【技术实现步骤摘要】
技术介绍
1、本专利技术中公开的实施方案涉及医学设备，并且更具体地涉及基于深度学习(dl)的医学成像系统和方法。
2、当前，医学成像设备越来越广泛地用于扫描受测的受检者(诸如人体)以获得特定部分(诸如身体中的每个器官的全部或一部分，或者特定感兴趣区域)的医学图像，以便提供用于医学诊断的有用信息。医学图像扫描包括磁共振成像(mri)、x射线成像、计算机断层摄影(ct)成像、超声成像等。
3、作为医学成像模式，磁共振成像(mri)可以在不使用x射线或其他电离辐射的情况下获得人体的图像。mri使用具有强磁场的磁体来生成静磁场b0。当人体的待成像部分位于静磁场b0中时，与人体组织中的氢核相关联的核自旋被极化，使得待成像部分的组织在宏观水平上生成纵向磁化矢量。在施加与静磁场b0的方向相交的射频场b1之后，质子的旋转方向改变，使得待成像部分的组织在宏观水平上生成横向磁化矢量。在去除射频场b1之后，该横向磁化矢量以螺旋方式衰减，直到其恢复为零。在衰减期间生成了自由感应衰减信号。该自由感应衰减信号可以作为磁共振信号被采集，并且可以基于所采集的信号重建待成像部分的组织图像。
4、类似于其他
，深度学习(dl)也在mri领域取得了重大进展。特别地，dl辅助图像重建正成为现有技术，产生更好的图像质量和/或能够实现比常规方法可实现的更高的加速速率。dl网络用于减轻噪声放大，同时保持重要的信号特性。然而，dl网络中所使用的常规损失函数产生与对象相关的噪声变更和非均匀点扩展函数。
5、因此，需要一种改
技术实现思路
1、根据本技术的实施方案，提供了一种医学成像系统。该医学成像系统包括至少一个医学成像设备和处理系统，该至少一个医学成像设备提供受检者的图像数据。该处理系统被编程为使用输入图像训练数据来训练深度学习(dl)网络，其中该输入图像训练数据包括原始图像数据和至少一个扰动信号。该处理系统进一步被编程为使用经训练的dl网络来确定来自受检者的图像数据的经重建图像数据并且基于该经重建图像数据来生成受检者的医学图像。
2、根据本技术的另一个实施方案，提供了一种用于对受检者进行成像的方法。该方法包括使用输入图像训练数据来训练深度学习(dl)网络，其中该输入训练数据包括原始图像数据和至少一个扰动信号。该方法还包括利用医学成像设备来采集受检者的图像数据以及将受检者的该图像数据作为输入提供给经训练的dl网络。该方法还包括使用dl网络基于所采集的图像数据来生成受检者的医学图像。
3、根据本技术的又一实施方案，提供了一种利用磁共振成像系统来生成对象的图像的方法。该方法包括使用磁共振(mr)图像训练数据来训练深度学习(dl)网络，其中该mr图像训练数据包括原始图像数据和至少一个扰动信号。该方法还包括利用mri系统来采集对象的mr图像数据以及将受检者的该mr图像数据作为输入提供给经训练的dl网络。此外，该方法包括使用dl网络基于所采集的mr图像数据来生成对象的图像。
本文档来自技高网...【技术保护点】
1.一种用于对受检者进行成像的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述医学成像设备包括磁共振成像系统、X射线成像系统、计算机断层摄影成像系统或超声成像系统。
3.根据权利要求1所述的方法，其中所述原始图像数据是欠采样图像数据。
4.根据权利要求1所述的方法，其中所述至少一个扰动信号是相对于所述原始图像数据的小振幅信号。
5.根据权利要求1所述的方法，所述方法还包括基于损失函数来更新所述深度学习网络的参数，其中所述损失函数使用所述至少一个扰动信号与至少一个恢复的扰动信号之间的差作为损失度量。
6.根据权利要求5所述的方法，其中所述损失函数是误差平方和函数或结构相似性函数。
7.根据权利要求5所述的方法，其中所述至少一个恢复的扰动信号是基于多个经重建图像的数据之间的差异来确定。
8.根据权利要求7所述的方法，其中所述多个经重建图像中的第一经重建图像是通过执行所述深度学习网络来确定，其中到所述深度学习网络的输入信号包括所述原始图像数据。
9.根据权利要求7所述的方法，其中
10.根据权利要求7所述的方法，其中所述多个经重建图像是通过利用所述原始图像数据、噪声数据、多个扰动信号或它们的组合多次执行所述深度学习网络来生成。
11.根据权利要求1所述的方法，其中所述经重建图像数据包括经重建图像或其k空间数据。
12.一种医学成像系统，所述医学成像系统包括：
13.一种用于利用磁共振成像系统来生成受检者的图像的方法，所述方法包括：
...【技术特征摘要】
1.一种用于对受检者进行成像的方法，所述方法包括：
2.根据权利要求1所述的方法，其中所述医学成像设备包括磁共振成像系统、x射线成像系统、计算机断层摄影成像系统或超声成像系统。
3.根据权利要求1所述的方法，其中所述原始图像数据是欠采样图像数据。
4.根据权利要求1所述的方法，其中所述至少一个扰动信号是相对于所述原始图像数据的小振幅信号。
5.根据权利要求1所述的方法，所述方法还包括基于损失函数来更新所述深度学习网络的参数，其中所述损失函数使用所述至少一个扰动信号与至少一个恢复的扰动信号之间的差作为损失度量。
6.根据权利要求5所述的方法，其中所述损失函数是误差平方和函数或结构相似性函数。
7.根据权利要求5所述的方法，其中所述至少一个恢复的扰动信号是基于多个经重建图像的数据之间的差异来确...
【专利技术属性】
技术研发人员：罗伯特·马克·莱贝尔，
申请(专利权)人：通用电气精准医疗有限责任公司，
类型：发明
国别省市：
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。