[发明专利]使用深度学习技术自动校正X射线数据的受金属影响的体素表示

权利要求书

1.一种用于校正受金属影响的X射线数据、优选地为3D(CB)CT数据的体素表示的计算机实现的方法，所述受金属影响的X射线数据表示由X射线成像仪成像的组织的体积中的金属或含金属的对象引起的X射线数据中的伪影，所述方法包括：

第一3D深度神经网络在其输入处接收受金属影响的X射线数据的初始体素表示，并且在其输出处生成体素图，所述体素图标识所述初始体素表示的属于受金属影响的体素的区域的体素；以及

第二3D深度神经网络在其输入处接收所述初始体素表示和由所述第一3D深度神经网络生成的体素图，并生成校正后的体素表示，所述校正后的体素表示包括对于由所述体素图标识为受金属影响的区域的部分的体素的体素估计，第一3D深度神经基于训练数据和参考数据被训练，所述训练数据和所述参考数据包括患者的预定身体部位的临床X射线数据的体素表示。

2.根据权利要求1所述的方法，其中，所述第一3D深度神经网络确定标识信息包括：

所述第一3D深度神经网络生成体素图，所述体素图的每个体素与受金属影响的X射线数据的初始体素表示的体素以及一个或多个概率量度相关联，其中，所述一个或多个概率量度中的第一概率量度表示体素是金属区域的部分的概率，第二概率量度表示体素是受金属影响的区域的部分的概率。

3.根据权利要求2所述的方法，还包括：

基于所述第一概率量度和所述第二概率量度并且基于一个或多个阈值，将所述初始体素表示中的体素分类成属于金属区域的体素和属于受金属影响的区域的体素。

4.根据权利要求2或3所述的方法，还包括：

使用所述第一概率量度和一个或多个金属阈值来为每个体素确定从多个金属类别中选择的金属类别，优选地，所述多个金属类别包括与非金属材料相关联的第一金属类别和与金属或含金属的材料相关联的体素的第二类别。

5.根据权利要求1-4中的任一项所述的方法，其中，所述第一3D深度神经网络和/或所述第二3D深度神经网络包括至少第一数据处理路径以及平行于第一路径的至少第二数据处理路径，所述第一数据处理路径包括至少第一集合的3D卷积层，优选地是第一集合的3DCNN特征层，所述第二路径包括第二集合的3D卷积层，优选地是第二集合的3D CNN特征层，所述第二集合的3D卷积层被配置为确定与被馈送到所述第一集合的3D卷积层的输入的体素的块相关联的上下文信息。

6.根据权利要求1-5中任一项所述的方法，其中，所述训练数据包括在患者的身体部位的基于金属的治疗之前该身体部位的临床X射线数据的体素表示和在患者的身体部位的基于金属的治疗之后该身体部位的临床X射线数据的体素表示，并且其中，所述参考数据包括在基于金属的治疗之前的患者身体部位的临床X射线数据的体素表示，在该参考数据包括的体素表示中，与身体部位的基于金属的治疗相关联的金属区域被标识。

7.根据权利要求1-6中的任一项所述的方法，其中，所述第二3D深度神经网络被训练为最小化与所述初始体素表示中受金属影响的X射线数据相关联的伪影，其中，在训练期间，3D深度神经网络通过第一权重和偏差被参数化，所述第一权重和所述偏差基于从训练数据的一个或多个特性和参考数据集的一个或多个特性得到的关系被选择以优化校正后的体素表示。

8.根据权利要求1至7中任一项所述的方法，其中，所述第一3D深度神经网络和/或所述第二3D深度神经网络包括3D卷积神经网络、3D生成式对抗神经网络或3D递归深度神经网络的部分，和/或所述第一3D深度神经网络和/或所述第二3D深度神经网络是3D卷积神经网络、3D生成式对抗神经网络或3D递归深度神经网络的部分。