[发明专利]医学图像增强

说明书

提供了用于增强医学图像的系统和方法。接收具有初始视场的初始医学图像。使用经训练的机器学习模型生成具有扩展视场的扩充医学图像。所述扩展视场包括初始视场和扩充区域。输出所述扩充医学图像。

技术领域

本发明一般地涉及医学图像增强，并且更具体地涉及用于生成具有扩展视场的扩充医学图像的基于人工智能的系统和方法。

背景技术

通常，针对聚焦于患者的特定身体部分的特定医疗过程获取医学图像。所获取的这种医学图像具有描绘观察区域（诸如患者的特定身体部分）的初始视场。初始视场表示医学图像的观察区域的外周界内的区域。但是，这种医学图像的初始视场通常在范围上受到限制。

用于扩充图像的常规方案通常聚焦于图像完备化（即，图像修复），其中重构图像的初始视场内的一个或多个缺失部分。这种用于图像完备化的常规方案限于针对初始视场内的缺失部分生成成像数据，在初始视场中，缺失部分在所有侧均被先验成像数据包围。

发明内容

根据一个或多个实施例，提供了用于生成具有扩展视场的扩充医学成像的系统和方法，该扩展视场包括初始医学图像的初始视场和所述初始视场之外的扩充区域。提供这种扩展视场在许多使用情况中是有益的。例如，扩展视场将为临床医生提供有关初始医学图像中描绘的解剖结构的附加情境。在另一个示例中，扩展视场将改善医学成像分析算法（诸如例如，界标检测器和图像配准算法）的性能，所述医学成像分析算法被设计用于具有较大视场的图像。没有已知的常规方法用于提供描绘初始视场之外的扩充区域的扩展视场。

根据一个或多个实施例，提供了用于增强医学图像的系统和方法。接收具有初始视场的初始医学图像。使用经训练的机器学习模型生成具有扩展视场的扩充医学图像。扩展视场包括初始视场和扩充区域。输出扩充医学图像。

扩充医学图像的扩充区域可以包括直接包围初始医学图像的初始视场的区域。扩充医学图像可以是与初始医学图像的模态不同的模态。在一个实施例中，基于先前的初始医学图像和先前的扩充医学图像来生成所述扩充医学图像。

经训练的机器学习模型可以是经训练的生成式对抗网络。经训练的生成式对抗网络可以基于U-Net、情境编码器和变分自动编码器中的至少一个。在一个实施例中，可以使用另一经训练的机器学习模型来精炼所述扩充医学图像。

在一个实施例中，初始视场可以是X射线图像的高质量区域，并且扩展视场包括所述高质量区域和扩充区域。在另一个实施例中，初始医学图像包括解剖模型。

通过参考以下详细描述和附图，本发明的这些和其他优点对于本领域普通技术人员将是显而易见的。

附图说明

图1示出了患者的示例性医学图像；

图2示出了根据一个或多个实施例的用于增强医学图像的说明性高级工作流；

图3示出了根据一个或多个实施例的用于实现图2中所示的工作流的方法；

图4示出了根据一个或多个实施例的用于使用来自先前时间点的信息来增强医学图像的高级工作流；

图5示出了根据一个或多个实施例的用于训练生成式对抗网络（GAN）以生成扩充医学图像的功能框图；

图6示出了根据一个或多个实施例的用于训练CycleGAN以生成扩充医学图像的功能框图；

图7示出了根据一个或多个实施例的用于训练Pix2Pix-GAN的网络架构；

图8示出了通过应用Pix2Pix-GAN而产生的图像与基础事实图像的比较，所述Pix2Pix-GAN利用根据本发明的实施例应用的情境编码器来实现；