CN114692822A - 扫描模型训练方法、扫描方法、装置及存储介质 - Google Patents

扫描模型训练方法、扫描方法、装置及存储介质 Download PDF

Info

Publication number
CN114692822A
CN114692822A CN202011636908.3A CN202011636908A CN114692822A CN 114692822 A CN114692822 A CN 114692822A CN 202011636908 A CN202011636908 A CN 202011636908A CN 114692822 A CN114692822 A CN 114692822A
Authority
CN
China
Prior art keywords
scanning
model
scan
parameters
predicted
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.)
Granted
Application number
CN202011636908.3A
Other languages
English (en)
Other versions
CN114692822B (zh
Inventor
熊欧
许文挺
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.)
Wuhan United Imaging Life Science Instrument Co Ltd
Original Assignee
Wuhan United Imaging Life Science Instrument 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 Wuhan United Imaging Life Science Instrument Co Ltd filed Critical Wuhan United Imaging Life Science Instrument Co Ltd
Priority to CN202011636908.3A priority Critical patent/CN114692822B/zh
Publication of CN114692822A publication Critical patent/CN114692822A/zh
Application granted granted Critical
Publication of CN114692822B publication Critical patent/CN114692822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/508—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for non-human patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Processing Or Creating Images (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种扫描模型训练方法、扫描方法、装置及存储介质，该扫描方法包括：获取第二用户上传的待测动物的实验对象参数以及用户需求指令；将待测动物的实验对象参数作为第一扫描模型的输入参数，确定第一扫描模型输出的预测扫描参数；根据用户需求指令判断是否需要平片扫描；若第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对第一扫描模型输出的预测扫描参数进行更新。本发明基于第二用户当前需求，通过第一扫描模型和第二扫描模型自动帮第二用户规划好适合当前实验对象的准确扫描方案，一键完成扫描，提高第二用户使用方便度。

Description

扫描模型训练方法、扫描方法、装置及存储介质
技术领域
本发明涉及医学影像技术领域，尤其涉及一种扫描模型训练方法、扫描方法、装置及存储介质。
背景技术
动物临床前影像系统(例如microPET/CT、microCT等)越来越广泛的被应用到各个领域的研究中，在现有技术中，相关工作人员通过手动设置扫描参数完成对动物对象的图像扫描，该方法存在诸多弊端。一方面，不同动物类型的身体构造有所不同，对应的扫描参数也应有所不同，然而实际扫描过程中，相关工作人员并不关心扫描原理及扫描参数的意义，从而难以根据实际情况设置有效的扫描参数，进而无法保证扫描过程的有效性。比如，当扫描某个动物的肺部的过程中，相关人员没有设置合适的扫描范围参数，使肺部扫描范围没有覆盖到整个肺部，将直接导致扫描无效；又或者，当面对不同的动物扫描过程中的剂量选择，相关工作人员没有足够的知识根据不同动物的不同部位来设置合理的剂量，进而无法保证图像质量，同时无法降低辐射剂量对实验的干扰，也会导致扫描无效。另一方面，在临床前影像系统扫描任务负荷较重的情况下，手动扫描人工成本大，且效率低下，给实验员带来不便，不利于构建高效且成本节约的临床前影像系统。
综上，如何对临床前动物实验对象进行快速准确的扫描是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种扫描模型训练方法、扫描方法、装置及存储介质，用以解决现有技术中如何对临床前动物实验对象进行快速准确的扫描的问题。
本发明一个实施例提供一种扫描模型训练方法，包括：
获取包含标注信息的训练集，所述标注信息包括实际扫描参数；
