[發明專利]神經網絡的訓練方法、消除金屬偽影的方法及其裝置

在審

• 申請號: 202010971211.5
• 申請日: 2020-09-16
• 公開（公告）號: CN112085809A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 呂元媛;林維安;廖昊夫;周少華
• 申請（專利權）人: 蘇州工業園區智在天下科技有限公司
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/11;G06T7/136;G06N3/04;G06N3/08
• 代理公司: 蘇州威世朋知識產權代理事務所(普通合伙) 32235
• 代理人: 楊林潔

1.一種神經網絡的訓練方法，其特征在于，包括以下步驟：

獲取投影數據S_ma、二值圖X_m和S_ma對應的金屬投影數據M_p，所述投影數據S_ma包含金屬偽影，在所述二值圖X_m中，值為1的像素值用于表征金屬的形狀；

創建神經網絡模型，所述神經網絡模型包括第一神經網絡、快速濾波反投影算子和第二神經網絡；第一神經網絡用于接收S_ma和M_p，減弱S_ma上的金屬偽影并得到投影S_se；所述快速濾波反投影算子用于對投影S_se進行重建處理并得到圖像X_se，以及對投影S_ma進行重建處理并得到圖像X_ma，并且濾波反投影算子是可微的，能夠將第二神經網絡的訓練中的梯度前向傳播至第一神經網絡；第二神經網絡用于在圖像域上，結合金屬二值圖X_m對圖像X_se和X_ma進行減弱二次金屬偽影的處理；

基于若干投影數據S_ma、以及每個S_ma對應的金屬投影數據M_p，對所述神經網絡模型進行有監督的訓練。

2.根據權利要求1所述的訓練方法，其特征在于，所述第一神經網絡包括：

第一編碼器、第二編碼器和第一解碼器；

第一編碼器接收投影數據S_ma，第一編碼器包含有M個排成一列的編碼層，其中，M為自然數；每個編碼層均包含有卷積模塊、激活模塊和池化模塊，編碼層的輸入經過卷積模塊提取特征信息，再經過激活模塊進行非線性變化，最后通過池化模塊壓縮高維的特征并輸出所述特征；

第二編碼器接收金屬投影數據M_p，第二編碼器包含有N個排成一列的處理層，其中，N為自然數且N≤M，每個處理層都唯一對應到編碼層；每個處理層均包含有池化模塊，處理層的輸入經過池化模塊的平均池化處理、并得到池化結果；所述池化結果與對應的編碼層的輸出進行連接處理、并得到連接結果，所述連接結果作為對應的編碼層的下一個編碼層的輸入；

第一解碼器包含有M個排成一列的解碼層，解碼層包含有卷積模塊、激活模塊和池化模塊，編碼層的輸入經過卷積模塊提取特征信息，再經過激活模塊進行非線性變化，最后通過池化模塊得到更高維的特征；第1個解碼層接收第M個編碼層的輸出，第i個解碼器接收第M-i+1編碼層的輸出和第i-1個解碼層的輸出的連接處理的結果；

第一神經網絡最后輸出消除金屬偽影的投影數據S_se。