[发明专利]用于使用深度神经网络减少医学图像中的有色噪声的系统和方法

说明书

本发明提供了用于使用深度神经网络对医学图像进行去噪的方法和系统。在一个实施方案中，一种方法包括：接收由成像系统采集的医学图像，其中医学图像包括有色噪声；使用经训练的卷积神经网络(CNN)将医学图像映射到去噪医学图像；以及经由显示设备显示去噪医学图像。深度神经网络因此可减少采集的有噪医学图像中的有色噪声，从而提高图像的清晰度和诊断质量。

技术领域

本文所公开的主题的实施方案涉及处理医学图像，诸如磁共振图像(MRI)、CT图像等，并且更具体地讲，涉及使用深度神经网络减少医学图像中的噪声。

背景技术

医学成像系统通常用于获得受检者(诸如患者)的解剖学和/或内部生理信息。例如，医学成像系统可用于获得患者的骨骼结构、脑部、心脏、肺部和各种其他特征的医学图像。医学图像可以是由医学成像系统生成的图像。医学成像系统可以包括磁共振成像(MRI)系统、计算机断层摄影(CT)系统、x射线系统、超声系统和各种其他成像模态。

通过某些成像模式(诸如MRI)获得的医学图像可包含一种或多种类型的噪声，这可降低图像清晰度和分辨率。医学图像中噪声的存在可影响诊断质量。具体地讲，k空间采样图案、图像重建和后处理可以在磁共振(MR)图像中产生具有有色噪声(例如，在空间频域中不均匀分布的噪声)的医学图像，这些有色噪声可能难以通过现有的图像处理方法来减少。已提出将深度学习方法用于从医学图像去除有色噪声，然而当前深度学习方法在去除有色噪声中的执行是不一致的，并且通常不能产生足够程度的噪声减少。因此，通常期望探索深度学习技术以识别用于一致地减少医学图像中的有色噪声的新方法。

发明内容

本公开至少部分地解决了上述问题。在一个实施方案中，本公开提供了一种方法，包括：经由成像系统采集医学图像，其中该医学图像包括有色噪声；使用经训练的卷积神经网络(CNN)将医学图像映射到去噪医学图像；以及经由显示设备显示去噪医学图像。通过使用经训练的CNN将包括有色噪声的医学图像映射到去噪医学图像，可以显著减少图像中的有色噪声，从而提高图像的清晰度和诊断质量。

在单独或与附图联系时，本说明书的以上优势以及其他优势和特征将从以下具体实施方式中显而易见。应当理解，提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的概念的选择。这并不意味着识别所要求保护的主题的关键或必要特征，该主题的范围由具体实施方式后的权利要求书唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提到的任何缺点的实施方式。

附图说明

通过阅读以下详细描述并且参考附图，可以更好地理解本公开的各个方面，其中：

图1是示出根据示例性实施方案的用于使用深度神经网络从医学图像去除有色噪声的图像处理系统的示意图；

图2是示出根据示例性实施方案的可在图1的图像处理系统中使用的深度神经网络的实施方案的布局的示意图；

图3是根据示例性实施方案的示出了可在图1的系统中使用的深度神经网络的架构的示意图；

图4是示出根据示例性实施方案的用于使用深度神经网络从医学图像去除有色噪声的方法的流程图；

图5是示出根据示例性实施方案的用于基于k空间采样图案的噪声功率来合成有色噪声的方法的流程图；

图6示出了根据示例性实施方案的空间频域中的采样密度的示例、空间频域中的噪声功率的示例、空间频域中的合成有色噪声的示例以及空间域中的合成有色噪声的示例；

图7示出了根据示例性实施方案的附加的示例性k空间采样图案；

图8是根据示例性实施方案的示出用于为深度神经网络生成训练数据的方法的流程图；

图9示出了根据示例性实施方案的具有噪声的医学图像、白噪声减少之后的医学图像以及有色噪声减少之后的医学图像之间的比较；并且