【技術實現步驟摘要】
【國外來華專利技術】
本專利技術涉及醫學成像領域，并且特別涉及醫學圖像去噪。
技術介紹
1、醫學界越來越關注醫學成像，以便(無創地)幫助評估和/或診斷被研究對象或患者的狀況。在本領域中已知各種形式的醫學成像方法或模態，并且可以采用有創或無創成像技術。示例包括計算機斷層攝影(ct)或x射線成像、磁共振(mr)成像、(靜脈內)超聲成像、正電子發射斷層攝影pet成像、光學相干斷層攝影、經食道超聲心動描記等。
2、醫學圖像方面的一個持續關注點是噪聲或偽影。當評估對象的狀況時，噪聲或偽影會(例如通過模糊它們或使它們難以識別)妨礙對對象的潛在重要特征的識別，并且可能被誤認為是診斷相關的特征。因此，人們一直希望減少醫學圖像中的噪聲量。
3、一種最近開發的對醫學圖像進行準確去噪的方法是使用經過適當訓練的機器學習方法來進行去噪。然而，在醫學成像過程中可以修改大量參數。例如，在ct掃描中，在生成ct醫學圖像的過程中可以使用不同形式的重建濾波器。機器學習方法容易過度擬合其訓練數據，因此常常無法推廣到大范圍的真實世界參數設置(可能并不總是在訓練中采樣的情況)。
4、因此，需要一種改進的醫學圖像去噪方法。
技術實現思路
1、本專利技術由權利要求來限定。
2、根據本專利技術的一個方面的示例，提供了一種對醫學圖像進行去噪而產生經去噪的醫學圖像的計算機實施的方法。
3、所述計算機實施的方法包括：獲得由多個像素形成的所述醫學圖像；獲得包含針對所述醫學圖像的每個像素的統計參數的估
4、所提出的專利技術提出了這樣一種方法，其中，基于醫學圖像的噪聲統計參數對醫學圖像進行全局(即，整幅圖像的)噪聲水平歸一化/均勻化。然后使用機器學習方法來處理經歸一化/均勻化的醫學圖像以例如執行進一步的降噪。
5、因此，機器學習方法一致地處理已經基于局部/全局條件而被歸一化或均勻化的醫學圖像。這意味著被提供給機器學習方法的圖像處于一致的噪聲水平和/或得到一致的均勻化(以例如對噪聲進行去相關)。因此，可以在經歸一化/均勻化的醫學圖像上訓練機器學習方法，這意味著避免了過度擬合的問題。
6、因此，所提出的方法提供了一種改進的且更準確的醫學圖像去噪方法。
7、修改所述醫學圖像的步驟可以包括將所述醫學圖像除以所述噪聲圖。這個除法可以是逐像素或逐點除法。
8、在一些示例中，處理所述經修改的醫學圖像的步驟包括：使用所述機器學習方法來處理所述經修改的醫學圖像以生成預測噪聲圖像，所述預測噪聲圖像表示所述經修改的醫學圖像的每個像素中的預測噪聲量；將所述經修改的醫學圖像乘以所述噪聲圖以產生經校準的預測噪聲圖像；并且從所述醫學圖像中減去所述經校準的預測噪聲圖像或所述經校準的預測噪聲圖像的縮放版本以產生所述經去噪的醫學圖像。
9、在一些示例中，處理所述經修改的醫學圖像的步驟包括：將所述經修改的醫學圖像輸入到所述機器學習方法中，并且接收所述經去噪的醫學圖像作為來自所述機器學習方法的輸出。通過機器學習方法輸出的經去噪的醫學圖像可以是未校準的(例如，如果醫學圖像除以噪聲圖以修改醫學圖像)。相應地，可以使用噪聲圖來重新校準由機器學習方法輸出的經去噪的醫學圖像。特別地，可以將對醫學圖像執行的用于產生經修改的醫學圖像的修改的反轉(或逆轉)應用于經去噪的醫學圖像以對其進行重新校準。這可以包括例如(例如逐像素地)將經去噪的醫學圖像乘以噪聲圖以產生經重新校準的經去噪的醫學圖像。
10、所述機器學習方法可以包括神經網絡或者可以是神經網絡。這為處理經修改的醫學圖像以執行去噪過程提供了準確可靠的方法。
11、優選地，機器學習方法是殘差(輸出)機器學習方法，例如，殘差神經網絡。在本公開內容的上下文中，殘差機器學習方法是一種處理經修改的醫學圖像以提供預測噪聲圖像的方法，該預測噪聲圖像指示經修改的醫學圖像的每個像素中的預測噪聲量。
12、使用殘差機器學習方法是有利的，因為它使神經網絡的輸出更加可靠。特別地，能夠假定預測噪聲圖像將在機器學習方法已經被訓練的輸出的范圍內(因為噪聲只有有限范圍的可能值)。非殘差或直接機器學習方法(例如，試圖直接預測經去噪的醫學圖像的方法)更有可能導致預測的去噪圖像超出機器學習方法被訓練的范圍(即，不太可靠)。
13、所述噪聲圖為所述醫學圖像的每個像素提供噪聲的標準偏差或方差的估計量。
14、在另一個示例中，所述噪聲圖為所述醫學圖像的每個像素提供所述像素的噪聲與一個或多個鄰近像素的噪聲之間的估計相關性。
15、在又一個示例中，所述醫學圖像是通過多通道成像過程產生的多幅醫學圖像中的一幅醫學圖像，所述多幅醫學圖像表示相同的場景；并且所述噪聲圖為所述醫學圖像的每個像素提供所述像素的噪聲與所述多幅醫學圖像中的另一幅醫學圖像的對應像素的噪聲之間的協方差或相關性的估計度量。
16、這種方法允許在對(多通道成像過程的)醫學圖像去噪時更有效地減少或考慮多通道成像過程的通道之間的串擾。將意識到，可以使用本文描述的方法單獨處理每條通道的醫學圖像(即，多幅圖像中的每幅圖像)。
17、在一些示例中，獲得所述醫學圖像的步驟包括：獲得第一醫學圖像；使用頻率濾波器來處理所述第一醫學圖像以獲得第一經濾波醫學圖像，所述第一經濾波醫學圖像具有預定頻率范圍內的值；并且將所述第一經濾波醫學圖像設置為所述醫學圖像。
18、在至少一個示例中，所述方法還包括：處理所述第一醫學圖像以獲得第二經濾波醫學圖像，所述第二經濾波醫學圖像具有不同的第二預定頻率范圍(例如，不包括任何第一頻率范圍)內的值；并且將所述第二經濾波醫學圖像與所述經去噪的醫學圖像進行組合以產生經去噪的第一醫學圖像。
19、在優選示例中，所述醫學圖像是已經使用第一重建算法根據原始數據重建的醫學圖像；并且所述機器學習方法是已經使用訓練數據集訓練的機器學習方法，所述訓練數據集包括已經使用不同的第二重建算法根據原始數據重建的一幅或多幅訓練圖像。這些實施例認識到不同的重建濾波器使得噪聲具有不同的特性。通過使用機器學習方法對要處理的醫學圖像進行均勻化，仍然能夠高度可靠地使用利用以不同重建濾波器產生的醫學圖像訓練的機器學習方法。
20、在一些示例中，機器學習方法是已經使用訓練數據集訓練的方法，該訓練數據集包括一幅或多幅訓練圖像，每幅訓練圖像都已經用各自的噪聲圖進行了修改，優選地以與使用機器學習方法處理的醫學圖像的方式相同的方式進行了修改。這種方法提高了機器學習方法的適當性和可靠性。
21、所述醫學圖像可以是計算機斷層攝影醫學圖像。所提出的方法已經被識別為對于能夠使用不同重建濾波器產生的醫學圖像特別有用，因此對于可以使用多種重建濾波器的計算機斷層攝影圖像特別有用。
22、還提出了一種包括計算機程序代碼單元的計本文檔來自技高網...
【技術保護點】
1.一種對醫學圖像進行去噪而產生經去噪的醫學圖像的計算機實施的方法，所述計算機實施的方法包括：
2.根據權利要求1所述的計算機實施的方法，其中，修改所述醫學圖像的步驟包括將所述醫學圖像除以所述噪聲圖。
3.根據權利要求2所述的計算機實施的方法，其中，處理所述經修改的醫學圖像的步驟包括：
4.根據權利要求1所述的計算機實施的方法，其中，處理所述經修改的醫學圖像的步驟包括：將所述經修改的醫學圖像輸入到所述機器學習方法中，并且接收所述經去噪的醫學圖像作為來自所述機器學習方法的輸出。
5.根據權利要求1所述的計算機實施的方法，其中，所述機器學習方法包括神經網絡。
6.根據權利要求1所述的計算機實施的方法，其中，所述噪聲圖為所述醫學圖像的每個像素提供噪聲的標準偏差或方差的估計量。
7.根據權利要求1所述的計算機實施的方法，其中，所述噪聲圖為所述醫學圖像的每個像素提供所述像素的噪聲與一個或多個鄰近像素的噪聲之間的估計相關性。
8.根據權利要求1所述的計算機實施的方法，其中：
9.根據權利要求1所述
10.根據權利要求9所述的計算機實施的方法，還包括：
11.根據權利要求1所述的計算機實施的方法，其中：
12.根據權利要求1所述的計算機實施的方法，其中，所述醫學圖像是計算機斷層攝影醫學圖像。
13.一種包括計算機程序代碼單元的計算機程序產品，所述計算機程序代碼單元當在具有處理系統的計算設備上被運行時使所述處理系統執行根據權利要求1所述的方法的所有步驟。
14.一種被配置為對醫學圖像進行去噪而產生經去噪的醫學圖像的處理系統，所述處理系統被配置為：
15.一種系統包括：
...【技術特征摘要】
【國外來華專利技術】
1.一種對醫學圖像進行去噪而產生經去噪的醫學圖像的計算機實施的方法，所述計算機實施的方法包括：
2.根據權利要求1所述的計算機實施的方法，其中，修改所述醫學圖像的步驟包括將所述醫學圖像除以所述噪聲圖。
3.根據權利要求2所述的計算機實施的方法，其中，處理所述經修改的醫學圖像的步驟包括：
4.根據權利要求1所述的計算機實施的方法，其中，處理所述經修改的醫學圖像的步驟包括：將所述經修改的醫學圖像輸入到所述機器學習方法中，并且接收所述經去噪的醫學圖像作為來自所述機器學習方法的輸出。
5.根據權利要求1所述的計算機實施的方法，其中，所述機器學習方法包括神經網絡。
6.根據權利要求1所述的計算機實施的方法，其中，所述噪聲圖為所述醫學圖像的每個像素提供噪聲的標準偏差或方差的估計量。
7.根據權利要求1所述的計算機實施的方法，其中...
【專利技術屬性】
技術研發人員：C·維爾克，N·D·施內爾貝歇爾，F·貝格納，K·M·布朗，M·格拉斯，
申請(專利權)人：皇家飛利浦有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。