[发明专利]用于伪影去除的图像处理方法及装置

权利要求书

1.一种用于伪影去除的图像处理方法，包括：

建立用于训练神经网络的训练数据集，其中，所述训练数据集包括多组图像样本，每组图像样本包括带伪影图像(Y)及与其对应的无伪影图像(X)和图像掩膜(I)；

对于所述多组图像样本中的至少一组图像样本，

利用自适应卷积字典网络，对所述带伪影图像(Y)进行伪影去除处理，以得到处理后图像，

基于所述无伪影图像(X)和所述处理后图像、以及经所述图像掩膜(I)处理的目标函数对所述自适应卷积字典网络进行迭代训练，以优化所述自适应卷积字典网络的网络参数，

其中，所述自适应卷积字典网络包括基本伪影字典，所述基本伪影字典是不随样本变化的卷积字典并且包括第一数量的伪影卷积核，并且通过所述基本伪影字典中的多个伪影卷积核与随样本变化的加权系数来确定用于所述图像样本的第二数量的自适应卷积核，

其中，通过所述第二数量的自适应卷积核与所述带伪影图像的图像特征的卷积来确定所述带伪影图像中的伪影图像，并从所述带伪影图像中去除所述伪影图像以得到所述处理后图像。

2.如权利要求1所述的图像处理方法，其中，所述第一数量的伪影卷积核指示伪影模式，所述图像特征指示所述伪影模式所在的位置，

其中，所述自适应卷积字典网络包括T级网络，其中，在第t级网络中，利用基于近端梯度下降的迭代更新规则对第t-1级网络输出的加权系数和图像特征进行更新，以得到第t级网络的加权系数和图像特征，其中t为大于1且小于等于T的整数。

3.如权利要求2所述的图像处理方法，其中，每级网络包括加权系数更新网络、图像特征更新网络、及伪影去除图像更新网络，其中，

加权系数更新网络、图像特征更新网络、及伪影去除图像更新网络包括残差网络结构及归一化处理层。

4.如权利要求1所述的图像处理方法，其中，所述建立用于训练神经网络的训练数据集还包括以下至少一项：

对所述带伪影图像(Y)的像素值进行归一化处理；以及

对所述带伪影图像(Y)进行随机裁剪以获得图像块，并按照预定的概率对所述图像块进行随机翻转处理。

5.如权利要求1所述的图像处理方法，其中，所述目标函数为基于所述无伪影图像(X)和所述处理后图像所构建的损失目标函数，

其中，所述基于所述无伪影图像(X)和所述处理后图像、以及目标函数对所述自适应卷积字典网络进行迭代训练，以优化所述自适应卷积字典网络的网络参数还包括：

计算损失目标函数并将其结果反向传播到所述自适应卷积字典网络，并基于自适应矩估计(Adaptive moment estimation，Adam)算法优化所述自适应卷积字典网络的网络参数。

6.如权利要求1所述的图像处理方法，还包括：在训练完成后，对所述自适应卷积字典网络进行测试，

其中，所述对所述自适应卷积字典网络进行测试包括：

对待测试的带伪影图像进行预处理，并输入到所述自适应卷积字典网络；

利用自适应卷积字典网络，对所述待测试的带伪影图像进行处理，以得到去除伪影的处理后图像。

7.如权利要求1所述的图像处理方法，其中，所述伪影为金属伪影，所述带伪影图像为带金属伪影的CT图像，

所述训练数据集包括多组CT图像样本，每组图像样本包括带金属伪影的CT图像及与其对应的无金属伪影的CT图像和非金属区掩膜；

所述自适应卷积字典网络包括基本金属伪影字典，所述基本金属伪影字典是不随CT图像样本变化的金属伪影卷积字典并且包括第一数量的金属伪影卷积核，并且通过所述基本金属伪影字典中的多个金属伪影卷积核与随CT图像样本变化的加权系数来确定用于所述CT图像样本的第二数量的自适应卷积核，其中，所述第一数量的金属伪影卷积核指示金属伪影模式，所述金属伪影图像特征指示所述金属伪影模式所在的位置。