医学数据降噪方法、装置、医学成像设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种医学数据降噪方法、装置、医学成像设备及存储介质。


背景技术：

2.光子ct(photon computed tomography，pcct)可以在一次扫描中同时获得时间和空间上完全匹配的多个能量段(bin)生数据域上的扫描数据，并基于获得的扫描数据得到图像域上的图像数据。
3.相关技术中，对图像域上的图像数据进行降噪，以为临床诊疗提供高质量的图像数据。然而，相关技术中的降噪方式有待改进。


技术实现要素：

4.本说明书实施方式旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本说明书实施方式提出一种医学数据降噪方法、装置、医学成像设备及存储介质。
5.本说明书实施方式提供一种医学数据降噪方法，所述方法包括：
6.获取与多个能量段对应的原始数据；
7.通过目标降噪模型对所述原始数据进行降噪处理，得到与所述多个能量段对应的降噪后目标数据；其中，所述目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，所述生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，所述图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息在其中一个实施方式，所述方法还包括：
8.生成所述生数据域降噪模型；其中，所述生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的。
9.在其中一个实施方式，所述生成所述生数据域降噪模型，包括：
10.获取多个能量段的生数据标签和含有噪音的生数据样本；
11.将与所述多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与所述多个能量段对应的预测降噪生数据；
12.基于第一损失数据、第二损失数据和第三损失数据中的至少一种更新所述待训练的生数据域降噪模型的参数，以得到所述生数据域降噪模型，其中，所述第一损失数据为所述生数据标签与所述预测降噪生数据之间的损失数据，所述第二损失数据为所述生数据标签的物质分解数据与所述预测降噪生数据的物质分解数据之间的损失数据，所述第三损失数据为所述生数据标签对应的图像与所述预测降噪生数据对应的图像之间的损失数据。
13.在其中一个实施方式，所述方法还包括：
14.生成所述生数据域降噪模型和所述图像域降噪模型；其中，所述生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的，所述图像域降噪模型是所述生数据样本对应的预测降噪生数据经重建生成的待降噪图像同步输
入待训练的图像域降噪模型得到的。
15.在其中一个实施方式，所述生成所述生数据域降噪模型和所述图像域降噪模型，包括：
16.获取多个能量段的生数据标签和含有噪音的生数据样本；
17.将与所述多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与所述多个能量段对应的预测降噪生数据；
18.将所述预测降噪生数据重建后生成的多个待降噪图像输入待训练的图像域降噪模型，生成预测降噪后图像；
19.基于第一损失数据、第二损失数据、第三损失数据、第四损失数据和第五损失数据中的至少一种，更新所述待训练的生数据域降噪模型，以得到所述生数据域降噪模型；
20.基于第四损失数据和第五损失数据中的至少一种更新所述待训练的图像域降噪模型，以得到所述图像域降噪模型；其中，所述第一损失数据为所述生数据标签与所述预测降噪生数据之间的损失数据，所述第二损失数据为所述生数据标签的物质分解数据与所述预测降噪生数据的物质分解数据之间的损失数据，所述第三损失数据为所述生数据标签对应的图像与所述预测降噪生数据对应的图像之间的损失数据，所述第四损失数据为所述生数据标签对应的图像与所述预测降噪后图像之间的损失数据，所述第五损失数据为所述生数据标签对应的物质分解图像与所述预测降噪生数据对应的物质分解图像之间的损失数据。
21.在其中一个实施方式，所述多个能量段的生数据样本为第一射线剂量生数据，所述多个能量段的生数据标签为第二射线剂量生数据；
22.其中，所述第一射线剂量低于所述第二射线剂量，或者，所述多个能量段的生数据标签为所述多个能量段的生数据样本去噪后的生数据。
23.在其中一个实施方式，所述方法还包括：
24.生成所述图像域降噪模型，所述图像域降噪模型是通过将多个能量段的医学样本图像输入待训练的图像域降噪模型训练得到的。
25.在其中一个实施方式，所述生成所述图像域降噪模型，包括：
26.获取多个能量段的医学标签图像和含有噪音的医学样本图像；
27.将多个能量段的所述医学样本图像输入至所述待训练的图像域降噪模型中进行降噪处理，得到预测降噪后图像；
28.基于第六损失数据和第七损失数据中的至少一种，更新所述待训练的图像域降噪模型，其中，所述第六损失数据为所述医学标签图像与所述预测降噪后图像之间的损失数据，所述第七损失数据为所述医学标签图像的物质分解图像与预测降噪生数据对应的图像的物质分解图像之间的损失数据。
29.在其中一个实施方式，所述多个能量段的医学样本图像为第一射线剂量下采集的图像，所述多个能量段的医学标签图像为第二射线剂量下采集的图像；
30.其中，所述第一射线剂量低于所述第二射线剂量，或者，所述多个能量段的医学样本图像为带有噪音的图像，所述多个能量段的医学标签为所述多个能量段的医学样本图像的去噪后的图像。
31.本说明书实施方式提供一种医学数据降噪装置，所述装置包括：
32.原始医学生数据获取模块，用于获取与多个能量段对应的原始数据；
33.降噪后医学生数据生成模块，用于通过目标降噪模型对所述原始数据进行降噪处理，得到与所述多个能量段对应的降噪后目标数据；其中，所述目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，所述生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，所述图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息。
34.本说明书实施方式提供一种医学成像设备，所述医学成像设备包括：存储器，以及与所述存储器通信连接的一个或多个处理器；所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现上述任一项实施方式所述的方法的步骤。
35.本说明书实施方式提供计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施方式所述的方法的步骤。
36.本说明书实施方式提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被计算机设备的处理器执行时，使得所述计算机设备能够执行上述任一项实施方式所述的方法的步骤。
37.上述说明书实施方式中，通过考虑多个能量段的生数据之间的关联信息和/或多个能量段的图像之间的关联信息，确定包括生数据域降噪模型和/或图像域降噪模型的目标降噪模型。在获取与多个能量段对应的原始数据时，通过目标降噪模型对原始数据进行降噪处理，得到与多个能量段对应的降噪后目标数据。利用多个能量段对应的原始数据的相关性，可以在生数据域上对原始数据进行降噪处理，提升降噪效果。进一步地，若将降噪后目标数据进行反投影重建，可以提升医学图像的质量。
附图说明
