用于从厚图像切片产生薄图像切片的系统和方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111867465A(43)申请公布日2020.10.30(21)申请号201980018799.8(74)专利代理机构北京律盟知识产权代理有限(22)申请日2019.03.12责任公司11287代理人林彦(30)优先权数据62/641,8362018.03.12US(51)Int.Cl.A61B5/055(2006.01)(85)PCT国际申请进入国家阶段日G06N3/00(2006.01)2020.09.11G06N3/02(2006.01)(86)PCT国际申请的申请数据G06N3/04(2006.01)PCT/US2019/0219032019.03.12G06T1/40(2006.01)(87)PCT国际申请的公布数据WO2019/178133EN2019.09.19(71)申请人勒维斯公司地址美国加利福尼亚州申请人小利兰斯坦福大学理事会(72)发明人方中南A·S·乔杜里李镇亨B·A·哈格里夫斯权利要求书2页说明书11页附图11页(54)发明名称用于从厚图像切片产生薄图像切片的系统和方法(57)摘要本文中公开用于从厚切片图像产生薄切片图像的系统和方法。在一些实例中，深度学习系统可从厚切片图像计算残差并且将所述残差加入到所述厚切片图像以产生薄切片图像。在一些实例中，所述深度学习系统包含神经网络。在一些实例中，所述神经网络可包含一或多个层级，其中所述层级中的一或多个包含一或多个块。在一些实例中，每一层级包含卷积块和非线性激活函数块。在一些实例中，所述神经网络的所述层级可为级联式布置。CN111867465ACN111867465A权利要求书1/2页1.一种从厚切片图像产生薄切片图像的方法，所述方法包括：在神经网络处接收具有第一分辨率的第一图像；通过所述神经网络对所述第一图像执行卷积；通过所述神经网络对所述第一图像执行非线性激活函数；重复所述卷积和非线性激活函数；基于所述卷积产生残差；和通过所述神经网络将所述残差与所述第一图像求和以产生具有第二分辨率的第二图像，其中所述第二分辨率高于所述第一分辨率。2.根据权利要求1所述的方法，其中所述执行所述卷积和执行所述非线性激活函数在所述神经网络的多个层中执行和重复，其中所述第一图像是所述多个层中的第一层的输入，所述多个层中的所述第一层的输出是所述多个层中的第二层的输入，且所述多个层中的最后一个层的输出是所述残差。3.根据权利要求1所述的方法，其另外包括在训练数据集上训练所述神经网络，其中所述训练数据集包含多个第一图像和多个第二图像。4.根据权利要求1所述的方法，其另外包括在测试数据集上测试所述神经网络，其中所述测试数据集包含多个第一图像。5.根据权利要求1所述的方法，其中执行所述卷积包含执行三维卷积。6.根据权利要求1所述的方法，其中训练所述神经网络包含将所述第一图像划分成多个像素贴片。7.根据权利要求1所述的方法，其中所述非线性激活函数包含R(x)＝max(0,x)的形式。8.根据权利要求1所述的方法，其另外包括从成像系统获取所述第一图像。9.根据权利要求8所述的方法，其中所述成像系统是磁共振成像系统。10.一种用于从厚切片图像产生薄切片图像的系统，所述系统包括：非暂时性计算机可读媒体，其包含用于实施神经网络的指令，其中所述神经网络包括包含卷积块和修正线性单元非线性激活块的层级，其中所述层级被配置成从由所述神经网络接收的具有第一分辨率的第一图像产生残差，其中所述神经网络被配置成将所述第一图像与所述残差求和以产生具有第二分辨率的第二图像，其中所述第二分辨率高于所述第一分辨率；和处理器，其被配置成执行所述指令以实施所述神经网络。11.根据权利要求10所述的系统，其另外包括被配置成显示所述第二图像的显示器。12.根据权利要求10所述的系统，其中所述卷积块将三维卷积和使用修正线性单元功能的取阈值应用于所述第一图像。13.根据权利要求10所述的系统，其中所述神经网络包含多个层级，其中所述多个层级中的第一层级的输出提供为所述多个层级中的第二层级的输入。14.根据权利要求13所述的系统，其中所述多个层级中的最后一个层级不包含所述修正线性单元非线性激活块。15.根据权利要求13所述的系统，其中所述多个层级中的最后一个层级具有小于所述多个层级中的其它层级的尺寸。16.根据权利要求10所述的系统，其中所述神经网络将所述第一图像划分成多个像素2CN111867465A权利要求书2/2页贴片。17.根据权利要求16所述的系统，其中所述多个像素贴片重叠。18.根据权利要求17所述的系统，其中所述多个像素贴片重叠50％。19.根据权利要求10所述的系统，其中所述卷积块应用补零卷积并且所述补零卷积的输出经裁切为所述输入图像的原始大小