用于医学成像的顺序分布外检测的制作方法 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及医学成像，特别涉及使用机器学习进行图像重建或增强的医学成像技术。背景技术：2.能够使用各种不同的技术来生成描述对象的解剖结构的医学图像。常见的成像模态包括磁共振成像、计算机断层摄影、正电子发射断层摄影、超声等。可以使用人工智能技术进行诸如图像重建、移除伪影、去噪和其他图像处理任务之类的任务。3.国际专利申请wo 2020025696 a1公开了一种生成患者的组织的增强图像的方法，其中，每幅增强图像将至少一个组织参数与组织图像的区域或像素相关联，所述方法包括以下步骤：获得所述组织的一幅或多幅多光谱图像，并且应用基于机器学习的回归器或分类器，或者应用用于确定关于多光谱图像或所述多光谱图像的部分与给定训练数据集的接近度的信息的分布外(ood)检测算法，或者将改变检测算法应用于所述一幅或多幅多光谱图像的至少部分或从所述多光谱图像导出的图像，或者将改变检测算法应用于多光谱图像的时间序列、多幅图像的部分或从多幅图像导出的图像，从而导出与对应的多光谱图像的图像区域或像素相关联的一个或多个组织参数。技术实现要素：4.本发明在独立权利要求中提供了医学系统、计算机程序和方法。在从属权利要求中给出了实施例。5.如上面所提到的，可以使用人工智能进行图像重建以及图像处理和增强。将这些技术应用于医学成像的特殊困难是：如果输入到可训练机器学习模块中的数据在训练数据分布之外，那么使用可训练机器学习模块产生的重建医学图像可能是不正确的。所得到的重建医学图像可能看起来像正确的医学图像，但它并不是正确的。6.已经开发了各种技术来检测输入到可训练机器学习模块的数据是否已被开发。这些技术的一个问题是它们通常不能广泛应用，只能在有限的环境下工作。也就是说，它们本身可能给出不可靠的结果。7.实施例可以提供更好的手段来检测输入到可训练机器学习模块中的所述测量的医学图像数据是否会产生正确的结果。实施例可以通过使用不同软件模块的层次或序列来实现这一点，每个软件模块被配置为检测以不同量超出训练数据分布的数据。在一个示例中，顺序使用分布外估计模块和分布内准确度估计模块。在另一示例中，额外使用了异常检测模块。8.在一个方面，本发明提供了一种医学系统，所述医学系统包括存储机器可执行指令的存储器。所述存储器还存储可训练机器学习模块，所述可训练机器学习模块是使用描述训练分布的训练数据来训练的，并且所述存储器被配置为响应于接收到测量的医学图像数据作为输入而输出重建的医学图像。训练数据分布是可训练机器学习模块被理想地配置用于重建图像的数据分布。训练数据是旨在表示完整训练数据分布的子样本或部分。在不同的示例中，测量的医学图像数据可以采取不同的形式。在一个示例中，测量的医学图像数据可以在图像空间中。在其他示例中，测量的医学图像数据也可以是由医学成像系统做出的测量结果(例如，磁共振成像系统的原始数据或计算机断层摄影系统的吸收线)。在其他示例中，测量的医学图像数据可以包括医学成像系统的这些测量结果以及图像空间中的图像。9.所述存储器还存储分布外估计模块，所述分布外估计模块已经被配置或训练用于响应于接收到所述测量的医学图像数据而输出分布外评分。如本文所使用的分布外估计模块涵盖用于检测数据是否在训练数据分布内的软件模块。所述分布外评分描述所述测量的医学图像在所述训练数据分布内的概率。所述存储器还存储分布内准确度估计模块，所述分布内准确度估计模块被配置用于输出分布内准确度评分，所述分布内准确度评分描述所述重建的医学图像为准确的概率。例如，当可训练机器学习模块重建所述重建的医学图像时，存在所述重建的医学图像为不正确的概率。分布内准确度评分例如可以是估计所述重建的医学图像是否已经被正确重建的概率。10.所述医学系统还包括计算系统。在不同的示例中，计算系统可以采取不同的形式。在一个示例中，计算系统可以是工作站或运算系统，这样的工作站或运算系统将被放射科医师或其他医学专业人员用来检查放射图像或其他医学图像。在其他示例中，计算系统可以是用于远程重建所述重建的医学图像的远程或基于云的系统。在其他示例中，计算系统可以例如是计算机或用于控制医学成像系统的操作和功能的其他控件或系统。例如，计算系统可以是被集成到磁共振成像系统、计算机断层摄影系统、超声系统或其他医学成像系统中的控制台。11.对所述机器可执行指令的运行使所述计算系统接收所述测量的医学图像数据。接收到所述测量的医学图像数据可以例如是：从诸如硬盘驱动器或其他单元之类的存储装置中检索到所述测量的医学图像数据，或者经由网络连接检索到所述测量的医学图像数据。在其他示例中，接收到所述测量的医学图像数据可以包括控制医学成像系统以采集所述测量的医学图像数据。12.对所述机器可执行指令的运行还使所述计算系统以通过序列确定的顺序连续地确定所述分布外评分和所述分布内准确度评分。所述分布外评分是通过将所述测量的医学图像数据输入到所述分布外估计模块中来确定的。所述分布内准确度评分是通过将所述测量的医学图像数据输入到所述分布内准确度估计模块中来确定的。该序列用于确定对分布外评分和分布内准确度评分的确定顺序。例如，如果在可训练机器学习模块对这两者中的一项可能给出错误的情况下，那么在执行分布外评分和分布内准确度评分中的另一项之前，能够截断或中止该操作。13.对所述机器可执行指令的运行还使所述计算系统：在对所述序列的运行期间，使用所述分布外评分和/或所述分布内准确度评分来检测对所述测量的医学图像数据的拒绝。对所述机器可执行指令的运行还使所述计算系统：如果检测到对所述测量的医学图像数据的所述拒绝，那么提供警告信号。在不同的示例中，该警告信号可以采取不同的形式。在一个示例中，警告信号可以仅仅是被呈现给操作者的信号。在计算系统正在控制医学成像系统的情况下，警告信号可以例如用于使医学成像系统重新采集数据和/或取消采集操作。在其他示例中，警告信号可以被日志记录或附加到图像的元数据。14.在不同的示例中，可训练机器学习模块可以采取不同的形式。在一个示例中，可训练机器学习模块可以是图像处理神经网络。在这种情况下，图像处理神经网络可以接收测量的医学图像数据，然后响应于此而输出重建的医学图像。例如可以执行各种图像处理任务。对于医学成像系统来说常见的图像处理神经网络的特定示例是所谓的u-net神经网络。在其他示例中，可训练机器学习模块可以是svm或支持向量机。在其他示例中，可训练机器学习模块可以是混合型模型，其中，一个或多个神经网络用于使用测量的医学图像数据作为输入来执行图像重建。15.在一个示例中，图像数据在图像空间中。可训练机器学习模块然后执行图像处理或过滤任务。在其他示例中，测量的医学图像数据是从由医学成像系统做出的测量结果测量的数据或来自由医学成像系统做出的测量结果的原始数据。