[发明专利]基于深度学习的图像采集医学系统和方法

说明书

本发明题为基于深度学习的图像采集医学系统和方法。本文提供了一种具有至少一个医学成像设备的医学成像系统，该医学成像设备提供受检者的图像数据。该医学成像系统还包括处理系统，该处理系统被编程为使用多个训练图像训练深度学习(DL)网络以预测输入数据中的噪声。多个训练图像包括针对每行k空间训练数据采集的多个激发(NEX)图像。该处理系统进一步被编程为使用所训练的DL网络来确定受检者的图像数据中的噪声并且基于图像数据中所确定的噪声生成受检者的具有减少的噪声的去噪医学图像。

背景技术

本公开的领域总体上涉及医学成像系统和方法，并且更具体地，涉及使用深度学习(DL)网络对磁共振(MR)图像进行去噪的技术。

在现代医疗保健设施中，非侵入性医学成像系统通常用于识别、诊断和治疗身体状况。医学成像涵盖用于对患者体内器官和组织的内部结构和/或功能行为(诸如化学或代谢活动)进行成像和可视化的不同非侵入性技术。目前，存在多种模态的医学诊断和成像系统，每种模态的医学诊断和成像系统通常以不同的物理原理进行操作以生成不同类型的图像和信息。这些模态包括超声系统、计算机断层扫描(CT)系统、X射线系统(包括常规成像系统和数字或数字化成像系统)、正电子发射断层扫描(PET)系统、单光子发射计算机断层扫描(SPECT)系统和磁共振(MR)成像系统。

磁共振成像(MRI)已证明可用于许多疾病的诊断。MRI提供通过其他成像模态诸如计算机断层扫描(CT)不能容易地成像的软组织、异常组织(诸如肿瘤)和其他结构的详细图像。此外，MRI在不将患者暴露于在模态诸如CT和X射线中经历的电离辐射的情况下操作。

由于信号和采集硬件链中的一系列现象，所以MR图像固有地有噪声。噪声图像可能影响从MR图像做出决策的能力。因此，需要一种改进的磁共振成像系统和方法。

发明内容

根据本技术的实施方案，提供了一种医学成像系统。该医学成像系统包括提供受检者的图像数据的至少一个医学成像设备，和处理系统。该处理系统被编程为使用多个训练图像训练深度学习(DL)网络以预测输入数据中的噪声。多个训练图像包括针对每行k空间训练数据采集的多个激发(NEX)图像。该处理系统进一步被编程为使用所训练的DL网络来确定受检者的图像数据中的噪声；以及基于图像数据中所确定的噪声生成受检者的具有减少的噪声的去噪医学图像。

附图说明

当参考附图阅读以下详细描述时，将更好地理解本发明的这些和其它特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1是根据本技术的实施方案的示例性磁共振成像(MRI)系统的示意图；

图2A是在图1的MRI系统中使用的示例性截断伪影减少/分类器系统；

图2B是根据本技术的实施方案的可在图2A的系统中实现的示例性方法的流程图；

图3是根据本技术的实施方案的k空间采样的示意图；

图4是可在图2A的截断伪影减少系统中使用的示例DL网络的示意图；

图5是可用于训练图4的DL网络模型的多个训练图像的示意图；

图6是根据本技术的实施方案的描绘用于预测的DL网络系统的示意图；

图7是根据本技术的实施方案的描绘由MRI系统生成的医学图像的示意图；

图8是根据本技术的实施方案的描绘对象的弥散加权成像(DWI)的医学图像的示意图；

图9是根据本技术的实施方案的描绘比较去噪之前和去噪之后的体线圈图像的表观弥散系数(ADC)图谱的示意图；并且

图10是根据本技术的实施方案的描绘对象的T2快速自旋回波(T2FSE)MRI的医学图像的示意图。

具体实施方式