[发明专利]一种基于同形适应学习的头部CT金属伪影校正方法

权利要求书

1.一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，包括：

CT数据预处理部分，分别使用真实的临床数据和由物理模型生成的模拟数据进行学习训练，临床数据部分充分利用连续CT切片间的先验信息和CT结构的相似性，对患者的CT图像进行匹配；使用模拟数据进行模型验证，获取的数据集不仅质量较高，并且数据的数量也得以扩充；

模型搭建，通过使用17层卷积神经网络构建深度学习的生成框架，结合使用VGG19模型提取CT图像的特征，将平面图像转换为特征点集；叠加抗噪损失函数对数据失准进行校正；

特征提取，使用多个连续的小卷积核替代AlexNet中较大的卷积核，保证在相同条件下，网络的深度更深，特征提取网络接收三类图像的输入并相应输出三类特征图；

抗噪损失函数部分，将图像视为一组高维特征点的集合，根据相应的点集来衡量图像之间的相似性，该方法中的网络结构实现了CT图像之间一对一、多对多的学习方法；

结果评价，与其他金属伪影校正模型对比，对测试结果进行数值计算评价和分析，评价内容包括峰值信噪比(PSNR)、结构相似性度量(SSIM)、Dice系数比较，伪影是否去除以及原始疾病信息是否保留。

2.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，利用CT图像连续的切片间的先验信息和头部CT结构的相似性构建数据集。

3.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，通过多层卷积网络叠加构建深度学习框架，结合VGG19网络对CT图像进行特征提取。

4.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，使用改进后的抗噪损失函数对医学图像中数据失准的问题进行校正。

5.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，该抗噪损失函数基于内容和语义，可以忽略图像的空间位置，通过测量特征之间的相似度并在迭代过程中逐步缩小来计算损失值。

6.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，抗噪损失由风格损失和内容损失两部分构成，针对不同的任务目标调整二者的比重以获得不同的结果，损失函数的可塑性提高。

7.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，所述的网络模型对前面所获取的特征进行学习，得到最优化的网络参数，并使用数值方法分析对结果进行评价分析。

8.根据权利要求1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，所述方法不仅在临床数据集上效果显著，并且在生成的模拟数据中也能够很好地去除伪影。