38.图1a为本说明书实施方式提供的医学数据降噪方法的示意图；
39.图1b为本说明书实施方式提供的能量段1的未降噪图像；
40.图1c为本说明书实施方式提供的降噪后的能量段1的图像；
41.图1d为本说明书实施方式提供的能量段2的未降噪图像；
42.图1e为本说明书实施方式提供的降噪后的能量段2的图像；
43.图1f为本说明书实施方式提供的医学数据降噪方法的流程示意图；
44.图2为本说明书实施方式提供的得到生数据标签和生数据样本的流程示意图；
45.图3为本说明书实施方式提供的得到生数据域降噪模型的流程示意图；
46.图4a为本说明书实施方式提供的训练生数据域降噪模型的流程示意图；
47.图4b为本说明书实施方式提供的训练生数据域降噪模型的示意图；
48.图5为本说明书实施方式提供的得到目标医学图像的流程示意图；
49.图6为本说明书实施方式提供的得到图像域降噪模型的流程示意图；
50.图7a为本说明书实施方式提供的训练目标降噪模型的流程示意图；
51.图7b为本说明书实施方式提供的训练目标降噪模型的示意图；
52.图8a为本说明书实施方式提供的训练生数据域降噪模型的流程示意图；
53.图8b为本说明书实施方式提供的训练目标降噪模型的流程示意图；
54.图8c为本说明书实施方式提供的训练生数据域降噪模型的示意图；
55.图9a为本说明书实施方式提供的训练图像域降噪模型的流程示意图；
56.图9b为本说明书实施方式提供的训练图像域降噪模型的示意图；
57.图10a为本说明书实施方式提供的训练目标降噪模型的流程示意图；
58.图10b为本说明书实施方式提供的训练生数据域降噪模型的示意图；
59.图11为本说明书实施方式提供的医学数据降噪装置方法的流程示意图；
60.图12为本说明书实施方式提供的医学数据降噪装置的示意图。
具体实施方式
61.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
62.相关技术中，对光子ct(pcct)得到的医学图像在图像域上进行降噪，得到低噪声的医学图像。然而，在图像域上进行降噪的方式得到的医学图像的图像质量有待提升。其中，光子ct依赖于光子计数探测器，可以在一次扫描中，同时获得时间和空间上完全匹配的多个能量段(bin)的扫描数据。因为多个能量段(bin)的扫描数据在时间和空间上完全匹配，因此多个能量段的扫描数据在结构上必然会存在比较强的相关性，而多个能量段间的噪声是不存在明显的相关性的。为了更好地利用扫描数据进行临床诊疗，需要对相关技术中的降噪处理方式进行改进。
63.基于此，本说明书实施方式提供一种医学数据降噪方法，获取与多个能量段对应的原始数据；通过目标降噪模型对原始数据进行降噪处理，得到与多个能量段对应的降噪后目标数据。利用多个能量段对应的原始数据的相关性，可以在生数据域上对原始数据进行降噪处理，提升降噪效果。进一步地，将降噪后目标数据进行反投影重建，可以提升医学图像的质量。需要说明的是，原始数据可以是未降噪的原始医学生数据，也可以是基于原始医学生数据进行反投影重建得到且未降噪的图像数据。
64.本说明书实施方式提供的医学数据降噪方法可以应用于光子ct。光子穿过人体组织时会被组织吸收。请参阅图1a，光子ct对人体进行扫描，探测器接收到的光子数可以用来计算组织吸收的光子数，得到能量段1的生数据、能量段2的生数据、
…
、能量段n的生数据。能量段1的生数据、能量段2的生数据、
…
、能量段n的生数据构成多个能量段生数据即原始医学生数据。将多个能量段生数据(原始医学生数据)作为生数据域降噪模型的输入，经过生数据域降噪模型对多个能量段生数据(原始医学生数据)进行降噪处理得到降噪后医学生数据。经过fbp算法(filtered backprojection，卷积反投影算法)，可以将降噪后医学生数据进行反投影重建，得到待降噪重建医学图像。将待降噪重建医学图像作为图像域降噪模型的输入，经过图像域降噪模型对待降噪重建医学图像进行降噪处理，得到多个能量段图像即目标医学图像。示例性地，请参阅图1b，图1b为能量段1的未降噪图像。请参阅图1c，图1c为降噪后的能量段1的图像。请参阅图1d，图1d为能量段2的未降噪图像。请参阅图1e，图1e为降噪后的能量段2的图像。
65.本说明书实施方式提供一种医学数据降噪方法，请参阅图1f，该医学数据降噪方法可以包括以下步骤：
66.s110、获取与多个能量段对应的原始数据。
67.其中，每个能量段对应着不同的x射线能量范围(比如80-100kev、140-150kev)。这些x射线能量范围被选择以适应特定的临床需求，例如更好地区分组织、减少伪影或提高肿瘤检测的灵敏度等。原始数据可以是原始医学生数据，原始医学生数据可以是从医学成像设备中获取的未加工或未经处理的数据。原始医学生数据通常以数字形式记录，并包含了通过探测器测量到的x射线或光子相对于扫描物体的强度和位置信息。原始医学生数据表示了通过人体或其他被扫描对象的吸收与散射情况。原始数据也可以是待降噪的原始图像数据，比如原始医学图像数据可以基于未降噪的原始医学生数据进行反投影重建得到的医学图像，也可以是基于降噪后的原始医学生数据进行反投影重建得到的得到医学图像。
68.在一些情况下，在一次扫描中获取多个能量段或能量范围的原始医学生数据，并将其应用于对应的患者身体部位。这样可以获得更详细和精确的图像信息，有助于医生进行准确的诊断和评估。
69.具体地，医学成像设备在进行扫描之前，操作人员需要设置多个能量段。每个能量段相当于使用不同的x射线能量范围进行扫描，通常在低能量和高能量之间选择若干个能量段。根据预设的扫描参数，医学成像设备开始旋转并发射x射线束通过空气。在每个能量段，每个扫描角度下，探测器接收到通过空气后的x射线强度或光子数。然后，根据预设的扫描参数，扫描设备开始旋转并发射x射线束通过患者或被扫描物体。在每个能量段，每个扫描角度下，探测器接收到穿透人体或物体后的x射线强度或光子数。人体吸收的光子数可以通过计算探测器接收到的光子数与通过空气吸收的光子数之间的差异来获得。这个差异取决于人体组织的吸收能力以及扫描参数的选择。探测器将在每个能量段接收到的x射线强度数据或光子数记录下来，并与相应的能量段标识相关联。这些数据构成了多个能量段对应的原始医学生数据。也可以将多个能量段对应的原始医学生数据存储至服务器。在后续需要使用时，通过服务器可以获取多个能量段对应的原始医学生数据。
70.进一步地，可以基于多个能量段对应的原始医学生数据进行反投影重建，得到图像域上的原始数据，即原始图像数据。也可以预先已经基于原始医学生数据进行反投影重建，得到原始图像数据并存储至服务器。在后续需要使用时，通过服务器可以获取多个能量段对应的原始图像数据。
71.s120、通过目标降噪模型对原始数据进行降噪处理，得到与多个能量段对应的降噪后目标数据。
72.其中，目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息。生数据域可以是在图像或信号处理中尚未进行任何处理或转换的原始数据空间。它是指从传感器、探测器或设备中直接获取到的未经过任何修正、滤波或变换的数据。在生数据域中，图像尚未形成，因此无法直接进行可视化或解释。为了得到可观察和有意义的图像，需要进行一系列的数据处理、校正和重建操作，将生数据转换至可视化的图像域。降噪处理可以是指在生数据域数据处理中，通过一系列算法和技术手段减少噪声(比如量子噪声、电子噪声)的过程。图像域可以是指在图像处理中对图像进行操作和分析的原始空间。
73.在一些情况下，生数据域在图像处理和分析领域中具有重要的作用，它提供了一
个基础数据层，可用于进一步的算法开发、图像重建、特征提取等应用。噪声在原始医学生数据中存在，对于图像质量和准确性都会产生影响。为了减少噪声的影响，通常会对原始医学生数据采用预处理和降噪方法。
74.具体地，目标降噪模型为生数据域降噪模型，将原始医学生数据作为生数据域降噪模型的输入，通过生数据域降噪模型对原始医学生数据进行降噪处理，得到与多个能量段对应的降噪后医学生数据，作为降噪后目标数据。
75.在又一些情况下，目标降噪模型为图像域降噪模型，可以获取多个能量段对应的原始图像数据，通过图像域降噪模型对原始图像数据进行降噪处理，得到与多个能量段对应的降噪后图像数据，作为降噪后目标数据。
76.在另一些情况下，目标降噪模型包括生数据域降噪模型，以及连接至生数据域降噪模型的图像域降噪模型。将原始医学生数据作为生数据域降噪模型的输入，通过生数据域降噪模型对原始医学生数据进行降噪处理，得到与多个能量段对应的降噪后医学生数据，基于降噪后医学生数据确定原始图像数据，将原始图像数据输入至图像域降噪模型中，通过图像域降噪模型对原始图像数据进行降噪处理，得到与多个能量段对应的降噪后图像数据，作为降噪后目标数据。
77.需要说明的是，多个能量段对应的原始数据，既可以在输入目标降噪模型前进行拼接，也可以先提取特征，然后在目标降噪模型内部进行特征融合。
78.上述实施方式中，通过考虑多个能量段的生数据之间的关联信息和/或多个能量段的图像之间的关联信息，确定包括生数据域降噪模型和/或图像域降噪模型的目标降噪模型。在获取与多个能量段对应的原始数据时，通过目标降噪模型对原始数据进行降噪处理，得到与多个能量段对应的降噪后目标数据。利用多个能量段对应的原始数据的相关性，可以在生数据域上对原始数据进行降噪处理，提升降噪效果。
79.在一些实施方式中，生数据域降噪模型的训练过程，包括：将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据；基于与生数据样本对应的生数据标签以及预测降噪生数据对待训练的生数据域降噪模型进行参数更新，以得到目标降噪模型。生数据样本对应的第一射线剂量低于生数据标签对应的第二射线剂量。
80.其中，生数据样本可以是用于训练生数据域降噪模型的样本。可以获取高剂量生数据，针对获取的高剂量生数据进行噪声增加，得到低剂量生数据，作为生数据样本，而高剂量生数据可以作为对应的生数据标签。也可以获取低剂量生数据作为生数据样本，通过其他手段对低剂量生数据进行降噪处理，得到高剂量生数据作为对应的生数据标签。可以理解的是，生数据样本所包含的噪声多于生数据标签所包含的噪声。
81.具体地，可以预先构建与多个能量段对应的生数据样本，且生数据样本对应有生数据标签。可以预先搭建好目标降噪模型，目标降噪模型可以包括生数据域降噪模型，也可以包括其他部分，生数据域降噪模型可以单独训练，可以与其他部分共同训练。若生数据域降噪模型单独训练，生数据域降噪模型对应有第一损失函数，将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据；将与生数据样本对应的生数据标签以及预测降噪生数据代入至第一损失函数中，对待训练的生数据域降噪模型进行参数更新，直至满足生数据域降噪模型的停止训练条件，并基于
完成训练的生数据域降噪模型得到目标降噪模型。若生数据域降噪模型与其他部分共同训练，生数据域降噪模型与其他部分对应有第一损失函数，将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据；经过其他部分对预测降噪生数据进行处理，得到其他预测数据，将与生数据样本对应的生数据标签、预测降噪生数据、其他预测数据、其他预测数据对应的标签代入第二损失函数中，对待训练的生数据域降噪模型和其他部分同时进行参数更新，直至满足目标降噪模型的停止训练条件，得到目标降噪模型。
82.在一些实施方式中，该方法还可以包括：生成生数据域降噪模型。其中，生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的。
83.其中，生数据样本可以是用于训练生数据域降噪模型的样本。可以获取高剂量生数据，针对获取的高剂量生数据进行噪声增加，得到低剂量生数据，作为生数据样本，而高剂量生数据可以作为对应的生数据标签。也可以获取低剂量生数据作为生数据样本，通过其他手段对低剂量生数据进行降噪处理，得到高剂量生数据作为对应的生数据标签。可以理解的是，生数据样本所包含的噪声多于生数据标签所包含的噪声。
84.在一些实施方式中，生数据域降噪模型可以采用对称网络，比如vnet网络(volumetric convolutional neural network，体素级别的卷积神经网络)，需要说明的是，生数据域降噪模型的结构不局限于vnet网络，还可以是unet网络(fully convolutional network，全卷积网络)，resnet网络(residual network，残差网络)，densenet网络(densely connected network，稠密连接网络)等结构，网络内部可以包含resblock(residual block，残差块)，attention(attention mechanism，注意力机制)等结构。
85.在一些实施方式中，请参阅图2，可以通过以下方式生成生数据样本：
86.s210、获取临床试验过程中采集的与多个能量段对应的实际生数据，作为生数据标签。
87.s220、基于生数据标签进行噪声模拟处理，得到生数据样本。
88.其中，实际生数据可以是在临床试验过程中经过医学成像设备采集得到的数据。生数据标签可以是相对高剂量的实际生数据。生数据标签用于计算损失函数，以便更新待训练的生数据域降噪模型的参数，得到目标降噪模型。噪声模拟处理可以是将人工噪声添加到实际生数据中以模拟真实世界中的噪声情况。生数据样本可以是噪声模拟处理后的实际生数据。噪声模拟处理前的实际生数据作为对应的标签，生数据样本和对应的标签用于训练待训练的生数据域降噪模型，以得到目标降噪模型。
89.具体地，在临床试验过程中，通过医学成像设备进行数据采集，得到多个能量段对应的实际生数据。将多个能量段对应的实际生数据作为生数据标签，以便后续计算损失函数。对生数据标签进行噪声模拟处理(比如添加噪声)，得到生数据样本。
90.示例性地，首先，可以获取高剂量条件下的实际生数据，作为生数据标签。实际生数据通常在高剂量条件下获得，具有较低的噪声水平和较高的图像质量。根据高剂量扫描数据的统计特性(例如，噪声的均值、方差和分布)，确定适当的噪声模型。常见的噪声模型包括高斯噪声、泊松噪声等。使用所选的噪声模型，为每个像素点生成相应的噪声数值。对于高斯噪声，可以使用随机数生成器生成服从正态分布的随机数，并将其添加到对应像素
的亮度值上。对于泊松噪声，可以使用泊松分布随机数生成器生成符合泊松分布的随机数，然后将其添加到各个像素上。然后按照噪声的分布模拟添加噪声，将实际生数据进行模拟，生成低剂量生数据，将低剂量生数据作为生数据样本。
91.上述实施方式中，获取临床试验过程中采集的与多个能量段对应的实际生数据，作为生数据标签，基于生数据标签进行噪声模拟处理，得到生数据样本。通过确定生数据标签和生数据样本可以为后续训练待训练的生数据域降噪模型提供数据基础。
92.在一些实施方式中，请参阅图3，生成生数据域降噪模型，可以包括以下步骤：
93.s310、获取多个能量段的生数据标签和含有噪音的生数据样本。
94.s320、将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据。
95.s330、基于第一损失数据、第二损失数据和第三损失数据中的至少一种更新待训练的生数据域降噪模型的参数，以得到生数据域降噪模型。
96.其中，第一损失数据为生数据标签与预测降噪生数据之间的损失数据，第二损失数据为生数据标签的物质分解数据与预测降噪生数据的物质分解数据之间的损失数据，第三损失数据为生数据标签对应的图像与预测降噪生数据对应的图像之间的损失数据。
97.具体地，在临床试验过程中，通过医学成像设备进行数据采集，得到多个能量段对应的实际生数据。将多个能量段对应的实际生数据作为生数据标签，以便后续计算损失函数。对生数据标签进行噪声模拟处理(比如添加噪声)，得到含有噪音的生数据样本。将与多个能量段对应的生数据样本作为待训练的生数据域降噪模型的输入，待训练的生数据域降噪模型对生数据样本进行降噪处理，得到与多个能量段对应的预测降噪生数据。基于生数据标签与预测降噪生数据，确定生数据标签与预测降噪生数据之间的损失数据为第一损失数据。对生数据标签进行反投影重建，得到生数据标签对应的图像。对预测降噪生数据进行反投影重建，得到预测降噪生数据对应的图像。基于生数据标签对应的图像与预测降噪生数据对应的图像，确定生数据标签对应的图像与预测降噪生数据对应的图像之间的损失数据为第三损失数据。对预测降噪生数据进行生数据域物质分解，得到预测降噪生数据的物质分解数据。对生数据标签进行生数据域物质分解，得到生数据标签的物质分解数据。基于生数据标签的物质分解数据与预测降噪生数据的物质分解数据，可以确定生数据标签的物质分解数据与预测降噪生数据之间的损失数据为第二损失数据。基于第一损失数据、第二损失数据、第三损失数据中的至少一种，更新待训练的生数据域降噪模型的参数，当达到模型训练停止条件时，可以得到完成训练的生数据域降噪模型。
98.示例性地，生数据标签对应的图像记为重建医学图像标签。预测降噪生数据对应的图像记为预测重建医学图像。请参阅图4a，基于与生数据样本对应的生数据标签以及预测降噪生数据对生数据域降噪模型进行参数更新，可以包括以下步骤：
99.s410、基于预测降噪生数据进行反投影重建，得到预测重建医学图像。
100.s420、基于生数据标签进行反投影重建，得到重建医学图像标签。
101.s430、根据生数据标签与预测降噪生数据间的第一损失数据、预测重建医学图像与重建医学图像标签间的第三损失数据对生数据域降噪模型进行参数更新。
102.具体地，对预测降噪生数据进行反投影重建，得到预测重建医学图像。对临床试验过程中采集的与多个能量段对应的实际生数据即生数据标签进行反投影重建，得到重建医
学图像标签。基于生数据标签与预测降噪生数据可以确定第一损失数据。基于预测重建医学图像与重建医学图像标签可以确定第三损失数据。然后，根据生数据标签与预测降噪生数据间的第一损失数据、预测重建医学图像与重建医学图像标签间的第三损失数据对生数据域降噪模型进行参数更新。以此类推，继续对更新后的生数据域降噪模型进行训练，当达到模型训练停止条件时，可以得到完成训练的生数据域降噪模型。其中，模型训练停止条件可以是模型损失值趋于收敛，也可以是训练轮次达到预设的轮次数量。
103.示例性地，请参阅图4b，生数据标签可以是多个能量段高剂量生数据。对多个能量段高剂量生数据进行噪声模拟处理，得到多个能量段低剂量生数据。通过待训练的生数据域降噪模型对多个能量段低剂量生数据进行降噪处理，得到多个能量段降噪后生数据即预测降噪生数据。基于多个能量段高剂量生数据与多个能量段降噪后生数据，可以确定第一损失数据。多个能量段降噪后生数据经过fbp模块进行反投影重建，得到多个能量段降噪后图像即预测降噪生数据对应的图像。多个能量段高剂量生数据经过fbp模块进行反投影重建，得到多个能量段图像即生数据标签对应的图像。基于多个能量段图像与多个能量段降噪后图像，可以确定第三损失数据。可以将第一损失数据与第三损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据对生数据域降噪模型进行参数更新，可以得到完成训练的生数据域降噪模型。
104.上述实施方式中，通过第一损失数据、第二损失数据和第三损失数据中的至少一种，对生数据域降噪模型进行参数更新，提升降噪效果。
105.在一些实施方式中，该方法还可以包括：生成生数据域降噪模型和图像域降噪模型。其中，生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的，图像域降噪模型是生数据样本对应的预测降噪生数据经重建生成的待降噪图像同步输入待训练的图像域降噪模型得到的。
106.其中，目标降噪模型包括生数据域降噪模型和图像域降噪模型。构建待训练的生数据域降噪模型和待训练的图像域降噪模型。待训练的图像域降噪模型连接至待训练的生数据域降噪模型，且这两个模型是采用同步联合的方式进行训练的。
107.具体地，首先，构建多个能量段的生数据样本。然后，将构建的生数据样本输入至待训练的生数据域降噪模型中，得到生数据样本对应的预测降噪生数据。基于生数据样本对应的预测降噪生数据进行重建，生成待降噪图像，将待降噪图像输入至待训练的图像域降噪模型中。最后，基于待训练的生数据域降噪模型的输出、生数据样本对应的标签、待训练的图像域降噪模型的输出、待降噪图像对应的标签对这两个模型的参数进行同步更新，以得到完成训练的生数据域降噪模型和图像域降噪模型，从而得到目标降噪模型。
108.示例性地，目标降噪模型包括生数据域降噪模型和图像域降噪模型，示例性地说明目标降噪模型的处理过程。生数据域降噪模型的输出记为降噪后医学生数据。图像域降噪模型的输出记为目标医学图像。请参阅图5，图像域降噪模型的处理过程可以包括以下步骤：
109.s510、基于降噪后医学生数据进行反投影重建，得到待降噪重建医学图像。
110.s520、将待降噪重建医学图像输入至图像域降噪模型中进行降噪处理，得到目标医学图像。
111.其中，反投影重建是一种计算机断层扫描(ct)图像重建的方法。在ct扫描中，x射
线通过人体或物体，并被探测器接收反射的信息。传统的ct扫描采集多个角度的投影数据，然后使用反投影重建算法将这些投影数据转换为二维或三维图像。
112.具体地，对降噪后医学生数据进行反投影重建，得到待降噪重建医学图像。将待降噪重建医学图像作为图像域降噪模型的输入，通过图像域降噪模型对待降噪重建医学图像进行降噪处理，得到目标医学图像。反投影重建可以通过fbp模块实现。
113.需要说明的是，图像域降噪模型的结构不局限于vnet网络，还可以是unet网络，resnet网络，densenet网络等结构，网络内部可以包含resblock，attention等结构。
114.上述实施方式中，通过对生数据域降噪模型和图像域降噪模型的联合训练，可以使这两个模型共同学习，通过相互之间的交互和信息共享，提高目标降噪模型的性能。生数据域降噪模型和图像域降噪模型可以根据相互之间的预测结果进行学习，并结合自身的优势进行改进。进一步地，通过将降噪后医学生数据进行反投影重建，再将经过反投影得到的待降噪重建医学图像输入至图像域降噪模型中进行降噪处理，得到目标医学图像。通过生数据域和图像域上的两次降噪处理，可以进一步地提升降噪效果以及提升医学图像的质量。
115.在一些实施方式中，请参阅图6，生成生数据域降噪模型和图像域降噪模型，可以包括以下步骤：
116.s610、获取多个能量段的生数据标签和含有噪音的生数据样本。
117.s620、将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据。
118.s630、将预测降噪生数据重建后生成的多个待降噪图像输入待训练的图像域降噪模型，生成预测降噪后图像。
119.s640、基于第一损失数据、第二损失数据、第三损失数据、第四损失数据和第五损失数据中的至少一种，更新待训练的生数据域降噪模型，以得到生数据域降噪模型。
