[發明專利]通過將圖像形成建模為一個或多個神經網絡的圖像重建

在審

• 申請號: 201980101180.3
• 申請日: 2019-10-09
• 公開（公告）號: CN114503118A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: F·d·馬薩內斯巴斯
• 申請（專利權）人: 美國西門子醫療系統股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G06T7/32;G06T7/33;G06T7/35;G06N3/04;G06V30/194;G06V10/764;G06V10/82
• 代理公司: 中國專利代理(香港)有限公司 72001
• 代理人: 浩路;劉春元

基于將圖像形成建模為一個或多個神經網絡的用于圖像重建的系統和方法。根據一個方面，基于圖像形成的物理性質來配置一個或多個神經網絡（202）。使用所獲取的測試圖像數據來優化一個或多個神經網絡（204）。然后，可以通過將當前圖像數據作為輸入應用到一個或多個經優化的神經網絡來重建輸出圖像（208）。

技術領域

本公開總體上涉及圖像處理，并且更特別地，涉及基于將圖像形成建模為一個或多個神經網絡的圖像重建。

背景技術

單光子發射計算機斷層攝影（SPECT）是一種廣泛使用的核醫學斷層攝影成像技術。對于SPECT成像，首先給主體施用伽馬發射器標記的藥物（gamma-emitter-labeledpharmaceutical）。然后，使用外部設備（伽馬相機）以從一個或若干個視圖角度來檢測來自于身體的放射性（radioactivity）。在一個視圖角度下獲得的平面圖像是三維（3D）分布在二維（2D）檢測器平面上的投影。可以通過使用在主體周圍一定角度范圍內獲取的平面圖像序列來重建主體中的放射性源分布的3D圖像。

存在用于執行SPECT圖像重建的多種技術。一種技術涉及迭代重建，該迭代重建通常以所假設的圖像開始，根據該圖像來計算投影，比較原始投影數據，并且基于所計算的投影與實際投影之間的差異來更新該圖像。在這種方法中，該系統被建模為概率的線性算子，該線性算子涵蓋了將在重建中考慮的所有圖像形成效應：相機或身體的旋轉、衰減以及甚至泛光（flood）校正。這種技術是計算密集型的，因為它需要在重建的每次迭代時針對每個視圖重新計算投影算子，這是由于概率列表否則會太大以致于無法存儲。

另一種常見的技術基于機器學習。基于機器學習的SPECT圖像重建通常通過如下方式來對該問題進行建模：定義神經網絡結構，并且然后訓練該結構來優化層的權重以用于增加重建準確度。用于SPECT重建的深度學習的當前方法與用于其他科學領域的深度學習相同，其中網絡的設計與圖像形成模型的物理性質（physics）無關。

發明內容

本文中描述了用于基于將圖像形成建模為一個或多個神經網絡的圖像重建的系統和方法。根據一個方面，基于圖像形成的物理性質來配置一個或多個神經網絡。使用所獲取的測試圖像數據來優化一個或多個神經網絡。然后，可以通過將當前圖像數據作為輸入應用到一個或多個經優化的神經網絡來重建輸出圖像。

附圖說明

將容易獲得對本公開及其許多伴隨方面的更完整的領會，這是由于本公開及其許多伴隨方面當結合附圖考慮時通過參考以下詳細描述而變得更好理解。

圖1是圖示了示例性系統的框圖；

圖2示出了由計算機系統執行的示例性圖像重建方法；

圖3圖示了示例性SPECT圖像形成；

圖4a示出了示例性神經網絡；

圖4b圖示了示例性簡單旋轉；

圖4c示出了對運動校正進行建模的示例性卷積層；

圖4d圖示了對運動校正的建模；

圖4e示出了對頭部未對準校正（head misalignment correction）進行建模的示例性卷積層；

圖4f圖示了對點擴散函數（PSF）濾波校正的示例性建模；

圖5示出了用于SPECT圖像重建的示例性神經網絡架構；以及

圖6示出了神經網絡優化的示例性方法。

具體實施方式