本申请实施例公开了一种施源器自动重建方法和装置，所述方法包括：获取训练数据集，训练数据集中包含多组CT样本图像组，每组CT样本图像组中的施源器的类型不同，每组CT样本图像组中包含多个CT样本图像和每个CT样本图像对应的标签真值图；将训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图；根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值；利用损失值对初始施源器重建模型的参数进行优化，得到施源器重建模型；将采集的CT图像输入施源器重建模型，输出CT图像的施源器重建CT图像。输出CT图像的施源器重建CT图像。输出CT图像的施源器重建CT图像。
【技术实现步骤摘要】
一种施源器自动重建方法和装置
[0001]本申请涉及深度学习领域，尤其涉及一种施源器自动重建方法和装置。
技术介绍
[0002]目前在近距离放疗中对施源器进行重建，大多依靠物理师人工来完成。然而受物理师主观因素等的影响，存在重建效率慢、误差大等缺点。因此迫切需要一种施源器自动重建方法，能够在解放物理师劳动密集型工作的同时，提高施源器重建的准确率。
技术实现思路
[0003]本申请提供一种施源器自动重建方法和装置，以解决上述的技术问题。
[0004]为此，本申请实施例一方面提供一种施源器自动重建方法，所述方法包括：获取训练数据集，所述训练数据集中包含多组CT样本图像组，每组CT样本图像组中的施源器的类型不同，所述每组CT样本图像组中包含多个CT样本图像和每个CT样本图像对应的标签真值图；将所述训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图；根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值；利用所述损失值对所述初始施源器重建模型的参数进行优化，得到施源器重建模型；将采集的CT图像输入所述施源器重建模型，输出所述CT图像的施源器重建CT图像。
[0005]其中，所述获取训练数据集之后，还包括：对所述训练数据集中的每个CT样本图像进行直方图均衡化处理；将所述每个CT样本图像和每个CT样本图像对应的标签真值图的中心点作为裁剪中心点，按照预设尺寸进行裁剪；对裁剪后的每个CT样本图像和每个CT样本图像对应的标签真值图进行数据增强处理。
[0006]其中，所述将所述训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图，包括：利用所述初始施源器重建模型从所述CT样本图像进行特征提取，得到特征数据；将所述特征数据输入激活函数，输出所述CT样本图像的预测真值图。
[0007]其中，所述根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值，包括：根据每个CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定该CT样本图像的子损失值；
根据所有CT样本图像的子损失值、预设值确定所述训练数据集的损失值。
[0008]其中，所述利用所述损失值对所述初始施源器重建模型的参数进行优化，得到施源器重建模型，包括：利用所述损失值对所述初始施源器重建模型的参数进行优化；判断所述初始施源器重建模型是否收敛；若否，则利用优化后的初始施源器重建模型对所述训练数据集进行重建，并重新计算损失值；利用重新计算的损失值对所述优化后的初始施源器重建模型的参数进行优化；直到所述初始施源器重建模型收敛，得到所述施源器重建模型本申请实施例另一方面提供一种施源器自动重建装置，所述装置包括：采集模块，用于获取训练数据集，所述训练数据集中包含多组CT样本图像，每组CT样本图像中的施源器的类型不同，所述每组CT样本图像中包含多个CT样本图像和每个CT样本图像对应的标签真值图；深度学习模块，用于将所述训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图；计算模块，用于根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值；所述深度学习模块，还用于利用所述损失值对所述初始施源器重建模型的参数进行优化，得到施源器重建模型；所述深度学习模块，还用于将采集的CT图像输入所述施源器重建模型，输出所述CT图像的施源器重建CT图像。
[0009]其中，还包括：处理模块，用于对所述训练数据集中的每个CT样本图像进行直方图均衡化处理；所述处理模块，还用于将所述每个CT样本图像和每个CT样本图像对应的标签真值图的中心点作为裁剪中心点，按照预设尺寸进行裁剪；所述处理模块，还用于对裁剪后的每个CT样本图像和每个CT样本图像对应的标签真值图进行数据增强处理。
[0010]其中，所述深度学习模块，还用于利用所述初始施源器重建模型从所述CT样本图像进行特征提取，得到特征数据；所述深度学习模块，还用于将所述特征数据输入激活函数，输出所述CT样本图像的预测真值图。
[0011]其中，所述计算模块，还用于根据每个CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定该CT样本图像的子损失值；所述计算模块，还用于根据所有CT样本图像的子损失值、预设值确定所述训练数据集的损失值。
[0012]其中，所述深度学习模块，还用于利用所述损失值对所述初始施源器重建模型的参数进行优化；所述深度学习模块，还用于判断所述初始施源器重建模型是否收敛；所述计算模块，还用于若否，则利用优化后的初始施源器重建模型对所述训练数
据集进行重建，并重新计算损失值；所述深度学习模块，还用于利用重新计算的损失值对所述优化后的初始施源器重建模型的参数进行优化；所述深度学习模块，还用于直到所述初始施源器重建模型收敛，得到所述施源器重建模型。
[0013]通过多个不同施源器的CT样本图像组组成的训练数据集，对初始施源器重建模型进行训练，得到每个CT样本图像的预测真值图。将所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值，再利用损失值对初始施源器重建模型的参数进行优化，得到施源器重建模型，最后利用施源器重建模型对采集的CT图像进行施源器重建，得到该CT图像的施源器重建CT图像。由于利用多个不同施源器的CT样本图像组组成的训练数据集对初始施源器重建模型进行训练，从而使得最终得到的施源器重建模型能够对多个不同类型的施源器的CT图像进行重建。而利用预测真值图和专家标记的标签真值图确定损失值，并利用损失值对初始施源器重建模型的参数进行优化，使得最终得到的施源器重建模型对CT图像进行施源器重建的效率和准确度得到了显著的提高。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0015]图1示出了根据本申请的一个实施例的施源器自动重建方法的流程图；图2示出了根据本申请的另一个实施例的CT样本图像的预处理方法的流程图；图3示出了根据本申请的另一个实施例的预测真值图的确定方法的流程图；图4示出了根据本申请的另一个实施例的损失值确定方法的流程图；图5示出了根据本申请的另一个实施例的施源器重建模型的参数优化方法的流程图；图6示出了根据本申请的一个实施例的施源器自动重建装置的结构示意图。
具体实施方式
[0016]为使本申请的目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0017]技术问题。
[0018]为了提高施源器重建的效率和准确度，本申请本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种施源器自动重建方法，其特征在于，包括：获取训练数据集，所述训练数据集中包含多组CT样本图像组，每组CT样本图像组中的施源器的类型不同，所述每组CT样本图像组中包含多个CT样本图像和每个CT样本图像对应的标签真值图；将所述训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图；根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值；利用所述损失值对所述初始施源器重建模型的参数进行优化，得到施源器重建模型；将采集的CT图像输入所述施源器重建模型，输出所述CT图像的施源器重建CT图像。2.根据权利要求1所述施源器自动重建方法，其特征在于，所述获取训练数据集之后，还包括：对所述训练数据集中的每个CT样本图像进行直方图均衡化处理；将所述每个CT样本图像和每个CT样本图像对应的标签真值图的中心点作为裁剪中心点，按照预设尺寸进行裁剪；对裁剪后的每个CT样本图像和每个CT样本图像对应的标签真值图进行数据增强处理。3.根据权利要求1所述施源器自动重建方法，其特征在于，所述将所述训练数据集输入初始施源器重建模型中，输出每个CT样本图像的预测真值图，包括：利用所述初始施源器重建模型从所述CT样本图像进行特征提取，得到特征数据；将所述特征数据输入激活函数，输出所述CT样本图像的预测真值图。4.根据权利要求1所述施源器自动重建方法，其特征在于，所述根据所有CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定损失值，包括：根据每个CT样本图像的预测真值图和每个CT样本图像对应的标签真值图确定该CT样本图像的子损失值；根据所有CT样本图像的子损失值、预设值确定所述训练数据集的损失值。5.根据权利要求1所述施源器自动重建方法，其特征在于，所述利用所述损失值对所述初始施源器重建模型的参数进行优化，得到施源器重建模型，包括：利用所述损失值对所述初始施源器重建模型的参数进行优化；判断所述初始施源器重建模型是否收敛；若否，则利用优化后的初始施源器重建模型对所述训练数据集进行重建，并重新计算损失值；利用重新计算的损失值对所述优化后的初始施源器重建模型的参数进行优化；直到所述初始施源器重建模型收敛，得到所述施源器重建模型。6.一种施源器自动重建装置，其特征在于，所述装置包括：采集模...
【专利技术属性】
技术研发人员：王佳浩，谢洪玲，屠晔强，周鹏飞，唐秋，
申请(专利权)人：浙江大学医学院附属妇产科医院，
类型：发明
国别省市：
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。