将所述训练集输入扫描模型，确定对应的预测扫描参数；
根据所述实际扫描参数和所述预测扫描参数之间的误差，完成对所述扫描模型的训练，并将所述扫描模型进行存储；
其中，所述训练集包括实验对象参数集和平片扫描图集，所述扫描模型包括第一扫描模型和第二扫描模型，当所述实验对象参数集作为输入，对应完成所述第一扫描模型的训练，当所述平片扫描图集作为输入，对应完成所述第二扫描模型的训练。
在本发明一个实施例中，上述训练方法还包括：
获取第一用户上传的待测动物的实验对象参数；
根据所述第一扫描模型，确定所述待测动物的所述预测扫描参数；
获取所述第一用户通过手动扫描确定的待测动物的平片扫描图，以及所述第一用户根据所述待测动物的平片扫描图进行调整的预测扫描参数；
根据调整后的预测扫描参数，对所述扫描模型进行更新。
在本发明一个实施例中，所述根据调整后的预测扫描参数，对所述扫描模型进行更新，具体包括：
根据所述待测动物的实验对象参数、所述调整后的预测扫描参数，更新所述云平台存储的所述第一扫描模型；
根据所述待测动物的平片扫描图、所述调整后的预测扫描参数，更新所述云平台存储的所述第二扫描模型。
在本发明一个实施例中，所述根据调整后的预测扫描参数，对所述扫描模型进行更新之前还包括：
获取所述第一用户根据所述调整后的预测扫描参数完成的扫描图像，以及所述第一用户对所述扫描图像的质量评估分数；
根据所述质量评估分数，判断是否根据所述调整后的扫描参数对所述扫描模型进行更新。
本发明一个实施例还提供一种扫描模型训练装置，包括：
第一获取单元，用于获取包含标注信息的训练集，所述标注信息包括实际扫描参数；
第一处理单元，用于将所述训练集输入扫描模型，确定对应的预测扫描参数；
训练单元，用于根据所述实际扫描参数和所述预测扫描参数之间的误差，完成对所述扫描模型的训练，并将所述扫描模型进行存储；
其中，所述训练集包括实验对象参数集和平片扫描图集，所述扫描模型包括第一扫描模型和第二扫描模型，当所述实验对象参数集作为输入，对应完成所述第一扫描模型的训练，当所述平片扫描图集作为输入，对应完成所述第二扫描模型的训练。
本发明一个实施例还提供一种扫描方法，包括：
获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
将所述待测动物的实验对象参数作为第一扫描模型的输入参数，确定所述第一扫描模型输出的预测扫描参数；
根据所述用户需求指令判断是否需要平片扫描；
若所述第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新；所述第一扫描模型为根据实验对象参数集训练得到的模型，所述第二扫描模型为根据平片扫描图集训练得到的模型。
在本发明一个实施例中，所述通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新包括：
将所述生成的待测动物的平片扫描图作为所述第二扫描模型的输入参数，确定所述第二扫描模型输出的预测扫描参数；
根据所述第二扫描模型输出的预测扫描参数，对所述第一扫描模型输出的预测扫描参数进行更新；
根据更新后的所述第一扫描模型输出的预测扫描参数进行图像扫描。
在本发明一个实施例中，上述扫描方法还包括：
若所述第二用户不需要平片扫描，则根据所述第一扫描模型输出的预测扫描参数直接进行图像扫描。
本发明一个实施例还提供一种扫描装置，包括：
第二获取单元，用于获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
第二处理单元，用于将所述待测动物的实验对象参数作为第一扫描模型的输入参数，确定所述第一扫描模型输出的预测扫描参数；还用于根据所述用户需求指令判断是否需要平片扫描；
更新扫描单元，用于若所述第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新；所述第一扫描模型为根据实验对象参数集训练得到的模型，所述第二扫描模型为根据平片扫描图集训练得到的模型。
本发明一个实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上所述的扫描模型训练方法，或实现如上所述的扫描方法。
与现有技术相比，本发明的有益效果包括：在本发明提供的扫描模型训练方法中，首先考虑到第二用户进行平片扫描(输入平片扫描图)和不进行平片扫描的情况(输入实验对象参数)，通过不同的训练集训练得到第一扫描模型和第二扫描模型，无论第二用户输入的是实验对象参数还是平片扫描图，都可通过云平台存储的扫描模型，对应输出符合当前扫描对象情况的预测扫描范围参数和预测剂量曲线数据，通过扫描参数中的预测扫描范围参数保证扫描精准覆盖需求部位，通过扫描参数中的预测剂量曲线数据保证图像质量要求且避免产生干扰；然后，将训练得到的第一扫描模型和第二扫描模型存储至云平台，当第二用户上传不同的输入参数，云平台即可根据不同的输入参数调用不同存储的扫描模型，快速规划并输出扫描方案，满足第二用户不同情况下的扫描需求，且保证了扫描的快速性。在本发明提供的扫描方法中，首先，获取待测动物的实验对象参数和用户需求指令，以此反馈第二用户当前扫描需求；然后，根据实验对象参数和第一扫描模型初步确定对应的扫描参数，以此进行有效的初步的扫描方案规划；进而，当第二用户需要平片扫描时，则生成平片扫描图，再根据平片扫描图和第二扫描模型对扫描方案进行进一步地更新，加强扫描参数的精准度。综上，本发明基于第二用户当前需求和当前扫描对象，通过云平台存储的第一扫描模型和第二扫描模型获得符合当前情况的扫描参数，保证扫描的精准性，自动帮第二用户规划好适合当前实验对象的准确扫描方案，有效地适应了不同的扫描需求和扫描情况，同时一键完成扫描，提高扫描的快速性，保证了第二用户使用的方便度。
附图说明
图1为本发明一个实施例提供的扫描模型训练方法的流程示意图；
图2为本发明一个实施例提供的更新扫描模型的流程示意图；
图3为本发明一个实施例提供的调整扫描模型参数的流程示意图；
图4为本发明一个实施例提供的扫描模型训练装置的结构示意图；
图5为本发明一个实施例提供的扫描方法的流程示意图；
图6为本发明一个实施例提供的扫描参数更新的流程示意图；
图7为本发明一个实施例提供的扫描系统示意图；
图8为本发明一个实施例提供的扫描图像；
图9为本发明一个实施例提供的扫描装置的流程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明一个实施例提供了一种扫描模型训练方法，结合图1来看，图1为本发明提供的扫描模型训练方法的流程示意图，上述扫描模型训练方法包括步骤S101至步骤S103，其中：
在步骤S101中，获取包含标注信息的训练集，标注信息包括实际扫描参数；
在步骤S102中，将训练集输入扫描模型，确定对应的预测扫描参数；
在步骤S103中，根据实际扫描参数和预测扫描参数之间的误差，完成对扫描模型的训练，并将扫描模型进行存储；
其中，训练集包括实验对象参数集和平片扫描图集，扫描模型包括第一扫描模型和第二扫描模型，当实验对象参数集作为输入，对应完成第一扫描模型的训练，当平片扫描图集作为输入，对应完成第二扫描模型的训练。
在本发明一个实施例中，首先考虑到第二用户进行平片扫描(输入平片扫描图)和不进行平片扫描的情况(输入实验对象参数)，通过不同的训练集训练得到第一扫描模型和第二扫描模型，无论第二用户输入的是实验对象参数还是平片扫描图，都可通过云平台存储的扫描模型，对应输出符合当前扫描对象情况的预测扫描范围参数和预测剂量曲线数据，通过预测扫描范围参数保证扫描精准覆盖需求部位，通过预测剂量曲线数据保证图像质量要求且避免产生干扰；然后，将训练得到的第一扫描模型和第二扫描模型存储至云平台，当第二用户上传不同的输入参数，云平台即可根据不同的输入参数调用不同存储的扫描模型，快速规划并输出扫描方案，满足第二用户不同情况下的扫描需求，且保证了扫描的快速性。在本申请一个实施例中，第一用户为医学影像技术领域内的专家用户，具有专业的成像扫描技能和丰富的扫描操作经验，可以根据其扫描成像的结果填充训练样本。第二用户为进行实际扫描操作的操作员，其为普通用户，第二用户可以为不具有操作经验的一般用户，当然，第二用户也可以是专家用户。
需要说明的是，平片扫描又称TOPO扫描，是X线管和探测器静止，主要用于断层扫描切层定位平片扫描，是CT扫描中初步确定扫描位置的扫描步骤，通过相应的平片扫描协议进行对应的平片扫描，得到平片扫描图，通过平片扫描图即可确定对应的扫描部位。而实验对象参数包括但不限于实验对象类型、扫描部位、年龄、体重、身长，其中，实验对象类型包括小鼠、大鼠、兔子，扫描部位包括但不限于头部、腹部、胸部。
需要说明的是，实际扫描参数包括实际扫描范围参数、实际剂量曲线数据(预测扫描参数包括预测扫描范围参数、预测剂量曲线数据)，其中，实际扫描范围参数包括但不限于起始位置、结束位置、视野角(FOV)、视野中心位置；实际剂量曲线数据包括但不限于根据扫描的Z向位置设置的剂量参数，其中，剂量参数包含管电压、管电流，其目的在于降低扫描过程中的辐射剂量。可以理解的是，实际扫描范围参数、实际剂量曲线数据作为标注信息，其选择取决于建模的实际应用要求，不限于上述具体标注数据，只要能使扫描模型精准覆盖需求部位，并保证图像质量即可。
需要说明的是，上述训练集中的实验对象参数集和平片扫描图集，及其对应的作为标注信息的实际扫描范围参数和实际剂量曲线数据，都是基于第一用户通过专家平台上传的数据，以第一用户的扫描结果筛选上传的数据作为训练集，保证扫描模型的准确性。
本发明一个实施例中，步骤S102具体包括：根据实际扫描范围参数与预测扫描范围参数之间的误差以及实际剂量曲线数据与预测剂量曲线数据之间的误差，确定损失函数的值；根据损失函数的值调整扫描模型的参数直至满足收敛条件，完成对扫描模型的训练，并将扫描模型进行存储。由此，通过误差确定损失函数，利用损失函数调整扫描模型的参数直至满足收敛条件，以此进行模型的有效训练。
本发明一个实施例中，上述扫描模型训练方法应用于云平台。由此，通过云平台维护2套深度学习模型(第一扫描模型、第二扫描模型)，分别应对包含平面扫描协议和不包含平面扫描协议的扫描场景，保证扫描方法的灵活性和准确性。在第一扫描模型中，云平台使用大量第一用户(可以是专家用户)上传的实验对象类型、扫描部位、年龄、体重、身长(实验对象参数训练集)及其对应的实际扫描范围参数、实际剂量曲线数据作为输入和标签，训练第一扫描模型，根据第一扫描模型及第二用户(可以是普通用户)输入的实验对象参数信息，在无需平面扫描图的情况下即可给出扫描范围参数和剂量曲线数据的推荐值。在第二扫描模型中，云平台使用大量第一用户通过专家平台上传的平面扫描图及其对应的实际扫描范围参数、实际剂量曲线数据作为输入、标签，训练第二扫描模型，根据第二扫描模型及第二用户的输入的平面扫描图，即可给出扫描范围和剂量曲线数据的推荐值。
本发明一个实施例中，结合图2来看，图2为本发明提供的更新扫描模型的流程示意图，上述扫描模型训练方法还包括步骤S104至步骤S107，其中：
在步骤S104中，获取第一用户上传的待测动物的实验对象参数；
在步骤S105中，根据第一扫描模型，确定待测动物的预测扫描参数；
在步骤S106中，获取第一用户通过手动扫描确定的待测动物的平片扫描图，以及第一用户根据待测动物的平片扫描图进行调整的预测扫描参数；
在步骤S107中，根据调整后的预测扫描参数，对扫描模型进行更新。
由此，本发明通过将待测动物的实验对象参数作为第一扫描模型，得到对应的扫描参数，进一步通过第一用户的手动扫描，得到平片扫描图，第一用户根据平片扫描图对输出的扫描参数进行调整，以保证进行全面有效的扫描，并将调整后的扫描参数上传，云平台根据调整后的扫描参数，更新对应的训练集，依据更新的训练集进行新一轮的迭代训练，利用扫描模型的更新，保证输出扫描参数的准确性。
需要说明的是，实际应用中，为了保证扫描模型的准确性，有必要对第一扫描模型、第二扫描模型进行及时的更新。云平台在使用深度学习建模之后，继续获取大量专家平台上传的第一用户的实验对象参数、平面扫描图及其对应的实际扫描范围参数、实际剂量曲线数据作为新的训练样本数据，扩充对应的训练集，以此保证第一扫描模型、第二扫描模型的迭代更新。
本发明一个实施例中，结合图3来看，图3为本发明提供的调整扫描模型参数的流程示意图，上述步骤S107包括步骤S1071至步骤S1072，其中：
在步骤S1071中，根据待测动物的实验对象参数、调整后的预测扫描参数，更新云平台存储的第一扫描模型；
在步骤S1072中，根据待测动物的平片扫描图、调整后的预测扫描参数，更新云平台存储的第二扫描模型。
本发明一个实施例中，在步骤S1071中，将待测动物的实验对象参数添加至实验对象参数训练集中的训练样本，调整后的预测扫描范围参数和调整后的预测剂量曲线数据作为与待测动物的实验对象参数对应的标签(即标注信息)，以此更新实验对象参数训练集，进而利用更新的实验对象参数训练集对第一扫描模型进行新一轮的迭代训练，完成有效的更新。在步骤S1072中，第二扫描模型与第一扫描模型的更新过程一致，在此不再赘述。
由此，本发明利用第一用户上传的调整后的预测扫描范围参数和调整后的预测剂量曲线数据，对第一扫描模型和第二扫描模型的训练样本进行扩充，以达到有效更新的目的，保证输出扫描参数的准确性。
本发明一个实施例中，在步骤S107之前还包括：
获取第一用户根据调整后的预测扫描范围参数和调整后的预测剂量曲线数据完成的扫描图像，以及第一用户对扫描图像的质量评估分数；
根据质量评估分数，判断是否根据调整后的预测扫描范围参数和调整后的预测剂量曲线数据对扫描模型进行更新。
由此，本发明在对训练样本进行扩充的过程中，通过对调整后的预测扫描范围参数和调整后的预测剂量曲线数据对应扫描的扫描图像进行判别，以筛选出质量优等的扫描图像，说明对应的调整后的预测扫描范围参数和调整后的预测剂量曲线数据是准确的(即标签准确)，从而保证扩充的训练样本的准确性，进而达到对模型进行精准更新的目的。
在本发明一个实施例中，第一用户通过专家平台登记实验对象参数(物种类型、扫描部位、年龄、体重、身长信息)上传至云平台，云平台通过存储的第一扫描模型确定初步的预测扫描范围参数和预测剂量曲线数据，传输至专家平台，反馈给第一用户，第一用户通过专家平台完成平面扫描，生成平面扫描图，再根据平片扫描图手动调整预测扫描范围参数，确保覆盖了目标扫描部位，并调整预测剂量曲线数据，确保图像质量，以此完成扫描，得到扫描图像。进一步地，第一用户依据专业经验，对扫描图像质量做出评价，质量等级按A、B、C、D从高到低进行划分，只有当第一用户对图像质量评价为A，才会将此时的实验对象参数、完成的平面扫描图、调整后的预测扫描范围参数和调整后的预测剂量曲线数据上传至云平台进行两类模型的更新，对第一扫描模型和第二扫描模型更新步骤参照前面，在此不再赘述。
本发明一个实施例还提供了一种扫描模型训练装置，结合图4来看，图4为本发明提供的扫描模型训练装置的结构示意图，其中，扫描模型训练装置400包括：
第一获取单元401，用于获取包含标注信息的训练集，标注信息包括实际扫描参数；
第一处理单元402，用于将训练集输入扫描模型，确定对应的预测扫描参数；
训练单元403，用于根据实际扫描参数和预测扫描参数之间的误差，完成对扫描模型的训练，并将扫描模型进行存储；
其中，训练集包括实验对象参数集和平片扫描图集，扫描模型包括第一扫描模型和第二扫描模型，当实验对象参数集作为输入，对应完成第一扫描模型的训练，当平片扫描图集作为输入，对应完成第二扫描模型的训练。
本发明一个实施例还提供了一种扫描方法，结合图5来看，图5为本发明提供的扫描方法的流程示意图，上述扫描方法包括步骤S201至步骤S204，其中：
在步骤S201中，获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
在步骤S202中，将待测动物的实验对象参数作为第一扫描模型的输入参数，确定第一扫描模型输出的预测扫描参数；
在步骤S203中，根据用户需求指令判断第二用户是否需要平片扫描；
在步骤S204中，若第二用户需要平片扫描，则获取通过第二用户平台生成的待测动物的平片扫描图，并通过第二扫描模型对第一扫描模型输出的预测扫描参数进行更新；第一扫描模型为根据实验对象参数集训练得到的模型，第二扫描模型为根据平片扫描图集训练得到的模型。
本发明一个实施例中，首先，获取待测动物的实验对象参数和用户需求指令，以此反馈第二用户当前扫描需求；然后，根据实验对象参数和第一扫描模型初步确定对应的扫描参数，以此进行有效的初步的扫描方案规划；进而，当第二用户需要平片扫描时，则生成平片扫描图，再根据平片扫描图和第二扫描模型对扫描方案进行进一步地更新，加强扫描参数的精准度。其中，第一扫描模型和第二扫描模型根据上述扫描模型训练方法而确定。
需要说明的是，上述扫描方法应用于云平台。由此，当云平台获取第二用户通过普通用户平台上传的实验对象参数以及用户需求指令时，利用存储的第一扫描模型和第二扫描模型完成有效的模型应用，满足第二用户不同的扫描需求。其中，普通用户平台不等同于专家平台，专家平台的实验数据可以上传至云平台建立并更新扫描模型，而普通用户平台一般只应用第一扫描模型和第二扫描模型进行扫描方案的规划。
在本发明一个实施例中，结合图6来看，图6为本发明提供的扫描参数更新的流程示意图，上述步骤S204包括步骤S2041至步骤S2043，其中：
在步骤S2041中，将生成的待测动物的平片扫描图作为第二扫描模型的输入参数，确定第二扫描模型输出的预测扫描参数；
在步骤S2042中，根据第二扫描模型输出的预测扫描参数，对第一扫描模型输出的预测扫描参数进行更新；
在步骤S2043中，根据更新后的第一扫描模型输出的预测扫描参数进行图像扫描。
由此，在得到初步的扫描方案之后，若第二用户需要进一步细化方案，则将普通用户平台生成的待测动物的平片扫描图作为第二扫描模型的输入参数，根据第二扫描模型的输出对扫描方案进行更新，以此结合实验对象参数和平片扫描图两方面的特性，确定更为精准的扫描方案，保证扫描的高效快速。
在本发明一个实施例中，上述扫描方法还包括：若第二用户不需要平片扫描，则根据第一扫描模型输出的预测扫描参数直接进行扫描。由此，根据第二用户需求进行判断是否需要更新扫描参数，满足第二用户不同情况下的需求。
在本发明一个实施例中，结合图7来看，图7为本发明提供的扫描系统示意图，其中，包括云平台、普通用户平台和专家平台，专家平台用于第一用户上传调整后的扫描参数，扩充训练样本，对云平台的扫描模型进行更新，而第二用户利用普通用户平台上传待测动物的相关参数至云平台，云平台利用不断更新的扫描模型确定待测动物的扫描参数，以此保证为第二用户出具更为准确的扫描规划方案。
在本发明一个实施例中，第二用户扫描流程如下：第二用户通过普通用户平台登记实验对象参数(物种类型、扫描部位、年龄、体重、身长信息)上传至云平台，云平台通过存储的第一扫描模型确定初步的预测扫描范围参数和预测剂量曲线数据；若云平台根据用户需求指令判断第二用户需要平片扫描，则获取平面扫描图，云平台根据得到的平面扫描图对第一扫描模型确定初步的预测扫描范围参数和预测剂量曲线数据进行微调，云平台反馈微调后的扫描范围参数，这个范围能做到扫描部位的精准覆盖，同时，云平台反馈当前扫描范围对应的剂量曲线数据给第二用户，采用推荐的剂量曲线数据可以确保在相对低剂量的辐射下得到高质量的图像；若云平台根据用户需求指令判断第二用户不需要平片扫描，则直接第一扫描模型确定初步的预测扫描范围参数和预测剂量曲线数据进行扫描。
在本发明一个实施例中，结合图8来看，图8为本发明提供的扫描示意图，其中，图中的协议组包含两个协议，平面扫描协议(对应于平面扫描图生成的预测扫描范围参数和预测剂量曲线数据)和小鼠肺部扫描协议(对应于实验对象参数生成的预测扫描范围参数和预测剂量曲线数据)，上图就是平面扫描协议扫描后生成的Topo图(平面扫描图)，其中，虚线方框是平面扫描前的推荐范围，即实验对象参数生成的预测扫描范围，而实线框则是根据平面扫描图微调之后的扫描范围，蓝色曲线即剂量调剂曲线，曲线的纵坐标代表扫描的轴向位置，横坐标代表当前轴向位置的剂量大小。可以看出，经平面扫描图微调之后预测扫描范围的更为精确，范围更集中，有助于提高扫描的精准性。
本发明一个实施例还提供了一种动物影像扫描装置，在一个实施例中，该动物影像扫描装置为CT扫描装置。结合图9来看，图9为本发明提供的扫描装置的结构示意图，其中，扫描装置900包括：
第二获取单元901，用于获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
第二处理单元902，用于将待测动物的实验对象参数作为第一扫描模型的输入参数，确定第一扫描模型输出的预测扫描参数；还用于根据用户需求指令判断是否需要平片扫描；
更新扫描单元903，用于若第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对第一扫描模型输出的预测扫描参数进行更新；第一扫描模型为根据实验对象参数集训练得到的模型，第二扫描模型为根据平片扫描图集训练得到的模型。
本发明一个实施例还提供了一种扫描模型训练设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上所述的扫描模型训练方法。
本发明一个实施例还提供了一种扫描设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上所述的扫描方法。
本发明一个实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机该程序被处理器执行时，实现如上所述的扫描模型训练方法，或实现如上所述的扫描方法。
本发明一个实施例还提供了一种扫描系统，结合上述图7来看，包括普通用户平台、专家平台和云平台，其中：
普通用户平台，用于第二用户上传待测动物的实验对象参数以及用户需求指令，还用于生成的待测动物的平片扫描图；
专家平台，用于第一用户上传待测动物的实验对象参数，还用于第一用户通过手动扫描确定待测动物的平片扫描图，还用于第一用户根据待测动物的平片扫描图进行调整预测扫描参数；
云平台，包括如上所述的扫描模型训练设备以及如上所述的扫描设备，实现如上所述的扫描模型训练方法，或实现如上所述的扫描方法。
