具有经改进的定量分析的低辐射剂量计算机断层摄影灌注(CTP)的制作方法

下文总体涉及成像，并且更具体涉及具有经改进的定量分析的低辐射剂量计算机断层摄影灌注(ctp)。

背景技术：

计算机断层摄影灌注(ctp)成像是捕获通过感兴趣脉管组织(诸如血管和/或器官)的施予的造影(例如，碘)剂的传输的成像技术。通常，对于ctp成像而言，造影剂被施予给患者，并且扫描患者的包括感兴趣脉管组织的感兴趣区域。造影剂使得感兴趣脉管组织中的x射线密度随着造影剂流动通过脉管组织而暂时增加。典型的灌注扫描包括获取多个时间间隔上的相同区域的数据，覆盖例如造影剂到达、摄取和洗出。

对所获取的数据的分析能够被用于例如基于造影剂动态来确定感兴趣脉管组织的灌注状态。对于心脏应用而言，这可以包括随时间量化心肌中的造影剂分布。这样的分析可以包括针对感兴趣脉管组织的各种灌注相关的信息，诸如时间衰减曲线、血流量、血容量、平均传输时间、最大上斜率、峰值时间等。该信息能够被用于识别缺血组织和/或在不可逆损伤(或坏死)组织与潜在可逆损伤(或在危险中的)组织之间进行区分。

然而，x射线辐射是电离辐射，其能够杀死或者损伤细胞和/或增加癌症的风险。利用ctp成像，x射线已经连续打开三十秒或更多秒，其被认为是高患者x射线剂量。降低x射线剂量的一种方案是执行时间域中的稀疏扫描，其中，患者未被连续地扫描。遗憾的是，扫描之间的较大时间间隔会降低定量测量的准确度。另一方案包括执行高级迭代重建(ir)。然而，ir要求密集的计算并且增加总体重建的时间。此外，降低x射线剂量增加噪声，其降低了图像质量。

技术实现要素：

在本文中所描述的各方面解决了上文提到的问题以及其他问题。

在一个方面中，一种计算机断层摄影扫描器，包括：辐射源，其被配置为发射x射线辐射；探测器阵列，其被配置为探测x射线辐射并且生成指示所述辐射的信号；以及重建器，其被配置为重建所述信号并且生成顺序稀疏时间线灌注体积图像数据。所述计算机断层摄影扫描器还包括：处理器，其被配置为使用灌注数据增强模块的经训练的神经网络来处理所述顺序稀疏时间线灌注体积图像数据以产生顺序密集时间线灌注体积图像数据。

在另一方面中，一种计算机断层摄影扫描器，包括：辐射源，其被配置为发射x射线辐射；探测器阵列，其被配置为探测x射线辐射并且生成指示所述辐射的信号；以及重建器，其被配置为重建所述信号并且生成顺序稀疏时间线灌注体积图像数据。所述计算机断层摄影扫描器还包括：处理器，其被配置为根据训练顺序稀疏时间线灌注体积图像数据和训练顺序密集时间线灌注体积图像数据来训练神经网络以预测顺序密集时间线灌注体积数据。

在另一方面中，一种计算机可读存储介质被编码有计算机可读指令，所述计算机可读指令当由计算系统的计算机处理器运行时，使得所述计算机处理器：使用经训练的神经网络来处理顺序稀疏时间线灌注体积图像数据以产生顺序密集时间线灌注体积图像数据。

