CN108292428A - 图像重建的***和方法 - Google Patents
图像重建的***和方法 Download PDFInfo
- Publication number
- CN108292428A CN108292428A CN201580079962.3A CN201580079962A CN108292428A CN 108292428 A CN108292428 A CN 108292428A CN 201580079962 A CN201580079962 A CN 201580079962A CN 108292428 A CN108292428 A CN 108292428A
- Authority
- CN
- China
- Prior art keywords
- voxel
- image
- voxel value
- noise
- projection
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000008859 change Effects 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims abstract description 16
- 230000002708 enhancing effect Effects 0.000 claims description 34
- 230000009467 reduction Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013481 data capture Methods 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 description 69
- 230000005855 radiation Effects 0.000 description 43
- 238000003384 imaging method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 25
- 238000002591 computed tomography Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000012986 modification Methods 0.000 description 17
- 230000004048 modification Effects 0.000 description 17
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000000571 coke Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 210000000188 diaphragm Anatomy 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 210000000232 gallbladder Anatomy 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 210000002429 large intestine Anatomy 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 210000004224 pleura Anatomy 0.000 description 3
- 210000000813 small intestine Anatomy 0.000 description 3
- 210000003932 urinary bladder Anatomy 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000002083 X-ray spectrum Methods 0.000 description 2
- 230000005260 alpha ray Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 239000011800 void material Substances 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Graphics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开涉及用于生成图像的***、方法和存储介质。当至少一个处理器执行指令时可执行一个或多个如下操作。当接收到原始数据时,可执行多次迭代。在每次迭代期间,计算与图像中第一体素有关的体素值;第二体素值的至少一部分可以相对于第一体素值的至少一部分连续地变化;可以基于第一体素值和第二体素值将图像变换至投影域,以生成估计投影;可以基于估计投影和原始数据来获得投影误差;可以基于投影误差来校正或更新图像。
Description
技术领域
本公开涉及图像处理,更具体地,涉及基于原始数据的图像构建和优化的***和方法。
背景技术
随着基于辐射的成像技术、包括例如CT技术的快速演进,以及其新的临床和工业应用的发展,图像的保真度特别是在低辐射剂量下的保真度吸引了更多的关注。
图像处理可以包括例如对比度增强、去噪操作、或类似物,或其任何组合。图像质量可以取决于例如特定对比度增强机制或噪声模型。当考虑低辐射剂量时,图像质量可能对噪声敏感。
图像重建(reconstruction)可能会对生成的CT图像引入伪影。通常,在前向投影期间暴露于X射线的对象可以被分成体素,例如立方体或长方体体素。某个体素对检测器单元的贡献可以来源于例如体素值和相关贡献因子。相关贡献因子可以通过体素在检测器单元的坐标系中的位置来确定。当对象被分为体素时,两个体素之间的边界上的体素值可能是不连续的,前向和后向投影的迭代过程可能会导致边界模糊效应。
发明概述
本公开的一些实施例涉及包括数据获取单元和图像重建单元的图像处理***(例如,用于处理计算机断层扫描(CT)图像的***)。这一***可以被配置为重建一对象(subject)的图像。当数据获取单元接收与此对象有关的原始数据时,图像重建单元可以执行以下操作中的一个或多个。可以在重建期间执行多次迭代。在每次迭代期间,可以基于从先前迭代获得的图像来计算每次连续迭代(successive iteration)时与第一体素有关的第一体素值和与第二体素有关的第二体素值。第二体素值的至少一部分可以相对于第一体素值的至少一部分是连续的。可以基于第一体素值和第二体素值将重建图像变换至投影域,以生成估计投影。第二体素可以紧邻第一体素。在一些实施例中,第一体素和第二体素可以沿着与在检查期间对象被传送的方向相同的方向排列。在一些实施例中,第一体素和第二体素可以沿着与在检查期间对象被传送的方向垂直的方向排列。图像重建单元还可以基于估计投影和原始数据来生成投影误差。可以基于每个连续迭代的投影误差来生成图像以在下一次迭代中使用。可以采用不同种类的停止条件来停止迭代。在一些实施例中,停止条件可以涉及例如在CT***中设定的一些参数。例如,停止条件可以是:来自当前迭代和上次迭代的重建图像之间的差异低于某个阈值。在其他实施例中,停止条件可由用户确定。例如,在几次迭代之后,与特定组织有关的临床图像可被用户(例如医生)接受。当迭代完成时,可以获得至少一个重建图像。例如,重建图像可以是在最后一次迭代中生成的图像。在一些实施例中,与第一体素的至少一部分有关的第一体素值可以包括根据第一函数的一分布。在一些实施例中,与第二体素的至少一部分有关的第二体素值可以包括根据第二函数的一分布。在一些实施例中,第一函数和第二函数可以相同。在一些实施例中,第一函数可以不同于第二函数。示例性函数可以包括二次函数、三次函数、四次多项式、n次多项式、指数函数、对数函数、三角函数、反三角函数、双曲函数、或类似物,或其组合。仅作为示例,函数可以是线性函数。在一些实施例中,可以生成加权因子,并且第二体素可以按照多个如上所述函数的相关性随着第一体素值而连续地改变,相关性基于加权因子。此外,第一体素的第一部分中的体素值可以与第一体素的第二部分中的体素值变化方式不同。此***还可以包括降噪单元,其可以基于噪声模型来降低图像的噪声,以生成更新图像。在一些实施例中,可以通过基于噪声模型从重建图像中降低噪声的方式生成更新图像。此外,此***可以包括对比度增强单元,其可以增强更新图像的对比度。
本公开的一些实施例涉及包括机器可读计算机程序代码和若干指令的存储介质。代码和指令可用于重建一对象的图像。可以处理此机器可读计算机程序代码以实现计算机断层扫描图像的迭代重建,并且可以执行上述指令以使计算机实现以下操作。在每次迭代期间,可以基于从先前迭代获得的图像计算每次连续迭代时与第一体素有关的第一体素值和与第二体素有关的第二体素。第二体素值的至少一部分可以相对于第一体素值的至少一部分是连续的。可以基于第一体素值和第二体素值将图像变换至投影域,以生成估计投影。第二体素可以沿着与检查期间对象被传送的方向相同的方向与第一个体素相邻。还可以执行上述指令以基于估计投影和原始数据来生成投影误差。可以在每个连续迭代中生成基于的投影误差的图像以在下一次迭代中使用。上述指令还可以包括停止迭代的某些停止条件。当迭代完成时,可以获得至少一个重建图像。在一些实施例中,与第一的至少一部分有关的第一体素值可以包括根据第一函数的一分布。在一些实施例中,与第二体素的至少一部分有关的第二体素值可以包括根据第二函数的一分布。在一些实施例中,第一函数和第二函数可以相同。在一些实施例中,第一函数可以不同于第二函数。仅作为示例,第一函数和/或第二函数可以是线性函数。在一些实施例中,可以生成加权因子,并且可以根据基于加权因子的多于一个的函数的相关性,以第一体素值的至少一部分连续地改变第二体素的至少一部分。此外,第一体素的第一部分中的体素值可以与第一体素的第二部分中的体素值变化方式不同。可以执行上述指令以进一步选择噪声模型,并且可以通过基于噪声模型降低重建图像中的噪声的方式来生成更新图像。
本公开的一些实施例涉及用于生成图像,例如计算机断层扫描(CT)图像的方法。这一方法可以包括以下操作中的一者或多者。可以接收与对象有关的原始数据。可以在重建期间执行多次迭代。在每次迭代期间,可以生成图像。可以计算与图像中的第一体素有关的第一体素值和与第二体素有关的第二体素值,并且第二体素值的至少一部分相对于第一体素值的至少一部分是连续的。或者,可以确定与第一体素有关的贡献因子。可以基于第一体素值、第二体素值以及/或者贡献因子来将图像变换至投影域,以生成估计投影。第二体素可以紧邻第一体素。在一些实施例中,第一体素和第二体素可以沿着与在检查期间对象被传输的方向相同的方向排列。在一些实施例中,第一体素和第二体素可以沿着与在检查期间对象被传送的方向垂直的方向排列。可以在重建期间生成基于估计投影和原始数据的投影误差。方法还可以包括在某些停止条件下停止迭代。当迭代完成时,可以获得至少一个重建图像。在一些实施例中,与第一体素的至少一部分有关的第一体素值可以包括根据第一函数的一分布。在一些实施例中,与第二体素的至少一部分有关的第二体素值可以包括根据第二函数的一分布。在一些实施例中,第一函数与第二函数可以相同。在一些实施例中,第一函数与第二函数可以不同。仅作为示例,第一函数和/或第二函数可以是线性函数。可以生成加权因子。在一些实施例中,第二体素的至少一部分可以按照基于加权因子的多个函数的相关性,随着第一体素值的至少一部分连续地改变。此外,第一体素的第一部分中的体素值可以与第一体素的第二部分中的体素值变化方式不同。方法可以进一步包括取回噪声模型,并且通过基于噪声模型降低重建图像中的噪声的方式来生成更新图像。此外,方法可以包括增强更新图像的对比度的过程。
本公开的一些实施例涉及用于图像重建,例如计算机断层扫描中的图像重建的方法。这一方法可以包括以下操作中的一者或多者。在接收到与对象有关的原始数据之后,可以生成第一图像。可以取回或构建与第一图像的分布或幅度有关的噪声模型。然后,通过基于噪声模型降低第一图像中的噪声来形成第二图像。可以生成与噪声有关的第三图像。在一些实施例中,可以通过从第一图像中减去第二图像来生成第三图像。在某些图像中,可以基于噪声模型生成第三图像。此外,可以通过增强第二图像的对比度来生成第四图像。此外,可以组合第四图像和第三图像以形成第五图像。在一些实施例中,可以通过多次迭代来生成第一图像。在每次迭代期间,可以计算基于从先前迭代获得的图像来计算每次连续迭代时与第一体素有关的第一体素值和与第二体素有关的第二体素值。第二体素值的至少一部分可以相对于第一体素值的至少一部分是连续的。可以基于第一体素值和第二体素值将图像变换至投影域,以生成估计投影。第二体素可以沿着与检查期间对象被传送的方向相同的方向与第一个体素相邻。该方法还可以包括基于估计投影和原始数据来生成投影误差。可以基于投影误差进一步生成图像以在下一次迭代中使用。上述方法还可以包括停止迭代的某些停止条件。当迭代完成时,可以获得至少一个重建图像。在一些实施例中,与第一体素的至少一部分有关的第一体素值可以包括根据第一函数的一分布。在一些实施例中,与第二体素的至少一部分有关的第二体素值可以包括根据第二函数的一分布。在一些实施例中,第一函数和第二函数可以相同。在一些实施例中,第一函数可以不同于第二函数。仅作为示例,第一函数和/或第二函数可以是线性函数。可以生成加权因子。在一些实施例中,第二体素的至少一部分可以按照基于加权因子的多个函数的相关性,随着第一体素值的至少一部分而连续地改变。此外,第一体素的第一部分中的体素值可以与第一体素的第二部分中的体素值变化方式不同。
附图说明
本发明进一步以示例性的实施例展示。这些示例性的实施例将在附图中详述。这些实施例是非限制性的示例性实施例,其中在附图的几个视图中相同的附图标记表示相似的结构。
图1是根据本公开的一些实施例的X射线成像***的示意图;
图2是根据本公开的一些实施例的X射线成像***的示意图;
图3是根据本公开的一些实施例的用于表示CT扫描过程的流程图;
图4是根据本公开的一些实施例的图像处理模块的框图;
图5是根据本公开的一些实施例描述图像处理过程的流程图;
图6是根据本公开的一些实施例的降噪单元和对比度增强单元的框图;
图7A-7B是示出根据本公开的一些实施例的降噪和对比度增强的示例性过程的流程图;
图8是根据本公开的一些实施例的图像重建单元的框图;
图9是示出根据本公开的一些实施例的示例性轴向锥形束平坦检测器几何形状的图;
图10是根据本公开的一些实施例描述迭代重建过程的流程图;
图11是根据本公开的一些实施例的前向投影块的框图;
图12是根据本公开的一些实施例描述前向投影过程的流程图;
图13A和图13B是示出根据本公开的一些实施例的示例性对象的实际图像和初始估计图像的两个图;
图14是示出根据本公开的一些实施例的通过考虑两个相邻体素之间的关系构成的z方向线性曲线的一组图;
图15是示出根据本公开的一些实施例在两个相邻之间构造的一些示例性非线性曲线的一组图;
图16A和16B是根据本公开的一些实施例的基于降噪和对比度增强而生成的两个X射线图像;
图17A-17F示出根据本公开的一些实施例基于迭代重建而生成的六个X射线图像;以及
图18A-18B示出根据本公开的一些实施例基于迭代重建而生成的两个X射线图像。
具体实施方式
在以下详细描述中,通过示例的方式阐述了许多具体细节以提供对本公开的透彻理解。然而,对本领域技术人员而言应当显而易见的是,没有这些细节也可实践本公开。在其它实例中,已以相对高的层级描述了公知的方法、过程、***、部件和/或电路而没有细节,以避免不必要地模糊本公开的各方面。对于所公开实施例的各种修改对本领域技术人员将是显而易见的,并且可将本文中所定义的一般原理应用于其他实施例和应用,而不背离本发明的精神和范围。由此,本公开不限于所示实施例,而是符合与权利要求一致的最广范围。
应当理解,在此使用的术语“***”、“引擎”、“单位”、“模块”和/或“块”是区分升序排列的不同级别的不同部件(component)、元件(element)、部分 (part)、局部(section)或组件(assembly)的一种方法。然而,如果其他表达能够达到相同的目的,则这些术语可以由其它表达代替。
应当理解的是,当单元、引擎、模块或块被称为“位于”,“连接到”,“耦接到”到另一单元、模块、引擎或块时,指的是直接位于、连接到、耦接到另一单元、引擎、模块或块或者与之通信,或者可以存在中间的单元、引擎、模块或块,除非上下文明确指示为其它情况。如本文所用,术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
此处使用的术语仅为了描述特殊的示例和实施例,并不旨在限制。如本文所使用的,单数形式“一个”、“一个”和“该”也旨在包括复数形式,除非上下文另有明确指示。将进一步理解,当在本公开中使用时,术语“包括”和/或“包含”指定整数、设备、行为、声明的特征、步骤、要素、操作和/或部件的存在,但是不排除存在或者附加一个或多个其他整数、设备、行为、特征、步骤、要素、操作、部件和/或其组合。将进一步理解,术语“构建”和“重建”在本公开中使用时可以表示类似的过程,其中可以从数据中转换出图像。此外,短语“图像处理”和短语“图像生成”可以互换使用。在一些实施例中,图像处理可以包括图像生成。
在此提供的本公开涉及图像处理。具体地,本公开涉及用于图像构建和优化以获得改进的图像(例如CT图像)的***和方法。图像的噪声和/或对比度可能会对图像质量产生影响。选择用于图像构建的对象参数化也可能影响构建的图像。本公开提供了去离散化的对象参数化、用于降噪的噪声模型选择、以及对比度增强。本公开的一些描述是结合计算机断层扫描(CT)图像而提供。应当理解,这是为了说明的目的,而不是旨在限制本公开的范围。在此公开的***和方法可以用于处理来自其他成像模态的图像或图像数据,其他成像模态包括例如数字射线照相(DR)***、多模态***、或类似物,或其任何组合。示例性的多模态***可以包括计算机断层扫描-正电子发射断层扫描(CT-PET)***、计算机断层扫描-磁共振成像(CT-MRI)***等。
图1是根据本公开的一些实施例的X射线成像***100的示意图。需要注意的是,下文描述的X射线成像***仅仅用于提供辐射成像***的示例,不是旨在限定本发明的保护范围。在此使用的辐射包括粒子射线、光子射线、或类似物,或者其任意组合。粒子射线可包括中子、原子、电子、μ-介子、重离子,或类似物,或者其任意组合。光子束可包括X射线、γ射线、α射线、β射线、紫外线、激光、或类似物,或者其任意组合。为了更好地理解本公开,将X射线成像***作为辐射成像***的一个示例来描述。X射线成像***可以在诸如医学或工业等不同的领域应用。仅作为示例,X射线成像***可以是计算机断层扫描(CT)***、数字射线照相(DR)***、多模态***、或类似物,或其任何组合。示例性的多模态***可以包括计算机断层扫描-正电子发射断层扫描(CT-PET)***、计算机断层扫描-磁共振成像(CT-MRI)***等。在另一示例中,***可用于部件的内部检查,例如缺陷检测、安全扫描、故障分析、计量、组件分析、空隙(void)分析、壁厚分析、或类似物,或者其任意组合。
如图1所示,X射线成像***100可以包括辐射模块110、图像处理模块120、控制模块130和存储模块140。辐射模块110可包括X射线发生单元111和X射线检测单元112。在一些实施例中,控制单元130可控制辐射模块110的X射线发生单元111和/或X射线检测单元112,图像处理模块120和/或存储模块140。图像处理模块120可以处理从辐射模块110、控制模块130和/或存储模块140接收的信息。图像处理模块120可以基于该信息生成一个或多个CT图像,并且传送这些图像用于显示。存储单元140可以被配置为或用于存储从图像处理模块120、控制模块130和/或辐射模块110接收的信息。辐射模块110、控制模块120、处理模块130和存储单元140可直接互联,或者通过中间单元互联(图1未示出)。中间单元包括可视部件或不可视场(无线电、光、超声、电磁感应等)。不同单元之间的连接可以是有线或无线的。有线连接可以包括使用金属电缆、光缆、混合电缆、接口、或类似物,或其任意组合。无线连接可包括使用局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)、或类似物等、或其任意组合。
应当注意,关于辐射***的上述描述仅仅是一个例子,不应被理解为唯一的实施例。明显地,对于本领域技术人员而言,理解不同单元之间连接的基本原理之后,可以在不背离原理的情况下修改或者改变这些单元以及这些单元之间的连接。修改和变化仍然是在上文描述的当前公开的范围之内。在一些实施例中,这些单元是独立的,在一些实施例中,这些单元的一部分可以被集成到一个单元以共同工作。
辐射模块110可被配置为或用于扫描被检查的对象(图1中未示出),并产生X射线图像的原始数据。对象可包括物质、组织、器官、样本、身体,或类似物,或者其任意组合。在某些实施例中,对象可包括患者或其一部分。对象可包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管,或类似物,或者其任意组合。X射线发生单元111被构造为或用于产生X射线,X射线穿过被检查的对象。X射线发生单元111可包括X射线发生器、高压发生器,或其它配件。X射线发生器可包括一个或多个X射线管。 X射线管可以通过X射线管发射X射线(或称为X射线束)。X射线产生单元111 可以是冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的X射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物,或不规则形状,或其任何组合。X射线发生单元111中的X射线管可以固定在一个位置。在某些情况下,可以平移或旋转X射线管。
X射线检测单元112可构造为接收来自X射线发生单元111或其它辐射源的X射线。来自X射线产生单元111的X射线可以穿过检查对象,然后到达X射线检测单元112。接收X射线之后,X射线检测单元112产生检查对象的X射线图像的原始数据。术语“原始数据”可以指X射线检测单元112检测到的数据,该数据可被用来构建X射线图像。X射线检测单元112可构造为接收X射线,产生被检查对象的X射线图像的原始数据。X射线检测单元112包括X射线检测器或者其它部件。X射线检测器的形状可以是扁平、弓形、圆形、或类似物,或者其任意组合。弓形检测器的扇形角度范围可以是0°-360°。扇形角度可固定或者根据不同的情况可调,不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物,或者其任意组合。在一些实施例中,检测器的像素可以是最小检测单元的数量,例如检测器单元的数量(例如,闪烁体或光电传感器等)。检测器的像素可以布置成单行、两行或另一数目的行。X射线检测器是一维、二维、或者三维的。
根据本公开的一些实施例,控制模块130可以被配置为控制辐射模块110、图像处理模块120、存储模块140或***中的其它单元或设备。图像处理模块130可以从辐射模块110、控制模块120和/或存储模块140接收信息,或者发送信息给辐射模块110、控制模块120和/或存储模块140。在一些实施例中,控制模块130 可以控制辐射模块110以产生用于对象的扫描的一定电压和/或一定电流。仅仅作为示例,电压和/或电流可以不同,以检查不同年龄、体重、身高等的人群。在一些实施例中,控制模块130可以接收由用户包括例如成像技术人员或医生提供的命令。示例性的指令可包括扫描时间、对象位置、或机架的转速、或类似物,或者其任意组合。控制模块130可控制图像处理模块120选择不同的算法来处理X 射线图像的原始数据。控制模块130可以被配置为在针对各种扫描场景设计的多个协议中选择协议。控制模块130可以向存储模块140发送一些命令以取回用于显示的图像。示例性的指令包括图像的大小、要显示的对象的部分、X射线图像要在显示屏上显示的时间等。在本公开的一些实施例中,X射线图像可以分成几个子部分进行显示。控制模块130可以控制X射线图像的划分。例如,控制模块 130可以确定要生成的子部分的数量、子部分的大小、子部分中要被覆盖的区域、或类似物,或其任意组合。需要注意的是,上文关于控制模块的描述仅仅是本公开的一个示例。
图像处理模块120可以被配置为处理从不同模块或单元接收的不同种类的信息,这些模块或单元包括辐射模块110、控制模块130、存储模块140或可以生成信息的其他模块或单元。图像处理模块120可以处理来自辐射模块110的数据,以产生被检查对象的X射线图像。图像处理可以基于包括例如傅里叶片定理、滤波反投影算法、扇形波束重建、迭代重建、或类似物的算法或其任何组合。图像处理模块120可以将信息从存储模块140传送到可由控制模块130标识、理解或执行的特定形式,并且它可以处理来自控制模块130的信息以从存储模块140取回数据。控制模块130到辐射模块110的信息可以首先由图像处理模块120进行处理,以便它可被辐射模块110标识、理解或执行。上文关于图像处理模块120 的描述仅仅出于示例性的目的,不应该被理解为仅有的实施例,这些示例不限定本公开的范围。
存储模块140可以被配置或用于存储信息。信息可包括程序、软件、算法、数据、文本、数字、图像、声音、或类似物、或其任何组合。例如,用户或操作者可以输入初始参数或条件以启动一扫描,此扫描可以存储在存储模块140中。示例性的参数或条件包括扫描时间、扫描对象的位置、机架的转速、或类似物,或其任意组合。作为另一示例,一些信息可以从外部源导入,外部源例如是软盘、硬盘、无线终端、或类似物等、或其任意组合。存储模块140可以从控制模块130 接收信息以调整与显示有关的一些参数。所述参数可以包括但不限于:图像的大小,其图像将被显示的对象的部分,图像保持在显示屏上的时间,图像或图像的部分显示的顺序,或类似物,或其组合。关于X射线图像的显示,可以显示X射线图像的全部或一部分。在一些实施例中,X射线图像被分割为几个子部分,其可被同时显示或者按一定的顺序显示在屏幕上。根据本公开的一些实施例,用户或者操作者可以根据某些条件选择显示一个或多个子部分。仅作为示例,用户可以指定一子部分的放大视图将被显示。与显示或其他信息有关的这种信息可以由例如用户在信息将被使用时实时地提供,或者在信息被使用前提供并存储在例如存储模块140中。应当注意,关于存储模块140的上述描述仅仅是根据本公开的一些实施例的示例。
应当注意,对X射线成像***100的以上描述仅仅是为了提供说明,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下作出多种变形和修改。例如,X射线成像***100的组件和/或功能可根据具体实现场景来变动或更改。仅仅作为示例,其它部件可加入X射线成像***100中,这些部件例如是患者定位单元、高压油箱(tank)、放大单元、存储单元、模数转换器、数模转换器、接口电路、或类似物,或者其任意组合。放大器单元可以被配置为放大由X射线检测单元112接收的信号。注意,X射线成像***可以是单模态成像***,或者是多模态成像***,包括例如正电子发射断层扫描-计算机断层扫描 (PET-CT)***、计算机断层扫描-磁共振成像(CT-MRI)***、远程医疗X 射线成像***等。然而,那些变形和修改并不脱离本公开的范围。
图2是根据本公开的一些实施例的X射线成像***100的方框图。如图所示, X射线成像***100可以包括机架201、对象台202、高压发生器203、操作控制计算机204、图像生成器205以及操作员控制台和显示器206。
机架201可以被构造为容纳需要或用于产生和检测X射线以产生CT图像的部件。机架201可以包括X射线管208和检测器207。应当注意,在本公开的替代实施例中,高压发生器203可以位于机架201中。X射线管208可以构造为发射辐射,辐射穿过在机架201的孔中暴露的对象之后,可以被检测器207接收。仅作为示例,辐射可以包括粒子射线、光子射线、或类似物,或者其任何组合。粒子射线可以包括中子流、质子流、电子流、μ-介子流、重离子流、或类似物,或其任意组合。光子束可以包括X射线束、γ射线束、α射线束、β射线束、紫外线束、激光束、或类似物,或其任意组合。对象可包括物质、组织、器官、物体、样本、身体、或类似物,或者其任意组合。在一些实施例中,X射线管208可以是冷阴极离子管、高真空热阴极管、旋转阳极管等。由X射线管208发射的X射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形等、或不规则形状、或类似物,或其任意组合。检测器207的形状可以是扁平、弓形、圆形、或类似物,或者其意组合。弓形检测器的扇形角度范围可以是0°-360°。扇形角度可固定或者根据不同的情况可调,不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物,或者其任意组合。在一些实施例中,检测器207的像素可以是最小检测单元的数量,例如检测器单元的数量(例如,闪烁体或光电传感器等)。检测器的像素可以布置成单行、两行或另一数目的行。 X射线检测器是一维、二维、或者三维的。
高压发生器203可以被构造为产生高电压,并将其施加到X射线管208。由高压发生器203产生的电压可以在80kV至140kV,或120kV至140kV的范围内。高压发生器产生的电流可以在20mA到500mA的范围内。在本公开的替代实施例中,由高压发生器203产生的电压可以在0至75kV或75至150kV的范围内。
操作控制计算机204可以被配置为与机架201、管208、高压发生器203、对象台202、图像生成器205和/或操作员控制台显示器204双向通信。仅作为示例,机架201可以由操作控制计算机204控制以旋转到可由用户经由操作员控制台和显示器206规定的期望位置。操作控制计算机204可以被配置为控制高压发生器 203的产生,例如由高压发生器203产生的电压和/或电流的大小。作为另一个示例,操作控制计算机204可以被配置为控制图像在操作者控制台和显示器206上的显示。例如,可以显示图像的全部或部分。在一些实施例中,图像可被分割为几个子部分,其可被同时显示或者按一定的顺序显示在屏幕上。根据本公开的一些实施例,用户或者操作者可以根据某些条件选择显示一个或多个子部分。仅作为示例,用户可以指定一子部分的放大视图将被显示。
操作员控制台和显示器206可以与操作控制计算机204和图像生成器205耦接。在一些实施例中,操作员控制台和显示器206可以被配置为显示由图像生成器205产生的图像。在替代实施例中,操作员控制台和显示器206可以被配置为向图像发生器205和/或操作控制计算机204发送命令。仍然在本公开的替换实施例中,操作员控制台和显示器206可以被配置为设置用于扫描的参数。这些参数可以包括获取参数和/或重建参数。仅作为示例,获取参数可以包括管电位、管电流、重建参数(例如,切片厚度)、扫描时间、准直/切片宽度、束过滤、螺距、或类似物,或其任意组合。重建参数可以包括重建视野、重建矩阵、卷积核/重建滤波器、或类似物,或其任意组合。
对象台202可以构造为在检查期间支撑患者并且移动通过机架201的孔。如图2所示,检查期间传送患者的方向沿着z方向。根据所选择的患者的ROI或所选择的协议,患者可以被定位为仰卧或俯卧,并且脚先或头先。在本公开的一些实施例中,对象台202可以在多个扫描之间被标索引。在本公开的替代实施例中,对象台202可以以恒定速度平移通过机架201。速度可以与待扫描区域的长度、总扫描时间、所选螺距指数(pitch)、或类似物,或其任何组合有关。在一些实施例中,对象台202可以用于支撑包括患者的对象。这样的结构可以移动用于检查的物体通过X射线成像***。为了简洁起见,也可以将这样的结构称为患者。
应当注意,所提供的对X射线成像***100的描述是为了说明,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的范围。例如,机架201 还可以包括麦克风、矢状激光对准灯、患者导向灯、X射线曝光指示灯、能量停止按钮、机架控制面板、外部激光对准灯等。
图3是示出根据本公开的一些实施例的成像的流程图。在步骤301中,可以将对象置于X射线成像***100中,具体地,置于本公开其他部分中描述的对象台202上。仅作为示例,对象可包括物质、组织、器官、样本、身体,或类似物,或者其任意组合。在某些实施例中,对象可包括患者或其一部分。对象可包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管,或类似物,或者其任意组合。
在放置好对象之后,X射线成像***100的机架可以旋转到期望的位置。
在步骤303,可以针对该对象执行扫描。在本公开的一些实施例中,可以创建用于扫描不同对象的多个协议。可以由这些协议确定多个参数。仅作为示例,参数可以是关于准直器孔径、检测器孔径、X射线管电压和/或电流、扫描模式、台标索引速度(table indexspeed)、机架速度、重建视野(FOV)、核、或类似物、或其任何组合。
通过扫描,可以在步骤304获取与对象相对应的原始数据。
在获取原始数据之后,可以在步骤305中重建对象的图像。仅作为示例,图像的重建可以基于如下一些方法:傅里叶片定理、滤波反投影算法、扇形波束重建、迭代重建等。
在步骤305中重建的图像可以在步骤306中优化。优化可包括降噪、对比度增强等。
应当注意,以上描述的流程是为了说明的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的范围。
图4是根据本公开的一些实施例的图像处理模块120的框图;如图所示,图像处理模块120可以包括图像重建单元401、数据获取单元402、降噪单元403和对比度增强单元404。数据获取单元402可以被配置为从本公开的其他部分描述的X射线检测单元112接收数据。由数据获取单元402接收的数据可以发送到图像重建单元401、降噪单元403和/或对比度增强单元404。在本公开的一些实施例中,数据获取单元402可以包括模数转换器(ADC)。ADC可以被配置为将检测器所检测的原始数据转换成数字值。
图像重建单元401可以被配置为生成扫描对象的图像。该生成可以基于例如傅里叶片定理、滤波反投影算法、扇形束重建、迭代重建等方法。在本公开的一些实施例中,图像重建单元401可以被配置为迭代地执行前向投影和反向投影,直到产生期望的图像。对于前向投影,可以计算出贡献因子和体素值,以确定体素的贡献。
降噪单元403可以被配置为降低由图像重建单元401生成的图像的噪声。降噪的示例性算法可以包括色度和亮度噪声分离、线性平滑滤波器、各向异性扩散、非局部均值、非线性滤波器、小波变换、统计算法、或类似物,或其任何组合。在本公开的一些实施例中,可以选择或使用噪声模型来降低由图像重建单元401 生成的图像的噪声。
对比度增强单元404可以被配置为提高由图像重建单元401生成的图像的对比度。用于对比度增强的示例性技术可以包括直方图均衡(HE)、亮度双直方图均衡(BBHE)、二元子图像直方图均衡(DSIHE)、最小平均亮度误差双直方图均衡(MMBEBHE)、递归平均分离直方图均衡RMSHE)、多直方图均衡(MHE)、亮度保持动态直方图均衡(BPDHE)、递归分离和加权直方图均衡(RSWHE)、全局变换直方图均衡(GHE)、局部变换直方图均衡(LHE)、局部和全局对比度拉伸、或类似物,或其任何组合。
应当注意,以上图像处理单元的描述是为了说明的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。例如,由数据获取单元接收的数据可以同时或依次发送到图像重建单元401、降噪单元403 和/或对比度增强单元404。
图5是根据本公开的一些实施例描述图像处理过程的流程图。在步骤501,接收图像数据。
在步骤502中,可以基于所接收的图像数据的一部分来重建对象的图像。对象可包括物质、组织、器官、样本、身体、或类似物,或者其任意组合。在某些实施例中,对象可包括患者或其一部分。对象可包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管,或类似物,或者其任意组合。
在一些实施例中,图像的构建可以包括近似体素的体素值、计算体素的贡献因子、以及计算体素的向前投影等。体素值可以基于对象参数化来近似。仅作为示例,对象参数化可以包括线性对象参数化、非线性对象参数化等。具体地,线性对象参数化可以基于凯泽-贝塞尔窗口函数、极坐标网格、对数极坐标网格、重叠圆或球体、B样条、小波、圆形谐波、傅里叶级数、或类似物,或其任何组合。非线性对象参数化可以包括盘、多边形、广义级数、双二次三角形贝塞尔(Bezier) 贴片、或类似物,或其任何组合。在本公开的一些实施例中,可以利用去离散的对象参数化来构建图像。去离散的对象参数化可以考虑邻接体素的逐渐变化。
在步骤503中可以降低在步骤502中重建的图像的噪声。降噪的示例性算法可以包括色度和亮度噪声分离、线性平滑滤波器、各向异性扩散、非局部均值、非线性平滑、小波变换、统计算法、或类似物,或其任何组合。在一个示例中,步骤503可以包括至少选择噪声模型并基于所选择的噪声模型来计算噪声。
在步骤504中,可以增强在步骤502中重建的图像的对比度。用于对比度增强的技术可以包括直方图均衡(HE)、亮度双直方图均衡(BBHE)、二元子图像直方图均衡(DSIHE)、最小平均亮度误差双直方图均衡(MMBEBHE)、递归平均分离直方图均衡RMSHE)、多直方图均衡(MHE)、亮度保持动态直方图均衡(BPDHE)、递归分离和加权直方图均衡(RSWHE)、全局变换直方图均衡 (GHE)、局部变换直方图均衡(LHE)、局部和全局对比度拉伸等。
应当注意,以上描述的流程是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。例如,步骤502、步骤503和/或步骤504可以以任何顺序执行。作为一个示例,步骤503中的降低噪声可以在步骤502中的重建图像之前执行。步骤502中的重建图像可以基于在步骤503中可以选择的噪声模型。作为另一示例,步骤503和步骤504可以在步骤 502之前执行。步骤502和步骤503可以被合并为可以包括图像构建和降噪的单个步骤。也可以对步骤503中所选择的噪声模型进行对比度增强。
图6是根据本公开的一些实施例的降噪单元403和对比度增强单元404的框图。如图所示,降噪单元403可以与对比度增强单元404双向通信。降噪单元403 还可以包括噪声模型601或者从降噪单元403的外部取回噪声模型601。例如,一个或多个噪声模型601可以存储在包括例如存储模块140或外部存储设备或介质的存储中。
降噪单元403可以被配置为降低图像的噪声,这些图像例如是由本公开的其他部分描述的图像构建单元401生成的图像。降噪的示例性算法可以包括色度和亮度噪声分离、线性平滑滤波器、各向异性扩散、非局部均值、非线性滤波器、小波变换、统计算法、或类似物,或其任何组合。
对比度增强404可以被配置为增强图像的对比度,这些图像例如是由本公开的其他部分描述的图像重建单元401生成的图像。用于对比度增强的技术可以包括直方图均衡(HE)、亮度双直方图均衡(BBHE)、二元子图像直方图均衡(DSIHE)、最小平均亮度误差双直方图均衡(MMBEBHE)、递归平均分离直方图均衡 RMSHE)、多直方图均衡(MHE)、亮度保持动态直方图均衡(BPDHE)、递归分离和加权直方图均衡(RSWHE)、全局变换直方图均衡(GHE)、局部变换直方图均衡(LHE)、局部和全局对比度拉伸等。
噪声模型601可以被配置为表示与图像的噪声有关的信息。仅作为示例,噪声模型601可以指示图像的噪声分布、图像的各个点的噪声幅度、或类似物,或其组合。图像的噪声可能会相对于方向有所不同。例如,沿z方向的噪声可能与 x-y平面上的噪声不同。噪声分布可以是均匀噪声、高斯噪声、盐和胡椒噪声、伽马噪声、瑞利分布、拉普拉斯噪声、或类似物、或其任何组合的形式。
应当注意,对降噪单元403和对比度增强单元404的以上描述是为了阐述的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的保护范围。
可以在例如重建图像上执行图像优化。示例性优化方法可以包括增强去噪图像的对比度。在一些实施例中,对比度可以被定义为亮度或颜色的差异,其可以使对象在图像中可区分。在真实世界的视觉感知中,对比度可以由感兴趣对象和视野或感兴趣区域内的相邻或周围对象之间的颜色和/或亮度的差异来确定。在一个实施例中,对比度可以由表示,其中|SA-SB|可表示感兴趣区域中的信号产生结构A和B间的亮度差,Sa可表示该区域的平均亮度。
对比度噪声比(CNR)是一种用来确定图像质量的参数。在一些实施例中,CNR 可被定义为信号的强度与背景噪声之比。例如,CNR可以由下式(1)表达:
其中δ0是是纯图像噪声的标准差。式(1)可以用另一种方式来解释,其中 |SA-SB|可以表示对对比度差值,δ0可以是相对于用于评估噪声的噪声方差。
在一些实施例中,图像质量可能在图像重建过程恶化。例如,恶化可能至少部分是由于X射线的固有量子噪声,由电子设备(例如传感器、扫描器的电路等) 产生的电子噪声,或类似物,或其任何组合。这些噪声会降低图像质量。在低辐射剂量下,图像质量的降低可能是非常显著的。在一些实施例中,可以使用一些噪声模型来从扫描数据中去除至少一些噪声。通常,估计的噪声方差可用于评估噪声的特性。用于获得噪声方差的示例性过程可以包括:重建与扫描数据相对应的原始数据以生成初始图像;计算初始图像的一部分中的像素或体素的值的加权平均值;从初始图像的该部分减去该加权平均值以生成减去的部分,并且基于所减去的部分获得初始图像的该部分的噪声方差。
然而,获得上述噪声方差可能会遇到这样的缺点:所述减法可以包含该部分内的噪声和高频分量,从而导致所获得的初始图像的该部分的噪声方差不准确。此外,低辐射剂量可能导致初始图像中的高噪声。例如,如果剂量降低了50%,则噪声方差可能增长或141.4%。例如,如果剂量降低了50%,则噪声方差可能增长或141.4%。
其中Cf可以是常数,R可以表示剂量减小系数,δp1可以表示噪声增加系数。下表1示出了辐射剂量与噪声之间的关系。剂量减少系数R可以表示为辐射剂量与参考辐射剂量的比率,并且噪声增加系数δp1可以表示为噪声水平与参考噪声水平的比率。根据表1,当辐射剂量降低时,噪声增加系数δp1会增加。当噪声增加系数δp1高时,可能难以消除感兴趣图像的噪声。
表1
在一些实施例中,可以降低噪声方差。用于降低噪声变化的方法可以包括:通过扫描对象来获得原始数据,通过空气校准来校准原始数据以获得经校准的原始数据,基于经校准的原始数据来生成经校准的噪声方差,以及减少经校准的噪声方差以产生经降低的噪声方差(或称为最终噪声方差)。
在一些实施例中,最终噪声方差可以是对应于初始重建图像的初始噪声方差。
在一些实施例中,用于降低噪声变化的方法还可以包括校准初始噪声方差的步骤。
在一些实施例中,可以通过以下方式计算经校准的噪声方差。
其中可以表示量子噪声方差,可以表示电子噪声方差,并且I可以表示通过物体的X射线的强度,其由结合图9描述的检测器单元采集。
在一些实施例中,可以通过以下方式计算经降低的噪声方差。
其中s(p)可以表示降低因子,s(p)≥1。
图7A是根据本公开的一些实施例的描述降噪和对比度增强的方法的示意性流程图。在步骤701中接收到原始数据之后,可以在步骤702中校准原始数据。可以在步骤703中选择噪声模型。可以通过在步骤704中的图像重建来获得重建的图像。仅作为示例,图像的重建可以包括前向投影和反向投影的迭代过程。前向投影和反向投影的示例性迭代过程将会结合图10详细描述。在另一示例中,步骤 704中的重建可以通过某种分析重建方法来实现,例如傅立叶切片定理、滤波反投影算法、扇形波束重建等。在一些实施例中,步骤704中的图像重建可以基于在步骤703中选择的噪声模型。在一些实施例中,步骤703中所选择的噪声模型可以基于在步骤704中获得的重建图像。然后可以在步骤705和步骤706中生成降噪和对比度增强的图像。此后,可以在步骤708中通过添加噪声量来进一步处理对比度增强图像。添加回对比度增强图像的噪声量可以被控制和/或调整。
应该注意的是,可以在前向和反向投影的迭代之前、之后或期间应用降噪和对比度增强。例如,可以从步骤1001中对象的扫描数据或迭代后的输出图像(如结合图10所讨论的),获得步骤701中的原始数据。
在步骤701中接收到的原始数据可以是由扫描过程(例如,扫描对象的扫描过程)生成的数据或由例如用户手动设置的初始数据。步骤702可以包括校准在步骤701中接收到的原始数据。在一些实施例中,例如,步骤702中的原始数据校准可以包括气体校准(空气校准)、中心校准、水校准、或类似物,或其任何组合。空气校准和水校准可以是空气或水的切片扫描(例如CT扫描),以产生空气或水的预扫描数据。此后,可以在随后的扫描中从对象的扫描数据中减去预扫描数据,以获得对象的经校准的扫描数据。中心校准或其他类型的***校准也可用于监测X射线管的位置或笛卡尔坐标。在步骤703中使用的示例性噪声模型包括高斯型模型、泊松型模型等,或在本公开其他部分中描述的噪声模型。
在步骤705中,可以通过基于如上所述的噪声模型降低重建图像的噪声来形成去噪图像。基于在步骤705中生成的去噪图像,可以在步骤707中生成与重建图像中的噪声有关的图像。仅作为示例,可以通过从重建图像中减去去噪图像来计算与噪声有关的图像。可以在步骤706中执行去噪图像的对比度增强。在步骤 708中,可以基于对比度增强图像和与噪声有关的图像来形成校正图像。例如,校正图像可以是对比度增强图像和与噪声有关的图像的组合。
图7B是根据本公开的一些实施例描述的降噪和对比度增强的方法的另一流程图。步骤701、步骤702、步骤703和步骤704可以与图7A的步骤相同。步骤706 可以在步骤710之前执行。在步骤709中可以获取对比度增强噪声模型。然后,可以执行步骤710以根据步骤709中的对比度增强噪声模型对该对比度增强图像进行去噪(例如降低或去除噪声)。可选地,在步骤708,可以将在步骤703中选择的噪声模型应用于去噪和对比度增强的图像以生成校正图像。仅作为示例,可以基于所选择的噪声模型生成与噪声有关的图像,并进一步添加到在步骤710中生成的去噪和对比度增强图像。
应当注意,可以从步骤709而不是步骤703产生添加回去噪和对比度增强图像的噪声。
在CT***的示例性上下文中,可以采用包括例如去噪、对比度增强等的操作来改善图像质量。可能需要考虑一些因素,例如降噪和对比度增强步骤的序列、噪声模型的精度等。参照图10描述与在前向和反向投影的迭代期间相邻体素的体素值曲线的优化有关的另一个因素。
应当注意,上述降噪和对比度增强的流程图的示例性过程是为了解说的目的而提供的,而并非旨在限定本公开的范围。对于本领域普通技术人员而言,可在本公开的教导下进行各种变形和修改。然而,那些变形和修改并不脱离本公开的范围。例如,可以在生成去噪图像之前,基于噪声模型来生成与重建图像中的噪声有关的成像。此外,可以基于与噪声有关的图像,例如通过从重建图像中减去与噪声有关的图像来生成去噪图像。
图8解说根据本公开的一些实施例的示例性图像重建单元。图像重建单元401 可以包括前向投影块801和反向投影块802。在图像重建期间,可以顺序地和迭代地执行前向投影块801的操作和反向投影块802的操作。例如,在获取初始图像之后,可以由前向投影块801执行前向投影,其中可以变换图像以生成投影数据。当通过反向投影块802获取与投影数据有关的投影数据或数据时,可以执行反向投影,其中数据可以被变换以形成图像。如本文所使用的,初始图像可以从原始数据生成,例如,原始数据可以被反向投影以形成初始图像,或者可以使用其他方法将数据变换为初始图像。
基于统计模型的图像重建中的前向/反向投影可以基于不同种类的光束几何形状,并且旨在揭示成像***的几何和物理现实。示例性的束的几何形状可以包括但不限于锥形束、平行束、扇形束、或类似物,或其组合。用于执行图像重建的几何形状可以是二维(2D)或三维(3D)的。为了简单起见,在图9中示出了根据本公开的一些实施例的示例性锥形束几何形状,其中还使用重建平台的图像坐标系。X射线源可以位于圆心为半径为Ds0的圆上的各点上,该圆位于z=0平面。Ds0可指源和旋转中心之间的距离D0D可以表示旋转中心与检测器的局部坐标原点之间的距离。图9中的字母γ可以表示由角度定义的检测器通道方向局部坐标,其坐标轴位于γ轴中。图9中的字母t可以表示由长度定义的检测器切片方向局部坐标,其坐标轴位于t轴中。图9中的向量可以表示从源到检测器的辐射线。前向投影可以定义为:
其中Proj(γ,t,β)可以表示沿连接着源和检测器坐标(γ,t)的路径的衰减系数的线积分,β可以表示源点从y轴起逆时针的角度(当视角是从z轴的正方向时),可以表示2D或3D图像体素值,并且可以位于体素中心坐标(x,y,z)中且其坐标(0,0,0)位于可以表示体素贡献因子(例如足迹(footprint) 功能),(γk,tl)可以表示由索引(k,l)指定的检测器单元的中心。在一些实施例中,
γk=(k-wγ)Δγ,k=0,…,Nγ-1
tl=(l-wt)Δt,l=0,…,Nt-1,(6)
其中参数cs和ct可表示检测器的偏置,Dsd可表示源到检测器中心的距离并且Δγ和Δt可表示检测器单元(例如图9中所示的检测器上的网格)在γ和t中的间隔。
反向投影可以定义为:
贡献因子(或其共轭)表示投影算子,其代表前向投影到 Proj(γ,t,β)的贡献,或者Proj(γ,t,β)以角度β反向投影到的贡献,贡献因子可以定义为:
其中可以表示具有单位幅度的2D函数,并且代表投射在检测器(γk,tl)上的体素阴影,并且可以表示的幅度,代表透过体素的射线长度。投射射线方向可以通过连接着源和的射线来确定。
如本公开其他部分所述,图像可以通过前向投影从图像域变换成投影域中的数据,反向投影也可将数据从投影域变换回图像域。在前向投影中,如式(5)所示,投影数据可以由贡献因子和图像体素值两者来确定。在反向投影中,如式(7)所示,图像可以通过贡献因子和衰减系数的线积分 Proj(γk,tl,β)这两者来确定。
具有本领域普通技能的人应该理解,前向投影可以是对变换的离散化或连续评估。在一些实施例中,体素值的分布可被配置离散的,这意味着两个相邻体素的不是连续的。在一些实施例中,体素值的分布可以被配置为连续的,这意味着相邻体素的是连续的。在一些实施例中,体素值的分布可以被配置为部分离散并且部分连续,这意味着一个条件下的至少一些体素的是连续的,并且另一个条件下的至少一些体素的是离散的。仅作为示例,x-y平面中的两个相邻体素的可以是离散的,并且沿z方向的两个相邻体素的可以是连续的。在另一示例中,x-y平面中的两个相邻体素的可以是连续的,并且沿z方向的两个相邻体素的可以是离散的。在又一示例中,沿z方向的z坐标范围内的两个相邻体素的可以是离散的,并且沿着z方向的另一z坐标范围内的两个相邻体素的可以是连续的。
足迹阴影(footprint shadow)可以近似分成两个独立的方向:
其中可以表示沿着检测器通道方向的足迹阴影,可以表示沿着检测器切片方向的足迹阴影。
在一些实施例中,弧形检测器通道方向上的γ角可能较大。足迹阴影可以由梯形形状近似,并由以下定义:
以及
其中τ0~τ3可以表示梯形函数的顶点,其是位于处的四个角点的γ坐标处的投影角度,并且与z无关。
对于多层CT检测器,锥角可能很小。足迹阴影可以由定义如下的矩形近似:
其中,
以及,
其中t+和t-可以表示其端点位于的矩形的边界,且t′+和t′-可以表示其端点位于的矩形的边界。在一些实施例中,最大图像切片重叠率可以定义为50%。
类似地,足迹幅度可以分成两个独立的方向:
以及
其中
在式(14)–(17),可以表示在检测器通道方向上穿过第n个体素的投射射线长度,lθ(tl)可以表示锥方向比例,其可将变换到3D空间中的长度。对于方位角可以表示连接源和第n个体素的中心的射线的方位角。
因此,反向/前向模型可以重写为:
以及
应当知道,对于一些迭代重建方法,每次迭代可以包括一个前向投影和一个反向投影,其中前向投影可以是变换的离散或连续评估,并且反向投影可以是前向投影器的共轭(例如足迹)。
图10是根据本公开的一些实施例描述图像重建过程的示意性流程图。可以在步骤1002中通过例如步骤1001中的扫描过程(例如其中扫描了对象的扫描过程) 来获取原始数据。可以基于在步骤1002中获取的原始数据来进行至少两种不同的处理方式。对象可以是人体(例如患者)、人体的一部分、其内部结构需要非侵入性或非破坏性地成像的X射线安全物品(例如,古董、仪器等),或类似物。仅作为示例,可以在步骤1001中通过CT扫描来生成原始数据,或者可以从其他来源(例如计算机模拟扫描)获得原始数据。可以在步骤1005中基于在步骤1002 中获取的原始数据来执行初始重建,其中可以生成初始图像。在一些实施例中,根据重建算法的初始重建可以生成与一对象有关的初始图像,所述对象是从步骤 1002中获取的原始数据的变换中获得。这样的重建算法的示例可以包括:基于菲尔德坎普-戴维斯-克雷斯(Feldkamp-Davis-Kress,FDK)重建、最大后验概率(MAP)、最大似然(ML)、代数重建技术(ART)、基于熵的优化、最小二乘法(LS)或惩罚加权最小二乘法(PWLS)、或类似物,或其组合。所描述的这些算法可以执行一次,也可以迭代地执行。在一些实施例中,也可以默认方式适当地设定初始图像。例如,如果要扫描和重建如图13B所示的对象图像,可以将如图13A所示的恰好为对象的边缘形状的图像设置为初始重建。此外,在步骤1002中获取的原始数据可以在步骤1003进行噪声估计,并且可以在步骤1004中生成估计的噪声数据。可以通过步骤1003中的噪声估计来获取噪声模型,噪声估计可以由降噪单元403进行。步骤1003中的噪声估计可以包括通过将一个或多个噪声模型拟合到估计的噪声来估计在步骤1002中获取的原始数据中包含的噪声。如本文所使用的,噪声可以包括可由电子设备(例如传感器、扫描器的电路、或类似物,或其组合) 产生的电子噪声。噪声模型可以指示图像的噪声分布、图像的各个点的噪声幅度、或类似物,或其组合。
所描述的重建可以包括迭代重建过程,其可包括基于计算机的迭代处理。迭代重建过程可以包括重复的投影和噪声消除过程等。上述模型的示例是出于说明目的而提供的,且并不旨在限定本公开的范围。
虚线框1017中的图像迭代重建可以涉及在步骤1003至步骤1004中获得的噪声估计,如图7A和7B中的步骤703和704所描述的。在第一次迭代期间,可以通过在步骤1005中直接输入初始重建图像而在步骤1006中获取初始图像或更新图像;而在随后的迭代中,可以由从先前迭代生成的重建图像来更新步骤1006中的图像。可以在步骤1006之后确定迭代是否完成。如果迭代完成,则该过程可以进行到步骤1014中输出图像。在一些实施例中,可以在以下步骤中进一步优化在步骤1014中获得的输出图像,例如如图7A和7B所描述的那样增强对比度。如果需要进一步的迭代,则可以进行到步骤1007,其中可以执行前向投影。可以有不同种类的停止条件来确定迭代是否完成。在一些实施例中,停止条件可以涉及在***中设定的一个或多个参数。例如,停止条件可以是:来自当前迭代和前次迭代的重建图像之间的差异低于某个阈值。在其他实施例中,停止条件可由用户确定。例如,在几次迭代之后,与某个组织有关的临床图像可被医生接受。
步骤1007中的前向投影可以是基于计算机的投影,其可以对第一次迭代中的初始图像或其他迭代中的更新图像进行变换。仅仅作为示例,3D(或2D)图像(例如初始图像或更新图像)中的体素(或像素)可以包括与投影有关的信息。信息可以包括但不限于:体素的几何形状(例如,形状、位置、大小、或类似物,或其组合)和体素(或像素)值(例如,灰度水平分布、RGB水平分布、亮度分布、或类似物,或其组合),或类似物,或其组合。基于步骤1007中的前向投影,可以在步骤1008中执行估计投影。
基于例如在步骤1004中获得的估计噪声数据和在步骤1008中获得的估计投影,可以在步骤1009中执行加权比较。在一些实施例中,在步骤1004中获得的估计噪声数据可以包括与至少一个噪声模型有关的至少一个参数,所述至少一个噪声模型与在步骤1003的噪声估计中生成的估计噪声拟合。
在一些实施例中,步骤1009中的加权比较可以包括标识在步骤1008中获得的估计投影与在步骤1004中获得的估计噪声数据之间的相关性,并基于相关性生成加权估计。在步骤1010中,可以标识投影误差。可以基于在步骤1004中获得的噪声模型和在步骤1009中获得的加权估计来生成投影误差,加权估计是基于步骤1008中获得的估计投影与在步骤1004中获得的估计噪声数据之间的相关性而获得。在步骤1011中,例如通过反向投影,可以将投影误差进一步变换回到图像域,以在步骤1012中提供图像误差。在步骤1013中,在步骤1012中生成的图像误差可以用于与步骤1016中生成的惩罚数据相结合来更新图像。惩罚数据可以从步骤1015中的正则化计算获得,正则化计算是基于第一次迭代中的初始图像或其他迭代中的更新图像。如本文所述,正则化计算可以表征CT***的固有属性并保留图像内的一些特性。示例性特征可以包括位于高强度区域和低强度区域之间的清晰边缘。在一些实施例中,正则化计算可以通过例如改善高强度区域或低强度区域内的平滑度来帮助提高图像质量。在一些实施例中,在步骤1015中执行的正则化计算可以区分具有不同强度的区域。例如,在步骤1015中执行的正则化计算可能有助于理解金属植入物在患者体内的位置。正则计算可以提高金属和非金属组织之间的清晰边缘的可视性。
基于在步骤1016中获得的惩罚数据和/或在步骤1012中获得的图像误差,可以在步骤1013中更新图像。例如,更新可以基于惩罚数据和图像误差的乘法。该更新可以提高在先前迭代中获得的图像的质量。该过程可以重复一定次数的迭代或直到满足标准。
在一些实施例中,步骤1007中的前向投影可以由辐射源、对象和检测器之间的几何关系确定。例如,贡献因子可以由辐射源、对象和检测器的相对位置确定。在一些实施例中,步骤1007中的前向投影可以由图像体素值确定。如本文所使用的,图像体素值可以包括与例如体素的灰度、体素的RGB 水平、体素的亮度、或类似物,或其组合有关的信息。此外,可以以不同的方式配置图像中的体素值的分布。例如,两个相邻体素的图像体素值可以是连续的或离散的。本领域普通技术人员还应该理解,在步骤1007的前向投影期间可以进一步考虑其他物理效应。这些物理效应的实例可以是多色X射线光谱、有限检测器点扩散函数、有限焦斑尺寸、方位模糊、散射辐射、测量噪声、或离焦辐射、或类似物,或其组合。
应当注意,许多替代、修改和变化对本领域技术人员而言是显而易见的。本文描述的示例性实施例的特征、结构、方法和其它特点可以不同方式结合以获得另外的和/或替代的示例性实施例。例如,本领域技术人员应当理解,步骤1015中的正则化计算和步骤1016中生成的惩罚数据可以是不必要的。因此,步骤1013 中的图像更新可以仅依赖于步骤1012中的图像误差。此外,在实际中,可以在步骤1007中或在图10描述的过程的其他适当部分中执行前向投影。在另一示例中,步骤1010中生成的投影误差可用于在步骤1008中更新所估计的投影,并且在步骤1011中可以通过反向投影将更新的投影变换回到图像域。结果,变换的图像可以在随后的迭代步骤中用作更新图像。
图11描绘根据本公开的一些实施例的前向投影块的示例性框图。前向投影块1101可以包括:被配置为生成贡献因子的贡献因子计算单元1102,配置为生成体素值的体素值近似单元1103,以及前向投影计算单元1104。前向投影计算单元1104 可以被配置为接收贡献因子和体素值以基于算法(例如,如式(5)所述)来进行投影。
在一些实施例中,贡献因子可以由辐射源(例如X射线源)、对象和检测器之间的几何关系来确定。在一个示例中,贡献因子可以由辐射源、对象和检测器的相对位置来确定。在另一示例中,体素的构造可能对贡献因子具有影响。如本文所使用的,体素的构造可以包括但不限于:体素的几何模型(例如,矩形长方体模型、极坐标网格模型、小波模型、重叠圆或球体模型、圆盘模型、多边形模型以及等等)、体素的大小(例如,沿x,y轴的尺寸,沿z方向的厚度)。
在一些实施例中,体素值可以包括与例如体素的灰度级别、体素的RGB水平、体素的亮度等有关的信息。此外,可以以不同的方式配置图像中的体素值的分布。例如,体素值的分布可以被配置为离散的,这意味着两个相邻体素的体素值不是连续的。在另一示例中,体素值的分布可以被配置为连续的,这意味着相邻体素的体素值是连续的。在另一示例中,体素值的分布可以被配置为部分离散并且部分连续,这意味着一个条件下的至少一些体素的体素值是连续的,并且另一条件下的至少一些体素的体素值是离散的。仅作为示例,x-y平面中的两个相邻体素的体素值可以是离散的,并且沿z方向的两个相邻体素的体素值可以是连续的。在另一示例中,x-y平面中的两个相邻体素的体素值可以是连续的,并且沿z方向的两个相邻体素的体素值可以是离散的。在另一个示例中,沿z方向的一个z坐标范围内的两个相邻体素的体素值可以是离散的,并且沿Z方向的另一z坐标范围内的两个相邻体素的体素值可以是连续的。
应当注意,许多替代、修改和变化对本领域技术人员而言是显而易见的。本文描述的示例性实施例的特征、结构、方法和其它特点可以不同方式结合以获得另外的和/或替代的示例性实施例。例如,前向投影块1101可以包括可产生与一些物理效果有关的信息的至少一个单元。这些物理效应的实例可以是多色X射线光谱、有限检测器点扩散函数、有限焦斑尺寸、方位模糊、散射辐射、测量噪声、或离焦辐射、或类似物,或其组合。
图12示出了根据本公开的一些实施例的示例性前向投影示意图。在步骤1201 中,可以从图像(例如,初始构建的图像,或在先前迭代中获得的更新图像)生成体素。仅仅作为示例,体素可以具有矩形立方体的形状。然后,可以在步骤1207 至步骤1209(图12所示的流程图的右侧分支)中计算出贡献因子,并且可以在步骤1202至步骤1206(如图12所示流程图的左侧分支)中计算出体素值。在步骤1204中,可以由前向投影计算单元1104来计算前向投影。在一些实施例中,可以由贡献因子计算单元1102来计算贡献因子,并且可以由体素值近似单元1103来近似得到体素。在一些实施例中,体素值近似单元1103可以被配置为根据可能与感兴趣体素具有某些地理关系的体素的值来离散化或更新感兴趣体素的体素值。例如,地理关系可以是体素紧邻感兴趣体素,或体素与感兴趣体素距离多个体素。作为另一示例,这种关系可以是体素在感兴趣体素的有限范围(或距离)内,或体素是沿着选定方向离开感兴趣体素。
在体素值近似过程中,可以在步骤1202中评估感兴趣体素和另一体素之间的地理关系。地理关系的评估可以基于矩形体素模型,其中可以构造形状曲线。例如,它可以包括计算相邻体素的值。通过考虑除了感兴趣体素之外的其他体素的影响,它还可以包括计算相邻体素之间变化的梯度。在一些实施例中,“相邻体素”可以是毗邻体素,例如共享至少一个矩形面的体素(如果使用矩形体素模型)。在一些实施例中,“相邻体素”也可以是距感兴趣体素一定距离内的体素,例如在离开感兴趣体素的方向距离多个体素。在一些实施例中,“相邻体素”可以以不同的方式不同。例如,感兴趣体素的相邻体素可以是xy平面中与感兴趣体素相距第一数量体素内的任何体素,在沿z方向与感兴趣体素相距第二数量体素内的任何体素,或者在沿任何对角线方向与感兴趣体素相距第三数量体素内的任何体素。第一数量、第二数量和第三数量中无论哪两个都可以相等或不同。另外,也可以使用数学模型来定义相邻体素之间的地理关系。例如,可以引入影响因子。影响因子可以指示特定的相邻体素对感兴趣体素的影响。影响因子可以被设计为取决于相邻体素与感兴趣体素之间的距离,或者还可以取决于感兴趣体素的值或位置。
可以在步骤1204中基于例如以下因素或其组合来生成形状曲线:感兴趣体素和一个或多个其他相邻体素之间的地理关系、这些体素的体素值、以及在步骤1203 中获取的扫描/重建参数、或类似物。示例性的扫描/重建参数可以是:切片厚度、与体素模型(例如矩形体素模型、立方体体素模型、球形体素模型等)有关的参数、或类似物,或其组合。如本文使用的,扫描/重建参数可以由用户基于不同条件来设置。在步骤1205中,可以基于形状曲线来更新体素值。结果,其可以在步骤1206中生成去离散体素。
应当注意的是,可以沿着近似去离散体素值的方向构建形状曲线。在一些实施例中,体素值可以从感兴趣体素到相邻体素而线性地改变。图14示出了通过考虑沿着z方向的两个毗邻体素1401和1402之间的地理关系而构建的线性曲线。如果体素1401或体素1402前向投影到检测器,则整个感兴趣体素对检测器的影响可以由其左部分及其右部分确定。线性曲线1403可以表示从体素1401的右部分到体素1402的左部分的体素值的线性变化,并且线性曲线的斜率可以通过体素 1401和体素1402的体素值的变化梯度来确定。除了线性变化之外,还可以使用其他类型的形状曲线。示例性的形状曲线如图15所示。例如,曲线1501,1502,1503 和1504可以是由感兴趣体素和相邻体素的体素值确定的拟合函数。仅作为示例,用于确定拟合函数的点可以包括感兴趣体素中具有体素值的点,一级相邻体素中具有体素值的点。拟合函数的示例可包括:多项式函数、指数函数、对数函数、多维函数、或类似物,或其组合。此外,拟合函数可以是上面列举的不同类型的函数的加权组合。例如,拟合函数可以是实线1501和虚线点曲线1505的加权组合;拟合函数可以是虚线点曲线1505和曲线1501-1504等的加权组合、或类似物,或其组合。
返回参考图12所示,在步骤1201中从更新图像生成矩形体素之后,可以在步骤1207中计算体素的投影足迹。还可以在步骤1208中取回和转发***几何参数以生成上述足迹。如本公开的其他部分所述,***几何参数可以包括但不限于:源、对象和检测器的相对位置,体素的形状和尺寸,检测器单元的形状和尺寸,或者类似物,或其组合。基于可在步骤1209中产生的贡献因子(例如足迹)和/ 或在步骤1206中生成的去离散体素值,可以在步骤1210中计算用于前向投影的参数。
在一些实施例中,离散域中的卷积可用于产生用于投影的参数。在一些实施例中,可以利用矩阵运算和/或线性代数计算。在从贡献因子和/或去离散体素值获得投影参数之后,可以在步骤1211中执行前向投影,其中图像(在图像域中)的体素可以被变换为投影数据。前向投影可以由计算机执行,或者以其他方式自动执行,而无需用户干预。
应当注意,许多替代、修改和变化对本领域技术人员而言是显而易见的。例如,对于本领域技术人员应当理解,除了***几何参数之外,还可以基于一些其它因子来计算体素投影足迹1207。这些因子的实例可以包括:多色X射线光谱、有限检测器点扩散函数、有限焦斑尺寸、方位模糊、散射辐射、测量噪声、或离焦辐射、或类似物,或其组合。对于本领域技术人员还应该理解,可以改变计算贡献因子和近似体素值的顺序。例如,可以在近似体素值之前执行贡献因子的计算,可以在计算贡献因子之前执行体素值的近似,或者计算贡献因子和近似体素值可以同时执行。此外,图12中描述的一些步骤可以省略。例如,可以在至少一些迭代步骤中省略步骤1202中的地理关系,并且可以在随后的迭代中使用在先前迭代中确定的地理关系。
下面将讨论近似体素值的方法,例如基于相邻体素更新体素值的方法。应当注意,体素形状曲线可以包括但不限于直线、曲线、或类似物,或其组合。相邻的体素可以被定义为但不限于:毗邻体素、相距某一距离的体素、或类似物。
为了简单起见,在下面的说明性描述中使用示例性的直线形状曲线并将相邻体素定义为z方向上的毗邻体素。返回参考图14,1401、1402可以是要前向投影的两个毗邻体素。每个体素可以分为左和右部分,其中“-”表示左,“+”表示右(z方向在此定义为沿着连接体素1401中心和体素1402中心的线)。因此,如果体素前向投影到检测器,则可以通过体素的左部分值f-(z)和右部分值f+(z)来确定整个体素对检测器的贡献,并且总贡献可以计算为两部分的加权和。在一些实施例中,体素的各个部分的体素值可以是恒定的。例如,对于每个体素,左部分f-(z)的体素值可以等于右部分f+(z)的体素值。分别地,体素1401的体素值可以是fDC(z-),并且体素1402的体素值可以是fDC(z),如1404所示。在一些实施例中,体素的f-(z)和f+(z)可以是不同的。此外,体素的f-(z)和f+(z)可能受到一个或多个相邻体素的影响。假设从体素1401的右部分到体素1402的左部分的体素值线性变化,每个部分体素的值可以被定义为:
以及
其中tz可以表示其图像坐标位于(x,y,z)的检测器上的体素中心足迹,并且B-和B+可以表示检测器上的相应体素足迹的左边界和右边界。在体素值线性变化的例子中,可以表示投射在B-上的体素值,可以表示投射在B+上的体素值。对于两个不同的体素部分之一,其整个体素的体素值可以被认为是和的平均值。在一些实施例中,体素可以被划分为三个或更多个部分。
在两个相邻体素的体素值的线性变化时,如式(23)所示,1402的体素值可以基于体素1401的体素值来确定。此外,两个体素的体素值之间的线性关系可以根据不同的条件而变化。在一些实施例中,两个体素的体素值之间的关系可以与从每个体素到检测器单元的投射的贡献有关。仅作为示例,如果体素1402的投射直接面向检测器单元,则来自相邻体素的影响可能受到限制,例如由tz<B+或 tz>B-所描述。如果体素1401和体素1402的投射在检测器单元上贡献相等,或者检测器单元直接面向体素1401和体素1402的接触平面的投射,则来自相邻体素的影响可能更大,例如,由tz<B+或tz>B-所描述。本领域技术人员应当理解,体素的投射对检测器单元的贡献可以由多个因素确定。这些因素的示例可以包括体素的几何形状,体素的大小,x射线的切片厚度,辐射源、对象和检测器之间的几何关系,或类似物,或其组合。
返回参考体素值的线性变化的实施例,和可以满足以下等式:
其中
如果t轴平行于z轴,并且z方向的体素值系线性变化,则可以使用两个足迹坐标之间的距离比。这样,式(23)可以改写为:
其中
其中tz-可以表示其图像坐标位于(x,y,z-Δ′z)的左侧相邻体素中心足迹,而 tz+可以表示其图像坐标位于(x,y,z+Δ′z)的右侧相邻体素中心足迹。
在获取体素的两部分的体素值之后,可以基于f-(z)和f+(z)确定整个体素 fLin(z)的体素值。例如,如式(28)所示,可以基于f-(z)和f+(z)的加权和来确定fLin(z):
其中
以及
在式(29)中,Removeif(a,b)可以定义为而Err而不是零小于e-N(N 可以由图像处理模块120的参数(例如精度)来确定)。权重w±可以表示从f±(z)到 fDC(z)的距离。在t轴上,距离可以表示为从B_和B+到tz的距离。影响因子Efft_或 Efft+可以表示从体素的特定部分的中心到体素中心的那部分距离。
感兴趣体素的左部分和右部分的贡献可以是相同的(例如,每个部分的影响因子可以是0.5)。因此在这种情况下,体素的线性化值可以被定义为:
在具有各种图像切片厚度的一些另外的实施例中,位于毗邻体素之间的体素的体素值的变化可以不同。例如,可以使用分段线性变化模型。因此,体素的更新值(步骤1205中所述)可以被定义为:
f(z)=fDC(z)·fPVEWeight+fLin(z)·(1-fPVEWeight),( 32)
其中fPVEWeight可以表示切片厚度的加权因子。
如本公开的其他部分所述,除了切片方向(z方向)之外,还可以沿x方向、 y方向或x-y平面中的任何方向实现前向投影。体素的体素值可以与x-y平面中的任何方向上的相邻体素有关。
应当注意,许多替代、修改和变化对本领域技术人员而言是显而易见的。例如,相邻体素之间的变化可以通过不同类型的函数来拟合。这些函数可以例如包括:二次函数、三次函数、四次多项式、n次多项式、指数函数、对数函数、三角函数、反三角函数、双曲函数、或类似物,或其组合。上述函数的示例是出于说明目的而提供的,且并不旨在限定本公开的范围。可以基于例如切片厚度的***或/和重建参数来设置函数类型。例如,当切片厚度小于1mm,例如为0.5mm时,可以使用线性函数;切片厚度大于1mm,例如为5mm时,可以使用多项式函数或指数函数。
示例
以下示例是出于说明目的而提供的,且并不旨在限定本公开的范围。
图16A和图16B是根据本公开的一些实施例的基于降噪和对比度增强而生成的两个X射线图像。
图17A-17F示出根据本公开的一些实施例基于迭代重建而生成的六个X光图像。图17A、17C、17E是根据基于矩形体素的迭代重建而生成的X射线图像,图 17B、17D、17F是根据去离散化对象参数化而生成的X射线图像。在迭代重建过程中,体素值仅沿z方向变化。
图18A和图18B示出根据本公开的一些实施例基于迭代重建而生成的两个X 射线图像。在迭代重建过程中,体素值沿x、y和z方向变化。
还将理解,上述方法实施例可以采取计算机或控制器实现的过程和装置的形式来实施这些过程。本公开还可以以包含指令的计算机程序代码的形式实现,计算机程序代码体现在诸如软盘、CD-ROM、硬盘驱动器或任何其他计算机可读存储介质的计算机程序代码有形介质中,其中当加载计算机程序代码到计算机或控制器且由其执行时,此计算机成为实施本发明的装置。本公开也可以以计算机程序代码或信号的形式实现,例如,存储在存储介质中且加载到计算机或控制器中和/或由计算机或控制器执行,或通过某些传输介质传输,如通过电线或电缆、通过光纤、或通过电磁辐射;其中,当计算机程序代码被加载到计算机中并由其执行时,计算机变为用于实施此发明的装置。当在通用微处理器上实现时,计算机程序代码段配置微处理器以创建特定的逻辑电路。
尽管已参照其优选实施例对本发明进行了描述,然而本领域内技术人员将理解,可在不背离本发明的范围的情况下作出各种变化并用等效物替代其中的要素。此外,在不脱离其本质范围的情况下,可以进行许多修改以使特定情况或材料适应本发明的教导。因此,本发明不限于作为实施本发明的最佳模式所公开的特定实施例,而是本发明将包括落入所附权利要求的范围内的所有实施例。
Claims (33)
1.一种方法,包括:
接收与对象有关的原始数据;
在多次迭代的每次迭代期间,
基于从前次迭代中获得的图像,计算每次连续迭代的与第一体素有关的第一体素值和与第二体素有关的第二体素值,其中,所述第二体素值的至少一部分相对于所述第一体素值的至少一部分是连续的;
基于所述第一体素值和所述第二体素值将图像变换至投影域以生成估计投影;
基于所述估计投影和所述原始数据生成投影误差;
基于所述投影误差生成将用于下次迭代的图像;
基于所述多次迭代来获得重建图像。
2.根据权利要求1所述的方法,其中所述第二体素与所述第一体素毗邻。
3.根据权利要求1所述的方法,其中与所述第一体素的至少一部分有关的第一体素值包括根据第一函数的一分布。
4.如权利要求3所述的方法,其中所述第一函数是线性函数。
5.根据权利要求3所述的方法,其中与所述第二体素的至少一部分有关的第二体素值包括根据第二函数的一分布。
6.如权利要求5所述的方法,其中所述第一函数和所述第二函数是相同的。
7.根据权利要求1所述的方法,其中所述第一体素至少包括第一部分和第二部分,其中所述第一部分中的体素值以与所述第二部分的体素值不同的方式变化。
8.根据权利要求1所述的方法,还包括基于所述原始数据来选择噪声模型。
9.根据权利要求8所述的方法,还包括通过基于所述噪声模型降低所述重建图像中的噪声来生成更新图像。
10.根据权利要求9所述的方法,还包括增强所述更新图像的对比度。
11.一种图像重建方法,所述方法包括:
接收与对象有关的原始数据;
根据所述原始数据生成第一图像;
根据所述原始数据构建噪声模型;
通过基于所述噪声模型降低所述第一图像中的噪声来生成第二图像;
生成第三图像,其中所述第三图像与所述噪声有关;
通过增强所述第二图像的对比度来生成第四图像;以及
根据所述第四图像和所述第三图像来生成第五图像。
12.根据权利要求11所述的方法,其中通过从所述第一图像中减去所述第二图像来计算所述第三图像。
13.根据权利要求11所述的方法,其中,基于所述噪声模型来计算所述第三图像。
14.根据权利要求11所述的方法,其中通过将所述第三图像与所述第四图像组合来计算所述第五图像。
15.根据权利要求11所述的方法,其中通过多次迭代来生成所述第一图像。
16.根据权利要求15所述的方法,还包括在所述多次迭代的每次迭代期间生成更新图像。
17.根据权利要求16所述的方法,还包括将所述更新图像变换至投影域以生成估计投影。
18.一种存储介质,包括:
用于实现图像迭代重建的机器可读计算机程序代码;以及
使得计算机执行一种方法的指令,所述方法进一步包括:
接收与对象有关的原始数据;
在多次迭代的每次迭代期间,
基于从前次迭代中获得的图像,计算每次连续迭代的与第一体素有关的第一体素值和与第二体素有关的第二体素值,其中,所述第二体素值的至少一部分相对于所述第一体素值的至少一部分是连续的;
基于所述体素值和所述第二体素值将图像变换至投影域以生成估计投影;
基于所述估计投影和所述原始数据生成投影误差;
基于所述投影误差生成下次迭代的图像;以及
基于所述多次迭代来获得重建图像。
19.根据权利要求18所述的存储介质,其中所述第一体素与所述第二体素相邻。
20.根据权利要求19所述的存储介质,其中所述第二体素值按照第一函数随着所述第一体素值连续地变化。
21.根据权利要求20所述的存储介质,其中所述第一函数是线性函数。
22.根据权利要求19所述的存储介质,所述指令进一步用于生成与切片厚度有关的加权因子。
23.根据权利要求20所述的存储介质,其中所述第二体素值按照第二函数和第三函数的相关性随着所述第一体素值连续地变化,所述相关性是基于所述加权因子。
24.根据权利要求18所述的存储介质,其中所述第一体素包括第一部分和第二部分,其中所述第一部分中的体素值以与所述第二部分的体素值不同的方式变化。
25.一种图像处理***,包括:
数据获取单元,在至少一个处理器上实现,配置为接收与对象有关的原始数据;
图像重建单元,在至少一个处理器上实现,配置为执行如下操作:
执行多次迭代,且在所述多次迭代的每次迭代期间,
基于从前次迭代中获得的图像,计算每次连续迭代的与第一体素有关的第一体素值和与第二体素有关的第二体素值,其中,所述第二体素的至少一部分相对于所述第一体素值的至少一部分是连续的;
基于所述第一体素值和所述第二体素值将图像变换至投影域以生成估计投影;
基于所述估计投影和所述原始数据生成投影误差;
基于所述投影误差来生成图像;以及
基于所述多次迭代来获得重建图像。
26.根据权利要求25所述的***,其中与所述第一体素的至少一部分有关的第一体素值包括根据第一函数的一分布。
27.如权利要求26所述的***,其中所述第一函数是线性函数。
28.根据权利要求26所述的***,其中与所述第二体素的至少一部分有关的第二体素值包括根据第二函数的一分布。
29.如权利要求28所述的***,其中所述第一函数和所述第二函数是相同的。
30.根据权利要求25所述的***,其中所述第一体素的第一部分中的体素值与所述第一体素的第二部分中的体素值变化方式不同。
31.根据权利要求25所述的***,还包括降噪单元,配置为基于所述原始数据来选择噪声模型。
32.根据权利要求31所述的***,其中所述降噪模型配置为通过基于所述噪声模型降低所述重建图像的噪声来生成更新图像。
33.根据权利要求32所述的***,还包括对比度增强单元,配置为增强所述更新图像的对比度。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2015/097121 WO2017096609A1 (en) | 2015-12-11 | 2015-12-11 | System and method for image reconstruction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108292428A true CN108292428A (zh) | 2018-07-17 |
CN108292428B CN108292428B (zh) | 2023-03-31 |
Family
ID=58744777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580079962.3A Active CN108292428B (zh) | 2015-12-11 | 2015-12-11 | 图像重建的***和方法 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10339634B2 (zh) |
EP (1) | EP3234919B1 (zh) |
CN (1) | CN108292428B (zh) |
GB (1) | GB2549208B (zh) |
WO (1) | WO2017096609A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111323437A (zh) * | 2018-12-17 | 2020-06-23 | 通用电气公司 | 用于统计迭代重建和材料分解的***和方法 |
CN111757703A (zh) * | 2018-09-26 | 2020-10-09 | 上海联影医疗科技有限公司 | 用于图像生成的***和方法 |
CN112424835A (zh) * | 2020-05-18 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 用于图像重建的***和方法 |
CN113449629A (zh) * | 2021-06-25 | 2021-09-28 | 重庆卡佐科技有限公司 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
CN117974652A (zh) * | 2024-03-29 | 2024-05-03 | 大连智驱科技有限公司 | 基于机器视觉的超声影像辅助定位方法 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017162858A2 (en) * | 2016-03-25 | 2017-09-28 | Koninklijke Philips N.V. | Image reconstruction |
WO2017166187A1 (en) | 2016-03-31 | 2017-10-05 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
JP6713860B2 (ja) * | 2016-07-04 | 2020-06-24 | 株式会社日立製作所 | 画像再構成装置、x線ct装置、および、画像再構成方法 |
US9730649B1 (en) | 2016-09-13 | 2017-08-15 | Open Water Internet Inc. | Optical imaging of diffuse medium |
WO2019010648A1 (en) * | 2017-07-12 | 2019-01-17 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR CORRECTION TO AIR |
WO2019033390A1 (en) * | 2017-08-18 | 2019-02-21 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE RECONSTRUCTION |
US10778912B2 (en) | 2018-03-31 | 2020-09-15 | Open Water Internet Inc. | System and device for optical transformation |
US10506181B2 (en) | 2018-03-31 | 2019-12-10 | Open Water Internet Inc. | Device for optical imaging |
US10778911B2 (en) | 2018-03-31 | 2020-09-15 | Open Water Internet Inc. | Optical transformation device for imaging |
KR102555465B1 (ko) * | 2018-06-11 | 2023-07-17 | 삼성전자주식회사 | 단층 영상의 생성 방법 및 그에 따른 엑스선 영상 장치 |
CN109118439B (zh) * | 2018-07-03 | 2022-02-18 | 浙江大学 | 基于线积分的锥束ct去模糊方法 |
US10991133B2 (en) * | 2019-01-25 | 2021-04-27 | Siemens Healthcare Gmbh | Volume rendering from three-dimensional medical data using quantum computing |
CN110543853A (zh) * | 2019-09-04 | 2019-12-06 | 上海观安信息技术股份有限公司 | 基于图像处理技术实现人脸识别处理的方法 |
CN111127341A (zh) * | 2019-12-05 | 2020-05-08 | Oppo广东移动通信有限公司 | 图像处理方法和装置、及存储介质 |
EP3958209B1 (en) * | 2020-08-19 | 2024-07-03 | Volkswagen Ag | Computer-implemented methods, computing devices and computer programs for processing volumetric scanning data and analyzing a performance of structural elements |
US11790598B2 (en) * | 2020-12-16 | 2023-10-17 | Nvidia Corporation | Three-dimensional tomography reconstruction pipeline |
CN114140582B (zh) * | 2021-11-26 | 2023-03-24 | 苏州大学 | 基于单视角***矩阵重建3d剂量分布方法及*** |
CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006097867A2 (en) * | 2005-03-16 | 2006-09-21 | Philips Intellectual Property & Standards Gmbh | Method and device for the iterative reconstruction of tomographic images |
US20120051626A1 (en) * | 2010-08-30 | 2012-03-01 | Yong Long | Three-dimensional forward and back projection methods |
CN103514615A (zh) * | 2012-06-22 | 2014-01-15 | 通用电气公司 | 用于迭代重建的方法和设备 |
CN103971349A (zh) * | 2013-01-30 | 2014-08-06 | 上海西门子医疗器械有限公司 | 计算机断层扫描图像重建方法和计算机断层扫描设备 |
CN104821002A (zh) * | 2014-02-05 | 2015-08-05 | 西门子公司 | 计算机断层成像中图像数据的迭代重建 |
WO2015162519A1 (en) * | 2014-04-23 | 2015-10-29 | Koninklijke Philips N.V. | Restoration of low contrast structure in de-noise image data |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3089050B2 (ja) | 1991-06-19 | 2000-09-18 | 株式会社東芝 | Spect画像の再構成方法 |
DE10116682A1 (de) | 2001-04-04 | 2002-10-10 | Philips Corp Intellectual Pty | Verfahren und Vorrichtung zur Rekonstruktion dreidimensionaler Bilder aus Kegelstrahl-Projektionsdaten |
US6493416B1 (en) * | 2001-11-21 | 2002-12-10 | Ge Medical Systems Global Technology Company, Llc | Method and apparatus for noise reduction in computed tomographic systems |
WO2004072904A1 (en) | 2003-02-14 | 2004-08-26 | Koninklijke Philips Electronics N.V. | System and method for exact image reconstruction for helical cone beam computed tomography including redundant data |
US7215730B2 (en) | 2004-12-30 | 2007-05-08 | Ge Healthcare Finland Oy | Method and arrangement for multiresolutive reconstruction for medical X-ray imaging |
EP2238906B1 (en) | 2005-09-07 | 2015-04-08 | Kabushiki Kaisha Toshiba | X-ray computed tomography apparatus |
TWI337329B (en) * | 2006-04-18 | 2011-02-11 | Iner Aec Executive Yuan | Image reconstruction method for structuring two-dimensional planar imaging into three-dimension imaging |
US8270559B2 (en) | 2006-11-24 | 2012-09-18 | Kabushiki Kaisha Toshiba | Method and system for tomographic reconstruction in medical imaging using the circle and line trajectory |
US8238687B1 (en) * | 2008-01-09 | 2012-08-07 | Helwett-Packard Development Company, L.P. | Local contrast enhancement of images |
US20110019791A1 (en) | 2009-07-24 | 2011-01-27 | The Research Foundation Of State University Of New York | Selection of optimal views for computed tomography reconstruction |
US8655033B2 (en) * | 2009-10-28 | 2014-02-18 | General Electric Company | Iterative reconstruction |
US8952333B2 (en) | 2009-11-02 | 2015-02-10 | Virginia Tech Intellectual Properties, Inc. | Methods for improved single photon emission computed tomography using exact and stable region of interest reconstructions |
KR20120116940A (ko) * | 2009-11-25 | 2012-10-23 | 코닌클리케 필립스 일렉트로닉스 엔.브이. | 향상된 화상 데이터/선량 감소 |
WO2011100723A2 (en) | 2010-02-12 | 2011-08-18 | The Regents Of The University Of California | Graphics processing unit-based fast cone beam computed tomography reconstruction |
RU2594101C2 (ru) | 2010-10-26 | 2016-08-10 | Конинклейке Филипс Электроникс Н.В. | Устройство и способ для гибридной реконструкции объекта из проекционных данных |
BR112013013104A8 (pt) | 2010-11-30 | 2018-01-02 | Koninklijke Philips Electronics Nv | Método e reconstrutor |
US8233586B1 (en) | 2011-02-17 | 2012-07-31 | Franz Edward Boas | Iterative reduction of artifacts in computed tomography images using forward projection and an edge-preserving blur filter |
RU2585790C2 (ru) * | 2011-03-28 | 2016-06-10 | Конинклейке Филипс Н.В. | Изображение с зависящим от контрастности разрешением |
DE102011086771A1 (de) * | 2011-11-22 | 2013-05-23 | Siemens Aktiengesellschaft | Computertomographieanlage und Verfahren zum Ermitteln von Volumeninformationen zu einem Körper |
JP6223990B2 (ja) * | 2011-11-23 | 2017-11-01 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | イメージ領域のノイズ除去 |
CN103186883B (zh) | 2011-12-29 | 2015-09-30 | 上海联影医疗科技有限公司 | 一种ct图像重建中骨硬化伪影的校正方法 |
CN103186890B (zh) | 2011-12-30 | 2015-09-02 | 上海联影医疗科技有限公司 | Ct重建图像环状伪影的去除方法 |
US8995735B2 (en) | 2012-05-23 | 2015-03-31 | General Electric Company | System and method for wide cone helical image reconstruction using blending of two reconstructions |
CN103927768B (zh) | 2013-01-16 | 2015-05-13 | 上海联影医疗科技有限公司 | Ct图像重建方法 |
CN104207798B (zh) | 2013-05-31 | 2017-12-22 | 上海联影医疗科技有限公司 | 计算机断层图像的重建方法 |
CN103593289A (zh) | 2013-11-12 | 2014-02-19 | 浪潮齐鲁软件产业有限公司 | 一种安卓机顶盒生产测试软件的设计方法 |
CN103593829A (zh) * | 2013-11-26 | 2014-02-19 | 北京科技大学 | 基于数学形态学运算的手背静脉显像方法 |
-
2015
- 2015-12-11 CN CN201580079962.3A patent/CN108292428B/zh active Active
- 2015-12-11 US US15/318,253 patent/US10339634B2/en active Active
- 2015-12-11 GB GB1705807.4A patent/GB2549208B/en active Active
- 2015-12-11 EP EP15896594.7A patent/EP3234919B1/en active Active
- 2015-12-11 WO PCT/CN2015/097121 patent/WO2017096609A1/en active Application Filing
-
2019
- 2019-07-01 US US16/458,449 patent/US11341613B2/en active Active
-
2022
- 2022-05-23 US US17/664,647 patent/US20220292646A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006097867A2 (en) * | 2005-03-16 | 2006-09-21 | Philips Intellectual Property & Standards Gmbh | Method and device for the iterative reconstruction of tomographic images |
US20120051626A1 (en) * | 2010-08-30 | 2012-03-01 | Yong Long | Three-dimensional forward and back projection methods |
CN103514615A (zh) * | 2012-06-22 | 2014-01-15 | 通用电气公司 | 用于迭代重建的方法和设备 |
CN103971349A (zh) * | 2013-01-30 | 2014-08-06 | 上海西门子医疗器械有限公司 | 计算机断层扫描图像重建方法和计算机断层扫描设备 |
CN104821002A (zh) * | 2014-02-05 | 2015-08-05 | 西门子公司 | 计算机断层成像中图像数据的迭代重建 |
WO2015162519A1 (en) * | 2014-04-23 | 2015-10-29 | Koninklijke Philips N.V. | Restoration of low contrast structure in de-noise image data |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111757703A (zh) * | 2018-09-26 | 2020-10-09 | 上海联影医疗科技有限公司 | 用于图像生成的***和方法 |
CN111757703B (zh) * | 2018-09-26 | 2023-04-07 | 上海联影医疗科技股份有限公司 | 用于图像生成的***和方法 |
CN111323437A (zh) * | 2018-12-17 | 2020-06-23 | 通用电气公司 | 用于统计迭代重建和材料分解的***和方法 |
CN111323437B (zh) * | 2018-12-17 | 2023-06-23 | 通用电气公司 | 用于统计迭代重建和材料分解的***和方法 |
CN112424835A (zh) * | 2020-05-18 | 2021-02-26 | 上海联影医疗科技股份有限公司 | 用于图像重建的***和方法 |
CN112424835B (zh) * | 2020-05-18 | 2023-11-24 | 上海联影医疗科技股份有限公司 | 用于图像重建的***和方法 |
CN113449629A (zh) * | 2021-06-25 | 2021-09-28 | 重庆卡佐科技有限公司 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
CN113449629B (zh) * | 2021-06-25 | 2022-10-28 | 重庆卡佐科技有限公司 | 基于行车视频的车道线虚实识别装置、方法、设备及介质 |
CN117974652A (zh) * | 2024-03-29 | 2024-05-03 | 大连智驱科技有限公司 | 基于机器视觉的超声影像辅助定位方法 |
Also Published As
Publication number | Publication date |
---|---|
GB2549208B (en) | 2018-04-11 |
EP3234919A4 (en) | 2018-11-14 |
US20190385279A1 (en) | 2019-12-19 |
US11341613B2 (en) | 2022-05-24 |
GB201705807D0 (en) | 2017-05-24 |
EP3234919A1 (en) | 2017-10-25 |
CN108292428B (zh) | 2023-03-31 |
US20220292646A1 (en) | 2022-09-15 |
WO2017096609A1 (en) | 2017-06-15 |
US10339634B2 (en) | 2019-07-02 |
EP3234919B1 (en) | 2021-03-17 |
US20180204305A1 (en) | 2018-07-19 |
GB2549208A (en) | 2017-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220292646A1 (en) | System and method for image reconstruction | |
US10255696B2 (en) | System and method for image reconstruction | |
CN108352077B (zh) | 图像重建的***和方法 | |
US8000435B2 (en) | Method and system for error compensation | |
US7747057B2 (en) | Methods and apparatus for BIS correction | |
WO2014167935A1 (ja) | X線ct装置、再構成演算装置、及び再構成演算方法 | |
US20090202127A1 (en) | Method And System For Error Compensation | |
CN103315760A (zh) | 用于核医疗成像中基于发射数据进行衰减补偿的***和方法 | |
JP2011510757A (ja) | 対象の周囲を動的な束縛として使用することによる、トモグラフィにおける放射線量低減および画質向上 | |
CN110678906B (zh) | 用于定量分子成像的准确混合数据集的生成 | |
JP2010223963A (ja) | コンテナを検査する方法及びシステム | |
US8699812B2 (en) | System and method for quality improvement in CT imaging | |
Friot et al. | Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging | |
EP2366103B1 (en) | Measurement of the position of the center detector for geometrically calibrating a ct scanner based on a complex phantom | |
Muckley et al. | Image reconstruction for interrupted-beam x-ray CT on diagnostic clinical scanners | |
US8259896B2 (en) | Efficient correction of polychromy effects in image reconstruction | |
US20220375038A1 (en) | Systems and methods for computed tomography image denoising with a bias-reducing loss function | |
US20210110597A1 (en) | Systems and methods for visualizing anatomical structures | |
US11353411B2 (en) | Methods and systems for multi-material decomposition | |
Song et al. | 3-D MTF Estimation Using Sphere Phantoms for Cone-Beam Computed Tomography Systems | |
Gao et al. | A projection matrix-based geometric calibration algorithm in CBCT system | |
CN114515161A (zh) | 医学图像重建方法、装置、计算机设备及存储介质 | |
Mao | Segmented parallel and slant-hole stationary cardiac single photon emission computed tomography | |
Chityala | Self-calibration of images for three-dimensional cone beam reconstruction |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 2258 Chengbei Road, Jiading District, Shanghai Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |