CN106485680B - 图像校正方法及装置 - Google Patents
图像校正方法及装置 Download PDFInfo
- Publication number
- CN106485680B CN106485680B CN201610894098.9A CN201610894098A CN106485680B CN 106485680 B CN106485680 B CN 106485680B CN 201610894098 A CN201610894098 A CN 201610894098A CN 106485680 B CN106485680 B CN 106485680B
- Authority
- CN
- China
- Prior art keywords
- image
- artifact
- area
- corrected
- interest
- 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 110
- 238000012937 correction Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 15
- 238000003702 image correction Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 210000003128 head Anatomy 0.000 description 27
- 238000003384 imaging method Methods 0.000 description 21
- 238000002591 computed tomography Methods 0.000 description 20
- 210000001519 tissue Anatomy 0.000 description 15
- 230000004048 modification Effects 0.000 description 12
- 238000012986 modification Methods 0.000 description 12
- 230000002285 radioactive effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 238000002600 positron emission tomography Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005260 alpha ray Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 210000001154 skull base Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种图像校正方法及装置,该方法包括:接收待校正图像;获取该待校正图像的感兴趣区域相关图像;检测该感兴趣区域相关图像的伪影,并基于该伪影生成伪影图像;基于该伪影图像对待校正图像进行校正。本发明提供方法及装置可有效去除图像中的伪影,尤其是条状伪影。
Description
技术领域
本发明涉及医学成像领域,尤其涉及医学图像的成像校正技术领域。
背景技术
计算机断层扫描(Computed Tomography,CT)是一种利用X射线从不同角度拍摄并通过重建以产生受检体内部图像的技术,已被广泛用于医疗诊断。在已知的一个CT扫描过程中,条状伪影可能发生,并可能会降低图像的质量,影响诊断结果。因此需要一种方法及***对其进行校正,以消除或降低伪影的影响,提高图像质量。
发明内容
本发明解决的是:现有的计算机断层扫描成像过程中的条状伪影影响成像质量的问题。
为了解决所述问题,本发明提供一种图像校正方法,包括:接收待校正图像;获取该待校正图像的感兴趣区域相关图像;确定角度范围;从该角度范围中选取处理角度;根据该处理角度旋转该感兴趣区域相关图像;对旋转后的图像进行平滑化处理以获取平滑图像;基于所述旋转后的图像及平滑图像生成减影图像;在该减影图像中检测伪影;基于该伪影生成伪影图像;基于该伪影图像对待校正图像进行校正。
在本发明的一些实施方式中,所述获取该待校正图像的感兴趣区域相关图像包括:将待校正图像分割为多个区域,所述多个区域包括空气区域及组织区域;确定所述待校正图像的候选感兴趣区域,以及基于所述多个区域从候选感兴趣区域中确定感兴趣区域,且所述感兴趣区域中所述组织区域的比例低于设定阈值。
在本发明的一些实施方式中,还包括:确定检测到的所述伪影为潜在的组织图像以获得判定结果;基于该判定结果对该伪影图像进行补偿操作。
在本发明的一些实施方式中,所述伪影为条状伪影,所述检测该感兴趣区域相关图像的伪影还包括:基于所述减影图像像素行的梯度角度的正弦值之和的统计曲线检测伪影。
在本发明的一些实施方式中,根据所述统计曲线的波峰及波谷位置及幅值检测条状伪影的位置。
在本发明的一些实施方式中,还包括:遍历角度范围内的所有处理角度,对每一处理角度进行伪影检测及校正。
在本发明的一些实施方式中,还包括:对伪影图像进行滤波处理。
在本发明的一些实施方式中,还包括:对所述待校正图像进行压缩处理。
本发明还提供一种图像校正装置,包括:确定模块,被配置为接收待校正图像,及获取该待校正图像的感兴趣区域相关图像;检测模块,被配置为用于检测该感兴趣区域相关图像的伪影,包括:确定角度范围;从该角度范围中选取处理角度;根据该处理角度旋转该感兴趣区域相关图像;对旋转后的图像进行平滑化处理以获取平滑图像;基于所述旋转后的图像及平滑图像生成减影图像;在该减影图像中检测伪影;图像生成模块,被配置为基于该伪影生成伪影图像;处理模块,被配置为基于该伪影图像对待校正图像进行校正。
通过上述方法及装置,可有效去除图像中的伪影,提升图像质量。
附图说明
图1是本发明一些实施例中成像***结构示意图;
图2是本发明一些实施例中信号处理的流程示意图;
图3是本发明一些实施例中处理模组的结构示意图;
图4-A是本发明一些实施例中校正单元内部结构示意图;
图4-B是本发明一些实施例中对图像进行校正的流程示意图;
图5是本发明一些实施例中确定感兴趣区域相关图像的流程示意图;
图6是本发明一些实施例中生成伪影图像的流程示意图;
图7-A至图7-C是本发明一些实施例中生成校正后图像的过程示意图。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面附图的描述仅仅是本申请的一些示例或实施例,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。应当理解,给出这些示例性实施例仅是为了使相关领域的技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模组做出了各种引用,然而,任何数量的不同模组可以被使用并运行在客户端和/或服务器上。所述模组仅是说明性的,并且所述***和方法的不同方面可以使用不同模组。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
根据本申请的一些实施例,图1所示的是一个成像***100的示意图。在一些实施例中,成像***100可以对既定目标进行扫描,得到扫描数据并生成与之相关的图像。在一些实施例中,成像***100可以对扫描数据或生成的图像进行进一步处理。例如,成像***100可以对扫描数据或生成的图像进行伪影校正处理。在一些实施例中,成像***100可以是一个设备或一个设备组。具体地,成像***100可以是一个医学成像***,例如,一个PET(Positron Emission Tomography)设备、一个SPECT(Single Photon Emission ComputedTomography)设备、一个CT(Computed Tomography)设备、一个MRI(Magnetic ResonanceImaging)设备等。进一步地,所述医学成像***可以是单独使用,也可以结合使用。例如,一个PET-CT设备、一个PET-MRI设备或一个SPECT-MRI设备等。
在一些实施例中,成像***100可以包括一个扫描仪,扫描仪可以对既定目标进行扫描,并获得与之相关的信息(例如扫描数据)。进一步地,成像***100可以包括一个放射性扫描设备。该放射性扫描设备可以包括一个放射性扫描源。放射性扫描源可以向既定目标发射放射性射线。所述放射性射线可以包括微粒射线、光子射线等中的一种或其组合。所述微粒射线可以包括中子、质子、电子、μ介质、重离子等中的一种或其组合。光子射线可以包括X射线、γ射线、α射线、β射线、紫外线、激光等中的一种或其组合。作为示例,光子射线可能是X射线,其相应的成像***100则可以是一个计算机断层扫描***(CT)、一个数字式射线成像***(DR)、一个多模态医学成像***等其中的一种或多种。进一步地,在一些实施例中,多模态医学成像***可以包括PET-CT***、SPECT-MRI***等中的一种或多种。
如图1所示,在一些实施例中,成像***100可以包括采集模组110,控制模组120,存储模组130,处理模组140及显示模组150.
采集模组110可以探测放射性射线,或接收在成像***检测到的放射性射线的信息。采集模组110可以包括或连接一扫描器(如,PET扫描器,CT扫描器或组合式的扫描器等)。仅用以示例,所述放射性射线可以是在PET***中的以响应线的形式被检测,检测的形式可以是通过采集模组110以正电子湮灭事件的符合计数。在另一些实施例中,放射性射线可以是CT***中穿过受检体(如病人)的X射线,该X射线射束的强度因穿过受检体会发生衰减并被采集模组计算该衰减。此外,采集模组110可从原始数据中选择数据已进行进一步处理。
控制模组120可用于控制采集模组110,存储模组130,处理模组140及显示模组150,以及可以向采集模组110,存储模组130,处理模组140及显示模组150接收或发送信息。在一些实施例中,控制模组120可以控制采集模组110,仅用以示例,控制模组120可控制是否获取信号,或下次信号采集的时间。作为另一些实施例,控制模组120可控制用于图像迭代重建的辐射射线的范围。控制模组120可控制处理模组140,例如,选择不同的算法来处理的图像的原始数据,以确定迭代投影处理的迭代次数,和/或放射线的位置。在一些实施例中,控制模组120可以接收由用户(例如成像技术人员或医生)所提供的显示模组150的实时的命令或预定命令,并调整采集模组110和/或处理模组140,根据所接收的命令取感兴趣对象的图像。在一些实施例中,控制模组120可与其它模组交换与扫描器或成像***100的其它部分的操作相关的信息。
存储模组130可以存储采集的信号或数据,控制参数,处理后的信号或数据等,在一些实施例中,存储模组130可以包括随机存取存储器(RAM),只读存储器(ROM)中,例如,硬盘,软盘,云存储,磁带,光盘,可移动存储,或它们的组合等。可移动存储可以由以某种方式将数据读出和/或写入到可移动的存储模组。存储装置也可以是用于装载计算机程序或其他指令进入计算机或处理器的其他类似的装置。
处理模组140可用于处理来自不同模组的不同种类信号或数据。在一些实施例中,处理模组140可以处理来自采集模组140的信号,或者存储在存储模组130的信号。在一些实施例中,处理模组140可以生成图像,输出包括一幅或多幅图像和/或者其它相关信息。在一些实施例中,处理模组140还可处理来自或发送至显示模组150的信息或数据。
显示模组150可用于接收输入和/或显示输出信息。该显示模组150可包括液晶显示器(LCD),发光二极管(LED)为基础的显示器,或任何其它平板显示器,或者可以使用阴极射线管(CRT),触摸屏,或类似方式。触摸屏可以包括,例如,电阻触摸屏,一个容量触摸屏,等离子触摸屏,一个矢量压力传感触摸屏,红外触摸屏,或类似方式,或它们的组合。进一步地,图中未示出,成像***100还可以连接有网络(例如,电信网络,局域网(LAN),无线网络,广域网(WAN),诸如因特网,点对点网络,电缆网络,等等)以进行通讯。
图2是本发明一些实施例中信号处理流程示意图。如图所示,在步骤210中某一参数被设置,该参数可通过控制模组120进行设置。在另一些实施例中,该参数可包括与采集过程、存储过程、处理过程或显示过程等中的一种或多种相关的参数,仅用于示例,该参数可包括电流、电压,用于一种或多种组织成像的扫描协议,采样速率,存储速度,存储管理,图像重建方法等。在一些实施例中,该参数通过控制台170(图1)进行设置。
在步骤220,进行信号采集。该信号可以是PET信号、CT信号等。在一些实施例中,信号采集过程通过信号采集模组110执行,在另一些实施例中,信号也可以通过读取外部装置或通过用户输入获得。
在步骤230,获取的信号可以被存储。例如,可存储在存储模组130等。
在步骤240中,信号可被进行处理。该处理过程可通过处理模组140实现。在处理过程中,一个或多个处理参数被设置。在一些实施例中,信号被处理以用于重建图像(例如,PET图像,CT图像等),在一些实施例中,重建图像被进一步进行校正以移除图像中伪影的影响。在一些实施例中,重建图像被进一步处理并且生成包括重建图像的报告。在一些实施例中,重建图像和/或生成的报告可被传送至相关设备或装置,例如,终端,数据库等。在一些实施例中,重建图像和/或生成的报告可进一步被处理,例如进行打印、显示等。
值的说明的是,上述描述仅用于说明本发明,并不用于限制本发明的保护范围。对于本领域普通技术人员而言,根据本发明披露内容可做出多种变形或修改,该变形或修改同样是本发明的一部分。例如,步骤230在一些实施方式中可能是非必须的,采集信号可直接进行步骤240的处理而不进行存储处理。在另一些实施例中,参数设置可在全部处理过程中的任一步骤中实现。
图3是本发明一些实施例的处理模组140的结构示意图。在一些实施例中,处理模组140可包括处理单元310,重建单元320,校正单元330,和存储单元340。在一些实施例中,至少两个所述单元可以彼此经由有线连接的方式(例如,金属电缆,光缆,混合电缆,或类似方式,或它们的任何组合)或无线连接(例如,局域网(LAN),广域网(WAN),蓝牙,ZigBee,近场通信(NFC),或类似方式,或它们的任何组合)进行连接。在一些实施例中,所述单元可以彼此通过介质连接。该介质可以包括有形介质或无形介质(例如,无线电,光,声波,电磁感应等)。
处理单元310可处理不同类型的从控制模组120,存储模组130和/或显示模组150接收的信息,该信息可以包括一个信号(例如,CT信号),受检体的信息,一个控制参数(例如采集频率,采集速度等),显示参数(例如亮度,分辨率,缩放等),或类似方式,或它们的组合。仅仅作为举例,处理单元310可处理例如除去或减少噪音,过滤信号,从模拟信号转换成该信号为数字信号等过程。
重建单元320可以生成受检体相关的图像(例如,受检体的一部分)。重建单元320可以采用不同种类的图像重建技术用于图像重建过程。示例性地图像重建技术可包括傅立叶切片定理,滤波反投影算法,扇形束重构,迭代重建,或类似其它方法,或它们的组合。在一些实施例中,重建单元320可包括一个或一个以上的子单元(图中未示出)。子单元可以通过采用不同的重建方法重建的图像。在一些实施例中,重建的图像可以存储在存储单元340。
校正单元330可用于校正重建图像。在一些实施例中,图像可以从重建单元320或在存储部340中导出,所述校正单元330可去除或减少重建图像中的伪影。在一些实施例中,重建图像可以包括条状或条状伪影,一个环状伪影,运动伪影,或类似方式,或它们的任意组合。在一些实施例中,校正方法可包括迭代法,内插方法,或类似方法,或它们的任意组合。
存储单元340可以存储由处理单元310、重建单元320,以及由校正单元330处理的信息或数据,在一些实施例中,图像重建的图像,存储格式可以包括文本,图像,音频,视频,代码或类似方式,或它们的组合。在一些实施例中,在处理,重建,或校正过程中可以使用的一种或多种算法可以被存储在存储单元340中,算法可包括阈值分割法,迭代法,内插法,统计算法,平滑滤波方法,或类似方法,或它们的任意组合。
图4-A是本发明一些实施例中校正单元330内部结构示意图,校正单元330可以包括一个确定模块1301,检测模块1302,一个图像生成模块1303,以及一个处理模块1304。在一些实施例中,至少两个块可以彼此经由有线连接而被连接(如,金属电缆,光缆,混合电缆,或类似方式,或它们的任何组合)或无线连接(例如,局域网(LAN),广域网(WAN),蓝牙,ZigBee,近场通信(NFC),或类似方式,或它们的任何组合)。在一些实施例中,这些块可以彼此通过介质连接。该介质可以包括有形介质或无形介质(例如,无线电,光,声波,电磁感应等)。
确定模块1301可以在原始待校正图像中确定感兴趣区域(ROI)的范围。如在此披露的,原始图像可以指基于所获取的信号进行重建的图像。在一些实施例中,原始图像可以由重建单元320重建,或者从存储单元340,外部资源(例如,硬盘,软盘,无线终端,或类似方式,或它们的组合中检索),或者在本发明内容任何位置所提及的任何储存空间。在一些实施例中,ROI可以从多个根据某一标准选择的候选区域被确定(更多细节可在图5-图7中的描述中找到)。
在一些实施例中,确定模块1301可确定所述原始图像中感兴趣区域相关的图像。如在此使用的,与该感兴趣区域相关的图像可以指被从原始图像中提取的某部分图像。在一些实施例中,提取可通过在原始图像中,施加掩盖在除了感兴趣区域外的其它区域上,或者从原始图像切割出感兴趣区域进行。
检测模块1302可以检测检测感兴趣区域相关图像中的伪影。在一些实施例中,伪影可包括金属伪影,条纹或条状伪影,或类似的其它伪影,或它们的组合。如在此披露的,金属伪影可能起因于金属物体在受检体的存在(例如,在髋关节中使用的针,手术夹子,牙科填充,或类似方式,或它们的组合)。条纹/条状伪影可能是在扫描期间的投影域通道之间信号的不连续(噪声、部分容积、***的几何参数,不合适的插值算法等原因)造成,或者欠采样,光子不足,运动,射束硬化,康普顿散射,或类似方式,或它们的组合影响等原因。在一些实施例中,检测所述伪影的过程中,与该感兴趣区域相关的图像可以被处理(例如,旋转,平滑化,过滤或类似方式,或它们的组合)。在一些实施例中,所检测的伪影可被进一步处理,例如,所述伪影可在该感兴趣区域相关的图像中被标记,或从与该感兴趣区域相关的图像中提取。
图像生成模块1303可生成伪影图像(例如,包括原始图像中条纹状伪影的图像,简称为条状伪影)。在一些实施例中,可以通过从与感兴趣区域相关的图像中进行过滤(或滤波)所产生的伪影而产生伪影图像。在一些实施例中,伪影图像可以被进一步处理。例如,可以对伪影图像进行补偿。
处理模块1304可以处理原始图像、与感兴趣区域相关的图像或伪影图像。在一些实施例中,可以基于与伪影图像及感兴趣区域相关的图像来校正原始图像。
应当注意,校正单元330的上述描述仅仅是为了说明目的而提供,并不旨在限制本发明的范围。对于本领域普通技术人员而言,可以在本发明的教导下进行多种变化或修改。例如,确定模块1301和检测模块1302可以集成在用于确定感兴趣区域并检测伪影的独立单元或模块中。作为另一示例,校正单元330还可以包括存储模块(未示出)。存储模块可以用于存储获取的图像和/或任何中间数据。作为另一示例,校正单元330中的至少一些模块可以各自包括存储模块,或者至少两个模块可以共享公共存储模块。上述变化和修改均不脱离本发明保护的范围。
