[发明专利]MR图像预测模型的训练方法、装置、设备及存储介质

权利要求书

1.一种MR图像预测模型的训练方法，其特征在于，所述方法包括下述步骤：

从预先采集的样本数据中，获取CT图像和所述CT图像对应的MR图像，根据所述CT图像和所述CT图像对应的MR图像，生成训练样本集；

构建MR图像预测模型，并对所述MR图像预测模型进行初始化，所述MR图像预测模型为U型网络结构的卷积神经网络；

根据所述训练样本集，对初始化后的所述MR图像预测模型进行有监督训练，获得训练好的MR图像预测模型；

其中，所述有监督训练具体包括：

将所述训练样本集中的CT图像输入到所述MR图像预测模型，获取MR图像预测模型输出的、与CT图像对应的MR预测图像；

根据所述MR预测图像和CT图像对应的MR图像，通过预设的损失函数和预设的优化算法对所述MR图像预测模型的参数进行调整；

其中，所述MR图像预测模型的左侧每连续两个卷积层-批处理层-ReLU单元连接着一个最大池化层，使得每经过一次所述最大池化层的CT图像的大小缩小一半；

所述MR图像预测模型的右侧依次经过上采样层、卷积核大小为2*2的卷积层、BN层和ReLU单元，使得输入上采样层的图像大小扩大一倍，输出层为卷积核为1*1大小的卷积层。

2.如权利要求1所述的方法，其特征在于，根据所述CT图像和所述CT图像对应的MR图像，生成训练样本集的步骤，包括：

将所述CT图像与所述CT图像对应的MR图像进行配准；

将配准后的所述CT图像设置为所述训练样本集中的训练样本，将配准后的所述CT图像对应的MR图像设置为所述训练样本集中训练样本对应的标签。

3.如权利要求1所述的方法，其特征在于，对所述MR图像预测模型进行初始化的步骤，包括：

根据预设的正态分布，对所述MR图像预测模型的卷积核进行初始化。

4.如权利要求3所述的方法，其特征在于，所述正态分布的均值和标准差分别为0和其中，所述n表示所述MR图像预测模型中输入单元的数目。

5.如权利要求1所述的方法，其特征在于，对初始化后的所述MR图像预测模型进行有监督训练的步骤，包括：

根据预处理后的训练样本集、预设的优化算法和预设的损失函数，对所述MR图像预测模型进行有监督训练，所述优化算法为自适应矩估计算法，所述损失函数为平均绝对误差函数。

6.一种MR图像预测模型的训练装置，其特征在于，所述装置包括：

训练样本生成单元，用于从预先采集的样本数据中，获取CT图像和所述CT图像对应的MR图像，根据所述CT图像和所述CT图像对应的MR图像，生成训练样本集；

预测模型构建单元，用于构建MR图像预测模型，并对所述MR图像预测模型进行初始化，所述MR图像预测模型为U型网络结构的卷积神经网络；以及

预测模型训练单元，用于根据所述训练样本集，对初始化后的所述MR图像预测模型进行有监督训练，获得训练好的MR图像预测模型；

其中，所述预测模型训练单元具体包括：

将所述训练样本集中的CT图像输入到所述MR图像预测模型，获取MR图像预测模型输出的、与CT图像对应的MR预测图像；

根据所述MR预测图像和CT图像对应的MR图像，通过预设的损失函数和预设的优化算法对所述MR图像预测模型的参数进行调整；

其中，所述MR图像预测模型的左侧每连续两个卷积层-批处理层-ReLU单元连接着一个最大池化层，使得每经过一次所述最大池化层的CT图像的大小缩小一半；

所述MR图像预测模型的右侧依次经过上采样层、卷积核大小为2*2的卷积层、BN层和ReLU单元，使得输入上采样层的图像大小扩大一倍，输出层为卷积核为1*1大小的卷积层。

7.如权利要求6所述的装置，其特征在于，所述预测模型构建单元包括：

正态分布初始化单元，用于根据预设的正态分布，对所述MR图像预测模型的卷积核进行初始化。