[发明专利]从白质纤维束中移除假阳性

说明书

本发明提供了一种医学成像系统(100、400)，包括：机器可执行指令(112)的运行使处理器(104)：接收(200)一组输入白质纤维束(118)；响应于输入所述一组输入白质纤维束而从鉴别器神经网络(116)接收(202)标签；如果所述标签指示在解剖学上不正确，则使用所述一组输入白质纤维束和生成器神经网络(114)生成(204)优化特征向量(122)；响应于输入所述优化特征向量而从所述生成器神经网络接收(206)一组生成的白质纤维束；并且使用所述一组生成的白质纤维束来构建(208)所述一组输入白质纤维束的假阳性子集(126)。

技术领域

本发明涉及磁共振成像，尤其涉及扩散张量成像。

背景技术

作为用于产生患者体内的图像的流程的部分，由磁共振成像(MRI)扫描器使用大的静态磁场以使原子的核自旋对准。这一大的静态磁场称为B₀场或主磁场。梯度磁场和由射频(RF)脉冲引起的磁场(B₁场)可以用于操纵自旋的取向。如果B₁场将自旋旋转脱离与B0场的对准，则它们将开始处理并生成射频信号。

在扩散加权成像(DWI)中，在自旋已经相对于B₀场旋转到一角度之后，第一扩散加权梯度用于使体积内的自旋失相。第二相同扩散加权梯度然后对体积内的自旋重新定相。在对自旋重新定相之后，可以测量它们的射频信号。如果自旋移入或移出体积，则它们不会被正确地重新定相。DWI是方向敏感的。如果在多个方向上执行DWI，则可以计算扩散张量图像。扩散张量图像例如在确定脑中白质纤维束的位置方面是有用的。例如在Bihan等人的“Diffusion Tensor Imaging:Concepts and Applications”(Journal of MagneticResonance Imaging 13:534-5436(2001))中回顾了扩散张量成像。

中国专利申请公开CN106971410A公开了一种基于深度学习的白质纤维束重建方法，其主要针对白质纤维束重建。该方法包括以下步骤：提取训练样本集中的数字图像的信号稀疏性特征；将信号稀疏性特征导入到卷积神经网络以进行训练，向前传播分类结果，将反向传播算法用于分类误差，并且得到最佳网络模型；将测试样本集中的图像的提取的信号稀疏性特征输入到经训练的网络模型以得到最终预测结果；并且最后通过连续曲线拟合将结果描述为白质纤维的取向和分布，并且重建三维白质纤维束。交叉和分叉的白质纤维束可以被准确地构建以为白质纤维束的临床研究和生理病理机制提供帮助。

发明内容

本发明在独立权利要求中提供了一种医学成像系统、一种计算机程序产品以及一种方法。在从属权利要求中给出了实施例。

当使用扩散张量成像绘制白质纤维束时，常见的问题是产生假阳性白质纤维束。假阳性白质纤维束是实际上不在脑中的束，而是使用扩散张量图像来确定输入白质纤维束的算法的伪影。实施例可以提供移除假阳性纤维束的手段。作为结果，实施例可以被认为是对实际上任何现有的手动或自动扩散张量纤维束成像算法的增强。

为此，训练或构建生成对抗网络(GAN)。GAN包括生成器神经网络和鉴别器神经网络。生成器神经网络被训练为将特征向量采取为输入并输出一组生成的白质束。单个白质束是连接点的集合。鉴别器被训练为将一组输入白质束识别为在解剖学上正确或在解剖学上不正确。生成器神经网络和鉴别器神经网络一起训练。

该组输入白质束被输入到鉴别器神经网络中，并且整个组被标记为在解剖学上正确或在解剖学上不正确。如果它们被标记为在解剖学上不正确，那么生成器神经网络用于生成一组生成的白质纤维束，其尽可能接近地匹配该组输入白质束。这通过采用该组输入白质束并利用生成器神经网络向后工作以生成优化特征向量来完成。这例如可以使用反向传播来实现。然后将优化特征向量输入到生成器神经网络中以产生该组生成的白质纤维束。通过将该组输入白质束与该组生成的白质纤维束进行比较，可能是假阳性白质束的束可以被识别并添加到该组输入白质纤维束的假阳性子集中。