[发明专利]用于医学成像的使用深度卷积神经网络的剂量减少

权利要求书

1.一种减少用于放射成像模态和核医学应用的辐射剂量的方法，包括：

a)使用卷积网络从低剂量核医学图像生成标准剂量核医学图像，其中，所述卷积网络包括N个卷积神经网络(CNN)级，其中，每一个所述CNN级包括M个具有K x K核的卷积层，其中，所述卷积网络进一步包括在对应的所述CNN级之间具有对称的串接连接的编码器-解码器结构；

b)使用池化进行下采样并且在所述级之间使用双线性内插进行上采样，其中，所述网络从所述低剂量图像提取多尺度且高水平的特征以模拟高剂量图像；以及

c)向所述低剂量图像添加串接连接以保留所述高剂量图像的局部信息和分辨率，其中，所述高剂量图像包括患者体内的放射性示踪剂的等于1的剂量减少因数(DRF)，其中，所述低剂量PET图像包括所述患者体内的所述放射性示踪剂的至少等于4的DRF。

2.根据权利要求1所述的方法，其中，所述DRF在4至200的范围内。

3.根据权利要求1所述的方法，其中，所述标准剂量核医学图像从所述低剂量核医学图像以及作为多模态输入的对应的多对比度MR图像生成。

4.根据权利要求1所述的方法，其中，所述核医学图像使用从由以下各项组成的组选择的方法来生成：CT方法、PET方法、PET/CT方法、PET/MR方法、SPECT方法以及其他核医学成像方法。

5.根据权利要求1所述的方法，其中，使用具有串接跳过连接的编码器-解码器残差深度网络来增加所述低剂量核医学图像中的信噪比(SNR)，其中，所述跳过连接包括从所述方法的输入到输出的残差连接或者在对应的编码器层与解码器层之间的串接连接。

6.根据权利要求1所述的方法，其中，所述低剂量核医学图像进一步包括多个片与多对比度图像的组合作为输入。

7.根据权利要求6所述的方法，其中，所述多个片与所述多对比度图像的所述组合从由以下各项组成的组选择：T1w MR图像、T2w MR图像、FLAIR MR图像、扩散MR图像、灌注MRI图像、磁化率MR图像、基于MR的衰减校正图、MR水脂图像、CT图像以及基于CT的衰减校正图，其中，所述灌注MRI图像包括动脉自旋标记序列。

8.根据权利要求1所述的方法，进一步包括用于确定有多少输入片以及哪些输入对比度对所述方法贡献最大的算法，其中，所述算法自适应地决定要使用多少所述输入片和所述输入对比度。

9.根据权利要求1所述的方法，其中，从由L1/均绝对值误差、结构相似度损失、以及自适应训练损失组成的组选择的混合成本函数被使用，其中，所述自适应训练损失包括使用网络模型的生成性对抗网络损失和感知损失函数。

10.一种从低辐射剂量样本生成用于放射成像模态和核医学应用的高质量图像的系统，包括：

a)使用医学成像仪以取得多片的低辐射剂量图像或者一起获得的低辐射剂量图像和多对比度图像作为多个2维图像或3维图像的堆叠来充当系统输入；

b)将基于深度网络的回归任务应用到所述输入图像，其中，所述基于深度网络的回归任务包括：

i.N个卷积神经网络(CNN)级，其中，每个所述CNN级包括M个具有K x K核的卷积层，其中，所述CNN包括在对应的所述CNN级之间具有对称串接连接的编码器-解码器结构；

ii.具有串接跳过连接的编码器-解码器残差深度网络，其中，所述跳过连接包括从输入图像到输出图像的残差连接；以及

iii.输出具有如标准放射剂量图像那样的图像质量的放射或核医学图像，其中，所述图像质量包括从低辐射剂量输入改善的分辨率、对比度、以及信噪比。