CN114913259A - 截断伪影校正方法、ct图像校正方法、设备和介质 - Google Patents

Abstract

本申请涉及一种截断伪影校正方法、CT图像校正方法、设备和介质。该截断伪影校正方法包括：根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。该方法是直接在数据域中对投影数据进行分析和校正，使得校正后的扩充投影数据更趋近于真实投影数据。进一步地，在数据域中进行截断伪影校正时，只需对数据域中存在截断的投影视角下各通道的投影数据进行校正，减小数据计算量的同时，提高了截断伪影的校正速度，从而获取到扫描对象完整的医学图像。

Description

截断伪影校正方法、CT图像校正方法、设备和介质

技术领域

本申请涉及医学图像处理技术领域，特别是涉及一种截断伪影校正方法、CT图像校正方法、设备和介质。

背景技术

在临床诊断和放疗中，受探测器尺寸、现场扫描空间等条件的限制，若被扫描对象一部分处于扫描范围之外，探测器获取到的数据就不够完整，导致重建的医学图像中存在高亮的截断伪影，从而无法在重建的医学图像中判断出扫描对象的整体结构，也就无法准确对扫描对象进行诊断或者放疗。

相关技术中，在对图像中的截断伪影进行校正时，可以在数据域中采用外插数据的方式对截断处的投影数据进行补充，或者在图像域中结合人工智能(ArtificialIntelligence，AI)技术，对医学图像中的截断伪影进行校正。

然而，无论是在数据域中外插数据的方式，还是在图像域中结合AI技术，对截断伪影进行校正均存在校正效果较差的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够对截断伪影进行有效校正，从而获取完整医学图像的截断伪影校正方法、CT图像校正方法、设备和介质。

第一方面，本申请提供了一种截断伪影校正方法，该方法包括：

根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

在其中一个实施例中，第一校正网络的构建过程包括：

获取多个第一样本投影数据；各第一样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据；

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，构建第一校正网络的损失函数；

根据多个第一样本投影数据、预设的第一金标准和第一校正网络的损失函数，对第一初始校正网络进行训练，得到第一校正网络。

在其中一个实施例中，根据多个第一样本投影数据中各投影视角下多个通道的投影数据，构建第一校正网络的损失函数，包括：

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据；

根据多个样本理想通道累加和数据，构建第一校正网络的损失函数。

在其中一个实施例中，根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据，包括：

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下多个通道的投影数据的初始通道累加和数据；

将初始通道累加和数据输入至第二校正网络中，得到各投影视角下去除截断伪影后的样本理想通道累加和数据。

在其中一个实施例中，第二校正网络的构建过程包括：

获取多个第二样本投影数据；各第二样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据；

根据第二样本投影数据，获取中各投影视角下多个通道的样本通道累加和数据；

根据多个样本通道累加和数据和预设的第二金标准，对第二初始校正网络进行训练，得到第二校正网络。

在其中一个实施例中，根据原始投影数据和扩充投影数据，生成扫描对象的医学图像，包括：

根据原始投影数据和扩充投影数据，获取截断伪影校正后的目标投影数据；

对目标投影数据进行图像重建，得到扫描对象的医学图像。

在其中一个实施例中，根据原始投影数据和扩充投影数据，获取截断伪影校正后的目标投影数据，包括

将扩充投影数据对应补充到原始投影数据中，得到校正投影数据；

对校正投影数据进行一次修正或多次迭代修正，得到截断伪影校正后的目标投影数据。

第二方面，本申请还提供了一种CT图像校正方法，该方法包括：

获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

根据目标投影数据，生成扫描对象的CT图像。

第三方面，本申请还提供了一种截断伪影校正装置，该装置包括：

获取模块，用于根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

校正模块，用于通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

重建模块，用于根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

第四方面，本申请还提供了一种CT图像校正装置，该装置包括：

获取模块，用于获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

校正模块，用于通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

重建模块，用于根据目标投影数据，生成扫描对象的CT图像。

第五方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一方法实施例的步骤。

第六方面，本申请还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程序，计算机程序被处理器执行时实现上述任一方法实施例的步骤。

第七方面，本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序被处理器执行时实现上述任一方法实施例的步骤。

上述截断伪影校正方法、CT图像校正方法、设备和介质，根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。在该方法中，考虑到数据域中的投影数据更趋近于扫描对象本身的组织结构信息，因此，在进行截断伪影校正时，并非是在图像域中对扫描得到的医学图像进行伪影校正，而是在数据域中对原始投影数据中的截断伪影数据进行分析和校正，使得校正后的扩充投影数据更趋近于扫描对象真实的投影数据，保证投影数据的完整性和准确性。进一步地，在数据域中进行截断伪影校正时，只对数据域中存在截断的投影视角下各通道的投影数据进行校正，通过第一校正网络预测其变化趋势，从而确定截断区域对应的扩充投影数据。减小数据计算量的同时，提高了截断伪影的校正速度。因此，本申请通过在数据域中对截断伪影处的投影数据进行校正，然后再基于校正后的扩充投影数据生成医学图像，提高截断伪影校正效率的同时，得到扫描对象完整且精确的医学图像，图像质量更佳。

附图说明

图1为一个实施例中截断伪影校正方法的应用环境图；

图2为一个实施例中截断伪影校正方法的流程示意图；

图3为一个实施例中第一校正网络的构建流程示意图；

图4为一个实施例中投影视角对应的通道累加和数据的曲线示意图；

图5为一个实施例中第二校正网络的训练示意图；

图6为一个实施例中第一校正网络的训练示意图；

图7为一个实施例中截断伪影数据补充方式示意图；

图8为一个实施例中扩充伪影数据的获取流程示意图；

图9为一个实施例中生成医学图像的流程示意图；

图10为另一个实施例中截断伪影校正方法的流程示意图；

图11为一个实施例中CT图像校正方法的流程示意图；

图12为一个实施例中截断伪影校正装置的结构框图；

图13为一个实施例中CT图像校正装置的结构框图；

图14为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

随着计算机断层成像(Computed Tomography，CT)技术的发展，出现了各种各样的扫描方式。无论使用何种扫描方式，要想得到高质量的医学图像，往往要求扫描对象的投影数据必须是低噪且完整的。但在工业和医学上，受探测器尺寸、现场扫描空间等条件的限制，会存在扫描对象处于探测器扫描范围以外的情况，导致探测器获取的投影数据不全。然而，投影数据的不连续可能会导致最后生成的医学图像边缘产生截断伪影，严重影响图像质量，继而导致医师无法根据医学图像确定扫描对象完整的组织结构信息，无法准确进行诊断。

关于发生截断伪影的处理一般包括以下两种方式：

(1)在数据域中通过外插数据的方式来抑制滤波和反投影滤波过程中产生的截断伪影。

然而，这种处理方式可以抑制发生截断伪影时扫描视野(Field of View，FOV)内部图像的质量，但对于扫描视野外部的图像，成像质量较差。

(2)在图像域中结合AI技术对截断伪影进行处理。由于从图像域中学习得到的图像信息，受限于训练神经网络所使用的训练数据集。而且，在图像域中通过AI技术直接对医学图像中的截断伪影进行校正，虽然校正后的图像质量有所改善，但从某种意义上可能会改变部分图像细节，使其与真实物体存在细微差别，如果将校正后的医学图像重新投影到数据域中，会发现这个图像细节偏差更加明显。

基于上述截断伪影处理方式中的至少一个缺陷，本申请提供了一种截断伪影校正方法，以在数据域中结合训练好的校正网络，对截断伪影数据进行校正，从而基于校正后完整且连续的投影数据生成扫描对象的医学图像。

本申请提供的截断伪影校正方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境可以包括成像设备110、信息处理设备120和存储设备130，且各个设备可以之间可以通过网络进行连接通信。例如，成像设备110和信息处理设备120可以通过网络连接或通信；成像设备110和存储设备130也可以通过网络连接或通信；信息处理设备120和存储设备130也可以通过网络连接或通信。

在一些实施例中，成像设备110可以是用于疾病诊断或研究目的的非侵入性生物医学成像装置，比如，包括单模态扫描仪和/或多模态扫描仪。其中，单模态扫描仪可以包括例如超声波扫描仪、X射线扫描仪、CT扫描仪、磁共振成像(Magnetic Resonance Imaging，MRI)扫描仪、超声检查仪、光学相干断层扫描(Optical Coherence Tomography，OCT)扫描仪、超声(Ultra Sound，US)扫描仪、血管内超声(Intra Vascular Ultra Sound，IVUS)扫描仪、近红外光谱(Near Infrared Spectrum Instrument，NIRS)扫描仪、远红外(FarInfraRed，FIR)扫描仪等，或上述扫描仪的其任意组合。多模态扫描仪可以包括例如X射线成像－磁共振成像(X射线－MRI)扫描仪、单光子发射计算机断层扫描－磁共振成像(SPECT-MRI)扫描仪、正电子发射断层扫描－计算机断层摄影(PET-CT)扫描仪、数字减影血管造影－磁共振成像(DSA-MRI)扫描仪等。应该理解的是，上面提供的扫描仪仅用于说明目的，而无意限制本申请的范围。

作为一个示例，成像设备110具体可以包括机架、探测器、检测区域、扫描床和射线源。机架可以用于支撑探测器和射线源，扫描床可以用于放置扫描对象以进行扫描；射线源可以向扫描对象发射射线以照射扫描对象；探测器可以用于接收穿过扫描对象的射线。

进一步地，成像设备110还可以包括用于执行成像和/或相关分析的模块和/或组件。比如，成像设备110可以包括处理器，处理器可以为信息处理设备120的一部分，可以执行本申请提供的截断伪影校正方法。

可选地，成像设备110还可以包括显示屏，显示屏可以用于观测成像设备110和/或成像设备110扫描的扫描对象的数据信息。比如，医护人员可以通过显示屏观测到扫描对象的胸腔、骨骼、乳腺等检测部位的病灶信息。

在一些实施例中，成像设备110还可以将获取的扫描数据(比如，扫描对象的投影数据)通过网络发送给信息处理设备120做进一步分析、处理和显示，和/或，将获取的扫描数据通过网络发送给存储设备130中进行存储。

其中，信息处理设备120可以具体为成像设备之外的至少一个计算机设备。比如，各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备或其任意组合的终端；又比如，单一服务器或服务器组，服务器组可以是集中式的或分布式的。

在一些实施例中，存储设备130可以存储数据、指令和/或任何其他信息。比如，存储设备130可以存储成像设备110获取的扫描对象的扫描数据，和/或，信息处理设备120处理后的扫描对象的医学图像等。

作为一个示例，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等一种或多种。

应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性实施例，这些变化与修改不会背离本申请的范围。例如，存储设备130可以是包括云计算平台(比如公共云、私有云、社区和混合云等)的数据存储设备。

接下来，将通过实施例并结合附图具体地对本申请实施例的技术方案，以及本申请实施例的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的方法实施例之间可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请实施例提供的一种截断伪影校正方法，其执行主体可以为图1所示的成像设备110，也可以为成像设备110之外的计算机设备，还可以具体为截断伪影校正装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为处理器的部分或者全部。显然，所描述的实施例是本申请实施例一部分实施例，而不是全部的实施例。

在一个实施例中，如图2所示，提供了一种截断伪影校正方法，以该方法应用于图1中信息处理设备为例进行说明，包括以下步骤：

步骤210：根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据。

其中，原始投影数据可以是成像设备对扫描对象的至少一个部位进行扫描后得到的投影数据，扫描对象可以包括生物对象和/或非生物对象。比如，目标对象可以包括人体的特定部位，如头部、胸部、腹部等一个部位或多个部位。扫描对象还可以是有生命或无生命的有机和/或无机物质的人造成分，本实施例对此不做限制。

作为一个示例，投影数据可以是通过探测器采集到的数据，一般人为定义探测器有三个方向，即X、Y、Z，如图1所示：X轴为探测器长度，体现每排探测器的采集单元数；Z轴为探测器宽度，体现探测的排数；Y轴即为X线方向。本申请中的原始投影数据包括各投影视角(View)下各通道(channel)采集到的数据，这里的投影视角为垂直于探测器接收数据的方向，平行于病床移动方向(对应图1中的Z轴方向)；各通道指探测器接收数据的方向(参见图1中的X轴方向)。

需要说明的是，在对扫描对象进行扫描时，受探测器尺寸、现场扫描空间、扫描对象运动等影响，可能导致扫描过程中有的通道没有采集到投影数据，或者只采集到部分投影数据，使得扫描后得到的原始投影数据不连续。在此情况下，根据不连续的原始投影数据生成的医学图像中就会存在截断伪影。

基于此，该步骤210在获取到扫描对象的原始投影数据后，对原始投影数据进行分析，从中筛选出存在截断的投影视角下各通道的投影数据，得到截断伪影数据。

应该理解的是，截断伪影数据为原始投影数据中的部分投影数据，并非全部投影数据。考虑到在数据域中进行截断伪影校正时，涉及到的数据集较多，数据计算量较大，本实施例只对原始投影数据中的截断伪影数据进行校正，而不是对原始投影数据整体进行优化处理，极大地减少了数据处理量，从而提高了校正速度。

步骤220：通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据。

其中，截断伪影数据为投影视角下探测器各通道在截断处采集到的部分投影数据，而扩充投影数据则是理想状态中，对应投影视角下各通道应该采集到的完整投影数据。

换言之，通过第一校正网络对截断伪影数据进行校正，是通过第一校正网络来预测截断伪影处的投影视角下各通道未采集到的投影数据，从而得到完整的投影数据。

在一种可能的实现方式中，步骤220的实现过程可以为：将截断伪影数据输入至预先训练好的第一校正网络中，通过第一校正网络输出该截断伪影数据对应的扩充投影数据。

步骤230：根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

其中，根据原始投影数据和扩充投影数据生成的医学图像为消除截断伪影后的图像，图像信息完整且准确。相比于直接根据原始投影数据生成的医学图像，或者，在根据原始投影数据生成医学图像后再进行校正而言，成像质量更好。

在一种可能的实现方式中，步骤230的实现过程可以为：对原始投影数据和扩充投影数据进行融合处理，得到扫描对象完整且连续的目标投影数据；进而根据目标投影数据进行图像重建，得到扫描对象的医学图像。

需要说明的是，融合处理至少包括两种情况：一是采用扩充投影数据替换原始投影数据中的截断伪影数据；二是根据校正后的扩充投影数据，对原始投影数据中的截断伪影数据进行修正或补充，本实施例对此不做限制。

上述截断伪影校正方法中，根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。在该方法中，考虑到数据域中的投影数据更趋近于扫描对象本身的组织结构信息，因此，在进行截断伪影校正时，并非是在图像域中对扫描得到的医学图像进行伪影校正，而是在数据域中对原始投影数据中的截断伪影数据进行分析和校正，使得校正后的扩充投影数据更趋近于扫描对象真实的投影数据，保证投影数据的完整性和准确性。进一步地，在数据域中进行截断伪影校正时，只对数据域中存在截断的投影视角下各通道的投影数据进行校正，通过第一校正网络预测其变化趋势，从而确定截断区域对应的扩充投影数据。减小数据计算量的同时，提高了截断伪影的校正速度。因此，本申请通过在数据域中对截断伪影处的投影数据进行校正，然后再基于校正后的扩充投影数据生成医学图像，提高截断伪影校正效率的同时，得到扫描对象完整且精确的医学图像，图像质量更佳。

基于上述实施例，接下来结合附图3-6，对第一校正网络的构建过程，做进一步解释说明。

在一个实施例中，如图3所示，第一校正网络的构建过程包括以下步骤：

步骤310：获取多个第一样本投影数据；各第一样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据。

其中，第一样本投影数据可以是从数据库中获取的样本投影数据，也可以是从成像设备中获取的实时投影数据，本实施例对第一样本投影数据的数据来源不做限制。

需要说明的是，由于截断的影响，数据域上每个投影视角下各通道的投影数据的累加和在截断区域会产生明显下降。参见图4，图4中(a)为不存在截断区域的情况下，根据投影视角下各通道采集的完整投影数据，计算得到的理想通道累加和数据。而当发生截断时，截断区域的通道累加和数据会产生明显的下降，如图4中(b)所示。

如果使用线性插值的方式对截断区域的投影数据进行校正，得到的结果仍然会有不连续的现象。在一些特殊情况下，截断区域的累加和可能存在异常的变化，此时如果使用线性插值去拟合，反而会得到相反的校正效果，成像质量更差。

基于此，本申请使用第一校正网络对截断伪影数据进行校正处理。为了得到校正效果较好的第一校正网络，需要使用第一样本投影数据中各通道的投影数据对第一初始校正网络进行训练，使其具备预测理想状态下各投影视角下的通道累加和数据的变化趋势，以及预测各投影视角下各通道完整的投影数据的能力。

步骤320：根据多个第一样本投影数据中各投影视角下多个通道的投影数据，构建第一校正网络的损失函数。

其中，损失函数可以用于训练第一初始校正网络，当第一初始校正网络的输出满足相应的收敛条件时，结束训练，得到第一校正网络。

需要说明的是，第一校正网络的损失函数可以包括以下两种情况：

(1)第一校正网络的损失函数为第一样本投影数据中每个投影视角下多个通道的投影数据所对应的样本理想通道累加和数据。

其中，样本理想通道累加和数据表示第一样本投影数据中各投影视角下去除截断伪影后各通道的投影数据累加和。在确定理想通道累加和数据后，以样本理想通道累加和数据作为约束条件，对第一初始校正网络进行训练。

(2)第一校正网络的损失函数包括样本理想通道累加和数据和预设损失函数。

如此，在训练第一初始校正网络时，根据预设损失函数的损失值调整第一初始校正网络后，可以通过样本理想通道累加数据和再次验证第一初始校正网络的训练结果，调整前后同一样本投影数据对应的样本理想通道累加和数据应该相同。

可选地，还可以预先设置样本理想通道累加和数据和预设损失函数的权重系数，根据权重系数确定第一校正网络的损失函数中理想样本通道累加和数据和预设损失函数的权重占比。

进一步地，根据样本理想通道累加和数据构建第一损失函数的实现过程可以为：根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据；根据多个样本理想通道累加和数据，构建第一校正网络的损失函数。

其中，获取第一样本投影数据对应的样本理想通道累加和数据时，可以通过具体的计算机算法来实现，也可以结合AI技术，通过训练好的神经网络来实现，本实施例对此不做限制。

在一种实施例中，获取样本理想通道累加和数据的实现过程可以为：根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下多个通道的投影数据的初始通道累加和数据；将初始通道累加和数据输入至第二校正网络中，得到各投影视角下去除截断伪影后的样本理想通道累加和数据。

其中，第二校正网络和第一校正网络的网络类型和训练方式可以相同，也可以不同，对此不做限制。“第一”和“第二”仅用于对其进行区分，并不在于限制其功能。

在一种可能的实现方式中，第二校正网络的构建过程包括：获取多个第二样本投影数据；第二样本投影数据包括至少一个存在截断的投影视角下各通道的投影数据；根据第二样本投影数据，获取中各投影视角下多个通道的样本通道累加和数据；根据多个样本通道累加和数据和预设的第二金标准，对第二初始校正网络进行训练，得到第二校正网络。

其中，各第二样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据，第二金标准即为预先计算的第二样本投影数据在不存在截断的情况下对应的标注理想通道累加和数据。

也即是，在构建第二校正网络时，将第二样本投影数据输入至第二初始校正网络中，根据第二初始校正网络输出的样本理想通道累加和数据来判断第二初始校正网络是否收敛。当第二初始校正网络输出的样本理想通道累加与第二金标准之间的误差小于预设的误差值时，认为第二初始校正网络收敛，训练结束，得到训练好的第二校正网络。

作为一个示例，参见图5所示的第二校正网络训练示意图，在采用第二样本投影数据对第二初始校正网络进行训练时，结合第二金标准，判断第二初始校正网络的学习情况。另外，在训练过程中实时计算第二初始校正网络的损失，并根据损失计算结果，调整第二初始校正网络的网络参数，使其输出的样本理想通道累加和数据可以趋近于第二金标准。

另外，训练好的第二校正网络可以单独使用，也可以结合到其他网络中。第二校正网络可以用于预测各投影视角下多个通道的投影数据所对应的理想通道累加和数据。

步骤330：根据多个第一样本投影数据、预设的第一金标准和第一校正网络的损失函数，对第一初始校正网络进行训练，得到第一校正网络。

其中，各第一样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据，第一金标准为预先计算的第一样本投影数据在不含截断伪影的情况下对应的标注理想通道累加和数据。

进一步地，在构建第一校正网络时，将多个第一样本投影数据输入至第一初始校正网络中，根据第一初始校正网络输出的扩充投影数据，来判断第一初始校正网络是否收敛。当第一初始校正网络输出的样本扩充投影数据所对应的样本通道累加和数据，与第一金标准之间的误差小于预设的误差值时，第一初始校正网络收敛，训练结束，得到训练好的第一校正网络。

在训练过程中，需要使用第一校正网络的损失函数，来控制第一初始校正网络输出的样本扩充投影数据同时满足样本理想通道累加和数据。也即是，第一初始校正网络预测的样本扩充投影数据应该与对应投影视角下的样本理想通道累加和数据相匹配，不能超过样本理想通道累加和数据的范围。

作为一个示例，参见图6所示的第一校正网络训练示意图，在采用第一样本投影数据对第一初始校正网络进行训练时，结合第一金标准，判断第一初始校正网络的学习情况。同时，结合第一初始校正网络输出的样本扩充投影数据，计算相应的样本通道累加和数据，并判断该样本通道累加和数据是否满足理想通道累加和数据。另外，在训练过程中实时计算第一初始校正网络的损失，并根据损失计算结果，调整第一初始校正网络的网络参数，使其输出的样本扩充投影数据的样本通道累加和数据可以趋近于第一金标准。

本实施例中，通过各投影视角下多个通道的投影数据来构建第一校正网络的损失函数，进而采用第一样本投影数据和第一校正网络的损失函数，对第一初始校正网络进行训练后，得到第一校正网络。因此，训练好的第一校正网络在应用时即可根据输入的截断伪影数据，预测投影视角下各通道在消除截断伪影情况下的理想通道累加和数据，并根据理想通道累加和数据，预测截断区域的完整投影数据，得到扩充投影数据。如此，通过第一校正网络在数据域中对截断伪影数据进行校正，可以获取到截断区域的完整投影数据，保证投影数据的完整性和准确性。

基于上述实施例，在一个实施例中，第二校正网络可以融入到第一校正网络中，作为第一校正网络的子网络或者中间层，用于在第一校正网络预测扩充投影数据时，输出截断区域对应的理想通道累加和数据，以此限定扩充投影数据的预测范围。

如图7中(a)所示，传统方式对截断区域处的投影数据进行校正时，是在数据域中用椭圆填充的方式去补充未采集到的投影数据，从而得到扩充投影数据。但是在一些情况下，真实的图像边缘的形状并不是椭圆形的，因此需要采用神经网络来学习截断区域的数据特征，从而预测正确的图像边缘所对应的投影数据的变化趋势。

参见图7中(b)，本申请在使用第一样本投影数据训练好第一校正网络后，即可通过第一校正网络去预测截断伪影数据对应的完整投影数据，即确定与截断区域的实际信息更相符的扩充投影数据。

参见图8，在一种可能的实现方式中，通过第一校正网络预测扩充投影数据的实现过程可以为：从原始投影数据中提取截断伪影数据，将截断伪影数据输入至第一校正网络中。通过第一校正网络对截断伪影数据进行分析，预测理想状态下存在截断的投影视角下各通道投影数据对应的理想通道累加和数据。同时，基于截断伪影数据，预测出存在截断的投影视角下各通道的完整投影数据，即扩充投影数据。进一步地，通过理想通道累加和数据对扩充投影数据进行修正，使得第一校正网络的输出结果更准确。

需要说明的是，理想通道累加和数据为第一校正网络的中间信息，可以作为第一校正网络的输出项直接输出，也可以不输出理想通道累加和数据，只输出最终的扩充投影数据，本实施例对此不做限制。

在本实施例中，通过训练好的第一校正网络对截断伪影数据进行校正，获取扩充投影数据，提高了数据处理效率；而且，从数据域中校正得到的扩充投影数据更贴合扫描对象的截断区域的真实情况，成像质量更好。

在一个实施例中，在通过第一校正网络确定原始投影数据中截断伪影处对应的扩充投影数据后，即可根据原始投影数据和扩充投影数据，确定完整的投影数据，从而生成扫描对象的医学图像。

在本实施例中，如图9所示，根据原始投影数据和扩充投影数据生成扫描对象的医学图像(即上述步骤230)的实现过程，可以包括以下步骤：

步骤910：根据原始投影数据和扩充投影数据，获取截断伪影校正后的目标投影数据。

其中，目标投影数据是消除截断伪影后的投影数据，用于生成扫描对象的医学图像。

在一种可能的实现方式中，步骤910的实现过程可以为：将扩充投影数据对应补充到原始投影数据中，得到校正投影数据；对校正投影数据进行一次修正或多次迭代修正，得到截断伪影校正后的目标投影数据。

其中，若修正后的校正投影数据中各投影视角下的通道累加和数据与理想通道累加和数据之间的误差小于预设误差值，则完成修正，得到目标投影数据。理想通道累加和数据表示原始投影数据中各投影视角下去除截断伪影后各通道的投影数据累加和。

作为一个示例，原始投影数据对应的理想通道累加和数据可以通过上述第二校正网络来获取。也即是，将原始投影数据输入至第二校正网络中，通过第二校正网络预测去除截断伪影后各投影视角下的理想通道累加和数据。

进一步地，对校正投影数据进行迭代修正的实现过程可以为：对校正投影数据进行反向投影，得到去除截断伪影的第一医学图像，之后通过正向投影将第一医学图像投影回数据域中，得到新的校正投影数据。然后，使用第一校正网络对本次迭代后新的校正投影数据再次进行修正。然后，对修正后的校正投影数据继续进行反向投影，得到去除截断伪影的第二医学图像，以此类推，进行多次迭代处理，直至修正后的校正投影数据中各投影视角下的通道累加和数据与理想通道累加和数据之间的误差小于预设误差值，将此时的校正投影数据作为目标投影数据。

步骤920：对目标投影数据进行图像重建，得到扫描对象的医学图像。

具体地，对目标投影数据进行反投影重建，即可得到扫描对象的医学图像。其中，医学图像是消除截断伪影后的图像，其组织结构信息完整且准确，边缘轮廓更清晰。

在本实施例中，将扩充投影数据对应补充到原始投影数据中，得到校正投影数据后，通过反复迭代的方式，可以使得校正投影数据更趋近于真实值。如此，根据反复修正后得到的目标投影数据进行图像重建，得到图像质量更好的医学图像，可以清楚且全面地反映扫描对象真实的组织结构信息。

综合上述各方法实施例，在一个实施例中，如图10所示，本申请还提供了另一种截断伪影校正方法，同样以该方法应用于图1中的信息处理设备为例进行说明，包括以下步骤：

步骤1010：根据扫描对象的原始投影数据，获取截断伪影数据和理想通道累加和数据。

其中，截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据，理想通道累加和数据表示原始投影数据中各投影视角下去除截断伪影后各通道的投影数据累加和。

进一步地，获取原始投影数据对应的理想通道累加和数据时，可以通过前述实施例中训练好的第二校正网络来实现。

步骤1020：通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据。

步骤1030：将扩充投影数据对应补充到原始投影数据中，得到校正投影数据。

步骤1040：根据理想通道累加和数据，对校正投影数据进行迭代修正，获取截断伪影校正后的目标投影数据。

在一种可能的实现方式中，步骤1040的实现过程为：对校正投影数据进行迭代修正，若修正后的校正投影数据中各投影视角下的通道累加和数据与理想通道累加和数据之间的误差小于预设误差值，则迭代修正结束，将修正后的校正投影数据作为目标投影数据。

步骤1050：对目标投影数据进行图像重建，得到扫描对象的医学图像。

需要说明的是，本实施例提供的截断伪影校正方法的步骤，其实现原理和技术效果可以参见上述任一实施例中的步骤，在此不再赘述。

在一个实施例中，基于构建的第一校正网络和第二校正网络，具体到CT扫描领域，本申请还提供了一种CT图像校正方法，参见图11，该方法可以应用于CT扫描仪中，也可以应用于图1中的信息处理设备，包括以下步骤：

步骤1110：获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据。

其中，CT投影数据为通过CT扫描仪对扫描对象的至少一个部位进行扫描后得到的投影数据。但由于CT扫描仪所能成像的扫描视野/扫描视场小于扫描对象，扫描过程中扫描对象的部分区域可能位于扫描视野外，获取的CT投影数据中会包含截断处的投影数据。

步骤1120：通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿。

需要说明的是，第一校正网络的构建方式可以参见上述图3对应的实施例，构建好的第一校正网络具备预测理想状态下各投影视角下的通道累加和数据的变化趋势，以及预测各投影视角下各通道完整的投影数据的能力。

可选地，第一校正网络可以采用上述第二校正网络作为子网络或中间层，以通过第二校正网络来预测CT投影数据对应的理想通道累加和数据。

在一种可能的实现方式中，第一校正网络的校正原理为：将CT投影数据输入至第一校正网络中，通过第一校正网络对CT投影数据进行分析，预测投影视角下各通道投影数据对应的理想通道累加和数据。同时，基于CT投影数据，预测出存在截断的投影视角下各通道的完整投影数据，以对截断处的投影数据进行补偿。进一步地，通过理想通道累加和数据对补偿后的投影数据进行修正，最终通过第一校正网络输出目标投影数据。

也即是，该步骤中得到的目标投影数据是对CT投影数据中截断处的投影数据进行补偿后得到的完整投影数据。

步骤1130：根据目标投影数据，生成扫描对象的CT图像。

具体地，对目标投影数据进行反投影重建，即可得到扫描对象的CT图像。其中，根据目标投影数据生成的CT图像是消除截断伪影后的图像，其组织结构信息完整且准确，边缘轮廓更清晰，图像质量更佳。

在实施例中，通过构建的第一校正网络可以有效补偿CT投影数据中截断处的投影数据，从而输出校正后的目标投影数据。由于目标投影数据是补偿后得到的完整数据，因此，基于目标投影数据生成的CT图像质量更好。如此，通过第一校正网络在数据域中对截断处的数据进行有效补偿，提高了截断伪影校正效率。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的截断伪影校正方法的截断伪影校正装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个截断伪影校正装置实施例中的具体限定可以参见上文中对于截断伪影校正方法的限定，在此不再赘述。

在一个实施例中，如图12所示，提供了一种截断伪影校正装置，包括：获取模块1210、校正模块1220和重建模块1230，其中：

获取模块1210，用于根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

校正模块1220，用于通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

重建模块1230，用于根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

在其中一个实施例中，第一校正网络的构建过程包括：

获取多个第一样本投影数据；各第一样本投影数据均包括至少一个存在截断伪影存在截断的投影视角下各通道的投影数据；

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，构建第一校正网络的损失函数；

根据多个第一样本投影数据、预设的第一金标准和第一校正网络的损失函数，对第一初始校正网络进行训练，得到第一校正网络。

在其中一个实施例中，根据多个第一样本投影数据中各投影视角下多个通道的投影数据，构建第一校正网络的损失函数，包括：

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据；

根据多个样本理想通道累加和数据，构建第一校正网络的损失函数。

在其中一个实施例中，根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据，包括：

根据多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下多个通道的投影数据的初始通道累加和数据；

将初始通道累加和数据输入至第二校正网络中，得到各投影视角下去除截断伪影后的样本理想通道累加和数据。

在其中一个实施例中，第二校正网络的构建过程包括：

获取多个第二样本投影数据；各第二样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据；

根据第二样本投影数据，获取中各投影视角下多个通道的样本通道累加和数据；

根据多个样本通道累加和数据和预设的第二金标准，对第二初始校正网络进行训练，得到第二校正网络。

在其中一个实施例中，重建模块1230，包括：

数据获取单元，用于根据原始投影数据和扩充投影数据，获取截断伪影校正后的目标投影数据；

图像重建单元，用于对目标投影数据进行图像重建，得到扫描对象的医学图像。

在其中一个实施例中，数据获取单元，包括

补充子单元，用于将扩充投影数据对应补充到原始投影数据中，得到校正投影数据；

修正子单元，用于对校正投影数据进行一次修正或多次迭代修正，得到截断伪影校正后的目标投影数据。

上述截断伪影校正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备(比如，图1中所示的任一种信息处理设备)中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

同理，对于上述CT图像校正方法，本申请也提供了一种CT图像校正装置。在一个实施例中，如图13所示，该CT图像校正装置1300包括：获取模块1310、校正模块1320和重建模块1330，其中：

获取模块1310，用于获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

校正模块1320，用于通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

重建模块1330，用于根据目标投影数据，生成扫描对象的CT图像。

需要说明的是，该CT图像校正装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，可以参见上文中对于CT图像校正方法的限定，在此不再赘述。

另外，上述CT图像校正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备(比如，图1中所示的任一种信息处理设备)中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时可以实现本申请提供的截断伪影校正方法和CT图像校正方法。该计算机设备的显示单元可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

另外，处理器执行计算机程序时还可以实现以下步骤：

获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

根据目标投影数据，生成扫描对象的CT图像。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，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程序，计算机程序被处理器执行时实现以下步骤：

根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

另外，计算机程序被执行时还可以实现以下步骤：

获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

根据目标投影数据，生成扫描对象的CT图像。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序被处理器执行时实现以下步骤：

根据扫描对象的原始投影数据，获取截断伪影数据；截断伪影数据为原始投影数据中存在截断的投影视角下各通道的投影数据；

通过第一校正网络对截断伪影数据进行校正，得到扩充投影数据；

根据原始投影数据和扩充投影数据，生成扫描对象的医学图像。

另外，计算机程序被执行时还可以实现以下步骤：

获取扫描对象的CT投影数据；CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

通过第一校正网络对CT投影数据进行校正，得到目标投影数据；目标投影数据中对应CT投影数据在投影视角下存在截断的部分被补偿；

根据目标投影数据，生成扫描对象的CT图像。

上述实施例提供的一种计算机程序产品，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种截断伪影校正方法，其特征在于，所述方法包括：

根据扫描对象的原始投影数据，获取截断伪影数据；所述截断伪影数据为所述原始投影数据中存在截断的投影视角下各通道的投影数据；

通过第一校正网络对所述截断伪影数据进行校正，得到扩充投影数据；

根据所述原始投影数据和所述扩充投影数据，生成所述扫描对象的医学图像。

2.根据权利要求1所述的方法，其特征在于，所述第一校正网络的构建过程包括：

获取多个第一样本投影数据；各所述第一样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据；

根据所述多个第一样本投影数据中各投影视角下多个通道的投影数据，构建所述第一校正网络的损失函数；

根据所述多个第一样本投影数据、预设的第一金标准和所述第一校正网络的损失函数，对第一初始校正网络进行训练，得到所述第一校正网络。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个第一样本投影数据中各投影视角下多个通道的投影数据，构建所述第一校正网络的损失函数，包括：

根据所述多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据；

根据多个所述样本理想通道累加和数据，构建所述第一校正网络的损失函数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下去除截断伪影后的样本理想通道累加和数据，包括：

根据所述多个第一样本投影数据中各投影视角下多个通道的投影数据，获取各投影视角下多个通道的投影数据的初始通道累加和数据；

将所述初始通道累加和数据输入至第二校正网络中，得到各投影视角下去除截断伪影后的样本理想通道累加和数据。

5.根据权利要求4所述的方法，其特征在于，所述第二校正网络的构建过程包括：

获取多个第二样本投影数据；各所述第二样本投影数据均包括至少一个存在截断的投影视角下各通道的投影数据；

根据所述第二样本投影数据，获取中各投影视角下多个通道的样本通道累加和数据；

根据多个所述样本通道累加和数据和预设的第二金标准，对第二初始校正网络进行训练，得到所述第二校正网络。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述原始投影数据和所述扩充投影数据，生成所述扫描对象的医学图像，包括：

根据所述原始投影数据和所述扩充投影数据，获取截断伪影校正后的目标投影数据；

对所述目标投影数据进行图像重建，得到所述扫描对象的医学图像。

7.根据权利要求6所述的方法，其特征在于，所述根据所述原始投影数据和所述扩充投影数据，获取截断伪影校正后的目标投影数据，包括

将所述扩充投影数据对应补充到所述原始投影数据中，得到校正投影数据；

对所述校正投影数据进行一次修正或多次迭代修正，得到所述截断伪影校正后的目标投影数据。

8.一种CT图像校正方法，其特征在于，所述方法包括：

获取扫描对象的CT投影数据；所述CT投影数据包括至少一个存在截断的投影视角下各通道的投影数据；

通过第一校正网络对所述CT投影数据进行校正，得到目标投影数据；所述目标投影数据中对应所述CT投影数据在投影视角下存在截断的部分被补偿；

根据所述目标投影数据，生成所述扫描对象的CT图像。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images