CN109844815A - 使用从不同迭代提取的特征图像进行基于特征的图像处理 - Google Patents
使用从不同迭代提取的特征图像进行基于特征的图像处理 Download PDFInfo
- Publication number
- CN109844815A CN109844815A CN201780058475.8A CN201780058475A CN109844815A CN 109844815 A CN109844815 A CN 109844815A CN 201780058475 A CN201780058475 A CN 201780058475A CN 109844815 A CN109844815 A CN 109844815A
- Authority
- CN
- China
- Prior art keywords
- image
- iterative
- reconstruction
- new images
- difference
- 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
- 238000000605 extraction Methods 0.000 title description 3
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012805 post-processing Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 49
- 238000003860 storage Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 description 31
- 238000001914 filtration Methods 0.000 description 24
- 238000000034 method Methods 0.000 description 19
- 238000002591 computed tomography Methods 0.000 description 13
- 238000002600 positron emission tomography Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 12
- CYTYCFOTNPOANT-UHFFFAOYSA-N Perchloroethylene Chemical compound ClC(Cl)=C(Cl)Cl CYTYCFOTNPOANT-UHFFFAOYSA-N 0.000 description 8
- 238000002603 single-photon emission computed tomography Methods 0.000 description 7
- 238000012879 PET imaging Methods 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000012217 radiopharmaceutical Substances 0.000 description 2
- 229940121896 radiopharmaceutical Drugs 0.000 description 2
- 230000002799 radiopharmaceutical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 1
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000002583 angiography Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012636 positron electron tomography Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000010189 synthetic method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- G06T11/006—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
- G06T2207/10104—Positron emission tomography [PET]
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
由计算机(22)执行的图像处理包括迭代图像重建或细化(26、56),其产生在迭代重建或细化图像中结束的一系列更新图像。在系列的第一更新图像(30、60)与第二更新图像(32、62)之间计算差分图像(34、64)。差分图像被转换为特征图像(40),并且被用在迭代处理(26、56)中或在根据不同重建或细化技术的迭代重建或细化的一幅或多幅图像上执行的后处理(44)中。在另一实施例中,第一和第二图像重建(81、83)被执行以生成相应的第一和第二重建图像(80、82)。在两幅图像之间计算差分图像(84),每幅图像是从包括以下项的组选择的:第一重建图像、第一重建的更新图像、第二重建图像和第二重建的更新图像。特征图像是根据差分图像生成的,并且被用于组合第一和第二重建图像。
Description
技术领域
以下总体上涉及图像处理领域、图像重建领域、磁共振(MR)成像以及图像重建和细化领域、核发射成像和图像重建和细化领域、计算机断层摄影(CT)成像和图像重建和细化领域以及相关领域。
背景技术
使用各种成像模态执行医学成像。诸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)的核发射成像模态提供放射性药物在组织或器官中的吸收和/或分布的功能成像。透射计算机断层摄影(CT)或磁共振(MR)成像通常用于对解剖特征进行成像,但是可以结合造影剂或高级对比技术(例如,飞行时间磁共振血管造影(TOF-MRA))使用这些技术获得额外的信息。
在这些技术中,所采集的成像数据通常不直接形成可识别的图像。在PET中,成像数据是由检测到的511keV伽马射线对定义的响应线(LOR),任选地具有飞行时间(TOF)定位。SPECT数据通常被收集为由蜂巢或其它类型的准直器定义的线性或窄角锥形投影,而CT数据是沿着从X射线管到检测器元件的路径的投影(此处是吸收线积分)。MR数据通常被采集为笛卡尔、径向、螺旋或其它采集几何结构中的k-空间数据。在这些情况中的任何下,合适的图像重建算法被应用为将来自投影空间或k-空间的成像数据转换为二维(2D)或三维(3D)图像空间中的重建图像。图像重建通常是迭代过程,但是诸如滤波反投影的非迭代重建算法也是已知的。各种图像细化算法(例如滤波器和/或迭代分辨率恢复)可以任选地应用于重建图像以增强显著特性。
图像重建和细化处理中的挑战是噪声抑制和边缘保持(或边缘增强)的平衡。这些目标趋于是相反的,因为噪声构成要被抑制的不想要的图像对比;而边缘构成要保留或甚至可能增强的期望图像对比。重建后滤波是医学成像中噪声抑制的主要方法,但需要(一个或多个)滤波器类型和滤波器参数的仔细选择以获得用于临床分析的可接受(即使不是最佳)图像。一些已知的噪声抑制滤波器包括低通滤波器、双边滤波器、自适应滤波器等。低通滤波器趋于均匀地平滑图像,这可以抑制病变对比。双边滤波器使用局部图像信息来识别边缘,目标是仅将区域平滑到边缘的侧面并使边缘保持不变或最小程度的平滑。这是一种类型的边缘保留滤波器,并且如果进行适当调谐可以保留病变/器官定量。然而,取决于滤波器参数,边缘可能不在一些小/弱病变/器官周围检测到,在这种情况下,小/弱病变/器官被滤波,并且定量准确度可能被损害。其它高级自适应图像滤波器同样需要仔细调谐。
以下公开了解决上述问题和其它问题的新的和改进的***和方法。
发明内容
在一个公开的方面中,一种图像处理设备,包括计算机以及至少一个非瞬态存储介质,所述至少一个非瞬态存储介质存储指令,所述指令可由计算机读取和运行,以执行包括以下项的操作:执行包括以下之一的迭代处理:(i)在投影或k-空间成像数据上执行以生成迭代重建图像的迭代图像重建,以及(ii)在输入重建图像上执行以生成迭代细化图像的迭代图像细化;其中,迭代处理产生在迭代重建或细化图像中结束的一系列更新图像;生成一系列更新图像的两幅更新图像之间的差分图像;并且在所述迭代处理中或在迭代重建或细化图像上执行的后处理中使用所述差分图像。
在另一公开方面中,一种存储指令的非瞬态存储介质,所述指令可由计算机读取和运行以执行图像处理方法,所述图像处理方法包括:在投影或k-空间成像数据上执行迭代图像重建以生成在迭代重建图像中结束的一系列更新图像;在所述一系列更新图像的第一更新图像和第二更新图像之间生成差分图像;通过变换操作将所述差分图像变换为特征图像;并且在所述迭代图像重建中或在所述迭代重建图像上执行的后处理中使用所述特征图像。
在另一公开方面中,一种图像处理方法包括:在投影或k-空间成像数据上执行第一图像重建以生成第一重建图像;在投影或k-空间成像数据上执行第二图像重建以生成第二重建图像;生成在两幅图像之间的差分图像,每幅图像选自包括所述第一重建图像、所述第一图像重建的更新图像、所述第二重建图像以及所述第二图像重建的更新图像的组;并且生成最终重建图像,所述最终重建图像使用所述差分图像组合所述第一重建图像和所述第二重建图像。
一个优点在于迭代重建图像的改进图像质量。
另一优点在于迭代细化图像的改进图像质量。
另一优点在于提供恶性肿瘤或病变的更准确的检测。
另一优点在于提供临床图像中的模糊噪声的减少。
另一优点在于提供降低或去除小病变特征的噪声抑制图像处理的减少的可能性。
给定实施例可以不提供前述优点,提供前述优点中的一个、两个、更多或全部,和/或可以提供其它优点,这对于本领域普通技术人员而言在阅读和理解了本公开后将变得显而易见。
附图说明
本发明可以采取各种部件和部件的布置的形式,并且可以采取各种步骤和各步骤安排的形式。附图仅用于图示优选实施例的目的,而不应被解释为对本发明的限制。
图1图解地示出了包括图像重建和/或细化的说明性成像***,其利用使用迭代图像重建的两个不同图像更新计算的差分图像。
图2图解地示出了包括图像细化的说明性成像***,其利用使用迭代图像细化过程的两个不同图像更新计算的差分图像。
图3图解地示出了构造两个不同图像重建的加权组合的说明性成像***,其中,权重与在两个重建之间或在一个或两个图像重建的图像更新之间的差分图像一致。
图4-8呈现了如本文描述的图像重建结果。
图9图示了被显示以提供关于检测到的特征的视觉引导的如本文所公开的特征图像的使用。
具体实施方式
本文公开的图像重建和细化方法的前提是以下洞悉:不是尝试使用局部空间信息(例如,通过检测大图像强度梯度)来识别图像中的边缘,可以在迭代图像重建或细化过程期间基于更新图像的“时间”演替有效地检测作为整体(不仅是边缘)的图像特征。具体地,差分图像被计算为在迭代图像重建或细化过程的两幅不同更新图像的对应的像素之间的差(例如,绝对差)。如本文所公开的,针对更新图像的适当选择,这样的差分图像可以产生捕获图像特征(例如小病变或肿瘤)作为区域结构的差分图像,而不是作为描绘如在边缘保留或边缘增强图像滤波中的这种结构的边缘。所公开的“时间”方法在PET和SPECT图像的典型迭代重建期间利用关于更新图像的演替的某些观察。
一个观察是:大结构通常比小结构收敛得更快,即,对于大结构而言采取较少迭代次数来收敛。类似地,图像中低空间频率分量比高空间频率分量收敛得更快。这些观察直观地链接,因为大结构主要包括较低空间频率分量(例如,在空间傅里叶变换意义上),而小结构主要包括较高空间频率分量。非期望的噪声通常由高频率分量表示(高于有用的真实结构所需的分量)。根据这些观察,可以意识到,采用迭代图像重建的较早更新图像的差分图像倾于捕获大特征,而采用稍后更新图像的差分图像倾于捕获较小特征。
另一观察是,在核发射图像(例如PET或SPECT)的情况下,冷区域倾于比热区域收敛得更慢。此处,“冷”指的是低放射性药物浓度的区域,而“热”指的是高放射性药物浓度的区域。更一般地,小病变和锐边缘对应于高空间频率图像信号。
可以在经验上选择用于差分图像的更新图像的最佳选择,例如经由体模研究以选择用于差分图像的更新图像,其产生对于模拟预期肿瘤尺寸的体模特征具有最强对比度的差分图像。应当注意,形成差分图像的两幅更新图像不一定需要是在最终迭代重建图像中结束的迭代重建的一系列更新图像中的连续更新图像。(此外,结束迭代重建图像本身使用迭代重建终止标准来定义,所述标准可以被不同地选择,例如,当在连续迭代之间的变化度量小于特定最小阈值时停止,或者在固定迭代次数之后停止,等等)。
另一观察在于,在飞行时间PET(即,TOF-PET)的情况下,根据具有飞行时间(TOF)信息的数据的重建通常比在没有TOF信息的情况下收敛地更快,因为TOF定位提供额外的信息来改善收敛。因此,如果使用利用TOF信息的TOF重建算法和通过不利用TOF信息的非TOF重建算法来重建PET成像数据,则预期前者比后者收敛地更快。更一般地,应用于相同成像数据的不同图像重建算法可以或多或少地快速收敛。该观察是本文公开的变型实施例的基础,其中,不是将差分图像采取为单个图像重建的两幅更新图像之间的差,而是差分图像是在应用于相同成像数据的两个不同重建算法的重建图像或更新图像之间。
另一观察涉及收敛速度和差分图像(或差分图像中的特征)之间的关系,因为这能够影响更新图像的选择。具有更快收敛速度的那些对象在很少更新或迭代之后变得接近其最终重建状态。相反,具有较慢收敛速度的对象在较快收敛对象的收敛时保持较远离其最终重建状态。因此,如果要从最早的更新选择更新图像的选择,则针对较快的收敛对象和较慢的收敛对象两者的差为大,并且因此不是最佳区分对象。相反,如果要从迭代的结束附近选择更新图像的选择,则针对较快或较慢的收敛对象两者的差很小,这再次不是最佳选择。通常,更新图像的最佳选择在这些限制之间,并且优选地选择使得较快收敛的对象接近稳定(因此差对于这些快速收敛对象而言为小),而较慢收敛的对象尚不稳定(并且因此,差仍然很大)。用于计算差分图像的更新图像的这种选择由此与较大(和较快收敛)背景相比生成较小(和较慢收敛)特征的最强对比。
因此,在本文公开的实施例中,差分图像在迭代处理(图像重建或细化)的两次迭代之间。另外的变换(例如缩放或加权)可以应用于差分图像以生成特征图像。特征图像携带迭代之间的每个对象/器官的“演替”信息。将不同迭代处的图像中的相同像素或体素的值彼此直接比较,而不是与个体图像中的其相邻体素进行比较,如在边缘保留或边缘增强滤波技术中。
参考图1,说明性成像设备10是组合***,其包括计算机断层摄影(CT)机架12和正电子发射断层摄影(PET)机架14,具有公用受检者支撑件或长榻16以用于将患者或其他受检者移动到选择的机架12、14来进行CT或PET成像。有利地,该布置使得能够例如采集CT图像以提供解剖信息并且采集PET图像以提供功能信息(例如,放射性药物摄取和/或在患者中的分布)。商业PET/CT成像设备的范例是可从Koninklijke Philips N.V.,Eindhoven,the Netherlands获得的数字PET/CT***。这些仅仅是说明性范例,并且所公开的图像重建和细化方法可以有用地与CT成像、PET成像、单光子发射计算机断层摄影(SPECT)成像、磁共振(MR)成像等结合使用。成像设备10采集投影数据形式的成像数据。使用PET机架14采集的PET成像数据包括由检测到的511keV伽马射线对定义的响应线(LOR)形式的投影数据,任选地具有飞行时间(TOF)定位。由CT机架12采集的CT成像数据包括沿着从X射线管到检测器元件的路径的投影(此处是吸收线积分)。SPECT成像数据类似地包括由蜂窝或其他类型的准直器定义的投影,如线性或窄角锥形投影。MR成像数据通常被收集为k-空间成像数据,例如,沿着由通过适当施加的磁场梯度实施的频率和/或相位编码定义的k-空间轨迹(例如,笛卡尔、螺旋、径向、Z字形)采集的k-空间样本。
所采集的成像数据由计算设备20(例如,计算机22(网络服务器、台式计算机等))处理,计算设备20包括或操作性地访问一个或多个电子数据存储设备(例如,一个或多个硬盘驱动器、光盘、固态驱动器或其他电子数字存储设备等)。初始地,所采集的成像数据存储在成像数据存储设备24处。在符合图1的实施例中,计算机22执行合适的软件以实施迭代图像重建26,迭代图像重建26生成存储在存储设备28中的重建图像。图像重建26也可以部分地使用专用集成电路(ASIC)等来实施。对投影成像数据(或在MR成像情况下的k-空间成像数据)执行迭代图像重建26,以生成迭代重建图像。更具体地,迭代重建26产生以存储在存储设备28中的迭代重建图像结束的一系列更新图像。用于重建PET成像数据的一些说明性迭代图像重建算法包括有序子集期望最大化(OSEM)图像重建和使用二次先验或边缘保留先验(例如相对差先验)的最大后验概率(MAP)图像重建。在MR成像数据的情况下,可以利用通常部分地基于用于采集MR成像数据的k-空间轨迹选择的具体算法,采用各种基于迭代快速傅立叶变换(FFT)的图像重建算法。被重建的成像数据可以是二维(2D)成像数据,在这种情况下,图像重建产生2D图像(有时称为图像切片);或者,被重建的成像数据可以是三维(3D)成像数据,在这种情况下,图像重建产生3D图像(有时称为体积图像)。
如上所述,迭代重建26产生在迭代重建图像中结束的一系列更新图像(例如,当执行指定迭代次数时或当满足一些其他终止标准时)。在本文公开的方法中,选定的更新图像被相减以生成具有用于感兴趣特征的对比度的差分图像。在说明性图1中,示出了两幅选定的更新图像30、32,其不失一般性地被索引为更新图像i和更新图像j。生成一系列更新图像的第一更新图像30和第二更新图像32之间的差分图像34。为了避免负像素或体素值的可能性,在一些实施例中,差分图像34是在第一和第二更新图像30、32之间的绝对差分图像,其中,绝对差分图像34的每个像素或体素被计算为第一和第二更新图像30、32的对应的像素或体素之间的差的绝对值。在一些实施例中,差分图像中的负像素或体素值和正值可以用于区分图像的冷和热特征。任选地,差分图像34通过变换操作36进行变换,例如差分图像的像素或体素的缩放或加权,以便生成特征图像40。
差分图像34(任选地变换为特征图像40)用于迭代重建26(即,在生成更新图像30、32的迭代之后执行的迭代中使用),如由反馈路径42指示的。例如,特征图像40可以在迭代图像重建26的后续迭代中用作先前图像。在其他实施例中,差分图像34(任选地变换为特征图像40)用于任选的后处理,例如说明性图像细化44,其在迭代重建图像上执行,以产生存储在临床图像存储设备46(例如影像归档和通信***(PACS))中的最终临床图像。后处理44中特征图像40的使用在图1中由数据流路径48图解地指示。
参考图2,在其他实施例中,差分图像是根据通过迭代图像细化而不是通过迭代图像重建产生的更新图像生成的。在迭代图像重建和迭代图像细化之间的区别在于迭代图像重建操作于将成像数据(投影数据或k-空间数据)转换为2D或3D图像空间中的图像数据;而迭代图像细化操作于改善已经存在于2D或3D图像空间中的图像。为了简化说明,图2开始于存储重建图像的重建图像存储设备28;但应该注意,在图2的实施例中,存储在存储设备28中的重建图像可以已经使用迭代或非迭代图像重建算法生成。图2的实施例中的计算机22被编程为对存储在存储设备28中的重建图像执行迭代图像细化56,所述重建图像在图2的背景下是输入到迭代图像细化56的输入重建图像。迭代图像细化56可以例如是迭代滤波、迭代分辨率恢复、迭代散射校正等。
对输入重建图像执行迭代图像细化56以生成存储于PACS或其它临床图像存储设备46中的迭代细化图像。迭代图像细化56产生在迭代细化图像中结束的一系列更新图像(例如,当指定迭代次数被执行时或满足一些其它终止标准时)。在与图2一致的实施例中,由迭代图像细化56产生的一系列更新图像的选定的更新图像被相减,以生成具有用于感兴趣特征的对比度的差分图像。在说明性图2中,示出了两幅选定的更新图像60、62,其被不失一般性地索引为更新图像IU1和更新图像IU2。生成在一系列更新图像的第一更新图像60和第二更新图像62之间的差分图像64。为了避免负像素或体素值的可能性,在一些实施例中,差分图像64是在第一和第二更新图像60、62之间的绝对差分图像,其中,绝对差分图像64的每个像素或体素被计算为在第一和第二更新图像60、62的对应的像素或体素之间的差的绝对值。在一些实施例中,差分图像中的负像素或体素值和正值可以用于区分图像的冷和热特征。任选地,差分图像64通过变换操作66进行变换,例如差分图像的像素或体素的缩放或加权,以便生成特征图像70。差分图像64(任选地变换为特征图像70)用于迭代图像细化56(即,在生成更新图像60、62的迭代之后执行的图像细化56的迭代中使用),如由反馈路径72指示的。
参考图3,在另一变型实施例中,差分图像是在由两个不同(例如,迭代或非迭代的、具有或没有TOF的重建)图像重建算法生成的重建图像之间。因此,图3的实施例再次对由成像设备10采集并存储在成像数据存储设备24中的成像数据(例如,投影或k-空间成像数据)进行操作。计算机22被编程为通过执行第一图像重建81生成第一重建图像80,并通过执行与第一图像重建81不同的第二图像重建83来生成第二重建图像82。例如,在PET成像数据的情况下,图像重建算法81、83之一可以是利用TOF定位数据的TOF重建,而另一个可以是不使用TOF定位数据的非TOF重建。在另一实施例中,图像重建算法81、83之一可以比另一个收敛地更快。差分图像84被生成作为两幅(不同)重建图像80、82之间的差。要强调的是,通过重建相同的成像数据生成两者重建图像80、82,使得在两幅重建图像80、82之间的差是由于不同的重建算法81、83。不是采取最终重建图像80、82之间的差,在备选方法中,如果两个图像重建算法81、83中的一个或两个是迭代重建算法,则可以使用在产生(一幅或多幅)(最终)重建图像80、82之前的(一个或多个)中间图像更新,如图3中由虚线输入86所指示的。例如,差分图像84可以在第一图像重建81的中间更新图像和第二图像重建83的中间更新图像之间。备选地,差分图像84可以在第一图像重建81的两幅不同更新图像之间。如已经关于图1和图2的实施例描述的,差分图像84可以是绝对差分图像,和/或可以通过诸如缩放或加权的变换操作变换为特征图像(图3中未示出)。计算机22还被编程为实施图像合成器88,图像合成器88使用差分图像84组合两幅重建图像80、82(再次,任选地通过缩放、加权等变换成特征图像)以生成存储于PACS或其它临床图像存储设备46中的最终重建图像。例如,可以在逐像素或逐体素的基础上组合两幅重建图像80、82,其中,合成图像的每个像素或体素是两幅重建图像80、82的像素或体素值的加权组合,具有由差(或特征)图像84的对应的像素或体素值确定的权重。
再次注意,各种计算部件26、36、44、56、66、81、83、88通过对说明性计算机22的适当编程来实施,但是也预期经由ASIC、现场可编程门阵列(FPGA)或其它电子器件实施一些计算密集型方面。计算机22可以是单个计算机(服务器计算机、台式计算机等)或互连的多个计算机,例如计算集群、云计算资源等。还将意识到,所公开的图像处理技术可以被实现为存储指令的一个或多个非瞬态存储介质,所述指令可由说明性计算机22或由一些其它计算机或计算资源执行以执行所公开的操作。非瞬态存储介质可以例如包括硬盘或其它磁存储介质、光盘或其它光存储介质、固态驱动器、闪存或其它电子存储介质、其各种组合,等等。
在下文中,以体模研究和临床研究的形式提供一些更详细的说明性范例。这些范例涉及PET成像,但是如已经描述的,利用根据通过迭代图像重建或细化产生的更新图像构建的差分图像的所公开的方法可以更一般地有用于其它类型的成像(例如,PET、SPECT、CT、MR等)中。
与图1一致的第一范例根据迭代重建26的更新图像30、32生成特征图像40,并且在后续图像细化44中(即,在重建后滤波中)使用特征图像40。在该范例中,使用具有TOF信息和临床相关计数水平的数字PET***采集成像数据。使用作为迭代重建26的迭代TOF列表模式OSEM重建,利用一次迭代和四个子集(图像1,即更新图像30),然后利用两次迭代和四个子集(图像2,即更新图像32),来重建PET图像。通过从图像2减去图像1并采取差分图像的每个体素的绝对值来生成差分图像34以生成绝对差分图像。随后缩放/加权36以生成特征图像40包括计算绝对差分图像与图像l逐体素的比率以生成比率图比率12,之后将体素值钳制(clamp)到0.15并且然后将图像除以0.15以获得特征图像40。在该范例中,经验地发现0.15的值是有效的,但是更小或更大的钳制值可以用于测量来自不同重建的图像的变化的水平,和/或可以基于如何执行迭代重建来调节钳制值。作为后者的范例,当使用TOF时,图像收敛通常比非TOF重建更快,使得人们能够更喜欢相对较大的钳制值以用于TOF重建;当在每次迭代中使用更多子集时,然后差能够更大。
还应注意,尽管在该范例中更新图像30、32来自不同的迭代,但是更一般地,通常利用多个子集执行迭代图像重建,并且在每个子集处更新图像。本文使用术语“更新图像”来强调用于生成差分图像的图像不一定来自不同的迭代,而是更一般地来自两个不同的更新。
如上面针对该范例描述的生成的特征图像40具有以下特性:(1)从图像1到图像2的具有15%或更多的值变化(在该特定说明性范例中;更一般地,可以使用其它值)的任何体素具有值1;(2)具有在0到15%之间的值变化的任何体素被缩放到0-1;并且(3)小结构(例如,病变)和冷区域倾于在迭代之间具有大的百分比变化,因此,特征图像中的对应体素具有值1或接近于1。因此,当特征图像40用于在重建后图像细化44(在该范例中,滤波)时,特征图像40提供额外的信息。具体地,如果体素来自病变,则其在特征图像40中的值具有值1或接近1。这用于指导重建后处理44以用于优化的性能。对于图像的重建后滤波的范例,期望在特征图像40中具有值1的体素根本不应被滤波,或者应该仅稍微滤波;相反,应该大量滤波具有值0或接近0的特征图像40的体素。对于在0和1之间的值,滤波量应当(至少近似地)利用特征图像体素值缩放,即,特征图像体素值用作确定将滤波多少体素的权重。因此,得到的滤波图像保留了病变和器官边界的定量(由于弱或无滤波),同时消除背景/均匀区域中的噪声(通过强滤波)。
利用特征图像40作为两个图像变换T1和T2的加权组合中的权重可以表达如下:
T1(I(i))(1-f(i))+T2(I(i))f(i) (1)
其中,i对像素或体素进行索引,I(i)指代迭代重建图像28的像素或体素,并且f(i)指代特征图像的对应的像素或体素,并且T1和T2是两个不同的图像变换。具体地,在该具体范例中,T1是强滤波器(例如,具有大内核的高斯滤波器),并且T2是弱滤波器(例如,具有小内核的高斯滤波器)。
图4显示了图像1、图像2、绝对差分图像,以及针对具有3000万计数的NEMA IEC体模研究获得的特征图像。图5图示了使用所获得的特征图像的NEMA IEC体模图像的合适滤波方案。首先使用标准重建协议(IEC0)重建NEMA IEC体模图像。然后使用具有窗口尺寸3的三个连续盒式滤波器(IEC_强)对其进行强滤波,并使用中心处的内核权重为3且其它元件处为1的盒式滤波器(IEC_轻微)进行轻微滤波。然后根据等式(1)使用特征图像(IEC_特征)组合两幅滤波图像,以获得最终联合滤波图像(IEC_联合)。使用上述表示法,可以为该任务编写等式(1)为:
IEC_联合=(1-IEC_特征)*IEC_强+IEC_特征*IEC_轻微 (2)
根据等式(2),最终图像中的体素是强滤波图像与轻微滤波图像中的相同体素的值的加权和,使用特征图像中的体素值来计算权重。对于病变,特征图像中体素值为1,因此对于轻微滤波的图像,权重为1,而对于强滤波的图像,权重为0。因此,病变具有来自轻微滤波图像的值。相反,背景区域在特征图像中具有小的值,因此,强滤波图像的权重为大。因此,所获得的图像示出保留球体和显著滤波背景。
更具体地,图4示出了根据在两个不同OSEM迭代处的图像中提取特征图像(图1的特征图像40的实施例)的范例。使用线性灰度级在图4中显示图像,并且每幅图像被缩放到其自己的最大值。在图4中,从左到右:图像1(一次迭代,四个子集;这是图1的第一更新图像30的实施例)、图像2(两次迭代,四个子集;这是图1的第二更新图像32的实施例),绝对差(图1的差分图像34的实施例),以及特征图像(图1的特征图像40的实施例)。IEC体模的热球体和冷球体以及体模的中心的肺部***物(其是冷的)在图像1和图像2之间呈现很大的变化。特征图像中的这些对象的对应体素具有高值。被成像的体模的均匀背景(低频分量)在特征图像中具有低值(灰度显示中的更多黑色区),从而指示由于比球体更快的收敛的从图像1到图像2的相对小的变化(更高频率分量)。
图5示出了使用来自图4的特征图像对使用标准重建协议重建的NEMA图像进行后滤波的范例(三次迭代,17个子集)。从左到右:要滤波的NEMA图像(这是存储于图1的存储设备28中的重建图像的实施例),强滤波图像(具有窗口尺寸3的盒式滤波器,顺序滤波三次),轻微滤波图像(具有窗口尺寸3但具有19的中心并且针对剩余为1的盒式滤波器),以及使用特征图像的联合滤波图像(即,使用等式(2)组合的强滤波图像和轻微滤波图像的加权和)。联合滤波图像显著抑制了背景中的噪声,同时仍保留了球体定量。
接下来,描述成像范例,其中,根据两个不同的图像重建合成最终重建图像。在正则化重建中,不同的重建方案能够导致不同的图像质量。例如,当使用二次先验图像时,正则化重建导致更平滑的图像,但是这种方法的缺点在于也能够消除一些小结构。相反,当使用边缘保留先验图像时,图像中的边缘被保留,但是如果一些区域中噪声水平相对为高,则这些区域可能不被充分平滑。
在该范例中,生成两幅重建图像:一幅使用二次先验以获得(强)平滑图像,并且另一幅使用边缘保留先验以获得边缘保留图像。使用特征图像,这两幅图像以加权方式组合以将两幅重建图像合成为一幅联合图像。合适的加权组合是:
I1(i)(1-f(i))+I2(i)f(i) (3)
其中,i对像素或体素进行索引,I1(i)和I2(i)指代通过应用于投影数据(或在MR图像重建的情况下的k-空间数据)的两个不同的图像重建或细化算法生成的两幅不同图像的像素或体素,f(i)指代特征图像的对应的像素或体素。I1(i)和I2(i)中的至少一个是迭代重建图像,并且根据迭代重建的两幅更新图像生成特征图像。在该范例中,特征图像以与图4中的NEMA IEC体模研究相同的方式被生成,但使用真实的患者数据(即,存在试验重组(recon)来提取特征)来证明一旦生成特征图像的机制被建立(通过IEC体模研究),该机制也适用于患者研究。
如果一幅重建图像被强平滑(例如,使用二次先验)并且另一幅是边缘保留(例如,使用边缘保留先验),则组合图像提供边缘保留图像的边缘保留优点和平滑图像的平滑优点两者,这是由于特征图像提供了额外的信息,例如空间频率(即,其在本地多块地变化)和对象边界信息。该额外信息用于决定哪个区域(或像素)应该更强地平滑或更轻微地平滑。
图6示出了患者研究的图像的经轴切片,其分别图示了使用二次和边缘保留先验生成的图像的前述合成的有效性。图7图示了该合成对使用冠状切片的相同患者研究的效应。与边缘保留图像相比,在合成图像中肝脏区域被显著滤波,但是与使用二次先验的平滑图像相比,小结构(例如,中心的热点)被保留。
更具体地,图6示出了特征图像(图6中的最左边图像),其用于合成使用边缘保留先验的MAP重建图像(左起第二图像)和使用(非边缘保留)二次先验的MAP重建图像(左起第三图像,即“平滑”图像)。再次,以与上面的NEMA IEC体模研究相同的方式生成特征图像。图6中最右边的图像是使用等式(3)与提供f(i)权重的特征图像(图6的最左边图像)组合的合成图像。合成图像呈现图像中的小结构的保留以及软组织的滤波(由特征图像中的黑色区域指示的)。该最终图像优于MAP图像中的任一个(图6的中间两幅图像)。
图7示出了与图6中相同的患者的冠状切片,其图示了使用特征图像(图7中最左边的图像)获得最终合成图像(图7中最右边的图像)的有效性,所述最终合成图像具有在边缘保留图像(左起第二图像,使用边缘保留先验的MAP重建)中小结构的边缘保留的优点以及平滑图像(左起第三图像,使用二次先验的MAP重建)的肝脏和纵隔的平滑的优点两者。
可以应用相同的合成方法来生成使用两个不同图像细化过程生成的两幅图像的特征图像加权组合。例如,边缘自适应各向异性扩散滤波器(ADF)可以与两个不同的参数设置一起使用,以分别获得边缘保留图像和平滑图像。然后可以使用特征图像来合成两幅图像以获得最终图像。在任何这样的方法中,从通过将迭代图像处理的两幅更新图像(迭代重建或迭代图像细化)相减生成的差分图像生成特征图像,其中,更新图像被选择以强调感兴趣的特征。
在另一范例中,特征图像用于提供重建参数引导。在正则化重建中,人们可以使用可变强度的二次先验(由特征图像引导)来引导正则化。例如,特征图像中1的值将降低二次先验的平滑强度,而较低值将逐渐启用其。所得到的图像重建将使用来自特征图像的额外信息来应用选择性正则化,从而导致在一次重建中的优化的正则化(与如在参考图6和图7描述的范例中执行两个不同的重建相比)。
图8图示了该单重建方法的范例。在正则化重建中使用特征图像进行选择性正则化获得有利的病变定量保存和背景中的降噪。图8中最左边的图像示出了在没有噪声控制的情况下使用经典OSEM重建的正则化重建。病变很锐利,但背景嘈杂。图8中的中间图像示出了使用二次先验的正则化重建,以有效地抑制背景中的噪声—但是小的病变也被平滑,并且对比度被显著降低。图8中最右边的图像是正则化图像,其中,通过使用特征图像来调制二次先验的强度,以逐体素引导选择性正则化并保留边缘。再次,特征图像以与上面的NEMA IEC体模研究相同的方式被创建。这种方法提供了具有显著降低/抑制的背景噪声的与边缘保留图像可比较的病变保留,尤其是在温暖区域中。在另一范例中,人们可以在特征图像具有高值的区域中使用不同先验(例如边缘保留先验)的组合;对于在特征图像中具有小值的体素,人们可以使用更强的低通二次先验。
现在参考图9,可以额外地或备选地显示特征图像,以向医师或其他医学专业人员提供关于经由差分图像检测到的特征的视觉引导。在说明性图9中,特征图像40与临床图像90并排显示在显示设备92上,例如,由医学专业人员用于查看医学图像的放射学工作站、肿瘤学工作站或其它计算机设备、薄膜等的LCD、等离子体或其它图形显示部件。临床图像90可以任选地利用如本文所公开的特征图像40生成,或者可以在不借助于特征图像40的情况下生成。作为后者的范例,临床图像90可以通过使用边缘保留先验的MAP重建来生成。这能够导致显著的噪声保持—然而,可以通过参考作为显示的特征图像40的“特征引导”来协助医学专业人员检测病变,而不管该噪声。
额外地或备选地,特征图像40可以用于对由医学专业人员识别的病变进行评分。这种评分在提供以下可能性的定量评估时采用各种因子或度量:如由医学专业人员识别为病变的特征确实是病变而不是噪声或一些其它图像伪影。由于使用说明性缩放/加权方案的特征图像具有针对特征的接近1的像素或体素值以及其它情况下接近零的值,因此由医师识别为病变的区或体积内的特征图像40的像素或体素值的总和是病变识别如何可能正确的度量。因此,例如,病变的区或体积上的平均像素或体素值:
提供病变可能性度量。在等式(4)中,L表示识别的病变,加和是在该病变内的所有像素或体素i上(i∈L),并且符号|L|指代病变L中的像素或体素的总数。等式(4)的可能性度量可以任选地与其他因子或度量组合,例如,识别的病变L是否完全在预期包含病变的器官内(例如,在***癌分析的情况下是否在***内),基于病变L中的图像纹理的量度,等等。
已经参考优选实施例描述了本发明。在阅读和理解了前面的详细描述时,其他人能够想到修改和变更。本发明旨在被解释为包括所有这些修改和变化,只要其落入所附权利要求或其等价方案的范围内。
Claims (24)
1.一种图像处理设备,包括:
计算机(22);以及
至少一个非瞬态存储介质,其存储指令,所述指令能够由所述计算机读取和运行以执行包括以下项的操作:
执行包括以下中的一项的迭代处理(26、56):
(i)迭代图像重建(26),其在投影或k-空间成像数据上执行以生成迭代重建图像,以及
(ii)迭代图像细化(56),其在输入重建图像上执行以生成迭代细化图像;
其中,所述迭代处理产生在所述迭代重建图像或所述迭代细化图像中结束的一系列更新图像;
生成所述一系列更新图像的两幅更新图像(30、32、60、62)之间的差分图像(34、64);并且
在所述迭代处理中或在被执行在所述迭代重建图像或所述迭代细化图像上的后处理(44)中使用所述差分图像。
2.根据权利要求1所述的图像处理设备,其中,所述差分图像(34、64)是所述两幅更新图像(30、32、60、62)之间的绝对差分图像,在所述绝对差分图像中,所述绝对差分图像的每个像素或体素被计算为所述两幅更新图像的对应的像素或体素之间的差的绝对值。
3.根据权利要求1所述的图像处理设备,其中,所述两幅更新图像(30、32、60、62)之间的所述差分图像(34、64)具有指示所述两幅更新图像之间的大的正变化和大的负变化的像素或体素值。
4.根据权利要求1-3中的任一项所述的图像处理设备,其中,所述两幅更新图像(30、32、60、62)中的每幅更新图像是在生成所述迭代重建图像或所述迭代细化图像之前通过所述迭代处理(26、56)生成的。
5.根据权利要求1-4中的任一项所述的图像处理设备,其中,所执行的操作还包括:
通过变换操作(36、66)将所述差分图像(34、64)变换为特征图像(40、70),所述变换操作至少包括对所述差分图像的像素或体素进行缩放或加权;
其中,所述使用包括在所述迭代处理中或在被执行在所述迭代重建图像或所述迭代细化图像上的所述后处理(44)中使用所述特征图像。
6.根据权利要求5所述的图像处理设备,还包括:
显示部件(92);
其中,所执行的操作还包括在所述显示部件上同时显示所述特征图像(40)和临床图像(90)两者。
7.根据权利要求5-6中的任一项所述的图像处理设备,其中,所述使用包括:
根据以下图像变换使用所述特征图像(40、70)对所述迭代重建图像或所述迭代细化图像进行后处理(44):
T1(I(i))(1-f(i))+T2(I(i))f(i)
其中,i对像素或体素进行索引,I(i)指代所述迭代重建图像或所述迭代细化图像的像素或体素,并且f(i)指代所述特征图像的对应的像素或体素,并且T1和T2是两个不同的图像变换。
8.根据权利要求7所述的图像处理设备,其中,所述两个不同的图像变换T1和T2是两个不同的图像滤波器。
9.根据权利要求5-6中的任一项所述的图像处理设备,其中,所述使用包括:
根据以下图像变换使用所述特征图像(40、70)对所述迭代重建图像或所述迭代细化图像进行后处理(44):
I1(i)(1-f(i))+I2(i)f(i)
其中,i对像素或体素进行索引,I1(i)和I2(i)指代通过被应用于所述投影或k-空间成像数据或被应用于所述输入重建图像的两个不同的图像重建或细化算法生成的两幅不同的图像的像素或体素,f(i)指代所述特征图像(40)的对应的像素或体素,并且I1(i)和I2(i)中的一个是通过所述迭代处理(26、56)生成的所述迭代重建图像或所述迭代细化图像。
10.根据权利要求1-9中的任一项所述的图像处理设备,其中,所述迭代处理(26、56)包括在投影或k-空间成像数据上执行以生成所述迭代重建图像的迭代图像重建(26)。
11.根据权利要求10所述的图像处理设备,其中,所述使用包括:
在产生所述两幅更新图像(30、32)之后执行的所述迭代图像重建(26)的迭代中使用所述差分图像(34)。
12.根据权利要求10所述的图像处理设备,其中,所述使用包括:
在产生所述两幅图像(30、32)之后使用正则化先验来执行所述迭代图像重建(26)的迭代,其中,所述先验的强度根据所述差分图像(40)来调制。
13.根据权利要求1-9中的任一项所述的图像处理设备,其中,所述迭代处理(26、56)包括在所述输入重建图像上执行以生成所述迭代细化图像的迭代图像细化(56)。
14.根据权利要求13所述的图像处理设备,其中,所述使用包括:
在产生所述两幅更新图像(60、62)之后执行的所述迭代图像细化(56)的迭代中使用所述差分图像(64)。
15.一种存储指令的非瞬态存储介质,所述指令能够由计算机(22)读取和运行以执行图像处理方法,所述图像处理方法包括:
在投影或k-空间成像数据上执行迭代图像重建(26)以生成在迭代重建图像中结束的一系列更新图像;
生成所述一系列更新图像的第一更新图像(30)与第二更新图像(32)之间的差分图像(34);
通过变换操作(36)将所述差分图像变换为特征图像(40),所述变换操作至少包括对所述差分图像的像素或体素进行缩放或加权;并且
在所述迭代图像重建中或在被执行在所述迭代重建图像上的后处理(44)中使用所述特征图像。
16.根据权利要求15所述的非瞬态存储介质,其中,所述差分图像(34)是所述第一更新图像(30)与所述第二更新图像(32)之间的绝对差分图像,在所述绝对差分图像中,所述绝对差分图像的每个像素或体素被计算为所述第一更新图像与所述第二更新图像的对应的像素或体素之间的差的绝对值。
17.根据权利要求15所述的非瞬态存储介质,其中,所述第一更新图像(30)与所述第二更新图像(32)之间的所述差分图像(34)具有指示两幅更新图像之间的大的正变化和大的负变化的像素或体素值。
18.根据权利要求15-17中的任一项所述的非瞬态存储介质,其中,所述使用包括:
根据以下图像变换使用所述特征图像(40)对所述迭代重建图像进行后处理(44):
T1(I(i))(1-f(i))+T2(I(i))f(i)
其中,i对像素或体素进行索引,I(i)指代所述迭代重建图像的像素或体素,并且f(i)指代所述特征图像的对应的像素或体素,并且T1和T2是两个不同的图像变换。
19.根据权利要求15-17中的任一项所述的非瞬态存储介质,其中,所述使用包括:
在产生所述第一更新图像(30)和所述第二更新图像(32)之后执行的所述迭代图像重建(26)的迭代中使用所述特征图像(40)。
20.根据权利要求19所述的非瞬态存储介质,其中,所述使用包括:
在产生所述第一更新图像(30)和所述第二更新图像(32)之后使用所述特征图像(40)作为正则化先验图像来执行所述迭代图像重建(26)的迭代。
21.根据权利要求19所述的非瞬态存储介质,其中,所述使用包括:
在产生所述第一更新图像(30)和所述第二更新图像(32)之后使用所述特征图像(40)作为用于对正则化先验图像加权的加权图像来执行所述迭代图像重建(26)的迭代。
22.一种图像处理方法,包括:
在投影或k-空间成像数据上执行第一图像重建(81)以生成第一重建图像(80);
在所述投影或k-空间成像数据上执行第二图像重建(83)以生成第二重建图像(82);
生成两幅图像之间的差分图像(84),每幅图像是从包括以下项的组选择的:所述第一重建图像、所述第一图像重建的更新图像、所述第二重建图像以及所述第二图像重建的更新图像;并且
生成最终重建图像,所述最终重建图像使用所述差分图像来组合所述第一重建图像和所述第二重建图像。
23.根据权利要求22所述的图像处理方法,其中,所述差分图像(84)是在所述第一重建图像(80)与所述第二重建图像(82)之间。
24.根据权利要求22所述的图像处理方法,其中,所述差分图像(84)是在所述第一图像重建(81)的两幅不同的更新图像之间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662377844P | 2016-08-22 | 2016-08-22 | |
US62/377,844 | 2016-08-22 | ||
PCT/EP2017/071175 WO2018037024A1 (en) | 2016-08-22 | 2017-08-22 | Feature-based image processing using feature images extracted from different iterations |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109844815A true CN109844815A (zh) | 2019-06-04 |
Family
ID=59702715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780058475.8A Pending CN109844815A (zh) | 2016-08-22 | 2017-08-22 | 使用从不同迭代提取的特征图像进行基于特征的图像处理 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11049230B2 (zh) |
EP (1) | EP3501006B1 (zh) |
JP (1) | JP7065830B6 (zh) |
CN (1) | CN109844815A (zh) |
WO (1) | WO2018037024A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139518A (zh) * | 2021-05-14 | 2021-07-20 | 杭州旭颜科技有限公司 | 基于工业互联网的型材切割状态监控方法 |
WO2023044653A1 (zh) * | 2021-09-23 | 2023-03-30 | 京东方科技集团股份有限公司 | 一种显示设备***及自适应增强画质的方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10531275B2 (en) * | 2016-12-12 | 2020-01-07 | Commscope Technologies Llc | Cluster neighbor discovery in centralized radio access network using transport network layer (TNL) address discovery |
CN107705261B (zh) * | 2017-10-09 | 2020-03-17 | 东软医疗***股份有限公司 | 一种图像重建方法和装置 |
US11721017B2 (en) | 2021-03-31 | 2023-08-08 | James R. Glidewell Dental Ceramics, Inc. | CT reconstruction quality control |
CN116684645A (zh) * | 2022-02-22 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142315A1 (en) * | 2009-12-15 | 2011-06-16 | Jiang Hsieh | System and method for tomographic data acquisition and image reconstruction |
CN103229212A (zh) * | 2010-11-30 | 2013-07-31 | 皇家飞利浦电子股份有限公司 | 具有基于恒定方差的加权因子的迭代重建算法 |
US20140003689A1 (en) * | 2012-06-29 | 2014-01-02 | General Electric Company | Methods and systems for enhanced tomographic imaging |
WO2016042466A2 (en) * | 2014-09-15 | 2016-03-24 | Koninklijke Philips N.V. | Iterative image reconstruction with a sharpness driven regularization parameter |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6249693B1 (en) | 1999-11-01 | 2001-06-19 | General Electric Company | Method and apparatus for cardiac analysis using four-dimensional connectivity and image dilation |
US7660481B2 (en) | 2005-11-17 | 2010-02-09 | Vital Images, Inc. | Image enhancement using anisotropic noise filtering |
US8938105B2 (en) * | 2010-10-28 | 2015-01-20 | Kabushiki Kaisha Toshiba | Denoising method and system for preserving clinically significant structures in reconstructed images using adaptively weighted anisotropic diffusion filter |
BR112014014093A2 (pt) | 2011-12-13 | 2017-06-13 | Koninklijke Philips Nv | componente de processamento, que processa imagens com base em algoritmo de reconstrução iterativa com algoritmo de regularização e/ou redução de ruído e método |
US9269168B2 (en) | 2013-03-15 | 2016-02-23 | Carestream Health, Inc. | Volume image reconstruction using data from multiple energy spectra |
US9713450B2 (en) * | 2014-12-15 | 2017-07-25 | General Electric Company | Iterative reconstruction of projection data |
US20160327622A1 (en) * | 2015-05-05 | 2016-11-10 | General Electric Company | Joint reconstruction of activity and attenuation in emission tomography using magnetic-resonance-based priors |
US11200709B2 (en) * | 2016-12-27 | 2021-12-14 | Canon Medical Systems Corporation | Radiation image diagnostic apparatus and medical image processing apparatus |
-
2017
- 2017-08-22 EP EP17757745.9A patent/EP3501006B1/en active Active
- 2017-08-22 CN CN201780058475.8A patent/CN109844815A/zh active Pending
- 2017-08-22 US US16/325,213 patent/US11049230B2/en active Active
- 2017-08-22 JP JP2019510402A patent/JP7065830B6/ja active Active
- 2017-08-22 WO PCT/EP2017/071175 patent/WO2018037024A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142315A1 (en) * | 2009-12-15 | 2011-06-16 | Jiang Hsieh | System and method for tomographic data acquisition and image reconstruction |
CN103229212A (zh) * | 2010-11-30 | 2013-07-31 | 皇家飞利浦电子股份有限公司 | 具有基于恒定方差的加权因子的迭代重建算法 |
US20140003689A1 (en) * | 2012-06-29 | 2014-01-02 | General Electric Company | Methods and systems for enhanced tomographic imaging |
WO2016042466A2 (en) * | 2014-09-15 | 2016-03-24 | Koninklijke Philips N.V. | Iterative image reconstruction with a sharpness driven regularization parameter |
Non-Patent Citations (1)
Title |
---|
ZHANLI HU等: "A feature refinement approach for statistical interior CT reconstruction", 《INSTITUTE OF PHYSICS AND ENGINEERING IN MEDICINE (PHYSICS IN MEDICINE&BIOLOGY)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139518A (zh) * | 2021-05-14 | 2021-07-20 | 杭州旭颜科技有限公司 | 基于工业互联网的型材切割状态监控方法 |
CN113139518B (zh) * | 2021-05-14 | 2022-07-29 | 江苏中天互联科技有限公司 | 基于工业互联网的型材切割状态监控方法 |
WO2023044653A1 (zh) * | 2021-09-23 | 2023-03-30 | 京东方科技集团股份有限公司 | 一种显示设备***及自适应增强画质的方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7065830B2 (ja) | 2022-05-12 |
WO2018037024A1 (en) | 2018-03-01 |
JP7065830B6 (ja) | 2022-06-06 |
EP3501006A1 (en) | 2019-06-26 |
US20190197674A1 (en) | 2019-06-27 |
JP2019524356A (ja) | 2019-09-05 |
EP3501006B1 (en) | 2020-11-04 |
US11049230B2 (en) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Iterative PET image reconstruction using convolutional neural network representation | |
Zhou et al. | Handbook of medical image computing and computer assisted intervention | |
JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
Lu et al. | An investigation of quantitative accuracy for deep learning based denoising in oncological PET | |
Liu et al. | Higher SNR PET image prediction using a deep learning model and MRI image | |
Somayajula et al. | PET image reconstruction using information theoretic anatomical priors | |
Li et al. | Model‐based image reconstruction for four‐dimensional PET | |
CN109844815A (zh) | 使用从不同迭代提取的特征图像进行基于特征的图像处理 | |
Rahmim et al. | Four‐dimensional (4D) image reconstruction strategies in dynamic PET: beyond conventional independent frame reconstruction | |
Schramm et al. | Evaluation of parallel level sets and Bowsher’s method as segmentation-free anatomical priors for time-of-flight PET reconstruction | |
US8457380B2 (en) | PET local tomography | |
CN111867474A (zh) | 使用深度学习根据低剂量pet成像进行全剂量pet图像估计 | |
Deidda et al. | Hybrid PET-MR list-mode kernelized expectation maximization reconstruction | |
CN107527359A (zh) | 一种pet图像重建方法及pet成像设备 | |
Song et al. | Noise2Void: unsupervised denoising of PET images | |
Zhu et al. | Residual dense network for medical magnetic resonance images super-resolution | |
CN110023999A (zh) | 发射和透射断层摄影中的交互式目标超快重建 | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
Hu et al. | Super-resolution of PET image based on dictionary learning and random forests | |
Xu et al. | Statistical iterative reconstruction to improve image quality for digital breast tomosynthesis | |
Reader et al. | AI for PET image reconstruction | |
Feng et al. | Dual respiratory and cardiac motion estimation in PET imaging: methods design and quantitative evaluation | |
Corda-D’Incan et al. | Memory-efficient training for fully unrolled deep learned PET image reconstruction with iteration-dependent targets | |
Yin et al. | Unpaired low-dose CT denoising via an improved cycle-consistent adversarial network with attention ensemble | |
Hashimoto et al. | Deep learning-based PET image denoising and reconstruction: a review |
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: 20190604 |