图4-B是本发明一些实施例中对图像进行校正的流程示意图,在步骤1310中,可以获取原始图像(待校正图像)。原始图像可以由重建单元320重建获得,或者从存储单元340,或外部存储资源(例如,硬盘,软盘,无线终端等,或其组合)等,或者本发明前述的任何存储资源读取获得。
步骤1312中,可以确定与感兴趣区域(ROI,region of interest)相关的图像。该确定可以由确定模块1301执行。如前文所述,与ROI相关的图像可以指从原始图像中提取的图像。可以通过对原始图像中除了ROI之外的其他区域应用掩盖,或者从原始图像中切割出ROI来执行提取。在一些实施例中,可以根据特定标准(更多细节可以在图5及其描述中找到)从候选感兴趣区域确定ROI。
在步骤1314中,可以检测与ROI有关的图像中的伪影。检测可以由检测模块1302执行。在一些实施例中,伪影可以是条纹或条状伪影。在一些实施例中,在检测期间,可以确定角度范围,并可以从角度范围中选择处理角度,并且可以基于处理角度旋转与ROI有关的图像(更多细节可以在图6的描述中找到)。
在步骤1316中,可以基于检测到的伪影生成伪影图像。在一些实施例中,可通过从与ROI有关的图像过滤(或滤波)伪影来产生伪影图像。在步骤1318中,可以基于伪影图像来校正原始图像。仅仅作为示例,可以通过从原始图像中减去伪影图像来校正原始图像(更多细节可以在图7及其描述中找到)。
应当注意,上述用于校正图像的过程的描述仅仅是为了说明的目的而提供的,并且不旨在限制本发明保护的范围。对于本领域普通技术人员而言,可以在本发明的教导下进行多种变化或修改。例如,在一些实施例中,可以进行关于所检测的伪影是否是潜在组织(或器官)的确定。此外,如果所检测的伪影被确定为潜在组织(或器官),则可以执行补偿。
图5是本发明一些实施例中确定感兴趣区域相关图像的流程示意图,用于确定与ROI相关的图像的处理可以由确定模块1301执行。在步骤1402中,可以获取原始图像。在步骤1404中,可以将原始图像(待校正图像)分割成多个部分。例如,对于关于受检对象的头部的原始图像,多个部分可以包括:包括空气的部分,包括组织的部分等,或其组合。在一些实施例中,使用的分割方法可以包括阈值法,聚类法,基于压缩的方法,基于直方图的方法,边缘检测方法等,或其任何组合。
在步骤1405中,可以确定原始图像中的候选感兴趣区域。如本文所使用的,候选感兴趣区域可以指原始图像中可以从中选择ROI的一个或多个区域。在一些实施例中,可以根据第一标准确定候选关注区域。第一标准可以根据***100的默认设置来设置,基于统计信息来选择,或者由操作者(例如医生,成像技术人员等)进行设置。在一些实施例中,可以为不同的图像(例如,关于受检者的头部的图像,关于受检者的肺的图像等)设置不同的标准。仅作为示例,对于关于对象的头部的图像,可以基于候选感兴趣区域的质心位置和/或候选感兴趣区域的大小等来确定感兴趣候选区域(更多细节可以在图7-A及其描述中找到)。
在步骤1406中,可以基于在步骤1404中分割的多个部分(例如,包括空气的部分,包括组织的部分等),从候选感兴趣区域确定感兴趣区域(ROI)。在一些实施例中,可以根据第二标准来执行确定。第二标准可以根据***的默认设置来设置,基于统计信息来选择,或者由操作者(例如,医生,成像技术人员等)设置。在一些实施例中,可以选择满足预设条件的特定候选感兴趣区域作为ROI。预设条件可以是关于图像中的部分组织的百分比的阈值。可以为不同的图像(例如,关于对象的头部的图像,关于对象的肺的图像等)设置不同的预设条件。例如,对于关于受检者的头部的图像,预设条件可以是关于头部中的组织的百分比的阈值和/或关于头部中的空气的百分比的阈值(更多细节可以在图7及其描述找到)。
在步骤1408中,可以获得与ROI有关的图像。如图4-B所示,可以进一步处理与ROI有关的图像。在一些实施例中,可以在确定的与ROI有关的图像中检测伪影,并且可以进一步生成伪影图像。
应当注意,用于确定与感兴趣区域(ROI)相关图像的过程的上述描述,仅仅是为了说明的目的而提供的,并且不旨在限制本发明的范围。对于本领域普通技术人员,可以在本发明内容的教导下进行多种变化或修改。例如,在步骤1402中,可以对原始图像执行优化操作(例如,去噪等)。然而,那些变化和修改不脱离本本发明的范围。
图6是本发明一些实施例中生成伪影图像的流程示意图,用于生成伪影图像的过程可以由图像生成模块1303执行。在步骤1502中,可以确定角度范围。具体地,可以基于其中出现伪影的区域的大小来确定角度范围。在一些实施例中,角度范围可以包括多个单个角度(例如,30度,40度,60度等)的组合,或特定步长的连续的角度范围(例如,在30度和90度之间,以1度为步长)。在一些实施例中,角度范围可以基于***100的默认设置来确定,或者可以由操作者(例如,医生)设置。在一些实施例中,可以为不同的图像确定不同的角度范围。例如,对于关于受检体的头部的图像,可以基于头部的中心角度来确定角度范围。
