[发明专利]用于处理机器学习方法的参数的方法以及重建方法在审
| 申请号： | 201910222703.1 | 申请日： | 2019-03-22 |
| 公开（公告）号： | CN110298447A | 公开（公告）日： | 2019-10-01 |
| 发明（设计）人： | 埃里克·福涅尔 | 申请（专利权）人： | 西门子医疗保健有限责任公司 |
| 主分类号： | G06N20/00 | 分类号： | G06N20/00;G06K9/62;G16H30/40 |
| 代理公司： | 北京集佳知识产权代理有限公司 11227 | 代理人： | 丁永凡;张春水 |
| 地址： | 德国*** | 国省代码： | 德国;DE |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 机器学习 校正数据 参考图像数据 成本函数 处理机器 迭代步骤 迭代 重建 训练数据集 方法使用 机器处理 运动校正 学习 记录 | ||
1.一种用于处理机器学习方法(L)的参数(P)的方法，所述机器处理方法用于提供用于在记录CT图像数据集(CB)时运动的对象(2)的CT图像数据集(CB)的运动校正的校正数据集(KD)，
-其中提供具有多个参考图像数据集(RD)的训练数据集(T)，用于导入到机器学习方法(L)中，
-其中执行迭代(110)，其中在所述迭代的每个迭代步骤中，借助于所述机器学习方法(L)为每个所述参考图像数据集(RD)确定校正数据集(KD)并且求出与在所述迭代步骤中确定的校正数据集(KD)相关的成本函数(CF)的结果(E)，以及
-其中根据所述成本函数(CF)的结果(E)，结束所述迭代(110)或改变所述机器学习方法(L)的参数(P)。
2.根据权利要求1所述的方法，
其特征在于，
将由确定的所述校正数据集(KD)和预先已知的训练校正数据集(TKD)构成的差用于确定所述成本函数(CF)的结果(E)，其中所述训练校正数据集(TKD)保存在所述训练数据集(T)中并且与对应的所述参考图像数据集(RD)关联。
3.根据权利要求1所述的方法，
其特征在于，
为了确定所述成本函数(CF)的结果(E)将每个所述参考图像数据集(RD)根据所关联的所述校正数据集(KD)变形，并且从变形的所述参考图像数据集(RD)中创建重建图像数据集(RK)。
4.根据权利要求3所述的方法，
其特征在于，
从所述重建图像数据集(RK)中求出与所述对象(2)的运动相关的变量(G)，并将其用于确定所述成本函数(CF)的结果(E)。
5.根据权利要求4所述的方法，
其特征在于，
从所述重建图像数据集(RK)或所述重建图像数据集的所选择的部分中确定熵，并将其用作为从所述重建图像数据集(RK)求出的变量(G)。
6.根据权利要求1至5中任一项所述的方法，
其特征在于，
将神经网络、尤其卷积神经网络用作为机器学习方法(L)。
7.一种用于产生用于在记录CT图像数据集(CB)时运动的对象(2)的CT图像数据集(CB)的校正运动的重建图像数据集(RK)的重建方法，
-其中借助于计算机断层扫描仪(4)检测和提供运动的所述对象(2)的所述CT图像数据集(CB)，
-其中将所述CT图像数据集(CB)借助于尤其根据权利要求1至6中任一项训练的机器学习方法(L)评估，
-其中作为所述评估的结果提供对应于所述对象(2)的运动的校正数据集(KD)，以及
-其中借助于所述校正数据集(KD)和所述CT图像数据集(CB)产生校正运动的重建图像数据集(RK)。
8.一种设备(26)，所述设备具有控制器(28)，所述设备用于执行根据权利要求1至5中任一项所述的方法和/或用于执行根据权利要求7所述的重建方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西门子医疗保健有限责任公司，未经西门子医疗保健有限责任公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910222703.1/1.html，转载请声明来源钻瓜专利网。
