【技术实现步骤摘要】
使用深度神经网络和测量数据的递归抽取来重建医疗图像的系统和方法
本文公开的主题的实施方案涉及医疗成像，并且更具体地涉及使用深度神经网络来重建医疗图像的系统和方法。
技术介绍
医疗成像系统通常用于获得受检者(例如患者)的内部生理信息。例如，医疗成像系统可用于获得患者的骨骼结构、脑部、心脏、肺部和各种其它特征的图像。医疗成像系统可包括磁共振成像(MRI)系统、计算机断层摄影术(CT)系统、正电子发射断层摄影术(PET)系统、混合PET/MR系统、X射线系统、超声系统、C型臂系统和各种其它成像模态。由医疗成像系统获得的测量数据(例如，CT成像中的X射线投影数据，或MRI中的k空间数据)不适合由人类进行视觉分析/诊断，因为其中编码的解剖信息可能是人脑不容易或不直观处理的形式。例如，在MRI成像中，测量数据(也称为K空间数据)包括图像数据的二维或三维傅里叶变换，其中K空间的每个点与对应图像的每一个像素/体素的图像强度相关，因此将K空间数据与其中编码的潜在解剖特征相关对于人类心智而言可能过于困难。因此，测量数据通常被重建...
【技术保护点】
1.一种方法，包括：/n接收由成像设备采集的测量数据；/n选择抽取策略；/n使用所述抽取策略和一个或多个深度神经网络由所述测量数据产生重建图像；以及/n经由显示设备显示所述重建图像。/n
【技术特征摘要】
20191121 US 16/691,4301.一种方法，包括：
接收由成像设备采集的测量数据；
选择抽取策略；
使用所述抽取策略和一个或多个深度神经网络由所述测量数据产生重建图像；以及
经由显示设备显示所述重建图像。
2.根据权利要求1所述的方法，其中由所述成像设备采集的所述测量数据包括经由系统变换与所述重建图像相关的断层摄影数据。
3.根据权利要求1所述的方法，其中所述测量数据包括成像测量数据，并且其中所述成像设备包括MRI扫描仪、CT扫描仪、PET扫描仪、PET/MR扫描仪、采用阿达玛成像的光学扫描仪、光学和红外阿达玛光谱仪以及C型臂扫描仪中的一者。
4.根据权利要求1所述的方法，其中使用所述抽取策略和所述一个或多个深度神经网络由所述测量数据产生所述重建图像包括：
根据所述抽取策略抽取所述测量数据以产生至少第一抽取的测量数据阵列和第二抽取的测量数据阵列；
使用第一深度神经网络将所述第一抽取的测量数据阵列映射到第一抽取的图像数据阵列；
使用第二深度神经网络将所述第二抽取的测量数据阵列映射到第二抽取的图像数据阵列；
使用聚合网络聚合所述第一抽取的图像数据阵列和所述第二抽取的图像数据阵列以产生图像数据阵列；以及
将所述图像数据阵列重新成形以产生所述重建图像。
5.根据权利要求4所述的方法，其中所述聚合网络包括一维(1D)卷积层。
6.根据权利要求4所述的方法，其中所述第一深度神经网络包括第一完全连接层，并且其中所述第二深度神经网络包括第二完全连接层。
7.根据权利要求4所述的方法，其中所述抽取策略包括抽取因子和采样模式。
8.根据权利要求7所述的方法，其中基于所述抽取因子确定所述第一抽取的测量数据阵列和所述第二抽取的测量数据阵列中的每一者的大小。
9.根据权利要求4所述的方法，其中所述测量数据是第一测量数据，并且其中所述第一深度神经网络、所述第二深度神经网络和所述聚合网络通过以下方式进行训练：
选择包括第二测量数据和对应基准图像的训练数据对；
根据所述抽取策略抽取所述第二测量数据以产生多个抽取的测量数据阵列；
使用所述第一深度神经网络和所述第二深度神经网络将所述多个抽取的测量数据阵列映射到多个抽取的图像数据阵列；
使用所述聚合网络聚合所述多个抽取的图像数据阵列以产生预测图像数据阵列；
将所述预测图像数据阵列重新成形以产生预测图像；
通过使用损失函数比较所述预测图像和所述基准图像来计算所述预测图像的误差；以及
基于所述误差来调整所述第一深度神经网络、所述第二深度神经网络和所述聚合网络的参数。
10.根据权利要求9所述的方法，其中基于所述误差来调整所述第一深度神经网络、所述第二深度神经网络和所述聚合网络的参数包括：
反向传播所述误差经过所述聚合网络、所述第一深度神经网络和所述第二深度神经网络的每一层；以及
调整所...
【专利技术属性】
技术研发人员：哈里哈兰·瑞维享卡，达蒂什·达亚南·尚巴格，
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：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。