CN111684492B - 使用深度卷积神经网络来改善锥形束ct图像质量的方法 - Google Patents

使用深度卷积神经网络来改善锥形束ct图像质量的方法 Download PDF

Info

Publication number
CN111684492B
CN111684492B CN201780093896.4A CN201780093896A CN111684492B CN 111684492 B CN111684492 B CN 111684492B CN 201780093896 A CN201780093896 A CN 201780093896A CN 111684492 B CN111684492 B CN 111684492B
Authority
CN
China
Prior art keywords
artifact
computed tomography
images
cone
beam computed
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
CN201780093896.4A
Other languages
English (en)
Other versions
CN111684492A (zh
Inventor
徐峤峰
韩骁
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.)
Elekta Ltd
Original Assignee
Elekta Ltd
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 Elekta Ltd filed Critical Elekta Ltd
Publication of CN111684492A publication Critical patent/CN111684492A/zh
Application granted granted Critical
Publication of CN111684492B publication Critical patent/CN111684492B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • 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
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
    • 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
    • A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
    • A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Radiation-Therapy Devices (AREA)
  • Image Processing (AREA)

Abstract

系统和方法可以包括使用投影空间方法或者图像空间方法来训练DCNN以减少一个或更多个伪影。投影空间方法可以包括：从一组患者中的每个患者收集受伪影污染的CBCT投影空间图像和相应的伪影减少的CBCT投影空间图像，以及使用从一组患者中的每个患者收集的受伪影污染的CBCT投影空间图像和相应的伪影减少的CBCT投影空间图像来训练DCNN以减少投影空间图像中的一个或更多个伪影。图像空间方法可以包括：从一组患者收集多个CBCT患者解剖图像和相应的配准的CT解剖图像，以及使用多个CBCT解剖图像和相应的伪影减少的CT解剖图像来训练DCNN以从CBCT解剖图像中除去伪影。

