CT图像预测模型的训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术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。

Training Method, Device, Equipment and Storage Medium of CT Image Prediction Model

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。一方面，本专利技术提供了一种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，本专利技术提供了一种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，本专利技术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，本专利技术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。本专利技术根据样本数据中的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是本专利技术实施例一提供的CT图像预测模型的训练方法的实现流程图；图2是本专利技术实施例一提供的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是本专利技术实施例一提供的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是本专利技术实施例二提供的CT图像预测模型的训练装置的结构示意图；图5是本专利技术实施例二提供的CT图像预测模型的训练装置的优选结构示意图；以及图6是本专利技术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专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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专利技术，并不用于限定本专利技术。以下结合具体实施例对本专利技术的具体实现进行详细描述：实施例一：图1示出了本专利技术实施例一提供的CT图像预测模型的训练方法的实现流程，为了便于说明，仅示出了与本专利技术实施例相关的部分，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。本专利技术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。在本专利技术实施例中，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。在本专利技术实施例中，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。在本专利技术实施例中，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(RectifiedLinearUnits，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本文档来自技高网...

【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