CN117897722A - 使用机器学习方法进行的医学图像去噪 - Google Patents
使用机器学习方法进行的医学图像去噪 Download PDFInfo
- Publication number
- CN117897722A CN117897722A CN202280059065.6A CN202280059065A CN117897722A CN 117897722 A CN117897722 A CN 117897722A CN 202280059065 A CN202280059065 A CN 202280059065A CN 117897722 A CN117897722 A CN 117897722A
- Authority
- CN
- China
- Prior art keywords
- medical image
- noise
- image
- machine learning
- computer
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 118
- 238000012545 processing Methods 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 238000002591 computed tomography Methods 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000002059 diagnostic imaging Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 description 15
- 230000005855 radiation Effects 0.000 description 15
- 238000013479 data entry Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 11
- 230000003595 spectral effect Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 229910004613 CdTe Inorganic materials 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001152 differential interference contrast microscopy Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013175 transesophageal echocardiography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种医学图像去噪方法。使用噪声图来修改或归一化医学图像,所述噪声图定义针对医学图像的每个像素的一个或多个统计参数的估计结果。然后使用机器学习方法来处理经修改的医学图像以产生经去噪的医学图像。
Description
技术领域
本发明涉及医学成像领域,并且特别涉及医学图像去噪。
背景技术
医学界越来越关注医学成像,以便(无创地)帮助评估和/或诊断被研究对象或患者的状况。在本领域中已知各种形式的医学成像方法或模态,并且可以采用有创或无创成像技术。示例包括计算机断层摄影(CT)或X射线成像、磁共振(MR)成像、(静脉内)超声成像、正电子发射断层摄影PET成像、光学相干断层摄影、经食道超声心动描记等。
医学图像方面的一个持续关注点是噪声或伪影。当评估对象的状况时,噪声或伪影会(例如通过模糊它们或使它们难以识别)妨碍对对象的潜在重要特征的识别,并且可能被误认为是诊断相关的特征。因此,人们一直希望减少医学图像中的噪声量。
一种最近开发的对医学图像进行准确去噪的方法是使用经过适当训练的机器学习方法来进行去噪。然而,在医学成像过程中可以修改大量参数。例如,在CT扫描中,在生成CT医学图像的过程中可以使用不同形式的重建滤波器。机器学习方法容易过度拟合其训练数据,因此常常无法推广到大范围的真实世界参数设置(可能并不总是在训练中采样的情况)。
因此,需要一种改进的医学图像去噪方法。
发明内容
本发明由权利要求来限定。
根据本发明的一个方面的示例,提供了一种对医学图像进行去噪而产生经去噪的医学图像的计算机实施的方法。
所述计算机实施的方法包括:获得由多个像素形成的所述医学图像;获得包含针对所述医学图像的每个像素的统计参数的估计度量的噪声图;使用所述噪声图来修改所述医学图像以产生经修改的医学图像;并且使用机器学习方法来处理所述经修改的医学图像以产生所述经去噪的医学图像。
所提出的发明提出了这样一种方法,其中,基于医学图像的噪声统计参数对医学图像进行全局(即,整幅图像的)噪声水平归一化/均匀化。然后使用机器学习方法来处理经归一化/均匀化的医学图像以例如执行进一步的降噪。
因此,机器学习方法一致地处理已经基于局部/全局条件而被归一化或均匀化的医学图像。这意味着被提供给机器学习方法的图像处于一致的噪声水平和/或得到一致的均匀化(以例如对噪声进行去相关)。因此,可以在经归一化/均匀化的医学图像上训练机器学习方法,这意味着避免了过度拟合的问题。
因此,所提出的方法提供了一种改进的且更准确的医学图像去噪方法。
修改所述医学图像的步骤可以包括将所述医学图像除以所述噪声图。这个除法可以是逐像素或逐点除法。
在一些示例中,处理所述经修改的医学图像的步骤包括:使用所述机器学习方法来处理所述经修改的医学图像以生成预测噪声图像,所述预测噪声图像表示所述经修改的医学图像的每个像素中的预测噪声量;将所述经修改的医学图像乘以所述噪声图以产生经校准的预测噪声图像;并且从所述医学图像中减去所述经校准的预测噪声图像或所述经校准的预测噪声图像的缩放版本以产生所述经去噪的医学图像。
在一些示例中,处理所述经修改的医学图像的步骤包括:将所述经修改的医学图像输入到所述机器学习方法中,并且接收所述经去噪的医学图像作为来自所述机器学习方法的输出。通过机器学习方法输出的经去噪的医学图像可以是未校准的(例如,如果医学图像除以噪声图以修改医学图像)。相应地,可以使用噪声图来重新校准由机器学习方法输出的经去噪的医学图像。特别地,可以将对医学图像执行的用于产生经修改的医学图像的修改的反转(或逆转)应用于经去噪的医学图像以对其进行重新校准。这可以包括例如(例如逐像素地)将经去噪的医学图像乘以噪声图以产生经重新校准的经去噪的医学图像。
所述机器学习方法可以包括神经网络或者可以是神经网络。这为处理经修改的医学图像以执行去噪过程提供了准确可靠的方法。
优选地,机器学习方法是残差(输出)机器学习方法,例如,残差神经网络。在本公开内容的上下文中,残差机器学习方法是一种处理经修改的医学图像以提供预测噪声图像的方法,该预测噪声图像指示经修改的医学图像的每个像素中的预测噪声量。
使用残差机器学习方法是有利的,因为它使神经网络的输出更加可靠。特别地,能够假定预测噪声图像将在机器学习方法已经被训练的输出的范围内(因为噪声只有有限范围的可能值)。非残差或直接机器学习方法(例如,试图直接预测经去噪的医学图像的方法)更有可能导致预测的去噪图像超出机器学习方法被训练的范围(即,不太可靠)。
所述噪声图为所述医学图像的每个像素提供噪声的标准偏差或方差的估计量。
在另一个示例中,所述噪声图为所述医学图像的每个像素提供所述像素的噪声与一个或多个邻近像素的噪声之间的估计相关性。
在又一个示例中,所述医学图像是通过多通道成像过程产生的多幅医学图像中的一幅医学图像,所述多幅医学图像表示相同的场景;并且所述噪声图为所述医学图像的每个像素提供所述像素的噪声与所述多幅医学图像中的另一幅医学图像的对应像素的噪声之间的协方差或相关性的估计度量。
这种方法允许在对(多通道成像过程的)医学图像去噪时更有效地减少或考虑多通道成像过程的通道之间的串扰。将意识到,可以使用本文描述的方法单独处理每条通道的医学图像(即,多幅图像中的每幅图像)。
在一些示例中,获得所述医学图像的步骤包括:获得第一医学图像;使用频率滤波器来处理所述第一医学图像以获得第一经滤波医学图像,所述第一经滤波医学图像具有预定频率范围内的值;并且将所述第一经滤波医学图像设置为所述医学图像。
在至少一个示例中,所述方法还包括:处理所述第一医学图像以获得第二经滤波医学图像,所述第二经滤波医学图像具有不同的第二预定频率范围(例如,不包括任何第一频率范围)内的值;并且将所述第二经滤波医学图像与所述经去噪的医学图像进行组合以产生经去噪的第一医学图像。
在优选示例中,所述医学图像是已经使用第一重建算法根据原始数据重建的医学图像;并且所述机器学习方法是已经使用训练数据集训练的机器学习方法,所述训练数据集包括已经使用不同的第二重建算法根据原始数据重建的一幅或多幅训练图像。这些实施例认识到不同的重建滤波器使得噪声具有不同的特性。通过使用机器学习方法对要处理的医学图像进行均匀化,仍然能够高度可靠地使用利用以不同重建滤波器产生的医学图像训练的机器学习方法。
在一些示例中,机器学习方法是已经使用训练数据集训练的方法,该训练数据集包括一幅或多幅训练图像,每幅训练图像都已经用各自的噪声图进行了修改,优选地以与使用机器学习方法处理的医学图像的方式相同的方式进行了修改。这种方法提高了机器学习方法的适当性和可靠性。
所述医学图像可以是计算机断层摄影医学图像。所提出的方法已经被识别为对于能够使用不同重建滤波器产生的医学图像特别有用,因此对于可以使用多种重建滤波器的计算机断层摄影图像特别有用。
还提出了一种包括计算机程序代码单元的计算机程序产品,所述计算机程序代码单元当在具有处理系统的计算设备上被运行时使所述处理系统执行本文描述的任何方法的所有步骤。
还提出了一种被配置为对医学图像进行去噪而产生经去噪的医学图像的处理系统。所述处理系统被配置为:获得由多个像素形成的所述医学图像;获得包含针对所述医学图像的每个像素的统计参数的估计度量的噪声图;使用所述噪声图来修改所述医学图像以产生经修改的医学图像;并且使用机器学习方法来处理所述经修改的医学图像以产生所述经去噪的医学图像。
还提出了一种系统,包括:先前描述的处理系统;以及医学成像系统,其被配置为生成所述医学图像并将所生成的医学图像提供给所述处理系统。
参考下文描述的(一个或多个)实施例,本发明的这些方面和其他方面将变得明显。
附图说明
为了更好地理解本发明并且更清楚地示出如何将本发明付诸实践,现在将仅以示例的方式参考附图,在附图中:
图1是图示根据实施例的方法的流程图;
图2是图示在方法中使用的过程的流程图;
图3是图示根据实施例的方法的流程图;
图4图示了所提出的方法的效果;
图5图示了根据实施例的处理系统;并且
图6图示了根据实施例的系统。
具体实施方式
将参考附图来描述本发明。
应当理解,详细描述和特定示例虽然指示了装置、系统和方法的示例性实施例,但是仅用于说明目的,而不用于限制本发明的范围。根据以下描述、所附权利要求和附图,本发明的装置、系统和方法的这些和其他特征、方面和优点将变得更好理解。应当理解,附图仅仅是示意性的且并未按比例绘制。还应当理解,在所有附图中使用相同的附图标记来指示相同或相似的部分。
本发明提供了一种医学图像去噪方法。使用噪声图来修改或归一化医学图像,所述噪声图定义针对医学图像的每个像素的一个或多个统计参数的估计结果。然后使用机器学习方法来处理经修改的医学图像以产生经去噪的医学图像。
实施例基于这样的认识:用于产生医学图像的重建滤波器或算法会使得以不同方式重建的医学图像的噪声具有不同的统计属性。这使得去噪机器学习方法的效率较低,因为它们可能没有在使用相同重建滤波器产生的图像上进行训练。通过使用统计参数的估计结果来修改医学图像,每幅医学图像可以有效地具有归一化的统计噪声水平。这有助于提高去噪机器学习方法的一致性和准确性。
所提出的构思可以在能够在各种临床环境中使用的任何医学成像系统中使用。
在本公开内容的上下文中,医学图像是使用医学成像模态获得的任何图像,例如,X射线图像、CT(计算机断层摄影)图像、PET(正电子发射断层摄影)图像、MR(磁共振)图像或超声图像。其他形式的医学图像对技术人员来说是显而易见的。
图1是图示根据实施例的用于对医学图像105进行去噪的方法100的流程图。
方法100可以例如在单幅图像上执行。在另一个示例中,方法100能够在多幅图像中的一幅或多幅(例如,每幅)图像上执行。多幅医学图像可以通过多通道成像过程产生,使得每幅图像表示不同的通道,并且可以表示相同的场景。换句话说,多幅图像中的每幅图像可以表示相同的解剖区。
方法100包括获得要去噪的医学图像的步骤110。医学图像由多个像素形成,并且可以是二维的(2D)或三维(3D)的。3D图像的像素也可以替代地被标示为体素。
步骤110本身可以包括例如使用经适当配置的医学成像设备来生成医学图像。在其他示例中,步骤110可以包括例如从医学成像设备和/或存储器或存储单元获得已经生成的医学图像。
方法100还包括获得针对医学图像的噪声图107的步骤120。噪声图包含针对医学图像的每个像素的噪声统计参数的估计度量。换句话说,噪声图为医学图像的每个像素定义了该像素的噪声统计参数的估计值。需要强调的是,噪声图提供了噪声的估计统计度量,而不是医学图像的像素处的特定强度。
噪声图可以包含针对医学图像的每个像素的专用估计度量(例如由与医学图像相同数量的像素形成)。在其他示例中,噪声图可以包含针对两个或更多个像素的组的估计度量,使得单个估计度量表示针对一个以上像素的噪声统计参数。因此,单个估计度量可以表示针对医学图像的相应区域的噪声统计参数。
在一些示例中,噪声图可以包含针对医学图像的每个像素的噪声方差和/或噪声标准差的估计结果。在现有技术中已经建立了用于生成诸如这些噪声图之类的噪声图的方法。美国专利US10984564B2公开了许多示例。其他示例包括在2012年11月12日提交的名称为“Image domain de-noising”的美国专利US 9159122 B2、在2014年6月26日提交的名称为“Methods of utilizing image noise information”的美国专利US2016/0140725 A1,以及在2015年10月29日提交的名称为“Enhanced image data/dose reduction”的美国专利US 8938110 B2。
在另一个示例中,噪声图可以包含(针对每个像素/区域的)所述像素/区域和其邻近像素/区域的噪声之间的相关性的估计度量。本领域已知的任何(粗略)去噪方法都能够用于生成图像或图像区域中的噪声的(粗略)估计结果。根据这样的噪声估计结果,就能够通过执行标准相关性分析来估计局部噪声相关性。
作为又一个示例,噪声图可以包含针对医学图像的每个像素或医学图像的每个区域的噪声概率密度函数(噪声PDF)。噪声PDF可以用于例如确定或预测像素/区域的噪声方差和/或标准偏差。
作为又一个示例,噪声图可以包含像素的噪声与另一幅医学图像的对应像素的噪声之间的协方差或相关性。这幅医学图像和另一幅医学图像可以形成(例如通过多通道成像过程产生的)多幅医学图像的部分,所述多幅医学图像表示相同的场景。
步骤120本身可以包括例如使用任何先前描述的方法来生成噪声图的步骤。替代地,步骤120可以包括例如从存储器或存储单元获得已经生成的医学图像的噪声图。
方法100还执行使用噪声图来修改医学图像以产生经修改的医学图像的步骤130。
步骤130可以包括例如使用估计噪声的统计度量来归一化医学图像。这有效地归一化或者旨在归一化整幅医学图像上的这种统计度量。
举例来说,步骤130可以包括将医学图像除以噪声图。特别地,医学图像的每个像素的值可以除以由噪声图提供的该像素的噪声统计参数的估计度量。以这种方式,可以将医学图像逐点或逐像素地除以估计噪声的统计参数。
作为另一个示例,步骤130可以包括处理噪声图以得到关于噪声图和/或医学图像的统计信息。然后可以使用该统计信息来修改医学图像。
例如,可以处理噪声图以(例如在整幅图像上或针对图像的不同部分)确定统计参数的度量的平均估计偏差。然后,可以将医学图像除以平均估计偏差(例如,在逐部分的基础上的平均估计偏差,其表示针对特定部分的平均值;或整幅图像的平均估计偏差,在平均值指示整幅图像的平均值的情况下)。
作为又一个示例,可以处理噪声图以确定或预测频域中的噪声的形状。然后可以使用该形状来执行对医学图像的频域滤波,以例如归一化医学图像中的噪声的频率。
作为另一个示例,步骤130可以包括对医学图像的噪声执行去相关处理,即,对医学图像的噪声的去相关。因此,步骤130可以包括对医学图像的噪声执行(空间)去相关以产生经修改的医学图像。
这可以使用指示不同像素和/或区域之间的相关性的度量的噪声图来执行。作为另一个示例,这可以使用为每个像素和/或区域提供噪声PDF的噪声图并让这些值通过某种非线性函数而使用一种或多种近似去卷积或PDF变换的手段处理图像来执行。
技术人员将容易想到用于在步骤130中修改医学图像的多种其他方法。更一般地,步骤130是修改医学图像而使得经修改的医学图像上的噪声响应比(原始)医学图像上的噪声响应更均匀的步骤。
步骤130的输出是经修改的医学图像135。
方法100然后使用机器学习方法来执行对经修改的医学图像的处理过程140,以产生经去噪的医学图像。
图1图示了执行过程140的一个实施例。
在该示例中,过程140包括根据经修改的医学图像135直接预测或推断经去噪的医学图像145。因此,机器学习方法可以接收经修改的医学图像作为输入,并且提供经去噪的医学图像作为输出。因此,可以训练机器学习方法以根据(有噪声的)医学图像来生成干净的或去噪的图像。
在一些示例中,机器学习方法可以仅输出未校准的经去噪的医学图像。然后可以使用噪声图对未校准的经去噪的医学图像进行(重新)校准。特别地,可以使用未校准的经去噪的医学图像和噪声图来修改未校准的经去噪的医学图像以执行在步骤130中运行的流程的逆流程,从而产生经去噪的医学图像。
举例来说,如果步骤130包括将医学图像逐像素地除以噪声图,则未校准的经去噪的医学图像可以与噪声图逐像素地相乘。
例如,如果步骤130包括对医学图像内的噪声进行去相关,则在一些情况或实施例中可能不需要(重新)校准。
图2图示了执行过程140的另一实施例,为了区分起见,该过程被标示为过程240。
过程240包括将经修改的医学图像135输入到被配置为生成预测噪声图像245的机器学习方法的步骤241。预测噪声图像是包含与医学图像的像素相同数量的像素的图像,并且指示(针对医学图像的每个像素的)该像素的噪声的估计/预测度量。
过程240然后执行将预测噪声图像245乘以噪声图(即,重新归一化估计噪声图像245)而产生经校准的预测噪声图像247的步骤242。
当然,如果在步骤130中医学图像没有除以噪声图,则可以修改步骤242以使用估计噪声图像代替经修改的噪声图像来执行在步骤130中运行的流程的逆流程(即,使得在步骤242中使用估计噪声图像245和噪声图107作为输入来执行流程130的逆流程)。因此,可以将对医学图像执行的用于产生经修改的医学图像的修改的反转(或逆转)应用于估计噪声图像以对估计噪声图像进行校准。
过程240然后在步骤243中从医学图像105中减去经校准的预测噪声图像,以产生经去噪的医学图像145。
在一些示例中,在从医学图像中减去经校准的预测噪声图像之前对经校准的预测噪声图像进行加权(例如按比例缩小)。这种方法认识到:一些临床医生更喜欢在医学图像中保留某种(非零)水平的噪声,以减少在经去噪的医学图像中出现的伪影(否则这可能会分散临床医生的注意力)。
因此,步骤243可以包括从医学图像中减去经校准的预测噪声图像的缩放版本。可以通过将经校准的预测噪声图像的每个像素的值乘以预定值来计算缩放版本,其中,预定值在0至1之间,例如,在0.25至0.75之间。
以这种方式,对于过程240,机器学习方法被配置为接收经修改的医学图像作为输入,并且提供预测噪声图像作为输出。预测噪声图像为每个像素指示该像素处的预测或推断的噪声量。这可以在逐像素的基础上进行。
在所提出的方法中,每种机器学习方法都基于关于噪声的统计信息来处理已经被归一化或均匀化(例如,去相关)的医学图像。这意味着作为针对机器学习方法的输入而提供的图像已经处于一致和/或去相关的噪声水平。因此,可以在归一化的医学图像上训练机器学习方法,从而降低(例如对特定的重建滤波器或噪声水平)过度拟合的风险。
回到图1,方法100可以还包括控制用户接口以提供由过程140输出的经去噪的医学图像145的视觉表示的步骤150。用户接口可以是显示器,例如,监视器等。
在一些示例中,方法100可以包括将经去噪的医学图像存储在例如存储器或存储单元中的步骤155。步骤155可以包括将经去噪的医学图像存储在经去噪的医学图像的对象的电子病历中。
图3图示了根据另一实施例的方法300。
方法300与先前描述的方法100的不同之处在于获得医学图像的步骤110包括:获得第一医学图像305的步骤311;使用频率滤波器(根据预定频率范围进行滤波)处理第一医学图像以获得第一经滤波医学图像315的步骤312;以及将第一经滤波医学图像设置为医学图像的步骤313。例如,频率滤波器可以是高通或带通滤波器。
以这种方式,经历经去噪的医学图像可以是医学图像的频率滤波部分。
优选地,频率滤波部分是医学图像的高频部分,即,医学图像中频率大于预定频率值的部分。本文认识到:医学图像中的噪声通常可能是高频的,使得能够通过仅对医学图像的高频部分进行去噪来执行更加高效和改进的去噪。
在一些示例中,步骤110还包括使用另一频率滤波器来处理第一医学图像以获得第二经滤波医学图像316的步骤314。第二经滤波医学图像具有与第一经滤波医学图像不同的频率范围。在一个示例中,第二经滤波医学图像可以是(原始)医学图像中不存在于预定频率范围内的部分。
例如,如果频率滤波器是高通滤波器,则第二经滤波医学图像可以是医学图像的低通滤波部分,即,使用低通滤波器来处理医学图像。低通滤波器和高通滤波器可以具有相同的截止频率,使得医学图像(通过步骤312和314)被有效地分割成高频医学图像和低频医学图像,从而分别形成第一经滤波医学图像和第二经滤波医学图像。
针对用于产生第二经滤波医学图像316的任选步骤314的替代方法是从第一医学图像305中减去第一经滤波医学图像315。
类似地,如果步骤314包括使用滤波器(例如,低通滤波器)来处理第一医学图像,则步骤312可以被修改为包括从第一医学图像305中减去第二经滤波医学图像316以产生第一经滤波医学图像315。
方法300还可以包括将第二经滤波医学图像316和由过程140输出的经去噪的医学图像145进行组合以重新形成第一医学图像349的去噪版本的步骤360。步骤360可以包括简单地对第二经滤波医学图像和由过程140输出的经去噪的医学图像进行求和。
类似于方法100,方法300可以包括:控制用户接口以提供由过程140输出的经去噪的医学图像145的视觉表示的步骤150,和/或例如在存储器或存储单元中存储经去噪的医学图像的步骤155。方法300可以被相应地修改。
已经识别出:当机器学习方法是残差学习方法时,所提出的方法特别有效。残差学习方法产生包含与医学图像的像素相同数量的像素的预测噪声图像作为输出,并且(为每个像素)提供针对该像素的预测噪声的度量。
对本文提出的方法的测试和分析表明:所提出的方法很好地推广到不同的重建滤波器以及高于在机器学习方法的训练期间看到的噪声水平的噪声水平(例如,由使用较低辐射剂量水平导致的噪声水平)。因此,本文提出的方法在实践中提高了机器学习的鲁棒性。
已经认识到:对于一些生成噪声图的方法,实际计算出的噪声图可能并不反映由不同重建滤波器引入的噪声水平的统计变化。相反,它们可能反映了由于其他因素(例如,普遍系统错误、使用较低辐射剂量等)导致的噪声水平的差异。
在这种情况下,为了将所提出的方法推广到不同的系统,在用于处理医学图像之前,能够简单地通过全局缩放因子来缩放在任何先前描述的方法的步骤120中获得的噪声图。
例如,在CT成像领域中,众所周知,重建滤波器通常包括两个部分或功能,即,斜坡和附加调制传递函数(MTF)。Thorsten M.Buzug(2008年)的《计算机断层摄影》(施普林格出版社,柏林,海德堡)对此有更全面的阐述。通常,在CT成像中使用的不同重建滤波器的区别仅在于MTF调制部分。
能够根据所使用的重建滤波器的(Ramp*MTF)2曲线下的面积来计算该全局缩放因子,其中,MTF是调制传递函数。事实上,我们认为噪声方差将与(Ramp*MTF)2下的面积成线性地缩放。用于重建正被处理的医学图像的重建滤波器的面积与在机器学习方法的训练中使用的重建滤波器的对应面积之间的比率(的平方根)为噪声图提供了足够的缩放因子。
例如,如果噪声图的生成是基于图像的或者考虑了(用于生成医学图像的)重建滤波器,则不需要对噪声图进行缩放。
总之,通过利用上述缩放因子缩放对应的标准偏差噪声图,这种方法允许使用预训练的机器学习方法来应用于未看到的重建滤波器。由于该因子只是两个滤波器的函数,因此这实际上没有额外的计算成本或开销,因此不需要重新训练机器学习方法。
图4图示了所提出的构思对医学图像去噪的效果。图4提供了两幅经去噪的CT头部图像,它们有部分模糊(在每幅图像上由白色圆圈所界定的区之外)。每幅CT图像都是通过处理在25%剂量水平下获得的相同医学CT图像而产生的。
已经使用常规的去噪机器学习方法(特别是卷积神经网络)产生了第一去噪CT头部图像410,并且没有使用例如本发明所提出的使用噪声图对医学图像进行任何归一化或修改的方法。
已经使用所提出的去噪方法产生了第二去噪CT头部图像420,特别是在使用机器学习方法进行处理之前对噪声的统计参数进行归一化。
在这两种情况下,机器学习方法都是使用在25%剂量水平下获得的CT图像进行训练的,并且都是使用第一重建滤波器进行重建的。随后被去噪(以产生头部图像420)的医学CT图像是使用不同的具有较小噪声抑制的第二重建滤波器产生的。虽然不同的重建滤波器导致不同的噪声特性,但是它们也可以提供其他益处,例如提供更清晰或更平滑的图像和/或强调不同的解剖特征。因此,操作者可以根据他们的临床偏好来选择噪声更大或噪声更小的重建滤波器。
可以清楚地看到,使用所提出的方法产生了具有更小噪声的去噪图像,从而使该方法对于噪声水平比在对去噪方法中使用的机器学习方法的训练期间所看到的噪声水平更高的重建滤波器更加鲁棒。
注意,在产生第二去噪CT头部图像期间获得的噪声图被缩放了1.4倍,从而更准确地反映了图像中由于不同的重建滤波器而导致的较高噪声水平(这遵循了先前描述的方法)。值1.4是基于上述用于确定缩放因子的机制而选择的。
所提出的实施例利用了机器学习方法。机器学习方法是任何处理输入数据以产生或预测输出数据的自我训练算法。这里,输入数据包括经修改的医学图像,并且输出数据包括经去噪的医学图像或预测噪声图像。
用于本发明的合适的机器学习方法对技术人员来说是显而易见的。合适的机器学习方法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或朴素贝叶斯模型之类的其他机器学习方法也是合适的替代方法。
人工神经网络(或简单地说,神经网络)的结构受到人脑的启发。神经网络由多层构成,每层都包括多个神经元。每个神经元都包括数学运算。特别地,每个神经元都可以包括单一类型变换(例如,相同类型的变换、sigmoid等)的不同加权组合(但是具有不同的权重)。在处理输入数据的过程中,每个神经元对输入数据执行数学运算以产生数值输出,并且神经网络中的每一层的输出都被按顺序地馈送到下一层。最后一层提供输出。
对于本公开内容,当使用残差学习机器学习方法(例如,残差神经网络)时,实施例尤其有利。残差神经网络与常规的神经网络的不同之处在于能够使用跳跃连接,例如使得一层的输出可以跳过一层或多层(即,不是任何给定层的所有输出都需要作为输入而提供给按顺序的下一层)。
训练机器学习方法的方法是众所周知的。通常,这种方法包括获得训练数据集,该训练数据集包括训练输入数据条目和对应的训练输出数据条目。初始化的机器学习方法被应用于每个输入数据条目以生成预测的输出数据条目。预测的输出数据条目和对应的训练输出数据条目之间的误差用于修改机器学习方法。能够重复该过程,直到误差收敛为止,并且预测的输出数据条目与训练输出数据条目足够相似(例如,±1%)。这通常被称为监督学习技术。
例如,在机器学习方法由神经网络形成的情况下,可以修改每个神经元的数学运算(的权重),直到误差收敛为止。已知的修改神经网络的方法包括梯度下降、反向传播算法等。
训练输入数据条目对应于示例的经修改的医学图像。特别地,每个训练输入数据条目应当包含已经使用(例如已经经历了参考方法100所述的步骤130的)(针对该医学图像的)噪声图进行了预处理或修改的医学图像。当在方法100中使用时,这将提高机器学习方法的可靠性和准确性。
训练输出数据条目对应于示例的经去噪的医学图像和/或噪声图像。可以存储关于用于生成用于训练输入数据条目的示例医学图像的重建滤波器的信息,以便例如促进如前所述的那样缩放噪声图。
训练输入数据条目可以例如是添加了人工噪声的(经修改的)医学图像,而训练输出数据条目是没有添加人工噪声的(经修改的)医学图像。
本文提出的任何方法都可以由成像系统本身(即,生成(一幅或多幅)医学图像的系统、与成像系统处于同一场所的处理系统、移动设备(例如,智能电话、平板电脑或笔记本电脑)上的处理系统或使用分布式处理系统(即,“云”)的处理系统)来执行。
本领域技术人员将能够容易地开发出用于执行本文描述的任何方法的处理系统。因此,流程图的每个步骤可以表示由处理系统执行的不同动作,并且可以由处理系统的相应模块来执行。
因此,实施例可以利用处理系统。该处理系统能够利用软件和/或硬件以多种方式实施以执行所需的各种功能。处理器是采用一个或多个微处理器的处理系统的一个示例,所述一个或多个微处理器可以使用软件(例如,微代码)进行编程以执行所需的功能。然而,处理系统也可以在采用或不采用处理器的情况下实施,并且还可以被实施为执行某些功能的专用硬件与执行其他功能的处理器(例如,一个或多个经编程的微处理器和相关联的电路)的组合。
可以在本公开内容的各种实施例中使用的处理系统部件的示例包括但不限于常规的微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实施方式中,处理器或处理系统可以与一个或多个存储介质相关联,所述一个或多个存储介质例如是易失性计算机存储器和非易失性计算机存储器,例如,RAM、PROM、EPROM和EEPROM。存储介质可以用一个或多个程序进行编码,所述一个或多个程序当在一个或多个处理器和/或处理系统上被运行时执行所需的功能。各种存储介质可以被固定在处理器或处理系统内,或者可以是可转移的,使得存储在其上的一个或多个程序能够被加载到处理器或处理系统中。
作为另外的示例,图5图示了处理系统500的示例,其中可以采用实施例的一个或多个部分。上面讨论的各种操作可以利用处理系统500的功能。例如,用于对医学图像进行去噪的系统的一个或多个部分可以并入本文讨论的任何元件、模块、应用程序和/或部件中。在这点上,应当理解,系统功能块能够在单个计算机上运行,也可以被分布在(例如经由互联网连接的)若干计算机和位置上。
处理系统500包括但不限于PC、工作站、膝上型电脑、PDA、掌上设备、服务器、存储装置等。通常,就硬件架构而言,处理系统500可以包括一个或多个处理器501、存储器502以及一个或多个I/O设备507,它们经由本地接口(未图示)通信耦合。如本领域已知的,本地接口能够是例如但不限于一条或多条总线或其他有线或无线连接。本地接口可以具有附加元件(例如,控制器、缓冲器(高速缓冲存储器)、驱动器、中继器和接收器)以实现通信。另外,本地接口可以包括地址、控件和/或数据连接以实现上述部件之间的适当通信。
处理器501是用于运行能够存储在存储器502中的软件的硬件设备。处理器501实际上能够是与处理系统500相关联的若干处理器中的任何定制或市售的处理器、中央处理单元(CPU)、数字信号处理器(DSP)或辅助处理器,并且处理器501可以是基于半导体的微处理器(以微芯片的形式)或微处理器。
存储器502能够包括易失性存储器元件(例如,随机存取存储器(RAM),如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等)和非易失性存储元件(例如,ROM、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)、可编程只读存储器(PROM)、磁带、压缩盘只读存储器(CD-ROM)、磁盘、软盘、盒式磁带、卡带等)中的任意一项或组合。此外,存储器502可以结合电学、磁性、光学和/或其他类型的存储介质。注意,存储器502能够具有分布式架构,其中,各种部件彼此远离,但是能够由处理器501访问。
存储器502中的软件可以包括一个或多个单独的程序,其中的每个程序都包括用于实施逻辑功能的可执行指令的有序列表。根据示例性实施例,存储器502中的软件包括合适的操作系统(O/S)505、编译器504、源代码503以及一个或多个应用程序506。如图所示,应用程序506包括用于实施示例性实施例的特征和操作的众多功能部件。根据示例性实施例,处理系统500的应用程序506可以表示各种应用程序、计算单元、逻辑单元、功能单元、过程、操作、虚拟实体和/或模块,但是应用程序506并不意味着限制。
操作系统505控制其他计算机程序的运行并提供调度、输入-输出控制、文件和数据管理、存储器管理以及通信控制和相关服务。发明人设想到用于实施示例性实施例的应用程序506可以适用于所有市售的操作系统。
应用程序506可以是源程序、可执行程序(目标代码)、脚本或包括要执行的一组指令的任何其他实体。当是源程序时,该程序通常经由编译器(例如,编译器504)、汇编器、解释器等来翻译,这些模块可以被包括在存储器502中,也可以不被包括在存储器502中,以便结合O/S 505进行正确操作。此外,应用程序506能够被编写为面向对象的编程语言(其具有数据和方法类)或过程编程语言(其具有例程、子例程和/或函数,例如但不限于C、C++、C#、Pascal、BASIC、API调用、HTML、XHTML、XML、ASP脚本、JavaScript、FORTRAN、COBOL、Perl、Java、ADA、.NET等)。
I/O设备507可以包括输入设备,例如但不限于鼠标、键盘、扫描仪、麦克风、相机等。此外,I/O设备507还可以包括输出设备,例如但不限于打印机、显示器等。最后,I/O设备507还可以包括既传送输入又传送输出的设备,例如但不限于NIC或调制器/解调器(用于访问远程设备、其他文件、设备、系统或网络)、射频(RF)或其他收发器、电话接口、网桥、路由器等。I/O设备507还包括用于通过各种网络(例如,互联网或内联网)进行通信的部件。
如果处理系统500是PC、工作站、智能设备等,则存储器502中的软件还可以包括基本输入输出系统(BIOS)(为简单起见而省略)。BIOS是一组基本的软件例程,它在启动时初始化和测试硬件,启动O/S 505,并且支持硬件设备之间的数据转移。BIOS被存储在某种类型的只读存储器(例如,ROM、PROM、EPROM、EEPROM等)中,使得当处理系统500被激活时能够运行BIOS。
当处理系统500运行时,处理器501被配置为:运行存储在存储器502中的软件,向存储器502传送数据和从存储器502传送数据,并且通常根据软件来控制处理系统500的操作。应用程序506和O/S 505由处理器501全部或部分读取,可能缓存在处理器501中,然后被运行。
当应用程序506以软件实施时,应当注意,应用程序506实际上能够被存储在任何计算机可读介质上,以供任何计算机相关系统或方法使用或与其结合使用。在本文档的上下文中,计算机可读介质可以是电子、磁性、光学或其他物理设备或模块,其能够包含或存储由计算机相关系统或方法使用或与其结合使用的计算机程序。
应用程序506能够被实施在任何计算机可读介质中,以供指令运行系统、装置或设备(例如,基于计算机的系统、包含处理器的系统或能够从指令运行系统、装置或设备取回指令并运行指令的其他系统)使用或与其结合使用。在本文档的上下文中,“计算机可读介质”能够是能够存储、通信、传播或传输由指令运行系统、装置或设备使用或与其结合使用的程序的任何模块。计算机可读介质能够是例如但不限于电子、磁性、光学、电磁、红外或半导体系统、装置、设备或传播介质。
图6示意性地图示了包括成像系统602和处理系统612的系统600。这里,成像系统是被配置用于能谱(多能量)成像的CT扫描器。然而,也可以使用其他形式的成像系统。处理系统612可以被实施为先前描述的处理系统500。
所图示的成像系统602包括通常固定的机架604和旋转机架606,旋转机架606由固定机架604可旋转地支撑并围绕检查区域608绕z轴旋转。对象支撑物610(例如,卧榻)支撑检查区域608中的目标或对象。
诸如X射线管之类的辐射源612由旋转机架606可旋转地支撑,与旋转机架606一起旋转,并且发射穿过检查区域608的辐射。在一个实例中,辐射源612包括单个广谱X射线管。在另一个实例中,辐射源612包括单个X射线管,其被配置为在扫描期间在至少两个不同的发射电压(例如,80kVp和640kVp)之间切换。在又一个实例中,辐射源612包括两个或更多个X射线管,其被配置为发射具有不同平均能谱的辐射。在又一个实例中,辐射源612包括上述各项的组合。
辐射敏感探测器阵列614以角度弧跨越检查区域608与辐射源612相对。辐射敏感探测器阵列614探测穿过检查区域608的辐射并且生成(一个或多个)指示该辐射的电信号(投影数据)。在辐射源612包括单个广谱X射线管的情况下,辐射敏感探测器阵列612包括能量分辨探测器(例如,直接转换光子计数探测器、至少两组具有不同能谱灵敏度的闪烁体(多层)等)。利用kVp切换和多管配置,探测器阵列614能够包括单层探测器、直接转换光子计数探测器和/或多层探测器。直接转换光子计数探测器可以包括转换材料,例如,CdTe、CdZnTe、Si、Ge、GaAs或其他直接转换材料。多层探测器的示例包括双层探测器,例如,在于2006年4月60日提交的名称为“Double Decker Detector for Spectral CT”的美国专利US7968853 B2中描述的双层探测器(通过引用将其整体并入本文)。
重建器616从探测器阵列614接收能谱投影数据,并且重建能谱体积图像数据,例如,sCCTA图像数据、高能图像、低能图像、光电图像、康普顿散射图像、碘图像、钙图像、虚拟非造影图像、骨图像、软组织图像和/或其他基材料图像。重建器616还能够(例如通过组合能谱投影数据和/或能谱体积图像数据)重建非谱体积图像数据。通常,能谱投影数据和/或能谱体积图像数据将包括至少两种不同能量和/或能量范围的数据。
以这种方式,重建器616生成或重建医学图像。
处理系统618在这里用作操作者控制台。控制台618包括人类可读输出设备(例如,监视器)和输入设备(例如,键盘、鼠标等)。驻留在控制台618上的软件允许操作者经由图形用户接口(GUI)或其他方式与扫描器602交互和/或操作扫描器602。控制台618还包括处理器620(例如,微处理器、控制器、中央处理单元等)和计算机可读存储介质622,计算机可读存储介质622不包括非瞬态介质,而包括瞬态介质(例如,物理存储器设备等)。计算机可读存储介质622包括用于对产生的医学图像进行去噪的指令624,即,包含医学图像去噪器625。处理器620被配置为运行指令624。处理器620还可以被配置为运行由载波、信号和/或其他瞬态介质承载的一个或多个计算机可读指令。在变型中,处理器620和计算机可读存储介质622是与处理系统618分离的另一处理系统的部分。
应当理解,所公开的方法优选地是计算机实施的方法。正因如此,还提出了计算机程序的构思,该计算机程序包括当所述程序在处理系统(例如,计算机)上运行时用于实施任何所述方法的代码单元。因此,处理系统或计算机可以运行根据实施例的计算机程序的不同部分、代码行或代码块以执行本文描述的任何方法。在一些替代实施方式中,(一幅或多幅)框图或(一幅或多幅)流程图中标注的功能可以不按照附图中标注的顺序发生。例如,相继示出的两个框实际上可以基本上同时运行,或者这些框有时可以以相反的顺序运行,这取决于所涉及的功能。
根据对附图、公开内容和所附权利要求的研究,本领域技术人员在实践所要求保护的发明时能够理解和实现所公开的实施例的变型。在权利要求中,词语“包括”并不排除其他元件或步骤,词语“一”或“一个”并不排除多个。单个处理器或其他单元可以实施权利要求中列举的若干项目的功能。在相互不同的从属权利要求中引用某些措施这一事实并不指示不能有利地使用这些措施的组合。如果上面讨论了计算机程序,则它可以被存储/分布在合适的介质上,例如与其他硬件一起提供或作为其部分的光学存储介质或固态介质,但是也可以以其他形式分布,例如经由互联网或其他有线或无线电信系统而分布。如果权利要求或说明书中使用了术语“适于”,则应当注意,术语“适于”旨在等同于术语“被配置为”。权利要求中的任何附图标记都不应被解释为限制范围。
Claims (15)
1.一种对医学图像进行去噪而产生经去噪的医学图像的计算机实施的方法,所述计算机实施的方法包括:
获得由多个像素形成的所述医学图像;
获得包含针对所述医学图像的每个像素的统计参数的估计度量的噪声图;
使用所述噪声图来修改所述医学图像以产生经修改的医学图像;并且
使用机器学习方法来处理所述经修改的医学图像以产生所述经去噪的医学图像。
2.根据权利要求1所述的计算机实施的方法,其中,修改所述医学图像的步骤包括将所述医学图像除以所述噪声图。
3.根据权利要求2所述的计算机实施的方法,其中,处理所述经修改的医学图像的步骤包括:
使用所述机器学习方法来处理所述经修改的医学图像以生成预测噪声图像,所述预测噪声图像表示所述经修改的医学图像的每个像素中的预测噪声量;
将所述经修改的医学图像乘以所述噪声图以产生经校准的预测噪声图像;并且
从所述医学图像中减去所述经校准的预测噪声图像或所述经校准的预测噪声图像的缩放版本以产生所述经去噪的医学图像。
4.根据权利要求1所述的计算机实施的方法,其中,处理所述经修改的医学图像的步骤包括:将所述经修改的医学图像输入到所述机器学习方法中,并且接收所述经去噪的医学图像作为来自所述机器学习方法的输出。
5.根据权利要求1所述的计算机实施的方法,其中,所述机器学习方法包括神经网络。
6.根据权利要求1所述的计算机实施的方法,其中,所述噪声图为所述医学图像的每个像素提供噪声的标准偏差或方差的估计量。
7.根据权利要求1所述的计算机实施的方法,其中,所述噪声图为所述医学图像的每个像素提供所述像素的噪声与一个或多个邻近像素的噪声之间的估计相关性。
8.根据权利要求1所述的计算机实施的方法,其中:
所述医学图像是通过多通道成像过程产生的多幅医学图像中的一幅医学图像,所述多幅医学图像表示相同的场景;并且
所述噪声图为所述医学图像的每个像素提供所述像素的噪声与所述多幅医学图像中的另一幅医学图像的对应像素的噪声之间的协方差或相关性的估计度量。
9.根据权利要求1所述的计算机实施的方法,其中,获得所述医学图像的步骤包括:
获得第一医学图像;
使用频率滤波器来处理所述第一医学图像以获得第一经滤波医学图像,所述第一经滤波医学图像具有预定频率范围内的值;并且
将所述第一经滤波医学图像设置为所述医学图像。
10.根据权利要求9所述的计算机实施的方法,还包括:
处理所述第一医学图像以获得第二经滤波医学图像,所述第二经滤波医学图像具有不同的第二预定频率范围内的值;并且
将所述第二经滤波医学图像与所述经去噪的医学图像进行组合以产生经去噪的第一医学图像。
11.根据权利要求1所述的计算机实施的方法,其中:
所述医学图像是已经使用第一重建算法根据原始数据重建的医学图像;并且
所述机器学习方法是已经使用训练数据集训练的机器学习方法,所述训练数据集包括已经使用不同的第二重建算法根据原始数据重建的一幅或多幅训练图像。
12.根据权利要求1所述的计算机实施的方法,其中,所述医学图像是计算机断层摄影医学图像。
13.一种包括计算机程序代码单元的计算机程序产品,所述计算机程序代码单元当在具有处理系统的计算设备上被运行时使所述处理系统执行根据权利要求1所述的方法的所有步骤。
14.一种被配置为对医学图像进行去噪而产生经去噪的医学图像的处理系统,所述处理系统被配置为:
获得由多个像素形成的所述医学图像;
获得包含针对所述医学图像的每个像素的统计参数的估计度量的噪声图;
使用所述噪声图来修改所述医学图像以产生经修改的医学图像;并且
使用机器学习方法来处理所述经修改的医学图像以产生所述经去噪的医学图像。
15.一种系统包括:
根据权利要求14所述的处理系统;以及
医学成像系统,其被配置为生成所述医学图像并将所生成的医学图像提供给所述处理系统。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163238918P | 2021-08-31 | 2021-08-31 | |
US63/238,918 | 2021-08-31 | ||
PCT/EP2022/073205 WO2023030922A1 (en) | 2021-08-31 | 2022-08-19 | Denoising of medical images using a machine-learning method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117897722A true CN117897722A (zh) | 2024-04-16 |
Family
ID=83271673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280059065.6A Pending CN117897722A (zh) | 2021-08-31 | 2022-08-19 | 使用机器学习方法进行的医学图像去噪 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117897722A (zh) |
WO (1) | WO2023030922A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006114716A2 (en) | 2005-04-26 | 2006-11-02 | Koninklijke Philips Electronics, N.V. | Double decker detector for spectral ct |
JP5694357B2 (ja) | 2009-11-25 | 2015-04-01 | コーニンクレッカ フィリップス エヌ ヴェ | 向上された画像データ/線量低減 |
JP6223990B2 (ja) | 2011-11-23 | 2017-11-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | イメージ領域のノイズ除去 |
US9761006B2 (en) | 2013-06-28 | 2017-09-12 | Koninklijke Philips N.V. | Methods of utilizing image noise information |
US9799126B2 (en) * | 2015-10-02 | 2017-10-24 | Toshiba Medical Systems Corporation | Apparatus and method for robust non-local means filtering of tomographic images |
JP7123927B2 (ja) | 2016-12-06 | 2022-08-23 | コーニンクレッカ フィリップス エヌ ヴェ | 交互打ち消しを使用する画像ノイズ推定 |
JP7282487B2 (ja) * | 2018-06-07 | 2023-05-29 | キヤノンメディカルシステムズ株式会社 | 医用画像診断装置 |
-
2022
- 2022-08-19 WO PCT/EP2022/073205 patent/WO2023030922A1/en active Application Filing
- 2022-08-19 CN CN202280059065.6A patent/CN117897722A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023030922A1 (en) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102229853B1 (ko) | 환자 특정적 딥러닝 이미지 잡음제거 방법들 및 시스템들 | |
JP7150837B2 (ja) | 機械学習を使用した画像生成 | |
US11195310B2 (en) | Iterative image reconstruction framework | |
US10475214B2 (en) | Tomographic reconstruction based on deep learning | |
US10147168B2 (en) | Spectral CT | |
US20210390694A1 (en) | Systems and methods for image quality optimization | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
JP2021510579A (ja) | 非スペクトルイメージングシステムを用いたスペクトルイメージング | |
CN108618797A (zh) | 光谱ct图像数据的对比度增强再现 | |
US20230206404A1 (en) | Image processing apparatus, image processing method, and computer-readable medium | |
US20230281804A1 (en) | Landmark detection in medical images | |
CN117897722A (zh) | 使用机器学习方法进行的医学图像去噪 | |
US11657501B2 (en) | Generating enhanced x-ray images using constituent image | |
EP4104767A1 (en) | Controlling an alert signal for spectral computed tomography imaging | |
EP4198877A1 (en) | Denoising projection data produced by a computed tomography scanner | |
US20240185483A1 (en) | Processing projection domain data produced by a computed tomography scanner | |
EP4198905A1 (en) | Denoising medical image data produced by a computed tomography scanner | |
WO2023117654A1 (en) | Denoising projection data produced by a computed tomography scanner | |
EP4198871A1 (en) | Processing projection data produced by a computed tomography scanner | |
JP2024522022A (ja) | スペクトルコンピュータ断層撮影撮像のための警告信号の制御 | |
JP2024515698A (ja) | コンピュータ断層撮影スキャナによって生成された投影領域データの処理 | |
WO2023117448A1 (en) | Denoising medical image data produced by a computed tomography scanner | |
WO2023117447A1 (en) | Processing projection data produced by a computed tomography scanner | |
JP2023077988A (ja) | 放射線画像処理装置、放射線画像処理方法、画像処理装置、学習装置、学習データの生成方法、及びプログラム | |
JP2022039989A (ja) | 画像処理装置、画像処理方法、学習装置、学習方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |