[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

说明书

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。为了对磁共振图像质量进行分类或训练以对磁共振图像质量进行分类，深度学习被用于学习基于模拟和测量的相似性来区分损坏图像的特征。深度学习使用没有质量注释的合成数据，从而允许大量的训练数据。然后将深度学习的特征用作输入特征，用于使用用地面实情质量注释的训练数据来训练分类器。由于使用了在没有质量注释的情况下学习的特征，可能需要较小的训练数据集来训练分类器。

相关申请

本专利文档要求保护2018年8月13日提交的在临时美国专利申请序列号62/717,997的根据35 U.S.C.§119(e)的提交日的权益，该申请通过引用被并入于此。

背景技术

本实施例涉及磁共振（MR）或其他成像的质量。图像质量取决于获取之前和获取期间的各种参数。在获取之前，校准和缺陷影响得到的质量。在获取期间，患者移动是重要因素。能够在扫描时评估运动严重性和/或其他伪影可以通过在患者仍然在工作台（table）上时触发重新扫描而不必在以后日期召回（recall）患者来提高成像工作流程效率。

MR成像中的图像质量评估使用一组手工制作（hand-crafted）的特征或基于前景和背景噪声估计的信噪比（SNR）估计。已经提出了数据驱动算法，诸如使用卷积神经网络对分类任务中的质量进行建模。这样的分类模型的缺点是需要用其来训练模型的大量分类数据的事实。可能没有足够大的注释数据集是可用的。即使具有足够的数据，不同临床人员之间的质量感知和要求中的差异可能需要针对每个用例的训练模型。

发明内容

通过介绍，下面描述的优选实施例包括用于对MR图像质量进行分类或训练以对MR图像质量进行分类的非暂时性计算机可读介质中的方法、系统和指令。深度学习被用于学习基于模拟和测量的相似性来区分损坏图像的特征。深度学习使用没有质量注释的合成数据，允许大量的训练数据。然后将深度学习的特征用作输入特征，用于使用用地面实情质量注释的训练数据来训练分类器。由于使用了在没有质量注释的情况下学习的特征，因此可能需要较小的训练数据集来训练分类器。

在第一方面中，提供了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。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（regressor）网络，将特征值确定为输出。机器学习回归量网络被训练为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。当质量低于阈值时，由磁共振系统重新扫描患者。

在第二方面中，提供了一种用于训练图像质量的分类的方法。在输入图像中模拟伪影。该模拟从输入图像中产生伪影图像。机器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。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。存储机器训练的分类器和来自深度学习的机器学习网络。

在第三方面中，提供了一种用于磁共振图像质量评估的系统。磁共振扫描仪被配置成生成表示患者的数据。图像处理器被配置成用在没有质量注释的情况下学习的深度学习特征的机器学习网络生成数据的特征的值，并且基于所述值用机器学习分类器来确定图像质量。显示器被配置成显示图像质量的指示。

由以下权利要求来限定本发明，并且该部分中的任何内容都不应当被理解为对那些权利要求的限制。下面结合优选实施例讨论本发明的另外的方面和优点，并且之后可以独立地或组合地要求保护所述方面和优点。

附图说明

部件和附图不一定按比例，代之以重点在于说明本发明的原理。此外，在附图中，相同的附图标号贯穿不同视图表示相应的部分。

图1是用于对来自磁共振系统的图像的质量进行分类的方法的一个实施例的流程图；

图2图示了用于对图像的质量进行分类的布置；

图3是用于训练图像质量的分类的方法的一个实施例的流程图；以及