A method for improving diagnostic imaging and functional imaging is provided by using a medical imager to obtain at least two input images of an object, each of which includes a different contrast; using a properly programmed computer and using NLM filtering to generate multiple copies of the input image, each of which includes a different contrast Spatial features; obtaining at least one reference image of an object using a medical imager, wherein the reference image includes imaging features different from the input image of the object; training a depth network model using data expansion on a properly programmed computer to adaptively adjust model parameters so as to approximate the reference image from the input image and the reference image of the initial set, and An image of improved quality marked for outputting other sets of low SNR low resolution images for analysis by a doctor.
【技术实现步骤摘要】
【国外来华专利技术】使用多对比度和深度学习改进医学图像的质量
本专利技术涉及医学成像。更具体地,本专利技术涉及使用多对比度成像、多边滤波器和深度学习方法来改进医学图像的质量。
技术介绍
对于医学图像降噪,已经提出了多个方法,包括高斯滤波、小波滤波和非局部均值(NLM)算法,其中实验已显示出NLM(可能组合小波)是优越的方法。然而,所有这些方法仍共有一些诸如针对不同图像的参数调整的依赖性之类的缺点。在一个实例中,提出的方法使用多对比度图像中的冗余和多对比度图像的关系作为图像降噪的先验。相关工作成果已用于组合CMOS传感器和相机的模糊且有噪声的图像对。进一步的实现方式将群稀疏度表示用于图像降噪,群稀疏度表示也使用多对比度信息,但是群稀疏度不被用于增强高SNR对比度以改进噪声更大的对比度。在与多对比度图像的冗余有关的另一概念中,展示了用于欠采样多对比度图像的压缩感测重构的正则化。在深度学习研究中已经有了最近的发展。具体而言,在具有深度残差网络的用于图像识别的卷积神经网络(CNN)和使用CNN的超分辨率方面的最近进展已显示出改进图像分辨率的巨大前景。在最近5年中,深度学习技术已经增强了计算机视觉、特别是在图像识别方面的性能。深度残差网络(ResNet)方法已被验证为用于卷积神经网络(CNN)的优越网络结构,因为其旁路连接有助于CNN的性能。CNN的这些进步为计算机视觉算法提供了超越人类的识别能力。然而,模型能够被更好地训练用于医学成像是不明朗的,因为存在可用于训练的少得多的数据集,并且由于模型中参数的数量,深度网络通常需要数千或数百万样 ...
【技术保护点】
1.一种缩短用于诊断成像和功能成像的成像时间的方法,包括:/na)使用医学成像仪获得对象的至少两个输入图像,其中每个所述输入图像包括不同的对比度;/nb)使用经适当编程的计算机、使用非局部均值(NLM)滤波生成所述对象的所述输入图像的多个副本,其中所述对象的每个所述输入图像副本包括不同的空间特征;/nc)使用所述医学成像仪获得所述对象的至少一个参考图像,其中所述对象的所述至少一个参考图像包括与所述对象的所述输入图像不同的成像特征;/nd)使用所述经适当编程的计算机上的数据扩充来训练深度网络模型以自适应地调整模型参数,从而从初始集合的所述输入图像来近似所述参考图像;以及/ne)输出所述对象的改进质量的图像以供由医生分析。/n
【技术特征摘要】
【国外来华专利技术】20170331 US 15/475,7601.一种缩短用于诊断成像和功能成像的成像时间的方法,包括:
a)使用医学成像仪获得对象的至少两个输入图像,其中每个所述输入图像包括不同的对比度;
b)使用经适当编程的计算机、使用非局部均值(NLM)滤波生成所述对象的所述输入图像的多个副本,其中所述对象的每个所述输入图像副本包括不同的空间特征;
c)使用所述医学成像仪获得所述对象的至少一个参考图像,其中所述对象的所述至少一个参考图像包括与所述对象的所述输入图像不同的成像特征;
d)使用所述经适当编程的计算机上的数据扩充来训练深度网络模型以自适应地调整模型参数,从而从初始集合的所述输入图像来近似所述参考图像;以及
e)输出所述对象的改进质量的图像以供由医生分析。
2.根据权利要求1所述的方法,其中所述医学成像仪包括磁共振成像仪(MRI)或计算断层摄影(CT)扫描仪。
3.根据权利要求1所述的方法,其中所述数据扩充从由以下各项组成的组选择:裁剪、旋转或翻转所述对象的所述输入图像。
4.根据权利要求1所述的方法,其中与所述对象的所述输入图像不同的所述对象的所述至少一个参考图像的所述成像特征从由以下各项组成的组选择:更高的SNR、更高的分辨率、更少的伪影、不同的图像对比度、使用CT成像仪获得的图像和使用MRI成像仪获得的图像。
5.根据权利要求1所述的方法,其中所述数据集从由以下各项组成的组选择:动脉自旋标记(ASL)数据集、MRI数据集和CT数据集。
6.根据权利要求1所述的方法,其中...
【专利技术属性】
技术研发人员:G·扎哈丘克,E·龚,J·M·保利,
申请(专利权)人:小利兰·斯坦福大学托管委员会,
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。