基于定位扫描像分析的神经网络之间的切换的制作方法

本公开总体涉及使用训练过的神经网络来处理诸如医学图像的图像的系统和方法。

背景技术：

1、常规地，通过诸如计算机断层摄影(ct)扫描的标准成像方式获得图像，导致图像伪影和噪声嵌入到这种图像中。因此，图像通常使用去噪算法进行处理。这种去噪算法通常与具体的解剖结构相关，并被设计以及在学习算法的情况下被训练，以促进(promote)具体的图像特征。

2、因此，在处理ct扫描时，重建滤波器被用来促进一定的图像特征，如清晰度或软组织对比度。作为示例，当重建头部图像时，系统可使用被设计为促进脑组织中的软组织对比度的滤波器，而不同的滤波器可被用于重建身体图像。相比之下，被用于重建身体图像的滤波器可能更清晰。

3、重建的图像通常会有噪声，并且可包含重建过程的各种伪影，然后可应用各种去噪算法以及其他算法来改善图像质量。因此，在学习用于去噪的算法的情景下，例如用于处理ct扫描的卷积神经网络(cnn)，在图像重建过程中可能已经使用了不同的滤波器来促进图像特征(如清晰度)，或抑制不同类型的噪声。去噪的方式应该是保留被用于重建的由滤波器促进的图像特征。因此，诸如cnn的学习算法可针对具体类型的解剖结构和具体的重建滤波器进行训练。

4、由于通常有限的网络容量和由此产生的运行时间，当训练cnn来对低剂量ct图像去噪时，作为示例，现状是为不同的解剖学区域以及为这些区域设计的重建滤波器训练不同的网络。在滤波器被设计为在一定的解剖结构中产生非常特定的图像特征的情况下，这尤其有利。

5、然而，诸如头颈部扫描的单个扫描，可能覆盖多个不同的解剖区域和相应的解剖结构。如果这样的图像是用头部滤波器重建的，则自然的选择应是使用在同一滤波器上训练的网络，但这样的网络在训练期间通常不会遇到除头部以外的任何解剖结构。在单个的滤波器上利用各种解剖结构训练单个网络，通常会导致在其他区域的次优表现，尤其是当滤波器是针对具体的解剖结构设计的时候。

6、另外，由于有限的可用网络容量和由此产生的运行时间，在利用相同的滤波器重建的各种解剖结构上训练单个网络通常是不可行的。

技术实现思路

1、描述了一种用于处理医学图像的系统和方法，其中多个解剖结构出现在单个图像中，并且不同的处理例程被应用于每个这样的解剖结构。因此，例如，不同的机器学习方法可被用于处理包含多个这样的解剖结构的单个图像的不同部分。

2、除了将不同的处理例程应用于出现在单个图像中的不同的解剖结构外，所述系统和方法可进一步确定在这样的图像中的用于在这样的处理技术之间切换的位置。因此，这种确定可基于独立于正在被处理的主要医学图像的可用的定位扫描像来进行。因此，可使用机器学习或经典技术在初步图像(如定位扫描像)中限定多个解剖结构。然后，这样的限定可被应用于不同于定位扫描像的主要图像，其中主要图像是同一主题的。

3、因此，提供了一种用于处理医学图像的方法，其中该方法接收第一图像并接收不同于第一图像的第二图像，其中第二图像包括与第一图像相同的主题。然后，该方法在第一图像中识别出多个不同的解剖结构，然后基于在第一图像中识别出的不同的解剖结构的位置在第二图像中限定多个图像段，使得多个图像段中的第一图像段包含多个不同的解剖结构中的第一解剖结构，并且多个图像段中的第二图像段包含多个不同的解剖结构中的第二解剖结构。

4、该方法然后将与第一解剖结构相关的第一处理例程应用于第一图像段以获得处理过的第一图像段，并将与第二解剖结构相关的第二处理例程应用于第二图像段以获得处理过的第二图像段，然后输出包括处理过的第一图像段和处理过的第二图像段两者的处理过的第二图像。

5、在一些实施例中，第一图像或第二图像选自包括计算机断层摄影(ct)、磁共振成像(mri)、正电子发射断层摄影(pet)、单光子发射计算机断层摄影(spect)、包括数字x射线放射测量(dxr)的x射线成像或图像引导治疗(igt)成像中的荧光透视序列(fluoroscopysequences)的成像模式。

6、例如，第二图像可以是ct图像，或不同成像模式的主要图像，而第一图像可以是用于主要图像的定位扫描像。因此，在第二图像是ct图像的情况下，可使用比第二图像更低的辐射剂量来获取定位扫描像。

7、在一些实施例中，第一图像中的多个不同的解剖结构可在接收第二图像之前被识别出，使得在接收第二图像时这些识别结果是可用的。在一些实施例中，第一图像中的多个不同的解剖结构在接收第二图像时被识别出。

8、在一些实施例中，第一图像段不包括第二解剖结构并且第二图像段不包括第一解剖结构。在一些实施例中，第一图像段和第二图像段被线性地解析，使得第一图像段包括第二图像的上部的全部宽度，并且第二图像段包括第二图像的下部的全部宽度。

9、第一解剖结构或第二解剖结构可选择自头部、颈部、上半身、腹部、骨盆区域、下半身和腿部。

10、在一些实施例中，第一处理例程是与第一解剖结构相关的第一机器学习算法，而第二处理例程是与第二解剖结构相关的第二机器学习算法。

11、还提供了一种成像系统，该成像系统包括存储多个指令的存储器、成像单元和处理器电路，该处理器电路与存储器联接并被配置为执行指令以获得图像和实施上述方法。在这样的系统中，可以从成像单元接收第二图像。

12、还提供了一种存储用于处理医学图像的程序的非暂时性计算机可读介质，该程序包括用于实施上述方法的指令。例如，这样的方法可在所述系统的情景下实施。

技术特征：

1.一种用于处理医学图像的方法，包括：

2.根据权利要求1所述的方法，其中，所述第一图像或所述第二图像选自包括计算机断层摄影(ct)、磁共振成像(mri)、正电子发射断层摄影(pet)、单光子发射计算机断层摄影(spect)、包括数字x射线放射测量(dxr)的x射线成像以及图像引导治疗(igt)成像中的荧光透视序列中的至少一种的成像模式。

3.根据权利要求1所述的方法，其中，所述第一图像对应于使用比所述第二图像更低的辐射剂量获取的定位扫描像。

4.根据权利要求1所述的方法，其中，所述第一图像中的所述多个不同的解剖结构在接收所述第二图像之前被识别出。

5.根据权利要求1所述的方法，其中，所述第一图像中的所述多个不同的解剖结构在接收所述第二图像时被识别出。

6.根据权利要求1所述的方法，其中，所述第一图像段不包括所述第二解剖结构，所述第二图像段不包括所述第一解剖结构。

7.根据权利要求1所述的方法，其中，所述第一处理例程是与所述第一解剖结构相关的第一机器学习算法，而所述第二处理例程是与所述第二解剖结构相关的第二机器学习算法。

8.根据权利要求1所述的方法，其中，所述第一图像段和所述第二图像段被线性地解析，使得所述第一图像段包括所述第二图像的上部的全部宽度，所述第二图像段包括所述第二图像的下部的全部宽度。

9.根据权利要求1所述的方法，其中，所述第一解剖结构或所述第二解剖结构选自头部、颈部、上半身、腹部、骨盆区域、下半身和腿部。

10.一种成像系统，包括：

11.根据权利要求10所述的系统，其中，所述成像单元实施包括计算机断层摄影(ct)、磁共振成像(mri)、正电子发射断层摄影(pet)、单光子发射计算机断层摄影(spect)、包括数字x射线放射测量(dxr)的x射线成像以及图像引导治疗(igt)成像中的荧光透视序列中的至少一种的成像模式。

12.根据权利要求10所述的系统，其中，所述第一图像对应于使用比所述第二图像更低的辐射剂量获取的定位扫描像。

13.根据权利要求10所述的系统，其中，所述第一图像中的所述多个不同的解剖结构在接收所述第二图像之前被识别出。

14.根据权利要求10所述的系统，其中，所述第一图像中的所述多个不同的解剖结构在接收所述第二图像时被识别出。

15.根据权利要求10所述的系统，其中，所述第一图像段不包括所述第二解剖结构，所述第二图像段不包括所述第一解剖结构。

16.根据权利要求10所述的系统，其中，所述第一处理例程是与所述第一解剖结构相关的第一机器学习算法，而所述第二处理例程是与所述第二解剖结构相关的第二机器学习算法。

17.根据权利要求10所述的系统，其中，所述第一图像段和所述第二图像段被线性地解析，使得所述第一图像段包括所述第二图像的上部的全部宽度，所述第二图像段包括所述第二图像的下部的全部宽度。

18.根据权利要求10所述的系统，其中，所述第一解剖结构或所述第二解剖结构选自头部、颈部、上半身、腹部、骨盆区域、下半身和腿部。

19.一种非暂时性计算机可读介质，其存储用于处理医学图像的程序，所述程序包括指令以：

20.根据权利要求19所述的非暂时性计算机可读介质，其中，所述指令提供：在接收所述第二图像之前或同时在所述第一图像中识别出所述多个不同的解剖结构。

技术总结
提供了一种用于处理医学图像的方法，该方法包括接收第一图像和与第一图像不同的第二图像，其中第二图像与第一图像的主题相同。该方法还包括在第一图像中识别出多个解剖结构，并基于在第一图像中识别出的解剖结构的位置在第二图像中限定多个图像段。该方法然后将与第一解剖结构相关的处理例程应用于第二图像中的第一图像段，并将与第二解剖结构相关的处理例程应用于第二图像中的第二图像段。还提供了一种用于实施所述方法的成像系统和一种存储用于处理医学图像的程序的非暂时性计算机可读介质。

技术研发人员：C·维尔克,K·M·布朗,M·格拉斯
受保护的技术使用者：皇家飞利浦有限公司
技术研发日：
技术公布日：2024/1/14