减少图像数据中的非结构化噪声和结构化噪声的系统和方法与流程

本文所公开的主题的实施方案涉及医学成像，并且更具体地涉及用于从医学图像中去除噪声的系统和方法。

背景技术：

1、医学图像可能包括一定量的噪声，这可能降低医学图像的质量并妨碍诊断。医学图像数据中的噪声量可能与扫描的持续时间有关。例如，在较低千伏峰值(kvp)或较低毫安秒(mas)下对患者进行的第一ct扫描可能具有相对较高的噪声量，而对具有较高kvp和mas的患者进行的第二ct扫描可能具有相对较低的噪声量。因此，第二ct扫描的质量可能高于第一ct扫描的质量，其中与第一ct扫描相比，在第二ct扫描中可以更清楚地显示患者的目标特征和/或具有更少数量的伪像。

2、第一ct扫描可以被称为低剂量ct扫描，其中患者被暴露于第一低剂量的辐射，并且第二ct可以被称为高剂量ct扫描，其中患者被暴露于第二较高剂量的辐射(例如，比低剂量辐射多五倍的辐射)。低剂量ct扫描有时可能优于第二次高剂量ct扫描，因为患者暴露于的辐射量较低。

技术实现思路

1、本公开包括多阶段深度学习方法，该多阶段深度学习方法包括：使用第一训练对集合来训练深度学习网络，其中该第一训练对集合的第一部分包括来自具有第一噪声水平的第一噪声数据集的输入数据和来自具有第二噪声水平的第二噪声数据集的目标数据，并且该第一训练对集合的第二部分包括来自具有第二噪声水平的第二噪声数据集的输入数据和来自具有第一噪声水平的第一噪声数据集的目标数据；基于馈送到经训练的深度学习网络中的低噪声数据生成超低噪声数据等效物，该低噪声数据具有比第一噪声数据集和第二噪声数据集的噪声水平低的噪声水平，该超低噪声数据等效物具有比低噪声数据低的噪声水平；以及在第一再训练步骤中使用第二训练对集合的目标数据并且在第二再训练步骤中使用超低噪声数据等效物作为目标数据，基于以与第一训练对集合相同的方式生成的第二训练对集合来再训练深度学习网络。通过在第一阶段利用可互换地用作输入和目标的第一噪声数据集和第二噪声数据集来训练深度学习网络，可以识别和减少数据中的非结构化噪声。通过在第二阶段使用超低噪声数据等效物作为附加目标数据来再训练深度学习网络，可以识别和减少数据中的结构化噪声。以这种方式，可以通过减少低剂量医学图像的相对大量的结构化噪声和非结构化噪声来提高低剂量医学图像的质量。通过对低剂量医学图像进行去噪，可以生成高剂量等效低噪声图像，而无需将患者暴露于高剂量ct扫描的更高辐射量，从而降低患者的风险并改善患者的总体恢复结果。

2、在单独或结合附图考虑时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上
技术实现要素：
是为了以简化的形式介绍在具体实施方式中进一步描述的一系列概念。这并不意味着确定所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实现方式。

技术特征：

1.一种多阶段深度学习方法，所述多阶段深度学习方法包括：

2.根据权利要求1所述的方法，所述方法还包括：通过向所述低噪声数据添加第一噪声量来生成所述第一噪声数据集，以及通过向所述低噪声数据添加第二噪声量来生成所述第二噪声数据集，所述第二噪声量大于所述第一噪声量，并且其中所述第一噪声数据集的每个图像对应于所述第二噪声数据集的图像。

3.根据权利要求1所述的方法，所述方法还包括：通过以第一剂量执行成像模体的扫描来生成所述第一噪声数据集，以及通过以第二剂量执行所述成像模体的扫描来生成所述第二噪声数据集。

4.根据权利要求2所述的方法，其中所述第一训练对集合的每个图像对包括以下各项中的一项：

5.根据权利要求4所述的方法，其中所述训练对包括对所述第一输入/目标组合的图像对和所述第二输入/目标组合的图像对的随机选择。

6.根据权利要求4所述的方法，其中利用所述训练对并且利用所述超低噪声数据等效物作为目标数据来再训练所述深度学习网络还包括：

7.根据权利要求6所述的方法，其中所述第一损失函数的所述结果和所述第二损失函数的所述结果的所述组合是所述第一损失函数的所述结果和所述第二损失函数的所述结果的加权和。

8.根据权利要求6所述的方法，其中所述第一损失函数不同于所述第二损失函数。

9.根据权利要求6所述的方法，其中所述第一损失函数和所述第二损失函数包括感知损失函数、对抗损失函数和特征相似度指数中的一种。

10.根据权利要求1所述的方法，其中所述第一噪声数据集、所述第二噪声数据集和所述低噪声数据包括计算机断层摄影(ct)成像数据、多能量ct、光谱ct、磁共振成像(mri)数据、x射线数据、正电子发射断层摄影(pet)数据、超声图像数据、正弦图数据和k空间数据中的一种。

11.根据权利要求10所述的方法，其中所述低噪声数据是从重建频率核生成的ct图像数据，并且所述低噪声数据、所述第一噪声数据集和所述第二噪声数据集的所述ct图像数据在训练期间由重建频率核进行分组。

12.一种图像处理系统，所述图像处理系统包括：

13.根据权利要求12所述的系统，其中训练所述降噪神经网络以从所述第二训练图像集和所述第三训练图像集中减少或任选地去除非结构化噪声还包括：训练所述降噪神经网络以将所述第二训练图像集的图像映射到所述第三训练图像集的对应图像，以及将所述第三训练图像集的图像映射到所述第二训练图像集的对应图像。

14.根据权利要求12所述的系统，其中基于所述第二训练图像集、所述第三训练图像集和所述第四训练图像集来再训练所述降噪神经网络以从所述第二训练图像集和所述第三训练图像集中减少或任选地去除结构化噪声，还包括：

15.根据权利要求14所述的系统，其中基于将第一损失函数最小化来计算所述第一权重调整量，并且基于将第二损失函数最小化来计算所述第二权重调整量。

16.根据权利要求15所述的系统，其中所述第一损失函数是平均绝对误差(mae)损失函数，并且所述第二损失函数是结构相似度指数(ssim)损失函数。

17.一种用于训练神经网络的方法，所述方法包括：

18.根据权利要求18所述的方法，其中所述神经网络是被训练成减少图像中的噪声量的降噪神经网络，并且其中所述第一噪声图像数据集和所述第二噪声图像数据集是从原始图像集生成的，所述第一噪声图像数据集具有第一噪声量，并且所述第二噪声图像数据集具有第二不同的噪声量。

19.根据权利要求18所述的方法，所述方法还包括：使用第二目标图像来训练所述神经网络，并且在反向传播期间，基于将所述第一损失函数和第二损失函数最小化来调整所述神经网络的权重，所述第二损失函数基于所述神经网络的输出与所述第二目标图像之间的差值。

20.根据权利要求19所述的方法，其中基于将所述第一损失函数和第二损失函数最小化来调整所述神经网络的所述权重还包括：基于所述第一损失函数来计算第一权重调整量并且基于所述第二损失函数来计算第二权重调整量，并且基于所述第一权重调整量和所述第二权重调整量的总和来调整所述权重。

技术总结
本公开提供了用于减少图像数据中结构化噪声和非结构化噪声的量的方法和系统。具体地，提供了一种多阶段深度学习方法，该多阶段深度学习方法包括：使用训练对集合来训练深度学习网络，该训练对集合可互换地包括来自具有第一噪声水平的第一噪声数据集的输入数据和来自具有第二噪声水平的第二噪声数据集的目标数据，以及来自第二噪声数据集的输入数据和来自第一噪声数据集的目标数据；基于馈送到经训练的深度学习网络中的低噪声数据生成超低噪声数据等效物；以及在第一再训练步骤中使用训练对集合的目标数据并且在第二再训练步骤中使用超低噪声数据等效物作为目标数据基于训练对集合来再训练深度学习网络。

技术研发人员：R·兰戈朱,U·阿格拉沃尔,B·帕蒂尔,V·辛格哈尔,B·达斯,谢江
受保护的技术使用者：通用电气精准医疗有限责任公司
技术研发日：
技术公布日：2024/3/17