【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种ct影像修复的神经网络模型及训练方法、装置和设备。
技术介绍
1、ct图像是首次出现的数字图像，使医学影像学进入了数字图像时代，后续相继出现了核磁共振等新的数字成像技术，使医生可以更高效的获取疾病相关信息。ct成像技术是通过使用x射线进行断层扫描，使用传感器代替胶片来接收透过的x射线，结合计算机处理，生成横截面的图像，能够为医生提供详细的解剖学信息，有助于临床诊断和治疗规划。在进行ct扫描成像时，较高的辐射剂量可以提供更清晰的图像，但是会增加患者辐射暴露的风险，因此医生需要权衡辐射剂量与成像质量之间的关系；在进行扫描时，患者的体态和运动或骨骼和金属物体也会影像成像的质量，引起图像的失真或者某一区域的伪影。因此，在实际中往往需要采用相应的图像处理技术，来提高这些特定区域图像的成像效果。
2、当前的医学影像修复算法虽然能够完成相应的任务，但是面对复杂的真实影像，其修复质量往往差异很大。要得到较好的修复效果，往往要针对影像对算法进行多次调整，这降低了影像修复的效率，也难以确保最终的修复质量。
技术实现思路
1、本专利技术点目的在于：为解决当前的医学影像修复算法修复效率低、修复质量差的问题，本专利技术提供一种ct影像修复的神经网络模型及训练方法、装置和设备。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例第一方面提供一种ct影像修复的神经网络模型的训练方法，包括：
4、获取样本影像集；
<...【技术保护点】
1.一种CT影像修复的神经网络模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的CT影像修复的神经网络模型的训练方法，其特征在于，所述样本影像集包括训练集和标签集，所述训练集中的数据是由标签集中的数据进行随机标记得到；所述利用所述样本影像集对预设神经网络模型进行训练，获取损失函数对应的梯度值，包括：
3.根据权利要求2所述的CT影像修复的神经网络模型的训练方法，其特征在于，所述样本影像集和所述标签集中包括对影像的预设区域进行标记过的标记影像；所述利用所述样本影像集对预设神经网络模型进行训练，获取损失函数对应的梯度值，还包括：
4.根据权利要求1所述CT影像修复的神经网络模型的训练方法，其特征在于，所述基于所述梯度值的反方向更新所述预设神经网络模型的权重参数并进行迭代训练，直至所述预设神经网络模型输出的影像对应的损失函数达到预设值，包括：
5.根据权利要求1所述的CT影像修复的神经网络模型的训练方法，其特征在于，所述损失函数包括：恢复损失函数和隐空间损失函数；所述恢复损失函数表征影像输入与输出的恢复损失；所述隐空间损失函数表
6.根据权利要求1所述的CT影像修复的神经网络模型的训练方法，其特征在于，还包括：
7.一种CT影像修复的神经网络模型的训练装置，其特征在于，包括：获取模块、训练模块、迭代模块和确定模块，其中，
8.一种CT影像修复的神经网络模型，其特征在于，所述神经网络模型为包含注意力模块的变分自编码器，所述变分自编码器为基于权利要求1至6所述的CT影像修复的神经网络模型的训练方法训练得到。
9.一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现权利要求1至6中任一项所述的CT影像修复的神经网络模型的训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至6任一所述方法的步骤。
...【技术特征摘要】
1.一种ct影像修复的神经网络模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的ct影像修复的神经网络模型的训练方法，其特征在于，所述样本影像集包括训练集和标签集，所述训练集中的数据是由标签集中的数据进行随机标记得到；所述利用所述样本影像集对预设神经网络模型进行训练，获取损失函数对应的梯度值，包括：
3.根据权利要求2所述的ct影像修复的神经网络模型的训练方法，其特征在于，所述样本影像集和所述标签集中包括对影像的预设区域进行标记过的标记影像；所述利用所述样本影像集对预设神经网络模型进行训练，获取损失函数对应的梯度值，还包括：
4.根据权利要求1所述ct影像修复的神经网络模型的训练方法，其特征在于，所述基于所述梯度值的反方向更新所述预设神经网络模型的权重参数并进行迭代训练，直至所述预设神经网络模型输出的影像对应的损失函数达到预设值，包括：
5.根据权利要求1所述的ct影像修复的神经网络模型的训练方法，其特征在于，所...
【专利技术属性】
技术研发人员：严秋月，石祖亮，朱雅琪，陈大颉，
申请(专利权)人：湖北省妇幼保健院湖北省妇女儿童医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。