[發明專利]使用深度神經網絡和測量數據的遞歸抽取來重建醫療圖像的系統和方法

在審

• 申請號: 202011144998.4
• 申請日: 2020-10-23
• 公開（公告）號: CN112825271A
• 公開（公告）日: 2021-05-21
• 發明（設計）人: 哈里哈蘭·瑞維享卡;達蒂什·達亞南·尚巴格
• 申請（專利權）人: 通用電氣精準醫療有限責任公司
• 主分類號: G16H30/40
• 分類號: G16H30/40;G06N3/04;G06N3/08
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 侯穎媖;錢慰民

本發明題為“使用深度神經網絡和測量數據的遞歸抽取來重建醫療圖像的系統和方法”。本發明提供了用于根據抽取策略使用一個或多個深度神經網絡由測量數據重建圖像的方法和系統。在一個實施方案中，一種使用測量數據重建圖像的方法包括：接收由成像設備采集的測量數據；選擇抽取策略；使用抽取策略和一個或多個深度神經網絡由測量數據產生重建圖像；以及經由顯示設備顯示重建圖像。通過抽取測量數據以形成一個或多個抽取的測量數據陣列，可將測量數據映射到圖像數據的計算復雜性從O(N⁴)(其中N是測量數據的大小)降低到O(M⁴)(其中M是單個抽取的測量數據陣列的大小)，其中MN。

技術領域

本文公開的主題的實施方案涉及醫療成像，并且更具體地涉及使用深度神經網絡來重建醫療圖像的系統和方法。

背景技術

醫療成像系統通常用于獲得受檢者(例如患者)的內部生理信息。例如，醫療成像系統可用于獲得患者的骨骼結構、腦部、心臟、肺部和各種其它特征的圖像。醫療成像系統可包括磁共振成像(MRI)系統、計算機斷層攝影術(CT)系統、正電子發射斷層攝影術(PET)系統、混合PET/MR系統、X射線系統、超聲系統、C型臂系統和各種其它成像模態。

由醫療成像系統獲得的測量數據(例如，CT成像中的X射線投影數據，或MRI中的k空間數據)不適合由人類進行視覺分析/診斷，因為其中編碼的解剖信息可能是人腦不容易或不直觀處理的形式。例如，在MRI成像中，測量數據(也稱為K空間數據)包括圖像數據的二維或三維傅里葉變換，其中K空間的每個點與對應圖像的每一個像素/體素的圖像強度相關，因此將K空間數據與其中編碼的潛在解剖特征相關對于人類心智而言可能過于困難。因此，測量數據通常被重建以形成以更適合人類檢查的形式顯示解剖結構的醫療圖像，從而使人類專家能夠對所采集的醫療圖像進行診斷等等。

最近，已經實施機器學習方法來將測量數據直接映射到醫療圖像數據，而不依賴于常規方法，諸如濾波反向傳播(FBP)、零差算法、零填充方法、字典學習和凸集投影等。機器學習方法可實現更快速的醫療圖像重建，從而實現更短的掃描時間和/或更小的掃描輻射劑量。然而，在當前方法中訓練和實施能夠將測量數據直接映射到圖像數據的完全連接的深度神經網絡所需的計算復雜性(以及因此時間/計算資源)將醫療圖像的矩陣大小增加了四次方。這種“參數激增”限制了在計算受限的環境中實施此類方法或與高分辨率或三維(3D)醫療圖像一起使用。因此，通常希望探究使用深度神經網絡來降低醫療圖像重建的計算復雜性的技術。

發明內容

在一個實施方案中，一種用于由測量數據重建圖像的方法包括：接收由成像設備采集的測量數據；選擇抽取策略；使用抽取策略和一個或多個深度神經網絡由測量數據產生重建圖像；以及經由顯示設備顯示重建圖像。以這種方式，可根據抽取策略對測量數據進行降采樣/抽取，從而大幅減少一個或多個深度神經網絡的參數數量。通過抽取測量數據以形成一個或多個抽取的測量數據陣列，可將測量數據映射到圖像數據的計算復雜性從O(N⁴)(其中N是測量數據的大小)降低到O(M⁴)(其中M是單個抽取的測量數據陣列的大小)，其中MN，并且其中M可獨立于圖像分辨率進行選擇。

在單獨或與附圖聯系時，本說明書的以上優勢以及其他優勢和特征將從以下具體實施方式中顯而易見。應當理解，提供以上發明內容是為了以簡化的形式介紹在具體實施方式中進一步描述的概念的選擇。這并不意味著識別所要求保護的主題的關鍵或必要特征，該主題的范圍由具體實施方式后的權利要求書唯一地限定。此外，所要求保護的主題不限于解決上文或本公開的任何部分中提到的任何缺點的實施方式。

附圖說明

通過閱讀以下具體實施方式并且參考附圖，可以更好地理解本公開的各個方面，其中：

圖1示出了圖像重建系統的示例性實施方案的框圖；

圖2是示出能夠實施圖1的圖像重建系統的成像系統的示意圖；