[發(fā)明專利]醫(yī)學(xué)圖像轉(zhuǎn)換

在審

• 申請(qǐng)?zhí)枺?/td>: 201980033643.7
• 申請(qǐng)日: 2019-05-20
• 公開（公告）號(hào): CN112154342A
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 塞巴斯蒂安·安德森;阿爾賓·弗雷德里克松;馬庫斯·努德施特倫;拉茲馬斯·尼爾森
• 申請(qǐng)（專利權(quán)）人: 光線搜索實(shí)驗(yàn)室公司
• 主分類號(hào): G01R33/48
• 分類號(hào): G01R33/48;G06T11/00;G01R33/56;A61N5/10
• 代理公司: 中原信達(dá)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11219
• 代理人: 穆森;戚傳江

根據(jù)本文的一個(gè)或多個(gè)實(shí)施例，提供了一種用于生成優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T的系統(tǒng)100，所述優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T用于將第一圖像類型的原始醫(yī)學(xué)圖像轉(zhuǎn)換為第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像。所述系統(tǒng)100包括至少一個(gè)處理單元，其被配置為：獲得第一和第二圖像類型的原始醫(yī)學(xué)圖像；獲得用于將第一圖像類型的原始醫(yī)學(xué)圖像轉(zhuǎn)換為第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像的初始參數(shù)化轉(zhuǎn)換函數(shù)G；基于第二圖像類型的第一原始醫(yī)學(xué)圖像與第二圖像類型的第一轉(zhuǎn)換醫(yī)學(xué)圖像的至少一個(gè)比較來計(jì)算第一懲罰P₁，所述第二圖像類型的第一轉(zhuǎn)換醫(yī)學(xué)圖像是通過將基于所述初始參數(shù)化轉(zhuǎn)換函數(shù)G的第一參數(shù)化轉(zhuǎn)換函數(shù)G₁應(yīng)用于所述第一圖像類型的第一原始醫(yī)學(xué)圖像而生成的，所述第一圖像類型的第一原始醫(yī)學(xué)圖像與第二圖像類型的第一原始醫(yī)學(xué)圖像形成圖像對(duì)，并且由此已經(jīng)被確定為顯示相同患者的相同部分；在將第一圖像類型的原始醫(yī)學(xué)圖像和/或第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像轉(zhuǎn)換為相同圖像類型的圖像之后，基于第一圖像類型的原始醫(yī)學(xué)圖像和第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像的至少一個(gè)比較來計(jì)算第二懲罰P₂，所述第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像是通過將基于所述初始參數(shù)化轉(zhuǎn)換函數(shù)G的第二參數(shù)化轉(zhuǎn)換函數(shù)G₂應(yīng)用于所述第一圖像類型的原始醫(yī)學(xué)圖像而生成的；以及基于至少所述第一懲罰P₁和第二懲罰P₂以及所述初始參數(shù)化轉(zhuǎn)換函數(shù)G的參數(shù)來生成優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T。

技術(shù)領(lǐng)域

本申請(qǐng)總體上涉及用于生成優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T的系統(tǒng)和方法，該優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T用于將第一圖像類型的原始醫(yī)學(xué)圖像轉(zhuǎn)換成第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像。

背景技術(shù)

計(jì)算機(jī)斷層攝影(CT)成像可以用于許多目的。CT圖像可以例如用于放射治療方案中的劑量計(jì)算。然而，如果可以找到可用于劑量計(jì)算的其他獲得圖像的方式，那么就有理由避免CT成像——CT檢查花費(fèi)時(shí)間并且患者暴露于放射。

可以使用錐形束計(jì)算機(jī)斷層攝影(CBCT)圖像進(jìn)行劑量計(jì)算，但是CBCT圖像比CT圖像更容易生成偽影，并且強(qiáng)度比例也可以與CT圖像不同。

文章“使用未成對(duì)數(shù)據(jù)的深度MR到CT合成”(“Deep MR to CT Synthesis usingUnpaired Data”，Wolterink等人，2017年)描述了訓(xùn)練一般對(duì)抗網(wǎng)絡(luò)(GAN)以使用CycleGAN模型以及未成對(duì)的MR和CT圖像將MR圖像轉(zhuǎn)換成CT圖像。

文章“具有情景感知生成對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像合成”(“Medical Image Synthesiswith Context-Aware Generative Adversarial Networks”，Nie等人，2016年)描述了使用對(duì)抗性訓(xùn)練策略和圖像梯度差損失函數(shù)來訓(xùn)練完全卷積網(wǎng)絡(luò)以將MR圖像轉(zhuǎn)換成CT圖像。

現(xiàn)有技術(shù)的問題

在文章“使用未成對(duì)數(shù)據(jù)的深度MR到CT合成”所描述的方法中，僅使用不成對(duì)數(shù)據(jù)的事實(shí)可能使得所生成的轉(zhuǎn)換函數(shù)不太準(zhǔn)確。在這種方法中，還存在引入可能永遠(yuǎn)檢測(cè)不到的錯(cuò)誤信息的風(fēng)險(xiǎn)。

在文章“具有情景感知生成性對(duì)抗網(wǎng)絡(luò)的醫(yī)學(xué)圖像合成”所描述的方法中，在轉(zhuǎn)換圖像和原始圖像之間沒有進(jìn)行比較的事實(shí)可能使得所生成的轉(zhuǎn)換函數(shù)不太準(zhǔn)確。這種方法還需要大量準(zhǔn)確的成對(duì)數(shù)據(jù)。

因此，需要一種用于生成優(yōu)化的參數(shù)化轉(zhuǎn)換函數(shù)T的改進(jìn)的方法，以將第一圖像類型的原始醫(yī)學(xué)圖像轉(zhuǎn)換為第二圖像類型的轉(zhuǎn)換醫(yī)學(xué)圖像。

發(fā)明內(nèi)容