CN112580680B - 一种训练样本的生成方法、装置、存储介质及电子设备 - Google Patents

一种训练样本的生成方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN112580680B
CN112580680B CN201910941720.0A CN201910941720A CN112580680B CN 112580680 B CN112580680 B CN 112580680B CN 201910941720 A CN201910941720 A CN 201910941720A CN 112580680 B CN112580680 B CN 112580680B
Authority
CN
China
Prior art keywords
data
phase stepping
phase
artifact
stepping data
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.)
Active
Application number
CN201910941720.0A
Other languages
English (en)
Other versions
CN112580680A (zh
Inventor
葛永帅
梁栋
朱炯滔
陈剑威
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910941720.0A priority Critical patent/CN112580680B/zh
Publication of CN112580680A publication Critical patent/CN112580680A/zh
Application granted granted Critical
Publication of CN112580680B publication Critical patent/CN112580680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明实施例公开了一种训练样本的生成方法、装置、存储介质及电子设备。该方法包括：采集至少一组相位步进数据；在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；基于所述当前组中更新后的相位步进数据生成莫尔伪影数据；将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据。本发明实施例通过对相位步进数据进行更新，解决了需要通过重复实验制备大量相位步进数据的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。

Description

一种训练样本的生成方法、装置、存储介质及电子设备
技术领域
本发明实施例涉及相衬成像技术，尤其涉及一种训练样本的生成方法、装置、存储介质及电子设备。
背景技术
X射线光栅相衬成像技术是一种基于光栅干涉效应实现相位衬度成像的方法。该新型成像方法可以产生三种不同的物体信号，即物体内部的吸收信号、散射信号和折射信号。从成像装置角度来说，X射线光栅相衬成像系统除了包含必要的X光源、X射线探测器、机械装置外，通常还包括由X射线吸收或者相位光栅组成的干涉仪系统。在基于上述X射线光栅相衬成像系统成像过程中源光栅把从常规X光源发射出来的没有相干特性的X光转换成具有一定相干特性的X光，通过干涉效应在光栅后面特定的距离处产生干涉条纹，与吸收光栅产生莫尔效应，生成周期远远大于干涉条纹周期的莫尔条纹。由于各类非理想实验条件，例如：光栅机械步进移动的不精准、光源焦斑位置的不稳定，会导致利用常规解析信号提取算法得到的图像带有伪影。由于这类伪影的分布形态类似从探测器采集得到的原始莫尔干涉条纹，因此被叫做莫尔伪影。这类莫尔伪影会大大降低图像的质量，影响图像的可读性。
从图像后处理的角度来看，这些莫尔伪影可以被认为是附加在真实信号之上的某种额外的信号。根据上述思路，提出用深度学习技术去除该类莫尔伪影，但是，基于深度学习技术去除该类莫尔伪影需依赖大量的高质量样本数据，为了满足样本数据的需求，不仅需要在从实验上多次重复采集大量不同的相位步进数据，同时还需要重复同样的数据采集过程来降低X光子涨落带来的量子噪声。上述样本生成方式效率差、过程繁琐，不利于训练样本的快速生成。
发明内容
本发明提供一种训练样本的生成方法、装置、存储介质及电子设备，以快速生成具有高振幅强度莫尔伪影的样本图像。
第一方面，本发明实施例提供了一种训练样本的生成方法，该方法包括：
采集至少一组相位步进数据；
在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；
基于所述当前组中更新后的相位步进数据生成莫尔伪影数据；
将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据。
第二方面，本发明实施例还提供了一种训练样本的生成装置，该装置包括：
相位步进数据采集模块，用于采集至少一组相位步进数据；
相位步进数据更新模块，用于在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；
莫尔伪影数据生成模块，用于基于所述当前组中更新后的相位步进数据生成莫尔伪影数据；
样本图像数据生成模块，用于将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据。
第三方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的训练样本的生成方法。
第四方面，本发明实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述所涉及的任一所述的训练样本的生成方法。
本发明实施例通过对相位步进数据进行更新，解决了需要通过重复实验制备大量训练样本的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。
附图说明
图1是本发明实施例一提供的一种训练样本的生成方法的流程图。
图2是本发明实施例二提供的一种训练样本的生成方法的流程图。
图3是本发明实施例二提供的一种相位步进数据更新方法的流程图。
图4是本发明实施例三提供的一种训练样本的生成方法的流程图。
图5是本发明实施例四提供的一种训练样本的生成装置的示意图。
图6是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
申请人通过研究基于Talbot-Lau干涉仪的X射线相衬成像莫尔伪影理论，发现适当增加相位步进位置的不精确性能够直接增大图像莫尔伪影的振幅强度。
基于标准的相位步进信号理论模型，探测器在第k个相位步进位置采集得到的X射线强度表示如下：
其中，I0是相位步进曲线基线值，φ是相位步进曲线相位，ò是干涉条纹反衬度，M是相位步进数(M≥3)，k＝1,2……M，M为正整数。
考虑到实际实验中的不确定因素，例如：光栅机械步进移动的不精准、光源焦斑位置的不稳定、等，在理论分析过程中将相位步进偏差η(k)引入信号模型中，这样，式(1)变为：
考虑到相位步进偏差η(k)都是小量，因此利用Taylor近似，可以得到如下吸收图、散射图和折射图与η(k)的关系式：
其中，代表带有莫尔伪影的吸收图像，A代表不带莫尔伪影的吸收图像；/>代表带有莫尔伪影的散射图像，S代表不带莫尔伪影的散射图像；/>代表带有莫尔伪影的折射图像，P代表不带莫尔伪影的折射图像。下角标ref代表不带物体时候采集得到的相位步进数据，obj代表有物体时候采集得到的相位步进数据。在此推导过程中，我们假设使用了传统的解析信号提取方法。可以看出，相比不带莫尔伪影的图像而言，新的信号模型下得到的各个衬度图像都带有额外项，而这些额外项是很多正弦或者余弦信号的叠加。如果认为系统在不带物体和带物体情况下的相位步进不精确度，即η(k)，服从相似的统计分布，那么显然适当增加相位步进位置的不精确度，将能够直接增大从传统信号提取过程得到的图像莫尔伪影的振幅强，间接增大图像的信噪比。
基于上述的理论结果，申请人提出可以通过适当增加相位步进不精确度的手段来得到具有较高幅度的纯莫尔伪影图像样本。具体的，增加相位步进的不精确度可以是直接对已采集的原始的相位步进数据进行更新，当然，也可以是在实验采集过程中，人为增加相位步进位移台的不精确度。可以理解的是，其他增大相位步进不精确度的数据采集或者采集方法都属于本发明实施例的保护范围。
实施例一
图1为本发明实施例一提供的一种训练样本的生成方法的流程图，本实施例可适用于X射线光栅相衬成像生成训练样本的情况，该方法可以由训练样本的生成装置来执行，具体包括如下步骤：
S110、采集至少一组相位步进数据。
在一个实施例中，可以利用常规Talbot-Lau干涉仪X射线相衬成像实验平台，采用相位步进技术采集多组完整的相位步进数据，其中，相位步进数据可以是图像，即每一组相衬步进数据可以是包括多张相衬步进图像。其中，相位步进技术是通过依次移动干涉仪中的一个光栅，每次移动的距离相等，且总移动长度为被移动光栅的一个周期，每次移动光栅的同时使用探测器探测到多幅具有不同分布的莫尔条纹图像。对任意一个探测器单元，其探测到的相位步进信号数学上可以用正弦模型来描述。基于这个信号模型，通常可以从各步进图像中解析的求得吸收图、散射图和折射图。
S120、在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据。
在一个实施例中，第一相位步进数据是用于进行替换的相位步进数据，第二相位步进数据是被替换的相位步进数据。第一相位步进数据的数量与第二相位步进数据可以相同或不同。例如，可以将一个第一相位步进数据(例如K＝1的相位步进数据)替换一个第二相位步进数据，其中，第二相位步进数据可以是当前组相位步进数据中除K＝1的相位步进数据以外的任一个相位步进数据；例如，将一个第一相位步进数据(例如K＝1的相位步进数据)替换两个或两个以上第二相位步进数据，其中，第二相位步进数据可以是当前组相位步进数据中，除K＝1的相位步进数据以外的任任意数量的相位步进数据。例如，两个或两个以上的第一相位步进数据(例如K＝1、2的相位步进数据)替换两个或两个以上第二相位步进数据，其中，第二相位步进数据可以是K＝3、4的相位步进数据，可以是K＝2、3、4的相位步进数据等。
通过对已有的相位步进数据进行更新以获得更多的训练样本。其中，更新的方式包括但不限于数据替换和数据融合。这样设置的好处在于，可以增加相位步进的不精确性，从而达到增大莫尔伪影振幅的目的。
S130、基于当前组中更新后的相位步进数据生成莫尔伪影数据。
在一个实施例中，可选的，莫尔伪影数据包括吸收伪影数据、折射伪影数据和散射伪影数据。基于如下公式可得到莫尔伪影数据：
其中，I(k)是第k个相位步进位置更新后的X射线强度，是吸收伪影数据，/>是散射伪影数据，/>是折射伪影数据，M为相位步进数据的数量。
S140、将莫尔伪影数据添加至标准图像数据，生成样本图像数据。
在一个实施例中，标准图像数据可以是常规Talbot-Lau干涉仪X射线相衬成像实验平台采集到的不带伪影的图像数据，当然，也可以是常规的不带伪影的图像数据。示例性的，常规的不带伪影的图像数据包括但不限于风景图像、人物图像和物体图像等等。将标准图像数据包含的范围扩大可以进一步的增加样本图像数据量。
在一个实施例中，将吸收伪影数据、折射伪影数据和散射伪影数据中的至少一项添加至标准图像数据，生成样本图像数据。可选的，可以将吸收伪影数据、折射伪影数据和散射伪影数据的任一项添加至标准图像数据，生成样本图像数据。这样设置的好处在于，增加了对莫尔伪影数据的添加方式，从而使获得的样本图像数据量增加。举例而言，对一组相位步进数据获得的吸收伪影数据、折射伪影数据和散射伪影数据，将其中至少一项添加至标准图像数据中，可以得到至少三种样本图像数据。
本实施例的技术方案，通过对相位步进数据进行更新，解决了需要通过重复实验制备大量训练样本的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。
在上述技术方案的基础上，在生成样本图像数据之后，还包括：
基于样本图像数据和标准图像数据，对初始去伪影模型进行训练，生成去伪影模型，去伪影模型用于对输入的相位步进数据进行处理，得到不带伪影的相位步进数据。
在上述技术方案的基础上，根据得到的样本图像数据和标准图像数据，训练生成去伪影模型。其中，去伪影模型可以采用卷积神经网络算法对输入的样本图像数据和标准图像数据进行学习分类，从而实现对莫尔伪影的去除，得到不带伪影的相位步进数据。其中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。
在一个实施例中，去伪影模型不仅可以实现对图像中莫尔伪影的去除，还可以对输入的相位步进数据进行处理，其中，处理方法可以是本发明任意实施例记载的相位步进数据的更新方法，将更新后的相位步进数据生成莫尔伪影数据添加至标准图像数据，生成样本图像数据。将样本图像数据作为卷积神经网络算法的输入，从而得到不带伪影的相位步进数据，即标准图像数据。
这样设置的好处在于，利用去伪影模型可以直接对输入的有限相位步进数据进行样本数量的扩充，以供卷积神经网络对去除样本图像数据中莫尔伪影进行学习训练。
实施例二
图2是本发明实施例二提供的一种训练样本的生成方法的流程图，本实施例的技术方案是在上述实施例的基础上进行的进一步地细化，可选的，基于至少一个第一相位步进数据更新至少一个的第二相位步进数据，包括：
基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，其中，第二数量大于或等于第一数量。
具体的，第一数量为1，第二数量为大于或等于1的正整数，相应的，基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，包括：
基于当前组中的任一第一相位步进数据替换当前组中的第二数量的第二相位步进数据，其中，第一相位步进数据与第二相位步进数据不重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。
类似的，第一数量为大于或等于1的正整数，第二数量为大于或等于1的正整数，其中，第一相位步进数据与第二相位步进数据不重叠或部分重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。
本实施例的方法具体包括如下步骤：
S210、采集至少一组相位步进数据。
S220、基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，其中，第二数量大于或等于第一数量。
在一个实施例中，当相位步进数据的更新方法为数据替换时，可选的，第一数量为大于或等于1的正整数，第二数量为大于或等于1的正整数，第一数量与第二数量可以是相同，也可以是不同，其中，第一相位步进数据与第二相位步进数据不重叠或部分重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。举例而言，当第一数量为3，则当前组中的第一步进相位数据的任意3组，如k＝1，k＝2，k＝3。当第一步进数据与第二步进数据不重叠时，对应的当前组中的第二相位数据的任意3组可以是k＝4，k＝5，k＝6。类似的，当第一步进数据与第二步进数据部分重叠时，对应的当前组中的第二相位数据的任意3组可以是k＝3，k＝4，k＝5。其中，替换的方式可以是位置对应替换，也可以是位置随意对应替换，此处对替换的组合方式不作限定。
在一个实施例中，本发明实施例对相位步进数据替换的次数和替换的数量不作限定，但任一组中更新后的相位步进数据中包括至少两种相位步进数据，示例性的，更新后的相位步进数据中包括k＝1，k＝2的相位步进数据，不能出现k＝1，k＝1的相位步进数据。
在一个实施例中，具体的，当第一数量为1，第二数量为大于或等于1的正整数，基于当前组中的任一第一相位步进数据替换当前组中的第二数量的第二相位步进数据，其中，第一相位步进数据与第二相位步进数据不重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。图3是本发明实施例二提供的一种相位步进数据更新方法的流程图。举例而言，当前组的相位步进数有8个。当第一数量为1，第二数量为1，且第二相位步进数据选择k＝5的相位步进数据时，将k＝5以外的其余任一相位步进数据替换k＝5的相位步进数据。可以理解的是，当当前组的相位步进数据有M个时，基于上述替换方式，最终可以得到M×(M-1)个不同的相位步进数据，大幅度的增加了训练样本量。
S230、基于当前组中更新后的相位步进数据生成莫尔伪影数据。
S240、将莫尔伪影数据添加至标准图像数据，生成样本图像数据。
本实施例的技术方案，通过对相位步进数据进行替换，解决了需要通过重复实验制备大量训练样本的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。
实施例三
图4是本发明实施例三提供的一种训练样本的生成方法的流程图，本实施例的技术方案是在上述实施例的基础上进行的进一步地细化，可选的，基于至少一个第一相位步进数据更新至少一个的第二相位步进数据，包括：
基于两个或两个以上的第一相位步进数据进行数据融合，生成至少一个融合相位步进数据；
基于至少一个融合相位步进数据替换当前组中至少一个第二相位步进数据。
本实施例的方法具体包括如下步骤：
S310、采集至少一组相位步进数据。
S320、基于两个或两个以上的第一相位步进数据进行数据融合，生成至少一个融合相位步进数据。
S330、基于至少一个融合相位步进数据替换当前组中至少一个第二相位步进数据。
在一个实施例中，举例而言，第一相位步进数据包括k＝1相位步进数据和k＝2相位步进数据，将两个相位步进数据进行数据融合，其中数据融合包括但不限于对应像素点数据叠加、数据均值化或者数据加权处理等，生成融合相位步进数据。根据融合相位步进数据，可以将其替换k＝1相位步进数据或k＝2相位步进数据，当然，也可以替换k＝1和k＝2以外的其余任意一个或多个相位步进数据。当第一相位步进数据的数量大于2时，如3个，通过数据融合可以只得到一个融合相位步进数据，当然，也可以得到4个融合相位步进数据。
S340、基于当前组中更新后的相位步进数据生成莫尔伪影数据。
S350、将莫尔伪影数据添加至标准图像数据，生成样本图像数据。
本实施例的技术方案，通过对相位步进数据进行数据融合，解决了需要通过重复实验制备大量训练样本的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。
实施例四
图5为本发明实施例四提供的一种训练样本的生成装置的示意图，本实施例可适用于X射线光栅相衬成像生成训练样本的情况，该方法可以由电子设备来执行。该训练样本的生成装置包括：相位步进数据采集模块410、相位步进数据更新模块420、伪影数据生成模块420和样本图像数据生成模块440。
其中，相位步进数据采集模块410，用于采集至少一组相位步进数据。
相位步进数据更新模块420，用于在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据。
伪影数据生成模块430，用于基于当前组中更新后的相位步进数据生成莫尔伪影数据。
样本图像数据生成模块440，用于将莫尔伪影数据添加至标准图像数据，生成样本图像数据。
本发明实施例通过对相位步进数据进行更新，解决了需要通过重复实验制备大量训练样本的问题，实现了快速生成具有高振幅强度莫尔伪影的样本图像，为利用卷积神经网络来去除X射线光栅相衬成像中图像莫尔伪影的方法提供支持。
可选的，相位步进数据更新模块420包括：
相位步进数据替换单元，用于基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，其中，第二数量大于或等于第一数量。
可选的，相位步进数据替换单元具体用于：
第一数量为1，第二数量为大于或等于1的正整数，基于当前组中的任一第一相位步进数据替换当前组中的第二数量的第二相位步进数据，其中，第一相位步进数据与第二相位步进数据不重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。
可选的，相位步进数据替换单元具体用于：
第一数量为大于或等于1的正整数，第二数量为大于或等于1的正整数，其中，第一相位步进数据与第二相位步进数据不重叠或部分重叠，任一组中更新后的相位步进数据中包括至少两种相位步进数据。
可选的，相位步进数据更新模块420包括：
相位步进数据融合单元，用于基于两个或两个以上的第一相位步进数据进行数据融合，生成至少一个融合相位步进数据。
相位步进数据替换单元，用于基于至少一个融合相位步进数据替换当前组中至少一个第二相位步进数据。
可选的，莫尔伪影数据包括吸收伪影数据、折射伪影数据和散射伪影数据。
可选的，样本图像数据生成模块440包括：
莫尔伪影数据添加单元，用于将吸收伪影数据、折射伪影数据和散射伪影数据的任一项添加至标准图像数据，生成样本图像数据。
可选的，该装置还包括：
伪影模型生成模块，用于基于样本图像数据和标准图像数据，对初始去伪影模型进行训练，生成去伪影模型，去伪影模型用于对输入的相位步进数据进行处理，得到不带伪影的相位步进数据。
本发明实施例所提供的训练样本的生成装置可以用于执行本发明实施例所提供的训练样本的生成方法，具备执行方法相应的功能和有益效果。
实施例五
图6是本发明实施例五提供的一种电子设备的结构示意图，本发明实施例五为本发明上述实施例任一的训练样本的生成方法的实现提供服务，可配置本发明实施例四中的训练样本的生成装置。
图6为本发明实施例五提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图C未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的训练样本的生成方法。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种训练样本的生成方法，该方法包括：
采集至少一组相位步进数据；
在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；
基于当前组中更新后的相位步进数据生成莫尔伪影数据；
将莫尔伪影数据添加至标准图像数据，生成样本图像数据。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作，还可以执行本发明任意实施例所提供的训练样本的生成方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种训练样本的生成方法，其特征在于，包括：
采集至少一组相位步进数据；
在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；
基于所述当前组中更新后的相位步进数据生成莫尔伪影数据；
将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据。
2.根据权利要求1所述的方法，其特征在于，基于至少一个第一相位步进数据更新至少一个的第二相位步进数据，包括：
基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，其中，所述第二数量大于或等于所述第一数量。
3.根据权利要求2所述的方法，其特征在于，第一数量为1，所述第二数量为大于或等于1的正整数，相应的，基于第一数量的第一相位步进数据替换第二数量的第二相位步进数据，包括：
基于所述当前组中的任一第一相位步进数据替换所述当前组中的第二数量的第二相位步进数据，其中，所述第一相位步进数据与所述第二相位步进数据不重叠，更新后的相位步进数据中包括至少两种相位步进数据。
4.根据权利要求2所述的方法，其特征在于，第一数量为大于或等于1的正整数，所述第二数量为大于或等于1的正整数，其中，所述第一相位步进数与所述第二相位步进数据不重叠或部分重叠，更新后的相位步进数据中包括至少两种相位步进数据。
5.根据权利要求1所述的方法，其特征在于，基于至少一个第一相位步进数据更新至少一个的第二相位步进数据，包括：
基于两个或两个以上的第一相位步进数据进行数据融合，生成至少一个融合相位步进数据；
基于所述至少一个融合相位步进数据替换所述当前组中至少一个第二相位步进数据。
6.根据权利要求1-5任一所述的方法，其特征在于，所述莫尔伪影数据包括吸收伪影数据、折射伪影数据和散射伪影数据，相应的，将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据，包括：
将所述吸收伪影数据、所述折射伪影数据和所述散射伪影数据的任一项添加至标准图像数据，生成样本图像数据。
7.根据权利要求1所述的方法，其特征在于，在生成样本图像数据之后，还包括：
基于所述样本图像数据和所述标准图像数据，对初始去伪影模型进行训练，生成去伪影模型，所述去伪影模型用于对输入的相位步进数据进行处理，得到不带伪影的相位步进数据。
8.一种训练样本的生成装置，其特征在于，该装置包括：
相位步进数据采集模块，用于采集至少一组相位步进数据；
相位步进数据更新模块，用于在当前组相位步进数据中，基于至少一个第一相位步进数据更新至少一个第二相位步进数据；
莫尔伪影数据生成模块，用于基于所述当前组中更新后的相位步进数据生成莫尔伪影数据；
样本图像数据生成模块，用于将所述莫尔伪影数据添加至标准图像数据，生成样本图像数据。
9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的训练样本的生成方法。
10.一种电子设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的训练样本的生成方法。
CN201910941720.0A 2019-09-30 2019-09-30 一种训练样本的生成方法、装置、存储介质及电子设备 Active CN112580680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910941720.0A CN112580680B (zh) 2019-09-30 2019-09-30 一种训练样本的生成方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910941720.0A CN112580680B (zh) 2019-09-30 2019-09-30 一种训练样本的生成方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN112580680A CN112580680A (zh) 2021-03-30
CN112580680B true CN112580680B (zh) 2023-11-07

Family

ID=75116354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910941720.0A Active CN112580680B (zh) 2019-09-30 2019-09-30 一种训练样本的生成方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112580680B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105874509A (zh) * 2013-12-30 2016-08-17 卡尔斯特里姆保健公司 微分相衬成像中的相位恢复
WO2019053052A1 (en) * 2017-09-12 2019-03-21 Itu Business Development A/S METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017521167A (ja) * 2014-07-17 2017-08-03 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 信号処理システム、信号処理方法、コンピュータプログラム及び記憶媒体
US10346721B2 (en) * 2017-11-01 2019-07-09 Salesforce.Com, Inc. Training a neural network using augmented training datasets

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105874509A (zh) * 2013-12-30 2016-08-17 卡尔斯特里姆保健公司 微分相衬成像中的相位恢复
WO2019053052A1 (en) * 2017-09-12 2019-03-21 Itu Business Development A/S METHOD FOR (RE-) TRAINING MACHINE LEARNING COMPONENT

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automatic image-domain Moiré artifact reduction method in grating-based x-ray interferometry imaging;Jianwei Chen，et al.;Physics in Medicine & Biology;第64卷(第19期);全文 *
Deep learning in medical imaging and radiation therapy;Lubomir M. Hadjiiski，et al.;Med. Phys.;第46卷(第1期);全文 *
Hu Chen ; et al..Low-dose CT denoising with convolutional neural network. 2017 IEEE 14th International Symposium on Biomedical Imaging (ISBI).2017,全文. *

Also Published As

Publication number Publication date
CN112580680A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
Peel et al. Breaking degeneracies in modified gravity with higher (than 2nd) order weak-lensing statistics
Katz Questions of uniqueness and resolution in reconstruction from projections
CN111325675B (zh) 图像处理方法、装置、设备和存储介质
Mohan et al. Deep denoising for scientific discovery: A case study in electron microscopy
Zhang et al. CT artifact reduction via U-net CNN
Topal et al. Deep learning-based inaccuracy compensation in reconstruction of high resolution XCT data
Feng et al. NeuWS: Neural wavefront shaping for guidestar-free imaging through static and dynamic scattering media
Duval-Poo et al. Solar hard X-ray imaging by means of compressed sensing and finite isotropic wavelet transform
Aslan et al. Joint ptycho-tomography with deep generative priors
CN112580680B (zh) 一种训练样本的生成方法、装置、存储介质及电子设备
CN111062882B (zh) 一种能谱投影数据处理方法、装置、电子设备及存储介质
Zhang et al. CT image reconstruction algorithms: A comprehensive survey
Li et al. Unsupervised data fidelity enhancement network for spectral CT reconstruction
Sánchez-Janssen et al. A Virtual Observatory Census to Address Dwarfs Origins (AVOCADO)-I. Science goals, sample selection, and analysis tools
Ayyagari et al. Image reconstruction using priors from deep learning
Wang et al. Semi-supervised noise distribution learning for low-dose CT restoration
Whiteley et al. Direct image reconstruction from raw measurement data using an encoding transform refinement-and-scaling neural network
Ashrafinia et al. Towards continualized task-based resolution modeling in PET imaging
Goy et al. The importance of physical pre-processors for quantitative phase retrieval under extremely low photon counts
Yoon et al. A motion estimation and compensation algorithm for 4D CBCT of the abdomen
Zhang et al. Deep learning in image reconstruction: vulnerability under adversarial attacks and potential defense strategies
Guo et al. Theoretically-exact filtered-backprojection reconstruction from real data on the line-ellipse-line trajectory
CN114445638A (zh) 一种相位衬度成像方法、装置、设备及存储介质
Jo et al. Scatter correction method with primary modulator for dual energy digital radiography: a preliminary study
Jolivet et al. A fast gradient-based algorithm for image reconstruction in inverse geometry CT architecture with sparse distributed sources

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
GR01 Patent grant
GR01 Patent grant