本发明公开了一种扫描模型训练方法、扫描方法、装置及存储介质，在本发明提供的扫描模型训练方法中，首先考虑到第二用户进行平片扫描(输入平片扫描图)和不进行平片扫描的情况(输入实验对象参数)，通过不同的训练集训练得到第一扫描模型和第二扫描模型，无论第二用户输入的是实验对象参数还是平片扫描图，都可通过云平台存储的扫描模型，对应输出符合当前扫描对象情况的预测扫描范围参数和预测剂量曲线数据，通过预测扫描范围参数保证扫描精准覆盖需求部位，通过预测剂量曲线数据保证图像质量要求且避免产生干扰；然后，将训练得到的第一扫描模型和第二扫描模型存储至云平台，当第二用户上传不同的输入参数，云平台即可根据不同的输入参数调用不同存储的扫描模型，快速规划并输出扫描方案，满足第二用户不同情况下的扫描需求，且保证了扫描的快速性。基于上述扫描模型训练方法得到的扫描模型，在本发明提供的扫描方法中，首先，获取待测动物的实验对象参数和用户需求指令，以此反馈第二用户当前扫描需求；然后，根据实验对象参数和第一扫描模型初步确定对应的扫描参数，以此进行有效的初步的扫描方案规划；进而，当第二用户需要平片扫描时，则生成平片扫描图，再根据平片扫描图和第二扫描模型对扫描方案进行进一步地更新，加强扫描参数的精准度。
本发明技术方案，基于第二用户当前需求和当前扫描对象，通过云平台存储的第一扫描模型和第二扫描模型获得符合当前情况的扫描参数，保证扫描的精准性，自动帮第二用户规划好适合当前实验对象的准确扫描方案，有效地适应了不同的扫描需求和扫描情况，同时一键完成CT扫描，提高扫描的快速性，保证了第二用户使用的方便度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种扫描模型训练方法，其特征在于，包括：
获取包含标注信息的训练集，所述标注信息包括实际扫描参数；
将所述训练集输入扫描模型，确定对应的预测扫描参数；
根据所述实际扫描参数和所述预测扫描参数之间的误差，完成对所述扫描模型的训练，并将所述扫描模型进行存储；
其中，所述训练集包括实验对象参数集和平片扫描图集，所述扫描模型包括第一扫描模型和第二扫描模型，当所述实验对象参数集作为输入，对应完成所述第一扫描模型的训练，当所述平片扫描图集作为输入，对应完成所述第二扫描模型的训练。
2.根据权利要求1所述的扫描模型训练方法，其特征在于，还包括：
获取第一用户上传的待测动物的实验对象参数；
根据所述第一扫描模型，确定所述待测动物的所述预测扫描参数；
获取所述第一用户通过手动扫描确定的待测动物的平片扫描图，以及所述第一用户根据所述待测动物的平片扫描图进行调整的预测扫描参数；
根据调整后的预测扫描参数，对所述扫描模型进行更新。
3.根据权利要求2所述的扫描模型训练方法，其特征在于，所述根据调整后的预测扫描参数，对所述扫描模型进行更新，具体包括：
根据所述待测动物的实验对象参数、所述调整后的预测扫描参数，更新所述云平台存储的所述第一扫描模型；
根据所述待测动物的平片扫描图、所述调整后的预测扫描参数，更新所述云平台存储的所述第二扫描模型。
4.根据权利要求2所述的扫描模型训练方法，其特征在于，所述根据调整后的预测扫描参数，对所述扫描模型进行更新之前还包括：
获取所述第一用户根据所述调整后的预测扫描参数完成的扫描图像，以及所述第一用户对所述扫描图像的质量评估分数；
根据所述质量评估分数，判断是否根据所述调整后的扫描参数对所述扫描模型进行更新。
5.一种扫描模型训练装置，其特征在于，包括：
第一获取单元，用于获取包含标注信息的训练集，所述标注信息包括实际扫描参数；
第一处理单元，用于将所述训练集输入扫描模型，确定对应的预测扫描参数；
训练单元，用于根据所述实际扫描参数和所述预测扫描参数之间的误差，完成对所述扫描模型的训练，并将所述扫描模型进行存储；
其中，所述训练集包括实验对象参数集和平片扫描图集，所述扫描模型包括第一扫描模型和第二扫描模型，当所述实验对象参数集作为输入，对应完成所述第一扫描模型的训练，当所述平片扫描图集作为输入，对应完成所述第二扫描模型的训练。
6.一种扫描方法，其特征在于，包括：
获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
将所述待测动物的实验对象参数作为第一扫描模型的输入参数，确定所述第一扫描模型输出的预测扫描参数；
根据所述用户需求指令判断是否需要平片扫描；
若所述第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新；所述第一扫描模型为根据实验对象参数集训练得到的模型，所述第二扫描模型为根据平片扫描图集训练得到的模型。
7.根据权利要求6所述的扫描方法，其特征在于，所述通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新包括：
将所述生成的待测动物的平片扫描图作为所述第二扫描模型的输入参数，确定所述第二扫描模型输出的预测扫描参数；
根据所述第二扫描模型输出的预测扫描参数，对所述第一扫描模型输出的预测扫描参数进行更新；
根据更新后的所述第一扫描模型输出的预测扫描参数进行图像扫描。
8.根据权利要求6-7任一项所述的扫描方法，其特征在于，还包括：
若所述第二用户不需要平片扫描，则根据所述第一扫描模型输出的预测扫描参数直接进行图像扫描。
9.一种扫描装置，其特征在于，包括：
第二获取单元，用于获取第二用户上传的待测动物的实验对象参数以及用户需求指令；
第二处理单元，用于将所述待测动物的实验对象参数作为第一扫描模型的输入参数，确定所述第一扫描模型输出的预测扫描参数；还用于根据所述用户需求指令判断是否需要平片扫描；
更新扫描单元，用于若所述第二用户需要平片扫描，则获取生成的待测动物的平片扫描图，并通过第二扫描模型对所述第一扫描模型输出的预测扫描参数进行更新；所述第一扫描模型为根据实验对象参数集训练得到的模型，所述第二扫描模型为根据平片扫描图集训练得到的模型。
10.一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，所述计算机该程序被处理器执行时，实现如权利要求1-4任一项所述的扫描模型训练方法，或实现如权利要求6-8任一项所述的扫描方法。
CN202011636908.3A 2020-12-31 2020-12-31 扫描模型训练方法、扫描方法、装置及存储介质 Active CN114692822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011636908.3A CN114692822B (zh) 2020-12-31 2020-12-31 扫描模型训练方法、扫描方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011636908.3A CN114692822B (zh) 2020-12-31 2020-12-31 扫描模型训练方法、扫描方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114692822A true CN114692822A (zh) 2022-07-01
CN114692822B CN114692822B (zh) 2024-09-13

Family

ID=82134359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011636908.3A Active CN114692822B (zh) 2020-12-31 2020-12-31 扫描模型训练方法、扫描方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114692822B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1615797A (zh) * 2004-12-08 2005-05-18 东软飞利浦医疗设备系统有限责任公司 在ct系统中保证z轴方向图像噪声一致性的方法
CN103494613A (zh) * 2013-09-06 2014-01-08 沈阳东软医疗系统有限公司 一种平片扫描方法及装置
US20160007942A1 (en) * 2014-07-14 2016-01-14 Shenyang Neusoft Medical Systems Co., Ltd. Method for setting scanning protocol and apparatus thereof
US20160183355A1 (en) * 2014-12-18 2016-06-23 Shenyang Neusoft Medical Systems Co., Ltd. Selecting scanning voltages for dual energy ct scanning
CN109381212A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 一种成像控制方法和系统
CN110458817A (zh) * 2019-08-05 2019-11-15 上海联影医疗科技有限公司 医学图像的质量预测方法、装置、设备及存储介质
CN110464326A (zh) * 2019-08-19 2019-11-19 上海联影医疗科技有限公司 一种扫描参数推荐方法、系统、装置及存储介质
US20200104674A1 (en) * 2018-09-28 2020-04-02 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN111862020A (zh) * 2020-07-13 2020-10-30 南方科技大学 一种眼前节生理年龄预测方法、装置、服务器及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1615797A (zh) * 2004-12-08 2005-05-18 东软飞利浦医疗设备系统有限责任公司 在ct系统中保证z轴方向图像噪声一致性的方法
CN103494613A (zh) * 2013-09-06 2014-01-08 沈阳东软医疗系统有限公司 一种平片扫描方法及装置
US20160007942A1 (en) * 2014-07-14 2016-01-14 Shenyang Neusoft Medical Systems Co., Ltd. Method for setting scanning protocol and apparatus thereof
US20160183355A1 (en) * 2014-12-18 2016-06-23 Shenyang Neusoft Medical Systems Co., Ltd. Selecting scanning voltages for dual energy ct scanning
CN109381212A (zh) * 2018-09-27 2019-02-26 上海联影医疗科技有限公司 一种成像控制方法和系统
US20200104674A1 (en) * 2018-09-28 2020-04-02 General Electric Company Image quality-guided magnetic resonance imaging configuration
CN110458817A (zh) * 2019-08-05 2019-11-15 上海联影医疗科技有限公司 医学图像的质量预测方法、装置、设备及存储介质
CN110464326A (zh) * 2019-08-19 2019-11-19 上海联影医疗科技有限公司 一种扫描参数推荐方法、系统、装置及存储介质
CN111862020A (zh) * 2020-07-13 2020-10-30 南方科技大学 一种眼前节生理年龄预测方法、装置、服务器及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEHRING, KA, ET.AL: "Preoperative Evaluation for Pelvic Discontinuity Using a New Reformatted Computed Tomography Scan Protocol", JOURNAL OF ARTHROPLASTY, vol. 31, no. 10, 31 October 2016 (2016-10-31), pages 2247 - 2251, XP029747748, DOI: 10.1016/j.arth.2016.02.028 *
王峰;范跃星;李剑;郑敏文;丁桂荣;郭国祯;: "水模管电流-噪声与管电流-辐射剂量曲线对确定腹部迭代重建低剂量CT扫描参数的价值", 临床放射学杂志, no. 12, 20 December 2015 (2015-12-20), pages 1978 - 1983 *
程广，等: "准确制定腹部迭代重建低剂量CT扫描参数的方法及其临床应用研究", 安徽医学, vol. 34, no. 1, 30 January 2013 (2013-01-30), pages 62 - 65 *

Also Published As

Publication number Publication date
CN114692822B (zh) 2024-09-13

Similar Documents

Publication Publication Date Title
EP3501400B1 (de) Verfahren und vorrichtung zur sicherstellung einer korrekten positionierung für eine radiographieaufnahme
RU2518299C2 (ru) Коррекция ослабления мр катушек в гибридной системе пэт/мр
US10716530B2 (en) Method and system of automated X-ray positioning and collimation control on hand and foot scan
WO2021082629A1 (zh) 一种矫正头部ct图像中头部位置的方法及系统
CN107945132A (zh) 一种基于神经网络的ct图像的伪影校正方法及装置
CN109350100A (zh) 医学成像方法、医学成像设备以及计算机可读存储介质
CN109800805A (zh) 基于人工智能的图像处理系统以及计算机设备
CN112022191B (zh) 一种摆位方法和系统
US20170311842A1 (en) Method for positioning a positionable table
US8781254B2 (en) Method, an apparatus and a computer program for data processing
CN109937012A (zh) 为成像系统选择采集参数
CN104039262A (zh) 用于计算机断层成像(ct)辐射剂量的一致性和可验证的优化方法
CN110458817A (zh) 医学图像的质量预测方法、装置、设备及存储介质
CN111563496A (zh) 用于图像采集的自动视图规划的连续学习
US12016710B2 (en) Method and apparatus based on 3D camera for automated measurement preparation in MRI system
CN110811663A (zh) 一种多区域扫描的方法、装置、设备及存储介质
US20090208105A1 (en) Method, an apparatus, a system and a computer program for transferring scan geometry between subsequent scans
JP5106426B2 (ja) Ｍｒ検査用の自動化された形状のロバスト学習
CN105982741A (zh) 调节断层成像设备的检查台位置
CN111128345A (zh) 医学图像的获取方法、医学扫描设备和计算机存储介质
JP2020192142A (ja) 放射線撮影システム、放射線撮影制御装置及びその制御方法、並びに、プログラム
JP2021117926A (ja) 医用情報処理システム、医用情報処理装置、医用情報処理システムの制御方法、及びプログラム
CN114692822B (zh) 扫描模型训练方法、扫描方法、装置及存储介质
CN110459298A (zh) 用于求出结果值的方法和设备、诊断站和成像系统
JP2016202329A (ja) 被爆線量算出装置及び被爆線量管理システム、並びに、それらの制御方法及びそのプログラム

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