CN109727203B - 用于借助于机器学习来补偿运动伪影的方法和系统 - Google Patents
用于借助于机器学习来补偿运动伪影的方法和系统 Download PDFInfo
- Publication number
- CN109727203B CN109727203B CN201811267202.7A CN201811267202A CN109727203B CN 109727203 B CN109727203 B CN 109727203B CN 201811267202 A CN201811267202 A CN 201811267202A CN 109727203 B CN109727203 B CN 109727203B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- recorded
- images
- compensation unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000010801 machine learning Methods 0.000 title claims description 8
- 238000012549 training Methods 0.000 claims abstract description 107
- 238000001454 recorded image Methods 0.000 claims abstract description 52
- 238000002059 diagnostic imaging Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 238000002591 computed tomography Methods 0.000 claims description 14
- 210000002216 heart Anatomy 0.000 description 18
- 210000004351 coronary vessel Anatomy 0.000 description 12
- 238000004590 computer program Methods 0.000 description 9
- 210000000056 organ Anatomy 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 210000001765 aortic valve Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010009 beating Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003709 heart valve Anatomy 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/54—Control of apparatus or devices for radiation diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于创建补偿单元的方法,所述补偿单元用于自动地补偿记录的医学影像中的运动伪影,所述方法包括如下步骤:‑提供学习计算设备;‑提供初始补偿单元;‑提供具有运动伪影的训练图像组,所述训练图像组包括多个医学训练输入图像和至少一个训练输出图像;‑借助所述训练图像组训练补偿单元。本发明还涉及一种用于自动地辨识记录的影像中的图像伪影的辨识方法,所述辨识方法包括如下步骤:‑提供经训练的补偿单元;‑提供记录的影像;‑借助于补偿单元检查记录的影像的运动伪影;‑标识和/或补偿确定的运动伪影。本发明还涉及一种补偿单元、一种学习计算设备、一种用于控制医学成像系统的控制装置和这种医学成像系统。
Description
技术领域
本发明涉及一种用于创建自动地补偿记录的医学影像中的运动伪影的补偿单元的方法,或一种补偿单元,或一种用于其的学习计算设备。此外,本发明包括一种用于利用这种补偿单元来自动地识别和可能也补偿记录的医学影像中的运动伪影的辨识方法,一种用于控制医学成像系统的控制装置,以及一种相应的医学成像系统。在本发明的范围中,记录的影像是数字图像,即包括图像数据或由图像数据构成。
背景技术
在医学中的成像方法中,为了创建记录的影像的每个像素,通常依靠对在特定的时间间隔中所记录的测量变量进行评估。因此,例如,计算机断层扫描术(“CT”)以关于记录时间积分的方式检测病患的身体结构的局部的X射线衰减。在这种情况下,记录时间通常处于1秒的数量级中。
由于测量信号对记录时间进行积分,通常为人类或动物病患的器官的对象的运动是医学成像中的严重问题。在对在进行记录期间运动的对象成像的医学图像上,通常总是在记录的对象的区域中存在运动伪影。例如,在用CT或其他记录方法对心脏进行记录时,心脏的运动导致结构、例如位于所述心脏处的冠状动脉的图像分辨率中的困难。
该问题能借助简单地缩短记录时间来应对,然而这通常不利地影响信噪比或在与之相关地提高强度时不利地影响辐射负载(在CT或相应的记录方法中)或通过可变磁场引起的负载(例如在通过磁共振断层扫描仪“MRT”进行记录时)。
除了用于优化时间分辨率的技术解决方案、即例如更快的旋转时间和双源CT技术之外,近年来已开发出多种基于软件的解决方案。
在记录心脏的经运动补偿的重建的极其宽的场之内,频繁的共性是明确地确定4D向量场,所述4D向量场描述心脏运动的空间的和时间的变化曲线,以便于是随后将所述4D向量场在经运动补偿的重建的范围中使用。已知的方法之间的区别主要在于:是否从多相重建中直接确定4D场,或者所述4D场在借助于适当的目标度量的最小化方法的范围中是否暗含地作为自由参数参与重建,例如在如“SnapShot Freeze,快照冻结”,“MotionArtifact Metric Method,运动伪影度量法”(MAM)或“Motion Compensation based onPartial Angle Reconstructions,基于部分角度重建的运动补偿”(PAMoCo)的方法中。
这些方法的共性是:需要强烈地局部限制校正以限制自由度,其中通常选择冠状动脉的借助于从标准重建中分区获得的区域。替选于此,也存在对整个心肌的运动建模的方法。
现有技术的缺点在于,通常执行的步骤、即标准重建、分区(例如,冠状动脉树的分区)和局部地限制重建本身通常受到运动伪影的负面影响。
发明内容
本发明的目的是提供一种用于补偿运动伪影的替选的、更舒适的方法,和一种相应的补偿单元,以及一种用于自动地控制医学成像设施的控制装置,借助它们能够避免或至少减少上述缺点并且能够自动地且可靠地识别运动伪影。同样地,本发明的目的是创建这种补偿单元和相应的计算设备。
所述目的通过根据本发明的方法、根据本发明的补偿单元、根据本发明的学习计算设备、根据本发明的辨识方法、根据本发明的控制装置以及根据本发明的医学成像系统来实现。
上述问题的解决方案是极其复杂的并且无法以简单的方式对运动伪影进行有效的补偿。根据本发明的补偿单元也无法以简单的方式制造。因此,本发明不仅包括补偿单元或用于借助该补偿单元补偿运动伪影的方法,而且也包括制造该补偿单元和与之相应的计算设备。借助该补偿同时也提供如下可行性:识别并且可能也消除运动伪影,或者相应地控制医学成像仪器。这也是本发明的一部分。
根据本发明的方法用于创建补偿单元,所述补偿单元用于自动地辨识和/或补偿记录的医学影像中的运动伪影。该记录的影像能够借助于医学成像系统进行记录,并且例如是计算机断层扫描仪(CT)或磁共振断层扫描仪(MRT)的记录的影像。例如,心脏的记录的影像能够是适合于本发明的记录的影像,该心脏因其跳动在记录上产生图像伪影。能够为记录的影像使用重建的记录和原始数据组,例如光谱CT原始数据组或从中重建的CT图像。
用于训练补偿单元的方法包括下面描述的步骤:
-提供学习计算设备。这种学习计算设备在更下文中更详细地描述。学习计算设备设计用于训练卷积神经网络。
卷积神经网络(英文:“Convolutional Neuronal Network”(CNN))对于本领域技术人员原则上是已知的。因为这种网络的架构和其工作方式的详细的描述超出本说明书的范围,所以参考如下两个作为基础的科学出版物“FlowNet:Learning Optical Flow withConvolutional Networks”(Philipp Fischer等;例如存在于https://arxiv.org/abs/1504.06852v2)和“Gradient-Based Learning Applied to Document Recognition”(YannLeCun等;Proceedings of the IEEE,86(11):2278-2324,1998年11月)。这种卷积神经网络首先执行一系列的卷积步骤和所谓的池化步骤,之后对由此获得的数据再次反卷积和执行所谓的“反池化”步骤。卷积和反卷积借助矩阵执行,所述矩阵也称作为“核”。在卷积和反卷积之间能够存在近似一维的值域,所述值域通常称作为全连接层(英为:“fully connectedlayer”)。
-提供初始补偿单元。初始补偿单元是随后的补偿单元,所述补偿单元然而尚未训练或者尚未最佳地训练。所述初始补偿单元在学习计算设备上或在学习计算设备处提供并且构成用于:借助于机器学习(通过计算设备)训练。初始补偿单元包括未训练的卷积神经网络。
-提供训练图像组。所述训练图像组能够借助于图像数据库提供,所述图像数据库也能够称作为“训练库”。训练图像组包括多个医学训练输入图像和至少一个训练输出图像,所述训练输入图像和训练输出图像能够是医学成像系统的真实的图像或也能够是人工生成的图像。
在此,在训练输出图像中包含基本上没有运动伪影的基准对象。在训练输入图像中包含具有不同运动伪影的所涉及的基准对象。因为训练输出图像为期望的、可能理想化的目标图像,所述训练输出图像也能够称作为“期望图像”、“(理论)目标图像”或“理想图像”。
训练图像组包括图像、即图像数据,其中训练输出图像也能够包含分类对象。后者是关于结构类型的计算机可理解的数据,例如将结构指定为“心脏”,“冠状动脉”或还有计算机可处理的“运动伪影”(例如,以本体论的形式)。例如,图像数据库能够是具有一组训练记录的数据库,所述数据库在数据方面与学习计算设备连接。适合于记录训练输入图像的医学成像系统例如能够是计算机断层扫描仪(“CT”)。
例如,创建相同对象的具有运动伪影(训练输入图像)和没有运动伪影(训练输出图像)的模拟进而训练网络。
另一实例是使用病患的真实图像。在此,能够将来自具有明显的运动伪影的“差的”阶段中的图像用作为训练输入图像,并且将基本上没有或具有极其小的运动伪影的“良好的”图像用作为训练输出图像。例如也能够将具有各个运动阶段的图像叠加,以便产生运动伪影,并且各个图像用作为训练输出图像(或“控制图像”)。
与仅需要一个记录的影像作为输入的随后的辨识方法不同,在训练时必须为卷积神经网络预设输入和输出。
-训练卷积神经网络。补偿单元的卷积神经网络在此根据机器学习原理利用训练图像组来训练。
在此,将上文和下文使用的表述“(医学成像系统的)记录的影像”可理解为对象的记录的影像,所述对象例如是病患的器官、身体部分和/或区域,(也称作为“主题”),所述记录的影像借助于医学成像系统创建。在此,其能够为二维图像或图像数据、体积图像数据或由多个图像数据构成的图像数据组,例如二维图像数据的堆栈。
根据本发明的补偿单元适合于或设计用于自动地辨识和/或补偿记录的医学影像中的运动伪影。所述补偿单元包括卷积神经网络,所述卷积神经网络借助根据本发明的方法建立或训练。因此,根据本发明的补偿单元根据机器学习原理从初始补偿单元中产生,其中基于识别提供的训练图像组中的运动伪影来进行训练。
该补偿单元也能够称作为“辨识单元”(参见下文“辨识方法”),以便尤其强调用于辨识运动伪影的能力,该能力对于补偿本身是根本必需的。然而因为在实践中该单元可能用于自动地补偿运动伪影,所述单元在下文中此外称作为“补偿单元”,然而借此不排除纯辨识的可能性。
根据本发明的学习计算设备包括处理器和具有指令的数据存储器,所述指令能够在其执行时使处理器实现:将提供给计算设备的训练图像组输入到卷积神经网络中,运行卷积神经网络,和按照根据本发明的方法来训练具有未训练的卷积神经网络的初始补偿单元。这表示:学习计算设备例如设计用于:根据训练卷积神经网络的原理来执行卷积运算或者其反函数。特别地,学习计算设备设计用于FPGA的运行和编程。
根据本发明的辨识方法适合于和设计用于自动地识别和可能也自动地补偿记录的医学影像中的运动伪影。在此,记录的影像通常源自医学成像系统并且例如是CT记录或包括映射数据。辨识方法尤其能够当其主要用于补偿运动伪影时也称作为“补偿方法”(对此参见用于表达方式“补偿单元”的上述讨论)。辨识方法包括如下步骤:
-提供补偿单元。这是根据本发明的补偿单元,所述补偿单元包括经训练的卷积神经网络。这种经训练的补偿单元的制造已经在上面在用于训练补偿单元的根据本发明的方法的范围中描述。
-提供记录的影像。提供至少一个记录的医学影像,所述记录的医学影像尤其通过医学成像系统进行记录。
-识别运动伪影。在记录的影像中,现在借助于补偿单元在通过卷积神经网络处理记录的影像的范围内辨识(识别)图像伪影。
-产生结果数据。在结果数据中标识或自动地减少或补偿识别的运动伪影。在此,结果数据优选包括结果图像和/或分类对象(参见更下文对结果数据的描述)。
辨识的运动伪影的标识例如能够简单地借助标记进行。但是也能够将运动伪影对象插入相关的位置处进而将计算机可理解的元素添加给所得出的图像。标识能够直接地在记录的影像中进行或者在附加的视图、例如附加的图像层中进行。
替选于此或补充于此,能够对记录的影像进行处理,其中进行运动伪影的消除或减少(这两个术语由表达方式“补偿”包括)。例如,在跳动的心脏处对冠状动脉进行记录时执行自动地移除运动伪影。
以该方式,例如能够通过用大量适当的数据组训练补偿单元来降低通过运动伪影引起的误差源,进而超过常规的程度改进影响的质量。
用于控制医学成像系统的根据本发明的控制装置构成用于执行根据本发明的辨识方法,或者配设有根据本发明的补偿单元。
根据本发明的医学成像系统包括根据本发明的控制装置。
学习计算设备的、补偿单元的和/或控制装置的之前提出的部件的大部分能够完全地或部分地以软件模块的形式在相应的控制装置的或计算装置的处理器中实现。大程度以软件的方式实现具有的优点是:也能够以简单的方式通过软件升级来改装已经至此使用的控制装置或计算装置,以便以根据本发明的方式工作。就此,所述目的也通过具有计算机程序的相应的计算机程序产品来实现,所述计算机程序能够直接地加载到例如计算机断层扫描系统的计算装置的或控制装置的存储装置中,所述计算机程序具有程序片段,以便当程序在计算装置或控制装置中执行时,执行根据本发明的方法的全部步骤。除了计算机程序之外,这种计算机程序产品可能能够包括附加的组成部分,即例如文档和/或附加部件,还有硬件部件,即例如用于使用软件的硬件密匙(软件狗等)。
