CN110689592B - 确定检查体积的差分图像数据组 - Google Patents
确定检查体积的差分图像数据组 Download PDFInfo
- Publication number
- CN110689592B CN110689592B CN201910610360.6A CN201910610360A CN110689592B CN 110689592 B CN110689592 B CN 110689592B CN 201910610360 A CN201910610360 A CN 201910610360A CN 110689592 B CN110689592 B CN 110689592B
- Authority
- CN
- China
- Prior art keywords
- image data
- dimensional
- data set
- training
- dds
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 claims abstract description 428
- 230000006870 function Effects 0.000 claims description 241
- 238000000034 method Methods 0.000 claims description 134
- 101000651310 Desulfitobacterium hafniense (strain Y51) Trigger factor 2 Proteins 0.000 claims description 44
- 239000002872 contrast media Substances 0.000 claims description 41
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000012546 transfer Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000002792 vascular Effects 0.000 claims description 13
- 238000002583 angiography Methods 0.000 claims description 11
- 210000004204 blood vessel Anatomy 0.000 description 42
- 238000004590 computer program Methods 0.000 description 20
- 230000011218 segmentation Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000002123 temporal effect Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000006227 byproduct Substances 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 230000003936 working memory 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T2207/20076—Probabilistic 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/404—Angiography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于确定检查体积的三维差分图像数据组的解决方案。在此,借助于接口接收涉及检查体积的二维真实图像数据组,其中所述二维真实图像数据组中的每个二维真实图像数据组包括检查体积关于投影方向的二维X射线投影。此外,基于二维真实图像数据组并且基于第一训练函数借助于计算单元来确定第一差分图像数据组。在此,第一差分图像数据组至少是二维的的、尤其至少是三维的,尤其地,第一差分图像数据组是三维的或四维的。通过基于二维真实图像数据组并且基于训练函数来确定第一差分图像数据组,能够放弃检查体积的蒙片记录,进而减小检查体积的X射线负荷。
Description
背景技术
在数字减影血管造影术(简称DSA)中,通过X射线图像示出检查体积中的一个或多个血管,其中为了抑制检查体积中的其他结构,将不具有造影剂的血管的记录(所谓的蒙片记录)与包括处于血管中的造影剂的血管的记录组合。在此,在检查期间将造影剂引入到血管中,以便确定参数、尤其流体的流体动力学的参数,其中流体在血管中流动。
在四维DSA中,借助于图像重建法提供三维DSA图像数据的时间分辨的序列。在此,将检查体积的归一化的二维X射线投影与时间信息一起反向投影到体积元件中。在此,二维X射线投影通常来源于C臂X射线机的旋转的记录报告。
通过对于数字减影血管造影术不仅记录不具有造影剂的血管的记录、而且记录包括造影剂的血管的记录,检查体积经受高的X射线负荷。不具有造影剂的血管的记录也被称为蒙片记录。
下面,图像数据组在如下情况下可以称作为真实图像数据组:所述图像数据组描绘检查体积中的值和/或强度(例如亨氏单位、X射线衰减系数)的实际分布。图像数据组在如下情况下可以称作为差分图像数据组:所述图像数据组描绘检查体积中的值和/或强度的实际分布的差。但是,差分图像数据组不一定通过两个真实图像数据组相减来确定。图像数据组在如下情况下可以称作为减影图像数据组:所述图像数据组通过两个图像数据组相减、尤其通过两个真实图像数据组相减来确定。因此,尤其每个减影图像数据组可以理解为差分图像数据组,但是并非每个差分图像数据组可以理解为减影图像数据组。
发明内容
因此,本发明的目的是,提供一种解决方案,提供不具有蒙片记录的差分图像数据组,进而减小检查体积的射线负荷。
所述目的通过一种用于确定第一差分图像数据组的方法,通过一种确定***,通过一种X射线单元,通过一种用于调整训练函数的方法,通过一种训练***,通过一种计算机程序产品并且通过一种计算机可读的存储介质来实现。方法尤其可以为计算机实施的方法。有利的改进方案在下面的描述中说明。
以下,所述目的的根据本发明的解决方案不仅关于所要求保护的设备、而且也关于所要求保护的方法描述。在此,提及的特征、优点或替选的实施方式同样也转用于其他要求保护的主题,并且反之亦然。换言之,实体方面的权利要求(所述权利要求例如针对设备)也可以借助结合方法描述或要求保护的特征改进。在此,所述方法的相应的功能性的特征通过相应的实体模块构成。
此外,所述目的的根据本发明的解决方案不仅关于用于确定差分图像数据组的方法和设备、而且也关于用于调整训练函数的方法和设备描述。在此,在用于确定的方法和设备中的数据结构和/或功能的特征和替选的实施方式能够转用于在用于调整的方法和设备中的类似的数据结构和/或功能。在此,类似的数据结构的特征尤其可以在于使用前缀“训练”。此外,在用于确定差分图像数据组的方法和设备中使用的训练函数尤其可以通过用于调整训练函数的方法和设备来调整和/或提供。
本发明基于:借助于接口接收涉及检查体积的二维真实图像数据组,其中每个二维真实图像数据组包括检查体积关于投影方向的二维X射线投影。此外,基于二维真实图像数据组并且基于第一训练函数借助于计算单元来确定第一差分图像数据组。在此,第一差分图像数据组是至少二维的,第一差分图像数据组尤其是至少三维的,第一差分图像数据组尤其是三维的或四维的。
在此,检查体积可以包括至少一个血管,其中血管可以包括造影剂,并且其中造影剂的空间密度或空间分布在不同的二维X射线投影中可以不同。涉及检查体积的二维X射线投影尤其可以是检查体积的二维X射线投影。二维X射线投影尤其可以与记录时刻相关联,所述记录时刻对应于记录二维X射线投影的时刻。二维X射线投影尤其是空间二维的。
二维真实图像数据组尤其可以包括第一二维真实图像数据组和第二二维真实图像数据组,其中第一二维真实图像数据组包括检查体积关于第一投影方向的第一X射线投影,其中第二二维真实图像数据组包括检查体积关于第二投影方向的第二X射线投影,其中第二投影方向与第一投影方向不同。二维真实图像数据组因此尤其可以包括关于第一投影方向的第一X射线投影和关于第二投影方向的第二X射线投影,其中第一投影方向与第二投影方向不同。二维真实图像数据组尤其可以包括关于成对不同的投影方向的X射线投影。二维真实图像数据组的X射线投影的所有投影方向尤其展开共同的平面。每个二维真实图像数据组尤其描绘检查体积中的值和/或强度(例如亨氏单位、X射线衰减系数)的实际分布。
训练函数将输入数据映射到输出数据上。在此此外,输出数据尤其与训练函数的一个或多个参数相关。通过训练可以确定和/或调整训练函数的一个或多个参数。训练函数的一个或多个参数的确定和/或调整尤其可以基于由训练输入数据和所属的训练输出数据构成的对,其中将用于产生训练映射数据的训练函数应用到训练输入数据上。确定和/或调整尤其可以基于训练映射数据与训练输出数据的比较。一般地,可训练的函数、也就是说具有还未调整的一个或多个参数的函数也被称为训练函数。
用于训练函数的其他术语是训练映射规则、具有训练参数的映射规则、具有训练参数的函数、基于人工智能的算法、机器学习的算法。训练函数的一个示例是人工神经网络,其中人工神经网络的边权对应于训练函数的参数。替代术语“神经网络”,也可以使用术语“神经网”。训练函数尤其也可以是深度人工神经网络(英文专业术语是“deep neuralnetwork”或“deep artificial neural network”)。训练函数的另一示例是“支持矢量机(Support Vector Machine)”,此外,机器学习的其他算法尤其也可用作为训练函数。
当第一训练函数应用到输入数据上并且在此产生输出数据时,基于二维真实图像数据组并且基于第一训练函数借助于计算单元确定第一差分图像数据组,其中输入数据基于二维真实图像数据组,并且其中第一差分图像数据组基于输出数据组。输入数据尤其可以与二维真实图像数据组相同。在此,输出数据尤其可以与第一差分图像数据组相同。
二维X射线投影尤其是空间二维的。三维的第一差分图像数据组尤其也可以称作为“三维第一差分图像数据组”。四维的第一差分图像数据组尤其也可以称作为“四维第一差分图像数据组”。三维第一差分图像数据组尤其是空间三维的。四维第一差分图像数据组和/或四维第二差分图像数据组尤其关于三个空间方向(其他词语是“空间维度”、“空间上的维度”或“空间上的基本矢量”)和关于时间方向(其他词语是“时间维度”、“时间上的维度”或“时间上的基本矢量”)扩展。
第一差分图像数据组尤其描绘检查体积中的值和/或强度的实际分布的差。但是,尤其不通过两个真实图像数据组相减来确定第二差分图像数据组。尤其地,在第一差分图像数据组中,抑制或不包含或不显示在检查区域中在血管之外的其他结构。尤其地,在第一差分图像数据组中也可以不包括和/或抑制血管的边缘。第一差分图像数据组尤其可以仅显示造影剂或造影剂浓度,因为(除了伪影之外)在检查体积中仅造影剂浓度是可变的。
发明人已经认识到,当基于二维真实图像数据组并且基于训练函数确定第一差分图像数据组时,能够放弃蒙片记录从而放弃检查体积的附加的X射线负荷。因此,包括检查体积的患者尤其经受更小的X射线负荷。用于“X射线负荷”的另一词语是“射线剂量”。
根据本发明的另一方面,第一差分图像数据组是三维的,此外所述方法包括基于二维真实图像数据组借助于计算单元重建三维真实图像数据组。此外,确定三维第一差分图像数据组包括借助于计算单元将第一训练函数应用到三维真实图像数据组上。
因此,确定第一差分图像数据组尤其基于第一训练函数,其方式为:确定第一差分图像数据组包括将第一训练函数应用到三维真实图像数据组上。因此,本发明的所述方面尤其涉及一种用于确定检查体积的第一差分图像数据组的方法,其中第一差分图像数据组是三维的,所述方法具有:
-借助于接口接收涉及检查体积的二维真实图像数据组,其中二维真实图像数据组中的每个二维真实图像数据组包括检查体积关于投影方向的二维X射线投影,
-基于二维真实图像数据组借助于计算单元重建三维真实图像数据组,
-基于二维真实图像数据组借助于计算单元确定第一差分图像数据组,其中确定包括将第一训练函数应用到三维真实图像数据组上。
三维真实图像数据组尤其描绘检查体积中的值和/或强度(例如亨氏单位、X射线衰减系数)的实际分布。在此,值和/或强度的实际分布尤其是三维的实际分布。
通过如下方式尤其可以将第一训练函数应用到三维真实图像数据组上:第一训练函数的输入数据包括三维真实图像数据组或与三维真实图像数据组相同。第一训练函数尤其可以是将三维图像数据组映射成三维图像数据组的函数。
发明人已经认识到,三维真实图像数据组是用于训练函数的特别合适的输入值,因为所述三维真实图像数据组以几何有序的方式并且在不具有不必要的冗余的情况下包括在二维真实图像数据组的X射线投影中包括的关于检查体积的所有信息。因此,能够特别有效地确定第一差分图像数据组。
根据本发明的另一方面,此外所述方法包括:通过借助于计算单元将第一训练函数应用到三维真实图像数据组上,确定三维概率数据组,并且确定三维第一差分图像数据组包括借助于计算单元将三维概率数据组与三维真实图像数据组逐像素地相乘。
在此,三维概率数据组尤其将概率值分配给三维真实图像数据组的一个或多个体像素。三维概率值尤其可以将概率值分配给三维真实图像数据组的所有体像素,在这种情况下,三维概率数据组可以理解为三维概率图像数据组。概率值尤其是大于等于0并且小于等于1的数字。与体像素相关联的概率值尤其可以涉及如下概率:体像素包含在处于检查体积中的血管的绘图中。替选地,与体像素相关联的概率值尤其可以涉及如下概率:体像素不包含在处于检查体积中的血管的绘图中。
概率值尤其也可以是二进制的,也就是说要么具有值0要么具有值1。在这种情况下,概率图像数据组也可以理解为血管在三维真实图像数据组中的分割。
如果三维第一差分图像数据组是三维概率数据组与三维真实图像数据组相乘的结果和或基于三维概率数据组与三维真实图像数据组相乘的结果,确定三维第一差分图像数据组尤其可以包括三维概率数据组与三维真实图像数据组相乘。三维概率数据组与三维真实图像数据组相乘尤其可以是逐像素相乘。
发明人已经认识到,借助于将第一训练函数应用到三维真实图像数据组上能够特别简单地确定如下内容的概率值:确定的体像素对应于包含在检查体积中的血管。在此,在其他意义上为图像处理,其中已知方式的训练函数能够实现好的结果。通过三维概率数据组与三维真实图像数据组相乘,能够有效地产生三维第一差分图像数据组,因为具有低的概率值的图像区域的强度值通过相乘隐没,并且所述图像区域恰好对应于检查体积的不对应于包含在检查体积中的血管的区域。
根据本发明的另一方面,所述方法还包括借助于接口接收传递函数并且基于传递函数借助于计算单元修改三维概率数据组。
传递函数尤其是将概率值映射成概率值的函数。因此,传递函数尤其是将区间[0;1]映射到区间[0;1]上的函数。传递函数T尤其可以是单调递增函数,也就是说,对于x<y,T(x)≤T(y),传递函数T尤其也可以是严格单调递增函数,也就是说,对于x<y,T(x)<T(y)。有利地,传递函数是连续的和/或可微分的函数。有利地,关系T(0)=0和T(1)=1适用于传递函数T。
传递函数尤其可以通过用户借助于输入接口确定。
替选地,传递函数也可以例如基于三维真实图像数据组的类型、基于用于二维真实图像数据组的记录参数、基于检查体积在患者体内的位置和/或基于包含在检查体积中的血管,从多个可用的传递函数中选择。
修改三维概率数据组尤其可以包括将传递函数应用到三维概率数据组的每个概率值上。对于三维概率数据组的每个概率值尤其通过如下方式确定修改的概率值:传递函数应用到概率值上,并且修改的三维概率数据组尤其包括修改的概率值。
发明人已经认识到,通过应用合适的传递函数能够增强或减弱对应于本底的图像结构或图像结构的强度。如果例如将T(x)=xγ用作为传递函数,则对于0<γ<1,增强对应于本底的图像结构,并且对于γ>1,减弱对应于本底的图像结构。
根据本发明的另一方面,所述方法还包括分别尤其借助于计算单元,基于三维第一差分图像数据组和/或三维真实图像数据组确定二维血管图像数据组和/或二维本底图像数据组,以及基于二维血管图像数据组和/或二维本底图像数据组确定二维修改图像数据组。确定二维修改图像数据组尤其也可以基于二维真实图像数据组。
在此,二维血管图像数据组尤其在不具有本底的情况下描绘检查体积中的血管,并且因此尤其对应于检查体积的二维差分图像数据组。此外在此,二维本底图像数据组在不具有血管的情况下描绘检查体积。
发明人已经认识到,在继续计算中使用二维修改图像数据组引起更少的图像伪影。这是所述情况,因为基于三维图像数据组确定二维血管图像数据组和/或二维本底图像数据组,并且因此能够避免或解决关于确定的投影方向的叠加。
根据本发明的另一可能的方面,所述方法还包括基于三维第一差分图像数据组和/或三维真实图像数据组确定二维血管图像数据组和/或二维本底图像数据组,以及通过将训练函数应用到输入数据上确定三维或四维第二差分图像数据组,其中输入数据包括二维血管图像数据组和/或二维本底图像数据组。输入数据可以可选地还包括二维真实图像数据组。
发明人已经认识到,通过在计算三维或四维第二差分图像数据组时使用二维血管图像数据组和/或二维本底图像数据组引起更少的图像伪影。这是所述情况,因为基于三维图像数据组确定二维血管图像数据组和/或二维本底图像数据组,并且因此能够避免或解决关于确定的投影方向的叠加。
根据本发明的另一方面,通过正向投影三维第一差分图像数据组确定二维血管图像数据组,和/或通过正向投影三维真实图像数据组与三维第一差分图像数据组的差确定二维本底图像数据组。在此,正向投影尤其包括将投影算子应用到三维图像数据组上。对于“正向投影”替选的概念是“投影”。
尤其对于二维真实图像数据组中的每个二维真实图像数据组确定二维血管图像数据组和/或二维本底图像数据组,其中正向投影关于二维真实图像数据组的投影方向进行。尤其对于二维真实图像数据组中的每个二维真实图像数据组确定二维修改图像数据组,其中二维修改图像数据组基于二维真实图像数据组以及二维血管图像数据组和/或二维本底图像数据组。
发明人已经认识到,正向投影能够特别好地且有效地反映投影几何形状。通过二维血管图像数据组基于三维第一差分图像数据组的正向投影,尤其能够确保,二维血管图像数据组仅描绘血管和尽可能少的本底。通过二维本底图像数据组基于三维真实图像数据组与三维第一差分图像数据组的差的正向投影,尤其能够确保,二维本底图像数据组仅描绘本底和尽可能少的血管。
根据本发明的另一方面,所述方法还包括基于二维修改图像数据组和三维第一差分图像数据组确定四维第二差分图像数据组。在此,尤其借助于计算单元进行确定。
在此,在此可以通过将二维修改图像数据组反向投影成三维第一差分图像数据组来确定四维第二差分图像数据组。由此产生的三维差分图像数据组对应于不同的时刻并且以时间设置的方式得出四维第二差分图像数据组。在上文中描述的和/或在下文中描述的不同的有利的实施方案中,确定四维第二差分图像数据组尤其也可以包括应用训练函数。
发明人已经认识到,基于二维修改图像数据组能够确定具有特别高的质量、尤其特别少的伪影的四维第二差分图像数据组。
根据本发明的另一方面,第一差分图像数据组是三维的,所述方法还包括通过借助于计算单元将第一训练函数应用到二维真实图像数据组上来确定二维差分图像数据组,其中确定三维第一差分图像数据组包括基于二维差分图像数据组进行重建。
确定第一差分图像数据组因此尤其通过如下方式基于二维真实图像数据组和第一训练函数:确定第一差分图像数据组包括基于二维差分图像数据组重建三维第一差分图像数据组,并且二维差分图像数据组在其方面基于二维真实图像数据组和第一训练函数。本发明的所述方面因此尤其涉及用于确定检查体积的第一差分图像数据组的方法,其中第一差分图像数据组是三维的,所述方法包括:
-借助于接口接收涉及检查体积的二维真实图像数据组,其中二维真实图像数据组中的每个二维真实图像数据组包括检查体积关于投影方向的二维X射线投影,
-通过借助于计算单元将第一训练函数应用到二维真实图像数据组上确定二维差分图像数据组,
-借助于计算单元确定第一差分图像数据组,其中确定第一差分图像数据组包括基于二维差分图像数据组进行重建。
尤其地,如果对于确定二维差分图像数据组中的每个二维差分图像数据组将第一训练函数应用到二维真实图像数据组中的恰好一个二维真实图像数据组上,通过将第二训练函数应用到二维真实图像数据组上确定二维差分图像数据组。尤其地,如果第一训练函数的输入数据与二维真实图像数据组相同,将第一训练函数应用到二维真实图像数据组上。因此,这种应用的输出数据尤其可以与二维减影数据组相同。第一训练函数尤其是将二维图像数据组映射成二维图像数据组的函数。
二维差分图像数据组尤其描绘检查体积中的值和/或强度的实际分布的差。但是,尤其不通过两个真实图像数据组相减来确定二维差分图像数据组。在二维差分图像数据组中,尤其可以抑制或不包括或不显示在检查区域中在血管之外的其他结构。在二维差分图像数据组中尤其也可以不包括和/或抑制血管的边缘。二维差分图像数据组尤其可以仅显示造影剂或造影剂浓度,因为(除了伪影之外)在检查体积中,仅造影剂浓度是可变的。
发明人已经认识到,通过确定二维差分图像数据组可以反向投影所述二维差分图像数据组,进而例如通过乘积反向投影可以特别精确地确定更高维度的差分图像数据组。
根据本发明的另一方面,第一差分图像数据组是四维的。在所述方面中,通过将第一训练函数应用到二维真实图像数据组上来确定四维第一差分图像数据组。
四维差分图像数据组尤其包括多个三维图像数据组(尤其三维差分图像数据组),其中四维差分图像数据组尤其对于二维真实图像数据组中的每个二维真实图像数据组和/或二维差分图像数据组中的每个二维差分图像数据组包括三维图像数据组,或其中四维差分图像数据组尤其对于二维真实图像数据组的一个子集的每个二维真实图像数据组和/或对于二维差分图像数据组的一个子集的每个二维差分图像数据组包括三维图像数据组。四维差分图像数据组的三维图像数据组中的每个三维图像数据组尤其可以与时间信息相关联。尤其当二维真实图像数据组中的每个二维真实图像数据组和/或二维差分图像数据组中的每个二维差分图像数据组包括时间信息时,三维图像数据组的每个时间信息可以对应于二维真实图像数据组的和/或二维差分图像数据组中的每个二维差分图像数据组的时间信息。四维差分图像数据组尤其可以关于三个空间维度和时间维度扩展,在四维差分图像数据组中包含的三维图像数据组尤其关于三个空间维度扩展。四维差分图像数据组尤其可以显示在检查体积中的血管中的造影剂的浓度的时间发展。
在这种情况下,第一训练函数尤其是将多个二维图像数据组映射成四维图像数据组的函数。第一训练函数尤其还可以包括投影方向和记录二维图像数据组的时刻作为另外的输入值。尤其,在这种情况下,第一函数的输入数据包括二维真实图像数据组,并且第一函数的输出数据包括四维第一差分图像数据组。
发明人已经认识到,在这样确定四维第一差分图像数据组时,可以省去计算中的其他的中间步骤,例如重建。所有中间步骤已经在第一训练函数中包含。由此,能够特别有效地且快速地进行四维第一差分图像数据组的确定。
根据本发明的另一可能的方面,所述方法还包括借助于计算单元基于三维第一差分图像数据组和二维真实图像数据组、或基于三维第一差分图像数据组和二维差分图像数据组确定四维第二差分图像数据组。
在此,四维第二差分图像数据组尤其可以具有四维第一差分图像数据组的所有有利的构成方案和改进方案。
发明人已经认识到,基于三维差分图像数据组可以产生四维第二差分图像数据组,而不必执行用于记录蒙片记录的附加的蒙片过程。由此,能够降低用于产生四维差分图像数据组的射线负荷。
根据本发明的另一方面,所述方法还包括通过将第二训练函数应用到输入数据上确定第二差分图像数据组。在此,输入数据基于二维真实图像数据组、二维差分图像数据组和/或基于三维第一差分图像数据组,在此此外第二差分图像数据组是四维的。
第二训练函数的输入数据尤其可以基于二维真实图像数据组和三维第一差分图像数据组,或与二维真实图像数据组和三维第一差分图像数据组相同。第二训练函数的输入数据尤其可以基于二维差分图像数据组和三维第一差分图像数据组,或与二维差分图像数据组和三维第一差分图像数据组相同。
发明人已经认识到,通过应用第二训练函数能够产生四维第二差分图像数据组,而不必执行用于记录蒙片记录的附加的蒙片过程。由此,能够降低用于产生四维差分图像数据组的射线负荷。此外,通过使用第二训练函数,与例如通过使用反向投影相比,能够更精确地和更不受错误影响地确定四维差分图像数据组。在此,尤其能够补偿在确定三维差分图像数据组时的不精确性,此外,在确定四维差分图像数据组时可以考虑三维差分图像数据组的所有结构。
根据本发明的另一可能的方面,所述方法包括通过借助于计算单元对三维第一差分图像数据组分割来确定所分割的三维第一差分图像数据组。尤其地,通过使用合适的传递函数来执行分割。此外,确定四维第二差分图像数据组包括将二维真实图像数据组或二维差分图像数据组反向投影到所分割的三维第一差分图像数据组上。
在对三维第一差分图像数据组进行分割时,将三维第一差分图像数据组分割成或划分成至少两个部分,其中第一部分包括在检查体积中包含的至少一个血管以及血管的内部,并且第二部分包括检查体积的其他组成部分。所分割的三维第一差分图像数据组的部分尤其可以是不相交的,尤其通过分割也可以将三维第一差分图像数据组的每个像素分配给恰好一个部分。尤其可以分割成恰好两个部分。第一部分也可以包括在检查体积中包含的多个血管以及血管的内部。
反向投影是如下方法:从三维的检查体积的一个或多个二维投影中求取涉及三维检查体积的数据。涉及三维的检查体积的数据尤其可以为吸收系数或亨氏单位。因为二维投影与三维的检查体积相比包括更少的信息,所以可以为反向投影使用其他信息,例如检查体积的分割。
发明人已经认识到,通过反向投影使用和分割能够特别有效地计算四维第二差分图像数据组,在此尤其不需要的是,对于所述步骤获取或使用训练数据。
根据本发明的另一方面,第一训练函数和/或第二训练函数基于神经网络。换言之,第一训练函数基于第一神经网络,和/或第二训练函数基于第二神经网络。一般地,在此第一神经网络和第二神经网络不相同。训练函数尤其可以通过如下方式基于神经网络:训练函数与神经网络相同或训练函数包括神经网络。
发明人已经认识到,神经网络特别好地适合于图像处理、尤其适合于分割。由此,第一训练函数和/或第二训练函数特别好地适合于确定三维差分图像数据组。
根据本发明的另一方面,神经网络包括卷积层和/或反卷积层。第一神经网络尤其包括卷积层和/或反卷积层。第二神经网络尤其包括卷积层和/或反卷积层。神经网络尤其可以包括采样层(英文专业术语是“polling layer”)。第一神经网络和/或第二神经网络尤其可以包括采样层。神经网络尤其可以是卷积神经网络(英文专业术语是“convolutionalneural network”)。神经网络尤其可以是深度卷积网络(英文专业概念是“deepconvolutional neural network”)。
发明人已经认识到,通过使用卷积层和/或反卷积层将神经网络特别有效地用于图像处理,因为尽管在节点层之间存在多个连接,然而通过训练仅必须确定少量的边权(即对应于卷积核心的值的边权)。借此,在相同数量的训练数据的情况下,也能够改进神经网络的精确性。
此外,本发明涉及一种用于确定检查体积的二维差分图像数据组的方法,所述方法包括借助于接口接收涉及检查体积的二维真实图像数据组,其中二维真实图像数据组包括检查体积关于投影方向的二维X射线投影,此外,所述方法包括通过借助于计算单元将第一训练函数应用到二维真实图像数据组上确定二维差分图像数据组。
发明人已经认识到,借助于第一训练函数能够确定二维差分图像数据组,而检查体积不用经受通过蒙片记录造成的附加的辐射负荷。用于确定二维差分图像数据组的方法尤其也可以是用于确定第一差分图像数据组的方法的一部分,其中第一差分图像数据组是至少三维的,尤其是三维的或四维的。
此外,本发明涉及一种用于调整第一训练函数的方法。用于调整第一训练函数的方法基于,借助于接口接收第一训练函数。此外,借助于接口接收检查体积的第一二维训练图像数据组和第二二维训练图像数据组。在此,第一二维训练图像数据组中的每个第一二维训练图像数据组包括检查体积关于投影方向的第一二维X射线投影,其中在记录第一二维X射线投影期间,检查体积不包括X射线造影剂。此外,在此第二二维训练图像数据组中的每个第二二维训练图像数据组包括检查体积关于投影方向的第二二维X射线投影,其中在记录第二二维X射线投影期间,检查体积包括X射线造影剂。此外,用于调整第一训练函数的方法基于,通过数字减影血管造影术基于第一和第二二维训练图像数据组借助于计算单元确定第一训练差分图像数据组。此外,用于调整第一训练函数的方法基于,基于第二二维训练图像数据组并且基于第一训练函数借助于计算单元确定第二训练差分图像数据组。此外,用于调整第一训练函数的方法基于,基于第一三维训练差分图像数据组与第二三维训练差分图像数据组的比较借助于计算单元调整训练函数。第一训练函数尤其可以涉及用于确定差分图像数据组的方法的第一训练函数。此外,用于调整第一训练函数的方法可以包括借助于接口提供第一训练函数。
下面,图像数据组在如下情况下可以称为真实图像数据组:所述图像数据组描绘检查体积中的值和/或强度(例如亨氏单位、X射线衰减系数)的实际分布。图像数据组在如下情况下可以称为差分图像数据组:所述图像数据组描绘检查体积中的值和/或强度的实际分布的差。但是,差分图像数据组不一定通过两个真实图像数据组相减确定。图像数据组在如下情况下可以称为减影图像数据组:所述图像数据组通过两个图像数据组相减、尤其通过两个真实图像数据组相减确定。因此,尤其每个减影图像数据组可以理解为差分图像数据组,但是并非每个差分图像数据组可以理解为减影图像数据组。
尤其地,第一二维训练图像数据组中的每个第一二维训练图像数据组为尤其描绘检查体积中的值和/或强度的实际分布的差的二维真实图像数据组。此外尤其地,第二二维训练图像数据组中的每个第二二维训练图像数据组为尤其描绘检查体积中的值和/或强度的实际分布的差的二维真实图像数据组。
尤其地,第一训练差分图像数据组为尤其描绘检查体积中的值和/或强度的实际分布的差的差分图像数据组。尤其地,第一训练差分图像数据组为通过两个图像数据组相减、尤其通过两个真实图像数据组确定的减影图像数据组。第一训练差分图像数据组尤其是至少三维的,第一训练差分图像数据组尤其是三维的或四维的。
此外尤其地,第二训练差分图像数据组为尤其描绘检查体积中的值和/或强度的实际分布的差的差分图像数据组,但是第二训练差分图像数据组不为减影图像数据组。第二训练差分图像数据组尤其是至少三维的,尤其地,第二训练差分图像数据组是三维的或四维的。
第一训练差分图像数据组的维度尤其与第二训练差分图像数据组的维数相一致。第一训练差分图像数据组的扩展尤其与第二训练差分图像数据组关于每个方向或每个维度的扩展相一致。
发明人已经认识到,通过将数字减影血管造影术应用到具有和不具有造影剂的图像数据组上确定如下差分图像数据组,所述差分图像数据组能够与基于第一训练函数的结果进行比较。由此,能够将已经执行的数字减影血管造影术的已经存在的数据用于第一训练函数的训练。由此,因此不需要的是,独立地记载训练数据,尤其因此不需要的是,为了生成训练数据使附加的人员经受射线负荷,或使患者经受另外的射线负荷。
此外,本发明可以涉及一种用于调整第二训练函数的方法,其中所述方法包括以下步骤:
-借助于接口接收第二训练函数,
-借助于接口接收检查体积的三维训练差分图像数据组和检查体积的二维训练图像数据组,其中二维训练图像数据组对应于二维真实图像数据组或二维差分图像数据组,
-通过反向投影基于三维训练差分图像数据组和二维训练图像数据组借助于计算单元确定第一四维训练差分图像数据组,
-通过借助于计算单元将第二训练函数应用到三维训练差分图像数据组和二维训练图像数据组上确定第二四维训练差分图像数据组,
-基于借助于计算单元对第一四维训练差分图像数据组与第二四维训练差分图像数据组进行比较调整第二训练函数,
-借助于接口可选地提供第二训练函数。
第二训练函数尤其可以为用于确定差分图像数据组的方法的第二训练函数。
发明人已经认识到,通过所述方法能够特别有效地训练第二函数,并且可以基于三维第一差分图像数据组将这种训练函数特别有效地用于确定四维第二差分图像数据组。
此外,本发明涉及一种用于确定检查体积的差分图像数据组的确定***,所述确定***包括:
-接口,所述接口构造用于接收涉及检查体积的二维真实图像数据组,其中二维真实图像数据组中的每个二维真实图像数据组包括检查体积关于投影方向的二维X射线投影,
-计算单元,所述计算单元构造用于基于二维真实图像数据组并且基于训练函数确定差分图像数据组,其中第一差分图像数据组是至少二维的,尤其至少三维的。
这种确定***尤其可以构造用于实施前述根据本发明的用于确定差分图像数据组的方法及其方面。确定***构造用于通过如下方式实施所述方法及其方面:接口和计算单元构造用于实施相应的方法步骤。
此外,本发明涉及一种包括根据本发明的确定***的X射线单元。X射线单元尤其可以包括X射线源和/或X射线探测器。X射线单元尤其可以涉及C臂X射线设备。
此外,本发明可以涉及一种用于确定检查体积的二维差分图像数据组的确定***,所述确定***包括:
-接口,所述接口构造用于接收涉及检查体积的二维真实图像数据组,其中二维真实图像数据组包括检查体积关于投影方向的二维X射线投影,
-计算单元,所述计算单元构造用于通过将第一训练函数应用到二维真实图像数据组上确定二维差分图像数据组。
此外,本发明涉及一种用于调整第一训练函数的训练***,所述训练***包括:
-接口,所述接口构造用于接收第一训练函数,
此外,所述接口构造用于接收检查体积的第一二维训练图像数据组和第二二维训练图像数据组,其中第一二维训练图像数据组中的每个第一二维训练图像数据组包括检查体积关于投影方向的二维X射线投影,其中在记录第一二维X射线投影期间,检查体积不包括X射线造影剂,其中第二二维训练图像数据组中的每个第二二维训练图像数据组包括检查体积关于投影方向的第二二维X射线投影,其中在记录第二X射线投影期间,检查体积包括X射线造影剂,
-计算单元,所述计算单元构造用于通过数字减影血管造影术基于第一和第二二维训练图像数据组确定第一训练差分图像数据组,
此外,所述计算单元构造用于基于第二二维训练图像数据组并且基于第一训练函数确定第二训练差分图像数据组,
此外,所述计算单元构造用于基于第一训练差分图像数据组与第二训练差分图像数据组的比较调整第一训练函数
这种训练***尤其可以构造用于,实施前述根据本发明的用于调整训练函数的方法及其方面。训练***构造用于通过如下方式实施所述方法及其方面:接口和计算单元构造用于实施相应的方法步骤。
此外,本发明可以涉及一种用于调整第二训练函数的训练***,所述训练***包括:
-接口,所述接口构造用于接收第二训练函数,
此外,所述接口构造用于接收检查体积的三维训练差分图像数据组和检查体积的二维训练图像数据组,其中二维训练图像数据组对应于二维真实图像数据组或二维差分图像数据组,
此外,接口可选地构造用于提供第二训练函数,
-计算单元,所述计算单元构造用于通过反向投影基于三维训练差分图像数据组和二维训练图像数据组确定第一四维训练差分图像数据组,
此外,所述计算单元构造用于通过将第二训练函数应用到三维训练差分图像数据组和二维训练图像数据组上确定第二四维训练差分图像数据组,此外,所述计算单元构造用于基于第一四维训练差分图像数据组与第二四维训练差分图像数据组的比较调整第二训练函数。
本发明还涉及一种具有计算机程序的计算机程序产品以及计算机可读的介质。
本发明尤其涉及一种具有计算机程序的计算机程序产品,所述计算机程序可直接加载到确定***的和/或训练***的存储器中,所述计算机程序具有程序段,以便当由确定***和/或训练***运行程序段时,实施根据本发明所述的用于确定第一差分图像数据组的方法的所有步骤和/或实施根据本发明所述的用于确定二维差分图像数据组的方法的所有步骤和/或实施根据本发明所述的用于训练第一训练函数的方法的所有步骤。
本发明尤其可以也涉及一种具有计算机程序的计算机程序产品,所述计算机程序可直接加载到确定***的存储器中,所述计算机程序具有程序段,以便当由确定***运行程序部段时,实施根据本发明所述的用于确定第一差分图像数据组的方法的所有步骤。
本发明尤其也可以涉及一种具有计算机程序的计算机程序产品,所述计算机程序可直接加载到确定***的存储器中,所述计算机程序具有程序段,以便当由确定***运行程序段时,实施根据本发明所述的用于确定二维差分图像数据组的方法的所有步骤。
本发明尤其也可以涉及一种具有计算机程序的计算机程序产品,所述计算机程序可直接加载到训练***的存储器中,所述计算机程序具有程序段,以便当由训练***运行程序段时,实施根据本发明所述的用于训练第一训练函数的方法的所有步骤。
本发明尤其也可以涉及一种具有计算机程序的计算机程序产品,所述计算机程序可直接加载到训练***的存储器中,所述计算机程序具有程序段,以便当由训练***运行程序段时,实施用于训练第二训练函数的方法的所有步骤。
本发明尤其涉及一种计算机可读的存储介质,在所述存储介质上存储有由确定***和/或训练***可读的和可运行的程序段,以便当由确定***和/或训练***运行程序段时,实施根据本发明所述的用于确定第一差分图像数据组的方法的所有步骤和/或实施根据本发明所述的用于确定二维差分图像数据组的方法的所有步骤和/或实施根据本发明所述的用于训练第一训练函数的方法的所有步骤。
本发明尤其也可以涉及一种计算机可读的存储介质,在所述存储介质上存储有由确定***可读的和可运行的程序段,以便当由确定***运行程序段时,实施根据本发明所述的用于确定第一差分图像数据组的方法的所有步骤。
本发明尤其也可以涉及一种计算机可读的存储介质,在所述存储介质上存储有由确定***可读的和可运行的程序段,以便当由确定***运行程序段时,实施根据本发明所述的用于确定二维差分图像数据组的方法的所有步骤。
本发明尤其也可以涉及一种计算机可读的存储介质,在所述存储介质上存储有由训练***可读的和可运行的程序段,以便当由训练***运行程序段时,实施根据本发明所述的用于训练第一训练函数的方法的所有步骤。
本发明尤其也可以涉及一种计算机可读的存储介质,在所述存储介质上存储有由训练***可读的和可运行的程序段,以便当由训练***运行程序段时,实施用于训练第二训练函数的方法的所有步骤。
大规模软件的实现方案具有如下优点:也能够以简单的方式通过软件更新加装已经至今使用的确定***和/或训练***,以便以根据本发明的方式工作。除了计算机程序之外,这种计算机程序产品可能可以包括附加的组成部分,例如文件汇编和/或附加的部件,以及硬件部件,例如用于使用软件的硬件锁(软件狗等)。
X射线投影是检查体积借助于沿着投影方向的X射线的二维投影,所述二维投影尤其可以包括多个像素。在此,将X射线强度值分配给每个像素,所述X射线强度值是用于射在所述像素中的X射线强度的量值。照射的X射线强度与处于检查体积中的物体的数量、大小、形状以及材料相关。
二维真实图像数据组包括X射线投影,二维真实图像数据组尤其也可以包括其他数据,尤其涉及X射线投影的元数据(尤其记录X射线投影的时刻,X射线投影的投影方向,对于X射线投影使用的X射线电流或使用的X射线电压,所检查的患者的个人数据等)。二维真实图像数据组尤其也可以与X射线投影相同。
可以从检查体积的第一X射线投影和第二X射线投影中确定检查体积的二维差分图像数据组,其中记录关于相同的投影方向的第一X射线投影和第二X射线投影,并且其中在记录第一X射线投影的时刻已经在检查体积中呈现与在记录第二X射线投影的时刻不同的造影剂分布。可以从第一X射线投影与第二X射线投影的X射线强度的相减中,计算二维差分图像数据组。如此确定的二维差分图像数据组也可以确定为二维减影数据组。也可以借助于其他方法、例如通过应用训练函数确定二维差分图像数据组。
由分别关于不同的投影方向的多个二维真实图像数据组或多个二维差分图像数据组可以重建检查体积的三维图像数据组。尤其可以由多个二维真实图像数据组重建三维真实图像数据组。尤其可以由多个二维差分图像数据组重建三维差分图像数据组。三维真实图像数据组或三维差分图像数据组尤其可以包括多个体像素,所述体像素与X射线吸收或X射线强度相关联。X射线吸收可以以亨氏单位(英文专业术语是“Hounsfield-Unit”,简称“HU”)测量。
一般地,重建描述基于多个m维图像数据组确定n维图像数据组,其中m<n。在此,多个m维图像数据组尤其是应通过n维图像数据组描述的n维体积的投影。重建尤其可以描述基于多个二维图像数据组确定三维图像数据组。这种重建例如可以基于滤波反向投影(英文专业术语是“filtered back projection”),替选地本领域技术人员已知迭代的重建方法。
四维差分图像数据组可以包括多个三维体像素,所述体像素与时间信息相关联。等价地,四维差分图像数据组也可以通过如下方式描述:所述四维差分图像数据组包括多个三维差分图像数据组,其中三维差分图像数据组与时间信息相关联。时间信息可以理解为时间坐标,并且四维差分图像数据组可以理解为三维差分图像数据组的时间序列或影片。
反向投影是如下方法:所述方法从三维检查体积的一个或多个二维投影中求出涉及三维检查体积的数据。涉及三维检查体积的数据尤其可以为吸收系数或亨氏单位。因为与三维检查体积相比,二维投影包括更少的信息,所以可以将其他信息、例如检查体积或重建体积的分割用于反向投影。
附图说明
本发明的上述特性、特征和优点以及如何实现所述特性、特征和优点的方式和方法结合下面对实施例的描述变得可更清楚地并且更明确地理解,结合附图更详细地阐述所述实施例。通过所述描述,不将本发明限制于所述实施例。在不同的附图中,相同的部件设有相同的附图标记。附图通常不是符合比例的。附图示出:
图1示出具有血管的检查体积和三维差分图像数据组,
图2示出检查体积的二维真实图像数据组,
图3示出检查体积的二维差分图像数据组,
图4示意性地示出在根据本发明的方法中的不同数据组的相关性的第一实施例,
图5示意性地示出在根据本发明的方法中的不同数据组的相关性的第二实施例,
图6示出用于确定第一差分图像数据组的方法的一个实施例,
图7示出用于确定第一差分图像数据组的方法的另一实施例,
图8示出用于确定第一差分图像数据组的方法的另一实施例,
图9示出用于确定第一差分图像数据组的方法的另一实施例,其中此外确定第二差分图像数据组,
图10示出用于确定第一差分图像数据组的方法的另一实施例,其中可选地可以确定第二差分图像数据组,
图11示出第一训练函数,
图12示出用于调整第一训练函数的方法的一个实施例,
图13示出用于调整第一训练函数的方法的另一实施例,
图14示出用于调整第一训练函数的方法的另一实施例,
图15示出用于调整第二训练函数的方法的一个实施例,
图16示出确定***和训练***,
图17示出X射线单元,
图18示出三维差分图像数据组和比较图像数据组。
具体实施方式
图1示出具有两个血管VES.1、VES.2的检查体积VOL,以及三维第一差分图像数据组DDS-3D。在此,三维第一差分图像数据组DDS-3D的图像范围对应于检查体积VOL。在所示出的实施例中,检查体积包括第一血管VES.1和第二血管VES.2,其中第一血管VES.1在检查体积VOL之内分成两个分枝。也可能的是,检查体积不包括血管VES.1、VES.2,包括恰好一个血管VES.1、VES.2或包括多于两个血管VES.1、VES.2。除了血管VES.1、VES.2之外,检查体积VOL包括其他结构OS.1、OS.2,所述其他结构在三维第一差分图像数据组DDS-3D中未描绘,因为所述其他结构归为本底,从而在三维第一差分图像数据组中未描绘。
