【技术实现步骤摘要】
用于借助于机器学习来补偿运动伪影的方法和系统
本专利技术涉及一种用于创建自动地补偿记录的医学影像中的运动伪影的补偿单元的方法，或一种补偿单元，或一种用于其的学习计算设备。此外，本专利技术包括一种用于利用这种补偿单元来自动地识别和可能也补偿记录的医学影像中的运动伪影的辨识方法，一种用于控制医学成像系统的控制装置，以及一种相应的医学成像系统。在本专利技术的范围中，记录的影像是数字图像，即包括图像数据或由图像数据构成。
技术介绍
在医学中的成像方法中，为了创建记录的影像的每个像素，通常依靠对在特定的时间间隔中所记录的测量变量进行评估。因此，例如，计算机断层扫描术(“CT”)以关于记录时间积分的方式检测病患的身体结构的局部的X射线衰减。在这种情况下，记录时间通常处于1秒的数量级中。由于测量信号对记录时间进行积分，通常为人类或动物病患的器官的对象的运动是医学成像中的严重问题。在对在进行记录期间运动的对象成像的医学图像上，通常总是在记录的对象的区域中存在运动伪影。例如，在用CT或其他记录方法对心脏进行记录时，心脏的运动导致结构、例如位于所述心脏处的冠状动脉的图像分辨率中的困难...
【技术保护点】
1.一种用于创建补偿单元(6)的方法，所述补偿单元用于自动地辨识和/或补偿记录的医学影像(B)中的运动伪影(BA)，所述方法包括如下步骤：‑提供学习计算设备(7)，其中所述学习计算设备(7)设计用于训练卷积神经网络(FN)，‑在所述学习计算设备(7)上或在所述学习计算设备(7)处提供初始补偿单元(6a)，所述初始补偿单元包括未训练的卷积神经网络(FN)，‑提供训练图像组(TS)，所述训练图像组包括多个医学训练输入图像(TE)和至少一个训练输出图像(TA)，其中在所述训练输出图像(TA)中示出基本上没有运动伪影(BA)的基准对象(RO)，并且在所述医学训练输入图像(TE)中包...
【技术特征摘要】
2017.10.27 DE 102017219307.71.一种用于创建补偿单元(6)的方法，所述补偿单元用于自动地辨识和/或补偿记录的医学影像(B)中的运动伪影(BA)，所述方法包括如下步骤：-提供学习计算设备(7)，其中所述学习计算设备(7)设计用于训练卷积神经网络(FN)，-在所述学习计算设备(7)上或在所述学习计算设备(7)处提供初始补偿单元(6a)，所述初始补偿单元包括未训练的卷积神经网络(FN)，-提供训练图像组(TS)，所述训练图像组包括多个医学训练输入图像(TE)和至少一个训练输出图像(TA)，其中在所述训练输出图像(TA)中示出基本上没有运动伪影(BA)的基准对象(RO)，并且在所述医学训练输入图像(TE)中包含具有不同运动伪影(BA)的所涉及的所述基准对象(RO)，-根据机器学习原理利用所述训练图像组(TS)训练所述补偿单元(6)的所述卷积神经网络(FN)。2.根据权利要求1所述的方法，其中所述训练图像组(TS)包括多个训练输出图像(AB)，在所述训练输出图像中，所述基准对象(RO)分别在其运动的不同阶段中示出。3.根据上述权利要求中任一项所述的方法，其中在所述训练输出图像(TA)中注释所述基准对象(RO)，和/或所述训练输出图像(TA)包括关于所述基准对象(O)的至少一个分类对象(KO)的信息。4.根据上述权利要求中任一项所述的方法，其中所述训练图像组(TS)设计成，使得所述训练输入图像(TE)包括总图像(GB)的子图像(T1，T2，T3)并且以组合的方式得到所述总图像(GB)，并且所述训练输出图像(TA)优选包含在所述总图像(GB)上示出的对象(O)，其中所述训练图像组(TS)优选包括计算机断层记录或X射线记录，尤其双源CT或多源CT的计算机断层记录或X射线记录，其中各个训练输入图像(TE)优选具有<180°的重建角度，然而多个训练输入图像(TE)的总和得到180°的重建角度。5.一种用于自动地辨识和/或补偿记录的医学影像(B)中的运动伪影(BA)的补偿单元(6)，所述补偿单元包括卷积神经网络(FN)，所述卷积神经网络借助根据权利要求1至4中任一项所述的方法训练。6.一种学习计算设备(7)，所述学习计算设备包括处理器(8)和具有指令的数据存储器(9)，所述指令在其执行时使所述处理器实现：-将提供给所述计算设备的训练图像组(TS)输入到卷积神经网络(FN)中，-运行卷积神经网络(FN)，-按照根据权利要求1至4中任一项所述的方法来训练具有未训练的卷积神经网络的初始补偿单元(6a)。7.一种...
【专利技术属性】
技术研发人员：托马斯·阿尔门丁格，贝恩哈德·施米特，
申请(专利权)人：西门子医疗保健有限责任公司，
类型：发明
国别省市：德国,DE
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。