CN109805950B - 医用图像处理装置以及医用图像处理系统 - Google Patents

医用图像处理装置以及医用图像处理系统 Download PDF

Info

Publication number
CN109805950B
CN109805950B CN201811146155.0A CN201811146155A CN109805950B CN 109805950 B CN109805950 B CN 109805950B CN 201811146155 A CN201811146155 A CN 201811146155A CN 109805950 B CN109805950 B CN 109805950B
Authority
CN
China
Prior art keywords
image data
data
noise
image
neural networks
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
Application number
CN201811146155.0A
Other languages
English (en)
Other versions
CN109805950A (zh
Inventor
周健
余宙
刘研
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from US15/727,216 external-priority patent/US11517197B2/en
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to CN202310552379.6A priority Critical patent/CN116616806A/zh
Publication of CN109805950A publication Critical patent/CN109805950A/zh
Application granted granted Critical
Publication of CN109805950B publication Critical patent/CN109805950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • G06T5/70—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • 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
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G06T5/60—
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/10081—Computed x-ray 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Abstract

本发明提供与以往相比能够实现画质改善、高速处理、硬件成本减少的医用图像处理装置以及医用图像处理系统。本实施方式的医用图像处理装置具备存储部、处理部。存储部存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层。处理部使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1数据进行处理，由上述输出层输出第2数据。

Description

医用图像处理装置以及医用图像处理系统
技术领域
本实施方式涉及医用图像处理装置以及医用图像处理系统。
背景技术
计算机断层拍摄(CT)系统以及方法特别广泛使用于医用拍摄以及医用诊断。CT系统一般来说制作与被检体的身体相关的一个或者多个截面的切片图像。X射线源等放射源从一个侧面向身体照射X射线。位于身体的相反侧的至少一个检测器接收通过了身体的放射线。通过对从检测器接收的电信号进行处理，来测量通过了身体的放射线的衰减。
CT正弦图作为沿着检测器阵列的位置的函数、而且作为从X射线源至X射线检测器的投影角的函数，示出通过了身体的X射线的衰减。在正弦图中，空间的维与沿着X射线检测器的阵列的位置相关。时间/角度维与在CT扫描中作为时间的函数变化的X射线的投影角相关。从图像化后的被检体的部分(例如，椎骨)产生的衰减与投影角一致地沿纵轴描绘出正弦波。距旋转轴更远的图像化后的被检体的部分与更大的振幅下的正弦波一致，该正弦波的相位与旋转轴周边的角度位置相关。反拉冬变换―以及任意的其他图像重构法―的执行指的是，根据正弦图中表示的投影数据对图像进行重构。
X射线CT应用在癌、心脏、还有头部拍摄中的广泛的临床应用中。随着CT被逐渐使用于例如包含癌筛选、儿科拍摄的各种应用，引发了将临床CT扫描的辐射剂量在实际可能的范围中尽可能降低那样的行动。对于低剂量CT来说，由于高量下的噪声挑战扫描的几何形状(换句话说是较大的锥角、高螺距、缺棱等)、其他不期望的物理现象(换句话说是散射、射束硬化、串扰、金属等)等很多重要因素，有时画质降低。建模出精确的前向模型且解决复杂的逆问题的难度导致难以发展高效的校正法。
为了改善低剂量CT画质，基于模型的逐次图像重构或者正弦图复原等许多最尖端技术在这数十年得以发展，但大多花费时间且需要高额的硬件。特别是，如果是困难的状况下，与高剂量画质相比，画质仍然较差。因而，为了减少计算的时间、硬件成本，进一步改善低剂量CT画质，期望改进方法。
发明内容
本实施方式鉴于上述情况，与以往相比，目的在于提供能够实现画质改善、高速处理、硬件成本减少的医用图像处理装置以及医用图像处理系统。
本实施方式的医用图像处理装置具备存储部、处理部。存储部存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层。处理部使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1数据进行处理，由上述输出层输出第2数据。
附图说明
图1A是一实施方式的、使用用于处理重构图像的深度学习(DL)网络的、用于减少噪声以及/或者伪影的方法的流程概要图的例子。
图1B是一实施方式的、使用用于处理正弦图数据的DL网络的、用于减少噪声以及/或者伪影的方法的流程概要图的例子。
图2A是一实施方式的、作为前馈人工神经网络(feed forward artificialneural network(ANN)的DL网络的例子。
图2B是一实施方式的、作为卷积神经网络(CNN)的DL网络的例子。
图2C是一实施方式的、针对卷积层的一个神经元节点的卷积层的实施方式。
图2D是一实施方式的、针对立体(volumetric)图像数据的三个通道的立体卷积层的实施方式。
图3是一实施方式的、用于训练DL网络的流程概要图的例子。
图4是一实施方式的、用于应用ANN的流程概要图的例子。
图5是一实施方式的、用于应用CNN的流程概要图的例子。
图6描绘出一实施方式的、计算机断层拍摄(CT)扫描仪的执行的概要。
图7描绘出一实施方式的、磁共振拍摄(MRI)扫描仪的执行的概要描。
图8A描绘出一实施方式的、正电子发射断层拍摄(PET)扫描仪的透视图。
图8B描绘出一实施方式的、PET扫描仪的概略图。
图9是第2实施方式的重构器件514的框图。
图10是表示第2重构处理部5141的概略结构的一个例子的框图。
图11是表示第2降噪处理部5142的概略结构的一个例子的框图。
图12是表示第2降噪处理部5142的概略结构的其他例的框图。
图13是表示图11、图12所示的各DNN的训练的流程的流程图。
图14是表示具有经由网络的客户－服务器型的构成的医用图像处理系统970的一个例子的图。
附图标记说明
500…放射线架台，501…X射线管，502…环状框架，503…X射线检测器，504…数据收集系统，505…非接触数据发送装置，506…预处理器件，507…旋转单元，508…集电环，509…高电压产生器，510…系统控制器，511…数据/控制总线，512…储存部，513…电流调整器，514…重构器件，515…输入器件，516…显示部，700…MRI系统，709…被检体，710…架台，711…被检体台，712…磁体，714…梯度磁场线圈组，716…全身RF线圈组件，718…图像容积，719…RF线圈，722…MRI系统控制器，724…显示部，726…键盘，728…打印机，730…MRI序列控制器，732…Gz梯度磁场线圈驱动器，734…RF发送部，736…收发开关，738…程序代码构造，740…RF接收器，742…数据处理器，744…MRI图像重构程序代码构造，746…MRI图像存储部，800…PET扫描仪，816…诊视床，816…顶板，820…圆形构成要素，840…架台，870…处理器，874…网络控制器，876…数据取得系统，878…存储器，970…医用图像处理系统，980…医用图像诊断装置，990…医用图像处理装置，991…收发部，992…存储部，993…处理电路，5141…重构处理部，5141a…噪声取得部，5141b…噪声取得部，5141c…噪声推断部，5141d…噪声减少处理部，5141e…重构处理部，5141f…优化处理部，5141g…更新处理部，5141h…混合处理部，5142…降噪处理部，5142a…网络选择部
具体实施方式
(第1实施方式)
本实施方式与用于改善重构图像的画质的深度学习(DL)网络(DNN：Deep NuralNetwork)的使用相关。更具体而言，提供实现用于减少重构计算机断层拍摄(CT)图像、正电子发射断层拍摄(PET)图像、磁共振拍摄(MRI)图像中的噪声以及伪影的DL网络的医用图像处理装置。
对于医用图像的公知的重构法的、在这里说明的方法是为了减少计算的时间、硬件成本、进而为了改善计算机剖面(CT)图像等低剂量医用图像的画质而开发的。另外，关于这些方法的应用而在这里提供的例子是非限定性的例子，此处叙述的该方法通过适应此处提出的框架，能够对MRI、PET/SPECT等其他的医用拍摄影像设备(modality)带来益处。因而，这里的讨论只是用于公开以及说明本公开文的单纯例示的实施方式。如本领域技术人员能够理解的那样，本公开文能够不脱离其主旨或者本质的特征地以以其他特定的形式实施。换句话说，本公开文意图进行例示，并不意图限制实施方式的范围，这对于其他的权利要求的范围也是相同的。本公开文也包含此处记述的启示的能够容易识别的任意的变形例，在一部分中定义前述的权利要求中的用语的范围，而非通过实施方式的主题提供给公众自由应用。
一般来说，期望在维持诊断的质量的同时，在实际可能的范围内尽可能地降低CT辐射剂量(ALARA)。降低后的辐射剂量与低计数计算机断层拍摄装置(CT)所用的临床应用例如在CT灌注成像研究、低和超低剂量CT筛选、黑素瘤被检体(melanoma)或者儿科被检体(pediatrics)用的低剂量下的全身拍摄、用于减少总剂量的双重能量CT中的更低的kVp拍摄用的偏压/噪声减少、PET/CT衰减校正用的超低剂量CT(CTAC)、阶段性的匹配CTAC用呼吸同步(respiratory gated CT for phased matched CTAC)、还有PET用的动作校正等中较为有利。
在低剂量CT中，由于挑战性(challenging)的低剂量的扫描的几何形状、其他不希望的物理现象等许多重要因素，存在画质降低的情况，这在上文中已说明过。结果，建模出精确的前向模型且解决复杂的逆问题成为重要因素，导致难以发展高效的校正法。例如，基于模型的逐次图像重构或者正弦图复原可能需要时间，且需要高价的硬件。
为了解决基于公知方法的、上文中明确的课题，这里说明的方法使用深度学习(DL)网络。一般来说，DL网络为了改善图像空间分辨率且减少噪声，被应用于图像处理区域。若与以往的方法比较，深度学习无需精确的噪声、边缘建模，取而代之地信赖训练数据集。而且，深度学习中具备通过在噪声的观察结果与潜在性的清洁(clean)图像之间构建先进的网络来捕捉中间层图像的特征的能力。
例如，这里的方法利用各种研究领域中的改善。由此，基于DL的卷积神经网络(CNN)能够应用于重构图像以及/或者正弦图复原。将基于DL向CNN应用于CT图像重构的方法几乎不被知晓。使用不同的CT扫描法以及扫描条件所对应的训练数据，使得选择出的训练数据适合特定的CT扫描法、协议、应用以及条件，由此，能够使用训练数据来训练应配合与特定的CT扫描法、协议、应用以及条件对应的投影数据的各种CNN网络。这样，能够将各别的CNN网络定制给对于CT扫描的特定的条件以及方法。而且，CNN网络的定制存在扩展至投影数据的噪声等级或信噪比的可能性，进而也存在扩展至被图像化的身体的解剖学构造或区域的可能性。此处说明的方法除了重构图像的去噪(denoising)之外，有时也应用于正弦图复原。而且，通过使用针对向降噪的切片之上的切片以及之下的切片扩展的DL网络的卷积层的核(kernel)，能够将三维CT图像的附近的切片中的信息的冗余性用于执行基于立体的DL。此外，除了重构图像的去噪之外，DL也能够为了减少重构图像中的伪影而训练。
特别是，这里说明的方法的各种实施方式提供几个优于图像重构的过去方法的点。第1，这里说明的方法的特定的实施方式为了优化FBP算法中的补偿权重以及重构滤波器，有时使用DL。例如，在特定的实施方式中，这里说明的方法在利用分析式重构时使用DL，且作为基于高剂量模型的逐次重构提供相同程度的画质的图像。
第2，这里说明的方法的特定的实施方式执行DL网络的离线训练和重构步骤中的装入的训练网络。例如，在特定的实施方式中，这里说明的方法能够示出如下相关的利益。(i)基于三个通道的网络的使用，(ii)基于噪声等级的训练数据的分类，(iii)关于解剖学的特征进行研究/明确而得的训练集的优化，(iv)基于拍摄条件的训练数据的分类。这里，拍摄条件(扫描参数)指的是管电压、管电流、X射线管旋转速度、收集切片厚度、重构函数、FOV尺寸、拍摄范围、重构间隔、重构切片厚度、螺距、插值重构法等。由此，这里说明的方法涉及比以前的方法低的噪声及高的空间分辨率，能够产生更高画质的图像。
第3，这里说明的方法有时使用逐次近似重构高剂量的训练数据而得的图像。因而，在特定的实施方式中，能够通过将DL网络应用于使用计算时间相对较短的重构法(例如，滤波器校正反投影)生成的重构图像来实现与使用IR法取得的图像相同的清洁图像，结果，不会带来IR法的计算负荷，而实现IR法的画质，另一方面，实现计算的时间以及高额的硬件的显著减少。
一般来说，DL改善图像空间分辨率且减少噪声，因此能够应用于图像处理区域。与以往的方法相比，DL无需精确的噪声以及边缘建模，仅取决于训练数据集。而且，DL具有捕捉中间层图像特征的能力，在噪声的观察结果以及潜在性的清洁图像间构建先进的网络。
接着，一边参照附图，一边指示参照编号在几张图中相同或者对应的部分。图1A示出了具有两个处理的方法100的流程概要图。该两个处理指的是离线训练用的处理110以及来自投影数据(也能够称作正弦图)的高画质CT图像重构用的处理140。
方法100的处理110执行DL网络135的离线训练。在处理110的步骤130中，噪声的数据115以及优化后的数据120在训练DL网络时被用作训练数据，成为作为来自步骤130的输出的DL网络这一结果。更普通来说，数据115能够称作缺陷提示数据。该缺陷提示数据的“缺陷”能够设为经由图像处理(例如，噪声或者伪影)而受到影响的情况下的、任意的不希望的特征。同样，关于数据120，有时对与数据115中的缺陷相比缺陷更少的数据称作“缺陷减少数据”“缺陷最小化数据”或“优化数据”。在使用针对数据115与120的重构图像的例子中，离线DL训练处理110使用多个噪声的图像115训练DL网络135。该多个噪声的图像115为了训练DL网络135来根据噪声的重构图像产生类似高画质图像的图像，而与高画质图像120成对地相对应。
在方法100的处理140中，投影数据145在步骤150中被校正，之后在步骤160中，根据使用图像重构处理(例如，反拉冬变换)校正后的投影数据重构CT图像。
在步骤150中，投影数据能够对检测器偏移(原因例如是暗电流或者噪声)、堆积、检测器中的量子效率的变动(例如，作为检测器元件间或X射线光子的能量的函数)等进行校正。进而，有时这些校正基于校准数据、经验性且公知的参数(例如，扫描仪的几何形状、检测器元件、散射去除栅等)。
在步骤160中，能够使用反投影法、滤波器校正反投影法、基于傅立叶转换的图像重构法、逐次图像重构法(例如，代数重构法)、矩阵反转图像重构法、或者统计的图像重构法来执行图像重构。
在步骤170中，重构图像使用DL网络135被降噪。该步骤的结果是高画质图像175。因此，能够应用通过离线训练处理110生成的网络，使用DL去噪算法对作为结果而从步骤160中的CT重构产生的噪声的CT图像进行处理。
图1B示出了取代方法100的实施方式。在图1B所示的方法100’中，DL网络135’并非在图像重构160后将重构图像去噪，而是在其之前应用于正弦图复原的步骤170’。在这种情况下，DL网络135’表示使用与高画质正弦图120对应成对的多个噪声的正弦图115在处理110’的步骤130’中训练的网络。例如，在步骤140’中，原始数据145(例如普雷洛格)能够在步骤150中通过普雷洛格校正被处理且转换为正弦图数据。之后，在正弦图复原步骤170’与重构步骤160中，DL网络135’应用于正弦图复原，在正弦图校正之后，在生成高画质图像175时应用图像重构。
此外，在特定的实施方式中也研究出，DL网络135’能够用于将正弦图复原，而且，在生成高画质图像175时，在单一的方法100中，DL网络135能够用于将来自复原后的正弦图的重构图像降噪。
图2A、2B、2C及2D示出了DL网络135(135’)的各种例。图2A示出具有N个输入、第K个隐含层以及三个输出的一般的人工神经网络(ANN)的例子。各层在节点(或者也被称作神经元)中出现，各节点在生成输出时执行输入的加权后的合计，将该加权后的合计的结果与阈值比较。ANN构成针对由可变阈值、耦合权重、或节点数以及/或者节点的耦合性等的详细构造取得的类的成员的函数的类(class)。ANN中的节点有时称作神经元(或也称作神经元节点)，该神经元可在ANN系统的不同层之间具有相互耦合。DL网络135具有神经元的三个以上的层，而且具有与输入神经元相同数目的输出神经元x％N，这里，N是重构图像(正弦图)中的像素数。突触(换句话说是神经元间的耦合)存储对计算中的数据进行操纵(manipulate)的、被称作“权重”的值(也能够替换地称作“系数”或者“加权系数”)。ANN的输出取决于参数的三个类型。(i)神经元的不同的层间的相互耦合图案，(ii)用于更新相互耦合的权重的学习过程，(iii)将神经元的被加权的输入向该神经元的输出活性化转换的活性化函数。
