[發(fā)明專利]用于運(yùn)動(dòng)偽影檢測(cè)的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202080039752.2
• 申請(qǐng)日: 2020-05-25
• 公開（公告）號(hào): CN113892149A
• 公開（公告）日: 2022-01-04
• 發(fā)明（設(shè)計(jì)）人: S·魏斯
• 申請(qǐng)（專利權(quán)）人: 皇家飛利浦有限公司
• 主分類號(hào): G16H30/40
• 分類號(hào): G16H30/40;G16H50/70;G06T5/00;G06N3/04;G06N3/08;A61B5/00;G01R33/565
• 代理公司: 永新專利商標(biāo)代理有限公司 72002
• 代理人: 孟杰雄

1.一種用于運(yùn)動(dòng)偽影檢測(cè)的醫(yī)學(xué)成像方法，包括：

-使用(201-203)表示k空間采樣模式及其定時(shí)的k空間采集性質(zhì)來生成具有由第一初始設(shè)定類型的運(yùn)動(dòng)模式引起的運(yùn)動(dòng)偽影的運(yùn)動(dòng)損壞圖像，使得所述運(yùn)動(dòng)偽影被定義為所述運(yùn)動(dòng)損壞圖像和表示運(yùn)動(dòng)引起的損壞編碼的特征矩陣的函數(shù)；

-利用所述特征矩陣的值來初始化(205)表示卷積神經(jīng)網(wǎng)絡(luò)的卷積核或乘法核的至少一個(gè)特征圖；

-利用訓(xùn)練圖像來訓(xùn)練(207)初始化的卷積神經(jīng)網(wǎng)絡(luò)(CNN)，所述訓(xùn)練圖像由第二訓(xùn)練運(yùn)動(dòng)模式模式損壞以獲得運(yùn)動(dòng)偽影；

-使用經(jīng)訓(xùn)練的CNN來獲得(209)輸入圖像中的運(yùn)動(dòng)偽影。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述初始化包括針對(duì)所述CNN的每個(gè)特征圖來確定具有不同的第一初始設(shè)定類型的運(yùn)動(dòng)模式的所述特征矩陣，并且使用所述特征矩陣的所述值來初始化所述特征圖。

3.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述運(yùn)動(dòng)偽影在k空間中被定義為所述特征矩陣與所述運(yùn)動(dòng)損壞圖像的乘積，其中，所述特征圖是所述CNN的乘法層，并且所述CNN被配置為接收?qǐng)D像的k空間表示作為輸入。

4.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述運(yùn)動(dòng)偽影在圖像空間中被定義為所述特征矩陣與所述運(yùn)動(dòng)損壞圖像的卷積，其中，所述特征圖是所述CNN的核，并且所述CNN被配置為接收作為輸入圖像。

5.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，所述第一初始設(shè)定類型的運(yùn)動(dòng)是由相應(yīng)的平移位移表征的平移運(yùn)動(dòng)。

6.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，第二類型運(yùn)動(dòng)是第一初始運(yùn)動(dòng)模式的組合，其中，每個(gè)第一初始運(yùn)動(dòng)模式由相應(yīng)的平移位移表征。

7.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述輸入圖像中的所述運(yùn)動(dòng)偽影是由運(yùn)動(dòng)引起的，所述運(yùn)動(dòng)是：

-所述第一初始運(yùn)動(dòng)模式與所述第二訓(xùn)練運(yùn)動(dòng)模式第二訓(xùn)練運(yùn)動(dòng)模式的組合；或者

-所述第二訓(xùn)練運(yùn)動(dòng)模式第二訓(xùn)練運(yùn)動(dòng)模式。

8.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述第一初始運(yùn)動(dòng)模式與所述第二訓(xùn)練運(yùn)動(dòng)模式第二訓(xùn)練運(yùn)動(dòng)模式不同或者相同。

9.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，所述k空間采集性質(zhì)包括所述k空間的采樣模式和/或采樣定時(shí)。

10.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述運(yùn)動(dòng)損壞圖像M的所述運(yùn)動(dòng)偽影A被定義為所述運(yùn)動(dòng)損壞圖像M與所述特征矩陣K的卷積，其中，所述特征矩陣K由定義，其中，δ是δ函數(shù)，dx(t)是運(yùn)動(dòng)函數(shù)，并且FT代表傅里葉變換，k是所述運(yùn)動(dòng)損壞圖像M的k空間位置。

11.根據(jù)前述權(quán)利要求中的任一項(xiàng)所述的方法，其中，所述運(yùn)動(dòng)損壞圖像M的所述運(yùn)動(dòng)偽影A在k空間中被定義為k空間中的所述運(yùn)動(dòng)損壞圖像M與所述特征矩陣的乘積，其中，所述特征矩陣由定義，其中，δ是δ函數(shù)，dx(t)是運(yùn)動(dòng)函數(shù)，并且FT代表傅里葉變換，k是所述運(yùn)動(dòng)損壞圖像M的k空間位置。

12.一種用于訓(xùn)練用于運(yùn)動(dòng)偽影檢測(cè)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)的方法，包括：

-使用(201-203)表示k空間采樣模式及其定時(shí)的k空間采集性質(zhì)來生成具有由第一初始設(shè)定類型的運(yùn)動(dòng)模式引起的運(yùn)動(dòng)偽影的運(yùn)動(dòng)損壞圖像，使得所述運(yùn)動(dòng)偽影被定義為所述運(yùn)動(dòng)損壞圖像和表示運(yùn)動(dòng)引起的損壞編碼的特征矩陣的函數(shù)；

-利用所述特征矩陣的值來初始化(205)表示卷積神經(jīng)網(wǎng)絡(luò)的卷積核或乘法核的至少一個(gè)特征圖；

-利用訓(xùn)練圖像來訓(xùn)練(207)初始化的卷積神經(jīng)網(wǎng)絡(luò)(CNN)，所述訓(xùn)練圖像由第二訓(xùn)練運(yùn)動(dòng)模式模式損壞以獲得運(yùn)動(dòng)偽影。