[发明专利]使用深度学习来减少金属伪影

权利要求书

1.一种非瞬态存储介质(24)，其存储指令，所述指令能由电子处理器(22)读取并运行以执行图像重建方法(26)，所述图像重建方法包括：

重建X射线投影数据以生成未经校正的X射线图像(30)；

将神经网络(32)应用于所述未经校正的X射线图像以生成金属伪影图像(34)；并且

通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像(40)；

其中，所述神经网络被训练为提取包括金属伪影的图像内容。

2.根据权利要求1所述的非瞬态存储介质(24)，还存储指令，所述指令能由所述电子处理器(22)读取并运行以执行神经网络训练方法，从而训练所述神经网络(32)以变换多色训练X射线图像p_j，其中，j对所述训练X射线图像进行索引以匹配相应的金属伪影图像a_j，其中，p_j＝m_j+a_j并且分量m_j为无金属伪影的X射线图像。

3.根据权利要求1-3中的任一项所述的非瞬态存储介质(24)，其中，所述神经网络(32)具有有效地提供跨所述未经校正的X射线图像(30)的全局连通性的多个层和内核大小。

4.根据权利要求1-3中的任一项所述的非瞬态存储介质(24)，其中，所述图像重建方法(26)还包括在显示器(46)上显示所述经校正的X射线图像(40)。

5.根据权利要求4所述的非瞬态存储介质(24)，其中，所述图像重建方法(26)还包括在所述显示器(46)上显示所述金属伪影图像(34)或根据所述金属伪影图像导出的图像。

6.根据权利要求1-5中的任一项所述的非瞬态存储介质(24)，其中，所述图像重建方法(26)还包括将所述金属伪影图像(34)分类为金属类型。

7.根据权利要求1-6中的任一项所述的非瞬态存储介质(24)，其中，所述图像重建方法(26)还包括基于形状来识别通过所述金属伪影图像描绘的金属物体。

8.根据权利要求1-7中的任一项所述的非瞬态存储介质(24)，其中，所述神经网络(32)包括卷积神经网络(CNN)。

9.根据权利要求1-8中的任一项所述的非瞬态存储介质(24)，其中，所述图像重建方法(26)不包括除了以下操作之外的任何金属伪影校正：将所述神经网络(32)应用于所述未经校正的X射线图像(30)以生成所述金属伪影图像(34)，以及通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成所述经校正的X射线图像(40)。

10.根据权利要求1-9中的任一项所述的非瞬态存储介质(24)，其中，所述未经校正的X射线图像(30)是三维的未经校正的X射线图像，并且所述神经网络(32)被应用于所述三维的未经校正的X射线图像以将所述金属伪影图像(34)生成为三维金属伪影图像。

11.一种成像设备，包括：

X射线成像设备(10、100)，其被配置为采集未经校正的X射线图像(30)；以及

图像重建设备，其包括电子处理器(22)和非瞬态存储介质(24)，所述非瞬态存储介质存储指令，所述指令能由所述电子处理器读取并运行以执行图像校正方法(26)，所述图像校正方法包括：

将神经网络(32)应用于所述未经校正的X射线图像以生成金属伪影图像(34)，其中，所述神经网络被训练为提取包括金属伪影的残余图像内容；并且

通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像(40)。