在数学上，神经元的网络函数m(x)被定义为，能够作为其他的函数的合成进一步定义的其他函数的合成ni(x)。这能够如图2所示那样，以描绘变量间的从属状态的箭头作为网络构造地便利表示。例如，ANN能够使用非线性加权而得的合计，这里，m(x)＝K(Σiwini(x))，此外，这里，K是(通常被称为“活性化函数”)，sigmoid函数、双曲线正切函数、ReLU(Rectified Linear Unit)等的规定的函数。
在图2A(同样还有图2B)中，在阈值函数的四周用圆来描绘神经元(换句话说是节点)。关于图2A所示的非限定例，在线形函数的四周用圆来描绘输入，箭头指的是神经元间的带有方向的耦合。在特定的实施方式中，DL网络135是图2A以及2B中例示的那种(例如，能够表示为带有方向的非周期图表)前馈型网络(feedforward network)。
DL网络135为了如下内容而发挥作用：为了发现以某种程度最适合的判断基准(例如，后述的步骤260、步骤130中使用的那种停止基准)解决特定的任务的m*∈F，使用观察结果的集合，进行应学习的函数F的类内的搜索，从而实现CT图像的去噪等特定的任务。例如，在特定的实施方式中，能够通过以针对如下式(1)所示的最优解(换句话说是与最优解的成本相比没有成本更小的解)的方式定义成本函数C：F→R来实现。
【式1】
Figure BDA0001816845660000081
这里，m＊是最优解。成本函数C是特定的解与针对所解决的预定问题(例如，误差(エラー))的最优解相差多少的程度。学习算法在解空间内逐次搜索，找到具有尽可能最小的成本的函数。在特定的实施方式中，该成本在数据的样本(换句话说是训练数据)中被最小化。
图2B示出了DL网络135是卷积神经网络(CNN)的非限定例。CNN是具有对图像处理有益的特性的ANN的类型，因而针对图像去噪以及正弦图复原的应用特别有相关性。CNN使用神经元间的耦合性图案能够表示图像处理中的卷积的正向传播型ANN。例如，CNN通过使用被称作感受野(receptive fields)的、对输入图像的部分进行处理的较小的神经元收集的多层，能够用于图像处理优化。这些收集的输出在取得原始图像的更好的显示时设为这些收集的输出重叠，之后能够成为局部连接(tiled)。该处理图案能够在交替具有卷积层与池化(pooling)层的多层中重复。另外，在图2B中，例示了使用前级层的全部的节点决定下一级层的节点的全耦合(全连接)型的网络。该例示只示出了DNN的一个例子。在CNN中，一般是使用前级层的一部的节点决定下一级层的节点的疏耦合(部分的耦合)型的网络。
图2C示出了为了从表示二维图像的输入层将值向作为卷积层的第1隐含层映射而应用的5×5核的例子。核将各别的5×5的像素区域向第1隐含层的对应的神经元映射。
接着卷积层之后，CNN能够包含组合卷积层中的神经元集团的输出的、局部以及/或者全局池化层。进而，在特定的实施方式中，CNN也能够在各层的结尾或各层之后通过应用的各点的非线性，而还包含卷积层以及全耦合层的各种组合。
CNN对图像处理具有几个优点。为了减少自由参数数量且改善生成，对于输入的较小的区域加入卷积运算。作为CNN的特定的实施方式的重要优势之一，是卷积层中的被共享的权重的使用，换句话说是作为针对层中的各像素的系数使用的滤波器(权重存储体)相同。该重要优势减少存储器设置面积，且使性能提高。与其他的图像处理法比较，CNN使用有利且相对较小的预处理。这意味着，有责任对以往的算法中手动设计的滤波器进行学习。欠缺对设计特征时的预备知识以及人的努力的依赖，是对CNN来说的主要优势。
图2D示出了运用重构三维医用图像中的附近层间的类似性的、DL网络135的实施方式。附近层中的信号原本具有较高的相关性，另一方面，噪声不具有相关性。换句话说，一般来说，CT中的三维立体图像能够捕捉更多的立体的特征，因此与横截二维图像的单一切片相比，能够提供更多的诊断信息。基于该见解，这里说明的方法的特定的实施方式中，为了改善CT图像而使用基于立体的深度学习算法。该见解以及对应的方法也适用于MRI、PET等其他的医用拍摄领域。
如图2D所示，切片以及附近的切片(换句话说是成为中心的切片的正上方以及正下方)被确定针对网络的三个通道。为了向这三个层生成针对卷积层的M值，W×W×3核被应用M次。之后，对于后续的网络层/层级(例如，池化层)使用该卷积层。该W×W×3核也能够被认为是适用于立体图像数据的三个切片的、三个通道的核那样单独应用的三个W×W核，且能够执行。而且，其结果是被用作针对后续的网络层级的输入的、针对中心层的输出。值M是针对卷积层的规定的切片的全部滤波器数，W是核尺寸(例如，在图2C中，W是5)。
在特定的实施方式中，DL网络135取代不是单一的网络，而是几个网络，分别应用于CT扫描的不同状态的集合。例如，DL网络135有时根据针对信噪比(SNR)的各别的范围、或针对噪声等级的范围所对应的、一系列的噪声类来进行应用。CT图像中的信号相关的噪声的等级常取决于全通过光子数。换句话说，低X射线束光子数是低SNR这一结果，另一方面，高X射线束光子数导致高SNR这一结果。
因而，捕捉不同的噪声等级下的图像特性，对作为结果而产生的画质具有显著的影响，因此可能是离线训练处理110的有利方面。这里说明的方法的特定的实施方式特别是针对低剂量CT图像重构，按照噪声等级不同的范围，训练不同的DL网络135，从而对于不同的SNR，处理所直面的噪声的差异。
在离线训练处理110中，噪声的图像被基于这些噪声等级范围而分类。对于各类/范围，训练DL网络135的各别的网络。换句话说，DL网络135分别包含与特定的噪声等级范围对应且使用与噪声等级范围对应的噪声的图像115而训练的几个网络。
接下来，在CT图像噪声减少步骤170中，测量重构图像的噪声等级，决定属于重构图像的哪个噪声等级范围。基于该决定，从DL网络135选择对应的网络，以执行用于对重构图像进行后处理的步骤170。通过执行基于噪声等级的训练处理，去除特定的噪声等级所特有的噪声纹理以及伪影(例如，低剂量的状况下的条纹伪影)，因此能够进行优化。通过无视噪声等级，有时画质降低，而且剩余的不希望的特定噪声会残留。
进而，在特定的实施方式中，基于图像化的解剖学特征的类型，能够对DL网络135训练不同的网络。为了更好地捕捉和表示不同的解剖学的构造以及/或者临床的应用所对应的图像特征，能够使用配合各别的临床应用以及/或者解剖学的构造而制作的具有品质的优化图像120，而且在特定的实施方式中，能够使用配合制作的优化战略以及成本函数，来优化诊断图像。例如，能够基于解剖学的构造对训练数据分类(例如，头部，腹部，肺，心脏)。在此基础上，能够根据解剖学的构造对训练数据进一步分类。例如，通过对各解剖学的构造以及/或者临床或诊断应用生成噪声和高画质图像的多个对，能够使用特别生成的训练数据来训练这些特别地配合制作的DL网络135。该多个对针对特定的解剖学的构造、以及/或者以针对规定的临床或诊断目的特定的重构参数或核而被重构。
之后，训练数据的分类用于训练对不同的解剖学的构造以及/或者临床应用训练的各别的DL网络135。以DL网络135作为前提，步骤170使用基于生物体构造/应用选择的、进行了适当训练的网络(多个网络)来执行CT图像的噪声降低。
用于执行方法100以及100’的上述的变形例中，在将重构图像降噪时使用方法100来进行例示，但各变形例能够先于步骤160中的图像重构而在储存正弦图时与方法100一同使用。
而且，方法100能够取代重构图像的去噪、或在去噪的基础上，用于减少伪影。例如，期望对从迅速/较短的扫描时间受益的应用进行较大角度下的锥形束CT(CBCT)扫描。但是，较大角度下的CBCT也有因各种伪影而受损的可能性。在针对伪影减少而配合制作方法100的情况下，步骤130以及170能够如以下那样变形。
在步骤130中，为了通过训练DL网络135而对伪影校正进行优化，能够使用表示伪影的伪影数据115以及几乎无伪影的无伪影(artifact free)数据120对DL网络135的构造进行变形。例如，能够使用被选择用以维持低于规定的阈值的伪影的处理来生成无伪影数据120。在特定的实施方式中，能够使用优化后的扫描条件(例如，高剂量，较小的锥形角度，公知的内部物质)而生成包含高画质图像120的训练数据，能够使用提示未解决的伪影(例如，扫描条件以及重构处理指的是，预测/默认在生成投影数据145时使用的扫描中、且在步骤160所使用的重构法中使用的情况)的扫描条件来生成对应的低画质图像115。在该情况下，通过使DL网络135的深度学习构造优化，将DL网络135训练成从低画质图像115中去除伪影。
在步骤170中，为了输出高画质图像175而从DL网络135使用适当的网络构造对来自步骤160的重构图像进行处理，该高画质图像175是临床医师能够以更确切的自信进行诊断那样的高画质且清洁的图像。在使步骤160中生成的重构图像产生的扫描和重构的条件以及参数与训练所选择的DL网络135时使用的数据115的条件以及参数相对应的情况下，选择出的DL网络135具有适当的网络构造。
对较大的锥形角度扫描协议的情况下的例子进行探讨。为了减少被检体的运动伪影且改善图像的暂时性的分辨率，较大的锥形角度扫描协议常使用于头部、心脏部、以及功能性的CT图像。但是，由于入射X射线束的角度限制，较大的锥形角度位置的图像可能在对重构图像容积中的特定的体像素进行重构时并不足够，结果成为伪影。关于z轴插值等经验性的方法，虽然提出了补偿较大的锥形角度问题，但这些方法不会完全去除伪影。为了以较大的锥形角度更好地去除伪影，有时在图像域中优化和应用DL网络135，以减少锥形束伪影。这能够通过选择训练数据115与120使得成为扫描的同一被检体或者关于被检体的图像的多个对来实现。在该图像的多个对中，各对包含使用较大的锥形角度的协议的一个图像以及使用较小的锥形角度的协议的图像(使用螺旋扫描)。换句话说，能够使用可用于生成投影数据145(例如，320节段(segment))的相同的较大的锥形角度的协议来生成伪影数据115，且能够使用维持低于规定的阈值的锥形束伪影的较小的角度的协议(例如，80或者比其更小的节段)来生成优化后的数据120。之后，可在校正根据320节段的、使用较大的锥形角度协议生成的投影数据145重构而得的图像中的伪影时优化DL网络135。
图3示出了步骤130中的训练DL网络135时使用的监督学习的一实施方式。在监督学习中，取得训练数据的集合，在减少误差时逐次更新网络，以便使利用DL网络处理后的噪声的数据115与优化后的数据120严格符合。换言之，DL网络推断由训练数据暗示的映射，成本函数产生将DL网络135的当前的再生应用于噪声的数据115而生成的、与优化后的数据120和降噪后的数据之间的不一致相关的误差值。例如，在特定的实施方式中，成本函数能够在优化均方误差时使用中间平方误差。在多层感知器(multilayer perceptrons：MLP)神经网络的情况下，反向传播算法使用梯度下降法将基于中间平方误差的成本函数最小化，从而能够用于训练网络。
训练神经网络模型基本上指的是，从使成本基准(换句话说是使用成本函数计算出的误差值)最小化的被许可模型的集合(或者贝叶斯框架中被许可的模型的集合中的分布的决定)选择一个模型。一般来说，能够使用对于神经网络模型的训练的多个算法的任意的算法来训练DL网络(例如，通过应用优化理论、统计推断)。
例如，在人工的神经网络的训练中使用的优化法中，能够在计算实际的梯度时使用反向传播，并使用存在梯度下降的几个形式。这能够通过获取关于网络参数的成本函数的导函数、然后变更与梯度相关的方向上的该参数来进行。反向传播训练算法是最快下降(例如，在可变学习率下的可变学习率以及运动量、弹性反向传播(resilientbackpropagation))、拟牛顿法(例如，Broyden–Fletcher–Goldfarb–Shanno algorithm、一步割线(one step secant)、还有莱文贝格-马夸特)、或者共轭梯度法(例如，Fletcher-Reeves更新、Polak-Riviere更新、Powell-Beale重开始、以及带有刻度的共轭梯度)。而且，基因表达编程、模拟退火算法、期待值最大化、非参数法以及粒子群优化等的发展的方法也能够用于训练DL神经网络135。
图3示出了使用训练数据的网络的训练用的方法100的步骤130(而且关于方法100’的步骤130’也是相同的)的实施方式的流程概要图的非限定例。数据115能够设为噪声的图像或者提示伪影的图像。例如，伪影有时由于特定的重构法而产生，或者有时也由于对投影数据的取得(例如，较大的锥形角度下的束取得)使用的方法而产生。
在步骤130的步骤210中，生成对DL网络135的系数的最初的推测(initialguess)。例如，该最初的推测有时基于图像化的区域的纯知识，或者基于一个或多个去噪法、边缘检测法、以及/或者斑点(blob)检测法。进而，该最初的推测如上述说明那样，有时基于针对与不同的噪声等级相关的训练数据而训练出的DL网络135或者不同的CT扫描法的使用。
例示的去噪法包含线形平滑滤波器、各向异性扩散、非局部的平均、非线性滤波器。线形平滑滤波器通过使用低通滤波器或者表示平滑操作的掩模将原始图像卷积，从而将噪声去除。例如，高斯的掩模具备由高斯函数决定的要素。该卷积指的是使各像素的值更接近该像素附近的像素的值。各向异性扩散通过在与热传导方程式相同的平滑偏微分方程式下使图像展开，从而一边维持清晰的边界一边将噪声去除。中值滤波器是非线性滤波器的一个例子，如果在被适当设计的情况下，非线性滤波器也能够保持边界并避免模糊。中值滤波器是层数条件秩选择(Rank－conditioned rank－selection：RCRS)滤波器的一个例子，无需获取明显的模糊伪影，就能够用于从图像中将椒盐噪声去除。进而，在支持被图像化的区域在由均匀的区域之间的清晰的边界明确区分的较广区域中呈均匀性这一假设的情况下，能够使用采用总变差(TV)最小化正规化项的滤波器。TV滤波器是非线性滤波器的其他例子。除此之外，非局部的平均滤波是使用图像中的相同的斑块中的被加权的平均来决定降噪了的像素的例示的方法。
在步骤130的步骤220中，在网络处理后的噪声的数据115以及优化后的数据120间计算误差(例如，成本函数)。能够使用包含上述说明的那种成本函数的、图像(正弦图)数据间的任意的公知的成本函数或者距离测量来计算该误差。
在步骤130的步骤230中，能够计算误差中的变化作为网络中的变化的函数(例如，误差梯度)，此外，该误差中的该变化能够用于选择向DL网络135的权重/系数的后续的变化所对应的方向以及步骤大小。在这样的方法中，计算误差的梯度也与梯度下降优化法的特定的实施方式一致。在特定的其他的实施方式中，如本领域技术人员可理解的那样，该步骤可以省略，也可以以及/或者替换为根据另一优化算法的另一步骤(例如，模拟退火算法或者遗传算法那样的非梯度下降优化算法)。
在步骤130的步骤240中，对DL网络135决定新的系数的集合。例如，能够使用在步骤230中计算出的变化而如梯度下降优化法或者超松弛加速法(over－relaxationacceleration method)中的那样更新权重/系数。
在步骤130的步骤250中，使用DL网络135的更新后的权重/系数计算新的误差值。
在步骤130的步骤260中，在决定网络的训练是否完成时，使用规定的停止基准。例如，规定的停止基准能够判断新的误差以及/或者执行的总逐次执行数是否超过阈值。例如，停止基准能够满足新的误差低于规定的阈值、或者已达到最大逐次执行数中的某个情况。在未满足停止基准的情况下，处理130可通过返回步骤230并进行重复，从而使用新的权重以及系数，返回逐次循环的开始而继续(该逐次循环包含步骤230、240、250、260)。在满足停止基准的情况下，处理130完成。
除了图3所示的针对误差最小化的实施方式之外，处理130能够使用包含例如局部最小化法、凸优化法以及全局优化法的许多其他的公知的最小化法中的一个。
在成本函数(例如，误差)具有与全局的最小点不同的极小值的情况下，鲁棒概率的优化处理对于找出成本函数的全局的最小点来说是有益的。用于找出极小值的优化法的例子能够设为Nelder-Mead单纯形法、梯度下降法、牛顿法、共轭梯度法、射击(shooting)法、或者其他的公知的局部优化法中的一个。还有很多用于找出广域的最小值的公知的方法，包含遗传算法、模拟退火算法、穷举搜索、区间法、以及其他的以往的确定性的、概率性的、发现性的、以及元启发式(metatheuristic)法。这些任意的方法能够用于将DL网络的权重以及系数优化。进而，也能够使用反向传播法而优化神经网络。
图4以及图5示出了步骤170的实施方式的流程概要图。图4是针对全部的ANN的一般规则，图5针对特定的CNN。进而，图4以及图5是DL不是对重构图像而是对正弦图数据进行操作的代替，能够向步骤170’应用。图4所示的步骤170的实施方式对应于将DL网络135应用于在步骤160中重构的图像。在卷积层之后，接着，CNN能够包含组合卷积层中的神经元集团的输出的、局部以及/或者全局池化层。
在步骤410中，神经元(换句话说是节点)间的耦合所对应的权重/系数应用于重构图像的像素所对应的各别的输入。
在步骤420中，加权后的输入被合计。仅关于下一层的规定的神经元所耦合的不是零的权重/系数在前一层中表示的图像中被区域性地局部化的情况下，步骤410以及420的组合与执行卷积操作基本上同质。
在步骤430中，各别的阈值适用于各别的神经元的加权后的合计。
在处理440中，分别对后续的层重复加权、合计以及活性化的步骤。
图5示出了步骤170的另一实施方式的流程概要图。图5所示的步骤170(170’)的实施方式使用针对DL网络135的CNN的非限定实施方式而对应与重构图像(正弦图数据)相关的操作。
在步骤450中，关于卷积层的计算如前述的内容中说明那样，且根据本领域技术人员对卷积层的理解来执行。
在步骤460中，来自卷积层的输出是向池化层的输入。关于该池化层，根据池化层的前述的说明执行，且根据本领域技术人员对池化层的理解而执行。
在处理470中，接着，池化层存在的卷积层的步骤能够在规定数的层中重复进行。与混合存在的卷积以及池化层相接续(混合存在)，能够向按照图4中的对ANN层提供的说明而执行的ANN层的规定数，赋予来自池化层的输出。最终输出可成为具有所希望的无噪声/伪影的特征的重构图像。
图6描绘出CT装置或者CT扫描仪所含的放射线架台的实施例。如图6所图示，放射线架台500在从侧面观察时被描绘，还包含X射线管501、环状框架502、以及多列或者二维阵列型X射线检测器503。X射线管501以及X射线检测器503在环状框架502上横截被检体OBJ而正相反地安装，环状框架502被支承为能够绕旋转轴RA旋转。在被检体OBJ沿图示的页的进深方向或者跟前方向的轴RA移动的同时，旋转单元507使环状框架502以0.4秒/旋转这一高速进行旋转。
以下，一边参照所附的附图一边说明第1实施方式的X射线计算机断层拍摄(CT)装置。希望留意的是，X射线CT装置包含各种类型的装置。具体而言，有X射线管与X射线检测器在要检查的预定的被检体的周边一同围绕的旋转/旋转型机构、以及多个检测器元件配置为环状或者水平状且仅X射线管在要检查的预定的被检体的周边围绕的固定/旋转型机构。本实施方式能够应用于任一类型。这次例示作为当前的主流的旋转/旋转型机构。
多切片X射线CT装置还包含高电压产生器509，高电压产生器509通过集电环508生成向X射线管501施加的管电压，以使X射线管501生成X射线。X射线朝向被检体OBJ照射，用圆表示被检体OBJ的剖面区域。例如，具有第1扫描中的平均的X射线能量的X射线管501，比第2扫描中的平均的X射线能量小。这样，能够对应于不同的X射线能量而取得二次以上的扫描。X射线检测器503为了检测穿过被检体OBJ的照射X射线，位于隔着被检体OBJ距X射线管501相反侧的位置。X射线检测器503还包含各个检测器元件或者检测器单元。
CT装置还包含用于处理从X射线检测器503检测出的信号的其他器件。数据收集电路或者数据收集系统(DAS)504将从X射线检测器503向各通道的输出信号转换为电压信号，将该电压信号放大，进而将该电压信号向数字信号转换。X射线检测器503以及DAS 504构成为对每1次旋转的规定投影总数(TPPR)进行处理。
上述说明的数据通过非接触数据发送装置505，被送向放射线架台500外部的控制台内收容的预处理器件506。预处理器件506执行与原始数据相关的灵敏度校正等特定的校正。储存部512在重构处理紧前的工作台中储存也被称作投影数据的结果数据。储存部512与重构器件514、输入器件515、显示部516一起通过数据/控制总线511连接于系统控制器510。系统控制器510控制在使CT系统驱动时将电流限制到达到足够电平为止的电流调整器513。
无论是哪一代的CT扫描仪系统，检测器都相对于被检体旋转以及/或者固定。在实施方式中，上文说明的CT系统有时采用第3代几何形状系统与第四代几何形状系统组合而成的例子。在第3代几何形状系统中，X射线管501与X射线检测器503在环状框架502上正相反地安装，在环状框架502绕旋转轴RA旋转时，绕被检体OBJ旋转。在第四代几何形状系统中，检测器固定地安装于被检体的周边，X射线管在被检体的周边旋转。在代替的实施方式中，放射线架台500具有被C臂以及支架支承的、配置在环状框架502上的多个检测器。
储存部512能够储存由X射线检测器503表示X射线照射量的测量值。进而，储存部512能够储存用于执行方法100的各种步骤的专用程序以及/或者低计数数据校正以及CT图像重构所用的方法100’。
重构器件514能够执行方法100以及/或者方法100’的各种步骤。进而，重构器件514能够根据需要执行体绘制处理、图像差处理等前重构处理图像处理。
由预处理器件506执行的投影数据的前重构处理也能够包含例如检测器校准、检测器非线性、极性效果所用的校正。进而，前重构处理也能够包含方法100以及/或者方法100’的各种步骤。
由重构器件514执行的后重构处理能够根据需要包含图像的滤波、平滑、体绘制处理、以及图像差处理。图像重构处理除了各种CT图像重构法之外，还能够执行方法100以及/或者方法100’的各种步骤。重构器件514在将例如投影数据、重构图像、校准数据及参数、以及计算机程序储存时能够使用储存部。
重构器件514能够包含面向特定用途的集成电路(ASIC)、现场可编程门阵列(FPGA)、或者复杂可编程逻辑器件(CPLD)等可作为各个逻辑门执行的CPU(中央运算处理装置)。FPGA或者CPLD的执行可以通过VHDL、Verilog、或者任意的其他硬件描述语言而代码化，而且该代码可以在FPGA或者CPLD中直接储存于电子存储器内，或者也可以作为别处的电子存储器被储存。进而，储存部512也可以是ROM、EPROM、EEPROM(注册商标)、或者FLASH存储器等非易失性存储器。储存部512也能够如静态RAM、或动态RAM等那样设为易失性，有时不仅设有电子存储器，还设有对FPGA或CPLD与存储器之间的相互作用进行管理的微型控制器或微处理器等处理部。
代替地，重构器件514中的CPU能够执行包含执行这里说明的功能的计算机可读取命令的集合的计算机程序，该计算机程序储存于任意的上述非暂时的电子存储器以及/或者硬盘驱动器、CD、DVD、FLASH驱动器、或者其他的任意的已知储存介质中。进而，也可以通过实用应用、后台守护进程、或者操作系统的构成要素、或者它们的组合来提供计算机可读取命令，并与来自美国Intel公司的Xenon处理器或者来自美国AMD公司的Opteron处理器等的处理器、以及Microsoft VISTA、UNIX、Solaris、LINUX、Apple、MAC－OS等操作系统、对本领域技术人员来说已知的其他操作系统成为一体地执行计算机可读取命令。进而，CPU也可以作为为了执行命令而并行地协作工作的多路处理器来执行。
在一实施方式中，重构图像在显示部516上映出即可。该显示部516也可以是LCD显示器、CRT显示器、等离子显示器、OLED、LED、或者对本领域技术人员来说已知的其他的显示器。
储存部512也可以是硬盘驱动器、CD－ROM驱动器、DVD驱动器、FLASH驱动器、RAM、ROM、或者对本领域技术人员来说已知的其他的储存介质。
如上文说明那样，方法100以及100’也能够在正电子发射断层拍摄(PET)数据、或者磁共振拍摄(MRI)数据中使用。
方法100(100’)如图7所示的MRI系统700的非限定例那样，即使采用使用MRI系统收集的MRI数据也能够执行。MRI是在根据通过激发生成的磁共振信号数据生成图像时由具有拉莫频率的高频(RF)脉冲对配置于静磁场的被检体的核自旋进行磁激发的拍摄扫描法。
图7依照公开的实施方式的主题的一个或者多个方面，描绘出磁共振拍摄(MRI)系统700的例示的概要的非限定例。MRI系统700包含架台710(在概略的剖面图中描绘出)、和相互作用的各种相关的系统要素。至少架台710一般来说配置于屏蔽室。图7中描绘的MRI系统几何形状包含静磁场B0磁体712、Gx、Gy、Gz的梯度磁场线圈组714、较大的全身RF线圈(WBC)组件716的实质上同轴的圆筒状几何形状。能够以制作GRO、GPE、GSS(读取，相位编码，切片选择)功能性轴的方法，控制物理的Gx、Gy、Gz梯度轴。沿着圆筒的横轴的多个元件线圈的阵列与将由被检体台711支承的被检体709的胸部实质包括地表示的拍摄容积718对应。较小的RF线圈719被连结在图像容积718中的更靠近被检体709的头部处地表示。RF线圈能够设为表面线圈或者阵列、或者同样的物体，而且能够对头盖骨、臂、肩、肘、手腕、膝、脚、胸部、脊柱等特定的身体部分定制地成形。MRI系统控制器722与MRI序列控制器730相互作用，依次控制Gx、Gy、Gz梯度磁场线圈驱动器732、和RF发送部734以及收发开关736(在对收发两方使用了相同的RF线圈的情况下)。MRI序列控制器730例如为了执行包含伴随着时移的GSS的高速自旋回波(FSE)脉冲序列的数据收集序列，而包含适当的程序代码构造738。MRI系统控制器722也能够与打印机728、键盘726以及显示部724之间选择性地获取接口。
各种相关的系统要素包含制作处理后的图像数据且之后向被构成为送向显示部724的数据处理器742提供输入的RF接收器740。MRI数据处理器742为了访问伴随着储存于MRI图像存储部746中的时间推移的GSS梯度的脉冲序列之前收集的数据收集，也构成为执行储存于代码构造750中的方法100以及/或者方法100’的各种步骤、和MRI图像重构程序代码构造744的各种步骤。
图7所图示的是MRI系统程序储存(储存部)750的一般性的表现，程序代码构造(例如，为了执行方法100以及/或者方法100’的各种步骤，为了定义图形用户界面且向图形用户界面接受操作者输入等)被储存于能够访问到MRI系统的各种数据处理要素的非暂时的计算机可读取储存介质。该程序750至少一部分能够根据需要划分(segment)为各种相关的系统的不同要素而直接连接。
将说明移到使用PET数据的方法100(100’)的实施方式，该PET数据是使用图8A以及8B所示的PET扫描仪800的非限定例收集的。在正电子发射断层拍摄(PET)的拍摄中，放射性医药品造影剂通过注入、吸入、经口摄取向被图像化的预定的被检体内取入。在药剂投放之后，造影剂的物理性以及生物体分子的特征成为造影剂在被检体的身体内的特定的场所集中的重要因素。造影剂的实际的空间分布、造影剂的累积的区域的亮度、还有从造影剂的投放至最终的去除的过程的动态全部是可能具有临床意义的要素。在该处理中，附着于放射性医药品造影剂的正电子的发射中，根据半衰期、分支比等同位素的物理特性，放射正电子。放射性核素发射正电子，而且发射出的正电子与电子碰撞的情况下，在正电子与电子耦合的位置，产生湮没事件(例如，湮没事件有时会产生几乎偏离180度地移动的、二条伽马线(511keV))。
为了重构基于断层拍摄重构原理的示踪剂的时空分布，关于检测出的各事件，对于该事件的能量(换句话说是生成的光的量)、其位置、还有其定时赋予特征。通过检测二条伽马线，而且在该二条伽马线的位置之间引出线、即引出将同时计数的两个检测器连结的反应线(Line－of－Response：LOR)，生成具有可能性的相互作用的线，因此能够决定原始的湮没的可能性较高的位置。通过将这些线累积多条，且使用断层拍摄重构处理，能够将放射线医药品的分布重构。进而，通过使用精确时间(几百皮秒)的飞行时间(time－of－flight：TOF)的计算，也能够追加与沿着LOR的事件的可能性较高的位置有关的追加信息。通过聚集事件的多个线，能够通过断层拍摄重构来推断被检体的图像。
PET拍摄系统在检测从被检体放射的伽马线时，有时使用相向位置的检测器。检测器的环能够用于检测来自各角度的伽马线。这样，PET扫描仪有时实质被设为圆筒形，以便尽可能多地捕捉该方向的放射线。PET扫描仪能够由几千个各别的晶体(换句话说是闪烁体元件)构成，该晶体排列成在测量来自各别的闪烁事件的光脉冲时由光检测器在模块中汇聚的二维闪烁体阵列。由光检测器测量出的具有相关性的脉冲能量用于确定闪烁事件的位置。晶体的长度或者深度决定了伽马线被怎样捕捉。闪烁晶体的一个例子是LYSO(或者Lu1.8Y0.2SiO5：Ce或磷酸原硅酸盐)。也有使用其他的晶体的情况。
通过使用安格逻辑以及晶体解码，能够确定各闪烁事件的原因出自于特定的闪烁体。闪烁事件首先生成各向同性地放射的光。该光的空间分布在被四个最近的光检测器检测之前，能够通过闪烁体表面与反射器的相互作用来校正。根据由这四个光检测器分别测量出的相关的脉冲能量，能够决定与该四个光检测器相关的闪烁事件的位置。用于根据光检测器的相关的脉冲能量导出位置信息的公式被称作安格逻辑。为了使用查找表向各闪烁体事件分配闪烁体元件，根据Flood映射生成查找表，由此能够进一步改进这些位置。从使用安格逻辑取得的x以及y位置向另一闪烁体元件映射的该处理被称作晶体解码。
图8A与8B示出包含作为长方形的检测器模块而分别构成的多个GRD(例如，GRD1、GRD2、GRDN)的PET扫描仪800。根据一实施方式，检测器环包含40个GRD。在另一实施方式中，GRD有48个，由于对PET扫描仪800制作更大的腔内尺寸，可使用更多数量的GRD。
各GRD能够包含吸收伽马线且发射闪烁光子的、各别的检测器晶体的二维阵列。能够通过也在GRD内配置的光电倍增管(PMTs)的二维阵列检测闪烁光子。光导有时设于检测器晶体的阵列与PMTs之间。而且，各GRD能够包含多个各种尺寸的PMTs，该PMTs分别被配置为接收来自多个检测器晶体的闪烁光子。各PMT能够制作表示闪烁事件何时产生的模拟信号、以及产生检测器事件的伽马线的能量。在此基础上，有时从一个检测器晶体发射的光子由一个以上的PMT检测，另外，能够基于各PMT中产生的模拟信号而使用例如安格逻辑与晶体解码来决定与检测事件对应的检测器晶体。
图8B示出了为了检测从被检体OBJ发射的伽马线而配置的、具有伽马线(γ线)光子计数检测器(GRD)的PET扫描仪系统的概略图。GRD能够测量与各伽马线检测对应的定时、位置以及能量。在一实施方式中，伽马线检测器如图8A以及8B所示那样配置为环状。检测器晶体能够被设为闪烁体晶体。该闪烁体晶体具有由二维阵列配置的各别的闪烁体元件，该闪烁体元件能够设为任意的进行闪烁(Scintillating)的物质。PMTs为了能够进行闪烁事件的安格逻辑以及晶体解码，能够配置成利用多重PMT检测来自各闪烁体元件的光。
图8B示出了PET扫描仪800的配置的例子，图中有在顶板816上在横向上被图像化的预定的被检体OBJ、包围被检体周边地配置的GRD1～GRDN的GRD模块、顶板816。GRD能够固定连接于在架台840上固定连接的圆形构成要素820。架台840容纳PET拍摄装置的几个部分。PET拍摄装置的架台840包含被检体OBJ与顶板816能够通过的开口孔径、为了能够由GRD检测的湮没事件而从被检体OBJ向相反方向发射的伽马线、以及能够用于决定关于伽马线的对的偶然的一致的时刻和能量信息。
在图8B中，也示出了伽马线检测数据的收集、存储、处理以及分配所用的电路以及硬件。电路与硬件包含处理器870、网络控制器874、存储器878、以及数据取得系统(DAS)876。PET拍摄装置还包含将来自GRD的检测测量结果向DAS 876、处理器870、存储器878、网络控制器874发送的数据通道。数据取得系统876能够控制来自检测器的检测数据的取得、数字处理和发送。在一实施例中，DAS 876控制诊视床816的移动。处理器870执行包含这里叙述的根据检测数据的图像重构、检测数据的前重构处理以及图像数据的后重构处理等在内的功能。
处理器870能够构成为执行这里叙述的方法100以及/或者100’。处理器870能够包含面向特定用途的集成电路(ASIC)、现场可编程门阵列(FPGA)、或者其他复杂可编程逻辑器件(CPLD)等可作为各个逻辑门执行的CPU。FPGA或者CPLD的实施例能够通过VHDL、Verilog、或任意的其他硬件描述语言而代码化，而且该代码能够在FPGA或者CPLD中直接储存于电子存储器内，或也能够作为别处的电子存储器被储存。进而，存储器也可以是ROM、EPROM、EEPROM、或者FLASH存储器等非易失性的。存储器可以是静态或者动态RAM等易失性的，也可以除了电子存储器之外还提供用于对FPGA或者CPLD与存储器的相互作用进行管理的微型控制器、微处理器等处理器。
代替地，处理器870中的CPU能够执行包含执行方法100以及/或者方法100’的各种步骤的计算机可读取命令的集合的计算机程序，该计算机程序储存于任意的上述的非暂时的电子存储器以及/或者硬盘驱动器、CD、DVD、FLASH驱动器、或者其他的任意的公知的储存介质。进而，也可以作为实用应用、后台守护进程、或者操作系统的构成要素、或它们的组合来提供计算机可读取命令，规定的处理器、规定的操作系统、对本领域技术人员来说公知的其他操作系统与处理器成为一体地执行计算机可读取命令。进而，CPU能够作为为了执行命令而并行地协作动作的多路处理器来执行。
存储器878能够设为硬盘驱动器、CD－ROM驱动器、DVD驱动器、FLASH驱动器、RAM、ROM、或者对本领域技术人员来说公知的其他的电子储存介质。
网络控制器874有时与PET拍摄装置的各种部分间获取接口。除此之外，网络控制器874有时也与外部网络获取接口。如被理解那样，外部网络可以是因特网等公用网络、LAN或者WAN网络等私用网络、它们的任意的组合，也可以包含PSTN或者ISDN子网络。外部的网络可以通过有线连接，也可以是无线。此外，无线网络也可以是任意的其他公知的通信的无线方式。
(第2实施方式)
接下来，对第2实施方式的医用图像处理装置进行说明。
一般来说，重构图像的噪声粒度(例如，图像上的浓度的偏差所引起的粒状的随机的噪声纹理)受到拍摄条件中的特别是拍摄视场(Field Of View：FOV)尺寸、重构函数、X射线剂量的影响。
例如，对于同一拍摄部位，将FOV以外的拍摄条件、重构函数、矩阵尺寸设为相同的情况下，随着FOV变小，粒度变粗。特别是，在进行使用了噪声模型的重构处理的情况下，有时容易受到FOV尺寸的不同带来的粒度的影响。另外，在拍摄部位为骨的情况下，通常大多使用相同的(或具有相近的值的)重构函数。另一方面，所选择的FOV尺寸在对内耳部分的骨进行拍摄的情况下为70mm～100mm，在拍摄四肢的骨的情况下为50mm～100mm，在拍摄椎骨的情况下为100mm～150mm这样的程度，根据作为拍摄对象的骨是哪个部位的骨而不同。其结果，即使在使用相同的重构函数的情况下，在所显示的重构图像间，噪声粒度也会不同。因此，在对于同一诊断部位执行FOV尺寸不同的拍摄并观察多个图像的情况下，由于噪声粒度的不同，可能导致难以比较图像等、作业性的降低。
进而，适合的重构函数、所设定的FOV根据拍摄部位是腹部、肺、胸部、头部等而不同。因此，显示的重构图像的噪声粒度按照每个拍摄部位而不同。另一方面，阅片医师关于成为观察对象的重构图像，也有时希望与拍摄部位的异同无关地以相同的噪声粒度进行观察。
因此，本实施方式的重构器件514具有与尺寸不同的多个FOV对应的多个DNN，向FOV尺寸所对应的DNN输入重构图像，输出具有不取决于FOV尺寸的同一等级(用户的希望等级)的噪声粒度的重构图像。
另外，在本实施方式中说明的功能能够在第1实施方式中说明过的功能的基础上应用、或单独地应用。另外，本实施方式中的DNN的输入层、中间层、输出层、活性化函数的选择、加重系数的选择、可包含CNN的构成等如第1实施方式中说明的那样。之后叙述本实施方式中的DNN的训练。
图9是本实施方式的重构器件514的框图。如该图所示，重构器件514具备重构处理部5141、降噪处理部5142。以下，说明重构处理部5141、降噪处理部5142各自的构成、功能。
(重构处理部5141的构成·功能)
重构处理部5141以噪声减少、伪影减少作为目的，在投影数据上与图像数据上的二个阶段执行使用了噪声模型的噪声减少处理，生成S/N比以及质感较高的重构图像。另外，本重构处理部5141中执行的处理也能够与第1实施方式中说明过的噪声减少处理组合。
图10是表示重构处理部5141的概略结构的一个例子的框图。如该图所示，重构处理部5141具有第1噪声取得部5141a、第2噪声取得部5141b、噪声推断部5141c、噪声减少处理部5141d、重构图像生成部5141e、优化处理部5141f、更新处理部5141g、混合处理部5141h。
第1噪声取得部5141a针对对数转换前的投影计数数据，利用系统模型(考虑到装置几何形状等装置固有的特性的扫描仪模型等)推断噪声量。
第2噪声取得部5141b针对对数转换前的投影计数数据，利用统计学的噪声模型(考虑到各X射线量带中的光子噪声与电噪声的统计学的噪声模型)推断噪声量。
噪声推断部5141c基于在第1噪声取得部5141a、第2噪声取得部5141b各自中推断出的各噪声量，取得关于对数转换前的投影计数数据的推断噪声的总量。
噪声减少处理部5141d根据在噪声推断部5141c中推断出的噪声量，对对数转换前的投影计数数据执行噪声减少处理。另外，噪声减少处理部5141d对噪声减少后的对数转换前的投影计数数据执行对数转换等并输出。
重构图像生成部5141e执行使用了由噪声减少处理部5141d接收到的(噪声减少处理以及对数转换后的)投影数据的重构处理，生成重构图像。该重构图像生成部5141e执行的重构处理也可以是逐次近似重构处理(全IR处理)、滤波反投影处理(FBP处理)、使用了IR处理与FBP处理双方的处理(混合处理)中的某一个。
优化处理部5141f使用解剖学的模型，对从由重构图像生成部5141e接收到的重构图像或者从更新处理部5141g反馈的更新处理后的重构图像，使用三维信息维持高清晰度的构造的同时，执行选择性地去除图像数据上存在的噪声的优化处理。另外，优化处理部5141f对于由重构图像生成部5141e接收到的重构图像，执行规定的平滑化处理。
更新处理部5141g使用从优化处理部5141f输出的、优化处理后的图像数据与平滑化处理后的图像数据，执行重构图像的更新处理。更新后的重构图像被再次向优化处理部5141f输出。在更新处理部5141g与优化处理部5141f之间，重复执行上述优化处理、平滑化处理、更新处理，直到满足规定的条件为止。
混合处理部5141h以规定的比率混合(blend)从更新处理部5141g输出的重构图像、以及从重构图像生成部5141e输出的(初期)重构图像，使S/N比提高的同时在图像数据上维持噪声粒度，生成具有更自然的质感的重构图像。
另外，能够基于拍摄部位、临床用途等，决定更新处理部5141g与优化处理部5141f之间的重复处理的次数、混合处理部5141h中的混合处理的混合比率。
(降噪处理部5142的构成·功能)
图9所示的降噪处理部5142具有与尺寸不同的多个FOV对应的多个DNN。降噪处理部5142接收从重构处理部5141输出的具有各种FOV尺寸的重构图像，利用DNN执行降噪处理，输出具有不取决于FOV尺寸的相同等级的噪声粒度的重构图像。另外，本降噪处理部5142所执行的降噪处理并不限定于与上述FOV尺寸相关的降噪处理，也能够组合其他的降噪处理。
图11是表示降噪处理部5142的概略结构的一个例子的框图。如该图所示那样，降噪处理部5142具有网络选择部5142a、第1DNN组5142b。
网络选择部5142a接收从重构处理部5141输出的重构图像、以及与FOV尺寸相关的信息，基于该重构图像的FOV尺寸，选择降噪处理所使用的DNN，向选择出的DNN输出重构图像。
第1DNN组5142b由分别与分类成n个阶段的FOV尺寸1～FOV尺寸n对应的DNN5142b1～DNN5142bn构成。各DNN5142bi(其中，i是满足1≤i≤n的整数)执行降噪处理(噪声粒度等级的统一化处理)，该降噪处理中，输入是与自身的阶段相同的FOV尺寸i的重构图像，并输出具有(与FOV尺寸无关)预先设定的噪声粒度的重构图像。
图12是表示降噪处理部5142的概略结构的其他例的框图。该图所示的降噪处理部5142具有网络选择部5142a、分别与被分类为m个阶段的噪声粒度等级1～等级n对应的第1DNN组5142b～第m的DNN组5142z。
网络选择部5142a基于所希望的噪声粒度等级，从第1DNN组5142b～第m的DNN组5142z中选择对应的DNN组。另外，网络选择部5142a接收从重构处理部5141输出的重构图像以及与FOV尺寸相关的信息，基于该重构图像的FOV尺寸，从基于噪声粒度等级选择的DNN组中选择降噪处理中使用的DNN，向所选择的DNN输出重构图像。
另外，所希望的噪声粒度等级可以是用户经由输入器件515通过手动操作输入的构成，也可以是基于作为拍摄条件而输入的拍摄部位、重构函数等为基准自动地选择的构成。这样，能够通过拍摄部位、重构函数等任意地选择噪声粒度的构成在画质改善、图像观察的高效率中特别有益。
第1DNN组5142b～第m的DNN组5142z分别与噪声粒度等级1～等级m对应，由被分类为n个阶段的FOV尺寸1～FOV尺寸n所分别对应的n个DNN构成。各DNN5142bi～zi(其中，i是满足1≤i≤n的整数)执行降噪处理(噪声粒度等级的统一化处理)，该降噪处理中，输入是与自身的阶段相同的FOV尺寸i的重构图像，并输出具有(与FOV尺寸无关)预先设定的噪声粒度的重构图像。
(DNN的训练)
通过以许多个模式准备训练样本，并将其作为训练数据来优化网络参数，来实施本实施方式的降噪处理部5142所具有的各DNN的训练(监督学习)，上述训练样本由作为具有与分配给自身的FOV尺寸相应的噪声粒度的输入数据的重构图像、与作为与FOV尺寸无关地优化噪声粒度等级后的输出数据的重构图像的对构成。
图13是表示图11、图12所示的各DNN的训练的流程的流程图。图13中的各步骤910、920、930、940、950、960分别与图3所示的各步骤210、220、230、240、250、260实质上对应。各个步骤的详细情况设为与图3的说明中说明过的内容相同，概略如下。
即，如图13所示，将成为训练的对象的DNN的各参数初始化(步骤910)，计算与FOV尺寸无关地地优化噪声粒度后的重构图像与作为DNN输出的重构图像之间的误差(步骤920)。使用概率的梯度下降法等算法，对计算出的误差中的变化进行计算，作为DNN的系数的变化的函数(步骤930)，使用计算出的变化的函数更新DNN(步骤940)。进而，计算与FOV尺寸无关地优化噪声粒度后的重构图像与作为来自步骤940中更新后的DNN的输出的重构图像之间的误差(步骤950)。判定计算出的误差中的变化是否满足停止条件，在满足的情况下，将DNN的网络参数固定(步骤960的“是”)。另一方面，在计算出的误差中的变化不满足停止条件的情况下，再次重复步骤930～950的处理，优化网络参数(步骤960的“否”)。
(变形例)
第1实施方式以及第2实施方式中说明过的重构器件514所具有的功能也能够通过具有经由网络的客户－服务器型的构成的医用图像处理系统来实现。
图14是表示具有经由网络的客户－服务器型的构成的医用图像处理系统970的一个例子的图。如该图所示那样，医用图像处理系统970具备作为客户侧装置的医用图像诊断装置980、作为经由网络N而与该医用图像诊断装置980连接的服务器侧装置的医用图像处理装置990。
医用图像诊断装置980典型来说是图6所示的X射线CT装置、图7所示的MRI装置、图8A、图8B所示的PET装置等。
医用图像处理装置990具有收发部991、存储部992、处理电路993。收发部991经由网络N而与医用图像诊断装置980之间进行数据的收发。存储部992存储从医用图像处理装置990接收的医用图像数据、执行已叙述的重构处理、降噪处理等的各种专用程序。处理电路993是实现已叙述的重构器件514的功能的处理器。
根据这样的构成，无需在医用图像诊断装置980中安装重构器件514的功能。因此，能够减少医用图像诊断装置980中的处理负担，并且使医用图像诊断装置980的成本减少。另外，作为服务器侧装置，在医用图像处理装置990中执行统一的重构处理、降噪处理。因此，与在各医用图像诊断装置中执行重构处理、降噪处理的情况相比较，能够消除操作者带来的画质等的偏差。
(效果)
根据以上叙述的构成，即使是因FOV尺寸的不同而噪声粒度等级不同的重构图像，也能够输出具有不取决于FOV尺寸的相同等级(用户的所希望等级)的噪声粒度的重构图像。另外，关于最终获得的重构图像的噪声粒度等级，也能够根据拍摄部位等任意地选择。用户能够自由取得再现了所希望的噪声粒度等级的重构图像。其结果，能够提供易于比较的图像，能够有助于阅片医师的作业效率的提高。
另外，在本实施方式中，在降噪处理部5142中进行将噪声粒度等级统一化的处理之前，在重构处理部5141中执行使用了噪声模型的噪声减少处理。因而，在降噪处理部5142中的处理之前，能够使条纹伪影减少。其结果，在DNN中，无需设置用于减少条纹伪影的层，能够压缩DNN的层构造。
虽然叙述了特定的实施方式，但另一方面，这些实施方式只是作为一个例子而提出的，并不意图限定本公开文的范围。实际上，这里说明的新的方法、装置、系统能够以其他的各种方式具体化，进而，能够不脱离本公开文的主旨地、以本公开文说明的方法、装置、系统的形式进行省略、替换、变更。

Claims (16)

1.一种医用图像处理装置，其中，具备：
存储部，存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层；以及
处理部，使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1图像数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1图像数据进行处理，由上述输出层输出第2图像数据，
上述处理部通过将包含多个图像数据的立体图像数据输入上述对应的神经网络，从而输出降低了上述第1图像数据的噪声或者伪影后的上述第2图像数据，上述多个图像数据包含上述第1图像数据。
2.如权利要求1所述的医用图像处理装置，其中，
上述存储部存储通过对以多个均匀或者类似的拍摄条件取得的数据进行学习处理而生成的、分别对应于该多个拍摄条件的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层，
上述处理部使用对应于上述多个拍摄条件的多个神经网络中的、与第1图像数据的拍摄条件对应的神经网络，对输入到上述输入层的上述第1图像数据进行处理，由上述输出层输出第2图像数据。
3.如权利要求1所述的医用图像处理装置，其中，
上述存储部存储通过对多个均匀或者类似的噪声等级的数据进行学习处理而生成的、分别对应于该多个噪声等级的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层，
上述处理部使用对应于上述多个噪声等级的多个神经网络中的、与第1图像数据的噪声等级对应的神经网络，对输入到上述输入层的上述第1图像数据进行处理，由上述输出层输出第2图像数据。
4.如权利要求1所述的医用图像处理装置，其中，
上述第1图像数据是重构前的数据。
5.如权利要求1所述的医用图像处理装置，其中，
上述第1图像数据是重构图像数据。
6.如权利要求5所述的医用图像处理装置，其中，
上述存储部存储通过对多个拍摄视场尺寸的数据进行学习处理而生成的、分别对应于该多个拍摄视场尺寸的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层，
上述处理部使用对应于上述多个拍摄视场尺寸的多个神经网络中的、与第2图像数据的噪声等级对应的神经网络，对输入到上述输入层的上述第2图像数据进行处理，由上述输出层输出第3图像数据。
7.如权利要求5所述的医用图像处理装置，其中，
上述第1图像数据包含第1切片面所对应的数据、关于切片方向位于上述第1切片面的附近的、第2切片面所对应的数据以及第3切片面所对应的数据，
上述多个神经网络是使用了核的卷积神经网络，该核具有与上述第1切片面、上述第2切片面、上述第3切片面对应的通道。
8.如权利要求1所述的医用图像处理装置，其中，
上述学习处理所使用的上述多个数据包含降噪前的多个数据以及分别与上述降噪前的多个数据对应的降噪后的多个数据。
9.如权利要求1所述的医用图像处理装置，其中，
上述学习处理所使用的上述多个数据包含伪影去除前的多个数据以及分别与上述伪影去除前的多个数据对应的伪影去除后的多个数据。
10.如权利要求1所述的医用图像处理装置，其中，
上述学习处理所使用的上述多个数据包含噪声粒度处理前的多个数据以及分别与上述噪声粒度处理前的多个数据对应的噪声粒度处理后的多个数据。
11.如权利要求1所述的医用图像处理装置，其中，
上述处理部基于根据拍摄系统的几何形状推断出的噪声和根据统计学的噪声模型推断出的噪声，对上述第1图像数据或者上述第2图像数据执行噪声减少处理。
12.如权利要求1所述的医用图像处理装置，其中，
上述处理部使用三维信息，执行维持上述第1图像数据或者上述第2图像数据中的高清晰度的构造并选择性地去除噪声的处理。
13.如权利要求1所述的医用图像处理装置，其中，
在上述立体图像数据中包含的上述多个图像数据包含上述第1图像数据和该第1图像数据附近的图像数据，
上述处理部通过将上述第1图像数据和上述第1图像数据附近的图像数据输入上述对应的神经网络，从而输出降低了上述第1图像数据的噪声或者伪影后的上述第2图像数据。
14.如权利要求13所述的医用图像处理装置，其中，
上述第1图像数据附近的图像数据包含上述第1图像数据的正上方的切片的图像数据和正下方的切片的图像数据。
15.如权利要求13所述的医用图像处理装置，其中，
上述对应的神经网络具有三个通道的输入和一个通道的输出。
16.一种医用图像处理系统，具备服务器装置和客户装置，其中，上述服务器装置具有：
存储部，存储通过对按照每个拍摄对象部位取得的多个数据进行学习处理而生成的、分别对应于多个拍摄对象部位的多个神经网络，上述神经网络具有输入层、输出层以及设于上述输入层与上述输出层之间的中间层；以及
处理部，使用分别对应于上述多个拍摄对象部位的多个神经网络中的、与第1图像数据的拍摄对象部位对应的神经网络，对输入到上述输入层的上述第1图像数据进行处理，由上述输出层输出第2图像数据，
上述客户装置经由网络接收上述第2图像数据,
在上述医用图像处理系统中，
上述处理部通过将包含多个图像数据的立体图像数据输入上述对应的神经网络，从而输出降低了上述第1图像数据的噪声或者伪影后的上述第2图像数据，上述多个图像数据包含上述第1图像数据。
CN201811146155.0A 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统 Active CN109805950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310552379.6A CN116616806A (zh) 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US15/727,216 US11517197B2 (en) 2017-10-06 2017-10-06 Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
US15/727,216 2017-10-06
US16/143,161 2018-09-26
US16/143,161 US10803984B2 (en) 2017-10-06 2018-09-26 Medical image processing apparatus and medical image processing system

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310552379.6A Division CN116616806A (zh) 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统

Publications (2)

Publication Number Publication Date
CN109805950A CN109805950A (zh) 2019-05-28
CN109805950B true CN109805950B (zh) 2023-06-02

Family

ID=63762273

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202310552379.6A Pending CN116616806A (zh) 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统
CN201811146155.0A Active CN109805950B (zh) 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202310552379.6A Pending CN116616806A (zh) 2017-10-06 2018-09-29 医用图像处理装置以及医用图像处理系统

Country Status (4)

Country Link
US (2) US10803984B2 (zh)
EP (1) EP3467766A1 (zh)
JP (2) JP2019069145A (zh)
CN (2) CN116616806A (zh)

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016217984A1 (de) * 2016-09-20 2018-04-05 Siemens Healthcare Gmbh Sinogrammbasierte Streustrahlenkorrektur in der Computertomographie
CN109300167B (zh) * 2017-07-25 2023-10-10 清华大学 重建ct图像的方法和设备以及存储介质
US11589834B2 (en) * 2018-03-07 2023-02-28 Rensselaer Polytechnic Institute Deep neural network for CT metal artifact reduction
EP3542721A1 (de) * 2018-03-23 2019-09-25 Siemens Healthcare GmbH Verfahren zur bearbeitung von parametern eines maschinenlernverfahrens sowie rekonstruktionsverfahren
US10832383B2 (en) * 2018-04-30 2020-11-10 Disney Enterprises, Inc. Systems and methods for distortion removal at multiple quality levels
KR20210038903A (ko) 2018-07-30 2021-04-08 하이퍼파인 리서치, 인크. 자기 공명 이미지 재구성을 위한 딥 러닝 기술
TW202027028A (zh) * 2018-08-15 2020-07-16 美商超精細研究股份有限公司 用於抑制磁共振影像中之假像之深度學習技術
US11069033B2 (en) * 2018-09-10 2021-07-20 University Of Florida Research Foundation, Inc. Neural network evolution using expedited genetic algorithm for medical image denoising
US11481934B2 (en) * 2018-10-10 2022-10-25 New York University System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network
WO2020082207A1 (en) * 2018-10-22 2020-04-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for attenuation correction
JP7077208B2 (ja) * 2018-11-12 2022-05-30 富士フイルムヘルスケア株式会社 画像再構成装置および画像再構成方法
US11375970B2 (en) 2018-11-30 2022-07-05 Accuray, Inc. Integrated helical fan-beam computed tomography in image-guided radiation treatment device
US10867415B1 (en) * 2019-01-17 2020-12-15 National Technology & Engineering Solutions Of Sandia, Llc Device and method for constructing and displaying high quality images from imaging data by transforming a data structure utilizing machine learning techniques
US10867375B2 (en) * 2019-01-30 2020-12-15 Siemens Healthcare Gmbh Forecasting images for image processing
CA3133351A1 (en) 2019-03-14 2020-09-17 Hyperfine, Inc. Deep learning techniques for generating magnetic resonance images from spatial frequency data
WO2020203799A1 (ja) 2019-03-29 2020-10-08 株式会社ニコン 撮像素子、及び、撮像装置
DE102019207238A1 (de) 2019-05-17 2020-11-19 Siemens Healthcare Gmbh Bereitstellen eines Ergebnisbilddatensatzes
JP7362322B2 (ja) 2019-07-08 2023-10-17 キヤノンメディカルシステムズ株式会社 Ｘ線ｃｔシステム及び医用処理装置
US11403791B2 (en) * 2019-07-11 2022-08-02 Canon Medical Systems Corporation Apparatus and method using deep learning (DL) to improve analytical tomographic image reconstruction
US11100684B2 (en) * 2019-07-11 2021-08-24 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
US11547378B2 (en) * 2019-07-11 2023-01-10 Canon Medical Systems Corporation Apparatus and method combining deep learning (DL) with an X-ray computed tomography (CT) scanner having a multi-resolution detector
JP7254656B2 (ja) * 2019-07-18 2023-04-10 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、医用画像診断装置及び核医学診断装置
JP7245740B2 (ja) * 2019-07-25 2023-03-24 富士フイルムヘルスケア株式会社 画像処理装置、画像処理方法及びｘ線ｃｔ装置
US11120582B2 (en) * 2019-07-31 2021-09-14 Z2Sky Technologies Inc. Unified dual-domain network for medical image formation, recovery, and analysis
CN110459297A (zh) * 2019-08-14 2019-11-15 上海联影医疗科技有限公司 一种图像存储方法、系统及存储介质
WO2021041772A1 (en) 2019-08-30 2021-03-04 The Research Foundation For The State University Of New York Dilated convolutional neural network system and method for positron emission tomography (pet) image denoising
CN112584034B (zh) * 2019-09-30 2023-04-07 虹软科技股份有限公司 图像处理方法、图像处理装置及应用其的电子设备
DE102019215460A1 (de) * 2019-10-09 2021-04-15 Siemens Healthcare Gmbh Verfahren und Vorrichtung zur Rauschreduktion von Bildaufnahmen
EP3816930A1 (de) * 2019-10-29 2021-05-05 Siemens Healthcare GmbH Computerimplementiertes verfahren zur bereitstellung eines ausgangsdatensatzes mit verbesserter bildqualität
EP3843041A1 (en) 2019-12-23 2021-06-30 Koninklijke Philips N.V. Apparatus for computer tomography x-ray data acquired at high relative pitch
CN111209475B (zh) * 2019-12-27 2022-03-15 武汉大学 一种基于时空序列和社会嵌入排名的兴趣点推荐方法及装置
US11307278B2 (en) 2020-01-02 2022-04-19 General Electric Company Reconstruction of MR image data
DE102020104704A1 (de) 2020-02-21 2021-08-26 Carl Zeiss Microscopy Gmbh Verfahren zur Verarbeitung von Bildern, Computerprogrammprodukt, Bildbearbeitungsvorrichtung und Strahlvorrichtung zum Ausführen des Verfahrens
JP7256765B2 (ja) * 2020-02-28 2023-04-12 株式会社日立製作所 医用撮像装置、医用画像処理装置、及び、画像処理プログラム
US11166690B2 (en) 2020-03-19 2021-11-09 Accuray, Inc. Noise and artifact reduction for image scatter correction
WO2021226500A1 (en) * 2020-05-08 2021-11-11 The Johns Hopkins University Machine learning image reconstruction
US11315248B2 (en) * 2020-06-10 2022-04-26 Omniscient Neurotechnology Pty Limited Identifying invalid medical images
US20220036517A1 (en) * 2020-08-03 2022-02-03 The Board Of Trustees Of The Leland Stanford Junior University Deep learning based denoising and artifact reduction in cardiac CT cine imaging
CN112419169B (zh) * 2020-10-14 2024-04-02 浙江工业大学 基于噪声先验的cnn医学ct图像去噪方法
US20220130079A1 (en) * 2020-10-23 2022-04-28 Siemens Medical Solutions Usa, Inc. Systems and methods for simultaneous attenuation correction, scatter correction, and de-noising of low-dose pet images with a neural network
US11816832B2 (en) * 2020-11-18 2023-11-14 Canon Medical Systems Corporation Devices, systems, and methods for medical imaging
EP4019084A1 (en) * 2020-12-22 2022-06-29 Koninklijke Philips N.V. Planning apparatus for planning a radiation therapy
JPWO2022137841A1 (zh) * 2020-12-25 2022-06-30
US11890124B2 (en) 2021-02-01 2024-02-06 Medtronic Navigation, Inc. Systems and methods for low-dose AI-based imaging
US11712215B2 (en) 2021-04-13 2023-08-01 Canon Medical Systems Corporation Devices, systems, and methods for motion-corrected medical imaging
US20220343566A1 (en) * 2021-04-22 2022-10-27 Canon Medical Systems Corporation Methods and systems for reconstructing a positron emission tomography image
CN113139920B (zh) * 2021-05-12 2023-05-12 闽南师范大学 一种古籍图像修复方法、终端设备及存储介质
US11647975B2 (en) 2021-06-04 2023-05-16 Accuray, Inc. Radiotherapy apparatus and methods for treatment and imaging using hybrid MeV-keV, multi-energy data acquisition for enhanced imaging
US11908044B2 (en) * 2021-06-17 2024-02-20 GE Precision Healthcare LLC Systems and methods for computed tomography image reconstruction
US11605186B2 (en) 2021-06-30 2023-03-14 Accuray, Inc. Anchored kernel scatter estimate
US11854123B2 (en) 2021-07-23 2023-12-26 Accuray, Inc. Sparse background measurement and correction for improving imaging
CN113823385B (zh) * 2021-09-03 2024-03-19 青岛海信医疗设备股份有限公司 一种修改dicom图像的方法、装置、设备及介质
WO2023053755A1 (ja) * 2021-09-30 2023-04-06 株式会社Lily MedTech 画像診断支援装置、画像診断支援方法、及び画像診断支援プログラム
US20230177747A1 (en) * 2021-12-06 2023-06-08 GE Precision Healthcare LLC Machine learning generation of low-noise and high structural conspicuity images
CN114241074B (zh) * 2021-12-20 2023-04-21 四川大学 一种深度学习和电子学噪声模拟的cbct图像重建方法
US20230197248A1 (en) * 2021-12-21 2023-06-22 Optellum Limited System and method for processing medical images

Family Cites Families (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7243945B2 (en) * 1992-05-05 2007-07-17 Automotive Technologies International, Inc. Weight measuring systems and methods for vehicles
US7415126B2 (en) * 1992-05-05 2008-08-19 Automotive Technologies International Inc. Occupant sensing system
US7663502B2 (en) * 1992-05-05 2010-02-16 Intelligent Technologies International, Inc. Asset system control arrangement and method
US5305204A (en) * 1989-07-19 1994-04-19 Kabushiki Kaisha Toshiba Digital image display apparatus with automatic window level and window width adjustment
JP2694580B2 (ja) * 1991-03-07 1997-12-24 富士写真フイルム株式会社 被写体像内画像点決定方法
US6738697B2 (en) * 1995-06-07 2004-05-18 Automotive Technologies International Inc. Telematics system for vehicle diagnostics
NL9200796A (nl) 1991-09-13 1993-04-01 Frederik Johannes Beekman Restauratie van computer-tomografische beelden met neurale netwerken.
US7983817B2 (en) * 1995-06-07 2011-07-19 Automotive Technologies Internatinoal, Inc. Method and arrangement for obtaining information about vehicle occupants
US5406479A (en) * 1993-12-20 1995-04-11 Imatron, Inc. Method for rebinning and for correcting cone beam error in a fan beam computed tomographic scanner system
US5640261A (en) * 1994-08-18 1997-06-17 Fuji Photo Film Co., Ltd. Optical operation apparatus for finding an inner product of vectors using light
US5732697A (en) * 1995-11-22 1998-03-31 Arch Development Corporation Shift-invariant artificial neural network for computerized detection of clustered microcalcifications in mammography
US6996549B2 (en) 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
AU2001243285A1 (en) * 2000-03-02 2001-09-12 Donnelly Corporation Video mirror systems incorporating an accessory module
JP5388393B2 (ja) * 2001-04-27 2014-01-15 キヤノン株式会社 画像処理装置および画像処理方法、制御プログラム
US6819790B2 (en) 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
US20050058242A1 (en) * 2003-09-15 2005-03-17 Peschmann Kristian R. Methods and systems for the rapid detection of concealed objects
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
JP2005185560A (ja) * 2003-12-25 2005-07-14 Konica Minolta Medical & Graphic Inc 医用画像処理装置及び医用画像処理システム
US7555155B2 (en) 2005-01-27 2009-06-30 Cambridge Research & Instrumentation, Inc. Classifying image features
WO2007029467A1 (ja) * 2005-09-05 2007-03-15 Konica Minolta Medical & Graphic, Inc. 画像処理方法及び画像処理装置
US7876938B2 (en) 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
GB0521640D0 (en) 2005-10-24 2005-11-30 Ccbr As Automatic quantification of a pathology indicating measure from cartilage scan data
EP1780677A1 (en) * 2005-10-25 2007-05-02 BRACCO IMAGING S.p.A. Image processing system, particularly for use with diagnostics images
JP4071822B2 (ja) * 2006-03-10 2008-04-02 松下電器産業株式会社 生体成分濃度測定装置
US10085643B2 (en) * 2007-01-05 2018-10-02 Jadran Bandic Analytic methods of tissue evaluation
US20090318815A1 (en) * 2008-05-23 2009-12-24 Michael Barnes Systems and methods for hyperspectral medical imaging
US20100082506A1 (en) 2008-09-30 2010-04-01 General Electric Company Active Electronic Medical Record Based Support System Using Learning Machines
WO2011002674A2 (en) * 2009-07-02 2011-01-06 University Of Manitoba Imaging system and method using spatially separated radiated fields
JP2012235796A (ja) * 2009-09-17 2012-12-06 Sharp Corp 診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
US9339202B2 (en) * 2009-11-03 2016-05-17 Vivaquant Llc System for processing physiological data
US8811724B2 (en) 2010-05-11 2014-08-19 The University Of Copenhagen Classification of medical diagnostic images
US9607373B2 (en) * 2010-08-13 2017-03-28 Smith & Nephew, Inc. Detection of anatomical landmarks
KR101805619B1 (ko) 2011-01-25 2017-12-07 삼성전자주식회사 3차원 의료 영상으로부터 최적의 2차원 의료 영상을 자동으로 생성하는 방법 및 장치
CN102297873A (zh) * 2011-05-03 2011-12-28 杭州一二八医院 利用软x射线显微成像进行癌细胞图形识别的方法
KR101460615B1 (ko) * 2011-07-22 2014-11-14 삼성전자주식회사 다중 파장의 엑스선 투과 영상으로부터 단면 영상을 복원하는 방법 및 그 방법을 이용한 영상 처리 장치
US20130051516A1 (en) * 2011-08-31 2013-02-28 Carestream Health, Inc. Noise suppression for low x-ray dose cone-beam image reconstruction
US9292917B2 (en) * 2011-11-23 2016-03-22 Siemens Aktiengesellschaft Method and system for model-based fusion of computed tomography and non-contrasted C-arm computed tomography
EP2890300B1 (en) * 2012-08-31 2019-01-02 Kenji Suzuki Supervised machine learning technique for reduction of radiation dose in computed tomography imaging
US9852019B2 (en) * 2013-07-01 2017-12-26 Agent Video Intelligence Ltd. System and method for abnormality detection
US9445713B2 (en) * 2013-09-05 2016-09-20 Cellscope, Inc. Apparatuses and methods for mobile imaging and analysis
US9730643B2 (en) * 2013-10-17 2017-08-15 Siemens Healthcare Gmbh Method and system for anatomical object detection using marginal space deep neural networks
US9808216B2 (en) 2014-06-20 2017-11-07 Marquette University Material decomposition of multi-spectral x-ray projections using neural networks
KR102294734B1 (ko) * 2014-09-30 2021-08-30 삼성전자주식회사 영상 정합 장치, 영상 정합 방법 및 영상 정합 장치가 마련된 초음파 진단 장치
CN104318536B (zh) * 2014-10-21 2018-03-20 沈阳东软医疗系统有限公司 Ct图像的校正方法及装置
EP3093821B1 (en) * 2015-04-16 2019-10-09 Siemens Healthcare GmbH Method and system for anatomical object pose detection using marginal space deep neural networks
US10467495B2 (en) * 2015-05-11 2019-11-05 Siemens Healthcare Gmbh Method and system for landmark detection in medical images using deep neural networks
EP3582151A1 (en) 2015-08-15 2019-12-18 Salesforce.com, Inc. Three-dimensional (3d) convolution with 3d batch normalization
KR102452945B1 (ko) * 2015-08-27 2022-10-11 삼성전자주식회사 푸리에 변환을 수행하는 방법 및 장치
US20170256038A1 (en) * 2015-09-24 2017-09-07 Vuno Korea, Inc. Image Generating Method and Apparatus, and Image Analyzing Method
US10102451B2 (en) 2015-10-13 2018-10-16 Elekta, Inc. Pseudo-CT generation from MR data using tissue parameter estimation
US10755395B2 (en) 2015-11-27 2020-08-25 Canon Medical Systems Corporation Dynamic image denoising using a sparse representation
US10255696B2 (en) 2015-12-11 2019-04-09 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction
JP7110098B2 (ja) 2015-12-18 2022-08-01 ザ リージェンツ オブ ザ ユニバーシティ オブ カリフォルニア 頭部コンピュータ断層撮影における緊急性の特徴の解釈及び定量化
US9760807B2 (en) 2016-01-08 2017-09-12 Siemens Healthcare Gmbh Deep image-to-image network learning for medical image analysis
US9875527B2 (en) * 2016-01-15 2018-01-23 Toshiba Medical Systems Corporation Apparatus and method for noise reduction of spectral computed tomography images and sinograms using a whitening transform
US20170270406A1 (en) 2016-03-18 2017-09-21 Qualcomm Incorporated Cloud-based processing using local device provided sensor data and labels
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
EP3465247A4 (en) * 2016-05-31 2020-02-12 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR ELIMINATING GIBBS ARTIFACTS IN A MEDICAL IMAGING SYSTEM
US10607321B2 (en) * 2016-06-22 2020-03-31 Intel Corporation Adaptive sharpness enhancement control
US20180018757A1 (en) 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US10599977B2 (en) * 2016-08-23 2020-03-24 International Business Machines Corporation Cascaded neural networks using test ouput from the first neural network to train the second neural network
US9965863B2 (en) * 2016-08-26 2018-05-08 Elekta, Inc. System and methods for image segmentation using convolutional neural network
CN113822960A (zh) * 2016-09-06 2021-12-21 医科达有限公司 用于生成合成成像数据的方法、系统及计算机可读介质
JP6688536B2 (ja) * 2016-09-07 2020-04-28 エレクタ、インク.Elekta, Inc. 放射線療法治療計画のモデルを学習して放射線療法の線量分布を予測するためのシステムおよび方法
US11003988B2 (en) * 2016-11-23 2021-05-11 General Electric Company Hardware system design improvement using deep learning algorithms
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
US10074038B2 (en) 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN106709917B (zh) * 2017-01-03 2020-09-11 青岛海信医疗设备股份有限公司 神经网络模型训练方法、装置及系统
KR102260802B1 (ko) 2017-01-05 2021-06-07 제너럴 일렉트릭 캄파니 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정
US10573003B2 (en) * 2017-02-13 2020-02-25 Amit Sethi Systems and methods for computational pathology using points-of-interest
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US10373313B2 (en) * 2017-03-02 2019-08-06 Siemens Healthcare Gmbh Spatially consistent multi-scale anatomical landmark detection in incomplete 3D-CT data
CN106940816B (zh) 2017-03-22 2020-06-09 杭州健培科技有限公司 基于3d全卷积神经网络的ct图像肺结节检测系统
US10032281B1 (en) 2017-05-03 2018-07-24 Siemens Healthcare Gmbh Multi-scale deep reinforcement machine learning for N-dimensional segmentation in medical imaging
US11517768B2 (en) 2017-07-25 2022-12-06 Elekta, Inc. Systems and methods for determining radiation therapy machine parameter settings
JP6772112B2 (ja) * 2017-07-31 2020-10-21 株式会社日立製作所 医用撮像装置及び医用画像処理方法

Also Published As

Publication number Publication date
EP3467766A1 (en) 2019-04-10
JP2023159080A (ja) 2023-10-31
CN109805950A (zh) 2019-05-28
CN116616806A (zh) 2023-08-22
US20200402644A1 (en) 2020-12-24
JP2019069145A (ja) 2019-05-09
US11847761B2 (en) 2023-12-19
US10803984B2 (en) 2020-10-13
US20190108904A1 (en) 2019-04-11

Similar Documents

Publication Publication Date Title
CN109805950B (zh) 医用图像处理装置以及医用图像处理系统
US20230119427A1 (en) Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction
US11100684B2 (en) Apparatus and method for artifact detection and correction using deep learning
JP7234064B2 (ja) 反復的画像再構成フレームワーク
Tong et al. Image reconstruction for PET/CT scanners: past achievements and future challenges
JP7455622B2 (ja) 医用画像処理装置及び学習用画像の取得方法
JP5734664B2 (ja) 希薄化制約補正を用いた画像復元法
JP2020168352A (ja) 医用装置及びプログラム
CN107111867B (zh) 多模态成像系统及方法
US20180330233A1 (en) Machine learning based scatter correction
JP2020168353A (ja) 医用装置及びプログラム
JP2017067765A (ja) 医用画像処理装置及びポジトロン放射断層撮影装置
JP2021013725A (ja) 医用装置
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
US20230252607A1 (en) 3d-cnn processing for ct image noise removal
WO2021062413A1 (en) System and method for deep learning for inverse problems without training data
CN114494479A (zh) 利用神经网络对低剂量pet图像进行同时衰减校正、散射校正和去噪声的系统和方法
US20220327665A1 (en) Neural network for improved performance of medical imaging systems
EP3961570A1 (en) Ai-based virtual fov extension for scatter correction in emission tomography
US20230237638A1 (en) Apparatus and methods for unsupervised image denoising using double over-parameterization
WO2022096335A1 (en) System and method for nuclear medicine imaging with adaptive stopping criteria
JP2024054204A (ja) ニューラルネットワークの学習方法、プログラム、医用画像処理方法及び医用装置
CN103654829A (zh) 一种正电子发射断层成像图像数据集的方法和装置
Rani et al. Non-Linear Image Reconstruction for PET-MRI Scanner
Schoenahl Performance characterization and development of quantitative procedures for PET-CT scanners.

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