CN109360202A - 射线剂量的测量方法及其装置、训练方法及其装置 - Google Patents

射线剂量的测量方法及其装置、训练方法及其装置 Download PDF

Info

Publication number
CN109360202A
CN109360202A CN201811256714.3A CN201811256714A CN109360202A CN 109360202 A CN109360202 A CN 109360202A CN 201811256714 A CN201811256714 A CN 201811256714A CN 109360202 A CN109360202 A CN 109360202A
Authority
CN
China
Prior art keywords
output
neural network
correction value
hidden layer
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811256714.3A
Other languages
English (en)
Inventor
田丰硕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201811256714.3A priority Critical patent/CN109360202A/zh
Publication of CN109360202A publication Critical patent/CN109360202A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种射线剂量的测量方法及其装置、BP神经网络的训练方法及其装置，其中，射线剂量的测量方法包括：获取射线照射的光片的图像；获取图像的灰度值；以及根据图像的灰度值查询BP神经网络获取射线的剂量。该方法能够实现对任何剂量的射线进行探测，提升该方法的适用性，以解决现有技术中光纤探针和半导体晶体只能对较少剂量的射线进行探测，从而导致应用的局限性较高的技术问题。

Description

射线剂量的测量方法及其装置、训练方法及其装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种射线剂量的测量方法及其装置、BP神经网络的训练方法及其装置。
背景技术
目前，X射线、α射线、β射线、γ射线等射线被广泛应用于医疗设备中，但射线对人体的伤害较大，例如X射线可以杀死大量的人体白细胞，降低人体免疫力，并且，过量的X射线还可能导致细胞发生癌变。因此，如何对射线剂量进行检测，从而对射线的使用进行严格控制至关重要。
相关技术中，可以利用光纤探针，对射线的辐射剂量进行探测，或者，可以根据半导体晶体的双阳极结构，对射线的辐射剂量进行探测，从而根据辐射剂量计算出射线剂量。
然而，光纤探针和半导体晶体只能对较少剂量的射线进行探测，而无法实现对大剂量的射线进行探测，应用的局限性较高。
发明内容
本申请提出一种射线剂量的测量方法及其装置、BP神经网络的训练方法及其装置，以实现对任何剂量的射线进行探测，提升该方法的适用性，用于解决现有技术中光纤探针和半导体晶体只能对较少剂量的射线进行探测，从而导致应用的局限性较高的技术问题。
本申请一方面实施例提出了一种射线剂量的测量方法，包括：
获取射线照射的光片的图像；
获取所述图像的灰度值；以及
根据所述图像的灰度值查询BP神经网络获取所述射线的剂量。
本申请实施例的射线剂量的测量方法，通过获取射线照射的光片的图像，而后，获取图像的灰度值，最后根据图像的灰度值查询BP神经网络获取射线的剂量。由此，根据图像的灰度值，确定射线的剂量，可以不受限于被测射线的剂量，从而可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性和实时性，从而实现对任何剂量的射线进行实时地探测。
本申请又一方面实施例提出了一种射线剂量的测量装置，包括：
图像获取模块，用于获取射线照射的光片的图像；
灰度值获取模块，用于获取所述图像的灰度值；以及
剂量获取模块，用于根据所述图像的灰度值查询BP神经网络获取所述射线的剂量。
本申请实施例的射线剂量的测量装置，通过获取射线照射的光片的图像，而后，获取图像的灰度值，最后根据图像的灰度值查询BP神经网络获取射线的剂量。由此，根据图像的灰度值，确定射线的剂量，可以不受限于被测射线的剂量，从而可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性和实时性，从而实现对任何剂量的射线进行实时地探测。
本申请又一方面实施例提出了一种BP神经网络的训练方法，包括：
获取训练样本；
将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果；
根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新。
本申请实施例的BP神经网络的训练方法，通过获取训练样本，而后将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果，最后根据输出结果对隐含层修正值和输出层修正值进行更新。本申请中，经过训练的BP神经网络可以学习得到射线的剂量和图像的最高灰度值之间的非线性关系，后续基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性。
本申请又一方面实施例提出了一种BP神经网络的训练装置，包括：
样本获取模块，用于获取训练样本；
训练模块，用于将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果；
更新模块，用于根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新。
本申请实施例的BP神经网络的训练装置，通过获取训练样本，而后将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果，最后根据输出结果对隐含层修正值和输出层修正值进行更新。本申请中，经过训练的BP神经网络可以学习得到射线的剂量和图像的最高灰度值之间的非线性关系，后续基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性。
本申请又一方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如前述实施例中所述的射线剂量的测量方法，或者，实现如前述实施例中所述的BP神经网络的训练方法。
本申请又一方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如前述实施例中所述的射线剂量的测量方法，或者，实现如前述实施例中所述的BP神经网络的训练方法。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例一所提供的射线剂量的测量方法的流程示意图；
图2为本申请实施例中BP神经网络的结构示意图；
图3为本申请实施例二所提供的射线剂量的测量方法的流程示意图；
图4为本申请实施例三所提供的BP神经网络的训练方法的流程示意图；
图5为基于FPGA的神经网络平台开发流程示意图；
图6为在FPGA上实现BP神经网络的总体框图示意图；
图7为BP神经网络的FPGA训练流程示意图一；
图8为BP神经网络的FPGA训练流程示意图二；
图9为本申请实施例四所提供的射线剂量的测量装置的结构示意图；
图10为本申请实施例五所提供的射线剂量的测量装置的结构示意图；
图11为本申请实施例六所提供的BP神经网络的训练装置的结构示意图；
图12为本申请实施例七所提供的BP神经网络的训练装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请主要针对现有技术中光纤探针和半导体晶体只能对较少剂量的射线进行探测，从而导致应用的局限性较高的技术问题，提出一种射线剂量的测量方法。
本申请实施例的射线剂量的测量方法，通过获取射线照射的光片的图像，而后，获取图像的灰度值，最后根据图像的灰度值查询BP神经网络获取射线的剂量。由此，根据图像的灰度值，确定射线的剂量，可以不受限于被测射线的剂量，从而可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性和实时性，从而实现对任何剂量的射线进行实时地探测。
下面参考附图描述本申请实施例的射线剂量的测量方法以及装置、BP神经网络的训练方法及其装置。
图1为本申请实施例一所提供的射线剂量的测量方法的流程示意图。
本申请实施例的执行主体为射线剂量的测量装置，该射线剂量的测量装置可以被配置于任一计算机设备中，以使该计算机设备可以执行射线剂量的测量功能。
如图1所示，该射线剂量的测量方法包括以下步骤：
步骤101，获取射线照射的光片的图像。
本申请实施例中，射线可以为X射线、α射线、β射线、γ射线等等。
可选地，当处于任意一个具有射线照射的环境中时，可以使用拍摄该射线的专用设备，获取射线照射的光片的图像，例如，当射线为X射线时，可以使用X光设备，获取射线照射的光片的图像。或者，还可以使用拍摄射线的专用设备，获取射线照射的光片，在获取到射线照射的光片后，可以利用摄像装置，对光片进行拍摄，获取该光片的图像，对此不作限制。
步骤102，获取图像的灰度值。
本申请实施例中，在获取射线照射的光片的图像后，可以对该图像进行灰度处理，得到灰度图像，而后可以计算该灰度图像的灰度值。可选地，可以利用现有技术中的灰度值计算算法，确定灰度图像的灰度值，对此不作限制。
例如，一般情况下，图像中的每个像素可以用三个字节表示，三个字节分别对应着红(Red，简称R)、绿(Green，简称G)、蓝(Blue，简称B)分量的亮度，将图像进行灰度处理，转换为灰度图像后，该灰度图像中的每个像素的灰度值可以仅用一个字节Gray进行表示，且Gray的值在0到255之间。其中，Gray的数值越大，像素点越白，即越亮，Gray的数值越小，像素点越黑，即越暗。将图像转化为灰度图像后，灰度图像中像素点(i，j)的灰度值为：Gray(i，j)＝0.11*R(i，j)+0.59*G(i，j)+0.3*B(i，j)。
步骤103，根据图像的灰度值查询BP神经网络获取射线的剂量。
本申请实施例中，图像的灰度值可以具体指图像的最高灰度值，原因为，图像中较低的灰度值，可能为干扰信号，因此，可以预先确定最高灰度值与射线的剂量之间的对应关系，当获取到图像的灰度值后，可以根据图像的最高灰度值，确定射线的剂量。
作为一种可能的实现方式，可以预先根据不同的图像的最高灰度值，确定对应的射线的剂量，并建立不同最高灰度值与射线的剂量之间的对应关系，当获取到图像的灰度值后，可以根据最高灰度值查询上述对应关系，获取对应的射线的剂量，操作简单，且易于实现，以及可以提升射线的剂量确定的效率。
作为另一种可能的实现方式，可以基于神经网络完成射线的辐射剂量和图像的最高灰度值之间的非线性关系的拟合，例如，可以基于反向传播(Back-Propagation，简称BP)神经网络完成射线的辐射剂量和图像的最高灰度值之间的非线性关系的拟合，当确定图像的灰度值后，可以根据最高灰度值查询BP神经网络获取射线的辐射剂量，从而可以根据射线的辐射剂量，计算得到射线的剂量。例如，可以根据图像的最高灰度值，查询BP神经网络获取射线的辐射剂量，而后根据射线的辐射剂量，计算得到射线的剂量。由于BP神经网络已学习得到射线的辐射剂量和图像的最高灰度值之间的非线性关系，因此，该测量方法可以不受限于被测射线的剂量，可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的实时性，从而实现对任何剂量的射线进行实时地探测。
本申请实施例的射线剂量的测量方法，通过获取射线照射的光片的图像，而后，获取图像的灰度值，最后根据图像的灰度值查询BP神经网络获取射线的剂量。由此，根据图像的灰度值，确定射线的剂量，可以不受限于被测射线的剂量，从而可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性和实时性，从而实现对任何剂量的射线进行实时地探测。
作为一种可能的实现方式，参见图2，图2为本申请实施例中BP神经网络的结构示意图。其中，BP神经网络包括：多个输入层、多个隐含层和多个输出层。则参见图3，在图1和图2所示实施例的基础上，根据图像的灰度值查询BP神经网络获取射线的剂量，具体可以包括以下步骤：
步骤201，获取隐含层修正值。
本申请实施例中，为了提升射线的剂量确定的准确性，BP神经网络可以为预先训练好的，隐含层修正值可以根据训练后的BP神经网络的输出结果得到。
步骤202，根据灰度值和隐含层修正值生成BP神经网络的隐含层输入值，并通过BP网络的多个隐含层生成多个隐含层输出值。
本申请实施例中，可以基于BP神经网络完成射线的辐射剂量和图像的最高灰度值之间的非线性关系的拟合，因此，灰度值可以为图像中的像素点的最高灰度值。
本申请实施例中，在获取到隐含层修正值后，可以将灰度值与隐含层修正值相乘，得到BP神经网络的输入层的输出值，即得到BP神经网络的隐含层输入值，而后可以通过BP神经网络的多个隐含层，生成多个隐含层输出值。
步骤203，获取输出层修正值。
本申请实施例中，输出层修正值同样可以根据训练后的BP神经网络的输出结果得到。
需要说明的是，本申请实施例中仅以步骤203在步骤201之后执行示例，实际应用时，步骤203还可以在步骤201之前执行，或者，步骤203还可以与步骤201并列执行，对此不作限制。
步骤204，根据多个隐含层输出值和输出层修正值进行乘累加计算以生成乘累加输出值。
本申请实施例中，可以根据多个隐含层输出值和输出层修正值进行乘累加计算，可以得到乘累加输出值。
步骤205，将乘累加输出值输入激励函数以生成射线的剂量。
本申请实施例中，可以基于多种方法实现对激励函数的逼近，例如，可以基于坐标旋转数字计算方法(Coordinate Rotation Digital Computer，简称CORDIC)、基于泰勒级数展开的方法、查表法和非线性逼近算法等等，实现对激励函数的逼近，对此不作限制。
其中，非线性逼近算法是针对激励函数的非线性部分，分区间对其进行逼近，例如，可以使用非线性函数y＝ax2+bx+c，分区间对激励函数进行逼近。举例而言，在区间[-3,-2)中，要逼近的函数为y＝0.0298x2+0.2202x+0.4400，即a＝0.0298，b＝0.2202，c＝0.4400，而在某些比较特殊的区间，比如(-1,1)，要逼近的函数为线性函数y＝0.2383x+0.5000，即a＝0，b＝0.2383，c＝0.5000，可以通过多次调用加法器和乘法器，来实现对激励函数的逼近。
查表法是指在尺寸和精度允许的范围内，将激励函数部分值比较简单的区间，一般为常数的区间，或输入按照一定规则保存到存储器中，类似于表的格式，一个区间对应一个相应的值。当有一个新的输入时，可将该输入与区间进行比对，如果该输入处于该区间内，则输出该区间对应的值，比如在区间[5,5.0218)中，逼近的激励函数为y＝0.9930，当有新的输入时，假设该输入为5.021，由于该输入处于区间[5,5.0218)中，因此，输出值为0.9930。通过查表法在存储器中找到相应的激励函数的逼近值，使用较为简单。
本申请实施例中，根据激励函数的特点，可以在激励函数趋近常数的区间，采用查表法逼近运算，以生成射线的剂量，而在非线性区间，可以采用非线性逼近算法进行逼近运算，以生成射线的剂量。
因此，在得到乘累加输出值后，可以将该乘累加输出值输入至激励函数，而后判断乘累加输出值是否在常数逼近值所在的区间，若是，则采用查表法获取对应的逼近常数进行逼近运算以生成射线的剂量，若否，则调用非线性逼近算法进行逼近运算以生成射线的剂量。
本申请实施例中，通过判断乘累加输出值是否在常数逼近值所在的区间，进而选择匹配的算法，进行逼近运算以生成射线的剂量。由此，可以提升射线的剂量确定的准确性。
作为一种可能的实现方式，为了提升射线的剂量测量的准确性，可以预先对BP神经网络进行训练，并根据训练后的BP神经网络的输出结果，对隐含层修正值和输出层修正值进行更新，从而保证BP神经网络输出的准确性，即保证射线的剂量确定的准确性。下面结合图4，对上述过程进行详细说明。
图4为本申请实施例三所提供的BP神经网络的训练方法的流程示意图。
如图4所示，该BP神经网络的训练方法可以包括以下步骤：
步骤301，获取训练样本。
步骤302，将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果。
需要说明的是，当射线的类型不同时，训练样本可以不同。具体地，可以根据射线的类型，获取对应的训练样本，例如，当射线为X射线时，训练样本可以为不同剂量的X射线照射的光片的图像，该训练样本中可以标注有图像的灰度值，例如可以标注有像素点对应的最高灰度值。
本申请实施例中，可以预先对训练样本进行存储，例如，可以预先在存储器中对训练样本进行存储，在对BP神经网络进行训练时，可以读取存储器中的数据，获取训练样本，而后将训练样本送入输入层，与初始的隐含层修正值相乘，相乘的结果，即本申请中的隐含层输入值传向隐含层，而后通过BP网络的多个隐含层生成多个隐含层输出值，而后将多个隐含层输出值传向激励函数，产生前向运算第一阶段的输出。前向第一阶段的输出可以传向输出层，与初始的输出层修正值进行乘累加运算后，经过输出层的激励函数，得到输出结果，完成前向运算的第二阶段。其中，初始的隐含层修正值和初始的输出层修正值为经验值。
在前向运算完成后，可以根据运算结果进行输出层和隐含层的误差运算与反传，其中，误差运算为计算BP神经网络的实际输出结果和期望输出结果之间的误差。具体地，可以将隐含层输出值和输出层输出值与预期输出值进行比对，确定隐含层的误差和输出层的误差，并将误差反向传输，传输至输出层、隐含层和输入层，确定待更新的隐含层修正值和输出层修正值，而后，可以对隐含层修正值和输出层修正值进行更新，完成一次训练。
当该次训练完成后，可以判断训练次数是否小于设定次数，若是，则表明存储器中的训练样本还未取完，此时，可以获取下一地址中存放的训练样本，并进行BP神经网络进行训练，若否，则表明存储器中的训练样本已经取完，可以结束训练过程。
步骤303，根据输出结果对隐含层修正值和输出层修正值进行更新。
本申请实施例中，当BP神经网络结束训练后，可以根据BP神经网络最后一次的输出结果，对隐含层修正值和输出层修正值进行更新，具体地，可以根据BP神经网络的实际输出结果和期望输出结果之间的误差，确定待更新的隐含层修正值和输出层修正值。由此，可以提升BP神经网络输出结果的准确性。
本申请实施例的BP神经网络的训练方法，通过获取训练样本，而后将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果，最后根据输出结果对隐含层修正值和输出层修正值进行更新。本申请中，经过训练的BP神经网络可以学习得到射线的剂量和图像的最高灰度值之间的非线性关系，后续基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性。
作为一种示例，由于现场可编程逻辑门阵列(Field-Programmable Gate Array，简称FPGA)，是一种可配置的集成电路，含有可编程布线网络，将逻辑阵列模块、嵌入式存储器模块以及数字信号处理器(Digital Signal Processor，简称DSP)模块连接在一起，而中央处理器(Central Processing Unit，简称CPU)和图形处理器(Graphics ProcessingUnit，简称GPU)处理程序指令的数据通路和拓扑则是固定不变的。并且，FPGA资源可以被配置并连接起来，建立定制指令流水线来处理数据，这种体系结构可以非常高效地解决很多类型的计算问题，因此，本申请中，可以搭建一个基于FPGA的BP神经网络平台，例如，参见图5，在搭建好BP神经网络平台后，可以进行功能仿真、时序分析、电路验证等流程，利用该BP神经网络平台完成射线剂量的测量功能。
作为一种示例，BP神经网络在FPGA上进行实现的总体框图可以如图6所示，其中，MULT表示乘(Multiply)，MAC表示乘累加(Multiply-ACcumulate)，Sigmoid为激励函数，Error表示误差，update表示更新。实现过程分为三部分，第一部分为BP神经网络前向信号传递，如图6中区域61所示，第二部分(区域62所示)和第三部分(区域63所示)为BP神经网络反向信号传递。其中，第二部分为误差阶段，包括隐含层的误差和输出层的误差；第三部分为更新阶段，包括输出层修正值的更新和隐含层修正值的更新。
其中，BP神经网络前向信号传递包括两个阶段：第一阶段和第二阶段。第一阶段：原始数据(可为训练样本或实验数据)传入至输入层后，与隐含层修正值进行相乘，而后通过激励函数，产生前向运算的第一阶段；第二阶段：前向运算的第一阶段的输出值传向输出层，与输出层修正值进行乘累加计算，并将所述乘累加输出值输入激励函数，最终得到输出值，完成前向运算的第二阶段。
BP神经网络反向信号传递包括两个阶段：误差阶段和更新阶段。误差阶段：将隐含层输出值与输出层输出值传输至Error模块，Error模块将隐含层输出值与输出层输出值与预期输出值进行比对，确定隐含层的误差和输出层的误差。更新阶段：隐含层的误差和输出层的误差流进Update模块，Update模块根据隐含层的误差和输出层的误差，对输出层修正值和隐含层修正值进行更新。
下面结合图7和8，对第一部分、第二部分和第三部分进行详细说明。
图7为BP神经网络的FPGA训练流程示意图一。
具体地，当系统处于空闲状态时，当接收到启动信号时，状态机可以处于激活状态，而后判断训练次数是否达到设定次数，若否，则获取存储在随机存取存储器(RandomAccess Memory，简称RAM)中的训练样本数据，作为输入层的输入值传送至输入层，与输入层的权值矩阵相乘，相乘的结果传向隐含层，与隐含层修正值相乘，而后通过激励函数产生前向运算第一阶段的输出。前向运算第一阶段的输出传向输出层，与输出层修正值进行乘累加运算后经过输出层的激励函数，最终得到输出结果，完成前向运算的第二阶段。
在前向运算完成后，根据BP神经网络的输出结果与期望输出结果之间的误差，进行误差运算与反传。
在误差反传完成后，更新控制器负责对RAM中的隐含层修正值和输出层修正值进行更新，完成一次训练。该次训练完成后，需要判断此刻地址寄存器的地址和训练样本最大值是否相等，若相等，则表示RAM中的训练样本已经取完，需要将地址寄存器的地址置0，反之，将地址寄存器的地址加1，从而获取下一地址的训练样本数据。该操作完成后，再次对训练次数进行判定，确认是否需要对BP神经网络继续训练。
具体地，BP神经网络训练流程可以如图8所示，FPGA上电启动后，可以从片外RAM往片内存储器写初始的修正值，包括初始的隐含层修正值和初始的输出层修正值，片内的隐含层修正值和输出层修正值被送至各端口，网络正向流动各节点结果，将网络输出结果与预期输出值进行比对，确定输出层修正值、隐含层修正值的误差，当误差大于预期值，可以判断训练次数是否达到设定值，若是，则向片外存储器存入更新后的隐含层修正值和输出层修正值，训练结束。若否，则向片内存储器存入更新后的隐含层修正值和输出层修正值，并继续下一次训练过程。
当误差小于预期值时，表明BP神经网络的精度较高，此时，可以直接向片外存储器存入更新后的隐含层修正值和输出层修正值，训练结束。
为了实现上述实施例，本申请还提出一种射线剂量的测量装置。
图9为本申请实施例四所提供的射线剂量的测量装置的结构示意图。
如图9所示，该射线剂量的测量装置100包括：图像获取模块110、灰度值获取模块120，以及剂量获取模块130。
其中，图像获取模块110，用于获取射线照射的光片的图像。
灰度值获取模块120，用于获取图像的灰度值。
剂量获取模块130，用于根据图像的灰度值查询BP神经网络获取射线的剂量。
进一步地，在本申请实施例的一种可能的实现方式中，参见图10，在图9所示实施例的基础上，该射线剂量的测量装置100还可以包括：
作为一种可能的实现方式，剂量获取模块130，包括：
第一获取子模块131，用于获取隐含层修正值。
生成子模块132，用于根据灰度值和隐含层修正值生成BP神经网络的隐含层输入值，并通过BP网络的多个隐含层生成多个隐含层输出值。
第二获取子模块133，用于获取输出层修正值。
计算子模块134，用于根据多个隐含层输出值和输出层修正值进行乘累加计算以生成乘累加输出值。
输入子模块135，用于将乘累加输出值输入激励函数以生成射线的剂量。
作为一种可能的实现方式，输入子模块135，具体用于：判断乘累加输出值是否在常数逼近值所在的区间；如果在常数逼近值所在的区间，则用查表法获取对应的逼近常数进行逼近运算以生成射线的剂量；如果不在常数逼近值所在的区间，则调用非线性逼近算法进行逼近运算以生成射线的剂量。
需要说明的是，前述对射线剂量的测量方法实施例的解释说明也适用于该实施例的射线剂量的测量装置100，此处不再赘述。
本申请实施例的射线剂量的测量装置，通过获取射线照射的光片的图像，而后，获取图像的灰度值，最后根据图像的灰度值查询BP神经网络获取射线的剂量。由此，根据图像的灰度值，确定射线的剂量，可以不受限于被测射线的剂量，从而可以实现对任何剂量的射线进行探测，提升该方法的适用性。并且，基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性和实时性，从而实现对任何剂量的射线进行实时地探测。
为了实现上述实施例，本申请还提出一种BP神经网络的训练装置。
图11为本申请实施例六所提供的BP神经网络的训练装置的结构示意图。
如图11所示，该BP神经网络的训练装置200包括：样本获取模块210、训练模块220，以及更新模块230。
其中，样本获取模块210，用于获取训练样本。
训练模块220，用于将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果。
作为一种可能的实现方式，训练模块220，具体用于：获取初始的隐含层修正值；根据训练样本和初始的隐含层修正值，生成BP神经网络的隐含层输入值，并通过BP网络的多个隐含层生成多个隐含层输出值；获取初始的输出层修正值；其中，初始的隐含层修正值和初始的输出层修正值为经验值；根据多个隐含层输出值和初始的输出层修正值进行乘累加计算以生成乘累加输出值，并将乘累加输出值输入激励函数，得到输出结果。
更新模块230，用于根据输出结果对隐含层修正值和输出层修正值进行更新。
作为一种可能的实现方式，更新模块230，具体用于：根据输出结果与期望输出结果，确定隐含层的误差和输出层的误差；将隐含层的误差和输出层的误差反向传输至输出层、隐含层和输入层，确定待更新的隐含层修正值和输出层修正值。
进一步地，在本申请实施例的一种可能的实现方式中，参见图12，在图11所示实施例的基础上，该BP神经网络的训练装置200还可以包括：判断模块240和处理模块250。
判断模块240，用于判断训练次数是否小于设定次数。
处理模块250，用于若是，则获取下一个训练样本，并重新执行将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果，并根据输出结果对隐含层修正值和输出层修正值进行更新的步骤；若否，则结束训练过程。
需要说明的是，前述对BP神经网络的训练方法实施例的解释说明也适用于该实施例的BP神经网络的训练装置200，此处不再赘述。
本申请实施例的BP神经网络的训练装置，通过获取训练样本，而后将训练样本输入BP神经网络对BP神经网络进行训练，获取输出结果，最后根据输出结果对隐含层修正值和输出层修正值进行更新。本申请中，经过训练的BP神经网络可以学习得到射线的剂量和图像的最高灰度值之间的非线性关系，后续基于BP神经网络，确定射线的剂量，可以提升射线的剂量确定的准确性。
为了实现上述实施例，本申请还提出一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如本申请前述实施例中提出的射线剂量的测量方法，或者，实现如本申请前述实施例中提出的BP神经网络的训练方法。
为了实现上述实施例，本申请还提出一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本申请前述实施例中提出的射线剂量的测量方法，或者，实现如本申请前述实施例中提出的BP神经网络的训练方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (16)

1.一种射线剂量的测量方法，其特征在于，包括：
获取射线照射的光片的图像；
获取所述图像的灰度值；以及
根据所述图像的灰度值查询BP神经网络获取所述射线的剂量。
2.如权利要求1所述的射线剂量的测量方法，其特征在于，所述根据所述图像的灰度值查询BP神经网络获取所述射线的剂量，包括：
获取隐含层修正值；
根据所述灰度值和所述隐含层修正值生成所述BP神经网络的隐含层输入值，并通过所述BP网络的多个隐含层生成多个隐含层输出值；
获取输出层修正值；
根据所述多个隐含层输出值和所述输出层修正值进行乘累加计算以生成乘累加输出值，并将所述乘累加输出值输入激励函数以生成所述射线的剂量。
3.如权利要求2所述的射线剂量的测量方法，其特征在于，所述将所述乘累加输出值输入激励函数以生成所述射线的剂量，包括：
判断所述乘累加输出值是否在常数逼近值所在的区间；
如果在所述常数逼近值所在的区间，则用查表法获取对应的逼近常数进行逼近运算以生成所述射线的剂量；
如果不在所述常数逼近值所在的区间，则调用非线性逼近算法进行逼近运算以生成所述射线的剂量。
4.一种BP神经网络的训练方法，其特征在于，包括：
获取训练样本；
将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果；
根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新。
5.如权利要求4所述的BP神经网络的训练方法，其特征在于，所述将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果，包括：
获取初始的隐含层修正值；
根据所述训练样本和所述初始的隐含层修正值，生成所述BP神经网络的隐含层输入值，并通过所述BP网络的多个隐含层生成多个隐含层输出值；
获取初始的输出层修正值；其中，所述初始的隐含层修正值和所述初始的输出层修正值为经验值；
根据所述多个隐含层输出值和所述初始的输出层修正值进行乘累加计算以生成乘累加输出值，并将所述乘累加输出值输入激励函数，得到所述输出结果。
6.如权利要求5所述的BP神经网络的训练方法，其特征在于，所述根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新，包括：
根据所述输出结果与期望输出结果，确定隐含层的误差和输出层的误差；
将隐含层的误差和输出层的误差反向传输至输出层、隐含层和输入层，确定待更新的隐含层修正值和输出层修正值。
7.如权利要求4-6任一所述的BP神经网络的训练方法，其特征在于，还包括：
判断训练次数是否小于设定次数；
若是，则获取下一个训练样本，并重新执行将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果，并根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新的步骤；
若否，则结束训练过程。
8.一种射线剂量的测量装置，其特征在于，包括：
图像获取模块，用于获取射线照射的光片的图像；
灰度值获取模块，用于获取所述图像的灰度值；以及
剂量获取模块，用于根据所述图像的灰度值查询BP神经网络获取所述射线的剂量。
9.如权利要求8所述的射线剂量的测量装置，其特征在于，所述剂量获取模块，包括：
第一获取子模块，用于获取隐含层修正值；
生成子模块，用于根据所述灰度值和所述隐含层修正值生成所述BP神经网络的隐含层输入值，并通过所述BP网络的多个隐含层生成多个隐含层输出值；
第二获取子模块，用于获取输出层修正值；
计算子模块，用于根据所述多个隐含层输出值和所述输出层修正值进行乘累加计算以生成乘累加输出值；
输入子模块，用于将所述乘累加输出值输入激励函数以生成所述射线的剂量。
10.如权利要求9所述的射线剂量的测量装置，其特征在于，所述输入子模块，具体用于：
判断所述乘累加输出值是否在常数逼近值所在的区间；
如果在所述常数逼近值所在的区间，则用查表法获取对应的逼近常数进行逼近运算以生成所述射线的剂量；
如果不在所述常数逼近值所在的区间，则调用非线性逼近算法进行逼近运算以生成所述射线的剂量。
11.一种BP神经网络的训练装置，其特征在于，还包括：
样本获取模块，用于获取训练样本；
训练模块，用于将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果；
更新模块，用于根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新。
12.如权利要求11所述的BP神经网络的训练装置，其特征在于，训练模块，具体用于：
获取初始的隐含层修正值；
根据所述训练样本和所述初始的隐含层修正值，生成所述BP神经网络的隐含层输入值，并通过所述BP网络的多个隐含层生成多个隐含层输出值；
获取初始的输出层修正值；其中，所述初始的隐含层修正值和所述初始的输出层修正值为经验值；
根据所述多个隐含层输出值和所述初始的输出层修正值进行乘累加计算以生成乘累加输出值，并将所述乘累加输出值输入激励函数，得到所述输出结果。
13.如权利要求12所述的BP神经网络的训练装置，其特征在于，所述更新模块，具体用于：
根据所述输出结果与期望输出结果，确定隐含层的误差和输出层的误差；
将隐含层的误差和输出层的误差反向传输至输出层、隐含层和输入层，确定待更新的隐含层修正值和输出层修正值。
14.如权利要求11-13任一项所述的BP神经网络的训练装置，其特征在于，还包括：
判断模块，用于判断训练次数是否小于设定次数；
处理模块，用于若是，则获取下一个训练样本，并重新执行将所述训练样本输入所述BP神经网络对所述BP神经网络进行训练，获取输出结果，并根据所述输出结果对所述隐含层修正值和所述输出层修正值进行更新的步骤；若否，则结束训练过程。
15.一种计算机设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-3中任一所述的射线剂量的测量方法，或者，实现如权利要求4-7任一所述的BP神经网络的训练方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的射线剂量的测量方法，或者，实现如权利要求4-7任一所述的BP神经网络的训练方法。
CN201811256714.3A 2018-10-26 2018-10-26 射线剂量的测量方法及其装置、训练方法及其装置 Pending CN109360202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811256714.3A CN109360202A (zh) 2018-10-26 2018-10-26 射线剂量的测量方法及其装置、训练方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811256714.3A CN109360202A (zh) 2018-10-26 2018-10-26 射线剂量的测量方法及其装置、训练方法及其装置

Publications (1)

Publication Number Publication Date
CN109360202A true CN109360202A (zh) 2019-02-19

Family

ID=65346766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811256714.3A Pending CN109360202A (zh) 2018-10-26 2018-10-26 射线剂量的测量方法及其装置、训练方法及其装置

