[發(fā)明專利]一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法有效
| 申請?zhí)枺?/td> | 202011542650.0 | 申請日: | 2020-12-22 |
| 公開(公告)號: | CN112669402B | 公開(公告)日: | 2023-09-15 |
| 發(fā)明(設(shè)計)人: | 顏建華;陸克義;李飛 | 申請(專利權(quán))人: | 顏建華 |
| 主分類號: | G06T11/00 | 分類號: | G06T11/00;G06T7/00;G06V10/774 |
| 代理公司: | 太原榮信德知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14119 | 代理人: | 楊凱;連慧敏 |
| 地址: | 030001 山*** | 國省代碼: | 山西;14 |
| 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 深度 學(xué)習(xí) pet 顯像 快速 動態(tài) 散射 矯正 方法 | ||
1.一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:包括下列步驟:
S1、采集多個病人4D?PET產(chǎn)生的原始數(shù)據(jù),將總符合事例以及隨機(jī)符合事例轉(zhuǎn)化為正弦圖;
S2、按照基于幀的方法,獲取到每一個時間幀中的總符合事例以及隨機(jī)符合事例,并轉(zhuǎn)化為正弦圖;
S3、每一幀數(shù)據(jù)通過將總符合事例的正弦圖減去隨機(jī)符合事例的正弦圖,從而得到預(yù)修正正弦圖Sino1;
S4、每一幀數(shù)據(jù)采用單次散射模擬法或者多次散射模擬法來做散射修正,并獲取到修正之后的真實符合事例的正弦圖Sino2;
S5、將所有病人中產(chǎn)生的預(yù)修正正弦圖Sino1和真實符合事例的正弦圖Sino2數(shù)據(jù)對輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練,按照模型訓(xùn)練流程進(jìn)行訓(xùn)練,待訓(xùn)練完成之后,保存訓(xùn)練好的模型與權(quán)重;
所述S5中按照模型訓(xùn)練流程進(jìn)行訓(xùn)練的方法為:包括下列步驟:
S5.1、準(zhǔn)備好需要使用的預(yù)修正正弦圖Sino1和真實符合事例的正弦圖Sino2;
S5.2、將預(yù)修正正弦圖Sino1和真實符合事例的正弦圖Sino2圖像數(shù)據(jù)集分成訓(xùn)練集、驗證集和測試集;
S5.3、在訓(xùn)練集和測試集中,對預(yù)修正正弦圖Sino1和真實符合事例的正弦圖Sino2分別在相同位置提取2D圖像切片,組成訓(xùn)練數(shù)據(jù)對;
S5.4、將生成的2D圖像數(shù)據(jù)對輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型;
S5.5、計算網(wǎng)絡(luò)損失;
S5.6、判斷模型在驗證集合上的誤差是否達(dá)到最小;
S5.7、沒有達(dá)到最小就繼續(xù)更新網(wǎng)絡(luò)參數(shù),如果達(dá)到最小,保存網(wǎng)絡(luò)和權(quán)重;
S5.8、使用測試數(shù)據(jù)來評估模型性能;
S6、使用訓(xùn)練完成的模型與權(quán)重,將臨床采集到的4D?PET數(shù)據(jù)按照不同的時間幀數(shù)據(jù)輸入到模型中,并得到修正之后的正弦圖。
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:所述S3中的總符合事例總包含有真實符合事例、隨機(jī)符合事例和散射符合事例。
3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:所述S3中的預(yù)修正正弦圖Sino1包含真實符合事例和散射符合事例,所述預(yù)修正正弦圖Sino1為真實符合事例與散射符合事例之和。
4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:所述S5.5中采用平均平方損失函數(shù)來計算網(wǎng)絡(luò)損失。
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:所述S5中的預(yù)修正正弦圖Sino1作為輸入數(shù)據(jù),所述真實符合事例的正弦圖Sino2作為標(biāo)簽數(shù)據(jù)。
6.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的四維PET顯像的快速動態(tài)散射矯正方法,其特征在于:所述S5.4中的深度學(xué)習(xí)網(wǎng)絡(luò)模型采用DenseNet結(jié)構(gòu)。
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)利屬于顏建華,未經(jīng)顏建華許可,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/202011542650.0/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





