CN111081354A 用于通过深度学习网络对医疗图像进行去噪的系统和方法 （通 用电气公司）

用于通过深度学习网络对医疗图像进行去以将损坏图像映射到对应的损坏图像中存在的或多个已训练的学习网络来从特定医疗图像中2通过使用一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第一类型和4.根据权利要求1所述的方法，其中所述第一类型和第二类型的伪影是声学混响、噪通过使用所述一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第三类通过将所述第一类型的伪影和所述第二类型的伪影中的至少一个添加到纯净图像来通过使用一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第一类型和315.根据权利要求12所述的系统，其中所述第一比例因子和所述第二比例因子中的至通过使用所述一个或多个已训练的深度学习网络来从所述医疗图像中挑选出第三类17.根据权利要求12所述的系统，其中所述存储器还存储所述一个或多个已训练的深18.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络是一种卷积层的第一分支，所述第一分支被配置成提取与所述第一类型的伪影相关的特性；19.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络是一种卷积层的第一分支，所述第一分支被配置成提取与所述第一类型的伪影相关的特性；20.根据权利要求17所述的系统，其中所述一个或多个已训练的深度学习网络包括串4[0006]图1是示出根据示例性实施方案的用于选择性地对医疗图像进行去噪的系统的示[0007]图2是示出根据示例性实施方案的可在图1中使用的深度学习网络的布局的示意[0009]图4是根据另一个示例性实施方案的可在图1中使用的深度学习网络的示意性布[0010]图5是示出根据另一个示例性实施方案的用于选择性地对医疗图像进行去噪的系[0011]图6是示出根据示例性实施方案的用于选择性地对医疗图像进行去噪的方法的流5[0012]附图示出了所描述的用于通过使用一个或多个深度神经网络选择性地对医疗图[0013]以下描述涉及用于通过使用深度神经网络对医疗图像进行去噪的各种实施性伪影移除器120被配置成在一定程度上从输入图像102移除第一类型的伪影104和第二类步处理已傅立叶变换的数据集来获得输入图像102，其可包括重建流水线中的任何适当处能是被检查的患者的自愿和/或生理运动引起的。随机运动(诸如患者的自愿移动)可能在MR图像中产生污点(或模糊)。周期性运动(诸如呼吸或心脏/血管搏动)可能在MR图像中产6[0022]选择性伪影移除器120被配置成选择性地从输入图像102移除从深度学习网络110[0024]其中E(x,y)是增强图像108的位置(x,y)处的像素值，I(x,y)是输入图像102的像7[0032]图3示出了根据示例性实施方案的两个相邻卷积层之间的连接。先前层具有值分[0036]深度学习网络200包括卷积层的两个分支220和230，第一分支220将输入图像102方案中，在层212与第一分支220的输出层221之间和/或在层212与第二分支230的输出层8络可以包括跳过将先前层的输出直接传递到一个或多个后续但不相邻的层的连接。这样，[0038]可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络200。在一图像用作输入图像102并且将所添加的一种或多种类型的伪影用作输出104和106，以训练[0043]作为另一个示例，通过对图像进行下采样可能将吉布斯振铃引入高分辨率斯振铃的图像与不具有吉布斯振铃的图像之间的差异用作输出106，以训练深度学习网络[0044]在训练深度学习网络200之后，其可以因此被用于处理由成像设备获取的医疗图[0045]参考图4，示出了根据另一个示例性实施方案的深度学习网络400的示意性的两个分支410和420接收输入图像102。在第一分支410处，输入图像102由多个卷积层处[0046]可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络400。如以9[0047]参考图5，示出了根据另一个示例性实施方案的用于选择性地对医疗图像进行去上从输入图像102移除第一类型的伪影104。然后将得到的图像525输入到第二深度学习网二深度学习网络540提取并且输出第二类型的伪影106。第二选择性伪影移除器540被配置了串联堆叠的两个深度学习网络510和530作为示例，但系统500可以包括多于两个的堆叠[0048]可以使用损坏医疗图像和对应图像中存在的伪影来训练深度学习网络510和5伪影添加到纯净图像来获取损坏图像。因为使用了一系列堆叠的(即顺序的)深度学习网[0049]参考图6，示出了根据示例性实施方案的用于选择性地对医疗图像进行去噪的方[0050]在操作602处，训练一个或多个深度学习网络以将损坏图像映射到对应的损坏图二分支。两个分支可以共享一个或多个卷积层(如图2所示)或不共享任何层(如图4所示)。[0051]各种类型的伪影可以包括例如，由被检查对象的自愿和/或生理运动引起的与运[0053]作为另一个示例，通过对图像进行下采样可能将吉布斯振铃引入高分辨率[0054]在操作604处，使用一个或多个已训练的深度学习网络来从给定医疗图像中挑选出第一类型和第二类型的伪影。具体地，可以从一个或多个深度学习网络的单独通道或单独层输出与第一类型的伪影相关的特性和与第二类型的伪影相关的特性。医疗图像可以通方案仅是用于通过使用深度学习网络来选择性地对医疗图像进行去噪的系统和方法的示