(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221085909 9.5 (22)申请日 2022.07.21 (71)申请人 北京芯联心科技发展 有限公司 地址 100089 北京市海淀区中关村大街18 号12层121 1-55 (72)发明人 于涵宇　吴广强　杨钰群　马骏　 杨涛　杨雅慧　 (74)专利代理 机构 北京细软智谷知识产权代理 有限责任公司 1 1471 专利代理师 刘晓丹 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) (54)发明名称 医学图像质量评价方法及装置 (57)摘要 本发明涉及一种医学图像质 量评价方法及 装置， 包括通过预设的医学图像质量评价数据集 获取样本集合， 将样本集合划分为训练样本集和 测试样本集； 将训练样本集输入 预构建的初始医 学图像质量评价网络模型中， 根据预设损失函数 对初始医学图像质量评价网络模型进行迭代训 练， 得到目标医学图像质量评价网络模型； 将测 试样本集输入目标医学图像质量评价网络模型， 得到医学图像质量评价结果。 本发 明采用医学图 像的训练样本集对初始医学图像质量评价网络 模型进行训练， 采用训练后得到的目标医学图像 质量评价网络模 型对医学图像进行评价， 能够真 实反应图像的视觉感知质量， 更加符合人类视觉 系统特性的医学图像质量评价。 权利要求书3页 说明书8页 附图2页 CN 115272213 A 2022.11.01 CN 115272213 A 1.一种医学图像质量评价方法， 其特 征在于， 包括： 将医学图像质量评价数据集中具有预设维度的待测图像、 每幅待测图像的参考图像以 及所述待测图像的主观质量评级标签组成样本集合， 将所述样本集合划分为训练样本集和 测试样本集； 将训练样本集输入预构建的初始医学图像质量评价网络模型G中， 根据 预设损失函数L 对所述初始医学图像质量评价网络模型G进行迭代训练， 得到目标医学图像质量评价网络 模型G*； 将所述测试样本集输入所述目标医学图像质量评价网络模型， 得到 医学图像质量评价 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述初始医学图像质量评价网络模型， 包 括： 特征提取子网络D、 特征提取子网络R、 多尺度视觉感知特征提取子网络M和质量评级预 测子网络P； 所述特征提取子网络D和所述特征提取子网络R并行连接后通过特征相减操作 依次连接多尺度视 觉感知特 征提取子网络 M和质量评级预测子网络P； 其中， 所述尺度视觉感知特征提取子网络M包 括并行排布的局部信息关联模块Sl和全局 信息关联模块Sg及顺次连接的特征拼接层； 其中， 所述局部信息关联模块包括全局池化层、 归一化层和局部单元Ul， 所述全局信息 关联模块Sg包括归一化层和非局部单元Ug， 所述局部 单元Ul和所述非局部单 元Ug中均包括多个卷积层； 所述质量评级预测子网络P包括全局池化层和多个全连接层。 3.根据权利要求2所述的方法， 其特征在于， 所述根据预设损失函数对所述初始医学图 像质量评价网络模型进行迭代训练， 包括： 预设初始化迭代次数k和最大迭代次数K； 其中， K>20， 当前初始医学图像质量评价网络 模型Gk， Gk的权值参数为θk， 令k＝1、 Gk＝G； 将从训练样本集中无放回地随机选取的多个训练样本作为当前初始医学图像质量评 价网络模型Gk的输入， 所述特征提取子网络D提取每个训练样本 中待测图像的特征Fo， 所述 特征提取子网络R提取每个训练样本中待测图像 的参考图像 的特征Fr， 所述多尺度视觉感 知特征提取子网络M 求取待测图像的特征Fo与每个训练样本中参考图像的特征Fr的差值， 得 到感知误差特征Fd， 对所述感知误差特征Fd经过局部和全局特处理得到多尺度视觉感知特 征Fm， 将所述多尺度视觉感知特征Fm输入至所述质量评级预测子网络P， 获得待测图像质量 评级； 通过损失函数L计算每个训练样本对应的预测质量评级与所述训练样本对应的主观质 量评级标签的误差作为当前初始医学图像质量评价网络模型Gk的损失值dk， 然后通过所述 损失值dk计算对所述损失值Gk的权值参数θk的偏导数 gk， 再采用随机梯度下降法， 通过偏导 数gk对Gk的权值参数θk进行更新； 判断k＝K是否成立， 若是， 得到目标医学图像质量评价网络模型G*， 否则， 令k＝k+1， 重 新执行训练步骤。 4.根据权利要求3所述的方法， 其特征在于， 所述对所述感知误差特征经过局部和全局 特处理得到多尺度视 觉感知特 征， 包括： 全局信息关联模块Sg对所述感知误差特征Fd沿第三通道维度逐像素采样， 得到多个特权　利　要　求　书 1/3 页 2 CN 115272213 A 2征向量 并将所有特征向量 拼接为非局部特征Xg； 局部信息关联模块Sl对所述感知误差 特征Fd全局池化， 得到多个特 征向量 并将所有特 征向量 拼接为局部特 征Xl； 全局信息关联模块Sg中归一化层对非局部特征Xg进行归一化， 得到归一化后的非局部 特征X′g； 局部信息关联模块Sl中归一化层对局 部特征Xl进行归一化， 得到归一化后的非局 部特征X′l； 全局信息关联模块Sg中非局部单元Ug对归一化后的非局部特征X'g沿所述特征提取子 网络D的第三维度进行扩展， 得到非局部扩展特征X ″g， 并沿第三维度对X ″g进行分解， 得到的 三个大小相同的权重矩阵Qg、 Kg、 Vg， 然后对Qg、 Kg、 Vg分别进行卷积运算， 再通过Qg、 Kg的卷积 结果 计算非局部权重矩阵Ag， 最后通过所述非局部权重矩阵Ag对非局部特征X ′g进 行加权， 得到全局感知特 征Fg； 局部信息关联模块Sl中非局部单元Ul对归一化后的非局部特征X ′l沿所述特征提取子 网络D的第三维度进行扩展， 得到非局部扩展特征X ″l， 并沿第三维度对X ″l进行分解， 得到的 三个大小相同的权重矩阵Ql、 Kl、 Vl， 然后对Ql、 Kl、 Vl分别进行卷积运算， 再通过Ql、 Kl的卷积 结果 计算非局部权重矩阵Al， 最后通过Al对非局部特征X ′l进行加权， 得到局部感知 特征Fl； 特征拼接层对全局 感知特征Fg、 感知误差特征Fd和局部质量感知特征Fl沿第三维度拼 接， 得到多尺度视 觉感知特 征Fm。 5.根据权利要求2所述的方法， 其特征在于， 所述特征提取子网络D、 特征提取子网络R 的结构相同， 所述特征提取子网络D、 特征提取子网络R均包括： 第一卷积层、 最大池化层、 第 二卷积层、 第三卷积层、 第四卷积层、 第五卷积层、 第六 卷积层和第七卷积层； 所述第二卷积层的输入与第四卷积层的输出残差连接， 第五卷积层的输入与第七卷积 层的输出残差连接， 其中， 所述第一卷积层的卷积核大小为7 ×7， 数量为64， 步长为2； 最大 池化层池化窗口大小为3 ×3， 步长为2； 所述第二卷积层、 第四卷积层、 第五卷积层和 第七卷 积层的卷积核大小为1 ×1， 数量分别为64、 256、 128和512， 步长为1； 所述第三卷积层和第六 卷积层的卷积核大小为3 ×3， 数量分别为128和25 6， 步长为2。 6.根据权利要求1所述的方法， 其特征在于， 所述初始医学图像质量评价网络模型G的 损失函数L的表达式为， 其中， si、 分别表示多个训练样本中第i个训练样本对应的主观质量评级、 预测质量评 级； ||·||1表示一阶范数正则化， Σ表示 求和符号， δ表示阈值。 7.根据权利要求5所述的方法， 其特征在于， 采用随机梯度下降法， 通过以下方式采用 偏导数gk对Gk的权值参数θk进行更新， 其中， 表示当前初始医学图像质量评价网络模型Gk更新后的权值 参数； α 表示学习率。权　利　要　求　书 2/3 页 3 CN 115272213 A 3