[发明专利]一种CBCT图像的伪影去除方法、装置、设备及介质

权利要求书

1.一种CBCT图像的伪影去除方法，其特征在于，所述方法包括：

获取包含若干种不同伪影类型的CBCT图像和配对的CT图像，将所述CBCT图像和配对的CT图像进行图像配准，得到配准后的CBCT图像和CT图像；

构建一个伪影去除模型，所述伪影去除模型基于量化矢量变分自编码器构建，所述伪影去除模型包括第一编码网络、第一解码网络、第二编码网络、第二解码网络以及特征字典；

利用所述配准后的CBCT图像和CT图像对所述伪影去除模型进行训练，得到训练好的伪影去除模型；

将待处理CBCT图像输入到所述训练好的伪影去除模型中，得到所述待处理CBCT图像的去除伪影的CT重建图像。

2.根据权利要求1所述的CBCT图像的伪影去除方法，其特征在于，获取包含若干种不同伪影类型的CBCT图像和配对的CT图像后，还包括：

对所述CBCT图像和配对的CT图像进行数据清洗，将所述CBCT图像和配对的CT图像中成像范围缺失图像、重复图像以及错误配对图像进行删除。

3.根据权利要求1所述的CBCT图像的伪影去除方法，其特征在于，将所述CBCT图像和配对的CT图像进行图像配准的步骤包括：

通过点云配准方法对所述CBCT图像和配对的CT图像进行图像配准。

4.根据权利要求3所述的CBCT图像的伪影去除方法，其特征在于，通过点云配准方法对所述CBCT图像和配对的CT图像进行图像配准的步骤具体包括：

通过阈值法分别提取CBCT图像和CT图像中的身体轮廓，基于所述身体轮廓生成点云，计算CBCT图像中点云与配对的CT图像中相同位置的点云之间的距离，确定一个使所述距离最小的变换方式，按照所述变换方式将CBCT图像和配对的CT图像中的每一个像素点进行对应。

5.根据权利要求1所述的CBCT图像的伪影去除方法，其特征在于，利用所述配准后的CBCT图像和CT图像对所述伪影去除模型进行训练，得到训练好的伪影去除模型的步骤包括：

将所述配准后的CBCT图像输入到第一编码网络中，第一编码网络对所述CBCT图像进行编码得到向量特征，并将所述向量特征映射到特征字典中得到量化向量，将所述量化向量输入到第二解码网络，所述第二解码网络基于所述量化向量进行信号重建，得到CT重建图像；

将所述配准后的CT图像输入到第二编码网络中，第二编码网络对所述CT图像进行编码得到向量特征，并将所述向量特征映射到特征字典中得到量化向量，将所述量化向量输入到第一解码网络，所述第一解码网络基于所述量化向量进行信号重建，得到CBCT重建图像；

基于所述CT重建图像、CBCT重建图像计算伪影去除模型的损失函数，基于所述损失函数调整伪影去除模型的超参数，待性能参数达到预设标准，固定超参数得到训练好的伪影去除模型。

6.根据权利要求5所述的CBCT图像的伪影去除方法，其特征在于，所述损失函数包括自监督损失函数和相似性损失函数；

具体公式为：,

其中表示损失函数，表示自监督损失函数，表示相似性损失函数，表示相似性损失函数的系数。

7.根据权利要求6所述的CBCT图像的伪影去除方法，其特征在于，所述相似性损失函数的系数取值为0.1。

8.一种CBCT图像的伪影去除装置，其特征在于，所述装置包括：

图像获取模块，用于获取包含若干种不同伪影类型的CBCT图像和配对的CT图像，将所述CBCT图像和配对的CT图像进行图像配准，得到配准后的CBCT图像和CT图像；

模型构建模块，用于构建一个伪影去除模型，所述伪影去除模型基于量化矢量变分自编码器构建，所述伪影去除模型包括第一编码网络、第一解码网络、第二编码网络、第二解码网络以及特征字典；

模型训练模块，用于利用所述配准后的CBCT图像和CT图像对所述伪影去除模型进行训练，得到训练好的伪影去除模型；

图像处理模块，用于将待处理CBCT图像输入到所述训练好的伪影去除模型中，得到所述待处理CBCT图像的去除伪影的CT重建图像。