CN110073413A - 用于迭代图像重建的信息自适应正则化 - Google Patents
用于迭代图像重建的信息自适应正则化 Download PDFInfo
- Publication number
- CN110073413A CN110073413A CN201780077677.7A CN201780077677A CN110073413A CN 110073413 A CN110073413 A CN 110073413A CN 201780077677 A CN201780077677 A CN 201780077677A CN 110073413 A CN110073413 A CN 110073413A
- Authority
- CN
- China
- Prior art keywords
- image
- reconstruction
- edge
- voxel
- threshold value
- 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
- 238000003384 imaging method Methods 0.000 claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 31
- 238000002600 positron emission tomography Methods 0.000 claims description 14
- 238000012879 PET imaging Methods 0.000 claims description 11
- 230000000717 retained effect Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- CYTYCFOTNPOANT-UHFFFAOYSA-N Perchloroethylene Chemical compound ClC(Cl)=C(Cl)Cl CYTYCFOTNPOANT-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 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
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
- G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
- G01T1/2914—Measurement of spatial distribution of radiation
- G01T1/2985—In depth localisation, e.g. using positron emitters; Tomographic imaging (longitudinal and transverse section imaging; apparatus for radiation diagnosis sequentially in different planes, steroscopic radiation diagnosis)
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
成像数据(20)由PET扫描器(6)或其他成像设备采集。执行对所述成像数据的迭代图像重建以生成重建的图像(22)。所述迭代图像重建包括执行更新步骤(24)，所述更新步骤包括边缘保留先验(28)，所述边缘保留先验具有空间变化的边缘保留阈值(30)，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的噪声度量(32)。所述噪声度量可以被计算为所述图像体素的所述局部邻域中的所述重建的图像的邻域图像体素的强度的汇总。为了进一步的噪声抑制，在所述迭代图像重建期间，可以减小所述重建的图像的具有小于阈值(38)的空间范围的图像特征的图像值。
Description
技术领域
下文总体上涉及医学成像领域、正电子发射断层摄影(PET)成像和图像重建领域、单光子发射计算机断层摄影(SPECT)成像和图像重建领域、透射型计算机断层摄影(CT)成像和图像重建领域、正则化迭代图像重建领域、以及相关的领域。
背景技术
在PET、SPECT、CT或其他图像数据的迭代图像重建中，边缘保留先验有时在更新步骤中用来提供平滑同时保留边缘。一般来说，先验将所测量的成像数据之外的先验知识添加到图像重建中。边缘保留先验添加预期到图像是大致平滑的由此减少噪声的额外知识，而且还包括保护(真实)图像特征不被不适当地平滑掉的机制。
边缘保留先验的一个范例是相对差先验(RDP)。此处，边缘保留阈值γ用来控制平滑与图像特征保留之间的平衡。对于RDP，较大的γ产生更少的平滑(即对于缺少平滑性的更少的惩罚)以便以更少的平滑为代价提供更强的边缘保留，而较小的γ以抑制真实图像特征的更高可能性为代价产生更多的平滑(对于缺少平滑性的更多的惩罚)。
下文公开了新的且改进的***和方法。
发明内容
在一个所公开的方面中，一种成像设备包括辐射探测器阵列、计算机和非瞬态存储介质，所述辐射探测器阵列被布置为采集成像数据，所述非瞬态存储介质存储能由所述计算机读取并运行以执行图像重建方法的指令，所述图像重建方法包括：执行对所采集的成像数据的迭代图像重建以生成重建的图像；以及在所述迭代图像重建期间，应用边缘保留先验，所述边缘保留先验具有空间变化的边缘保留阈值，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的噪声度量。
在另一所公开的方面中，一种非瞬态存储介质存储能由计算机读取并运行以执行图像重建方法的指令，所述图像重建方法包括：执行对投影成像数据的迭代图像重建以生成重建的图像。所述迭代图像重建包括执行更新步骤，所述更新步骤包括边缘保留先验，所述边缘保留先验具有空间变化的边缘保留阈值，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的对所述重建的图像做出贡献的所述成像数据的量。
在另一所公开的方面中，公开了一种图像重建方法。执行对投影成像数据的迭代图像重建以生成重建的图像。在所述迭代图像重建期间，惩罚所述重建的图像的具有小于阈值的空间范围的图像特征的图像值。对所述迭代图像重建的执行和对具有小于所述阈值的空间范围的图像特征的图像值的惩罚是由计算机执行的。
一个优点在于提供了一种采用具有针对数据稀疏性的改进的鲁棒性的边缘保留先验的迭代重建。
另一优点在于提供了一种采用产生具有改进的图像质量的重建的图像的边缘保留先验的迭代重建。
另一优点在于提供了一种具有对生成虚假图像特征的降低的易感性的迭代重建。
另一优点在于提供了一种具有对生成虚假图像特征的降低的易感性的迭代重建。
另一优点在于提供了一种采用具有局部化的自动适应的边缘保留先验的迭代重建。
给定的实施例可以提供前述优点中的零个、一个、两个、更多个或全部，并且/或者可以提供在阅读并理解本公开后对于本领域普通技术人员来说将变得显而易见的其他优点。
附图说明
本发明可以采取各种部件和部件的布置，以及各种步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，并且不得被解释为对本发明的限制。
图1图解性地图示了如本文中公开的包括成像设备和图像重建设备的成像***。
图2和图3图示了如本文中描述的体模成像结果。
图4图解性地图示了采用利用相对差先验(RDP)的迭代有序子集期望最大化(OSEM)重建的说明性范例的图1的成像***的实施例。
图5图解性地图示了使用图1的***适当地执行的图像重建过程。
具体实施方式
下文公开了利用边缘保留先验的迭代图像重建的某些改进。这些改进中的一些部分地以强边缘保留能够产生虚假(即伪影)图像特征的洞悉为前提。在针对诸如可疑病变检测的任务的医学成像的情况下，这些虚假图像特征易于误解为病变。在不受限于任何具体操作理论的情况下，相信虚假图像特征由被重建成具有足以超过阈值的幅值的图像噪声的潜在成像数据中的噪声产生，在所述阈值之上通过边缘保留先验的噪声保留变得可操作。在随后的迭代中，边缘保留然后操作以保留噪声并将噪声放大成可观察到的虚假图像特征。
在本文中应进一步意识到，局部噪声与局部邻域中对重建的图像做出贡献的成像数据的量逆相关。即，更少的成像数据对其做出贡献的图像区域是噪声更大的，并且因此更可能通过边缘保留先验的动作而呈现出虚假图像特征。
另一洞悉是，在许多实例中，愚蠢的虚假图像特征是可与物理(即“真实”)图像特征区分开的。这是因为，当噪声生长成虚假特征时，它可能具有小于成像设备的分辨率的空间范围。相比之下，预计真实图像特征的空间范围大约为成像设备的分辨率或更大。
部分地在这些洞悉的考虑中，本文中公开的改进通过采用具有其在每个图像体素处的值依赖于图像体素的局部邻域中的噪声度量的空间变化的边缘保留阈值的边缘保留先验来提供改进的迭代图像重建。在一些实施例中，噪声度量基于对局部图像内容做出贡献的成像数据的量，并且因此在这些实施例中，空间变化的边缘保留阈值在每个图像体素处的值依赖于图像体素的局部邻域中对重建的图像做出贡献的成像数据的量。
额外地或备选地，本文中公开的改进的迭代图像重建包括减小具有小于阈值的空间范围的重建的图像的图像特征的图像值的“热点抑制”方面。阈值被选择为抑制其空间范围小于图像的分辨率的图像特征，使得这种小空间范围的图像特征不可能是真实图像特征。将认识到，该热点抑制方面能够单独地或与空间变化的边缘保留阈值结合来采用。
参考图1，说明性成像设备包括正电子发射断层摄影(PET)成像设备(有时也被称为PET扫描器)6(其包括PET探测器阵列8)和电子处理器10，所述电子处理器被编程为处理由PET成像扫描器6采集的成像数据以生成一幅或多幅重建的PET图像。在图1中以虚线框12的方式图解性地指示由电子处理器10执行的处理，该虚线框包围图形地表示处理流的数据和操作的方框。PET探测器阵列8采集沿着响应线(LOR)相反方向的511keV伽马射线对的计数。计数可以包括或可以不包括飞行时间(TOF)定位。以一些非限制性说明性范例的方式，说明性PET成像扫描器6可以是VereosTM数字PET/CT扫描器或IngenuityTMTF PET扫描器的PET机架，两者可从荷兰埃因霍温的皇家飞利浦有限公司获得。可以指出，虽然PET探测器阵列8被示为在PET扫描器6的膛的内部圆周上可见的探测器阵列环，但是这用于说明性目的，并且更通常地，PET探测器阵列从视野中被通过511keV辐射的表面膛衬垫等遮挡。
电子处理器10可以例如被体现为计算机10(例如台式计算机、基于网络的服务器计算机、专用的PET控制计算机、其各种组合等等)，其执行从存储指令的一个或多个非瞬态存储介质(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、其各种组合等等)读取的指令。计算机10通常包括或具有到至少一个显示器14(例如LCD显示器、等离子显示器等等)的可操作入口，并且也可以任选地包括或具有对至少一个用户输入设备的可操作入口，用户能够经由所述至少一个用户输入设备输入信息。说明性用户输入设备包括键盘16和触控板18；一些其他典型的用户输入设备包括鼠标、显示器14的触敏叠加等等。
虽然说明性实施例涉及PET成像，但是所公开的用于利用边缘保留先验的迭代图像重建的方法可以适用于生成易于通过迭代图像重建来重建的投影成像数据的其他类型的成像。例如，所公开的用于利用边缘保留先验的迭代图像重建的方法可以适用于重建由单光子发射计算机断层摄影(SPECT)成像中的伽马相机采集的投影成像数据或由透射型计算机断层摄影(CT)成像设备采集的成像数据。
继续参考图1，PET探测器阵列8采集形成PET成像数据集20的沿着LOR的计数，所述PET成像数据集可以具有或可以没有沿着LOR的飞行时间(TOF)定位信息。重建的图像22例如被初始化为均匀强度的图像220或初始化为基于一些先验信息的一些其他初始图像220，并且PET成像数据20通过迭代图像重建来重建，所述迭代图像重建包括迭代地将迭代更新24应用于重建的图像22以增加前向投影图像22到成像数据20的保真度。更新步骤24包括应用具有空间变化的边缘保留阈值30的边缘保留先验28。在说明性范例中，空间变化的边缘保留阈值30基于每个图像体素的局部邻域中对重建的图像22做出贡献的成像数据的量32来计算。该量32转而能够基于重建的图像22的(当前迭代)例如被计算为针对其计算局部保留阈值30的图像体素的局部邻域中的重建的图像22的邻域图像体素的强度的汇总。
为了进一步减少虚假图像特征，图1的说明性实施例进一步包括热点抑制操作36，其中亚分辨率图像特征被抑制。亚分辨率图像特征是其空间范围小于阈值38的图像特征。抑制阈值38被选择为足够小于由PET成像扫描器6提供的图像分辨率，使得其空间范围小于阈值38的特征不可能是“真实”图像特征，因为PET成像扫描器6不能对这样的小特征进行分辨。其横向范围小于阈值38的图像特征因此可能是热点，即，其中噪声已经通过迭代重建过程放大以虚假地产生不对应于被成像对象的物理特征的高强度的区域。
参考图2，示出了针对如在图2中标记的若干变化的采集持续时间的NEMA IQ体模的重建的活动图像。如能够看出的，图像质量随着减少的采集时间而下降，其对应于用于重建图像的减少的成像数据的量。因此，噪声水平与成像数据的量逆相关，即更多的成像数据(图2中的更长的采集时间)转换为减少的噪声。识别可疑病变直到(部分)扫描器特异性PET分辨率限制(由探测器几何形状、晶体尺寸、正电子范围、灵敏性等确定)对于使用PET成像执行临床诊断是有利的。然而，如在图2中看出的，噪声纹理有时能够产生能够难以或不能与实际图像特征(像小的低活性病变)区分开的虚假图像特征，并且降低所谓的特征可检测性。应注意在图2中，不同的采集时间用作针对不同的体模/病变活动水平的替代物，其也产生不同的数据量。
所公开的方法使得图像重建能够在噪声与特征(病变)之间有效地进行区分，以便改进发射断层摄影图像中的可检测性和特异性。进一步地，预计改进的图像重建技术在有限数量的迭代之后实现收敛，并且对于进一步的迭代保持稳定。所公开的方法的又一优点在于需要根据所采集的数据的每个个体实例来手动地调整参数，因为参数(例如空间变化的边缘保留阈值30)自动地自适应于每个个体研究的所采集的数据，并且也自适应于患者身体的局部信息。
在本文中公开的方法中，在迭代重建更新24期间使用的相对差先验(RDP)或其他边缘保留先验28被自动地适应于所测量的信息，例如计数统计，以便在诸如减少的噪声方面实现改进的图像质量同时保留对比和标准化摄取值(SUV)。一旦使用样本数据集来校准，对于新的PET数据采集就不需要微调参数。所公开的方法的另一优点在于空间变化的边缘保留阈值30被自动地适应于与所采集的数据相关联的局部信息，这允许不同的正则化用于患者身体的不同部分，诸如肺与腹部。
在采用所公开的热点抑制36的实施例中，来自利用边缘保留先验的正则化重建中的噪声放大的伪影亮点通过引入空间分辨率先验来有效地去除，所述空间分辨率先验从图像去除“太好以致于不真实”的特征，因为它们具有小于成像设备6的可实现的空间分辨率的空间范围。例如，在一些非限制性说明性实施例中，当PET成像设备6具有4mm或更大的空间分辨率(如对于一些现有商用临床PET成像设备来说常见的)时，抑制阈值38被设定为抑制其空间范围小于3mm直径的特征。
为了设定空间变化的边缘保留阈值30，在一些实施例中，最小信息(即，计数密度阈值)被定义以有效地应用RDP或其他边缘保留先验。对于其中所估计的计数密度低于阈值的那些低信息区域，RDP自动地调整参数以实质上使用二次先验用于局部正则化，从而关闭边缘保留以便增加迭代重建的稳定性。
在下文中，描述了说明性范例，其中，边缘保留先验是相对差先验(RDP)和有序子集期望最大化(OSEM)重建。使用RDP的说明性惩罚迭代OSEM重建能够被表示为：
其中λj是在体素下标j处的所估计的活动，是局部惩罚加权系数，aij是***矩阵值，即，从1计数到P的体素j对从1计数到N的投影数据下标i的贡献，sj是利用采集时间缩放的在体素j处的总扫描器灵敏性，并且参数γ＞0用于操纵Gibbs先验(负责边缘保留阈值)。先验在局部图像邻域Nj内进行估计。一般来说，更大的γ产生更大的边缘保留。值γ＝0完全消除了边缘保留，并且RDP变成二次先验。
一般来说，所公开的信息自适应先验重建基于所估计的统计噪声水平(即，标准偏差)来估计(方程1中)在体素j处的针对γ的局部值。在所公开的方法中，方程(1)中的γ由下式来代替：
其中是其在每个图像体素j处的值依赖于图像体素j的局部邻域中的噪声矩阵的空间变化的边缘保留阈值。在该修改的RDP中，在之下的所有相对差都被有效地平滑，而更高的相对差被检测为特征并且在迭代重建期间被保留在所估计的活动分布中。因此，当噪声度量指示图像体素的局部邻域中的噪声较低时，提供较强的边缘保留，并且当噪声度量指示图像体素的局部邻域中的噪声较高时，提供较弱的边缘保留。
参数βj由β’/sj来代替，其中β’是通过缺省被设置为β’＝1的全局常数，以便提供最大平滑而不产生不稳定性，尤其是在其中局部灵敏性sj接近零的PET轴向视场(FOV)的边缘附近。
利用β’＝1针对iRDP得到的更新方案能够被表示为：
其中：
包括高斯平滑算子Gσ，其中局部平滑强度等于预期的扫描器分辨率(例如，用于商用飞利浦PET/CT扫描器的4mm FWHM)。项Gσ提供了实际的益处，因为的估计应当理想地不受统计噪声影响。对应的滤波器强度Gσ与扫描器的空间分辨率有关联。除了高斯平滑算子之外的其他能够被考虑(例如，盒式滤波器)。因此，当图像体素的局部邻域中对重建的图像做出贡献的成像数据的量较高时，方程(3)和(4)的修改的RDP提供较强的边缘保留，并且当图像体素的局部邻域中对重建的图像做出贡献的成像数据的量较低时，提供较弱的边缘保留。
依赖于重建的图像的视觉感受以及其他参数(例如针对非体素重建(基于团块的)框架定义的团块尺寸)，针对的公式可以任选地被进一步调整。如果被设定得太低，则特征被抑制的概率变高，而对于的太高值，正则化效果消失，因为统计噪声也被保留在图像中。
通过RDP解决的一般问题是图像中的噪声与实际特征之间的区分。然而，本文中应意识到，由于统计原因，当关于空间区域收集的信息达到下限(即，对该区域做出贡献的成像数据的量太低)时，该方法失效。在这样的稀疏数据情况下，RDP实际上能够引起虚假特征(即热点伪影)的生成和放大。一旦特定噪声尖峰超过边缘保留阈值，它就可以通过分辨率恢复被迭代地放大并且达到不切实际地高的对比值。生成那些伪影的可能性随着边缘保留阈值γ的值增加而增加。
参考图3，图示了这种效果。图3在头两行中示出了随着针对边缘保留阈值γ的值增加而呈现出引入的热点伪影的重建结果，并且在第三行和第四行中示出了利用方程(3)和(4)中的热点校正的对应结果。每个虚假热点在图3中由小圆圈来标记。
在预见到的变体中，因为扫描器的灵敏性和统计信息密度随着相距等中心的轴向距离增加而线性地降低，所以最小局部信息密度nmin已经使用NEMA IQ体模通过在其中噪声伪影开始朝向轴向FOV边界出现的图像区域中进行调查来识别。对应的分析(包括以不同的计数水平的来自NEMA IQ体模的重建的数据集的经验检查)导致最小数量的大约20个计数/团块来可靠地操作RDP。对于更低的局部计数统计，统计噪声变得不可接受地显著，并且由于到每个团块的邻居的有限距离，每个图像更新中的相对差不能通过RDP来抵消。为了并入这种限制，方程(4)能够被修改如下：
如果局部统计信息是不足的，即，如果所测量的衰减的数量低于体素λj的邻域中的nmin，则方程(5)使用二次先验而非RDP。因此，当图像体素的局部邻域中对重建的图像做出贡献的成像数据的量(Gσ×λ)j·sj小于阈值nmin时，不提供边缘保留。
接下来，描述了图1的亚分辨率特征抑制36的说明性实施例。
在观察(诸如图2和3的那些)图像的迭代重建演变中，发现几乎所有虚假图像特征都仅由单个体素(或在基于团块的重建的情况下单个团块)来表示。然而，对应的PET扫描器的可实现的图像分辨率大于单个体素，并且因此合理地预计每个真实特征将覆盖多于单个团块或体素。鉴于此，实际特征和虚假热点是可通过考虑特征的团块/体素的数量(即空间范围)来区分的。为此，覆盖多于单个团块/体素的特征的最小尺寸是两个相邻团块之间的最小距离。此处，该距离为3.1mm，其小于4.0mm的空间扫描器分辨率。
在一种合适的方法中，示出显著高于所有其邻居的值的那些团块/体素被惩罚。在实验中，该方法通过估计在热点通过被设定为等于λmax被去除之前热点必须具有比其最高相邻值λmax高至少20％的值来进行测试。这在本文中被称为一阶热点修正，因为它将每个聚焦的体素值与其最高邻居进行比较。这导致额外的惩罚项在每个图像更新之后被应用于亚分辨率特征抑制操作36中：
其中发现Δmax＝1.2提供令人满意的结果。在方程(6)中，λj表示重建的图像22的图像体素，并且表示λj周围的邻域中的图像体素的集合。注意，在备选实施方式中，λj能够与其他函数(诸如邻居的中值或平均值)成比例地被惩罚，即能够被一般化为其中，f(·)是方程(6)的说明性范例中的max(·)，但是更一般地可以是一些其他函数，诸如
利用对团块/体素网格的重新调谐来匹配成像设备的空间分辨率，预计以上惩罚项有效地抑制作为单个团块/体素出现的所有热点。所有有用的真实特征都应当通过若干图像体积元素来表示，并且因此应当通过方程(6)的抑制方法来保留。
如果重建被调谐为使得具有多于所涉及的单个体素或团块的较大的虚假热点能够出现，则中心体素值代替地能够与其第二最高邻居进行比较，从而产生二阶热点校正。为了更鲁棒性，两种(或进一步延伸的)方法能够被组合，例如一阶和二阶热点校正两者能够被应用。Δmax值也能够被调谐以考虑成像设备的空间变化的点扩展函数(PSF)。
参考图4，呈现了采用利用方程(3)和(5)的RDP的OSEM的图1的***的说明性实施例，其中亚分辨率特征抑制36的实施例经由方程(6)来阐述。除了已经参考图1中的类似附图标记描述的部件之外，图4的说明性范例还明确地描绘了对对象的衰减图(μ-图)40的使用，操作42对所述衰减图进行处理以生成在方程(3)的迭代更新24中使用的q-矩阵(灵敏性图)项sj44。除了初始图像220外，图4还示出了在达到针对迭代重建选择的停止标准(例如预设的迭代次数、或小于一定停止阈值的迭代间变化等)后被输出的最终图像22F。
参考图5，示出了使用图1的***适当地执行的说明性图像重建方法。以针对迭代(n)的当前重建的图像100开始，在说明性范例中，迭代图像更新步骤102例如使用OSEM来执行。在操作104中，基于噪声度量(诸如对局部体素做出贡献的成像数据的量)来计算空间变化的边缘保留阈值。在操作106中，使用空间变化的边缘保留阈值来执行正则化。在任选的操作108中，执行热点校正，例如抑制显著小于可实现的成像分辨率(并且因此不可能是物理特征)的图像结构。输出是针对迭代(n+1)的更新的重建的图像110，如在方框112中指示的，其对于下一个迭代成为当前迭代100。
虽然说明性范例已经采用有序子集期望最大化(OSEM)重建，但是其他迭代重建能够被替代地使用，诸如最大似然估计方法(MLEM)重建。类似地，虽然在说明性范例中RDP是说明性边缘保留先验，但是更一般地，具有边缘保留阈值的任何边缘保留先验可以被使用，其(如本文中公开的)在每个图像体素处具有依赖于图像体素的局部邻域中的噪声度量的空间变化的值。
已经参考优选实施例描述了本发明。他人在阅读和理解以上具体实施方式的情况下可能想到修改或更改。本文旨在将本发明解释为包括所有这种修改和更改，只要它们落入权利要求书及其等价方案的范围之内。
Claims (22)
1.一种成像设备，包括：
辐射探测器阵列(8)，其被布置为采集成像数据(20)；
计算机(10)；以及
非瞬态存储介质，其存储能由所述计算机读取并运行以执行图像重建方法的指令，所述图像重建方法包括：
执行对所采集的成像数据的迭代图像重建以生成重建的图像(22)；以及
在所述迭代图像重建期间，应用边缘保留先验(28)，所述边缘保留先验具有空间变化的边缘保留阈值(30)，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的噪声度量(32)。
2.根据权利要求1所述的成像设备，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值依赖于所述图像体素的局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的量(32)。
3.根据权利要求2所述的成像设备，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值对所述图像体素的所述局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的所述量(32)的依赖性：
当所述图像体素的所述局部邻域中的对所述重建的图像做出贡献的所述成像数据的所述量较高时，提供较强的边缘保留，并且
当所述图像体素的所述局部邻域中的对所述重建的图像做出贡献的所述成像数据的所述量较低时，提供较弱的边缘保留。
4.根据权利要求3所述的成像设备，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值对所述图像体素的局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的所述量(32)的依赖性：
当所述图像体素的所述局部邻域中的对所述重建的图像做出贡献的所述成像数据的所述量小于阈值时，不提供边缘保留。
5.根据权利要求1所述的成像设备，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值对所述图像体素的所述局部邻域中的所述噪声度量(32)的依赖性：
当所述噪声度量指示所述图像体素的所述局部邻域中的较低噪声时，提供较强的边缘保留，并且
当所述噪声度量指示所述图像体素的所述局部邻域中的较高噪声时，提供较弱的边缘保留。
6.根据权利要求5所述的成像设备，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值对所述图像体素的所述局部邻域中的所述噪声度量(32)的依赖性：
当所述噪声度量高于阈值时，不提供边缘保留。
7.根据权利要求1所述的成像设备，其中，所述图像体素的所述局部邻域中的所述噪声度量(32)包括所述图像体素的所述局部邻域中的所述重建的图像(22)的邻域图像体素的强度的汇总。
8.根据权利要求7所述的成像设备，其中，所述空间变化的边缘保留阈值(30)被设定为当所述图像体素的所述局部邻域中的所述重建的图像的所述邻域图像体素的强度的所述汇总小于阈值时不提供边缘保留的值。
9.根据权利要求1-8中的任一项所述的成像设备，其中，所述边缘保留先验(28)包括相对差先验(RDP)，所述相对差先验具有其在每个图像体素j处的值依赖于所述图像体素j的所述局部邻域中的所述噪声度量(32)的所述空间变化的边缘保留阈值(30)。
10.根据权利要求1-9中的任一项所述的成像设备，其中，执行对所采集的成像数据的迭代图像重建以生成所述重建的图像(22)包括执行最大似然估计方法(MLEM)重建和有序子集期望最大化(OSEM)重建中的一种。
11.根据权利要求1-10中的任一项所述的成像设备，其中，所述图像重建方法还包括：
在所述迭代图像重建期间，减小所述重建的图像的具有小于阈值(38)的空间范围的图像特征的图像值。
12.根据权利要求1-11中的任一项所述的成像设备，其中，所述辐射探测器阵列(8)包括被布置为采集PET成像数据的一个或多个正电子发射断层摄影(PET)探测器环。
13.一种非瞬态存储介质，存储能由计算机(10)读取并运行以执行图像重建方法的指令，所述图像重建方法包括：
执行对投影成像数据(20)的迭代图像重建以生成重建的图像(22)；
其中，所述迭代图像重建包括执行更新步骤(24)，所述更新步骤包括边缘保留先验(28)，所述边缘保留先验具有空间变化的边缘保留阈值(30)，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的对所述重建的图像做出贡献的所述成像数据的量(32)。
14.根据权利要求13所述的非瞬态存储介质，其中，所述图像体素的局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的所述量(32)被计算为所述图像体素的所述局部邻域中的所述重建的图像(22)的邻域图像体素的强度的汇总。
15.根据权利要求14所述的非瞬态存储介质，其中，所述空间变化的边缘保留阈值(30)被设定为当所述图像体素的所述局部邻域中的所述重建的图像(22)的所述邻域图像体素的强度的所述汇总小于阈值时不提供边缘保留的值。
16.根据权利要求13所述的非瞬态存储介质，其中，所述空间变化的边缘保留阈值(30)在每个图像体素处的所述值对所述图像体素的所述局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的所述量(32)的依赖性：
当所述图像体素的所述局部邻域中的对所述重建的图像做出贡献的所述成像数据的所述量较高时，提供较强的边缘保留，并且
当所述图像体素的所述局部邻域中的对所述重建的图像做出贡献的所述成像数据的所述量较低时，提供较弱的边缘保留。
17.根据权利要求13-16中的任一项所述的非瞬态存储介质，其中，所述边缘保留先验(28)包括相对差先验(RDP)，所述相对差先验具有其在每个图像体素j处的值依赖于所述图像体素j的所述局部邻域中的对所述重建的图像(22)做出贡献的所述成像数据的所述量(32)的所述空间变化的边缘保留阈值(30)。
18.根据权利要求13-17中的任一项所述的非瞬态存储介质，其中，所述迭代图像重建是最大似然估计方法(MLEM)重建和有序子集期望最大化(OSEM)重建中的一种。
19.一种图像重建方法，包括：
执行对投影成像数据的迭代图像重建以生成重建的图像(22)；以及
在所述迭代图像重建期间，惩罚所述重建的图像的具有小于阈值(38)的空间范围的图像特征的图像值；
其中，对所述迭代图像重建的执行和对具有小于所述阈值的空间范围的图像特征的图像值的惩罚是由计算机(10)执行的。
20.根据权利要求19所述的图像重建方法，其中，执行所述迭代图像重建包括执行更新步骤(24)，所述更新步骤包括边缘保留先验(28)，所述边缘保留先验具有空间变化的边缘保留阈值(30)，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的对所述重建的图像做出贡献的所述成像数据的量(32)。
21.根据权利要求19所述的图像重建方法，其中，执行所述迭代图像重建包括执行更新步骤(24)，所述更新步骤包括边缘保留先验(28)，所述边缘保留先验具有空间变化的边缘保留阈值(30)，所述空间变化的边缘保留阈值在每个图像体素处的值依赖于所述图像体素的局部邻域中的噪声度量(32)。
22.根据权利要求19-21中的任一项所述的图像重建方法，其中，对具有小于所述阈值(38)的空间范围的图像特征的图像值的减小包括应用以下减小：
其中，λj表示所述重建的图像(22)的图像体素，表示λj周围的邻域中的图像体素的集合，并且是表征所述邻域的函数，诸如或
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662433981P | 2016-12-14 | 2016-12-14 | |
| US62/433981 | 2016-12-14 | ||
| PCT/EP2017/082298 WO2018108848A1 (en) | 2016-12-14 | 2017-12-12 | Information-adaptive regularization for iterative image reconstruction |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110073413A true CN110073413A (zh) | 2019-07-30 |
| CN110073413B CN110073413B (zh) | 2023-09-08 |
Family
ID=60812045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780077677.7A Active CN110073413B (zh) | 2016-12-14 | 2017-12-12 | 用于迭代图像重建的信息自适应正则化 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11961166B2 (zh) |
| EP (1) | EP3555859B1 (zh) |
| CN (1) | CN110073413B (zh) |
| WO (1) | WO2018108848A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899188A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
| CN112365593A (zh) * | 2020-11-12 | 2021-02-12 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和*** |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111542859A (zh) * | 2018-01-02 | 2020-08-14 | 皇家飞利浦有限公司 | 用于正则化重建的基于学习的体素进化 |
| EP3881290A1 (en) * | 2018-11-16 | 2021-09-22 | Koninklijke Philips N.V. | Edge preserving penalized reconstruction for step-and-shoot and motion compensated positron emission tomography (pet) studies |
| CN110208605B (zh) * | 2019-06-04 | 2021-06-04 | 河南师范大学 | 一种抑制阶梯效应的电阻层析成像电导率分布重建的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140126794A1 (en) * | 2012-11-02 | 2014-05-08 | General Electric Company | Systems and methods for partial volume correction in pet penalized-likelihood image reconstruction |
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| 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 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8233682B2 (en) | 2007-06-05 | 2012-07-31 | General Electric Company | Methods and systems for improving spatial and temporal resolution of computed images of moving objects |
| US8655033B2 (en) | 2009-10-28 | 2014-02-18 | General Electric Company | Iterative reconstruction |
| CN105518477B (zh) | 2013-09-05 | 2019-08-20 | 皇家飞利浦有限公司 | 使用空间自适应正则化以用于图像重建的mri |
| CN105593905B (zh) | 2013-09-30 | 2019-07-23 | 皇家飞利浦有限公司 | 针对完全3d迭代ct重建中的图像质量优化用于对正则化参数的局部调节的方法 |
| US9911208B2 (en) * | 2016-04-11 | 2018-03-06 | Toshiba Medical Systems Corporation | Apparatus and method of iterative image reconstruction using regularization-parameter control |
-
2017
- 2017-12-12 US US16/468,968 patent/US11961166B2/en active Active
- 2017-12-12 CN CN201780077677.7A patent/CN110073413B/zh active Active
- 2017-12-12 EP EP17821521.6A patent/EP3555859B1/en active Active
- 2017-12-12 WO PCT/EP2017/082298 patent/WO2018108848A1/en unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140126794A1 (en) * | 2012-11-02 | 2014-05-08 | General Electric Company | Systems and methods for partial volume correction in pet penalized-likelihood image reconstruction |
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| HUTTON B F 等: "《QUANTITATIVE ANALYSIS IN NUCLEAR MEDICINE IMAGING》", 1 January 2006 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899188A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
| CN111899188B (zh) * | 2020-07-08 | 2022-06-07 | 西北工业大学 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
| CN112365593A (zh) * | 2020-11-12 | 2021-02-12 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和*** |
| CN112365593B (zh) * | 2020-11-12 | 2024-03-29 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| US20190355158A1 (en) | 2019-11-21 |
| EP3555859A1 (en) | 2019-10-23 |
| CN110073413B (zh) | 2023-09-08 |
| US11961166B2 (en) | 2024-04-16 |
| EP3555859B1 (en) | 2021-11-03 |
| WO2018108848A1 (en) | 2018-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110073413A (zh) | 用于迭代图像重建的信息自适应正则化 | |
| EP2174294B1 (en) | Motion correction in nuclear imaging | |
| Mehranian et al. | PET image reconstruction using multi-parametric anato-functional priors | |
| Rahmim et al. | Resolution modeling in PET imaging: theory, practice, benefits, and pitfalls | |
| EP2156408B1 (en) | Pet local tomography | |
| US20100284596A1 (en) | System and methods for fast implementation of equally-sloped tomography | |
| US11069098B2 (en) | Interactive targeted ultrafast reconstruction in emission and transmission tomography | |
| Xu et al. | Joint solution for PET image segmentation, denoising, and partial volume correction | |
| Naqa et al. | Deblurring of breathing motion artifacts in thoracic PET images by deconvolution methods | |
| JP2019524356A (ja) | 異なる反復から抽出された特徴画像を使用する特徴ベースの画像処理 | |
| Niu et al. | Iterative reconstruction for sparse-view x-ray CT using alpha-divergence constrained total generalized variation minimization | |
| Tiwari et al. | Computed tomography reconstruction on distributed storage using hybrid regularization approach | |
| Kim et al. | An effective post-filtering framework for 3-D PET image denoising based on noise and sensitivity characteristics | |
| Cruz‐Bastida et al. | Impact of noise reduction schemes on quantitative accuracy of CT numbers | |
| Rahmim et al. | System matrix modelling of externally tracked motion | |
| Bruyant et al. | Numerical observer study of MAP-OSEM regularization methods with anatomical priors for lesion detection in/sup 67/Ga images | |
| Chávez-Rivera et al. | ML-EM reconstruction model including total variation for low dose PET high resolution data | |
| Gomez‐Cardona et al. | Low‐dose cone‐beam CT via raw counts domain low‐signal correction schemes: Performance assessment and task‐based parameter optimization (Part II. Task‐based parameter optimization) | |
| Al-Hinnawi et al. | Assessment of bilateral filter on 1/2-dose chest-pelvis CT views | |
| Yu et al. | Comparison of pre-and post-reconstruction denoising approaches in positron emission tomography | |
| Kalantari et al. | Attenuation correction in 4D‐PET using a single‐phase attenuation map and rigidity‐adaptive deformable registration | |
| Das et al. | A review on preprocessing techniques for noise reduction in PET-CT images for lung cancer | |
| Rapisarda et al. | Optimized Bayes variational regularization prior for 3D PET images | |
| Bai et al. | PET image reconstruction: methodology and quantitative accuracy | |
| Martins et al. | A direct time-of-flight reconstruction for whole-body single-bed RPC-PET: Results from lesion and anthropomorphic simulated data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |