[go: up one dir, main page]

CN111666966B - 医学成像中基于人工智能的材料分解 - Google Patents

医学成像中基于人工智能的材料分解 Download PDF

Info

Publication number
CN111666966B
CN111666966B CN202010147347.4A CN202010147347A CN111666966B CN 111666966 B CN111666966 B CN 111666966B CN 202010147347 A CN202010147347 A CN 202010147347A CN 111666966 B CN111666966 B CN 111666966B
Authority
CN
China
Prior art keywords
material decomposition
data
locations
machine
location
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010147347.4A
Other languages
English (en)
Other versions
CN111666966A (zh
Inventor
P.萨贝巴格扎德
P.沙尔马
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Medical Ag
Original Assignee
Siemens Healthineers AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN111666966A publication Critical patent/CN111666966A/zh
Application granted granted Critical
Publication of CN111666966B publication Critical patent/CN111666966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/484—Diagnostic techniques involving phase contrast X-ray imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/585—Calibration of detector units
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/405—Source units specially adapted to modify characteristics of the beam during the data acquisition process
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/408—Dual energy
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Pulmonology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

医学成像中基于人工智能的材料分解。对于医学成像中的材料分解，经机器学习的模型被训练以分解。例如，针对多个位置的光谱CT数据被输入，并且经机器学习的模型输出材料组成。使用来自周围位置的信息以用于针对给定位置的通过经机器学习的模型的分解可以允许更准确的材料分解和/或三种或更多材料的分解。

Description

医学成像中基于人工智能的材料分解
背景技术
本实施例涉及医学成像中的材料分解。光谱计算机断层扫描（CT）使用材料分解技术将以不同能量的测量分解成不同的基础材料。例如，在两材料分解中区分骨骼和对比剂（contrast agent）（例如碘）。现有的材料分解算法基于针对单独位置的测量来针对单独的位置（例如体素）进行分解。由于在具有高数量的能量仓的系统中的有限光子与具有低数量的能量仓的系统中的能量仓的宽度之间的权衡所致的射束硬化伪像和统计噪声引起分解中的不准确性。
双重能量扫描不能分离多于两种材料，除非所述材料中的一个具有k边缘特性（即在多于两个能量水平下的测量不提供附加的信息）。可以使用附加的仓或能量阈值来分解三种或更多材料。对于多于两种材料的材料分解，统计噪声水平大幅度增大，从而导致误差和不准确性。在具有用于在大量材料之间进行区分的更多能量阈值或能量仓的情况下，在每个能量仓中存在较少的光子，因为总临床剂量被限制。随着能量仓变窄以用于更多的材料，存在更多的射束硬化。
发明内容
作为介绍，下述优选实施例包括用于医学成像中的材料分解的方法、系统、指令和非暂时性计算机可读介质。训练经机器学习的模型来分解。例如，针对多个位置的光谱CT数据被输入，并且经机器学习的模型输出材料组成。使用来自周围位置的信息以用于针对给定位置的通过经机器学习的模型的分解可以允许更准确的材料分解和/或三种或更多材料的分解。
在第一方面中，提供一种方法来用于医学成像系统中的材料分解。利用光谱计算机断层扫描（CT）系统来扫描患者。扫描提供对患者进行表示的光谱CT数据。经机器学习的模型响应于光谱CT数据而生成针对多个位置中每个位置的材料分解。针对所述多个位置的材料分解的图像被显示。
在第二方面中，提供一种系统来用于材料分解。用于扫描患者的医学扫描仪被配置成输出对患者的内部区进行表示的数据。图像处理器被配置成应用人工智能来分解由所述数据表示的两种或更多材料。显示器被配置成显示针对所述两种或更多材料中至少一个的图像。
在第三方面中，提供一种方法来用于医学成像系统中的材料分解。利用医学成像系统来扫描患者，从而提供对患者进行表示的数据。经机器学习的模型响应于所述数据而生成针对多个位置中每个位置的材料分解，所述针对多个位置中每个位置的材料分解基于针对位置的多个近邻位置的数据。材料分解是三种或更多材料的分解。针对所述多个位置的材料分解的一个或多个图像被显示。
本发明由随后的权利要求来限定，并且本章节中没有什么应当被认为是对那些权利要求的限制。本发明的此外的方面和优点在以下结合优选实施例来被讨论，并且可以稍后独立地或组合地被要求保护。
附图说明
部件和图不一定是按比例的，而代替地强调被置于说明本发明的原理上。此外，在各图中，同样的参考标号贯穿不同的视图指明对应的部分。
图1是用于医学成像系统中的材料分解的方法的一个实施例的流程图图解；
图2图示了用于材料分解的人工智能的训练；
图3示出了来自材料分解的不同材料的浓度的图像；并且
图4是用于材料分解的系统的一个实施例。
具体实施方式
深度学习或其它机器学习用于医学成像中的多材料分解。通过诸如来自传统的两材料和/或三材料分解算法的数千图像和经分解的图像来训练经机器学习的模型，所述经机器学习的模型不限于使用仅仅来自单独体素的信息来提取经分解的信息。机器学习可以在具有针对每个位置的空间信息（例如平面的和z轴）和/或时间信息（例如相对于对比剂注入的定时）的经标注的数据上进行训练。能够访问时间和/或空间之上的信息可以允许像素材料的更准确的分类和/或每个材料的密度的更好估计。不同的材料浓度以及因此的特定于材料的映射以一方式被提供，所述方式具有来自射束硬化伪像和统计噪声的最小影响。
图1是用于医学成像系统中的材料分解的方法的一个实施例的流程图。在材料分解中使用经机器学习的模型。由于根据图像来训练经机器学习的模型，因此提供空间考虑来用于根据测量而分解针对每个给定位置的材料。
医学成像系统执行动作。诸如CT系统之类的医学成像器执行动作10。图像处理器执行动作12。图像处理器使用显示屏来执行动作14。在一个实施例中，图4的系统执行动作。在其它实施例中，不同的设备执行动作中的任何一个或多个。在一个示例中，CT系统执行所有动作。在又一示例中，工作站、计算机、便携式或手持式设备（例如平板设备或智能电话）、服务器或其组合执行动作中的一个或多个。
用所示的次序（例如自顶向底或数值的次序）或其它次序来执行动作。可以提供附加的、不同的或较少的动作。例如，在没有动作14的情况下执行所述方法。作为另一示例，提供了用于配置医学扫描仪、诸如用于选择待分解的应用和/或材料的动作。
在动作10中，医学成像系统对患者进行扫描。可以使用任何医学成像系统。例如，光谱CT系统对患者进行扫描。光谱CT系统包括可以在不同的能量下运作的一个或多个x-射线源。可替换地或附加地，检测器允许在不同能量下的检测，诸如具有被应用到所检测的x-射线光子的多个检测器或阈值。可以使用双重能量或光子计数CT系统。通过使用光谱CT，用来自不同能量的Hounsfield（亨氏）或其它密度或衰减值所重构的测量可以用于得到材料组成。
扫描提供对患者的内部区进行表示的数据。通过光谱CT系统来提供光谱CT数据。可以通过光谱CT或其它医学成像系统来提供其它数据。在重构之后，数据表示患者的平面区。可以表示体积，诸如平面区或切片的堆叠。
数据是对患者进行表示的一帧数据。数据可以是以任何格式。虽然使用了术语“图像”和“成像”，但是图像或成像数据可以是以在实际显示图像之前的格式。例如，医学图像可以是多个标量值，所述多个标量值表示与显示格式（即扫描或体素数据）不同的笛卡尔或极坐标格式中的不同位置。作为另一示例，医学图像可以是多个红色、绿色、蓝色（例如RGB）值，其被输出到显示器，以用于以显示格式生成图像。医学图像可能尚不是所显示的图像，可以是当前显示的图像，或可以是以显示或其它格式的先前显示的图像。图像或成像是可以用于解剖成像的数据集，诸如对患者的解剖体的空间分布进行表示的扫描数据。
通过对患者进行扫描来获得数据。扫描数据可以用或通过医学扫描仪来被提供、被从存储器加载和/或通过经由计算机网络来被传递。例如，从存储器或数据库访问先前获取的扫描数据。作为另一示例，扫描数据在从对患者进行扫描的获取之后通过网络来被传送。
可以获取与扫描数据不同的数据。例如，获取特定于任务的信息。特定于任务的信息可以是所扫描的区（例如身体区）的标识、所扫描的区中对比剂的存在、病理信息、扫描设置（例如x-射线源能量、能量阈值、光子计数范围、台架定位、移动范围和/或重构设置）和/或患者医学信息。作为另一示例，获取注入协议信息。可以获取注入时间、扫描时间、所注入的对比剂的体积、随时间的注入中的改变、对比剂的类型和/或其它对比剂信息。
在动作12中，图像处理器为患者的所扫描的区中的一个或多个位置生成材料分解。图像处理器为多个位置中的每个位置确定材料组成，诸如为每个像素或体素位置进行确定。
材料分解可以是分类，诸如标识在该位置处是否存在给定的材料。分类可以是两种材料、三种材料或者四种或更多材料。材料分解用于材料标注，其标识两种或更多材料中的一个是否在该位置处。可替换地或附加地，材料分解提供在每个位置处的不同材料的浓度、密度或相对量（例如体积、衰减或密度）。确定针对每个位置的每个材料的浓度。
一些示例性的两材料分解可以是对于骨骼和碘（例如对比剂）、血液和斑块、肾脏软组织和肾结石、肺组织和肺血管、痛风（例如尿酸晶体）和血液、脑出血（例如髓和骨骼）、心肺血容量（PBV）（例如脂肪和软组织）或骨髓（例如脑脊液和出血组织）。一些示例性的三材料分解可以是肝脏虚拟平扫（virtual non-contrast，VNC）（例如脂肪、软组织和碘）、肺PBV（例如空气、软组织和碘）或虚拟非增强（空气、水和碘）。三材料分解可以允许使用组织与两个或更多不同类型的对比剂以及在组织与两个或更多不同类型的对比剂之间进行区分。在患者中两种或更多材料的分解中可以使用任何类型的材料。
图像处理器利用经机器学习的模型来生成材料组成。响应于数据（例如光谱CT数据）的输入，经机器学习的模型为多个位置中的每个位置输出材料分解。输入是通过将输入特征向量的值、诸如扫描数据的值应用到经机器学习的模型。例如，输入针对患者的光谱CT扫描数据。可以输入从光谱CT数据中得到的特征（例如哈尔小波）。
可以输入除了扫描数据之外的其它数据。所述其它数据可以包括临床数据、生物化学测量、遗传数据、患者历史、家族历史或其它患者数据。所述其它数据可以是扫描特性和/或注入信息。扫描特性可以是任何特定于任务的信息、诸如扫描设置和/或应用（例如肺材料分解）。注入信息可以是来自注入协议的任何信息（例如对比剂的定时、体积和/或类型）或在使用对比剂的情况下的其它对比剂信息。
扫描特性和/或注入信息用于选择特定于材料或任务的经机器学习的模型来应用和/或被用作对经机器学习的模型的输入。经机器学习的模型可以已经基于过去图像获取的数据库而被训练，所述数据库覆盖宽范围的扫描阶段（即扫描至对比剂注入的相对定时）以及条件（例如扫描设置和/或任务）。对于训练数据中每个可用的数据集，特定于任务的信息以及来自注入协议的信息——如果有任何的话——可以与实际获取的图像相组合以发现在给定位置和时间处的值与针对该位置处的每个材料的浓度值之间的相关性。在其它实施例中，扫描特性和/或注入信息不用于选择模型和/或不被用作对模型的输入。
在一个实施例中，对来自扫描的数据进行分割。分割对表示患者中的特定区（例如器官）的数据进行隔离。经分割的数据被输入。所述分割可以用于标识在扫描中所表示的区或器官。该标识可以被用作特定于任务的信息，以用于选择模型和/或对模型的输入。例如，分割结果或标识被用于标识或帮助标识待分解的材料（例如心相对于肺以及对应的材料）。
经机器学习的模型生成材料分解。通过应用输入向量的值，生成输出。经机器学习的模型被训练以响应于输入而生成输出。机器学习使用经标注的训练数据或地面实况材料分解来学习，以用于分类（例如材料标注）和/或回归（例如不同材料的浓度）。训练数据被用作对过去情况的认知，以训练模型。训练将输入向量的特征与材料分解相关联。
可以使用任何机器学习或训练。可以使用概率提升树、支持向量机、神经网络、稀疏自动编码分类器、贝叶斯网络或其它现在已知或稍后开发的机器学习。可以使用任何半监督式、监督式或无监督式学习。可以使用层次的或其它的途径。
在一个实施例中，分类和/或回归是通过利用深度学习所学习的经机器学习的模型。可以使用任何深度学习途径或架构。例如，使用卷积神经网络（CNN）。可以在具有类似材料和来自单独体素的亨氏（HU）值的图像上训练基于监督式深度学习的CNN。经重构的CT图像以及经分解的材料图像作为经标注的体素用于训练。作为另一示例，深度学习基于递归神经网络（RNN）架构。RNN可以包括长短期存储器架构，其中一个或多个存储器用于针对其它位置和/或来自相对于对比剂注入的其它时间的输入数据、特征和/或输出。空间和/或时间先验信息用于预测位置的分解，其可以减小射束硬化和统计噪声的影响。在利用一个或多个对比剂的经对比增强的CT图像中，具有使用来自每个位置的时间相关信息的能力的RNN可以帮助预测不同器官中对比剂的浓度。可以使用其它神经网络架构或网络，诸如图像对图像、生成性对抗型网络或U网，其中扫描数据被输入，并且根据经深度学习的特征来生成空间表示。
神经网络可以包括卷积、子采样（例如最大池化）、全连接的层和/或其它类型的层。通过使用卷积，限制待测试的可能的特征的数目。全连接的层运作以在最大池化之后全连接如受卷积层限制的特征。其它特征可以被添加到全连接的层，所述其它特征诸如非成像或临床信息。可以提供层的任何组合。
在另一实施例中，稀疏字典编码用于机器学习。经机器学习的模型被训练以提供字典嵌入。在输入数据中表示的签名或其它稀疏编码被学习以用于材料分解，类似于根据文本数据所训练的字嵌入（例如word2vec）。
具有或没有深度学习的经机器学习的模型被训练以将地面实况（输出的材料分解）关联到一个或多个特征的所提取的值。深度学习对来自输入数据的特征进行学习。其它类型的机器学习可以基于经手动编程或手编码的输入特征来进行关联。机器学习使用具有地面实况的训练数据来学习，以基于输入向量而进行估计或分类。结果得到的经机器学习的模型是具有经学习的权重、内核、连接和/或其它操作的架构。
图2示出了用于利用机器学习来进行训练的一个实施例。经机器学习的模型是根据训练数据而被学习的人工智能（AI）27。训练数据包括来自一个或多个源的样本、诸如综合地生成的图像24、具有材料分类和/或浓度的经分解的材料映射23和/或来自具有不同材料的一个或多个幻像的经分解的材料映射25。扫描和/或注入信息26也可以被提供作为输入（即被包括以用于每个训练样本）。经分解的材料映射23来自许多不同患者的光谱CT扫描20，其中传统的材料分解过程22被应用到光谱CT数据21，光谱CT数据21包括测量的空间和/或时间分布。扫描和/或注入信息26作为扫描20的部分被提供。为了训练，获取经地面实况标注的样本的大型数据库。
开发监督式深度学习模型中的主要挑战或限制中的一个是：由于对经对比增强的图像的手动分割和标注的固有困难所致的缺乏用于训练的足够经注解的图像。在一个实施例中，使用基于光谱CT的材料分解成像作为地面实况来训练经机器学习的模型。执行光谱CT成像。在不同能量下的经重构的扫描数据被用作输入样本。应用传统的两材料或三材料分解软件。先前验证的2-材料和3-材料分解算法提供充足的监督式经标注的图像。包括碘图、VNC、3-材料等等的任何基于材料分解的应用可以是监督式训练数据的可靠源，其提供材料标注和/或浓度估计作为地面实况。
在另一实施例中，使用对具有已知材料的幻像的基于CT的材料分解成像作为地面实况来训练经机器学习的模型。训练数据包含来自对具有不同材料的插件的幻像的扫描的图像。已知材料为图像提供标注或地面实况。用于形成图像的扫描数据被用作输入样本。通过使用幻像，地面实况可以是每个插件中的每个材料的已知浓度，或者混合插件中的不同材料的比例。幻像可以是拟人化的或圆柱形的。可以使用具有不同已知浓度的小瓶。
在又一实施例中，使用基于综合CT模型的材料分解成像作为地面实况来训练经机器学习的模型。使用不同材料的已知特性来对扫描区进行建模。可以使用任何物理或生物力学模型。扫描区的模型可以在具有材料和/或浓度的不同空间和/或时间分布的情况下被重复许多不同次。可以通过对来自患者的样本的统计分析来约束建模。根据扫描区的每个模型来执行扫描仪模拟、诸如DRASIM（Siemens）、DukeSim（Duke）、CatSim（GE）或计算型拟人化幻像（例如XCAT）。结果是在没有实际扫描患者的情况下根据扫描区模型所模拟的扫描数据。从扫描区模型中已知地面实况材料标注和/或浓度。经模拟的扫描数据和材料分解地面实况映射形成训练数据。对训练数据进行模拟，从而提供来自建模、而不是来自扫描患者或幻像的综合数据。
训练可以使用品质信息。与拙劣品质输入和/或地面实况相比，在训练中对扫描数据和/或其它输入值中具有更好品质的和/或地面实况中具有更好品质的训练样本进行更重地加权。利用针对训练样本或地面实况的图像品质评级来训练经机器学习的模型。为了计及图像品质（例如地面实况材料分解映射中的图像噪声），利用“图像品质”度量的量化来扩增材料的每个地面实况图像。可以使用任何图像品质度量，诸如信噪比、伪像水平或射束硬化度量。图像品质评级可以基于不同的图像特征（例如信噪比）来在算法上被计算，由临床团队注解，或这二者的组合。训练在优化中使用评级来最小化经机器学习的模型输出与地面实况的差异。在其中不使用评级的情况下，训练对模型进行优化以最小化在没有基于评级的加权的情况下所估计或分类的输出与地面实况的差异。
在模型被训练了之后，模型被应用到先前未见的数据。对于新患者，具有或没有其它输入信息的扫描数据被应用到经机器学习的模型。经机器学习的模型输出材料分解。为一个或多个位置输出材料分解。材料分解被输出为类成员关系（例如什么材料处于该位置或材料标注处）和/或浓度的回归（例如该位置处每个材料的量）。
由于经机器学习的模型在来自患者的度量的空间和/或时间分布上被训练并且作为输入而使用来自患者的度量的空间和/或时间分布，因此通过来自其它时间和/或位置的信息来告知针对给定时间下给定位置的输出。例如，针对一个位置的材料分解基于针对该位置和多个近邻位置的扫描数据（例如光谱CT数据）。对近邻位置进行限定的窗口可以具有任何大小。训练数据在经重构的图像和地面实况中不仅包含针对单独体素的扫描数据作为输入，而且还包含针对近邻体素的扫描数据。使用相同平面中的近邻位置和/或来自其它切片的近邻位置（例如平面的近邻体素以及z轴（先前的和接下来的切片））。
可替换地或附加地，来自由扫描数据形成的近邻位置的输出的材料分解用于针对给定位置的分解。在还其它的实施例中，使用通过经机器学习的模型或在经机器学习的模型中针对其它位置计算的一个或多个特征的值。近邻信息（例如特征值或材料分解）是用于预测位置（例如体素）的分解的先验信息。
使用近邻信息可以减小射束硬化和/或统计噪声的影响。在利用一个或多个对比剂的经对比增强的CT图像中，来自每个体素的时间相关信息可以帮助预测不同器官中对比剂的浓度。
经机器学习的模型被应用于不同的位置。对于每个位置，来自相对于注入协议的周围位置和/或时间的扫描数据用于分类或估计。经机器学习的模型被应用到扫描数据的不同窗口以针对不同的位置来分解材料。可替换地，针对多个位置输入扫描数据，并且经机器学习的模型输出针对所述多个位置的材料分解。
在图1的动作14中，图像处理器生成针对所述多个位置的材料分解的图像，并且显示器显示针对所述多个位置的材料分解的图像。可以在CT或医学扫描仪上、或在诸如成像工作站的另一设备上使材料分解图像可视化。
图像是针对一种材料的。例如，显示针对该材料标注的位置的分布。可以显示其它材料的分布的图像。针对不同材料的材料映射被生成为图像并且被显示。图3示出了一示例，其中扫描数据被示出为经重构的灰度图像30。AI 27输出针对三幅图像31、32、33使用的材料分解，其中为两种材料中的每个提供一幅图像（碘图像31；钆图像32）和虚拟平扫图像33。图像31、32、33可以是针对三种不同材料的。可替换地，不同材料调制相同图像的不同方面，诸如针对不同材料使用不同颜色。一幅图像示出了不同材料的空间分布，诸如在具有或没有骨骼的情况下两种不同对比剂的空间分布。可以使用任何材料分解成像。
可以生成并且显示图像，所述图像示出在相对于注入发起的不同时间的材料组成。可以提供作为时间的函数的材料分解的视频。针对单个位置或多位置的线的材料分解随时间的变化可以被显示为一幅或多幅图表。
可以根据材料分解来对量进行计算，所述量诸如面积或体积。可以与图像一起或与图像分离地显示所述量。一幅或多幅材料分解图像可以被叠覆在没有材料分解的患者组织的CT图像上或与所述CT图像相邻地被显示。
材料分解和/或从材料分解生成的图像可以被传送到显示器（例如监视器、工作站、打印机、手持式设备或计算机）。可替换地或附加地，传送是去往诸如患者记录的数据库的存储器，或去往诸如计算机网络的网络。
在一个实施例中，经机器学习的模型用于材料分解的部分，并且光谱CT（即传统的或基于算法的）材料分解用于材料分解的另一部分。二者都可以被独立地使用。结果得到的分解与彼此相邻地被显示以用于比较。可替换地，结果被求平均或组合以形成一幅或多幅分解图像。两种途径可以在混合物中被使用。例如，应用基于算法的材料分解。经机器学习的模型被训练以细化来自在具有或没有其它数据（例如扫描数据）的输入的情况下的基于算法的材料分解结果的材料分解。在这些或其它组合中的任一个中，结果得到的图像是光谱CT材料分解和经机器学习的模型的输出的函数。
图4示出了用于材料分解的系统。所述系统实现图1的方法，或诸如图3中所示出的用于为患者的内部区输出材料组成的另一方法。AI 27用于根据针对患者的数据来执行材料分解。
所述系统包括医学扫描仪40、图像处理器42、存储器44、具有用户输入48和显示器49的图形用户接口（GUI）47以及作为AI 27的一个或多个经机器学习的模型。可以提供附加的、不同的或较少的部件。例如，提供网络或网络连接，诸如用于与医学成像网络或数据归档系统联网，或者在扫描仪40与图像处理器42之间联网。在另一示例中，不提供用户输入48。作为另一示例，提供服务器来用于与扫描仪40远程地实现图像处理器42和/或AI 27。
图像处理器42、存储器44、用户输入48、显示器49和/或AI 27是医学扫描仪40的部分。可替换地，图像处理器42、存储器44、用户输入48、显示器49和/或AI 27是归档和/或图像处理系统的部分，诸如与医学记录数据库工作站或服务器相关联，与CT扫描仪40分离。在其它实施例中，图像处理器42、存储器44、用户输入48、显示器49和/或AI 27是个人计算机、诸如台式计算机或膝上型计算机、工作站、服务器、网络或其组合。
医学扫描仪40是用于材料分解的医学诊断成像扫描仪。例如，医学扫描仪40是可操作以在不同的能量下传送和/或检测辐射的光谱CT扫描仪。台架支撑x-射线的一个或多个源，并且在患者检查空间的、与所述一个或多个源相对的侧上支撑一个或多个检测器。台架关于患者移动（一个或多个）源和（一个或多个）检测器，以执行CT扫描。通过检测器来从相对于患者的不同定位获取各种x-射线投影。计算机断层扫描针对来自投影的响应的二维或三维分布进行求解，从而将扫描数据重构成患者的密度或衰减的空间分布。
通过应用和/或设置来配置医学扫描仪40，以输出对患者的内部区进行表示的数据。医学扫描仪40对患者进行扫描。在重构（例如计算机断层扫描或傅里叶变换）之后，由医学扫描仪40提供对患者体内的不同位置进行表示的扫描数据。通过在不同的时间或以持续的方式进行扫描，可以生成在不同时间对患者进行表示的扫描数据。
存储器44可以是图形处理存储器、视频随机存取存储器、随机存取存储器、系统存储器、高速缓存存储器、硬驱动器、光学介质、磁性介质、闪速驱动器、缓冲器、数据库、其组合或用于存储数据的其它现在已知或稍后开发的存储器设备。存储器44是医学扫描仪40的部分，与图像处理器42相关联的计算机的部分，数据库的部分，另一系统的部分，图片归档存储器，或独立的设备。
存储器44存储患者数据、诸如扫描数据、扫描特性（例如设置或其它特定于任务的信息）和/或注入信息。可以存储本文中所讨论的任何患者数据，诸如针对经机器学习的模型、材料分解和/或图像中的特征的值。可以存储训练数据。可以存储用于生成训练数据的模型参数或值。存储器44可替换地或附加地存储权重、连接、滤波器内核和/或具体化一个或多个经机器学习的模型（例如AI 27）的其它信息。存储器44可以可替换地或附加地在处理期间存储数据，诸如存储在本文中所讨论的信息或对其的链接。
存储器44或其它存储器可替换地或附加地是存储了数据的非暂时性计算机可读存储介质，所述数据表示指令，所述指令通过经编程的图像处理器42或实现AI 27的处理器可执行。用于实现本文中所讨论的过程、方法和/或技术的指令被提供在非暂时性计算机可读存储介质或存储器上，所述非暂时性计算机可读存储介质或存储器诸如高速缓存、缓冲器、RAM、可移除介质、硬驱动器或其它计算机可读存储介质。非暂时性计算机可读存储介质包括各种类型的易失性和非易失性存储介质。图中所图示的或本文中所描述的功能、动作或任务响应于被存储在计算机可读存储介质中或其上的一个或多个指令集而被执行。功能、动作或任务独立于指令集、存储介质、处理器或处理策略的特定类型，并且可以由单独地或以组合地操作的软件、硬件、集成电路、固件、微代码等等来执行。同样地，处理策略可以包括多处理、多任务化、并行处理等等。
在一个实施例中，指令被存储在可移除介质设备上以用于由本地或远程系统读取。在其它实施例中，指令被存储在远程位置中，以用于通过计算机网络或在电话线上传递。在还其它的实施例中，指令被存储在给定的计算机、CPU、GPU或系统内。
图像处理器42是一般处理器、中央处理单元、控制处理器、图形处理器、数字信号处理器、三维渲染处理器、专用集成电路、现场可编程门阵列、人工智能处理器、数字电路、模拟电路、其组合或用于应用AI 27来扫描数据以及生成材料组成的分类或估计的其它现在已知或稍后开发的设备。图像处理器42是单个设备或以串行、并行或分离地操作的多个设备。图像处理器42可以是诸如膝上型或台式计算机的计算机的主处理器，或可以是用于在较大系统中、诸如在医学扫描仪40中处置一些任务的处理器。图像处理器42通过指令、设计、硬件和/或软件来被配置以执行本文中所讨论的动作。
图像处理器42被配置成应用AI 27来将扫描数据分解成由扫描数据表示的两种或更多材料。AI 27在分解中使用来自位置的多个近邻位置的数据，以发现针对每个位置的两种或更多材料。AI 27被训练以针对两种、三种或更多材料进行分解。材料可以取决于感兴趣的应用或医学病理。针对该病理或应用的AI 27可以被选择并且用于针对适当的或特定于任务的材料进行分解。
AI 27使用所学习的知识来分解。AI 27是诸如经机器学习的神经网络之类的经机器学习的模型，并且根据以下各项来被训练：使用医学扫描仪的模型、扫描已知材料的幻像的综合地生成的材料分解，或者使用所述模型以及扫描所述幻像的综合地生成的材料分解二者。训练数据可以附加地或可替换地来自用于在医学成像中使用的材料分解的算法。
图像处理器42被配置成将输入特征向量应用到AI 27。图像处理器42可以被配置成计算针对特征的值，并且将所述值输入到AI 27，或者使用所述值作为AI 27的部分。由图像处理器42或者能够访问被存储在存储器44或其它存储器中的对AI 27进行限定的定义或所学习的参数的其它处理器来实现AI 27。
使用AI 27的图像处理器42被配置成输出针对一个或多个位置的材料分解。例如，与位置的不同窗口相对应的输入数据的不同组合用于为样本或扫描位置、体素位置、像素位置或感兴趣的区中的位置中的每一个确定材料分解。图像处理器42被配置成生成材料组成的一幅或多幅图像。
图像处理器42可以被配置成生成图形用户接口（GUI）88以用于输入值或数据和/或用于材料分解图像。GUI 47包括用户输入48和显示器49中的一个或二者。GUI 47提供与图像处理器42、医学扫描仪40和/或AI 27的用户交互。所述交互用于输入信息（例如选择患者文件）和/或用于重查看输出信息（例如查看材料分解图像）。GUI 47（例如通过将图像加载到显示器平面存储器中）被配置成显示材料分解图像。
用户输入设备85是键盘、鼠标、轨迹球、触摸板、按钮、滑块、其组合或其它输入设备。用户输入48可以是显示器49的触摸屏。通过用户输入设备85来接收用户交互，所述用户交互诸如对组织区的指定（例如点击或者点击并拖动以安置感兴趣的区）。可以接收其它用户交互，诸如用于激活材料分解。
显示器49是监视器、LCD、投影仪、等离子体显示器、CRT、打印机或用于输出可视信息的其它现在已知或稍后开发的设备。显示器49接收来自材料分解的一种或多种材料的图像。材料分解图像被显示在显示器49上。可以显示来自图像处理器42、存储器44、CT扫描仪40或经机器学习的分类器90的图形、文本、量、解剖体或功能的空间分布或者其它信息。
虽然以上已经通过参考各种实施例而描述了本发明，但是应当理解的是，可以在不偏离本发明的范围的情况下做出许多改变和修改。因此所意图的是，前述的详细描述被视为说明性的而不是限制性的，并且理解的是，意图限定本发明的精神和范围的是以下权利要求、包括所有等同物。

Claims (18)

1.一种用于医学成像系统中的材料分解的方法，所述方法包括：
利用光谱计算机断层扫描（CT）系统来扫描患者，所述扫描提供对患者进行表示的光谱CT数据；
由经机器学习的模型响应于光谱CT数据而生成针对多个位置中每个位置的材料分解，其中，基于针对位置以及所述位置的多个近邻位置的光谱CT数据来为所述多个位置中的每个位置进行材料分解，其中，对于每个位置，所述位置的近邻位置是在一空间和/或时间窗口内的位置，所述位置也在所述窗口内，所述窗口限定所述位置和所述近邻位置；
传输针对所述多个位置的材料分解。
2.根据权利要求1所述的方法，其中扫描包括使用双重能量或光子计数利用光谱CT系统来进行扫描。
3.根据权利要求1所述的方法，其中生成包括利用已经使用基于CT的材料分解成像作为地面实况而被训练的经机器学习的模型来生成。
4.根据权利要求3所述的方法，其中生成包括利用已经使用对具有已知材料的幻像的基于CT的材料分解成像作为地面实况而被训练的经机器学习的模型来生成。
5.根据权利要求1所述的方法，其中生成包括利用已经使用基于综合的CT模型的材料分解成像作为地面实况而被训练的经机器学习的模型来生成。
6.根据权利要求1所述的方法，其中生成包括通过经机器学习的模型、响应于光谱CT数据、扫描特性和注入信息来生成。
7.根据权利要求1所述的方法，其中生成包括通过已经利用针对训练样本的图像品质评级而被训练的经机器学习的模型来生成。
8.根据权利要求1所述的方法，其中生成包括利用经机器学习的模型来生成，所述经机器学习的模型包括卷积神经网络。
9.根据权利要求1所述的方法，其中生成包括利用经机器学习的模型来生成，所述经机器学习的模型包括具有长短期存储器的递归神经网络。
10.根据权利要求1所述的方法，其中生成包括通过已经利用字典嵌入而被训练的经机器学习的模型来生成。
11.根据权利要求1所述的方法，还包括执行光谱CT材料分解成像，其中所述材料分解是光谱CT材料分解和经机器学习的模型的输出的函数。
12.根据权利要求1所述的方法，其中生成包括将材料分解生成为三种或更多种材料的分解。
13.根据权利要求12所述的方法，其中生成包括生成针对三种或更多种材料、在每个位置处的浓度，并且其中传输包括显示图像作为针对三种或更多材料中的一个材料的第一材料映射，并且显示第二和第三材料映射作为针对三种或更多种材料中的其它材料的其它图像。
14.一种用于材料分解的系统，所述系统包括：
用于扫描患者的计算机断层扫描型扫描仪，所述扫描仪被配置成输出对患者的内部区进行表示的数据，其中所述数据表示所述内部区的多个位置；
图像处理器，其被配置成应用人工智能来分解由所述数据表示的两种或更多种材料；
其中，所述人工智能在对每个位置的两种或更多种材料进行分解时使用来自所述位置的近邻位置的数据，其中，所述来自所述位置的近邻位置的数据包括来自所述近邻位置的先验信息；以及
显示器，其被配置成显示针对所述两种或更多种材料中至少一种的图像。
15.根据权利要求14所述的系统，其中所述计算机断层扫描型扫描仪包括光谱计算机断层扫描型扫描仪。
16.根据权利要求14所述的系统，其中所述人工智能被训练成将两种或更多种材料分解为至少三种材料。
17.根据权利要求14所述的系统，其中所述人工智能包括经机器学习的神经网络，所述经机器学习的神经网络使用医学扫描仪的模型从综合地生成的材料分解来训练。
18.一种用于计算机断层扫描成像系统中的材料分解的方法，所述方法包括：
利用计算机断层扫描成像系统来扫描患者，所述扫描提供对患者进行表示的数据；
由经机器学习的模型响应于所述数据而生成针对多个位置中每个位置的材料分解，所述针对多个位置中每个位置的材料分解基于针对位置的多个近邻位置的数据，所述材料分解包括三种或更多材料的分解，所述位置的近邻位置是表示所述患者的空间和/或时间分布的一部分，其中所述位置的近邻位置是所述分布内的位置，针对该位置生成该位置的材料分解；显示针对所述多个位置的材料分解的一幅或多幅图像。
CN202010147347.4A 2019-03-05 2020-03-05 医学成像中基于人工智能的材料分解 Active CN111666966B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/292695 2019-03-05
US16/292,695 US10973472B2 (en) 2019-03-05 2019-03-05 Artificial intelligence-based material decomposition in medical imaging

Publications (2)

Publication Number Publication Date
CN111666966A CN111666966A (zh) 2020-09-15
CN111666966B true CN111666966B (zh) 2024-02-06

Family

ID=69779810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010147347.4A Active CN111666966B (zh) 2019-03-05 2020-03-05 医学成像中基于人工智能的材料分解

Country Status (3)

Country Link
US (1) US10973472B2 (zh)
EP (1) EP3705047B1 (zh)
CN (1) CN111666966B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997475B2 (en) * 2019-02-14 2021-05-04 Siemens Healthcare Gmbh COPD classification with machine-trained abnormality detection
US11944484B2 (en) * 2021-03-31 2024-04-02 Canon Medical Systems Corporation Material decomposition calibration method and apparatus for a full size photon counting CT system
JP7607496B2 (ja) * 2021-04-02 2024-12-27 富士フイルム株式会社 学習装置、方法およびプログラム、並びに放射線画像処理装置、方法およびプログラム
WO2022268618A1 (en) * 2021-06-24 2022-12-29 Koninklijke Philips N.V. Multi-energy x-ray imaging with anatomical intelligence
US11786201B1 (en) * 2022-06-14 2023-10-17 Curvebeam Ai Limited Method and system for material decomposition in dual- or multiple-energy x-ray based imaging
EP4379664A1 (en) * 2022-12-01 2024-06-05 Koninklijke Philips N.V. Ensuring quality for events of varying contrast agent in 3d dual-energy x-ray imaging
US20240233213A1 (en) * 2023-01-09 2024-07-11 Canon Medical Systems Corporation Training of neural network for attenuation correction in pet/ct
EP4559397A1 (de) * 2023-11-24 2025-05-28 Siemens Healthineers AG Materialdekomposition bei der dual-energie-röntgenbildgebung

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009044683A1 (de) * 2008-11-28 2010-06-02 General Electric Company Multimaterialiendekomposition mittels Dualenergie-Computertomographie
CN103559699A (zh) * 2013-11-18 2014-02-05 首都师范大学 一种基于投影估计的多能谱ct图像重建方法
CN107107068A (zh) * 2014-12-15 2017-08-29 人类脑波责任有限公司 生物材料的分解装置和相应的制造方法及制备细胞悬浮液和组织微移植物的方法
CN107492090A (zh) * 2016-06-09 2017-12-19 西门子保健有限责任公司 根据合成数据利用机器学习的基于图像的肿瘤表型分析
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
CN107862726A (zh) * 2016-09-20 2018-03-30 西门子保健有限责任公司 基于深度学习的彩色二维影片医学成像
CN108065951A (zh) * 2016-11-10 2018-05-25 西门子医疗有限公司 在ct成像方法中同时使用不同的造影剂
CN108701370A (zh) * 2016-03-10 2018-10-23 西门子保健有限责任公司 基于机器学习的基于内容的医学成像渲染
CN109102532A (zh) * 2017-06-20 2018-12-28 西门子保健有限责任公司 用于医学成像的深度学习的组织变形
CN109218708A (zh) * 2018-11-07 2019-01-15 唐山义合成科技有限公司 具有真实景深图像的显示装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009102996A2 (en) * 2008-02-15 2009-08-20 Mayo Foundation For Medical Education And Research System and method for quantitative imaging of chemical composition to decompose more than two materials
CN103649990B (zh) 2011-07-15 2017-06-06 皇家飞利浦有限公司 用于谱ct的图像处理
US11195057B2 (en) * 2014-03-18 2021-12-07 Z Advanced Computing, Inc. System and method for extremely efficient image and pattern recognition and artificial intelligence platform
US9808216B2 (en) 2014-06-20 2017-11-07 Marquette University Material decomposition of multi-spectral x-ray projections using neural networks
US11094058B2 (en) * 2015-08-14 2021-08-17 Elucid Bioimaging Inc. Systems and method for computer-aided phenotyping (CAP) using radiologic images
CN110140178B (zh) * 2016-11-23 2023-08-18 皇家飞利浦有限公司 用于知道上下文的图像质量收集和反馈的闭环系统
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
EP3392832A1 (en) * 2017-04-21 2018-10-24 General Electric Company Automated organ risk segmentation machine learning methods and systems
CN109242920B (zh) 2017-07-11 2020-06-02 清华大学 物质分解方法、装置和系统
US20200210767A1 (en) * 2017-09-08 2020-07-02 The General Hospital Corporation Method and systems for analyzing medical image data using machine learning
US10638991B2 (en) * 2018-09-20 2020-05-05 General Electric Company System and method for imaging a subject with a contrast agent
US10964017B2 (en) * 2018-11-15 2021-03-30 General Electric Company Deep learning for arterial analysis and assessment
KR102628041B1 (ko) * 2018-11-23 2024-01-22 삼성전자주식회사 단층 영상 처리 장치, 방법, 및 컴퓨터 프로그램 제품
KR20200092747A (ko) * 2019-01-25 2020-08-04 삼성전자주식회사 엑스선 영상 처리 방법 및 엑스선 영상 처리 장치

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009044683A1 (de) * 2008-11-28 2010-06-02 General Electric Company Multimaterialiendekomposition mittels Dualenergie-Computertomographie
CN105011960A (zh) * 2008-11-28 2015-11-04 通用电气公司 使用双能计算机断层造影的多材料分解
CN103559699A (zh) * 2013-11-18 2014-02-05 首都师范大学 一种基于投影估计的多能谱ct图像重建方法
CN107107068A (zh) * 2014-12-15 2017-08-29 人类脑波责任有限公司 生物材料的分解装置和相应的制造方法及制备细胞悬浮液和组织微移植物的方法
CN108701370A (zh) * 2016-03-10 2018-10-23 西门子保健有限责任公司 基于机器学习的基于内容的医学成像渲染
CN107492090A (zh) * 2016-06-09 2017-12-19 西门子保健有限责任公司 根据合成数据利用机器学习的基于图像的肿瘤表型分析
CN107610193A (zh) * 2016-06-23 2018-01-19 西门子保健有限责任公司 使用深度生成式机器学习模型的图像校正
CN107862726A (zh) * 2016-09-20 2018-03-30 西门子保健有限责任公司 基于深度学习的彩色二维影片医学成像
CN108065951A (zh) * 2016-11-10 2018-05-25 西门子医疗有限公司 在ct成像方法中同时使用不同的造影剂
CN109102532A (zh) * 2017-06-20 2018-12-28 西门子保健有限责任公司 用于医学成像的深度学习的组织变形
CN109218708A (zh) * 2018-11-07 2019-01-15 唐山义合成科技有限公司 具有真实景深图像的显示装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Advanced CT and MR imaging for improving diagnosis and treatment quality;Takamichi Murakam;《IEEE》;第1页 *
基于图形处理器的X射线锥束成像模拟算法;杨涛等;《无损检测》;第6-13页 *

Also Published As

Publication number Publication date
CN111666966A (zh) 2020-09-15
US10973472B2 (en) 2021-04-13
EP3705047A1 (en) 2020-09-09
EP3705047B1 (en) 2023-11-29
US20200281543A1 (en) 2020-09-10

Similar Documents

Publication Publication Date Title
CN111666966B (zh) 医学成像中基于人工智能的材料分解
US12059237B2 (en) Deep learning for perfusion in medical imaging
CN111563523B (zh) 利用机器训练的异常检测的copd分类
CN110881992B (zh) 使用双能量计算机断层扫描的针对外伤性出血的检测和量化
US11615879B2 (en) System and method for automated labeling and annotating unstructured medical datasets
US10489907B2 (en) Artifact identification and/or correction for medical imaging
CN107545309B (zh) 使用深度生成机器学习模型的图像质量评分
US12033247B2 (en) Three-dimensional shape reconstruction from a topogram in medical imaging
US11263744B2 (en) Saliency mapping by feature reduction and perturbation modeling in medical imaging
CN110400617B (zh) 医学成像中的成像和报告的结合
US10849587B2 (en) Source of abdominal pain identification in medical imaging
CN107209945A (zh) 使用机器学习的用于医学成像的转化的系统和方法
EP3944253A1 (en) Machine learning from noisy labels for abnormality assessment in medical imaging
JP2022185558A (ja) 情報処理装置及び情報処理方法
JP2023511663A (ja) 弱教師あり病変セグメンテーション
US20250336121A1 (en) Machine learning aided realism-enhanced virtual clinical imaging with ground truth preservation
Jin A Quality Assurance Pipeline for Deep Learning Segmentation Models for Radiotherapy Applications
Cobo Cano Aprendizaje profundo explicable y robusto para sistemas de diagnóstico basados en tomografía computarizada
JP2025141829A (ja) 医用テキストデータと医用画像データとを処理するための方法および装置
CN117637123A (zh) 通过编辑医学图像中的正常区域的人工智能支持的读取

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240830

Address after: German Phu F Haim

Patentee after: Siemens Medical AG

Country or region after: Germany

Address before: Erlangen

Patentee before: Siemens Healthineers AG

Country or region before: Germany