【技术实现步骤摘要】
本专利技术涉及从扫描图或影像(例如，医学影像)特别是从计算机断层扫描(computed tomography，ct)成像、磁共振(magnetic resonance，mr)成像和x射线成像中减少或去除异物和异物伪影(例如，金属和金属伪影)的方法和系统。
技术介绍
1、医学成像模式(例如，x射线、计算机断层扫描(ct)和mri)极大地促进了医学诊断。其提供人体器官和组织的清晰视图，以协助医学分析和临床诊断，但一个重要的问题是异物的存在，尤其是以在受试者或患者的扫描图中明显可见的金属和金属伪影(由金属的存在引起)形式存在。
2、金属伪影由金属的存在引起，通常(但不唯一地)以(例如)钛合金、钴铬合金和不锈钢(由于其高拉伸强度、压缩强度和刚度，特别适用于骨科应用)以及牙科汞合金和银的金属植入物或金属假体的形式存在。近来，还开发了生物材料的植入物和假体，包括陶瓷、玻璃、聚合物、复合材料、微晶玻璃和金属合金的植入物和假体，这些材料也可能产生伪影。
3、伪影通常由线束硬化、散射、光子饥饿和患者运动产生。金属和金属伪影通常表现为超亮、深色或条纹状区域，污染或遮挡扫描图中感兴趣的特征。这会给损伤、病理或治疗的诊断或监测带来严重危害。因此，金属和金属伪影减少或去除旨在从扫描图中减少或去除金属和金属伪影，从而在一定程度上恢复原本被“污染”或遮挡的区域。因此，特别是金属伪影减少/去除以及金属减少/去除可以是医学影像分析系统的重要部分。
4、现有的金属伪影减少/去除方法分为四类：(i)基于物理效应校正的方法[1][2
5、主要问题在于，由于人体部位的不同特征，关于一个身体部位开发的算法不能应用于另一个身体部位。此外，大型金属插入物通常会在ct中引入二次伪影(例如，由插值和某些深度学习算法引起)。此外，很难获得具有和没有金属伪影的相同受试者的医学ct影像以用于训练机器学习模型，并且缺乏训练数据限制了基于机器学习的方法的性能。
技术实现思路
1、本专利技术的目的是提供一种用于训练这样的机器学习模型的方法和系统，该机器学习模型用于从受试者的影像中减少或去除异物或由于异物引起的伪影，受试者的影像例如医学影像(例如，包括骨骼的x射线、ct或mri影像)和例如一种或更多种金属形式的异物。
2、根据本专利技术的第一方面，提供了一种训练用于从影像中减少或去除至少一个异物或由于异物引起的伪影的机器学习模型的方法，所述方法包括：
3、根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的无异物和由于异物引起的伪影的一个或更多个真实的影像，生成一个或更多个第一模拟的影像，使得生成的模拟的影像包括异物和由于异物引起的伪影；
4、用实现机器学习模型的机器学习网络，至少利用第一模拟的影像生成一个或更多个预测的影像；
5、用机器学习网络，通过使一个或更多个预测的影像与基准真值数据之间的差异减小或最小化来训练或更新机器学习模型，所述基准真值数据包括一个或更多个真实的或模拟的影像。
6、应当理解，在本文中使用的术语“影像”和“扫描图”本质上是同义词。在实践中，扫描图可以包含一个以上的影像；然而，本专利技术适于用于处理一个或更多个影像，因此，即使是这种区别通常也是没有意义的。还应当理解，对包含或包括异物的影像或扫描图的引用是指该影像或扫描图包括异物(或异物导致的对象)的全部或部分影像。此外，异物不一定是单一的物质。例如，异物可以是合金(如本文所述的)，因此包含多种金属，或者异物可以是相同材料或不同材料的多个对象(或其部分)的形式。
7、此外，异物不限于金属材料。如本文所使用的，可以包括导致光束硬化、散射、光子饥饿、噪声等的任何致密材料，从而在影像上产生可识别的伪影(例如，条纹、黑洞、模糊等)，从而降低影像质量。
8、如在本文中使用的表述“没有异物和异物伪影”是指不含异物和由异物产生的伪影两者，其中，“异物”待从影像/扫描图中去除或已从影像/扫描图中去除。同样，在本文中使用的表述“异物和异物伪影去除/移除”是指移除了异物和异物伪影的影像/扫描图，或者配置为从影像/扫描图中去除(或训练去除)异物和/或异物伪影的特征(例如，深度学习模型或网络)。此外，应当理解，“没有”(例如“没有异物”或“没有伪影”)是指尽可能省略或排除。
9、如上所述，可以根据一个或更多个真实的或模拟的异物和由于异物引起的伪影的影像生成第一模拟的影像。如果利用模拟的影像，则可以对其进行生成，例如，通过从包含异物的真实的扫描图(例如，ct扫描图)分割出一个或更多个异物(例如，金属)的区域。在另一示例中，可以通过模拟放置在黑色或空白影像上的明亮像素/体素簇来生成一个或更多个金属掩模影像，以按照该方式使用。
10、可选择地，在每个实施方案中，一个或更多个真实的异物影像或模拟的异物影像还包括由于异物引起的伪影。例如，如果这些影像是真实的影像，则其可能包括异物和由于异物引起的伪影两者。然而，所述方法还可以包括通过从具有异物和伪影两者的真实的影像分割出异物区域来生成这些影像，使得所得的影像仅具有异物。
11、如果一个或更多个真实的异物影像或模拟的异物影像是模拟的影像，则其可以包括异物、或异物及其伪影。
12、在一个实施方案中，所述一个或更多个预测的影像没有异物和由于异物引起的伪影两者，基准真值数据包括一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，并且机器学习模型配置为从影像中减少或去除异物和由于异物引起的伪影。
13、所述方法可以进一步包括用鉴别器网络优化经训练的机器学习模型，所述鉴别器网络配置为对一个或更多个预测的影像与一个或更多个真实的没有异物和由于异物引起的伪影两者的影像进行区分。
14、因此，鉴别器网络能够在预测的mar影像与真实的或模拟的影像之间发现的差异越小，则机器学习模型的优化就越好。一旦优化，机器学习模型就能减少影像/扫描图中的异物和/或其伪影，包括预测的影像中由预测过程引入的二次伪影。
15、在另一个实施方案中，所述方法进一步包括：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括异物；
16、其中，所述一个或更多个预测的影像没有由于异本文档来自技高网...
【技术保护点】
1.一种训练用于从影像中减少或去除至少一个异物或由于异物引起的伪影的机器学习模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，所述一个或更多个真实的异物影像或模拟的异物影像包括由于异物引起的伪影。
3.根据权利要求1或2所述的方法，其中，所述一个或更多个预测的影像没有异物和由于异物引起的伪影两者，基准真值数据包括一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，并且机器学习模型配置为从影像中减少或去除异物和由于异物引起的伪影。
4.根据权利要求3所述的方法，包括：用鉴别器网络优化经训练的机器学习模型，所述鉴别器网络配置为对一个或更多个预测的影像与一个或更多个真实的没有异物和由于异物引起的伪影两者的影像进行区分。
5.根据权利要求1或2所述的方法，进一步包括：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括异物；
6.根据权利要求1或2所述的方法
7.根据前述权利要求中任一项所述的方法，其中，所述异物为钛合金、钴铬合金、钢、不锈钢、牙科汞合金、银或其他金属；或者所述异物为陶瓷、玻璃、聚合物、复合材料、微晶玻璃或生物材料。
8.根据前述权利要求中任一项所述的方法，其中，所述机器学习模型配置为从影像中减少或去除多个异物和/或由于异物引起的伪影。
9.根据前述权利要求中任一项所述的方法，进一步包括对一个或更多个第一模拟的影像进行注释或标记。
10.一种训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，所述系统包括：
11.根据权利要求10所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述一个或更多个真实的异物影像或模拟的异物影像包括由于异物引起的伪影。
12.根据权利要求10或11所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述一个或更多个预测的影像没有异物和由于异物引起的伪影两者，所述基准真值数据包括一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，使得机器学习模型配置为从影像中减少或去除异物和由于异物引起的伪影。
13.根据权利要求12所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其配置为用鉴别器网络优化经训练的机器学习模型，所述鉴别器网络配置为对一个或更多个预测的影像与一个或更多个真实的没有异物和由于异物引起的伪影两者的影像进行区分。
14.根据权利要求10或11所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述影像模拟器进一步配置为：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括异物；
15.根据权利要求10或11所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述影像模拟器进一步配置为：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括由于异物引起的伪影；
16.根据权利要求10至15中任一项所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述异物为钛合金、钴铬合金、钢、不锈钢、牙科汞合金、银或其他金属；或者所述异物为陶瓷、玻璃、聚合物、复合材料、微晶玻璃或生物材料。
17.根据权利要求10至16中任一项所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述系统配置为训练机器学习模型，以从影像中减少或去除多个异物和/或由于异物引起的伪影。
18.根据权利要求10至17中任一项所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其进一步包...
【技术特征摘要】
1.一种训练用于从影像中减少或去除至少一个异物或由于异物引起的伪影的机器学习模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，所述一个或更多个真实的异物影像或模拟的异物影像包括由于异物引起的伪影。
3.根据权利要求1或2所述的方法，其中，所述一个或更多个预测的影像没有异物和由于异物引起的伪影两者，基准真值数据包括一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，并且机器学习模型配置为从影像中减少或去除异物和由于异物引起的伪影。
4.根据权利要求3所述的方法，包括：用鉴别器网络优化经训练的机器学习模型，所述鉴别器网络配置为对一个或更多个预测的影像与一个或更多个真实的没有异物和由于异物引起的伪影两者的影像进行区分。
5.根据权利要求1或2所述的方法，进一步包括：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括异物；
6.根据权利要求1或2所述的方法，进一步包括：根据一个或更多个真实的异物影像或模拟的异物影像，并且根据一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，生成一个或更多个第二模拟的影像，使得生成的第二模拟的影像包括由于异物引起的伪影；
7.根据前述权利要求中任一项所述的方法，其中，所述异物为钛合金、钴铬合金、钢、不锈钢、牙科汞合金、银或其他金属；或者所述异物为陶瓷、玻璃、聚合物、复合材料、微晶玻璃或生物材料。
8.根据前述权利要求中任一项所述的方法，其中，所述机器学习模型配置为从影像中减少或去除多个异物和/或由于异物引起的伪影。
9.根据前述权利要求中任一项所述的方法，进一步包括对一个或更多个第一模拟的影像进行注释或标记。
10.一种训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，所述系统包括：
11.根据权利要求10所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述一个或更多个真实的异物影像或模拟的异物影像包括由于异物引起的伪影。
12.根据权利要求10或11所述的训练用于从影像中减少或去除至少一个异物或由于异物而引起的伪影的机器学习模型的系统，其中，所述一个或更多个预测的影像没有异物和由于异物引起的伪影两者，所述基准真值数据包括一个或更多个受试者的一个或更多个真实的没有异物和由于异物引起的伪影的影像，使得机器学习模型配置为从影像中减少或去除异物和由于异物引起的伪影。
【专利技术属性】
技术研发人员：彭宇，李晓旭，
申请(专利权)人：柯维比姆人工智能有限公司，
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。