[发明专利]使用深度卷积神经网络来改善锥形束CT图像质量的方法

说明书

系统和方法可以包括使用投影空间方法或者图像空间方法来训练DCNN以减少一个或更多个伪影。投影空间方法可以包括：从一组患者中的每个患者收集受伪影污染的CBCT投影空间图像和相应的伪影减少的CBCT投影空间图像，以及使用从一组患者中的每个患者收集的受伪影污染的CBCT投影空间图像和相应的伪影减少的CBCT投影空间图像来训练DCNN以减少投影空间图像中的一个或更多个伪影。图像空间方法可以包括：从一组患者收集多个CBCT患者解剖图像和相应的配准的CT解剖图像，以及使用多个CBCT解剖图像和相应的伪影减少的CT解剖图像来训练DCNN以从CBCT解剖图像中除去伪影。

相关申请的交叉引用

本申请要求于2017年6月26日提交的美国临时专利申请第62/524,933号的优先权的权益，其全部公开内容通过引用并入本文。

技术领域

本发明的实施方式总体涉及改善锥形束计算机断层成像图像中的图像质量。特别地，本发明涉及使用深度学习技术来减少锥形束计算机断层成像图像中的伪影。

概述

放射疗法已经被用于治疗哺乳动物(例如人和动物)组织中的癌症和其他疾病。X射线锥形束计算机断层成像(cone beam computed tomography，CBCT)已经广泛用在现代放射治疗中用于患者设置的和自适应再计划。CBCT也已被用于诊断目的，举几个例子，例如牙齿成像和植入物计划。此外，X射线CBCT已被越来越多地用于许多与成像相关的应用中，例如微型计算机断层成像。X射线CBCT可以包括具有圆形扫描几何结构的相对简单的几何结构。出于各种目的，CBCT的设置还可以容易地与其他成像模式集成。

但是，CBCT图像的图像质量已成为医学物理学家、医生和其他研究人员的抱怨之源。通常，CBCT图像会包含许多不同类型的伪影(包括所有类型的噪声)。可以将图像伪影定义为重构数据中的在研究的真实对象中不存在的结构。一般而言，伪影可能是由特定物理条件(例如CBCT扫描仪的物理参数与进行扫描的对象的组成和特性)下的实际测量数据与用于2D/3D图像重构的隐含数学假设之间的差异引起的。

CBCT图像中的伪影和噪声会严重阻碍自适应再计划、影响医生的诊断并且使许多其他图像处理步骤例如图像分割变得不可能或困难。由于每个伪影可能是由一个或更多个不同的因素引起的，因此可以采用不同的方法来抑制每个不同的伪影。因此，这可能非常耗时且非常复杂，有时甚至无法通过采用传统方法来抑制所有伪影或者甚至其中的某些伪影。尽管出于减少CBCT图像中的伪影的目的研究人员已经进行了许多研究并开发了一些相关的方法，但是目前还没有能够抑制所有普通伪影的简单且有效的方法。因此，非常需要开发一种新颖、有效且简单的方法来抑制CBCT图像中的伪影和噪声。