用于将磁共振图像转换成伪计算机断层摄影术图像的方法和系统技术方案

本发明专利技术题为“用于将磁共振图像转换成伪计算机断层摄影术图像的方法和系统。”本发明专利技术提供了用于将磁共振(MR)图像转换成伪计算机断层摄影术(CT)图像的各种方法和系统。在一个实施方案中，一种方法包括：获取MR图像；使用多任务神经网络生成对应于MR图像的伪CT图像；以及输出MR图像和伪CT图像。以这种方式，CT成像相对于准确密度信息(尤其是在表现出具有高动态范围的骨的稀疏区域中)的益处可以在仅MR工作流中获得，从而实现MR图像中增强的软组织对比度的益处，同时消除患者的CT剂量暴露。同时消除患者的CT剂量暴露。同时消除患者的CT剂量暴露。

【技术实现步骤摘要】
用于将磁共振图像转换成伪计算机断层摄影术图像的方法和系统


[0001]本文所公开的主题的实施方案涉及磁共振成像，并且更具体地讲，涉及将磁共振图像转换成类计算机断层摄影术图像。

技术介绍

[0002]体内的电子密度信息对于放射治疗计划中的准确剂量计算以及对于在正电子发射断层摄影术(PET)成像中计算衰减校正图是必不可少的。在传统放射治疗计划和PET成像中，计算机断层摄影术(CT)图像提供组织的电子密度和衰减特征的必要信息。具体地，CT成像使得能够同时准确描绘内部解剖结构，诸如骨、软组织和血管。

技术实现思路

[0003]在一个实施方案中，一种方法包括：获取磁共振(MR)图像；使用多任务神经网络生成对应于MR图像的伪CT图像；以及输出MR图像和伪CT图像。以这种方式，CT成像相对于准确密度信息(尤其是在表现出高动态范围的骨的稀疏区域中)的益处可以在仅MR工作流中获得，从而实现MR图像中增强的软组织对比度的益处，同时消除患者的CT剂量暴露。
[0004]应当理解，提供上面的简要描述来以简化的形式介绍在具体实施方式中进一步描述的精选概念。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。
附图说明
[0005]通过参考附图阅读以下对非限制性实施方案的描述将更好地理解本公开，其中以下：
[0006]图1是根据本公开的实施方案的MRI系统的框图；r/>[0007]图2是示出根据本公开的实施方案的用于使用深度多任务神经网络将MR图像转换成伪CT图像的图像处理系统的示意图；
[0008]图3是示出根据本公开的实施方案的用于将MR图像转换成伪CT图像的多任务神经网络的实施方案的布局的示意图；
[0009]图4是示出根据本公开的实施方案的可在图2的图像处理系统中使用的深度多任务神经网络的布局的示意图；
[0010]图5是示出根据本公开的实施方案的用于训练深度多任务神经网络以从具有聚焦感兴趣区域准确性的MR图像生成伪CT图像的示例性方法的高级流程图；
[0011]图6是示出根据本公开的实施方案的用于使用深度多任务神经网络从MR图像生成伪CT图像的示例性方法的高级流程图；
[0012]图7示出了示出与输入MR图像和地面实况CT图像相比根据不同技术生成的示例性
伪CT图像的一组图像；
[0013]图8示出了示出针对多个病例的伪CT和CT图像的软组织和骨区域的归一化柱状图的一组曲线图；并且
[0014]图9示出了示出多个情况下不同骨密度阈值处的伪CT骨区域的Dice系数的曲线图的一组曲线图。
具体实施方式
[0015]以下描述涉及用于将MR图像转换成伪CT或类CT图像的各种实施方案。体内的电子密度信息对于放射治疗(RT)计划中的准确剂量计算以及对于在正电子发射断层摄影术(PET)成像中计算衰减校正图是必不可少的。在传统RT治疗计划和PET/CT成像中，CT图像提供组织的电子密度和衰减特征的必要信息。然而，使用仅MR临床工作流来利用MR图像中增强的软组织对比度的益处的趋势不断增加。为了替换CT图像，需要从MRI推断用于RT剂量计算和PET/MR衰减校正的密度图。使用MRI替换CT的一种方法可以包括将MR图像映射到对应的CT图像，以提供类CT Hounsfield单位(HU)值作为伪CT(pCT)图像。以这种方式，可以仅使用MRI系统(诸如图1所描绘的MR装置)来获得CT成像的某些益处。然而，在CT图像中，骨值可在250Hu至超过2000HU的范围内，同时仅占据身体区域的一部分。因此，先前基于机器学习模型生成pCT图像的方法例如由于骨区域的大动态范围和空间稀疏度而趋于偏向训练来自软组织和背景区域的空间主值，从而导致骨区域内的准确性降低。此外，骨区域在更高的密度下变得更稀疏，并且对网络优化的贡献甚至更小。伪CT图像中的不准确骨值分配可导致例如RT治疗计划的剂量计算中的一系列误差。为了更好地利用MRI进行RT治疗计划，图像处理系统(诸如图2所描绘的图像处理系统)可包括被配置为生成具有准确骨值分配的pCT图像的深度多任务神经网络模块。具体地，深度多任务神经网络模块将MR图像作为输入，并且输出具有跨不同密度和组织类别的准确HU值分配的pCT图像。在一个示例中，为了增加合成CT的骨估计的准确性，向多任务神经网络分配整个图像转换、感兴趣区域的准确分割和感兴趣区域内的图像值估计的任务。例如，如图3所描绘，多任务神经网络因此输出用于三个相应任务的伪CT图像、骨掩模和骨HU图像或骨密度图。多任务神经网络可被实现为具有多个输出层的二维U
‑
Net卷积神经网络，例如如图4所描绘。多任务神经网络可例如根据训练方法(诸如图5所描绘的方法)进行训练，以同时执行多个任务，使得相关任务改善网络的归一化。一种用于在训练之后实现此类多任务神经网络的方法(诸如图6所描绘的方法)可以包括从MR图像生成伪CT图像，并且用也由多任务神经网络生成的骨HU图像更新伪CT图像。通过构建如本文所述的神经网络并训练神经网络以执行多个相关任务，相对于其他方法甚至其他基于深度神经网络的方法，pCT生成的准确性得到改善，如图7至图9中的定性比较和定量比较所描绘。
[0016]现在转到图片，图1示出了磁共振成像(MRI)装置10，该磁共振成像装置包括静磁场磁体单元12、梯度线圈单元13、RF线圈单元14、RF体或体积线圈单元15、传输/接收(T/R)开关20、RF驱动器单元22、梯度线圈驱动器单元23、数据获取单元24、控制器单元25、患者检查床或床26、数据处理单元31、操作控制台单元32和显示单元33。在一些实施方案中，该RF线圈单元14是表面线圈，其是通常被放置在受检者16的感兴趣的解剖结构附近的局部线圈。此处，RF体线圈单元15是传输RF信号的传输线圈，并且局部表面RF线圈单元14接收MR信
号。因此，传输体线圈(例如，RF体线圈单元15)和表面接收线圈(例如，RF线圈单元14)是独立但电磁耦接的部件。MRI装置10将电磁脉冲信号传输到放置在成像空间18中的受检者16，其中形成静态磁场以执行扫描来从受检者16获得磁共振信号。可基于由此通过扫描获得的磁共振信号来重建受检者16的一个或多个图像。
[0017]静磁场磁体单元12包括例如安装在环形真空容器内的环形超导磁体。磁体限定了围绕受检者16的圆柱形空间，并且生成恒定的主静磁场B0。
[0018]MRI装置10还包括梯度线圈单元13，该梯度线圈单元在成像空间18中形成梯度磁场，以便为由RF线圈阵列(例如，RF线圈单元14和/或RF体线圈单元15)接收的磁共振信号提供三维位置信息。梯度线圈单元13包括三个梯度线圈系统，每个梯度线圈系统生成沿彼此垂直的三个空间轴线中的一者的梯度磁场，并且根据成像条件在频率编码方向、相位编码方向和切片选择方向中的每一方向上生成梯度场。更具体地，梯度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：获取磁共振(MR)图像；使用多任务神经网络生成对应于所述MR图像的伪CT图像；以及输出所述MR图像和所述伪CT图像。2.根据权利要求1所述的方法，其中使用所述MR图像中包括骨的感兴趣区域的聚焦损失来训练所述多任务神经网络。3.根据权利要求1所述的方法，还包括使用所述多任务神经网络生成对应于所述MR图像的骨掩模和骨图像。4.根据权利要求3所述的方法，其中使用所述伪CT图像的整个图像回归损失、所述骨掩模的分割损失和所述骨图像的聚焦在骨片段上的回归损失来训练所述多任务神经网络。5.根据权利要求4所述的方法，还包括使用包括所述整个图像回归损失、所述分割损失和聚焦在所述骨片段上的所述回归损失的复合损失来训练所述多任务神经网络，其中每种损失在所述复合损失中被加权。6.根据权利要求3所述的方法，还包括使用所述骨图像更新所述伪CT图像，并且使用所述MR图像输出所述更新的伪CT图像。7.根据权利要求1所述的方法，其中所述多任务神经网络包括被配置有多个输出层的U
‑
Net卷积神经网络，其中所述多个输出层中的一个输出层输出所述伪CT图像。8.一种磁共振成像(MRI)系统，包括：MRI扫描仪；显示设备；控制器单元，所述控制器单元通信地耦接到所述MRI扫描仪和所述显示设备；和存储器，所述存储器存储可执行指令，所述可执行指令在被执行时，使得所述控制器单元：经由所述MRI扫描仪来获取磁共振(MR)图像；使用多任务神经网络生成对应于所述MR图像的伪CT图像；以及向所述显示设备输出所述MR图像和所述伪CT图像。9.根据权利要求8所述的MRI系统，其中使用所述MR图像中包括骨的感兴趣区域的聚焦损失来训练所述多任务神经网络。10.根据权利要求8所述的MRI系统，所述存储器还存储可执行指令，所述可执行指令在被执行时，使得所述控制器单元使用所述多任务神经网络生成对应于所述MR图像的骨掩模和骨图像。11.根据权利要求10所述的MRI系统，其中使用所述伪CT图像的整个图像回归损失、所述骨掩模的分割损失和所述骨图像的聚焦在骨片段上的回归损失来训练所述多任务神经网络。12...

【专利技术属性】
技术研发人员：桑迪普，
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：