[发明专利]使用生成式对抗网络的图像增强

说明书

提供了用于使用经训练的模型生成增强的锥形束计算机断层扫描(CBCT)图像的技术。受试者的CBCT图像被接收。使用生成模型来生成与CBCT图像相对应的合成的计算机断层扫描(sCT)图像。生成模型在生成式对抗网络(GAN)中被训练。生成模型还被训练成：处理作为输入的CBCT图像并且提供sCT图像作为输出。sCT图像被呈现以用于对受试者的医学分析。

本专利申请要求于2018年7月24日提交的美国申请序列第16/044,245号的优先权的权益，该美国申请要求于2018年4月26日提交(代理人案卷号为4186.042PRV)的题为“IMAGE QUALITY ENHANCEMENT FOR CONE-BEAM CT(CBCT)”的美国临时专利申请第62/662,933号的优先权的权益，这两个申请中的每一个的全部内容在此通过引用并入本文中。

技术领域

本公开内容的实施方式一般地涉及锥形束计算机断层扫描(CBCT)成像、计算机断层扫描成像和人工智能处理技术。特别地，本公开内容涉及适于与CBCT以及计算机断层扫描图像和系统操作一起使用的生成式对抗网络(GAN)中的数据模型的生成和使用。

背景技术

X射线锥形束计算机断层扫描(CBCT)成像在放射疗法中已经用于患者设置和自适应重新计划。在某些情况下，CBCT成像也已经用于诊断目的，例如牙科成像和植入物计划。此外，X射线CBCT成像已被用于许多与成像相关的应用例如微计算机断层扫描中。然而，正如医学物理学家、医生和研究人员所观察到的那样，CBCT图像的图像质量可能相当低。通常，CBCT图像可能包含不同类型的伪像(包括重建数据中的在所研究的真实对象中不存在的各种类型的噪声或可视化结构)。

CBCT图像中的伪像和噪声可能破坏自适应治疗的重新计划，影响诊断，或者使许多其他图像处理步骤变得困难或甚至不可能(例如，图像分割)。由于每个伪像可以由一个或更多个不同的因素引起，因此可以使用不同的方法来抑制不同的伪像。对于放射疗法和其他临床应用，通常，除了CBCT图像(可以每天获取)以外，可能存在一起可用的一个或更多个其他计算机断层扫描(CT)图像数据集(例如，计划中的CT图像)。通常，CT图像具有高得多的图像质量、更准确的对比度或其他信息以及更少的伪像。尽管研究人员已经进行了许多研究并开发了若干相关方法来减少CBCT图像中的伪像，但是，目前尚没有一种可以抑制所有或大多数普通伪像的简单有效的方法。因此，迫切需要开发一种新颖、有效且简单的方法来抑制和消除CBCT图像中的伪像和噪声。

发明内容

本公开内容包括开发、训练和利用人工智能(AI)处理技术来生成对应于或表示输入的CBCT图像的模拟的或合成的CT图像的过程。这样的AI处理技术可以包括生成式对抗网络(GAN)、循环生成式对抗网络(CycleGAN)、卷积神经网络(CNN)、深度卷积神经网络(DCNN)和其他形式的机器学习(ML)实现。本公开内容具体地包括与以下操作相关的多个说明性示例：使用判别器模型和生成器模型，在GAN或CycleGAN内进行操作，以学习配对的CBCT图像和真实CT图像的模型，以增强和产生无伪像或基本上无伪像的CBCT图像或者伪像数量大大减少的CBCT图像。明显的是，当前描述的作为GAN或CycleGAN(以及其他公开的AI技术和ML技术)的一部分的成像数据(例如，CBCT图像)的使用和分析可以被并入用于各种各样的诊断、评估、解释或治疗设置的其他医疗工作流中。

在一些实现中，提供了一种用于使用经训练的模型来生成增强的锥形束计算机断层扫描(CBCT)图像的计算机实现的方法。受试者的CBCT图像被接收。使用生成模型来生成与CBCT图像相对应的合成的计算机断层扫描(sCT)图像。生成模型在生成式对抗网络(GAN)中被训练，其中，生成模型还被训练成：处理作为输入的CBCT图像并提供sCT图像作为输出。sCT图像被呈现以用于受试者的医学分析。

在一些实现中，生成式对抗网络被配置成：使用判别模型来训练生成模型。使用判别模型和生成模型之间的对抗训练来创建由生成模型和判别模型应用的值。生成模型和判别模型包括相应的卷积神经网络。