用于降低辐射剂量的系统和方法
优先权信息
1.本技术是针对申请日为2018年11月08日,申请号为201811326758.9,发明名称为用于降低辐射剂量的系统和方法的中国申请,提出的分案申请;本技术要求于2017年11月08日提交的申请号为pct/cn2017/110005的国际申请的优先权,其全部内容通过引用方式被包含于此。
技术领域
2.本技术涉及医学医疗系统,并且更具体地涉及在放射治疗过程中降低剂量的方法和系统。
背景技术:3.各种成像技术,例如x射线摄影、磁共振成像(magnetic resonance imaging,mri)、计算机断层摄影(computed tomography,ct)、正电子发射断层扫描(positron emission tomography,pet)等已广泛用于医学诊断、放射治疗计划、手术计划和其他医疗项目。例如,基于计算机断层摄影的图像引导放射治疗(image
‑
guided radiotherapy,igrt)已广泛用于放射治疗。传统上,在治疗开始之前产生用于患者的放射治疗计划(也称为治疗计划)。治疗计划可在持续多天的治疗期间的多个治疗阶段作用于患者。在治疗期间,可以使用一个或以上图像引导放射治疗图像(例如,计算机断层摄影图像)确定和/或定位感兴趣区域roi(例如,癌症)。然而,基于低剂量投影数据生成的图像引导放射治疗图像会包括噪声和/或伪影(例如,阶梯伪影)。伪影可以降低图像质量并影响基于这种图像进行诊断的结果。高剂量图像引导放射治疗扫描可以至少部分地减少这些问题,但会将被扫描的患者暴露于过多的辐射。提供基于低剂量扫描产生改善质量的高剂量图像的系统和方法是合乎需求的。
技术实现要素:4.根据本技术的一个方面,提供了用于降低辐射剂量的方法。所述方法可以在至少一台机器上实现,所述机器中的每台具有至少一个处理器和存储器。所述方法可以包括获取与第一对象的感兴趣区域roi相关的第一图像数据。所述第一图像数据可以对应第一等效剂量。所述方法可以进一步包括:获取与所述第一图像数据相关的降噪模型,以及基于所述第一图像数据和所述降噪模型,确定对应第二等效剂量的第二图像数据,所述第二等效剂量高于所述第一等效剂量。在一些实施例中,所述方法可以包括基于所述第二图像数据,确定与所述第一对象的感兴趣区域roi相关的信息,以及记录与所述第一对象的感兴趣区域roi相关的信息。
5.在一些实施例中,所述降噪模型可以包括用于降噪的第一神经网络模型。可以获取与多个第二对象相关的多组训练数据。所述多组训练数据的每组可以与第二对象相关,所述多组训练数据的每组可以包括对应第三等效剂量的第三图像数据和对应第四等效剂
量的第四图像数据,所述第四等效剂量低于所述第三等效剂量。可以基于所述多组训练数据,训练神经网络模型来获取所述用于降噪的第一神经网络模型。
6.在一些实施例中,所述降噪模型可以包括用于降噪的第一神经网络模型。可以获取与多个第二对象相关的多组训练数据。所述多组训练数据的每组可以与第二对象相关,所述多组训练数据的每组可以包括对应第三等效剂量的第三图像数据和对应第四等效剂量的第四图像数据,所述第四等效剂量低于所述第三等效剂量。可以基于所述多组训练数据训练神经网络模型获取用于降噪的第二神经网络模型。可以获取与所述第一对象相关的第五图像数据。所述第五图像数据可以对应第五等效剂量,所述第五等效剂量可以高于所述第一等效剂量。可以基于所述第五图像数据,训练用于降噪所述第二神经网络模型以获取所述用于降噪的第一神经网络模型。
7.在一些实施例中,所述第一图像数据可以由第一设备获取,所述第四图像数据可以由所述第一设备获取。
8.所述第一图像数据可以由第一设备获取,所述第四图像数据可以由与所述第一设备不同的第二设备获取。
9.在一些实施例中,可以预处理所述第一图像数据或所述第四图像数据中的至少一个。
10.在一些实施例中,所述基于所述第一图像数据和所述降噪模型,确定对应第二等效剂量的第二图像数据,进一步可以包括基于降噪模型和第一图像数据,确定第一图像数据中包含的噪声数据,以及基于所述噪声数据和所述第一图像数据,确定所述第二图像数据。
11.在一些实施例中,所述降噪模型可以包括使用迭代重建算法的图像重建模型。
12.在一些实施例中,所述图像重建模型可以包括投影域中的噪声的第一统计噪声模型。所述第一图像数据可以包括第一投影数据。可以基于所述投影域中的所述第一噪声统计模型,处理所述第一投影数据以获取第二投影数据。可以基于所述第二投影数据生成第一图像。可以基于所述第一噪声统计模型生成图像域中的第二噪声统计模型。可以基于所述第一图像和第二噪声统计模型,确定所述第二图像数据,所述第二图像数据包括与所述第一对象的感兴趣区域roi相关的第二图像。
13.在一些实施例中,所述第一图像数据可以包括第一投影数据。所述第二图像数据可以包括与所述第一对象的感兴趣区域roi相关的目标图像。可以确定第三投影数据,所述第三投影数据表示所述第一投影数据与对应图像估计的第二投影数据之间的差异。可以基于所述第三投影数据和所述第一噪声统计模型,确定第四投影数据。可以基于所述第四投影数据,生成与所述第一对象的感兴趣区域roi相关的误差图像。可以基于所述误差图像和第二噪声统计模型确定与所述第一对象的感兴趣区域roi相关的所述目标图像。
14.在一些实施例中,可以基于所述误差图像和第二噪声统计模型,迭代地确定每个迭代中的目标函数的值。可以基于在最近一次迭代中获取的所述目标函数的值,在每次迭代之后更新所述图像估计。直到条件满足后可以确定所述目标图像。
15.在一些实施例中,所述目标函数可以进一步包括用于抑制噪声的第一正则化项。
16.在一些实施例中,所述目标函数可以进一步包括与用于抑制伪影的第二正则化项。所述第二正则化项可以与所述第一投影数据的稀疏性相关。
17.在一些实施例中,所述第一等效剂量可以不低于所述第二等效剂量的15%。
18.在一些实施例中,所述第一等效剂量可以不低于所述第二等效剂量的50%。
19.在一些实施例中,所述第一等效剂量可以不低于所述第二等效剂量的85%。
20.在一些实施例中,所述第一图像数据可以由计算机断层摄影ct获取,并且所述第一等效剂量与所述第二等效剂量的比率可以等于1:7。
21.在一些实施例中,所述第一图像数据可以由锥形束计算机断层摄影cbct获取,并且所述第一等效剂量与所述第二等效剂量的比率可以等于1:3。
22.在一些实施例中,所述第一设备可以进一步包括放射治疗rt设备。
23.根据本技术的一个方面,提供了用于处理图像数据的系统。所述系统可以包括存储可执行指令的计算机可读存储介质,以及至少一个与所述计算机可读存储介质通信的处理器。在执行所述可执行指令时,使所述系统实现方法。所述方法可以包括获取与第一对象的感兴趣区域roi相关的第一图像数据。所述第一图像数据可以对应第一等效剂量。所述方法可以进一步包括:获取与所述第一图像数据相关的降噪模型,以及基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量。在一些实施例中,所述方法可以包括基于所述第二图像数据,确定与所述第一对象的所述感兴趣区域roi相关的信息,以及记录与所述第一对象的所述感兴趣区域roi相关的所述信息。
24.根据本技术的另一方面,提供了一种非暂时性计算机可读介质。所述非暂时性计算机可读介质可以包括可执行指令。当所述指令由至少一个处理器执行时,使所述至少一个处理器实现一种方法。所述方法可以包括获取与第一对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据由第一设备获取,所述第一图像数据对应第一等效剂量。所述方法可以进一步包括:获取与所述第一图像数据相关的降噪模型,以及基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量。在一些实施例中,所述方法可以包括基于所述第二图像数据,确定与所述第一对象的感兴趣区域roi相关的信息,以及记录与所述第一对象的感兴趣区域roi相关的所述信息。
25.根据本技术的一个方面,提供了用于处理图像数据的系统。所述系统可以包括数据获取模块,用于获取与第一对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据对应第一等效剂量。所述系统可以进一步包括模型生成模块,用于获取与所述第一图像数据相关的降噪模型。所述系统可以进一步包括图像数据处理模块用于基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量,基于所述第二图像数据,确定与所述第一对象的感兴趣区域roi相关的信息,以及记录与所述第一对象的感兴趣区域roi相关的所述信息。
26.根据本技术的一个方面,提供了一种调整对象位置的方法。所述方法可以包括从第一对象的治疗计划获取与所述第一对象的感兴趣区域roi相关的第一信息;获取与所述第一对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据对应第一等效剂量;获取与所述第一图像数据相关的降噪模型;基于所述第一图像数据和所述降噪模型,确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量;基于所述第二图像数据,确定与所述第一对象的感兴趣区域roi相关的第二信息;以及基于所述第二信息和的所述第一信息之间的比较,调整所述第一对象在空间中的位置。
27.在一些实施例中,所述降噪模型包括用于降噪的第一神经网络模型,所述获取降噪模型,可以进一步包括获取与多个第二对象相关的多组训练数据,所述多组训练数据的每组与第二对象相关,所述多组训练数据的每组包括对应第三等效剂量的第三图像数据和对应第四等效剂量的第四图像数据,所述第四等效剂量低于所述第三等效剂;基于所述多组训练数据,训练神经网络模型以获取用于降噪的第二神经网络模型;获取与所述第一对象相关的第五图像数据,所述第五图像数据对应第五等效剂量,所述第五等效剂量高于所述第一等效剂量;以及基于与所述第一对象相关的所述第五图像数据,训练所述用于降噪的第二神经网络模型以获取所述用于降噪的第一神经网络模型。
28.在一些实施例中,所述降噪模型可以包括使用迭代重建算法的图像重建模型。
29.根据本技术的一个方面,提供了一种确定治疗计划的方法。所述方法可以包括在治疗之前或期间或之后获取与对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据对应第一等效剂量;获取与所述第一图像数据相关的降噪模型;基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量;基于所述第二图像数据,确定与所述对象的感兴趣区域roi相关的第一信息;基于与所述感兴趣区域相关的第一信息和与所述对象的治疗计划中的所述感兴趣区域roi相关的第二信息之间的比较,调整所述对象的所述治疗计划。
30.根据本技术的一个方面,提供了一种辐射投放的方法。所述方法可以包括在治疗之前或期间或之后获取与第一对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据对应第一等效剂量;获取与所述第一图像数据相关的降噪模型;基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量;基于所述第二图像数据,确定与所述对象的感兴趣区域roi相关的第一信息;比较与所述第一对象的所述感兴趣区域roi相关的第一信息和与所述第一对象的治疗计划中的所述感兴趣区域roi相关的第二信息;以及基于所述比较执行治疗辐射束的投放,包括以下至少一项,在确定所述比较超出范围时,停止治疗辐射束的投放;或在确定所述比较在所述范围内时,重新开始治疗辐射束的投放。
31.根据本技术的一个方面,提供了一种确定治疗计划方法。所述方法可以包括获取与对象的感兴趣区域roi相关的第一图像数据,所述第一图像数据对应第一等效剂量;获取与所述第一图像数据相关的降噪模型;基于所述第一图像数据和所述降噪模型确定第二图像数据,所述第二图像数据的等效剂量高于所述第一等效剂量;基于所述第二图像数据确定与所述对象的感兴趣区域roi相关的信息;以及基于与所述感兴趣区域roi相关的信息确定所述对象的治疗计划。
32.与现有技术相比,本发明的有益效果表现如下:(一)本技术基于降噪模型,例如降噪神经网络模型或基于迭代重建算法的图像重建模型,将低剂量图像数据转化为高剂量图像数据,在获得同等或更高的图像质量下,避免患者接收过多的辐射;(二)本技术利用特定患者的图像数据训练降噪神经网络模型以获得个性化的降噪神经网络模型,可针对性的处理图像数据,提高降噪神经网络的性能;可以利用个性化的降噪神经网络模型将特定患者的特定部分的低剂量图像数据转化成等效高剂量图像数据,进一步降低图像噪声,提高图像质量。
33.其他特征将在以下部分描述中进行阐述,并且在检视以下及附图之后,部分特征对于本领域的普通技术人员来讲是显而易见的,或可以通过实例的生产及操作来了解。本技术的特征可以通过实践或使用以下实例中详细讨论的方法、手段及组合的各个方面来达成。
附图说明
34.本技术将结合示例性实施例进一步进行描述。这些示例性实施例是参照附图详细说明的。这些实施例是非限制的示例性实施例,这些实施例中的附图的各个视图中相似的标号表示相似的部件,其中:
35.图1根据本技术的一些实施例所示的示例性医疗系统的示意图;
36.图2是根据本技术的一些实施例所示的示例性计算设备的示例性硬件和/或软件组件的示意图;
37.图3是根据本技术的一些实施例所示的可以在其上实施终端的示例性移动设备的示例性硬件和/或软件组件的示意图;
38.图4是根据本技术的一些实施例所示的示例性处理设备的示意图;
39.图5是根据本技术的一些实施所示例的示例性图像数据处理模块的示意图;
40.图6是根据本技术的一些实施例所示的处理图像数据的示例性过程的流程图;
41.图7是根据本技术的一些实施例所示的确定降噪神经网络模型的示例性过程的流程图;
42.图8是根据本技术的一些实施例所示的基于降噪神经网络模型处理低剂量图像的示例性过程的流程图;
43.图9是根据本技术的一些实施例所示的基于噪声统计模型处理低剂量图像数据的示例性过程的流程图;
44.图10是根据本技术的一些实施例所示的基于迭代重建技术处理低剂量图像数据的示例性过程的流程图;
45.图11是根据本技术的一些实施例所示的基于迭代重建技术处理低剂量图像数据的示例性过程的流程图;
46.图12是根据本技术的一些实施例所示的示例性卷积神经网络(cnn)模型的示意图;
47.图13a和图13b为根据本技术的一些实施例所示的不同剂量水平的示例性图像;
48.图14a
‑
14c为根据本技术的一些实施例所示出的不同剂量水平的示例性图像;
49.图15a
‑
15c为根据本技术的一些实施例示出了的基于不同重建算法生成的不同剂量水平的示例性图像;
50.图16a和16b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像;
51.图17a
‑
17c为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像;
52.图18a和18b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像;以及
53.图19a和19b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像。
具体实施方式
54.为了更深入地说明本披露的技术方案,下面在具体实施方式中将以示例的形式阐述许多具体细节。但是,显而易见地,对于本领域的普通技术人员,可以不按照这些细节来实施本披露。在其他情况下,为了避免本披露中不必要的模糊方面,本披露对众所周知的方法、程序、系统、组件和/或电路在较高水平进行了说明,不含细节部分。显而易见地,本领域的普通技术人员可对本披露中揭露的实施例进行各种修改,在不背离本披露的精神与范围的情况下,本披露中限定的一般原理可以应用到其他实施例和应用中。因此,本披露不受所示实施例的限制,本披露的范围与权利要求中宽广的范围是一致的。
55.本文中使用的术语旨在描述具体示例性实施例,而不是为了限制本披露。除非上下文明确提示有例外情形,本文中单数形式的“一”“一个”和“所述”也可包括复数。还应当理解的是,说明书中使用的术语“包括”和/或“包含”指明存在陈述的特征、整数、步骤、操作、元素和/或组件,但不排除存在或附加有一个或多个其他特征、整数、步骤、操作、元素、组件和/或其中几种的组合。
56.应当理解,本文中使用的术语“系统”“引擎”“单元”“模块”和/“区块”是一种按升序区分不同级别的组件、元素、部分、区域或集合的方法。但是,这些术语也可以被其他可达到相同目的表达方式代替。
57.一般而言,本文中使用的词语“模块”“单元”或“区块”是指硬件或固件中包含的逻辑,或者一些软件指令。本文中说明的模块、单元或区块可以软件和/或硬件的形式实现,并且可存储在任何类型的非暂时性计算机可读媒介或其他存储设备中。在一些实施例中,软件模块/单元/区块可被编写并连接至可执行的程序。应当理解的是,可从其他模块/单元/区块或软件模块自身呼叫软件模块,和/或响应检测到的事件或中断而调用软件模块。配置为在计算设备(例如,图2所示的处理器210)中运行的软件模块/单元/区块可由计算机可读媒介提供,例如光盘、数字视频光盘、闪存盘、磁盘或其他任何有形媒介,或以数位下载(并且最初可以以压缩或可安装的形式存储,执行前需要解压、解密或安装)的形式提供所述软件模块/单元/区块。软件指令可以嵌入到固件中,例如可擦除可编程只读存储器(eprom)。还应理解的是,硬件模块/单元/区块可以包含在连接的逻辑组件中,例如门和触发器,和/或包含在可编程单元中,例如可编程门阵列或处理器。本文中描述的模块/单元/区块或计算设备的功能可以以软件模块/单元/区块的形式实现,但是可表现在硬件或固件中。一般而言,本文中描述的模块/单元/区块是指无论具有怎样的物理结构和存储方式,都可与其他模块/单元/区块相结合的逻辑模块/单元/区块,或者可以分为子模块/子单元/子区块的逻辑模块/单元/区块。上述说明可应用于系统、引擎或二者的一部分。
58.应当理解的是,除非上下文明确提示有例外情形,当单元、引擎、模块或区块被描述为“位于”“连接至”或“耦合至”另外的单元、引擎、模块或区块时,所述单元、引擎、模块或区块可以是直接位于、连接至或耦合至或连通其他单元、引擎、模块或区块,或存在中间单元、引擎、模块或区块。本文中使用的术语“和/或”包括列举的一个或多个相关项目中的任意一种或多种的组合。
59.根据下文中参考附图的描述,这些和其他特点、本披露的特征、操作方法、相关结构元件的功能、各部分的整合以及制造的经济性可以更明显易懂。但应当清楚理解的是,附图仅仅是为了说明和描述本披露,而不对本披露的范围作限制。应当理解的是,附图并非按比例绘制。
60.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。一个或以上操作也可以从流程图中删除。
61.本技术提供用于医学诊断和/或治疗的系统和组件。医疗系统可包括治疗计划系统(treatment plan system,tps)、图像引导放射治疗(image
‑
guide radio therapy,igrt)系统(例如,计算机断层摄影引导放射治疗系统)等。
62.本技术一个方面涉及用于处理图像数据的系统和方法。所述系统可以基于降噪模型来处理与对应第一等效剂量的与对象的感兴趣区域相关的第一图像数据,以获取第二图像数据。所述第二图像数据可以对应高于第一等效剂量的等效剂量。在一些实施例中,所述降噪模型可以包括降噪神经网络模型。进一步地,可以基于降噪神经网络模型处理所述第一图像数据以获取噪声数据。可以基于所述第一图像数据和噪声数据确定第二图像数据。在一些实施例中,所述降噪模型可以包括迭代重建模型。可以基于所述迭代重建模型使用迭代重建算法确定所述第二图像数据。
63.应当注意,以下描述的医疗系统100仅用于说明目的,并不旨在限制本技术的范围。对于本领域的普通技术人员,可以在本技术的指导下进行一些变化、改变和/或修改。上述变化、改变和/或修改不脱离本技术的范围。
64.图1是根据本技术的一些实施例所示的示例性医疗系统100的示意图。如图所示,医疗系统100可包括图像引导放射治疗(igrt)设备110、处理设备120、存储器130、一个或以上终端140和网络150。在一些实施例中,igrt设备110、处理设备120、存储器130和/或终端140可以经由无线连接(例如,网络150)、有线连接,或其组合彼此连接和/或通信。医疗系统100中的组件之间的连接可以变化。仅作为示例,如图1所示,igrt设备110可以通过网络150连接到处理设备120。作为另一示例,igrt设备110可以直接连接到处理设备120。作为又一示例,如图1所示,存储器130可以通过网络150连接到处理设备120,或者直接连接到处理设备120。作为又一示例,如图1所示,终端140可以通过网络150连接到处理设备120,或者直接连接到处理设备120(如图1中虚线表示的双向箭头所示)。
65.igrt设备110可以是多模态(例如,双模态)设备,以获取与对象的至少一部分有关的医学图像,并对所述对象的至少一部分执行放射治疗。在一些实施例中,所述医学图像可以是二维(2d)图像、三维(3d)图像、四维(4d)图像等或其任意组合。所述对象可以是生物的或非生物的。例如,对象可以包括患者、人造对象等。又例如,所述对象可以包括患者的特定部分、器官和/或组织。例如,所述对象可包括头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等或其任意组合。在一些实施例中,所述对象可以包括感兴趣区域(region of interest,roi),例如肿瘤、结节等。
66.在一些实施例中,igrt设备110可包括成像设备112、治疗设备114和诊察台116。成像设备112可用于通过扫描对象或对象的一部分以提供图像数据。在一些实施例中,成像设
备112可包括单模态扫描仪和/或多模态扫描仪。单模态可以包括,例如,计算机断层摄影扫描仪(computed tomography,ct)、锥形束计算机断层摄影(cone beam computed tomography,cbct)等。多模态扫描仪可包括单光子发射计算机断层摄影
‑
计算机断层摄影(single photon emission computed tomography
‑
computed tomography,spect
‑
ct)扫描仪、正电子发射断层扫描
‑
计算机断层摄影(positron emission tomography
‑
computed tomography,pet
‑
ct)扫描仪、计算机断层摄影
‑
超声波(computed tomography
‑
ultra
‑
sonic,ct
‑
us)扫描仪、数字减影血管造影
‑
计算机断层摄影(digital subtraction angiography
‑
computed tomography,dsa
‑
ct)扫描仪、计算机断层摄影
‑
磁共振(computed tomography
‑
magnetic resonance,ct
‑
mr)扫描仪等或其任意组合。在一些实施例中,图像数据可以包括投影数据、与对象有关的图像等。投影数据可以是由成像设备112通过扫描对象生成的原始数据,或者是由与对象相关的图像上的正向投影生成的数据。
67.在一些实施例中,成像设备112可包括成像辐射源、探测器等。成像辐射源可以根据一个或以上扫描参数向对象产生和/或发射一个或以上辐射束。成像设备112的探测器可包括一个或以上探测单元,所述探测单元可检测从成像辐射源发射的辐射束的分布。在一些实施例中,成像设备112的探测器可以连接到数据转换电路,用于将检测到的辐射束分布转换成图像数据(例如,投影数据)。所述图像数据可以对应检测到的辐射束的剂量水平(也称为辐射剂量)。在一些实施例中,检测到的辐射束的剂量水平可以与图像数据中的噪声有关。例如,辐射剂量越高,图像数据中相对于真实信号(反映实际解剖结构)的噪声水平可能越低。辐射剂量越低,图像数据中相对于真实信号的噪声水平可能越高。如本技术所用,辐射剂量可以通过计算机断层摄影剂量指数(ct dose index,ctdi)、有效剂量、剂量长度乘积(dose
‑
length product,dlp)等来定义。计算机断层摄影剂量指数(ctdi)可以指沿着成像设备112的长轴(例如,轴向)的单个切片对应的辐射能量。剂量长度乘积可以指由在整个扫描过程中受检者接收的总辐射能量。有效剂量可以指在整个扫描过程中,受检者的特定区域接收的辐射能量。
68.治疗设备114可以用于根据医学图像和其他信息对对象的至少一部分(例如,感兴趣区域)执行放射治疗。治疗设备114可包括治疗辐射源。所述治疗辐射源可以向对象发射治疗辐射。示例性治疗设备可包括线性加速器、x射线治疗设备等。诊察台116可以用于支撑和/或转移对象的至少一部分到,例如成像设备112和/或治疗设备114的扫描区域。例如,可以移动诊察台116以将对象从成像设备112转移到治疗设备114。
69.在一些实施例中,igrt设备110可包括分别容纳成像设备112和治疗设备114的两个机架。成像设备112和对应的机架与治疗设备114和对应的机架可以间隔一段距离。在一些实施例中,成像设备112对应的机架和治疗设备114对应的机架可具有共线孔。例如,成像设备112的机架的孔和治疗设备114的机架的孔可以共享旋转轴。对象可以位于诊察台116中的不同位置,用于成像和治疗。在一些实施例中,成像设备112的成像辐射源和治疗设备114的治疗辐射源可以集成为一个辐射源以成像和/或治疗对象。仅作为示例,igrt设备110可包括治疗设备和计算机断层摄影扫描仪。关于以上设备的描述可以参考文献,例如,标题同为“radiation therapy system(一种放射治疗系统)”,公开号分别为20170189720a1和20170189724a1的美国申请以及标题为“radiation therapy positioning system(放射治疗定位系统)”,公开号为20170189719a1的美国申请,文献中的内容以引用方式被包含于
此。
70.处理设备120可以处理从igrt设备110、存储器130和/或终端140获取的数据和/或信息。例如,处理设备120可以基于由igrt设备110(例如,成像设备112)采集的投影数据重建与对象(例如,肿瘤)的至少一部分有关的图像。又例如,处理设备120可以确定一个或以上降噪神经网络模型,用于处理和/或转换图像数据。再例如,处理设备120可以基于由成像设备112获取的图像中的对象(例如,肿瘤)的至少一部分确定治疗计划。
71.在一些实施例中,处理设备120可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备120可以是本地的或远程的。例如,处理设备120可以经由网络150从igrt设备110、存储器130和/或终端140获取信息和/或数据。又例如,处理设备120可以直接连接到igrt设备110、终端140和/或存储器130以获取信息和/或数据。在一些实施例中,处理设备120可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、内部云、多重云等或其任意组合。在一些实施例中,处理设备120可以由如图3所述的具有一个或以上组件的移动设备300实现。
72.存储器130可以存储数据、指令和/或任何其他信息。在一些实施例中,存储器130可以存储从igrt设备110、处理设备120和/或终端140获取的数据。在一些实施例中,存储器130可以存储处理设备120可以执行或使用的数据和/或指令,以执行本技术中描述的示例性方法。在一些实施例中,储存器130可包括大容量储存器、可移动储存器、易失性读写内存、只读存储器(rom)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态驱动等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写内存可以包括随机存取存储器(ram)。示例性的ram可包括动态随机存取存储器(dram)、双倍速率同步动态随机存取存储器(ddr sdram)、静态随机存取存储器(sram)、闸流体随机存取存储器(t
‑
ram)和零电容随机存取存储器(z
‑
ram)等。示例性的rom可以包括掩模只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电子可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd
‑
rom)和数字通用磁盘只读存储器等。在一些实施例中,如本公开中其他地方所述,存储器130可以在云平台上实现。
73.在一些实施例中,存储器130可以连接到网络150以与医疗系统100中的一个或以上其他组件(例如,处理设备120、终端140等)通信。医疗系统100中的一个或以上组件可以经由网络150获取存储器130中的数据或指令。在一些实施例中,存储器130可以是处理设备120的一部分。
74.终端140可以与igrt设备110、处理设备120和/或存储器130连接和/或通信。例如,终端140可以从处理设备120获取处理后的图像。又例如,终端140可以获取由igrt设备110采集的图像数据,并将所述图像数据发送至处理设备120进行处理。在一些实施例中,终端140可以包括移动设备140
‑
1、平板电脑140
‑
2、......、笔记本电脑140
‑
n等,或其任何组合。例如,移动设备140
‑
1可以包括移动电话、个人数字助理(personal digital assistance,pda)、游戏设备、导航设备、销售点(point of sale,pos)设备、笔记本电脑、平板电脑、台式电脑等,或其任何组合。在一些实施例中,终端140可包括输入设备、输出设备等。所述输入设备包括可以通过键盘、触摸屏(例如,具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监视系统或任何其他类似输入机制输入的字母数字和其他键。通过输入设备接收的输入
信息可以经由,例如总线发送到处理设备120,以进行进一步处理。其他类型的输入设备可以包括光标控制设备,例如鼠标、轨迹球、光标方向键等。输出设备可包括显示器、扬声器、打印机等或其任意组合。在一些实施例中,终端140可以是处理设备120的一部分。
75.网络150可以包括任何能够为医疗系统100促进信息和/或数据交换的合适网络。在一些实施例中,医疗系统100的一个或以上组件(例如,igrt设备110、处理设备120、存储器130、终端140等)可以通过网络150与医疗系统100的一个或以上组件进行信息和/或数据通讯。例如,处理设备120可以通过网络150从igrt设备110获取图像数据。又例如,处理设备120可以通过网络150从终端140获取用户指令。网络150可以是和/或包括公共网络(例如,因特网)、专用网络(例如,局域网(lan)、广域网(wan))等)、有线网络(例如,以太网)、无线网络(例如,802.11网络、wi
‑
fi网络等)、蜂窝网络(例如,长期演进(long term evolution,lte)网络)、帧中继网、虚拟专用网络(vpn)、卫星网络、电话网络、路由器、集线器、箕舌线、服务器计算机和/或其任何组合。例如,网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(wlan)、城域网(man)、公共电话交换网络(pstn)、蓝牙(bluetooth
tm
)网络、无线个域(zigbee
tm
)网络、近场通信(nfc)网络等,或其任何组合。在一些实施例中,网络150可以包括一个或以上网络接入点。例如,网络150可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,通过所述网络接入点,医疗系统100的一个或以上组件可以连接网络150以交换数据和/或信息。
76.上述描述旨在说明本披露,而不是限制本披露的范围。许多替换、修改和变化对于本领域技术人员是显而易见的。本技术描述的示例性实施例的特征、结构、方法和其他特征可以以各种方式组合以获取其它的和/或替代的示例性实施例。例如,存储器130可以是包括,例如公共云、私有云、社区和混合云等云计算平台的数据存储器。又例如,医疗系统100可进一步包括治疗计划系统。然而,那些变化与修改不脱离本披露的范围。
77.图2是根据本技术的一些实施例所示的示例性计算设备200的示例性硬件和/或软件组件的示意图,处理设备120可由所述计算设备200实现。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出(i/o)230和通信端口240。
78.处理器210可以执行计算机指令(例如,程序代码)并根据本技术描述的技术执行处理设备120的功能。所述计算机指令可以包括例如执行本披露中描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能。例如,处理器210可以处理从igrt设备110、存储器130、终端140和/或医疗系统100的任何其他组件获取的图像数据。在一些实施例中,处理器210可以包括一个或以上硬件处理器,例如微控制器、微处理器、精简指令集计算器(risc)、专用集成电路(asic)、专用指令集处理器asip)、中央处理单元(cpu)、图形处理单元(gpu)、物理处理单元(ppu)、微控制器单元、数字信号处理器(dsp)、现场可编程门阵列(fpga)、高级risc机器(arm)、可编程逻辑器件(pld)、能够执行一个或以上功能的任何电路或处理器等,或其任何组合。
79.仅仅为了说明,以计算设备200中一个处理器作描述。然而应该注意的是,本技术中的计算设备200还可以包括多个处理器。因此,由本技术中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如,如果在本技术中计算设备200的处理器执行操作a和操作b两者,则应该理解,操作a和操作b也可以由计算设备中的两个或更多个不同的处理器共同地或单独地执行(例如,第一处理器执行操作a并且第二处理
器执行操作b,或者第一处理器和第二处理器共同执行操作a和b)。
80.存储器220可以存储从igrt设备110、存储器130、终端140和/或医疗系统100的任何其他组件获取的数据/信息。在一些实施例中,存储器220可包括大容量储存器、可移动储存器、易失性读写内存、只读存储器(rom)等或其任意组合。例如,示例性的大容量储存器可以包括磁盘、光盘、固态驱动等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写内存可以包括随机存取存储器(ram)。ram可以包括动态随机存取存储器(dram)、双倍速率同步动态随机存取存储器(ddr sdram)、静态随机存取存储器(sram)、晶闸管随机存取存储器(t
‑
ram)和零电容随机存取存储器(z
‑
ram)等。rom可以包括掩模只读存储器(mrom)、可编程只读存储器(prom)、可擦除可编程只读存储器(perom)、电可擦除可编程只读存储器(eeprom)、光盘只读存储器(cd
‑
rom)和数字通用盘只读存储器等。在一些实施例中,存储器220可以存储一个或以上程序和/或指令以执行在本技术中描述的示例性方法。
81.输入/输出230可以输入及/或输出信号、数据、信息等。在一些实施例中,输入/输出230可以实现用户与处理设备120的交互。在一些实施例中,输入/输出230可以包括输入设备和输出设备。示例性的输入设备的可以包括键盘、鼠标、触摸屏、麦克风等,或其任何组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等,或其任何组合。显示设备的示例可以包括液晶显示器(lcd)、基于发光二极管(led)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(crt)、触摸屏幕等,或其任何组合。
82.通信端口240可以连接到网络(例如,网络150)以便于数据通信。通信端口240可以在处理设备120与igrt设备110、存储器130和/或终端140之间建立连接。所述连接可以是有线连接、无线连接、其他任何能够传送和/或接收数据的通信连接中的一种或多种连接的组合。所述有线连接可以包括电缆、光缆、电话线等一种或多种的组合。无线连接可以包括例如bluetooth
tm
连接、wi
‑
fi
tm
连接、wimax
tm
连接、wlan连接、zigbee
tm
连接、移动网络连接(例如,3g、4g、5g等)等一种或多种连接的组合。在一些实施例中,通信端口240可以是和/或包括标准化的通信端口,例如rs232、rs485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据医学数字成像和通信(dicom)协议进行设计。
83.图3是根据本技术的一些实施例所示的可以在其上实施终端140的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理器(gpu)330、中央处理器(cpu)340、输入/输出350、内存360和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示),亦可包括于移动设备300内。在一些实施例中,移动操作系统370(例如,ios
tm
,android
tm
,windows phone
tm
等)和一个或以上应用程序380可以从存储器390加载到内存360中,并由cpu 340执行。应用380包括浏览器或其他任何用于从处理设备120接收和渲染与图像处理有关的信息或其他信息的合适的移动应用。用户与信息流的交互可以经由输入/输出350实现,并通过网络150提供给医疗系统100的处理设备120和/或其他组件。
84.为了实现本披露中描述的各种模块、单元及其功能,可以使用计算机硬件平台作为本披露中描述的一个或多个元素的硬件平台。具有用户界面元素的计算机可以用于执行个人电脑(pc)或其他任何类型的工作站或终端设备。如果对计算机进行合适编程,则计算机也可以充任服务器。
85.图4是根据本技术的一些实施例所示的示例性处理设备120的示意图。处理设备120可包括获取模块402、控制模块404、图像数据处理模块406和存储模块408。处理设备120的至少一部分可以在如图2所示的计算设备或如图3所示的移动设备上实现。
86.获取模块402可以获取数据。在一些实施例中,可以从igrt设备110、存储器130和/或终端140获取数据。在一些实施例中,所述数据可包括图像数据(例如,放射图像、投影数据等)、模型、指令等或其任意组合。所述模型可用于生成图像。所述指令可以由处理设备120的处理器执行,以执行本技术中描述的示例性方法。在一些实施例中,可以将所获取的数据发送到图像数据处理模块406进一步处理,或者将其存储在存储模块408中。
87.控制模块404可以通过,例如生成一个或以上控制参数,控制获取模块402、图像数据处理模块406和/或存储模块408的操作。例如,控制模块404可以控制获取模块402从igrt设备110的成像设备112获取图像数据(例如,图像、投影数据等)。又例如,控制模块404可以控制图像数据处理模块406生成与对象有关的图像。又例如,控制模块404可以控制图像数据处理模块406基于所述图像确定所述对象的放射治疗计划。在一些实施例中,控制模块404可以接收实时命令或检索由用户(例如,医生)提供的预定指令以控制获取模块402和/或图像数据处理模块406的一个或以上操作。例如,控制模块404可以根据实时指令和/或预定指令调整获取模块402和/或图像数据处理模块406以生成图像数据(例如,图像)。在一些实施例中,控制模块404可以与处理设备120的一个或以上其他模块通信,以交换信息和/或数据。
88.图像数据处理模块406可以处理由处理设备120的各个模块提供的数据。在一些实施例中,图像数据处理模块406可基于低剂量图像数据生成高剂量图像数据。例如,图像数据处理模块406可以通过降噪神经网络模型生成高剂量图像数据。又例如,图像数据处理模块406可以基于噪声统计模型通过迭代重建技术生成高剂量图像数据。在一些实施例中,图像数据处理模块406可基于高剂量图像数据确定放射治疗计划。
89.存储模块408可以存储信息。所述信息可以包括程序、软件、算法、数据、文本、数字、图像和一些其他信息。例如,所述信息可以包括图像数据(例如,放射图像、光学图像等)、与igrt设备110中的组件(例如,诊察台116)相关的运动或位置数据(例如,速度、位移、加速度、空间位置等)、指令等或其任意组合。在一些实施例中,存储模块408可以存储由处理设备120的处理器执行的程序和/或指令以获取数据,确定对象的至少一部分的空间位置。
90.在一些实施例中,图4中所示的一个或以上模块可以在如图1所示的医疗系统100的至少一部分中实现。例如,获取模块402、控制模块404、图像数据处理模块406和/或存储模块408可以集成到控制台(未示出)中。通过控制台,用户可以设置参数以扫描对象、控制成像过程、控制图像重建参数等。在一些实施例中,控制台可以通过处理设备120和/或终端140实现。
91.图5是根据本技术的一些实施所示例的示例性图像数据处理模块406的示意图。图像数据处理模块406可包括神经网络模型确定单元502、图像数据降噪单元504、迭代重建单元506和存储单元508。图像数据处理模块406的至少一部分可以在如图2所示的计算设备或如图3所示的移动设备上实现。
92.神经网络模型确定单元502可以生成用于降噪的神经网络模型(即降噪神经网络
模型)。在一些实施例中,神经网络模型确定单元502可以通过利用与多个不同对象相关的多组训练数据训练神经网络模型生成通用降噪神经网络模型。在一些实施例中,神经网络模型确定单元502可通过利用与特定对象相关的训练数据训练通用降噪神经网络模型,以获取个性化的降噪神经网络模型。
93.在一些实施例中,神经网络模型确定单元502可以将降噪神经网络模型发送到图像数据处理模块406的其他单元或块以供进一步处理。例如,神经网络模型确定单元502可以将降噪神经网络模型发送到图像数据降噪单元504以用于处理图像数据。又例如,神经网络模型确定单元502可以将降噪神经网络模型发送到用于存储的存储单元508。
94.图像数据降噪单元504可以为图像数据进行降噪。例如,图像数据降噪单元504可以使用,例如神经网络模型确定单元502确定的降噪神经网络模型将低剂量图像数据转换为高剂量图像数据。又例如,图像数据降噪单元504可以使用降噪神经网络模型确定低剂量图像数据中包含的噪声数据,并基于所述噪声数据和低剂量图像数据确定所述低剂量图像数据对应的高剂量图像数据。
95.迭代重建单元506可以基于相应的低剂量投影数据和噪声统计模型通过执行至少两次迭代生成高剂量图像。在一些实施例中,迭代重建单元506可以生成与低剂量投影数据相关的噪声统计模型。在一些实施例中,迭代重建单元506可以基于所述噪声统计模型对低剂量投影数据进行降噪,并且基于降噪后的低剂量投影数据重建图像。在一些实施例中,迭代重建单元506可以基于所述噪声统计模型对图像进行降噪,以获取对应低剂量投影数据的高剂量图像。
96.存储单元508可以存储与,例如训练神经网络模型、噪声统计模型等有关的信息。所述信息可以包括程序、软件、算法、数据、文本、数字和一些其他信息。在一些实施例中,与训练神经网络模型有关的信息可包括用于训练神经网络模型的图像、用于训练神经网络模型的算法、神经网络模型的参数等。存储单元508可以是存储由处理设备,例如cpu、gpu等处理的数据的存储器。在一些实施例中,存储单元508可以是一个或以上gpu可以访问的存储器,或者可以是仅可由特定gpu访问的存储器。
97.应当注意,上述图像数据处理模块406的描述仅仅是出于说明的目的而提供的,并不旨在限制本技术的范围。对于本领域普通技术人员,可以在本技术的指导下进行多种变化或修改。然而,这些变形和修改不会背离本技术的范围。例如,神经网络模型确定单元502和图像数据降噪单元504可以集成到一个单独的单元中。
98.图6是根据本技术的一些实施例所示的处理图像数据的示例性过程600的流程图。在一些实施例中,图6中所示的过程600的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图6中所示的过程600可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu 340)调用和/或执行。
99.在602中,可以获取与对象的感兴趣区域相关的第一图像数据,所述第一图像数据对应第一等效剂量。操作602可以由获取模块402执行。在一些实施例中,“等效剂量”可以等于在实际扫描过程中与对象相关的扫描剂量水平。在一些实施例中,“等效剂量”还可以指在模拟不同数量的光子的扫描过程中,由对象的单位质量接收的辐射能量。在一些实施例中,所述第一图像数据可以从存储器130、存储模块408或任何其他外部存储器获取。在一些
实施例中,可以从igrt设备的成像设备(例如,igrt设备110的成像设备112)获取所述第一图像数据,所述第一图像数据可以由成像设备在第一等效剂量水平下扫描所述对象而生成。所述第一图像数据可包括投影数据、与所述对象的感兴趣区域相关的图像等或其任意组合。所述第一图像数据可包括二维(2d)图像数据、三维(3d)图像数据、四维(4d)图像数据或其他维度的图像数据。
100.在一些实施例中,第一图像数据可以包括与所述对象的感兴趣区域相关的计划图像数据(例如,计划图像、计划投影数据等)。如本技术所用,“计划图像数据”可以用于制定对象的治疗计划。例如,在所述对象接受放射治疗之前(例如,几天或几周之前),可以拍摄计划图像。计划图像可以用于识别放射治疗目标(例如,对象的感兴趣区域)、风险器官和对象的外部轮廓(例如,皮肤),并且可以是基于所述对象的计划图像制定治疗计划。在一些实施例中,所述第一图像数据可以包括与所述对象的感兴趣区域相关的引导图像数据(例如,引导图像、引导投影数据等)。如本技术所用,“引导图像数据”可用于指导治疗计划的实施。例如,与所述对象的感兴趣区域相关的引导图像可以用于定位感兴趣区域。定位后的感兴趣区域可以根据治疗计划接收辐射。引导图像数据可以在放射治疗期间或之前(例如,在治疗当天、或治疗前几小时、或治疗前几分钟、或治疗前几秒、或治疗期间)获取。在一些实施例中,所述治疗计划可以在历经多天治疗期间的多个治疗阶段交付给所述对象。在治疗期间,可以使用一个或以上引导图像(例如,ct图像)确定和/或定位在几个治疗阶段中所述对象的感兴趣区域(例如,癌症)。
101.所述第一图像数据的第一等效剂量可以满足第一条件。在一些实施例中,所述第一条件可包括第一阈值或第一范围。例如,所述第一等效剂量可以等于或低于第一阈值。又例如,所述第一等效剂量可以在第一范围内。在一些实施例中,所述第一条件(例如,第一阈值或第一范围)可根据临床需求(例如,感兴趣组织的类型)而变化。例如,在肝脏扫描中,所述第一等效剂量可以等于或小于15msv、或等于或小于10msv、或等于或小于5msv等。又例如,在胸部扫描中,所述第一等效剂量可以等于或小于7msv、或等于或小于2msv等。再例如,在使用cbct设备进行上腹部扫描中,所述第一等效剂量可以等于4mgy。在扫描参数为120kv和30mas下,通过ct设备进行上腹部扫描中,所述第一等效剂量可以等于1.5mgy。
102.在604中,可以获取降噪模型。操作604可以由获取模块402执行。在一些实施例中,可以预先确定降噪模型(例如,由igrt设备的制造商、专门从事图像处理的实体、可以访问训练数据的实体等提供)。在一些实施例中,可以从存储器130、存储模块408、存储单元508、终端140或其他存储器设备获取降噪模型。
103.在一些实施例中,所述降噪模型可包括用于降噪的神经网络模型(即降噪神经网络模型)。所述降噪神经网络模型可以用于处理图像数据(例如,在602中获取的第一图像数据)。示例性图像数据处理可以包括变换、修正和/或转换等。例如,所述降噪神经网络模型可以用于将低剂量图像数据(例如,在602中获取的第一图像数据)转换为对应所述低剂量图像数据的高剂量图像数据(例如,608中的第二图像数据)。又例如,所述降噪神经网络模型可以用于降低图像数据(例如,在602中获取的第一图像数据)中的噪声水平。再例如,所述降噪神经网络模型可以从图像数据(例如,在602中获取的第一图像数据)中提取噪声数据。在一些实施例中,所述降噪神经网络模型可包括基于与多个对象相关的训练数据生成的通用降噪神经网络模型。在一些实施例中,所述降噪神经网络模型可包括对应特定对象
的个性化神经网络模型。关于降噪神经网络模型的更多描述可以在参考图7和图8及其描述中。
104.在一些实施例中,所述降噪模型可包括噪声统计模型。所述噪声统计模型可以表示图像数据(例如,在602中获取的第一图像数据)的噪声水平。在一些实施例中,可以基于空间域滤波器模型、变换域滤波器模型、形态学噪声滤波器模型等或其组合来构建噪声统计模型。空间域滤波器模型可以包括场平均滤波器模型、中值滤波器模型、高斯滤波器模型等或其任意组合。变换域滤波器模型可以包括傅立叶变换模型、walsh
‑
hadamard变换模型、余弦变换模型、k
‑
l变换模型、小波变换模型等或其任意组合。在一些实施例中,所述噪声统计模型可包括偏微分模型或变分模型,例如perona
‑
malik(pm)模型、总变差(total variation,tv)模型等或其任意组合。在一些实施例中,所述噪声统计模型可以包括所述第一图像数据的噪声估计。所述第一图像数据的噪声估计可以表示所述第一图像数据的噪声水平。在一些实施例中,所述第一图像数据中包括的噪声可包括由辐射(例如,x射线)引起的量子噪声、由成像设备的组件(例如,成像设备112中的探测器)引起的电子噪声等或其任意组合。可以基于量子噪声、电子噪声和由探测器(例如,成像设备112中的探测器)检测到的辐射强度来确定所述第一图像数据的噪声估计。关于所述噪声统计模型的更多描述可以参考文献,例如,中国专利申请no.103971387b,标题为“ct图像重建方法”,其内容通过引用方式被包含于此。
105.在606中,可以预处理所述第一图像数据。操作606可以由图像数据处理模块406执行。可以执行预处理操作以调整图像数据的质量,例如图像数据的噪声水平、图像的对比度等。在一些实施例中,预处理操作可以包括降噪操作、增强操作、平滑操作、图像融合操作、图像分割操作、图像配准操作等或其任意组合。具体地,可以基于高斯滤波器、平均滤波器、中值滤波器、小波变换等或其组合执行平滑操作。增强操作可以包括直方图均衡化、图像锐化、傅里叶变换、高通过滤、低通过滤等或其任意组合。降噪操作可以包括应用空间域滤波器、变换域滤波器、形态学噪声滤波器等或其任意组合。可以基于分割算法来执行图像分割操作。示例性分割算法可以包括基于阈值的分割算法、基于边缘的分割算法、基于区域的分割算法等或其任意组合。可以使用,例如最佳缝合线算法、梯度金字塔算法等执行图像融合操作。可以使用,例如互相关算法、沃尔什变换算法、相位相关算法等执行图像配准操作。
106.在608中,可以基于所述第一图像数据和降噪模型确定对应第二等效剂量的第二图像数据,所述第二等效剂量高于所述第一等效剂量。操作608可以由图像数据处理模块406执行。在一些实施例中,所述第二图像数据可以包括投影数据、图像等或其任意组合。第二等效剂量可以是第一图像数据相对于第一等效剂量的等效剂量。如本技术所使用的,当所述第一图像数据的噪声水平等于所述第二图像数据的噪声水平时,所述第二等效剂量可以指所述第一图像数据所需的剂量水平。“等效剂量可以在当模拟不同数量的光子的扫描过程中由对象的单位质量接收的辐射能量。所述第一等效剂量与第二等效剂量的比率可以等于或大于10%、或15%、或25%、或30%、或40%、或50%、或85%等。在上腹部扫描中,所述第一等效剂量与第二等效剂量的比率可以在等于或超过10%、或15%、或25%、或30%、或40%、或50%、85%等范围内变动。例如,对于cbct扫描,第一等效剂量与第二等效剂量的比率可以等于或超过1:3或1:2。对于计算机断层摄影扫描,第一等效剂量与第二等效剂量的比率可以等于1:7或1:5。
107.可以基于在604中获取的降噪模型确定所述第二图像数据。例如,可以基于降噪神经网络模型确定所述第二图像数据。进一步地,可以使用降噪神经网络模型直接将所述第一图像数据转换为所述第二图像数据。又例如,可以使用所述降噪神经网络模型将所述第一图像数据转换为噪声数据。然后,可以根据如图8所示的过程800基于噪声数据和第一图像数据确定第二图像数据。再例如,可以基于噪声统计模型使用迭代重建技术确定第二图像数据。在一些实施例中,所述第一图像数据可包括第一投影数据。所述第二图像数据可包括第二图像。可以基于目标函数包括通过执行至少两次迭代重建第二图像,所述目标函数可以包括在604中获取的噪声统计模型。再例如,可以基于在604中获取的投影域中的噪声统计模型对第一投影数据进行降噪。可以基于降噪后的第一投影数据生成第二图像。进一步地,可以基于图像域中的噪声统计模型对生成的第二图像进行降噪。关于基于噪声统计模型确定第二图像数据的更多描述可以参考图9、10和/或11及其描述。
108.在610中,可以基于所述第二图像数据确定所述对象的感兴趣区域。操作610可以由图像数据图像数据处理模块406执行。在一些实施例中,所述对象的感兴趣区域的确定可以包括识别感兴趣区域或感兴趣区域周围的组织、绘制感兴趣区域的轮廓、获取与感兴趣区域有关的信息(例如,形状、大小、位置、周围组织信息等)等。在一些实施例中,可以基于所确定的与所述对象的感兴趣区域相关的信息确定所述对象的治疗计划。在一些实施例中,可以记录与感兴趣区域有关的信息以供进一步处理。例如,可以将基于第二图像数据确定的感兴趣区域相关的信息(即第一信息)与从所述对象的预定治疗计划中获取的感兴趣区域相关的信息(即第二信息)进行比较。然后,可以基于所述比较调整所述对象在空间中的位置。例如,通过移动或旋转igrt的诊察台(例如,诊察台116),根据所述对象的预定治疗计划,可以将一定剂量的辐射投放至所述对象或对象的感兴趣区域。在一些实施例中,可以基于所述比较来修改所述对象的预定治疗计划。在一些实施例中,在治疗期间或之后,可以基于所述比较进行治疗辐射束的投放。例如,如果所述比较在预定范围之外,则可以停止治疗辐射束的投放。如果所述比较在所述预定范围之内,则可以重新开始治疗辐射束的投放。
109.在一些实施例中,所述对象的预定治疗计划可以从存储器130、终端140、存储模块408或任何其他外部存储器获取。在一些实施例中,所述对象的预定治疗计划可以由,例如医疗系统100或其他系统(例如,连接到医疗系统100的治疗计划系统(tps)确定。
110.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域普通技术人员,可以在本技术的教导下进行多种变化或修改。然而,这些变形和修改不会背离本技术的范围。例如,可以省略操作606。又例如,在608中,可以基于在606中确定的预处理后的第一图像数据确定第二图像数据。在一些实施例中,过程600可以进一步包括基于在610中所确定的感兴趣区域确定或调整治疗计划。在一些实施例中,过程600可以进一步包括基于在610中所确定的感兴趣区域调整所述对象的位置。
111.图7是根据本技术的一些实施例所示的确定降噪神经网络模型的示例性过程700的流程图。在一些实施例中,图7中所示的过程700的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图7中所示的过程700可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu 340)调用和/或执行。可以根据过程700确定操作604中提到的降噪模型。
112.在702中,可以获取与多个第一对象相关的多组训练数据,多组训练数据中的每组
训练数据包括与第一对象相关的低剂量图像数据和高剂量图像数据。操作702可以由获取模块402执行。可以从igrt设备110、存储器130、终端140、存储模块408、存储单元508和/或其他外部存储器获取与多个第一对象的多个感兴趣区域相关的多组训练数据。低剂量图像数据可包括对应第一等效剂量的低剂量投影数据或低剂量图像。高剂量图像数据可包括对应第二等效剂量的高剂量投影数据或高剂量图像,所述第二等效剂量高于所述第一等效剂量。在一些实施例中,第一等效剂量和第二等效剂量可根据临床需求(例如,组织的类型)而变化。例如,在肝脏扫描中,第二等效剂量可以等于或大于5msv、或10msv、或15msv等。第一等效剂量可以低于15msv、或10msv、或5msv等。第一等效剂量与第二等效剂量的比率可以在5%至40%的范围内,例如10%、15%、20%、25%、30%等。又例如,在胸部扫描中,第二等效剂量可以等于或大于2msv、或7msv等。第一等效剂量可以低于7msv、或2msv等。在一些实施例中,第二等效剂量与估计有效剂量的比率可以等于或超过1%、或5%、或10%、或25%、或50%、或100%、或150%等。第一等效剂量与估计有效剂量的比率可以等于或低于1%、或5%、或10%、或25%等。
113.在一些实施例中,可以从成像设备(例如,igrt设备110的成像设备112)获取高剂量图像数据和对应的低剂量图像数据,所述高剂量图像数据和对应的低剂量图像数据可以通过成像设备扫描正在接受检查的多个第一对象中的一个生成。如本技术所使用的,相互对应的高剂量图像数据和低剂量图像数据可以指对第一对象(例如,第一对象的感兴趣区域)相同部分的表示。在一些实施例中,可以基于高剂量图像数据确定对应的低剂量图像数据。例如,低剂量图像数据可包括低剂量投影数据。高剂量图像数据可包括高剂量投影数据。可以基于高剂量投影数据通过模拟方式确定低剂量投影数据。关于基于相应的高剂量图像数据确定低剂量图像数据的更多描述可以参考文献,在例如2017年7月28日提交的国际申请no.pct/cn2017/095071,标题为“图像变换的系统和方法”,其内容通过引入的方式被包含于此。
114.在704中,可以使用所述多组训练数据训练神经网络模型以获取用于降噪的通用神经网络模型(即通用降噪神经网络模型)。操作704可以由神经网络模型确定单元502执行。在一些实施例中,神经网络模型可以是预先确定的(例如,由igrt设备的制造商、专门从事图像处理的实体、可以访问训练数据的实体等提供)。在一些实施例中,神经网络模型可以从存储器130、存储模块408、存储单元508、终端140或其他存储器获取。在一些实施例中,神经网络模型可以基于反向传播(back propagation,bp)神经网络、卷积神经网络模型(convolutional neural network,cnn)、循环神经网络(recurrent neural network,rnn)、长短时记忆(long short
‑
term memory,lstm)、生成对抗网络(generative adversarial network,gan)、自适应共振理论(adaptive resonance theory,art)神经网络等或其任意组合构建。在一些实施例中,神经网络模型可以是二维(2d)模型、三维(3d)模型、四维(4d)模型或任何其他维度的模型。参考,例如,图12及其描述。在一些实施例中,可以使用机器训练算法通过输入所述多组训练数据的每组训练数据训练神经网络模型。示例性机器训练算法可包括梯度下降算法、牛顿算法、共轭梯度算法、quasi
‑
newton算法、levenberg
‑
marguardt算法等或其任意组合。关于所述通用降噪神经网络模型的更多描述可以参考文献,例如2017年7月28日提交的国际申请no.pct/cn2017/095071,标题为“图像变换的系统和方法”,其内容通过引入方式被包含于此。
115.在一些实施例中,可以从与多个第一对象有关的训练数据的每组训练数据中提取多对图像块。如本技术所使用的,多对图像块中的每对图像块可以包括从第一对象的高剂量图像数据提取的图像块和低剂量图像数据中提取的图像块。一对图像块可以对应第一对象的感兴趣区域中的相同区域。在一些实施例中,所述多个第一对象可以包括特定对象(例如,如706中所述的第二对象)。与所述多个第一对象有关的多组训练数据可包括与所述特定对象有关的一组训练数据(例如,如706中所述的第二对象)。此外,可以从与所述特定对象(例如,在706中描述的第二对象)相关的训练数据组中提取与所述特定对象(例如,在706中描述的第二对象)相关的多对图像块。可以迭代地训练神经网络模型。在每次迭代中,可以基于随机梯度下降算法,选择与所述多个第二对象相关的多对图像块的至少一部分训练神经网络模型,所述多个第二对象相关的多对图像块包括与所述特定对象(例如,在706中描述的第二对象)相关的多对图像块。可以在每次迭代中调整神经网络的参数(例如,权值),直到,例如所有多对图像块可以用于训练神经网络模型,或者一定次数的迭代被执行。
116.在706中,可以获取第二对象的训练数据,所述第二对象的训练数据包括与所述第二对象的感兴趣区域相关的低剂量图像数据和高剂量图像数据。操作706可以由获取模块402执行。在一些实施例中,所述第二对象的训练数据可包括高剂量图像数据和相应的低剂量图像数据。如本技术所使用的,相互对应的高剂量图像数据和低剂量图像数据可以指对所述第二对象的相同部分的表示(例如,所述第二对象的感兴趣区域)。在一些实施例中,所述第二对象的高剂量图像数据可以由第一设备获取。所述第二对象的低剂量图像数据可以由第二设备获取。第一设备可以与第二设备可以相同或不同。例如,第一设备可以包括成像设备,例如ct设备。第二设备可以包括igrt设备的成像设备(例如,igrt设备110的成像设备112)。在一些实施例中,所述多个第一对象可以包括所述第二对象。进一步地,与所述多个第一对象有关的多组训练数据的可以包括所述第二对象的训练数据。
117.在一些实施例中,所述第二对象的高剂量图像数据可用于确定第二对象的治疗计划。例如,所述第二对象的高剂量图像数据可以包括计划图像数据(例如,计划图像)。在一些实施例中,所述第二对象的高剂量图像数据可用于指导第二对象的预定治疗计划的实施。例如,如结合图6所描述的,所述第二对象的高剂量图像数据可以包括与所述第二对象的感兴趣区域相关的引导图像数据(例如,引导图像)。在一些实施例中,所述第二对象的高剂量图像数据可包括与所述第二对象的感兴趣区域相关的融合图像数据(例如,融合图像)。例如,可以通过融合与在所述第二对象的治疗期间获取的所述第二对象的感兴趣区域相关的至少两个引导图像生成与所述第二对象的感兴趣区域相关的融合图像。又例如,可以通过融合计划图像和至少一个引导图像生成与所述第二对象的感兴趣区域相关的融合图像。在一些实施例中,所述第二对象的高剂量图像数据可包括与第二对象的感兴趣区域相关的配准图像。例如,高剂量图像数据可包括ct
‑
mri配准图像、ct
‑
pet配准图像等。
118.所述第二对象的高剂量图像数据可以对应第三等效剂量。所述第二对象的低剂量图像数据可以对应第四等效剂量。第三等效剂量可以高于第四等效剂量。在一些实施例中,第三等效剂量和/或第四等效剂量可根据临床需求(例如,组织的类型)而变化。例如,在肝脏扫描中,第三等效剂量可以等于或大于5msv、或10msv、或15msv等。第四等效剂量可以低于15msv、或10msv、或5msv等。又例如,在胸部扫描中,第三等效剂量可以等于或大于2msv或7msv等。第四等效剂量可以低于7msv或2msv等。再例如,在使用cbct设备进行上腹部扫描,
第四等效剂量可以等于4mgy。在扫描参数为120kv和30mas下使用ct设备进行上腹部扫描,第四等效剂量可以等于1.5mgy。在扫描参数为120kv和220mas下使用ct设备进行上腹部扫描,第三等效剂量可以等于14mgy。
119.第三等效剂量和第四等效剂量可根据临床需求而变化。例如,在肝脏扫描中,第四等效剂量与第三等效剂量的比率可以在5%至40%的范围内,例如10%、15%、20%、25%、30%、50%、85%,等等。在上腹部扫描中,第四等效剂量与第三等效剂量的比率可以在等于或超过10%、或15%、或25%、或30%、或40%、或50%,85%等的范围内。例如,对于cbct扫描,第四等效剂量与第三等效剂量的比率可以等于或超过1:3或1:2。对于ct扫描,第四等效剂量与第三等效剂量的比率可以等于1:7或1:5。
120.在708中,可以使用所述第二对象的训练数据训练所述通用降噪神经网络模型以获取用于降噪的个性化神经网络模型(即个性化降噪神经网络模型)。操作708可以由神经网络模型确定单元502执行。
121.在一些实施例中,可以从与所述第二对象相关的高剂量图像和低剂量图像中提取多对图像块作为所述通用降噪神经网络模型的训练数据。如本技术所使用的,多对图像块中的每对图像块可包括从高剂量图像提取的第一图像块和从低剂量图像提取的第二图像块。第一图像块和第二图像块可以对应第二对象的感兴趣区域中的相同区域。在一些实施例中,可以基于随机采样算法来提取第一图像块和/或第二图像块。示例性随机采样算法可以包括接受
‑
拒绝采样算法、重要性采样算法、metropolis
‑
hasting算法、gibbs采样算法等。在一些实施例中,可以基于用户提供的指令经由终端140提取第一图像块和/或第二图像块。
122.可以使用如上所述的机器训练算法基于多对图像块训练所述通用降噪神经网络模型。在一些实施例中,可以使用成本函数(例如,损失函数)训练所述通用降噪神经网络模型。成本函数可以用于评估测试值(例如,低剂量图像的第二图像块)与期望值(例如,高剂量图像的第一图像块)之间的差异。在一些实施例中,低剂量图像的第二图像块可以经由输入层(例如,如图12中所示的输入层1120)输入到所述通用降噪神经网络模型。低剂量图像的第二图像块可以从所述通用降噪神经网络模型的第一隐藏层(例如,如图12所示的传统层1140
‑
1)转移到所述通用降噪神经网络模型的最后隐藏层。可以通过执行图像变换操作、图像增强操作、图像降噪操作或任何其他操作,在多个隐藏层中的每一层中处理低剂量图像的第二图像块。由隐藏层处理后的低剂量图像的第二图像块可以被输入到成本函数层。可以基于处理后的低剂量图像的第二图像块和高剂量图像的第一图像块确定成本函数的值。然后,可以在训练过程中调整所述通用降噪神经网络模型的参数(例如,权值),直到成本函数的值满足条件(例如,预定阈值)。
123.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域普通技术人员,可以在本技术的教导下进行多种变化或修改。然而,这些变形和修改不会背离本技术的范围。例如,相比图7所示操作702和706可以以相同或相反的顺序执行,和/或相比图7所示操作704和706可以以相同或相反的顺序执行。又例如,可以省略操作702和704。可以基于与第二对象相关的训练数据通过训练神经网络模型确定个性化降噪神经网络模型。在一些实施例中,过程700可以进一步包括在存储器130、终端140、存储模块408、存储单元508、和/或其他外部存储器设备中存储所述第二对象的训练数据和/或与所述多
个第一对象有关的多组训练数据。
124.图8是根据本技术的一些实施例所示的基于降噪神经网络模型处理低剂量图像的示例性过程800的流程图。在一些实施例中,图8中所示的过程800的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图8中所示的过程800可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu 340)调用和/或执行。可以根据过程800执行操作608。
125.在802中,可以使用降噪神经网络模型处理与对象的感兴趣区域相关的低剂量图像,以确定所述低剂量图像数据包括的噪声数据。操作802可以由图像数据降噪单元504执行。与对象的感兴趣区域相关的低剂量图像(例如,602中获取的第一图像数据)可以对应低剂量水平(例如,602中所描述的第一等效剂量)。低剂量图像的图像质量低于相应的高剂量图像(例如,在608中所述的第二图像数据)的图像质量。如这里所使用的,图像质量可以由图像的噪声水平来定义。低剂量图像的噪声水平可以高于对应的高剂量图像的噪声水平。所述降噪神经网络模型可用于从低剂量图像中提取噪声数据。使用降噪神经网络模型从低剂量图像提取的噪声数据可以包括噪声图像,表示低剂量图像中包括的噪声。
126.所述降噪神经网络模型可以从存储器130、存储模块408、存储单元508或其他外部存储器获取。在一些实施例中,可以预先确定降噪神经网络模型(例如,由图像引导放射治疗设备的制造商、专门从事图像处理的实体、可以访问训练数据的实体等提供)。在一些实施例中,可以根据如图7所示的过程700确定降噪神经网络模型。在一些实施例中,所述降噪神经网络模型可包括通用降噪神经网络模型或对应于所述对象的个性化降噪神经网络模型。
127.在804中,可以基于所述噪声数据和低剂量图像确定与所述对象的感兴趣区域相关的高剂量图像。操作804可以由图像数据降噪单元504执行。所述第二对象的高剂量图像(例如,在608中获取的第二图像数据)可以通过组合所述噪声数据和低剂量图像(例如,在602中获取的第一图像数据)确定。进一步地,可以通过在所述噪声数据(例如,噪声图像)和低剂量图像之间执行减法运算确定高剂量图像(例如,在608中获取的第二图像数据)。例如,所述噪声数据(例如,噪声图像)可以包括至少两个第一像素或体素。所述低剂量图像(例如,在602中获取的第一图像数据)可包括至少两个第二像素或体素。所述高剂量图像(例如,在608中获取的第二图像数据)可包括至少两个第三像素或体素。所述高剂量图像中的第三像素或体素的灰度值可以等于低剂量图像中相应像素或体素的灰度值与噪声图像中相应的像素或体素的灰度值之间的差值。如本技术所用,低剂量图像、高剂量图像和噪声图像中的相应像素或体素可以指表示所述对象的感兴趣区域的相同空间点或区域的三个像素或体素。
128.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域普通技术人员,可以在本技术的教导下进行多种变化或修改。然而,这些变形和修改不会背离本技术的范围。例如,可以省略操作802。可以使用所述降噪神经网络模型直接将低剂量图像转换为高剂量图像。在一些实施例中,所述降噪神经网络模型可以用于从低剂量投影数据中提取噪声数据。可将噪声数据转换为噪声图像。可以基于低剂量投影数据重建低剂量图像。可以基于重建后的低剂量图像和噪声图像确定高剂量图像。
129.图9是根据本技术的一些实施例所示的基于噪声统计模型处理低剂量图像数据的
示例性过程900的流程图。在一些实施例中,图9中所示的过程900的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图9中所示的过程900可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu 340)调用和/或执行。可以根据过程900执行操作608。
130.在902中,可以基于投影域中的噪声估计处理第一投影数据以获取第二投影数据。操作902可以由迭代重建单元506执行。所述第一投影数据可包括对应第一等效剂量的低剂量投影数据(例如,在602中获取的对应第一等效剂量的第一图像数据)。如操作602所述,可以从igrt设备110、存储模块408、存储单元508或其他存储器获取低剂量投影数据(在602中获取的第一图像数据)。如操作604所述,可以从存储器130、存储模块408、存储单元508或其他存储器获取噪声估计。噪声估计可以表示所述第一投影数据的噪声水平。可以根据本公开中其他地方描述基于第一投影数据和/或的医疗系统100的默认设置确定噪声估计。参见,例如,图6及其描述。
131.在一些实施例中,可以使用非线性滤波算法基于噪声估计对所述第一投影数据进行降噪。示例性非线性滤波算法可以包括扩展卡尔曼滤波器(extended calman filter,ekf)算法、无味滤波器卡尔曼(unscented filter calman,ufk)算法、粒子滤波器(particle filter,pf)算法等。例如,可以基于由等式(1)表示的目标函数来执行非线性滤波算法,如下所示:其中,n(γ,ξ)表示第二投影数据,n0(γ,ξ)表示第一投影数据,表示全变差,(δ
n
(γ,ξ))
‑
b
表示与第一投影数据相关的噪声估计,β表示用于调整降噪强度的参数,γ表示成像设备(例如,igrt设备110的成像设备112)中的探测器的通道计数,ξ表示成像设备(例如,igrt设备110的成像设备112)探测器的排计数,b表示常数。例如,b可以是0到5范围内的常数,例如0、0.5、1、1.5、2、2.5、3、3.5、4、4.5、或5。如等式(1)所示,可以基于目标函数(即,等式(1))通过执行至少两次迭代来确定第二投影数据,直到条件被满足。示例性条件是当所述条件被满足时,目标函数(即,等式(1))的值至少局部最小。仅作为示例,所述条件是当条件满足被时目标函数(即,等式(1))的值全局最小。又例如,所述条件是执行指定次数的迭代。又例如,所述条件是两次或以上连续迭代中,目标函数的值的变化可以等于或小于阈值。所述第一投影数据的降噪强度可以通过噪声估计和β的值控制。(δ
n
(γ,ξ))
‑
b
和β之间的乘积越大,所述第一投影数据的降噪强度越小。所述第一投影数据的噪声水平越高,(δ
n
(γ,ξ))
‑
b
的值越小,(δ
n
(γ,ξ))
‑
b
和β之间的乘积越小,所述第一投影数据的降噪强度越大。
132.在904中,可以基于所述第二投影数据生成第一图像。可以基于迭代重建单元506来执行操作904。在一些实施例中,可以使用图像重建算法基于所述第二投影数据生成第一图像。示例性图像重建算法可以包括滤波反投影(filtered back projection,fbp)算法、代数重建技术(algebraic reconstruction technique,art)、局部重建算法等或其任意组合。
133.在906中,可以基于投影域中的噪声估计确定图像域中的噪声统计模型。可以基于迭代重建单元506来执行操作906。在一些实施例中,可以通过对投影域中的噪声估计执行反投影操作确定图像域中的噪声统计模型。此外,投影域中的噪声估计也可以被称为噪声
投影数据。图像域中的噪声统计模型也可以被称为噪声图像。可以使用滤波反投影(fbp)算法基于噪声投影数据生成噪声图像。关于图像域中的噪声统计模型和/或投影域中的噪声估计的更多描述可以参考文献,例如中国申请no.103971387b,标题为“ct图像重建方法”,其内容通过引用方式被包含于此。
134.在908中,可以基于所述第一图像和所述图像域中的噪声统计模型确定第二图像。可以基于迭代重建单元506来执行操作908。在一些实施例中,可以使用如上所述的非线性滤波算法,基于图像域中的噪声统计模型对所述第一图像进行降噪。进一步地,可以基于由等式(2)表示的目标函数来执行非线性滤波算法,如下所示:其中,u0(x,y)表示第一图像中像素的灰度值,u(x,y)表示第二图像中像素的灰度值,第二图像的全变差,(δ
u
(x,y))
‑
b
表示图像域中噪声统计模型,β表示用于调整降噪强度的参数,与图像域中的噪声统计模型有关,b表示常数,例如
‑
2,
‑
2.5或
‑
3。如等式(2)所示,可以基于目标函数(即,等式(2))通过执行至少两次迭代来确定第二图像,直到条件被满足。示例性条件可以是当所述条件被满足时,目标函数(即,等式(2))的值至少局部最小。仅作为示例,所述条件可以是当条件被满足时目标函数(即,等式(1))的值是全局最小。另一示例性条件是执行指定次数的迭代。再例如,所述条件可以是当条件被满足时在两次或以上连续迭代中,目标函数的值的变化可以等于或小于阈值。第一图像的降噪强度可以通过图像域中噪声统计模型和β的值来控制。*(δ
u
(x,y))
‑
b
和β之间的乘积越大,对所述第一图像的降噪强度越小。第一图像的噪声水平越大,(δ
u
(x,y))
‑
b
的值越小,(δ
u
(x,y))
‑
b
和β之间的乘积越小,第一图像的降噪强度越大。
135.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域普通技术人员,可以在本技术的教导下进行多种变化或修改。然而,这些变形和修改不会背离本技术的范围。例如,低剂量图像数据和高剂量图像数据可以分别包括低剂量投影数据和高剂量投影数据。例如,过程900可以包括预处理第一投影数据。又例如,相比图9所示操作904和906可以以同时或相反的顺序执行。
136.图10是根据本技术的一些实施例所示的基于迭代重建技术处理低剂量图像数据的示例性过程1000的流程图。在一些实施例中,图10中所示的过程1000的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图10中所示的过程900可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu340)调用和/或执行。可以根据过程1000执行操作608。
137.在1002中,可以使用噪声统计模型处理低剂量投影数据。操作1002可以由迭代重建单元506执行。可以参考操作604所述,获取噪声统计模型。
138.在1004中,可以确定用于降噪的正则化项。操作1004可以由迭代重建单元506执行。如本技术所使用的,“正则化项”(例如,等式(3)中的βr(x))可以指用于约束在迭代重建过程中生成的图像估计的项。在一些实施例中,正则化项可以由正则化参数和正则化函数定义。例如,可以通过将正则化参数与正则化函数相乘确定正则化项。在一些实施例中,正则化项可以与降噪模型(例如,噪声统计模型)有关。例如,正则化参数可以基于降噪模型
(例如,噪声统计模型)控制正则化项的强度(也被称为降噪强度)。在一些实施例中,可以基于所述低剂量投影数据的稀疏性确定正则化项。在一些实施例中,所述低剂量投影数据可由矩阵表示,所述矩阵包含多个元素。所述低剂量投影数据的稀疏性可以指在低剂量投影数据的矩阵中,零值元素的数量与所述多个元素的总数的比率。进一步地,可以基于所述低剂量投影数据的稀疏性确定正则化参数。所述低剂量投影数据的稀疏性越大,正则化参数越大。
139.正则化参数可以用于控制正则化项的强度(也被称为降噪强度)。在一些实施例中,正则化参数可包括元素组。正则化参数可以以矩阵的形式表示。所述元素组中的每一个元素可以对应图像估计中的元素。例如,如果图像估计具有8
×
9像素,则正则化参数可包括72个元素。72个元素中的每一个可以对应图像估计的像素。在一些实施例中,可以基于图像域中的噪声统计模型来确定正则化参数。例如,噪声统计模型中的元素越大,正则化参数中的对应元素可能越大。如本技术所使用的,噪声统计模型中的元素和正则化参数中的对应元素对应图像估计中的同一像素。
140.在1006中,可以基于所述正则化项和噪声统计模型确定目标函数。操作1006可以由迭代重建单元506执行。在一些实施例中,可以基于最小二乘法技术确定目标函数。最小二乘法技术可以用于确定最优解,该最优解至少局部地最小化估计值和测定值之间的差的平方和。如本技术所使用的,最优解可以指目标图像,估计值可以指对应迭代中生成的图像估计的投影估计,测定值可以指所述处理后的低剂量投影数据。如本技术所使用的,当,例如目标函数的值小于常数、指定次数的迭代被执行、目标函数收敛等时,可以将估计值与测定值之间的差的平方和视为局部最小值。
141.为了说明的目的,目标函数可以由以下等式(3)表示:其中f(x)表示目标函数,x表示重建的图像(也被称为图像估计或目标图像),y表示低剂量投影数据,a表示投影矩阵,βr(x)表示正则化项,β表示正规化参数(也被称为惩罚系数),r(x)表示正则化函数,w表示基于如本技术其他地方所述的噪声统计模型确定的统计权值(例如,常数),表示预设条件或约束。
142.在1008中,可以通过执行至少两次迭代,基于所述目标函数和处理后的低剂量投影数据生成目标图像。操作1008可以由迭代重建单元506执行。目标函数可以用于通过全局最小化目标函数的值确定目标图像(也被称为最优图像)。在一些实施例中,可以参考图11描述的过程1100执行至少两次迭代。在一些实施例中,可以在迭代中确定图像估计。可以通过将图像估计投影到特定投影平面来确定对应图像估计的投影估计。可以将投影估计与处理后的低剂量投影数据进行比较,并且可以基于投影估计和处理后的低剂量投影数据之间的差异,通过更新图像估计确定目标图像。
143.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域的普通技术人员来说,根据本公开的教导可以做出多种变化和修改。然而,这些变形和修改不会背离本技术的范围。例如,过程1000可以包括预处理低剂量投影数据。又例如,相比图10中所示操作1004和1006可以同时或相反的顺序执行。
144.图11是根据本技术的一些实施例所示的基于迭代重建技术处理低剂量图像数据
的示例性过程1100的流程图。在一些实施例中,图11中所示的过程1100的一个或以上操作可以在图1中所示的医疗系统100中实现。例如,图11中所示的过程1100可以以指令的形式存储在存储器130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3所示的移动设备300的gpu 330或cpu340)调用和/或执行。可以根据过程1100执行操作1008。
145.在1102中,可以获取与对象的感兴趣区域相关的第一投影数据的噪声统计模型。操作1102可以由获取模块402执行。可以从存储器130、存储模块408、存储单元508、终端140或其他存储器获取噪声统计模型。关于噪声统计模型的确定可以参考本技术中其他地方所述的。参见,例如,图6、9和10及其描述。第一投影数据可包括如图10所述的处理后的低剂量投影数据。
146.在1104中,可以获取初始化图像。操作1104可以由迭代重建单元506执行。在一些实施例中,初始化图像可包括至少两个像素或体素,所述至少两个像素或体素具有估计特征,例如灰度值、强度、颜色等。在一些实施例中,所述初始化图像可以由用户通过终端140或根据医疗系统100的默认设置预先确定。在一些实施例中,所述初始化图像中像素或体素的灰度值可以设定为不同的值或相同的值。例如,所述初始化图像估计中的像素或体素的灰度值可以均设置为0。在一些实施例中,可以通过对所述第一投影数据执行滤波反投影(fbp)操作确定所述初始化图像。
147.在1106中,可以确定对应所述初始化图像的第二投影数据。操作1106可以由迭代重建单元506执行。可以通过将所述初始化图像投影到特定投影平面上确定所述第二投影数据。在一些实施例中,可以基于所述初始化图像和投影矩阵确定所述第二投影数据。例如,可以通过将所述投影矩阵乘以初始化图像确定所述第二投影数据。在一些实施例中,所述投影矩阵可以根据医疗系统100的默认设置预先确定,或者可以由用户(例如,医生)调整。
148.在1108中,可以确定代表第三投影数据,所述第三投影数据表示第一投影数据和第二投影数据之间的差异。操作1108可以由迭代重建单元506执行。在一些实施例中,可以通过所述第一投影数据和第二投影数据的相减确定所述第三投影数据。
149.在1110中,可以基于噪声统计模型处理所述第三投影数据以获取处理后的第三投影数据。操作1010可以由迭代重建单元506执行。在一些实施例中,所述第三投影数据可包括至少两个数据子集。所述至少两个数据子集可以由第一矩阵表示。所述噪声统计模型可以由第二矩阵表示。所述第二矩阵可以包括加权矩阵,该加权矩阵包括至少两个加权因子,所述加权因子在0到1的范围内。处理后的第三投影数据可以通过第一矩阵和第二矩阵的点积确定。如本技术所使用的,第一矩阵和第二矩阵的点积指的是将所述至少两个数据子集中的每个数据子集中的数据总量与第二矩阵中的对应的加权因子相乘。例如,如果加权因子是1,则整个数据子集中数据可以包括在处理后的第三投影数据中。又例如,如果加权因子是0.5,则数据子集中一半的数据可以包括在处理后的第三投影数据中。再例如,如果加权因子是0,则整个数据子集可以排除在处理后的第三投影数据中。
150.在1112中,基于处理后的第三投影数据生成误差图像。操作1112可以由迭代重建单元506执行。可以通过对处理后的第三投影数据执行反投影操作生成所述误差图像。
151.在1114中,可以更新初始化图像。操作1114可以由迭代重建单元506执行。在一些
实施例中,可以基于目标函数执行至少两次迭代。在除了第一次迭代之外的迭代中,可以基于先前迭代中基于所述第一投影数据生成的重建图像(例如,图像估计)更新所述初始化图像。
152.在1116中,可以确定是否条件被满足。操作1116可以由迭代重建单元506执行。如果所述条件被满足,则过程1100可以进行到操作1118。如果条件不被满足,则过程1100可以进行到操作1106。在一些实施例中,可以基于在迭代中生成的目标函数的值或误差图像评估所述条件。例如,所述条件可以包括所述目标函数的值最小或小于阈值、两次或以上连续迭代中目标函数的值的变化可以等于或小于阈值、目标函数的值与目标值之间的差值等于或小于阈值等。又例如,所述条件可以包括在两次或以上连续迭代中生成的误差图像中像素或体素的平均灰度值的变化可以等于或小于阈值,例如0,或者在误差图像中像素或体素的平均灰度值与目标值之间的差值低于阈值。在一些实施例中,当执行指定次数的迭代时,所述条件可以被满足。
153.在1118中,可以指定所述初始化图像为与所述对象相关的目标图像。操作1118可以由迭代重建单元506执行。所述目标图像可以是目标函数的最优解。所述目标图像的剂量水平可以高于第一投影数据的剂量水平。
154.应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本技术的范围。对于本领域的普通技术人员来说,根据本公开的教导可以做出多种变化和修改。然而,这些变形和修改不会背离本技术的范围。例如,过程1100可以包括预处理第一投影数据。又例如,对比图11所示操作1104和1106可以同时执行或以相反的顺序执行。可以指示迭代过程1100在满足条件之后终止。
155.图12是根据本技术的一些实施例所示的示例性卷积神经网络(cnn)模型的示意图。
156.卷积神经网络模型可包括输入层1220、多个隐藏层1240和输出层1260。多个隐藏层1240可包括一个或以上卷积层、一个或以上线性整流单元层(rectified linear unit,relu层)、一个或以上池化层、一个或以上完全连接层等或其任意组合。
157.为了说明的目的,示出的卷积神经网络模型的示例性隐藏层1240包括卷积层1240
‑
1、池化层1240
‑
2和完全连接层1240
‑
n。参考过程700所述,神经网络模型确定单元502可以获取低剂量图像作为卷积神经网络模型的输入。低剂量图像可以表示为包括至少两个元素(例如像素或体素)的二维(2d)或三维(3d)矩阵。矩阵中的所述至少两个元素中的每个元素可具有表示元素特征的值(也称为像素/体素值)。
158.卷积层1240
‑
1可包括至少两个卷积核(例如,a、b、c和d)。至少两个卷积核可用于提取低剂量图像数据的特征。在一些实施例中,至少两个卷积核中的每一个可以过滤低剂量图像的一部分(例如,区域)以产生对应低剂量图像数据的该部分的特定特征。该特征可以包括低级特征(例如,边缘特征、纹理特征)、高级特征或基于卷积核计算的复杂特征。
159.池化层1240
‑
2可以将卷积层1240
‑
1的输出作为输入。池化层1240
‑
2可以包括至少两个池化节点(例如,e、f、g和h)。所述至少两个池化节点可以用于对卷积层1240
‑
1的输出进行采样,因此可以减少数据处理的计算负荷并且提高医疗系统100的数据处理速度。在一些实施例中,所述神经网络模型确定单元502可以减小对应池化层1240
‑
2中的低剂量图像的矩阵的体积。
160.完全连接层1240
‑
n可包括至少两个神经元(例如,o、p、m和n)。所述至少两个神经元可以连接到前一层,例如池化层的至少两个节点。在完全连接层1240
‑
n中,可以基于低剂量图像的特征确定至少两个向量,所述至少两个向量对应至少两个神经元,并且进一步地,可以用至少两个加权系数加权所述至少两个向量。
161.在输出层1260中,可以基于在完全连接层1240
‑
n中获取的至少两个向量和加权系数确定输出,例如噪声数据(例如,噪声图像)。
162.应当注意,当在不同条件下应用时,可以修改卷积神经网络模型。例如,在训练过程中,可以添加损失函数(也称为成本函数)层以指定预测输出(例如,预测的噪声图像)和真实标签(例如,对应低剂量图像的参考高剂量图像)之间的偏差。
163.在一些实施例中,神经网络模型确定单元502可以访问医疗系统100中的多个处理单元,例如gpu。多个处理单元可以在卷积神经网络模型的一些层中执行并行处理。可以以这样的方式执行并行处理:可以将卷积神经网络模型的层中的不同节点的计算分配给两个或以上处理单元。例如,一个gpu可以运行与卷积核a和b相对应的计算,并且其他gpu可以运行与卷积层1240
‑
1中的卷积核c和d相对应的计算。类似地,对应卷积神经网络模型中的其他类型的层中的不同节点的计算可以由多个gpu并行执行。实施例
164.本技术提供实施例是为了说明的目的,而不是为了限制本技术的范围。实施例1,不同剂量水平的示例性图像。
165.图13a和图13b为根据本技术的一些实施例所示的不同剂量水平的示例性图像。图13a中所示的第一图像和图13b中所示的第二图像表示对象的同一腹部。第一图像对应第一等效剂量。第二图像对应低于第一等效剂量的85%的第二等效剂量。第二图像中所示的噪声水平大于第一图像中所示的噪声水平。实施例2,不同剂量水平的示例性图像。
166.图14a
‑
14c为根据本技术的一些实施例所示出的不同剂量水平的示例性图像。图14a中所示的第一图像、图14b中所示的第二图像和图14c中所示的第三图像均表示对象的同一感兴趣区域。第一图像对应第一等效剂量。第二图像对应高于第一等效剂量的第二等效剂量。根据过程800,基于第一图像使用降噪神经网络模型生成第二图像。第三图像对应高于第一等效剂量的85%的第三等效剂量。第二图像中所示的噪声水平低于第一图像和第三图像中所示的噪声水平。实施例3,基于不同重建算法生成的不同剂量水平的示例性图像。
167.图15a
‑
15c为根据本技术的一些实施例示出了的基于不同重建算法生成的不同剂量水平的示例性图像。图15a中所示的第一图像、图15b中所示的第二图像和图15c中所示的第三图像表示对象的同一感兴趣区域。第一图像对应第一等效剂量。第一图像是基于滤波反投影重建算法生成的。第二图像对应第二等效剂量。第二等效剂量是第一等效剂量的55%。第二图像是基于滤波反投影重建算法生成的。第三图像对应与第二等效剂量相同的第三等效剂量。根据图9所示的过程900,基于卡尔重建算法生成第三图像。第三图像中所示的噪声水平低于第一图像和第二图像中所示的噪声水平。实施例4,基于不同重建算法生成的相同剂量水平的示例性图像。
168.图16a和16b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂
量水平的示例性图像。图16a中所示的第一图像和图16b中所示的第二图像表示对象的同一感兴趣区域。第一图像对应第一等效剂量。第一图像是基于滤波反投影重建算法生成的。第二图像对应与第一等效剂量相同的第二等效剂量。第二图像是根据过程1000和/或1100基于迭代重建算法生成的。第二图像中所示的噪声水平低于第一图像中所示的噪声水平。实施例5,基于不同重建算法生成的相同剂量水平的示例性图像。
169.图17a
‑
17c为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像。图17a中所示的第一图像、图17b中所示的第二图像和图17c中所示的第三图像表示头部的体模型。第一图像、第二图像和第三图像的剂量水平相同。第一图像是基于滤波反投影重建算法生成的。第二图像是基于根据图9所示的过程900生成的。第三图像是根据过程1000和/或1100基于迭代重建算法生成的。第三图像中所示的噪声水平低于第一图像和第二图像中所示的噪声水平。实施例6,基于不同重建算法生成的相同剂量水平的示例性图像。
170.图18a和18b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像。图18a中所示的第一图像和图18b中所示的第二图像表示对象的同一感兴趣区域。第一图像和第二图像的剂量水平相同。第一图像是根据图9所示的过程900生成的。第二图像是根据图10和/或图11所示的过程1000和/或1100生成的。第二图像中所示的噪声水平低于第一图像所示的噪声水平。实施例7,基于不同重建算法生成的相同剂量水平的示例性图像。
171.图19a和19b为根据本技术的一些实施例所示的基于不同重建算法生成的相同剂量水平的示例性图像。图19a中所示的第一图像和图19b中所示的第二图像表示身体的同一感兴趣区域。第一图像和第二图像的剂量水平相同。第一图像是根据图10所示的过程1000生成的。第二图像是根据图10和/或图11所示的过程1000和/或1100生成的。第二图像是进一步基于对应第二图像的投影数据的稀疏性生成的。第二图像中所示的噪声水平低于第一图像中所示的噪声水平。
172.上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本技术的限制。虽然此处并未明确说明,但本领域的普通技术人员可以进行各种变更、改良和修改。该类变更、改良和修改在本技术中被建议,所以该类变更、改良和修改仍属于本技术示范实施例的精神和范围。
173.此外,本技术使用了特定术语来描述本技术的实施例。例如,术语“一个实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一个实施例”或“一实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本技术的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
174.此外,本领域的普通技术人员可以理解,本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的制程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本技术的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本技术的各方面可以呈现为位于一个或以上计算机可读介质中的计算机产品,该产品具有计算机可读程序编码。
175.计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、缆线、光纤电缆、rf、或类似媒体、或任何上述媒体的合适组合。
176.本技术各方面操作所需的计算机程序编码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net,python或类似的常规程序编程语言,如"c"编程语言,visual basic,fortran 2013,perl,cobol 2102,php,abap,动态编程语言如python,ruby和groovy或其它编程语言。程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(lan)或广域网(wan),或连接至外部计算机(例如通过互联网),或在云计算环境中,或作为服务使用如软件即服务(saas)。
177.此外,除非权利要求中明确说明,本技术所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用,并非用于限定本技术流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例,但应当理解,此类细节仅起说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本技术实施例精神和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
178.同理,应当注意的是,为了简化本技术披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本技术实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
179.在一些实施例中,用于描述和要求本技术的某些实施例的表示成分含量、性质的数值应理解为在某些情况下通过以下术语“约”、“近似”或“基本上”修改。除非另有说明,否则“约”、“近似”或“基本上”可表示其描述的值的
±
20%变化。相应地,在一些实施例中,书面描述和所附权利要求书中列出的数值参数是近似值,其可以根据特定实施例试图获取的所需性质而变化。在一些实施例中,数值参数应根据报告的有效数字的数值并通过应用普通的舍入技术来解释。尽管采用本技术的一些实施例的广泛范围来阐述的数值范围和参数是近似值,但对具体实施例中列出的数值有尽可能精确可行地进行描述。
180.除了与本文本相关的任何起诉文件历史、与本文本不一致或相冲突的任何相同的起诉文件历史、或对现在或后来与本文件相关的权利要求的最广泛范围具有限制性影响的任何起诉文件历史之外,本文引用的每篇专利、专利申请、专利申请的出版物和其他材料,例如文章、书籍、说明书、出版物、文献、物品和/或类似物,在此通过引用全部并入本文并可用于所有目的。举例来说,如果与任何所包含的材料相关的术语的描述、定义和/或使用与本文本相关的术语之间存在任何不一致或冲突,以本文件中的术语的描述、定义和/或使用
为准。
181.最后,应理解,本技术的实施例是对本技术的实施例的原理的说明,可采用的其他修改可以在本技术的范围内。因此,作为示例而非限制地,可以根据本文的教导采用本技术的实施例的替代件。因此,本技术的实施例不限于如所示出和描述的那样精确。