[发明专利]基于深度学习的PET散射估计系统和使用感知神经网络模型的方法

说明书

本发明题为“基于深度学习的PET散射估计系统和使用感知神经网络模型的方法”。本发明公开了估计图像中的散射的系统、装置、方法和计算机可读存储介质。示例性装置包括网络生成器，所述网络生成器用于使用第一输入和第二输入生成和训练感知神经网络以部署感知神经网络模型，以在所述感知神经网络的第一输出和第二输出收敛时处理图像数据，所述第一输入基于所述第一图像的原始正弦图并且所述第二输入基于所述第一图像的衰减校正的正弦图，所述感知神经网络包括在一层中的第一尺寸的第一滤波器和第二尺寸的第二滤波器，以处理所述第一输入和/或所述第二输入以生成对所述第一图像中的散射的估计。所述示例性装置还包括图像处理器，用于将所述散射的估计应用于第二图像以生成处理后的图像。

技术领域

本公开整体涉及图像处理，并且更具体地讲涉及使用感知神经网络模型的使用散射估计的图像处理。

背景技术

本节中的陈述仅提供与本公开相关的背景信息，并且可不构成现有技术。

获得的图像数据中的散射元素或伪像会降低所得图像的质量，并且可能模糊和/或以其他方式干扰图像的可读性和/或其他诊断质量。例如，正电子发射断层显像图像中的γ光子散射降低了图像估计体内生理参数的功效。此类散射可由发射放射性的对象或其他点源引起，以在所得图像中引起轴向和/或横向变形。

散射和/或其他伪影也可存在于计算机断层摄影图像中。此类散射降低了图像质量(例如，降低了图像的诊断可读性)和/或引入了看似是图像中的对象但却是由成像领域中的对象(例如，光子等)的图像数据引入的人工指示或伪像的元素。例如，泊松噪声可由低光子计数引起，并且可在最大衰减方向上在图像中引入随机亮条纹和暗条纹。

将图像中的散射效应错误地识别为患者中的恶性和/或其他异物可导致不必要的测试和治疗。相反，散射效应可模糊或掩盖为了患者健康应进一步检查和治疗的合规恶性肿块和/或其他异物。因此，需要减少获得的诊断图像中的散射效应。

发明内容

本发明公开和描述了生成和利用感知神经网络模型以估计图像中的散射的系统、方法和装置。

某些示例提供了一种装置，该装置包括网络生成器，用于使用第一输入和第二输入生成并训练感知神经网络以部署感知神经网络模型，以在来自第一输入的感知神经网络的第一输出与来自第二输入的感知神经网络的第二输出收敛时以处理图像数据，该第一输入基于第一图像的原始正弦图，并且该第二输入基于第一图像的衰减校正的正弦图，该感知神经网络包括级联层中的第一尺寸的第一滤波器和第二尺寸的第二滤波器，以处理第一输入或第二输入中的至少一者以生成对第一图像中的散射的估计。该示例性装置还包括图像处理器，用于将散射估计应用于第二图像以生成处理后的图像并输出处理后的图像以用于存储或显示中的至少一者。

某些示例提供至少一个包括指令的计算机可读存储介质，所述指令在被执行时使至少一个处理器：使用由第一图像形成的第一输入和第二输入训练感知神经网络，该第一输入基于第一图像的原始正弦图并且该第二输入基于第一图像的衰减校正的正弦图，该感知神经网络包括级联层中的第一尺寸的第一滤波器和第二尺寸的第二滤波器，以处理第一输入或第二输入中的至少一者以生成对第一图像中的散射的估计；测试所述感知神经网络以确定来自所述第一输入的所述感知神经网络的第一输出和来自所述第二输入的所述感知神经网络的第二输出之间的收敛；以及部署感知神经网络的模型以处理第二图像以估计第二图像中的图像散射，以从第二图像移除估计的图像散射生成处理后的图像。