在步骤1504中,可以从角度范围中选择处理角度。例如,对于具有以一度为步长的30度和90度之间的角度范围,可以选择30度的处理角度。在步骤1506中,可以基于处理角度旋转与ROI相关的图像。在图像中待检测的伪影的方向可以是各种各样的。在检测期间,图像中的伪影可以被旋转到相同的方向(例如,沿X轴的方向)。在一些实施例中,可以通过将包括伪影的图像旋转到伪影的方向,来执行进一步处理(例如,平滑化,滤波处理等等,或其组合)。例如,如果在步骤1504中选择的处理角度是31度,则与ROI有关的图像可以从0度旋转到-31度,并且31度的伪影可以旋转到沿X轴的方向。
在步骤1508中,可以基于旋转后的图像生成中间图像。中间图像可以指,可以通过处理旋转后的图像而生成的图像。在一些实施例中,中间图像可以通过从旋转后的与ROI有关的图像中减去平滑化处理后的图像来生成。例如,可以通过对旋转后的与ROI有关的图像进行平滑化处理来生成平滑图像。关于平滑图像的更多细节可以在图7-A、图7-B及其描述找到。
在步骤1510中,可以判断在中间图像中是否检测到伪影。仅作为示例,可以处理中间图像,并且可以通过分析处理的中间图像的梯度方向(角度),来判断是否检测到伪影。关于该判断过程的更多细节可以在图7-B及其描述找到。如果判断结果为“是”,则过程可以进行到步骤1512,以基于伪影生成伪影图像。伪影图像可以进一步用于校正原始图像。如果判断结果为“否”,则处理可以返回到步骤1504,以从角度范围中选择新的处理角度。通过重复步骤1504至步骤1508,可以基于新的处理角度生成新的中间图像。
应当注意,上述用于产生伪影图像的过程的描述仅仅是为了说明的目的而提供的,并且不旨在限制本发明保护的范围。对于本领域普通技术人员而言,可以在本发明的教导下进行多种变化或修改。例如,步骤1504和步骤1506可以同时或相继执行。然而,那些变化和修改不脱离本发明的范围。
图7-A至图7-C是本发明一些实施例中生成校正后图像的过程示意图。在步骤1602中,可以获取原始(待校正)图像。在一些实施例中,原始图像可以是从对象的一部分(例如,头部)获取的CT图像。
在步骤1604中,可以根据分割方法将原始图像分割成多个部分。在一些实施例中,分割方法可以包括阈值法,聚类方法,基于压缩的方法,基于直方图的方法,边缘检测方法等,或其任何组合。在一些实施例中,可以根据阈值法来执行分割。例如,可以设置关于CT值的一个或多个阈值。仅仅通过示例的方式,可以从对象的头部获取原始图像。根据关于CT值的阈值,原始图像可以被分割成包括空气的部分,包括组织的部分等,或者它们的组合。
例如,在一些实施例中,CT值在900HU和1100HU之间的一组像素可以被认为是包括组织的部分;CT值在0Hu和500Hu之间的一组像素可以被认为是包括空气的部分。
在步骤1606中,可以确定原始图像中的候选感兴趣区域。如前文所述,候选感兴趣区域可以指原始图像中可以从中选择ROI的一个或多个区域。在一些实施例中,可以根据第一标准确定候选关注区域。第一标准可以根据***100的默认设置来设置,基于统计信息来选择,或者由操作者(例如医生,成像技术人员等)设置。在一些实施例中,可以为不同的图像(例如,关于受检者的头部的图像,关于受检者的肺的图像等)设置不同的标准。例如,对于关于对象的头部的图像,候选感兴趣区域可以满足以下要求:候选感兴趣区域的质心可以在头部的质心之下,并且候选感兴趣区域的质心的x方向可以不偏离头部的质心太远(例如,小于20单位距离(如像素));对于特定候选区域,所述质心在所述候选感兴趣区域内;并且候选感兴趣区域的大小可以不太小(如为待校正图像的百分之一至百分之三十之间)。
在步骤1608中,可以基于多个部分从候选感兴趣区域中确定感兴趣区域(ROI)。在一些实施例中,可以根据第二标准来执行确定。第二标准可以根据***100的默认设置来设置,基于统计信息来选择,或者由操作者(例如,医生,成像技术人员等)设置。在一些实施例中,可以选择满足预设条件的特定候选感兴趣区域作为ROI。可以为不同的图像(例如,关于对象的头部的图像,关于对象的肺的图像等)设置不同的预设条件。在一些实施例中,对于关于受检者的头部的图像,预设条件可以是关于头部中的组织的百分比的阈值和/或关于头部中的空气的百分比的阈值。例如,对于特定的候选感兴趣区域,头部中组织的百分比小于30%,并且头部中的空气的百分比大于1%,则可以将其确定为ROI。
在步骤1610中,可以获得与ROI有关的图像。如本文所使用的,与ROI相关的图像可以指从原始图像提取的图像。在一些实施例中,可以通过对原始图像中除了ROI之外的其他区域应用掩盖操作,或者从原始图像中切割出ROI来执行提取。如本文所使用的,掩盖指可以用于覆盖图像中的特定区域的对象。在一些实施例中,对于数字图像,掩盖可以包括矩阵(例如,二维阵列),其中像素的值可以是0或1的二进制图像等,或其任何组合。
在步骤1612中,可以确定角度范围。可以基于其中出现伪影的区域的大小来确定角度范围。在一些实施例中,角度范围可以基于中心角的延伸来确定。例如,对于关于受检体的头部的图像,中心角可以是头部的中心角。在一些实施例中,角度范围可以根据下面的公式(16)确定:
R=[DCenter-DExtend,DCenter+DExtend],iD=1, (16)
其中R可以表示角度范围,DCenter可以表示中心角,DExtend可以表示中心角的延伸,以及iD可以表示增量步长。.
在步骤1614中,可以从角度范围中选择处理角度。例如,对于从30度到90度的角度范围,可以选择30度的处理角度。在步骤1616中,可以基于处理角度旋转与ROI有关的图像。基于与ROI相关的图像的旋转,待检测的伪影的一个或多个方向可以被调整到沿X轴的方向。在旋转与ROI相关的图像之后,该过程可以遵循从如图7-B所示的节点A 1618引出开始的至少一些步骤继续进行。
图7-B是根据本发明的一些实施例中用于生成条状伪影图像的示例性处理过程示意图。在步骤1620中,可以平滑化处理旋转后的感兴趣区域(ROI)相关图像。平滑化处理算法可以包括具有五点近似的立方平滑算法,线性平滑方法,插值方法等,或其任何组合。在步骤1626中,可以基于旋转后的与ROI相关图像来生成平滑图像。在步骤1628中,可以生成减影图像(作为中间图像)。如本文所使用的,减影图像可以指通过从旋转后的与ROI相关图像减去平滑图像而生成的图像。
在步骤1630中,可以确定在减影图像中是否检测到条纹或条状伪影。如果“否”,则该过程可以遵循从如图7-C所示的节点C 1631引出的至少一些后续步骤继续执行。如果“是”,则处理可以进行到步骤1632,以确定包括条纹或条状伪影的区域。
在一些实施例中,在步骤1630中,在检测条状伪影期间,可以处理减影图像。可以根据下面的公式(17)计算减影图像的梯度方向(角度):
其中Gdir可以表示减影图像的梯度方向(角度),Irs可以表示减影图像.在一些实施例中,减影图像可以由差分算子(例如Sobel算子)进行离散化。可以确定减影图像的多个行(例如,M行),并且该行可以包括多个像素。可以确定减影图像的多个行(例如,M行),并且该行可以包括多个像素。多个行中的像素的数量可以不同。例如,对于行m,可以存在a个像素,对于行n,可以存在b个像素,也可以相同,例如每行均存在c个像素。此外,可以根据以下公式(18)计算减影图像中的行的梯度方向(角度)的正弦值的和:
其中m可以表示减影图像的行,Sum(m)可以表示行m中的像素的梯度方向(角度)的正弦值的和,sin(Gdir(m))可以表示减影图像中行m的梯度方向的正弦值,并且N可以表示行m中的像素的总数。
在一些实施例中,可以获得关于梯度方向的正弦值的和的统计曲线。对于统计曲线,x轴可以表示减影图像的行(例如,行m,行n等),y轴可以表示行的梯度方向(角度)的正弦值的和,进而可以在统计曲线上提取波峰值和波谷值。
波峰或波谷可以对应于行。基于统计曲线的波峰和波谷,可以在减影图像中检测条状伪影。例如,对于关于受检体的头部的图像,如果峰值和谷值满足一些预设条件,则可以指示对应于峰值和谷值的减影图像中的位置可以是对应于条状伪影的位置。在一些实施例中,预设条件可以由至少两个阈值提供,例如T1和T2。T1可以是代表波峰值相对于波谷值差值的阈值(如幅值的阈值)。T2可以代表相对于一对波谷波峰之间的距离值的阈值。
在一些实施例中,阈值T1对于减影图像中的不同行可以是不同的。例如,T1的值可以遵循阈值曲线变化。对于阈值曲线,横轴可以表示减影图像中的行,纵轴可以表示阈值T1的值。例如,对一个含有180个像素的行来说,该行对应的阈值是50,对于含有N个像素的行来说,其阈值T1就是N*50/180像素.在一些实施例中,T1和T2可以基于***100的默认设置,根据经验值设置或由操作者(例如,医生)来设置。在一些实施例中,可以根据减影图像的分辨率来设置T1和T2。
仅作为示例,对于512×512矩阵(分辨率)和230FOV(视场)的头部图像,可设定T1为50;T2可以被设置为3-8个像素(例如,4个像素)。满足预设条件的波峰和波谷的位置可以被分别记录为条状伪影的开始位置和结束位置。
在步骤1632中,可以基于检测到的条状伪影来确定包括条状伪影的区域。在一些实施例中,可以基于条状伪影的开始位置和结束位置的延伸来确定该包括条状伪影的区域。例如,在一些实施例中,几个像素(例如,2~3个像素)可以沿着条状伪影的开始位置和结束位置扩张或延伸。具体地,可以根据下面的公式(19)和公式(20)确定包括条状伪影的区域:
Rstart=Rstart0-Rn, (19)
Rend=Rend0+Rn, (20)
其中Rstart可以表示包括条状伪影的区域的开始位置,Rend可以表示包括条状伪影的区域的结束位置,Rstart0可以表示检测到的条状伪影的开始位置,Rend0可以表示检测到的条纹伪像,并且Rn可以表示沿着Rstart0和Rend0的扩展像素。应当注意,延伸不应超过减影图像的边缘。
在步骤1634中,可以对包括条状伪影的区域进行滤波。在一些实施例中,可以通过梳状滤波器执行滤波。在步骤1636中,可以基于步骤1634中的滤波来生成条状伪影图像。如前文所述,条状伪影图像可以指代仅包括条状伪影的图像。在生成条状伪影图像之后,该过程可以遵循从如图7-C中D 1638引出的后续步骤进行操作。
图7-C示出本发明一些实施例的用于生成校正图像的示例性过程。在步骤1640中,可以对条状伪影图像执行补偿。在一些实施例中,“假伪影”可出现在条状伪影图像中。此处,“假伪影”可以指可以被识别为条纹伪像的潜在组织(例如,血管,头部的组织等)图像。为了去除或减少条状伪影图像中的“假伪影”,避免潜在的组织图像被误判为伪影被去除,可以对条状伪影图像执行补偿。仅仅作为示例,在条状伪影图像中可以存在多个条纹。可以计算和分析条纹的CT值,并且可以确定条纹波峰和条纹波谷。在一些实施例中(如对于头部的CT图像),可以根据条纹波峰和条纹波谷确定是否可以执行补偿。例如,如果确定条纹波谷并且条纹波谷的位置比条纹波峰的位置更接近颅底,则其可以指示条状伪影图像中可能存在潜在组织,并且可能需要补偿。在一些实施例中,可以根据下面的公式(21)来执行补偿:
IreC(iStreakPeak:end,:)=Ire(iStreakPeak:end,:)*Weighting, (21)
其中IreC(iStreakPeak:end,:)可以表示条状伪影图像的补偿部分,Weighting可以表示补偿的加权系数,iStreakPeak可以表示条纹峰的位置,end可以表示条状伪影图像中条纹的结束位置,以及Ire(iStreakPeak:end,:)可以表示要补偿的条状伪影图像的部分。
在步骤1642中,可以基于与步骤1616中所示的旋转相关的处理角度来旋转补偿后的条状伪影图像至步骤1616旋转前角度,得到重新旋转后的图像。在步骤1644中,可以基于与感兴趣区域相关的图像和重新旋转的条状伪影图像,生成初步校正的图像。根据本发明的一些实施例,可以通过从原始图像(或与ROI相关的图像中)减去重新旋转的条状伪影图像来生成初步校正的图像。
在步骤1646中,***可以判断是否已选择了角度范围内的所有处理角度。如果判断为“是”,则处理可以进行到步骤1648以生成校正图像。如果判断为“否”,则过程可以前进到节点B1624所引出步骤(即返回到图7-A的步骤1614),即可以从角度范围中选择新的处理角度,并且可以通过重复步骤1614至步骤1644来执行下一校正处理.在一些实施例中,可以基于在步骤1644中生成的初步校正的图像来执行下一校正处理。例如,可以通过在步骤1644中生成的初步校正图像来更新在下一校正处理中与ROI相关的图像。
在步骤1648中,可以生成校正图像。校正图像可以指通过从原始图像中减去条状伪影图像而生成的图像。如步骤1644所示,可以生成初步校正的图像。在一些实施例中,可以通过将除了ROI之外的其他区域补充到初步校正的图像来生成校正图像。例如,可以去除用于覆盖除了ROI之外的其他区域的掩盖。作为另一示例,从原始图像剪切的ROI之外的其他区域可以进行添加。在一些实施例中,可以基于初步校正图像产生包括所有条状伪影的条状伪影图像,进而可以通过从原始图像中减去包括所有条状伪影的条状伪影图像来生成校正图像。
此外,在一些实施例中,在生成校正图像之前,可以平滑化处理包括所有条状伪影的条状伪影图像。在一些实施例中,平滑化处理可以在频域或时域中执行。平滑化算法可以包括高斯滤波算法,中值滤波算法等,或其任何组合。在一些实施例中,可以基于条状伪影图像的分辨率来执行平滑化。仅仅作为示例,可以平滑化具有高分辨率(例如,像素间距<0.7)的条状伪影图像。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (9)
1.一种图像校正方法,包括:
接收待校正图像;
获取该待校正图像的感兴趣区域相关图像;
确定角度范围;
从该角度范围中选取处理角度;
根据该处理角度旋转该感兴趣区域相关图像;
对旋转后的图像进行平滑化处理以获取平滑图像;
基于所述旋转后的图像及平滑图像生成减影图像;
在该减影图像中检测伪影;
基于该伪影生成伪影图像;
基于该伪影图像对待校正图像进行校正。
2.根据权利要求1所述的图像校正方法,其特征在于,所述获取该待校正图像的感兴趣区域相关图像包括:
将待校正图像分割为多个区域,所述多个区域包括空气区域及组织区域;
确定所述待校正图像的候选感兴趣区域,以及
基于所述多个区域从候选感兴趣区域中确定感兴趣区域,且所述感兴趣区域中所述组织区域的比例低于设定阈值。
3.根据权利要求1所述的图像校正方法,其特征在于,还包括:
确定检测到的所述伪影为潜在的组织图像以获得判定结果;
基于该判定结果对该伪影图像进行补偿操作。
4.根据权利要求1所述的图像校正方法,其特征在于,所述伪影为条状伪影,所述检测该感兴趣区域相关图像的伪影还包括:基于所述减影图像像素行的梯度角度的正弦值之和的统计曲线检测伪影。
5.根据权利要求4所述的图像校正方法,其特征在于,根据所述统计曲线的波峰及波谷位置及幅值检测条状伪影的位置。
6.根据权利要求1所述的图像校正方法,其特征在于,还包括:遍历角度范围内的所有处理角度,对每一处理角度进行伪影检测及校正。
7.根据权利要求1所述的图像校正方法,其特征在于,还包括:对伪影图像进行滤波处理。
8.根据权利要求1所述的图像校正方法,其特征在于,还包括:对所述待校正图像进行压缩处理。
9.一种图像校正装置,包括:
确定模块,被配置为接收待校正图像,及获取该待校正图像的感兴趣区域相关图像;
检测模块,被配置为用于检测该感兴趣区域相关图像的伪影,包括:
确定角度范围;
从该角度范围中选取处理角度;
根据该处理角度旋转该感兴趣区域相关图像;
对旋转后的图像进行平滑化处理以获取平滑图像;
基于所述旋转后的图像及平滑图像生成减影图像;
在该减影图像中检测伪影;
图像生成模块,被配置为基于该伪影生成伪影图像;
处理模块,被配置为基于该伪影图像对待校正图像进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894098.9A CN106485680B (zh) | 2016-10-13 | 2016-10-13 | 图像校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610894098.9A CN106485680B (zh) | 2016-10-13 | 2016-10-13 | 图像校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485680A CN106485680A (zh) | 2017-03-08 |
CN106485680B true CN106485680B (zh) | 2017-11-28 |
Family
ID=58270711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610894098.9A Active CN106485680B (zh) | 2016-10-13 | 2016-10-13 | 图像校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485680B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316277B (zh) * | 2017-04-24 | 2020-12-18 | 苏州动影信息科技有限公司 | 一种医学锥束ct图像中运动伪影修正方法 |
EP3398515B1 (de) * | 2017-05-03 | 2020-06-24 | Siemens Healthcare GmbH | Adaptives verfahren zum erzeugen von artefaktreduzierten ct-bilddaten, sowie bilddatenrekonstruktionseinheit und entsprechendes computerprogrammprodukt. |
CN107301627B (zh) * | 2017-06-26 | 2020-07-17 | 深圳市安健科技股份有限公司 | 动态图像反锐化掩模去伪影增强方法及装置 |
CN107463989B (zh) * | 2017-07-25 | 2019-09-27 | 福建帝视信息科技有限公司 | 一种基于深度学习的图像去压缩伪影方法 |
WO2019128731A1 (en) * | 2017-12-29 | 2019-07-04 | Shenzhen United Imaging Healthcare Co., Ltd. | Systems and methods for scatter correction of image |
CN108510516A (zh) * | 2018-03-30 | 2018-09-07 | 深圳积木易搭科技技术有限公司 | 一种散乱点云的三维线段提取方法及*** |
EP4139881A4 (en) * | 2020-05-18 | 2023-03-01 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEMS AND METHODS FOR IMAGE OPTIMIZATION |
CN115957451B (zh) * | 2021-05-20 | 2023-09-08 | 合肥锐视医疗科技有限公司 | 一种基于双能锥束ct引导的放射治疗装置及图像矫正算法 |
CN115115738B (zh) * | 2022-08-29 | 2022-11-15 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768759A (zh) * | 2012-07-04 | 2012-11-07 | 深圳安科高技术股份有限公司 | 一种术中ct图像射束硬化伪影校正方法及装置 |
CN105469366A (zh) * | 2015-11-23 | 2016-04-06 | 山东科技大学 | 一种消减ct图像金属伪影的解析方法 |
-
2016
- 2016-10-13 CN CN201610894098.9A patent/CN106485680B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768759A (zh) * | 2012-07-04 | 2012-11-07 | 深圳安科高技术股份有限公司 | 一种术中ct图像射束硬化伪影校正方法及装置 |
CN105469366A (zh) * | 2015-11-23 | 2016-04-06 | 山东科技大学 | 一种消减ct图像金属伪影的解析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106485680A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485680B (zh) | 图像校正方法及装置 | |
US11756164B2 (en) | System and method for image correction | |
US10839567B2 (en) | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction | |
US10867375B2 (en) | Forecasting images for image processing | |
EP2783344B1 (en) | Image domain de-noising | |
Wang et al. | FBP-Net for direct reconstruction of dynamic PET images | |
CN109035355A (zh) | 用于pet图像重建的***和方法 | |
CN108352078A (zh) | 图像重建***和方法 | |
US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
CN115605915A (zh) | 一种图像重建***和方法 | |
CN101917906A (zh) | 通过将物体的围绕物用作动态约束在断层扫描中减少剂量并增强图像 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
US20220092755A1 (en) | Systems and methods for image processing | |
US11672496B2 (en) | Imaging systems and methods | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
US10013778B2 (en) | Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus | |
US20230222709A1 (en) | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction | |
CN114037803B (zh) | 医学图像三维重建方法及*** | |
US20230419455A1 (en) | System and method for image correction | |
WO2023125683A1 (en) | Systems and methods for image reconstruction | |
Liang et al. | A model-based deep learning reconstruction for X-Ray CT | |
Yang et al. | Generative low-dose CT image denoising | |
US20230342974A1 (en) | Imaging systems and methods | |
Cercos-Pita | Computational Reconstruction of the Human Nasal Airway |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |