CN108352058B - 数据和扫描器规格指导的智能滤波设备和方法 - Google Patents

Abstract

下文涉及核成像***中的噪声滤波。在一个方面中，在核成像设备中提供全自动噪声滤波***。在一些实施例中，将滤波器参数选择引擎应用于医学图像的图像环境以计算针对所述医学图像的图像滤波器配置，其中，所述图像环境包括针对以下中的一个或多个的值：所述医学图像的成像对象、用于采集所述医学图像的成像设备，以及所述医学图像的医学背景。

Description

数据和扫描器规格指导的智能滤波设备和方法

背景技术

以下内容涉及核成像***中的噪声滤波。

放射性发射成像***(例如，正电子发射断层摄影(PET)或单光子发射计算机断层摄影(SPECT))优选以向对象施予最小量的放射性药物进行操作，以减少患者接收的放射剂量。类似地，透射计算机断层摄影(CT)优选以最低可行的X射线剂量进行操作。然而，较低的放射性药物剂量或较低的X射线剂量导致具有低信噪比(SNR)的成像数据。迭代重建非常适合用于以低信噪比重建成像数据。然而，迭代重建过程在本质上会放大噪声。

为了对抗这种噪声，已知采用对重建图像的滤波。然而，滤波可能导致对比度/边缘特征和/或分辨率的显著损失。图像质量对滤波器参数高度敏感。现有的商业***使得用户能够调节滤波器参数，例如增加或减少高斯平滑参数等。然而，滤波器参数调节需要熟悉这些滤波器参数的影响。因此，除非操作者熟悉具体的滤波器参数，否则在已知的商业***的操作中会出现困难。

为此目的，King等人“Digital Restoration of Indium-111 and Iodine-123SPECT Images with Optimized Metz Filters”(Journal of Nuclear Medicine，第27卷，第8期，1986年8月1日)发现一种依赖于计数的Metz过滤器能够对在使用铟-111和碘-123的成像***的调制传递函数中通常发生的低空间频率下的快速下降进行去卷积。这实现了对SPECT成像的图像质量的显著改善。

发明内容

在一个方面中，一种用于处理医学图像的图像处理设备包括电子设备。所述电子设备被编程为：将滤波器参数选择引擎应用于医学图像的图像环境以计算针对所述医学图像的图像滤波器配置，所述滤波器参数选择引擎是使用机器学习在经滤波的图像的训练集合上根据经验进行训练的，所述经滤波的图像的训练集合是通过对关于给定的图像环境识别出的训练图像进行滤波来构建的。所述图像环境包括针对以下中的一个或多个的值：所述医学图像的成像对象、用于采集所述医学图像的成像设备，以及所述医学图像的医学背景；应用具有所述图像滤波器配置的图像滤波器以对所述医学图像进行滤波来生成经滤波的医学图像；并且将所述经滤波的医学图像显示在显示部件上。

在另一方面中，一种核成像设备包括被配置为采集医学图像的放射性发射成像***以及如上所述的包括所述电子设备的图像处理设备。

在又一方面中，提供了一种图像处理方法，所述方法由一个或多个处理器来执行并且包括以下步骤：将滤波器参数选择引擎应用于医学图像的图像环境以计算针对所述医学图像的图像滤波器配置，所述滤波器参数选择引擎是使用机器学习在经滤波的图像的训练集合上根据经验进行训练的，所述经滤波的图像的训练集合是通过对关于给定的图像环境识别出的训练图像进行滤波来构建的；其中，所述图像环境包括针对以下中的一个或多个的值：所述医学图像的成像对象、用于采集所述医学图像的成像设备，以及所述医学图像的医学背景。所述方法还包括以下步骤：应用具有所述图像滤波器配置的图像滤波器以对所述医学图像进行滤波器来生成经滤波的医学图像；并且将所述经滤波的医学图像显示在显示部件上。

一个优点在于提供了一种具有低制造成本的低灵敏度配置的PET***，其实现了与较高灵敏度配置的PET***相当的图像质量。

另一个优点在于促进了低剂量PET成像(例如，

)以实现较低的每次扫描成本和更好的患者满意度，这在其他方式中是不可能的。

另一个优点在于一种执行高分辨率PET成像以获得优越的可检测性的PET***，这在其他方式中是不可能的。

另一个优点在于一种定期灵敏度配置的PET***，其利用低剂量扫描执行高分辨率PET成像，从而提供低成本和高分辨率成像两者的益处。

在阅读和理解了本公开内容后，本领域普通技术人员将容易明白其他优点。应当理解，特定实施例可以不获得这些优点中的任一个，也可以获得这些优点中的一个、两个、更多个或全部。

附图说明

本发明可以采取各种部件和各种部件的布置，以及各个步骤和各个步骤的安排的形式。附图仅出于图示优选实施例的目的，而不应被解释为限制本发明。

图1图解性地示出了包括图像滤波的核成像***。

图2示出了机器学习的示例性图示。

图3图示了不同滤波器参数设置对图像质量的影响的范例。

图4图示了不同滤波器参数设置对图像质量的影响的另外的范例。

图5图示了示例性方法。

具体实施方式

数字正电子发射断层摄影(PET)扫描器允许显著的剂量减少(例如减少80％)、低成本、更安全的成像和超高分辨率。然而，低剂量和超高分辨率成像会导致高水平的噪音。迭代PET重建通常用于重建图像，但是迭代重建在本质上是放大噪声的过程，并且低剂量图像采集提供有噪声的数据，这对于重建工作来说是不良的起点。另外，为了实现高分辨率，要求更小的体素尺寸和/或更大数量的重建迭代，这使得噪声问题更加严重。

对抗这个问题的现有技术(例如，常见的平滑滤波器、边缘保持滤波和正则化重建算法)能够抑制一些噪声。例如，诸如高斯滤波和中值滤波的滤波技术能够减少图像中的噪声，但是具有显著的分辨率损失代价。更高级的重建算法(例如，正则化MAP重建算法)可以满足在保持分辨率的同时降低噪声的需求。然而，这些算法的计算成本很高，这可能使其并不适用于繁忙的临床使用。其他先进的滤波技术(例如，扩散滤波和维纳滤波)也可以以低计算成本满足降低噪声和保持分辨率的需求；然而，它们太死板而不适用于具有宽范围的扫描器配置和性质的所有临床场景。

一般而言，使用图像滤波来降低噪声的影响需要仔细选择滤波器参数，以平衡噪声平滑化的正面影响与对比度或分辨率损失的潜在负面影响。通过适当选择滤波器参数，能够实现显著的图像改善；但是，如果利用非最优参数执行滤波，那么图像滤波实际上会使图像质量劣化。对于某些滤波器类型(例如，扩散滤波器或维纳滤波器)尤其如此，因为滤波器设置的微小变化会导致图像质量出现大的变化。

通常，用户能够通过选取滤波器参数设置来配置噪声抑制图像滤波器。然而，有效的滤波器配置要求用户了解基础数学滤波过程，尤其是不同滤波器参数设置对滤波过程的影响。在临床环境中，放射学技术人员可能对图像滤波的基础数学过程没有很深的了解。即使技术人员具有必要的了解，时间限制通常也会使对滤波器进行最优配置不切实际。不了解各种滤波器参数的影响的技术人员可能只是简单地选择默认的滤波器配置，这对于任何特定的放射学检查来说可能不是最优的。经验丰富的技术人员顶多可能具有足够的经验来基于技术人员过去的经验为某些放射学检查任务选择通常合适的滤波器参数设置。此外，技术人员可能使用他或她最熟悉的图像滤波器，并且可能避免使用由***提供的可能会提供更好结果但他或她不太熟悉的图像滤波器。

本文公开了改进的滤波技术，其能够以低计算成本在实现针对特定临床需求的分辨率的同时控制噪声。该方法基于成像环境来提供自动滤波器配置。在自动配置滤波器中使用的信息能够包括患者数据(例如，体重、身高或围长)、成像任务特征(例如，检查原因、解剖区域)以及成像数据采集***配置(例如，几何形状、灵敏度分布、分辨率)。滤波器配置引擎(即，滤波器参数选择引擎)可以是在经滤波的图像的训练集合上根据经验进行训练的，所述经滤波的图像的训练集合是通过利用不同的滤波器设置对关于图像环境识别出的训练图像进行滤波来构建的。关于图像质量对每幅训练的经滤波的图像进行标记，并且使用机器学习来训练滤波器参数选择任务以选择产生针对该训练图像集合的最高图像质量的滤波器设置。此后，将机器学习的滤波器参数选择任务应用于推理阶段，以在给定关于图像环境识别出的输入图像的情况下选择最优滤波器设置。在替代实施例中，熟练的放射科医师手动构建用于选择针对给定图像环境的最优滤波器参数设置(即，滤波器配置)的滤波器参数选择规则。

由于本文描述的***和方法引起较低的计算成本(例如减少了***的(一个或多个)处理器和/或存储器上的负担)，因此与已知***相比，本文描述的***和方法得到改进的技术功能。虽然本文描述的***和方法是在PET扫描器的背景中讨论的，但是本文描述的***和方法并不限于这种背景，而是也适用于其他背景，例如，单光子发射计算机断层摄影(SPECT)和计算机断层摄影(CT)。

图1图解性地示出了使用滤波的核成像***的高级视图的范例。参考图1，示出了核成像机10和计算机70。核成像机10是图示性的正电子发射断层摄影(PET)扫描器，其包括壳体14，壳体14包含或支撑一个或多个辐射探测器环形式的辐射探测器16。辐射探测器环16环绕检查区域12，成像对象(例如，注入有正电子发射放射性药物的医学患者)被放到检查区域12中以进行成像。将意识到，被施予到对象的放射性药物的剂量优选尽可能低以便使对象的辐射暴露最小化；相应地，信号强度低并且信噪比(SNR)高。

在图1中，核成像设备10采集由重建处理器重建的核成像数据以产生采集到的图像20，所述重建处理器例如为图示性的迭代重建处理器18，其可以被实施为图示性的计算机70的适当编程，或者可以通过经适当编程的专用PET成像控制器(未示出)来实施，或者能够被实施在某种其他电子数据处理设备上。在典型的方法中，由正电子-电子湮灭事件发射的相反方向的511keV的伽玛射线通过探测器环16的探测器来探测，并且定义响应线(LOR)。每个LOR的伽玛射线能够被认为是对探测器的“前向投影”。在一种方法中，迭代重建处理器18通过以下操作来重建图像：假设初始放射性药物分布，计算用于该分布的前向投影数据集，将该计算出的分布与测得的LOR的分布进行比较，并且以迭代方式调节放射性药物的分布，直到计算出的正向投影基本上匹配测得的LOR数据集。最终的放射性药物分布是重建图像。在实践中，迭代重建能够结合各种已知的改进，例如采用衰减图来考虑对象对511keV伽马射线的衰减或散射。在被称为飞行时间(TOF)PET的变型中，基于发射的相反方向的511keV伽马射线的差分到达时间，沿着LOR对正电子进行定位。在其他实施例中，可以使用另一种成像模态，例如，单光子发射计算机断层摄影(SPECT)。在SPECT技术中，沿着由准直器定义的线(或平面)探测单个伽马射线，并且采用类似的迭代重建技术。

重建图像20被发送到在计算机70上实施的图像滤波器***90。替代地，图像滤波器***90可以被实施在PET成像控制器(未示出)或其他电子数据处理设备上。图像滤波器***90可以被实施在与滤波***90相同的电子设备上，或者(在重建后执行图像滤波的情况下)可以被实施在不同设备上。图像滤波器***90的滤波器参数选择引擎30基于图像环境来执行滤波器配置，所述图像环境包括针对以下中的一个或多个的值：(1)医学图像20的成像对象，(2)用于采集医学图像20的成像设备10、18，和/或(3)医学背景。可以接收图像环境的值作为医学图像***信息34。该信息作为与图像20相关联的元数据是可获得的，因为可以由成像***10、18或者通过存储图像20的图片存档与通信***(PACS)将这样的元数据注释到图像20。诸如成像***配置、灵敏度和分辨率的信息通常作为DICOM标头的部分被注释到图像20。额外地或替代地，图像20的图像环境的值可以被提供为由用户经由诸如图示性的计算机键盘72的用户接口设备提供的输入40。在一些实施例中，可以从其他源获得值，例如，电子医学(或健康)记录(EMR或EHR)。图像滤波器配置50由滤波器参数选择引擎30选择。在说明性实施例中，使用机器学习的滤波器参数任务E→K(其中，E是表示图像环境34、40的向量，并且K是表示所计算的图像滤波器配置50的向量，参见图2)来执行这种选择。替代地，能够使用由熟练的放射科医师手动生成的查找表来执行基于图像环境对图像滤波器配置的选择，该放射科医师选取针对不同类型的图像环境的适当的滤波器配置。将利用滤波器参数设置50配置的图像滤波器52应用于采集到的图像20，以对采集到的图像20进行滤波来生成经滤波的图像60。显示设备(例如，计算机显示部件74)可以显示经滤波的图像60，或者经滤波的图像60能够用于额外的目的或其他目的，例如根据PET图像来计算标准化摄取值(SUV)。

在图示性的图1中，在重建后应用图像滤波器***90。也就是说，由重建处理器18生成重建图像20，然后应用图像滤波器***90来对重建图像20进行滤波。然而，在重建处理器18和图像滤波器***90被实施在常见电子设备上(例如在成像扫描器控制器上)的实施例中，能够将图像滤波器***90应用于在迭代图像重建过程的迭代之间生成的中间图像。

本文描述的***和方法利用图像环境来选择针对正在被滤波的特定医学图像的适当的图像滤波器配置。图像环境可以包括针对以下的值，例如：针对被重建以生成医学图像20的放射性发射成像数据的总辐射事件计数值；采集医学图像20的成像研究类型；通过医学图像20成像的成像解剖结构；被成像患者的体重指数(BMI)；成像设备的属性，例如，***灵敏度曲线和***分辨率曲线等。可以构成图像环境的值的额外范例可以包括患者的体重、身高和围长。

请注意，这些图像环境输入不是滤波器参数。因此，在一些实施例中，完全由滤波器参数选择引擎30来计算构成滤波器配置50的滤波器参数，而不是接收图像滤波器配置50的任何部分作为由用户输入的滤波器参数值。

这些输入中的一些输入能够根据成像数据来直接计算或者能够从与图像或者与对应的PACS内容相关联的元数据获得，而其他输入(例如，患者体重)可以由技术人员在成像期间输入。然后，滤波器参数选择部件30基于这些成像环境输入来计算或选择滤波器参数值，以便计算图像滤波器配置50。任选地，用户仍然被提供有直接输入滤波器参数值的能力，但是滤波器参数选择部件为那些不能熟练配置滤波器参数的技术人员提供了良好结果，并为具有这种技能的技术人员提供了更接近的起点。

如前所述，能够手动构建滤波器参数选择引擎30，例如由熟练的放射科医师为不同的图像环境选择最优滤波器配置。然而，这种方法是劳动密集型的，实际上即使是熟练的放射科医师也可能难以确定针对各种图像环境的最优滤波器配置。

参考图2，在说明性实施例中，机器学习设备100(例如包括说明性计算机)对滤波器参数选择任务E→K进行机器学习以在给定图像环境E的情况下选择滤波器配置K。应当注意，执行机器学习的计算机100可以不同于图1的计算机70，图1的计算机70执行“推理阶段”，其中，应用机器学习的滤波器参数选择任务E→K以选择在对特定医学图像20进行滤波中使用的滤波器配置。例如，可以使用服务器计算机、云计算资源等来“离线”执行机器学习，在这种情况下，计算机100是网络服务器、云计算资源等。滤波器参数选择任务E→K的机器学习对训练医学图像102进行操作，其中，标记有其图像环境的每幅训练医学图像被适当地表示为向量(即，有序值的数据结构)。在操作104中，使用各种不同的图像滤波器配置，通过由图像滤波器***90应用的相同的图像滤波器52对这些训练图像进行滤波，以便生成经滤波的训练图像106。优选地，选取不同的图像滤波器配置以跨越被可靠预计在某些医学图像滤波任务中使用的图像滤波器配置的空间。

在操作108中，这些经滤波的训练图像被标记有图像质量标签。该操作108能够被手动执行，例如，能够组合放射科医师团队以关于图像质量对滤波训练图像108在视觉上进行评估和分级。替代地，能够使用定量评估与图像质量相关的参数(例如，对比度或SNR)的自动过程来分配图像质量等级(即，标签)。该图像质量评估中的一个困难在于它应当优先反映图像滤波器对图像质量的影响，而不是基础的未经滤波的图像的图像质量。例如，如果训练图像集合102包括(在滤波之前)具有良好图像质量的一些图像和(在滤波之前)具有差的图像质量的其他图像，那么从具有差的未滤波的图像质量的图像生成的经滤波的图像可能全部排序低于从具有良好的未滤波的图像质量的图像生成的经滤波的图像，而不考虑滤波的影响。为了减少未经滤波的图像的图像质量的影响，一种方法是考虑从具有不同滤波器配置的单个训练图像生成的经滤波的图像的每个集合，并且从最差的图像质量(例如，被分配0％的图像质量标签)到最佳图像质量(例如被分配100％的图像质量)对该图像集合进行排序。

经滤波的图像的质量评估操作108的输出是训练数据集110。为了训练滤波器参数选择任务E→K，实际上并不需要实际图像(经滤波的图像或未经滤波的图像)。而是，对于每个训练实例，训练集108包括：训练图像、在滤波中使用的图像滤波器设置(即，图像滤波器配置)和图像质量标签的图像环境向量。机器学习过程112对这些训练数据110进行操作，并且对回归器或分类器E→K进行训练，使得在给出针对该训练实例的训练图像环境作为输入的情况下，输出滤波器配置紧密匹配在操作108中被排序为具有最高图像质量的滤波训练图像的滤波器配置。回归器或分类器可以例如是支持向量机、贝叶斯网络、遗传算法等。在一些实施例中，回归器或分类器E→K包括单输出回归器或分类器的集合，每个单输出回归器或分类器被独立训练以输出针对构成滤波器配置的图像滤波器参数集合中的一个图像滤波器参数的最优设置。替代地，回归器或分类器E→K能够是多输出回归器或分类器，其输出针对构成滤波器配置的图像滤波器参数集合的最优设置的向量。

所公开的用于低剂量和/或高分辨率PET成像的图像环境引导的智能滤波技术可以应用于重建后图像，或者在重建图像更新之间的迭代图像重建期间，即，应用于期望保持分辨率的噪声控制的中间重建图像。滤波器可以被设计为在保持边缘的同时抑制噪声。

能够在图像滤波器52中使用不同的边缘保持滤波核。例如，可以被使用Perona-Mailk扩散滤波核并且可以将其表达为：

其中，K是由滤波器参数选择引擎30选择的图像滤波器配置，即：

K＝K(E)＝K(BMI,总计数,研究类型,滤波强度,等)

其中，K(E)是针对机器学习的任务E→K的替代符号，并且其中：

表示局部梯度因子，K()表示基于输入数据和诸如BMI、总计数(例如，在PET扫描期间由探测器16计数的总计数)、研究类型、用户指定的滤波强度等的***规格的各向异性权重方案。请注意，Perona-Mailk扩散模型在此仅用作可能的滤波器核模型的范例。滤波器不限于使用该核模型。

如参考图2所讨论的，可以使用自动标记(例如使用对比度度量、噪声度量等)或手动标记(放射科医师对图像质量的评估)的训练图像来根据经验训练滤波器参数选择引擎30，并且为滤波器参数选择引擎30提供必要的成像环境输入。滤波器可以结合迭代重建(包括迭代后重建滤波)在图像空间中进行操作。例如，在迭代图像重建过程期间，可以在每次迭代中应用滤波器。

应当注意，在一些实施例中，图像滤波器配置50可以包括对滤波器类型的选择。例如，图像滤波器配置50可以包括将图像滤波器52的滤波器类型的选择为以下中的一个(通过非限制说明性范例的方式)：各向异性扩散滤波器；非局部均值滤波器；基于小波的非线性滤波器；以及多边滤波器(例如，三边滤波器)。将意识到，通过使操作104使用不同的滤波器类型对训练图像进行滤波以便将滤波器类型并入由该滤波训练图像集合106跨越的图像滤波器配置变型的空间，很容易将这种扩展并入图2的说明性滤波器配置选择任务学习范例。

图3图示了可以使用的不同类型的滤波器的范例以及滤波器配置对得到的经滤波的图像的图像质量的影响。参考图3，列200图示了没有经过任何滤波的图像。列210图示了经过一般高斯滤波的图像。列220图示了经过一般中值滤波的图像。列230图示了经过自适应各向异性滤波的图像。行250示出了横向切片。行260示出了冠状切片。行270示出了穿过最小热球和最大热球的中心的轮廓图。曲线图部分240示出了自适应各向异性热带滤波中的噪声和最小变化比其他种类的滤波的情况更低。

图4图示了患者图像之间的比较的范例。参考图4，图像300示出了没有经过滤波的2mm高分辨率图像。图像310示出了经过自适应滤波的2mm高分辨率图像。图像320示出了4mm低分辨率图像。通过应用本文所述的***和方法，即使在维持2mm分辨率的情况下，所得到的2mm高分辨率图像(例如，图像310)也能够以与4mm低分辨率图像的噪声水平相似的噪声水平来实现。从图4中图示的范例中能够看出：图像300比其他图示的图像噪声更大；图像320比其他图示的图像更模糊；并且图像310具有所图示的图像的最佳图像质量。

图5图示了本文描述的方法的范例。参考图5，在步骤400中，将滤波器参数选择引擎应用于医学图像的图像环境以计算针对医学图像的图像滤波器配置，其中，图像环境包括针对以下中的一个或多个的值：医学图像的成像对象、用于采集医学图像的成像设备，以及医学图像的医学背景。在步骤410中，应用具有图像滤波器配置的图像滤波器以对医学图像进行滤波来生成经滤波的医学图像。在步骤420中，将经滤波的医学图像显示在显示部件上。

还将意识到，本文公开的技术可以由存储指令的非瞬态存储介质来实施，所述指令能由电子数据处理设备(例如，电子设备70和/或电子设备100)读取并运行以执行所公开的技术。这种非瞬态存储介质可以包括硬盘驱动器或其他磁性存储介质、光盘或其他光学存储介质、诸如RAID磁盘阵列的基于云的存储介质、闪速存储器或其他非易失性电子存储介质等。

当然，在阅读和理解了前面的描述后，其他人将会想到修改和变更。本文旨在将本发明解释为包括所有这些修改和变更，只要它们落入权利要求或其等价方案的范围内即可。

Claims (15)

1.一种用于处理医学图像(20)的图像处理设备，包括：

电子设备(70)，其被编程为：

将滤波器参数选择引擎(30)应用于医学图像(20)的图像环境(34、40)以计算针对所述医学图像(20)的图像滤波器配置(50)，所述滤波器参数选择引擎(30)是使用机器学习在经滤波的图像的训练集合上根据经验进行训练的，所述经滤波的图像的训练集合是通过对关于给定的图像环境识别出的训练图像进行滤波来构建的；

其中，所述图像环境(34、40)包括针对以下中的一个或多个的值：所述医学图像(20)的成像对象、用于采集所述医学图像的成像设备(10、18)，以及所述医学图像的医学背景；

应用具有所述图像滤波器配置的图像滤波器(52)以对所述医学图像(20)进行滤波来生成经滤波的医学图像(60)；并且

将所述经滤波的医学图像显示在显示部件(74)上。

2.根据权利要求1所述的图像处理设备，其中：

所述滤波器参数选择引擎(30)应用机器学习的滤波器参数任务E→K，其中，E是表示所述图像环境(34、40)的向量，并且K是表示所计算的图像滤波器配置(50)的向量；并且

所述图像滤波器(52)应用滤波函数g(I,K)，其中，I指代所述医学图像(20)。

3.根据权利要求1所述的图像处理设备，其中，所述医学图像(20)的所述图像环境(34、40)包括从包括以下的组中选择的参数：

体重指数(BMI)；

通过所述医学图像(20)成像的成像解剖结构；

针对被重建以生成所述医学图像(20)的放射性发射成像数据的总辐射事件计数值；

成像研究类型；以及

用于采集所述医学图像的成像***(10)的分辨率。

4.根据权利要求1所述的图像处理设备，其中，所述图像滤波器配置(50)包括从包括以下的组中选择的滤波器类型：

各向异性扩散滤波器；

非局部均值滤波器；

基于小波的非线性滤波器；以及

多边滤波器。

5.根据权利要求1所述的图像处理设备，其中，所述电子设备(70)不接收所述图像滤波器配置(50)的任何部分作为由用户输入的滤波器参数值。

6.根据权利要求1所述的图像处理设备，其中，所述电子设备(70)被编程为：

经由用户接口设备(72)接收所述图像环境(34、40)的至少一个值；并且

根据与所述医学图像相关联的元数据来确定所述图像环境(34、40)的至少一个值。

7.根据权利要求1所述的图像处理设备，其中，所述电子设备(70)还被编程为：

通过对成像数据执行包括至少两次迭代的迭代图像重建过程来生成所述医学图像(20)；并且

其中，应用具有所述图像滤波器配置的所述图像滤波器(52)以对所述医学图像(20)进行滤波的操作包括：将所述图像滤波器应用于在所述迭代图像重建过程的连续迭代之间生成的中间重建图像；并且/或者

其中，在所述迭代图像重建过程完成之后执行应用具有所述图像滤波器配置的所述图像滤波器(52)以对所述医学图像(20)进行滤波的所述操作。

8.根据权利要求1-7中的任一项所述的图像处理设备，还包括：

机器学习设备(100)，其包括电子处理设备，所述电子处理设备被编程为学习所述机器学习任务E→K来选择针对所述给定的图像环境(34、40)的所述滤波器配置(50)，其中，E是表示所述图像环境(34、40)的向量，并且K是表示所计算的图像滤波器配置(50)的向量。

9.根据权利要求8所述的图像处理设备，其中，所述机器学习设备(100)使用通过以下生成的训练数据(110)来学习所述机器学习任务E→K：

使用具有不同图像滤波器配置的所述图像滤波器(52)对训练图像(102)进行滤波以生成经滤波的训练图像(106)；

针对每个经滤波的训练图像(106)生成训练实例，所述训练实例包括表示所述训练图像(106)的环境的向量、表示在所述滤波中使用的所述图像滤波器配置的向量，以及用于所述经滤波的训练图像(106)的图像质量标签；其中，

所述机器学习设备(100)通过训练紧密匹配针对具有指示最高图像质量的图像质量标签的所述经滤波的训练图像的滤波器配置的输出滤波器配置来学习所述机器学习任务。

10.一种核成像设备，包括：

放射性发射成像***(10、18)，其被配置为采集医学图像(20)；以及

根据权利要求1至9中的任一项所述的用于处理所述医学图像(20)的图像处理设备。

11.根据权利要求10所述的核成像设备，还包括显示部件(74)，所述显示部件被配置为显示所述经滤波的医学图像(20)。

12.根据权利要求11所述的核成像设备，其中，所述放射性发射成像***(10、18)包括以下中的一个：

正电子发射断层摄影(PET)成像***，其生成PET成像数据；以及

单光子发射计算机断层摄影(SPECT)成像***，其生成SPECT成像数据。

13.一种图像处理方法，所述方法由一个或多个处理器来执行，所述方法包括：

将滤波器参数选择引擎(30)应用于医学图像(20)的图像环境(34、40)以计算针对所述医学图像(20)的图像滤波器配置(50)，所述滤波器参数选择引擎(30)是使用机器学习在经滤波的图像的训练集合上根据经验进行训练的，所述经滤波的图像的训练集合是通过对关于给定的图像环境识别出的训练图像进行滤波来构建的；

其中，所述图像环境(34、40)包括针对以下中的一个或多个的值：所述医学图像(20)的成像对象、用于采集所述医学图像(20)的成像设备(10、18)，以及所述医学图像(20)的医学背景；

应用具有所述图像滤波器配置的图像滤波器(52)以对所述医学图像(20)进行滤波来生成经滤波的医学图像(60)；并且

将所述经滤波的医学图像(60)显示在显示部件(74)上。

14.根据权利要求13所述的图像处理方法，还包括：

经由用户接口设备(72)接收所述图像环境(34、40)的至少一个值；并且

根据与所述医学图像相关联的元数据来确定所述图像环境(34、40)的至少一个值。

15.根据权利要求13-14中的任一项所述的图像处理方法，还包括：

通过对成像数据执行包括至少两次迭代的迭代图像重建过程来生成所述医学图像(20)；并且

其中，应用具有所述图像滤波器配置的所述图像滤波器(52)以对所述医学图像(20)进行滤波的操作包括：将所述图像滤波器应用于在所述迭代图像重建过程的连续迭代之间生成的中间重建图像；并且/或者

其中，在所述迭代图像重建过程完成之后执行应用具有所述图像滤波器配置的所述图像滤波器(52)以对所述医学图像(20)进行滤波的所述操作。

Images