[发明专利]考虑较少训练数据的基于深度机器学习的磁共振成像质量分类

权利要求书

1.一种用于对来自磁共振系统的图像的质量进行分类的方法，所述方法包括：

通过磁共振系统生成患者的图像；

响应于将图像应用于机器学习回归量网络，确定特征值作为输出，机器学习回归量网络已经被训练以基于损坏图像的模拟来预测图像度量；

响应于将特征值应用于机器学习分类器，对图像的质量进行分类；以及

当质量低于阈值时，由磁共振系统重新扫描患者。

2.如权利要求1所述的方法，其中生成图像包括由于患者的运动而生成具有运动伪影的图像，其中模拟用于训练机器学习回归量网络模拟运动，其中分类包括基于患者的运动的影响对质量进行分类，并且其中重新扫描包括当患者的运动的影响导致质量低于阈值时重新扫描。

3.如权利要求1所述的方法，其中确定包括由包括深度学习网络的机器学习回归量网络来确定。

4.如权利要求3所述的方法，其中由深度学习网络确定包括通过学习的特征来确定而不使用图像度量的预测。

5.如权利要求1所述的方法，其中确定包括由已经用损坏图像的模拟训练的机器学习回归量网络来确定，损坏图像的模拟包括由伪影模拟输出的损坏图像。

6.如权利要求1所述的方法，其中确定包括由已经在没有质量的注释的情况下被训练的机器学习回归量网络来确定。

7.如权利要求1所述的方法，其中确定包括由已经用图像度量训练的机器学习回归量网络来确定，所述图像度量包括损坏图像与未损坏图像的相似性。

8.如权利要求1所述的方法，其中分类包括由包括随机森林或支持向量机的机器学习分类器进行分类。

9.如权利要求1所述的方法，其中分类包括用已经用针对训练数据的地面实情质量训练的机器学习分类器进行分类。

10.如权利要求1所述的方法，其中分类包括用已经被训练以基于来自机器学习回归量的特征值对质量进行分类的机器学习分类器进行分类，其中特征值基于图像度量的预测。

11.如权利要求1所述的方法，其中分类包括响应于特征值的应用和其他特征的应用而进行分类。

12.如权利要求1所述的方法，其中分类包括将质量分类为二元分类。

13.如权利要求1所述的方法，其中生成图像包括关于工作台上的患者来生成，并且其中重新扫描包括在患者离开工作台之前重新扫描。

14.一种用于训练图像质量的分类的方法，所述方法包括：

模拟输入图像中的伪影，所述模拟从输入图像中产生伪影图像；

由机器进行深度学习，以预测伪影图像与相应输入图像的相似性的程度；

由机器对来自训练数据的分类器进行机器训练，所述训练数据具有图像质量的地面实情注释和从深度学习中学习的输入特征；以及

存储来自深度学习的机器训练分类器和机器学习网络。

15.如权利要求14所述的方法，其中模拟包括：对于输入图像中的每个，生成多个伪影图像，作为具有不同损坏特性的损坏图像。

16.如权利要求14所述的方法，其中深度学习包括通过回归将机器学习网络作为生成用于预测相似性的程度的输入特征的第一层和具有用于预测的第二层的另外的网络进行学习，并且其中机器训练包括使用机器学习网络作为第一层而没有另外的网络的机器训练。

17.如权利要求16所述的方法，其中深度学习包括没有图像质量的地面实情注释的深度学习。