[發明專利]掃描圖像的優化方法、優化裝置和醫學掃描系統

有效

• 申請號: 202010494490.0
• 申請日: 2020-06-03
• 公開（公告）號: CN111626964B
• 公開（公告）日: 2023-09-26
• 發明（設計）人: 呂楊
• 申請（專利權）人: 上海聯影醫療科技股份有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;A61B6/00
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 龍偉

本申請涉及一種掃描圖像的優化方法、掃描圖像的優化裝置、醫學掃描系統，以及計算機可讀存儲介質。其中，該方法包括：以第一圖像作為輸入圖像、以第二圖像作為目標圖像，更新第一人工神經網絡的網絡參數；分別以第一人工神經網絡的輸出圖像和輸入圖像作為第二人工神經網絡的訓練樣本，以第二人工神經網絡的輸出圖像和輸入圖像作為第一人工神經網絡的訓練樣本，交替迭代訓練第一人工神經網絡和第二人工神經網絡，直至達到預設迭代次數或者第一人工神經網絡當前輸出的圖像滿足設定條件時，輸出第一人工神經網絡當前輸出的圖像。通過本申請，解決了相關技術中對相同部位的重復掃描所需的成像時間長的問題，縮短了醫學成像時間。

技術領域

本申請涉及醫學成像技術領域，特別是涉及掃描圖像的優化方法、掃描圖像的優化裝置、醫學掃描系統，以及計算機可讀存儲介質。

背景技術

隨著機器學習技術的發展和計算機硬件性能的提升，機器學習中深度學習技術被廣泛地應用到各行各業。在醫療領域的醫學成像領域中，也越來越多得使用深度學習技術來解決相關的問題，例如基于深度學習技術的偽影消除、超分辨率、圖像降噪等等。

深度學習技術以人工神經網絡的應用為典型代表。人工神經網絡是由大量處理單元互聯組成的非線性、自適應信息處理系統，其自適應性體現在它能夠根據環境的變化，對網絡參數(也稱為權值)進行調整，改善系統的行為。根據適應環境的方式的不同，人工神經網絡可分為監督學習和非監督學習兩種學習方式。在監督學習中，將訓練樣本的數據加到網絡輸入端，同時將相應的期望輸出與網絡輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經多次訓練后收斂到一個確定的權值。當樣本情況發生變化時，經學習可以修改權值以適應新的環境。在非監督學習中，事先不給定標準樣本，直接將網絡置于環境之中，學習階段與工作階段成為一體。

基于非監督學習訓練的人工神經網絡依賴于網絡參數的選擇，存在網絡參數不易收斂，人工神經網絡的輸出結果不可預測的問題。基于監督學習訓練的人工神經網絡雖然克服了上述的問題，但是其依賴于大量的訓練樣本來訓練其網絡參數。然而，在醫學掃描領域中，不同的病人的醫學掃描圖像差異很大，來自于同一個病人的醫學掃描圖像數量也遠達不到人工神經網絡進行監督學習需求的訓練樣本數量。并且，以PET成像為例，PET成像與所使用的示蹤劑種類及用量關系密切，不同的示蹤劑種類或用量對應的成像圖像差異極大，因此，基于某一種示蹤劑藥物的圖像樣本訓練得到的人工神經網絡不能夠用于其他示蹤劑藥物相關的醫學圖像處理。

在PET成像或者CT成像中，對于相同部位可能進行多次掃描。例如PET成像中在完成第一次掃描后，間隔一段時間還會進行第二次掃描(稱為延遲掃描)，以通過對疑似病灶進行二次成像來達到降低漏診、誤診率的目的。然而，隨著示蹤劑隨著時間推移不斷衰變導致活度降低，第二次掃描往往需要增加掃描時間來保證圖像質量，導致第二次成像的時間長、效率低。

發明內容

本申請實施例提供了一種掃描圖像的優化方法、掃描圖像的優化裝置、醫學掃描系統，以及計算機可讀存儲介質，以至少解決相關技術中對相同部位的重復掃描所需的成像時間長的問題。

第一方面，本申請實施例提供了一種掃描圖像的優化方法，包括：獲取第一圖像和第二圖像，其中，所述第二圖像對應的掃描時間晚于所述第一圖像對應的掃描時間；以所述第一圖像作為輸入圖像、以所述第二圖像作為目標圖像，更新第一人工神經網絡的網絡參數；分別以所述第一人工神經網絡的輸出圖像和輸入圖像作為第二人工神經網絡的訓練樣本，以所述第二人工神經網絡的輸出圖像和輸入圖像作為所述第一人工神經網絡的訓練樣本，交替迭代訓練所述第一人工神經網絡和第二人工神經網絡，直至達到預設迭代次數或者所述第一人工神經網絡當前輸出的圖像滿足設定條件時，輸出所述第一人工神經網絡當前輸出的圖像。