CN110298447B - 用于处理机器学习方法的参数的方法以及重建方法 - Google Patents
用于处理机器学习方法的参数的方法以及重建方法 Download PDFInfo
- Publication number
- CN110298447B CN110298447B CN201910222703.1A CN201910222703A CN110298447B CN 110298447 B CN110298447 B CN 110298447B CN 201910222703 A CN201910222703 A CN 201910222703A CN 110298447 B CN110298447 B CN 110298447B
- Authority
- CN
- China
- Prior art keywords
- data set
- dataset
- machine learning
- correction
- image dataset
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000010801 machine learning Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 title claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 65
- 230000033001 locomotion Effects 0.000 claims abstract description 63
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000002591 computed tomography Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 description 20
- 239000013598 vector Substances 0.000 description 8
- 210000004351 coronary vessel Anatomy 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000007620 mathematical function Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 241001577625 Arsipoda isola Species 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/503—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of the heart
-
- 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
Abstract
一种用于处理机器学习方法(L)的参数(P)的方法，所述机器处理方法用于提供在记录CT图像数据集时运动的对象(2)的CT图像数据集(CB)的运动校正的校正数据集(KD)，其中提供具有多个参考图像数据集(RD)的训练数据集(T)，用于导入机器学习方法(L)中，其中执行迭代(110)，其中在其每个迭代步骤中，借助于机器学习方法(L)为每个参考图像数据集(RD)确定校正数据集(KD)，并且求出与在该迭代步骤中确定的校正数据集(KD)有关的成本函数(CF)的结果(E)，和其中根据成本函数(CF)的结果(E)结束迭代(110)或改变机器学习方法(L)的参数(P)。此外，涉及一种重建方法，所述重建方法使用经处理的机器学习方法(L)。
Description
技术领域
本发明涉及一种用于处理机器学习方法的参数的方法，所述机器学习方法用于提供在记录CT图像数据集时运动的对象的CT图像数据集的运动校正的校正数据集。此外，本发明涉及一种使用经处理的机器学习方法的重建方法，以及一种设备。
背景技术
在借助于计算机断层扫描仪(CT扫描仪)成像时，X射线源和/或探测器相对于待检查的对象在预定的轨道上、特别是在圆形或螺旋形轨道上移动。在此，从不同的(记录)角度记录(CT)图像数据集。尤其是，在检查患者的器官、例如心脏的医学诊断的领域中，在此用于所有待记录的角度范围的CT图像数据集的记录时间相对大，使得器官或器官的至少一部分在记录CT图像数据集期间运动。
因此，在从CT图像数据集重建的(重建)图像数据集中显现出运动的对象的运动伪影。由于这种运动伪影不利的是，可靠的诊断变得困难。这样，运动伪影是在诊断时的误差源。例如，由于心脏在记录CT图像数据集期间的运动，心脏动脉的结构在作为图像视图(图像)示出的重建图像数据集中看不清楚，尤其不清晰地、畸变地和/或变形地示出。
已知与硬件有关的解决方案，如例如使用第二探测器和第二X射线源和提高承载X射线源和探测器的转环(机架)的转动速度。然而，这种解决方案相对昂贵。
此外，已知如下方法，所述方法确定用于所记录的CT图像数据集的校正数据集，以便减小运动伪影。这样，例如在J.Hahn等人的“Motion compensation in the region ofthe coronary arteries based on partial angle reconstruction from short scandata”(“Medical Physics”，2017年11月，第44(11)卷，第5795-5813页)中公开了一种用于减小重建冠状动脉的运动伪影的方法。在此情况下，借助于运动矢量场对沿着相应的冠状动脉的中线的运动进行建模，该运动矢量场的参数借助于成本函数来估计。
例如，在R.Bhagalia等人的“Nonrigid registration-based coronary arterymotion correction for cardiac computed tomography”(“Medical Physics”，2012年7月，第39(7)卷，第4245-4254页)中还公开了，冠状动脉的运动补偿根据所估计的运动矢量场借助于一系列部分重建的三维变形(“warping，翘曲”)来实现。
此外，在A.A.Isola等人的“Cardiac motion corrected iterative cone-beamCT reconstruction using a semi-automatic minimum cost path-based coronarycenterline extraction”(“Computerized medical imaging and graphics”，2012年4月，第36(3)卷，第215-226页)中已知一种方法，使用运动矢量场来产生冠状动脉的没有运动伪影的重建，所述运动矢量场从相应的冠状动脉的多个中线中确定。
这些方法的共同之处在于，借助于算法将运动矢量场(motion vector field)作为用于对象在记录CT图像数据集时的运动的校正数据集确定。然而，所述方法尤其由于借助于相应的算法确定校正数据集是相对费时的，使得在记录CT图像数据集和提供借助于校正数据集减小运动的重建图像数据集之间对于诊断而言经过相对多的时间。
从出版物DE 10 2009 007 236 A1中公开了一种用于借助CT系统扫描运动的检查对象的方法，其中在发射器/接收器对围绕检查对象旋转运动期间检测数据。此外，借助于迭代算法从数据中求出检查对象的断层图像，其中在迭代算法中考虑涉及检查对象在数据检测期间的运动的运动信息。
在出版物DE 10 2011 007 529 A1中公开了一种方法、一种放疗系统以及由CT系统和放疗系统构成的组合，用于在辐射器-探测器系统相对于检查对象可移动的情况下确定在检查对象中运动的对象的运动轮廓，其中执行如下方法步骤：
-在辐射器-探测器系统相对于检查对象的相对移动期间，在运动的对象的区域中扫描检查对象，并且产生具有随时间的衰减值的像素数据集，
-从像素数据集中移除位置固定的结构，
-在扫描的多个彼此跟随的时间点在每个探测器行中确定因运动的对象引起的衰减值，和关于探测器行和扫描的读取时间点，由探测器行的衰减最大值的数值形成3D数据集，和
-从结果数据集中确定如下列表中的至少一个值：对象的运动的频率和/或相位和/或幅值、对象在扫描期间的停留区域、对象在运动的预设相位处的位置。
在出版物DE 10 2011 083 647 A1中公开了一种用于产生补偿运动的CT图像数据集的方法，其中：
-检测CT系统的投影数据集，所述投影数据集由预设的运动相位和投影角度范围构成，所述投影角度范围允许直接重建CT图像数据集。
-通过以下方式迭代地确定运动场：
-利用第一分析重建算法和分别由多个位置特定的运动向量构成的不同的运动场，借助补偿运动的重建方法以第一图像分辨率多次重建一个CT图像数据集，
-和利用至少一个预设的强制条件求出运动场，
-和基于第二重建算法和所求出的运动场，利用补偿运动的重建方法以第二图像分辨率重建最终的CT图像数据集。
发明内容
本发明所基于的目的是，提出一种方法，所述方法能够实现相对快速地提供用于相应的CT图像数据集的校正数据集。此外，应提出一种用于产生重建图像数据集的重建方法。此外，应提出一种用于执行所述一种方法或两种方法的设备。
所述目的在方法方面根据本发明通过本发明的特征来实现。在重建方法方面，所述目的根据本发明通过本发明的特征来实现，并且在设备方面，所述目的根据本发明通过本发明的特征来实现。有利的改进方案和设计方案是下面描述的主题。
为此，在方法中，处理机器学习方法的参数，所述机器学习方法用于提供用于在记录CT图像数据集时运动的对象的CT图像数据集的运动校正的校正数据集。对机器学习方法的参数的处理也称作训练。将所述参数在训练开始之前、例如以随机数初始化。CT图像数据集代表从不同的(记录)角度入射到探测器上的X射线辐射的强度变化曲线。CT图像数据集尤其是所谓的正弦图。
根据方法，首先提供和导入具有多个参考图像数据集的训练数据集，以导入(馈入)到机器学习方法中。换言之，将训练数据集作为输入数据集(输入)提供给机器学习方法。
参考图像数据集是预先已知的CT图像数据集，所述CT图像数据集提供用于处理机器学习方法的参数。例如，为此使用对诸如心脏的对象的临床记录或由所谓的幻影的记录构成的临床记录。替选地，这种参考图像数据集例如通过计算或仿真运动的对象来产生。
此外，根据方法，执行具有至少一个迭代步骤的迭代。在迭代的每个迭代步骤中，借助于机器学习方法为每个参考图像数据集确定校正数据集并且求出成本函数的结果。在此，成本函数与在该迭代步骤中确定的校正数据集相关。
校正数据集尤其构成为运动矢量场，所述运动矢量场代表图像数据集中的对象的运动。
成本函数是数学函数，所述数学函数代表(预测的)借助于机器学习方法求出的变量或数据与相应的期望值或实际值之间的偏差(差异)。换言之，成本函数将机器学习方法的预测的误差量化。例如，成本函数是在所求出的变量和相应的期望值之间的均方差。
