模型训练方法、PET晶体的定位方法、系统及存储介质与流程

本公开涉及医学成像，特别涉及一种模型训练方法、pet晶体的定位方法、系统及存储介质。

背景技术：

1、在正电子发射计算机断层扫描(pet，positron emission computedtomography)技术中，pet晶体用于吸收伽马射线并发出闪烁光子以进行成像。

2、pet晶体所发出的闪烁光子的数量最大的位置与正电子发射位置有关。在pet设备中，通常使用pet晶体位置查找表(lut)存储已知的正电子发射位置与闪烁光子数量最大的位置之间的对应关系。也就是说，可以通过在lut中查找到与通过探测器探测到的闪烁光子的数量相对应的正电子发射位置，进而确定该正电子发射位置所对应的pet晶体的位置。

3、由于pet设备中正电子发射点分布不均匀，采用手动方式对闪烁光子数量最大的位置进行定位的工作量巨大，不仅耗费人力，而且也增大了出错的可能性。并且，受pet设备的硬件结构、pet晶体的排列方式多种多样等因素的限制，难以实现对闪烁光子数量最大的位置进行自动定位。

4、目前，通常将pet晶体的定位过程建模为一种回归定位问题，但受限于训练数据的多样性，即只基于pet晶体的标注位置进行训练，使得训练得到的模型容易过拟合，且模型的泛化性较差。

技术实现思路

1、为解决上述技术问题，本公开提供一种模型训练方法、pet晶体的定位方法、系统及存储介质。

2、本公开是通过下述技术方案来解决上述技术问题：

3、第一方面，本公开提供一种pet晶体定位模型的训练方法，所述训练方法包括：

4、获取若干样本图像；

5、获取所述样本图像中对应pet晶体的样本标注位置；

6、获取所述样本图像中对应所述pet晶体的样本标注范围；

7、基于每张所述样本图像、对应所述pet晶体的所述样本标注位置和所述样本标注范围，对预设模型进行训练，以得到所述pet晶体定位模型；

8、其中，所述预设模型包括第一输出分支和第二输出分支，所述第一输出分支用于输出对应pet晶体的预测位置，所述第二输出分支用于输出对应pet晶体的预测分布范围。

9、可选地，所述第一输出分支包括依次连接的第一卷积模块、第一反卷积模块、第二卷积模块、第三卷积模块以及第四卷积模块。

10、可选地，所述第二输出分支包括依次连接的第四卷积模块、第五卷积模块、第二反卷积模块、池化模块和全连接层；其中，所述第四卷积模块的输出与所述第二反卷积模块的输出合并输入所述池化模块。

11、可选地，所述获取所述样本图像中对应所述pet晶体的样本标注范围的步骤包括：

12、根据每个所述样本标注位置，确定对应所述pet晶体的样本标注范围。

13、可选地，所述确定对应所述pet晶体的样本标注范围的步骤包括：

14、采用预先构建的高斯分布函数，对所述样本标注位置进行处理，得到以所述样本标注位置为均值、预设值为方差的二维高斯分布结果；

15、根据所述二维高斯分布结果确定所述样本标注范围。

16、可选地，所述预设模型的损失函数包括第一子损失函数和第二子损失函数；

17、所述对所述预设模型进行训练，以得到pet晶体定位模型的步骤包括：

18、基于所述第一子损失函数，根据对应所述pet晶体的所述样本标注位置和所述预测位置，计算得到第一损失值；

19、基于所述第二子损失函数，根据对应所述pet晶体的所述样本标注范围和所述预测分布范围，计算得到第二损失值；

20、基于所述第一损失值和所述第二损失值，对所述预设模型的模型参数进行迭代更新，以得到所述pet晶体定位模型。

21、第二方面，本公开提供一种pet晶体的定位方法，所述定位方法包括：

22、获取待处理图像；

23、将所述待处理图像输入pet晶体定位模型，以得到所述待处理图像中对应pet晶体的第一预测位置和预测分布范围；

24、其中，所述pet晶体定位模型根据第一方面所述的训练方法训练得到。

25、可选地，所述定位方法还包括：

26、根据所述预测分布范围确定对应所述pet晶体的第二预测位置；

27、根据对应同一所述pet晶体的所述第一预测位置和所述第二预测位置，确定对应所述pet晶体的目标预测位置。

28、可选地，所述根据所述预测分布范围确定对应所述pet晶体的第二预测位置的步骤包括：

29、获取所述预测分布范围的中心点，并将所述中心点作为对应所述pet晶体的所述第二预测位置。

30、可选地，所述确定对应所述pet晶体的目标预测位置的步骤包括：

31、获取对应同一所述pet晶体的所述第一预测位置与所述第二预测位置的平均值，并将所述平均值作为对应所述pet晶体的所述目标预测位置。

32、第三方面，本公开提供一种pet晶体定位模型的训练系统，以实现第一方面所述的训练方法，所述训练系统包括：

33、样本获取模块，用于获取若干样本图像；

34、第一标注模块，用于获取所述样本图像中对应pet晶体的样本标注位置；

35、第二标注模块，用于获取所述样本图像中对应所述pet晶体的样本标注范围；

36、模型训练模块，用于基于每张所述样本图像、对应所述pet晶体的所述样本标注位置和所述样本标注范围，对预设模型进行训练，以得到所述pet晶体定位模型；

37、其中，所述预设模型包括第一输出分支和第二输出分支，所述第一输出分支用于输出对应pet晶体的预测位置，所述第二输出分支用于输出对应pet晶体的预测分布范围。

38、第四方面，本公开提供一种pet晶体的定位系统，以实现第二方面所述的定位方法，所述定位系统包括：

39、图像获取模块，用于获取待处理图像；

40、模型预测模块，用于将所述待处理图像输入pet晶体定位模型，以得到所述待处理图像中对应pet晶体的第一预测位置和预测分布范围；

41、其中，所述pet晶体定位模型根据第一方面所述的训练方法训练得到。

42、第五方面，本公开提供一种电子设备，包括存储器、处理器及存储在存储器上并用于在处理器上运行的计算机程序，处理器执行计算机程序时，实现第一方面的pet晶体定位模型的训练方法，和/或实现第二方面所述的pet晶体的定位方法。

43、第六方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的pet晶体定位模型的训练方法，和/或实现第二方面所述的pet晶体的定位方法。

44、在符合本领域常识的基础上，上述各实施方式，可任意组合以得到本公开各较佳实施例。

45、本公开的积极进步效果在于：

46、本公开提供的pet晶体定位模型的训练方法，将现有的深度神经网络作为主干网络，通过在主干网络的基础上增加用于输出对应pet晶体的预测位置的第一输出分支，以及增加用于输出对应pet晶体的预测分布范围的第二输出分支，以得到专门用于实现pet晶体定位的预设模型。并且使用样本图像、在样本图像中对应pet晶体的样本标注位置和对应pet晶体的样本标注范围作为训练数据对预设模型进行训练，可以丰富模型的训练数据，减小训练数据的拟合程度，进而能够减轻人工标注习惯和人工标注误差对模型的影响，增强模型的泛化性，以得到最终的pet晶体定位模型，并且可以提高得到的pet晶体定位模型对pet晶体进行定位的准确性。

47、本公开提供的pet晶体的定位方法，基于上述训练方法得到的pet晶体定位模型，可以同时得到待处理图像中对应pet晶体的第一预测位置和预测分布范围。进一步地，还根据预测分布范围可以逆向推理出对应pet晶体的第二预测位置，结合相应的第一预测位置可以得到更加准确的目标预测位置。