201]
体素校正单元，用于基于第一体素值与第二体素值之间的差值，对目标扫描图像进行体素值校正。
[0202]
在一些可选的实施例方式中，上述扫描图像的伪影去除装置还包括：
[0203]
模型训练单元，用于在极坐标系下训练预设无监督的网络模型。
[0204]
在一些可选的实施例方式中，预设无监督网络模型包括生成器和判别器，上述模型训练单元包括：
[0205]
图像合成子单元，用于将第一图像的切片输入至生成器中，得到合成图像。
[0206]
图像判别子单元，用于将合成图像输入至判别器中，得到针对于合成图像的识别结果。
[0207]
迭代子单元，用于基于合成图像和识别结果，采用反向传播算法对生成器和判别器进行迭代，直至判别器确定生成器输出的合成图像为不带条状伪影的图像。
[0208]
在一些可选的实施例方式中，生成器包括多个下采样单元、多个残差单元以及多个上采样单元，上述图像合成子单元具体用于：对第一图像的切片进行特征提取，得到第一维度的特征图；将特征图输入至多个下采样单元中，得到第二维度的下采样特征图；将下采样特征图输入至多个残差单元中，输出残差特征图；将残差特征图输入至多个上采样单元中，得到合成图像，合成图像的维度与第一图像的维度相等。
[0209]
在一些可选的实施例方式中，判别器包括多个下采样单元，上述图像判别子单元具体用于：将合成图像裁剪为多个预设维度的图像块；分别将各个图像块依次输入至多个下采样单元中，通过最后一个下采样单元输出各个图像块对应的判别结果；对各个判别结果进行均值处理，得到识别结果。
[0210]
在一些可选的实施例方式中，上述模型训练单元还包括：
[0211]
损失函数确定子单元，用于基于预设无监督网络模型输出的合成图像，确定预设无监督网络模型的损失函数。
[0212]
模型优化子单元，用于基于损失函数优化预设无监督网络模型。
[0213]
上述各个模块、各个单元以及各个子单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0214]
本实施例中的扫描图像的伪影去除装置是以功能单元的形式来呈现，这里的单元是指asic电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0215]
本发明实施例还提供一种计算机设备，具有上述图10所示的扫描图像的伪影去除装置。
[0216]
请参阅图11，图11是本发明可选实施例提供的一种计算机设备的结构示意图，如图11所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器10为例。
[0217]
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
[0218]
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
[0219]
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0220]
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
[0221]
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
[0222]
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随
机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
[0223]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

