1.本发明属于数据处理技术领域，具体涉及一种医学图像质量评价方法及装置。
背景技术：2.随着现代大型医疗成像设备的飞速发展，新的成像方法和图像处理方法不断涌现，医学图像正成为临床医学研究、诊断和治疗的依据。发展医学图像质量评价方法对于监控和调整医学图像质量、检验和优化医学图像处理算法意义重大。对于医学图像质量的评价，最可靠的方法是主观评价方法。但是医学图像主观评价方法存在代价高、耗时长、实时性差、易受主客观因素影响、不能嵌入实际医学图像处理系统中的缺陷，这使得医学图像质量客观评价方法受到了重视。
3.相关技术中，目前医学图像处理系统中主要采用峰值信噪比(psnr)来进行医学图像质量的客观评价。由于峰值信噪比没有考虑到像素点间的相关性和人类视觉系统的感知特性，评价结果并不能真实反映图像的视觉感知质量。因此，发展更加符合人类视觉系统特性的医学图像质量评价方法是必要的。
技术实现要素：4.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种医学图像质量评价方法及装置，以解决现有技术中医学图像质量的客观评价的评价结果不能真实反映图像的视觉感知质量的问题。
5.为实现以上目的，本发明采用如下技术方案：一种医学图像质量评价方法，包括：
6.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；
7.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
*
；
8.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。
9.进一步的，所述初始医学图像质量评价网络模型，包括：
10.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；
11.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s
l
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u
l
，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u
l
和所述非局部单元ug中均包括多个卷积层；
12.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。
13.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：
14.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；
15.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；
16.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；
17.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。
18.进一步的，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：
19.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s
l
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x
l
；
20.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s
l
中归一化层对局部特征x
l
进行归一化，得到归一化后的非局部特征x’l
；
21.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；
22.局部信息关联模块s
l
中非局部单元u
l
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q
l
、k
l
、v
l
，然后对q
l
、k
l
、v
l
分别进行卷积运算，再通过q
l
、k
l
的卷积结果计算非局部权重矩阵a
l
，最后通过a
l
对非局部特征x’l
进行加权，得到局部感知特征f
l
；
23.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f
l
沿第三维
度拼接，得到多尺度视觉感知特征fm。
24.进一步的，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；
25.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256，步长为2。
26.进一步的，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，
[0027][0028]
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。
[0029]
进一步的，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，
[0030][0031]
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。
[0032]
进一步的，特征拼接层采用以下计算方式对全局感知特征fg、感知误差特征fd和局部质量感知特征f
l
沿第三维度拼接，得到多尺度视觉感知特征fm，
[0033][0034]
其中，表示矩阵点乘运算。
[0035]
进一步的，通过所述非局部权重矩阵ag采用以下方式对非局部特征x’g
进行加权，得到全局感知特征fg，
[0036][0037][0038]
通过非局部权重矩阵a
l
采用如下方式对非局部特征x’l
进行加权，得到局部感知特征f
l
，
[0039][0040][0041]
其中，soft max(
·
)表示归一化指数函数，表示的转置运算，表示的转置运算，表示矩阵点乘运算。
[0042]
本技术实施例提供一种医学图像质量评价装置，包括：
[0043]
获取模块，用于通过预设的医学图像质量评价数据集获取样本集合，将所述样本集合划分为训练样本集和测试样本集；
[0044]
训练模块，用于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
*
；
[0045]
评价模块，用于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。
[0046]
本发明采用以上技术方案，能够达到的有益效果包括：
[0047]
本发明提供一种医学图像质量评价方法及装置，本技术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。
附图说明
[0048]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0049]
图1为本发明医学图像质量评价方法的步骤示意图；
[0050]
图2为本发明提供的初始医学图像质量评价网络模型的结构示意图；
[0051]
图3为本发明医学图像质量评价装置的结构示意图。
具体实施方式
[0052]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0053]
下面结合附图介绍本技术实施例中提供的一个具体的医学图像质量评价方法及装置。
[0054]
如图1所示，本技术实施例中提供的医学图像质量评价方法，包括：
[0055]
s101，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；
[0056]
医学图像质量评价数据集可以为提前存储在数据中的医学图像，本技术中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。
[0057]
具体的，获取医学图像质量评价数据集中维度为w
×
h的l幅待测图像及每幅待测图像的参考图像，与其主观质量评级标签组成样本集合a＝{(i
l
,r
l
,s
l
)|1≤l≤l}，并将a中的m个样本组成训练样本集t＝{(im,rm,sm)|1≤m≤m}，将其余的n个样本组成测试样本集e＝{(in,sn)|1≤n≤n}，其中，w、h分别表示待测图像的宽度和高度，w≥224,h≥224，l≥
1000，m+n＝l，i
l
、r
l
、s
l
分别表示第l幅待测图像、其参考图像及相应的主观质量评级标签。
[0058]
s102，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
*
；
[0059]
一些实施例中，如图2所示，所述初始医学图像质量评价网络模型，包括：
[0060]
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；
[0061]
其中，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；
[0062]
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256，步长为2。
[0063]
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s
l
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u
l
，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u
l
和所述非局部单元ug中均包括多个卷积层；
[0064]
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。
[0065]
需要说明的是，初始医学图像质量评价网络模型g中预设有损失函数l，损失函数l的表达式为，
[0066][0067]
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。
[0068]
然后根据预设损失函数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
*
。
[0069]
迭代训练的具体过程如下：
[0070]
步骤(1)，初始化迭代次数为k，最大迭代次数为k，k》20，当前无参考图像质量评价网络模型为gk，gk的权值参数为θk，并令k＝1，gk＝g；
[0071]
步骤(2)，将从训练样本集t中无放回地随机选取的b个训练样本作为医学图像质量评价网络模型gk的输入，特征提取子网络d提取每个训练样本中待测图像的特征得到fo；特征提取子网络r提取每个训练样本中参考图像的特征得到fr；多尺度视觉感知特征提取子网络m首先求取fo与fr的差值，得到感知误差特征fd，并将其作为输入，然后对其经过局部
和全局特处理得到多尺度视觉感知特征fm；质量评级预测子网络p将fm作为输入，获得待测图像质量评级；其中，多尺度视觉感知特征提取子网络m对fd局部和全局处理实现步骤为：
[0072]
全局信息关联模块sg对fd沿第三通道维度逐像素采样，得到多个特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sg对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x
l
；
[0073]
全局信息关联模块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
；局部信息关联模块中归一化层对局部特征x
l
进行归一化，得到归一化后的非局部特征x’l
；
[0074]
全局信息关联模块中非局部单元ug对归一化后的非局部特征x’g
沿d第三维度进行扩展，得到非局部扩展特征x”g
，并沿第三维度对非局部扩展特征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ag对非局部特征x’g
进行加权，得到全局感知特征fg：
[0075][0076][0077]
其中，soft max(
·
)表示归一化指数函数，表示的转置运算；
[0078]
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f
l
沿第三维度拼接，得到多尺度视觉感知特征fm：
[0079][0080]
其中，表示矩阵点乘运算。
[0081]
步骤(3)，采用损失函数l，并通过l计算每个训练样本对应的预测质量评级与该训练样本对应的主观质量评级标签的误差作为gk的损失值dk，然后通过dk计算对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；
[0082]
一些实施例中，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，
[0083][0084]
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。
[0085]
步骤(4)，判断k＝k是否成立，若是，得到训练好的基于课程学习的无参考图像质量评价网络模型g
*
，否则，令k＝k+1，并执行步骤(2)。
[0086]
s103，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。
[0087]
具体的，在得到目标医学图像质量评价网络模型后，将测试样本集e作为训练好的基于多尺度视觉感知机制的医学图像质量评价网络模型g
*
的输入进行前向推理，得到每个测试样本的质量预测分数。
[0088]
如图3所示，一种医学图像质量评价装置，包括：
[0089]
获取模块201，用于通过预设的医学图像质量评价数据集获取样本集合，将所述样本集合划分为训练样本集和测试样本集；
[0090]
训练模块202，用于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
*
；
[0091]
评价模块203，用于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。
[0092]
