[发明专利]较低到较高分辨率的图像融合

权利要求书

1.一种用于生成对象(30)的融合图像的医学成像设备(10)，包括：

较低分辨率图像扫描单元(12)，其用于采集具有特定图像扫描几何配置的所述对象(30)的较低分辨率图像(32、32a、32b、32c)，

存储器(14)，其用于存储所述对象(30)的较高分辨率参考图像(50)，以及

图像处理单元(16)，其用于生成所述对象(30)的融合图像，

其中，所述图像处理单元(16)包括：

图像扫描几何配置确定单元(18)，其被配置为基于使用相应的较低分辨率图像(32、32a、32b、32c)中的至少一个感兴趣区域(34、36、38、38a、40、40a、42、44、46)中的至少一个特征作为输入的机器学习算法来确定用于采集所述相应的较低分辨率图像(32、32a、32b、32c)的所述特定图像扫描几何配置，

倾斜较高分辨率图像生成单元(20)，其被配置为基于所述较高分辨率参考图像(50)和所确定的用于采集所述相应的较低分辨率图像(32、32a、32b、32c)的特定图像扫描几何配置来生成图像扫描几何配置匹配的倾斜较高分辨率图像(54)，

图像配准单元(22)，其被配置为通过将所述倾斜较高分辨率图像(54)与所述较低分辨率图像(32、32a、32b、32c)进行配准来生成经配准的较高分辨率图像，

特征信息提取单元(24)，其被配置为从所述较低分辨率图像(32、32a、32b、32c)提取当前特征信息，以及

图像融合单元(26)，其被配置为将所述当前特征信息绘制在所述经配准的较高分辨率图像中的对应特征信息上，以便生成融合图像。

2.根据权利要求1所述的医学成像设备(10)，其中，所述图像扫描几何配置确定单元(18)被配置为通过使用自动分割算法来识别所述相应的较低分辨率图像(32、32a、32b、32c)中的至少一个感兴趣区域(34、36、38、38a、40、40a、42、44、46)，所述自动分割算法在具有允许确定用于采集所述相应的较低分辨率图像(32、32a、32b、32c)的所述特定图像扫描几何配置的特征的感兴趣区域(34、36、38、38a、40、40a、42、44、46)中分割所述相应的较低分辨率图像(32、32a、32b、32c)。

3.根据权利要求1所述的医学成像设备(10)，其中，所述图像扫描几何配置确定单元(18)被配置为在每个迭代步骤中迭代地增加用于确定用于采集所述相应的较低分辨率图像(32、32a、32b、32c)的所述特定图像扫描几何配置的特征的数量，直到所述机器学习算法的代价函数的值在特定阈值之下为止。

4.根据权利要求1所述的医学成像设备(10)，其中，所述机器学习算法是通过用于训练所述机器学习算法的方法来训练的，所述方法包括以下步骤：

以已知的特定图像扫描几何配置来提供三维训练对象的较低分辨率图像，

以与所述三维训练对象的所述较低分辨率图像相同的特定图像扫描几何配置来提供所述三维训练对象的较高分辨率参考图像，

在感兴趣区域中分割所述三维训练对象的所述较低分辨率图像和所述三维训练对象的所述较高分辨率参考图像，

将所述三维训练对象的所述较低分辨率图像与所述三维训练对象的所述较高分辨率图像进行配准，以便生成所述三维训练对象的经配准的图像，

以已知的图像切片几何配置将所述三维训练对象的所述经配准的图像切片成所述三维训练对象的倾斜二维切片，以便导出经倾斜配准的图像，以及

将所述经倾斜配准的图像和所述已知的图像切片几何配置提供给所述机器学习算法，以便训练所述机器学习算法以基于使用未知对象(30)的所述相应的较低分辨率图像(32、32a、32b、32c)中的至少一个感兴趣区域(34、36、38、38a、40、40a、42、44、46)中的至少一个特征作为输入的所述机器学习算法来确定用于采集所述未知对象(30)的相应的较低分辨率图像(32、32a、32b、32c)的所述特定图像扫描几何配置，其中，所述未知对象的所述较低分辨率图像的所述图像扫描几何配置与所述经倾斜配准的图像的所述图像切片几何配置相关。