根据成本函数的结果，结束迭代或改变机器学习方法的参数。尤其是，为此预设阈值。阈值于是代表借助于机器学习方法做出的预测的最大允许的误差。在成本函数的结果低于阈值时，结束用于相应的参数的迭代，在其他情况下以改变的参数执行另一迭代步骤。在迭代结束之后，为下一参考图像数据集执行迭代。
特别优选地，改变参数，使得减小成本函数的结果。尤其是，根据所谓的“stochastic gradient descent，随机梯度下降”方法改变参数。因此，降低借助于机器学习方法以改变的参数确定的预测的误差。
例如，训练数据集可以划分成或是子训练数据集。随后，为每个子训练数据集分别执行迭代，其中在相应的迭代的每个迭代步骤中以类似的方式根据成本函数的结果处理参数或结束相应的子训练数据集的迭代。这尤其在如下情况下是有利的：实施机器学习方法的设备具有仅仅相对小的存储器，使得并不是所有的参考图像数据集都可以在唯一的迭代中予以考虑或这会引起相对长的处理持续时间。
机器学习方法(也称作机器学习)在此情况下例如构成为学习或预测算法，所述学习或预测算法借助于控制器执行。有利地，该机器学习方法在借助预先已知的训练数据集的训练阶段结束之后识别样式和规律性。因此，馈送的训练数据集的预先已知的参考图像数据集和为此确定的校正数据集并不是耗费地学习或保存或存储，而是确定一般性和/或关联关系。这样，借助于尤其构成为预测算法的机器学习方法可以评价或评估未知的数据集。在训练阶段结束之后，因此能够实现：借助于经训练的机器学习方法比较快速地评估所馈送的数据集并且输出该评估的相应的结果，在此即用于所馈送的CT图像数据集的运动校正的校正数据集。在将这样的机器学习方法用于提供校正数据集作为输送给所述机器学习方法的CT图像数据集的评估的结果时，因此有利地在相对短的时间内进行。因此，可以相对快速地校正CT图像数据集并且将其提供给预测。
在该方法的第一变型方案中，将确定的校正数据集和预先已知的训练校正数据集构成的差用于确定成本函数的结果。训练校正数据集在此保存在训练数据集中并且与相应的参考图像数据集相关联。尤其是，将平方差的平均值用作成本函数的结果，然而替选地，将所述差用作数学函数的自变量。在该第一变型方案中，训练数据集于是具有预先已知的训练校正数据集，所述训练校正数据集中的每个与相应的参考数据集关联。这些训练校正数据集例如借助于开始作为现有技术提到的方法从相应的参考数据集中求出，或替选地借助于参考数据集和关联的训练校正数据集的仿真来确定。
在该方法的第二变型方案中，为了求出成本函数的结果，首先根据所关联的和确定的校正数据集将参考图像数据集中的每个变形(调整)，尤其是根据确定的校正数据集改变参考图像数据集的强度变化曲线(强度分布)。例如，为此使用从现有技术中已知的刚性或非刚性方法。随后，从每个变形的参考图像数据集中创建重建图像数据集。尤其是，借助于已知的重建方法、例如所谓的滤波反向投影(filtered back-projection)来创建对象的图像视图(图像)作为重建图像数据集。替选地，重建图像数据集例如是变形的正弦图。
例如，可以借助于重建图像数据集来确定成本函数。为此，例如将所述重建图像数据集与在训练数据集中保存的且与相应的参考图像数据集关联的训练重建图像数据集进行比较。以与第一变形方案相似的方式，将所述训练重建图像数据集例如借助于开始称作现有技术的方法中的一个方法从相应的参考数据集中求出。类似地，为了确定成本函数的结果，这里使用由确定的重建数据集和预先已知的训练重建数据集构成的差。
替选地，根据一个有利的改进方案，从重建图像数据集中求出与对象的运动有关的变量并且将其用于确定成本函数的结果。例如，将从重建图像数据集中确定的变量的平均值用作为结果。在此情况下于是仅仅使用参考数据集，但不使用其他与所述参考数据集关联的数据集。作为对这些变量的替选方案，将对借助于校正数据集变形的参考数据集的正值的限制(postitivity constraint(积极约束))用作成本函数。
在一个合适的改进方案中，从相应的重建图像数据集或其所选择的一部分中确定熵，并将其用作从重建图像数据集中求出的变量。如果重建图像数据集构成为图像，则作为图像的一部分适当地选择图像的对诊断重要的区域(region of interest)。
对熵替选地或附加地，将熵的梯度和/或上述对正值的限制用作从重建图像数据集中求出的变量。
根据该方法的一个特别适合的设计方案，将(人工)神经网络、尤其卷积神经网络(CNN)用作机器学习方法。在此，神经网络包括：输入层(input layer)，数据集馈送到所述输入层中；至少一个中间层(hidden layer)以及输出层(output layer)。在此，网络或层分别包括多个所谓的神经元，所述神经元彼此连接。此外，每个连接具有权重，所述权重确定相应的发送神经元对相应的目标神经元(接收神经元)的影响，其中各个神经元例如分别定义为数学函数。借助于该方法处理的参数尤其是权重。在处理参数期间，尤其在一个步骤中改变多个权重，其中将参数以适合的方式改变，使得预测的误差或评估的误差降低从而成本函数的结果由于参数的改变而减少。例如，根据所谓的“梯度下降(gradient descent)”方法或根据所谓的“随机梯度下降(stochastic gradient descent)”方法改变权重。
卷积神经网络(CNN)尤其适合于评估图像数据集。例如替选地，使用具有全互连(fully connected)的神经元层(FCN)的神经网络，其中然而与全互连(fully connected)的神经元层的神经网络相比，卷积神经网络具有相对少的参数，使得卷积神经网络的计算耗费相对低。
