[发明专利]使用深度神经网络和测量数据的递归抽取来重建医疗图像的系统和方法

说明书

本发明题为“使用深度神经网络和测量数据的递归抽取来重建医疗图像的系统和方法”。本发明提供了用于根据抽取策略使用一个或多个深度神经网络由测量数据重建图像的方法和系统。在一个实施方案中，一种使用测量数据重建图像的方法包括：接收由成像设备采集的测量数据；选择抽取策略；使用抽取策略和一个或多个深度神经网络由测量数据产生重建图像；以及经由显示设备显示重建图像。通过抽取测量数据以形成一个或多个抽取的测量数据阵列，可将测量数据映射到图像数据的计算复杂性从O(N⁴)(其中N是测量数据的大小)降低到O(M⁴)(其中M是单个抽取的测量数据阵列的大小)，其中MN。

技术领域

本文公开的主题的实施方案涉及医疗成像，并且更具体地涉及使用深度神经网络来重建医疗图像的系统和方法。

背景技术

医疗成像系统通常用于获得受检者(例如患者)的内部生理信息。例如，医疗成像系统可用于获得患者的骨骼结构、脑部、心脏、肺部和各种其它特征的图像。医疗成像系统可包括磁共振成像(MRI)系统、计算机断层摄影术(CT)系统、正电子发射断层摄影术(PET)系统、混合PET/MR系统、X射线系统、超声系统、C型臂系统和各种其它成像模态。

由医疗成像系统获得的测量数据(例如，CT成像中的X射线投影数据，或MRI中的k空间数据)不适合由人类进行视觉分析/诊断，因为其中编码的解剖信息可能是人脑不容易或不直观处理的形式。例如，在MRI成像中，测量数据(也称为K空间数据)包括图像数据的二维或三维傅里叶变换，其中K空间的每个点与对应图像的每一个像素/体素的图像强度相关，因此将K空间数据与其中编码的潜在解剖特征相关对于人类心智而言可能过于困难。因此，测量数据通常被重建以形成以更适合人类检查的形式显示解剖结构的医疗图像，从而使人类专家能够对所采集的医疗图像进行诊断等等。

最近，已经实施机器学习方法来将测量数据直接映射到医疗图像数据，而不依赖于常规方法，诸如滤波反向传播(FBP)、零差算法、零填充方法、字典学习和凸集投影等。机器学习方法可实现更快速的医疗图像重建，从而实现更短的扫描时间和/或更小的扫描辐射剂量。然而，在当前方法中训练和实施能够将测量数据直接映射到图像数据的完全连接的深度神经网络所需的计算复杂性(以及因此时间/计算资源)将医疗图像的矩阵大小增加了四次方。这种“参数激增”限制了在计算受限的环境中实施此类方法或与高分辨率或三维(3D)医疗图像一起使用。因此，通常希望探究使用深度神经网络来降低医疗图像重建的计算复杂性的技术。

发明内容

在一个实施方案中，一种用于由测量数据重建图像的方法包括：接收由成像设备采集的测量数据；选择抽取策略；使用抽取策略和一个或多个深度神经网络由测量数据产生重建图像；以及经由显示设备显示重建图像。以这种方式，可根据抽取策略对测量数据进行降采样/抽取，从而大幅减少一个或多个深度神经网络的参数数量。通过抽取测量数据以形成一个或多个抽取的测量数据阵列，可将测量数据映射到图像数据的计算复杂性从O(N⁴)(其中N是测量数据的大小)降低到O(M⁴)(其中M是单个抽取的测量数据阵列的大小)，其中MN，并且其中M可独立于图像分辨率进行选择。

在单独或与附图联系时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的概念的选择。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。

附图说明

通过阅读以下具体实施方式并且参考附图，可以更好地理解本公开的各个方面，其中：

图1示出了图像重建系统的示例性实施方案的框图；

图2是示出能够实施图1的图像重建系统的成像系统的示意图；