神经网络训练方法、系统、可读存储介质和设备技术方案

本申请涉及一种神经网络训练方法、系统、可读存储介质和设备，属于医疗影像技术领域，获取医学扫描的多类训练数据样本，一类训练数据样本针对一种显像剂，每类训练数据包括性能参数水平不同的两种重建图像，以第一显像剂和第二显像剂为例，根据第一显像剂的训练数据样本和第二显像剂的训练数据样本对初始化神经网络模型进行训练，利用训练过程中神经网络输出的预测输出图像和第二显像剂的重建图像的差异调整初始化神经网络模型的训练参数，获取目标神经网络。通过本申请提供的神经网络训练方法得到的目标神经网络，可以对利用第二显像剂进行PET扫描成像的数据进行有效的图像重建。建。建。

【技术实现步骤摘要】
神经网络训练方法、系统、可读存储介质和设备


[0001]本申请涉及医疗影像
，特别是涉及一种神经网络训练方法、系统、可读存储介质和设备。

技术介绍

[0002]PET(Positron Emission Tomography，正电子发射计算机断层扫描)是医学领域中较为先进的临床检查影像技术，目前已被广泛应用于医学领域的诊断和研究。
[0003]在通过PET系统对生物体进行扫描前，先给生物体注射含有放射性核素的显像剂，显像剂在生物体内会发生衰变并产生正电子，接着衰变后产生的正电子在行进十分之几毫米到几毫米后，与生物体内的电子相遇，发生正负电子对湮灭反应，从而生成一对方向相反、能量相同的光子，这一对光子穿过生物体组织，被PET系统的探测器接收，并经计算机进行散射和随机信息的校正，以通过相应的图像重建算法生成能够反映显像剂在生物体内分布的图像。
[0004]PET检查的原理是借助于PET显像剂可以聚集到病变部位的特点来发现病灶，它可以从分子水平动态无创定量地观察药物及其代谢产物在人体内的生理、生化变化。PET显像剂有多种不同的类型，不同显像剂成像机理不同，成像效果也大相径庭，通常用一种显像剂的图像进行训练的神经网络不能直接用于其他显像剂。由于在PET成像中一般采用糖代谢显像剂(2-18F-FDG)，其他显像剂较为少用，其他显像剂的相应数据获取难度高，如部分显像剂难以获得优质图像(以Yttrium-90为例，它在衰变时可用于PET成像的分支比仅为百万分之三)，部分显像剂只有少数机构有能力制备，数据收集困难，因而相应的神经网络也难以获取。目前业界对此尚未提出有效的解决方案。

