MR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MR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：从预先采集的样本数据中获取CT图像和CT图像对应的MR图像，以生成训练样本集，构建MR图像预测模型并对该模型进行初始化，根据训练样本集对初始化后的MR图像预测模型进行训练，获得训练好的MR图像预测模型，MR图像预测模型为U型网络结构的卷积神经网络，从而通过训练好的MR图像预测模型实现由CT图像预测得到对应的MR图像，预测效率较高且预测得到的MR图像质量较佳，进而通过结合CT图像和预测得到的MR图像，降低患者的看病成本，提高了医生的治疗效果。

【技术实现步骤摘要】
MR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MR图像预测模型的训练方法、装置、设备及存储介质。
技术介绍
CT图像可以在安全的辐射范围内对人体高密度组织具有较好的成像效果，且其成像速度较快，常被用于临床诊断，但对于低密度的软组织成像效果不佳。MR图像具有较高的软组织对比度，但其成像时间长、价格昂贵，且对于患有幽闭恐惧症或带有心脏起搏器等体内铁磁性异物的患者不能采集MR图像。临床中为了诊断病情，医生往往需要了解患者周围软组织的情况，因此在采集CT图像时需要额外采集患者的MR图像，但这也同时增加了患者看病的经济成本和时间成本。在放疗中需要在治疗前对患者进行摆位，正确的摆位能够确保射线更精确地照射靶区，避免或减少对周围正常组织的照射。临床中常借助CT图像做影像引导，对患者进行摆位，但CT图像对于软组织的分辨率不高，对于头部等软组织肿瘤患者很难利用CT图像界定肿瘤的精确位置。若不能进行精确摆位，放疗过程中射线可能危及周围组织，造成严重后果。MR图像具有较高的软组织对比度，可以明确脑部肿瘤位置，更精确地对患者进行摆位，由于MR设备的强磁场与本文档来自技高网...

【技术保护点】
1.一种MR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CT图像和所述CT图像对应的MR图像，根据所述CT图像和所述CT图像对应的MR图像，生成训练样本集；构建MR图像预测模型，并对所述MR图像预测模型进行初始化，所述MR图像预测模型为U型网络结构的卷积神经网络；根据所述训练样本集，对初始化后的所述MR图像预测模型进行有监督训练，获得训练好的MR图像预测模型。

【技术特征摘要】
1.一种MR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CT图像和所述CT图像对应的MR图像，根据所述CT图像和所述CT图像对应的MR图像，生成训练样本集；构建MR图像预测模型，并对所述MR图像预测模型进行初始化，所述MR图像预测模型为U型网络结构的卷积神经网络；根据所述训练样本集，对初始化后的所述MR图像预测模型进行有监督训练，获得训练好的MR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CT图像和所述CT图像对应的MR图像，生成训练样本集的步骤，包括：将所述CT图像与所述CT图像对应的MR图像进行配准；将配准后的所述CT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CT图像对应的MR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MR图像预测模型进行初始化的步骤，包括：根据预设的正态分布，对所述MR图像预测模型的卷积核进行初始化。4.如权利要求3所述的方法，其特征在于，所述正态分布的均值和标准差分别为0和其中，所述n表示所述MR图像预测模型中输入单元的数目。5.如权利要求1所述的方法，其特征在于，对初始化后的所述MR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MR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...

【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