电学属性断层摄影的深度学习制造技术

本公开内容涉及一种用于确定被成像对象(718)中的目标体积(708)的电学属性EP的方法。所述方法包括：使用第一训练数据集来执行(201)对深度神经网络DNN的第一训练，所述第一训练数据集包括训练的B1场图和对应的第一EP图，所述第一训练得到被配置用于根据B1场图来生成EP图的预先训练的DNN；使用条件生成对抗网络GAN和第二训练数据集来执行(203)对所述预先训练的DNN的第二训练，其中，所述预先训练的DNN是所述条件GAN的生成器，所述第二训练数据集包括测得的B1图和第二EP图，所述第二训练得到经训练的DNN；接收(205)所述目标体积的输入的B1场图并使用所述经训练的DNN来生成所述输入的B1场图的EP图。输入的B1场图的EP图。输入的B1场图的EP图。

【技术实现步骤摘要】
【国外来华专利技术】电学属性断层摄影的深度学习


[0001]本专利技术涉及扫描成像系统，特别涉及用于确定被成像对象中的目标体积的电学属性(EP)的医学分析系统。

技术介绍

[0002]电学属性断层摄影(EPT)是一种通过对B1场分布的幅值和相位进行后处理来在体内无创且定量地测量组织的电学属性的技术。通过所谓的亥姆霍兹方程给出了EP与复杂B1值之间的关系。因此，通过取用从MRI得到的具有复值的B1图作为输入，亥姆霍兹方程提供了EP。然而，常规的EPT具有收发相位的问题，这种问题在组织边界和噪声放大中存在。

技术实现思路

[0003]各种实施例提供了用于确定被成像对象中的目标体积的电学属性(EP)的医学分析系统以及如独立权利要求的主题所描述的方法和计算机程序产品。在从属权利要求中描述了有利实施例。
[0004]本专利技术的实施例可以提供使用域对抗训练来达到对EPT抵抗因体内图像采集而产生的伪影的鲁棒深度学习的目的的手段。这可以通过进行对抗训练来实现。将额外网络(鉴别器)与重建网络(生成器)一起训练以识别生成器输出与真实组织EP(例如，包括文献E本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于确定对象(718)中的目标体积(708)的电学属性EP的医学分析系统(100)，所述医学分析系统包括：至少一个处理器(103)；以及至少一个存储器(107)，其存储机器可执行指令，所述处理器(103)被配置用于控制所述医学分析系统，其中，所述机器可执行指令的执行使所述处理器：使用第一训练数据集来执行(201)对深度神经网络DNN的第一训练，所述第一训练数据集包括训练的B1场图和对应的第一EP图，所述第一训练得到被配置用于根据B1场图来生成EP图的预先训练的DNN；使用条件生成对抗网络GAN和第二训练数据集来执行(203)对所述预先训练的DNN的第二训练，其中，所述预先训练的DNN是所述条件GAN的生成器，所述第二训练数据集包括测得的B1图和第二EP图，所述第二训练得到经训练的DNN；接收(205)所述目标体积的输入的B1场图并使用所述经训练的DNN来生成所述输入的B1场图的EP图。2.根据权利要求1所述的系统，其中，所述训练的B1场图和所述测得的B1场图中的每项均包括相应的B1场相位图和B1幅度图，其中，所述输入的B1场图包括B1相位图和/或B1幅度图。3.根据权利要求1所述的系统，其中，所述训练的B1图包括B1幅度图，其中，所述预先训练的DNN被配置为根据B1幅度图来生成介电常数图。4.根据权利要求1所述的系统，所述训练的B1图包括B1相位图，其中，所述预先训练的DNN被配置为根据B1相位图来生成电导率图。5.根据权利要求1所述的系统，所述训练的B1场图包括模拟的B1场图和相关联的模拟的EP图，所述第二EP图包括模拟的EP图，其中，所述第二训练包括：使用所述测得的B1场图来训练所述生成器，并且使用所述模拟的EP图和由所述生成器生成的EP图这两者来训练所述GAN...

【专利技术属性】
技术研发人员：U，
申请(专利权)人：皇家飞利浦有限公司，
类型：发明
国别省市：