为了传输至控制装置或计算装置和/或为了存储在计算或控制装置处或其中,能够使用计算机可读介质,例如记忆棒,硬盘或其他的便携式的或固定装入的数据载体,在所述数据载体上存储有计算机程序的可由计算或控制装置的计算单元读入和执行的程序片段。计算单元对此例如能够具有一个或多个协作的微处理器等。
因此,优选地,当在计算系统或控制装置中执行计算机程序时,补偿单元也呈具有计算机程序的计算机程序产品的形式,所述计算机程序能够直接地加载到医学成像系统的控制装置的或计算系统的存储器装置中,以便执行根据本发明的补偿方法的全部步骤。
优选地,补偿单元也呈计算机可读介质的形式,在所述计算机可读介质上存储有可由计算单元读入和执行的程序片段,以便当程序片段由计算单元执行时,执行根据本发明的辨识方法的全部步骤。补偿单元能够以该计算机可读介质的形式和硬件的形式存在,例如作为可编程的EPROM或作为FPGA(现场可编程门阵列)。
在下面的描述中得到本发明的其他的尤其有利的设计方案和改进形式,其中一个权利要求类别的权利要求也能够类似于另一权利要求类别的权利要求和说明书部分来改进,并且尤其也能够将不同实施例或变型形式的各个特征组合成新的实施例或变型形式。
在一个优选的方法中,训练图像组包括多个训练输出图像,在所述训练输出图像中,基准对象分别在其运动的不同阶段中示出。这具有的优点是:能够创建完整的运动轮廓,并且能够识别和补偿整个运动周期期间的运动伪影。
例如,能够将多个CT图像用作为训练输出图像,所述CT图像示出器官的不同的运动状态。训练输出图像的数量优选为如下值,所述值对应于运动周期的时间除以平均记录时间。对于该实施方式尤其有利的是:对于对象的运动阶段的每个部段,即对于每个训练输出图像存在多个训练输入图像。
如果将真实的记录用于训练,那么优选的是:将相同的对象(器官)在多个不同的时间点重建,进而产生图像的时间序列。即使在上文中仅提及一个对象,尤其优选的是:将卷积网络针对多个不同对象训练或者将主对象(例如“心脏”)划分成多个子对象,(例如左冠状动脉,右冠状动脉,主动脉瓣,……)。例如,在例如1s的时间段之上分布的具有运动伪影的多个主动脉瓣图像连同没有运动的图像(训练输出图像)一起形成训练组。于是,相应地能够处理左冠状动脉和其他的对象。
优选地,在训练输出图像中注释基准对象。替选地或附加地,训练输出图像包括关于基准对象的至少一个分类对象的信息。
训练能够根据“逐像素”原理执行,即针对训练输入图像的每个像素在训练输出图像上与分类对象相关联,例如“背景”、“血管”、“运动伪影”但或也是“未知”或“未识别”。
优选地,训练图像组设计成,使得训练输入图像包括总图像的子图像并且以组合的方式得到总图像。训练输出图像优选包含在总图像上示出的对象,这然而首先不是强制必需的,因为这也能够在学习过程期间重建。这尤其对于将真实记录用于训练是有利的,因为减少用于对各个图像的记录时间。
优选地,训练图像组包括计算机断层记录或X射线记录,尤其双源CT或多源CT的计算机断层记录或X射线记录。在该仪器中,通常对具有多个不同的X射线能量的CT图像进行记录。但是,所述CT图像也能够用于:在X射线能量相同时在相同时间从不同角度创建两个或更多个记录。
常规CT例如对于180°重建具有例如130ms的时间分辨率,而双源仪器能够在66ms之内实现该重建,在所述时间中,所述双源仪器同时创建具有分别90°的重建角度的两个错开90°的记录,所述记录在后续步骤中组合。补偿单元也能够借助双源仪器的临床数据来训练,而所述补偿单元在具有仅一个探测器的单源仪器中的应用中使用。然而,根据应用情况,相反的使用同样能够提供优势。
因此在该范围中也优选的是:各个训练输入图像(或还有其大部分或全部)具有<180°的重建角度,其中然而多个训练输入图像的总和又得到180°的重建角度,即完整的图像。由此得到改进的时间分辨率,因为缩短用于记录的时间区间。
例如,在单源系统的情况下能够由6个图像á30°组成具有总共180°并行等价数据的心脏图像。在双源系统的情况下,每个系统需要仅大约90°,使得在此能够创建6个图像á15°。全部12个子图像的总和于是得到完整的CT图像。
结果数据能够包括结果图像和/或至少一个分类对象。
将如下图像称作为结果图像,所述图像对应于所提供的记录的影像或者(例如在得到总图像的多个子图像的情况下)对应于多个提供的记录的影像的总和,即所记录的主题的图形描绘。然而,在结果图像中借助于根据本发明的辨识方法来辨识运动伪影,例如通过标记或通过在单独的图像层中示出运动伪影来辨识,和/或补偿运动伪影,即移除。尤其优选的是标记和补偿的组合,其中在图像层中移除运动伪影,但是在分开的图像层中还存在并且根据需要能够淡入和淡出。
将如下信息称作为分类对象,所述信息显示用于特定的对象的类型的计算机可理解的标记(也参见上文对训练输出图像的描述)。所述信息也能够作为标记存在,或但是也作为图像信息或作为抽象对象、即例如作为本体论中的术语存在。尤其优选的是,图像信息根据分类对象来编码。基本上,分类对象能够具有全部可行的形式,只要所述形式能够由计算机“理解”或处理。
例如,在对心脏进行记录时能够将心脏识别为“心脏”对象,将冠状动脉识别为“冠状动脉”对象,并且将运动伪影识别为“运动伪影”对象。在一种可能的视图中,心脏然后可以在结果图像中载有标签“心脏”,冠状动脉载有标签“冠状动脉”并且运动伪影载有标签“运动伪影”,这是由结果图像和分类对象构成的组合。但是也能够产生如下图像,在所述图像中,与心脏相关联的图像元素用一个颜色来标识,示出冠状动脉的相同的图像元素用第二颜色来标识,并且运动伪影用第三颜色来标识。在此,色彩编码为标记。
尤其优选地,在该范围中产生结果图像,在所述结果图像中,可能地在特定的图像层中存在分类对象。
优选地,为辨识方法提供多个记录的医学影像,所述记录的医学影像构成为,使得各个记录的影像包括总图像的子图像,并且以组合的方式得到总图像。
在此,总图像能够理解为空间总图像或时间总图像。原则上,尽管总是在多个记录中存在时间序列,因为所述记录在不同时间记录,然而周期性运动的对象的各个记录也总是描述相同的运动阶段,这关于时间序列是不重要的并且能够解释为同时的记录。
关于理解为时间总图像优选的是:子记录显示不同的、尤其彼此跟随的运动阶段中的对象。
关于理解为空间总图像优选的是:子记录是二维总图像(“剖面图”)的一部分或者是三维总图像的各个剖面图。
在优选的情况下,即记录的影像是计算机断层记录或X射线记录,尤其是双源CT或多源CT的计算机断层记录或X射线记录,由于记录时间较短而优选的是:各个记录的影像具有<180°的重建角度。在此,所述重建角度涉及剖面图的重建,所述剖面图通常对于完整的剖面图为180°。因此,所述优选的实施方式的记录的影像为用于二维总图像的子记录。为了总图像是完整的,然而记录的影像中的多个记录的影像的总和得到180°的(总)重建角度。例如,记录的影像(子记录)包括30°的重建角度,其中记录分别不同角度范围的总共6个记录的影像(子图像)。随后将这6个记录的影像(子图像)用作为用于根据本发明的辨识方法的输入,所述辨识方法从所述图像中产生具有180°的重建角度的总图像。在使用双源CT的情况下,也能够借助两个记录单元分别记录具有分别15°(代替30°,即在更短的记录时间中)重建角度的6个子图像。
优选的还有如下辨识方法,所述辨识方法能够用于控制医学成像系统。所述方法包括如下步骤:
-提供控制数据库。在所述控制数据库中存储用于所涉及的医疗成像系统的控制数据组。
-选择控制数据组。基于记录的影像中的识别的运动伪影和/或基于要记录的对象的选择来选择控制数据组。因此,在辨识识别的运动伪影时能够选择控制数据组,所述控制数据组设计用于:抑制记录的影像上的所述运动伪影。替选地或附加地,控制数据组也能够根据要记录的对象来选择。例如是否对心脏或肝脏进行记录。所述控制数据组能够包含专门匹配于所选择的对象的运动的控制命令或重建命令。
-将所选择的控制数据组用于创建记录的影像或主题的新的记录的影像,其中运动伪影已辨识到。
需注意,对象的选择首先与运动伪影无关。然而,通过针对一个器官(对象)或多个器官(对象)训练的补偿单元知道这些器官的运动,然而可以为器官选择特定的记录控制,所述记录控制对于运动伪影的随后的辨识或补偿是最佳的。这具有的优点是:在识别到运动伪影时或在选择要记录的对象时,能够立即应用最佳的控制。例如,通过识别心脏周期的阶段能够创建心脏的最佳的记录系列。也可行的是:在子记录中能够选择最佳的记录时间点。借此还可行的是:在对象运动离开一个图像层的情况下,由于辨识的运动伪影推断出运动的类型和方向从而实现自动的跟踪。
本发明的优点主要是简单的可用性。通过使用本发明能够取消至今为止通常首先执行的步骤,即例如标准重建,冠状树分区或者局部限制重建。借此,强烈地抑制误差源,因为所述步骤本身能够通过运动伪影负面地损害。
此外,根据本发明的方法通过其在图像的全局层面上的应用能够实现解剖学领域的运动补偿,所述运动补偿如今是不可行的,例如心瓣膜的运动补偿。
此外,根据本发明的补偿单元能够作为硬件存在,例如作为FPGA。这种现场可编程门阵列(“Field Programmable Gate Arrays”)可自由获得并且为用于实现根据本发明的补偿单元的有利的基础。所选择的FPGA在此必须借助根据本发明的方法来训练。于是,经训练的FPGA能够用于辨识或补偿运动伪影。
附图说明
下面,参考所附的附图根据实施例再次详细阐述本发明。在此,在不同的附图中,相同的部件设有相同的附图标记。附图通常不是符合比例的。附图示出:
图1示出用于制造根据本发明的补偿单元的根据本发明的方法的第一实施例的示意图,
图2示出用于制造根据本发明的补偿单元的根据本发明的方法的第二实施例的示意图,所述方法包括基于子图像进行训练,
图3示出卷积神经网络的示意图,
图4示出优选的学习计算设备的一个实施例的示意图,
图5示出根据本发明的辨识方法的一个实施例的可行的流程的流程图,
图6示出具有根据本发明的控制装置和补偿单元的一个实施例的医学成像系统的概括示意图。
具体实施方式
在下面的阐述中基于:医学成像系统或成像设备为计算机断层扫描系统。但是原则上,该方法也能够用于其他成像设备。
图1示出用于制造根据本发明的补偿单元的根据本发明的方法的一个简单的实施方式的示意图。
在步骤I中,提供学习计算设备7,其中学习计算设备7借助于算法构成用于:识别记录的影像中的或记录的影像的图像数据中的图形元素(对此也参见图4)和训练卷积神经网络FN(对此也参见图3)。
在步骤II中提供初始补偿单元6a,所述初始补偿单元构成用于:借助于机器学习进行训练,并且基本上示出未训练的补偿单元6,这应借助问号示出。在此,所述初始补偿单元6a在学习计算设备7上或在学习计算设备7处提供,即例如作为如在此草绘的与所述学习计算设备7数据连接的数据结构提供,或作为直接在所述学习计算设备7中的数据结构提供。
在步骤III中,提供图像数据库BB,所述图像数据库包括由多个训练输入图像TE和至少一个训练输出图像TA构成的训练图像组TS。这能够是医学成像系统1的记录,但是或者是人工产生的视图。在此,在训练输入图像TE中包含运动伪影BA,在训练输出图像TA中相反于此基本上不包含运动伪影BA或者强烈地抑制运动伪影BA。
具有附图标记I、II和III的三个箭头通入其中的圆在此是初始状态,为所述初始状态提供三个前述的部件。现在,为了制造补偿单元6必须训练初始补偿单元6a。
在步骤VI中,根据机器学习原理基于识别包含在训练输入图像TE中的运动伪影进行补偿单元6的所述训练。于是,经训练的补偿单元6包括经训练的卷积神经网络FN。
图2示出用于制造根据本发明的补偿单元6的根据本发明的方法的一个优选的实施例的示意图,所述方法具有基于子图像T1、T2、T3进行训练。这在如下情况下能够提供优点:随后在辨识时应借助记录的影像B工作,所述记录的影像为了降低运动伪影BA以缩短的记录时间来进行记录进而仅是对象O的子图像。
该图基本上对应于图1。在此也执行步骤I、II和III,其中在步骤III中尽管提供完整的训练输出图像TA,这在此通过圆示出。训练输出图像TA在此例如能够示出图1的训练输出图像TA中的对象O。然而相反于图1,训练输入图像TE包括不完整的对象,这在此用圆区段来表示。在图像方面能够设想:每个圆区段对应于图1中的训练输入图像TE的视图的一部分。
在图2的中间的圆中示出:在训练期间如何将各三个训练输入图像TE作为子图像T1、T2、T3组合成总图像GB。如果将所述实施方式又与图1中的实施方式进行比较,则能够将图2中的在那里在训练输入图像TE中示出的基准对象RO分割成三个子图像T1、T2、T3。
在步骤IV中训练补偿单元6在该情况下基于训练输出图像TA与构建的总图像GB的比较。一般而言替选地可行的是:放弃形成总图像GB,并且将子图像T1、T2、T3直接作为不同的层输入到卷积神经网络FN中。
图3示出卷积神经网络FN的示意图。输入到卷积神经网络FN中的记录的影像B通常划分成不同的层面。在彩色图像中,这例如能够对应于划分成红色通道、绿色通道和蓝色通道。但是也能够将多个记录的影像B(训练输入图像TE也属于此)同时输入到卷积网络FN中,如已经在之前的实例中表明的那样。例如,能够输入多个子图像T1、T2、T3,并且形成不同的层面,所述层面的整体示出完整的记录的影像BA。
现在,进行一系列的池化步骤P1、P2、P3、P4、P5和卷积步骤C1、C2、C3、C4、C5(英语“Convolution”),所述池化步骤减小图像信息,所述卷积步骤产生一系列的数据区,在所述数据区中,将卷积模板(也称作为“核”)引导到记录的影像的之前产生的数据区或层面之上并且使所述卷积模板与卷积矩阵经受卷积运算。该过程借助多个不同的卷积模板在各个输入层处重复(参见卷积网络的工作方式)。在最后的池化步骤P5之后的薄块为“全连接层”,然而所述全连接层对于实施本发明不是强制性必需的。
此后,进行反卷积DC1、DC2、DC3、DC4、DC5(英文“Deconvolution”),和所谓的“反池化”UP1、UP2、UP3、UP4、UP5。在此,基本上执行之前的卷积和池化的逆转,然而不强制性地使用具体的反函数。这同样能够借助矩阵进行,所述矩阵因此在此不必强制性地是卷积过程的矩阵的反函数。例如,在最后的池化P5之后获得的值能够解释为用于分类物体KO的概率值,并且以与要输入的记录的影像B相应的方式,将反卷积过程分配给分类对象的重组(Verortung)。
在该实例中,获得结果图像EB作为结果数据ED,在所述结果图像中示出初始的记录的影像BA的信息作为分类对象。
图4示出优选的学习计算设备7的示意图。所述学习计算设备7包括在此作为块示出的处理器8和数据存储器9。数据存储器9包含指令,所述指令在其执行时能够使处理器8实现:检测为计算设备提供的训练图像组TS,并且将训练图像组TS的训练输入图像TE和训练输出图像TA输入到卷积神经网络FN中。此外,学习计算设备7构成用于运行卷积神经网络FN和用于训练初始补偿单元6a中的未训练的卷积神经网络FN,例如按照根据本发明的方法的一个实施方式,如其在图1和2中示出。
图5示出用于当前要检查的或要分析的记录的医学影像B的根据本发明的辨识方法的可行的流程的流程图。所述记录的影像B例如能够借助于医学成像系统1进行记录,如其在图5中示出。
在步骤V中提供补偿单元6,所述补偿单元例如根据如在图1和2中示出的方法制造。
在步骤VI中,提供对象O的当前要分析的记录的影像B。所述记录的影像B例如是借助于医学成像系统1完成的记录。在该情况下,在记录的影像B中示出结构S,所述结构由于对象O的运动而具有运动伪影BA。
在步骤VII中借助于补偿单元6的卷积神经网络FN辨识运动伪影BA。
在步骤VIII中自动地标识(注释)辨识的运动伪影BA。产生结果数据ED,所述结果数据在此包括结果图像EB,在所述结果图像中示出没有运动伪影BA的所涉及的结构S,即补偿运动伪影BA。附加地,将结构S或运动伪影BA作为分类对象KO存储在结果数据ED中。
直至该步骤,示出用于纯辨识或补偿运动伪影BA的示例性的方法。但是,借助自动地辨识运动伪影BA,对自动的标识或补偿替选地或附加地也能够伴随自动地控制医学成像系统1,如另外的方法步骤所说明的那样。当要记录的对象是已知的并且其运动样式由经训练的补偿单元识别时,也能够应用该方法。
在随后的(可选的)步骤IX中,提供控制数据库SB,在所述控制数据库中存储有用于医学成像系统1的控制数据组SD。所述控制数据组SD与补偿单元6的结果数据关联,使得根据运动伪影BA或关于要记录的对象O的通知能够选择控制数据组SD。
在步骤X中根据要记录的对象O或识别的运动伪影BA选择控制数据组SD。
在步骤XI中,将该选择的控制数据组SD用于控制医学成像系统1以重新记录检查的记录的影像B的主题。由此能够记录具有新参数的新的记录的影像B,特定地选择所述新参数,以便根据特定的规定记录对象的相关区域,例如根据匹配的记录时间、创建对象的子记录的模式、使用多个记录单元以产生同时的子图像或使记录区间匹配于对象的运动阶段。
图6粗略示意性地示出具有根据本发明的控制装置10的实施例的医学成像系统1,所述控制装置构成用于执行运动伪影BA的补偿并且优选也用于按照根据本发明的方法执行学习过程。
计算机断层扫描系统1(CT)通常具有扫描仪2,所述扫描仪具有机架,X射线源在所述机架中旋转,所述X射线源分别透射病患P,所述病患借助于床5移入到机架的测量室中,使得辐射射到分别与X射线源3相对置的探测器4上。明确地需要指出:根据图5的实施例仅为CT的一个实例并且本发明也能够使用在任意其他的CT上。
同样地,在控制装置10中仅示出如下部件,所述部件对于阐述本发明是重要的或对于理解是有帮助的。原则上,这种CT系统和所属的控制装置对于本领域技术人员是已知的进而不需要详细阐述。在双源CT系统中使用两个X射线源3和两个探测器4。
需要指出的是:本发明也能够使用在任意其他的医学成像系统处,只要在那里出现运动伪影,所述医学成像系统例如具有磁共振断层扫描系统或超声系统。
在此,控制装置10的核心部件是处理器11,在所述处理器上实现软件模块形式的不同部件。控制装置10还具有终端接口14,终端20连接到所述终端接口处,操作者能够经由所述终端操作控制装置10进而操作计算机断层扫描系统1。另一接口15是用于连接到数据总线21处的网络接口,以便建立与RIS或PACS的连接(RIS:放射信息系统;PACS:图像存档和通信系统=Picture Archiving and Communication System)。例如,经由所述总线21能够继续发送记录的影像的图像数据或者接收(übernommen)数据(例如训练图像组TS)。
经由控制接口13能够由控制装置10激活扫描仪2,即控制例如机架的旋转速度、诊视床5的移动和X射线源3本身。经由获取接口12从探测器4中读出原始数据RD。
此外,控制装置10具有存储单元16,在所述存储单元中存储具有控制数据组SD的控制数据库SB。控制数据组SD在此还能够与关于运动伪影BA的数据或与要记录的对象的数据进行数据关联。
处理器11上的部件是图像数据重建单元18,借助所述图像数据重建单元从经由数据获取接口12获得的原始数据RD中重建对象O的记录的影像B的期望的图像数据。所述图像数据重建单元18将记录的影像B的重建的图像数据转发给补偿单元6,在所述补偿单元中首先按照根据本发明的方法来辨识或补偿运动伪影BA。替选地完全存在如下可行性:补偿单元6直接地借助原始数据RD工作并且甚至能够取代图像数据重建单元18。
在出现过比例扭曲原始示出的结构的运动伪影BA的情况下,或在应记录其运动样式由补偿单元6识别的对象的情况下,从由存储单元16提供的控制数据库(SB)中根据至少一个预定的辨识代码来选择控制数据组SD,并且利用所选择的控制数据组SD创建对象O的(可能重新的)记录的影像B,在所述记录的影像中优选同样进行运动伪影BA的补偿。以该方式能够自动地创建一组记录的影像B,在所述记录的影像中正确地辨识并且可能最佳地补偿运动伪影BA。
最后还需要再次指出:之前详细描述的方法以及所示出的设备仅为实施例,所述实施例能够由本领域技术人员以各种方式修改,而没有偏离本发明的范围。此外,使用不定冠词“一个”或“一”不排除:相关的特征也能够多重地存在。同样地,术语“单元”和“模块”不排除:相关的部件由多个共同作用的子部件构成,所述子部件可能也能够空间分布。
Claims (20)
1.一种用于创建补偿单元(6)的方法,所述补偿单元用于自动地辨识和/或补偿记录的医学影像(B)中的运动伪影(BA),所述方法包括如下步骤:
- 提供学习计算设备(7),其中所述学习计算设备(7)设计用于训练卷积神经网络(FN),
- 在所述学习计算设备(7)上或在所述学习计算设备(7)处提供初始补偿单元(6a),所述初始补偿单元包括未训练的卷积神经网络(FN),
- 提供训练图像组(TS),所述训练图像组包括多个医学训练输入图像(TE)和至少一个训练输出图像(TA),其中在所述训练输出图像(TA)中示出基本上没有运动伪影(BA)的基准对象(RO),并且在所述医学训练输入图像(TE)中包含具有不同运动伪影(BA)的所涉及的所述基准对象(RO),
- 根据机器学习原理利用所述训练图像组(TS)训练所述补偿单元(6)的所述卷积神经网络(FN)。
2.根据权利要求1所述的方法,
其中所述训练图像组(TS)包括多个训练输出图像(TA),在所述训练输出图像中,所述基准对象(RO)分别在其运动的不同阶段中示出。
3.根据权利要求2所述的方法,
其中在所述训练输出图像(TA)中注释所述基准对象(RO),和/或所述训练输出图像(TA)包括关于所述基准对象(RO)的至少一个分类对象(KO)的信息。
4.根据权利要求2所述的方法,
其中所述训练图像组(TS)设计成,使得所述训练输入图像(TE)包括总图像(GB)的子图像(T1,T2,T3)并且以组合的方式得到所述总图像(GB)。
5.根据权利要求4所述的方法,
其中所述训练输出图像(TA)包含在所述总图像(GB)上示出的对象(O)。
6.根据权利要求4所述的方法,
其中所述训练图像组(TS)包括计算机断层记录或X射线记录。
7.根据权利要求4所述的方法,
其中所述训练图像组(TS)包括双源CT或多源CT的计算机断层记录或X射线记录。
8.根据权利要求4所述的方法,
其中各个训练输入图像(TE)具有<180°的重建角度,然而多个训练输入图像(TE)的总和得到180°的重建角度。
9.一种用于自动地辨识和/或补偿记录的医学影像(B)中的运动伪影(BA)的补偿单元(6),所述补偿单元包括卷积神经网络(FN),所述卷积神经网络借助根据权利要求1至8中任一项所述的方法训练。
10.一种学习计算设备(7),所述学习计算设备包括处理器(8)和具有指令的数据存储器(9),所述指令在其执行时使所述处理器实现:
- 将提供给所述计算设备的训练图像组(TS)输入到卷积神经网络(FN)中,
- 运行卷积神经网络(FN),
- 按照根据权利要求1至8中任一项所述的方法来训练具有未训练的卷积神经网络的初始补偿单元(6a)。
11.一种用于自动地识别记录的医学影像(B)中的运动伪影(BA)的辨识方法,所述辨识方法包括如下步骤:
- 提供根据权利要求9所述的具有卷积神经网络(FN)的补偿单元(6),或根据权利要求1至8中任一项训练具有卷积神经网络(FN)的补偿单元(6),
- 提供至少一个记录的医学影像(B),
- 在通过所述卷积神经网络(FN)处理所述记录的影像的情况下,借助于所述补偿单元(6)识别所述记录的影像(B)中的运动伪影(BA),
- 产生具有识别的所述运动伪影(BA)的标识和/或减小的结果数据(ED)。
12.根据权利要求11所述的辨识方法,
其中所述结果数据(ED)包括结果图像(EB)和/或至少一个分类对象(KO)。
13.根据权利要求11或12所述的辨识方法,
其中提供多个记录的医学影像(B),所述记录的医学影像设计成,使得各个记录的影像(B)包括总图像(GB)的子图像(T1,T2,T3)。
14.根据权利要求13所述的辨识方法,
其中各个记录的影像(B)以组合的方式得到所述总图像(GB)。
15.根据权利要求11或12所述的辨识方法,
其中所述记录的影像(B)是计算机断层记录或X射线记录,其中各个记录的影像(B)具有<180°的重建角度,然而所述记录的影像(B)中的多个记录的影像的总和得到180°的重建角度。
16.根据权利要求15所述的辨识方法,
其中所述记录的影像(B)是双源CT或多源CT的计算机断层记录或X射线记录。
17.根据权利要求11或12所述的辨识方法,所述辨识方法包括如下步骤:
- 提供控制数据库(SB),在所述控制数据库中存储用于医学成像系统(1)的控制数据组(SD),
- 基于所述记录的影像(B)中的识别的运动伪影(BA)或基于选择要记录的对象(O),选择控制数据组(SD),
- 将所选择的所述控制数据组用于创建记录的影像(B)。
18.一种用于控制医学成像系统(1)的控制装置(10),所述控制装置设计成用于执行根据权利要求11至17中任一项所述的辨识方法。
19.一种医学成像系统(1),所述医学成像系统包括根据权利要求18所述的控制装置(10)。
20.一种计算机可读介质,在所述计算机可读介质上存储有可由计算单元读入和执行的程序片段,以便当所述程序片段由所述计算单元执行时,执行根据权利要求11至17中任一项所述的辨识方法的和/或根据权利要求1至8中任一项所述的方法的全部步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017219307.7A DE102017219307B4 (de) | 2017-10-27 | 2017-10-27 | Verfahren und System zur Kompensation von Bewegungsartefakten mittels maschinellen Lernens |
DE102017219307.7 | 2017-10-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727203A CN109727203A (zh) | 2019-05-07 |
CN109727203B true CN109727203B (zh) | 2020-07-28 |
Family
ID=66137824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811267202.7A Active CN109727203B (zh) | 2017-10-27 | 2018-10-29 | 用于借助于机器学习来补偿运动伪影的方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10776917B2 (zh) |
CN (1) | CN109727203B (zh) |
DE (1) | DE102017219307B4 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10796181B2 (en) * | 2018-09-18 | 2020-10-06 | GE Precision Healthcare LLC | Machine learning based method and system for analyzing image artifacts and imaging system failure |
JP7242410B2 (ja) * | 2019-04-26 | 2023-03-20 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、x線ct装置及び学習用データの生成方法 |
DE102019217524A1 (de) * | 2019-11-13 | 2021-05-20 | Siemens Healthcare Gmbh | Verfahren und Bildverarbeitungsvorrichtung zum Segmentieren von Bilddaten und Computerprogrammprodukt |
CN110866880B (zh) * | 2019-11-14 | 2023-04-28 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
DE102019217576B4 (de) * | 2019-11-14 | 2021-10-14 | Siemens Healthcare Gmbh | Identifizieren und Bereitstellen von Fehlausrichtungsbildmerkmalen |
CN111127579A (zh) * | 2019-12-26 | 2020-05-08 | 南京安科医疗科技有限公司 | 一种基于神经网络去锥形束伪影的ct重建方法 |
CN111223066B (zh) * | 2020-01-17 | 2024-06-11 | 上海联影医疗科技股份有限公司 | 运动伪影校正方法、装置、计算机设备和可读存储介质 |
DE102020200906A1 (de) * | 2020-01-27 | 2021-07-29 | Siemens Healthcare Gmbh | Steuerung eines medizinischen Röntgengeräts |
US20210304457A1 (en) * | 2020-03-31 | 2021-09-30 | The Regents Of The University Of California | Using neural networks to estimate motion vectors for motion corrected pet image reconstruction |
US11902561B2 (en) * | 2020-04-18 | 2024-02-13 | Alibaba Group Holding Limited | Convolutional-neutral-network based filter for video coding |
CN111915516B (zh) * | 2020-07-21 | 2024-03-08 | 东软医疗系统股份有限公司 | 运动补偿方法、装置、ct设备及ct系统 |
CN112001979B (zh) * | 2020-07-31 | 2024-04-26 | 上海联影医疗科技股份有限公司 | 运动伪影处理方法、系统、可读存储介质和设备 |
EP3992913A1 (en) * | 2020-11-03 | 2022-05-04 | Koninklijke Philips N.V. | Machine learned motion estimation and compensation in ct images |
CN116208510A (zh) * | 2022-12-12 | 2023-06-02 | 重庆邮电大学 | 一种基于深度强化学习的智能反射面元素智能激活方法 |
CN115712065B (zh) * | 2023-01-05 | 2023-04-07 | 湖南大学 | 时频旋转门与卷积核感知匹配的电机故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680491A (zh) * | 2015-02-28 | 2015-06-03 | 西安交通大学 | 一种基于深度神经网络的图像非均匀运动模糊去除方法 |
CN106096605A (zh) * | 2016-06-02 | 2016-11-09 | 史方 | 一种基于深度学习的图像模糊区域检测方法及装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7848790B2 (en) * | 2002-02-28 | 2010-12-07 | General Electric Company | System and method of imaging using a variable speed for thorax imaging |
JP4545144B2 (ja) * | 2003-03-13 | 2010-09-15 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | コンピュータ制御のトモグラフィック画像システム |
US7982776B2 (en) * | 2007-07-13 | 2011-07-19 | Ethicon Endo-Surgery, Inc. | SBI motion artifact removal apparatus and method |
US8391573B2 (en) * | 2011-03-09 | 2013-03-05 | General Electric Company | Method and apparatus for motion correcting medical images |
US8913153B2 (en) * | 2011-10-06 | 2014-12-16 | Aptina Imaging Corporation | Imaging systems and methods for generating motion-compensated high-dynamic-range images |
US9886745B2 (en) * | 2012-06-28 | 2018-02-06 | Duke University | Multi-shot scan protocols for high-resolution MRI incorporating multiplexed sensitivity-encoding (MUSE) |
US9443289B2 (en) * | 2013-06-21 | 2016-09-13 | Xerox Corporation | Compensating for motion induced artifacts in a physiological signal extracted from multiple videos |
US20150116525A1 (en) * | 2013-10-31 | 2015-04-30 | Himax Imaging Limited | Method for generating high dynamic range images |
US10004462B2 (en) * | 2014-03-24 | 2018-06-26 | Kineticor, Inc. | Systems, methods, and devices for removing prospective motion correction from medical imaging scans |
WO2016007605A1 (en) * | 2014-07-08 | 2016-01-14 | The General Hospital Corporation | System and method for motion-free computed tomography |
DE102014219915B3 (de) * | 2014-10-01 | 2015-11-12 | Siemens Aktiengesellschaft | Verfahren zur Kompensation von durch eine zyklische Bewegung eines Patienten auftretenden Ortszuordnungsfehlern von PET-Daten und Bildaufnahmesystem |
WO2016083666A1 (en) * | 2014-11-27 | 2016-06-02 | Nokia Corporation | Method, apparatus and computer program product for generating super-resolved images |
US20160345926A1 (en) * | 2015-05-27 | 2016-12-01 | Samsung Electronics, Co. Ltd. | Acquisition of projection data for motion-corrected computed tomography images |
US10634752B2 (en) * | 2015-09-14 | 2020-04-28 | Cedars-Sinai Medical Center | Motion corrected simultaneously acquired multiple contrast coronary MRI systems and methods |
EP3270306B1 (en) * | 2016-07-13 | 2021-06-16 | Siemens Healthcare GmbH | Method for the acquisition and processing of measurement data by a combined magnetic resonance and x-ray device |
DE102016219887A1 (de) * | 2016-10-12 | 2018-04-12 | Siemens Healthcare Gmbh | Verfahren und System zur Nutzung von Messdaten |
US10617365B2 (en) * | 2016-11-16 | 2020-04-14 | University Of Central Florida Research Foundation, Inc. | System and method for motion estimation using artificial intelligence in helical computed tomography |
US10805649B2 (en) * | 2017-01-04 | 2020-10-13 | Samsung Electronics Co., Ltd. | System and method for blending multiple frames into a single frame |
WO2018152248A1 (en) * | 2017-02-14 | 2018-08-23 | Dignity Health | Systems, methods, and media for selectively presenting images captured by confocal laser endomicroscopy |
WO2019005180A1 (en) * | 2017-06-26 | 2019-01-03 | Elekta, Inc. | METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK |
US11126914B2 (en) * | 2017-10-11 | 2021-09-21 | General Electric Company | Image generation using machine learning |
-
2017
- 2017-10-27 DE DE102017219307.7A patent/DE102017219307B4/de active Active
-
2018
- 2018-10-24 US US16/169,134 patent/US10776917B2/en active Active
- 2018-10-29 CN CN201811267202.7A patent/CN109727203B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680491A (zh) * | 2015-02-28 | 2015-06-03 | 西安交通大学 | 一种基于深度神经网络的图像非均匀运动模糊去除方法 |
CN106096605A (zh) * | 2016-06-02 | 2016-11-09 | 史方 | 一种基于深度学习的图像模糊区域检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
DE102017219307A1 (de) | 2019-05-02 |
DE102017219307B4 (de) | 2019-07-11 |
US10776917B2 (en) | 2020-09-15 |
US20190130571A1 (en) | 2019-05-02 |
CN109727203A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109727203B (zh) | 用于借助于机器学习来补偿运动伪影的方法和系统 | |
US11342066B2 (en) | Real-time motion monitoring using deep neural network | |
JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
JP7245364B2 (ja) | 変形可能な層を有するCycleGANを用いたsCT画像生成 | |
JP6884853B2 (ja) | ニューラルネットワーク法を用いた画像セグメンテーション | |
US10229517B2 (en) | Method and apparatus for automated determination of contours in iterative reconstruction of image data | |
US10902597B2 (en) | Comparing medical images | |
US20190259153A1 (en) | Cross domain medical image segmentation | |
US11410374B2 (en) | Synthetic parameterized computed tomography from surface data in medical imaging | |
US20150260819A1 (en) | Transfer of validated cad training data to amended mr contrast levels | |
US9355454B2 (en) | Automatic estimation of anatomical extents | |
US10964074B2 (en) | System for harmonizing medical image presentation | |
CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
US20230126640A1 (en) | Real-time motion monitoring using deep learning | |
KR102112706B1 (ko) | 결절 검출 방법 및 이를 이용한 장치 | |
JP2020201941A (ja) | トランケーション部分の予測画像を取得する方法及び装置 | |
WO2020198456A1 (en) | Retrospective motion correction using a combined neural network and model-based image reconstruction of magnetic resonance data | |
EP4237867A1 (en) | Deep magnetic resonance fingerprinting auto-segmentation | |
EP3860463B1 (en) | System for providing a spectral image | |
Vázquez Romaguera et al. | Personalized respiratory motion model using conditional generative networks for MR-guided radiotherapy | |
US20240153089A1 (en) | Systems and methods for processing real-time cardiac mri images | |
Khawaled et al. | A self-attention model for robust rigid slice-to-volume registration of functional MRI | |
Jin | A Quality Assurance Pipeline for Deep Learning Segmentation Models for Radiotherapy Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |