[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的CT偽影抑制方法、設(shè)備以及介質(zhì)有效
| 申請?zhí)枺?/td> | 201910861446.6 | 申請日： | 2019-09-11 |
| 公開（公告）號： | CN110570492B | 公開（公告）日： | 2021-09-03 |
| 發(fā)明（設(shè)計）人： | 邢宇翔;杜牧歌;高河偉;劉以農(nóng);張麗;梁凱超 | 申請（專利權(quán)）人： | 清華大學 |
| 主分類號： | G06T11/00 | 分類號： | G06T11/00;G06N3/08;G06N3/04;G06K9/62 |
| 代理公司： | 中科專利商標代理有限責任公司 11021 | 代理人： | 楊靜 |
| 地址： | 100084*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 神經(jīng)網(wǎng)絡(luò) ct 抑制 方法 設(shè)備 以及 介質(zhì) | ||
1.一種用于訓練神經(jīng)網(wǎng)絡(luò)的方法，包括：
構(gòu)建主干網(wǎng)絡(luò)和域分類器；其中，所述主干網(wǎng)絡(luò)用于對帶偽影CT圖像進行處理，得到偽影抑制CT圖像，所述域分類器用于對所述主干網(wǎng)絡(luò)的域適應層的輸出進行處理，得到對于所述帶偽影CT圖像所屬類別的判別結(jié)果，所述域適應層用于提取所述帶偽影CT圖像的偽影特征，所述類別包括：帶仿真?zhèn)斡暗腃T圖像和帶實際偽影的CT圖像；
對所述主干網(wǎng)絡(luò)和所述域分類器進行聯(lián)合訓練，以便基于損失函數(shù)對所述主干網(wǎng)絡(luò)和所述域分類器的參數(shù)進行調(diào)整；以及
當所述損失函數(shù)實現(xiàn)收斂時確定訓練完成，將訓練得到的所述主干網(wǎng)絡(luò)作為目標神經(jīng)網(wǎng)絡(luò)；
其中，對所述主干網(wǎng)絡(luò)進行有監(jiān)督訓練，以便基于第一損失函數(shù)對所述主干網(wǎng)絡(luò)的參數(shù)進行調(diào)整；以及
對所述域適應層和所述域分類器進行對抗訓練，以便基于第二損失函數(shù)對所述域適應層和所述域分類器的參數(shù)進行調(diào)整；
所述當所述損失函數(shù)實現(xiàn)收斂時確定訓練完成包括：當所述第一損失函數(shù)和所述第二損失函數(shù)實現(xiàn)收斂時，確定訓練完成。
2.如權(quán)利要求1所述的方法，其中，所述域適應層包括：所述主干網(wǎng)絡(luò)的前第一預定數(shù)量個網(wǎng)絡(luò)層。
3.如權(quán)利要求2所述的方法，其中，所述域分類器包括特征組合層和判別模塊，所述域適應層的輸出包括：所述域適應層中的第一預定數(shù)量個網(wǎng)絡(luò)層的輸出特征；
所述域分類器用于對所述主干網(wǎng)絡(luò)的域適應層的輸出進行處理包括：所述域分類器用于將所述第一預定數(shù)量個網(wǎng)絡(luò)層的輸出特征作為輸入，利用所述特征組合層對所述第一預定數(shù)量個網(wǎng)絡(luò)層的輸出特征進行組合得到組合特征，并利用所述判別模塊確定所述組合特征所屬類別。
4.如權(quán)利要求1所述的方法，還包括：
在所述對所述主干網(wǎng)絡(luò)和所述域分類器進行聯(lián)合訓練之前，對所述主干網(wǎng)絡(luò)進行初步有監(jiān)督訓練；
所述對所述主干網(wǎng)絡(luò)和所述域分類器進行聯(lián)合訓練包括：當所述初步有監(jiān)督訓練進行第二預定數(shù)量次時，對所述主干網(wǎng)絡(luò)和所述域分類器進行聯(lián)合訓練。
5.如權(quán)利要求1或4所述的方法，其中，所述對所述主干網(wǎng)絡(luò)進行有監(jiān)督訓練包括：
獲取多個無偽影CT圖像；
分別對所述多個無偽影CT圖像進行偽影仿真，得到針對所述多個無偽影CT圖像的多個帶仿真?zhèn)斡暗腃T圖像；
將所述多個帶仿真?zhèn)斡暗腃T圖像作為多個訓練樣本組成訓練集，其中，對于所述訓練集中的任一訓練樣本，與所述任一訓練樣本對應的無偽影CT圖像作為所述任一訓練樣本的標簽；以及
利用帶有所述標簽的所述訓練集對所述主干網(wǎng)絡(luò)進行有監(jiān)督訓練。
6.如權(quán)利要求1所述的方法，其中，所述對所述域適應層和所述域分類器進行對抗訓練包括：
將帶仿真?zhèn)斡暗腃T圖像和帶實際偽影的CT圖像作為所述主干網(wǎng)絡(luò)的輸入，并利用所述域適應層和所述域分類器進行對抗訓練，以使所述域適應層能夠提取偽影特征且所述域分類器能夠分辨仿真?zhèn)斡昂蛯嶋H偽影。
7.如權(quán)利要求1所述的方法，其中，
所述第一損失函數(shù)包括l-范數(shù)；和/或
所述第二損失函數(shù)包括如下至少一項：原始GAN損失函數(shù)、WGAN損失函數(shù)、以及LSGAN損失函數(shù)。
8.一種圖像處理方法，包括：
獲取待處理的帶偽影CT圖像；
獲取基于如權(quán)利要求1～7中任一項所述的用于訓練神經(jīng)網(wǎng)絡(luò)的方法訓練得到的目標神經(jīng)網(wǎng)絡(luò)；以及
基于所述目標神經(jīng)網(wǎng)絡(luò)對所述帶偽影CT圖像進行處理，以在去除所述帶偽影CT圖像中的偽影后得到偽影抑制CT圖像。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于清華大學，未經(jīng)清華大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910861446.6/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 硬件神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法、計算裝置、軟硬件協(xié)作系統(tǒng)
- 生成較大神經(jīng)網(wǎng)絡(luò)
- 神經(jīng)網(wǎng)絡(luò)的生成方法、生成裝置和電子設(shè)備
- 一種舌診方法、裝置、計算設(shè)備及計算機存儲介質(zhì)
- 學習神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
- 脈沖神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法及相關(guān)轉(zhuǎn)換芯片
- 圖像處理方法、裝置、可讀存儲介質(zhì)和計算機設(shè)備
- 一種適應目標數(shù)據(jù)集的網(wǎng)絡(luò)模型微調(diào)方法、系統(tǒng)、終端和存儲介質(zhì)
- 用于重構(gòu)人工神經(jīng)網(wǎng)絡(luò)的處理器及其操作方法、電氣設(shè)備
- 一種圖像神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法及裝置
