【技术实现步骤摘要】
【国外来华专利技术】使用机器学习正则化器的图像重建相关申请本申请要求2017年9月22日提交的美国临时申请No.62/562,165和2018年1月31日提交的美国临时申请No.62/624,663的优先权,上述申请通过引用并入本文。
技术介绍
断层摄影(temography)是通过使用各种穿透波对3D对象进行切片或切面成像。断层摄影重建是一种用于重建对象3D图像的数学过程。例如,X射线计算机断层摄影可以从多个投影射线照片产生图像。断层摄影重建是一种多维逆问题,涉及从有限数量的投影中得出特定对象的估计值的挑战。数据不足导致重建伪影,该重建伪影的严重性因特定问题、所使用的重建方法和要成像的对象而异。机器学习已经被用于数据不足的断层摄影问题中。然而,与机器学习相关联的挑战是机器学习模型可能引入来自用于训练机器学习模型的学习数据集的偏差。过去,在断层摄影重建的后处理中使用机器学习以改善重建,结果要么接受由机器学习模型引入的训练数据偏差,要么限制可以使用机器学习的积极性。
技术实现思路
嵌入式机器学习模型可以用作迭代重建方法中的正则化器,以便限制训练数据引入的偏差,同时充分利用成像的对象以提高图像重建的质量。本文描述了一种改善图像重建质量的框架,该框架通过保持与观测的数据的一致性来限制学习数据集的偏差。机器学习模型可以作为正则化器嵌入到重建过程中,以引入可能成像的对象的预期特征和特性,和/或以减少由重建方法引入的伪影。目标函数的最小化使解与观测结果保持一致,并限制了机器学习正则化器引入的偏差,从而提高了重建的质量。该技术可以用作通用框架, ...
【技术保护点】
1.一种成像系统,其包括:/n成像模态,其被配置为生成目标对象的图像数据集;以及/n至少一个存储器设备,其包括指令,所述指令在由至少一个处理器执行时使所述成像系统使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化器以重建所述目标对象的所述图像的机器学习模型,/n其中,在生成所述图像数据集之前,使用学习数据集训练所述机器学习模型,以定义对象特征和/或去除重建伪影,所述学习数据集包括与要使用所述成像模态成像的所述目标对象有关的图像数据,并且/n其中所述机器学习模型被包括在所述迭代重建技术中,以将所述对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。/n
【技术特征摘要】
【国外来华专利技术】20170922 US 62/562,165;20180131 US 62/624,6631.一种成像系统,其包括:
成像模态,其被配置为生成目标对象的图像数据集;以及
至少一个存储器设备,其包括指令,所述指令在由至少一个处理器执行时使所述成像系统使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化器以重建所述目标对象的所述图像的机器学习模型,
其中,在生成所述图像数据集之前,使用学习数据集训练所述机器学习模型,以定义对象特征和/或去除重建伪影,所述学习数据集包括与要使用所述成像模态成像的所述目标对象有关的图像数据,并且
其中所述机器学习模型被包括在所述迭代重建技术中,以将所述对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。
2.根据权利要求1所述的系统,其中所述机器学习模型是卷积神经网络即CNN,或者其中所述机器学习模型使用欧几里得损失函数被训练为回归网络。
3.根据权利要求2所述的系统,其中用于训练所述CNN的所述学习数据集包括重建的图像体积和地面实况图像体积的二维切片即2D切片。
4.根据权利要求2所述的系统,其中用于训练所述CNN的所述学习数据集包括重建的图像体积和地面实况图像体积的三维体积即3D体积。
5.根据权利要求2所述的系统,其中在用于重建所述目标对象的所述图像的重建过程的迭代之后,将所述CNN的输出作为输入提供到所述重建过程的下一次迭代。
6.根据权利要求1所述的系统,其中所述迭代重建技术包括在所述迭代重建技术的不同阶段用作正则化器的多个机器学习模型。
7.根据权利要求1所述的系统,其中所述迭代重建技术包括至少一个非机器学习正则化滤波器,所述至少一个非机器学习正则化滤波器用作重建所述目标对象的所述图像的一部分。
8.根据权利要求1所述的系统,其中所述成像模态包括以下各项中的至少一项:计算机断层摄影扫描仪即CT扫描仪、锥形束CT扫描仪、断层合成系统或超声成像系统。
9.根据权利要求1所述的系统,其中所述至少一个存储器设备包括指令,所述指令在由所述至少一个处理器执行时使所述成像系统:
将使用所述成像模态生成或获得的所述图像数据集发送到至少一个远程服务器,所述图像数据集是测量的成像数据、处理后的测量的成像数据,或重建的成像数据中的至少一个,其中所述图像数据集被包括在所述学习数据集中,并且所述机器学习模型使用所述学习数据集进行训练;
接收使用包括所述图像数据集的所述学习数据集训练的所述机器学习模型;并且
将所述机器学习模型并入所述迭代重建技术中。
10.一种计算机实施的方法,其包括:
接收使用成像模态生成的目标对象的图像数据集;并且
使用迭代重建技术重建所述目标对象的图像,所述迭代重建技术包括作为正则化滤波器的机器学习模型,所述机器学习模型部分地用于重建所述目标对象的所述图像,
其中在接收所述图像数据之前,使用学习数据集训练所述机器学习模型,所述学习数据集具有与要使用所述成像模态成像的所述目标对象相关联的图像数据,所述学习数据集提供用于训练所述机器学习模型的对象数据,并且
其中所述机器学习模型被包括在所述迭代重建技术中,以将对象特征引入到正在重建的所述目标对象的所述图像中和/或从正在重建的所述目标对象的所述图像中去除重建伪影。
11.根据权利要求10所述的方法,进一步包括在执行所述迭代重建技术期间,使用由所述成像模态生成的所述图像数据更新所述机器学习模型,其中在所述迭代重建技术的一个或多个阶段期间,使用所述图像数据训练所述机器学习模型。
12.根据权利要求10所述的方法,其中训练所述机器学习模型进一步包括:
使用模拟器和图像体积生成重建...
【专利技术属性】
技术研发人员:C·阿特里亚,N·拉美什,D·亚森科,
申请(专利权)人:尼维医疗公司,
类型:发明
国别省市:美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。