针对磁共振成像系统的特定示例将是：测量的医学图像数据是k空间数据和/或根据该k空间数据重建的图像。16.在另一实施例中，测量的医学图像数据是可用的医学图像数据的部分。例如，测量的医学图像数据可以是从不同的医学图像或数据集的感兴趣区域中选择的图像数据。17.在另一实施例中，对所述机器可执行指令的运行还使所述计算系统通过在所述序列完成之后将所述测量的医学图像数据至少部分地输入到所述可训练机器学习模块中来提供所述重建的医学图像。这个示例可以是有益的，因为它提供了在执行对重建的医学图像的重建之前评价测量的医学图像数据的质量的手段。可训练机器学习模块可以被实施为完整的学习模块(例如，svm或神经网络)，或者可训练机器学习模块可以被包括而作为混合型系统的部分。这方面的具体示例是在压缩感测图像重建中使用可训练机器学习模块的情况。神经网络可以用于例如以迭代方式重建图像和/或用于数据一致性例程。18.在另一实施例中，所述存储器还存储异常检测估计模块，所述异常检测估计模块被配置用于响应于接收到所述测量的医学图像数据而输出异常估计评分。如在本文中所使用的异常检测估计模块是被配置用于检测输入到其中的数据与训练数据的集合相比是否为异常的软件模块。所述异常估计评分描述所述测量的医学图像与所述训练数据分布相比为异常的概率。对所述机器可执行指令的运行还使所述计算系统以通过所述序列确定的所述顺序利用所述分布外评分和所述分布内准确度评分来连续地确定所述异常估计评分。19.所述异常估计评分是通过将所述测量的医学图像数据输入到所述异常检测估计模块中来确定的。对所述机器可执行指令的运行还使所述计算系统在对所述序列的运行期间使用所述异常估计评分来检测对所述测量的医学图像数据的拒绝。该实施例可以是有益的，因为它可以提供检测可训练机器学习模块是否会响应于输入测量的医学图像数据而输出正确的重建医学图像的附加手段。20.在另一实施例中，所述序列是预定的。该实施例可以是有益的，因为可以提前知道不同软件模块的计算要求。例如能够将不同软件模块选择为使得它们减少计算系统的计算负担并确定测量的医学图像数据是否会产生正确图像。21.在另一实施例中，优选地，在将所述测量的医学图像数据输入到所述分布外估计模块中之前，将所述测量的医学图像数据输入到所述异常检测估计模块中。该实施例是有益的，因为异常检测估计模块可能比分布内准确度估计模块要求更少的计算资源。22.在另一实施例中，在将所述测量的医学图像数据输入到所述分布内准确度估计模块中之前，将所述测量的医学图像数据输入到所述分布外估计模块中。该实施例也可以是有益的，因为分布外准确度估计模块在计算上可能比使用分布内准确度估计模块更容易。23.在另一实施例中，所述异常检测估计模块包括利用来自所述训练数据分布的样本训练的自动编码器。所述异常估计评分被提供为所述自动编码器的输入和输出之间的差异的度量。自动编码器通常被训练为：接收图像或其他数据作为输入，然后重新输出通常已经移除了噪声的相同数据。如果自动编码器没有经过适当的训练(例如，自动编码器没有被训练为检测某些异常)，那么自动编码器将输出坏的数据。例如，能够比较自动编码器的输入和输出，并且能够测量自动编码器的输入和输出的相似度。如果它们相差超过预定量，那么这能够用于检测异常。24.在另一实施例中，所述异常检测估计模块是使用预定特征配置的基于密度的算法。25.在另一实施例中，所述存储器还包含图像分类器神经网络，所述图像分类器神经网络被训练为响应于接收到所述测量的医学图像数据作为输入而确定所述序列。对所述机器可执行指令的运行还使所述计算系统：通过将所述测量的医学图像输入到所述图像分类器神经网络中来确定所述序列。例如，图像分类器神经网络可以被训练为识别某些类型的伪影或异常图像伪影。然后，能够使用图像分类器神经网络来大大缩短回路或者选择计算效率最高的方式来确定测量的医学图像数据是否会产生好的结果。26.在另一实施例中，所述医学系统还包括医学成像系统。对所述机器可执行指令的运行还使所述处理器控制所述医学成像系统以采集所述测量的医学图像数据。27.在另一实施例中，所述医学成像系统是磁共振成像系统。28.在另一实施例中，所述医学成像系统是计算机断层摄影系统。29.在另一实施例中，所述医学成像系统是正电子发射断层摄影系统。30.在另一实施例中，所述医学成像系统是单光子发射断层摄影系统。31.在另一实施例中，所述医学成像系统是超声系统。32.在另一实施例中，所述医学成像系统是x射线系统。33.在另一实施例中，所述医学成像系统是数字荧光镜系统。34.在另一实施例中，测量的医学图像数据是欠采样的磁共振图像。重建的医学图像是对完全采样的磁共振图像的模拟结果。最近已经使用例如神经网络来根据欠采样的磁共振图像数据重建或创建磁共振图像。这样做的风险是神经网络可能重建出看起来不像实际图像的图像。该实施例可以是有益的，因为在执行重建之前能够拒绝测量的医学图像数据。35.在另一实施例中，所述警告信号引起重新采集所述测量的医学图像数据。36.在另一实施例中，所述警告信号引起在显示器上显示所述警告信号。37.在另一实施例中，所述警告信号引起将描述所述警告信号和/或所述测量的医学图像数据的元数据附加到所述重建的医学图像。例如，重建的医学图像可以被包含在诸如dicom之类的封装数据格式中。描述警告信号的元数据可以例如被插入到dicom文件中。38.在另一实施例中，所述警告信号引起中止当前的重建算法并选择替代的重建算法来重建所述重建的医学图像。这方面的具体示例将是sense重建。神经网络能够用于sense重建。如果检测到存在警告信号，那么使用常规的sense重建算法可以是有利的。39.在另一实施例中，所述测量的医学图像数据被格式化在图像空间中。所述可训练机器学习模块被格式化为图像处理模块。特定示例将是被训练为执行图像处理的神经网络。一般而言，可训练机器学习模块可以例如被配置为从测量的医学图像数据中执行去噪、后处理成像增强和/或图像伪影移除。40.在另一实施例中，所述测量的医学图像数据包括医学成像系统测量结果。这些医学成像系统测量结果例如是在扫描对象期间由医学成像系统获取的实际测量结果。例如，在磁共振成像的情况下，这将是k空间数据。41.在另一实施例中，所述测量的医学图像数据包括医学成像系统测量结果和图像空间数据。例如，可训练机器学习模块可以被格式化为从医学成像系统和在图像空间中的数据中获取实际测量结果。这方面的另一示例是对sense图像的重建。在这种技术中，对数据进行欠采样，并且对图像进行重复重现。在重建图像之后，存在数据一致性步骤，其中，将图像与医学成像系统测量结果进行比较。可以为图像的每次迭代的图像重建专门训练神经网络。在另一示例中，可以使用第二神经网络执行数据一致性步骤。在这个另外的示例中，将来自先前迭代的图像以及医学成像系统测量结果输入到第二神经网络中。42.具体示例将是可训练机器学习模块，该可训练机器学习模块接收要通过去噪、计算机超分辨率、运动校正或其组合来增强的医学图像，该医学图像。另一示例将是从医学系统接收原始数据并计算医学图像或医学图像重建的可训练机器学习模块。43.另一示例将是接收要增强的医学图像的可训练机器学习模块，并且使用最初的原始数据或医学成像系统测量结果来生成这样的图像。结果能够是去噪图像、超分辨率版本、运动校正图像或其组合。原始数据通过补偿与最初采集的参考数据的偏差来支持增强流程。这在某种程度上类似于sense重建。44.对于上述示例，模型可以计算或包括将原始数据变换成医学图像的一系列计算层。可以学习计算层，例如，具有学习的过滤器包的卷积或者诸如快速傅立叶变换之类的传统计算。能够通过将操作链接到对运行进行建模的有向非循环图中或者通过将操作作为命令式程序而运行来运行该模型。45.在另一实施例中，所述分布外估计模块是通过计算若干经训练的神经网络的输出并计算其预测结果的方差来实施的。如果所述方差高于给定阈值，那么拒绝所述测量的医学图像数据。46.在另一实施例中，所述分布外估计模块被实施为基于密度的拒绝算法，所述基于密度的拒绝算法基于预定特征来执行分布外估计。47.在另一实施例中，所述分布外估计模块被实施为对隐藏层神经激活的统计表征。例如，可训练机器学习模块能够被实施为神经网络。能够针对训练数据来监测单个隐藏层或多个隐藏层或这些隐藏层的部分的内容。然后能够开发出隐藏层的这些选定部分对训练分布的响应的统计表征。当将测量的医学成像数据输入到该神经网络中时，能够将隐藏层激活的值与该统计表征进行比较。如果它们在特定范围之外，那么能够拒绝测量的医学图像数据。48.在另一实施例中，所述可训练机器学习模块被配置为使用不同的随机初始化来输出重建的医学图像的多个版本。例如，机器学习模块可以被配置为神经网络。能够使用相同的训练数据，但是能够在训练神经网络时修改对神经网络的初始化。这意味着当数据在训练分布内时，将会预计到神经网络的输出是一致的。然而，如果测量的医学成像数据在训练分布之外，那么将会预计到来自不同随机初始化的结果将指示它在分布之外。所述分布内准确度评分是使用所述多个版本之间的统计比较来确定的。49.在另一方面，本发明提供了一种计算机程序，所述计算机程序包括用于供控制医学系统的计算系统运行的机器可执行指令。所述计算机程序还包括可训练机器学习模块，所述可训练机器学习模块是使用描述训练数据分布的训练数据来训练的，以响应于接收到测量的医学图像数据作为输入而输出重建的医学图像。所述计算机程序还包括分布外估计模块，所述分布外估计模块被配置用于响应于接收到所述测量的医学图像数据而输出分布外评分。所述分布外评分描述所述测量的医学图像在所述训练数据分布内的概率。所述计算机程序还包括分布内准确度估计模块，所述分布内准确度估计模块被配置用于输出分布内准确度评分，所述分布内准确度评分描述所述重建的医学图像为准确的概率。50.对所述机器可执行指令的运行使所述计算系统接收所述测量的医学图像数据。对所述机器可执行指令的运行还使所述计算系统以通过序列确定的顺序连续地确定所述分布外评分和所述分布内准确度评分。所述分布外评分是通过将所述测量的医学图像数据输入到所述分布外估计模块中来确定的。所述分布内准确度评分是通过将所述测量的医学图像数据输入到所述分布内准确度估计模块中来确定的。51.对所述机器可执行指令的运行还使所述计算系统：在对所述序列的运行期间，使用所述分布外评分和/或所述分布内准确度评分来检测对所述测量的医学图像数据的拒绝。对所述机器可执行指令的运行还使所述计算系统：如果检测到对所述测量的医学图像数据的所述拒绝，那么提供警告信号。52.在另一方面，本发明提供了一种使用可训练机器学习模块、分布外估计模块和分布内准确度估计模块进行医学成像的方法。所述可训练机器学习模块是使用描述训练数据分布的训练数据来训练的，并且所述可训练机器学习模块被配置为响应于接收到测量的医学图像数据作为输入而输出重建的医学图像。所述分布外估计模块被配置用于响应于接收到所述测量的医学图像数据而输出分布外评分。所述分布外评分描述所述测量的医学图像在所述训练数据分布内的概率。所述分布内准确度估计模块被配置用于输出分布内准确度评分，所述分布内准确度评分描述所述重建的医学图像为准确的概率。53.所述方法包括接收所述测量的医学图像数据。所述方法还包括以通过序列确定的顺序连续地确定分布外评分和分布内准确度评分。所述分布外评分是通过将所述测量的医学图像数据输入到所述分布外估计模块中来确定的。所述分布内准确度评分是通过将所述测量的医学图像数据输入到所述分布内准确度估计模块中来确定的。所述方法还包括：在对所述序列的运行期间，使用所述分布外评分和/或所述分布内准确度评分来检测对所述测量的医学图像数据的拒绝。所述方法还包括：如果检测到对所述测量的医学图像数据的所述拒绝，那么提供警告信号。54.应当理解，可以组合本发明的前述实施例中的一个或多个实施例，只要所组合的实施例并不相互排斥即可。55.本领域的技术人员将意识到，本发明的各方面可以被实施为装置、方法或计算机程序产品。因此，本发明的各方面可以采用以下形式：完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或在本文中全部被通称为“电路”、“模块”或“系统”的组合了软件方面和硬件方面的实施例。此外，本发明的各方面可以采用被实施在一个或多个计算机可读介质中的计算机程序产品的形式，所述一个或多个计算机可读介质具有被实施在其上的计算机可执行代码。56.可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。本文使用的“计算机可读存储介质”涵盖可以存储能由计算设备的处理器或计算系统运行的指令的任何有形存储介质。计算机可读存储介质可以被称为计算机可读非瞬态存储介质。计算机可读存储介质还可以被称为有形计算机可读介质。在一些实施例中，计算机可读存储介质还能够存储能够由计算设备的计算系统访问的数据。计算机可读存储介质的示例包括但不限于：软盘、磁性硬盘驱动器、固态硬盘、闪速存储器、usb拇指驱动器、随机存取存储器(ram)、只读存储器(rom)、光盘、磁光盘以及计算系统的寄存器文件。光盘的示例包括压缩盘(cd)和数字多用盘(dvd)，例如，cd-rom、cd-rw、cd-r、dvd-rom、dvd-rw或dvd-r盘。术语“计算机可读存储介质”还指能够由计算机设备经由网络或通信链路进行存取的各种类型的记录介质。例如，可以在调制解调器上、在互联网上或在局域网上检索数据。可以使用任何适当的介质来传输在计算机可读介质上实施的计算机可执行代码，所述任何适当的介质包括但不限于：无线、有线、光纤缆线、rf等，或前项的任何合适组合。57.计算机可读信号介质可以包括例如在基带中或作为载波的部分的、在其中实施计算机可执行代码的传播的数据信号。这样的经传播的信号可以采用各种形式中的任何形式，包括但不限于：电磁、光学或其任何合适的组合。计算机可读信号介质可以是这样的任何计算机可读介质：所述计算机可读介质不是计算机可读存储介质并且能够传递、传播或传输用于由指令执行系统、装置或设备使用的程序或与指令执行系统、装置或设备结合使用的程序。[0058]“计算机存储器”或“存储器”是计算机可读存储介质的示例。计算机存储器是能由计算系统直接访问的任何存储器。“计算机存储设备”或“存储设备”是计算机可读存储介质的另外的示例。计算机存储设备是任何非易失性计算机可读存储介质。在一些实施例中，计算机存储设备也可以是计算机存储器，或者反之亦然。[0059]本文使用的“计算系统”涵盖能够运行程序或机器可执行指令或计算机可执行代码的电子部件。对包括“计算系统”的示例的计算系统的引用应被解读为可能包含一个以上的计算系统或处理核。计算系统例如可以是多核处理器。计算系统也可以指在单个计算机系统之内的或被分布在多个计算机系统之间的计算系统的集合。术语“计算系统”也应被解读为可能指多个计算设备的集合或网络，所述多个计算设备中的每个均包括处理器或计算系统。机器可执行代码或指令可以由可以在相同的计算设备之内或者甚至可以被分布在多个计算设备上的多个计算系统或处理器来运行。[0060]机器可执行指令或计算机可执行代码可以包括令处理器或其他计算系统执行本发明的一方面的指令或程序。用于执行针对本发明的各方面的操作的计算机可执行代码可以被写成一种或多种编程语言的任何组合，包括面向对象的编程语言(例如，java、smalltalk、c++等)和常规程序编程语言(例如，“c”编程语言或类似的编程语言)，并且被编译成机器可执行指令。在一些实例中，计算机可执行代码可以是高级语言的形式或是预编译的形式，并且可以与解读器联合使用，所述解读器在运行中生成机器可执行指令。在其他实例中，机器可执行指令或计算机可执行代码可以是用于可编程逻辑门阵列的编程形式。[0061]计算机可执行代码可以完全在用户的计算机上、部分在用户的计算机上、作为独立软件包、部分在用户的计算机上并且部分在远程计算机上，或者完全在远程计算机或服务器上执行。在后一种场景中，远程计算机可以通过任何类型的网络连接到用户的计算机，所述网络包括局域网(lan)或广域网(wan)，或者可以连接到外部计算机(例如，通过使用互联网服务提供商的互联网)的连接。[0062]参考根据本发明的实施例的流程图图示和/或方法、装置(系统)以及计算机程序产品的框图描述了本发明的各方面。应当理解，在适当时能够由计算机可执行代码形式的计算机程序指令来实施流程图、图示和/或框图的框的每个框或部分。还应当理解，当互不排斥时，可以对不同的流程图、图示和/或框图中的框进行组合。可以将这些计算机程序指令提供给通用计算机、专用计算机或其它可编程数据处理装置的计算系统以产生机器，使得经由计算机或其它可编程数据处理装置的计算系统运行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的单元。[0063]这些机器可执行指令或计算机程序指令也可以被存储在计算机可读介质中，所述计算机可读介质能够指导计算机、其他可编程数据处理装置或其他设备来以特定方式起作用，使得被存储在计算机可读介质中的指令产生制造品，所述制造品包括实施在流程图和/或一个或多个框图框中指定的功能/动作的指令。[0064]机器可执行指令或计算机程序指令也可以被加载到计算机、其他可编程数据处理装置或其他设备上，以引起要在计算机、其他可编程装置或其他设备上执行的一系列操作步骤，从而产生计算机实施的过程，使得在计算机或其他可编程装置上运行的指令提供用于实施在流程图和/或一个或多个框图框中指定的功能/动作的过程。[0065]本文使用的“用户接口”是允许用户或操作者与计算机或计算机系统交互的接口。“用户接口”还可以被称为“人机接口设备”。用户接口可以向操作者提供信息或数据和/或从操作者接收信息或数据。用户接口可以使得来自操作者的输入能够被所述计算机接收，并且可以从计算机向用户提供输出。换言之，用户接口可以允许操作者控制或操纵计算机，并且接口可以允许计算机指示操作者的控制或操纵的效果。在显示器或图形用户接口上显示数据或信息是向操作者提供信息的示例。通过键盘、鼠标、跟踪球、触控板、指点杆、图形输入板、操纵杆、游戏手柄、网络摄像头、头戴式设备、脚踏板、有线手套、遥控器以及加速度计来接收数据是使得能够从操作者接收信息或数据的用户接口部件的全部示例。[0066]本文使用的“硬件接口”涵盖使得计算机系统的计算系统能够与外部计算设备和/或装置交互和/或控制外部计算设备和/或装置的接口。硬件接口可以允许计算系统向外部计算设备和/或装置发送控制信号或指令。硬件接口还可以使得计算系统能够与外部计算设备和/或装置交换数据。硬件接口的示例包括但不限于：通用串行总线、ieee 1394端口、并行端口、ieee 1284端口、串行端口、rs-232端口、ieee-488端口、蓝牙连接、无线局域网连接、tcp/ip连接、以太网连接、控制电压接口、midi接口、模拟输入接口以及数字输入接口。[0067]本文使用的“显示器”或“显示设备”涵盖适于显示图像或数据的输出设备或用户接口。显示器可以输出视觉、听觉和/或触觉的数据。显示器的示例包括，但不限于：计算机监测、电视屏幕、触摸屏、触觉电子显示器、盲文屏幕、阴极射线管(crt)、存储管、双稳显示器、电子纸、矢量显示器、平板显示器、真空荧光显示器(vf)、发光二极管(led)显示器、电致发光显示器(eld)、等离子显示面板(pdp)、液晶显示器(lcd)、有机发光二极管显示器(oled)、投影仪以及头戴式显示器。[0068]医学成像系统测量结果在本文中被定义为由描述对象的医学成像系统记录的测量结果。医学成像系统测量结果可以被重建成医学图像。医学图像在本文中被定义为被包含在医学成像数据内的解剖数据的所重建的二维或三维可视化。这种可视化能够使用计算机来执行。[0069]k空间数据在本文中被定义为是在磁共振成像扫描期间使用磁共振装置的天线记录的对通过原子自旋发射的射频信号的测量结果。磁共振数据是医学成像系统测量结果的示例。[0070]磁共振成像(mri)图像或mr图像在本文中被定义为是对在磁共振成像数据内包含的解剖数据重建的二维可视化或三维可视化。能够使用计算机来执行这种可视化。附图说明[0071]在下文中，将参考附图并且仅通过示例的方式描述本发明的优选实施例，在附图中：[0072]图1图示了医学系统的示例；[0073]图2示出了图示使用图1或图3的医学系统的方法的流程图；[0074]图3图示了医学系统的另外的示例；[0075]图4图示了医学系统的另外的示例；[0076]图5示出了图示使用图4的医学系统的方法的流程图；[0077]图6示出了描述训练数据分布的图示；[0078]图7图示了对于不同类别的输入数据的不同的分布外检测手段的相对有效性；[0079]图8示出了图示方法的流程图；[0080]图9示出了图示另一方法的流程图；[0081]图10图示了特征图的平均激活的两个示例；并且[0082]图11图示了使用分布内神经元激活的分布外检测。[0083]附图标记列表[0084]100 医学系统[0085]102 计算机[0086]104 计算系统[0087]106 任选的硬件接口[0088]108 任选的用户接口[0089]110 存储器[0090]112 图形用户接口[0091]120 机器可执行指令[0092]122 可训练机器学习模块[0093]124 分布外估计模块[0094]126 分布内准确度估计模块[0095]128 测量的医学图像数据[0096]130 分布外评分[0097]132 分布内准确度评分[0098]134 警告信号[0099]136 重建的医学图像[0100]140 警告[0101]200接收测量的医学图像数据[0102]202以通过序列确定的顺序连续地确定分布外评分、分布内准确度评分以及任选的异常估计评分[0103]204在对序列的运行期间，使用分布外评分和/或分布内准确度评分和/或异常估计评分来检测对测量的医学图像数据的拒绝[0104]206如果检测到对测量的医学图像数据的拒绝，那么提供警告信号208通过在序列完成之后将测量的医学图像数据至少部分地输入到可训练机器学习模块中来提供重建的医学图像[0105]300 医学系统[0106]320 异常检测估计模块[0107]322 异常估计评分[0108]400 医学系统[0109]402 医学成像系统[0110]404 成像区[0111]406 对象[0112]408 对象支撑物[0113]420 医学成像系统测量结果[0114]500控制医学成像系统以采集测量的医学图像数据[0115]600 训练数据分布[0116]800 异常估计[0117]802 ood估计[0118]804 准确度估计[0119]806 接受数据[0120]808拒绝数据(通知用户/重新扫描/等)[0121]900数据类型分类[0122]1000第一特征图的平均激活的第一示例[0123]1002第二特征图的平均激活的第二示例[0124]1004使用高斯混合模型(gmm)的近似[0125]1100 输入图像[0126]1102 输入图像[0127]1104 输入图像[0128]1106 输入图像[0129]1108 输入图像[0130]1110 分布内直方图[0131]1112ood情况——错误的缩放直方图[0132]1124ood情况——直方图中的噪声[0133]1126ood情况——直方图中的尖峰[0134]1128ood情况——直方图中的吉布斯[0135]1130建议的阈值。具体实施方式[0136]在这些附图中，相似的附图标记的元件要么是等效的元件，要么执行相同的功能。如果功能是等效的，则将不必在后面的附图中再讨论先前已经讨论过的元件。[0137]图1图示了医学系统100的示例。医学系统100被示为包括计算机102。计算机102包括计算系统104。在该特定示例中，计算系统104可以是一个或多个处理核。然而，计算机102和计算系统104可以表示本地或跨网络分布的多个计算机系统和多个计算系统。计算系统104被示为连接到任选的硬件接口106和任选的用户接口108。硬件接口106可以使得计算系统104能够与其他计算机系统通信以及控制医学系统100的其他部件。用户接口108可以使得操作者能够与医学系统100交互。[0138]计算系统104还被示为连接到存储器110。任选的用户接口108包括任选的图形用户接口112，任选的图形用户接口112例如可以由显示器或触摸屏来提供。[0139]存储器110旨在表示可以由计算系统104连接或访问的任何类型的存储器。这可以包括各种易失性和非易失性存储器类型。存储器110被示为存储机器可执行指令120。机器可执行指令120包含使得计算系统104能够执行各种计算任务、控制医学系统100以及提供各种数值和图像处理例程的指令。存储器110还被示为包含或存储可训练机器学习模块122。可训练机器学习模块被配置用于接收测量的医学图像，并且响应于此而输出重建的医学图像。可训练机器学习模块122可以是纯机器学习算法，也可以是组合了一些用于图像重建的算法步骤的混合算法。[0140]存储器110还被示为包含分布外估计模块124和分布内准确度估计模块126。存储器110还被示为包含测量的医学图像数据128。然后，将测量的医学图像数据128输入到分布外估计模块124中以提供分布外评分130。还将测量的医学图像数据128输入到分布内准确度估计模块126中以提供分布内准确度评分132。使用描述或表示训练数据分布的训练数据来训练可训练机器学习模块122。分布外评分130提供测量的医学成像数据在训练数据分布内的概率。分布内准确度评分132提供描述重建的医学图像为准确的概率的数值。如果分布外评分130或分布内准确度评分132中的任一项具有高于预定阈值的概率，那么可以提供警告信号134。存储器110还被示为包含任选的重建的医学图像136，任选的重建的医学图像136是至少部分地使用可训练机器学习模块122来重建的。[0141]如果提供了警告信号134，那么可以在图形用户接口112上提供任选的警告140。警告信号134可以以不同的方式引起操作者/用户的注意。在一些示例中，如果医学系统包括医学成像系统，那么警告信号134可以用于重新采集或改变重建算法。在其他示例中，可以将警告信号134简单地附加到重建的医学图像136。[0142]图2示出了图示操作图1的医学系统100的方法的流程图。首先，在步骤200中，接收测量的医学图像数据128。接下来，在步骤202中，确定分布外评分130和/或分布内准确度评分132。这些评分是通过将测量的医学图像数据128输入到分布外估计模块124和分布内准确度估计模块126中来确定的。接下来，在步骤204中，使用序列并使用分布外评分130和/或分布内准确度评分132来检测对测量的医学图像数据128的拒绝。例如，可以在一个评分之前确定另一评分，并且任一评分均可以用于检测对测量的医学图像数据128的拒绝。接下来，该方法进行到步骤206。如果检测到对测量的医学图像数据128的拒绝，那么提供警告信号134。[0143]图2还示出了在步骤206之后执行的任选的步骤208。在步骤208中，至少部分地通过将测量的医学图像数据128输入到可训练机器学习模块122中来提供重建的医学图像136。[0144]图3示出了医学系统300的另外的示例。图3所示的医学系统类似于图1中描绘的医学系统100。存储器110被示为包含若干额外项目。存储器110还被示为包含异常检测估计模块320。异常检测估计模块320被配置用于响应于接收到测量的医学图像数据而输出异常估计评分。异常估计评分描述如果测量的医学图像与训练数据分布相比为异常的概率。存储器110还被示为包含异常估计评分322，异常估计评分322是响应于将测量的医学图像数据128输入到异常检测估计模块320中而获得的。能够修改图2所示的方法以操作图3的医学系统300。在步骤202中，也能够通过将测量的医学图像数据128输入到异常检测估计模块320中来确定异常估计评分322。然后，在步骤204中，也将使用异常估计评分322来确定对测量的医学图像数据128的拒绝。[0145]图4图示了医学系统400的另外的示例。医学系统400类似于图3中描绘的系统，不同之处在于它还包括医学成像系统402。医学成像系统402旨在具有代表性。医学成像系统可以是例如但不限于磁共振成像系统、计算机断层摄影系统、正电子发射断层摄影系统、单光子发射断层摄影系统、超声系统、数字x射线系统以及数字荧光镜。[0146]在该特定示例中，对象406被示为躺在对象支撑物408上，对象支撑物408支撑对象406在成像区408内的部分。机器可执行指令120使计算系统104经由硬件接口106控制医学成像系统402。机器可执行指令120控制医学成像系统402以采集医学成像系统测量结果420。这些医学成像系统测量结果420随后被重建成医学图像。测量的医学图像数据128可以是医学成像系统测量结果420，也可以是根据医学成像系统测量结果420重建的图像。在一些实例中，测量的医学图像数据128包括重建的图像和原始数据或医学成像系统测量结果420。[0147]图5示出了图示操作图4的医学系统400的方法的流程图。该方法开始于步骤500，并且医学成像系统402采集医学成像系统测量结果420。这要么直接提供测量的医学图像数据128，要么存在根据用于提供测量的医学图像数据128的医学成像系统测量结果420进行的图像重建。如图2所示，该方法然后进行到步骤200。[0148]基于深度学习的解决方案(或其他可训练机器学习模块)能够用于重建严重欠采样的医学图像，例如使用磁共振(mr)k空间数据来重建严重欠采样的医学图像。由于需要在扫描器中采集的数据更少，因此检查时间能够大大减少。另一应用是对极低剂量ct扫描的去噪，从而降低了对患者的辐射。[0149]然而，与传统技术相比，基于深度学习的解决方案很难控制。人们经常观察到：当要处理的数据与在训练期间使用的数据太不相似(分布外)时，用于医学成像应用的深度学习解决方案可能产生与真实解剖结构不同的逼真图像。因为伪影看起来很像真实解剖结构，所以放射科医师无法识别这样的伪影。这可能导致影响诊断的错误解读，降低对产品价值/质量的信心，并且/或者对放射科医师造成额外负担。[0150]示例可以提供用于估计要由深度神经网络处理的输入图像是否可以由训练数据分布很好地解释(即，在用于训练的数据集中存在足够相似的输入而产生可靠结果)的手段。在本发明中，我们观察到单个算法无法提供令人满意的训练分布外(ood)估计。因此，我们提出了分阶段计算，其中，使用多种算法来顺序地估计针对深度学习算法的输入的ood水平；从而克服了每种个体解决方案的局限性。[0151]示例能够应用于若干环境。它能够用于检测ai算法以前未发现的病理情况、由于硬件部件故障导致的坏图像或受运动伪影影响的图像。本发明将允许在实际环境中应用深度学习解决方案。[0152]能够输入到可训练机器学习模块122(例如，神经网络)的数据在理想情况下来自训练数据分布。可训练机器学习模块122的性能将取决于测量的医学图像数据128在训练数据分布内的良好程度。图6示出了一条曲线，这条曲线旨在表示训练数据分布600。曲线600下的区被分成多个不同的区域。如果数据与训练数据分布600匹配良好，那么数据将处于分布602中。如果数据仅仅在边缘上处于分布外600，那么数据将在区域604中处于边缘分布外。在训练数据分布600之外的数据被标记为分布外数据606。当数据实质上根本不匹配训练数据分布时，数据被确定为异常并且在区域608中。存在不同的方法来检测数据是否在这些区域602、604、606、608之一内。使用不同类型的模块的组合来优选确定这些区域中的每个区域。例如，异常检测估计模块320在检测区域608中的异常时特别有效。分布外估计模块124特别擅长检测分布外区域606中的数据。分布内准确度估计模块126擅长区分在分布内区域602内的数据与在边缘分布外区域604内的数据。[0153]示例可以提供用于估计要由深度神经网络处理的输入图像是否可以由训练数据分布很好地解释(即，在用于训练的数据集中存在足够相似的输入而产生可靠结果)的手段。深度学习算法假设iid数据(独立同分布)，这在实践中是不真实的。如上所述，图6描绘了更真实的表示，它表明数据包含：[0154]1、分布内数据602，其在训练集中表示得很好；[0155]2、边缘分布外604，其在训练数据中表示得不足并且可能导致降低的性能。注意，由于理论上的限制(即，受强噪声影响的数据)，通常不可能将该数据包括在训练集中；[0156]3、分布外数据606，其没有被包括在训练集中并且预计到会有差的性能；[0157]4、严重分布外(异常)608，即，包含严重偏离最初的数据分布的数据，例如通过定义完全不同的输入-输出关系。[0158]已经提出了若干用于ood估计的解决方案，但是它们仅在上面提到的四个子集中的一个子集上表现良好。异常检测通常通过某种降维来执行，例如通过采用某种自动编码器架构来执行。这些方法通常计算速度很快，但是不够精确而无法检测数据分布中的微小变化。[0159]总的来说，值得注意的是，ood的粗略估计是有效的计算，它要求能够相当快地运行的小模型。更确切地说，具有更高特异性的ood估计要求更多的计算，此外，如果处于严重分布外(即，导致更低的灵敏度)，那么ood估计就变得不可靠。图7突出显示了这一事实。[0160]图7图示了异常检测估计模块320、分布外估计模块124和分布内准确度估计模块126在分布内区域、边缘分布外区域604、分布外区域606和异常区域608中的性能。图7图示了为什么使用所有三个模块320、124和126可以是有利的。图7示出了不同类别的算法的性能与输入样本的分布外程度的关系。注意，异常检测算法通常在计算上比ood量化算法更高效，而ood量化算法又比精确的准确度估计算法更高效。[0161]示例可以提供分阶段方法来计算深度学习模型针对医学图像的输出的可靠程度。一些示例从有效的异常检测算法(异常检测估计模块)开始，并且测试数据(测量的医学图像数据)是否遭受严重分布偏移。如果没有检测到异常，那么(使用分布外估计模块)执行ood量化。如果所得到的ood估计在可接受范围内，那么能够执行分布内准确度估计。图8示出了对两个示例分布外计算管线的概览。在图9所示的第二示例中，分类器900被训练为检测在ood管线的哪个阶段开始ood计算更有效。算法的特征在于在管线的早期阶段具有高灵敏度，即，在大多数工作条件下可能无法不拒绝可接受的数据。接下来的步骤可以具有提高的特异性，使得我们的计算认为没有可接受的ood数据。注意，如果使用不同的参数化而引起不同的灵敏度和特异性，那么能够在不同的步骤中使用相同的算法。[0162]图8示出了图示方法的示例的流程图。在图8中，存在应用异常检测估计模块320、分布外估计模块124和分布内准确度估计模块126的顺序或序列。首先，使用异常检测估计模块320来执行异常估计800。如果检测到异常，那么该方法进行到步骤808并且拒绝数据。在这种情况下，拒绝测量的医学图像数据128。如果数据通过了异常估计800，那么使用分布外估计模块124来进行分布外估计802。如果该操作失败，那么在步骤808拒绝该数据。如果该操作成功，那么该方法进行到步骤804中的准确度估计。在步骤804中，使用分布内准确度估计模块126来评价准确度并预测在步骤806中是否应当接受该数据。能够在步骤800、802和804中的任意步骤处拒绝该数据。在一些实例中，能够使用分布外估计802来直接接受数据806。在图8中，图示了应用异常估计、分布外估计802和准确度估计804的序列。可以加速图8中的方法。[0163]在图9中，(例如利用分类或图像分类神经网络)执行数据类型分类900。然后，能够决定跳过若干步骤并且从异常估计800、分布外估计802或准确度估计804开始。这可以进一步加速算法。[0164]能够使用ood评分(分布外评分、分布内准确度评分和异常估计评分)来进行例如以下操作：[0165]拒绝主模型的输出并恢复到非基于ai的算法。[0166]向用户通知数据中的问题并要求纠正(例如，重新采集数据)。可能的问题有：[0167]成像设备中的故障部件，[0168]例如由运动或金属造成的伪影，[0169]处理管线中的问题，[0170]对成像设备执行分析，例如，预测性维护。[0171]示例可以用于估计针对深度学习模型(或其他可训练机器学习模块)的新的输入是否与用于训练的数据足够相似。如果不是这种情况(分布外或ood)，那么深度学习模型可能会产生错误的，但在解剖学上似乎是合理的结果。[0172]在一个示例中，训练具有与主模型相同的大小和网络架构的模型的总集。在另一示例中，总集中的模型具有与主模型不同的架构以确保可扩展的方法。例如，它们在每一层中都能够具有较少数量的可训练参数。对于这两个示例，计算ood图像并且计算ood评分。[0173]ood评分能够用于拒绝主模型的输出并恢复到传统算法。在另一实施例中，ood评分能够向用户通知输入数据中的问题。在另一实施例中，ood评分能够向制造商告知用于处理图像的成像设备中的问题。[0174]mr重建领域中的一个应用是加速扫描的重建。该方法可以包括一个或多个以下特征：[0175]采集训练数据，[0176]训练深度学习模型来解决手头的任务，[0177]部署模型来解决给定的领域应用。[0178]在部署之后以及在医学设备或软件平台上例行使用算法期间：[0179]采集输入数据，[0180]任选地：根据ood对输入数据进行分类，并且决定从哪个算法开始，[0181]根据异常检测算法来计算ood评分，[0182]如果不可接受，那么拒绝输入数据，[0183]如果可以接受，那么继续，[0184]根据ood估计算法来计算ood评分，[0185]如果不可接受，那么拒绝输入数据，[0186]如果可以接受，那么继续，[0187]如果不需要精确的准确度估计，那么接受数据并计算主模型，[0188]在给定当前输入的情况下，利用ood评分来验证ai模型的输出。[0189]如果在给定制造商在总集模型上定义的阈值的情况下主模型的输出数据被分类为ood，那么采取以下措施：[0190]恢复到没有遭受ood问题的其他算法，[0191]例如，对于mr重建，我们能够恢复使用压缩sense来代替ai压缩sense，[0192]向用户或制造商通知问题，[0193]采取纠正措施，例如，重新扫描以进行mr采集。[0194]在一些示例中，能够使用用于异常/ood估计/准确度估计的若干算法。[0195]本发明适用于所有使用深度学习或其他机器学习技术的医学成像产品。[0196]具体地，本发明能够用于检测在医学成像中对ai处理的“标签外”使用，例如，ct图像或pet图像中的噪声过高、ai软件未针对其训练的器官运动模式、压缩感测ai中的采样过低等。[0197]另外，本发明还能够应用于基于ai的诊断系统，所述基于ai的诊断系统针对有限数量的病理情况进行训练。这里的分布外意味着在图像中存在系统之前未见过的病理情况，因此通知用户(放射科医师)根据自动诊断来评价该图像w/o。除了这个简单直接的应用，还能够导出另外两项，即：[0198]检测(和警示)以前未见过的疾病。[0199]收集和存储新的图像子类，从该图像子类中能够导出针对不太常见的疾病的额外训练数据集。[0200]下面描述了一种通过对隐藏层神经激活的统计表征来执行ood检测的手段。分布外(ood)检测能够被视为对神经网络的故障模式检测的重要步骤，因为如果输入不在网络已经在其上训练的数据分布内，那么就不能预计到神经网络会很好地执行其任务。因此，从保守的视角来看，在实践中排除这类情况是有道理的。这也是有意义的，因为当前使用的故障模式检测方法在计算上非常昂贵，因此应当将这种昂贵测试的应用限制到分布内情况。[0201]示例可以提供一种非常快速的方法来计算基于分布内神经元激活的统计表征的ood评分。在训练了网络之后，可以对整个或大部分训练数据执行推断，并且记录网络内的神经元激活的统计数据。然后，将连续的概率分布拟合到这些激活模式。在推断期间，能够基于这些概率分布对在网络中观察到的神经元激活的概率进行评分。较低的评分指示神经元的激活与在训练期间观察到的情况非常不同，并且能够得出输入数据是ood的结论。这是可能的，因为关于分布内神经元激活的底层统计数据能够被视为非常有效的对训练数据分布本身的表征。我们的技术的主要优点是：与更昂贵的基于总集的ood检测方法相比，我们的技术只要求单个网络的单次推理。[0202]现代高性能图形处理单元(gpu)的到来使得为困难任务训练深度神经网络成为可能并且实现了广泛可用的技术。事实上，这种基于神经网络的算法在越来越多的任务中达到了人类甚至超人的性能，这促使当前努力在临床上部署这些算法并使这些算法成为医学成像领域中不可或缺的部分。[0203]未识别的故障模式已被识别为神经网络的临床部署中的主要风险之一。例如，如果用于图像校正(例如，去噪或减少运动伪影)的ai算法将部分噪声/伪影错误解读为真实结构，那么输出的图像可能具有非常自然但不应用于诊断的外观。[0204]我们建议通过定量测试给定的新的数据集与在训练期间使用的数据的相似程度来对ai处理的准确度进行评级。所提出的方法的一个特别的优点是它只要求很少的计算时间。[0205]在通过网络传递可用数据来训练网络之后，记录在网络中的不同神经元激活的分布。为了在推断期间判断当前数据集是否落入在训练期间使用的数据分布内，将由当前数据集引起的神经元激活与从训练数据获得的激活分布进行比较。[0206]这可以例如通过以下方式来实施：[0207]步骤1)训练神经网络。[0208]步骤2)对整个训练、验证和测试数据(这些都位于训练数据分布内)执行网络推断，同时记录在网络中的神经元激活。神经元激活在这里被广义地定义为神经元的非线性激活函数的输出，或者针对非线性激活函数的输入。取决于背景、网络大小、可用存储器等，可能有必要以合理的方式对神经元进行分组并记录这些神经元组的平均激活。例如，在图像到图像的卷积神经网络(cnn)或u-net中，可以在除了最后一层之外的每一层中的非线性激活函数之后记录每个通道中的平均激活(参见下文)。[0209]步骤3)将连续概率分布(表示例如高斯混合模型)拟合到观察到的神经元激活模式(参见图10)并存储该连续概率分布。在更高级的场景中，还可以存储关于不同神经元激活之间的协方差/相关性的信息。[0210]图10示出了第一特征图1000的平均激活的第一示例。标绘图1002示出了针对第二特征图1002的平均激活的第二示例。在构建这些图形时，示出了针对整个使用的训练数据集的运动校正u-net的两幅特征图的平均激活。使用高斯混合模型1004来近似这两种经验分布。这是叠加在图10所示的数据上的线。[0211]当在实践中对新的输入数据执行推断时，能够对在网络中观察到的神经元激活的概率进行评分。在最简单的情况下，该评分将基于所存储的概率分布。将从不同概率分布获得的对数概率相加对应于假设底层神经元激活模式的统计独立性。低的最终评分指示神经元的激活与训练中的情况非常不同，并且能够得出输入数据是ood的结论。这是可能的，因为关于分布内神经元激活的底层统计数据能够被视为非常有效的对训练数据分布本身的表征。数据也可以来自训练数据分布的外围区域，但是由于这种区域通常仅被非常稀疏地采样以用于网络训练，因此网络故障的风险将会更高。在更高级的场景中，可以在ood评分中考虑协方差/相关性。[0212]已经为去噪和运动伪影校正这两者构建并测试了示例。图11示出了统计激活模式分析的可能实施方式：对于运动校正网络中的每幅特征图，计算针对训练数据集的平均激活，并且将高斯混合模型拟合到观察到的平均特征激活的分布。对网络中的所有特征图重复这一过程，从而产生针对分布内样本的预计“正常”特征激活的统计模型。[0213]为了验证该统计模型，通过对来自训练数据集的图像应用若干变换来模拟ood样本：[0214]缩放图像强度(对应于例如不正确的数据归一化)，[0215]增加噪声水平以获得比在训练期间低得多的snr值，[0216]向个体k空间位置添加大的随机值，从而产生rf尖峰状伪影，[0217]将k空间的外部部分设置为零，从而引起吉布斯振铃。[0218]图11图示了使用直方图进行分布外检测的有用性。图11示出了这些图像变换(为了更好地观看而放大)的示例以及对于n＝1252幅测试图像的所得到的ood评分的分布。在图11中，有五幅输入图像1100、1102、1104、1106、1108。对于这些图像中的每幅图像，都有对应的直方图。图像1100有直方图1110，图像1102有直方图1112，图像1104有直方图1114，图像1106有直方图1116，并且图像1108有直方图1118。[0219]图11图示了针对运动校正u-net的ood评分的分布。不同的直方图示出了针对n＝1252幅输入图像的ood评分分布。图像1100在分布内，并且图像1110示出分布内情况。虚线1130是建议的阈值，当比较不同的直方图以确定是否存在分布外检测时，能够使用这个建议的阈值。能够观察到计算出的ood评分有明显的区别，这表明能够很好地将所模拟的ood样本与分布内情况区分开。垂直线指示1130用于检测ood样本的可能阈值——评分低于该阈值的输入图像将被拒绝。图像1102具有错误的缩放情况。能够看出，在直方图1102中，直方图中的所有数据都低于阈值1130。在图像1104中有大量的噪声。直方图1114示出了低于阈值1130的噪声数据。图像1106包含尖峰。直方图1116同样低于阈值1130。图像1108具有吉布斯振铃伪影。直方图1118也低于建议的阈值1130。[0220]上面的描述只是实施示例的一种特定方式。其他实施例的示例概述如下：[0221]不是在训练后记录神经元的激活分布，而是能够在训练的最后阶段期间记录激活分布；[0222]不是对神经元组的激活进行平均化，而是能够应用其他减少技术；[0223]代替步骤3，能够采用其他统计方法来量化当前激活在训练数据激活分布内部的概率。[0224]因为如果输入不在网络已经在其上训练的数据分布内，那么就不能预计到神经网络会很好地执行其任务，所以在实践中应当排除这种情况。这也是有意义的，因为当前使用的(例如基于模型总集的)故障模式检测方法在计算上非常昂贵，因此应当将这种昂贵测试的应用限制到分布内情况。我们的技术的主要优点是：它只要求单个网络的单次推理，而不是更昂贵的基于总集或多重推理的方法。[0225]对于所描述的示例的设计和应用，能够考虑额外特征：[0226]在一个示例中，使用所描述的ood评分来估计针对给定任务的多个网络的性能。然后选择最合适的网络来产生期望的结果。[0227]在另一示例中，在mr采集期间重复计算所描述的ood评分，以估计针对图像重建网络的最终图像质量。一旦ood评分低于预定义的阈值，就停止采集。[0228]虽然已经在附图和前面的描述中详细图示和描述了本发明，但是这样的图示和描述应当被认为是图示性或示例性的，而非限制性的；本发明不限于所公开的实施例。[0229]本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。在权利要求中，“包括”一词不排除其他部件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中，但是这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/分布在合适的介质上，例如，与其他硬件一起或作为其他硬件的部分而供应的光学存储介质或固态介质，但是也可以以其他形式分布，例如，经由互联网或其他有线或无线的电信系统进行分布。权利要求中的任何附图标记都不应被解释为对范围的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!