一种图像处理方法和系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113706419A(43)申请公布日2021.11.26(21)申请号202111070115.4(22)申请日2021.09.13(71)申请人上海联影医疗科技股份有限公司地址201807上海市嘉定区城北路2258号(72)发明人杨美丽傅建伟(74)专利代理机构成都七星天知识产权代理有限公司51253代理人戴勇灵(51)Int.Cl.G06T5/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G16H30/20(2018.01)权利要求书2页说明书16页附图3页(54)发明名称一种图像处理方法和系统(57)摘要本说明书实施例提供一种图像处理方法和系统。所述图像处理方法包括：获取初始材料密度图像；将所述初始材料密度图像输入训练好的图像处理模型以获取目标材料密度图像；其中，所述训练好的图像处理模型对所述初始材料密度图像同时进行分解处理与降噪和/或去伪影处理。CN113706419ACN113706419A权利要求书1/2页1.一种图像处理方法，其特征在于，包括：获取初始材料密度图像；将所述初始材料密度图像输入训练好的图像处理模型以获取目标材料密度图像；其中，所述训练好的图像处理模型对所述初始材料密度图像同时进行分解处理与降噪和/或去伪影处理。2.根据权利要求1所述的方法，其特征在于，所述图像处理模型包括用于对所述初始材料密度图像进行降噪和/或去伪影处理的神经网络模块，以及，用于迭代分解更新所述初始材料密度图像的迭代分解模块。3.根据权利要求1所述的方法，其特征在于，所述获取初始材料密度图像包括：获取待处理图像；基于所述待处理图像，确定所述初始材料密度图像。4.根据权利要求2所述的方法，其特征在于，所述神经网络模块包括基于卷积神经网络构建的图像转换模型，所述迭代分解模块包括获取数据保真项与基于所述图像转换模型确定的惩罚项之和达到最小值时的变量取值的目标函数。5.根据权利要求2所述的方法，其特征在于，所述神经网络模块在所述降噪和/或去伪影处理的迭代计算中初次计算的输入项为所述初始材料密度图像，后续迭代计算中第m次计算的输入项为所述迭代分解模块第m‑1次计算得到的更新后的材料密度图像，所述m为大于1的正整数；所述迭代分解模块在所述分解处理的迭代计算中第n次计算的输入项为所述神经网络模块第n次计算输出的材料成分图像，所述n为任意正整数。6.根据权利要求1所述的方法，其特征在于，所述训练好的图像处理模型对所述初始材料密度图像同时进行分解处理与降噪和/或去伪影处理包括：利用迭代方法对所述初始材料密度图像同时进行分解处理与降噪和/或去伪影处理。7.根据权利要求6所述的方法，其特征在于，所述目标材料密度图像为所述图像处理模型在满足第一迭代停止条件时确定的材料密度图像，所述第一迭代停止条件包括迭代计算的迭代次数达到第一预设迭代次数和/或在所述迭代计算中的第一损失函数小于或等于第一预设损失函数阈值。8.根据权利要求1所述的方法，其特征在于，所述训练好的图像处理模型通过以下方式获得：更新初始图像转换模型的模型参数：获取第一训练集，所述第一训练集包括由所述初始材料密度图像和对应的标签材料密度图像组成的样本对；利用所述第一训练集训练所述初始图像转换模型以更新所述初始图像转换模型的模型参数；进一步调整所述模型参数过程：将所述初始材料密度图像输入至更新后的图像转换模型中，获得样本材料成分图像；基于所述样本材料成分图像，利用迭代分解模块更新所述初始材料密度图像；基于更新后的初始材料密度图像和相对应的标签材料密度图像确定第二训练集，利用2CN113706419A权利要求书2/2页所述第二训练集进一步训练所述更新后的图像转换模型，以进一步调整所述模型参数；将所述更新后的初始材料密度图像作为所述更新后的图像转换模型的输入项，并迭代执行所述进一步调整所述模型参数过程，以获得训练好的图像处理模型。9.根据权利要求8所述的方法，其特征在于，所述迭代执行所述进一步调整所述模型参数过程，以获得训练好的图像处理模型包括：迭代执行所述进一步调整所述模型参数过程，当满足设定的第二迭代停止条件时停止迭代，获得所述训练好的图像处理模型；其中，所述第二迭代停止条件包括迭代次数达到第二预设迭代次数和/或在所述迭代执行中的第二损失函数小于或等于第二预设损失函数阈值。10.一种图像处理系统，其特征在于，包括获取模块和图像处理模块；所述获取模块用于获取初始材料密度图像；所述图像处理模块用于将所述初始材料密度图像输入训练好的图像处理模型以获取目标材料密度图像；其中，所述训练好的图像处理模型对所述初始材料密度图像同时进行分解处理与降噪和/或去伪影