CT图像去金属伪影以及模型训练的方法和装置与流程

技术特征：
1.一种ct图像去金属伪影的模型训练方法，其特征在于，包括：根据关节的位置生成不包含金属伪影的关节假体的ct原图像集；根据所述ct原图像集生成包含金属伪影的关节假体的带伪影ct图像集；利用去伪影算法对所述带伪影ct图像集进行金属伪影去除处理，生成至少两个不包含金属伪影的去伪影ct图像集；将所述带伪影ct图像集以及所述至少两个去伪影ct图像集作为训练样本输入初始神经网络模型，通过调整所述初始神经网络模型中的模型参数，直至所述初始神经网络模型训练成功，得到训练好的神经网络模型。2.根据权利要求1所述的ct图像去金属伪影的模型训练方法，其特征在于，将所述带伪影ct图像集以及所述至少两个去伪影ct图像集作为训练样本输入初始神经网络模型，包括：将所述带伪影ct图像集以及所述至少两个去伪影ct图像集中图像的尺寸设置为预设尺寸，以使所述训练好的神经网络模型按照预设尺寸输出去除金属伪影的图像。3.根据权利要求2所述的ct图像去金属伪影的模型训练方法，其特征在于，还包括：将所述带伪影ct图像集以及所述至少两个去伪影ct图像集中的图像分别按照预设切分规则进行切分，得到若干个图像块；将所述若干个图像块按照对应的图像集进行堆叠，并通过相应的通道输入至所述初始神经网络模型。4.根据权利要求1所述的ct图像去金属伪影的模型训练方法，其特征在于，根据所述ct原图像集生成包含金属伪影的关节假体的带伪影ct图像集，包括：采用fbp滤波反投影算法对所述ct原图像集进行处理，得到带有金属伪影的关节假体的带伪影ct图像集。5.根据权利要求1至4任一项所述的ct图像去金属伪影的模型训练方法，其特征在于，还包括：将所述带伪影ct图像集以及所述至少两个去伪影ct图像集按照预设比例划分为训练集和验证集；将所述验证集输入到采用训练集在当前训练周期训练得到的当前模型中，计算对应的损失函数值；如果所述损失函数值与上一个训练周期的神经网络模型对应的损失函数值相比，差值小于预定的阈值，则停止训练并将当前神经网络模型作为训练好的神经网络模型；否则，继续调整模型参数，直至模型训练成功。6.一种ct图像去金属伪影的方法，其特征在于，包括：将待识别的带有金属伪影的关节假体的ct图像输入利用如权利要求1至5任一项所述的模型训练方法训练得到的神经网络模型；获得所述神经网络模型输出的去金属伪影的关节假体的ct图像。7.一种ct图像去金属伪影的模型训练装置，其特征在于，包括：第一处理模块，用于根据关节的位置生成不包含金属伪影的关节假体的ct原图像集；第二处理模块，用于根据所述ct原图像集生成包含金属伪影的关节假体的带伪影ct图像集；
第三处理模块，用于利用去伪影算法对所述带伪影ct图像集进行金属伪影去除处理，生成至少两个不包含金属伪影的去伪影ct图像集；训练模块，用于将所述带伪影ct图像集以及所述至少两个去伪影ct图像集作为训练样本输入初始神经网络模型，通过调整所述初始神经网络模型中的模型参数，直至所述初始神经网络模型训练成功，得到训练好的神经网络模型。8.一种ct图像去金属伪影的装置，其特征在于，包括：采用权利要求7所述的ct图像去金属伪影的模型训练装置训练得到的模型；以及图像获取模块，用于获取待识别的带有金属伪影的关节假体的ct图像；处理模块，用于将所述待识别的带有金属伪影的关节假体的ct图像输入到所述模型中，得到去金属伪影的关节假体的ct图像。9.一种电子设备，其特征在于，包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-5任一项所述的方法，或权利要求6所述的方法。10.一种计算机可读存储介质，其特征在于，计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-5任一项所述的方法，或权利要求6所述的方法。

技术总结
本申请公开了一种CT图像去金属伪影以及模型训练的方法和装置。该方法包括：根据关节的位置生成不包含金属伪影的关节假体的CT原图像集；根据CT原图像集生成包含金属伪影的关节假体的带伪影CT图像集；利用去伪影算法对所述带伪影CT图像集进行金属伪影去除处理，生成至少两个不包含金属伪影的去伪影CT图像集；将所述带伪影CT图像集以及所述至少两个去伪影CT图像集作为训练样本输入初始神经网络模型，通过调整所述初始神经网络模型中的模型参数，直至所述初始神经网络模型训练成功。本申请对神经网络模型进行训练时，因为采用了有金属伪影和无金属伪影的CT图像进行训练，所以模型的鲁棒性比较高，可以提高模型去伪影的效果。可以提高模型去伪影的效果。可以提高模型去伪影的效果。


技术研发人员：张逸凌 刘星宇
受保护的技术使用者：张逸凌
技术研发日：2021.12.01
技术公布日：2022/3/25