预先已知的参考图像数据集由于训练集成到神经网络中。神经网络的优点尤其在于，所述神经网络也可以在没有指令的情况下学习和工作。借助于训练预先已知的参考图像数据集和对应于对象的运动的校正数据集集成在神经网络的拓扑中，即神经网络的结构和神经元相互间的连接，使得在馈送待评估的数据集时对预先已知的特征检查所述数据集。
在用于产生用于在记录CT图像数据集时运动的对象的CT图像数据集的校正运动的重建图像数据集的重建方法中，在第一步骤中借助于计算机断层扫描仪来检测和提供运动的对象的CT图像数据集。
在随后的第二步骤中，将CT图像数据集借助于机器学习方法来评估，所述机器学习方法尤其根据上文所述的变型方案之一中的方法来训练。
作为评估的结果，提供对应于对象的运动的校正数据集。借助于所述校正数据集和借助于CT图像数据集产生校正运动的重建图像数据集。为此，将CT图像数据集根据校正数据集变形。替选地，将校正数据集作为初始数据集用于借助于从现有技术中已知的、例如开始所述的方法之一进行的迭代确定，使得缩短该方法的持续时间。总之，由于使用尤其构成为神经网络的机器学习方法，因此相对快速地提供校正运动的重建数据集。
例如附加地，可以借助于所述CT图像数据集和可能借助于校正数据集进一步训练机器学习方法。
根据一个适当的设计方案，设备具有控制器，所述控制器设置为和构成为执行上述变型方案之一中的方法和/或执行重建方法。适当地，该设备还具有计算机可读介质，在所述计算机可读介质上保存有机器学习方法。
附图说明
在下文中参照附图更为详细地阐述本发明的实施例。在附图中示出：
图1示出用于处理机器学习方法的参数的方法的示意流程图，其中执行迭代，其中在其每个迭代步骤中确定成本函数的结果，
图2示出根据图1的方法的一个替选的设计方案的示意流程图，其具有成本函数的结果的替选的确定，
图3示出用于产生用于CT图像数据集的校正运动的重建图像数据集的重建方法的示意流程图，
图4示出用于执行机器学习方法的神经网络，以及
图5示出计算机断层扫描仪的示意前视图，所述计算机断层扫描仪与构成为计算机的设备连接，其中该设备具有控制器。
彼此相对应的部分在所有附图中设有相同的附图标记。
具体实施方式
在图1中根据流程图示意地示出用于处理机器学习方法L的参数P的方法，用于提供用于在记录CT图像数据集时运动的对象2的CT图像数据集CB的运动校正的校正数据集KD。
在第一步骤、即导入100中，根据方法，提供具有多个参考图像数据集RD的训练数据集T并将其导入到机器学习方法L中。在随后的第二步骤中，执行迭代110。这里，迭代110包括至少一个迭代步骤。
在迭代110的每个迭代步骤中，借助于构成为(人工)神经网络的机器学习方法L首先为每个参考图像数据集RD确定校正数据集KD(步骤111)。接着，将参考图像数据集RD借助于相应的校正数据集KD在步骤112中变形并且由变形的参考图像数据集RD分别创建校正(运行)的重建图像数据集RK。
此外，在另一步骤113中，确定成本函数CF的结果E。所述成本函数在此与在该迭代步骤中确定的校正数据集KD相关。为此，由借助于校正数据集KD和参考图像数据集RD创建的重建图像数据集RK分别求出变量G，并用于确定成本函数CF的结果E。在此，变量G是由相应的重建图像数据集RK求出的图像的熵，例如借助于滤波反向投影(filtered back-projection)从变形的参考图像数据集RD求出的图像的熵。这里，作为成本函数CF的结果E，使用从重建图像数据集RK中确定的变量G的平均值。
在比较步骤114中，将所述结果E与尤其预设的阈值S进行比较。这里，阈值S用于限制借助于机器学习方法L做出的预测的最大允许的偏差或最大允许的误差。如果结果E大于阈值S，即偏差或误差过高，则改变参数P，这里是神经网络的权重(步骤115)。神经网络L的权重P的改变根据所谓的“随机梯度下降”方法来进行。然而，如果结果E低于阈值S，则结束迭代110(步骤116)。以此方式，处理机器学习方法L的参数P和神经网络的拓扑。
图2示出该方法的一个替选的设计方案。所述替选的设计方案与在图1中示出的变型方案的区别在于，训练数据集TD除了参考图像数据集RD之外具有与对应的参考图像数据集RD关联的训练校正数据集TKD。在步骤113中，从在步骤111中确定的校正数据集KD和关联的训练校正数据集TKD分别确定由对应的数据集KD和TKD构成的差，并且将其用于确定成本函数的结果E。这里，将平方差的平均值用作成本函数CF的结果E。
因此，在根据图2的变型方案中不进行步骤112。该方法的其他步骤，尤其是在成本函数CF的结果E低于阈值S时结束迭代110(步骤116)，或者否则改变参数P(步骤115)类似地执行。
在图3中示出用于产生用于在记录CT图像数据集时运动的对象2的CT图像数据集CB的校正运动的重建图像数据集RK的重建方法。在此情况下，在第一步骤300中，借助于计算机断层扫描仪4检测和提供运动的对象2的CT图像数据集CB。
在随后的第二步骤310中，借助于机器学习方法L评估CT图像数据集CB(图4)。根据图1或图2的方法之一训练所述机器学习方法。
作为评估的结果，提供对应于对象2的运动的校正数据集KD(步骤320)。借助于该校正数据集和借助于CT图像数据集CB在步骤330中产生校正运动的重建图像数据集RK。为此，将CT图像数据集CB根据校正数据集KD变形，即将CT图像数据集CB根据确定的校正数据集KD改变。以这种方式，校正对象2在记录CT图像数据集CB时的运动并且避免在构成为图像的重建图像数据集RK中的运动伪影。基于此，根据现在校正运动的图像避免在解释或诊断中的误差。
在图4中示意地和极其简化地示出神经网络L，该神经网络在图1至图3的方法中使用。神经网络L具有：(input layer)输入层6，数据集馈送到所述输入层中；至少一个(hidden layer)中间层8以及(output layer)输出层10。层6、8和10又分别包括多个未详细示出的神经元，所述神经元彼此连接并且分别定义为数学函数。为了更好的概览，在图4中在此示例性地仅仅示出神经元的九个连接，但在该实施方案中，输入层6的神经元分别与中间层8的所有神经元连接，并且中间层8的神经元分别与输出层10的所有神经元连接。在此，这些连接中的每个连接都具有权重P，所述权重确定相应的发送神经元对相应的目标神经元的影响。
从CT图像数据集CB中或者在训练阶段期间从参考图像数据集RD中确定具有多个神经元的输入层6。在此，例如作为正弦图馈送的图像数据集的每个像素或者各像素矩阵对应于输入层6的神经元。
参考图像数据RD中的对象2的运动的特征集成在神经网络的神经元的权重和/或数学函数中。换言之，参考图像数据RD的运动特征训练神经网络并且集成到其拓扑中(图4)。以此方式，至少一个中间层(隐藏层)8提取并识别所输送的数据集的特征性的运动特征。在评估所馈送的数据集时，因此识别出运动并且将对应的校正数据集KD作为结果E输出给输出层10的(输出)神经元，以校正这些运动特征。
在图5中示出计算机断层扫描仪4。该计算机断层扫描仪具有用于环形的转环14的保持框架12，该转环也称作机架。在此，转环14可转动地支承在保持框架12上。转环14承载X射线系统16，所述X射线系统具有：X射线源18，用于产生X射线射束；和与其相对地设置的用于X射线射束的(X射线)探测器20。可以将患者床24移入或移动到借助于环形的转环14形成的隧道形的容纳区域22中。为了记录CT图像数据集，将待检查的对象2、尤其是患者安置在患者床24上并且移动到容纳区域22中。在转环14转动时，处于患者床24上的对象2圆形地由X射线系统环行。因此，从不同的(空间、记录)角度记录对象2的CT图像数据集CB，其中CT图像数据集CB代表根据不同的(记录)角度的入射的X射线辐射的强度变化曲线。
为了检测借助于探测器20记录(检测)的CT图像数据集CB，所述探测器与构成为重建计算机的设备26以传输信号的方式连接。所述重建计算机具有用于执行在图1或图2中示出的方法和在图3中示出的重建方法的控制器28，以及构成为硬盘的计算机可读介质30，在所述计算机可读介质上保存有图1至图4的构成为神经网络的机器学习方法。
本发明并不限于前面所描述的实施例。更确切地说，本领技术人员也可以由此导出本发明的其他变型方案，而不脱离本发明的主题。尤其地，此外所有结合实施例描述的单独特征也可以以其他方式彼此组合，而不脱离本发明的主题。
Claims (7)
1.一种用于处理机器学习方法(L)的参数(P)的方法，所述机器处理方法用于提供用于在记录CT图像数据集(CB)时运动的对象(2)的CT图像数据集(CB)的运动校正的校正数据集(KD)，
-其中提供具有多个参考图像数据集(RD)的训练数据集(T)，用于导入到机器学习方法(L)中，
-其中执行迭代(110)，其中在所述迭代的每个迭代步骤中，借助于所述机器学习方法(L)为每个所述参考图像数据集(RD)确定校正数据集(KD)并且求出与在所述迭代步骤中确定的校正数据集(KD)相关的成本函数(CF)的结果(E)，以及
-其中根据所述成本函数(CF)的结果(E)，结束所述迭代(110)或改变所述机器学习方法(L)的参数(P)，
其特征在于，
将由确定的所述校正数据集(KD)和预先已知的训练校正数据集(TKD)构成的差用于确定所述成本函数(CF)的结果(E)，其中所述训练校正数据集(TKD)保存在所述训练数据集(T)中并且与对应的所述参考图像数据集(RD)关联，或者
为了确定所述成本函数(CF)的结果(E)将每个所述参考图像数据集(RD)根据所关联的所述校正数据集(KD)变形，并且从变形的所述参考图像数据集(RD)中创建重建图像数据集(RK)。
2.根据权利要求1所述的方法，
其特征在于，
从所述重建图像数据集(RK)中求出与所述对象(2)的运动相关的变量(G)，并将其用于确定所述成本函数(CF)的结果(E)。
3.根据权利要求2所述的方法，
其特征在于，
从所述重建图像数据集(RK)或所述重建图像数据集的所选择的部分中确定熵，并将其用作为从所述重建图像数据集(RK)求出的变量(G)。
4.根据权利要求1至3中任一项所述的方法，
其特征在于，
将神经网络用作为机器学习方法(L)。
5.根据权利要求4所述的方法，
其特征在于，
将卷积神经网络用作为机器学习方法(L)。
6.一种用于产生用于在记录CT图像数据集(CB)时运动的对象(2)的CT图像数据集(CB)的校正运动的重建图像数据集(RK)的重建方法，
-其中借助于计算机断层扫描仪(4)检测和提供运动的所述对象(2)的所述CT图像数据集(CB)，
-其中将所述CT图像数据集(CB)借助于根据权利要求1至5中任一项训练的机器学习方法(L)评估，
-其中作为所述评估的结果提供对应于所述对象(2)的运动的校正数据集(KD)，以及
-其中借助于所述校正数据集(KD)和所述CT图像数据集(CB)产生校正运动的重建图像数据集(RK)，
其特征在于，
将由确定的所述校正数据集(KD)和预先已知的训练校正数据集(TKD)构成的差用于确定所述成本函数(CF)的结果(E)，其中所述训练校正数据集(TKD)保存在所述训练数据集(T)中并且与对应的所述参考图像数据集(RD)关联，或者
为了确定所述成本函数(CF)的结果(E)将每个所述参考图像数据集(RD)根据所关联的所述校正数据集(KD)变形，并且从变形的所述参考图像数据集(RD)中创建重建图像数据集(RK)。
7.一种设备(26)，所述设备具有控制器(28)，所述设备用于执行根据权利要求1至3中任一项所述的方法和/或用于执行根据权利要求6所述的重建方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18163687.9 | 2018-03-23 | ||
| EP18163687.9A EP3542721A1 (de) | 2018-03-23 | 2018-03-23 | Verfahren zur bearbeitung von parametern eines maschinenlernverfahrens sowie rekonstruktionsverfahren |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298447A CN110298447A (zh) | 2019-10-01 |
| CN110298447B true CN110298447B (zh) | 2024-02-23 |
Family
ID=61768090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910222703.1A Active CN110298447B (zh) | 2018-03-23 | 2019-03-22 | 用于处理机器学习方法的参数的方法以及重建方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11069096B2 (zh) |
| EP (1) | EP3542721A1 (zh) |
| CN (1) | CN110298447B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11789104B2 (en) | 2018-08-15 | 2023-10-17 | Hyperfine Operations, Inc. | Deep learning techniques for suppressing artefacts in magnetic resonance images |
| AU2020237207A1 (en) | 2019-03-14 | 2021-09-23 | Hyperfine Operations, Inc. | Deep learning techniques for generating magnetic resonance images from spatial frequency data |
| JP7459243B2 (ja) * | 2019-10-09 | 2024-04-01 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | １以上のニューラルネットワークとしての画像形成のモデル化による画像再構成 |
| DE102020200906A1 (de) * | 2020-01-27 | 2021-07-29 | Siemens Healthcare Gmbh | Steuerung eines medizinischen Röntgengeräts |
| DE102020203848A1 (de) * | 2020-03-25 | 2021-09-30 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts |
| CN111462168B (zh) * | 2020-04-22 | 2023-09-19 | 上海联影医疗科技股份有限公司 | 运动参数估计方法和运动伪影校正方法 |
| CN111915516B (zh) * | 2020-07-21 | 2024-03-08 | 东软医疗系统股份有限公司 | 运动补偿方法、装置、ct设备及ct系统 |
| DE102021202293A1 (de) * | 2021-03-09 | 2022-09-15 | Siemens Healthcare Gmbh | Verfahren zum Bestimmen eines Bildgebungsparameterwertes für die Steuerung eines medizintechnischen Gerätes bei einem Erfassen eines ersten Bilddatensatzes |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236903A (zh) * | 2010-05-03 | 2011-11-09 | 西门子公司 | 通过迭代的图像重建在ct拍摄中提高时间分辨率 |
| DE102010022791A1 (de) * | 2010-06-04 | 2011-12-08 | Siemens Aktiengesellschaft | 3-D-Röntgenbildgebung von Koronargefäßen mit EKG-Gating und Bewegungskorrektur |
| CN106250986A (zh) * | 2015-06-04 | 2016-12-21 | 波音公司 | 用于机器学习的高级分析基础构架 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009007236A1 (de) | 2009-02-03 | 2010-08-05 | Siemens Aktiengesellschaft | CT-Bildrekonstruktion eines sich bewegenden Untersuchungsobjektes |
| US8224056B2 (en) | 2009-12-15 | 2012-07-17 | General Electronic Company | Method for computed tomography motion estimation and compensation |
| DE102011007529B4 (de) | 2011-04-15 | 2015-04-30 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung eines Bewegungsprofils eines sich in einem Untersuchungsobjekt bewegenden Objektes, Strahlentherapiesystem und eine Kombination aus CT-System und Strahlentherapiesystem |
| DE102011083647A1 (de) | 2011-09-28 | 2013-03-28 | Siemens Aktiengesellschaft | Verfahren, Rechensystem und CT-System zur Erzeugung eines bewegungskompensierten CT-Bilddatensatzes eines sich teilweise und zyklisch bewegenden Untersuchungsobjektes |
| WO2014147519A1 (en) * | 2013-03-20 | 2014-09-25 | Koninklijke Philips N.V. | Neurophysiological monitoring for prospective motion gating in radiological imaging |
| US10692000B2 (en) * | 2017-03-20 | 2020-06-23 | Sap Se | Training machine learning models |
| US10803984B2 (en) * | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
| US11126914B2 (en) * | 2017-10-11 | 2021-09-21 | General Electric Company | Image generation using machine learning |
| US11681001B2 (en) * | 2018-03-09 | 2023-06-20 | The Board Of Trustees Of The Leland Stanford Junior University | Deep learning method for nonstationary image artifact correction |
-
2018
- 2018-03-23 EP EP18163687.9A patent/EP3542721A1/de active Pending
-
2019
- 2019-03-15 US US16/354,498 patent/US11069096B2/en active Active
- 2019-03-22 CN CN201910222703.1A patent/CN110298447B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102236903A (zh) * | 2010-05-03 | 2011-11-09 | 西门子公司 | 通过迭代的图像重建在ct拍摄中提高时间分辨率 |
| DE102010022791A1 (de) * | 2010-06-04 | 2011-12-08 | Siemens Aktiengesellschaft | 3-D-Röntgenbildgebung von Koronargefäßen mit EKG-Gating und Bewegungskorrektur |
| CN106250986A (zh) * | 2015-06-04 | 2016-12-21 | 波音公司 | 用于机器学习的高级分析基础构架 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
Non-Patent Citations (3)
| Title |
|---|
| W RFL TOBIAS ET AL.《Deep Learning Computed Tomography》.《MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION - MICCAI 2015 : 18TH INTERNATIONAL CONFERENCE, MUNICH, GERMANY, OCTOBER 5-9, 2015》.2016, * |
| 一种改进的基于KRR的单帧图像超分辨率重建算法;史国川等;《计算机与数字工程》;20170920(第09期);全文 * |
| 基于缺陷投影的稀疏角度数据CT图像迭代重建仿真研究;陈海等;《医疗卫生装备》;20170415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11069096B2 (en) | 2021-07-20 |
| CN110298447A (zh) | 2019-10-01 |
| US20190295294A1 (en) | 2019-09-26 |
| EP3542721A1 (de) | 2019-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298447B (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
| US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
| Wolterink et al. | Generative adversarial networks for noise reduction in low-dose CT | |
| US11039805B2 (en) | Deep learning based estimation of data for use in tomographic reconstruction | |
| CN107038728B (zh) | 基于迭代重建的轮廓自动化确定 | |
| CN115605915A (zh) | 一种图像重建系统和方法 | |
| WO2019074879A1 (en) | GENERATING IMAGES USING MACHINE LEARNING | |
| CN109060849B (zh) | 一种确定辐射剂量调制线的方法、系统和装置 | |
| US8995777B2 (en) | Image registration apparatus | |
| JP2021013736A (ja) | Ｘ線診断システム、画像処理装置及びプログラム | |
| CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
| Kim et al. | Cardiac motion correction based on partial angle reconstructed images in x‐ray CT | |
| CN110349234B (zh) | 一种ct锥形束图像重建方法及其系统 | |
| Isola et al. | Fully automatic nonrigid registration‐based local motion estimation for motion‐corrected iterative cardiac CT reconstruction | |
| CN110751702A (zh) | 图像重建方法、系统、装置及存储介质 | |
| US10565744B2 (en) | Method and apparatus for processing a medical image to reduce motion artifacts | |
| AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
| JP7475979B2 (ja) | Ｘ線システム及び撮像プログラム | |
| EP4071720A1 (en) | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector | |
| CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
| KR102137765B1 (ko) | 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템 | |
| WO2023009452A1 (en) | Systems and methods to reduce unstructured and structured noise in image data | |
| EP3629294A1 (en) | Method of providing a training dataset | |
| JP7513487B2 (ja) | 情報処理方法、医用画像診断装置及び情報処理システム | |
| KR20180003400A (ko) | 의료 영상 처리 장치 및 방법 |
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 |
Effective date of registration: 20240902 Address after: German Phu F Haim Patentee after: Siemens Medical AG Country or region after: Germany Address before: Erlangen Patentee before: SIEMENS HEALTHCARE GmbH Country or region before: Germany |
|
| TR01 | Transfer of patent right |