[发明专利]基于深度学习的断层摄影重建

说明书

本方法涉及使用机器学习和深度学习系统，其适用于解决大规模的空间变化断层摄影重建和/或校正问题。在某些实施方案中，从断层摄影扫描仪获得的测量数据的断层摄影变换用作神经网络的输入。根据本方法的某些方面，一个或多个断层摄影变换操作与所述神经网络分开或在所述神经网络外执行，使得所述断层摄影变换操作的结果替代地被提供作为所述神经网络的输入。另外，在某些实施方案中，所述神经网络的一个或多个层可以被提供作为小波滤波器组。

背景技术

本文公开的主题涉及断层摄影重建，并且具体地涉及使用深度学习技术将数据(诸如投影或其他扫描类型数据)重建为诊断上或临床上有用的图像，包括横截面图像和/或体积表示。

非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。特别地，这种非侵入性成像技术依赖于各种物理原理(诸如X射线的穿过目标体积的差分透射、体积内的声波反射、体积内的不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以获取数据和构建图像或以其他方式表示患者/对象的观察到的内部特征。

所有重建算法都经受各种折衷，诸如在计算效率、患者剂量、扫描速度、图像质量和伪影之间的折衷。以举例的方式，基于卷积神经网络(CNN)的机器学习架构已经在许多模式识别、图像处理、检测和分类任务中设定基准。然而，在断层摄影重建背景中，CNN可能不适合以常规方式实施。特别地，CNN通常基于本地连接性和权重共享的原理而构建。权重共享(即，空间不变卷积)显著地减少网络的自由参数的数量，从而降低网络的训练时间和存储器要求。然而，虽然在许多计算机视觉问题上是成功的，但是权重共享的原理也将网络固有地限制为空间不变的，即，无论特征在视野中的位置如何都要进行检测，从而构成平移不变的性质。换句话说，CNN中的卷积运算通常由傅里叶滤波器实现，该傅立叶滤波器本质上是平移不变的。虽然这在许多计算机视觉问题上达成了良好结果，但是变得不适合于许多空间变化任务，诸如用空间变化点扩散函数(PSF)的图像恢复和/或重建。另一方面，完全地连接的深度神经网络对于大多数的高维问题(例如，图像重建)是计算上不可行的。

发明内容

在一个实施方案中，提供了方法。根据该方法，从断层摄影扫描仪获得测量数据。计算测量数据的一个或多个断层摄影变换。一个或多个断层摄影变换包括反投影、加权反投影、重投影、Fisher信息矩阵的多个对角元素、方差图像、噪声相关性图像、Fisher信息矩阵的多项式或它们的组合中的至少一者。提供一个或多个断层摄影变换作为受过训练的神经网络的一个或多个输入。基于一个或多个输入从受过训练的神经网络获得一个或多个输出。

在另一个实施方案中，提供了方法。根据该方法，从断层摄影扫描仪获得测量数据。将一个或多个输入提供到受过训练的神经网络，该一个或多个输入包括测量数据或该测量数据的一个或多个断层摄影变换中的一者或多者。神经网络包括基于小波、小波框架、曲波或其他稀疏变换的至少一个层。基于一个或多个输入从受过训练的神经网络获得一个或多个输出。

在另一个实施方案中，提供了图像处理系统。根据该实施方案，该图像处理系统包括：处理部件，该处理部件被配置为执行一个或多个存储的处理器可执行例程；和存储器，该存储器存储一个或多个可执行例程。一个或多个可执行例程在由处理部件执行时使动作执行，包括：获取或访问一组扫描数据，其中该组扫描数据初始由一组原始测量值表示；计算该组扫描数据的一个或多个断层摄影变换；提供一个或多个断层摄影变换作为受过训练的神经网络的一个或多个输入，其中受过训练的神经网络包括基于小波滤波器组的至少一个层；以及基于一个或多个输入从受过训练的神经网络获得一个或多个输出。

附图说明

当参考附图阅读以下详细描述时，将更好地理解本发明的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1描绘了根据本公开的各方面的用于训练深度学习模型的人工神经网络的示例；

图2是根据本公开的各方面的描绘计算机断层摄影(CT)成像系统的部件的框图；