本发明涉及伪影去除，尤其涉及一种基于生成对抗网络的金属伪影去除方法及装置。
背景技术：
1、金属假体伪影是指由于金属假体(如人工关节置换)引起的图像中的异常现象。这种伪影可能对图像质量和解释产生一些影响。
2、现有技术中，将深度学习模型用于金属伪影去除的研究。无监督的方法消除了对配对数据的需求，但是面对临床条件下产生的复杂伪影和组织细节的处理能力较差。
3、当前的主流的有监督的方法虽然比无监督方法在性能上更加优越，但是在去金属伪影和图像细节保真的性能上还不能满足实际应用的需求对金属伪影，即生成的去除了金属伪影的图像清晰度和可用性较差。
技术实现思路
1、针对现有技术存在的问题，本发明提供一种基于生成对抗网络的金属伪影去除方法及装置。
2、本发明提供一种基于生成对抗网络的金属伪影去除方法，包括：
3、获取初始图像；
4、基于金属伪影去除模型对所述初始图像进行处理，将所述目标图像中的金属伪影去除得到所述初始图像对应的目标图像；
5、所述金属伪影去除模型是基于生成对抗网络对训练样本集进行深度训练得到的；所述训练样本集中包括了至少一个带有金属伪影的图像和至少一个不带有金属伪影的图像；所述生成对抗网络包括生成器和判别器。
6、根据本发明提供的一种基于生成对抗网络的金属伪影去除方法，所述生成器包括第一编码器、第二编码器、第一边缘分割算子模块和第二边缘分割算子模块，其中：
7、所述第一编码器用于对所述训练样本集中的各所述带有金属伪影的图像进行特征提取，得到至少一个第一卷积向量；
8、所述第二编码器用于对所述训练样本集中的各所述不带有金属伪影的图像进行特征提取，得到至少一个第二卷积向量；
9、所述第一边缘分割算子设置在所述第一编码器后，用于对各所述第一卷积向量进行边缘分割计算，得到至少一个第一目标卷积向量；
10、所述第二边缘分割算子设置在所述第二编码器后，用于对各所述第二卷积向量进行边缘分割计算，得到至少一个第二目标卷积向量。
11、根据本发明提供的一种基于生成对抗网络的金属伪影去除方法，所述生成器还包括解码器；
12、所述解码器用于基于各所述第一目标卷积向量和各所述第二目标卷积向量生成预测图像。
13、根据本发明提供的一种基于生成对抗网络的金属伪影去除方法，所述金属伪影去除模型的训练步骤包括：
14、基于所述生成器对所述训练样本集中的各所述带有金属伪影的图像和不带有金属伪影的图像进行处理，生成所述预测图像；
15、基于所述判别器对所述预测图像是否是真实图像进行判别；
16、基于损失函数对所述生成器和判别器进行迭代训练。
17、根据本发明提供的一种基于生成对抗网络的金属伪影去除方法，所述损失函数包括生成器损失函数和判别器损失函数，其中：
18、基于生成器函数、判别器函数和采样噪声，采用公式(1)确定所述生成器损失函数：
19、lg＝-(d(g(z))) (1)
20、其中，d为所述判别器函数，g为所述生成器函数，z为所述采样噪声。
21、根据本发明提供的一种基于生成对抗网络的金属伪影去除方法，所述判别器损失函数包括生成样本损失函数和真实样本损失函数，其中：
22、基于所述判别器函数，采用公式(2)确定所述真实样本损失函数：
23、ldreal＝-log(d(x)) (2)
24、基于所述判别器函数和所述生成器函数，采用公式(3)确定所述生成样本损失函数：
25、ldfake＝-log(1-d(g(z))) (3)。
26、本发明还提供一种基于生成对抗网络的金属伪影去除装置，包括：
27、获取模块，用于获取初始图像；
28、处理模块，用于基于金属伪影去除模型对所述初始图像进行处理，将所述目标图像中的金属伪影去除得到所述初始图像对应的目标图像；
29、所述金属伪影去除模型是基于生成对抗网络对训练样本集进行深度训练得到的；所述训练样本集中包括了至少一个带有金属伪影的图像和至少一个不带有金属伪影的图像；所述生成对抗网络包生成器和判别器。
30、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于生成对抗网络的金属伪影去除方法。
31、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于生成对抗网络的金属伪影去除方法。
32、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于生成对抗网络的金属伪影去除方法。
33、本发明提供的基于生成对抗网络的金属伪影去除方法及装置，首先获取初始图像，然后通过金属伪影去除模型对带有金属伪影的初始图像进行处理，去除初始图像中的金属伪影，得到初始图像对应的目标图像。金属伪影去除模型是基于含有生成器和判别器的生成对抗网络对包括了多个带有金属伪影的图像和多个不带有金属伪影的图像的训练样本集进行训练得到的。本发明的基于生成对抗网络的金属伪影去除方法，通过对抗生成网络对金属伪影去除模型进行训练，提升了生成器生成的去除了金属伪影图像的清晰度和可用性。
1.一种基于生成对抗网络的金属伪影去除方法，其特征在于，包括：
2.根据权利要求1所述的基于生成对抗网络的金属伪影去除方法，其特征在于，所述生成器包括第一编码器、第二编码器、第一边缘分割算子模块和第二边缘分割算子模块，其中：
3.根据权利要求2所述的基于生成对抗网络的金属伪影去除方法，其特征在于，所述生成器还包括解码器；
4.根据权利要求3所述的基于生成对抗网络的金属伪影去除方法，其特征在于，所述金属伪影去除模型的训练步骤包括：
5.根据权利要求4所述的基于生成对抗网络的金属伪影去除方法，其特征在于，所述损失函数包括生成器损失函数和判别器损失函数，其中：
6.根据权利要求5所述的基于生成对抗网络的金属伪影去除方法，其特征在于，所述判别器损失函数包括生成样本损失函数和真实样本损失函数，其中：
7.一种基于生成对抗网络的金属伪影去除装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于生成对抗网络的金属伪影去除方法。
9.一种非暂态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如权利要求1至6任一项所述的基于生成对抗网络的金属伪影去除方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于生成对抗网络的金属伪影去除方法。
