[发明专利]患者专用的深度学习图像降噪方法和系统

说明书

本发明题为“患者专用的深度学习图像降噪方法和系统”。本发明公开了使用深度学习网络模型来改善图像降噪的系统和方法。示例性系统包括输入数据处理器，该输入数据处理器用于处理第一患者的第一患者图像，以向第一患者图像添加第一噪声以形成有噪声的图像输入。示例性系统包括图像数据降噪器，该图像数据降噪器用于使用第一深度学习网络来处理有噪声的图像输入以识别第一噪声。图像数据降噪器用于使用有噪声的图像输入来训练第一深度学习网络。当第一深度学习网络被训练以识别第一噪声时，图像数据降噪器用于将第一深度学习网络部署为第二深度学习网络模型以应用于第一患者的第二患者图像以识别第二患者图像中的第二噪声。

技术领域

本公开整体涉及经改善的医疗系统，并且更具体地讲，涉及用于医疗成像处理的经改善的机器学习系统和方法。

背景技术

图像噪声是由图像采集过程的一个组成部分引入(例如，由图像源、图像检测器、图像扫描仪的其他部分中的缺陷或磨损、图像处理软件中的错误、传感器和/或其他成像设备的加热等引入)的图像数据中的随机变化(例如，图像的亮度和/或颜色信息的变化)。例如，在x射线和/或计算机断层摄影成像中，因x射线光子的泊松统计引起的量子噪声可为图像中的噪声源。图像中的噪声或干扰可能会破坏实际图像数据和/或以其他方式模糊所得图像中的特征。因此，如果图像中的噪声妨碍临床医生(例如，放射科医生、专科医生、外科医生等)诊断健康问题或正确准备手术，则图像中的噪声可能对于患者来说是极具破坏性的，甚至是危险的。

包括图像处理和分析等在内的医疗保健提供者任务是耗时且资源密集型的任务，人类单独完成这些任务即使不是不可能的，也是不切实际的。在将要处理、将要分析以及患者治疗和患者安全将要依赖的图像中添加噪声会使虽然已经很困难，但仍然至关重要的任务进一步复杂化。

发明内容

某些示例提供了使用深度学习网络模型改善图像降噪的系统和方法。

某些示例提供了图像数据处理系统，该图像数据处理系统包括输入数据处理器、图像数据降噪器、图像后处理发生器和输出成像器。示例性输入数据处理器用于处理第一患者的第一患者图像，以向第一患者图像添加第一噪声以形成有噪声的图像输入。示例性图像数据降噪器用于使用第一深度学习网络处理有噪声的图像输入以识别第一噪声。示例性图像数据降噪器用于使用有噪声的图像输入训练第一深度学习网络并且基于第一深度学习网络的噪声输出与预期的噪声输出的比较来修改网络权重。当第一深度学习网络被训练以识别第一噪声时，图像数据降噪器用于将第一深度学习网络部署为第二深度学习网络模型以应用于第一患者的第二患者图像以识别第二患者图像中的第二噪声。示例性图像后处理发生器用于从第二患者图像中除去由第二深度学习网络模型所识别的第二噪声，以形成降噪的患者图像。示例性输出成像器用于输出降噪的患者图像。

某些示例提供计算机可读存储介质，该计算机可读存储介质包括指令，这些指令当被执行时，使至少一个处理器至少：处理第一患者的第一患者图像，以向第一患者图像添加第一噪声以形成有噪声的图像输入；使用有噪声的图像输入作为输入来训练第一深度学习网络以识别第一噪声；以及当第一深度学习网络被训练以识别第一噪声时，将第一深度学习网络部署为第二深度学习网络模型以应用于第一患者的第二患者图像以识别第二患者图像中的第二噪声，其中将从第二患者图像中除去由第二深度学习网络模型所识别的第二噪声，以形成降噪的患者图像以便输出。

某些示例提供计算机实现的图像降噪方法，该方法包括：使用至少一个处理器来处理第一患者的第一患者图像以向第一患者图像添加第一噪声以形成有噪声的图像输入；使用至少一个处理器，使用有噪声的图像输入作为输入来训练第一深度学习网络以识别第一噪声；以及当第一深度学习网络被训练以识别第一噪声时，使用至少一个处理器，将第一深度学习网络部署为第二深度学习网络模型以应用于第一患者的第二患者图像以识别第二患者图像中的第二噪声，其中将从第二患者图像中除去由第二深度学习网络模型所识别的第二噪声，以形成降噪的患者图像以便输出。

附图说明