【技术实现步骤摘要】
本文公开的主题整体涉及图像重建，并且更具体地，涉及用于基于深度学习的图像重建的系统和方法。
技术介绍
1、放射摄影术通常用于在感兴趣的对象中寻找异常。放射摄影图像表示对象例如患者器官的投影。在更具体的非限制性示例中，器官为乳房并且图像为乳腺x线摄影图像。几十年来，乳腺x线摄影术一直被用于筛查和诊断乳腺癌。通常通过以下方式来获得放射摄影图像：将对象放置在发射x射线的源与x射线检测器之间，使得到达检测器的x射线已经穿过了该对象。然后放射摄影图像根据由检测器提供的数据来构造，并表示在x射线的方向上投影在检测器上的对象。
2、在乳腺x线摄影术的情况下，经验丰富的放射科医生可区分指示例如微钙化、包块或其他浑浊等潜在问题的放射性标记。然而，在二维(2d)投影图像中，组织的重叠可隐藏病变，并且在任何情况下它们的实际位置在感兴趣的对象中都无从得知，因为医师没有关于放射性标志在投影方向上的深度的任何信息。
3、断层融合被用于解决这些问题。在断层融合中，器官的三维(3d)表示可作为一系列连续切片被获得。该切片根据感兴趣的对象在各种角度下的投影来重建。为此，一般将感兴趣的对象放置在发射x射线的源与x射线检测器之间，如图1和图2示意性所示。源和/或检测器是可移动的，使得对象在检测器上的投影方向可变化(例如，在30度的角度范围内等)。因此，在不同角度下获得了感兴趣的对象的若干投影，通常通过例如重建方法根据该若干投影可以重建对象的三维表示。为了确定和/或识别对象的各种视图，由成像系统2001限定坐标系2000，使得可以沿着由坐标系2
4、虽然标准乳腺x线摄影术和断层融合两者目前都被放射科医生使用，但每种技术都具有优势。在对微钙化点进行成像时，相比于断层融合，标准乳腺x线摄影术可能形成更好的图像。断层融合在对软组织病变(例如，锯齿状肿块)成像方面是优异的，因为断层融合中的重建大部分清除了病变上方和下方的组织并且使得其能够在器官内定位。
5、虽然放射科医生可采集标准乳腺x线摄影术图像和断层融合图像两者以利用每种技术的优点，但是这些成像过程通常是按顺序执行的。
6、近年来，数字乳腺断层融合(dbt)已被证明是有效的癌症检测技术，并且ce-dbt技术正在开发中。dbt和/或ce-dbt使用x射线创建乳房的三维(3d)图像。通过从多个角度拍摄每个乳房的多张x射线照片，计算机可生成用于检测异常的3d图像。dbt/ce-dbt过程的关键部分是图像重建，因为图像重建直接影响数据的内容，而放射科医生将检查该数据以确定任何诊断。为了重建图像，设计、训练算法(如果适用于以人工智能(ai)作为其组成部分所采用的算法)，并用于减少噪声和最小化重建体积中存在的任何伪影，例如条纹、有限角度伪影、过冲和下冲等。这些算法可以采取各种形式。在过去的几年中，这些算法最经常倾向于包括一个或几个卷积神经网络(cnn)作为它们的组成部分，具体示例是以下中的一者或多者：在jin、kyong hwan等人的“deep convolutional neural network for inverseproblems in imaging”中公开的fbp convnet。如在wang、ge、jong chul ye和bruno deman的“deep learning for tomographic image reconstruction”中公开的ieeetransactions on image processing 26.9(2017):4509-4522.，unrolledreconstruction。在jonas teuwen、nikita moriakov、christian fedon、marco caballo、ingrid reiser、pedrag bakic、eloy garcía、oliver diaz、koen michielsen、ioannissechopoulos的“deep learning reconstruction of digital breast tomosynthesisimages for accurate breast density and patient-specific radiation doseestimation”,medical image analysis,第71卷,2021,102061,issn 1361-8415中公开的nature machine intelligence 2.12(2020)：737-748.，或learned primal dualreconstructions，其全部内容出于所有目的通过引用明确地并入本文。该算法可以包含投影域中的cnn和/或体积域中的cnn。在体积域中，cnn可单独处理每一平面(即，2d cnn)，每一平面具有相邻平面或来自相邻平面的某一上下文(即，2.5d cnn)或使用3d cnn(使用局部3d邻域和3d特征)。在断层融合中，特别是在dbt/ce-dbt中，cnn可用于克服/去除来自dbt内存在的受约束的采集几何结构的伪影，即，在其上获得投影的有限角度范围，即，典型地从15度至50度的角度覆盖和/或稀疏的角度采样，即，典型地在限定的角度范围上获得9至25个投影。体积中给定对象周围的伪影倾向于与在该对象处相交的反投影线局部对准，并且因此非常依赖于采集几何结构。利用如图3中示意性表示的典型射束几何结构，伪影的取向在3d空间中是位置相关的。当成像系统操作以通过从源朝向靠近患者胸壁的检测器发射锥形束来执行dbt时，伪影大部分包含在xz平面中，但是它们的取向取决于该平面内的位置/深度。当我们沿着y轴远离胸壁移动时，伪影倾向于与由源与检测器之间的锥形束内的射束路径限定的倾斜平面对准。具体参考图3，例如，位置p1处的伪影被定位成靠近大致平行于xz平面的胸壁。然而，位置p2处的伪影相对于xz平面以显著的角取向设置。在位置p3处的另一伪影处，与它们在p1处的取向相比，这些伪影被旋转，但是它们在相同的xz平面中。
7、为了校正位置p1、p2和p3处的伪影，必须利用所有可能的外观和取向的伪影来训练包含网络(例如，cnn)以减少伪影的重建算法，以便能够适应相对于取向变化的伪影的角位置，并且还必须针对伪影外观的可变性进行测试。此外，虽然在xz平面中操作的简单2d cnn可以有效地校正接近胸壁的伪影，其中它们全部被包含在这些xz平面中，例如在点p1处，但是2d训练的cnn在远离xz平面的伪影的校正方面将不那么有效，例如在点p2处。这意味着一些cnn设计不能有效地用于校正dbt投影中的伪影，特别是一些2d和2.5d cnn。
8、相反，对于采用从辐射源发射的扇形射束的计算机断层摄影而言，由有限角度和稀疏采样引起的损害给定结构的重建伪影往往几乎完美地位于重建平面中，并且由于扇形射束成像的窄平面而在本文档来自技高网...
【技术保护点】
1.一种用于校正根据对象的多个二维(2D)投影图像(101-109)重建的三维(3D)体积(171)内的伪影的方法，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其中重建所述3D体积(171)的所述步骤包括：
3.根据权利要求2所述的方法，其中所述重建算法(152)包括网络(154)，所述网络能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)。
4.根据权利要求3所述的方法，其中能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)的所述网络(154)选自2D或2.5D网络(154)。
5.根据权利要求4所述的方法，其中能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)的所述网络(154)包括沿着由所述成像系统(100)限定的XZ平面(2004)重建和校正所述3D
6.根据权利要求4所述的方法，其中能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述虚拟对象(612)的所述网络(154)包括沿着由所述成像系统(100)限定的XY平面(2002)重建和校正所述虚拟对象(612)的网络(154)。
7.根据权利要求3所述的方法，其中所述网络(154)是卷积神经网络(154)。
8.根据权利要求3所述的方法，其中所述网络(154)嵌入反投影运算符(1504)和正投影运算符(1502)，并且其中所述反投影(1504)运算符和所述正投影(1502)运算符在所述伪平行几何结构中实现。
9.根据权利要求3所述的方法，其中所述3D虚拟对象(612)选自3D切片、3D厚片、3D平面、3D体积以及它们的组合。
10.根据权利要求1所述的方法，其中用于重建算法(152)的所述处理器可执行代码是2D或2.5D卷积神经网络(154)。
11.根据权利要求1所述的方法，其中所述重建算法(152)包括网络(154)，所述网络能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的3D虚拟对象(612)，并且其中重建所述3D体积(171)的所述步骤包括：
12.一种成像系统(100)，包括：
13.根据权利要求12所述的成像系统，其中用于所述重建算法(152)的所述处理器可执行代码包括用于网络(154)的处理器可执行代码，所述网络能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)。
14.根据权利要求12所述的成像系统，其中用于所述重建算法(152)的所述处理器可执行代码包括用于2D或2.5D网络(154)的处理器可执行代码，所述2D或2.5D网络能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)。
15.根据权利要求12所述的成像系统，其中用于重建所述3D虚拟对象(612)的所述处理器可执行代码包括用于网络(154)的处理器可执行代码，所述网络能够操作以根据所述多个2D投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3D虚拟对象(612)，用于利用所述重建算法(152)根据所述多个2D投影图像(101-109)基于所述零角度(143)重建在所述伪平行几何结构中限定的所述3D虚拟对象(612)；并且提供所述3D虚拟对象(612)作为对所述网络(154)的输入。
...【技术特征摘要】
1.一种用于校正根据对象的多个二维(2d)投影图像(101-109)重建的三维(3d)体积(171)内的伪影的方法，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其中重建所述3d体积(171)的所述步骤包括：
3.根据权利要求2所述的方法，其中所述重建算法(152)包括网络(154)，所述网络能够操作以根据所述多个2d投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3d虚拟对象(612)。
4.根据权利要求3所述的方法，其中能够操作以根据所述多个2d投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3d虚拟对象(612)的所述网络(154)选自2d或2.5d网络(154)。
5.根据权利要求4所述的方法，其中能够操作以根据所述多个2d投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述3d虚拟对象(612)的所述网络(154)包括沿着由所述成像系统(100)限定的xz平面(2004)重建和校正所述3d虚拟对象(612)的网络(154)。
6.根据权利要求4所述的方法，其中能够操作以根据所述多个2d投影图像(101-109)基于所述零角度(143)重建和校正在所述伪平行几何结构中限定的所述虚拟对象(612)的所述网络(154)包括沿着由所述成像系统(100)限定的xy平面(2002)重建和校正所述虚拟对象(612)的网络(154)。
7.根据权利要求3所述的方法，其中所述网络(154)是卷积神经网络(154)。
8.根据权利要求3所述的方法，其中所述网络(154)嵌入反投影运算符(1504)和正投影运算符(1502)，并且其中所述反投影(1504)运算符和所述正投影(1502)运算符在所述伪平行几何结构中实现。
9.根据权利要求3所述的方法，其中所...
【专利技术属性】
技术研发人员：文森特·比斯马思，西尔万·伯纳德，吴江洲，C·戴尔马，S·克雷，
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。