[发明专利]用于生成合成医学图像的神经网络

说明书

公开了用于基于由成像装置使用第一成像模态获取的解剖部分的原始图像来生成该解剖部分的合成图像的系统、计算机实现的方法以及计算机可读介质。这些系统可以被配置成：接收由成像装置使用第一成像模态获取的解剖部分的原始图像；接收被训练以用于基于原始图像来预测合成图像的卷积神经网络模型；以及通过卷积神经网络模型将原始图像转换为合成图像。合成图像可以类似于使用不同于第一成像模态的第二成像模态对解剖部分的成像。

相关申请的交叉引用

本申请要求于2016年9月6日提交的美国临时专利申请第62/384,171号以及于2016年10月14日提交的美国临时专利申请第62/408,676号的优先权，以上申请的全部公开内容通过引用并入本文中。

技术领域

本公开总体上涉及使用机器学习算法来生成合成图像以用于放射治疗。更具体地，本公开涉及用于使用神经网络来根据磁共振成像(MRI)图像生成计算机断层扫描(CT)图像的系统和方法。

背景技术

传统上，CT成像已经被用作外部放射治疗的计划过程中的图像数据的主要来源。CT图像提供对患者几何结构的准确表示，并且CT值可以被直接转换为电子密度以用于放射剂量计算。然而，由于常规的CT图像是通过使用成像放射源生成的，因此使用CT可能使患者暴露于额外的放射剂量。近年来，出现了在放射疗法治疗计划过程中用MRI图像替代CT图像的兴趣。这是因为MRI没有电离放射并且提供了优越的软组织对比度以实现更准确的靶区与结构描画的事实。MRI还捕获人体的功能信息，例如组织代谢和功能。然而，MRI强度值与电子密度不直接相关，而且常规的MRI序列不能从骨骼获得MRI信号。因此，如果可以从获取的MRI图像导出“伪CT图像”或“合成图像”，例如伪或合成CT图像(本文中称为“合成CT图像”)，则是有益的。

从MRI图像导出的合成CT图像可以用来帮助放射疗法治疗计划中的患者剂量计算或者用来生成用于图像引导的数字重建射线照片。合成CT图像还可以用于放射治疗期间的患者安置。因此，期望使用MRI图像数据准确地生成合成CT图像以使患者免受CT成像引起的额外的放射暴露。优选地，合成CT图像将准确地类似于(resemble)由CT扫描仪获取的“真实”CT图像。换句话说，例如就相关的体素强度值和对比度特征而言，合成CT应当尽可能接近真实CT图像。生成准确的合成CT图像不是一项简单的任务，因为CT图像强度值(CT数)与MRI强度值之间不存在直接的数学关系。

用于自动的合成CT图像生成的现有方法可大致分为三类：基于组织分类的方法、基于图集的方法(atlas-based approach)和基于模型的方法。组织分类或组织分割方法首先将MRI图像分类为不同组织类型的区域(例如，空气、脂肪、软组织或骨骼)，然后使用体积密度分配为每个组织类型分配不同的CT数。自动组织分割是一个难题，特别是在使用传统MRI图像的情况下。例如，骨骼和空气在传统MRI图像中是不可分离的或难以区分的。因此，经常需要更复杂的MRI序列(例如，能够获取具有更高分辨率的图像的MRI图像)以进行更准确的组织分割。即使可以进行组织分割，将解剖结构划分为几种组织类型也仅提供了对实际解剖结构的非常粗略的近似。例如，前列腺和膀胱两者都是软组织，但是它们的CT强度通常是不同的。

基于图集的方法也被称为基于配准的方法(registration-based approach)。在合成CT生成的情境下，术语“图集”通常是指包括成对的图集MRI图像和图集CT图像的数据集。在示例中，可以通过图像配准来执行MRI图像与CT图像的配对。为了根据给定的原始MRI图像生成合成CT图像，基于图集的方法首先通过计算图像配准变换(通常需要可变形或非线性图像配准，而不是简单的线性配准)将来自“图集”的每个图集MRI图像与原始MRI图像对准。然后可以应用所计算的配准变换以将对应的图集CT图像映射到原始MRI图像，并且生成变形的图集CT。变形的图集CT图像提供了对真实CT图像的估计(例如，合成CT图像)。