1.基于图神经网络的CT运动伪影消除方法,其特征在于,所述方法包括以下步骤:调取最大开源临床医疗图像数据集,所述最大开源临床医疗图像数据集包括带标记的病灶实例和CT横切图像;
基于最大开源临床医疗图像数据集对图神经网络模型进行训练;
基于最大开源临床医疗图像数据集对图神经网络模型进行测试;
对图神经网络模型进行参数和超参数的调整,得到最终的图神经网络模型。
2.根据权利要求1所述的基于图神经网络的CT运动伪影消除方法,其特征在于,所述最大开源临床医疗图像数据集中包含4427名独立的匿名患者经过10594次CT扫描得到的
32735个带标记的病灶实例以及928020张CT横切图像。
3.根据权利要求2所述的基于图神经网络的CT运动伪影消除方法,其特征在于,平均每位所述独立的匿名患者有3次随访,所述CT横切图像的分辨率为512×512。
4.根据权利要求1所述的基于图神经网络的CT运动伪影消除方法,其特征在于,所述基于最大开源临床医疗图像数据集对图神经网络模型进行训练的步骤,具体包括:将一部分包含运动伪影的CT横切图像和对应的带标记的病灶实例进行拼接得到第一拼接图像;
对第一拼接图像进行归一化处理后,输入图神经网络模型进行训练,得到去除伪影结果;
将去除伪影结果以及归一化处理后的基准图输入判别器中,根据判别器的判别结果对图神经网络模型进行训练更新。
5.根据权利要求4所述的基于图神经网络的CT运动伪影消除方法,其特征在于,所述基于最大开源临床医疗图像数据集对图神经网络模型进行测试的步骤,具体包括:将另一部分包含运动伪影的CT横切图像和对应的带标记的病灶实例进行拼接得到第二拼接图像;
对第二拼接图像进行归一化处理后,输入训练完成的图神经网络模型中,得到去除伪影结果;
将去除伪影结果进行反归一化处理后得到去除伪影图像,根据对应的带标记的病灶实例对去除伪影图像的准确性进行验证。
6.根据权利要求1所述的基于图神经网络的CT运动伪影消除方法,其特征在于,所述对图神经网络模型进行参数和超参数的调整的步骤,具体包括:对学习率、epochs以及batch_size参数进行调整,提高模型的准确率,增强对CT运动伪影的消除作用。
7.基于图神经网络的CT运动伪影消除系统,其特征在于,所述系统包括:图像数据集调取模块,用于调取最大开源临床医疗图像数据集,所述最大开源临床医疗图像数据集包括带标记的病灶实例和CT横切图像;
神经网络模型训练模块,用于基于最大开源临床医疗图像数据集对图神经网络模型进行训练;
神经网络模型测试模块,用于基于最大开源临床医疗图像数据集对图神经网络模型进行测试;
网络模型参数调整模块,用于对图神经网络模型进行参数和超参数的调整,得到最终的图神经网络模型。
8.根据权利要求7所述的基于图神经网络的CT运动伪影消除系统,其特征在于,所述神经网络模型训练模块包括:第一拼接图像生成单元,用于将一部分包含运动伪影的CT横切图像和对应的带标记的病灶实例进行拼接得到第一拼接图像;
第一去除伪影结果单元,用于对第一拼接图像进行归一化处理后,输入图神经网络模型进行训练,得到去除伪影结果;
神经网络模型训练单元,用于将去除伪影结果以及归一化处理后的基准图输入判别器中,根据判别器的判别结果对图神经网络模型进行训练更新。
9.根据权利要求8所述的基于图神经网络的CT运动伪影消除系统,其特征在于,所述神经网络模型测试模块包括:第二拼接图像生成单元,用于将另一部分包含运动伪影的CT横切图像和对应的带标记的病灶实例进行拼接得到第二拼接图像;
第二去除伪影结果单元,用于对第二拼接图像进行归一化处理后,输入训练完成的图神经网络模型中,得到去除伪影结果;
神经网络模型验证单元,用于将去除伪影结果进行反归一化处理后得到去除伪影图像,根据对应的带标记的病灶实例对去除伪影图像的准确性进行验证。
10.根据权利要求7所述的基于图神经网络的CT运动伪影消除系统,其特征在于,所述网络模型参数调整模块包括模型准确率提高单元,模型准确率提高单元用于对学习率、epochs以及batch_size参数进行调整,提高模型的准确率,增强对CT运动伪影的消除作用。