(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211228921.4 (22)申请日 2022.10.08 (71)申请人 中科超精 （南京） 科技有限公司 地址 210061 江苏省南京市江北新区新锦 湖路3-1号中丹生命 科学产业园一期B 座406室 (72)发明人 不公告发明人 　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/82(2022.01) G06V 10/30(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于去噪卷积神经网络的蒙特卡罗剂 量计算去噪方法、 系统及设备 (57)摘要 本发明公开了一种基于去噪卷积神经网络 的蒙特卡罗剂量计算去噪方法、 系统及设备包 括： 获取数据， 对获取的数据进行数据集划分并 进行初步处理； 构建去噪卷积神经网络模型； 对 传统UNet卷积神经网络模型以及构建的去噪卷 积神经网络模型进行模型训练； 对传统UNet卷积 神经网络模型以及构建的去噪卷积神经网络模 型进行降噪处理； 对得到的降噪结果提取数据 后， 进行多层次对比， 最终输出两个卷积神经网 络模型的性能与计算效率。 本发 明提高了后续网 络训练的质量和收敛速度提高了去噪系统的泛 用性， 大大减少整个训练时间； 可 以在不降低去 噪性能的情况下， 将计算复杂性降低， 减少计算 负担。 权利要求书2页 说明书7页 附图2页 CN 115546150 A 2022.12.30 CN 115546150 A 1.一种基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特征在于， 包括以下 步骤： (1)获取数据， 对获取的数据进行 数据集划分并进行初步处 理； (2)构建去噪卷积神经网络模型； (3)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行模型训练， 具体为： 将步骤(1)得到的训练数据集与验证数据集分别输入两个初始化的卷积神经网络 模型， 两个模型同样使用Adam学习率算法根据弱监督学习框架进行训练， 分别得到两个训 练好的卷积神经网络模型； (4)对传统UNet卷积神经网络模型以及构建的去噪卷积神经网络模型进行降噪处理， 具体为： 使用训练好的UNet卷积神经网络模型与去噪卷积神经网络模型， 对低采样数下蒙 特卡罗渲 染得到的噪点图的训练数据集与验证数据集进行降噪， 并对降噪结果相加得到最 终的降噪图； (5)对得到的降噪结果提取数据后， 进行多层次对比， 最终输出两个卷积神经网络模型 的性能与计算效率。 2.根据权利要求1所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述 步骤(1)包括以下步骤： (1.1)对数据集进行 预处理； (1.2)对预处理后的数据集进行数据扩充， 包括： 扩充数据集对蒙特卡罗计算输出图像 的有效区域进行边 缘扩充的同时， 将输入与目标的噪声图像进行随机互换； (1.3)对预处理后的数据集进行数据归一化， 包括： 所有 的剂量数据都被归一化， 统一 除以训练数据集中病人的平均处方剂量。 3.根据权利要求2所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述 步骤(1.1)对数据集进行 预处理进一步包括： (1.1.1)将数据集划分为训练数据集与验证数据集； (1.1.2)对于训练数据集中的病人数据， 进行两次独立的低采样数(1 ×106)蒙特卡罗模 拟； 对于验证数据集中的病人 数据， 进行十五次独立的低采样数(1 ×106)蒙特卡罗模拟。 4.根据权利要求1所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述 步骤(2)包括以下步骤： (2.1)对于所构建的去噪卷积神经网络模型采用多通道输入的架构进行模型构建； (2.2)对于所构建的去噪卷积神经网络模型采用卷积算子解耦进行模型构建及采用体 素洗牌/解 牌(voxel shuffle/unshuf fle)运算进行模型构建； (2.3)对传统UNet架构卷积神经网络以及步骤(2.1) ‑(2.2)构建的去噪卷积神 经网络 进行参数初始化。 5.根据权利要求4所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述的步骤(2.1)去噪卷积神经网络模型架构中的多通道输入架构， 进一 步包括： (2.1.1)假设原始输入的尺寸为B ×C×H×W×D， 其中B和C分别代表批次大小和通道数 量， H、 W、 D分别代 表行、 列、 片三个维度； (2.1.2)对于蒙特卡罗剂量去噪任务， 设定 C＝1；权　利　要　求　书 1/2 页 2 CN 115546150 A 2(2.1.3)在体素拆分层之后， 输入被重新排列成一个尺寸为 的8通道输 入； (2.1.4)在每个通道中， 子卷是原始输入的下采样版本， 步长为2， 起点不同， 即Xi,j,k＝X [i∷2,j∷2,k∷2]， i,j,k∈[0,1， Xi,j,k表示第(4 k+2j+i)个通道。 6.根据权利要求4所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述的步骤(2.2)去噪卷积神经网络模型架构中卷积算子解耦， 进一 步包括： (2.2.1)将常规的三维体积卷积算子解耦为一个二维轴向卷积算子和一个一维切片卷 积算子， 把每个维度上具有相同内核大小K的常规卷积算子表示为 其中 Cin和Cout分别表示输入和输出通道， K代 表内核大小； (2.2.2)将解耦卷积算子被设计为模拟常规三维卷积； 首先， 使用二维卷积算子 来描述轴向空间相关性； 其次， 使用一维卷积算子 来 描述切片相关性； 每个模块由六个算子组成， 前三个算子是轴向的卷积归一化激活函数 (CONV‑normalization‑ReLU)， 后三个算子是切片的卷积归一 化激活函数。 7.根据权利要求4所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述的步骤(2.2)去噪卷积神经网络模型中采用的体素洗牌/解牌(voxel   shuffle/unshuf fle)运算， 进一步包括： (2.2.3)提出体素洗牌/解 牌运算； (2.2.4)在输入层和输出层分别附加一个体素解除洗牌层和一个体素洗牌层， 使用这 些运算符对输入进行预 处理和对输出进行后处理的另一个效果是， 使用较少的下采样和上 采样模块 来达到相同的感受野尺寸。 8.根据权利要求1所述的基于去噪卷积神经网络的蒙特卡罗剂量计算去噪方法， 其特 征在于， 所述的步骤(5)对两个卷积神经网络的对比进一步包括： 将步骤(4)中得到的两个 训练好的卷积神经网络的降噪结果进行简单处理， 提取数据后， 对低采样数得到的原始噪 声图像、 高采样数得到的干净图像、 UNet卷积神经网络降噪图像与去噪卷积神经网络降噪 图像进行对比， 最终输出两个卷积神经网络的模型性能与计算效率的对比结果。 9.一种基于去噪卷积神经网络的蒙特卡罗剂量计算的去噪系统， 其特 征在于， 包括： 数据处理模块： 主要用于对获取的数据集进行预处理， 并对预处理后的数据集进行数 据扩充与归一 化； 卷积神经网络去噪模块： 主要用于通过预搭建的弱监督学习框架， 使用数据处理模块 得到的预 处理数据作为训练数据集与验证数据集从而完成去噪卷积神经网络的训练； 最 终 训练得到的去噪卷积神经网络 输入低采样数蒙特卡罗计算图像， 输出去噪后图像； 对比输出模块： 首先， 从模型性能以及计算效率两个方面对去噪卷积神经网络与传统 UNet架构卷积神经网络进行对比； 其次， 以MSE为标准， 将去噪卷积神经网络与高采样数蒙 特卡罗计算图像进行对比； 最终输出 的结果满足对比输出模块中两个校验； 若在此环节出 现不满足上述条件的情况， 则予以提 示， 并提供两个方面的具体对比结果。 10.一种电子设备， 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程 序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑9任一项所述的基于去噪卷 积神经网络的蒙特卡罗剂量计算去噪方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115546150 A 3