Description

使用深度卷积神经网络来改善锥形束CT图像质量的方法
相关申请的交叉引用
本申请要求于2017年6月26日提交的美国临时专利申请第62/524,933号的优先权的权益，其全部公开内容通过引用并入本文。
技术领域
本发明的实施方式总体涉及改善锥形束计算机断层成像图像中的图像质量。特别地，本发明涉及使用深度学习技术来减少锥形束计算机断层成像图像中的伪影。
背景技术
放射疗法已经被用于治疗哺乳动物(例如人和动物)组织中的癌症和其他疾病。X射线锥形束计算机断层成像(cone beam computed tomography，CBCT)已经广泛用在现代放射治疗中用于患者设置的和自适应再计划。CBCT也已被用于诊断目的，举几个例子，例如牙齿成像和植入物计划。此外，X射线CBCT已被越来越多地用于许多与成像相关的应用中，例如微型计算机断层成像。X射线CBCT可以包括具有圆形扫描几何结构的相对简单的几何结构。出于各种目的，CBCT的设置还可以容易地与其他成像模式集成。
但是，CBCT图像的图像质量已成为医学物理学家、医生和其他研究人员的抱怨之源。通常，CBCT图像会包含许多不同类型的伪影(包括所有类型的噪声)。可以将图像伪影定义为重构数据中的在研究的真实对象中不存在的结构。一般而言，伪影可能是由特定物理条件(例如CBCT扫描仪的物理参数与进行扫描的对象的组成和特性)下的实际测量数据与用于2D/3D图像重构的隐含数学假设之间的差异引起的。
CBCT图像中的伪影和噪声会严重阻碍自适应再计划、影响医生的诊断并且使许多其他图像处理步骤例如图像分割变得不可能或困难。由于每个伪影可能是由一个或更多个不同的因素引起的，因此可以采用不同的方法来抑制每个不同的伪影。因此，这可能非常耗时且非常复杂，有时甚至无法通过采用传统方法来抑制所有伪影或者甚至其中的某些伪影。尽管出于减少CBCT图像中的伪影的目的研究人员已经进行了许多研究并开发了一些相关的方法，但是目前还没有能够抑制所有普通伪影的简单且有效的方法。因此，非常需要开发一种新颖、有效且简单的方法来抑制CBCT图像中的伪影和噪声。
发明内容
一方面，本公开内容可以以训练深度卷积神经网络以减少至少一个投影空间图像中的一个或更多个伪影的方法为特征。该方法可以包括从一组患者中的每个患者收集至少一个受伪影污染的锥形束计算机断层成像投影空间图像和至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像。该方法还可以包括使用从一组患者中的每个患者收集的所述至少一个受伪影污染的锥形束计算机断层成像投影空间图像和所述至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像来训练深度卷积神经网络，以减少投影空间图像中的一个或更多个伪影。该方法还可以包括从一组患者中的每个患者收集多对投影空间图像，其中，各对投影空间图像可以包括受伪影污的锥形束计算机断层成像投影空间图像和相应的伪影减少的锥形束计算机断层成像投影空间图像。该方法还可以包括使用从一组患者中的每个患者收集的多对投影空间图像来训练用于回归的深度卷积神经网络，以减少投影空间图像中的一个或更多个伪影。该方法还可以包括：从一组患者中的每个患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和多个视图相邻的锥形束计算机断层成像投影空间图像中的相应的伪影减少的中心的锥形束计算机断层成像投影空间图像，并且使用从一组患者中的每个患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和多个视图相邻的锥形束计算机断层成像投影空间图像的相应的伪影减少的中心的锥形束计算机断层成像投影空间图像来训练深度卷积神经网络，以减少多个视图相邻的锥形束计算机断层成像投影空间图像中的至少中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。该方法还可以包括：从一组患者中的每个患者收集三维的受伪影污染的锥形束计算机断层成像投影体积和相应的伪影减少的锥形束计算机断层成像投影体积；并且使用所从一组患者中的每个患者收集的三维的受伪影污染的锥形束计算机断层成像投影体积和相应的伪影减少的锥形束计算机断层成像投影体积来训练深度卷积神经网络，以减少锥形束计算机断层成像投影体积中的一个或更多个伪影。
一方面，本公开内容可以以使用深度卷积神经网络来减少从患者收集的投影空间图像中的一个或更多个伪影的方法为特征。该方法可以包括从患者收集至少一个受伪影污染的投影空间图像。该方法可以包括使用经训练的深度卷积神经网络，以减少从患者收集的至少一个投影空间图像中的一个或更多个伪影，所述深度卷积神经网络可以包括例如通过使用从一组患者收集的多个投影空间图像来训练的模型。经训练的深度卷积神经网络可以接近实时地减少从患者收集的投影空间图像中的至少一个伪影，其中，至少一个伪影可以包括散射伪影或噪声伪影中的至少之一。该方法还可包括从患者收集受伪影污染的锥形束计算机断层成像投影空间图像，并使用经训练的深度卷积神经网络来减少从患者收集的锥形束计算机断层成像投影空间图像中的一个或更多个伪影，所述深度卷积神经网络可以包括例如通过使用从一组患者中的每个患者收集的多对投影空间图像来训练的模型，其中，各对投影空间图像可以包括受伪影污染的锥形束计算机断层成像投影空间图像和相应的伪影减少的锥形束计算机断层成像投影空间图像。该方法还可以包括从患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像，并使用经训练的深度卷积神经网络来减少从患者收集的多个视图相邻的锥形束计算机断层成像投影空间图像中的中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影，深度卷积神经网络可以包括通过使用从一组患者中每个患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和多个视图相邻的锥形束计算机断层成像投影空间图像中的相应的伪影减少的中心的锥形束计算机断层成像投影空间图像来训练的模型。经训练的深度卷积神经网络可以使用从患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像之间的至少一种相关性，以减少从患者收集的多个视图相邻的锥形束计算机断层成像投影空间图像中的中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。该方法还可以包括从患者收集三维的受伪影污染的锥形束计算机断层成像投影体积，并使用经训练的深卷积神经网络来减少从患者收集的锥形束计算机断层成像投影体积中的一个或更多个伪影，深度卷积神经网络可以包括通过使用从一组患者中每个患者收集的三维的受伪影污染的锥形束计算机断层成像投影体积和相应的伪影减少的锥形束计算机断层成像投影体积来训练的模型。
一方面，本公开内容可以以训练深度卷积神经网络以减少锥形束计算机断层成像解剖图像中的一个或更多个伪影的方法为特征。该方法可以包括从一组患者收集多个锥形束计算机断层成像患者解剖图像和相应的计算机断层成像解剖图像。该方法还可以包括使用所述多个锥形束计算机断层成像解剖图像和相应的伪影减少的计算机断层成像解剖图像来训练用于回归的深度卷积神经网络以从锥形束计算机断层成像解剖图像中除去伪影。该方法还可以包括从一组患者中的每个患者收集多对解剖图像，其中，各对解剖图像可以包括受伪影污染的锥形束计算机断层成像解剖图像和相应的伪影减少的计算机断层成像解剖图像，以及使用收集的图像来训练深度卷积神经网络，以减少锥形束计算机断层成像解剖图像中的一个或更多个伪影。该方法还可以包括针对一组患者中的每个患者收集多个相邻的受伪影污染的锥形束计算机断层成像解剖图像和与多个相邻的受伪影污染的锥形束计算机断层成像解剖图像的中心的锥形束计算机断层成像解剖图像相对应的伪影减少的计算机断层成像解剖图像，以及使用收集的图像来训练深度卷积神经网络，以减少多个锥形束计算机断层成像解剖图像中的至少中心的锥形束计算机断层成像解剖图像中的一个或更多个伪影。该方法还可以包括针对一组患者中的每个患者收集至少一个受伪影污染的锥形束计算机断层成像解剖体积和至少一个对应的伪影减少的计算机断层成像解剖体积，并且使用收集的图像来训练深度卷积神经网络，以减少锥形束计算机断层成像解剖体积中的一个或更多个伪影。
一方面，本公开内容可以以使用深度卷积神经网络来减少从患者收集投影的解剖图像中的一个或更多个伪影的方法为特征。该方法可以包括从患者收集至少一个受伪影污染的解剖图像。该方法还可以包括使用经训练的深度卷积神经网络来减少从患者收集的至少一个解剖图像中的一个或更多个伪影，深度卷积神经网络可以包括通过使用从一组患者收集的多个受伪影污染的解剖图像和相应的伪影减少的解剖图像来训练的模型。
经训练的深度卷积神经网络可以接近实时地减少从患者收集的解剖图像中的至少一个伪影，其中，至少一个伪影可以包括散射伪影、射束硬化伪影、噪声伪影、消光伪影、指数边缘梯度伪影、混叠伪影、环形伪影、条纹伪影或运动伪影中的至少之一。
该方法还可以包括从患者收集受伪影污染的锥形束计算机断层成像解剖图像，并使用经训练的深度卷积神经网络来减少从患者收集的锥形束计算机断层成像解剖图像中的一个或更多个伪影，深度卷积神经网络可以包括通过使用从一组患者中的每个患者收集的多对解剖图像来训练的模型，其中，各对解剖图像可以包括受伪影污染的锥形束计算机断层成像解剖图像和相应的伪影减少的计算机断层成像解剖图像。该方法还可包括收集多个相邻的受伪影污染的锥形束计算机断层成像解剖图像，并使用经训练的深度卷积神经网络来减少从患者收集的多个相邻的锥形束计算机断层成像解剖图像中的中心的锥形束计算机断层成像解剖图像的一个或更多个伪影，深度卷积神经网络可以包括通过使用针对一组患者中每个患者收集的多个相邻的受伪影污染的锥形束计算机断层成像解剖图像和与多个相邻的受伪影污染的锥形束计算机断层成像解剖图像的中心的锥形束计算机断层成像解剖图像相对应的伪影减少的计算机断层成像解剖图像来训练的模型。该方法还可以包括收集至少一个受伪影污染的锥形束计算机断层成像解剖体积，并使用经训练的深度卷积神经网络来减少从患者收集的至少一个锥形束计算机断层成像解剖体积中的一个或更多个伪影，深度卷积神经网络可以包括通过使用针对一组患者中的每个患者收集的至少一个受伪影污染的锥形束计算机断层成像解剖体积和至少一个对应的伪影减少的计算机断层成像解剖体积来训练的模型。
一方面，本公开内容可以以训练深度卷积神经网络来减少锥形束计算机断层成像解剖图像中的一个或更多个伪影的方法为特征。该方法可以包括从一组患者收集多个锥形束计算机断层成像患者解剖图像和相应的伪影减少的解剖图像。该方法还可以包括使用所述多个锥形束计算机断层成像解剖图像和相应的伪影减少的解剖图像来训练深度卷积神经网络以从锥形束计算机断层成像解剖图像中除去伪影。方法还可以包括使用迭代算法、计算机仿真、物理体模或配准的计算机断层成像解剖图像中的至少之一来提供来自所述一组患者的相应的伪影减少的解剖图像。
附图说明
附图不一定按比例绘制，在附图中，贯穿若干视图，相同的附图标记描述基本上相似的部件。具有不同字母后缀的相同的附图标记表示基本上相似的部件的不同实例。附图通过示例的方式而非通过限制的方式大体上示出了本文件中讨论的各种实施方式。
图1示出了根据本公开内容的一些实施方式的示例性放射治疗系统。
图2示出了可以包括被配置成提供治疗射束的放射治疗输出装置的示例性放射治疗系统。
图3示出了包括组合的放射治疗系统和成像系统例如计算机断层成像(CT)成像系统的示例性系统。
图4A示出了包括组合的放射治疗系统和成像系统例如核磁共振(magneticresonance，MR)成像系统的示例性系统的局部剖视图。
图4B和图4C描绘了示例性MRI图像与对应的CT图像之间的差异。
图5示出了用于对放射治疗射束进行成形、引导或对放射治疗射束的强度进行调制的示例性准直器配置。
图6示出了示例性伽玛刀放射治疗系统。
图7示出了X射线锥形束计算机断层成像扫描仪的示例。
图8A示出了用于深度学习的示例性流程图。
图8B示出了投影空间与图像空间之间的关系的示例。
图9A示出了深度卷积神经网络的示例。
图9B示出了用于训练DCNN的方法的示例。
图9C示出了使用经训练的DCNN来生成伪影减少的、重构的3D图像的方法的示例。
图10A示出了深度卷积神经网络的示例。
图10B示出了用于训练DCNN的方法的示例。
图10C示出了使用经训练的DCNN来生成伪影减少的、重构的3D图像的方法的示例。
图10D示出了2D CBCT图像的示例。
图11示出了用于生成伪影减少的3D CBCT图像的方法的示例。
图12示出了机器的实施方式的框图的示例，在该机器上可以实现如本文所讨论的方法中的一种或更多种。
具体实施方式
在以下详细描述中，参照形成详细描述的一部分的附图，并且通过可以实践本发明的图示特定实施方式的方式示出详细描述。在本文中也被称为“示例”的这些实施方式被足够详细地描述以使得本领域技术人员能够实践本发明，并且应当理解，在不脱离本发明的范围的情况下，可以将实施方式组合或者可以利用其他实施方式并且可以进行结构、逻辑和电气改变。因此，以下详细描述不是限制性的，并且本发明的范围由所附的权利要求书及其等同内容限定。
图1示出了用于向患者提供放射治疗的示例性放射治疗系统10。放射治疗系统10包括图像处理装置12。图像处理装置12可以被连接至网络20。网络20可以被连接至互联网22。网络20可以将图像处理装置12与数据库24、医院数据库26、肿瘤学信息系统(OIS)28、放射治疗装置30、图像获取装置32、显示装置34和用户接口36中的一个或更多个连接。图像处理装置12被配置成生成要由放射治疗装置30使用的放射疗法治疗计划42。
图像处理装置12可以包括存储器装置16、处理器14和通信接口18。存储器装置16可以存储计算机可执行指令，例如操作系统43、放射疗法治疗计划42(例如，原始治疗计划、经调整的治疗计划等)、软件程序44(例如，人工智能、深度学习、神经网络、放射疗法治疗计划软件)以及要由处理器14执行的任何其他计算机可执行指令。在实施方式中，软件程序44可以通过产生例如伪CT图像的合成图像来将一种格式(例如，MRI)的医学图像转换为另一种格式(例如，CT)。例如，软件程序44可以包括图像处理程序以训练用于将一种模态的医学图像46(例如，MRI图像)转换为不同模态的合成图像(例如，伪CT图像)的预测模型；替选地，经训练的预测模型可以将CT图像转换为MRI图像。存储器装置16可以存储数据，包括医学图像46、患者数据45以及创建和实现放射疗法治疗计划42所需的其他数据。
除了存储软件程序44的存储器16之外，还想到软件程序44可以存储在可移除计算机介质上，该可移除计算机介质例如是硬盘驱动器、计算机盘、CD-ROM、DVD、HD、蓝光DVD、USB闪存驱动器、SD卡、记忆棒或任何其他合适的介质；并且在软件程序44被下载至图像处理装置14时，可以由图像处理器14执行该软件程序44。
