[发明专利]医学图像转换

说明书

根据本文的一个或多个实施例，提供了一种用于生成优化的参数化转换函数T的系统100，所述优化的参数化转换函数T用于将第一图像类型的原始医学图像转换为第二图像类型的转换医学图像。所述系统100包括至少一个处理单元，其被配置为：获得第一和第二图像类型的原始医学图像；获得用于将第一图像类型的原始医学图像转换为第二图像类型的转换医学图像的初始参数化转换函数G；基于第二图像类型的第一原始医学图像与第二图像类型的第一转换医学图像的至少一个比较来计算第一惩罚P₁，所述第二图像类型的第一转换医学图像是通过将基于所述初始参数化转换函数G的第一参数化转换函数G₁应用于所述第一图像类型的第一原始医学图像而生成的，所述第一图像类型的第一原始医学图像与第二图像类型的第一原始医学图像形成图像对，并且由此已经被确定为显示相同患者的相同部分；在将第一图像类型的原始医学图像和/或第二图像类型的转换医学图像转换为相同图像类型的图像之后，基于第一图像类型的原始医学图像和第二图像类型的转换医学图像的至少一个比较来计算第二惩罚P₂，所述第二图像类型的转换医学图像是通过将基于所述初始参数化转换函数G的第二参数化转换函数G₂应用于所述第一图像类型的原始医学图像而生成的；以及基于至少所述第一惩罚P₁和第二惩罚P₂以及所述初始参数化转换函数G的参数来生成优化的参数化转换函数T。

技术领域

本申请总体上涉及用于生成优化的参数化转换函数T的系统和方法，该优化的参数化转换函数T用于将第一图像类型的原始医学图像转换成第二图像类型的转换医学图像。

背景技术

计算机断层摄影(CT)成像可以用于许多目的。CT图像可以例如用于放射治疗方案中的剂量计算。然而，如果可以找到可用于剂量计算的其他获得图像的方式，那么就有理由避免CT成像——CT检查花费时间并且患者暴露于放射。

可以使用锥形束计算机断层摄影(CBCT)图像进行剂量计算，但是CBCT图像比CT图像更容易生成伪影，并且强度比例也可以与CT图像不同。

文章“使用未成对数据的深度MR到CT合成”(“Deep MR to CT Synthesis usingUnpaired Data”，Wolterink等人，2017年)描述了训练一般对抗网络(GAN)以使用CycleGAN模型以及未成对的MR和CT图像将MR图像转换成CT图像。

文章“具有情景感知生成对抗网络的医学图像合成”(“Medical Image Synthesiswith Context-Aware Generative Adversarial Networks”，Nie等人，2016年)描述了使用对抗性训练策略和图像梯度差损失函数来训练完全卷积网络以将MR图像转换成CT图像。

现有技术的问题

在文章“使用未成对数据的深度MR到CT合成”所描述的方法中，仅使用不成对数据的事实可能使得所生成的转换函数不太准确。在这种方法中，还存在引入可能永远检测不到的错误信息的风险。

在文章“具有情景感知生成性对抗网络的医学图像合成”所描述的方法中，在转换图像和原始图像之间没有进行比较的事实可能使得所生成的转换函数不太准确。这种方法还需要大量准确的成对数据。

因此，需要一种用于生成优化的参数化转换函数T的改进的方法，以将第一图像类型的原始医学图像转换为第二图像类型的转换医学图像。

发明内容