技术实现思路

[0005]基于此，有必要针对传统的部分显像剂难以应用在神经网络中的问题，提供一种神经网络训练方法、系统、可读存储介质和设备。
[0006]第一方面，本申请提供了一种神经网络训练方法，包括以下步骤：
[0007]获取医学扫描的多类训练数据样本，其中一类训练数据样本包括针对第一显像剂的第一重建图像和第二重建图像，第一重建图像的性能参数低于第二重建图像的性能参数；另一类训练数据样本包括针对第二显像剂的第三重建图像和第四重建图像，第三重建图像的性能参数低于第四重建图像的性能参数；
[0008]获取初始化神经网络模型，将第一重建图像和第三重建图像作为输入训练样本，将第二重建图像和第四重建图像作为输出目标样本，对初始化神经网络模型进行训练；
[0009]在训练过程中，获取初始化神经网络模型在输入第三重建图像时的第一预测输出图像，根据第一预测输出图像和第四重建图像获取第一预测偏差值；
[0010]根据第一预测偏差值调整初始化神经网络模型的训练参数，获取目标神经网络。
[0011]在其中一个实施例中，获取医学扫描的多类训练数据样本包括以下步骤：
[0012]获取针对第一显像剂的N套分别包含预设计数量的第一扫描测量数据，在每一套第一扫描测量数据中，根据第一扫描测量数据获取第二重建图像；对第一扫描测量数据进行降采样，获取第二扫描测量数据，根据第二扫描测量数据获取第一重建图像；
[0013]获取针对第二显像剂的M套分别包含预设计数量的第三扫描测量数据，在每一套第三扫描测量数据中，根据第三扫描测量数据获取第四重建图像；对第三扫描测量数据进行降采样，获取第四扫描测量数据，根据第四扫描测量数据获取第三重建图像；
[0014]其中，N和M均为正整数，且N大于M。
[0015]在其中一个实施例中，根据第一预测输出图像和第四重建图像获取第一预测偏差值包括以下步骤：
[0016]获取第一预测输出图像和第四重建图像的图像像素差；
[0017]获取另一类训练数据样本中每一套训练数据样本的权重，其中，另一类训练数据样本包括多套训练数据样本；
[0018]根据图像像素差和对应的训练数据样本的权重获取第一预测偏差值。
[0019]在其中一个实施例中，根据第一预测偏差值调整初始化神经网络模型的训练参数包括以下步骤：
[0020]对初始化神经网络模型进行迭代训练，根据迭代过程中第一预测偏差值的变化确定调节因子，根据调节因子对各类训练数据样本中每一套训练数据样本的权重进行调整。
[0021]在其中一个实施例中，神经网络训练方法还包括以下步骤：
[0022]在训练过程中，获取初始化神经网络模型在输入第一重建图像时的第二预测输出图像，根据第二预测输出图像和第二重建图像获取第二预测偏差值；
[0023]获取各类训练数据样本中每一套训练数据样本的权重，根据第二预测偏差值、第一预测偏差值和对应的训练数据样本的权重获取神经网络的损失函数；
[0024]根据损失函数调整初始化神经网络模型的训练参数。
[0025]第二方面，本申请提供了一种神经网络训练方法，包括以下步骤：
[0026]获取医学扫描的多类训练数据样本，其中一类训练数据样本包括针对第一显像剂的第一重建图像和第二重建图像，第一重建图像的性能参数低于第二重建图像的性能参数；另一类训练数据样本包括针对第二显像剂的第三重建图像和第四重建图像，第三重建图像的性能参数低于第四重建图像的性能参数；
[0027]获取初始化神经网络模型，将第一重建图像作为输入训练样本，将第二重建图像作为输出目标样本，对初始化神经网络模型进行训练，获取中间神经网络；
[0028]将中间神经网络中的部分计算层参数固定，将第三重建图像作为输入训练样本，将第四重建图像作为输出目标样本，对固定参数后的中间神经网络模型进行训练，获取目标神经网络。
[0029]第三方面，本申请提供了一种神经网络训练系统，包括：
[0030]样本获取单元，用于获取医学扫描的多类训练数据样本，其中一类训练数据样本包括针对第一显像剂的第一重建图像和第二重建图像，第一重建图像的性能参数低于第二重建图像的性能参数；另一类训练数据样本包括针对第二显像剂的第三重建图像和第四重建图像，第三重建图像的性能参数低于第四重建图像的性能参数；
[0031]第一模型训练单元，用于获取初始化神经网络模型，将第一重建图像和第三重建
图像作为输入训练样本，将第二重建图像和第四重建图像作为输出目标样本，对初始化神经网络模型进行训练；
[0032]网络获取单元，用于在训练过程中，获取初始化神经网络模型在输入第三重建图像时的第一预测输出图像，根据第一预测输出图像和第四重建图像获取第一预测偏差值；根据第一预测偏差值调整初始化神经网络模型的训练参数，获取目标神经网络。
[0033]在其中一个实施例中，样本获取单元还用于获取针对第一显像剂的N套分别包含预设计数量的第一扫描测量数据，在每一套第一扫描测量数据中，根据第一扫描测量数据获取第二重建图像；对第一扫描测量数据进行降采样，获取第二扫描测量数据，根据第二扫描测量数据获取第一重建图像；
[0034]样本获取单元还用于获取针对第二显像剂的M套分别包含预设计数量的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络训练方法，其特征在于，所述方法包括以下步骤：获取医学扫描的多类训练数据样本，其中一类训练数据样本包括针对第一显像剂的第一重建图像和第二重建图像，所述第一重建图像的性能参数低于所述第二重建图像的性能参数；另一类训练数据样本包括针对第二显像剂的第三重建图像和第四重建图像，所述第三重建图像的性能参数低于所述第四重建图像的性能参数；获取初始化神经网络模型，将所述第一重建图像和所述第三重建图像作为输入训练样本，将所述第二重建图像和所述第四重建图像作为输出目标样本，对所述初始化神经网络模型进行训练；在训练过程中，获取所述初始化神经网络模型在输入所述第三重建图像时的第一预测输出图像，根据所述第一预测输出图像和所述第四重建图像获取第一预测偏差值；根据所述第一预测偏差值调整所述初始化神经网络模型的训练参数，获取目标神经网络。2.根据权利要求1所述的神经网络训练方法，其特征在于，所述获取医学扫描的多类训练数据样本包括以下步骤：获取针对所述第一显像剂的N套分别包含预设计数量的第一扫描测量数据，在每一套第一扫描测量数据中，根据所述第一扫描测量数据获取所述第二重建图像；对所述第一扫描测量数据进行降采样，获取第二扫描测量数据，根据所述第二扫描测量数据获取所述第一重建图像；获取针对所述第二显像剂的M套分别包含预设计数量的第三扫描测量数据，在每一套第三扫描测量数据中，根据所述第三扫描测量数据获取所述第四重建图像；对所述第三扫描测量数据进行降采样，获取第四扫描测量数据，根据所述第四扫描测量数据获取所述第三重建图像；其中，N和M均为正整数，且N大于M。3.根据权利要求1所述的神经网络训练方法，其特征在于，所述根据所述第一预测输出图像和所述第四重建图像获取第一预测偏差值包括以下步骤：获取所述第一预测输出图像和所述第四重建图像的图像像素差；获取所述另一类训练数据样本中每一套训练数据样本的权重，其中，所述另一类训练数据样本包括多套训练数据样本；根据所述图像像素差和对应的训练数据样本的权重获取所述第一预测偏差值。4.根据权利要求3所述的神经网络训练方法，其特征在于，所述根据所述第一预测偏差值调整所述初始化神经网络模型的训练参数包括以下步骤：对所述初始化神经网络模型进行迭代训练，根据迭代过程中所述第一预测偏差值的变化确定调节因子，根据所述调节因子对各类训练数据样本中每一套训练数据样本的权重进行调整。5.根据权利要求1所述的神经网络训练方法，其特征在于，所述方法还包括以下步骤：在训练过程中，获取所述初始化神经网络模型在输入所述第一重建图像时的第二预测输出图像，根据所述第二预测输出图像和所述第二重建图像获取第二预测偏差值；获取各类训练数据样本中每一套训练数据样本的权重，根据所述第二预测偏差值、所述第一预测偏差值和对应的训练数据样本的权重获取神经网络的损失函数；
根据所述损失函数调整所述初始化神经网络模型的训练参数。6.一种神经网络训练方法...

【专利技术属性】
技术研发人员：吕杨，奚臣，
申请(专利权)人：上海联影医疗科技股份有限公司，
类型：发明
国别省市：