模型训练方法、MRI薄层数据重建方法、装置及设备制造方法及图纸

本说明书公开了一种模型训练方法、MRI薄层数据重建方法、装置及设备，包括：获取厚层数据和薄层数据；所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，生成重建的第一厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第一薄层数据；基于稀疏判别器对所述重建的第一厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数。环一致性损失函数。环一致性损失函数。

【技术实现步骤摘要】
模型训练方法、MRI薄层数据重建方法、装置及设备


[0001]本说明书涉及医学影像及计算机
，尤其涉及一种模型训练方法、MRI薄层数据重建方法、装置及设备。

技术介绍

[0002]一般在医院检查中，最常见的扫描都是厚层扫描，尤其在膝关节MRI检查中，设备检测输出的图像都是10mm等厚度的厚层图。这就使得一些需要依据组织三维结构进行分析的算法难以实施，比如，精确的知道一个半月板层面属于前角后角还是体部，就需要明确知道半月板的三维结构；再比如，对于软骨病和膝关节表面结构的一些分析工作也需要薄层的扫描影像才能得到结果。但薄层扫描相当费时，对于一些受伤的患者是难以完成的任务，所以从厚层扫描中重建薄层影像数据成为了一个很有价值的任务。
[0003]目前基于厚层影像数据重建薄层影像数据，常用的一种方法是基于3D
‑
Unet和LSTM(Long short
‑
term memory，长短期记忆)对配准后的厚层数据进行重建，该方法很难保证生成高清结果；另一种常用的方法是使用全连接网络和特殊位置编码的方式进行重建，该方法尽管在理论上能够生成高清结果，但是现有严重依赖于超参数的选取，并且需要针对每一幅影像重新训练，非常耗时。
[0004]基于此，需要一种新的薄层重建的方法。

技术实现思路

[0005]本说明书实施例提供一种膝关节MRI薄层重建的方法、装置及设备，用于解决以下技术问题：现有技术中，高清的薄层影像的重建过程中，需要严重依赖于超参数的选取，且需要针对每一幅影像重新训练，耗时巨大，无法推广使用。
[0006]为解决上述技术问题，本说明书实施例是这样实现的：
[0007]本说明书实施例提供的一种模型训练方法，该方法包括：
[0008]获取厚层数据和薄层数据；
[0009]所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，生成重建的第二厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第二薄层数据；
[0010]基于稀疏判别器对所述重建的第一厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型；
[0011]其中，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数。
[0012]本说明书实施例提供一种MRI薄层数据重建方法，该方法包括：
[0013]获得MRI厚层影像数据；
[0014]将所述MRI厚层影像数据输入薄层数据重建模型的稠密生成器，获得重建的MRI薄层影像数据。
[0015]本说明书实施例提供一种模型训练装置，该装置包括：
[0016]获取模块，获取厚层数据和薄层数据；
[0017]数据重建模块，所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，生成重建的第二厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第二薄层数据；
[0018]循环训练模块，基于稀疏判别器对所述重建的第一厚层数据与所述厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型；
[0019]其中，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数。
[0020]本说明书实施例还提供一种电子设备，包括：
[0021]至少一个处理器；以及，
[0022]与所述至少一个处理器通信连接的存储器；其中，
[0023]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0024]获取厚层数据和薄层数据；
[0025]所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，生成重建的第二厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第二薄层数据；
[0026]基于稀疏判别器对所述重建的第一厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型；
[0027]其中，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数。
[0028]本说明书实施例还提供一种电子设备，包括：
[0029]至少一个处理器；以及，
[0030]与所述至少一个处理器通信连接的存储器；其中，
[0031]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0032]获得MRI厚层影像数据；
[0033]将所述MRI厚层影像数据输入薄层数据重建模型的稠密生成器，获得重建的MRI薄层影像数据。
[0034]本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：获取厚层数据和薄层数据；所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，
生成重建的第二厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第二薄层数据；基于稀疏判别器对所述重建的第一厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型；其中，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数，能够提升图像重建的效果，且能够提升重建图像清晰度及边缘表现。
附图说明
[0035]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为现有技术中的一种循环生成对抗网络模型的训练示意图；
[0037]图2为本说明书实施例提供的模型训练方法的系统架构示意图；
[0038]图3为本说明书实施例提供的一种模型训练方法的流程图；
[0039]图4为本说明书实施例提供的重建的厚层数据及重建的薄层数据的生成示意图；
[0040]图5为本说明书实施例提供的一种模型训练的架构图；
[0041]图6为本说明书实施例提供的一种模型训练的结构图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取厚层数据和薄层数据；所述厚层数据经所述稠密生成器，生成重建的第一薄层数据；所述薄层数据经稀疏生成器，生成重建的第一厚层数据；所述重建的第一薄层数据经所述稀疏生成器，生成重建的二厚层数据；所述重建的第一厚层数据经所述稠密生成器，生成重建的第二薄层数据；基于稀疏判别器对所述重建的第一厚层数据进行判断，基于所述稠密判别器对所述重建的第一薄层数据与所述薄层数据进行判断，循环操作，进行模型训练，生成薄层数据重建模型；其中，所述稀疏生成器的判别函数为循环一致性损失函数及边缘强化损失函数，所述稠密判别器的判别函数为循环一致性损失函数。2.如权利要求1所述的方法，其特征在于，所述厚层数据为三维稀疏矩阵，所述厚层数据包括厚层影像数据对应的三维稀疏矩阵及基于薄层影像数据下采样获得的厚层影像数据对应的三维稀疏矩阵。3.如权利要求1所述的方法，其特征在于，所述稀疏生成器及所述稠密生成器采用3D
‑
Unet++网络，所述稀疏判别器及所述稠密判别器采用ResNext50网络。4.如权利要求1所述的方法，其特征在于，所述稀疏生成器、所述稠密生成器、所述稀疏判别器及所述稠密生成器通过CycleGAN的方式连接，所述稀疏生成器与所述稠密生成器的参数不能共享，所述稀疏判别器与所述稠密判别器的参数不能共享。5.如权利要求1所述的方法，其特征在于，所述循环一致性损失函数的计算公式为：Loss
cyc
＝E
x
～
p(Mdense)
[logD
recon
(x)]+E
x
～
p(MRdense)
[log(1
‑
D
recon
(x))]+E
x
～
p(Msparce)
[logD
sparce
(x)]+E
x
～
p(MRsparce)
[log(1
‑
D
sparce
(x))]其中，Loss
cyc
为循环一致性损失函数；D
recon
表示稠密判别器；D
sparce
表示稀疏判别器；E
x
～
p(Mdense)
[logD
recon
(x)]表示稠密判别器将真实薄层数据判别为真实薄层数据的概率；E
x
～
p(MRdense)
[log(1
‑
D
recon
(x))表示稠密判别器将重建的第一薄层数据判别为虚假薄层数据的概率；E
x

【专利技术属性】
技术研发人员：孙安澜，
申请(专利权)人：北京医准智能科技有限公司，
类型：发明
国别省市：