【技术实现步骤摘要】
神经网络训练方法和设备、图像处理方法和设备以及介质
本公开的实施例涉及辐射成像，具体涉及一种用于训练神经网络的方法和设备、图像处理方法和设备、以及存储介质。
技术介绍
X光断层成像技术(X-RayComputedTomography，X-CT)应用于医疗、安检、工业无损检测等领域，已有几十年的历史。由于多种物理因素如束流硬化、光子数过少、散射、数据采样率不足等的影响，CT重建图像中可能出现伪影(Artifacts)，会降低图像质量，从而影响医生等使用者的判断。CT图像中的伪影有很多种，包括条状和带状伪影、风车伪影、环状伪影和运动模糊等。在过去的几十年里，针对CT图像中的伪影，研究了许多伪影抑制方法。这些方法依赖于对CT扫描中的物理因素的建模，在CT成像的不同阶段进行校正。尽管其中一些方法成功部署在商用CT设备中，但这些传统的伪影抑制方法的性能并不能让人满意。由于对物理作用的建模无法做到完全准确，只是某种意义上的近似，故传统的伪影抑制算法的准确性不足，从而导致实用价值不高。
技术实现思路
根据本公开...
【技术保护点】
1.一种用于训练神经网络的方法，包括：/n构建主干网络和域分类器；其中，所述主干网络用于对带伪影CT图像进行处理，得到伪影抑制CT图像，所述域分类器用于对所述主干网络的域适应层的输出进行处理，得到对于所述带伪影CT图像所属类别的判别结果，所述域适应层用于提取所述带伪影CT图像的伪影特征，所述类别包括：带仿真伪影的CT图像和带实际伪影的CT图像；/n对所述主干网络和所述域分类器进行联合训练，以便基于损失函数对所述主干网络和所述域分类器的参数进行调整；以及/n当所述损失函数实现收敛时确定训练完成，将训练得到的所述主干网络作为所述目标神经网络。/n
【技术特征摘要】
1.一种用于训练神经网络的方法，包括：
构建主干网络和域分类器；其中，所述主干网络用于对带伪影CT图像进行处理，得到伪影抑制CT图像，所述域分类器用于对所述主干网络的域适应层的输出进行处理，得到对于所述带伪影CT图像所属类别的判别结果，所述域适应层用于提取所述带伪影CT图像的伪影特征，所述类别包括：带仿真伪影的CT图像和带实际伪影的CT图像；
对所述主干网络和所述域分类器进行联合训练，以便基于损失函数对所述主干网络和所述域分类器的参数进行调整；以及
当所述损失函数实现收敛时确定训练完成，将训练得到的所述主干网络作为所述目标神经网络。
2.如权利要求1所述的方法，其中，所述域适应层包括：所述主干网络的前第一预定数量个网络层。
3.如权利要求2所述的方法，其中，所述域分类器包括特征组合层和判别模块，所述域适应层的输出包括：所述域适应层中的第一预定数量个网络层的输出特征；
所述域分类器用于对所述主干网络的域适应层的输出进行处理包括：所述域分类器用于将所述第一预定数量个网络层的输出特征作为输入，利用所述特征组合层对所述第一预定数量个网络层的输出特征进行组合得到组合特征，并利用所述判别模块确定所述组合特征所属类别。
4.如权利要求1所述的方法，其中，所述对所述主干网络和所述域分类器进行联合训练，以便基于损失函数对所述主干网络和所述域分类器的参数进行调整包括：
对所述主干网络进行有监督训练，以便基于第一损失函数对所述主干网络的参数进行调整；以及
对所述域适应层和所述域分类器进行对抗训练，以便基于第二损失函数对所述域适应层和所述域分类器的参数进行调整；
所述当所述损失函数实现收敛时确定训练完成包括：当所述第一损失函数和所述第二损失函数实现收敛时，确定训练完成。
5.如权利要求4所述的方法，还包括：
在所述对所述主干网络和所述域分类器进行联合训练之前，对所述主干网络进行初步有监督训练；
所述对所述主干网络和所述域分类器进行联合训练包括：当所述初步有监督训练进行第二预定数量次时，对所述主干网络和所述域分类器进行联合训练。
6.如权利要求4或5所述的方法，其中，所述对所述主干网络进行有监督训练包括：
获取多个无伪影CT图像；
分别对所述多个无伪影CT图像进行伪影仿真，得到针对所述多个无伪影CT图像的多个带仿真伪影的CT图像；
将所述多个带仿真伪影的CT图像作为多个训练...
【专利技术属性】
技术研发人员：邢宇翔，杜牧歌，高河伟，刘以农，张丽，梁凯超，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
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。