一种医学图像质量评价方法、装置及设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115809996A(43)申请公布日2023.03.17(21)申请号202211554025.7(22)申请日2022.12.06(71)申请人北京芯联心科技发展有限公司地址100089北京市海淀区中关村大街18号12层1211-55(72)发明人马骏杨钰群(74)专利代理机构北京细软智谷知识产权代理有限责任公司11471专利代理师涂凤琴(51)Int.Cl.G06T7/00(2017.01)G06V10/774(2022.01)权利要求书2页说明书8页附图1页(54)发明名称一种医学图像质量评价方法、装置及设备(57)摘要本发明涉及医学图像质量评价技术领域，具体涉及一种医学图像质量评价方法、装置及设备，该方法包括：获取至少一组相对应的待测图像和参考图像，及每组的主观质量评级标签；将每组图像及其主观质量评级标签进行组合生成样本，得到样本集；构建基于秩损失的全参考医学图像质量评价网络模型；根据所述样本集对所述全参考医学图像质量评价网络模型进行迭代训练；利用训练好的全参考医学图像质量评价网络模型获取医学图像质量评价结果。可以理解的是，本发明提供的技术方案，能够构建并训练全参考医学图像质量评价网络模型，通过全参考的训练方式，使得模型对医学图像质量评价的质量评价效果提高，能够进行医学客观图像质量评价。CN115809996ACN115809996A权利要求书1/2页1.一种医学图像质量评价方法，其特征在于，包括：获取至少一组相对应的待测图像和参考图像，及每组的主观质量评级标签；将每组图像及其主观质量评级标签进行组合生成样本，得到样本集；构建基于秩损失的全参考医学图像质量评价网络模型；根据所述样本集对所述全参考医学图像质量评价网络模型进行迭代训练；利用训练好的全参考医学图像质量评价网络模型获取医学图像质量评价结果。2.根据权利要求1所述的方法，其特征在于，在得到样本集之后，还包括：将所述样本集分为训练集和测试集；所述训练集用于所述全参考医学图像质量评价网络模型的训练；所述测试集用于对训练后的全参考医学图像质量评价网络模型进行测试。3.根据权利要求2所述的方法，其特征在于，所述构建基于秩损失的全参考医学图像质量评价网络模型，包括：构建第一特征提取子网络、第二特征提取子网络和质量评级预测子网络；将所述第一特征提取子网络和所述第二特征提取子网络并列排布，并分别与所述质量评级预测子网络相连，构成全参考医学图像质量评价网络模型；定义所述全参考医学图像质量评价网络模型的损失函数。4.根据权利要求3所述的方法，其特征在于，所述根据所述样本集对所述全参考医学图像质量评价网络模型进行迭代训练，包括：步骤S41、初始化迭代次数，设置最大迭代次数，设置全参考医学图像质量评价网络模型的权值参数；步骤S42、从所述训练集中以无放回随机法选取预设数量的样本输入所述全参考医学图像质量评价网络模型；步骤S43、根据所述第一特征提取子网络、第二特征提取网络及质量评级预测子网络对输入样本进行特征提取，计算得到所述样本的预测质量评级；步骤S44、根据所述损失函数、所述预测质量评级和所述主观质量评级标签，对所述权值参数进行更新；步骤S45、若当前迭代次数小于所述最大迭代次数，转为执行步骤S42，并使当前迭代次数加一；若当前迭代次数等于所述最大迭代次数，则得到训练好的全参考医学图像质量评价网络模型。5.根据权利要求4所述的方法，其特征在于，所述步骤S43，包括：利用所述第一特征提取子网络对所述样本中的待测图像进行特征提取得到待测特征；利用所述第二特征提取子网络对所述样本中的参考图像进行特征提取得到参考特征；利用所述质量评级预测子网络求取所述待测特征和所述参考特征的差值，得到感知误差特征；根据所述感知误差特征，生成所述样本的预测质量评级。6.根据权利要求5所述的方法，其特征在于，所述步骤S44，包括：采用所述损失函数计算每个样本对应的所述预测质量评级与所述主观质量评级标签的误差；将所述误差作为所述全参考医学图像质量评价网络模型的损失值，通过所述损失值计算当前权值参数的偏导数；2CN115809996A权利要求书2/2页采用随机梯度下降法，通过所述偏导数对所述权值参数进行更新。7.根据权利要求6所述的方法，其特征在于，所述通过所述偏导数对所述权值参数进行更新，包括：利用公式通过所述偏导数对所述权值参数进行更新；其中，表示更新后的权值参数；α表示学习率；gk表示所述偏导数。8.根据权利要求2所述的方法，其特征在于，在根据所述样本集对所述全参考医学图像质量评价网络模型进行迭代训练之后，还包括：利用所述全参考医学图像质量评价网络模型对所述测试集进行前向推理，得到所述测试集中每个样本对应的质量预测分数。9.一种医学图像质量