Country Status (1)

Country Link
CN (1) CN109360202A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108078576A (zh) * 2016-11-21 2018-05-29 株式会社东芝 医学图像处理的装置、方法、计算机可读程序以及移动对象跟踪装置和放射治疗系统
CN108304921A (zh) * 2018-02-09 2018-07-20 北京市商汤科技开发有限公司 卷积神经网络的训练方法及图像处理方法、装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108078576A (zh) * 2016-11-21 2018-05-29 株式会社东芝 医学图像处理的装置、方法、计算机可读程序以及移动对象跟踪装置和放射治疗系统
CN108304921A (zh) * 2018-02-09 2018-07-20 北京市商汤科技开发有限公司 卷积神经网络的训练方法及图像处理方法、装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张江石: "《行为安全管理中的数学模型及应用》", 28 February 2016, 煤炭工业出版社 *
王明远，: "基于CMOS的辐射剂量及二维分布探测器设计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
王芳，等: "神经网络LM算法在X射线探测器中的应用", 《河南师范大学学报(自然科学版)》 *
闻新: "《应用MATLAB实现神经网络》", 30 June 2015, 国防工业出版社 *

Similar Documents

Publication Publication Date Title
CN109871871B (zh) 基于光学神经网络结构的图像识别方法、装置及电子设备
CN108009640A (zh) 基于忆阻器的神经网络的训练装置及其训练方法
EP0631254A2 (en) Neural network and method of using same
Schoenauer et al. NeuroPipe-Chip: A digital neuro-processor for spiking neural networks
CN109711329A (zh) 姿态估计及网络训练方法、装置和系统及存储介质
US20200074293A1 (en) Computing Device for Multiple Activation Functions in Neural Networks
CN113379042B (zh) 保护数据隐私的业务预测模型训练方法及装置
CN107122825A (zh) 一种神经网络模型的激活函数生成方法
US20180137408A1 (en) Method and system for event-based neural networks
Li et al. A hardware/software co-design approach for face recognition
Kiselev et al. Event-driven deep neural network hardware system for sensor fusion
CN115271033B (zh) 基于联邦知识蒸馏医学图像处理模型构建及其处理方法
GB2580153A (en) Converting floating point numbers to reduce the precision
CN110503181B (zh) 用于生成多层神经网络的方法和装置
CN109360202A (zh) 射线剂量的测量方法及其装置、训练方法及其装置
CN106557566A (zh) 一种文本训练方法及装置
CN111275059B (zh) 一种图像处理方法、装置和计算机可读存储介质
CN109190757A (zh) 任务处理方法、装置、设备及计算机可读存储介质
CN108549899A (zh) 一种图像识别方法及装置
US20230146192A1 (en) Post processing system and post processing method for reconstructed images and non-transitory computer readable medium
WO2023184598A1 (zh) 基于人工智能的心脏模拟器数据矫正系统和方法
CN106326639A (zh) 一种ecg仿真信号建模与分段发生方法
JPH07210534A (ja) ニューラルネットワーク
CN113112400B (zh) 一种模型训练方法及模型训练装置
CN109872812A (zh) 一种基于卷积神经网络的虚拟医生诊断系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination