CN111447877A - 使用深度成像的正电子发射断层摄影(pet)系统设计优化 - Google Patents
使用深度成像的正电子发射断层摄影(pet)系统设计优化 Download PDFInfo
- Publication number
- CN111447877A CN111447877A CN201880075937.1A CN201880075937A CN111447877A CN 111447877 A CN111447877 A CN 111447877A CN 201880075937 A CN201880075937 A CN 201880075937A CN 111447877 A CN111447877 A CN 111447877A
- Authority
- CN
- China
- Prior art keywords
- image
- training
- imaging
- acquisition device
- image acquisition
- 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.)
- Pending
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 173
- 238000002600 positron emission tomography Methods 0.000 title claims description 58
- 238000013461 design Methods 0.000 title description 6
- 238000005457 optimization Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 170
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims description 37
- 238000012879 PET imaging Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000004807 localization Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 5
- 230000008569 process Effects 0.000 description 19
- 230000008901 benefit Effects 0.000 description 7
- 238000013170 computed tomography imaging Methods 0.000 description 6
- 239000013078 crystal Substances 0.000 description 6
- 238000002603 single-photon emission computed tomography Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008733 trauma Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000002223 garnet Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000116 mitigating effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000012217 radiopharmaceutical Substances 0.000 description 2
- 229940121896 radiopharmaceutical Drugs 0.000 description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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]
- A61B6/037—Emission tomography
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- 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
-
- 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
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
- A61B6/583—Calibration using calibration phantoms
- A61B6/584—Calibration using calibration phantoms determining position of components of the apparatus or device using images of the phantom
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种成像方法(100)包括：使用第一图像采集设备(12)采集一个或多个成像对象的第一训练图像；使用与所述第一成像设备相同的成像模态的第二图像采集设备(14)采集与所述第一训练图像相同的一个或多个成像对象的第二训练图像；以及训练神经网络(NN)(16)以将所述第一训练图像变换成具有比较经变换的第一训练图像与所述第二训练图像的差异度量的最小值的所述经变换的第一训练图像。
Description
技术领域
以下总体上涉及医学成像领域、医学图像解读领域、图像重建领域、深度学习领域、以及相关的领域。
背景技术
高端正电子发射断层摄影/计算机断层摄影(PET/CT)系统在硬件设计中使用先进的技术(诸如数字检测技术、高时序分辨率飞行时间(TOF)电子设备)、以及先进的数据处理软件(诸如列表模式TOF重建)。主要缺点是相关联的系统复杂性、设计和制造成本、维护成本等。
通过优化系统设计同时保持用于临床应用的系统性能的成本降低是对PET/CT系统的最大产业挑战中的一个。针对成本降低的一个主要努力是使用不太昂贵的晶体，因为晶体成本是PET系统的总成本的重要组成。然而，降低晶体成本几乎总是与性能受损相关联。例如，使用与硅酸钇镥(LYSO)晶体相比不太昂贵的晶体可以降低总PET/CT系统成本，但是仅仅可以能够实现次佳的TOF分辨率。
已经开发了软件方法来改善具有低成本的系统的性能，主要通过先进的重建和数据处理算法。例如，一些现有的重建软件程序能够用来改善来自具有低分辨率TOF的系统或根本没有TOF能力的系统的图像质量。来自这样的常规重建和数据处理算法的改善可能不足以桥接系统性能与客户需求之间的差距。
PET/CT设计成本是期望的系统性能与成本(包括制造成本、操作和维护成本等的生命周期成本)的平衡。低端PET/CT系统具有更低的成本，但是性能可能受损。常规的软件解决方案能够改善低端系统的性能(图像质量、量化等)，但是通常不足以将性能改善到令人满意的水平。
以下公开了克服这些问题的新的且改善的系统和方法。
发明内容
在一个公开的方面中，一种成像方法包括：使用第一图像采集设备来采集一个或多个成像对象的第一训练图像；使用与所述第一成像设备相同的成像模态的第二图像采集设备来采集与所述第一训练图像相同的一个或多个成像对象的第二训练图像；以及训练神经网络(NN)以将所述第一训练图像变换成具有比较经变换的第一训练图像与所述第二训练图像的差异度量的最小值的所述经变换的第一训练图像。
在另一公开的方面中，一种非瞬态计算机可读介质存储能由至少一个电子处理器读取并运行以执行成像方法的指令，所述成像方法包括：使用第一图像采集设备来采集对象的对象图像；将经训练的神经网络应用到所述对象图像以生成经变换的对象图像；以及显示所述经变换的对象图像。所述经训练的神经网络被配置为通过神经网络训练将由所述第一图像采集设备或由等同的图像采集设备采集的一个或多个训练对象的第一训练图像变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较所述经变换的第一训练图像与由不等同于所述第一成像设备的第二图像采集设备采集的所述一个或多个训练对象的第二训练图像的差异度量的值通过所述训练被最小化。
在另一公开的方面中，一种成像系统包括：第一图像采集设备，其被配置为采集对象的成像数据。至少一个电子处理器被编程为：处理所述成像数据以通过以下中的一项来生成经变换的对象图像：(i)重建所述成像数据以生成重建的图像，并且将图像域经训练的神经网络应用到所述重建的图像，或者(ii)将经训练的成像数据域神经网络应用到所述成像数据以生成经变换的成像数据，并且重建所述经变换的成像数据；并且控制显示设备以显示所述经变换的对象图像。以下中的一项成立：(ia)所述经训练的图像域神经网络被配置为通过神经网络训练将由所述第一图像采集设备采集的一个或多个训练对象的第一训练图像变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较所述经变换的第一训练图像与由第二图像采集设备采集的所述一个或多个训练对象的第二训练图像的差异度量的值通过所述训练被最小化，或者(iia)所述经训练的成像数据域神经网络被配置为通过神经网络训练将由所述第一图像采集设备采集的一个或多个训练对象的第一训练成像数据变换成经变换的第一训练成像数据，对于所述经变换的第一训练成像数据，比较所述经变换的第一训练成像数据与由所述第二成像设备采集的所述一个或多个训练对象的第二训练成像数据的差异度量的值通过所述训练被最小化。
一个优点在于使用深度学习来编程较低端成像系统以产生与较高端成像系统的图像可比较的图像。
另一优点在于提供针对低端PET/CT系统的设计优化使用利用来自高端PET/CT系统的数据的深度成像方法的PET/CT系统。
另一优点在于提供利用具有低端成像数据和高端成像数据的来自高端PET/CT成像系统的深度成像数据集训练的低端PET/CT成像系统，并且将得到的深度成像应用到低端系统的图像的日常成像过程。
另一优点在于组合来自高端系统和低端系统的数据集来共同训练深度成像神经网络，以进一步改善来自低端系统的图像和其临床用途(包括特征识别、定量改善)。
另一优点在于通过购买利用来自高端成像系统的数据训练的低端成像系统来降低医学机构的成本。
给定的实施例可以提供前述优点中的零个、一个、两个或全部，和/或可以提供在阅读并理解本公开后对于本领域普通技术人员来说将变得显而易见的其他优点。
附图说明
本公开可以采用各种部件和各种部件的布置，以及各个步骤和各个步骤的安排的形式。附图仅仅是出于说明优选实施例的目的，而不应被解释为限制本公开。
图1图解性地示出了根据一个方面的成像系统；以及
图2示出了图1的系统的示范性流程图操作。
具体实施方式
来自商业供应商的PET系统产品线通常包括范围从“初级”到“高级”的模型。初级系统通常是非TOF的，即不采集或利用关于沿着相应响应线(LOR)的事件的飞行时间定位的信息，并且使用更大尺寸的检测器闪烁晶体，导致实质更低的分辨率；然而，高级系统采集沿着LOR的TOF定位信息，并且在图像重建中利用该信息并使用更小更快的闪烁晶体和改善的图像处理来提供具有更好分辨率和总体更好图像质量的图像。
高级PET系统通常被具有大量资源的医学机构购买和操作，并且所述医学机构雇用具有可在此类机构处获得的大量训练的人员，这进一步增加通过这些高级PET系统获得的图像质量与初级系统相比之间的差异。
高级与初级系统部署之间的这种鸿沟不能通过升级初级系统的硬件来补救，因为此类硬件升级将是昂贵的，并且由此将会否定以初级价格点出售初级PET系统的能力。
一般来说，在处理侧的软件改善对于桥接初级系统与高级系统之间的差距来说更可能是成本有效的，因为硬件升级一般是更昂贵的。然而，实质困难由于要被减轻的高级与初级之间的性能差异难以隔离和量化而产生。差异能够是由于硬件差异、工作流的差异、维护流程的差异等等，并且这些各种差异可以或可以不顺从于通过改善的处理的减轻。在处理侧的差异能够是种类的差异，例如非TOF对比TOF重建，或能够是由于在重建期间使用的滤波器或滤波器参数的选择的更细微差异。此外，转变为改善的“图像质量”的得到的图像的差异能够类似地是不明确的。
以下公开了利用使用高级PET成像系统采集的图像来改善初级PET成像系统的图像质量。预期到所公开的方法改善中级或初级PET成像系统，从而减轻通过此类系统产生的图像与通过高级PET成像系统产生的图像相比之间的差异。
所公开的方法是提供被设计为将由初级PET系统采集的图像变换成与由高级PET成像系统采集的等同图像更可比较的图像的深度学习部件。为了构建该部件，相同对象(人类或体模)的第一图像和第二图像在等同条件(例如相同放射性药物、药剂给予与成像之间的相同时间间隔、相同成像体积、相同图像采集时间等等)下分别使用初级PET系统(第一系统)和高级PET系统(第二系统)来采集。这能够针对多个类似的对象、类似的成像情景等等被重复，以形成(第一图像、第二图像)对的训练集合，其中，每个第一图像由初级PET系统采集，并且每个第二图像使用高级PET系统来采集。
目标然后是训练深度学习部件以将每个第一图像变换成尽可能类似于对应的第二图像的经变换的第一图像。此后，经训练的深度学习部件被应用到由初级PET系统采集的临床图像，以将它们变换成与将使用高级PET系统获得的图像更类似的图像。
在本文中公开的实施例中，深度学习部件是其权重被训练为以最小损失将由初级PET系统采集的第一图像变换成经变换的第一图像的卷积神经网络(CNN)，其中，所述损失是量化经变换的第一图像与对应的第二图像之间的差异的度量。一般来说，针对每个样本(即，每个第一/第二图像对)的损失通过将经变换的第一图像与第二图像空间地配准并且然后计算均方差或其他合适的损失度量来计算。在可用的情况下，所述损失能够并入先验知识，例如如果临床PET成像旨在检测病变，那么具有此类病变的体模能够是成像对象，并且所述损失能够量化易用性的差异，利用其病变可使用经变换的第一图像对比第二图像检测。
该方法利用可从高级成像系统获得的图像来改善通过初级成像系统产生的图像。有利地，神经网络被分层在现有图像采集和处理工作流的顶上，使得不需要现有工作流的修改。另外，对神经网络的训练允许可能难以人工地隔离或量化的细微差异的修正。由初级成像系统生成的图像隐含地捕获成像工作流的所有方面，并且因此体现该工作流中任何地方的任何缺陷。相反，来自高级成像系统的图像隐含地捕获“模型”工作流，并且因此充当用于改善图像质量的合适训练目标。
尽管本公开描述PET或混合PET/CT成像系统作为说明性范例，但是所公开的方法也可以被应用到任何合适的成像系统(例如，磁共振(MR)成像系统、功能MR成像系统、混合PET/MR系统、单光子发射计算机断层摄影(SPECT)成像系统、混合SPECT/CT成像系统等)。
参考图1，说明性的第一图像采集设备12被配置为采集对象的成像数据，并且说明性的第二图像采集设备14被配置为采集对象的成像数据。第一图像采集设备12和第二图像采集设备14具有相同的成像模态。例如，第一图像采集设备12和第二图像采集设备14能够是混合PET/CT系统，或任何其他合适的图像采集设备(例如，MR、混合PET/MR、SPECT、混合SPECT/CT等)。如果目标是改善PET图像，则预见到一个系统(更可能是初级系统)是独立的PET成像设备，而另一个系统(更可能是高级系统)是利用CT模态用于生成用于在PET成像中使用的衰减图的PET/CT成像设备。
第二图像采集设备14不等同于第一图像采集设备12。更具体地，相比于第二图像采集设备14，第一图像采集设备12是“更低质量”成像设备。即，第二PET/CT设备14被配置为采集第二成像数据作为具有比由第一PET/CT设备12采集的第一PET图像更高的图像质量的PET图像。在一个范例中，第一图像采集设备12能够是非TOF PET成像设备，并且第二图像采集设备14是TOF PET成像设备。在另一范例中，第二图像采集设备14是具有第二时序分辨率的TOF PET成像设备，并且第一图像采集设备12是具有比第二时序分辨率更粗糙的第一时序分辨率的TOF PET成像设备。在又一范例中，第二图像采集设备14具有比第一图像采集设备12更高的空间分辨率。作为适合于磁共振成像(MRI)扫描器的又一范例，第一采集设备可以是更低场(例如0.23Tesla或1.5Tesla)MRI扫描器，而第二采集设备可以是更高场(例如3.0Tesla或更高)MRI扫描器。
第一图像采集设备12采用神经网络(NN)16，诸如卷积NN(或任何其他合适的NN)，其在本文中被进一步描述。在一个实施例中，NN 16是图像域经训练的神经网络。第一图像采集设备12还包括具有典型部件的计算机或工作站或其他电子数据处理设备18，典型部件诸如至少一个电子处理器20、至少一个用户输入设备(例如，鼠标、键盘、跟踪球等等)22和显示设备24。在一些实施例中，显示设备24能够是与计算机18分开的部件。
为了产生用于患者诊断由此监测或其他临床目的的临床图像，至少一个电子处理器20被编程为处理成像数据，以通过使用第一成像方法或过程100重建成像数据来生成重建的图像并且然后将经训练的NN 16应用到重建的图像来生成临床图像而生成经变换的对象图像。在变体实施例(未示出)中，经训练的成像域NN在图像重建之前被应用到成像数据以生成经变换的成像数据，所述经变换的成像数据然后被重建以生成临床图像。在任一情况下，显示设备24适当地显示临床图像。
在典型的预见到的情景中，第一图像采集设备12是被具有适度资源的医院、诊所或其他医学机构(通过封闭的虚线方框6图解性地指示)(例如不是外伤中心或是低水平外伤中心的城郊医院)拥有(或租赁或要不然采购)的初级成像设备。相比之下，第二图像采集设备14是被具有更大量资源的医院、诊所或其他医学机构(例如具有大量正在进行的临床研究和相关联的拨款收入的有声望的教学医院、高水平区域性外伤中心等等)(通过封闭的虚线方框8图解性地指示)拥有(或租赁或要不然采购)的高级成像设备。虽然这是典型的预见到的情景并且在本文中被提及作为说明性实施例，但是更一般地，第一采集设备和第二采集设备是具有不同能力的相同成像模态的不同成像设备，其中，第二成像设备在生成更大临床效能的更高质量图像的意义上被认为“更好”。此外，预见到第一成像设备和第二成像设备被相同的医院、诊所或其他医学机构拥有(或租赁或要不然采购)。
NN 16的训练利用由第二(例如高级)图像采集设备14采集的第二训练图像作为NN16的“目标输出”。这些第二训练图像由第二图像采集设备14使用第二成像方法或过程200来生成，第二成像方法或过程可以显著不同于在第一(例如初级)图像采集设备12处采用的第一成像方法或过程100。例如，在一个实施例中，第一图像成像方法或过程100采用由不提供TOF定位信息的初级图像采集设备12采集的成像数据的非TOF图像重建；而第二图像成像方法或过程200采用由为其检测到的事件提供TOF定位信息的高级图像采集设备14采集的成像数据的TOF图像重建。第二成像方法或过程200可以采用例如在作为通常获得高级TOFPET成像设备的医学机构的类型的大量资源的一部分可获得或可访问的高速网络服务器计算机26上实施的更复杂的图像重建。除这些技术差异以外，两种成像方法或过程100、200可以由人员采用滤波器、滤波器参数等等的不同选择来执行。
继续参考图1，经训练的神经网络16被配置为通过神经网络训练将由第一图像采集设备12采集的一个或多个训练对象的第一(训练)图像(即，训练图像)变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较经变换的第一训练图像与由第二图像采集设备14采集的(相同的)一个或多个训练对象的第二训练图像的差异度量的值通过训练被最小化。将认识到，术语“最小化”不需要全局最小值，(例如，足以通过迭代优化算法被产生，所述迭代优化算法操作来调整NN的权重以减小差异度量，运行直至满足停止准则，诸如差异度量值的迭代间变化在特定阈值之下和/或差异度量的绝对值在特定阈值之下等等)。
NN 16的训练通过实施神经网络训练器30的说明性服务器计算机或其他电子数据处理设备28被适当地实施。在说明性实施例中，服务器计算机28和训练30被通过封闭的虚线方框10图解性地指示的第三方拥有(或租赁或要不然采购)。该第三方10可以例如是将成像设备12、14销售或租赁给相应的医学机构6、8的供应商。在该预见到的布置中，拥有第二图像采集设备14的机构8在购买合同下或作为研发(R&D)协议的一部分等等向成像设备供应商10供应第二训练图像。例如，供应商10可以与拥有第二图像采集设备14的机构8签定合同来使用采用第二成像方法或过程200的其标准临床成像协议对成像体模的标准集合(例如，表示预期要针对各种临床任务进行成像的躯干、头部或其他解剖区域)进行成像，以便生成第二训练图像。成像体模的相同集合的第一训练图像可以由第一图像采集设备12在第一图像采集设备12的安装期间采集，或可以在安装之后很久作为“改进”过程的一部分被采集，其中图像质量改善NN 16作为在采用第一成像方法或过程100的第一机构6的标准临床成像协议之后执行的额外处理步骤被添加。这仅仅是说明性范例，并且各种机构或实体6、8、10之间的其他布置和关联被预见到，例如，在另一预见到的布置中，拥有第二图像采集设备14的医学机构8也可以是执行NN训练30的实体10，例如整体上作为对医学成像团体的服务。(在这种情况下，两个机构8、10是完全相同的，并且两个处理设备26、28可以是相同的计算机服务器或不同的计算机服务器)。
神经网络训练器30能够采用任何合适的神经网络训练算法，例如采用通过网络的误差反向传播(反向传播)或具有神经网络的权重的迭代优化的类似技术来(例如使用梯度下降、牛顿方法、或另一迭代最小化算法)最小化量化通过神经网络变换的第一训练图像与(参考)第二训练图像的相似性的损失度量。神经网络训练器30的输出是经训练的神经网络16(例如，作为存储神经网络拓扑的数据文件或该拓扑以及神经网络的优化的权重的指针或识别符被存储)，其然后被加载到计算机18内以随后用于在将由第一成像方法或过程100输出的图像变换成具有改善的图像质量的临床图像中使用。
在另一实施例(未示出)中，NN是经训练的成像数据域神经网络。经训练的成像数据域神经网络被配置为通过神经网络训练将由第一图像采集设备12采集的一个或多个训练对象的第一成像数据(即，训练成像数据)变换成经变换的第一训练成像数据，对于所述经变换的第一训练成像数据，比较经变换的第一训练成像数据与由第二成像设备采集的一个或多个训练对象的第二训练成像数据的差异度量的值通过训练被最小化。训练NN 16的操作在下面被更详细地描述。
至少一个电子处理器20、服务器计算机26和/或服务器计算机28与非瞬态存储介质(未示出)可操作地连接，所述非瞬态存储介质存储可读取且可执行以执行包括执行第一成像方法或过程100和第二成像方法200的所公开的操作并且训练NN 16。非瞬态存储介质可以例如包括硬盘驱动器、RAID或其他磁性存储介质；固态驱动器、闪速驱动器、电可擦只读存储器(EEROM)或其他电子存储器；光盘或其他光学存储设备；其各种组合；等等。在一些范例中，成像方法或过程100或200可以通过云处理来执行。
参考图2，神经网络训练和使用经训练的神经网络16来改善临床图像的说明性范例被图解性地示出为流程图。在102处，一个或多个成像对象的第一训练图像使用第一图像采集设备12来采集(包括通过第一成像方法或过程100的处理，其可以包括成像数据的重建、重建后滤波等等)。
在104处，与第一训练图像相同的一个或多个成像对象的第二训练图像使用第二图像采集设备14来采集(包括通过第二成像方法或过程200的处理，其可以包括对成像数据的重建、重建后滤波等等)。由于相同的成像对象必须被成像以便使第一和第二(组)训练图像是相当可比较的，因此一般预期到使成像对象是一个或多个成像体模(即，被构建为模拟人类器官和组织的性质并且(对于PET或SPECT成像)包括用于以模拟被给予到人类对象的放射性药物的贮存器、组件或吸收性材料的制品)是最方便的。然而，如果合适的人类对象可在两个机构6、8处用于成像，那么成像对象可以是实际的人类成像对象。第一图像采集设备12和第二图像采集设备14还具有相同的成像模态，再次以便使第一和第二(组)训练图像是相当可比较的。在一个范例中，第一图像采集设备12和第二图像采集设备14均是PET/CT成像设备。第二PET/CT设备14被配置为将第二训练图像采集为具有比由第一PET/CT设备12采集的第一PET训练图像更高的图像质量的PET图像。在另一范例中，第一图像采集设备12是非TOF PET成像设备，并且对第一训练图像的采集包括重建由第一图像采集设备采集的非TOF PET成像数据以在不利用TOF定位的情况下生成第一训练图像。第二图像采集设备14是TOF PET成像设备，并且对第二训练图像的采集包括重建由利用TOF定位的第二成像设备采集的TOF PET成像数据。
神经网络训练30接下来通过图2的说明性方法中的说明性操作106、108、110来实施。在106处，在一些实施例中，第一训练图像被上采样以增加其分辨率(例如，图像中的像素或体素的数量)来匹配可以具有比第一训练图像更高的分辨率的第二训练图像。(如果第一训练图像和第二训练图像具有相同的分辨率，或如果神经网络16包含整合的上采样，则步骤106可以被省略)。
在108处，经上采样的第一成像数据与第二成像数据空间地配准。例如，第一训练图像与第二训练图像在共同的图像空间中进行配准。
在110处，NN 16被训练为将第一训练图像变换成具有比较经变换的第一训练图像与第二训练图像的差异度量的最小值的经变换的第一训练图像。差异度量能够是用于比较经变换的第一训练图像与第二训练图像的任何合适的图像比较度量，例如逐像素的差异度量。由于诸如边缘的特征通常在临床图像中是重要的，所以差异度量可以被选择为突出强调此类特征，例如通过首先将边缘检测算法应用到图像并且然后比较经边缘变换的图像。预见到采用不同的差异度量用于针对不同的临床应用训练NN，取决于对临床医生来说预期具有最大价值的图像特性。NN 16的权重通过训练来调整以最小化差异度量的值，使得经训练的NN 16的操作用于将第一训练图像变换为类似于第二训练图像。在一些范例中，NN 16是卷积NN(CNN)。得到的经训练的NN 16从服务器计算机28被传达到第一图像采集设备12的计算机18(图2中未示出的步骤)。
继续参考图2，在机构6处适当地执行的一组步骤111图示了对经训练的NN 16的适当应用。在112处，临床对象的临床图像利用第一成像设备12来采集(包括如步骤102中的通过第一成像方法或过程100的处理)。在114处，通常训练产生的NN 16被应用到通过第一成像方法或过程100输出的临床图像，以生成要呈现给医生、肿瘤学家、心脏病学家或其他临床医生用于临床分析或使用的临床图像。在116处，临床图像被显示在显示设备24上。经变换的临床图像也可以被保存在影像归档与通信系统(PACS)中或要不然被利用。
在一个说明性范例中，第一图像采集设备12能够是由于晶体性质、时序分辨率、不太复杂的重建和处理算法、或其他成像特性而低于现有技术性能的混合PET/CT系统，诸如Gemini系统或Ingenuity TF系统(均可从荷兰的埃因霍温的皇家飞利浦有限公司获得)。第二图像采集设备14能够是具有比第一图像采集设备12更好的性能特性的任何合适的成像系统，诸如Vereos Digital PET(也可从皇家飞利浦有限公司获得)。利用经训练的NN 16，能够使由第一图像采集设备12采集的图像与由第二图像采集设备14采集的图像更可比较。
在一些范例中，第一图像采集设备12是具有光电倍增管读出的基于值的性能LYSO晶体PET系统，所述光电子倍增管读出具有大约500-600皮秒(ps)时序分辨率。第二图像采集设备14是具有325ps TOF分辨率的Vereos Digital PET系统。NN 16利用来自Vereos系统的成像数据来进行训练，并且然后被应用到Garnet系统，使得Garnet系统实现更类似于TOF高级PET系统的图像质量。
已经参考优选实施例描述了本公开。他人在阅读和理解以上具体实施方式的情况下可能想到修改或更改。本文旨在将本发明解释为包括所有这种修改和更改，只要它们落入权利要求书及其等价方案的范围之内。
Claims (20)
1.一种成像方法(100)，包括：
使用第一图像采集设备(12)来采集一个或多个成像对象的第一训练图像；
使用与所述第一成像设备相同的成像模态的第二图像采集设备(14)来采集与所述第一训练图像相同的一个或多个成像对象的第二训练图像；以及
训练神经网络(NN)(16)以将所述第一训练图像变换成具有比较经变换的第一训练图像与所述第二训练图像的差异度量的最小值的所述经变换的第一训练图像。
2.根据权利要求1所述的方法，还包括：
使用所述第一成像设备(12)来采集临床对象的临床图像；
将通过所述训练产生的所述NN(16)应用到所述临床图像以生成经变换的临床图像；以及
显示所述经变换的临床图像。
3.根据权利要求1和2中的任一项所述的方法，还包括：
在所述训练之前，在共同的图像空间中将所述第一训练图像与所述第二训练图像进行配准。
4.根据权利要求1-3中的任一项所述的方法，其中，所述一个或多个成像对象包括人类成像对象和成像体模中的至少一个。
5.根据权利要求1-4中的任一项所述的方法，其中，所述第二训练图像具有比所述第一训练图像更高的分辨率，并且所述方法(100)还包括：
在所述配准之前，对所述第一训练图像进行上采样以增加其分辨率来匹配所述第二训练图像；以及
将经上采样的第一成像数据与所述第二成像数据进行配准。
6.根据权利要求1-5中的任一项所述的方法，其中：
所述第一图像采集设备(12)是非飞行时间(非TOF)正电子发射断层摄影(PET)成像设备，并且对所述第一训练图像的所述采集包括重建由所述第一图像采集设备采集的非TOFPET成像数据以在不利用TOF定位的情况下生成所述第一训练图像；并且
所述第二图像采集设备(14)是TOF PET成像设备，并且对所述第二训练图像的所述采集包括重建由利用TOF定位的所述第二图像采集设备采集的TOF PET成像数据。
7.根据权利要求1-6中的任一项所述的方法，其中，所述NN(16)是卷积NN(CNN)；并且
其中，所述第一图像采集设备(12)和所述第二图像采集设备(14)均是正电子发射断层摄影/计算机断层摄影(PET/CT)成像设备，所述第二PET/CT设备(14)被配置为将所述第二训练图像采集为具有比由所述第一PET/CT设备(12)采集的所述第一PET训练图像更高的图像质量的PET图像。
8.一种非瞬态计算机可读介质，存储能由至少一个电子处理器(20)读取并运行以执行成像方法(200)的指令，所述成像方法包括：
使用第一图像采集设备(12)来采集对象的对象图像；
将经训练的神经网络(16)应用到所述对象图像以生成经变换的对象图像；以及
显示所述经变换的对象图像；
其中，所述经训练的神经网络被配置为通过神经网络训练将由所述第一图像采集设备或由等同的图像采集设备采集的一个或多个训练对象的第一训练图像变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较所述经变换的第一训练图像与由不等同于所述第一成像设备的第二图像采集设备(14)采集的所述一个或多个训练对象的第二训练图像的差异度量的值通过所述训练被最小化。
9.根据权利要求8所述的非瞬态计算机可读介质，其中，所述第一训练图像由所述第一图像采集设备(12)采集。
10.根据权利要求8和9中的任一项所述的非瞬态计算机可读介质，其中，所述第一图像采集设备(12)和所述等同的图像采集设备是具有共同成像配置的共同设备模型；并且
所述第一图像采集设备(12)和所述第二图像采集设备(14)是具有不同成像配置的不同设备模型。
11.根据权利要求10所述的非瞬态计算机可读介质，其中，所述第二图像采集设备(14)至少在以下方面不等同于所述第一图像采集设备(12)：
所述第二图像采集设备是飞行时间(TOF)正电子发射断层摄影(PET)成像设备，并且所述第二训练图像是TOF PET训练图像，并且
所述第一图像采集设备是非TOF PET成像设备，并且所述第一训练图像是非TOF图像，并且所述对象图像是非TOF图像。
12.根据权利要求10和11中的任一项所述的非瞬态计算机可读介质，其中，所述第二图像采集设备(14)至少在以下方面不等同于所述第一图像采集设备(12)：
所述第二图像采集设备是具有第二时序分辨率的飞行时间(TOF)正电子发射断层摄影(PET)成像设备，并且
所述第一图像采集设备是具有比所述第二时序分辨率更粗糙的第一时间分辨率的TOFPET成像设备。
13.根据权利要求10-12中的任一项所述的非瞬态计算机可读介质，其中，所述第二图像采集设备(14)至少在以下方面不等同于所述第一图像采集设备(12)：所述第二图像采集设备具有比所述第一图像采集设备更高的空间分辨率，并且所述第二训练图像具有比所述第一训练图像更高的空间分辨率，并且所述第二训练图像具有比所述对象图像更高的空间分辨率。
14.根据权利要求8-13中的任一项所述的非瞬态计算机可读介质，其中，所述经训练的神经网络是经训练的卷积神经网络。
15.一种成像系统(10)，包括：
第一图像采集设备(12)，其被配置为采集对象的成像数据；
至少一个电子处理器(20)，其被编程为：
处理所述成像数据以通过以下中的一项来生成经变换的对象图像：(i)重建所述成像数据以生成经重建的图像，并且将图像域经训练的神经网络(16)应用到所述经重建的图像，或者(ii)将经训练的成像数据域神经网络(18)应用到所述成像数据以生成经变换的成像数据，并且重建所述经变换的成像数据；并且
控制显示设备(24)以显示所述经变换的对象图像；
其中，以下中的一项成立：
(ia)所述经训练的图像域神经网络被配置为通过神经网络训练将由所述第一图像采集设备采集的一个或多个训练对象的第一训练图像变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较所述经变换的第一训练图像与由第二图像采集设备(14)采集的所述一个或多个训练对象的第二训练图像的差异度量的值通过所述训练被最小化，或者
(iia)所述经训练的成像数据域神经网络被配置为通过神经网络训练将由所述第一图像采集设备采集的一个或多个训练对象的第一训练成像数据变换成经变换的第一训练成像数据，对于所述经变换的第一训练成像数据，比较所述经变换的第一训练成像数据与由所述第二成像设备采集的所述一个或多个训练对象的第二训练成像数据的差异度量的值通过所述训练被最小化。
16.根据权利要求15所述的成像系统，其中，所述经训练的图像域神经网络(16)被配置为通过神经网络训练将由所述第一图像采集设备(12)采集的一个或多个训练对象的第一训练图像变换成经变换的第一训练图像，对于所述经变换的第一训练图像，比较所述经变换的第一训练图像与由第二图像采集设备(14)采集的所述一个或多个训练对象的第二训练图像的差异度量的值通过所述训练被最小化。
17.根据权利要求15所述的成像系统，其中，所述经训练的成像数据域神经网络(18)被配置为通过神经网络训练将由所述第一成像设备(12)采集的一个或多个训练对象的第一训练成像数据变换成经变换的第一训练成像数据，对于所述经变换的第一训练成像数据，比较所述经变换的第一训练成像数据与由所述第二图像采集设备(14)采集的所述一个或多个训练对象的第二训练成像数据的差异度量的值通过所述训练被最小化。
18.根据权利要求15-17中的任一项所述的成像系统，其中，所述第二图像采集设备(14)是飞行时间(TOF)正电子发射断层摄影(PET)成像设备，并且所述第一图像采集设备(12)是非TOF PET成像设备。
19.根据权利要求15-17中的任一项所述的成像系统，其中，所述第二图像采集设备(14)是具有第二时序分辨率的飞行时间(TOF)正电子发射断层摄影(PET)成像设备，并且所述第一图像采集设备(12)是具有比所述第二时序分辨率更粗糙的第一时序分辨率的TOFPET成像设备。
20.根据权利要求15-19中的任一项所述的成像系统，其中，所述第二图像采集设备(14)具有比所述第一图像采集设备(12)更高的空间分辨率。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762575547P | 2017-10-23 | 2017-10-23 | |
| US62/575,547 | 2017-10-23 | ||
| PCT/EP2018/078126 WO2019081256A1 (en) | 2017-10-23 | 2018-10-16 | OPTIMIZING THE DESIGN OF POSITRON EMISSION TOMOGRAPHY (PET) SYSTEMS USING DEEP IMAGING |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111447877A true CN111447877A (zh) | 2020-07-24 |
Family
ID=63896148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880075937.1A Pending CN111447877A (zh) | 2017-10-23 | 2018-10-16 | 使用深度成像的正电子发射断层摄影(pet)系统设计优化 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11748598B2 (zh) |
| EP (1) | EP3700425B1 (zh) |
| JP (2) | JP7324195B2 (zh) |
| CN (1) | CN111447877A (zh) |
| WO (1) | WO2019081256A1 (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102675806B1 (ko) * | 2019-05-03 | 2024-06-18 | 삼성전자주식회사 | 영상 처리 장치 및 그 영상 처리 방법 |
| US11255985B2 (en) * | 2019-05-31 | 2022-02-22 | Canon Medical Systems Corporation | Method and apparatus to use a broad-spectrum energy source to correct a nonlinear energy response of a gamma-ray detector |
| EP3745161A1 (en) * | 2019-05-31 | 2020-12-02 | Canon Medical Systems Corporation | A radiation detection apparatus, a method, and a non-transitory computer-readable storage medium including executable instructions |
| 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 |
| US11574184B2 (en) * | 2019-09-13 | 2023-02-07 | Siemens Medical Solutions Usa, Inc. | Multi-modal reconstruction network |
| US11604986B2 (en) * | 2020-02-28 | 2023-03-14 | International Business Machines Corporation | Blockchain-enabled decentralized ecosystem for secure training of deep neural networks using trusted execution environments |
| US20230260141A1 (en) * | 2022-02-16 | 2023-08-17 | Siemens Medical Solutions Usa, Inc. | Deep learning for registering anatomical to functional images |
| US20230342932A1 (en) * | 2022-04-21 | 2023-10-26 | Optum Services (Ireland) Limited | Enhanced calibration of imaging device output |
| US12086990B1 (en) * | 2024-04-23 | 2024-09-10 | MultiFunctional Imaging LLC | Systems and methods for simultaneous imaging of multiple positron emission tomography (PET) tracers |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110309256A1 (en) * | 2010-06-16 | 2011-12-22 | Kenta Moriyasu | Tof-pet apparatus, detector ring and detector |
| CN102483852A (zh) * | 2009-06-08 | 2012-05-30 | 皇家飞利浦电子股份有限公司 | 利用基于飞行时间信息逐个事件生成的图像内容的飞行时间正电子发射断层摄影重建 |
| WO2014036473A1 (en) * | 2012-08-31 | 2014-03-06 | Kenji Suzuki | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
| JP2014048267A (ja) * | 2012-09-04 | 2014-03-17 | Natl Inst Of Radiological Sciences | Ｐｅｔ装置における同時計数判定方法及び装置 |
| US20160210749A1 (en) * | 2015-01-21 | 2016-07-21 | Siemens Aktiengesellschaft | Method and system for cross-domain synthesis of medical images using contextual deep network |
| CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
| CN106887025A (zh) * | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6959109B2 (en) * | 2002-06-20 | 2005-10-25 | Identix Incorporated | System and method for pose-angle estimation |
| US7545965B2 (en) | 2003-11-10 | 2009-06-09 | The University Of Chicago | Image modification and detection using massive training artificial neural networks (MTANN) |
| DE102005023907A1 (de) * | 2005-05-24 | 2006-12-07 | Siemens Ag | Verfahren zur Ermittlung von Positronen-Emissions-Messinformationen im Rahmen der Positronen-Emissions-Tomographie |
| US8483992B2 (en) * | 2011-04-28 | 2013-07-09 | Kabushiki Kaisha Toshiba | Analytical computation of geometric normalization factor for TOF-PET |
| US8620404B2 (en) * | 2011-07-26 | 2013-12-31 | Wisconsin Alumni Research Foundation | System and method of high-frame rate, time-resolved, three-dimensional magnetic resonance angiograpy |
| US20130051516A1 (en) * | 2011-08-31 | 2013-02-28 | Carestream Health, Inc. | Noise suppression for low x-ray dose cone-beam image reconstruction |
| US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
| JP2015129987A (ja) | 2014-01-06 | 2015-07-16 | 国立大学法人三重大学 | 医用高解像画像形成システムおよび方法。 |
| WO2015114423A1 (en) * | 2014-01-29 | 2015-08-06 | Koninklijke Philips N.V. | Segmentation of moving structure in image data |
| WO2016033458A1 (en) * | 2014-08-29 | 2016-03-03 | The University Of North Carolina At Chapel Hill | Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr) |
| US9922272B2 (en) | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
| EP3212057B1 (en) * | 2014-10-29 | 2021-12-01 | Spectral MD, Inc. | Reflective mode multi-spectral time-resolved optical imaging methods and apparatuses for tissue classification |
| WO2016092394A1 (en) | 2014-12-10 | 2016-06-16 | Koninklijke Philips N.V. | Systems and methods for translation of medical imaging using machine learning |
| WO2017042650A2 (en) * | 2015-09-09 | 2017-03-16 | Koninklijke Philips N.V. | System and method for planning and performing a repeat interventional procedure |
| US9916525B2 (en) | 2015-10-13 | 2018-03-13 | Siemens Healthcare Gmbh | Learning-based framework for personalized image quality evaluation and optimization |
| JP6399554B2 (ja) | 2015-12-22 | 2018-10-03 | 高知県公立大学法人 | Ｍｒ画像の超解像化システム |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| US20180060512A1 (en) * | 2016-08-29 | 2018-03-01 | Jeffrey Sorenson | System and method for medical imaging informatics peer review system |
| AU2017324627B2 (en) * | 2016-09-07 | 2019-12-05 | Elekta, Inc. | System and method for learning models of radiotherapy treatment plans to predict radiotherapy dose distributions |
| US10769551B2 (en) * | 2017-01-09 | 2020-09-08 | International Business Machines Corporation | Training data set determination |
| US10826934B2 (en) * | 2017-01-10 | 2020-11-03 | Crowdstrike, Inc. | Validation-based determination of computational models |
| 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 |
| US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
-
2018
- 2018-10-16 CN CN201880075937.1A patent/CN111447877A/zh active Pending
- 2018-10-16 WO PCT/EP2018/078126 patent/WO2019081256A1/en unknown
- 2018-10-16 US US16/758,000 patent/US11748598B2/en active Active
- 2018-10-16 JP JP2020521895A patent/JP7324195B2/ja active Active
- 2018-10-16 EP EP18789081.9A patent/EP3700425B1/en active Active
-
2023
- 2023-06-22 JP JP2023102525A patent/JP2023129412A/ja active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102483852A (zh) * | 2009-06-08 | 2012-05-30 | 皇家飞利浦电子股份有限公司 | 利用基于飞行时间信息逐个事件生成的图像内容的飞行时间正电子发射断层摄影重建 |
| US20110309256A1 (en) * | 2010-06-16 | 2011-12-22 | Kenta Moriyasu | Tof-pet apparatus, detector ring and detector |
| WO2014036473A1 (en) * | 2012-08-31 | 2014-03-06 | Kenji Suzuki | Supervised machine learning technique for reduction of radiation dose in computed tomography imaging |
| JP2014048267A (ja) * | 2012-09-04 | 2014-03-17 | Natl Inst Of Radiological Sciences | Ｐｅｔ装置における同時計数判定方法及び装置 |
| US20160210749A1 (en) * | 2015-01-21 | 2016-07-21 | Siemens Aktiengesellschaft | Method and system for cross-domain synthesis of medical images using contextual deep network |
| CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
| CN106887025A (zh) * | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
Non-Patent Citations (1)
| Title |
|---|
| XIANCAI JI.ET.AL: "《Image Super-Resolution with Deep Convolutional Neural Network》", 《IEEE INTERNATIONAL CONFERENCE ON DATA SCIENCE IN CYBERSPACE (DSC)》, pages 626 - 603 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11748598B2 (en) | 2023-09-05 |
| JP2023129412A (ja) | 2023-09-14 |
| EP3700425B1 (en) | 2023-12-06 |
| JP2021500547A (ja) | 2021-01-07 |
| WO2019081256A1 (en) | 2019-05-02 |
| JP7324195B2 (ja) | 2023-08-09 |
| EP3700425A1 (en) | 2020-09-02 |
| US20200289077A1 (en) | 2020-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11748598B2 (en) | Positron emission tomography (PET) system design optimization using deep imaging | |
| CN112770838B (zh) | 使用自关注深度学习进行图像增强的系统和方法 | |
| US10387765B2 (en) | Image correction using a deep generative machine-learning model | |
| CN111540025B (zh) | 预测用于图像处理的图像 | |
| US10803354B2 (en) | Cross-modality image synthesis | |
| Juan Ramon et al. | Investigation of dose reduction in cardiac perfusion SPECT via optimization and choice of the image reconstruction strategy | |
| Schönfeld et al. | Performance of perfusion‐weighted Fourier decomposition MRI for detection of chronic pulmonary emboli | |
| CN109389655A (zh) | 时变数据的重建 | |
| Farrag et al. | Evaluation of fully automated myocardial segmentation techniques in native and contrast‐enhanced T1‐mapping cardiovascular magnetic resonance images using fully convolutional neural networks | |
| Marinelli et al. | Automatic PET‐CT Image Registration Method Based on Mutual Information and Genetic Algorithms | |
| Ramon et al. | Initial investigation of low-dose SPECT-MPI via deep learning | |
| CN108271346A (zh) | 辐射剂量减少以及混合成像研究中的时期之间的改进的一致性 | |
| Guo et al. | Thoracic CT‐MRI coregistration for regional pulmonary structure–function measurements of obstructive lung disease | |
| KR101885562B1 (ko) | 제1 의료 영상의 관심 영역을 제2 의료 영상 위에 맵핑하는 방법 및 이를 이용한 장치 | |
| Feng et al. | Dual respiratory and cardiac motion estimation in PET imaging: methods design and quantitative evaluation | |
| WO2023219963A1 (en) | Deep learning-based enhancement of multispectral magnetic resonance imaging | |
| Mayer et al. | Imaging coronary plaques using 3D motion-compensated [18 F] NaF PET/MR | |
| US10229500B2 (en) | Incorporation of statistical strength into voxels in an fMRI image | |
| Dasari et al. | Correction of hysteretic respiratory motion in SPECT myocardial perfusion imaging: Simulation and patient studies | |
| Pandey et al. | Multiresolution imaging using golden angle stack‐of‐stars and compressed sensing for dynamic MR urography | |
| Lassen et al. | Anatomical validation of automatic respiratory motion correction for coronary 18F‐sodium fluoride positron emission tomography by expert measurements from four‐dimensional computed tomography | |
| Marchesseau et al. | Cardiac motion and spillover correction for quantitative PET imaging using dynamic MRI | |
| Ravi et al. | Accelerated MRI using intelligent protocolling and subject-specific denoising applied to Alzheimer's disease imaging | |
| WO2021159236A1 (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
| Grob et al. | Accuracy of registration algorithms in subtraction CT of the lungs: A digital phantom study |
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 |