Nothing Special   »   [go: up one dir, main page]

CN109215014B - Ct图像预测模型的训练方法、装置、设备及存储介质 - Google Patents

Ct图像预测模型的训练方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109215014B
CN109215014B CN201810710472.4A CN201810710472A CN109215014B CN 109215014 B CN109215014 B CN 109215014B CN 201810710472 A CN201810710472 A CN 201810710472A CN 109215014 B CN109215014 B CN 109215014B
Authority
CN
China
Prior art keywords
image
prediction model
sample set
image prediction
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810710472.4A
Other languages
English (en)
Other versions
CN109215014A (zh
Inventor
李文
李雅芬
谢耀钦
熊璟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201810710472.4A priority Critical patent/CN109215014B/zh
Publication of CN109215014A publication Critical patent/CN109215014A/zh
Application granted granted Critical
Publication of CN109215014B publication Critical patent/CN109215014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明适用医学图像处理技术领域，提供了一种CT图像预测模型的训练方法、装置、设备及存储介质，该方法包括：根据采集的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，并对CT图像预测模型进行初始化，根据预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。

Description

CT图像预测模型的训练方法、装置、设备及存储介质
技术领域
本发明属于医学图像处理技术领域，尤其涉及一种CT图像预测模型的训练方法、装置、设备及存储介质。
背景技术
在肿瘤放射治疗中需要先对患者进行电子计算机断层扫描(ComputedTomography，简称CT扫描)，再根据患者CT图像对应的电子密度信息来计算患者接受的放疗剂量，以制定放疗计划。但在对患者进行CT扫描时，使得患者暴露于电离辐射之下，很可能会对患者造成进一步的潜在危害。磁共振(Magnetic Resonance，简称MR)图像具有较好的软组织对比度，MR图像的采集过程不会对患者造成电离辐射伤害，所以相较于CT图像，使用MR图像来制定放疗计划将会是一个更好的选择。
由于MR图像的成像原理，无法获得MR图像的电子密度信息，MR图像不能直接用于计算放疗剂量。而MR图像和CT图像具有一定的相关性，可以通过采集到的MR图像预测对应的CT图像，再利用预测的CT图像间接获得制定放疗计划的所需的电子密度信息。
针对从MR图像预测CT图像的问题，研究者提出了基于图谱的方法，基于体素的方法等，这些方法大多使用单纯的数学方法，操作步骤繁多、流程复杂且容易出错，而且需要人为手动寻找标记点，手动寻找MR图像和CT图像上标记点的映射关系，耗费大量时间。此外，这些方法处理得到的图像精度普遍不高，而且MR图像与CT图像之间的关系复杂，难以采用一个解析式统一表达。
发明内容
本发明的目的在于提供一种CT图像预测模型的训练方法、装置、设备及存储介质，旨在解决由于现有技术中从MR图像预测CT图像的步骤繁琐、效率不高且精度不高的问题。
一方面，本发明提供了一种CT图像预测模型的训练方法，所述方法包括下述步骤：
从预先采集的样本数据中，获取MR图像和所述MR图像对应的CT图像，根据所述MR图像和所述MR图像对应的CT图像，生成训练样本集；
对所述训练样本集进行预处理，获得预处理后的所述训练样本集；
构建CT图像预测模型，对所述CT图像预测模型进行初始化，所述CT图像预测模型为U型结构的卷积神经网络；
根据所述预处理后的训练样本集，对所述CT图像预测模型进行有监督训练，获得训练好的所述CT图像预测模型。
另一方面，本发明提供了一种CT图像预测模型的训练装置，所述装置包括：
训练集生成单元，用于从预先采集的样本数据中，获取MR图像和所述MR图像对应的CT图像，根据所述MR图像和所述MR图像对应的CT图像，生成训练样本集；
训练集预处理单元，用于对所述训练样本集进行预处理，获得预处理后的所述训练样本集；
模型初始化单元，用于构建CT图像预测模型，对所述CT图像预测模型进行初始化，所述CT图像预测模型为U型结构的卷积神经网络；以及
模型训练单元，用于根据所述预处理后的训练样本集，对所述CT图像预测模型进行有监督训练，获得训练好的所述CT图像预测模型。
另一方面，本发明还提供了一种图像处理设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述CT图像预测模型的训练方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述CT图像预测模型的训练方法所述的步骤。
本发明根据样本数据中的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，对该模型进行初始化，通过预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。
附图说明
图1是本发明实施例一提供的CT图像预测模型的训练方法的实现流程图；
图2是本发明实施例一提供的CT图像预测模型的训练方法中CT图像预测模型的网络结构示例图；
图3是本发明实施例一提供的CT图像预测模型的训练方法中对CT图像预测模型进行训练的实验结果示例图；
图4是本发明实施例二提供的CT图像预测模型的训练装置的结构示意图；
图5是本发明实施例二提供的CT图像预测模型的训练装置的优选结构示意图；以及
图6是本发明实施例三提供的图像处理设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的CT图像预测模型的训练方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，从预先采集的样本数据中，获取MR图像和MR图像对应的CT图像，根据MR图像和MR图像对应的CT图像，生成训练样本集。
本发明实施例适用于图像数据处理平台、系统或设备。可从现有已公开或医院提供的医学图像库中采集样本数据，样本数据中包括多张MR图像和每帧MR图像对应的CT图像。
在本发明实施例中，由获得的MR图像和这些MR图像对应的CT图像，构成训练样本集。优选地，将从样本数据中获取的MR图像与这些MR图像对应的CT图像一一对应地进行配准，将配准后的MR图像设置为训练样本集中的训练样本，将配准后的MR图像对应的CT图像设置为训练样本集中训练样本对应的标签，从而为后续CT图像预测模型的有监督训练做准备，以提高后续CT图像预测模型的训练效果。
在步骤S102中，对训练样本集进行预处理，获得预处理后的训练样本集。
在本发明实施例中，对训练样本集中的训练样本进行预处理，优选地，获取所有训练样本上图像像素的最大值，将所有训练样本除以该最大值，得到训练样本对应的中间样本，由这些中间样本构成训练样本集对应的中间样本集，计算中间样本集的像素平均值和像素标准差，根据预设的中间样本处理公式，对中间样本集进行处理，处理后的中间样本集即预处理后的训练样本集，从而通过对训练样本集进行预处理，提高后续CT图像预测模型的训练效率和效果。其中，中间样本处理公式表示为：
B＝(A-μ)/σ，其中，A为中间样本集，μ为中间样本集的像素平均值，σ为中间样本集的像素标准差，B为预处理后的训练样本集。
在步骤S103中，构建CT图像预测模型，对CT图像预测模型进行初始化，CT图像预测模型为U型结构的卷积神经网络。
在本发明实施例中，CT图像预测模型为U型结构的多层卷积神经网络(例如34层卷积神经网络)，CT图像预测模型的第一层为输入层，中间层用于提取输入图像(此时输入图像为MR图像)的图像特征并对这些图像特征进行非线性映射，最后一层为输出层，用于输出MR图像对应的CT预测图像。
优选地，在CT图像预测模型中的每个卷积层之间引入残差项，从而提高CT图像预测模型的训练效率，并解决CT图像预测模型因网络层数目增加导致精度下降的问题。
又优选地，将修正线性单元(Rectified Linear Units，简称ReLU)设置为CT图像预测模型的激活函数，并在CT图像预测模型的每个卷积层加入批处理规范层(BatchNormalization，简称BN)，以降低CT图像预测模型训练时的反向传播过程中出现梯度问题的可能性。
作为示例地，图2为CT图像预测模型的网络结构示例图，在图2中，CT图像预测模型左右两侧各17个卷积层，输入256*256大小的MR图像，先经过卷积核大小为7*7的卷积层，得到64*64大小的图像，再依次经过BN层和ReLU单元，接着经过池化层进行池化，此后均采用卷积核大小为3*3的卷积层，每次卷积后均经过BN层和ReLU单元，网络层中间采用短连接结构(shortcut)进行连接，左右对应网络层之间采用串联结构(Concatenate)进行连接，以减少结构信息的丢失。
在本发明实施例中，构建好CT图像预测模型后，对CT图像预测模型进行初始化，优选地，采用已经训练好的VGG-16参数，对CT图像预测模型中预设卷积层(例如第2、3、6、7、10、11、14和15个卷积层)进行参数初始化，采用截尾正态分布对剩余卷积层进行参数初始化，从而提高CT图像预测模型的训练效果。
在步骤S104中，根据预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型。
在本发明实施例中，将预处理后的训练样本集中的训练样本(即MR图像)输入CT图像预测模型，获取CT图像预测模型输出的、训练样本对应的CT预测图像，根据训练样本对应的CT预测图像和训练样本对应的标签(即MR图像对应的CT图像)，通过预设的损失函数和预设的优化算法对CT图像预测模型的参数进行调整，即对CT图像预测模型进行训练。
优选地，优化算法为自适应矩估计(adaptive moment estimation，简称Adam)算法，损失函数为平均绝对误差(Mean Absolute Error，简称MAE)函数，从而有效地提高CT图像预测模型的训练效果，提高CT图像预测模型生成CT预测图像的质量和准确度。其中，平均绝对误差函数表示为：
Figure BDA0001716424210000061
其中，nsamples表示训练样本集中训练样本的数量，y表示作为训练样本集中标签的CT图像，
Figure BDA0001716424210000062
表示CT图像预测模型输出的CT预测图像，yi表示作为训练样本集中标签的第i张CT图像，
Figure BDA0001716424210000063
表示CT图像预测模型输出的第i张CT预测图像。
作为示例地，在具体实验过程中，获取T1加权MR图像、T1加权MR图像对应的CT图像、T2加权MR图像和T2加权MR图像对应的CT图像，将T1加权MR图像和T2加权MR图像设置为CT图像预测模型的训练样本，将T1加权MR图像对应的CT图像和T2加权MR图像设置训练样本对应的标签，对CT图像预测模型进行训练。图3为通过T1加权MR图像、T1加权MR图像对应的CT图像、T2加权MR图像和T2加权MR图像对应的CT图像，对CT图像预测模型进行训练的实验结果，在图3中，图(a)和图(b)的第一、二、三行分别为患者组织的横断面图像、冠状面图像和矢状面图像，CT原始图像即作为训练样本的标签的CT图像，CT预测图像即经CT图像预测模型预测得到的CT图像，差图为CT原始图像和CT预测图像之间的误差图像，因此，从图3可以看出，通过本发明实施例中的方法可训练得到一个效果不错的CT图像预测模型。
在本发明实施例中，通过训练好的CT图像预测模型，可对用户输入的MR图像进行处理，预测得到该MR图像对应的CT图像，从而通过CT图像预测模型，大大降低了CT图像预测的步骤复杂度，提高了CT图像预测的效果。
在本发明实施例中，根据样本数据中的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，对该模型进行初始化，通过预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。
实施例二：
图4示出了本发明实施例二提供的CT图像预测模型的训练装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
训练集生成单元41，用于从预先采集的样本数据中，获取MR图像和MR图像对应的CT图像，根据MR图像和MR图像对应的CT图像，生成训练样本集。
在本发明实施例中，可从现有已公开或医院提供的医学图像库中采集样本数据，样本数据中包括多张MR图像和每帧MR图像对应的CT图像。
在本发明实施例中，由获得的MR图像和这些MR图像对应的CT图像，构成训练样本集。优选地，将从样本数据中获取的MR图像与这些MR图像对应的CT图像一一对应地进行配准，将配准后的MR图像设置为训练样本集中的训练样本，将配准后的MR图像对应的CT图像设置为训练样本集中训练样本对应的标签，从而为后续CT图像预测模型的有监督训练做准备，以提高后续CT图像预测模型的训练效果。
训练集预处理单元42，用于对训练样本集进行预处理，获得预处理后的训练样本集。
在本发明实施例中，对训练样本集中的训练样本进行预处理，以通过对训练样本集进行预处理，提高后续CT图像预测模型的训练效率和效果。
模型初始化单元43，用于构建CT图像预测模型，对CT图像预测模型进行初始化，CT图像预测模型为U型结构的卷积神经网络。
在本发明实施例中，CT图像预测模型为U型结构的多层卷积神经网络(例如34层卷积神经网络)，CT图像预测模型的第一层为输入层，中间层用于提取输入图像(此时输入图像为MR图像)的图像特征并对这些图像特征进行非线性映射，最后一层为输出层，用于输出MR图像对应的CT预测图像。
优选地，在CT图像预测模型中的每个卷积层之间引入残差项，从而提高CT图像预测模型的训练效率，并解决CT图像预测模型因网络层数目增加导致精度下降的问题。
又优选地，将修正线性单元(Rectified Linear Units，简称ReLU)设置为CT图像预测模型的激活函数，并在CT图像预测模型的每个卷积层加入批处理规范层(BatchNormalization，简称BN)，以降低CT图像预测模型训练时的反向传播过程中出现梯度问题的可能性。
在本发明实施例中，构建好CT图像预测模型后，对CT图像预测模型进行初始化。
模型训练单元44，用于根据预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型。
在本发明实施例中，将预处理后的训练样本集中的训练样本(即MR图像)输入CT图像预测模型，获取CT图像预测模型输出的、训练样本对应的CT预测图像，根据训练样本对应的CT预测图像和训练样本对应的标签(即MR图像对应的CT图像)，通过预设的损失函数和预设的优化算法对CT图像预测模型的参数进行调整，即对CT图像预测模型进行训练。
优选地，优化算法为自适应矩估计(adaptive moment estimation，简称Adam)算法，损失函数为平均绝对误差(Mean Absolute Error，简称MAE)函数，从而有效地提高CT图像预测模型的训练效果，提高CT图像预测模型生成CT预测图像的质量和准确度。其中，平均绝对误差函数表示为：
Figure BDA0001716424210000091
其中，nsamples表示训练样本集中训练样本的数量，y表示作为训练样本集中标签的CT图像，
Figure BDA0001716424210000092
表示CT图像预测模型输出的CT预测图像，yi表示作为训练样本集中标签的第i张CT图像，
Figure BDA0001716424210000093
表示CT图像预测模型输出的第i张CT预测图像。
优选地，如图5所示，训练集预处理单元42包括：
训练集处理单元521，用于根据训练样本集中所有训练样本图像像素的最大值，对训练样本集进行处理，获得相应的中间样本集；以及
中间样本处理单元522，用于根据中间样本集的像素平均值和像素标准差，对中间样本集进行处理，获得预处理后的训练样本集。
在本发明实施例中，在对训练样本集中的训练样本进行预处理时，获取所有训练样本上图像像素的最大值，将所有训练样本除以该最大值，得到训练样本对应的中间样本，由这些中间样本构成训练样本集对应的中间样本集，计算中间样本集的像素平均值和像素标准差，根据预设的中间样本处理公式，对中间样本集进行处理，处理后的中间样本集即预处理后的训练样本集，从而通过对训练样本集进行预处理，提高后续CT图像预测模型的训练效率和效果。其中，中间样本处理公式表示为：
B＝(A-μ)/σ，其中，A为中间样本集，μ为中间样本集的像素平均值，σ为中间样本集的像素标准差，B为预处理后的训练样本集。
优选地，模型初始化单元43包括：
第一参数初始化单元531，用于采用预先训练好的VGG-16参数，对CT图像预测模型中的预设卷积层进行参数初始化；
第二参数初始化单元532，用于采用截尾正态分布，对CT图像预测模型中预设卷积层以外的剩余卷积层进行参数初始化。
在本发明实施例中，在对CT图像预测模型进行初始化时，采用已经训练好的VGG-16参数，对CT图像预测模型中预设卷积层(例如第2、3、6、7、10、11、14和15个卷积层)进行参数初始化，采用截尾正态分布对剩余卷积层进行参数初始化，从而提高CT图像预测模型的训练效果。
在本发明实施例中，根据样本数据中的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，对该模型进行初始化，通过预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。
在本发明实施例中，CT图像预测模型的训练装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图6示出了本发明实施例三提供的图像处理设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的图像处理设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。该处理器60执行计算机程序62时实现上述方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器60执行计算机程序62时实现上述装置实施例中各单元的功能，例如图4所示单元41至44的功能。
在本发明实施例中，根据样本数据中的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，对该模型进行初始化，通过预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。
实施例四：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤，例如，图1所示的步骤S101至S104。或者，该计算机程序被处理器执行时实现上述装置实施例中各单元的功能，例如图4所示单元41至44的功能。
在本发明实施例中，根据样本数据中的MR图像和MR图像对应的CT图像，生成训练样本集，对训练样本集进行预处理，构建CT图像预测模型，对该模型进行初始化，通过预处理后的训练样本集，对CT图像预测模型进行有监督训练，获得训练好的CT图像预测模型，CT图像预测模型为U型结构的卷积神经网络，从而通过训练得到的CT图像预测模型，能够直接预测得到MR图像对应的CT图像，有效地降低了CT图像预测的复杂度和成本，提高了CT图像预测的效率和精度。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种CT图像预测模型的训练方法，其特征在于，所述方法包括下述步骤：
从预先采集的样本数据中，获取MR图像和所述MR图像对应的CT图像，根据所述MR图像和所述MR图像对应的CT图像，生成训练样本集；
对所述训练样本集进行预处理，获得预处理后的所述训练样本集；
构建CT图像预测模型，对所述CT图像预测模型进行初始化，所述CT图像预测模型为U型结构的卷积神经网络；
根据所述预处理后的训练样本集，对所述CT图像预测模型进行有监督训练，通过预设的损失函数和预设的优化算法对CT图像预测模型的参数进行调整，获得训练好的所述CT图像预测模型；
其中，对所述训练样本集进行预处理的步骤，包括：
根据所述训练样本集中所有训练样本的像素最大值，对所述训练样本集进行处理，获得相应的中间样本集；
根据所述中间样本集的像素平均值和像素标准差，对所述中间样本集进行处理，获得所述预处理后的训练样本集；
其中，所述CT图像预测模型的第一层为输入层，中间层用于提取MR图像的图像特征并对所述图像特征进行非线性映射，最后一层为输出层，用于输出所述MR图像对应的CT预测图像，网络层中间采用短连接结构进行连接，左右对应网络层之间采用串联结构进行连接；
在所述CT图像预测模型中的每个卷积层之间引入残差项，并在每个卷积层加入批处理规范层，将修正线性单元设置为所述CT图像预测模型的激活函数。
2.如权利要求1所述的方法，其特征在于，根据所述MR图像和所述MR图像对应的CT图像，生成训练样本集的步骤，包括：
将所述MR图像与所述MR图像对应的CT图像进行配准；
将配准后的所述MR图像设置为所述训练样本集中的训练样本，将配准后的所述MR图像对应的CT图像设置为所述训练样本集中训练样本对应的标签。
3.如权利要求1所述的方法，其特征在于，对所述CT图像预测模型进行有监督训练，具体包括：
将预处理后的训练样本集中的MR图像输入所述CT图像预测模型，获取所述CT图像预测模型输出的、MR图像对应的CT预测图像；
根据MR图像对应的CT预测图像和MR图像对应的标签，通过预设的损失函数和预设的优化算法对所述CT图像预测模型的参数进行调整。
4.如权利要求1所述的方法，其特征在于，对所述CT图像预测模型进行初始化的步骤，包括：
采用预先训练好的VGG-16参数，对所述CT图像预测模型中的预设卷积层进行参数初始化；
采用截尾正态分布，对所述CT图像预测模型中所述预设卷积层以外的剩余卷积层进行参数初始化。
5.如权利要求1所述的方法，其特征在于，对所述CT图像预测模型进行有监督训练的步骤，包括：
根据所述预处理后的训练样本集、预设的优化算法和预设的损失函数，对所述CT图像预测模型进行有监督训练，所述优化算法为自适应矩估计算法，所述损失函数为平均绝对误差函数。
6.一种CT图像预测模型的训练装置，其特征在于，所述装置包括：
训练集生成单元，用于从预先采集的样本数据中，获取MR图像和所述MR图像对应的CT图像，根据所述MR图像和所述MR图像对应的CT图像，生成训练样本集；
训练集预处理单元，用于对所述训练样本集进行预处理，获得预处理后的所述训练样本集；
模型初始化单元，用于构建CT图像预测模型，对所述CT图像预测模型进行初始化，所述CT图像预测模型为U型结构的卷积神经网络；以及
模型训练单元，用于根据所述预处理后的训练样本集，对所述CT图像预测模型进行有监督训练，通过预设的损失函数和预设的优化算法对CT图像预测模型的参数进行调整，获得训练好的所述CT图像预测模型；
所述训练集预处理单元包括：
训练集处理单元，用于根据所述训练样本集中所有训练样本图像像素的最大值，对所述训练样本集进行处理，获得相应的中间样本集；以及
中间样本处理单元，用于根据所述中间样本集的像素平均值和像素标准差，对所述中间样本集进行处理，获得所述预处理后的训练样本集；
其中，所述CT图像预测模型的第一层为输入层，中间层用于提取MR图像的图像特征并对所述图像特征进行非线性映射，最后一层为输出层，用于输出所述MR图像对应的CT预测图像，网络层中间采用短连接结构进行连接，左右对应网络层之间采用串联结构进行连接；
在所述CT图像预测模型中的每个卷积层之间引入残差项，并在每个卷积层加入批处理规范层，将修正线性单元设置为所述CT图像预测模型的激活函数。
7.如权利要求6所述的装置，其特征在于，所述模型训练单元具体包括：
将预处理后的训练样本集中的MR图像输入所述CT图像预测模型，获取所述CT图像预测模型输出的、MR图像对应的CT预测图像；
根据MR图像对应的CT预测图像和MR图像对应的标签，通过预设的损失函数和预设的优化算法对所述CT图像预测模型的参数进行调整。
8.如权利要求6所述的装置，其特征在于，所述模型初始化单元包括：
第一参数初始化单元，用于采用预先训练好的VGG-16参数，对所述CT图像预测模型中的预设卷积层进行参数初始化；
第二参数初始化单元，用于采用截尾正态分布，对所述CT图像预测模型中所述预设卷积层以外的剩余卷积层进行参数初始化。
9.一种图像处理设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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5任一项所述方法的步骤。
CN201810710472.4A 2018-07-02 2018-07-02 Ct图像预测模型的训练方法、装置、设备及存储介质 Active CN109215014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810710472.4A CN109215014B (zh) 2018-07-02 2018-07-02 Ct图像预测模型的训练方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810710472.4A CN109215014B (zh) 2018-07-02 2018-07-02 Ct图像预测模型的训练方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109215014A CN109215014A (zh) 2019-01-15
CN109215014B true CN109215014B (zh) 2022-03-04

Family

ID=64989794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810710472.4A Active CN109215014B (zh) 2018-07-02 2018-07-02 Ct图像预测模型的训练方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109215014B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109893784A (zh) * 2019-04-19 2019-06-18 深圳先进技术研究院 一种实现超声穿颅聚焦的方法以及电子设备
CN110223280B (zh) * 2019-06-03 2021-04-13 Oppo广东移动通信有限公司 静脉血栓检测方法和静脉血栓检测装置
CN110322528B (zh) * 2019-06-26 2021-05-14 浙江大学 基于3t、7t的核磁共振脑部图像血管重建方法
CN110400298B (zh) * 2019-07-23 2023-10-31 中山大学 心脏临床指标的检测方法、装置、设备及介质
CN111445447B (zh) * 2020-03-16 2024-03-01 东软医疗系统股份有限公司 一种ct图像异常检测方法及装置
CN113012252A (zh) * 2021-03-24 2021-06-22 苏州深透智能科技有限公司 一种spect成像预测模型创建方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853493A (zh) * 2009-10-21 2010-10-06 首都医科大学 医学图像中结节的多维度纹理提取方法
CN103425896A (zh) * 2013-08-31 2013-12-04 西安电子科技大学 一种产品参数成品率估计方法
CN104794739A (zh) * 2015-05-03 2015-07-22 南方医科大学 基于局部稀疏对应点组合的从mr图像预测ct图像的方法
CN104956398A (zh) * 2013-01-30 2015-09-30 因派克医药系统有限公司 用于使用不同类型的图像来生成导出的图像的方法和设备
CN106133790A (zh) * 2014-03-28 2016-11-16 皇家飞利浦有限公司 用于在组织种类分离的帮助下基于磁共振图像生成一幅或多幅计算机断层摄影图像的方法和设备
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107519585A (zh) * 2017-09-28 2017-12-29 徐榭 一种基于MRI‑Only的核磁引导放射治疗的三维剂量验证方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10453200B2 (en) * 2016-11-02 2019-10-22 General Electric Company Automated segmentation using deep learned priors
US11832969B2 (en) * 2016-12-22 2023-12-05 The Johns Hopkins University Machine learning approach to beamforming

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853493A (zh) * 2009-10-21 2010-10-06 首都医科大学 医学图像中结节的多维度纹理提取方法
CN104956398A (zh) * 2013-01-30 2015-09-30 因派克医药系统有限公司 用于使用不同类型的图像来生成导出的图像的方法和设备
CN103425896A (zh) * 2013-08-31 2013-12-04 西安电子科技大学 一种产品参数成品率估计方法
CN106133790A (zh) * 2014-03-28 2016-11-16 皇家飞利浦有限公司 用于在组织种类分离的帮助下基于磁共振图像生成一幅或多幅计算机断层摄影图像的方法和设备
CN104794739A (zh) * 2015-05-03 2015-07-22 南方医科大学 基于局部稀疏对应点组合的从mr图像预测ct图像的方法
CN107016665A (zh) * 2017-02-16 2017-08-04 浙江大学 一种基于深度卷积神经网络的ct肺结节检测方法
CN107519585A (zh) * 2017-09-28 2017-12-29 徐榭 一种基于MRI‑Only的核磁引导放射治疗的三维剂量验证方法
CN108171320A (zh) * 2017-12-06 2018-06-15 西安工业大学 一种基于生成式对抗网络的图像域转换网络和转换方法

Also Published As

Publication number Publication date
CN109215014A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109215014B (zh) Ct图像预测模型的训练方法、装置、设备及存储介质
Harms et al. Paired cycle‐GAN‐based image correction for quantitative cone‐beam computed tomography
US11756160B2 (en) ML-based methods for pseudo-CT and HR MR image estimation
Han MR‐based synthetic CT generation using a deep convolutional neural network method
Kida et al. Cone beam computed tomography image quality improvement using a deep convolutional neural network
Wang et al. 3D auto-context-based locality adaptive multi-modality GANs for PET synthesis
Emami et al. Generating synthetic CTs from magnetic resonance images using generative adversarial networks
CN107610195B (zh) 图像转换的系统和方法
Liu SUSAN: segment unannotated image structure using adversarial network
CN110249365B (zh) 用于图像重建的系统和方法
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
CN112368738B (zh) 用于图像优化的系统和方法
US10867375B2 (en) Forecasting images for image processing
CN112770838A (zh) 使用自关注深度学习进行图像增强的系统和方法
EP3338636B1 (en) An apparatus and associated method for imaging
CN111340903B (zh) 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统
CN111127521A (zh) 用于生成和跟踪目标的形状的系统和方法
KR102428725B1 (ko) 영상 개선 방법 및 이를 수행하는 컴퓨터 프로그램
US20240298990A1 (en) Generating synthetic electron density images from magnetic resonance images
CN111275783B (zh) 磁共振图像的相位解缠方法、装置及磁共振成像系统
CN110874855B (zh) 一种协同成像方法、装置、存储介质和协同成像设备
CN110270015B (zh) 一种基于多序列MRI的sCT生成方法
Lei et al. Generative adversarial network for image synthesis
KR102090690B1 (ko) 인공신경망을 이용한 자기 공명 영상의 영상 프로토콜 선택 장치와 방법 및 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
US20220292673A1 (en) On-Site training of a machine-learning algorithm for generating synthetic imaging data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant