一种机器学习网络被训练成从放射摄影(X射线)图像生成噪声场图像。该训练包括：访问许多先前采集的放射摄影图像；复制先前采集的放射摄影图像；以及用模拟的噪声内容调节复制的图像中的每个，以形成多个模拟的低曝光量图像。模拟的低曝光量图像中的每个与其对应的先前采集的图像成对以形成学习对。机器学习网络被训练成使用图像的学习对来生成噪声场图像。对象的经噪声抑制的图像能够通过以下方式来生成：将缩放因子应用于对应的噪声场图像的至少一部分并且将经缩放的噪声场图像与对象的当前捕获的图像组合。当前捕获的图像组合。当前捕获的图像组合。
【技术实现步骤摘要】
【国外来华专利技术】使用深度卷积网络的噪声抑制
[0001]本公开一般涉及数字图像处理的领域，并且更特别地涉及用于数字X射线图像中的噪声抑制的方法。
技术介绍
[0002]为了提供适合于诊断目的的放射摄影图像，某种图像增强措施通常是期望的。在支配放射摄影图像的图像质量的基本属性之中的是亮度、动态范围、细节的对比度(或细节对比度)、边缘的锐度、图像曝光范围(latitude)以及噪声在图像中的出现。
[0003]噪声抑制对于使用数字X射线成像的从业人员而言是相当令人感兴趣的。通过使噪声内容最小化或消除噪声内容，图像处理系统可以渲染更准确地表示对促进诊断和治疗有用的解剖特征或结构特征的图像。
[0004]使用深度卷积神经网络(具体的人工智能(AI)工具)的噪声抑制是用于在数字医学X射线图像中实现显著地更低的噪声的相对新近的方法。该方法的一个优点在于：与使用基于低通滤波的传统噪声减少方法相比，更好地保留高频图像内容，诸如高对比度边缘和低对比度边缘。此外，图像中的平的(flat)区域维持原始的噪声纹理(尽管在更低得多的级别下)，从而防止在图像增强之后噪声在这些区中的块状纹理。这允许细微图像细节在后捕获图像处理和渲染中被更积极地增强。
[0005]使用深度卷积神经网络的噪声抑制可导致遵循合理可实现的尽可能低(As Low As Reasonably Achievable，ALARA)的原则的有意义的剂量减少。国际放射防护委员会(InternationalCommissiononRadiologicalProtection，ICRP)从1977年开始已提议针对放射人员采用ALARA政策，并且最近提议针对经受X射线成像的患者采用ALARA政策。
[0006]为了解决该问题，X射线设备的制造商和用户已在开发有助于降低曝光量(exposure)级别的规程技术和阈值设定两者中付出努力。例如，可以开发针对各种条件而提供推荐的曝光量设定的技术图表来满足ALARA目标。这些降低的设定然后可以用于有助于控制剂量级别的系统工具，诸如自动曝光量控制(AEC)和解剖编程放射摄影(APR)。
[0007]虽然曝光量减少是值得出力的目标，然而曝光量减少的实现不应当损害放射成像系统向诊断医师提供的能力。错误地降低X射线曝光量级别可能导致具有降低的诊断价值的、质量差的图像。在太小曝光量的情况下产生的图像可能以诸如过大的粒度和低对比度之类的问题为特征。这样的图像可能难以使用并且可能潜在地损害诊断。在一些情况下，诸如这些问题之类的问题甚至可能要求重新拍摄图像，从而严重地损害用来降低总体的患者曝光量的努力。
[0008]在工业放射摄影中，低剂量不是主要考虑因素，但噪声抑制可具有显著价值。实际上，低噪声图像通常通过以下方式来产生：使用长曝光时间(计算放射摄影和胶片)，或通过对每帧在较短曝光时间的大量帧进行平均。对于工业用途和非医学用途，曝光量减少可以有助于减小获得合适的图像所要求的时间量，从而导致节能以及生产率提高。
[0009]即使利用AI，X射线捕获的实际要求的剂量也仍然由以下项来确定：在图像中需要
被检测的最关键特征的大小和对比度。然而，对于许多检查(例如检验硬件(诸如管和线、起搏器、或整形外科的插入物)的放置，或测量解剖特征与硬件的距离和角度)，可以大幅地降低剂量。此外，更干净、几乎无噪声的图像可有助于减少放射科医师在长的察看时间段中的疲劳。
[0010]常规的噪声抑制技术在一些情况中可以是令人满意的，但往往缺乏提供高质量放射摄影图像结果所需要的，特别是在最期望曝光量减少的情况下。常规的噪声抑制途径已遵循针对传统X射线处理而开发的模式，这些常规方法未能准确地表征和校正在从数字放射摄影系统所获得的图像中普遍存在的噪声行为。
[0011]因此，可以看出，需要可以利用人工智能和机器学习能力的噪声抑制技术，但允许用于调节数字放射摄影图像内容的用户调整和适配的措施。
技术实现思路
[0012]本公开的目标是要解决对于数字放射摄影图像的改进的噪声抑制的需要，不论是对于医学用途，还是对于工业/商业用途。
[0013]这些目标仅通过说明性示例的方式来给出，并且这样的目标可以例示本公开的一个或多个实施例。本领域技术人员可以想到固有地实现的其它期望的目标和优点，或所述其它期望的目标和优点对本领域技术人员而言可以变得明白。本专利技术由所附权利要求来限定。
[0014]本公开的方法的一个新颖的方面在于，由神经网络产生的噪声减少的量可以针对诸如医生和/或放射科医师之类的从业人员的偏好而定制。另外，诸如自动角度和距离测量或疾病特征检测之类的附加特征可以与通过图像处理的附加增强以及降低的图像噪声一起更可靠地工作。
[0015]根据本公开的一个方面，提供有生成经噪声抑制的放射摄影图像的计算机实现的方法。该方法包括训练机器学习网络以从当前的放射摄影图像生成噪声场图像。该方法还包括：访问多个先前采集的放射摄影图像；复制(duplicate)先前采集的放射摄影图像；用模拟的噪声内容调节复制的图像中的每个，由此形成多个模拟的低曝光量图像。模拟的低曝光量图像中的每个与其对应的先前采集的图像成对以形成学习对。机器学习网络被训练成使用图像的学习对来生成噪声场图像。此后，经训练的学习网络可以使用对象的当前捕获的图像来为此形成对应的噪声场图像。然后，对象的经噪声抑制的图像可以通过以下方式来生成：将缩放因子应用于对应的噪声场图像的至少一部分并且将经缩放的噪声场图像与对象的当前捕获的图像组合。经噪声抑制的图像可以诸如通过显示、存储或传送图像，在通常的进程中作为完整的图像来处理。
附图说明
[0016]本专利技术的前文的目标、特征和优点以及其它的目标、特征和优点根据如附图中所图示的以下的对本公开的实施例的更特定的描述是明白的。附图的元件相对于彼此不一定是按比例的。
[0017]图1是示出卷积网络逻辑在生成噪声场中的作用并且示出噪声场如何被缩放并用于形成经噪声抑制的图像的示意图。
[0018]图2是示出可以如何将卷积网络结构化以用于噪声场生成的简化示意图。
[0019]图3是示出用于形成经噪声抑制的图像的序列的示意图。
[0020]图4是示出用于卷积神经U
‑
Net网络的训练序列的示意图。
[0021]图5是示出根据本公开的实施例的、对于根据图像码值来缩放噪声场的示例的图。
[0022]图6是示出在其中噪声场的缩放由完全重叠的感兴趣区域(ROI)的标准偏差来确定的备选示例的图。
[0023]图7是示出对于通过用于噪声抑制的网络来处理的阶梯楔测试图像的示例的图。
[0024]图8示出具有影响对比度的变化的失真级别的示例。
[0025]图9是示出用于在用户接口处调整噪声减少的控制的平面图。
[0026]图10是示出如本文中所描述的影响曝光量减少并且可对噪声抑制产生影响的因子中的一些因子的图。
[0027]图11A是示出用于一般放射摄影或荧光本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种生成经噪声抑制的放射摄影图像的计算机实现的方法，所述方法包括以下的步骤：训练机器学习网络以通过以下方式来从当前的放射摄影图像生成噪声场图像：访问多个先前采集的标准曝光量放射摄影图像；复制所述先前采集的标准曝光量放射摄影图像中的每个；用模拟的噪声内容调节所述复制的图像中的每个，以形成多个模拟的低曝光量图像，将每个模拟的低曝光量图像与其对应的先前采集的标准曝光量放射摄影图像相关联，以形成放射摄影图像的多个学习对；以及训练所述机器学习网络以使用放射摄影图像的所述多个学习对来生成噪声场图像；捕获对象的当前的放射摄影图像，并且使用所述经训练的机器学习网络来从所述对象的所述当前的放射摄影图像生成对应的噪声场图像；抑制所述对象的所述当前的放射摄影图像中的噪声，包括将缩放因子应用于所述对应的噪声场图像的至少一部分并且将所述经缩放的噪声场图像与所述对象的所述当前的放射摄影图像组合；以及显示、存储或传送所述对象的所述经噪声抑制的放射摄影图像。2.根据权利要求1所述的计算机实现的方法，还包括基于所述对象的所述当前的放射摄影图像的相同部分中的曝光量级别而确定所述缩放因子的幅度。3.根据权利要求2所述的计算机实现的方法，其中，所述缩放因子包括相对于所述曝光量级别的基本上线性的关系。4.根据权利要求1所述的计算机实现的方法，还包括根据所述对象的所述当前的放射摄影图像的空间频率来确定所述缩放因子的幅度。5.根据权利要求1所述的计算机实现的方法，还包括响应于可变的用户输入来确定所述缩放因子的幅度。6.根据权利要求5所述的计算机实现的方法，还包括当用户正改变所述可...
【专利技术属性】
技术研发人员：W，
申请(专利权)人：锐珂医疗公司，
类型：发明
国别省市：
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。