技术特征：
1.一种扫描图像的伪影去除方法，其特征在于，所述方法包括：获取带有环形伪影的待校正扫描图像；将所述待校正扫描图像中的环形伪影转换为条状伪影，得到带有所述条状伪影的第一图像；采用预设无监督网络模型消除所述第一图像中的所述条状伪影，生成第二图像；基于所述第一图像和所述第二图像进行伪影去除，得到目标扫描图像。2.根据权利要求1所述的方法，其特征在于，所述将所述待校正扫描图像中的环形伪影转换为条状伪影，得到带有所述条状伪影的第一图像，包括：获取所述待校正扫描图像中的各个像素点在笛卡尔坐标系下的第一位置；将各个像素点对应的第一位置转换至极坐标系，得到所述各个像素点在所述极坐标系下的第二位置；基于所述第二位置，得到带有所述条状伪影的第一图像。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：检测并获取坐标转换过程中所产生的未转换的多个像素点；采用双线性插值算法生成所述未转换的多个像素点。4.根据权利要求1所述的方法，其特征在于，所述基于所述第一图像和所述第二图像进行伪影去除，得到目标扫描图像，包括：基于所述第一图像和所述第二图像进行作差处理，得到条状伪影图像；将所述条状伪影图像进行逆变换处理，生成环形伪影图像；基于所述待校正扫描图像和所述环形伪影图像进行作差处理，得到所述目标扫描图像。5.根据权利要求4所述的方法，其特征在于，所述基于所述第一图像和所述第二图像进行作差处理，得到条状伪影图像，包括：将所述第一图像与所述第二图像作差，生成残差图像；对所述残差图像进行滤波处理，得到所述条状伪影图像。6.根据权利要求4或5所述的方法，其特征在于，将所述条状伪影图像进行逆变换处理，生成环形伪影图像，包括：获取所述条状伪影图像中的各个像素点在极坐标系下的第三位置；将各个像素点对应的第三位置转换至笛卡尔坐标系，得到所述各个像素点在所述笛卡尔坐标系下的第四位置；基于所述各个像素点及其对应的所述第四位置，生成所述环形伪影图像。7.根据权利要求1或4所述的方法，其特征在于，还包括：获取所述待校正扫描图像的第一体素值和所述目标扫描图像的第二体素值；基于所述第一体素值与所述第二体素值之间的差值，对所述目标扫描图像进行体素值校正。8.根据权利要求1所述的方法，其特征在于，所述预设无监督网络模型包括生成器和判别器，所述预设无监督的网络模型的训练方法包括：将所述第一图像的切片输入至生成器中，得到合成图像；将所述合成图像输入至判别器中，得到针对于所述合成图像的识别结果；
基于所述合成图像和所述识别结果，采用反向传播算法对所述生成器和判别器进行迭代，直至所述判别器确定所述生成器输出的合成图像为不带条状伪影的图像。9.根据权利要求8所述的方法，其特征在于，所述生成器包括多个下采样单元、多个残差单元以及多个上采样单元，所述将所述第一图像的切片输入至生成器中，得到合成图像，包括：对所述第一图像的切片进行特征提取，得到第一维度的特征图；将所述特征图输入至所述多个下采样单元中，得到第二维度的下采样特征图；将所述下采样特征图输入至所述多个残差单元中，输出残差特征图；将所述残差特征图输入至所述多个上采样单元中，得到合成图像，所述合成图像的维度与所述第一图像的维度相等。10.根据权利要求8所述的方法，其特征在于，所述判别器包括多个下采样单元，所述将所述合成图像输入至判别器中，得到针对于所述合成图像的识别结果，包括：将所述合成图像裁剪为多个预设维度的图像块；分别将各个所述图像块依次输入至所述多个下采样单元中，通过最后一个下采样单元输出各个所述图像块对应的判别结果；对各个所述判别结果进行均值处理，得到所述识别结果。11.根据权利要求8所述的方法，其特征在于，还包括：基于所述预设无监督网络模型输出的合成图像，确定所述预设无监督网络模型的损失函数；基于所述损失函数优化所述预设无监督网络模型。12.一种扫描图像的伪影去除装置，其特征在于，所述装置包括：图像获取模块，用于获取带有环形伪影的待校正扫描图像；图像转换模块，用于将所述待校正扫描图像中的环形伪影转换为条状伪影，得到带有所述条状伪影的第一图像；伪影消除模块，用于基于预设无监督网络模型消除所述第一图像中的所述条状伪影，生成第二图像；校正模块，用于基于所述第一图像和所述第二图像进行伪影去除，得到目标扫描图像。13.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至11中任一项所述的扫描图像的伪影去除方法。14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至11中任一项所述的扫描图像的伪影去除方法。

技术总结
本发明涉及医学图像处理技术领域，公开了一种扫描图像的伪影去除方法、装置、计算机设备及存储介质。其中，该方法包括：获取带有环形伪影的待校正扫描图像；将待校正扫描图像中的环形伪影转换为条状伪影，得到带有条状伪影的第一图像；采用预设无监督网络模型消除第一图像中的条状伪影，生成第二图像；基于第一图像和第二图像进行伪影去除，得到目标扫描图像。通过实施本发明技术方案，充分利用了深度学习中的无监督网络模型解决了扫描图像环形伪影严重的问题，实现了环形伪影的有效去除。实现了环形伪影的有效去除。实现了环形伪影的有效去除。


技术研发人员：王唐胜 梁晓坤 谢耀钦
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：2023.05.10
技术公布日：2023/8/6