CN114255290B 促进生成增强图像表示的系统、方法和计算机程序产品 （通 用电气精准医疗有限责任公司）

BoneSuppressionUsiStructuralPriors.I深度学习技术从原始X射线图像生成增强图像表特征集来分析原始X射线图像。该AI部件生成多2处理器，所述处理器执行存储在所述存储器中的所述计算机可分析部件，所述分析部件使用基于人工智能的模型相对于始X射线图像，并且生成所述原始X射线图像的与所述感兴趣特征集相对应的组成图像集；人工智能部件，所述人工智能部件通过以下操作生成多个增强图图像集划分成与将被突出显示的感兴趣特征相关联的第一子集以及与针对相应增强图像使用从训练数据检索的训练图像集来训练所述基于3.根据权利要求2所述的系统，其中所述训练部件利用信息作为来源于其他成像模式X射线图像和来自所述多个增强图像表示的6.根据权利要求5所述的系统，其中所述诊断任务或所述器官分割任务包括肺部疾病7.根据权利要求1所述的系统，其中所述基于人工智能的模型包括第一人工智能子系统和第二人工智能子系统，所述第一人工智能子系统将所述原始X射线图像分解成组成图像集，并且所述第二人工智能子系统组合所述组成图像的子集以生成所述原始X射线图像的重构的X射线图像，其中基于所述原始X射线图像与所重构的X射线图像之间的比较来生8.根据权利要求7所述的系统，其中基于所述误差值生成与所述多个增强图像表示相由所述分析部件生成所述原始X射线图像的与所述感兴趣特征集相对应的组成图像由人工智能部件将所述组成图像集划分成与将被突出显示的感兴趣特征相关联的第一子集以及与针对相应增强图像将被抑制的感兴趣特征相关联3由所述人工智能部件对组成图像的所述第一子集和所述第二子集应用图像处理功能，由所述人工智能部件从组成图像的所述第一子集和所述第二子集生成多个增强图像从训练数据检索的训练图像集训练所述基于人工智能器将所述原始X射线图像与来自所述多个增强图像表示的增强图像表示之间的差异进行比使用第二人工智能子系统组合所述组成图像的子集以生使用所述误差值生成与所述多个增强图像表示相17.根据权利要求11所述的方法，所述方法还包括：由所述训练部件从损失函数获得18.一种促进生成增强图像表示的计算机程序产品，所述计算机程序产品包括非暂态使用基于人工智能的模型分析所述原始X射线图像以识别感兴生成所述原始X射线图像的与所述感兴趣特征集相对应的将所述组成图像集划分成与将被突出显示的感兴趣特征相关联的第一子集以及与针对相应增强图像将被抑制的感兴趣特征相关联的第二对组成图像的所述第一子集和所述第二子集应用图像处理功能，以分从组成图像的所述第一子集和所述第二子集生成多个增强图4第一AI子系统将原始X射线图像分解成组成图像集，并且该第二AI子系统组合该组成图像5[0010]图1示出了根据本文所述的一个或多个实施方案的描绘人类胸部区域的示例性原[0011]图2示出了根据本文所述的一个或多个实施方案的使用图1所示的原始X射线图像[0012]图3示出了根据本文所述的一个或多个实施方案的促进生成增强图像表示的示例[0013]图4示出了根据本文所述的一个或多个实施方案的促进生成增强图像表示的另一[0014]图5示出了根据本文所述的一个或多个实施方案的用于从计算机断层摄影(CT)体[0015]图6示出了根据本文所述的一个或多个实施方案的促进从原始X射线图像生成增[0016]图7示出了根据本文所述的一个或多个实施方案的促进从原始X射线图像生成增[0017]图8示出了根据本文所述的一个或多个实施方案的将由CT体积数据生成的增强图像表示与由原始X射线图像生成的增强图像表示进行比[0018]图9示出了根据本文所述的一个或多个实施方案的对应于空间位置定义的增强图[0019]图10示出了根据本文所述的一个或多个实施方案的生成增强图像表示的方法的[0021]以下具体实施方式仅仅是示例性，并非旨在限制实施方案和/或实施方案的应用[0022]本主题公开提供了促进使用深度学习技术从原始X射线图像生成增强图像表示的6介质的不同材料以取决于给定材料的密度和组成[0023]衰减的X射线束能量在通过介质之后由辐射检测器检测。该检测到的能量产生信号，该信号表示入射在辐射检测器上的X射线束能量的强度。处理这些信号以生成投影数料(例如，骨组织)将遮挡或遮蔽共同传播路径中在X射线图像中具有较低衰减系数的其他线图像的区域与具有不同衰减系数的多种材料[0026]为了减轻此类遮挡效应，本公开利用深度学习技术来使用原始X射线图像生成增[0027]图3示出了根据本文所述的一个或多个实施方案的促进生成增强图像表示的示例[0028]接收部件308可接收原始X射线图像350以用于生成一个或多个增强图像表示。在一个实施方案中，接收部件308直接从成像设备(例如，X射线扫描仪)接收原始X射线图像X射线分解部件302可访问的数据库或数据结构接收原始X射线图像350。在一个实施方案7[0029]分析部件310可使用基于AI的模型320相对于感兴趣特征集来分析原始X射线图像于AI的模型320的其他合适深度学习架构可包括但不限于循环神经网络、递归神经网络和[0030]AI部件312可使用组成图像集生成多个增强图像表示，该组成图像集是使用基于强图像表示突出显示的感兴趣特征子集相关联的第一组成图像子集。在一个实施方案中，多个组成图像子集包括与该集中子集外部的剩余感兴趣特征相关联的第二组成图像子集，或多个图像处理函数应用于与特征的子集相关联的一个或多个组成图像来增强该特征的将恒等变换应用于与该特征的子集相关联的一个或多个组成图像来增强该特征的子集以[0031]图4示出了根据本文所述的一个或多个实施方案的促进生成增强图像表示的另一像350生成一个或多个增强图像表示355。X射线分解部件402包括存储器404和一个或多个[0032]训练部件408可采用机器学习来训练基于AI的模型320。在训练基于AI的模型320从由训练数据450生成的X射线图像生成。训练部件408可生成此类对应GT组成图像以训练8联的每个组成定义被配置为使得该GT组成图像集的重组重构对应X射线图像。用不同的组成图像定义来定义每个对应GT组成图像为训练部件408提供了机构，该机构促进配置基于一组成定义和第二组成定义向系统400的用户呈现肺组织的无遮挡视图可促进早期COVID-19症状识别。[0036]训练部件408将X射线图像从每个检索到的训练图像集输入到基于AI的模型320构X射线图像。在一个实施方案中，基于AI的模型320组合组成图像集以生成重构X射线图//[0041]在一个实施方案中，可使用由公式1定义的损失函数之外的一个或多个损失函数9[0043]公式1的损失函数还包括正则化项，该正则化项对每个组成图像进行操作以减小[0044]在一个实施方案中，训练部件408可训练后处理AI模型以对增强图像表示执行图像处理/分析任务以提高诊断决策的灵敏度(例如，X射线图像中的肺部疾病的早期检测)。[0047]选择部件412用于选择特定感兴趣特征以选择性地掩蔽或生成。在一个实施方案选择性地掩蔽或生成的特定感兴趣特征的选择可定义如上文相对于AI部件312所讨论的该[0049]图5示出了根据本文所述的一个或多个实施方案的用于生成GT组成图像的示例性于冠状平面位于患者的前部的该患者的所有解(HU))，该标度将对应衰减系数值线性地转化成标度，其中水和空气分别被分配有0HU和-Hounsfield标度上的较低值(例如，-1024HU)相关联，并且因此在CT图像数据中显现为白[0053]在一个实施方案中，该给定感兴趣特征的组成图像定义提供了训练部件408用于于掩蔽过程的HU值的范围。训练部件408执行的掩蔽过程涉及评估CT体积数据的每个体素除或最小化对应于其他感兴趣特征的体素。在一个实施方案中，训练部件408通过用Hounsfield标度上的较低HU值(例如，-1000HU至分配给空气的HU值)替换该HU值来最小化落在HU值的限定范围之外的每个HU值。继续上述示例，图像535表示在掩蔽过程之后图像一个实施方案中，训练部件408利用与CT体积数据相关联的CT扫描参数将HU值转换为对应408应用的投影矩阵将来自CT体积数据的三维空间的每个体素映射到二维图像平面中以生趣区域的GT组成图像。训练部件408执行的量化过程涉及将二维强度图像中表示的连续范[0058]图6示出了根据本文所述的一个或多个实施方案的基于AI的模型的示例性网络架架构600包括第一AI子系统610和第二AI子系统620。第一AI子系统610将输入(原始)X射线集中的每个组成图像与训练部件408在训练第一AI子系统610时利用的不同组成图像定义[0059]该组成图像集中的每个组成图像对应于包括在该输入X射线图像X中的不同感兴图4的AI部件312用于生成一个或多个增强图像表示[0060]第二AI子系统620通过组合该组成图像集的至少一个子集来重构该输入X射线图上文相对于图4的训练部件408所讨论的损失函数的数据[0061]图7示出了根据本文所述的一个或多个实施方案的基于AI的模型的另一示例性网720通过组合该组成图像集的至少一个子集来重构该输入X射线图像X以生成重构X射线图像定义与由该卷积神经网络输出的多个组成图像之间存[0063]在训练图6的第一AI子系统610时，训练部件408利用至少四个组成图像定义。因义包括：与肺组织相关联的第一组成图像定义；以及与包括在原始X射线图像中的肺组织[0064]图8示出了根据本文所述的一个或多个实施方案的示例性图像数据，该示例性图像数据将由CT体积数据生成的增强图像表示810与由原始X射线图像生成的增强图像表示[0065]图9示出了本公开的实施方案内的组成定义的另一个方面。具体地讲，训练部件408在训练基于AI的模型时用于分解原始X射线图像的每个组成定义可以是特定于应用的。上文所讨论的由AI部件312基于此类组成图像生成的每个组成图像或增强图像表示对应于利用此类组成图像来生成增强图像表示910和生成增强图像表示920，增强图像表示910突[0069]图10是示出了根据本文所述的一个或多个实施方案的生成增强图像表示的方法案中，方法1000还包括由训练部件采用原始X射线图像集和对应增强图像表示集来生成诊1000还包括由训练部件生成与多个增强图像[0072]在一个实施方案中，方法1000还包括使用第一AI子系统将原始X射线图像分解成[0074]参考图11，用于实现本公开的各个方面的合适操作环境1100还可包括计算机围总线或外部总线以及/或者使用各种可用总线架构的本地总线，包括但不限于工业标准[0075]系统存储器1106还可包括易失性存储器1110和非易失性存储器1112。基本输入/装置1114上的操作系统1118用于控制和分配计算机110[0076]系统应用程序1120利用操作系统1118通过例如存储在系统存储器1106中或磁盘[0077]计算机1102可使用到一个或多个远程计算机(诸如，远程计算机114)的逻辑连接于微处理器的设备、对等设备或其他公共网络节点等，并且通常还可包括相对于计算机通信连接1132而被物理连接。网络接口1138涵盖有线和/或无线通信网络，诸如局域网指用于将网络接口1138连接到系统总线1108的硬件/软件。虽然为了清楚说明而在计算机[0078]本文所述的一个或多个实施方案可以是处于集成的任何可能技术细节水平的系令以用于致使处理器执行一个或多个实施方案的各方面的计算机可读存储介质(或多个计用的计算机可读存储介质可包括非暂态和有形计算机可读存[0079]本文描述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/络接收计算机可读程序指令，并且转发计算机可读程序指令以用于存储在相应计算/处理状态设置数据、集成电路的配置数据，或以一种或多种编程语言(包括面向对象的编程语程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可通过利用计[0080]本文参考根据实施方案的方法、装置(系统)和计算机程序产品的流程图图示和/以及流程图图示和/或框图中的框的组合可由计算机可读程序指令来实现。可以将这些计组合可由执行特定功能或动作或者执行专用硬件和计算机指令的组合的基于专用硬件的[0082]虽然上文已经在一个或多个计算机上运行的计算机程序产品的计算机可执行指的语境中，相对于其中多个部件和/或多个设备可参与一些计算操作的复杂计算环境的性质。可涉及或可不涉及多个部件和/或多个设备的动作的非限制性示例包括发送或接收数关和门)以便优化空间使用或增强用户设备的性能。处理器也可以被实现为计算处理单元部高速缓存存储器。以举例说明而非限制的方式，RAM能以多种形式提供，诸如同步RAM(ESDRAM)、SynchlinkDRAM(SLDRAM)、直接RambusRAM(DRRAM)、直接Rambus