[发明专利]用于从厚图像切片产生薄图像切片的系统和方法

说明书

本文中公开用于从厚切片图像产生薄切片图像的系统和方法。在一些实例中，深度学习系统可从厚切片图像计算残差并且将所述残差加入到所述厚切片图像以产生薄切片图像。在一些实例中，所述深度学习系统包含神经网络。在一些实例中，所述神经网络可包含一或多个层级，其中所述层级中的一或多个包含一或多个块。在一些实例中，每一层级包含卷积块和非线性激活函数块。在一些实例中，所述神经网络的所述层级可为级联式布置。

关于在联邦政府资助的研究或研发下完成的发明的权利的声明

本发明是在政府支持下依据美国国家卫生研究院(National Institutes ofHealth，NIH)授予的合同号NIH R01 AR063643和R01 EB002524完成的。政府对本发明享有一定权利。

相关申请案的交叉引用

本申请案主张2018年3月12日申请的较早提交的美国临时申请案第62/641,836号的优先权，所述美国临时申请案出于任何目的以全文引用的方式并入本文中。

技术领域

本文中所描述的实例大体上涉及处理来自三维图像的图像切片。更具体地，本文中所描述的实例涉及处理来自三维图像的厚图像切片以产生三维图像的薄切片。在一些实例中，可分析、观察或以其它方式使用薄切片来诊断和/或治疗疾病。

背景技术

在例如磁共振成像(MRI)、计算机断层扫描(CT)、正电子发射断层扫描(PET)和超声(US)等三维(3D)成像模态中，体积被成像为具有有限厚度(例如，0.5mm、1mm、0.5cm、1cm)的一系列成像平面(例如，切片)。切片经组合以产生体积的3D图像，其中3D图像的每一体元对应于经成像体积的一部分。3D图像的分辨率可至少部分地基于由每一体元表示的体块的量值。由体元表示的体块越大，3D图像的分辨率越低。一种用于改进3D图像的分辨率的技术是获取体块内的更多切片。也就是说，切片的厚度减小且由每一体元表示的体积减小。举例来说，与当体积成像为一系列1.0mm切片时的情况相比，所述体积成像为一系列0.5mm切片可产生较高分辨率的3D图像。

与低分辨率图像相比，较高分辨率图像可为观察者提供更多信息。举例来说，相较于具有较低分辨率的那些医学图像，临床医生可能够从具有较高分辨率的医学图像做出更准确诊断。然而，在一些应用中，获取体积的更薄切片可能是不可行的。举例来说，一些成像系统可受限于无法再减小的最小切片厚度。在一些应用中，获取更薄切片可需要额外成像时间。这可在例如患者必须停留在局促空间较长时间段和/或必须在获取切片期间屏住呼吸的情况下降低患者舒适感。对于一些成像模态，获取更薄切片可要求额外暴露于电离辐射，这可增加患者的健康风险。

因此，需要在不减小在成像期间获取的切片厚度的情况下改进3D图像的分辨率。

发明内容

本文中所描述的技术的实例可提供超分辩率技术，其使用深度学习系统从较厚输入切片产生薄切片3D图像(例如MRI、fMRI、PET、US和/或CT)，并且将此方法与替代性穿平面内插方法进行比较。

根据本公开的一些实例，描述包含3D卷积神经网络的深度学习系统，其被配置成学习高分辨率薄切片图像和较低分辨率厚切片图像之间的基于残差的变换。在一些实例中，训练神经网络学习相同中心方位处的高分辨率薄切片图像和较低分辨率厚切片图像之间的基于残差的变换。虽然作为实例提供3D肌骨胳MR图像，但此方法通常可应用于任何3D图像和人类或动物身体的任何区域(包含脑、肝、心脏血管系统等)的成像。

根据本公开的原理的神经网络(例如3D卷积神经网络)可能能够从较低分辨率较厚切片解算高分辨率薄切片MRI。在一些应用中，所述神经网络与常规利用的和当前技术发展水平的用于MRI、CT和/或其它3D成像模态的方法相比，可达成优良定量和质量诊断性能，同时减少需要获取的切片的数目。