CN111081354A - 用于通过深度学习网络对医疗图像进行去噪的系统和方法 - Google Patents

用于通过深度学习网络对医疗图像进行去噪的系统和方法 Download PDF

Info

Publication number
CN111081354A
CN111081354A CN201910958461.2A CN201910958461A CN111081354A CN 111081354 A CN111081354 A CN 111081354A CN 201910958461 A CN201910958461 A CN 201910958461A CN 111081354 A CN111081354 A CN 111081354A
Authority
CN
China
Prior art keywords
artifact
type
deep learning
image
artifacts
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.)
Granted
Application number
CN201910958461.2A
Other languages
English (en)
Other versions
CN111081354B (zh
Inventor
罗伯特·马克·莱贝尔
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.)
GE Precision Healthcare LLC
Original Assignee
General Electric Co
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
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN111081354A publication Critical patent/CN111081354A/zh
Application granted granted Critical
Publication of CN111081354B publication Critical patent/CN111081354B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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
    • G06T2207/10116—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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明题为“用于通过深度学习网络对医疗图像进行去噪的系统和方法”。本发明提供了用于选择性地对医疗图像进行去噪的方法和系统。在示例性方法中，训练一个或多个深度学习网络以将损坏图像映射到对应的损坏图像中存在的第一类型和第二类型的伪影上。然后，使用一个或多个已训练的学习网络来从特定医疗图像中挑选出第一类型和第二类型的伪影。在第一程度上移除第一类型的伪影，并且在第二程度上移除第二类型的伪影。第一程度和所述第二程度可以不同。例如，一种类型的伪影可以被完全抑制，而另一种类型的伪影可以从医疗图像被部分地移除。

Description

用于通过深度学习网络对医疗图像进行去噪的系统和方法
技术领域
本文所公开的主题的实施方案涉及医疗成像，诸如磁共振成像(MRI)，并且更特别地，涉及减小医疗图像中的伪影。
背景技术
医疗成像系统(诸如磁共振成像(MRI)系统、计算机断层摄影术(CT)系统、正电子发射断层摄影术(PET)系统、X射线系统、超声系统等)广泛用于获得受试者(例如，患者)的内部生理信息。通过这些成像模态获得的医疗图像可具有来自各种源的伪影，诸如模糊、振铃、噪声等。伪影可能与病变相混淆或者可能减小检查的质量。已经提出了用于以多种不同方式解决图像伪影的深度学习方法，包括去噪、图像修复、去模糊、超分辨率、对比度操纵等。通常期望探索深度学习技术以识别用于智能地改善所获取的图像质量的新方法。
发明内容
在一个实施方案中，本公开提供了用于选择性地对医疗图像进行去噪的方法。该方法包括：通过使用一个或多个已训练的深度学习网络来从医疗图像中挑选出第一类型和第二类型的伪影；在第一程度上移除第一类型的伪影；以及在第二程度上移除第二类型的伪影。
在另一个实施方案中，本公开提供用于对医疗图像进行去噪的系统。该系统包括：存储器，该存储器存储第一比例因子和第二比例因子；和处理器，该处理器可通信地耦接到存储器。该处理器被配置成通过使用一个或多个已训练的深度学习网络来从医疗图像中挑选出第一类型和第二类型的伪影，根据第一比例因子移除第一类型的伪影，以及根据第二比例因子移除第二类型的伪影。
附图说明
通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：
图1是示出根据示例性实施方案的用于选择性地对医疗图像进行去噪的系统的示意图；
图2是示出根据示例性实施方案的可在图1中使用的深度学习网络的布局的示意图；
图3是示出根据示例性实施方案的深度学习网络的两个相邻卷积层的示意图；
图4是根据另一个示例性实施方案的可在图1中使用的深度学习网络的示意性布局；
图5是示出根据另一个示例性实施方案的用于选择性地对医疗图像进行去噪的系统的示意图；并且
图6是示出根据示例性实施方案的用于选择性地对医疗图像进行去噪的方法的流程图。
附图示出了所描述的用于通过使用一个或多个深度神经网络选择性地对医疗图像进行去噪的系统和方法的特定方面。连同以下描述，附图示出并且解释了本文描述的结构原理、方法和原理。在附图中，为了清楚起见，部件的尺寸可以被放大或以其他方式修改。没有示出或详细描述众所周知的结构、材料或操作以避免模糊所描述的部件、系统和方法的各方面。
具体实施方式
以下描述涉及用于通过使用深度神经网络对医疗图像进行去噪的各种实施方案。通过成像模态(例如，MRI、CT、PET、X射线、超声等)获得的医疗图像可能具有来自各种源的伪影(也称为损坏)，诸如噪音、模糊、振铃等。如本文所使用的，伪影是指图像中出现的不存在于被检查的受试者中的特征。通常，医疗图像在其获取期间被多种因素损坏，其中一些影响诊断质量，而另一些可能与病变相混淆。在一些情况下，期望完全抑制一些类型的伪影(例如，振铃)，而部分地移除其他类型的伪影(例如，噪声)，这取决于例如应用。本公开描述了使用一个或多个深度学习网络以从医疗图像中挑选出多种类型的伪影，并且从而能够在不同程度上选择性移除不同类型的伪影。这样，可以共同估计许多相关或独立的图像特征以选择性地增强图像。
参考图1，示出了根据示例性实施方案的用于选择性地对医疗图像102进行去噪的系统100。深度学习网络110已经被训练为从医疗图像中挑选出各种类型的伪影。将在下面参考图2至图4详细讨论深度学习网络110的布局和训练过程。深度学习网络110从输入图像102中挑选出第一类型的伪影104(例如，噪声)以及第二类型的伪影106(例如，振铃)。选择性伪影移除器120被配置成在一定程度上从输入图像102移除第一类型的伪影104和第二类型的伪影106。在一些实施方案中，在不同程度上移除第一类型的伪影104和第二类型的伪影106，例如，一种类型的伪影被完全抑制而另一种类型的伪影被部分地移除。尽管为了说明而在图1中示出了两种类型，但应当理解，本文公开的方法和系统可以应用于多于两种类型的伪影。
输入医疗图像102可以通过任何适当的成像模态(诸如MRI、CT、PET、X射线、超声等)来获取，并且可以是任何适当类型的图像。以MRI为例。输入图像102可以是量值图像、相位图像、“实数值”图像、“虚数值”图像、或“复数值”图像，这意味着图像102中的每个像素反映对应位置处的MR信号的量值、相位、实数值、虚数值或复数值。在一些实施方案中，通过对所获取的k空间数据执行傅里叶变换来获得输入图像102。在一些实施方案中，在傅立叶变换之前对所获取的k空间数据进行预处理(例如，自动校准)。在一些实施方案中，通过进一步处理已傅立叶变换的数据集来获得输入图像102，其可包括重建流水线中的任何适当处理(或其组合)，诸如灵敏度编码(例如，阵列线圈空间灵敏度编码)、水脂分离、梯度非线性校正等。输入图像102可以具有任何适当的大小，例如，128×128像素、256×256像素、512×512像素等。尽管本文将MRI用作输入图像102的示例，但应当理解，该原理也适用于经由其他成像模态获取的图像。
由于多种因素，在获取输入图像102期间可能引入各种类型的伪影。例如，伪影可能是被检查的患者的自愿和/或生理运动引起的。随机运动(诸如患者的自愿移动)可能在MR图像中产生污点(或模糊)。周期性运动(诸如呼吸或心脏/血管搏动)可能在MR图像中产生离散重影。
MRI中的称为“混叠”的伪影是由于不充分的数字采样率引起的。如果信号的采样速度不够快，则其真实频率将被低估并且与具有真实较低频率的另一个信号无法区分。相位回绕是混叠的特定表现，当对象的尺寸超过定义的视野(FOV)时会发生该混叠。在回绕式伪影中，位于FOV外部的对象出现在图像的另一侧处，就像拍摄图像并且将其围绕圆柱体包裹一样。
MRI中的称为“吉布斯振铃”的伪影是由MR回波的不完全数字化引起的，即信号在采集窗口结束时尚未衰减到零。吉布斯振铃具有与MR图像中的锐利强度边缘平行(诸如CSF脊髓和颅脑界面)的一系列直线，其可能出现在相位编码方向和/或频率编码方向上。
“RF噪声”伪影是由防止外部噪声进入检测器中的RF屏蔽的故障引起的。MR图像中的RF噪声的形式取决于噪声源以及将噪声引入信号的位置。例如，图像中某处的亮点可能是由泄漏到信号中的单个频率引起的。
在MRI中，图像可也被随机的热和/或电子噪声(例如，复数噪声、白噪声、高斯/里奇噪声)损坏。应当理解，以上讨论的伪影仅用于说明而不是限制。本公开设想了其他类型的MRI伪影(例如，流动伪影、化学位移、空间翘曲等)和其他成像模态的伪影，诸如CT图像中的拖影、噪声、波束硬化和散射，以及超声图像中的声音回响、噪声、斑点、条纹和模糊。
深度学习网络110已被训练以挑选出多种类型的图像伪影，例如第一类型104和第二类型106。104和106也分别称为第一残差和第二残差。深度学习网络110可以存储在成像设备、连接到成像设备的边缘设备、与成像设备通信的云、或其任何适当的组合处。
选择性伪影移除器120被配置成选择性地从输入图像102移除从深度学习网络110输出的各种类型的伪影以获得增强图像108。在一些实施方案中，根据以下等式移除伪影：
E(x,y)＝I(x,y)-λ1A1(x,y)-λ2A2(x,y)，
其中E(x,y)是增强图像108的位置(x,y)处的像素值，I(x,y)是输入图像102的像素值，A1(x,y)和A2(x,y)分别是第一残差104和第二残差106的像素值。λ1是第一残差104的第一比例因子，并且λ2是第二残差106的第二比例因子。应当理解，尽管本文使用了两个比例因子来进行说明，但更多的比例因子可以用于更多类型的残差。λ1和λ2可以具有不同的值，并且因此可以在不同程度上移除第一类型的伪影和第二类型的伪影。在一些实施方案中，λ1和λ2可以是[0,1]的范围内的任何值。例如，如果λ1＝1,λ2＝0.5，则第一类型的伪影(例如，噪音)被完全抑制，而第二类型的伪影(例如，振铃)被部分地移除。
在一些实施方案中，比例因子λ1和λ2中的至少一者可以针对图像上的不同像素而变化，而不是针对每个像素保持相同。例如，λ1和/或λ2可以针对图像的一些部分中的像素设置为第一值(例如，1)，而针对图像的其他部分中的像素设置为第二值(例如，0)。λ1和/或λ2可以被设置为使得与具有较低值的残差相比，在更大程度上移除具有较高值的残差，反之亦然。例如，比例因子可以设置如下：
Figure BDA0002228147440000051
其中A1,max是残差104中的最大像素值，并且因此与具有较低值的残差相比，在更大程度上移除具有较高值的残差。应当理解，以上讨论的比例因子函数仅用于说明而不是限制。λ1和λ2可以采用任何适当的函数。
在一些实施方案中，比例因子是由操作者在图像的获取期间指定的。在一些实施方案中，比例因子取决于诸如解剖学、脉冲序列等的应用而预定义。例如，如果使用k空间数据的径向采样，则可以将用于运动模糊的比例因子设置为低值或零。如果使用k空间数据的笛卡尔采样，则可以将用于运动模糊的比例因子设置为高值或一。在一些实施方案中，根据模型适配/学习比例因子。例如，可以根据成像设备的热/电子噪声模型，针对各种扫描参数(例如，FOV、带宽等)适配与随机噪声相关联的比例因子。
在一些实施方案中，可以对增强图像108执行一个或多个另外的重建处理。例如，可以进行插值以获得高分辨率图像。
选择性伪影移除器120可以在成像设备、连接到成像设备的边缘设备、或与成像设备通信的云上运行。选择性伪影移除器120和深度学习网络110可以位于相同设备或不同设备上。
现在参考图2，示出了根据示例性实施方案的深度学习网络200的示意图。深度学习网络200可以用作图1中的深度学习网络110。如图2所示，深度学习网络200包括多个卷积层，每个层具有一个或多个输入通道和一个或多个输出通道。每个卷积层由具有可学习的权重和偏置的“神经元”(也称为“节点”)组成。每个神经元接收若干输入，对它们进行加权求和，将其传递通过激活函数，并且以输出作为响应。
图3示出了根据示例性实施方案的两个相邻卷积层之间的连接。先前层具有值分别为X1、X2、…、Xn的n个神经元310、312、…、313；后续层具有值分别为Y1、Y2、…、Ym的m个神经元321、322、…、323。两个相邻层之间的关系可以描述如下：
Figure BDA0002228147440000061
其中Xi是先前层的第i个神经元，Yj是后续层的第j个神经元，Wji是权重，并且Bj是偏置。在一些实施方案中，激活函数f是矫正线性单元(ReLU)函数，例如，普通ReLU函数、泄漏ReLU函数、参数ReLU函数等。
重新参照图2，输入图像102由第一卷积层211接收。在一些实施方案中，输入图像102在输入到层211之前由一个或多个池化层(在本图中未示出)处理。一个或多个池化层执行下采样操作以将由像素(例如，128×128像素、256×256像素等)组成的输入图像102变换为适合于输入到第一卷积层211的多通道图像(例如，4通道)。在一些实施方案中，不需要池化层。
深度学习网络200包括卷积层的两个分支220和230，第一分支220将输入图像102映射到第一伪影图像104，并且第二分支230将输入图像102映射到第二伪影图像106。第一分支220和第二分支230共享一个或多个卷积层(例如，211至212)。在一些实施方案中，在层211和212之间存在一个或多个隐藏卷积层。两个分支220和230从层212分开。在另外的实施方案中，在层212与第一分支220的输出层221之间和/或在层212与第二分支230的输出层231之间可以存在一个或多个隐藏卷积层。应当理解，尽管为了说明而在图2中示出了两个分支，但深度学习网络可以包括多于两个的分支以用于提取和输出各种伪影。在一些实施方案中，输出可以由一个或多个上采样层处理，这些上采样层将多通道图像变换为像素的图像。
在一些实施方案中，深度学习网络200是残差网络。在另外的实施方案中，残差网络可以包括跳过将先前层的输出直接传递到一个或多个后续但不相邻的层的连接。这样，连接卷积层的特征图。应当理解，图2所示的深度学习网络的布局用于说明而非限制。在此可以使用任何其他适当的配置。
可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络200。在一些实施方案中，损坏医疗图像可以是合成图像。例如，可以将一种或多种类型的伪影添加到具有良好质量的医疗图像(例如，相对纯净的图像)以获得合成的损坏图像。将合成的损坏图像用作输入图像102并且将所添加的一种或多种类型的伪影用作输出104和106，以训练深度学习网络200。
例如，为了训练深度学习网络200以处理MR图像，伪影可以包括例如随机噪声、空间扭曲、附加病变、附加模糊、附加振铃等。作为另一个示例，为了训练深度学习网络200以处理超声图像，伪影可以包括声学混响、空间阴影、随机噪声、斑点、附加病变、附加模糊、空间扭曲等。为了训练深度学习网络200以处理CT图像，伪影可以包括条纹伪影、随机噪声、波束硬化、散射、环形伪影、附加病变、附加模糊等。
例如，可以将噪声添加到纯净图像以生成合成图像。噪声的特定类型可以取决于成像模式。从数学上讲，这对应于：
Is＝I+∈，
其中Is是具有加性噪声的合成图像，I是纯净图像，并且ε是加性噪声。例如，在MRI中，图像可能会因复数值噪声、白噪声、高斯噪声而损坏。在量值或超声图像中，噪声可以包括里斯噪声。在CT成像中，噪声可以包括泊松噪声。为此，可以针对MR、超声和CT成像模态分别根据高斯、里斯和泊松分布对加性噪声ε进行建模。在一些实施方案中，添加的噪声可以是伪随机的，而不是真正随机的。将合成图像Is用作输入图像102并且将加性噪声ε用作输出104，以训练深度学习网络200。
作为另一个示例，通过对图像进行下采样可能将吉布斯振铃引入高分辨率图像。具体地，通过回顾性地将采集窗口减小到信号为非零的点，从没有吉布斯振铃的高分辨率图像生成具有吉布斯振铃的图像。将具有吉布斯振铃的图像用作输入102，并且将具有吉布斯振铃的图像与不具有吉布斯振铃的图像之间的差异用作输出106，以训练深度学习网络200。
在训练深度学习网络200之后，其可以因此被用于处理由成像设备获取的医疗图像。因为用于不同类型的伪影的两个分支220和230共享一个或多个卷积层，所以这两个分支可以相互作用并且相互影响，从而使训练结果更加令人满意。
参考图4，示出了根据另一个示例性实施方案的深度学习网络400的示意性布局。深度学习网络400可以用作图1中的深度学习网络110。如图4所示，在处理开始时，网络400的两个分支410和420接收输入图像102。在第一分支410处，输入图像102由多个卷积层处理。第一分支410提取并且输出与第一类型的伪影(例如，噪声)相关的特性。在第二分支420处，输入图像102由多个卷积层处理。第二分支420提取并且输出与第二类型的伪影(例如，振铃)相关的特性。应当理解，尽管为了说明而在图4中示出了两个分支，但可能存在多于两个的分支以用于提取和输出与各种类型的伪影相关的特性。
可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络400。如以上讨论的，在一些实施方案中，损坏医疗图像可以是合成图像。因为两个分支不共享卷积层，因此可以独立训练它们。
参考图5，示出了根据另一个示例性实施方案的用于选择性地对医疗图像进行去噪的系统500。第一深度学习网络510包括多个卷积层，并且已经被训练以挑选出第一类型的伪影。第一深度学习网络510接收输入图像102，该第一深度学习网络提取并且输出第一类型的伪影104。第一选择性伪影移除器520被配置成例如根据第一比例因子λ1在第一程度上从输入图像102移除第一类型的伪影104。然后将得到的图像525输入到第二深度学习网络530，该第二深度学习网络包括多个卷积层并且已经被训练以挑选出第二类型的伪影。第二深度学习网络540提取并且输出第二类型的伪影106。第二选择性伪影移除器540被配置成例如根据第二比例因子λ2在第二程度上移除第二类型的伪影106。可能以与参考图1描述的方式类似的方式来设置第一比例因子λ1和第二比例因子λ2。应当理解，尽管在图5中示出了串联堆叠的两个深度学习网络510和530作为示例，但系统500可以包括多于两个的堆叠式深度学习网络以处理各种类型的伪影。
可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络510和530。如以上讨论的，在一些实施方案中，损坏医疗图像可以是合成图像。例如，可以通过将各种伪影添加到纯净图像来获取损坏图像。因为使用了一系列堆叠的(即顺序的)深度学习网络，所以针对一者的训练与针对另一者的训练密切相关。
参考图6，示出了根据示例性实施方案的用于选择性地对医疗图像进行去噪的方法600的流程图。方法600可以由图1所示的系统100或图5所示的系统500来实现。在一些实施方案中，方法600可以被实现为成像设备、连接到成像设备的边缘设备、与成像设备通信的云、或其任何适当组合中的可执行指令。
在操作602处，训练一个或多个深度学习网络以将损坏图像映射到对应的损坏图像中存在的第一类型和第二类型的伪影上。在一些实施方案中，一个或多个深度学习网络包括残差神经网络。例如，深度学习网络可以包括被配置成提取与第一类型的伪影相关的特性的卷积层的第一分支，以及被配置成提取与第二类型的伪影相关的特性的卷积层的第二分支。两个分支可以共享一个或多个卷积层(如图2所示)或不共享任何层(如图4所示)。在一些实施方案中，存在串联堆叠的多个深度学习网络，从堆叠的深度学习网络中的一个输出与第一类型的伪影相关的特性，并且从堆叠的深度学习网络中的另一个输出与第二类型的伪影相关的特性，如图5所示。
各种类型的伪影可以包括例如，由被检查对象的自愿和/或生理运动引起的与运动相关伪影(例如，模糊、重影)、由不充分的数字采样率引起的混叠伪影(例如，相位回绕)、由MR回波的不完全数字化引起的吉布斯振铃、由防止外部噪声进入检测器中的RF屏蔽的故障引起的RF噪声伪影、随机噪声、流动伪影、化学位移、空间翘曲等。
可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络。在一些实施方案中，损坏医疗图像可以是合成图像。例如，可以将噪声添加到纯净图像以生成合成图像。噪声的特定类型取决于成像模式。训练深度学习网络以将合成图像映射到加性噪声上。
作为另一个示例，通过对图像进行下采样可能将吉布斯振铃引入高分辨率图像。具体地，通过回顾性地将采集窗口减小到信号为非零的点，从没有吉布斯振铃的高分辨率图像生成具有吉布斯振铃的图像。训练深度学习网络以将具有吉布斯振铃的图像映射到具有吉布斯振铃的图像与没有吉布斯环的图像之间的差异上。
在操作604处，使用一个或多个已训练的深度学习网络来从给定医疗图像中挑选出第一类型和第二类型的伪影。具体地，可以从一个或多个深度学习网络的单独通道或单独层输出与第一类型的伪影相关的特性和与第二类型的伪影相关的特性。医疗图像可以通过任何适当的成像模态(诸如MRI、CT、PET、X射线、超声等)来获取，并且可以是任何适当类型的图像。对于MRI，医疗图像可以是量值图像、相位图像、“实数值”图像、“虚数值”图像、或“复数值”图像。在一些实施方案中，通过对所获取的k空间数据执行傅里叶变换来获得医疗图像。在一些实施方案中，在傅立叶变换之前对所获取的k空间数据进行预处理(例如，自动校准)。在一些实施方案中，通过进一步处理已傅立叶变换的数据集来获得医疗图像，其可包括重建流水线中的任何适当处理(或其组合)，诸如灵敏度编码(例如，阵列线圈空间灵敏度编码)、水脂分离、梯度非线性校正等。医疗图像可以具有任何适当的大小，例如，128×128像素、256×256像素、512×512像素等。
在操作606处，在第一程度上移除第一类型的伪影。在操作608处，在第二程度上移除第二类型的伪影。第一程度和第二程度可以不同。如以上讨论的，在一些实施方案中，第一和第二两个比例因子λ1和λ2可以分别用于描述第一程度和第二程度。λ1和λ2可以具有不同的值，并且因此可以在不同程度上移除第一类型的伪影和第二类型的伪影。在一些实施方案中，λ1和λ2可以是[0,1]范围内的任何值。例如，如果λ1＝1,λ2＝0.5，则第一类型的伪影(例如，噪音)被完全抑制，而第二类型的伪影(例如，振铃)被部分地移除。
在一些实施方案中，比例因子λ1和λ2中的至少一者可以针对图像上的不同像素而变化，而不是针对每个像素保持相同。例如，λ1和/或λ2可以针对图像的一些部分中的像素设置为1，而针对图像的其他部分中的像素设置为0。λ1和/或λ2可以被设置为使得与具有较低值的残差相比，在更大程度上移除具有较高值的残差，反之亦然。λ1和λ2可以采用任何适当的函数。
在一些实施方案中，比例因子(以及因此用于移除各种类型的伪影的程度)由操作员在图像的获取期间指定。在一些实施方案中，比例因子取决于诸如解剖学、脉冲序列等的应用而预定义。例如，如果使用k空间数据的径向采样，则可以将用于运动模糊的比例因子设置为低值或零。如果使用k空间数据的笛卡尔采样，则可以将用于运动模糊的比例因子设置为高值或一。在一些实施方案中，根据模型适配/学习比例因子。例如，可以根据成像设备的热/电子噪声模型，针对各种扫描参数(例如，FOV、带宽等)适配与随机噪声相关联的比例因子。然后可以从输入图像完全或部分地移除残差以产生增强图像。通过移除两个损坏的缩放版本来增强原始图像。
以上描述本公开的一个或多个具体实施方案以提供透彻的理解。这些描述的实施方案仅是用于通过使用深度学习网络来选择性地对医疗图像进行去噪的系统和方法的示例。本领域技术人员将理解，在不脱离本公开的实质的情况下，可以在实施时修改实施方案中描述的具体细节。
当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。在本文使用术语“连接到”、“耦接到”等时，一个对象(例如，材料、元件、结构、构件等)可以连接到或耦接到另一个对象，而无论该一个对象是是否直接连接或耦接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。
除了任何先前指示的修改之外，本领域技术人员可以在不脱离本描述的精神和范围的情况下设计出许多其他变型和替换布置，并且所附权利要求书旨在覆盖此类修改和布置。因此，尽管上面已经结合当前被认为是最实际和最优选的方面对信息进行了具体和详细的描述，但对于本领域的普通技术人员将显而易见的是，在不脱离本文阐述的原理和概念的情况下，可以进行许多修改，包括但不限于形式、功能、操作方式和使用。同样，如本文所使用的，在所有方面，示例和实施方案仅意图是说明性的，并且不应以任何方式解释为限制性的。

Claims (20)

1.一种用于选择性地对医疗图像进行去噪的方法，所述方法包括：
通过使用一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第一类型和第二类型的伪影；
在第一程度上移除所述第一类型的伪影；以及
在第二程度上移除所述第二类型的伪影。
2.根据权利要求1所述的方法，其中所述医疗图像是磁共振(MR)图像，计算机断层摄影术(CT)图像、正电子发射断层摄影术(PET)图像、X射线图像、或超声图像。
3.根据权利要求1所述的方法，其中所述第一类型和第二类型的伪影是噪声、模糊、吉布斯振铃、截断伪影、运动相关伪影、流动伪影、化学位移、空间翘曲和混叠伪影中的任何两者。
4.根据权利要求1所述的方法，其中所述第一类型和第二类型的伪影是声学混响、噪声、斑点、拖影和模糊中的任何两者。
5.根据权利要求1所述的方法，其中所述第一类型和第二类型的伪影是拖影、噪声、波束硬化和散射中的任何两者。
6.根据权利要求1所述的方法，其中所述第一程度不同于所述第二程度。
7.根据权利要求1所述的方法，其中所述第一类型的伪影被完全抑制，并且所述第二类型的伪影从所述医疗图像被部分地移除。
8.根据权利要求1所述的方法，其中所述第一程度由第一比例因子限定，所述第二程度由第二比例因子限定，所述第一比例因子和所述第二比例因子中的至少一者针对所述医疗图像的不同像素而变化。
9.根据权利要求1所述的方法，还包括：
通过使用所述一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第三类型的伪影；以及
在第三程度上移除所述第三类型的伪影。
10.根据权利要求1所述的方法，还包括：
训练所述一个或多个深度学习网络，以将损坏图像映射到对应的损坏图像中存在的所述第一类型和第二类型的伪影上。
11.根据权利要求8所述的方法，还包括：
通过将所述第一类型的伪影和所述第二类型的伪影中的至少一个添加到纯净图像来生成所述损坏图像；以及
将所述损坏图像和所添加的伪影馈送到所述一个或多个深度学习网络。
12.一种用于对医疗图像进行去噪的系统，所述系统包括：
存储器，所述存储器存储第一比例因子和第二比例因子；和
处理器，所述处理器可通信地耦接到所述存储器并且被配置成：
通过使用一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第一类型和第二类型的伪影；
根据所述第一比例因子移除所述第一类型的伪影；以及
根据所述第二比例因子移除所述第二类型的伪影。
13.根据权利要求12所述的系统，其中所述第一比例因子不同于所述第二比例因子。
14.根据权利要求12所述的系统，其中所述第一类型的伪影被完全抑制，并且所述第二类型的伪影从所述医疗图像被部分地移除。
15.根据权利要求12所述的系统，其中所述第一比例因子和所述第二比例因子中的至少一者针对所述医疗图像的不同像素而变化。
16.根据权利要求12所述的系统，其中所述存储器存储第三比例因子，所述处理器被进一步配置成：
通过使用所述一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第三类型的伪影；以及
根据所述第三比例因子移除所述第三类型的伪影。
17.根据权利要求12所述的系统，其中所述存储器还存储所述一个或多个已训练的深度学习网络。
18.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络是一种深度学习网络，包括：
卷积层的第一分支，所述第一分支被配置成提取与所述第一类型的伪影相关的特性；以及
卷积层的第二分支，所述第二分支被配置成提取与所述第二类型的伪影相关的特性，
其中所述第一分支和所述第二分支共享一个或多个卷积层。
19.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络是一种深度学习网络，包括：
卷积层的第一分支，所述第一分支被配置成提取与所述第一类型的伪影相关的特性；以及
卷积层的第二分支，所述第二分支被配置成提取与所述第二类型的伪影相关的特性，
其中所述第一分支和所述第二分支不共享任何卷积层。
20.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络包括串联堆叠的两个深度学习网络，从所述两个深度学习网络中的一个输出与所述第一类型的伪影相关的特性，并且从所述两个深度学习网络中的另一个输出与所述第二类型的伪影相关的特性。
CN201910958461.2A 2018-10-18 2019-10-10 用于通过深度学习网络对医疗图像进行去噪的系统和方法 Active CN111081354B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/164,634 US10915990B2 (en) 2018-10-18 2018-10-18 Systems and methods for denoising medical images with deep learning network
US16/164,634 2018-10-18

Publications (2)

Publication Number Publication Date
CN111081354A true CN111081354A (zh) 2020-04-28
CN111081354B CN111081354B (zh) 2024-01-16

Family

ID=70280982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910958461.2A Active CN111081354B (zh) 2018-10-18 2019-10-10 用于通过深度学习网络对医疗图像进行去噪的系统和方法

Country Status (2)

Country Link
US (1) US10915990B2 (zh)
CN (1) CN111081354B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017206048A1 (en) * 2016-05-31 2017-12-07 Shanghai United Imaging Healthcare Co., Ltd. System and method for removing gibbs artifact in medical imaging system
JP6782675B2 (ja) * 2017-09-29 2020-11-11 富士フイルム株式会社 判別結果提供装置、判別結果提供装置の作動方法、判別結果提供プログラム、および判別結果提供システム
US11954578B2 (en) * 2019-04-24 2024-04-09 University Of Virginia Patent Foundation Denoising magnetic resonance images using unsupervised deep convolutional neural networks
EP3748384A1 (en) * 2019-06-04 2020-12-09 Koninklijke Philips N.V. Spiral mr imaging with off-resonance artefact correction
GB2588431B (en) * 2019-10-23 2023-02-15 Advanced Risc Mach Ltd Image signal processing
US11327135B2 (en) * 2020-03-27 2022-05-10 Siemens Healthcare Gmbh Artificial intelligence based suppression of chemical species in magnetic resonance imaging
US11210774B2 (en) * 2020-03-31 2021-12-28 Disney Enterprises, Inc. Automated pixel error detection using an inpainting neural network
JP7486349B2 (ja) * 2020-05-28 2024-05-17 キヤノン株式会社 ニューラルネットワーク、ニューラルネットワークの学習方法、プログラム、画像処理装置
CN113808025A (zh) * 2020-06-11 2021-12-17 通用电气精准医疗有限责任公司 图像降噪方法及装置
US11346912B2 (en) 2020-07-23 2022-05-31 GE Precision Healthcare LLC Systems and methods of generating robust phase images in magnetic resonance images
CN112001856A (zh) * 2020-07-29 2020-11-27 东软医疗系统股份有限公司 去噪模型的训练方法及去除图像噪声方法、相关装置
US20230177747A1 (en) * 2021-12-06 2023-06-08 GE Precision Healthcare LLC Machine learning generation of low-noise and high structural conspicuity images
EP4224194A1 (en) 2022-02-08 2023-08-09 Koninklijke Philips N.V. Distortion artifact removal and upscaling in magnetic resonance imaging
US11657504B1 (en) * 2022-06-28 2023-05-23 King Abdulaziz University System and method for computationally efficient artificial intelligence based point-of-care ultrasound imaging healthcare support

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739671A (zh) * 2009-12-30 2010-06-16 中兴通讯股份有限公司 一种含噪图像的降噪处理方法及系统
US20140316778A1 (en) * 2013-04-17 2014-10-23 Honeywell International Inc. Noise cancellation for voice activation
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
US20170365047A1 (en) * 2016-06-15 2017-12-21 General Electric Company Artifact management in imaging
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置
US20180137605A1 (en) * 2016-11-11 2018-05-17 Kabushiki Kaisha Toshiba Image processing device, image processing method, computer program product
US20180197278A1 (en) * 2017-01-12 2018-07-12 Postech Academy-Industry Foundation Image processing apparatus and method
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5594767A (en) * 1995-11-02 1997-01-14 General Electric Company Methods and apparatus for enhancing image sharpness
US6823089B1 (en) * 2000-09-28 2004-11-23 Eastman Kodak Company Method of determining the extent of blocking and contouring artifacts in a digital image
US7593561B2 (en) * 2005-01-04 2009-09-22 Carestream Health, Inc. Computer-aided detection of microcalcification clusters
ES2622490T3 (es) * 2011-06-15 2017-07-06 Hewlett-Packard Development Company, L.P. Impresión de imagen de seguridad
KR101530015B1 (ko) * 2014-08-29 2015-06-18 고려대학교 산학협력단 컴퓨터 단층촬영 이미지의 밀도 분석 방법
US9962124B2 (en) * 2015-11-20 2018-05-08 The Regents Of The University Of Michigan Automated analysis of vasculature in coronary angiograms
US10043243B2 (en) 2016-01-22 2018-08-07 Siemens Healthcare Gmbh Deep unfolding algorithm for efficient image denoising under varying noise conditions
US10547795B2 (en) * 2016-09-08 2020-01-28 Gvbb Holdings S.A.R.L. Brightness correction of a pixel array in an image sensor
US10096109B1 (en) 2017-03-31 2018-10-09 The Board Of Trustees Of The Leland Stanford Junior University Quality of medical images using multi-contrast and deep learning
US10489907B2 (en) * 2017-11-13 2019-11-26 Siemens Healthcare Gmbh Artifact identification and/or correction for medical imaging
US11464490B2 (en) * 2017-11-14 2022-10-11 Verathon Inc. Real-time feedback and semantic-rich guidance on quality ultrasound image acquisition

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101739671A (zh) * 2009-12-30 2010-06-16 中兴通讯股份有限公司 一种含噪图像的降噪处理方法及系统
US20140316778A1 (en) * 2013-04-17 2014-10-23 Honeywell International Inc. Noise cancellation for voice activation
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
US20170365047A1 (en) * 2016-06-15 2017-12-21 General Electric Company Artifact management in imaging
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
US20180137605A1 (en) * 2016-11-11 2018-05-17 Kabushiki Kaisha Toshiba Image processing device, image processing method, computer program product
US20180197278A1 (en) * 2017-01-12 2018-07-12 Postech Academy-Industry Foundation Image processing apparatus and method
US20180240219A1 (en) * 2017-02-22 2018-08-23 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
CN107123137A (zh) * 2017-04-28 2017-09-01 上海联影医疗科技有限公司 医学图像处理方法及设备
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置

Also Published As

Publication number Publication date
US10915990B2 (en) 2021-02-09
US20200126190A1 (en) 2020-04-23
CN111081354B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN111081354B (zh) 用于通过深度学习网络对医疗图像进行去噪的系统和方法
CN110461228B (zh) 使用多对比度和深度学习改进医学图像的质量
US11564590B2 (en) Deep learning techniques for generating magnetic resonance images from spatial frequency data
EP3367329B1 (en) Denoising medical images by learning sparse image representations with a deep unfolding approach
US10671939B2 (en) System, method and computer-accessible medium for learning an optimized variational network for medical image reconstruction
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
US11842427B2 (en) Method and system of motion correction for magnetic resonance imaging
US11257191B2 (en) Systems and methods for deblurring medical images using deep neural network
Lee et al. Deep artifact learning for compressed sensing and parallel MRI
US11741580B2 (en) Machine learning processing of contiguous slice image data
WO2019147767A1 (en) 3-d convolutional autoencoder for low-dose ct via transfer learning from a 2-d trained network
CN113344799A (zh) 用于使用深度神经网络减少医学图像中的有色噪声的系统和方法
GB2573557A (en) Method of reconstructing magnetic resonance image data
CN110133556B (zh) 一种磁共振图像处理方法、装置、设备及存储介质
US20200341094A1 (en) Multi-contrast mri image reconstruction using machine learning
Hammernik et al. Machine learning for image reconstruction
CN108776318B (zh) 磁共振多对比度图像重建
US20220130084A1 (en) Systems and methods for medical image processing using deep neural network
EP2773985A1 (en) Method for calibration-free locally low-rank encouraging reconstruction of magnetic resonance images
Dar et al. Synergistic reconstruction and synthesis via generative adversarial networks for accelerated multi-contrast MRI
KR101351583B1 (ko) 의료 영상 이미징 방법, 그에 따른 의료 진단 장치 및 그에 따른 기록 매체
CN113096208A (zh) 基于双域交替卷积的神经网络磁共振图像的重建方法
Ouchi et al. Reconstruction of compressed-sensing MR imaging using deep residual learning in the image domain
US20220198725A1 (en) Deep learning systems and methods of removal of truncation artifacts in magnetic resonance images
Kumar et al. Fractional Sailfish Optimizer with Deep Convolution Neural Network for Compressive Sensing Based Magnetic Resonance Image Reconstruction

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
TA01 Transfer of patent application right

Effective date of registration: 20201215

Address after: Wisconsin

Applicant after: Ge precision medical Co.,Ltd.

Address before: New York State, USA

Applicant before: General Electric Co.

TA01 Transfer of patent application right
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200428

Assignee: General Electric Medical System Co.,Ltd.

Assignor: Ge precision medical Co.,Ltd.

Contract record no.: X2020990000701

Denomination of invention: System and method for medical image denoising by deep learning network

License type: Common License

Record date: 20201222

EE01 Entry into force of recordation of patent licensing contract
EM01 Change of recordation of patent licensing contract

Change date: 20210202

Contract record no.: X2020990000701

Assignee after: GE Medical Systems Ltd.

Assignee before: General Electric Medical System Co.,Ltd.

EM01 Change of recordation of patent licensing contract
GR01 Patent grant
GR01 Patent grant