在阅读并且理解了随附描述之后，本领域普通技术人员还将认识到本申请的其他方面。

附图说明

本发明可以采取各种部件和部件布置以及各种步骤和步骤安排的形式。附图仅仅是出于图示优选实施例的目的并且不应当被解释为对本发明的限制。

图1示意性图示了包括具有用于根据顺序稀疏时间线ctp体积图像数据来预测顺序密集时间线ctp体积图像数据的神经网络的ctp数据增强模块的范例ct扫描器；

图2示意性图示了利用顺序稀疏时间线ctp体积图像数据的训练集合和顺序密集时间线ctp体积图像数据的训练集合来训练神经网络的范例；

图3示意性图示了能够如在图2中所示地训练的范例神经网络；

图4示意性图示了采用如在图2中所示地训练的图3的神经网络的ct扫描器；

图5示意性图示了以利用顺序密集时间线ctp体积图像数据的训练集合生成的ctp参数集进一步训练神经网络的范例；

图6示意性图示了能够如在图5中所示地训练的范例神经网络；

图7示意性图示了采用如在图5中所示地训练的图6的神经网络的ct扫描器；

图8图示了根据本文中的实施例的范例方法；并且

图9图示了根据本文中的实施例的范例方法。

具体实施方式

下文描述了用于具有经改进的定量分析的低辐射剂量ctp的方案。ctp成像被认为是高x射线剂量流程。x射线剂量能够例如通过执行x射线未被连续打开的时间域中的稀疏扫描来减小。然而，这降低了时间分辨率并且因此降低了定量测量的准确度。线性内插能够根据时间稀疏图像来生成时间密集图像。然而，造影剂未以恒定速度在血管中流动，并且因此，造影剂的分布可能对于时间不是线性的。因此，线性内插图像倾向于是任意的并且丢失信息。

在本文所描述的实施例中，神经网络被训练以学习血管/组织的结构、血管/组织中的空间强度分布、以及造影剂在具有不同结构和不同强度分布的血管/组织中如何流动。经训练的神经网络然后能够处理稀疏时间线ctp图像集并且利用增加的时间分辨率以及因此增加的定量测量的准确度来产生密集时间线ctp图像集。

图1示意性图示了范例计算机断层摄影(ct)扫描器102。ct扫描器102包括固定台架104和旋转台架106，旋转台架106由固定台架104可旋转地支撑并且关于纵轴或z轴110围绕检查区域108和其中的目标或对象的一部分旋转。

诸如x射线管的辐射源112由旋转台架106支撑并且围绕检查区域随着旋转台架106一起旋转。辐射源112发射x射线辐射，所述x射线辐射被准直以形成穿过检查区域108的大体扇形、楔形、或锥形x射线辐射束。

源控制器(sc)114控制辐射源112。这包括激活辐射源112以在时间序列灌注成像期间发射辐射以获取时间帧数据。这样的激活能够在成像检查期间针对辐射源112的一次或多次旋转，包括针对辐射源112的每次旋转的全部或子部分，是时间连续的或时间间歇的。

辐射敏感探测器阵列116对向与跨检查区域108的辐射源112相对的角弧。探测器阵列116包括一排或多排探测器，其沿着z轴110相对于彼此布置并且探测贯穿检查区域108的辐射。探测器阵列116生成指示探测到的辐射的投影时间(线积分)。

重建器118重建投影数据以生成体积图像数据。对于ctp流程而言，这包括重建用于顺序采集的投影数据并且生成时间序列ctp体积图像数据，如下文更详细地描述的。适合的重建算法的范例包括滤波反投影、统计、迭代、稀疏采样、和/或其他重建算法。

对象支撑体120(诸如卧榻)支撑检查区域108中的目标(例如，体模)或对象122。对象支撑体120与执行成像流程协调可移动以便相对于检查区域108引导目标或对象122以用于加载、扫描和/或卸载目标或对象122。

注射器124被配置为向在灌注扫描期间待扫描的目标或对象122注射或者施予材料(诸如一种或多种造影剂)。造影剂(例如，基于碘的)能够额外地或者备选地由临床医师等手动地施予。在造影剂被手动地施予给目标或者对象122的情况下，能够省略注射器124。

操作者控制台126包括人类可读输出设备128(诸如显示监视器、录像机等)和输入设备130(诸如键盘、鼠标等)。控制台124还包括处理器132(例如，中央处理单元(cpu)、微处理器等)和计算机可读存储介质134(其不包括瞬态介质)，诸如物理存储器。在所图示的实施例中，计算机可读存储介质134包括ctp数据增强模块136。在变型中，ctp数据增强模块136是另一计算系统的部分，其远离扫描器102并且不是扫描器102的部分。

所图示的ctp数据增强模块136包括用于根据在ctp成像扫描期间由ct扫描器102(或其他扫描器)生成的顺序稀疏时间线ctp体积图像数据来预测顺序密集时间线ctp体积图像数据的计算机可执行指令。如下文更详细地描述的，所述计算机可执行指令包括经训练的神经网络以预测顺序密集时间线ctp体积图像数据。在一个实例中，这允许执行时间间歇(稀疏)ctp扫描并且产生顺序密集时间线ctp体积图像数据，例如，好像顺序密集时间线ctp体积图像数据是由时间连续ctp(密集)成像扫描生成的。这样，当生成针对准确的ctp参数测量结果的顺序密集时间线ctp体积图像数据时，患者x射线剂量减小(相对于时间连续ctp成像扫描)。

计算机可读存储介质134还包括ctp数据分析器模块138，其包括计算机可执行指令，所述计算机可执行指令用于处理由ctp数据增强模块136产生的顺序密集时间线ctp体积图像数据以确定一个或多个ctp参数，诸如时间衰减曲线、血流量、血容量、平均传输时间、最大上斜率、峰值时间、和/或(一个或多个)其他灌注参数。在变型中，ctp数据增强模块136的神经网络利用根据训练顺序密集时间线ctp体积图像数据生成的一个或多个训练ctp参数来进一步训练以还根据预测的顺序密集时间线ctp体积图像数据来预测这些ctp参数中的一个或多个。在该变型中，能够省略ctp数据分析器模块138。

图2示意性图示了利用顺序稀疏时间线ctp体积图像数据的训练集合和顺序密集时间线ctp体积图像数据的训练集合来训练神经网络202的范例。在一个实例中，从相同的密集时间线ctp扫描获得训练稀疏和密集体积图像。例如，顺序稀疏时间线ctp体积图像数据的训练集合能够从顺序密集时间线ctp体积图像数据的训练集合导出，例如，作为其子集(例如，在时间方面每隔另一集合等)。备选地，通过分离的ctp成像扫描获得训练稀疏和密集ctp体积图像数据。

神经网络202的输出是利用目标函数204来评价的。在该范例中，目标函数204包括例如基于顺序稀疏时间线ctp体积图像数据的训练集合与顺序密集时间线ctp体积图像数据的训练集合之间的均方差和/或以其他方式使其之间的误差最小化的数学函数。神经网络的可训练的参数被更新并且通过迭代次数收敛。在该范例中，参数被更新直到误差落到预定阈值之下。其他停止准则包括预定迭代次数、预定持续时间等。

在一个实例中，目标函数202被实施为成本函数l(w)，例如，如在等式1中所示的：

等式1：

其中，si是第j个训练稀疏时间线ctp体积图像数据的集合，di是第j个训练密集时间线ctp体积图像数据的集合，并且t表示利用可训练的参数w的变换。正则化项朝向小参数w驱动等式，λ2表示超参数，并且k表示神经网络层。

图3示意性图示了针对图2的适合的神经网络202的范例。所述输入包括顺序稀疏时间线ctp体积图像数据(稀疏数据)，并且所述输出包括顺序密集时间线ctp体积图像数据(密集数据)。

在该范例中，神经网络202是具有3-d卷积层302、整流线性单元304和批标准化306的三维(3-d)卷积神经网络，以及n(其中，n是等于或大于一的整数)个3-d卷积层/整流线性单元/批标准化中间层3081、...、308n的集合。在一个实例中，在每个卷积层中所使用的卷积内核是3-d内核。适合的大小内核的范例包括3×3×3、5×5×5、7×7×7、和/或其他大小的内核。能够调谐层数、内核大小、信道数、学习速率等。

通常，卷积层中的每个卷积层包括将卷积运算应用到输入的卷积神经元。在一个实例中，这包括对跨每个体积的宽度和高度的内核集进行卷积，计算滤波器的条目与体积之间的点积。整流线性单元中的每个将非线性激活函数应用到其输入，其增加总体网络的非线性性质。批标准化在输出由整流线性单元处理之前将3-d卷积层的输出标准化。这降低了内部协变量移动，其会导致较高学习速率的使用。

卷积网络的范例在gouk等人在ivnvz‘14proceedingsofthe29thinternationalconferenceonimageandvisioncomputingnewzealand、第114-118页、2014年11月19-21日上的“fastslidingwindowclassificationwithconvolutionalneuralnetworks”、在proceedingsoftheieeeconferenceoncomputervisionandpatternrecognition，2015上的“fullyconvolutionalnetworksforsemanticsegmentation”，以及ronneberger等人在medicalimagecomputingandcomputer-assistedintervention(miccai)，springer，lncs，第9351卷:234—241，2015上的“u-net:convolutionnetworksforbiomedicalimagesegmentation”中进一步描述。

图4示意性图示了其中ctp数据增强模块136包括图2中训练的图3的神经网络202的实施例。经训练的神经网络202接收由ct扫描器102(或其他扫描器)生成的顺序稀疏时间线ctp体积图像数据并且输出顺序密集时间线ctp体积图像数据。ctp数据分析器模块138处理该输出并且生成一个或多个ctp参数，诸如时间衰减曲线、血流量、血容量、平均传输时间、最大上斜率、峰值时间、和/或(一个或多个)其他灌注参数。

图5示意性图示了其中神经网络202利用根据训练顺序密集时间线ctp体积图像数据生成的训练灌注参数来进一步训练的图2的变型。在该实例中，目标函数204被实施为成本函数l(w,w1)，诸如等式2中所示的成本函数：

等式2：

其中，t1表示与可训练的参数w和灌注参数nn可训练的参数w1的变换，并且bfm表示根据密集时间线ctp体积图像数据生成的训练灌注参数。在该范例中，神经网络202被训练以与尽可能接近于根据真实密集时间线ctp体积图像数据计算的真实灌注参数的灌注参数并行地预测尽可能接近于真实密集时间线ctp体积图像数据的密集时间线ctp体积图像数据。

图6示意性图示了针对在图5中所示的配置的神经网络202的适合的神经网络的范例。在该范例中，神经网络202还包括ctp参数层602。ctp参数602并行地接收输出顺序密集时间线ctp体积图像数据并且从其生成一个或多个ctp参数。

图7示意性图示了ctp数据增强模块136包括在图5中训练的图6的神经网络202的实施例。经训练的神经网络202接收由ct扫描器102(或其他扫描器)生成的顺序稀疏时间线ctp体积图像数据并且输出顺序密集时间线ctp体积图像数据和一个或多个ctp参数两者。

图8图示了根据在图2-4中所描述的实施例的范例方法。

将意识到，方法中的动作的排序是非限制性的。如此，在本文中设想到了其他排序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外动作。

在802处，接收训练稀疏灌注图像集，如在本文中所描述的和/或以其他方式。

在804处，接收训练密集灌注图像集，如在本文所中描述的和/或以其他方式。

在806处，训练稀疏灌注图像集合和/或训练密集灌注图像集被用于训练神经网络，如在本文中所描述的和/或以其他方式。

在808处，接收稀疏灌注图像，如在本文中所描述的和/或以其他方式。

在810处，所述稀疏灌注图像利用经训练的神经网络来处理以产生密集灌注图像。

在812处，所述密集灌注图像被处理以生成ctp参数。

图9图示了根据图5-7中所描述的实施例的范例方法。

将意识到，方法中的动作的排序是非限制性的。这样，在本文中设想到了其他排序。另外，可以省略一个或多个动作和/或可以包括一个或多个额外动作。

在902处，接收训练稀疏灌注图像集，如在本文中所描述的和/或以其他方式。

在904处，接收训练密集灌注图像集以及从其生成的ctp参数集，如在本文中所描述的和/或以其他方式。

在906处，训练稀疏灌注图像集、训练密集灌注图像集、和ctp参数集被用于训练神经网络，如在本文中所描述的和/或以其他方式。

在908处，接收稀疏灌注图像，如在本文中所描述的和/或以其他方式。

在910处，所述稀疏灌注图像利用经训练的神经网络来处理以从其产生密集灌注图像和ctp参数。

以上可以通过被编码或嵌入在计算机可读存储介质上的计算机可读指令来实施，其当由(一个或多个)处理器运行时，使得(一个或多个)处理器执行所描述的动作。额外地或者备选地，计算机可读指令中的至少一条指令由信号、载波或其他瞬态介质来承载，其不是计算机可读存储介质。

尽管已经在附图和前述描述中详细图示和描述本发明，但是这样的图示和描述将被认为是说明性或示范性而非限制性的；本发明并不限于所公开的实施例。通过研究附图、说明书和随附的权利要求书，本领域技术人员在实践所主张的本发明时可以理解和实现所公开的实施例的其他变型。

在权利要求中，词语“包括”不排除其他元件或者步骤，并且量词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。

计算机程序可以被存储/被分布在适合的介质(诸如连同其他硬件一起或作为其一部分供应的光学存储介质或固态介质)，而且可以以其他形式分布(诸如经由因特网或其他有线或无线电信系统)。权利要求中的任何附图标记不应当被解释为对范围的限制。