CN107093198A - 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** - Google Patents
用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** Download PDFInfo
- Publication number
- CN107093198A CN107093198A CN201710084684.1A CN201710084684A CN107093198A CN 107093198 A CN107093198 A CN 107093198A CN 201710084684 A CN201710084684 A CN 201710084684A CN 107093198 A CN107093198 A CN 107093198A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- characteristic
- object element
- artifact
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012937 correction Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 title claims abstract description 38
- 239000002184 metal Substances 0.000 claims description 46
- 229910052751 metal Inorganic materials 0.000 claims description 46
- 239000007943 implant Substances 0.000 claims description 38
- 238000003325 tomography Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 8
- 238000002059 diagnostic imaging Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000002591 computed tomography Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 210000001624 hip Anatomy 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 210000004394 hip joint Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910001092 metal group alloy Inorganic materials 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像***。根据本发明，提供了一种用于选择用于校正图像数据记录中的至少一个图像伪影的算法的方法，图像数据记录由医学成像***采集并且代表被检查对象的至少一个感兴趣区域。该方法包括以下步骤：从图像数据记录中识别出引起图像伪影并且处于被检查对象的感兴趣区域内侧的至少一个物体元件；‑从图像数据记录中确定描述物体元件的至少一个特性；在至少一个特性的基础上确定伪影校正算法；和将伪影校正算法应用于图像数据记录。本发明还提供相应的数据处理设备和包括根据本发明的数据处理设备的医学成像***。
Description
技术领域
本发明涉及用于选择用于在针对被检查对象采集的断层图像数据记录上使用的伪影校正算法的方法，该方法改进了伪影校正算法对引起伪影的物体元件的性质的适应性。
背景技术
用于例如借助于计算机断层扫描***或类似物从来自被检查对象的扫描的检测器数据重建断层图像数据记录的方法一般是已知的。如果在被检查对象中存在异物、特别是金属物体，那么由于增强的射束硬化、增加的射束散射、部分容积效应和/或增加的噪声而会出现严重的图像伪影(已知为金属伪影)，在图像信息包含与被检查对象的成像区域中的实际状况的重要差异的意义上，这显著地降低了重建的计算机断层扫描图像的质量，并且因此可能不一致。效应中的哪一个是损害图像质量的主导因素首要取决于被检查对象中的金属物体的形状、组成和尺寸。
许多迥然不同的方法已知用于消除或减少金属伪影，并且可以分类成两组：
物理校正试图给针对图像伪影的物理误差源建模，并且做出相应的校正。由于伪影典型地由多个效应的组合产生，所以这是非常复杂的并且其中基于可以对检测器信号定量地进行分析的假设。物理校正的示例是考虑双组分水/金属***的射束硬化校正。该校正所需的物理假设在金属衰减太大(即金属太致密或太大时)失败。
该类还可以包括将原始数据空间或图像空间中的校正项用公式表示为具有无约束参数的线积分的展开(例如多项式)并接着在呈“总变化”(TV)形式的约束(例如平滑度)下对其进行全局或局部优化的方法。该过程在用于描述伪影的展开符合伪影的签名时工作，并且强度可以用展开的阶数覆盖。
与这些物理校正方法相反，正弦图插值(SI)技术假设已通过金属的测量射线一般不可用并且必须用估计值替换。也可以添加归一化/去归一化步骤以便减少由简单插值新引入的伪影。
其中已通过金属的射线的贡献权重做得极低的统计迭代方法归入该类。在这种情况中，迭代从附近的加权平均提供缺失的信息，这最终是内插的复杂公式。但即使这些方法也提供了不令人满意的图像质量。
SI在紧邻金属周围的附近中的伪影校正上尤其有问题。靠近金属的结构往往不能以充分的质量采集，因为靠近金属，真实测得值在大的投影角度范围中被丢弃。如果区域由金属完整地围住，那么测得的信息几乎没有留下以可用于该图像区域。SI对于极严重的金属伪影具有优点，针对该极严重的金属伪影，图像在没有校正的情况下实际上不可用。对于小的或不是非常致密的金属物体，所描述的校正的副作用可能占优势，因为仍然存在于数据中的可用部分信息根本未使用。
本发明的发明人将以下出版物算作贡献者，这些出版物通过示例的方式引用并且更详细地描述或呈现了各种金属伪影校正技术：
·E.Meyer、R.Raupach、M.Lell、M.Kachelrieβ：“计算机断层扫描中的频率***金属伪影减少(FSMAR)”，2012年4月医学物理学39(4)(E.Meyer,R.Raupach,M.Lell,M.Kachelrieβ:"Frequency Split Metal Artifact Reduction(FSMAR)in ComputedTomography",Med.Phys.39(4),April 2012)
·E.Meyer、R.Raupach、M.Lell、M.Kachelrieβ：“计算机断层扫描中的归一化金属伪影减少(NMAR)”，2010年10月医学物理学37(10)(E.Meyer,R.Raupach,M.Lell,M.Kachelrieβ:"Normalized Metal Artifact Reduction(NMAR)in ComputedTomography",Med.Phys.37(10),October 2010)
·F.Boas、D.Fleischmann：“用于减少计算机断层扫描中的金属伪影的两种迭代技术的评价”，2011年放射学259(3)894页至902页(F.Boas,D.Fleischmann:"Evaluationof two Iterative Techniques for Reducing Metal Artifacts in ComputedTomography",Radiology 259(3),pages 894-902,2011)
虽然上面提到的技术有时产生良好的结果，但是各算法具有其特定的残余伪影。校正结果因此不仅取决于引起伪影的物体元件的特性，而且取决于所使用的算法和用于该算法的参数集。
如今，待使用的校正算法通常由用户手动地选择，用户可例如从可能的植入物的列表中选择出被检查对象中存在的植入物，例如心脏起搏器、牙种植体、髋关节植入物等等。对于各植入物可以存储特别的校正算法，其包括特定的参数设定并且针对该植入物进行优化，并接着根据选择来应用。
然而该过程仅不充分地考虑了植入物的单独的性质和/或成像区域内可能有多个植入物的事实。结果使用的伪影校正和/或其参数设定因此可能在所实现的校正结果方面不令人满意。
发明内容
面对此，本发明的目的是改进优于现有技术的伪影减少技术的选择，使得更好地考虑到引起伪影的物体元件的性质。
该目的通过如独立权利要求中所要求保护的方法和设备来实现。从属权利要求中的每一个的主题包含有利的实施例和发展。
下面参照所要求保护的方法并参照所要求保护的设备来描述本发明实现该目的的方式。在这点上提到的特征、优点或可选实施例也可以同样应用于其他要求保护的主题，并且反之亦然。换言之，涉及物理对象的权利要求(例如该权利要求针对于一种方法)也可以通过与和设备有关地描述或要求保护的特征组合来发展。方法的相应的功能特征在这种情况中通过相应的物理模块或单元来体现。
本发明涉及一种用于选择用于校正图像数据记录中的至少一个图像伪影的算法的方法，图像数据记录由医学成像***采集并且代表被检查对象的至少一个感兴趣区域。该方法包括以下步骤：
-从图像数据记录中识别出引起图像伪影并且处于被检查对象的感兴趣区域内侧的至少一个物体元件；
-从图像数据记录中确定描述物体元件的至少一个特性；
-在至少一个特性的基础上确定伪影校正算法；和
-将伪影校正算法应用于图像数据记录。
该过程不同于在选择校正技术时纯粹定性地考虑引起图像伪影的物体元件(例如关于植入物的类型)的已知过程。而是，根据本发明人的发现，在该物体元件的特定性质或特性被确定并形成用于校正技术的选择和/或参数设定的基础的意义上，关于引起伪影的物体元件对图像信息执行定量分析。由此可以实现伪影校正对被检查对象的单独的环境或特别的特征的改进了的适应性，并因此可以获得改进的伪影校正。
在本发明的实施例变型中，这也对应于本发明的主要用途，引起图像伪影的物体元件是金属元件、特别是诸如螺钉、桥、牙种植体、骨替换物等等的金属植入物。根据该实施例变型，校正算法是金属伪影校正算法，例如如引言中所描述的已知金属伪影校正算法。
本发明不限于选择金属伪影校正算法；可以以类似的方式改进其他图像伪影的校正。
伪影校正算法被设计成校正或改进至少一个图像伪影；特别地，伪影校正算法可以特征在于：其通过校正不止一个的图像伪影而对图像质量具有积极效果。特别地，伪影校正算法可以被设计成校正一个或多个成像误差，诸如例如射束硬化、部分容积效应或类似物，其对于底层数据采集技术、医学成像***和/或对于被检查对象而言是特定的，并因此对于产生伪影校正而言是特定的。
参照本发明并且在不失一般性的情况下，下面假设被检查对象是患者、正常情况下是人类患者。然而原则上患者也可以是动物。因此下面也同义地使用两个术语“被检查对象”和“患者”。然而被检查对象也可以是植物或无生命物体、例如历史物体或类似物。
感兴趣区域对应于被检查对象的由医学成像***成像的那个(子)区域，特别是身体的特定区域，诸如例如头、胸、髋、小腿等等。在这种情况中，采集仅涉及该(子)区域的图像数据。然而感兴趣区域也可以覆盖整个被检查对象或整个患者。在这种情况中，医学成像***采集关于被检查对象的整个身体的图像数据。
医学成像***优选计算机断层扫描***或C臂X射线机。医学成像***的、特别是来自非医疗领域的其他实施例变型同样是可能的并且由本发明覆盖。
采集的图像数据记录可以以投影数据的形式存在，该投影数据可以使用本身已知并因此这里不详细描述的重建技术、例如使用加权过滤的向后投影(WFBP)技术被转换成断层扫描图像(即图像空间中的图像数据)。图像数据记录因此也可以以图像空间中的图像数据的形式存在。可以使用诸如例如向前投影等的合适的操作再次从图像数据中导出投影数据。投影数据因此等效于图像数据。
在根据本发明的方法中，在图像数据记录中识别出降低图像质量并且是待去除的图像伪影的成因的第一个或多个物体元件。这里可以确定至少一个物体元件的至少一个或多个区别特性。特性的特征在于它在物体元件的性质(特别是其物体性质方面)更密切地、详细地和/或定量地对其进行了描述。随后使用至少一个物体元件的至少一个特性来选择尤其好地适合于特别的物体元件的伪影校正算法。接着将该算法应用于图像数据记录，造成其中图像伪影被减少或消除的图像数据。
在本发明的实施例变型中，在投影空间中和/或图像空间中识别出引起图像伪影的物体元件。如引言中提到的，投影空间中的图像数据和图像空间中的图像数据是等效的，并且特别是可以彼此转换。因此本发明可以特别广泛地应用，因为它使得可以针对给定状况来选择最合适的过程。
然而，在本发明的优选实施例变型中，在图像空间中识别出引起图像伪影的物体元件。在图像空间中，图像数据典型地以每图像元素或每图像点的图像值的形式存在。换言之，在二维情况中，各像素分配一个图像值，并且在三维情况中，各体素分配一个图像值。在计算机断层扫描中，图像值例如以灰度级值的形式存在。识别由此可以非常容易地并且特别是针对在一时间的各像素点和/或在阈的基础上自动地执行。通过这种手段，对应于高信号衰减(亮像素/体素)的具有处于特别的阈值之上的高灰度级的图像点被相应地分配给物体元件，并且具有处于阈之下的灰度级的图像点则不被分配。该过程可以有利地用来省却属于物体元件的图像点的手动确定。由此可以在本发明的背景下容易地且以成本适中的方式采用如所描述地工作的所建立的、已知的并且特别是专有的分段技术。
如上所述如果从图像数据中识别物体元件，那么在中间步骤中，从未经校正的投影数据或者从以传统方式或至少初始以已知方式校正的投影数据中创建图像数据，该图像数据接着形成分段的基础。
根据另一实施例变型，为了识别物体元件的目的，可以在用户输入的基础上限定阈值。根据本发明的方法由此可以容易地适应对于被检查对象特别的单独的特征或者适应图像数据采集的特别的形式。在这种情况中，可以由用户通过输入期望的值或从预定列表中选择值或者甚至通过使滑动条在用于阈值的特别的预定值范围内滑动来选择和/或调节阈值。列表中的预设条目可以基于用于特别的物体元件、特别是金属物体元件的特性灰度级。其他选择选项同样是可能的。
根据本发明的另一实施例变型，定量地分析以这种方式识别出的至少一个物体。在这种情况中，对于物体元件，分析或确定涉及引起伪影的物体元件的几何形状、在感兴趣区域内侧的布置和/或材料性质的至少一个特性。该步骤允许图像校正算法在本方法的过程中单独地被调整或选择以适合引起图像伪影的物体元件，由此可以特别好地校正图像伪影。
根据优选变型，在这种情况中的至少一个特性包括以下变量中的至少一个：物体元件的数量、物体元件的尺寸、物体元件的平均尺寸、物体元件的材料组成、物体元件在医学成像***的视野内或相对于其他物体元件的位置。因此使用至少一个特性来限定在感兴趣区域内侧有多少个引起伪影的物体元件、所述物体元件单独地或者作为平均有多大(例如，凭借所包括的图像点的数量)、物体元件(例如，金属合金)用什么材料制造、和/或在感兴趣区域内侧或相对于其他物体元件在哪里或如何布置或定向物体元件。所有这些信息详细地且超出物体元件的类型(例如金属髋关节植入物)地标识至少一个物体元件，允许了在至少一个特性的基础上的伪影校正算法的非常精确的适应性或选择。特别地，进一步的引起伪影的图像元素的存在和这些元件之间的特定位置通常产生特定形式的伪影，无论是在伪影强度还是伪影形状方面。根据本发明可以有利地考虑并由此更加有效地消除这些特别的特征。
根据按照本发明的方法的另一实施例变型，将用于校正针对被检查对象的感兴趣区域的图像伪影的算法被确定多次、特别是逐个断层切面(slice)地确定。换言之，可以针对感兴趣区域的多个子区域中的每一个单独地确定伪影校正算法。该确定于是相应地基于引起伪影并且处于相应子区域内或相对于其的物体元件的至少一个特性。特别地，子区域可以呈断层切面的形式，在该情况中该实施例变型特别地解决了计算机断层扫描***的特定采集技术和采集几何形状。在这种情况中，断层切面优选地根据采集协议垂直于图像数据采集期间被检查对象的给送方向或围绕水平并横跨给送方向倾斜地定向。该断层切面厚度在这里可以针对特别的状况来设定并且可以等于例如成像***行进患者的半轨道的沿着患者的给送方向的距离。由特别的采集技术产生的其他期望的厚度同样是可能的。伪像校正算法的逐个断层切面确定允许校正规则对被检查对象的局部环境的特别精确的适应性。子区域可以采取除了所描述的断层切面形式之外的任何形状，其中用于子区域的其他形状、例如球形、棱柱形或长方体区同样是可能的。
根据本发明的另一实施例，确定用于校正针对被检查对象的感兴趣区域的图像伪影的算法包括在至少一个特性的基础上限定用于算法的参数集，并且将伪影校正算法应用于图像数据记录包括使用限定出的参数集来应用图像校正算法。当可以在所确定的特性的基础上选择至少两个不同的或不同类型的伪影校正算法中的一个的时候，本发明的该实施例变型可选地或另外地包括调整参数以便调节已经选择的或指定的伪影校正算法。接着依照所限定的参数集来应用校正算法。参数集包括至少一个参数，不过正常情况下是多个参数。参数的数量和本质特别地从校正算法的类型获得。参数集限定了如何将伪影校正应用于图像数据。
根据另一实施例变型，限定参数集包括将至少一个特性与至少一个参考量进行比较。根据该实施例，参数集中的至少一个参数在特性与参考量的值的比较的基础上进行分配。所述参考量是例如基于用于考虑中的特性的平均值或值范围，这可以从多个先前的图像数据采集、图像伪影校正处理或存储在***中的其他经验值来获得。对于每个参考值存储了用于特别的伪影校正的至少一个参数，如果当选择所述特别的伪影校正算法时，特性与参考量相关联，则使用该参数。特别地，比较可以自动地执行。然而也可以提供成，用户进行涉及确认自动比较的输入。
根据本发明的优选实施例变型，当多个特性与多个参考量进行比较时，对特性进行加权。针对与指定参数集的参数相关的各特性或各参考量相应地存储权重，在多个特性在考虑中的情况下也比较权重。具有最大权重的特性决定被选择的参数。该过程确保根据本发明的方法针对其中比较不同特性将造成不同参数值的状况安全且可靠地工作。
本发明还涉及一种用于选择用于校正图像数据记录中的图像伪影的算法的数据处理设备，图像数据记录由医学成像***采集并且代表被检查对象的至少一个感兴趣区域。该数据处理设备被设计成：
-从图像数据记录中识别出引起图像伪影并且处于被检查对象的感兴趣区域内侧的至少一个物体元件；
-从图像数据记录中确定描述物体元件的至少一个特性；
-在至少一个特性的基础上确定合适的伪影校正算法；和
-将伪影校正算法应用于图像数据记录。
术语“数据处理设备”应该被理解为一般意味着计算机或彼此数据连通的多个计算机，各计算机包括至少一个处理器。数据处理设备可以例如作为软件或作为硬件模块体现并集成在医学成像***的控制单元、图像编辑单元或图像处理单元中或者重建单元中，如稍后更详细地描述的。数据处理设备可以呈单独单元的形式，其中各单元被设计成执行根据本发明的方法的至少一个处理步骤。可选地，所有处理步骤也可以由一个单元执行。数据处理设备可以物理地体现为单元或模块或者单独的分离子模块的组合、特别地也以分布的方式体现。在无论什么实施例中，它们具有彼此的(无线或有线)数据连接以便能够交换各种处理步骤所需的数据。
关于根据本发明的数据处理设备的单独方面的详细描述和/或优点，参考根据本发明的方法的实施例，其可以相应地应用于装置。
另外，本发明涉及一种用于选择用于校正图像数据记录中的图像伪影的算法的医学成像***，图像数据记录由医学成像***采集并且代表被检查对象的至少一个感兴趣区域。该医学成像***包括数据处理设备，数据处理设备被设计成：
-从图像数据记录中识别出引起图像伪影并且处于被检查对象的感兴趣区域内侧的至少一个物体元件；
-从图像数据记录中确定描述物体元件的至少一个特性；
-在至少一个特性的基础上确定合适的伪影校正算法；和
-将伪影校正算法应用于图像数据记录。
在特别优选的实施例变型中，医学成像***呈X射线计算机断层扫描机或C臂X射线机的形式。
附图说明
结合附图更详细地进行说明的示例性实施例的以下描述将阐明并阐发该发明的上述性质、特征和优点，及实现它们的方式。该描述不将本发明限制于这些示例性实施例。同样的组成部件在不同的图中用相同的附图标记来表示。图一般未按比例示出，其中：
图1示出根据本发明的示例性实施例的呈计算机断层扫描设备形式的医学成像***；
图2是根据本发明的示例性实施例的方法的流程图；和
图3a至图3d示出参照伪影受损的图像数据记录(图3a)、在数据记录中分段的引起伪影的物体元件(图3b)和用于确定何时的伪影校正算法的特性图(图3c、图3d)的根据本发明的方法的示例性实施例。
具体实施方式
图1示出呈计算机断层扫描设备形式的医学成像***。这里示出的计算机断层扫描机具有包括X射线源8和X射线检测器9的采集单元17。采集单元17在X射线投影的采集期间围绕***轴线5转动，并且X射线源8在采集期间发射X射线2。
患者3在X射线投影的采集期间躺在患者诊察台6上。患者诊察台6被连接至诊察台基座4使得基座支撑承载着患者3的患者诊察台6。患者诊察台6被设计成使患者3沿着采集方向移动穿过采集单元17的孔10。采集方向通常由采集单元17在X射线投影的采集期间转动所围绕的***轴线5来限定。在该示例中，患者3的身体轴线与***轴线5相同。为了螺旋采集，患者诊察台6在采集单元17围绕患者3转动并采集X射线投影的时候被连续地移动穿过孔10。X射线3因此在患者3的表面上描述了螺旋。
计算机断层扫描机具有呈计算机形式的数据处理设备12，该设备被连接至显示单元11，例如用于X射线图像采集的图形显示，并且被连接至输入单元7。显示单元11可以是例如LCD、等离子体或OLED屏幕。它也可以是触摸屏幕，其也体现为输入单元7。这样的触摸屏幕可以被集成在成像机器中或者被设计为便携式装置的一部分。输入单元7例如是键盘、鼠标、触摸屏幕或者甚至是用于语音输入的麦克风。输入单元7也可以被设计成检测用户的移动并转换成用户的移动的合适命令。用户可以使用输入单元7例如以确认引起图像伪影的物体元件的分段，该分段由计算机12自动地执行，或者以确认用于一个或多个参考量的多个值或一个值。
计算机12被连接至可转动的采集单元17，用于数据传递的目的。凭借连接14，用于X射线图像采集的控制信号被从计算机12传输至采集单元17，并且针对患者3采集的投影数据也可以被传输至计算机12，用于图像重建。连接14用有线或无线的形式以已知的方式来实施。
根据该示例性实施例，呈计算机形式的数据处理设备12包括本地布置的处理单元16。处理单元16体现为图像处理单元或图像数据处理单元。它被特别地设计成在由采集单元17采集的图像数据记录上执行涉及根据本发明的方法的所有处理步骤。然而图像数据记录或任何图像数据记录也可以由另一医学成像***提供至处理单元16并且不需要在捕获后马上对由处理单元16进行的图像数据记录的进一步处理。例如，图像数据记录可以借助于本身已知的便携式机器可读数据存储介质、凭借医院信息***或放射信息***(HIS或RIS)或者凭借因特网以本身已知的方式被供给至处理单元16。处理单元16包括：识别单元21，用于从图像数据记录中识别出引起图像伪影并处于感兴趣区域内侧的至少一个物体元件；和确定单元22，其确定描述了识别出的物体元件的至少一个特性，并且在至少一个特性的基础上确定最佳可能的伪影校正算法。另外，处理单元16还包括图像重建单元23，其将选择出的伪影校正算法应用于图像数据记录以生成作为经过校正的图像伪影的结果图像。为此目的，图像重建单元23被设计成针对特别的重建技术并根据先前的方法步骤的形式在图像数据记录上执行本身已知的向后投影和向前投影步骤。为了确定合适的伪影校正算法的目的，确定单元22可以将用于特性的至少一个值与参考量进行比较，或者将多个特性与相应的参考量进行比较。这些参考值可以被本地或远程地存储在与确定单元22数据连通的存储器(未示出)中。
处理单元16可以与机器可读数据存储介质13交互，特别是以便借助于包含程序代码的计算机程序来执行根据本发明的方法。另外，计算机程序可以被以可检索的形式存储在机器可读存储介质上。机器可读存储介质可以特别是CD、DVD、蓝光光盘、记忆棒或硬盘。处理单元16并因此还有其子组成部件可以呈硬件或软件的形式。例如，处理单元16可以体现为FPGA(现场可编程门阵列)或者包括算术逻辑单元。各或所有的子组成部件也可以可选地被远程地布置，例如该方法的独立的处理步骤可以在医疗服务设备(例如医院)的中央处理中心中或在云中执行。特别是在这种情况中，在数据传递中必须考虑到数据保护和患者保护。
在这里示出的实施例中，至少一个计算机程序被存储在数据处理设备12的存储器中，当在计算机12上执行该计算机程序时该计算机程序执行根据本发明的方法的所有方法步骤。用于执行根据本发明的方法的方法步骤的计算机程序包括程序代码。另外，计算机程序可以呈可执行文件的形式和/或可以被存储在除计算机12之外的另一处理***中。例如，X射线成像设备可以被设计成使得计算机12凭借内联网或凭借因特网将用于执行根据本发明的方法的计算机程序下载到其内部主要存储器上。
图2说明了根据本发明的方法的示例性实施例。在第一步骤S21中，识别出引起图像伪影的至少一个物体元件。呈植入物形式的金属物体元件在这里被特别地视作这样的物体元件。为了识别，求助于呈初始重建的计算机断层扫描采集(即在这种情况中是在没有金属校正的情况下重建的计算机断层扫描采集)的形式的图像数据记录BD。如图3a中图示出的，计算机断层扫描采集通过示例的方式示出了患者头骨PS的截面图。图像包括在患者3的下颌中的呈由金属制成的植入物形式的引起伪影的物体元件MI，这通过与相关联的图像元素中的尤其亮的灰度级来识别出。另外，图3a中示出的图像数据记录BD还包括呈从植入物MI辐射的条纹的形式的典型金属结构的图像伪影BA。这些严重损害了图像数据记录BD、特别是紧邻金属元件MI的图像质量。
为了识别金属物体元件MI，在这种情况中将阈-级(threshold-level)技术应用于所有图像元素。换言之，在步骤S21中，将图像数据记录BD的各图像元素的灰度级与阈值进行比较。如果图像元素的灰度级处于阈之上，则将图像元素分配给物体元件MI；如果灰度级处于阈之下，则图像元素不属于金属物体元件MI。分段在这里使用呈2000的亨氏单位(HU)值的形式的阈来执行。该阈值可以是固定的或者可以由用户通过***输入随后手动地调节，例如以适合感兴趣区域或在采集图像数据记录BD时使用的特定采集协议。特别是，在使用初始阈值进行的分段之后，可以调节阈值一次或超过一次使得金属到初始重建的图像数据记录BD内的分段是对于金属植入物MI的现实代表的最佳可能的匹配。识别步骤S21产生至少一个金属物体元件或植入物MI的(精确)代表，如图3b中所示。分配给金属植入物MI的所有图像元素在图3b中被示出为白色图像元素。可以在下面从该分段或分配中导出金属植入物MI的至少一个特性KG。这在步骤S22中执行。在该步骤S22中，关于识别出的金属植入物MI的尺寸和密度对分段的图像数据记录BD进行检查。例如，形成包含高于阈值的灰度级的连续区域的图像元素的数量代表金属植入物MI的尺寸，并且这些图像元素的平均灰度级代表相应的金属植入物MI的密度。换言之，本示例性实施例考虑到金属植入物MI的尺寸(KG2)和密度(KG1)的特性KG。如引言中已经详细说明的，当然也可以确定其他特性KG、特别是只一个特性或超过两个的特性KG，并且在选择伪影校正算法时将其考虑在内。
现在在步骤S23中使用这里考虑的尺寸(KG2)和密度(KG1)的特性KG，用于选择合适的伪影校正算法。现在可以例如在如图3c所示的特性图中绘制出针对金属植入物MI的尺寸和密度确定的值，其中在这里通过示例的方式将第一特性KG1绘制为纵坐标，并且将第二特性KG2绘制为横坐标。牙种植体由于用于这些植入物的材料而典型地产生小尺寸但具有高密度，结果是一般但非排他性地它们位于靠近质心区S1或在其内侧的位置处。另一方面，如果考虑例如髋关节植入物，那么为此目的，这些通常由不太致密但大得多的材料制成。在图中，这些通常处于质心区S2周围或内侧。然而，再次，这在每一种情况中都不是正确的，并且校正算法的合适选择要求独立验证。相比之下，脊柱植入物往往与髋关节植入物相比在尺寸以及密度上小，结果是这样的植入物典型地处于质心区S3周围或内侧。
基于第一和第二特性KG1、KG2之间的关系，可以将特性图划分成具有优选的校正算法类的区域，例如如图3d所示。根据这种划分，弱校正算法(WCA)特别地在正常情况下适用于牙和脊柱植入物，并且强校正算法(SCA)适用于髋关节植入物。然而根据本发明的方法通过现在不仅在植入物的类型的基础上而且通过发现特性对KG1、KG2的位置与质心区S1、S2、S3相距的距离而确定适当的算法来验证或改进校正算法的该经验分配。根据本发明，使用到其质心的距离最短的算法。因此根据本发明，作为确定出的特性KG1、KG2的结果，甚至可以针对髋关节植入物确定例如弱校正算法。
如果在建立合适的算法时同时考虑到超过两个的特性，则可以应用本身已知的主成分分析以便确定最佳适合的校正算法。作为所描述的过程的可选方案，如果考虑到多个特性KG，则利用具有决定使用哪个校正算法的最大权重对所述特性中的每一个进行加权。在进一步的方法步骤S24中，将选择出的校正算法应用于图像数据记录BD以便以最佳可能的方式校正存在的图像误差BA，造成了患者3的感兴趣区域的经过校正的并因此是真实的断层图像。
根据本发明的方法可以在患者3的检查期间的各种时间执行。所描述的过程允许金属伪影校正(其调节例如以适合存在的植入物)早在断层采集之后被自动地确定，因为即使在该时间点也可以在感兴趣区域内侧和/或相对于其他物体元件、特别是引起伪影的其他物体元件采集并分析诸如尺寸、位置、密度、布置等的特性KG。接着使用该校正选择来校正感兴趣区域中的所有断层切面。另一方面，根据本发明的方法可以重复地、优选在图像数据采集期间甚至多次地、特别是逐个断层切面地执行。由此可以针对各断层切面做出校正算法的校正参数的优化选择，这实现了特别好地校正了的图像数据，因为可以针对各独立的断层切面重新确定并考虑特性。
因此不仅考虑特定金属植入物MI的类型，而且可以详细考虑金属植入物的精确的局部空间实施例、其密度和其在感兴趣区域内侧的局部布置和位置。
显然也同样适用于其他非金属引起伪影的图像元素，本发明可以相应地应用于其上。
下面再次讨论本发明的关键优点：
本发明使用特性来考虑引起伪影的物体元件的超出该引起伪影的物体元件的类型之外的各种特征，例如诸如尺寸、位置等的特征、诸如密度等的材料性质等等。这些特性对于选择最佳适应引起伪影的物体元件的伪影校正算法是理想的。特别地，校正算法的参数设定更取决于除元件的类型(例如，髋关节植入物)外的引起伪影的物体元件的尺寸和密度。特性通过在图像空间或投影空间中的采集的图像数据记录的自动或至少半自动分析来确定。本方法的逐个断层切面实施允许适应引起伪影的物体元件的局部特性的校正算法的特别精确的选择。这可以例如由无经验的辅助医疗技术人员来排除手动操作和校正算法的选择上的错误。
Claims (14)
1.一种用于选择用于校正图像数据记录(BD)中的至少一个图像伪影(BA)的算法的方法，所述图像数据记录由医学成像***采集并且代表被检查对象(3)的至少一个感兴趣区域，所述方法包括如下步骤：
-从所述图像数据记录中识别出(S21)引起所述图像伪影并且处于所述被检查对象的所述感兴趣区域内侧的至少一个物体元件(MI)；
-从所述图像数据记录中确定(S22)描述所述物体元件的至少一个特性(KG；KG1，KG2)；
-在所述至少一个特性的基础上确定(S23)伪影校正算法；和
-将所述伪影校正算法应用(S24)于所述图像数据记录。
2.如权利要求1所述的方法，其中引起所述图像伪影的所述物体元件是金属元件、特别是金属植入物，并且所述校正算法是金属伪影校正算法。
3.如权利要求1或2所述的方法，其中在投影空间中和/或图像空间中识别出引起图像伪影的所述物体元件。
4.如权利要求3所述的方法，其中针对在一时间的各图像点和/或在阈值的基础上在所述图像空间中识别出引起图像伪影的所述物体元件。
5.如权利要求4所述的方法，其中在用户输入的基础上限定阈值。
6.如前述权利要求之一所述的方法，其中所述至少一个特性是涉及引起所述伪影的所述物体元件的几何形状、在所述感兴趣区域内侧的布置和/或材料性质的特性。
7.如前述权利要求之一所述的方法，其中所述至少一个特性包括以下变量中的至少一个：物体元件的数量、物体元件的尺寸、物体元件的平均尺寸、物体元件的材料组成、物体元件在所述医学成像***的视野内或相对于其他物体元件的位置。
8.如前述权利要求之一所述的方法，其中将用于校正针对所述被检查对象的所述感兴趣区域的图像伪影的所述算法被确定多次、特别是逐个断层切面地确定。
9.如前述权利要求之一所述的方法，其中确定用于校正针对所述被检查对象的所述感兴趣区域的图像伪影的所述算法包括在所述至少一个特性的基础上限定用于算法的参数集，并且将所述伪影校正算法应用于所述图像数据记录包括使用所述限定出的参数集来应用所述图像校正算法。
10.如权利要求8或9所述的方法，其中限定参数集包括将所述至少一个特性与至少一个参考量进行比较。
11.如权利要求10所述的方法，其中当多个特性与多个参考量进行比较时，对所述特性进行加权。
12.一种用于选择用于校正图像数据记录(BD)中的图像伪影(BA)的算法的数据处理设备(12)，所述图像数据记录由医学成像***采集并且代表被检查对象(3)的至少一个感兴趣区域，所述数据处理设备被设计成：
-从所述图像数据记录中识别出(S21)引起图像伪影并且处于所述被检查对象的所述感兴趣区域内侧的至少一个物体元件(MI)；
-从所述图像数据记录中确定(S22)描述所述物体元件的至少一个特性(KG；KG1，KG2)；
-在所述至少一个特性的基础上确定(S23)合适的伪影校正算法；和
-将所述伪影校正算法应用(S24)于所述图像数据记录。
13.一种用于选择用于校正图像数据记录(BD)中的图像伪影(BA)的算法的医学成像***，所述图像数据记录由所述医学成像***采集并且代表被检查对象(3)的至少一个感兴趣区域，所述医学成像***包括数据处理设备(12)，所述数据处理设备被设计成：
-从所述图像数据记录中识别出(S21)引起图像伪影并且处于所述被检查对象的所述感兴趣区域内侧的至少一个物体元件(MI)；
-从所述图像数据记录中确定(S22)描述所述物体元件的至少一个特性(KG；KG1，KG2)；
-在所述至少一个特性的基础上确定(S23)合适的伪影校正算法；和
-将所述伪影校正算法应用(S24)于所述图像数据记录。
14.如权利要求13所述的医学成像***，呈X射线计算机断层扫描机或C臂X射线机的形式。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016202434.5A DE102016202434A1 (de) | 2016-02-17 | 2016-02-17 | Auswahlverfahren für einen Artefaktkorrekturalgorithmus, Datenverarbeitungseinrichtung zur Ausführung des Verfahrens und medizinische Bildgebungsanlage |
| DE102016202434.5 | 2016-02-17 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107093198A true CN107093198A (zh) | 2017-08-25 |
Family
ID=59410085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710084684.1A Pending CN107093198A (zh) | 2016-02-17 | 2017-02-16 | 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10388037B2 (zh) |
| CN (1) | CN107093198A (zh) |
| DE (1) | DE102016202434A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020570A (zh) * | 2017-11-21 | 2018-05-11 | 上海联影医疗科技有限公司 | 金属物检测的方法及*** |
| CN109939365A (zh) * | 2017-12-21 | 2019-06-28 | 西门子保健有限责任公司 | 自动产生针对医学成像设备的校正数据的体积模型的方法 |
| CN110459298A (zh) * | 2018-05-08 | 2019-11-15 | 西门子医疗有限公司 | 用于求出结果值的方法和设备、诊断站和成像*** |
| CN110495899A (zh) * | 2018-05-16 | 2019-11-26 | 西门子医疗有限公司 | 确定几何形状校准的方法和设备和确定关联数据的方法 |
| CN110889005A (zh) * | 2018-08-15 | 2020-03-17 | 西门子医疗有限公司 | 搜索医学参考图像 |
| CN111325678A (zh) * | 2018-12-17 | 2020-06-23 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
| CN111526796A (zh) * | 2017-12-29 | 2020-08-11 | 上海联影医疗科技有限公司 | 用于图像散射校正的***和方法 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6413927B2 (ja) * | 2015-05-25 | 2018-10-31 | コニカミノルタ株式会社 | 動態解析装置及び動態解析システム |
| US20170365047A1 (en) * | 2016-06-15 | 2017-12-21 | General Electric Company | Artifact management in imaging |
| EP3471054B1 (en) * | 2017-10-16 | 2022-02-09 | Siemens Healthcare GmbH | Method for determining at least one object feature of an object |
| EP3556293A1 (de) | 2018-04-19 | 2019-10-23 | Siemens Healthcare GmbH | Verfahren zur bilderzeugung bei einem röntgengerät, bilderzeugungsrechner, röntgengerät, computerprogrammprodukt und computerlesbarer datenträger |
| DE102018216740B4 (de) * | 2018-09-28 | 2021-07-15 | Siemens Healthcare Gmbh | Verfahren zum Übermitteln von patientenspezifischen Daten an eine Untersuchungsprotokollanpassungseinheit und Patientendatenübermittlungseinheit |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1930586A (zh) * | 2004-03-10 | 2007-03-14 | 皇家飞利浦电子股份有限公司 | 伪像校正 |
| CN104599239A (zh) * | 2013-10-31 | 2015-05-06 | 通用电气公司 | 一种医学图像中的金属伪影消除方法及装置 |
| CN104644200A (zh) * | 2013-11-25 | 2015-05-27 | Ge医疗***环球技术有限公司 | 减少计算机断层扫描图像重构中伪像的方法和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL121773A0 (en) * | 1997-09-15 | 1998-02-22 | Elscint Ltd | Method for improving CT images having high attenuation objects |
| US7835562B2 (en) * | 2004-07-23 | 2010-11-16 | General Electric Company | Methods and apparatus for noise reduction filtering of images |
| US7991243B2 (en) * | 2005-02-03 | 2011-08-02 | Koninklijke Philips Electronics N.V. | Radial adaptive filter for metal artifact correction |
| CA2748234A1 (en) * | 2008-12-25 | 2010-07-01 | Medic Vision - Imaging Solutions Ltd. | Denoising medical images |
| WO2012073151A2 (en) * | 2010-12-01 | 2012-06-07 | Koninklijke Philips Electronics N.V. | Diagnostic image features close to artifact sources |
| US9704223B2 (en) * | 2014-06-10 | 2017-07-11 | Toshiba Medical Systems Corporation | Method and system for substantially reducing cone beam artifacts based upon adaptive scaling factor in circular computer tomography (CT) |
-
2016
- 2016-02-17 DE DE102016202434.5A patent/DE102016202434A1/de active Pending
-
2017
- 2017-02-01 US US15/421,780 patent/US10388037B2/en active Active
- 2017-02-16 CN CN201710084684.1A patent/CN107093198A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1930586A (zh) * | 2004-03-10 | 2007-03-14 | 皇家飞利浦电子股份有限公司 | 伪像校正 |
| CN104599239A (zh) * | 2013-10-31 | 2015-05-06 | 通用电气公司 | 一种医学图像中的金属伪影消除方法及装置 |
| CN104644200A (zh) * | 2013-11-25 | 2015-05-27 | Ge医疗***环球技术有限公司 | 减少计算机断层扫描图像重构中伪像的方法和装置 |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108020570B (zh) * | 2017-11-21 | 2021-02-19 | 上海联影医疗科技股份有限公司 | 金属物检测的方法及*** |
| CN108020570A (zh) * | 2017-11-21 | 2018-05-11 | 上海联影医疗科技有限公司 | 金属物检测的方法及*** |
| CN109939365A (zh) * | 2017-12-21 | 2019-06-28 | 西门子保健有限责任公司 | 自动产生针对医学成像设备的校正数据的体积模型的方法 |
| CN111526796B (zh) * | 2017-12-29 | 2023-08-25 | 上海联影医疗科技股份有限公司 | 用于图像散射校正的***和方法 |
| CN111526796A (zh) * | 2017-12-29 | 2020-08-11 | 上海联影医疗科技有限公司 | 用于图像散射校正的***和方法 |
| CN110459298A (zh) * | 2018-05-08 | 2019-11-15 | 西门子医疗有限公司 | 用于求出结果值的方法和设备、诊断站和成像*** |
| CN110459298B (zh) * | 2018-05-08 | 2023-05-23 | 西门子医疗有限公司 | 用于求出结果值的方法和设备、诊断站和成像*** |
| CN110495899A (zh) * | 2018-05-16 | 2019-11-26 | 西门子医疗有限公司 | 确定几何形状校准的方法和设备和确定关联数据的方法 |
| CN110495899B (zh) * | 2018-05-16 | 2023-08-22 | 西门子医疗有限公司 | 确定几何形状校准的方法和设备和确定关联数据的方法 |
| CN110889005A (zh) * | 2018-08-15 | 2020-03-17 | 西门子医疗有限公司 | 搜索医学参考图像 |
| CN110889005B (zh) * | 2018-08-15 | 2024-04-16 | 西门子医疗有限公司 | 搜索医学参考图像 |
| CN111325678A (zh) * | 2018-12-17 | 2020-06-23 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
| CN111325678B (zh) * | 2018-12-17 | 2023-11-17 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20170236309A1 (en) | 2017-08-17 |
| US10388037B2 (en) | 2019-08-20 |
| DE102016202434A1 (de) | 2017-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107093198A (zh) | 用于伪影校正算法的选择方法、用于执行该方法的数据处理设备和医学成像*** | |
| AU2019257675B2 (en) | Image enhancement using generative adversarial networks | |
| AU2019449137B2 (en) | sCT image generation using cyclegan with deformable layers | |
| CN110047128B (zh) | 从几个x射线放射照片3d重建x射线ct体积和分割掩模的方法和*** | |
| CN107038728B (zh) | 基于迭代重建的轮廓自动化确定 | |
| CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
| US20170150937A1 (en) | Method and apparatus for reducing artefacts in computed tomography images | |
| US20180253838A1 (en) | Systems and methods for medical imaging of patients with medical implants for use in revision surgery planning | |
| CN111815735B (zh) | 一种人体组织自适应的ct重建方法及重建*** | |
| US20220313176A1 (en) | Artificial Intelligence Training with Multiple Pulsed X-ray Source-in-motion Tomosynthesis Imaging System | |
| CN112601582A (zh) | 用于加速的在线自适应放射疗法的***和方法 | |
| CN113196340A (zh) | 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估 | |
| EP3047455A1 (en) | Method and system for spine position detection | |
| WO2015040547A1 (en) | Method and system for spine position detection | |
| EP4292051A1 (en) | Metal artifact reduction algorithm for ct-guided interventional procedures | |
| Oulbacha et al. | MRI to C‐arm spine registration through Pseudo‐3D CycleGANs with differentiable histograms | |
| US20220301163A1 (en) | Deep learning based medical system and method for image acquisition | |
| Sayin et al. | Optimization of CBCT data with image processing methods and production with fused deposition modeling 3D printing | |
| CN114140487A (zh) | 脑部图像分割方法及装置 | |
| US20240104796A1 (en) | Ct reconstruction for machine consumption | |
| US20220378383A1 (en) | Target area determination method and medical imaging system | |
| US20240029415A1 (en) | Simulating pathology images based on anatomy data | |
| US20220346665A1 (en) | Methods and systems for robust intensity ranges for automatic lesion volume measurement | |
| KR102077387B1 (ko) | 인공지능 기반 핵의학 영상 획득 방법 및 장치 | |
| Kamencay et al. | Innovative 3D reconstruction method based on patch based technique using neural network |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170825 |