[发明专利]基于扩散模型去除CT图像金属伪影的方法及系统

说明书

本发明实施例公开了一种基于扩散模型去除CT图像金属伪影的方法及系统，基于扩散模型去除CT图像金属伪影的方法包括：获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。该基于扩散模型去除CT图像金属伪影的方法解决现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于扩散模型去除CT图像金属伪影的方法及系统。

背景技术

CT图像是医生诊断的一个辅助工具，医生通过观察CT图像中组织的形态特征对病人的疾病进行诊断，现在，许多研究者通过深度学习算法对CT图像中的人体组织进行分割，进而完成病人的病症诊断、手术规划和术后评估，但是如果病人的身体中本身存在金属植入物，CT图像扫描过程中所生成的图像上会产生放射状的金属伪影，这些伪影无论是对于疾病的诊断，还是对于AI的组织分割都产生了很大的负面影响；

使用深度学习的方式进行CT图像中金属去伪影的方法需要找到对应的配对CT图像进行训练，即需要找到一个病人的2张对应图像，一张有伪影，一张没有伪影，然后将有伪影图像当成训练图像，无伪影图像当成标签，进行训练。但是，在临床上，很难找到同一个患者的两种不同类型的CT图像。因此，在实际操作中，基于深度学习去除CT图像金属伪影的效果不佳。

发明内容

本发明实施例的目的在于提供一种基于扩散模型去除CT图像金属伪影的方法及系统，用以解决现有技术中基于深度学习去除CT图像金属伪影的效果不佳的问题。

为实现上述目的，本发明实施例提供一种基于扩散模型去除CT图像金属伪影的方法，所述方法具体包括：

获取有金属伪影CT图像数据集以及无金属伪影CT图像数据集；

基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，所述目标扩散模型用于去除有金属伪影图像中的金属伪影；

将有金属伪影CT图像输入所述目标扩散模型，得到目标去金属伪影CT图像。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步地，所述扩散模型采用的损失函数如下：

式中，x₀为无金属伪影CT图像、t为所述第一特征信息和所述第二特征信息的相加次数，ε为高斯分布的超参数、a^为训练权重、∈_θ为高斯分布的超参数，I为有金属伪影CT图像。

进一步地，所述基于扩散模型去除CT图像金属伪影的方法还包括：

得到去金属伪影CT图像后，通过所述扩散模型对所述去金属伪影CT图像中去除伪影部分进行填充处理，以对所述去金属伪影CT图像进行还原得到目标去金属伪影CT图像。

进一步地，所述基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集，对构建的扩散模型进行训练，得到训练好的目标扩散模型，包括：

基于所述有金属伪影CT图像数据集以及无金属伪影CT图像数据集划分训练集、测试集和验证集；

基于所述训练集训练所述扩散模型；

基于所述测试集对训练好的所述扩散模型进行性能评估，得到满足性能条件的扩散模型；

基于所述验证集评估满足性能条件的所述扩散模型的去除金属伪影结果，得到所述扩散模型所对应的评价指数。