The invention is applicable to the field of medical image processing technology, and provides a training method, device, equipment and storage medium of CT image prediction model. The method includes: generating training sample set according to CT images corresponding to MR images and MR images, preprocessing training sample set, constructing CT image prediction model, initializing CT image prediction model, and according to pre-processing. After the training sample set is processed, the CT image prediction model is supervised and trained, and the trained CT image prediction model is obtained. The CT image prediction model is a convolutional neural network with U-shaped structure. The CT image prediction model obtained through the training can directly predict the corresponding CT image of MR image, which effectively reduces the complexity and cost of CT image prediction and improves the CT image. Like the efficiency and accuracy of prediction.
【技术实现步骤摘要】
CT图像预测模型的训练方法、装置、设备及存储介质
本专利技术属于医学图像处理
,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。
技术介绍
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(MagneticResonance,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。
技术实现思路
本专利技术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。 ...
【技术保护点】
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,获得训练好的所述CT图像预测模型。
【技术特征摘要】
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,获得训练好的所述CT图像预测模型。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。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...
【专利技术属性】
技术研发人员:李文,李雅芬,谢耀钦,熊璟,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。