120.s650、基于第四损失数据和第五损失数据中的至少一种更新待训练的图像域降噪模型，以得到图像域降噪模型。
121.其中，第一损失数据为生数据标签与预测降噪生数据之间的损失数据，第二损失数据为生数据标签的物质分解数据与预测降噪生数据的物质分解数据之间的损失数据，第三损失数据为生数据标签对应的图像与预测降噪生数据对应的图像之间的损失数据，第四损失数据为生数据标签对应的图像与预测降噪后图像之间的损失数据，第五损失数据为生数据标签对应的物质分解图像与预测降噪生数据对应的物质分解图像之间的损失数据。
122.具体地，将多个能量段对应的预测降噪生数据作为待训练的图像域降噪模型的输入，待训练的图像域降噪模型对生数据样本进行降噪处理，得到与多个能量段对应的预测降噪后图像。基于生数据标签对应的图像与预测降噪后图像，确定生数据标签对应的图像与预测降噪后图像之间的损失数据为第四损失数据。对预测降噪生数据的物质分解数据进行反投影重建，得到预测降噪生数据对应的物质分解图像。对生数据标签的物质分解数据进行反投影重建，得到生数据标签对应的物质分解图像。基于生数据标签对应的物质分解图像与预测降噪生数据对应的物质分解图像，可以确定生数据标签对应的物质分解图像与预测降噪生数据对应的物质分解图像之间的损失数据为第五损失数据。基于第一损失数据、第二损失数据、第三损失数据、第四损失数据和第五损失数据中的至少一种，更新待训
练的生数据域降噪模型，当达到模型训练停止条件时，可以得到完成训练的生数据域降噪模型。基于第四损失数据和第五损失数据中的至少一种，更新待训练的图像域降噪模型，当达到模型训练停止条件时，可以得到完成训练的图像域降噪模型。
123.上述实施方式中，通过第一损失数据、第二损失数据、第三损失数据、第四损失数据和第五损失数据中的至少一种，对生数据域降噪模型进行参数更新，通过第四损失数据和第五损失数据中的至少一种，对图像降噪模型进行参数更新，提升降噪效果。
124.示例性地，生数据标签对应的图像记为重建医学图像标签，预测降噪后图像记为预测降噪后图像。请参阅图7a，基于与生数据样本对应的生数据标签以及预测降噪生数据对待训练的生数据域降噪模型进行参数更新，以得到目标降噪模型，可以包括以下步骤：
125.s710、基于预测降噪生数据进行反投影重建，得到预测重建医学图像。
126.s720、将预测重建医学图像输入至待训练的图像域降噪模型中进行降噪处理，得到预测降噪后图像。
127.s730、基于生数据标签进行反投影重建，得到重建医学图像标签。
128.s740、根据生数据标签与预测降噪生数据间的第一损失数据、预测降噪后图像与重建医学图像标签间的第四损失数据，同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型，以基于同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。
129.在一些情况下，通过生数据标签与预测降噪生数据间的第一损失数据、预测降噪后图像与重建医学图像标签间的第四损失数据对待训练的生数据域降噪模型、待训练的图像域降噪模型进行参数更新，可以提高模型的准确度。
130.具体地，对预测降噪生数据进行反投影重建，得到预测重建医学图像。将预测重建医学图像作为待训练的图像域降噪模型的输入，通过待训练的图像域降噪模型对预测重建医学图像进行降噪处理，得到预测降噪后图像。对临床试验过程中采集的与多个能量段对应的实际生数据即生数据标签进行反投影重建，得到重建医学图像标签。基于生数据标签与预测降噪生数据可以确定第一损失数据。基于预测降噪后图像与重建医学图像标签可以确定第四损失数据。然后，根据生数据标签与预测降噪生数据间的第一损失数据、预测降噪后图像与重建医学图像标签间的第四损失数据，同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型。以此类推，继续对更新后的生数据域降噪模型、图像域降噪模型进行同步更新训练，当达到模型训练停止条件时，可以得到完成训练的生数据域降噪模型和图像域降噪模型。同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。其中，模型训练停止条件可以是模型损失值趋于收敛，也可以是训练轮次达到预设的轮次数量。反投影重建可以通过fbp模块实现。
131.示例性地，请参阅图7b，生数据标签可以是多个能量段高剂量生数据。对多个能量段高剂量生数据进行噪声模拟处理，得到多个能量段低剂量生数据。通过待训练的生数据域降噪模型对多个能量段低剂量生数据进行降噪处理，得到多个能量段降噪后生数据即预测降噪生数据。基于多个能量段高剂量生数据与多个能量段降噪后生数据，可以确定第一损失数据。多个能量段降噪后生数据经过fbp模块进行反投影重建，得到预测重建医学图像。将预测重建医学图像输入至待训练的图像域降噪模型中进行降噪处理，得到多个能量段降噪后图像即预测降噪后图像。多个能量段高剂量生数据经过fbp模块进行反投影重建，
得到多个能量段图像即生数据标签对应的图像。基于多个能量段图像与多个能量段降噪后图像，可以确定第四损失数据。可以将第一损失数据与第四损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型，以基于同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。
132.上述实施方式中，通过同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型的参数，得到目标降噪模型。通过目标降噪模型可以对医学成像设备采集到的原始医学生数据进行降噪处理，提升降噪效果。通过目标降噪模型可以生成目标医学图像，可以提升医学图像的质量。
133.示例性地，生数据标签的物质分解数据记为第二物质密度生数据，预测降噪生数据的物质分解数据记为第一物质密度生数据。生数据标签对应的物质分解图像记为第二物质密度图像，预测降噪生数据对应的物质分解图像记为第一物质密度图像。请参阅图8a，基于与生数据样本对应的生数据标签以及预测降噪生数据对生数据域降噪模型进行参数更新，可以包括以下步骤：
134.s810、基于预测降噪生数据进行生数据域物质分解和反投影重建，得到第一物质密度生数据，以及第一物质密度图像。
135.s820、基于生数据标签进行生数据域物质分解和反投影重建，得到第二物质密度生数据，以及第二物质密度图像。
136.s830、根据生数据标签与预测降噪生数据间的第一损失数据、第一物质密度生数据与第二物质密度生数据间的第二损失数据、以及第一物质密度图像与第二物质密度图像间的第五损失数据对生数据域降噪模型进行参数更新。
137.其中，生数据域物质分解可以指的是将生物领域中的原始数据(例如基因组序列、蛋白质结构等)进行分析和解读，以获取有关生物体结构、功能和相互作用的信息。
138.在一些情况下，由于不同物质对于不同能量的x射线有不同的、特异性的吸收系数，因此在数据上通过类似解线性方程的办法，可得到不同物质的比例。
139.具体地，对预测降噪生数据进行生数据域物质分解，得到第一物质密度生数据。对第一物质密度生数据进行反投影重建，得到第一物质密度图像。对临床试验过程中采集的与多个能量段对应的实际生数据即生数据标签进行生数据域物质分解，得到第二物质密度生数据。对第二物质密度生数据进行反投影重建，得到第二物质密度图像。基于生数据标签与预测降噪生数据可以确定第一损失数据。基于第一物质密度生数据与第二物质密度生数据可以确定第二损失数据。基于第一物质密度图像与第二物质密度图像可以确定第五损失数据。然后，根据生数据标签与预测降噪生数据间的第一损失数据、第一物质密度生数据与第二物质密度生数据间的第二损失数据、以及第一物质密度图像与第二物质密度图像间的第五损失数据对生数据域降噪模型进行参数更新。以此类推，继续对更新后的生数据域降噪模型进行训练，当达到模型训练停止条件时，可以得到完成训练的生数据域降噪模型。其中，模型训练停止条件可以是模型损失值趋于收敛，也可以是训练轮次达到预设的轮次数量。
140.示例性地，利用理论结算或者模体测量数据拟合出来的物质分解函数，对预测降噪生数据进行物质分解，得到在不同光谱下不同物质成分的生数据。将在不同光谱下不同
物质成分的生数据的对应关系存储在服务器。然后可以根据存储在服务器内的不同光谱下不同物质成分的生数据的对应关系，对生数据进行物质分解，得到生数据所包含的不同物质的生数据。
141.以三个能量段的预测降噪生数据为例，可以采用如下所示的简单的多项式方式对物质分解函数进行拟合：
[0142][0143][0144]
其中，a1和a2分别表示两种物质，l1、l2、l3分别代表三种不同的能量段预测降噪生数据，c0到c
12
和d0到d
12
分别为a1和a2两种物质通过l1、l2、l3三种能量段的多项式分解参数，c0到c
12
和d0到d
12
是通过采集多组物质成分已知物体的多能量段ct扫描数据，然后利用最小二乘法进行拟合得到的。
[0145]
在一些实施方式中，请参阅图8b，生数据标签可以是多个能量段高剂量生数据。对多个能量段高剂量生数据进行噪声模拟处理，得到多个能量段低剂量生数据。通过待训练的生数据域降噪模型对多个能量段低剂量生数据进行降噪处理，得到多个能量段降噪后生数据即预测降噪生数据。基于多个能量段高剂量生数据与多个能量段降噪后生数据，可以确定第一损失数据。对多个能量段降噪后生数据进行生数据域物质分解，得到第一物质密度生数据。对多个能量段高剂量生数据进行生数据域物质分解，得到第二物质密度生数据。基于第一物质密度生数据与第二物质密度生数据，可以确定第二损失数据。第一物质密度生数据经过fbp模块进行反投影重建，再经过图像域降噪模型中进行降噪处理，得到多种物质降噪后图像即第一物质密度图像。第二物质密度生数据经过fbp模块进行反投影重建，得到第二物质密度图像。基于第一物质密度图像与第二物质密度图像，可以确定第五损失数据。可以将第一损失数据、第二损失数据与第五损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型，以基于同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。
[0146]
在另一些实施方式中，请参阅图8c，第一物质密度生数据经过fbp模块进行反投影重建，得到多种物质降噪后图像即第一物质密度图像。第二物质密度生数据经过fbp模块进行反投影重建，得到第二物质密度图像。基于第一物质密度图像与第二物质密度图像，可以确定第五损失数据。可以将第一损失数据、第二损失数据与第五损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据对生数据域降噪模型进行参数更新，可以得到完成训练的生数据域降噪模型。
[0147]
上述实施方式中，通过生数据标签与预测降噪生数据间的第一损失数据、第一物质密度生数据与第二物质密度生数据间的第二损失数据、以及第一物质密度图像与第二物质密度图像间的第五损失数据对生数据域降噪模型进行参数更新，提升降噪效果。
[0148]
在一些实施方式中，多个能量段的生数据样本为第一射线剂量生数据，多个能量段的生数据标签为第二射线剂量生数据。其中，第一射线剂量低于第二射线剂量，或者，多个能量段的生数据标签为多个能量段的生数据样本去噪后的生数据。
[0149]
在一些情况下，多个能量段的生数据样本可以是用于训练生数据域降噪模型的样
本。可以获取多个能量段的高剂量生数据即第二射线剂量生数据，针对获取的多个能量段的高剂量生数据(第二射线剂量生数据)进行噪声增加，得到多个能量段的低剂量生数据即第一射线剂量生数据，作为多个能量段的生数据样本，而多个能量段的高剂量生数据(第二射线剂量生数据)可以作为对应的生数据标签。
[0150]
或者，也可以获取多个能量段的低剂量生数据(第一射线剂量生数据)作为生数据样本，通过其他手段对多个能量段的低剂量生数据(第一射线剂量生数据)进行降噪处理，得到多个能量段的生数据样本去噪后的生数据。将多个能量段的生数据样本去噪后的生数据作为多个能量段的生数据标签。可以理解的是，生数据样本所包含的噪声多于生数据标签所包含的噪声。
[0151]
在一些实施方式中，该方法还可以包括：生成图像域降噪模型，图像域降噪模型是通过将多个能量段的医学样本图像输入待训练的图像域降噪模型训练得到的。
[0152]
具体地，首先，构建多个能量段的医学样本图像。然后，将构建的医学样本图像输入至待训练的图像域降噪模型中。最后，基于医学样本图像对应的标签、待训练的图像域降噪模型的输出对图像域降噪模型的参数进行更新，以得到完成训练的图像域降噪模型。
[0153]
上述实施方式中，通过对图像域降噪模型进行训练，可以提高图像域降噪模型的性能。
[0154]
在一些实施方式中，请参阅图9a，生成图像域降噪模型，可以包括以下步骤：
[0155]
s910、获取多个能量段的医学标签图像和含有噪音的医学样本图像。
[0156]
s920、将多个能量段的医学样本图像输入至待训练的图像域降噪模型中进行降噪处理，得到预测降噪后图像。
[0157]
s930、基于第六损失数据和第七损失数据中的至少一种，更新待训练的图像域降噪模型。
[0158]
其中，第六损失数据为医学标签图像与预测降噪后图像之间的损失数据，第七损失数据为医学标签图像的物质分解图像与预测降噪生数据对应的图像的物质分解图像之间的损失数据。
[0159]
具体地，对多个能量段的生数据标签进行反投影重建，得到多个能量段的医学标签图像。对含有噪音的生数据样本进行反投影重建，得到含有噪音的医学样本图像。将多个能量段的医学标签图像作为待训练的图像域降噪模型的输入，待训练的图像域降噪模型对医学样本图像进行降噪处理，得到预测降噪后图像。基于医学标签图像与预测降噪后图像，确定医学标签图像与预测降噪后图像之间的损失数据为第六损失数据。对医学标签图像进行图像域物质分解，得到医学标签图像的物质分解图像。对预测降噪生数据对应的图像进行图像域物质分解，得到预测降噪生数据对应的图像的物质分解图像。基于医学标签图像的物质分解图像与预测降噪生数据对应的图像的物质分解图像，确定医学标签图像的物质分解图像与预测降噪生数据对应的图像的物质分解图像之间的损失数据为第七损失数据。基于第六损失数据和第七损失数据中的至少一种，更新待训练的图像域降噪模型，当达到模型训练停止条件时，可以得到完成训练的图像域降噪模型。
[0160]
示例性的，请参阅图9b，生数据标签可以是多个能量段高剂量生数据。对多个能量段高剂量生数据进行噪声模拟处理，得到多个能量段低剂量生数据。多个能量段低剂量生数据经过fbp模块进行反投影重建，得到预测重建医学图像记为医学样本图像。将医学样本
图像输入至待训练的图像域降噪模型中进行降噪处理，得到多个能量段预测降噪后图像。多个能量段高剂量生数据经过fbp模块进行反投影重建，得到多个能量段医学标签图像。基于多个能量段医学标签图像与多个能量段预测降噪后图像，可以确定第六损失数据。根据第六损失数据对待训练的图像域降噪模型进行参数更新，得到完成训练的图像域降噪模型。
[0161]
示例性地，图像域物质分解即是利用不同能量段的图像数据通过物质分解矩阵，得到不同的物质分量的过程。
[0162][0163]
其中，e0到en是不同能量段的图像数据，a
0,0
到a
n,n
是物质分解矩阵中各项的参数，由理论计算或者通过模体测量获得，i0到in是各物质的分量。
[0164]
上述实施方式中，通过第六损失数据和第七损失数据中的至少一种，对图像域降噪模型进行参数更新，提升降噪效果。
[0165]
在一些实施方式中，生数据标签对应的图像记为重建医学图像标签，预测降噪后图像记为预测重建医学图像。医学标签图像的物质分解图像记为第四物质密度图像，预测降噪生数据对应的图像的物质分解图像记为第三物质密度图像。请参阅图10a，生数据标签可以是多个能量段高剂量生数据。对多个能量段高剂量生数据进行噪声模拟处理，得到多个能量段低剂量生数据。通过待训练的生数据域降噪模型对多个能量段低剂量生数据进行降噪处理，得到多个能量段降噪后生数据即预测降噪生数据。基于多个能量段高剂量生数据与多个能量段降噪后生数据，可以确定第一损失数据。多个能量段降噪后生数据经过fbp模块进行反投影重建，再经过图像域降噪模型中进行降噪处理，得到多个能量段降噪后图像即预测重建医学图像。多个能量段高剂量生数据经过fbp模块进行反投影重建，得到重建医学图像标签。基于预测重建医学图像与重建医学图像标签，可以确定第四损失数据。对多个能量段降噪后图像即预测重建医学图像进行图像域物质分解，得到第三物质密度图像。对重建医学图像标签进行图像域物质分解，得到第四物质密度图像。基于第三物质密度图像与四物质密度图像，可以确定第七损失数据。可以将第一损失数据、第四损失数据与第七损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型，以基于同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。
[0166]
在另一些实施方式中，医学标签图像的物质分解图像记为第四物质密度图像，预测降噪生数据对应的图像的物质分解图像记为第三物质密度图像。请参阅图10b，多个能量段降噪后生数据经过fbp模块进行反投影重建，得到多个能量段降噪后图像即预测降噪生数据对应的图像。多个能量段高剂量生数据经过fbp模块进行反投影重建，得到生数据标签对应的图像。基于预测降噪生数据对应的图像与生数据标签对应的图像，可以确定第三损失数据。对多个能量段降噪后图像即预测降噪生数据对应的图像进行图像域物质分解，得到第三物质密度图像。对生数据标签对应的图像进行图像域物质分解，得到第四物质密度图像。基于第三物质密度图像与四物质密度图像，可以确定第七损失数据。可以将第一损失
数据、第三损失数据与第七损失数据进行相加操作或者加权相加操作，得到损失数据。根据损失数据对生数据域降噪模型进行参数更新，可以得到完成训练的生数据域降噪模型。
[0167]
上述实施方式中，通过生数据标签与预测降噪生数据间的第一损失数据、预测降噪生数据对应的图像与生数据标签对应的图像间的第三损失数据、第三物质密度图像与第四物质密度图像间的第七损失数据对生数据域降噪模型进行参数更新，提升降噪效果。
[0168]
在一些实施方式中，多个能量段的医学样本图像为第一射线剂量下采集的图像，多个能量段的医学标签图像为第二射线剂量下采集的图像。
[0169]
其中，第一射线剂量低于第二射线剂量，或者，多个能量段的医学样本图像为带有噪音的图像，多个能量段的医学标签为多个能量段的医学样本图像的去噪后的图像。
[0170]
在一些情况下，多个能量段的医学样本图像可以是用于训练图像域降噪模型的样本。可以获取多个能量段的高剂量图像即第二射线剂量图像，针对获取的多个能量段的高剂量图像(第二射线剂量图像)进行噪声增加，得到多个能量段的低剂量图像即第一射线剂量图像，作为多个能量段的医学样本图像，而多个能量段的高剂量图像(第二射线剂量图像)可以作为对应的医学标签图像。
[0171]
或者，也可以获取多个能量段的低剂量图像(第一射线剂量图像)作为医学样本图像，通过其他手段对多个能量段的低剂量图像(第一射线剂量图像)进行降噪处理，得到多个能量段的医学样本图像的去噪后的图像。将多个能量段的医学样本图像的去噪后的图像作为多个能量段的医学标签图像。可以理解的是，医学样本图像所包含的噪声多于医学标签图像所包含的噪声。
[0172]
需要说明的是，上述实施方式中涉及到的第一损失数据、第二损失数据、第三损失数据、第四损失数据、第五损失数据、第六损失数据、第七损失数据的类型不局限于mse损失，也可以使用mae损失，ssim损失或其他类型的损失或几种损失函数的组合。
[0173]
在一些实施方式中，损失函数可以是mae损失。损失函数公式如下所示：
[0174][0175]
其中，e表示第e个能量段，e表示共有e个能量段，i为第i个像素，n为像素个数，为深度学习网络输出的第e个能量段的第i个像素，y
i,e
为目标数据的第e个能量段的第i个像素。
[0176]
在另一些实施方式中，损失函数可以是ssim损失。损失函数公式如下所示：
[0177][0178]
其中，μ
x
是x的平均值，μy是y的平均值，是x的方差，是y的方差，σ
xy
是xy的协方差。c1＝(k1l)2，c2＝(k2l)2是用来维持稳定的常数，l是像素值动态范围，k1＝0.01，k2＝0.03。结构相似性的范围为-1到1，当两张图像一模一样时，ssim的值等于1。
[0179]
在又一些实施方式中，损失函数可以是mse损失。损失函数公式如下所示：
[0180]
[0181]
其中，e表示第e个能量段，e表示共有e个能量段，i为第i个像素，n为像素个数，为深度学习网络输出的第e个能量段的第i个像素，y
i,e
为目标数据的第e个能量段的第i个像素。
[0182]
本说明书实施方式还提供一种医学数据降噪方法，示例性地，请参阅图11，该医学数据降噪方法可以包括以下步骤：
[0183]
s1102、获取临床试验过程中采集的与多个能量段对应的实际生数据，作为生数据标签。
[0184]
s1104、基于生数据标签进行噪声模拟处理，得到生数据样本。
[0185]
其中，生数据样本对应的第一射线剂量低于生数据标签对应的第二射线剂量。
[0186]
s1106、将与多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与多个能量段对应的预测降噪生数据。
[0187]
s1108、基于预测降噪生数据进行反投影重建，得到预测重建医学图像。
[0188]
s1110、将预测重建医学图像输入至待训练的图像域降噪模型中进行降噪处理，得到预测降噪后图像。
[0189]
s1112、基于生数据标签进行反投影重建，得到重建医学图像标签。
[0190]
s1114、根据生数据标签与预测降噪生数据间的第一损失数据、预测降噪后图像与重建医学图像标签间的第二损失数据，同步更新待训练的生数据域降噪模型、待训练的图像域降噪模型，以基于同步完成训练的生数据域降噪模型和图像域降噪模型构建目标降噪模型。
[0191]
s1116、获取与多个能量段对应的原始医学生数据。
[0192]
s1118、通过目标降噪模型中的生数据域降噪模型对原始医学生数据进行降噪处理，得到与多个能量段对应的降噪后医学生数据。
[0193]
s1120、基于降噪后医学生数据进行反投影重建，得到待降噪重建医学图像。
[0194]
s1122、将待降噪重建医学图像输入至图像域降噪模型中进行降噪处理，得到目标医学图像。
[0195]
本说明书实施方式提供一种医学数据降噪装置1200，请参阅图12，医学数据降噪装置1200包括：原始医学生数据获取模块1210、降噪后医学生数据生成模块1220。
[0196]
原始医学生数据获取模块1210，用于获取与多个能量段对应的原始数据；
[0197]
降噪后医学生数据生成模块1220，用于通过目标降噪模型对所述原始数据进行降噪处理，得到与所述多个能量段对应的降噪后目标数据；
[0198]
其中，所述目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，所述生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，所述图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息。
[0199]
关于医学数据降噪装置的具体描述，可以参见上文中对医学数据降噪方法的描述，在此不再赘述。
[0200]
在一些实施方式中，提供了一种医学成像设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施方式中的方法步骤。
[0201]
本说明书实施方式提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项实施方式中的方法的步骤。
[0202]
本说明书的一个实施方式提供一种计算机程序产品，计算机程序产品中包括指令，指令被计算机设备的处理器执行时，使得计算机设备能够执行上述任一项实施方式的方法的步骤。
[0203]
需要说明的是，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

技术特征：
1.一种医学数据降噪方法，其特征在于，所述方法包括获取与多个能量段对应的原始数据；通过目标降噪模型对所述原始数据进行降噪处理，得到与所述多个能量段对应的降噪后目标数据；其中，所述目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，所述生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，所述图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成所述生数据域降噪模型；其中，所述生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的。3.根据权利要求2所述的方法，其特征在于，所述生成所述生数据域降噪模型，包括：获取多个能量段的生数据标签和含有噪音的生数据样本；将与所述多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与所述多个能量段对应的预测降噪生数据；基于第一损失数据、第二损失数据和第三损失数据中的至少一种更新所述待训练的生数据域降噪模型的参数，以得到所述生数据域降噪模型，其中，所述第一损失数据为所述生数据标签与所述预测降噪生数据之间的损失数据，所述第二损失数据为所述生数据标签的物质分解数据与所述预测降噪生数据的物质分解数据之间的损失数据，所述第三损失数据为所述生数据标签对应的图像与所述预测降噪生数据对应的图像之间的损失数据。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成所述生数据域降噪模型和所述图像域降噪模型；其中，所述生数据域降噪模型是通过将多个能量段的生数据样本输入待训练的生数据域降噪模型训练得到的，所述图像域降噪模型是所述生数据样本对应的预测降噪生数据经重建生成的待降噪图像同步输入待训练的图像域降噪模型得到的。5.根据权利要求4所述的方法，其特征在于，所述生成所述生数据域降噪模型和所述图像域降噪模型，包括：获取多个能量段的生数据标签和含有噪音的生数据样本；将与所述多个能量段对应的生数据样本输入至待训练的生数据域降噪模型中，得到与所述多个能量段对应的预测降噪生数据；将所述预测降噪生数据重建后生成的多个待降噪图像输入待训练的图像域降噪模型，生成预测降噪后图像；基于第一损失数据、第二损失数据、第三损失数据、第四损失数据和第五损失数据中的至少一种，更新所述待训练的生数据域降噪模型，以得到所述生数据域降噪模型；基于第四损失数据和第五损失数据中的至少一种更新所述待训练的图像域降噪模型，以得到所述图像域降噪模型；其中，所述第一损失数据为所述生数据标签与所述预测降噪生数据之间的损失数据，所述第二损失数据为所述生数据标签的物质分解数据与所述预测降噪生数据的物质分解数据之间的损失数据，所述第三损失数据为所述生数据标签对应的图像与所述预测降噪生数据对应的图像之间的损失数据，所述第四损失数据为所述生数据标签对应的图像与所述预测降噪后图像之间的损失数据，所述第五损失数据为所述生数据标签对应的物质分解图像与所述预测降噪生数据对应的物质分解图像之间的损失数据。
6.根据权利要求3或5所述的方法，其特征在于，所述多个能量段的生数据样本为第一射线剂量生数据，所述多个能量段的生数据标签为第二射线剂量生数据；其中，所述第一射线剂量低于所述第二射线剂量，或者，所述多个能量段的生数据标签为所述多个能量段的生数据样本去噪后的生数据。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成所述图像域降噪模型，所述图像域降噪模型是通过将多个能量段的医学样本图像输入待训练的图像域降噪模型训练得到的。8.根据权利要求7所述的方法，其特征在于，所述生成所述图像域降噪模型，包括：获取多个能量段的医学标签图像和含有噪音的医学样本图像；将多个能量段的所述医学样本图像输入至所述待训练的图像域降噪模型中进行降噪处理，得到预测降噪后图像；基于第六损失数据和第七损失数据中的至少一种，更新所述待训练的图像域降噪模型，其中，所述第六损失数据为所述医学标签图像与所述预测降噪后图像之间的损失数据，所述第七损失数据为所述医学标签图像的物质分解图像与预测降噪生数据对应的图像的物质分解图像之间的损失数据。9.根据权利要求8所述的方法，其特征在于，所述多个能量段的医学样本图像为第一射线剂量下采集的图像，所述多个能量段的医学标签图像为第二射线剂量下采集的图像；其中，所述第一射线剂量低于所述第二射线剂量，或者，所述多个能量段的医学样本图像为带有噪音的图像，所述多个能量段的医学标签为所述多个能量段的医学样本图像的去噪后的图像。10.一种医学数据降噪装置，其特征在于，所述装置包括：原始医学生数据获取模块，用于获取与多个能量段对应的原始数据；降噪后医学生数据生成模块，用于通过目标降噪模型对所述原始数据进行降噪处理，得到与所述多个能量段对应的降噪后目标数据；其中，所述目标降噪模型包括生数据域降噪模型和/或图像域降噪模型，所述生数据域降噪模型在降噪过程中考虑多个能量段的生数据之间的关联信息，所述图像域降噪模型在降噪过程中考虑多个能量段的图像之间的关联信息。11.一种医学成像设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。12.一种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权利要求1至9中任一项所述的方法的步骤。

技术总结
本发明公开了一种医学数据降噪方法、装置、医学成像设备及存储介质。通过考虑多个能量段的生数据之间的关联信息和/或多个能量段的图像之间的关联信息，确定包括生数据域降噪模型和/或图像域降噪模型的目标降噪模型。在获取与多个能量段对应的原始数据时，通过目标降噪模型对原始数据进行降噪处理，得到与多个能量段对应的降噪后目标数据。利用多个能量段对应的原始数据的相关性，可以在生数据域上对原始数据进行降噪处理，提升降噪效果。提升降噪效果。提升降噪效果。


技术研发人员：李俊瑶 逄岭
受保护的技术使用者：东软医疗系统股份有限公司
技术研发日：2023.08.11
技术公布日：2023/10/20