处理器14可以在通信上耦接至存储器装置16，并且处理器14可以被配置成执行其上存储的计算机可执行指令。处理器14可以向或从存储器16发送或接收医学图像46。例如，处理器14可以经由通信接口18和网络20从图像获取装置32接收医学图像46以将其存储在存储器16中。处理器14还可以经由通信接口18将存储器16中存储的医学图像46发送至网络20以将其存储在数据库24或医院数据库26中。
此外，处理器14可以利用软件程序44(例如，治疗计划软件)以及医学图像46和患者数据45来创建放射疗法治疗计划42。医学图像46可以包括诸如与患者解剖区域、器官或感兴趣体积分割数据相关联的成像数据的信息。患者数据45可以包括下述信息，例如：(1)功能性器官建模数据(例如，串行比对并行器官、适当的剂量响应模型等)；(2)放射剂量数据(例如，剂量-体积直方图(dose-volume histogram，DVH)信息)；或(3)关于患者和治疗过程的其他临床信息(例如，其他手术、化学治疗、先前的放射治疗等)。
此外，处理器14可以利用软件程序来生成中间数据，例如，例如将由神经网络模型使用的更新后的参数；或者生成中间2D或3D图像，该中间2D或3D图像则可以随后被存储在存储器16中。处理器14则可以随后经由通信接口18将可执行的放射疗法治疗计划42传送至网络20，从而传送到放射治疗装置30，其中，放射治疗计划将用于利用放射来治疗患者。另外，处理器14可以执行软件程序44以实现诸如图像转换、图像分割、深度学习、神经网络和人工智能的功能。例如，处理器14可以执行用于训练医学图像或描绘医学图像轮廓的软件程序44；这样的软件44在被执行时可以利用形状字典来训练边界检测器。
处理器14可以是包括一个或更多个通用处理装置(例如微处理器、中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)的处理装置。更具体地，处理器14可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、实现其他指令集的处理器、或实现指令集的组合的处理器。处理器14还可以由一个或更多个专用处理装置例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等来实现。如本领域技术人员可以理解的，在一些实施方式中，处理器14可以是专用处理器而非通用处理器。处理器14可以包括一个或更多个已知的处理装置，例如来自由IntelTM制造的PentiumTM、CoreTM、XeonTM或系列、由AMDTM制造的TurionTM、AthlonTM、SempronTM、OpteronTM、FXTM、PhenomTM系列或者由太阳微系统公司(Sun Microsystems)制造的各种处理器中的任何一种处理器的微处理器。处理器14还可以包括图形处理单元，例如来自由NvidiaTM制造的/>系列、由IntelTM制造的GMA、IrisTM系列或者由AMDTM制造的RadeonTM系列的GPU。处理器14还可以包括加速处理单元，例如由AMDTM制造的Desktop A-4(6,8)系列、由IntelTM制造的XeonPhiTM系列。所公开的实施方式不限于以其他方式被配置成满足识别、分析、维护、生成和/或提供大量数据或操纵这样的数据以执行本文中公开的方法的计算需求的任何类型的处理器。另外，术语“处理器”可以包括一个以上的处理器，例如，多核设计处理器或各自具有多核设计的多个处理器。处理器14可以执行存储器16中存储的计算机程序指令序列以执行下面将更详细地说明的各种操作、过程、方法。
存储器装置16可以存储医学图像46。在一些实施方式中，医学图像46可以包括一个或更多个MRI图像(例如，2D MRI、3D MRI、2D流式MRI、4D MRI、4D体积MRI、4D影像MRI等)、功能性MRI图像(例如，fMRI、DCE-MRI、扩散MRI)、计算机断层成像(CT)图像(例如，2D CT、锥形束CT、3D CT、4D CT)、超声图像(例如，2D超声、3D超声、4D超声)、正电子发射断层成像(PET)图像、X射线图像、荧光透视图像、放射治疗射野图像、单光子发射计算机断层成像(SPECT)图像、计算机生成的合成图像(例如，伪CT图像)等。此外，医学图像46还可以包括医学图像数据，例如，训练图像以及实况(ground truth)图像、轮廓图像。在实施方式中，可以从图像获取装置32接收医学图像46。因此，图像获取装置32可以包括MRI成像装置、CT成像装置、PET成像装置、超声成像装置、荧光透视装置、SPECT成像装置、集成的线性加速器和MRI成像装置、或者用于获得患者的医学图像的其他医学成像装置。可以以图像处理装置12可以用来执行符合所公开的实施方式的操作的任何数据类型或任何格式类型来接收和存储医学图像46。存储器装置12可以是非暂态计算机可读介质，例如只读存储器(ROM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、闪速存储器、随机存取存储器(RAM)、例如同步DRAM(SDRAM)的动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、静态存储器(例如，闪速存储器、闪存盘、静态随机存取存储器)以及其他类型的随机存取存储器、高速缓冲存储器、寄存器、致密盘只读存储器(CD-ROM)、数字通用盘(DVD)或其他光存储装置、盒式磁带、其他磁性存储装置、或者可以用来存储包括能够被处理器14或任何其他类型的计算机装置访问的(例如以任何格式存储的)图像、数据或计算机可执行指令的信息的任何其他非暂态介质。计算机程序指令可以由处理器14访问、从ROM或任何其他适当的存储器位置读取并且加载至RAM中以供处理器14执行。例如，存储器16可以存储一个或更多个软件应用程序。存储器16中存储的软件应用程序可以包括例如用于公共的计算机系统以及用于软件控制的装置的操作系统43。此外，存储器16可以存储整个软件应用程序或软件应用程序的仅可以由处理器14执行的一部分。例如，存储器装置16可以存储一个或更多个放射疗法治疗计划42。
图像处理装置12可以经由通信接口18与网络20进行通信，通信接口18在通信上耦接至处理器14和存储器16。通信接口18可以提供图像处理装置12与放射治疗系统10的部件之间的通信连接(例如，允许与外部装置交换数据)。例如，在一些实施方式中，通信接口18可以具有连接至用户接口36的适当的接口电路，用户接口36可以是用户能够通过其将信息输入至放射治疗系统10中的硬件键盘、小键盘或触摸屏。
通信接口18可以包括例如，网络适配器、线缆连接器、串行连接器、USB连接器、并行连接器、高速数据传输适配器(例如，诸如光纤、USB 3.0、雷电接口等)、无线网络适配器(例如，诸如WiFi适配器)、电信适配器(例如，3G、4G/LTE等)等。通信接口18可以包括允许图像处理装置12经由网络20与其他机器和装置例如远程定位部件进行通信的一个或更多个数字和/或模拟通信装置。
网络20可以提供局域网(LAN)、无线网络、云计算环境(例如，软件即服务、平台即服务、基础设施即服务等)、客户端服务器、广域网(WAN)等的功能。例如，网络20可以是LAN或WAN，其可以包括其他系统S1(38)、S2(40)和S3(41)。系统S1、S2和S3可以与图像处理装置12相同，或者可以是不同的系统。在一些实施方式中，网络20中的一个或更多个系统可以形成协作地执行本文中描述的实施方式的分布式计算/模拟环境。在一些实施方式中，一个或更多个系统S1、S2和S3可以包括获得CT图像(例如，医学图像46)的CT扫描仪。另外，网络20可以被连接至互联网22以与远程地驻留在互联网上的服务器和客户端进行通信。
因此，网络20可以允许图像处理装置12与许多各种其他的系统和装置例如OIS28、放射治疗装置30和图像获取装置32之间的数据传输。此外，由OIS 28和/或图像获取装置32生成的数据可以被存储在存储器16、数据库24和/或医院数据库26中。根据需要，数据可以通过通信接口18经由网络20来传输/接收以便由处理器14访问。
图像处理装置12可以通过网络20与数据库24进行通信以发送/接收数据库24上存储的多个各种类型的数据。例如，数据库24可以包括为与放射治疗装置30、图像获取装置32或和放射治疗有关的其他机器相关联的信息的机器数据。机器数据信息可以包括辐射射束尺寸、弧放置(arc placement)、射束开关持续时间、控制点、段、多叶准直器(MLC)配置、机架速度、MRI脉冲序列等。数据库24可以是存储装置。本领域技术人员将理解，数据库24可以包括以中央式或分布式方式定位的多个装置。
在一些实施方式中，数据库24可以包括处理器可读存储介质(未示出)。虽然实施方式中的处理器可读存储介质可以是单个介质，但是术语“处理器可读存储介质”应被视为包括存储一组或更多组计算机可执行指令或数据的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的高速缓冲存储器和服务器)。术语“处理器可读存储介质”还应被视为包括能够存储或编码指令集的任何介质，所述指令集由处理器执行并且使处理器执行本公开内容的方法中的任何一种或更多种方法。因此，术语“处理器可读存储介质”应被视为包括但不限于固态存储器、光学介质和磁介质。例如，处理器可读存储介质可以是一个或更多个易失性、非暂态或非易失性有形计算机可读介质。
图像处理器14可以与数据库24进行通信以将图像读取至存储器16中或者将图像从存储器16存储至数据库24。例如，数据库24可以被配置成存储数据库24从图像获取装置32接收的多个图像(例如，3D MRI、4D MRI、2D MRI切片图像、CT图像、2D荧光透视图像、X射线图像、来自MR扫描或CT扫描的原始数据、医学数字成像与通信(DIMCOM)数据等)。数据库24可以存储当执行软件程序44时或者当创建放射疗法治疗计划42时要由图像处理器14使用的数据。图像处理装置12可以从数据库24、放射治疗装置30(例如，MRI-Linac)和/或图像获取装置32接收成像数据46(例如，2D MRI切片图像、CT图像、2D荧光图像、X射线图像、3DMRI图像、4D MRI图像等)以生成治疗计划42。
在实施方式中，放射治疗系统100可以包括图像获取装置32，其能够获取患者的医学图像(例如，磁共振成像(Magnetic Resonance Imaging，MRI)图像、3D MRI、2D流式MRI、4D体积MRI、计算机断层成像(CT)图像、锥形束CT、正电子发射断层成像(PET)图像、功能MRI图像(例如，fMRI、DCE-MRI和扩散MRI)、X射线图像、荧光透视图像、超声图像、放射治疗射野图像、单光子发射计算机断层成像(SPECT)图像等)。图像获取装置32可以例如是MRI成像装置、CT成像装置、PET成像装置、超声装置、荧光透视装置、SPECT成像装置或者用于获得患者的一个或更多个医学图像的任何其他适当的医学成像装置。由图像获取装置32获取的图像可以作为成像数据和/或测试数据存储在数据库24内。作为示例，由图像获取装置32获取的图像也可以由图像处理装置12作为医学图像数据46存储在存储器16中。
在实施方式中，例如，图像获取装置32可以与放射治疗装置30集成为单个装置(例如，与线性加速器组合的MRI装置，也被称为“MRI-Linac”)。例如，可以使用这种MRI-Linac来确定患者体内的靶器官或靶肿瘤的位置，以根据放射疗法治疗计划42将放射治疗准确地指向预定靶。
图像获取装置32可以被配置成针对感兴趣区域(例如，靶器官、靶肿瘤或二者)获取患者解剖结构的一个或更多个图像。每个图像——通常是2D图像或切片——可以包括一个或更多个参数(例如，2D切片厚度、取向和位置等)。在一个示例中，图像获取装置32可以获取任意取向上的2D切片。例如，2D切片的取向可以包括矢状取向(sagittalorientation)、冠状取向(coronal orientation)或轴向取向。处理器14可以调整一个或更多个参数例如2D切片的厚度和/或取向以包括靶器官和/或靶肿瘤。在示例中，可以根据诸如3D MRI体积的信息来确定2D切片。例如，在使用放射治疗装置30的情况下，在患者正在接受放射疗法治疗的同时可以由图像获取装置32“实时”获取这样的2D切片。“实时”意味着至少以数毫秒或更短来获取数据。
图像处理装置12可以生成并且存储一个或更多个患者的放射疗法治疗计划42。放射疗法治疗计划42可以提供关于要施加至每个患者的特定放射剂量的信息。放射疗法治疗计划42还可以包括其他放射治疗信息，例如射束角度、剂量-直方图-体积信息、治疗期间要使用的放射射束的数量、每射束的剂量等。
图像处理器14可以通过使用例如诸如由瑞典斯德哥尔摩的Elekta AB制造的的治疗计划软件的软件程序44来生成放射疗法治疗计划42。为了生成放射疗法治疗计划42，图像处理器14可以与图像获取装置32(例如，CT装置、MRI装置、PET装置、X射线装置、超声装置等)进行通信以访问患者图像并描画例如肿瘤的靶。在一些实施方式中，可能需要一个或更多个处于危险的器官(OAR)例如肿瘤周围或接近肿瘤的健康组织的描绘。因此，在OAR靠近靶肿瘤时，可以执行对OAR的分割。此外，如果靶肿瘤靠近OAR(例如，紧邻膀胱和直肠的前列腺)，则通过将OAR与肿瘤分割，治疗计划装置110不仅可以研究靶中的剂量分布，还可以研究OAR中的计量分布。
为了相对于OAR描绘靶器官或靶肿瘤，可以通过图像获取装置32非侵入式地获得进行放射治疗的患者的医学图像例如MRI图像、CT图像、PET图像、fMRI图像、X射线图像、超声图像、放射治疗射野图像、SPECT图像等以显现身体部位的内部结构。基于来自医学图像的信息，可以获得有关解剖部位的3D结构。另外，在治疗计划过程中，可以考虑许多参数以实现对靶肿瘤的有效治疗(例如，使得靶肿瘤接受足够的放射剂量以便有效治疗)与对OAR的低照射(例如，OAR接收尽可能低的放射剂量)之间的平衡。可以考虑的其他参数包括靶器官和靶肿瘤的位置、OAR的位置以及靶相对于OAR的运动。例如，可以通过在MRI或CT图像的每个2D层或切片内勾画靶的轮廓或勾画OAR的轮廓并且将每个2D层或切片的轮廓进行组合来获得3D结构。可以手动地(例如，由医生、剂量师或医护人员)或自动地(例如，使用程序例如由瑞典斯德哥尔摩的Elekta AB公司制造的基于Atlas的自动分割软件ABASTM)生成轮廓。在某些实施方式中，可以通过治疗计划软件自动生成靶肿瘤或OAR的3D结构。
在已经定位并描绘了靶肿瘤和OAR之后，剂量师、医师或医护人员可以确定要对靶肿瘤施加的辐射剂量，以及接近该肿瘤的OAR(例如，左右腮腺、视神经、眼睛、晶状体、内耳、脊髓、脑干等)可以接受的任何最大量的剂量。在针对每个解剖结构(例如，靶肿瘤、OAR)确定了放射剂量之后，可以执行称为逆向计划的过程以确定将实现期望的放射剂量分布的一个或更多个治疗计划参数。治疗计划参数的示例包括体积描绘参数(例如，其限定靶体积、轮廓敏感结构等)、靶肿瘤和OAR周围的边缘、射束角度选择、准直器设置和射束开启时间。在逆向计划过程期间，医师可以定义剂量约束参数，剂量约束参数设定OAR可以接受多少放射的界限(例如，限定对肿瘤靶的全剂量和对任何OAR的零剂量；限定对靶肿瘤的95％的剂量；限定脊髓、脑干和视神经结构分别接受≤45Gy、≤55Gy和<54Gy)。逆向计划的结果可以构成可以存储在存储器16或数据库24中的辐射疗法治疗计划42。这些治疗参数中的一些可以是相关的。例如，调整一个参数(例如，针对不同目标的权重，例如增加对靶肿瘤的剂量)以试图改变治疗计划可能会影响至少一个其他参数，这进而可能导致不同的治疗计划的发展。因此，图像处理装置12可以生成具有这些参数的定制的放射疗法治疗计划42以便放射治疗装置30向患者提供放射疗法治疗。
另外，放射治疗系统10可以包括显示装置34和用户接口36。显示装置34可以包括向用户显示医学图像、接口信息、治疗计划参数(例如，轮廓、剂量、射束角度等)、治疗计划、靶、定位靶和/或追踪靶或者任何相关信息的一个或更多个显示画面。用户接口36可以是键盘、小键盘、触摸屏或用户可以向放射治疗系统10输入信息的任何类型的装置。替选地，显示装置34和用户接口36可以集成到装置中，该装置诸如是平板计算机，例如，AppleLenovo/>Samsung/>等。
此外，放射治疗系统10的任何组件和全部组件可以被实现为虚拟机(例如，VMWare、Hyper-V等)。例如，虚拟机可以是起到硬件功能的软件。因此，虚拟机可以至少包括一起起到硬件功能的一个或更多个虚拟处理器、一个或更多个虚拟存储器和一个或更多个虚拟通信接口。例如，图像处理装置12、OIS 28、图像获取装置32可以被实现为虚拟机。鉴于可用的处理功率、存储器和计算能力，整个放射治疗系统10可以被实现为虚拟机。
图2示出了示例性放射治疗装置102，其可以包括例如X射线源或线性加速器的放射源、多叶准直器(未示出)、床(couch)116、成像检测器114和放射治疗输出装置104。放射治疗装置102可以被配置成发射辐射射束108以向患者提供治疗。放射治疗输出装置104可以包括一个或更多个衰减器或准直器例如如下面在图5的示出性示例中描述的多叶准直器(MLC)。
返回参照图2，可以使用桌子或床116将患者定位在区域112中以接收根据放射疗法治疗计划的放射治疗剂量。放射治疗输出装置104可以安装或附接至台架(gantry)106或其他机械支承件。当床116被插入治疗区域时，一个或更多个底架电机(chassis motor)(未示出)可以使台架106和辐射治疗输出装置104围绕床116旋转。在实施方式中，当床116被插入治疗区域时，台架106可以围绕床116连续旋转。在另外的实施方式中，当床116被插入治疗区域时，台架106可以旋转至预定位置。例如，台架106可以被配置成使治疗输出装置104围绕轴(“A”)旋转。床116和放射治疗输出装置104二者都能够独立地移动到患者周围的其他位置，例如，能够沿着横向方向(“T”)移动、能够沿着侧向方向(“L”)移动，或者能够关于一个或更多个其他轴旋转，例如关于横轴旋转(表示为“R”)。在通信上连接至一个或更多个致动器(未示出)的控制器可以控制床116移动或旋转，以便根据放射疗法治疗计划将患者适当地安置在放射射束108位置之内或之外。由于床116和台架106两者能够以多个自由度彼此独立地移动，这允许将患者安置成使得放射射束108能够精确地以肿瘤为靶。
图2中示出的坐标系统(包括轴A、T和L)可以具有位于等中心(isocenter)110处的原点。等中心可以被定义为放射治疗射束108与坐标轴的原点相交的位置，以便将规定的放射剂量递送至患者身上或者患者体内的位置。例如，等中心110可以被定义为下述位置：在该位置处，针对如由台架106围绕轴A定位的放射治疗输出装置104的各种旋转位置，放射治疗射束108与患者相交。
台架106也可以具有附接的成像检测器114。成像检测器114优选地位于与辐射源104相对的位置，并且在示例中，成像检测器114可以位于治疗射束108的场内。
优选地，成像检测器114可以与放射治疗输出装置104相对地安装在台架106上，以便保持与治疗射束108对准。随着台架106旋转，成像检测器114围绕旋转轴线旋转。在实施方式中，成像检测器114可以是平板检测器(例如，直接检测器或闪烁物检测器)。以这种方式，成像检测器114可以用于监测治疗射束108，或者成像检测器114可以用于对患者的解剖结构进行成像，例如射野成像。放射治疗装置102的控制电路系统可以集成在系统100内或者远离系统100。
在说明性示例中，床116、治疗输出装置104或台架106中的一个或更多个可以被自动定位，并且治疗输出装置104可以根据用于特定治疗递送实例的指定剂量来建立治疗射束108。可以根据放射疗法治疗计划，例如使用台架106、床116或治疗输出装置104的一个或更多个不同取向或位置，来指定治疗递送序列。各治疗递送可以依序发生，但是可以在患者上或患者体内的期望的治疗位点(therapy locus)中例如在等中心110处交叉。因此，可以将放射治疗的规定累积剂量递送至治疗位点同时减少或避免对治疗位点附近的组织的伤害。
图3示出了可以包括组合的直线加速器和成像系统例如可以包括计算机断层成像(CT)成像系统的示例性放射治疗装置102。CT成像系统可以包括例如以千电子伏特(keV)能量范围提供X射线能量的成像X射线源118。成像X射线源118提供被导向至成像检测器122例如平板检测器的扇形和/或锥形束120。放射治疗系统102可以与关于图2描述的系统102类似，例如包括放射治疗输出装置104、台架106、平台116和另一平板检测器114。X射线源118可以提供用于成像的相对较低能量的X射线诊断射束。
在图3的说明性示例中，放射治疗输出装置104和X射线源118可以安装在同一旋转台架106上，彼此旋转分开90度。在另一示例中，可以沿着台架106的外围安装两个或更多个X射线源，例如每个X射线源都具有其自己的检测器布置，以同时提供多角度的诊断成像。类似地，可以提供多个放射治疗输出装置104。
图4A描绘了与所公开的实施方式一致的可以包括组合的放射治疗装置102和成像系统例如核磁共振(MR)成像系统130(例如在本领域中被称为MR-Linac)的示例性放射治疗系统300。如所示出的，系统300可以包括床310、图像获取装置320和辐射递送装置330。系统300根据放射疗法治疗计划对患者递送放射治疗。在一些实施方式中，图像获取装置320可以对应于图1中的图像获取装置32，其可以获取具有第一模态的原始图像(例如图4B所示的MRI图像)或者具有第二模态的目标图像(例如图4C所示的CT图像)。
床310可以在治疗环节期间支承患者(未示出)。在一些实现方式中，床310可以沿着水平平移轴(标记为“I”)移动，使得床310可以将躺在床310上的患者移入和/或移出系统300。床310还可以围绕横向于平移轴的中心竖直旋转轴线进行旋转。为了允许这样的移动或旋转，床310可以具有使得床能够在各个方向上移动以及沿着各个轴线旋转的电机(未示出)。控制器(未示出)可以控制这些运动或旋转以便根据治疗计划适当地定位患者。
在一些实施方式中，图像获取装置320可以包括用于在治疗环节之前、期间和/或之后获取患者的2D或3D MRI图像的MRI机器。图像获取装置320可以包括磁体321，磁体321用于产生用于磁共振成像的主磁场。由磁体321的操作生成的磁场线可以基本上平行于中心平移轴I延伸。磁体321可以包括其轴线平行于平移轴I延伸的一个或更多个线圈。在一些实施方式中，磁体321中的一个或更多个线圈可以间隔开，使得磁体321的中心窗323没有线圈。在其他实施方式中，磁体321中的线圈可以足够薄或具有减少的密度，使得线圈对于由放射治疗装置330生成的波长的放射基本上是透射的。图像获取装置320还可以包括一个或更多个屏蔽线圈，所述一个或更多个屏蔽线圈可以在磁体321外部生成具有大致相等幅度和相反极性的磁场，以消除或减少磁体321外部的任何磁场。如下所述，放射治疗装置330的放射源331可以被安置在磁场至少被消除至一阶或者被减少的区域中。
图像获取装置320还可以包括两个梯度线圈325和326，所述两个梯度线圈325和326可以产生叠加在主磁场上的梯度磁场。线圈325和326可以在合成磁场中产生梯度，该梯度允许对质子的空间编码，使得可以确定质子的位置。梯度线圈325和326可以围绕与磁体321的公共中心轴线被安置，并且可以沿着该中心轴线被移位。移位可以在线圈325与线圈326之间产生间隙或窗。在其中磁体321还包括线圈之间的中心窗323的实施方式中，两个窗可以彼此对准。
在一些实施方式中，图像获取装置320可以是除MRI之外的成像装置，例如X射线、CT、CBCT、螺旋CT、PET、SPECT、光学断层成像、荧光成像、超声成像或放射治疗射野成像装置等。如本领域普通技术人员将认识到的，图像获取装置320的以上描述涉及某些实施方式，而不旨在是限制性的。
放射治疗装置330可以包括例如X射线源或线性加速器的放射源331以及多叶准直器(MLC)333(以下在图5中示出)。放射治疗装置330可以安装在底架335上。当床310被插入治疗区域时，一个或更多个底架电机(未示出)可以将底架335围绕床310旋转。在实施方式中，当床310被插入治疗区域时，底架335能够围绕床310连续旋转。底架335还可以具有附接的辐射检测器(未示出)，其优选地位于辐射源331的对面，并且其中，底架335的旋转轴线被定位在辐射源331与该检测器之间。此外，设备330可以包括控制电路系统(未示出)，该控制电路系统用于控制例如床310、图像获取装置320以及放射治疗设备330中的一个或更多个。放射治疗装置330的控制电路系统可以集成在系统300内或者远离系统300。
在放射疗法治疗环节期间，患者可以被定位在床310上。然后，系统300可以将床310移动到由磁线圈321、325、326和底架335限定的治疗区域中。然后，控制电路系统可以根据放射疗法治疗计划控制放射源331、MLC 333和底架电机，以通过线圈325与线圈326之间的窗口向患者递送放射。
图2、图3和图4A总体上示出了被配置成向患者提供放射疗法治疗的放射治疗装置的示例，包括其中放射治疗输出装置可以围绕中心轴(例如，轴“A”)旋转的配置。可以使用其他放射治疗输出装置配置。例如，放射治疗输出装置可以被安装到具有多个自由度的操纵器或机械臂。在又一个实施方式中，治疗输出装置可以被固定，例如位于与患者横向地分开的区域中，并且可以使用支承患者的平台将放射治疗等中心与患者体内的指定靶位点对准。
如上所讨论的，通过图2、图3和图4A描述的放射治疗装置包括用于对到患者体内的指定靶位点的放射治疗射束进行成形、指引或对放射治疗射束的强度进行调制的多叶准直器。图5示出了示例性多叶准直器(multi-leaf collimator，MLC)132，其包括叶片132A至132J，叶片132A至132J可以被自动定位以限定与肿瘤140横截面或投影对应的孔。叶片132A至132J允许对放射治疗射束进行调制。根据放射治疗计划，叶片132A至132J可以由被指定以在除孔之外的区域中衰减或阻挡放射射束的材料制成。例如，叶片132A至132J可以包括诸如包含钨的金属板，其中所述板的长轴被定向成平行于射束方向，并且所述板具有与射束方向正交定向的端部(如在图2的图示的平面中所示)。在放射疗法治疗过程期间可以适应性地调整MLC 132的“状态”，以建立更好地接近肿瘤140或其他靶位点的形状或位置的治疗射束。这与使用静态准直器配置成对比，或者与使用专门利用“离线”治疗计划技术确定的MLC 132配置成对比。使用MLC 132产生到肿瘤或肿瘤内特定区域的指定放射剂量分布的放射治疗技术可以被称为强度调制放射治疗(Intensity Modulated Radiation Therapy，IMRT)。
图6示出了根据本公开内容的一些实施方式的另一类型的放射治疗装置130的示例(例如莱克塞尔(Leksell)伽玛刀)。如图6所示，在放射疗法治疗环节中，患者202可以佩戴坐标架220以保持正在经受手术或放射治疗的患者身体部位(例如头部)稳定。坐标架220和患者定位系统222可以建立可以在对患者成像时或者在放射手术期间可以使用的空间坐标系。放射治疗装置130可以包括用于包围多个放射源212的保护壳体214。放射源212可以通过射束通道216生成多个放射射束(例如，小射束(beamlets))。多个放射射束可以被配置成从不同方向聚焦在等中心218上。虽然每个单独的放射射束可能具有相对低的强度，但是当来自不同放射射束的多个剂量在等中心218处累积时，等中心218可以接收到相对高水平的放射。在某些实施方式中，等中心218可以对应于接受手术或治疗的靶，例如肿瘤。
图7示出了X射线锥形束计算机断层成像扫描仪700的示例。X射线锥形束计算机断层成像扫描仪700可以包括X射线管704和检测器708。在操作期间，光子可以从X射线管704发射，并且可以在到达检测器708之前穿过3D对象(例如患者解剖结构的一部分)。3D对象可以吸收一部分发射的光子。检测器708可以包括可以将接收到的光子转换成相应的电信号的2D平面。电信号可以记录沿着特定的X射线路径(直线路径)的吸收强度，以形成2D投影空间图像。为了获得3D对象的3D结构信息，可以使3D对象绕旋转轴线旋转，或者可以从不同的视角沿轨道状的轨迹扫描X射线管704和检测器708，以获得2D投影空间图像。在示例中，可以在大于200度的范围内收集2D投影空间图像，以对应于数百个2D投影空间图像。
可以采用图像重构算法从X射线锥形束计算机断层成像仪700收集的2D投影空间图像中形成3D对象的3D图像。重构算法可以包括分析重构算法和迭代重构算法。在示例中，可以使用分析算法(例如，Feldkamp算法或Feldkamp修改算法)来处理由扫描仪700收集的2D投影空间图像，以获得3D重构图像。在一个示例中，分析算法可以在几秒钟内处理2D投影空间图像。但是，3D重构图像可能会受到伪影的影响，例如由于所收集的2D投影空间图像与和分析算法相关联的数学假设之间的差异而引入的伪影。另外，伪影可能来自其他来源，例如噪声。在示例中，可以使用迭代算法来处理通过扫描仪700收集的2D投影空间图像以获得3D重构图像。迭代算法可以抑制与分析算法相关的部分类型伪影，但不是全部类型伪影，并且与分析算法比可以获得更好的图像质量，但是即使使用先进的GPU技术，迭代算法也可能比分析算法花费更长的时间。解析算法和迭代算法均不是对所有类型的伪影都有效。图像中的伪影可以包括噪声、散射、消光伪影、射束硬化伪影、指数边缘梯度效应、混叠效应、环形伪影、运动伪影或失准效应中的任何一个或更多个。
噪声伪影可能包括来自舍入误差或电噪声的加性噪声。噪声伪影还可以包括可能遵循泊松分布的光子计数噪声。CBCT机器可以在比CT机器的电流低大约一个数量级的毫安级的电流下运行，并且因此CBCT图像中的信噪比可以低于CT图像中的信噪比。散射伪影可以由偏离沿直线路径的传播的物体散射的光子引起。在可以假定光子沿直线路径传播的某些重构算法中，伪影可以由于散射而被引入。散射伪影可能包括CBCT 2D/3D图像中的不均匀的变暗。当物体包含强吸收材料并且光子无法穿透该物体时，可能会出现消光伪影，从而导致检测器上的信号非常弱或者为零。当检测器上的信号非常弱或为零时，吸收信息可能丢失。2D CBCT投影空间图像中的消光伪影可能会在重构的CBCT 2D/3D图像中引起伪影，例如强烈的亮条纹状伪影。当使用多色X射线束形成2D CBCT投影空间图像时，会发生束硬化伪影。在多色X射线束中，低能量X射线可以优先被患者体内的组织吸收，诸如可以导致高能量X射线与低能量X射线的比率的相对增加。比率的相对增加会导致在重构的CBCT 2D/3D图像中的伪影。指数边缘梯度效应(EEGE)可能会在具有与相邻结构形成高对比度的尖锐边缘处发生。可以通过在有限波束宽度上对测量的强度求平均来产生EEGE，而用于重建的算法假设零波束宽度。EEGE可以提供减小的计算密度值，并且可以引起与投影方向上的长直边缘相切的条纹。当图像采样频率(每单位面积的像素)小于要采样的空间频率的值的两倍时，会出现混叠伪影。由于发散锥形束，例如在收集CBCT投影空间图像中使用的发散锥形束，也可能出现混叠伪影。缺陷或未校准的检测器元件可能引起环形伪影。环形伪影可以显示为以旋转轴线为中心的同心环。在CBCT图像的收集期间，源、对象和检测器中任何之一的失准可能引起运动伪影和失准效应。
图8A示出了用于深度学习的示例性流程图。输入804可以包括具有一组初始值的定义的深度学习模型、患者图像和预期结果。在示例中，深度学习模型可以包括深度卷积神经网络。在示例中，患者图像可以包括医学图像，例如CBCT图像。在示例中，医学图像可能受伪影污染，并且预期结果可以包括医学图像的伪影减少的版本。在深度学习模型808的训练期间，可以从患者图像和预期结果中选择一批训练数据。可以将深度学习模型应用于患者图像以提供估计结果，然后可以将估计结果与预期结果进行比较，以提供误差图。误差图可以提供估计结果与预期结果之间差的度量。可以将误差图与例如可以由用户提供的预定标准进行比较。如果误差图不满足预定标准，则可以基于误差图更新深度学习模型的模型参数，并且可以从患者图像和预期结果中选择另一批训练数据，并且可以进一步训练深度学习模型。如果误差图满足预定标准，则可以结束训练，然后在深度学习推断阶段812期间可以使用经训练的模型，以从与训练数据不同的患者图像中除去伪影。经训练的模型可以接收新的患者图像并提供预测结果(例如，伪影减少的患者图像)。
图8B示出了投影空间与图像空间之间的关系的示例。该示例中，通过使用反向投影算子或者重构算法(例如解析的或迭代的)可以将诸如可以使用CBCT扫描仪700收集的2D投影空间图像集转换为重构的3D体积图像或者重构的2D图像。然后通过使用正向投影算子可以将重构的3D体积图像转换回2D投影空间图像集。
图9A示出了在投影空间方法中用于减少2D CBCT投影空间图像中的伪影的深度卷积神经网络(deep convolutional neural network，DCNN)900的示例。在示例中，DCNN 900可以是用于回归的DCNN。DCNN 900可以存储在存储器中，例如图像处理装置12的存储器装置16中。DCNN 900可以包括特征提取层904和图像恢复层908。特征提取层904和图像恢复层908可以包括卷积层、池化/子采样层、去卷积层、解除池化/上采样层、激活层、归一化层、复制层或裁剪层中的任何一个或更多个。
DCNN可以在输入902处接收2D CBCT投影空间图像，例如用CBCT扫描仪700收集的图像。特征提取层904可以构建以不同比例和不同复杂度水平提取期望特征的分级特征提取范例，其中每个提取层904接收前一层的潜在表示作为其输入。图像恢复层908可以将伪影减少的2D CBCT投影空间图像从粗糙分辨率逐渐恢复和/或重构到精细分辨率，直到获得期望的2D CBCT投影空间图像分辨率或图像尺寸。在示例中，可以将DCNN 900作为整体来训练(例如，可以在训练模型的每次迭代期间一起更新特征提取层904和图像恢复层908的参数)。在示例中，特征提取层904的参数和图像恢复层908的参数可以分别更新。在示例中，特征提取层904或图像恢复层908的参数可以根据来自预训练模型例如VGG图像分类模型的权重来初始化。特征提取层904或图像恢复层908的其他一些参数可以在训练模型的每次迭代期间更新。
图9B示出了用于训练DCNN例如DCNN 900的方法的示例，该方法用于在投影空间方法中减少2D CBCT受伪影污染投影空间图像中的伪影。DCNN可以接收受伪影污染的2D CBCT投影空间图像的集合(步骤940)。DCNN还可以接收相应的伪影减少的2D CBCT投影空间图像。可以从一组患者(例如从一组患者中的每个患者)收集所接收的受伪影污染的2D CBCT投影空间图像的集合和相应的伪影减少的2D CBCT投影空间图像。在示例中，相应的伪影减少的2D CBCT投影空间图像可以没有伪影或几乎没有伪影。可以通过现有的传统方法(例如，解析或迭代算法)离线地准备相应的伪影减少的2D CBCT投影空间图像，这种方法可能非常耗时且复杂，并且可能不适合于实时应用或者近实时应用。2D CBCT受伪影污染的投影空间图像的集合可以包括处于不同视角的图像。在与DCNN的一对一训练对应的示例中，DCNN可以从一组患者中的每个患者接收多对2D CBCT投影空间图像，其中，每对2D CBCT投影空间图像包括受伪影污染的2D CBCT投影空间图像和相应的伪影减少的2D CBCT投影空间图像。在与DCNN的多对一训练对应的示例中，DCNN可以从一组患者中的每个患者接收多个视图相邻(view-adjacent)的受伪影污染的2D CBCT投影空间图像和相应的伪影减少的2D CBCT投影空间图像。在与DCNN的多对多训练对应的示例中，针对一组患者中的每个患者，DCNN可以接收受伪影污染的3D CBCT投影体积和相应的伪影减少的3D CBCT投影体积。可以将迭代索引设置为初始值零(步骤942)。可以根据2D CBCT投影空间图像的子集形成一批训练数据(步骤944)。该批训练数据可以包括受伪影污染的2D CBCT投影空间图像，所述伪影例如噪声、散射、消光伪影、射束硬化伪影、指数边缘梯度效应、混叠效应、环形伪影、运动伪影或失准效应。该批训练数据还可以包括相应的伪影减少的2D CBCT投影空间图像。可以将这批训练数据提供给DCNN(步骤946)。DCNN可以基于DCNN的当前参数来提供2D CBCT投影空间图像的输出集(步骤948)。可以在2D CBCT投影空间图像的输出集与相应的伪影减少的2D CBCT投影空间图像之间进行比较。在与DCNN的一对一训练对应的示例中，可以将由DCNN处理的每个伪影污染的2D CBCT投影空间图像与相应的伪影减少的2D CBCT投影空间图像进行比较。在与DCNN的多对一训练对应的示例中，可以将由DCNN处理的每多个视图相邻的污染的2D CBCT投影空间图像中的预定的一个(例如中心的那个2D CBCT投影空间图像)与相应的伪影减少的2D CBCT投影空间图像进行比较。在与DCNN的多对多训练对应的示例中，可以将由DCNN处理的每个受伪影污染的3D CBCT投影体积与对应的伪影减少的3DCBCT投影体积进行比较。可以根据比较来确定相应的误差图(步骤950)。然后可以基于相应的误差图例如通过使用反向传播来更新DCNN的参数(步骤952)。在更新DCNN的参数之后，迭代索引可以递增值1(步骤954)。迭代索引可以对应于DCNN的参数已被更新的次数。可以计算停止标准，并且如果满足停止标准，则可以将DCNN模型保存在存储器诸如图像处理装置12的存储器装置16中，并且可以停止训练(步骤958)。如果不满足停止标准，则可以在步骤944处继续训练。在示例中，停止标准可以包括迭代索引的值(例如，停止标准可以包括迭代索引是否大于或等于预定最大迭代次数)。在示例中，停止标准还可以包括2D CBCT投影空间图像的输出集的准确性(例如，停止标准可以包括2D CBCT投影空间图像的输出集与伪影减少的2D CBCT投影空间图像之间的差是否小于预定阈值)。
图9C示出了一种使用经训练的DCNN例如可以根据以上参照图9B描述的方法来训练的DCNN来生成伪影减少的重构3D图像的方法。DCNN可以减少伪影，例如噪声、散射、消光伪影、射束硬化伪影、指数边缘梯度效应、混叠效应、环形伪影、运动伪影或失准效应。可以针对多个视角接收受伪影污染的2D CBCT投影空间图像的集合(步骤980)。可以从网络例如网络20或者从存储器例如图像处理装置12的存储器装置16中接收经训练的DCNN模型(步骤982)。可以将经训练的DCNN用于减少所接收的受伪影污染的2D CBCT投影空间图像中的伪影(例如散射伪影或者环形伪影)(步骤984)。在与DCNN的一对一训练对应的示例中，DCNN可以针对所接收的每个受伪影污染的2D CBCT投影空间图像提供一个伪影减少的2D CBCT投影空间图像。在与DCNN的多对一训练对应的示例中，DCNN可以针对所接收的每多个视图相邻的受伪影污染的2D CBCT图像提供一个伪影减少的2D CBCT投影空间图像。提供的一个伪影减少的2D CBCT投影空间图像可以对应于相应的多个所接收的视图相邻的受伪影污染的2D CBCT投影空间图像中的中心的2D CBCT投影空间图像。在与DCNN的多对多训练对应的示例中，DCNN可以针对所接收的每个受伪影污染的3D CBCT投影体积提供一个伪影减少的3DCBCT投影体积。伪影减少的2D CBCT投影空间图像可以具有增加的与重构算法的数学假设的兼容性。然后可以使用重构算法来变换伪影减少的2D CBCT投影空间图像(步骤986)，以便提供伪影减少的重构的2D图像或3D体积图像(步骤988)。在示例中，经训练的DCNN可以实时地或接近实时地生成用于在线应用的伪影减少的、重构的3D图像(例如，经训练的DCNN每秒可以生成15-20张重构的临床尺寸的2D图像)。在示例中，经训练的DCNN可以除去或者显着减少由于在2D CBCT投影空间图像中的散射而导致的伪影，并且重构的2D图像或3D体积图像可以没有或几乎没有散射伪影。
图10A示出了用于以图像空间方法减少2D CBCT图像中的伪影的深度卷积神经网络(deep convolutional neural network，DCNN)1000的示例。在示例中，DCNN 1000可以是用于回归的DCNN。DCNN 1000可以存储在存储器中，例如存储在图像处理装置12的存储器装置16中。DCNN 1000可以包括特征提取层1004和图像恢复层1008。特征提取层1004和图像恢复层1008可以包括卷积层、池化/子采样层、去卷积层、解除池化/上采样层、激活层、归一化层、复制层或裁剪层中的任何一个或更多个。
图10B示出了在图像空间方法中训练DCNN例如DCNN 1000以减少3D CBCT体积图像中的伪影的方法。DCNN可以接收受伪影污染的3D CBCT体积图像的集合(步骤1040)。DCNN还可以接收相应的伪影减少的3D CBCT体积图像。可以从一组患者(例如从一组患者中的每个患者)收集所接收的受伪影污染的3D CBCT体积图像的集合和相应的伪影减少的3D CBCT体积图像。在示例中，可以通过使用分析算法或迭代算法以减少受伪影污染的3D CBCT体积图像中的伪影，来提供伪影减少的3D CBCT体积图像。在示例中，伪影减少的3D CBCT体积图像可以是配准的CT图像。可以通过可能不适用于实时或近实时应用的方法(例如，通过CT成像或通过使用算法)离线地准备相应的伪影减少的3D CBCT体积图像。在示例中，受伪影污染的3D CBCT体积图像可以包括具有散射伪影的3D CBCT体积图像，并且相应的伪影减少的3DCBCT体积图像可以包括相应的具有减少的散射伪影的3D CBCT体积图像。在示例中，受伪影污染的3D CBCT体积图像可以包括具有环形伪影的3D CBCT体积图像，并且相应的伪影减少的3D CBCT体积图像可以包括相应的具有减少的环形伪影的3D CBCT体积图像。在示例中，相应的伪影减少的3D CBCT体积图像可以没有伪影或几乎没有伪影。在与DCNN的一对一训练对应的示例中，DCNN可以从一组患者中的每个患者处接收多对2D图像，其中，每对2D图像包括受伪影污染的2D CBCT图像和相应的伪影减少的2D图像。伪影减少的2D图像可以包括配准的CT图像。在与DCNN的多对一训练对应的示例中，DCNN可以从一组患者中的每个患者处接收多个相邻的、受伪影污染的2D CBCT图像和相应的伪影减少的2D CBCT图像。伪影减少的2D图像可以包括配准的CT图像。在与DCNN的多对多训练对应的示例中，针对一组患者中的每个患者，DCNN可以接收受伪影污染的3D CBCT图像体积和伪影减少的3D图像体积。伪影减少的3D图像体积可以包括配准的CT图像。可以将迭代索引设置为初始值零(步骤1042)。可以选择受伪影污染的3D CBCT体积图像的集合和相应的3D伪影减少的CBCT图像或配准的CT图像，以形成一批训练数据(步骤1044)。受伪影污染的3D CBCT体积图像包括受伪影污染的3D CBCT体积图像，所述伪影例如噪声、散射、消光伪影、射束硬化伪影、指数边缘梯度效应、混叠效应、环形伪影、运动伪影或失准效应。可以将这批训练数据提供给DCNN(步骤1046)。DCNN可以基于DCNN的当前参数提供3D CBCT体积图像的输出集(步骤1048)。可以在3D CBCT体积图像的输出集与相应的伪影减少的3D CBCT体积图像之间进行比较。在与DCNN的一对一训练对应的示例中，可以将由DCNN处理的每个伪影污染的2D CBCT图像与相应的伪影减少的2D图像进行比较。伪影减少的2D图像可以包括配准的2D CT图像。在与DCNN的多对一训练对应的示例中，可以将由DCNN处理的每多个相邻的伪影污染的2D CBCT图像中的预定的一个(例如中心的那个)与相应的伪影减少的2D图像进行比较。伪影减少的2D图像可以包括配准的CT图像。在与DCNN的多对多训练对应的示例中，可以将由DCNN处理的每个受伪影污染的3D CBCT图像体积与相应的伪影减少的3D图像体积进行比较。伪影减少的3D图像体积可以包括配准的3D CT图像。可以根据比较来确定相应的误差图(步骤1050)。然后可以基于对应的误差图例如通过使用反向传播来更新DCNN的参数(步骤1052)。在更新DCNN的参数之后，迭代索引可以递增值1(步骤1054)。迭代索引可以对应于DCNN的参数已被更新的次数。可以计算停止标准，并且如果满足停止标准，则可以将DCNN模型保存在存储器诸如图像处理装置12的存储器装置16中，并且可以停止训练(步骤1058)。如果不满足停止标准，则在步骤1044处训练可以继续。在示例中，停止标准可以包括迭代索引的值(例如，停止标准可以包括迭代索引是否大于或等于预定最大迭代次数)。在示例中，停止标准还可以包括3D CBCT体积图像的输出集的准确性(例如，停止标准可以包括3D CBCT体积图像的输出集与伪影减少的3D CBCT体积图像之间的差是否小于预定阈值)。
图10C示出了一种使用经训练的DCNN例如可以根据以上参照图10B描述的方法来训练的DCNN来生成伪影减少的3D体积图像或者2D CBCT图像的方法。DCNN可以减少伪影，例如噪声、散射、消光伪影、射束硬化伪影、指数边缘梯度效应、混叠效应、环形伪影、运动伪影或失准效应。可以接收受伪影污染的2D CBCT图像的集合(步骤1080)。可以从网络例如网络20或者从存储器例如图像处理装置12的存储器装置16中接收经训练的DCNN模型(步骤1082)。可以使用经训练的DCNN可来减少所接收的受伪影污染的2D CBCT图像中的伪影(步骤1084)。在与DCNN的一对一训练对应的示例中，DCNN可以为所接收的每个受伪影污染的2DCBCT图像提供一个伪影减少的2D CBCT图像。在与DCNN的多对一训练对应的示例中，DCNN可以为所接收的每多个相邻的伪影污染的2D CBCT图像提供一个伪影减少的2D CBCT图像。提供的一个伪影减少的2D CBCT图像可以对应于相应的多个所接收的相邻的受伪影污染的2DCBCT图像的中心的那个。在与DCNN的多对多训练对应的示例中，DCNN可以为接收的每个受伪影污染的3D CBCT图像体积提供一个伪影减少的3D CBCT图像体积。在示例中，DCNN的第一部分例如特征提取部分1004，可以在受伪影污染的2D CBCT图像中提取被识别为非伪影的特征。然后，DCNN的第二部分例如图像恢复部分1008，可以根据由DCNN的第一部分提取的特征来重构伪影减少的2D CBCT图像。然后，伪影减少的2D CBCT图像可以被组装以形成伪影减少的3D体积图像(步骤1086)。在示例中，经训练的DCNN可以实时地或接近实时地生成用于在线应用的伪影减少的3D体积图像或2D CBCT图像(例如，经训练的DCNN可以每秒产生15-20个伪影减少的2D CBCT图像)。在示例中，经训练的DCNN可以除去或者显著减少由于散射引起的伪影，并且2D CBCT图像或3D体积图像可以没有或几乎没有散射伪影，以可以导致改善的图像对比度。在示例中，经训练的DCNN可以去除或者显著减少例如在受伪影污染的2D或3D CBCT图像中可以作为环形出现的环形伪影。
图10D示出了从患者收集的2D CBCT图像1090、从患者收集的配准的CT图像1092、以及伪影减少的2D CBCT图像1094的示例，所述图像例如是通过使用DCNN提供的，所述DCNN例如是使用关于图10B描述的方法训练的DCNN。2D CBCT图像1090可能受伪影污染，配准的CT图像1092是无伪影的或几乎无伪影的，并且伪影减少的2D CBCT图像1094在由DCNN处理之后可以与配准的CT图像1092紧密匹配。
图11示出了用于生成伪影减少的3D CBCT图像的另一实施方式。可以接收受伪影污染的3D CBCT体积图像(步骤1120)。可以选择3D CBCT图像的平面(步骤1122)。可以接收经训练的DCNN模型，例如根据参照图10B所描述的方法训练的模型(步骤1124)。可以根据所选平面生成一系列2D图像(步骤1126)。可以将所接收的DCNN模型应用于一系列2D图像中的每一个，以生成相应的伪影减少的2D CBCT图像(步骤1128)。然后可以将所生成的伪影减少的2D CBCT图像进行组装以形成伪影减少的3D CBCT体积图像(步骤1130)。如果并非受伪影污染的3D CBCT体积图像的所有平面均已被处理，则在再次进行步骤1124至1130之前，在步骤1122选择受伪影污染的3D CBCT体积图像的另一平面。如果已经处理了受伪影污染的3DCBCT体积图像的所有平面，则可以通过将对应于不同所选平面的伪影减少的3D CBCT体积图像进行融合来形成最终的伪影减少的3D CBCT图像。在示例中，可以使用不同的经训练的DCNN模型来处理受伪影污染的3D CBCT图像的不同的所选平面。
图12以示例的方式示出了机器1200的实施方式的框图，在该机器800上可以实现如本文所讨论的方法中的一种或更多种。在一个或更多个实施方式中，图像处理装置12的一项或更多项可以由机器1200来实现。在替选的实施方式中，机器1200作为独立的装置进行操作，或者可以连接(例如，联网)至其他机器。在一个或更多个实施方式中，图像处理装置12可以包括机器1200的项中的一项或更多项。在联网的部署中，机器1200可以在服务器-客户端网络环境中以服务器或客户端机器的能力进行操作，或者在对等(或分布式)网络环境中作为对等机器进行操作。机器可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、蜂窝电话、网络设备、网络路由器、交换机或网桥或者能够(顺序地或以其他方式)执行指令的任何机器，这些指令指定要由该机器采取的动作。此外，尽管仅示出了单个机器，但是术语“机器”也应被理解为包括机器的任何集合，这些机器单独地或共同地执行一组(或多组)指令以执行本文所讨论的方法中的任何一个或更多个。
示例机器1200包括处理电路系统1202(例如，中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路、电路系统(例如一个或更多个晶体管、电阻器、电容器、电感器、二极管、逻辑门、复用器、缓冲器、调制器、解调器、无线电(例如，发送或接收无线电或者收发器))、传感器1221(例如，将一种形式的能量(例如，光、热、电、机械或其他能量)转换为另一种形式的能量的换能器)等或者其组合)、主存储器1204和静态存储器1206，它们经由总线1208彼此通信。机器1200(例如计算机系统)还可以包括视频显示单元1210(例如，液晶显示器(LCD)或阴极射线管(CRT))。机器1200还包括字母数字输入装置1212(例如键盘)、用户接口(UI)导航装置1214(例如鼠标)、磁盘驱动器或大容量存储单元1216、信号生成装置1218(例如扬声器)和网络接口装置1220。
磁盘驱动器单元1216包括机器可读介质1222，在该机器可读介质1222上存储有一组或更多组指令和数据结构(例如软件)1224，这些指令和数据结构(例如软件)体现本文所述的方法或功能中的任何一种或更多种或者由本文所述的方法或功能中的任何一种或更多种使用。在由机器1200执行指令1224期间，指令824还可以全部或至少部分地驻留在主存储器1204内和/或在处理器1202内，主存储器1204和处理器1202也构成机器可读介质。
如所示的机器1200包括输出控制器1228。输出控制器1228管理至机器1200/来自机器1200的数据流。输出控制器1228有时被称为装置控制器，其中直接与输出控制器1228交互的软件被称为装置驱动程序。
虽然在示例实施方式中机器可读介质1222被示出为单个介质，但是术语“机器可读介质”可以包括存储一个或更多个指令或者数据结构的单个介质或多个介质(例如，集中式或分布式数据库，和/或相关联的缓存和服务器)。术语“机器可读介质”还应被认为包括能够存储、编码或携带指令或者能够存储、编码或携带数据结构的任何有形介质，这些指令由机器执行并且使机器执行本发明的方法中的任何一种或更多种方法，这些数据结构由这样的指令利用或与这样的指令相关联。因此，术语“机器可读介质”应被认为包括但不限于固态存储器以及光学介质和磁介质。机器可读介质的特定示例包括非易失性存储器，所述非易失性存储器通过示例的方式包括：半导体存储器件，例如可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)和闪存器件；磁盘，例如内部硬盘和可移动磁盘；磁光盘；以及CD-ROM和DVD-ROM磁盘。
还可以使用传输介质通过通信网络1226来发送或接收指令1224。可以使用网络接口装置1220和许多众所周知的传输协议(例如HTTP)中的任何一种来发送指令1224。通信网络的示例包括局域网(“LAN”)、广域网(“WAN”)、因特网、移动电话网络、普通老式电话(POTS)网络和无线数据网络(例如WiFi和WiMax网络)。术语“传输介质”应被认为包括能够存储、编码或携带由机器执行并且包括数字或模拟通信信号的指令的任何无形介质，或者便于这样的软件的通信的其他无形介质。
如本文所使用的，“在......之间通信上耦接”指的是处于耦接的任何一方的实体必须通过在其之间的项进行通信，并且这些实体如果不通过该项进行通信就不能彼此进行通信。
补充注释
以上的详细描述包括对附图的参照，这些附图形成详细描述的一部分。附图通过说明的方式而不是通过限制的方式示出了具体实施方式，在所述具体实施方式中可以实践本发明。这些实施方式在本文中也被称为“示例”。这样的示例可以包括除了示出的或描述的要素之外的要素。然而，发明人还预期了其中仅提供了示出的或描述的那些要素的示例。此外，发明人还预期了使用关于特定示例(或者特定示例的一个或更多个方面)或关于在本文中示出或描述的其他示例(或者其他示例的一个或更多个方面)示出的或描述的那些要素(或者那些要素的一个或更多个方面)的任何结合或置换的示例。
本文中参考的所有出版物、专利和专利文献都通过引用整体并入本文，就好像通过引用单独地并入一样。如果在本文与通过引用并入的那些文献之间存在不一致用法，则并入的一个或更多个参考文献中的用法应被视为对本文的用法的补充；对于矛盾的不一致之处，以本文中的用法为准。
在本文中，在介绍本发明的各个方面或其实施方式中的元素时，如在专利文献中常见的那样，使用术语“一”、“一个”、“该”和“所述”以包括元素中的一个或多于一个或更多个，独立于“至少一个”或者“一个或更多个”的任何其他实例或用法。在本文中，术语“或”被用于表示非排他性，或者，使得除非另有说明，否则“A或B”包括“A而不是B”、“B而不是A”以及“A和B”。
在所附权利要求中，术语“包括(including)”和“其中(in which)”被用作相应术语“包括(comprising)”和“其中(wherein)”的普通英语等同物。此外，在所附权利要求中，术语“包括(comprising)”、“包括(including)”和“具有”旨在是开放性的，意指除了所列元素之外可能还有其他元素，使得在权利要求中的这样的术语(例如，包括(comprising)、包括(including)、具有)之后的仍被认为属于该权利要求的范围。此外，在以下权利要求中，术语“第一”、“第二”和“第三”等仅用作标记，并不旨在对其对象施加数值要求。
可以利用计算机可执行指令来实现本发明的实施方式。计算机可执行指令(例如，软件代码)可以被组织成一个或更多个计算机可执行部件或模块。可以利用任何数目和组织的这样的部件或模块来实现本发明的各方面。例如，本发明的各方面不限于附图中示出的以及本文中描述的具体的计算机可执行指令或者具体的部件或模块。本发明的其他实施方式可以包括具有比本文中示出和描述的功能更多或更少的功能的不同的计算机可执行指令或部件。
本文中描述的方法示例(例如，操作和功能)可以至少部分地是机器或计算机实现的(例如，被实现为软件代码或指令)。一些示例可以包括编码有指令的计算机可读介质或机器可读介质，所述指令能够操作成配置电子装置来执行如在以上示例中所述的方法。这样的方法的实现可以包括软件代码例如微代码、汇编语言代码、高级语言代码等(例如“源代码”)。这样的软件代码可以包括用于执行各种方法的计算机可读指令(例如，“对象”或“可执行代码”)。软件代码可以形成计算机程序产品的部分。可以经由在其上存储有代码或指令的制品，或者经由操作通信接口以经由通信接口(例如，无线地、通过因特网、经由卫星通信等)发送数据的方法来提供本文描述的实施方式的软件实现。
此外，可以在执行期间或在其他时间将软件代码有形地存储在一个或更多个易失性或非易失性计算机可读存储介质上。这些计算机可读存储介质可以包括以可以由机器(例如计算装置、电子系统等)访问的形式存储信息的任何机构，例如但不限于软盘、硬盘、可移动磁盘、任何形式的磁盘存储介质、CDROM、磁光盘、可移动光盘(例如压缩光盘和数字视频磁盘)、闪存器件、磁带盒、存储卡或存储棒(例如安全数字卡)、随机访问存储器(RAM)(例如CMOS RAM等)、可记录/不可记录介质(例如只读存储器(ROM))、EPROM、EEPROM或者适于存储电子指令的任何类型的介质等。这样的计算机可读存储介质耦接至计算机系统总线以可以由处理器和OIS的其他部分来访问。
在一个实施方式中，计算机可读存储介质可以已经编码了用于治疗计划的数据结构，其中治疗计划可以是自适应的。用于计算机可读存储介质的数据结构可以是医学数字成像和通信(DICOM)格式、扩展的DICOM格式、XML格式等中的至少一种。DICOM是一种定义用于在各种类型的医疗设备之间传输与医学图像有关的数据的格式的国际通信标准。DICOMRT指的是特定于放射治疗的通信标准。
在本发明的各种实施方式中，创建部件或模块的方法可以以软件、硬件或其组合来实现。例如，可以通过使用标准编程语言诸如例如C、C++、Java、Python等以及其组合以软件来实现由本发明的各个实施方式提供的方法。如本文所使用的，术语“软件”和“固件”是可互换的，并且包括存储在存储器中以由计算机执行的任何计算机程序。
通信接口包括与硬连线介质、无线介质、光学介质等中的任何一种对接以与另一装置进行通信的任何机构，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。可以通过提供配置参数和/或发送信号来配置通信接口，以准备通信接口来提供描述软件内容的数据信号。可以通过被发送至通信接口的一个或更多个命令或信号来访问通信接口。
本发明还涉及用于执行本文中的操作的系统。该系统可以针对所需目的专门地被构造，或者可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。除非另有说明，否则本文中示出和描述的本发明的实施方式中的操作的实施或执行的顺序不一定。也就是说，除非另有说明，否则可以以任何顺序执行操作，并且本发明的实施方式可以包括与本文中公开的这些操作相比附加的或更少的操作。例如，预期到，在另外的操作之前、与另外的操作同时或在另外的操作之后运行或执行特定操作在本发明的各方面的范围内。
鉴于以上内容，将看到，实现了本发明的若干目的并且获得了其他有利的结果。已经详细地描述了本发明的各方面，将明显的是，在不偏离如所附权利要求书中限定的本发明的各方面的范围的情况下，修改和变化是可行的。由于在不偏离本发明的各方面的范围的情况下可以在上述构造、产品和方法中进行各种改变，所以上述说明书中包含的以及附图中示出的所有内容旨在应被理解为说明性的而非限制意义。
上面的描述旨在是说明性的，而不是限制性的。例如，以上描述的示例(或示例的一个或更多个方面)可以彼此结合使用。另外，在不脱离本发明的范围的情况下，可以做出许多修改以使特定情况或材料适应本公开内容的教导。尽管本文描述的材料和涂层的尺寸、类型旨在限定本发明的参数，但是其绝不是限制性的，而是示例性实施方式。在回顾以上描述之后，许多其他的实施方式对于本领域技术人员将是明显的。因此，应当参考所附权利要求以及这样的权利要求所赋予的等同物的全部范围来确定本发明的范围。
此外，在以上的具体实施方式中，可以将各种特征组合在一起以简化本公开内容。这不应当被解释成意为：对于任何权利要求而言，未要求保护的公开特征均是必要的。而是，发明主题可能在于少于特定公开的实施方式的所有特征。因此，所附权利要求书在此并入具体实施方式中，其中每项权利要求自身作为单独的实施方式存在。应当参照所附权利要求以及这样的权利要求所赋予的等同物的全部范围来确定本发明的范围。此外，所附权利要求的限制不以装置加功能的格式编写，并且也不旨在基于35U.S.C.§112第六段进行解释，除非这样的权利要求的限制明确地使用短语“用于......的装置”，“用于”之后是没有进一步的结构的功能陈述。
提供摘要以符合37C.F.R.§1.72(b)，以允许读者快速地确定技术公开的实质。提交了摘要并理解：摘要将不会被用来解释或限制权利要求的范围或含义。

Claims (21)

1.一种用于训练深度卷积神经网络以减少至少一个投影空间图像中的一个或更多个伪影的方法，所述方法包括：
从一组患者中的每个患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像；以及
使用从所述一组患者中的每个患者收集的所述多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和所述至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像来训练深度卷积神经网络,以减少新患者的多个视图相邻的锥形束计算机断层成像投影空间图像中的至少一个视图相邻的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。
2.根据权利要求1所述的方法，
其中，收集所述图像包括：从所述一组患者中的每个患者收集多对投影空间图像，其中，各对投影空间图像包括受伪影污染的锥形束计算机断层成像投影空间图像和相应的伪影减少的锥形束计算机断层成像投影空间图像；以及
其中，使用所述图像来训练所述深度卷积神经网络包括：使用从所述一组患者中的每个患者收集的所述多对投影空间图像来训练用于回归的所述深度卷积神经网络，以减少所述新患者的多个视图相邻的锥形束计算机断层成像投影空间图像中的所述至少一个视图相邻的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。
3.根据权利要求1所述的方法，
其中，所述至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像包括所述多个锥形束计算机断层成像投影空间图像中的中心的伪影减少的锥形束计算机断层成像投影空间图像；以及
其中，所述深度卷积神经网络被训练以减少所述新患者的多个视图相邻的锥形束计算机断层成像投影空间图像中的至少中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。
4.根据权利要求1所述的方法，
其中，收集所述图像包括：从所述一组患者中的每个患者收集三维的受伪影污染的锥形束计算机断层成像投影体积和相应的伪影减少的锥形束计算机断层成像投影体积；以及
其中，使用所述图像来训练所述深度卷积神经网络包括：使用从所述一组患者中的每个患者收集的所述三维的受伪影污染的锥形束计算机断层成像投影体积和所述相应的伪影减少的锥形束计算机断层成像投影体积来训练所述深度卷积神经网络，以减少所述锥形束计算机断层成像投影体积中的一个或更多个伪影。
5.一种使用深度卷积神经网络来减少从患者收集的投影空间图像中的一个或更多个伪影的方法，所述方法包括：
从所述患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像；以及
使用经训练的深度卷积神经网络来减少从所述患者收集的所述多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像中的一个或更多个伪影，所述深度卷积神经网络包括通过使用从一组患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和至少一个相应的伪影减少的锥形束计算机断层成像投影空间图像来训练的模型。
6.根据权利要求5所述的方法，其中，所述经训练的深度卷积神经网络接近实时地减少从所述患者收集的投影空间图像中的至少一个伪影，其中，所述至少一个伪影包括散射伪影或噪声伪影中的至少之一。
7.根据权利要求5所述的方法，其中，所述深度卷积神经网络包括通过使用从所述一组患者中的每个患者收集的多对投影空间图像来训练的模型，其中，各对投影空间图像包括受伪影污染的锥形束计算机断层成像投影空间图像和相应的伪影减少的锥形束计算机断层成像投影空间图像。
8.根据权利要求5所述的方法，
其中，使用所述经训练的深度卷积神经网络包括：使用所述经训练的深度卷积神经网络来减少从所述患者收集的所述多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像的中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影，所述深度卷积神经网络包括通过使用从所述一组患者中的每个患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像和所述多个视图相邻的锥形束计算机断层成像投影空间图像中的相应的伪影减少的中心的锥形束计算机断层成像投影空间图像来训练的模型。
9.根据权利要求8所述的方法，其中，所述经训练的深度卷积神经网络使用从所述患者收集的所述多个视图相邻的受伪影污染的锥形束计算机断层成像投影空间图像之间的至少一种相关性，来减少从所述患者收集的所述多个视图相邻的锥形束计算机断层成像投影空间图像中的中心的锥形束计算机断层成像投影空间图像中的一个或更多个伪影。
10.根据权利要求5所述的方法，
其中，收集所述图像包括：从所述患者收集三维的受伪影污染的锥形束计算机断层成像投影体积；以及
其中，使用所述经训练的深度卷积神经网络包括：使用所述经训练的深度卷积神经网络来减少从所述患者收集的所述锥形束计算机断层成像投影体积中的一个或更多个伪影，所述深度卷积神经网络包括通过使用从所述一组患者中的每个患者收集的三维的受伪影污染的锥形束计算机断层成像投影体积和相应的伪影减少的锥形束计算机断层成像投影体积来训练的模型。
11.一种用于训练深度卷积神经网络以减少锥形束计算机断层成像解剖图像中的一个或更多个伪影的方法，所述方法包括：
从一组患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像患者解剖图像和相应的伪影减少的计算机断层成像解剖图像；以及
使用所述多个视图相邻的受伪影污染的锥形束计算机断层成像解剖图像和所述相应的伪影减少的计算机断层成像解剖图像来训练用于回归的深度卷积神经网络以从锥形束计算机断层成像解剖图像中除去伪影。
12.根据权利要求11所述的方法，
其中，收集所述图像包括：从所述一组患者中的每个患者收集多对解剖图像，其中，各对解剖图像包括受伪影污染的锥形束计算机断层成像解剖图像和相应的伪影减少的计算机断层成像解剖图像；以及
其中，使用所述图像包括：使用收集的图像来训练所述深度卷积神经网络，以减少锥形束计算机断层成像解剖图像中的一个或更多个伪影。
13.根据权利要求11所述的方法，
其中，收集所述图像包括：针对所述一组患者中的每个患者收集多个相邻的受伪影污染的锥形束计算机断层成像解剖图像和与所述多个相邻的受伪影污染的锥形束计算机断层成像解剖图像中的中心的受伪影污染的锥形束计算机断层成像解剖图像对应的伪影减少的计算机断层成像解剖图像；以及
其中，使用所述图像包括：使用收集的图像来训练所述深度卷积神经网络，以减少多个锥形束计算机断层成像解剖图像中的至少中心的锥形束计算机断层成像解剖图像中的一个或更多个伪影。
14.根据权利要求11所述的方法，包括：
其中，收集所述图像包括：针对所述一组患者中的每个患者收集至少一个受伪影污染的锥形束计算机断层成像投影解剖体积和至少一个相应的伪影减少的计算机断层成像投影解剖体积；以及
其中，使用所述图像来训练所述深度卷积神经网络包括：使用收集的图像来训练所述深度卷积神经网络，以减少锥形束计算机断层成像解剖体积中的一个或更多个伪影。
15.一种使用深度卷积神经网络来减少从患者收集的图像中的一个或更多个伪影的方法，所述方法包括：
从所述患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像解剖图像；以及
使用经训练的深度卷积神经网络来减少从所述患者收集的所述图像中的一个或更多个伪影，所述深度卷积神经网络包括通过使用从一组患者收集的多个视图相邻的受伪影污染的锥形束计算机断层成像解剖图像和相应的伪影减少的解剖图像来训练的模型。
16.根据权利要求15所述的方法，其中，所述经训练的深度卷积神经网络接近实时地减少从所述患者收集的解剖图像中的至少一个伪影，其中，所述至少一个伪影包括散射伪影、射束硬化伪影、噪声伪影、消光伪影、指数边缘梯度伪影、混叠伪影、环形伪影、条纹伪影或运动伪影中的至少之一。
17.根据权利要求15所述的方法，
其中，所述深度卷积神经网络包括通过使用从所述一组患者中的每个患者收集的多对解剖图像来训练的模型，其中，各对解剖图像包括视图相邻的受伪影污染的锥形束计算机断层成像解剖图像和相应的伪影减少的计算机断层成像解剖图像。
18.根据权利要求15所述的方法，
其中，所述深度卷积神经网络包括通过使用针对所述一组患者中的每个患者收集的多个相邻的受伪影污染的锥形束计算机断层成像解剖图像和与所述多个相邻的受伪影污染的锥形束计算机断层成像解剖图像的中心的锥形束计算机断层成像解剖图像对应的伪影减少的计算机断层成像解剖图像来训练的模型。
19.根据权利要求15所述的方法，
其中，所述深度卷积神经网络包括通过使用针对所述一组患者中每个患者收集的至少一个受伪影污染的锥形束计算机断层成像解剖体积和至少一个相应的伪影减少的计算机断层成像解剖体积来训练的模型。
20.一种用于训练深度卷积神经网络以减少锥形束计算机断层成像解剖图像中的一个或更多个伪影的方法，所述方法包括：
从一组患者收集多个视图相邻的受伪影污染的锥形束计算机断层成像患者解剖图像和相应的视图相邻的伪影减少的解剖图像；以及
使用所述多个视图相邻的受伪影污染的锥形束计算机断层成像解剖图像和相应的视图相邻的伪影减少的解剖图像来训练深度卷积神经网络以从新患者的锥形束计算机断层成像解剖图像中除去伪影。
21.根据权利要求20所述的方法，包括使用迭代算法、计算机仿真、物理体模或配准的计算机断层成像解剖图像中的至少之一来提供来自所述一组患者的相应的伪影减少的解剖图像。
CN201780093896.4A 2017-06-26 2017-07-24 使用深度卷积神经网络来改善锥形束ct图像质量的方法 Active CN111684492B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762524933P 2017-06-26 2017-06-26
US62/524,933 2017-06-26
PCT/US2017/043479 WO2019005180A1 (en) 2017-06-26 2017-07-24 METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK

Publications (2)

Publication Number Publication Date
CN111684492A CN111684492A (zh) 2020-09-18
CN111684492B true CN111684492B (zh) 2024-03-15

Family

ID=59501629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780093896.4A Active CN111684492B (zh) 2017-06-26 2017-07-24 使用深度卷积神经网络来改善锥形束ct图像质量的方法

Country Status (6)

Country Link
US (2) US10573032B2 (zh)
EP (1) EP3646288B1 (zh)
JP (2) JP6887030B2 (zh)
CN (1) CN111684492B (zh)
AU (1) AU2017420781B2 (zh)
WO (1) WO2019005180A1 (zh)

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10846860B2 (en) 2013-03-05 2020-11-24 Nview Medical Inc. Systems and methods for x-ray tomosynthesis image reconstruction
DE102016217984A1 (de) * 2016-09-20 2018-04-05 Siemens Healthcare Gmbh Sinogrammbasierte Streustrahlenkorrektur in der Computertomographie
AU2017420781B2 (en) 2017-06-26 2020-12-17 Elekta, Inc. Method for improving cone-beam CT image quality using a deep convolutional neural network
CN111373448B (zh) * 2017-09-22 2023-12-08 尼维医疗公司 使用机器学习正则化器的图像重建
CN109378043A (zh) * 2017-10-13 2019-02-22 北京昆仑医云科技有限公司 基于患者的医学图像生成诊断报告的系统和方法及介质
DE102017219307B4 (de) * 2017-10-27 2019-07-11 Siemens Healthcare Gmbh Verfahren und System zur Kompensation von Bewegungsartefakten mittels maschinellen Lernens
DE102017221830A1 (de) * 2017-12-04 2019-06-06 Siemens Healthcare Gmbh Charakterisierung eines Störkörpers innerhalb eines Untersuchungsobjektes anhand eines medizinischen Bilddatensatzes
US11100632B2 (en) 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
KR20210005633A (ko) * 2018-04-19 2021-01-14 서틀 메디컬, 인크. 딥 러닝을 사용하여 자기 공명 이미징을 향상시키기 위한 시스템들 및 방법들
US11501438B2 (en) 2018-04-26 2022-11-15 Elekta, Inc. Cone-beam CT image enhancement using generative adversarial networks
US10832383B2 (en) * 2018-04-30 2020-11-10 Disney Enterprises, Inc. Systems and methods for distortion removal at multiple quality levels
KR102106694B1 (ko) * 2018-05-17 2020-05-04 한국과학기술원 뉴럴 네트워크를 이용하는 영상 처리 장치 및 상기 장치가 수행하는 방법
WO2020026033A2 (en) * 2018-08-02 2020-02-06 Imedis Al Ltd Systems and methods for improved analysis and generation of medical imaging reports
US11836597B2 (en) * 2018-08-09 2023-12-05 Nvidia Corporation Detecting visual artifacts in image sequences using a neural network model
US10991092B2 (en) * 2018-08-13 2021-04-27 Siemens Healthcare Gmbh Magnetic resonance imaging quality classification based on deep machine-learning to account for less training data
US11475991B2 (en) * 2018-09-28 2022-10-18 Varian Medical Systems International Ag Methods and systems for adaptive radiotherapy treatment planning using deep learning engines
WO2020075345A1 (ja) * 2018-10-10 2020-04-16 キヤノン株式会社 医用画像処理装置、医用画像処理方法及びプログラム
US11042778B2 (en) * 2018-11-29 2021-06-22 International Business Machines Corporation Generating realistic organ x-ray angiography (XA) images for deep learning consumption
US10311570B1 (en) * 2018-12-07 2019-06-04 Sonavista, Inc. Medical image based distortion correction mechanism
US10888713B2 (en) * 2018-12-28 2021-01-12 Varian Medical Systems, Inc. Multileaf collimator with alternating trapezoidal leaf geometry design
CN109782339A (zh) * 2019-01-14 2019-05-21 西安交通大学 一种基于3D-DnCNN网络的叠后三维地震资料随机噪声压制方法
US11710034B2 (en) * 2019-02-27 2023-07-25 Intel Corporation Misuse index for explainable artificial intelligence in computing environments
JP7516074B2 (ja) * 2019-03-05 2024-07-16 キヤノンメディカルシステムズ株式会社 医用処理装置
US11026642B2 (en) * 2019-03-29 2021-06-08 Canon Medical Systems Corporation Apparatuses and a method for artifact reduction in medical images using a neural network
EP3719750A1 (en) * 2019-04-03 2020-10-07 Siemens Healthcare GmbH Medical imaging artifact correction
EP3725229A1 (en) * 2019-04-18 2020-10-21 DENTSPLY SIRONA Inc. Method of metal artefact reduction in x-ray dental volume tomography
US11954578B2 (en) * 2019-04-24 2024-04-09 University Of Virginia Patent Foundation Denoising magnetic resonance images using unsupervised deep convolutional neural networks
EP3745153A1 (en) * 2019-05-28 2020-12-02 Koninklijke Philips N.V. A method for motion artifact detection
EP3980972A1 (en) * 2019-06-06 2022-04-13 Elekta, Inc. Sct image generation using cyclegan with deformable layers
CN110264421B (zh) * 2019-06-13 2022-07-12 明峰医疗系统股份有限公司 一种ct坏通道校正方法
CN110287965A (zh) * 2019-06-18 2019-09-27 成都玻尔兹曼智贝科技有限公司 多层神经网络自动分离cbct图像中牙根和牙槽骨的方法
US11224399B2 (en) * 2019-07-12 2022-01-18 Canon Medical Systems Corporation Apparatus and method using deep learning (DL) to compensate for large focal spot size in x-ray projection imaging
CN110390361B (zh) * 2019-07-25 2021-04-09 安徽工程大学 一种基于运动补偿学习的4d-cbct成像方法
JP2022545440A (ja) * 2019-08-23 2022-10-27 サトゥル メディカル，インコーポレイテッド 深層学習を用いた正確且つ迅速な陽電子放出断層撮影のためのシステム及び方法
CN110742635B (zh) * 2019-10-08 2021-10-08 南京安科医疗科技有限公司 一种复合能谱ct成像方法
US11735306B2 (en) * 2019-11-25 2023-08-22 Dentsply Sirona Inc. Method, system and computer readable storage media for creating three-dimensional dental restorations from two dimensional sketches
CN111080615B (zh) * 2019-12-12 2023-06-16 创新奇智(重庆)科技有限公司 基于卷积神经网络的pcb缺陷检测系统及检测方法
US11436766B2 (en) * 2019-12-20 2022-09-06 Varian Medical Systems International Ag Tomographic image reconstruction using artificial intelligence (AI) engines
US11386592B2 (en) 2019-12-20 2022-07-12 Varian Medical Systems International Ag Tomographic image analysis using artificial intelligence (AI) engines
CN111091516B (zh) * 2019-12-24 2021-06-04 广州柏视医疗科技有限公司 一种基于人工智能的抗散射光栅方法及装置
CN111053568B (zh) * 2019-12-30 2021-10-08 苏州瑞派宁科技有限公司 Ct图像中环形伪影的校正方法、装置及计算机存储介质
US11348243B2 (en) 2020-01-24 2022-05-31 GE Precision Healthcare LLC Systems and methods for medical image style transfer using deep neural networks
US11341616B2 (en) * 2020-03-23 2022-05-24 Ge Precision Healthcare Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
CN111915733B (zh) * 2020-08-11 2022-10-25 天津大学 基于LeNet网络的三维锥束X射线发光断层成像方法
CN111951346B (zh) * 2020-08-18 2023-06-23 安徽工程大学 一种联合运动估计与时空张量增强表示的4d-cbct重建方法
US11662321B2 (en) * 2020-10-09 2023-05-30 Baker Hughes Oilfield Operations Llc Scatter correction for computed tomography imaging
US11698349B2 (en) * 2020-10-09 2023-07-11 Baker Hughes Oilfield Operations Llc Scatter correction for computed tomography imaging
CN112435307B (zh) * 2020-11-26 2022-05-10 浙江大学 一种深度神经网络辅助的四维锥束ct影像重建方法
WO2022147306A1 (en) * 2020-12-30 2022-07-07 Universal Research Solutions, Llc Patient post-operation improvement prediction using machine learning
CN112396042A (zh) * 2021-01-20 2021-02-23 鹏城实验室 实时更新的目标检测方法及系统、计算机可读存储介质
US11890124B2 (en) 2021-02-01 2024-02-06 Medtronic Navigation, Inc. Systems and methods for low-dose AI-based imaging
CN113438451B (zh) * 2021-06-21 2022-04-19 易成功(厦门)信息科技有限公司 用于多终端多源数据的统一标准化处理平台与方法
US20230048231A1 (en) * 2021-08-11 2023-02-16 GE Precision Healthcare LLC Method and systems for aliasing artifact reduction in computed tomography imaging
CN113657580B (zh) * 2021-08-17 2023-11-21 重庆邮电大学 基于微环谐振器和非易失性相变材料的光子卷积神经网络加速器
US20230145523A1 (en) * 2021-11-10 2023-05-11 Canon Medical Systems Corporation Medical image processing apparatus, x-ray ct apparatus, medical image processing method and non-volatile storage medium storing program
KR102691232B1 (ko) 2021-12-20 2024-08-05 사회복지법인 삼성생명공익재단 학습모델 기반의 저 선량 ct 복원 방법 및 영상처리장치
CN114820730B (zh) * 2022-03-08 2023-04-07 安徽慧软科技有限公司 一种基于伪ct的ct与cbct配准方法
US20240245932A1 (en) * 2023-01-20 2024-07-25 Elekta Ltd. Techniques for adaptive radiotherapy based on cbct projection correction and reconstruction
US20240245363A1 (en) * 2023-01-20 2024-07-25 Elekta Ltd. Techniques for processing cbct projections
US20240249451A1 (en) * 2023-01-20 2024-07-25 Elekta Ltd. Techniques for removing scatter from cbct projections
CN116977471B (zh) * 2023-08-04 2024-06-07 广州柏视医疗科技有限公司 一种生成合成计算机断层扫描图像的方法和设备
CN116740218B (zh) * 2023-08-11 2023-10-27 南京安科医疗科技有限公司 一种心脏ct成像图像质量优化方法、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101842807A (zh) * 2007-05-31 2010-09-22 伊利克塔股份有限公司 Ct扫描中运动伪影的减少
CN102067170A (zh) * 2007-08-31 2011-05-18 皇家飞利浦电子股份有限公司 在存在金属伪影的情况下用于分割的不确定性图
CN105447866A (zh) * 2015-11-22 2016-03-30 南方医科大学 基于卷积神经网络的x线胸片骨抑制处理方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3642591B2 (ja) * 1994-11-29 2005-04-27 株式会社日立メディコ 画像処理装置
CN103339652A (zh) * 2010-12-01 2013-10-02 皇家飞利浦电子股份有限公司 靠近伪影源的诊断图像特征
US20150213633A1 (en) * 2011-04-06 2015-07-30 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for providing a panoramic cone beam computed tomography (cbct)
US8705827B2 (en) * 2011-04-15 2014-04-22 Georgia Tech Research Corporation Scatter correction methods
US8705828B2 (en) * 2011-08-31 2014-04-22 Carestream Health, Inc. Methods and apparatus for super resolution scanning for CBCT system and cone-beam image reconstruction
US9202296B2 (en) * 2011-09-16 2015-12-01 Caresteam Health, Inc. Metal artifacts reduction for cone beam CT
EP2890300B1 (en) * 2012-08-31 2019-01-02 Kenji Suzuki Supervised machine learning technique for reduction of radiation dose in computed tomography imaging
US10331852B2 (en) * 2014-01-17 2019-06-25 Arterys Inc. Medical imaging and efficient sharing of medical imaging information
KR20160020917A (ko) * 2014-08-14 2016-02-24 삼성전자주식회사 컴퓨터 보조 진단 장치 및 방법
JP6637060B2 (ja) 2014-10-27 2020-01-29 エレクタ、インク.Elekta, Inc. 放射線治療のための画像ガイダンス
US10034648B2 (en) * 2016-01-13 2018-07-31 Carestream Health, Inc. System and method for motion artifacts reduction
US20180070902A1 (en) * 2016-09-14 2018-03-15 Carestream Health, Inc. Apparatus and method for 4d x-ray imaging
AU2017420781B2 (en) 2017-06-26 2020-12-17 Elekta, Inc. Method for improving cone-beam CT image quality using a deep convolutional neural network
US10910099B2 (en) 2018-02-20 2021-02-02 Siemens Healthcare Gmbh Segmentation, landmark detection and view classification using multi-task learning
US11430171B2 (en) 2018-04-03 2022-08-30 Sri International Explainable artificial intelligence
US11100632B2 (en) 2018-04-13 2021-08-24 Elekta, Inc. Image synthesis using adversarial networks such as for radiation therapy
US11501438B2 (en) 2018-04-26 2022-11-15 Elekta, Inc. Cone-beam CT image enhancement using generative adversarial networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101842807A (zh) * 2007-05-31 2010-09-22 伊利克塔股份有限公司 Ct扫描中运动伪影的减少
CN102067170A (zh) * 2007-08-31 2011-05-18 皇家飞利浦电子股份有限公司 在存在金属伪影的情况下用于分割的不确定性图
CN105447866A (zh) * 2015-11-22 2016-03-30 南方医科大学 基于卷积神经网络的x线胸片骨抑制处理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Qingsong Yang等.CT Image Denoising with Perceptive Deep Neural Networks.《https://arxiv.org》.2017,第1-8页. *
Rongqun Lin等.Deep Convolutional Neural Network for Decompressed Video Enhancement.《IEEE Xplore》.2016,第617页. *
李洁等.基于深度卷积神经网络的有限角度伪影抑制方法.《2016年全国射线数字成像与CT新技术研讨会论文集》.2016,第1页. *
杨俊 ; 甄鑫 ; 卢文婷 ; 周凌宏 ; .基于圆扫描轨迹的锥形束CT重建与环形伪影消除.南方医科大学学报.2009,(第12期),全文. *

Also Published As

Publication number Publication date
WO2019005180A1 (en) 2019-01-03
JP2020527060A (ja) 2020-09-03
CN111684492A (zh) 2020-09-18
AU2017420781B2 (en) 2020-12-17
AU2017420781A1 (en) 2020-02-06
US20200151922A1 (en) 2020-05-14
US20180374245A1 (en) 2018-12-27
US10573032B2 (en) 2020-02-25
JP2021142326A (ja) 2021-09-24
JP6887030B2 (ja) 2021-06-16
EP3646288A1 (en) 2020-05-06
US11080901B2 (en) 2021-08-03
EP3646288B1 (en) 2022-09-07

Similar Documents

Publication Publication Date Title
CN111684492B (zh) 使用深度卷积神经网络来改善锥形束ct图像质量的方法
AU2018307739B2 (en) Radiation therapy planning using deep convolutional network
CN111432879B (zh) 用于放射机器的束模型的计算机实现的方法和系统
CN114206438B (zh) 使用投影图像预测放射治疗控制点
CN110831664B (zh) 放射疗法期间考虑形状变化的系统和方法
US12045993B2 (en) Registration free automatic contour adaptation using neural networks
US20230302297A1 (en) Patient imaging for dynamic online adaptive radiotherapy
CN117957574A (zh) 迭代图像重建
US11989851B2 (en) Deformable image registration using deep learning
WO2023279188A1 (en) Quality factor using reconstructed images
US20230218926A1 (en) Bed calculation with isotoxic planning
EP4279125A1 (en) Joint training of deep neural networks across clinical datasets for automatic contouring in radiotherapy applications
US20240242813A1 (en) Image quality relative to machine learning data
CN118414194A (zh) 连续性放射治疗计划

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