利用用户定义的特性强度的重建制造技术

针对医学成像中的重建，提供了对重建图像的特性（例如，噪声级别）的用户控制。机器学习模型更改该重建图像以增强或降低该特性。然后，基于该特性的输入级别，通过将重建图像与更改的图像进行组合来提供用户选择的特性级别。提供了用于医学成像重建的个性化或更可控的印象，而不需要不同的重建。而不需要不同的重建。而不需要不同的重建。

【技术实现步骤摘要】
利用用户定义的特性强度的重建


[0001]本公开涉及医学图像重建，诸如磁共振（MR）成像中的重建。

技术介绍

[0002]一些类型的医学成像执行重建以用于成像，诸如MR、计算机断层摄影（CT）、正电子发射断层摄影（PET）或单光子发射计算机断层摄影（SPECT）。重建可能输出具有与一些用户所期望的印象或观感不同的印象或观感的信息。在使用稀疏采样的情况下，用于提供用户期望的成像的重建可能是困难的。例如，与压缩感测（CS）技术组合的并行成像（PI）可以允许快得多的MR成像扫描时间，但是会得到可能并不是对于所有用户都合期望的图像。
[0003]尽管有机器学习的加速MR重建模型的最近成功，但是在最优图像印象（诸如噪声级别、所感知的锐利度等）上还没有共识。期望图像（例如，噪声级别对比锐利度）典型地取决于放射科医师的偏好和目标应用而变化。
[0004]解决该问题的一种方式是通过针对预定义的离散去噪级别训练单独的重建模型，这典型地通过向训练数据添加不同的噪声级别（主要是高斯噪声）以执行所需的去噪级别来实现。然而，这样的方法仅允许离散的去噪级别集合，其具有维持多个经训练的模型的负担。此外，该方法也缺乏应对空间上变化的噪声的灵活性，从而限制了它们在实际去噪中的应用。

技术实现思路

[0005]作为介绍，下面描述的优选实施例包括用于医学成像中的重建的方法、系统、指令和计算机可读介质。提供了对重建图像的特性（例如，噪声级别）的用户控制。机器学习模型更改该重建图像以增强或降低该特性。然后，基于该特性的输入级别，通过将该重建图像与被更改的图像进行组合来提供用户选择的特性级别。提供了用于医学成像重建的个性化或更可控的印象，而不需要不同的重建。
[0006]在第一方面，提供了一种用于医学成像系统的重建的方法。由该医学成像系统来扫描患者。扫描获取扫描数据。从扫描数据来重建患者的对象。对象由来自重建的第一重建数据表示。对重建数据进行去噪。重建数据是通过应用于机器学习去噪网络而被去噪的。对象由来自去噪的第二重建数据表示。接收用户选择的去噪级别。基于用户选择的去噪级别来组合第一和第二重建数据。显示来自第一和第二重建数据的组合的对象的图像。
[0007]在一个实施例中，扫描是依照用于利用压缩感测的并行成像的协议的磁共振扫描。在一些实施例中，重建是利用机器学习模型的重建，所述机器学习模型诸如展开的迭代重建，其中所述机器学习模型实现展开的迭代重建的正则化函数。在另一个实施例中，机器学习去噪网络是在机器学习去噪网络使用了机器学习模型的输出的情况下独立于机器学习模型来训练的，其中所述机器学习模型的权重在机器学习去噪网络的训练中是固定的。
[0008]在一种方法中，去噪包括：将第一重建数据输入到机器学习去噪网络中。机器学习去噪网络响应于输入而输出第二重建数据。
[0009]可以使用各种机器学习去噪网络或模型。例如，机器学习去噪网络是图像到图像网络，诸如深度迭代分层网络。
[0010]连续或不连续值上的任何范围可以用于用户选择的去噪级别。例如，用户选择的去噪级别是[0, 1]范围内的连续变量的值。
[0011]在用户寻求不同印象的情况下，用户可以调节去噪级别。例如，接收用户选择的去噪级别作为基于用户选择的去噪级别的先前值来调节图像的调整。
[0012]可以使用第一和第二重建数据的各种组合。在一个实施例中，组合是第一和第二重建数据之间的线性内插。
[0013]在一个实施例中，图像是在图像具有相对于基于用户选择的去噪级别的锐利度的噪声级别的情况下被显示的。
[0014]在第二方面，提供了一种用于医学成像中的重建的系统。医学扫描仪被配置为扫描患者的区域。扫描提供扫描数据。提供输入以接收特性级别。图像处理器被配置为：重建区域的第一表示；通过应用于机器学习模型来更改第一表示的特性，所述更改导致区域的第二表示；基于特性级别来组合第一和第二表示，所述组合导致第三表示。显示器被配置为显示来自第三表示的区域的图像。
[0015]在一个实施例中，医学扫描仪是具有多个接收线圈的磁共振扫描仪。扫描数据是来自使用压缩感测具有所述多个接收线圈的并行成像的扫描数据。
[0016]在其它实施例中，图像处理器被配置为利用深度学习的模型进行重建。用于更改特性的机器学习模型可以是各种模型中的任一个，诸如卷积神经网络（例如，深度迭代分层网络）。
[0017]可以控制各种特性。例如，特性是相对噪声和锐利度。机器学习模型是去噪模型。图像处理器被配置为作为通过相对噪声和锐利度的级别所加权的线性函数进行组合。
[0018]在第三方面，提供了一种用于医学成像系统的重建方法。由医学成像系统来扫描患者。扫描获取扫描数据。从扫描数据来重建患者的对象。通过将重建对象应用于机器学习网络来更改重建对象的特性。基于输入级别将重建对象与机器学习网络的输出进行组合。显示来自组合的图像。
[0019]在一个实施例中，利用机器学习模型进行重建。更改包括在机器学习网络是用于去噪的深度迭代分层网络的情况下进行去噪。利用通过输入级别所加权的线性内插进行组合。
[0020]本专利技术由以下权利要求限定，并且本部分中任何内容都不应被视为对那些权利要求的限制。下面结合优选实施例讨论了本专利技术的另外方面和优点，并且以后可以独立地或组合地要求保护这些方面和优点。
附图说明
[0021]图1是用于利用具有对图像的特性的输入控制的重建的医学成像的MR系统的实施例的框图；图2是用于具有用于控制输出图像的特性的机器学习模型的重建的方法的一个实施例的流程图；图3图示了对重建图像的特性的用户控制；
图4是用于更改特性的机器学习网络的一个实施例的框图；图5是图4的机器学习网络的分层U块网络的一个实施例的框图；以及图6是图5的分层U块网络的U块网络的一个实施例的框图。
具体实施方式
[0022]诸如MR重建之类的重建被提供有用户定义的特性强度。该强度（诸如用于去噪的强度）可以是连续变量。以变化的级别（例如，去噪）来生成输出。通过在单个重建的不同阶段处的输出（例如，中间输出）之间进行内插，根据用户定义的参数来提供期望的级别。
[0023]避免了使用来自相同扫描数据的多个重建。混合用于以中间级别生成图像的单独重建的结果将导致更长的重建时间，这是因为将必须执行至少两个重建算法。附加地，在像素级别上，不能保证两个图像之间的对应性，这存在生成具有不自然或幻觉强度的内插图像的风险。具有一堆可选择的重建算法需要多次重建来改变或调节该级别。
[0024]所提出的解决方案添加了用户定义的强度输入或级别，其控制输出。这样的参数允许例如由深度学习重建网络产生的尖锐但有噪声的输出与通过使该有噪声的输出经过深度学习图像去噪器、接着经过数据一致性层而得到的对应平滑版本的凸组合。利用了高效的重建算法设计，同时使得能够处置多个用户定义的参数，诸如图像去噪强度。可以利用单个模型来处理宽范围的数据可变性。连续的、用户定义的去噪强度享有若干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于医学成像系统的重建方法，所述方法包括：由医学成像系统来扫描患者，所述扫描获取扫描数据；从扫描数据重建患者的对象，所述对象由来自重建的第一重建数据表示；对重建数据进行去噪，所述重建数据通过应用于机器学习去噪网络而被去噪，所述对象由来自去噪的第二重建数据表示；接收用户选择的去噪级别；基于用户选择的去噪级别来组合第一和第二重建数据；以及显示来自第一和第二重建数据的组合的对象的图像。2.根据权利要求1所述的方法，其中扫描包括：依照用于利用压缩感测的并行成像的协议的磁共振扫描。3.根据权利要求1所述的方法，其中重建包括：利用机器学习模型进行重建。4.根据权利要求3所述的方法，其中重建包括：利用展开的迭代重建进行重建，其中所述机器学习模型实现展开的迭代重建的正则化函数。5.根据权利要求3所述的方法，其中所述机器学习去噪网络是在机器学习去噪网络使用了机器学习模型的输出的情况下独立于机器学习模型来训练的，其中机器学习模型的权重在机器学习去噪网络的训练中是固定的。6.根据权利要求1所述的方法，其中去噪包括：将第一重建数据输入到机器学习去噪网络中，所述机器学习去噪网络响应于输入而输出第二重建数据。7.根据权利要求1所述的方法，其中去噪包括：利用包括图像到图像网络的机器学习去噪网络进行去噪。8.根据权利要求7所述的方法，其中去噪包括：利用包括深度迭代分层网络的图像到图像网络进行去噪。9.根据权利要求1所述的方法，其中接收包括：接收用户选择的去噪级别作为0, 1范围内的连续变量的值。10.根据权利要求1所述的方法，其中接收包括：接收用户选择的去噪级别，作为基于用户选择的去噪级别的先前值来调节图像的调整。11.根据权利要求1所述的方法，其中组合包括在第一和第二重建数据之间线性地内插。12.根据权利要求1所述的方法，其中显示包括：以相对于基于用户...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：