本技术提供的医学图像质量评价装置的工作原理为，获取模块201通过预设的医学图像质量评价数据集获取样本集合，将所述样本集合划分为训练样本集和测试样本集；训练模块202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
*
；评价模块203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。
[0093]
综上所述，本发明提供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l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。
[0094]
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
[0095]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0096]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0097]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0098]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0099]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
技术特征：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s
l
和全局信息关联模块s
g
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u
l
，所述全局信息关联模块s
g
包括归一化层和非局部单元u
g
，所述局部单元u
l
和所述非局部单元u
g
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g
k
，g
k
的权值参数为θ
k
，令k＝1、g
k
＝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g
k
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f
o
，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f
r
，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f
o
与每个训练样本中参考图像的特征f
r
的差值，得到感知误差特征f
d
，对所述感知误差特征f
d
经过局部和全局特处理得到多尺度视觉感知特征f
m
，将所述多尺度视觉感知特征f
m
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g
k
的损失值d
k
，然后通过所述损失值d
k
计算对所述损失值g
k
的权值参数θ
k
的偏导数g
k
，再采用随机梯度下降法，通过偏导数g
k
对g
k
的权值参数θ
k
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s
g
对所述感知误差特征f
d
沿第三通道维度逐像素采样，得到多个特
征向量并将所有特征向量拼接为非局部特征x
g
；局部信息关联模块s
l
对所述感知误差特征f
d
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x
l
；全局信息关联模块s
g
中归一化层对非局部特征x
g
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s
l
中归一化层对局部特征x
l
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s
g
中非局部单元u
g
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q
g
、k
g
、v
g
，然后对q
g
、k
g
、v
g
分别进行卷积运算，再通过q
g
、k
g
的卷积结果计算非局部权重矩阵a
g
，最后通过所述非局部权重矩阵a
g
对非局部特征x
′
g
进行加权，得到全局感知特征f
g
；局部信息关联模块s
l
中非局部单元u
l
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q
l
、k
l
、v
l
，然后对q
l
、k
l
、v
l
分别进行卷积运算，再通过q
l
、k
l
的卷积结果计算非局部权重矩阵a
l
，最后通过a
l
对非局部特征x
′
l
进行加权，得到局部感知特征f
l
；特征拼接层对全局感知特征f
g
、感知误差特征f
d
和局部质量感知特征f
l
沿第三维度拼接，得到多尺度视觉感知特征f
m
。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256，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，s
i
、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g
k
对g
k
的权值参数θ
k
进行更新，其中，表示当前初始医学图像质量评价网络模型g
k
更新后的权值参数；α表示学习率。
8.根据权利要求4所述的方法，其特征在于，特征拼接层采用以下计算方式对全局感知特征f
g
、感知误差特征f
d
和局部质量感知特征f
l
沿第三维度拼接，得到多尺度视觉感知特征f
m
，f
m
＝f
l
⊕
f
g
⊕
f
d
其中，
⊕
表示矩阵点乘运算。9.根据权利要求4所述的方法，其特征在于，通过所述非局部权重矩阵a
g
采用以下方式对非局部特征x
′
g
进行加权，得到全局感知特征f
g
，，通过非局部权重矩阵a
l
采用如下方式对非局部特征x
′
l
进行加权，得到局部感知特征f
l
，，其中，softmax(
·
)表示归一化指数函数，表示的转置运算，表示的转置运算，表示矩阵点乘运算。10.一种医学图像质量评价装置，其特征在于，包括：获取模块，用于通过预设的医学图像质量评价数据集获取样本集合，将所述样本集合划分为训练样本集和测试样本集；训练模块，用于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
*
；评价模块，用于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。
技术总结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。系统特性的医学图像质量评价。系统特性的医学图像质量评价。
技术研发人员：于涵宇 吴广强 杨钰群 马骏 杨涛 杨雅慧
受保护的技术使用者：北京芯联心科技发展有限公司
技术研发日：2022.07.21
技术公布日：2022/11/1