在所示出的实施例中,检查体积VOL以及三维第一差分图像数据组DDS-3D关于第一方向x、第二方向y和第三方向z扩展。在此,第一方向x、第二方向y和第三方向z成对地正交。
图2示出检查体积VOL的多个二维真实图像数据组RDS-2D.1、…、RDS-2D.4,图3示出检查体积VOL的多个二维差分图像数据组DDS-2D.1、…、DDS-2D.4。在所示出的实施例中,示出四个二维真实图像数据组RDS-2D.1、…、RDS-2D.4,也可以存在或使用更多或更少的二维真实图像数据组RDS-2D.1、…、RDS-2D.4。此外,示出四个二维差分图像数据组DDS-2D.1、…、DDS-2D.4,但是,也可以存在或使用更多或更少的二维差分图像数据组DDS-2D.1、…、DDS-2D.4。
在此,二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组包括检查体积VOL关于投影方向的X射线投影。二维真实图像数据组RDS-2D.1包括检查体积VOL关于投影方向的X射线投影,其中投影方向反平行于第一方向x。二维真实图像数据组RDS-2D.2包括检查体积VOL关于投影方向的X射线投影,其中投影方向反平行于第二方向y。二维真实图像数据组RDS-2D.3包括检查体积VOL关于投影方向的X射线投影,其中投影方向平行于第一方向x。二维真实图像数据组RDS-2D.4包括检查体积VOL关于投影方向的X射线投影,其中投影方向平行于第二方向y。
在所示出的实施例中,二维差分图像数据组DDS-2D.1、…、DDS-2D.4中的每个二维差分图像数据组与二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的一个二维真实图像数据组对应。例如二维差分图像数据组DDS-2D.1与二维真实图像数据组RDS-2D.1对应,二维差分图像数据组DDS-2D.2与二维真实图像数据组RDS-2D.2对应,二维差分图像数据组DDS-2D.3与二维真实图像数据组RDS-2D.3对应,并且二维差分图像数据组DDS-2D.4与二维真实图像数据组RDS-2D.4对应。
二维差分图像数据组DDS-2D.1、…、DDS-2D.4中的每个二维差分图像数据组尤其包括二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的一个二维真实图像数据组与另一二维真实图像数据组、尤其蒙片记录之间的强度的差。例如,二维差分图像数据组DDS-2D.1包括二维真实图像数据组RDS-2D.1与另一二维真实图像数据组、尤其蒙片记录的强度的差,二维差分图像数据组DDS-2D.2包括二维真实图像数据组RDS-2D.3与另一二维真实图像数据组、尤其蒙片记录的强度的差,二维差分图像数据组DDS-2D.3包括二维真实图像数据组RDS-2D.2与另一二维真实图像数据组、尤其蒙片记录的强度的差,并且二维差分图像数据组DDS-2D.4包括二维真实图像数据组RDS-2D.4与另一二维真实图像数据组、尤其蒙片记录的强度的差。
此外,二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组与一个时刻相关联,其中在所述实施例中所述时刻对应于记录所属的X射线投影的时刻。
尤其地,因此二维真实图像数据组RDS-2D.1与记录所属的X射线投影的时刻t1相关联。尤其地,因此二维真实图像数据组RDS-2D.2与记录所属的X射线投影的时刻t2相关联。尤其地,因此二维真实图像数据组RDS-2D.3与记录所属的X射线投影的时刻t3相关联。尤其地,因此二维真实图像数据组RDS-2D.4与记录所属的X射线投影的时刻t4相关联。
在所示出的实施例中,二维差分图像数据组DDS-2D.1、…、DDS-2D.4也分别与一个时刻相关联,尤其地,二维差分图像数据组DDS-2D.1、…、DDS-2D.4中的每个二维差分图像数据组与对应的二维真实图像数据组RDS-2D.1、…、RDS-2D.4的时刻相关联。
在所示出的实施例中,二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组或所属的X射线投影描绘在检查体积VOL中包含的血管VES.1、VES.2。此外,由二维真实图像数据组RDS-2D.1、…、RDS-2D.4描绘其他结构OS.1、OS.2。
在记录二维真实图像数据组RDS-2D.1、…、RDS-2D.4的时刻t1、…、t4,血管VES.1、VES.2包括造影剂的时间上不同的浓度CA.1、…、CA.4。在此,时刻t1与浓度CA.1相关联,时刻t2与浓度CA.2相关联,时刻t3与浓度CA.3相关联,并且时刻t4与浓度CA.4相关联。在此,造影剂为X射线造影剂,使得造影剂的相应的造影剂浓度CA.1、…、CA.4可从X射线投影中确定。造影剂浓度CA.1、…、CA.4在时间上通过血管VES.1、VES.2中的静态的或动态的液体流动变化。在所示出的实施例中,液体为血液。
在所述实施例中,二维差分图像数据组DDS-2D.1、…、DDS-2D.4包括二维真实图像数据组RDS-2D.1、…、RDS-2D.4与相应的蒙片记录的强度的差。在所述实施例中,蒙片记录是检查体积VOL关于投影方向的X射线投影,其中投影方向对应于相应的二维真实图像数据组RDS-2D.1、…、RDS-2D.4的X射线投影的投影方向,并且其中在蒙片记录的时刻,在血管VES.1、VES.2中不存在造影剂。此外假设,二维真实图像数据组RDS-2D.1、…、RDS-2D.4的成像几何形状(尤其检查体积VOL、X射线源XRAY.SRC以及X射线探测器XRAY.DTC的相对位置和相对取向)与所属的蒙片记录相同,并且除了造影剂浓度CA.1、…、CA.4的变化之外,在检查体积VOL中不存在任何变化或运动。投影几何形状的偏差、检查体积VOL中的变化或运动是可能的,但是可以引起图像伪影。可以由二维真实图像数据组RDS-2D.1、…、RDS-2D.4与相应的蒙片记录相减来确定二维差分图像数据组DDS-2D.1、…、DDS-2D.4,替选地,也可以通过将第一训练函数TF-2应用到二维真实图像数据组RDS-2D.1、…、RDS-2D.4上来确定二维差分图像数据组DDS-2D.1、…、DDS-2D.4,而不用已知或实际记录蒙片记录的X射线投影。
在所示出的实施例中,通过所述规定,在二维差分图像数据组DDS-2D.1、…、DDS-2D.4中抑制或不包括或不显示二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的其他结构OS.1、OS.2。此外,在图3中示意性地示出的血管VES.1、VES.2的边缘能够在二维差分图像数据组DDS-2D.1、…、DDS-2D.4中不包括或抑制。尤其地,二维差分图像数据组DDS-2D.1、…、DDS-2D.4仅能够显示造影剂或造影剂浓度CA.1、…、CA.4,因为(除了伪影之外)在检查体积VOL中仅造影剂浓度CA.1、…、CA.4是可变的。
图4示意性地示出不同的数据组的相关性的第一实施例,所述数据组可以用作为用于确定第一差分图像数据组的方法的输入值、输出值或中间结果。
用于确定第一差分图像数据组的方法的起始点分别是检查体积VOL的二维真实图像数据组RDS-2D.1、…、RDS-2D.4。
基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4,可以例如通过已知的重建算法来确定检查体积VOL的三维真实图像数据组RDS-3D。然后,基于三维真实图像数据组RDS-3D,例如通过将第一训练函数TF-1应用到三维真实图像数据组RDS-3D上能够确定三维第一差分图像数据组DDS-3D。
替选地,尤其通过应用第一训练函数TF-2或通过减去蒙片记录、基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4可以确定二维差分图像数据组DDS-2D.1、…、DDS-2D.4。然后,借助于已知的重建算法,可以基于二维差分图像数据组DDS-2D.1、…、DDS-2D.4确定三维第一差分图像数据组DDS-3D。
然后,基于三维第一差分图像数据组DDS-3D,可以确定四维第二差分图像数据组DDS-4D'。此外,四维第二差分图像数据组DDS-4D'的所述确定可以基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4和/或二维差分图像数据组DDS-2D.1、…、DDS-2D.4。例如可以将二维真实图像数据组RDS-2D.1、…、RDS-2D.4和/或二维差分图像数据组DDS-2D.1、…、DDS-2D.4反向投影到三维第一差分图像数据组DDS-3D或三维第一差分图像数据组DDS-3D的区段上。
替选地,尤其通过应用第一训练函数TF-3、基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4可以确定四维第一差分图像数据组DDS-4D。在这种情况下,省去计算三维差分图像数据组的中间步骤。
图5示意性地示出不同的数据组的相关性的第二实施例,所述数据组可以用作为用于确定第一差分图像数据组的方法的输入值、输出值或中间结果。在此,尤其示出二维血管图像数据组VDS-2D.1、…、VDS-2D.4和二维本底图像数据组BDS-2D.1、…、BDS-2D.4的相关性。
在此,用于确定第一差分图像数据组的方法的起始点也分别是检查体积VOL的二维真实图像数据组RDS-2D.1、…、RDS-2D.4。
基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4,例如通过已知的重建算法可以确定检查体积VOL的三维真实图像数据组RDS-3D。然后,从三维真实图像数据组RDS-3D出发,例如通过将第一训练函数TF-1应用到三维真实图像数据组RDS-3D上可以确定三维第一差分图像数据组DDS-3D。
然后,基于三维第一差分图像数据组DDS-3D,例如通过正向投影可以确定二维血管图像数据组VDS-2D.1、…、VDS-2D.4。然后,基于三维真实图像数据组RDS-3D和三维第一差分图像数据组DDS-3D,例如通过正向投影这两个图像数据组的差,可以确定二维本底图像数据组BDS-2D.1、…、BDS-2D.4。在所述第二实施例中,有利地为二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组确定恰好一个二维血管图像数据组VDS-2D.1、…、VDS-2D.4和恰好一个二维本底图像数据组BDS-2D.1、…、BDS-2D.4,其中相应的正向投影的投影方向对应于所属的二维真实图像数据组RDS-2D.1、…、RDS-2D.4的投影方向。
此外,基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4以及二维血管图像数据组VDS-2D.1、…、VDS-2D.4和/或二维本底图像数据组BDS-2D.1、…、BDS-2D.4可以确定二维修改图像数据组MDS-2D.1、…、MDS-2D.4。在根据本发明的方法的不同的所描述的实施例中,尤其可以替代二维真实图像数据组RDS-2D.1、…、RDS-2D.4采用或使用二维修改图像数据组MDS-2D.1、…、MDS-2D.4。
图6示出用于确定检查体积VOL的第一差分图像数据组DDS-3D、DDS-4D的方法的第一实施例,其中第一差分图像数据组DDS-2D.1、…、DDS-2D.4、DDS-3D、DDS-4D是至少二维的、尤其是至少三维的。在所述实施例中,第一差分图像数据组DDS-3D、DDS-4D是三维的或四维的。
第一实施例的第一步骤是借助于接口SYS.IF接收REC-RDS-2D涉及检查体积VOL的二维真实图像数据组RDS-2D.1、…、RDS-2D.4,其中二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组包括检查体积VOL关于投影方向的二维X射线投影。
尤其可以事先借助于X射线单元XRAY记录二维真实图像数据组RDS-2D.1、…、RDS-2D.4。在此,X射线源XRAY.SRC和/或X射线探测器XRAY.DTC尤其可以围绕检查体积VOL旋转。X射线源XRAY.SRC和X射线探测器XRAY.DTC尤其可以同时围绕检查体积旋转。X射线装置XRAY尤其可以为C臂X射线设备。
在所示出的实施例中,借助C臂X射线设备(这种C臂X射线设备在图17中示出)记录二维真实图像数据组RDS-2D.1、…、RDS-2D.4的X射线投影。在此,记录二维真实图像数据组RDS-2D.1、…、RDS-2D.4,使得C臂XRAY.ARM围绕检查体积VOL旋转预设的角度,并且在恒定的时间间隔中记录X射线投影。如果执行可选的蒙片记录,则同样可以借助所述记录技术来记录具有相同的投影方向的所述蒙片记录。
在每个记录序列中,C臂X射线设备XRAY的C臂XRAY.ARM在所述实施例中在12秒中旋转260°,并且在此从不同的投影方向中记录304个二维真实图像数据组RDS-2D.1、…、RDS-2D.4。包括其他旋转角度、旋转时间段和投影数量的记录参数也是可行的,尤其是如下记录参数,所述记录参数引起适合于三维重建的二维真实图像数据组RDS-2D.1、…、RDS-2D.4。在此,尤其如下旋转角度是合适的:所述旋转角度大于180°与X射线源XRAY.SRC的X射线的张角的总和,旋转角度尤其大于200°。
下面以vi表示二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的一个二维真实图像数据组的X射线投影的投影方向,其中在此,投影方向是三维矢量、尤其三维单位矢量。在所述第一实施例中,二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组还包括记录相应的X射线投影的时刻ti。
因此近似地,以下关联关系适用:
在此,I0是X射线源的X射线强度,Ik1(ti)是在时刻ti在X射线探测器XRAY.DTC中或在二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的具有坐标k、i的像素中的X射线强度。当投影方向对应于vi时(在此,近似地可以假设平行投影),Γkl(vi)是从X射线源XRAY.SRC至在X射线探测器XRAY.DTC中或在二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的具有坐标k、i的像素的路径,并且μ(x,ti)是在时刻ti在检查体积的位置或三维坐标x处的线性衰减系数。在此,路径Γkl(vi)可以通过简单的几何考虑来确定,此外关联关系也可以连续地描述:
在此,因此I(y,ti)是在时刻ti在X射线探测器XRAY.DTC中或在二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的二维坐标y中的X射线强度,并且当投影方向对应于vi时,Γ(y,vi)是从X射线源XRAY.SRC至具有关于X射线探测器XRAY.DTC或关于二维真实图像数据组RDS-2D.1、…、RDS-2D.4的二维坐标y的点的路径。
在所示出的实施例中,二维真实图像数据组RDS-2D.1、…、RDS-2D.4包括相对X射线强度Ikl(ti)/I0的对数bkl(ti)=log(Ikl(ti)/I0),替选地,二维真实图像数据组RDS-2D.1、…、RDS-2D.4也可以直接包括X射线强度Ikl(ti)。两个替选方案在了解X射线源XRAY.SRC的强度I0的情况下能够彼此换算。
第一实施例的第二步骤是基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4并且基于训练函数TF-1、TF-2、TF-3借助于计算单元SYS.CU确定DET-DDS第一差分图像数据组DDS-3D、DET-DDS。在此,确定DET-DDS尤其可以仅基于如下二维真实图像数据组RDS-2D.1、…、RDS-2D.4:在所述二维真实图像数据组中,血管VES.1、VES.2完全地、或以高的份额(尤其以多于75%、尤其以多于90%)由造影剂填充。
在所述实施例中,第一训练函数TF-1、TF-2、TF-3包括至少一个卷积层(英文专业术语是“convolutional layer”)和采样层(英文专业术语是“pooling layer”)。第一训练函数TF-1、TF-2、TF-3尤其包括卷积神经网络(英文专业术语是“convolutional neuralnetwork”,简称“CNN”),其中将三维真实图像数据组用作为卷积神经网络的输入值。第一训练函数TF-1、TF-2、TF-3尤其可以是全卷积神经网络(英文专业术语是“fullyconvolutional neural network”,简称“FCNN”),其中FCNN是CNN,其中通过卷积层和/或反卷积层代替CNN的最后的完全连接的层。
在所述第一实施例中,第一差分图像数据组DDS-4D尤其可以是四维的,并且通过将第一训练函数TF-3应用到二维真实图像数据组RDS-2D.1、…、RDS-2D.4上可以计算四维第一差分图像数据组DDS-4d。在此,第一训练函数TF-3因此尤其是将多个二维图像数据组映射到四维图像数据组上的函数。
图7示出用于确定检查体积VOL的第一差分图像数据组DDS-3D的方法的第二实施例,其中在所述实施例中,第一差分图像数据组DDS-3D是三维的。第二实施例包括接收REC-RDS-2D二维真实图像数据组RDS-2D.1、…、RDS-2D.4的步骤,以及确定DET-DDS第一差分图像数据组DDS-3D,所述步骤可以具有第一实施例的相应步骤的所有有利的实施方案和改进方案。
此外,第二实施例包括基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4借助于计算单元SYS.CU重建RCN-RDS-3D三维真实图像数据组RDS-3D。在所述实施例中,通过应用经滤波的反向投影来确定三维真实图像数据组RDS-3D,替选地,也可以使用其他重建方法,尤其迭代的重建方法。
重建RCN-RDS-3D三维真实图像数据组RDS-3D尤其仅能够基于如下二维图像数据组RDS-2D.1、…、RDS-2D.4:在所述二维图像数据组中,血管VES.1、VES.2完全地、或近似完全地由造影剂填充。替选地,重建RCN-RDS-3D三维真实图像数据组RDS-3D也可以基于所有二维图像数据组RDS-2D.1、…、RDS-2D.4。
三维真实图像数据组RDS-3D的强度尤其可以对应于重建体积或检查体积VOL的X射线吸收系数或线性衰减系数μ。三维真实图像数据组RDS-3D尤其可以考虑线性衰减系数的时间相关性:
B(x)=μ(x,t>t′)
在此,在第一种情况下,三维真实图像数据组RDS-3D的强度对应于在时刻t'之后在检查体积中的线性衰减系数,其中时刻t'尤其可以相应于如下时刻:在所述时刻,血管完全由造影剂填充。在第二种情况下,三维真实图像数据组RDS-3D的强度对应于在从t'至t”的时间段中在检查体积中的线性衰减系数的平均。三维真实图像数据组RDS-3D尤其也可以通过离散的体像素来限定,其中例如可以经由B(x)在相应的体像素的体积上的空间平均来确定体像素的强度。
替选地,以相同的方式,三维真实图像数据组RDS-3D的强度也可以对应于重建体积或检查体积VOL的相对线性衰减系数μ,尤其亨氏单位(亨氏单位基于相对于水的线性衰减系数的线性衰减系数μ)。
在所示出的第二实施例中,确定DET-DDS三维第一差分图像数据组DDS-3D包括通过借助于计算单元SYS.CU将第一训练函数TF-1应用APPL-1到三维真实图像数据组RDS-3D上来确定DET-PDS-3D三维概率数据组PDS-3D,以及借助于计算单元SYS.CU将三维概率数据组PDS-3D与三维真实图像数据组RDS-3D逐像素地相乘MPL。
可选地,在第二实施例中,确定DET-DDS还包括借助于接口SYS.IF接收REC-TF传递函数,以及基于传递函数借助于计算单元SYS.CU修改MOD-PDS-3D三维概率数据组PDS-3D。尤其在确定DET-PDS-3D三维概率数据组PDS-3D之后和在逐像素地相乘MPL之前实施所述两个步骤。在这种情况下,三维真实图像数据组RDS-3D与经修改的三维概率数据组PDS-3D相乘。
在所述实施例中,传递函数T是单调递增函数,所述传递函数将在区间[0;1]中的概率值映射到在区间[0;1]中的概率值上,其中T(0)=0和T(1)=1适用。在此,将传递函数T逐像素地应用到三维概率数据组的每个概率值上。例如对于传递函数,T(x)=xγ,其中,γ>0,或是斜坡函数。通过传递函数尤其能够重新缩放概率值,并且通过合适地选择传递函数能够减小和/或抑制概率值中的图像伪影或伪影。
如果Bklm表示三维真实图像数据组RDS-3D,Dklm表示三维差分图像数据组DDS-3D,并且Wklm表示三维概率数据组PDS-3D,则因此在所述实施例中,如下确定三维第一差分图像数据组DDS-3D:
Dklm=Wklm·Bklm=T(F1(B111,...,Bk′l′m′,...,BKLM))·Bklm
在此,F1是第一训练函数TF-1,并且K、L和M是三维真实图像数据组RDS-3D和三维第一差分图像数据组DDS-3D关于第一方向x、第二方向y和第三方向z的扩展,所述扩展分别在多个体像素中测量。函数F1的自变量应理解成,三维第一差分图像数据组DDS-3D在具有指数k、l和m的像素处的强度值Dklm可以与三维真实图像数据组RDS-3D的所有强度值相关。
替选地,通过如下方式实施确定DET-DDS三维第一差分图像数据组DDS-3D:第一训练函数TF-1获得三维真实图像数据组RDS-3D作为输入数据,并且产生三维第一差分图像数据组DDS-3D作为输出数据。由此,确定DET-DDS三维第一差分图像数据组DDS-3D也包括借助于计算单元SYS.CU将第一训练函数TF-1应用APPL-1到三维真实图像数据组RDS-3D上。
如果Bklm表示三维真实图像数据组RDS-3D,并且Dklm表示三维差分图像数据组DDS-3D,则因此在所述替选方案中,如下确定三维第一差分图像数据组DDS-3D:
Dklm=F1(B111,...,Bk′l′m′,...,BKLM)
在此,F1是第一训练函数TF-1,并且K、L和M是三维真实图像数据组RDS-3D和三维第一差分图像数据组DDS-3D关于第一方向x、第二方向y和第三方向z的扩展,所述扩展分别在多个体像素中测量。函数F1的自变量应理解成,三维第一差分图像数据组DDS-3D在具有指数k、l和m的像素处的强度值Dklm可以与三维真实图像数据组RDS-3D的所有强度值相关。
图8示出用于确定检查体积VOL的第一差分图像数据组DDS-3D的方法的第三实施例,其中第一差分图像数据组是三维的。第三实施例包括接收REC-RDS-2D二维真实图像数据组RDS-2D.1、…、RDS-2D.4的步骤,以及确定DET-DDS第一差分图像数据组DDS-3D,所述步骤可以具有第一或第二实施例的相应步骤的所有有利的实施方案和改进方案,只要所述实施方案和改进方案可转用于所述实施例。第三实施例尤其也同时是用于确定检查体积VOL的二维差分图像数据组DDS-2D.1、…、DDS-2D.4的方法的一个实施例,包括多个补充的可选的步骤,在此确定DET-DDS第一差分图像数据组DDS-3D的步骤尤其是可选的。
此外,用于确定检查体积VOL的三维第一差分图像数据组DDS-3D的方法的第三实施例包括通过借助于计算单元SYS.CU将第一训练函数TF-2应用到二维真实图像数据组RDS-2D.1、…、RDS-2D.4上确定DET-DDS-2D二维差分图像数据组DDS-2D.1、…、DDS-2D.4的步骤。此外,在这种情况下,确定DET-DDS三维第一差分图像数据组DDS-3D包括基于二维差分图像数据组DDS-2D重建三维第一差分图像数据组DDS-3D。
与第一和第二实施例不同,在第三实施例中不在三维中进行真实图像数据组到差分图像数据组的转变(即从三维真实图像数据组RDS-3D到三维差分图像数据组DDS-3D),而是在二维中进行真实图像数据组到差分图像数据组的转变(即从二维真实图像数据组RDS-2D.1、…、RDS-2D.4到二维差分图像数据组DDS-2D.1、…、DDS-2D.4)。
在这种情况下,尤其可以基于二维训练真实图像数据组和所属的二维训练减影图像数据组对训练函数TF-2进行训练,其中二维训练减影图像数据组通过各一个二维训练真实图像数据组与所属的二维训练蒙片记录相减来确定。在此,将二维训练真实图像数据组用作为用于训练函数TF-2的输入数据,并且将用于训练函数TF-2的输出数据与所属的二维训练减影图像数据组进行比较。因此,尤其可以将合适的进行比较的成本函数、例如像素值的方差的总和用于训练。
图9示出用于确定检查体积VOL的第一差分图像数据组DDS-3D的方法的第四实施例,其中在所述第四实施例中,也确定检查体积VOL的四维第二差分图像数据组DDS-4D'。
在此,第四实施例包括接收REC-RDS-2D二维真实图像数据组RDS-2D.1、…、RDS-2D.4的步骤,以及确定DET-DDS三维第一差分图像数据组DDS-3D,所述步骤可以具有第一、第二和/或第三实施例的相应步骤的所有有利的实施方案和改进方案。此外,第四实施例可以包括第一、第二和/或第三实施例的另外的步骤和子步骤。
此外,第四实施例包括:基于三维第一差分图像数据组DDS-3D和二维真实图像数据组RDS-2D,或基于三维第一差分图像数据组DDS-3D和二维差分图像数据组DDS-2D,借助于计算单元SYS.CU确定DET-DDS'四维第二差分图像数据组DDS-4D'。
例如,通过基于三维差分图像数据组DDS-3D将二维差分图像数据组DDS-2D.1、…、DDS-2D.4归一化并且通过将二维差分图像数据组DDS-2D.1、…、DDS-2D.4反向投影(尤其通过乘积反向投影)到三维第一差分图像数据组DDS-3D上,确定四维第二差分图像数据组DDS-4D'。
在所述实施例中,归一化通过以下函数关联关系给出:
在此,u是X射线探测器302的坐标系中的二维空间坐标,并且t是时间坐标、尤其即时间信息。此外,D表示三维第一差分图像数据组DDS-3D,并且D(x)表示三维第一差分图像数据组DDS-3D在空间坐标x处的值。一维路径L(t,u)对应于在记录时刻t经过点状的X射线源XRAY.SRC和在X射线探测器XRAY.DTC上的点u的直线。此外,路径L(t,u)与时间坐标t相关,因为在通常情况下,X射线源XRAY.SRC和X射线探测器XRAY.DTC的空间位置随着时间坐标t改变。变量d(t,u)描述在记录时刻t记录的二维差分图像数据组DDS-2D.1、…、DDS-2D.4在探测器坐标u中的强度值。结果DN(t,u)是在记录时刻t记录的二维差分图像数据组DDS-2D.1、…、DDS-2D.4在探测器坐标u中的归一化的强度值。
此外,乘积反向投影通过如下函数关联关系给出:
在此,x是三维空间坐标并且t是时间坐标、尤其即时间信息。因此,变量集(t,x)也可以理解为四维坐标。此外,D表示三维第一差分图像数据组DDS-3D,并且D(x)表示三维第一差分图像数据组DDS-3D在空间坐标x处的值。此外,A(t,x)表示空间坐标x在记录时刻t到X射线探测器XRAY.DTC的空间二维探测器坐标u=A(t,x)上的投影。此外,K表示可选的卷积核心,算子*表示卷积并且Seg[D](x)表示三维第一差分图像数据组DDS-3D的分割(或所述分割在空间坐标x处的值)。替选于分割,也可以直接使用三维第一差分图像数据组DDS-3D。此外,D4d(t,x)表示四维第二差分图像数据组DDS-4D'在空间坐标x处和在时间坐标t处的值。
在所示出的实施例中,三维第一差分图像数据组DDS-3D的分割Seg[D]是阈值分割,即将三维差分图像数据组DDS-3D的具有高于阈值的亨氏单位的所有体像素分配给第一区域或第一部分,所述第一区域或第一部分尤其可以对应于一个或多个血管,此外将三维第一差分图像数据组DDS-3D的具有低于阈值的亨氏单位的所有体像素分配给第二区域或第二部分。但是,用于分割的其他方法也是可行的,例如区域生长(英文专业术语是“regiongrowing”)或主动形状模型(英文专业术语是“active shape models”)。分割的结果或经分割的三维第一差分图像数据组Seg[D]可以理解为函数Seg[D],其中如果体像素处于第一区域中,则函数Seg[D]将值Seg[D](x)分配给具有空间三维坐标x的体像素,其中值Seg[D](x)对应于第二DSA-数据组中的体像素的值,并且其中如果体像素处于第二区域中,那么函数Seg[D]将值Seg[D](x)=0分配给具有空间三维坐标x的体像素。与此相应地,分割的结果或经分割的三维第一差分图像数据组Seg[D]又可以理解为图像数据组。
替选地,也可以通过基于三维第一差分图像数据组DDS-3D将二维真实图像数据组RDS-2D归一化,并且通过将二维真实图像数据组RDS-2D反向投影(尤其通过乘积反向投影)到三维第一差分图像数据组DDS-3D上,确定四维第二差分图像数据组DDS-4D。在此,可以类似于二维真实图像数据组RDS-2D的情况执行归一化和反向投影。又替选地,确定DET-DDS'四维第二差分图像数据组DDS-4D'可以包括将第二训练函数TF-4应用APPL-2到输入数据上,其中输入数据基于二维真实图像数据组RDS-2D、二维差分图像数据组DDS-2D.1、…、DDS-2D.4和/或基于三维第一差分图像数据组DDS-3D。
在所述实施例中,第二训练函数TF-4是深度神经网络,所述深度神经网络获得二维真实图像数据组RDS-2D和三维第一差分图像数据组DDS-3D作为输入数据,并且产生四维第二差分图像数据组DDS-4D'作为输出。所述第二训练函数TF-4尤其可以通过将其输出值与四维训练差分图像数据组进行比较来训练,其中通过应用归一化和乘积反向投影基于二维真实图像数据组RDS-2D和三维第一差分图像数据组DDS-3D来确定四维训练差分图像数据组。
图10示出用于确定检查体积VOL的第一差分图像数据组DDS-3D的方法的第五实施例,其中在所述第四实施例中也可以确定检查体积VOL的四维第二差分图像数据组DDS-4D'。
在此,第五实施例包括如下步骤:接收REC-RDS-2D二维真实图像数据组RDS-2D.1、…、RDS-2D.4,重建REC-RDS-3D三维真实图像数据组RDS-3D,以及确定DET-DDS三维第一差分图像数据组DDS-3D,所述步骤可以具有第一、第二、第三和/或第四实施例的相应步骤的所有有利的实施方案和改进方案。此外,第五实施例可以包括第一、第二、第三和/或第四实施例的另外的步骤和子步骤。
此外,第五实施例包括基于三维第一差分图像数据组DDS-3D和/或三维真实图像数据组RDS-3D确定DET-VDS-BDS-2D二维血管图像数据组VDS-2D.1、…、VDS-2D.4和/或二维本底图像数据组BDS-2D.1、…、BDS-2D.4。第五实施例尤其可以包括基于三维第一差分图像数据组DDS-3D确定DET-VDS-BDS-2D二维血管图像数据组VDS-2D.1、…、VDS-2D.4,和/或基于三维第一差分图像数据组DDS-3D和三维真实图像数据组RDS-3D确定二维本底图像数据组BDS-2D.1、…、BDS-2D.4。
在第五实施例中,通过正向投影三维第一差分图像数据组DDS-3D确定二维血管图像数据组VDS-2D.1、…、VDS-2D.4,和/或通过正向投影三维真实图像数据组RDS-3D与三维第一差分图像数据组DDS-3D的差确定二维本底图像数据组BDS-2D.1、…、BDS-2D.4。尤其可以通过规则
bv(y,v)=∫Γ(y,v)D(x)dx
确定二维血管图像数据组VDS-2D.1、…、VDS-2D.4,其中bv(y,v)表示二维血管图像数据组VDS-2D.1、…、VDS-2D.4关于投影方向v在坐标y处的值,其中D(x)表示三维第一差分图像数据组DDS-3D,并且其中Γ(y,v)表示经过点y具有投影方向v的直线。尤其可以通过规则
bb(y,v)=∫Γ(y,v)[B(x)-D(x)]dx
确定二维本底图像数据组BDS-2D.1、…、BDS-2D.4,其中bb(y,v)表示二维本底图像数据组BDS-2D.1、…、BDS-2D.4关于投影方向v在坐标y处的值,其中D(x)表示三维第一差分图像数据组DDS-3D,其中B(x)表示三维真实图像数据组,并且其中Γ(y,v)表示经过点y具有投影方向v的直线。
在所述第五实施例中,为二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的每个二维真实图像数据组确定恰好一个二维血管图像数据组VDS-2D.1、…、VDS-2D.4以及恰好一个二维本底图像数据组BDS-2D.1、…、BDS-2D.4。恰好一个二维血管图像数据组VDS-2D.1、…、VDS-2D.4以及恰好一个二维本底图像数据组BDS-2D.1、…、BDS-2D.4的投影方向对应于相应的二维真实图像数据组RDS-2D.1、…、RDS-2D.4的投影方向。
在第五实施例的另一步骤中,基于二维血管图像数据组VDS-2D.1、…、VDS-2D.4和/或二维本底图像数据组BDS-2D.1、…、BDS-2D.4确定DET-MDS-2D二维修改图像数据组MDS-2D.1、…、MDS-2D.4。二维修改图像数据组MDS-2D.1、…、MDS-2D.4尤其也可以基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4。
在所示出的实施例中,二维血管图像数据组VDS-2D.1、…、VDS-2D.4和二维本底图像数据组BDSD-2D.1、…、BDSD-2D.4分别与二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的一个二维真实图像数据组相关联。所述三个图像数据组尤其形成数据组的三元组。在此,二维修改图像数据组MDS-2D.1、…、MDS-2D.4中的每个二维修改图像数据组基于所述三元组之一。
确定二维修改图像数据组尤其基于应用训练函数,所述训练函数获得三元组作为输入数据,并且输出二维修改图像数据组MDS-2D.1、…、MDS-2D.4中的一个二维修改图像数据组作为输出数据。训练函数因此尤其将一个或多个二维图像数据组映射到二维结果图像数据组上。替选地,二维修改图像数据组MDS-2D.1、…、MDS-2D.4也可以与二维血管图像数据组VDS-2D.1、…、VDS-2D.4相同。
替选地,也可以将二维血管图像数据组VDS-2D.1、…、VDS-2D.4中的仅一个(或多个)二维血管图像数据组和二维本底图像数据组BDS-2D.1、…、BDS-2D.4中的一个(或多个)二维本底图像数据组用作为训练函数的输入数据。替选地,也可以将二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的一个(或多个)二维真实图像数据组和二维血管图像数据组VDS-2D.1、…、VDS-2D.4中的一个(或多个)二维血管图像数据组用作为训练函数的输入数据。替选地,也可以将二维真实图像数据组RDS-2D.1、…、RDS-2D.4中的仅一个(或多个)二维真实图像数据组和二维本底图像数据组BDS-2D.1、…、BDS-2D.4中的一个(或多个)二维本底图像数据组用作为训练函数的输入数据。
然后,在确定DET-MDS-2D二维修改图像数据组MDS-2D.1、…、MDS-2D.4之后,尤其可以实施另外的实施例的步骤,其中尤其替代二维真实图像数据组RDS-2D.1、…、RDS-2D.4使用二维修改图像数据组MDS-2D.1、…、MDS-2D.4。在此,对于第五实施例示出三个替选方案,当然,另外的替选方案在任何时候也是可行的。
在第一替选方案中,基于二维修改图像数据组MDS-2D.1、…、MDS-2D.4并且基于第一训练函数TF-1、TF-2、TF-3借助于计算单元SYS.CU类似于第一实施例实施确定DET-DDS第一差分图像数据组DDS-2D.1、…、DDS-2D.4、DD3-3D、DDS-4D,其中第一差分图像数据组DDS-2D.1、…、DDS-2D.4、DD3-3D、DDS-4D是至少二维的、尤其是至少三维的。(在第五实施例的所述替选方案中,因此两次实施确定DET-DDS第一差分图像数据组DD3-3D、DDS-4D的步骤,当然分别在不同的数据库上)。
在第二替选方案中,通过将第二训练函数TF-4应用到输入数据上,类似于第四实施例实施确定DET-DDS'第二差分图像数据组DDS-4D',其中输入数据基于二维修改图像数据组RDS-2D.1、…、RDS-2D.4和/或基于三维第一差分图像数据组DDS-3D,并且其中第二差分图像数据组DDS-4D'是四维的。
图11示出第一训练函数TF-1的一个实施例。在所述实施例中,第一训练函数TF-1是人工神经网络(英文专业术语是“artificial neural network”),尤其卷积人工神经网络(英文专业术语是“convolutional artificial neural network”)。第一训练函数TF-1获得三维真实图像数据组RDS-3D作为输入数据,并且产生三维第一差分图像数据组DDS-3D作为输出数据。在所述实施例中,训练函数TF-1包括第一卷积层CONV-1和第二卷积层CONV-2。但是,训练函数TF-1当然也能够包括另外的卷积层以及其他的层,例如采样层。在所述实施例中,不仅第一卷积层CONV-1、而且第二卷积层CONV-2包括与人工神经网络的权重对应的八个卷积核心。当然,其他和尤其不同数量的卷积核心也是可行的。
图12、图13和图14示出用于训练第一训练函数TF-1、TF-2、TF-3的第一实施例、第二实施例和第三实施例。在第一实施例中,第一训练函数TF-1将三维图像数据组映射到另一三维图像数据组上,在所述实施例中,第一训练函数TF-1尤其将三维真实图像数据组RDS-3D映射到三维第一差分图像数据组DDS-3D上。在第二实施例中,第一训练函数TF-2将二维图像数据组映射到另一二维图像数据组上,在所述实施例中,第一训练函数TF-2尤其将二维真实图像数据组RDS-2D.1、…、RDS-2D.4映射到二维差分图像数据组DDS-2D.1、…、DDS-2D.4上。在第三实施例中,第一训练函数TF-3将多个二维图像数据组映射到四维图像数据组上,在所述实施例中,第一训练函数TF-1尤其将多个二维真实图像数据组RDS-2D.1、…、RDS-2D.4映射到四维第一图像数据组上。
第一、第二和第三实施例的第一步骤是借助于接口TSYS.IF接收TREC1-TF、TREC2-TF、TREC3-TF第一训练函数TF-1、TF-2、TF-3。在这些实施例中,第一训练函数TF-1、TF-2、TF-3已经预训练,也就是说,已经通过所述训练方法和/或另一训练方法调整第一训练函数TF-1、TF-2、TF-3的一个或多个参数。替选地,第一训练函数TF-1、TF-2、TF-3的一个或多个参数还能够不借助于训练数据调整,一个或多个参数尤其可以通过恒定值和/或通过随机值预设。尤其地,第一训练函数TF-1、TF-2、TF-3的所有参数还能够不借助于训练数据调整,所有参数尤其可以通过恒定值和/或通过随机值预设。
第一、第二和第三实施例的第二步骤是借助于接口TSYS.IF接收TREC1-TD、TREC2-TD、TREC3-TD检查体积VOL的第一二维训练图像数据组和第二二维训练图像数据组。
在此,第一二维训练图像数据组中的每个第一二维训练图像数据组包括检查体积VOL关于投影方向的二维X射线投影,其中在记录第一二维X射线投影期间,检查体积VOL不包括X射线造影剂。第一二维训练图像数据组中的每个第一二维训练图像数据组尤其可以包括相应的X射线投影的投影方向。尤其地,第一二维训练图像数据组中的每个第一二维训练图像数据组可以与相关联的第一X射线投影的记录时刻相关联,或第一二维训练图像数据组中的每个第一二维训练图像数据组可以包括所述记录时刻。因此,第一二维训练图像数据组中的每个第一二维训练图像数据组尤其是二维真实图像数据组。
此外在此,第二二维训练图像数据组中的每个第二二维训练图像数据组包括检查体积VOL关于投影方向的第二二维X射线投影,其中在记录第二X射线投影期间,检查体积VOL包括X射线造影剂。第二二维训练图像数据组中的每个第二二维训练图像数据组尤其可以包括相应的X射线投影的投影方向。尤其地,第二二维训练图像数据组中的每个第二二维训练图像数据组可以与相关联的第二X射线投影的记录时刻相关联,或第二二维训练图像数据组中的每个第二二维训练图像数据组可以包括所述记录时刻。因此第二二维训练图像数据组中的每个第二二维训练图像数据组尤其是二维真实图像数据组。
尤其地,第一二维训练图像数据组中的每个第一二维训练图像数据组可以与二维训练图像数据组的第二二维训练图像数据组相关联,其中相应的第一X射线投影的投影方向与相应的第二X射线投影相协调。
第一、第二和第三实施例的第三步骤是通过数字减影血管造影术基于第一和第二二维训练图像数据组借助于计算单元TSYS.CU确定TDET1-1、TDET2-1、TDET3-1第一训练差分图像数据组D1(x)或D1(x,t)。在第一和在第二实施例中,第一训练差分图像数据组D1(x,t)是三维的,在第三实施例中,第一训练差分图像数据组D1(x,t)是四维的。
在所述实施例中,第一二维训练图像数据组的X射线投影的投影方向对应于第二二维训练图像数据组的X射线投影的投影方向。因此,为第一二维训练图像数据组中的每个第一二维训练图像数据组b1 (1)(y)、…、b1 (n)(y)或为第二二维训练图像数据组中的每个第二二维训练图像数据组b2 (1)(y)、…、b2 (n)(y),通过从第二二维训练图像数据组b2 (1)(y)、…、b2 (n)(y)中减去第一二维训练图像数据组b1 (1)(y)、…、b1 (n)(y)计算二维训练差分图像数据组d(k)(y)=b2 (k)(y)–b1 (k)(y)。然后,基于二维训练差分图像数据组d(1)(y)、…、d(n)(y)中的多个二维训练差分图像数据组,可以通过数字减影血管造影术来确定第一训练差分图像数据组D1(x)或D1(x,t)。在此,y表示二维坐标,并且x表示三维坐标。此外,在四维情况下,t表示时间坐标。下面作为简短记录也使用b(k)(y):=b2 (k)(y)。
第一、第二和第三实施例的第四步骤是基于第二二维训练图像数据组b(1)(y)、…、b(n)(y)并且基于第一训练函数TF-1、TF-2、TF-3借助于计算单元TSYS.CU确定TDET1-2、TDET2-2、TDET3-2第二训练差分图像数据组D2(x)或D2(x,t)。在第一和在第二实施例中,第二训练差分图像数据组D2(x)是三维的,在第三实施例中,第二训练差分图像数据组D2(x,t)是四维的。
在第一实施例中,在此通过重建TRCN-RDS-3D第二二维训练图像数据组b(1)(y)、…、b(n)(y)确定三维训练图像数据组B(x),其中三维训练图像数据组B(x)是三维真实图像数据组。随后通过将第一训练函数TF-1应用TDET-DDS-3D到三维训练图像数据组B(x)上确定第二三维训练差分图像数据组D2(x),因此适用:
D2(x)=TF1(B(x))=TF1(Rec(b(1)(y),...,b(n)(y)).
在此,Rec表示重建算子。
在第二实施例中,在此通过应用TDET-DDS-2D第一训练函数TF-2,从第二二维训练图像数据组d(1)(y)、…、d(n)(y)中的每个第二二维训练图像数据组中确定二维训练差分图像数据组b(1)(y)、…、b(n)(y),其中二维训练差分图像数据组中的每个二维训练差分图像数据组是二维差分图像数据组,但是不是二维减影图像数据组。随后,通过重建TRCN-DDS-3D二维训练差分图像数据组b(1)(y)、…、b(n)(y)确定第二三维训练差分图像数据组D2(x),因此适用的是:
D2(x)=Rec(TF2(d(1)(y)),...,TF2(d(n)(y))).
在此,在第三实施例中,通过将第一训练函数TF-3应用TDET-DDS-4D到第二二维训练图像数据组d(1)(y)、…、d(n)(y)的整体上,确定四维第二训练差分图像数据组D2(x,t),因此适用的是:
D2(x,t)=TF3(b(1)(y),...,b(n)(y))
第一、第二和第三实施例的第五步骤是基于第一训练差分图像数据组D1(x)或D1(x,t)与第二训练差分图像数据组D2(x)或D2(x,t)的比较借助于计算单元TSYS.CU调整TADJ1、TADJ2、TADJ3第一训练函数TF-1、TF-2、TF-3。
在第一和第二实施例中,第一三维训练差分图像数据组D1(x)与第二三维训练差分图像数据组D2(x)的比较基于第一三维训练差分图像数据组D1(x)与第二三维训练差分图像数据组D2(x)的逐像素的差,例如基于方差的总和DIF:
DIF=∫∫∫(D1(x)-D2(x))2dx
在此,三重积分也可以解释为三维设置的像素的总和。然后在此,调整训练函数TF-1、TF-2的一个或多个参数,使得例如借助于反向传播(英文专业术语是“backpropagation”)使方差的总和DIF最小化。在此,可能需要的是,不仅在训练函数TF-1、TF-2中执行反向传播,而且也通过相应的重建算子执行反向传播。为此,本领域技术人员例如已知数值方法。
在第二实施例中,替选地也可行的是,基于第二训练函数TF-2在应用到第二训练图像数据组b2(y)上时的输出值TF2(b2(y))与二维训练差分图像数据组d(y)=b2(y)–b1(y)的比较,调整一个或多个参数。在此,输出值TF2(b2(y))和二维训练差分图像数据组d(y)的方差的总和尤其可以通过反向传播最小化。
在第三实施例中,在比较时,此外也还考虑第一训练差分图像数据组和第二训练差分图像数据组的时间维度。例如,方差的总和可以计算为DIF=∫[∫∫∫(D1(x,t)-D2(x,t))2dx]dt.
同样可以离散地通过所有像素的四维总和来确定方差的总和。
图15示出用于调整第二训练函数的方法的一个实施例。
实施例的第一步骤是借助于接口TSYS.IF接收TREC4-TF第二训练函数TF-4。在所述实施例中,第二训练函数TF-4将一个三维图像数据组和多个二维图像数据组映射到四维图像数据组上,尤其将一个三维第一差分图像数据组DDS-3D和多个二维差分图像数据组DDS-2D.1、…、DDS-2D.4映射到四维第二差分图像数据组DDS-4D'上。替选地,第二训练函数TF-4也可以将一个三维第一差分图像数据组DDS-3D和多个二维真实图像数据组RDS-2D.1、…、RDS-2D.4映射到四维第二差分图像数据组DDS-4D'上。在所述实施例中,第二训练函数TF-2已经预训练,也就是说,通过所述训练方法和/或另一训练方法已经调整第二训练函数TF-2的一个或多个参数。替选地,第二训练函数TF-2的一个或多个参数还可以不借助于训练数据调整,尤其地,一个或多个参数可以通过恒定值和/或随机值预设。第二训练函数TF-4的所有参数尤其还可以不借助于训练数据调整,尤其地,所有参数可以通过恒定值和/或随机值预设。
实施例的第二步骤是借助于接口TSYS.IF接收TREC4-TD检查体积VOL的三维训练差分图像数据组D(x)和检查体积VOL的二维训练图像数据组,其中二维训练图像数据组对应于二维真实图像数据组b(1)(y)、…、b(n)(y)或二维差分图像数据组d(1)(y)、…、d(n)(y)。二维训练图像数据组尤其包括检查体积VOL关于不同的投影方向的X射线投影和相关联的记录时刻。
实施例的第三步骤是通过反向投影基于三维训练差分图像数据组D(x)和二维训练图像数据组b(1)(y)、…、b(n)(y)或d(1)(y)、…、d(n)(y)借助于计算单元TSYS.CU,确定TDET4-1第一四维训练差分图像数据组D1(x,t)。在此,尤其可以借助对于图9描述的方法执行乘积反向投影。
实施例的第四步骤是通过借助于计算单元TSYS.CU将第二训练函数TF-4应用TDET-DDS-4D到三维训练差分图像数据组D(x)和二维训练差分图像数据组b(1)(y)、…、b(n)(y)或d(1)(y)、…、d(n)(y)上,确定TDET3-2第二四维训练差分图像数据组D2(x,t)。第二四维训练差分图像数据组D2(x,t)通过
D2(x,t)=TF4(D(x),b(1)(y),...,b(n)(y))
或通过
D2(x,t)=TF4(D(x),d(1)(y),...,d(n)(y)).
给出。
实施例的第五步骤是借助于计算单元TSYS.CU基于第一四维训练差分图像数据组D1(x,t)与第二四维训练差分图像数据组D2(x,t)的比较调整TADJ4第二训练函数TF-4。在所述实施例中,类似于图12至图14的步骤TADJ1、TADJ2或TADJ3进行调整。
图16示出用于确定三维差分图像数据组DDS-3D的确定***SYS以及用于训练第一训练函数TF-1、TF-2、TF-3和/或第二训练函数TF-4的训练***TSYS。在此示出的确定***SYS和在此示出的训练***TSYS构成用于,实施根据本发明的方法中的一个或多个方法。确定***SYS包括接口SYS.IF、计算单元SYS.CU以及存储单元SYS.MU。训练***TSYS包括接口TSYS.IF、计算单元TSYS.CU以及存储单元TSYS.MU。
确定***SYS和/或训练***TSYS尤其可以为计算机、微控制器或为集成电路。替选地,确定***SYS和/或训练***TSYS可以为计算机的真实的或虚拟的集群(对于真实的集群的英文专业术语是“Cluster”,对于虚拟的集群的英文专业术语是“Cloud”)。
接口SYS.IF、TSYS.IF可以为硬件或软件接口(例如PCI总线、USB或火线)。计算单元SYS.CU、TSYS.CU可以具有硬件元件或软件元件,例如微处理器或所谓的FPGA(英文“Field programmable Gate Array(现场可编程门阵列)”的缩写)。存储单元SYS.MU、TSYS.MU可以实现为非持久的工作存储器(Random Access Memory,简称RAM)或实现为持久的大容量存储器(硬盘、U盘、SD卡、固态硬盘)。可选地,确定***SYS和/或训练***TSYS还可以包括输入和输出单元,其中输入和输出单元包括至少一个输入单元和/或至少一个输出单元。
在所示出的实施例中,确定***SYS经由网络NETW与训练***TSYS连接,此外确定***SYS直接与X射线单元XRAY连接。但是,与X射线单元XRAY的连接也可以借助于网络NETW建立。但是,确定***SYS也可以是X射线单元XRAY的一部分。此外,也可以线下地、例如通过交换数据载体进行在确定***SYS与训练***TSYS之间的通信。在确定***与训练***TSYS之间的通信例如可以在于,确定***SYS将另外的训练数据传递到训练***TSYS上,或训练***TSYS将第一训练函数TF-1、TF-2、TF-3和/或第二训练函数TF-4传递到确定***SYS上。此外,训练***TSYS还可以与其他数据源连接,尤其与局部或分布式PACS(英文“Picture Archiving and Communication System(图像归档与通信***)”的缩写)连接。
在此示出的确定***SYS构造用于确定三维差分图像数据组DDS-3D的方法的实施例,这通过如下方式实现:接口SYS.IF和计算单元SYS.CU构造用于实施所述方法的相应步骤。在此示出的训练***TSYS构造用于,实施用于训练第一训练函数TF-1、TF-2、TF-3和/或第二训练函数TF-4的方法的实施例,这通过如下方式实现:接口TSYS.IF和计算单元TSYS.CU构造用于实施所述方法的相应步骤。
网络NETW可以为局域网(英文专业术语是“Local Area Network”,简称“LAN”)或广域网(英文专业术语是“Wide Area Network”,简称“WAN”)。对于局域网的示例是内部网,对于广域网的示例是因特网。网络NETW也可以尤其无线地实施,尤其实施为WLAN(代表“wireless LAN”,在英文中常用缩写“WiFi”)或实施为蓝牙连接。网络NETW也可以实施为所述示例的组合。
图17示出与确定***SYS连接的X射线单元XRAY。在所示出的实施例中,X射线单元XRAY为C臂X射线设备XRAY。C臂X射线设备XRAY包括用于发出X射线的X射线源XRAY.SRC。此外,C臂X射线设备XRAY包括用于接收X射线的X射线探测器XRAY.DTC。X射线源XRAY.SRC以及X射线探测器XRAY.DTC固定在C臂XRAY.ARM的两个不同的端部处。C臂X射线设备XRAY的C臂XRAY.ARM固定在支架XRAY.STC处。支架XRAY.STC包括设计用于改变C臂XRAY.ARM的位置的驱动元件。C臂XRAY.ARM尤其可以围绕两个不同的轴线转动。此外,C臂X射线设备包括控制和评估单元XRAY.CTRL和患者支承设备XRAY.PAT,在所述患者支承设备上可以支承患者PAT。借助于控制和评估单元XRAY.CTRL可以设定C臂XRAY.ARM的位置并且C臂XRAY.ARM可以围绕检查体积VOL旋转。此外,借助于控制和评估单元XRAY.CTRL可以记录和评估第一检查体积VOL的二维X射线投影。替选于所示出的实施例也可行的是,确定***SYS也实施为控制和评估单元XRAY.CTRL的一部分。
图18示出三维第一差分图像数据组DDS-3D的成像以及比较图像数据组DDS-3D-CMP的成像,其中比较图像数据组是三维的。借助用于确定差分图像数据组DDS-3D的方法的在图7中示出和描述的实施例,基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4确定三维第一差分图像数据组DDS-3D,其中不使用蒙片记录。基于二维真实图像数据组RDS-2D.1、…、RDS-2D.4和蒙片记录通过已知的数字减影血管造影术来确定比较图像数据组。
还未明确发生、然而有意义地并且在本发明的意义上,可以将各个实施例、各个其子方面或特征彼此组合或更换,而不脱离本发明的范围。本发明的参照实施例所描述的优点在没有明确列举时在可转用的情况下也适用于其他实施例。
Claims (16)
1.一种用于确定检查体积VOL的第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D的方法,所述方法包括:
-借助于接口SYS.IF接收REC-RDS-2D涉及所述检查体积VOL的二维真实图像数据组RDS-2D.1,…,RDS-2D.4,
其中所述二维真实图像数据组RDS-2D中的每个二维真实图像数据组包括所述检查体积关于投影方向的二维X射线投影,
-基于所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4并且基于第一训练函数TF-1,TF-2,TF-3借助于计算单元SYS.CU确定DET-DDS所述第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D,
其中所述第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D是三维的,
-借助于所述计算单元基于三维第一差分图像数据组和所述二维真实图像数据组来确定四维第二差分图像数据组。
2.根据权利要求1所述的方法,所述方法还包括:
-基于所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4借助于所述计算单元SYS.CU重建RCN-RDS-3D三维真实图像数据组RDS-3D,
其中确定DET-DDS所述三维第一差分图像数据组DDS-3D包括:借助于所述计算单元SYS.CU将所述第一训练函数TF-1应用APPL-1到所述三维真实图像数据组RDS-3D上。
3.根据权利要求2所述的方法,所述方法还包括:
-通过借助于所述计算单元SYS.CU将所述第一训练函数TF-1应用到所述三维真实图像数据组RDS-3D上,确定DET-PDS-3D三维概率数据组PDS-3D,
其中确定DET-DDS所述三维第一差分图像数据组DDS-3D包括:借助于所述计算单元SYS.CU将所述三维概率数据组PDS-3D与所述三维真实图像数据组RDS-3D逐像素地相乘MPL。
4.根据权利要求3所述的方法,所述方法还包括:
-借助于所述接口SYS.IF接收REC-TF传递函数,
-基于所述传递函数借助于所述计算单元SYS.CU修改MOD-PDS-3D所述三维概率数据组PDS-3D。
5.根据权利要求2所述的方法,所述方法还包括:
-基于所述三维第一差分图像数据组DDS-3D和/或所述三维真实图像数据组RDS-3D,确定DET-VDS-BDS-2D二维血管图像数据组VDS-2D.1,…,VDS-2D.4和/或二维本底图像数据组BDS-2D.1,…,BDS-2D.4,
-基于所述二维血管图像数据组VDS-2D.1,…,VDS-2D.4和/或所述二维本底图像数据组BDS-2D.1,…,BDS-2D.4确定DET-MDS-2D二维修改图像数据组MDS-2D.1,…,MDS-2D.4。
6.根据权利要求5所述的方法,
其中通过正向投影所述三维第一差分图像数据组DDS-3D确定所述二维血管图像数据组VDS-2D.1,…,VDS-2D.4,和/或
其中通过正向投影所述三维真实图像数据组RDS-3D与所述三维第一差分图像数据组DDS-3D的差,确定所述二维本底图像数据组BDS-2D.1,…,BDS-2D.4。
7.根据权利要求5所述的方法,所述方法还包括:
-基于所述二维修改图像数据组MDS-2D.1,…,MDS-2D.4以及所述三维第一差分图像数据组DDS-3D,确定DET-DDS'所述四维第二差分图像数据组DDS-4D。
8.根据权利要求1或2所述的方法,
其中所述方法还包括:
-通过借助于所述计算单元SYS.CU将所述第一训练函数TF-2应用到所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4上,确定DET-DDS-2D二维差分图像数据组DDS-2D.1,…,DDS-2D.4,
其中确定DET-DDS所述三维第一差分图像数据组DDS-3D包括:基于所述二维差分图像数据组DDS-2D.1,…,DDS-2D.4进行重建。
9.根据权利要求8所述的方法,所述方法还包括:
-通过将第二训练函数TF-4应用到输入数据上,确定DET-DDS'所述四维第二差分图像数据组DDS-4D',其中所述输入数据基于所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4、所述二维差分图像数据组DDS-2D.1,…,DDS-2D.4和基于所述三维第一差分图像数据组DDS-3D。
10.根据权利要求1或2所述的方法,
其中所述第一训练函数TF-1,TF-2,TF-3基于神经网络。
11.根据权利要求10所述的方法,
所述神经网络包括卷积层和/或反卷积层。
12.一种用于调整TADJ1,TADJ2第一训练函数TF-1,TF-2,TF-3的方法,所述方法包括:
-借助于接口TSYS.IF接收TREC1-TF,TREC2-TF所述第一训练函数TF-1,TF-2,
-借助于所述接口TSYS.IF接收TREC1-TD,TREC2-TD检查体积VOL的第一二维训练图像数据组和第二二维训练图像数据组,
其中所述第一二维训练图像数据组中的每个第一二维训练图像数据组包括所述检查体积VOL关于投影方向的二维X射线投影,
其中在记录第一二维X射线投影期间,所述检查体积VOL不包括X射线造影剂,
其中所述第二二维训练图像数据组中的每个第二二维训练图像数据组包括所述检查体积VOL关于投影方向的第二二维X射线投影,
其中在记录第二X射线投影TDS-2D-2期间,所述检查体积VOL包括X射线造影剂,
-通过数字减影血管造影术,基于所述第一二维训练图像数据组和所述第二二维训练图像数据组借助于计算单元TSYS.CU确定TDET1-1,TDET2-1第一训练差分图像数据组,
-基于所述第二二维训练图像数据组并且基于所述第一训练函数TF-1,TF-2,TF-3借助于所述计算单元TSYS.CU确定TDET1-2,TDET2-2第二训练差分图像数据组,
-基于借助于所述计算单元TSYS.CU对所述第一训练差分图像数据组与所述第二训练差分图像数据组进行比较,调整TADJ1,TADJ2所述第一训练函数TF-1,TF-2,TF-3。
13.一种用于确定检查体积VOL的第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D的确定***SYS,所述确定***包括:
-接口SYS.IF,所述接口构成为用于:接收REC-RDS-2D涉及所述检查体积VOL的二维真实图像数据组RDS-2D.1,…,RDS-2D.4,其中所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4中的每个二维真实图像数据组包括所述检查体积关于投影方向的二维X射线投影,
-计算单元SYS.CU,所述计算单元构成为用于:基于所述二维真实图像数据组RDS-2D.1,…,RDS-2D.4并且基于第一训练函数TF-1,TF-2,TF-3确定DET-DDS所述第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D,其中所述第一差分图像数据组DDS-2D.1,…,DDS-2D.4,DDS-3D,DDS-4D是三维的,
其中借助于所述计算单元基于三维第一差分图像数据组和所述二维真实图像数据组来确定四维第二差分图像数据组。
14.一种X射线单元,所述X射线单元包括根据权利要求13所述的确定***SYS。
15.一种用于调整TADJ1,TADJ2第一训练函数TF-1,TF-2,TF-3的训练***,所述训练***包括:
-接口TSYS.IF,所述接口构成为用于接收TREC1-TF,TREC2-TF所述训练函数TF-1,TF-2,
此外,所述接口构成为用于接收TREC1-TD,TREC2-TD检查体积VOL的第一二维训练图像数据组和第二二维训练图像数据组,其中所述第一二维训练图像数据组中的每个第一二维训练图像数据组包括所述检查体积VOL关于投影方向的二维X射线投影,其中在记录第一二维X射线投影期间,所述检查体积VOL不包括X射线造影剂,其中所述第二二维训练图像数据组中的每个第二二维训练图像数据组包括所述检查体积VOL关于投影方向的第二二维X射线投影,并且其中在记录第二X射线投影TDS-2D-2期间,所述检查体积VOL包括X射线造影剂,
-计算单元TSYS.CU,所述计算单元构成为用于:通过数字减影血管造影术,基于所述第一二维训练图像数据组和所述第二二维训练图像数据组确定TDET1-1,TDET2-1第一训练差分图像数据组,
-此外,所述计算单元构成为用于:基于所述第二二维训练图像数据组并且基于所述第一训练函数TF-1,TF-2,TF-3确定TDET1-2,TDET2-2第二训练差分图像数据组,
-此外,所述计算单元构成为用于:基于所述第一训练差分图像数据组与所述第二训练差分图像数据组的比较,调整TADJ1,TADJ2所述第一训练函数TF-1,TF-2,TF-3。
16.一种计算机可读的存储介质,在所述存储介质上存储有由确定***SYS和/或训练***TSYS可读的和可运行的程序段,以便当由所述确定***SYS和/或所述训练***TSYS运行所述程序段时,执行根据权利要求1至11中任一项所述的用于确定差分图像数据组DDS-3D,DDS-4D的方法的所有步骤和/或执行根据权利要求12所述的用于训练第一训练函数TF-1,TF-2,TF-3的方法的所有步骤。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18182251.1 | 2018-07-06 | ||
EP18182251.1A EP3591617A1 (de) | 2018-07-06 | 2018-07-06 | Bestimmen eines differenzbilddatensatzes eines untersuchungsvolumens |
EP19163508.5A EP3591611B1 (de) | 2018-07-06 | 2019-03-18 | Bestimmen eines differenzbilddatensatzes eines untersuchungsvolumens |
EP19163508.5 | 2019-03-18 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110689592A CN110689592A (zh) | 2020-01-14 |
CN110689592B true CN110689592B (zh) | 2023-10-31 |
Family
ID=69101422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910610360.6A Active CN110689592B (zh) | 2018-07-06 | 2019-07-08 | 确定检查体积的差分图像数据组 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11017514B2 (zh) |
JP (1) | JP6954719B2 (zh) |
CN (1) | CN110689592B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6954719B2 (ja) * | 2018-07-06 | 2021-10-27 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 検査ボリュームの差分画像データセットの決定 |
DE102019200270A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
DE102019200269A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Beschränkungsbilddatensatzes und/oder eines Differenzbilddatensatzes |
DE102019200888A1 (de) * | 2019-01-24 | 2020-07-30 | Siemens Healthcare Gmbh | Bestimmen eines Bilddatensatzes |
DE102019208496B4 (de) | 2019-06-12 | 2024-01-25 | Siemens Healthcare Gmbh | Computerimplementierte Verfahren und Vorrichtungen zum Bereitstellen eines Differenzbilddatensatzes eines Untersuchungsvolumens und zum Bereitstellen einer trainierten Generatorfunktion |
DE102019218770A1 (de) * | 2019-12-03 | 2021-06-10 | Siemens Healthcare Gmbh | Bereitstellen eines Gefäßbilddatensatzes |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727233A (zh) * | 2011-03-31 | 2012-10-17 | 西门子公司 | 用于获得检查对象的四维图像数据组的方法、装置和*** |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19925395B4 (de) * | 1999-06-02 | 2004-11-25 | Siemens Ag | Verfahren zum Betrieb eines Computertomographie(CT)-Gerätes |
DE19936679C2 (de) * | 1999-08-04 | 2003-06-18 | Siemens Ag | Röntgendiagnostikgerät |
DE10150428A1 (de) * | 2001-10-11 | 2003-04-30 | Siemens Ag | Verfahren zur Erzeugung dreidimensionaler, mehrfachaufgelöster Volumenbilder eines Untersuchungsobjekts |
DE10317137A1 (de) * | 2003-04-14 | 2004-11-18 | Siemens Ag | Röntgeneinrichtung und Verfahren zum Herstellen eines Oberflächenbildes |
DE10348796B4 (de) * | 2003-10-21 | 2007-09-27 | Siemens Ag | Vorrichtung zur räumlichen Modulation eines Röntgenstrahlbündels und Röntgenbildsystem |
JP3940747B2 (ja) * | 2006-01-18 | 2007-07-04 | 株式会社東芝 | X線診断装置 |
JP4595978B2 (ja) * | 2007-09-21 | 2010-12-08 | 株式会社デンソー | ハンズフリー装置 |
US8094904B2 (en) * | 2007-09-26 | 2012-01-10 | Siemens Aktiengesellschaft | Method and system for bone suppression based on a single x-ray image |
JP5487172B2 (ja) * | 2011-09-05 | 2014-05-07 | 株式会社東芝 | 医用画像診断装置及び医用画像処理装置 |
DE102014213408B4 (de) | 2014-07-10 | 2018-10-25 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung eines dreidimensionalen Modelldatensatzes eines wenigstens ein Gefäßsegment umfassenden Blutgefäßsystems |
US10818073B2 (en) * | 2015-03-10 | 2020-10-27 | Wisconsin Alumni Research Foundation | System and method for time-resolved, three-dimensional angiography with flow information |
JP6525912B2 (ja) * | 2016-03-23 | 2019-06-05 | 富士フイルム株式会社 | 画像分類装置、方法およびプログラム |
US10575469B2 (en) * | 2016-07-14 | 2020-03-03 | Cnh Industrial America Llc | Net wrapping system |
US9965863B2 (en) * | 2016-08-26 | 2018-05-08 | Elekta, Inc. | System and methods for image segmentation using convolutional neural network |
JP6813178B2 (ja) * | 2016-12-07 | 2021-01-13 | 学校法人常翔学園 | 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム |
DE102016226195B3 (de) | 2016-12-23 | 2018-02-01 | Siemens Healthcare Gmbh | Berechnen eines vierdimensionalen DSA-Datensatzes mit variabler räumlicher Auflösung |
CN106682636B (zh) | 2016-12-31 | 2020-10-16 | 上海联影医疗科技有限公司 | 血管提取方法及其*** |
US11664114B2 (en) * | 2017-05-25 | 2023-05-30 | Enlitic, Inc. | Medical scan assisted review system |
JP6954719B2 (ja) * | 2018-07-06 | 2021-10-27 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 検査ボリュームの差分画像データセットの決定 |
DE102019200269A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Beschränkungsbilddatensatzes und/oder eines Differenzbilddatensatzes |
DE102019200270A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
DE102019208496B4 (de) | 2019-06-12 | 2024-01-25 | Siemens Healthcare Gmbh | Computerimplementierte Verfahren und Vorrichtungen zum Bereitstellen eines Differenzbilddatensatzes eines Untersuchungsvolumens und zum Bereitstellen einer trainierten Generatorfunktion |
-
2019
- 2019-05-27 JP JP2019098672A patent/JP6954719B2/ja active Active
- 2019-07-02 US US16/460,078 patent/US11017514B2/en active Active
- 2019-07-08 CN CN201910610360.6A patent/CN110689592B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102727233A (zh) * | 2011-03-31 | 2012-10-17 | 西门子公司 | 用于获得检查对象的四维图像数据组的方法、装置和*** |
Also Published As
Publication number | Publication date |
---|---|
US11017514B2 (en) | 2021-05-25 |
CN110689592A (zh) | 2020-01-14 |
US20200013153A1 (en) | 2020-01-09 |
JP6954719B2 (ja) | 2021-10-27 |
JP2020022728A (ja) | 2020-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689592B (zh) | 确定检查体积的差分图像数据组 | |
US11610346B2 (en) | Image reconstruction using machine learning regularizers | |
Würfl et al. | Deep learning computed tomography: Learning projection-domain weights from image domain in limited angle problems | |
US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
JP6855223B2 (ja) | 医用画像処理装置、x線コンピュータ断層撮像装置及び医用画像処理方法 | |
US9595121B2 (en) | Systems and methods for PET penalized-likelihood image reconstruction with spatially varying smoothing parameters | |
US9256967B2 (en) | Systems and methods for partial volume correction in PET penalized-likelihood image reconstruction | |
US8897528B2 (en) | System and method for iterative image reconstruction | |
CN112085807B (zh) | 提供差分图像数据组和训练生成器函数的方法和提供*** | |
US20140363067A1 (en) | Methods and systems for tomographic reconstruction | |
CN108242067B (zh) | 计算具有可变空间分辨率的四维dsa数据组 | |
US11238625B2 (en) | Imaging system extended field-of-view | |
AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
Cierniak et al. | A practical statistical approach to the reconstruction problem using a single slice rebinning method | |
Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
US8379948B2 (en) | Methods and systems for fast iterative reconstruction using separable system models | |
US11164344B2 (en) | PET image reconstruction using TOF data and neural network | |
US11574184B2 (en) | Multi-modal reconstruction network | |
Murphy et al. | Pose estimation of known objects during transmission tomographic image reconstruction | |
CN113409414B (zh) | X线图像的散射修正方法、装置、电子设备、存储介质 | |
Zhang et al. | A convolutional framework for forward and back-projection in fan-beam geometry | |
Heylen et al. | Motion correction for 4D CBCT reconstruction with TV regularization | |
McCann et al. | Region of interest x-ray computed tomography via corrected back projection | |
Nguyen et al. | Statistical Penalized-likelihood CT Image Reconstruction with Plug-and-play Priors | |
Perlmutter et al. | Mixed Confidence Estimation for Iterative CT 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |