CN110858407A - 光子计数光谱计算机断层扫描的优化能量仓参数集的提供 - Google Patents

光子计数光谱计算机断层扫描的优化能量仓参数集的提供 Download PDF

Info

Publication number
CN110858407A
CN110858407A CN201910783014.8A CN201910783014A CN110858407A CN 110858407 A CN110858407 A CN 110858407A CN 201910783014 A CN201910783014 A CN 201910783014A CN 110858407 A CN110858407 A CN 110858407A
Authority
CN
China
Prior art keywords
energy bin
computed tomography
photon counting
data
parameters
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
Application number
CN201910783014.8A
Other languages
English (en)
Other versions
CN110858407B (zh
Inventor
N·凯瑟
S·施密特
P·霍尔策
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens Healthcare GmbH
Original Assignee
Siemens Healthcare GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Healthcare GmbH filed Critical Siemens Healthcare GmbH
Publication of CN110858407A publication Critical patent/CN110858407A/zh
Application granted granted Critical
Publication of CN110858407B publication Critical patent/CN110858407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/17—Circuit arrangements not adapted to a particular type of detector
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • 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
    • G06T2211/408—Dual energy
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Optics & Photonics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本公开的实施例涉及光子计数光谱计算机断层扫描的优化能量仓参数集的提供。在一方面，本发明涉及一种用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，该方法包括以下步骤：‑接收与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，‑执行多个迭代步骤中的迭代步骤，‑其中多个迭代步骤中的第一迭代步骤的输入包括初始能量仓参数集，作为输入能量仓参数集，‑其中多个迭代步骤中的每个另外的迭代步骤的输入包括在多个迭代步骤中的前一迭代步骤中计算出的经调整的能量仓参数集，作为输入能量仓参数集。

Description

光子计数光谱计算机断层扫描的优化能量仓参数集的提供
技术领域
在一方面，本发明涉及一种用于提供针对光子计数光谱计算机断层扫描的优化能量仓(bin)参数集的方法。在其他方面，本发明涉及一种用于提供医学图像的方法和一种用于提供解剖结构的分割的方法。在另一方面，本发明涉及一种用于训练机器学习算法以提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的训练方法。在另外的方面，本发明涉及一种用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的提供单元、计算机程序产品、计算机可读介质和计算机断层扫描设备。
背景技术
用于计算机断层扫描的光子计数检测器实现了生成光谱分辨的计算机断层扫描医学图像数据。光子计数检测器可以被配置为以多个能量仓采集x射线投影数据。例如，可以使用四个能量仓来覆盖所采集的x射线投影数据的整个能量范围。与多个能量仓有关的光子计数光谱计算机断层扫描数据可以被用来计算混合图像、材料分解和/或虚拟单能量图像。
可以在开始采集x射线投影数据之前预定义能量仓的窗参数。在基本的方法中，相同的能量仓的预定义窗参数被用于不同种类的计算机断层扫描应用，而没有根据被检查的特定结构和/或组织来调节。为了提高所采集的光子计数光谱计算机断层扫描数据的质量，可以关于特定的计算机断层扫描应用来调节能量仓的窗参数。已经提出了用于提供能量仓的优化的窗参数的各种方法([1]-[5])。
本发明的基本技术问题是有助于改进地优化用于光子计数光谱计算机断层扫描的能量仓参数集。该问题通过权利要求1的方法以及通过权利要求10的提供单元来解决。从属权利要求涉及本发明的其他方面。
发明内容
在一方面，本发明涉及一种用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，该方法包括以下步骤：
-接收与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-执行多个迭代步骤中的迭代步骤，
-其中多个迭代步骤中的第一迭代步骤的输入包括初始能量仓参数集，作为输入能量仓参数集，
-其中多个迭代步骤中的每个另外的迭代步骤的输入包括在多个迭代步骤中的前一迭代步骤中计算出的经调整的能量仓参数集，作为输入能量仓参数集，
-基于在多个迭代步骤中的最后迭代步骤中计算出的经调整的能量仓参数集，提供优化的能量仓参数集，
-其中多个迭代步骤中的每个迭代步骤包括以下步骤：
a)通过将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和输入能量仓参数集来计算医学图像数据，
b)通过将至少一个分割算法应用于该医学图像数据来计算与该医学图像数据中的解剖结构有关的分割数据，
c)通过将评估算法应用于分割数据来计算评估数据，
d)通过将优化算法应用于评估数据和输入能量仓参数集来计算经调整的能量仓参数集。
在另一方面，优化的能量仓参数集包括多个加权参数，其中至少一个重建算法被配置用于：基于加权参数，对光子计数光谱计算机断层扫描数据的子集相对于彼此进行加权。
在另一方面，分割算法是经训练的、基于深度学习的语义分割算法。
在另一方面，评估算法是经训练的、基于深度学习的评估算法。
在另一方面，多个迭代步骤中的每个迭代步骤还包括以下步骤：基于评估数据来确定是否满足终止准则。
在另一方面，优化算法是迭代优化算法和/或进化优化算法。
在另一方面，本发明涉及一种用于提供医学图像的方法，该方法包括以下步骤：
-执行根据所公开的各方面中的一个或多个方面的、用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，从而获得优化的能量仓参数集，
-通过将重建算法应用于光子计数光谱计算机断层扫描数据和优化的能量仓参数集来计算医学图像，
-提供该医学图像。
在另一方面，本发明涉及一种用于提供解剖结构的分割的方法，该方法包括以下步骤：
-执行根据所公开的各方面中的一个或多个方面的、用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，从而获得优化的能量仓参数集，
-通过将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和优化的能量仓参数集来计算医学图像数据，
-通过将至少一个分割算法应用于医学图像数据来计算医学图像数据中的解剖结构的分割，
-提供解剖结构的分割。
在又一方面，本发明涉及一种用于训练机器学习算法的训练方法，该机器学习算法用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集，该方法包括以下步骤：
-接收多个光子计数光谱计算机断层扫描数据集和初始能量仓参数集，
-针对多个光子计数光谱计算机断层扫描数据集中的每个光子计数光谱计算机断层扫描数据集，执行根据所公开的各方面中的一个或多个方面的、用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，从而针对每个光子计数光谱计算机断层扫描数据集，获得对应的优化的能量仓参数集，
-生成多个训练对，多个训练对中的每个训练对包括：多个光子计数光谱计算机断层扫描数据集中的一个光子计数光谱计算机断层扫描数据集，和对应的优化的能量仓参数集，
-基于多个训练对来训练机器学习算法，从而获得经训练的机器学习算法，以用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
在又一方面，本发明涉及一种用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的提供单元，该提供单元包括以下单元：
-接收单元，被配置用于接收与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-迭代单元，被配置用于执行多个迭代步骤中的迭代步骤，
-其中多个迭代步骤中的第一迭代步骤的输入包括初始能量仓参数集，作为输入能量仓参数集，
-其中多个迭代步骤中的每个另外的迭代步骤的输入包括在多个迭代步骤的前一迭代步骤中计算出的经调整的能量仓参数集，作为输入能量仓参数集，
-能量仓参数集提供接口，被配置用于：基于在多个迭代步骤中的最后迭代步骤中计算出的经调整的能量仓参数集，提供优化的能量仓参数集，
-其中迭代单元包括以下计算单元：
a)医学图像计算单元，被配置用于：通过将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和输入能量仓参数集，来计算医学图像数据，
b)分割数据计算单元，被配置用于：通过将至少一个分割算法应用于该医学图像数据，来计算与该医学图像数据中的解剖结构有关的分割数据，
c)评估数据计算单元，被配置用于：通过将评估算法应用于分割数据来计算评估数据，
d)优化计算单元，其通过将优化算法应用于评估数据和输入能量仓参数集来计算经调整的能量仓参数集。
在另一方面，提供单元被配置为：实现根据所公开的各方面中的一个或多个方面的、用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法。
在另一方面，提供单元还包括医学图像提供接口，其被配置用于提供医学图像，其中提供单元还被配置为：实现根据所公开的各方面中的一个或多个方面的、用于提供医学图像的方法。
在另一方面，提供单元还包括分割提供接口，其被配置用于提供解剖结构的分割，其中提供单元还被配置为：实现根据所公开的各方面中的一个或多个方面的、用于提供解剖结构的分割的方法。
在又一方面，本发明涉及一种包括程序元件的计算机程序产品，当该程序元件被加载到提供单元的存储器中时，该程序元件使得提供单元执行根据所公开的各方面中的一个或多个方面的方法的步骤。
在又一方面，本发明涉及一种计算机可读介质，在该计算机可读介质上存储有程序元件，该程序元件可以由提供单元读取和执行，以便在该程序元件由提供单元执行时，执行根据所公开的各方面中的一个或多个方面的方法的步骤。
在又一方面，本发明涉及一种计算机断层扫描设备，包括提供单元，其用于根据所公开的各方面中的一个或多个方面、提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
在又一方面，本发明涉及一种计算机断层扫描设备，包括：
-检测器，被配置用于采集与多个能量仓有关的光子计数光谱计算机断层扫描数据，
-医学图像计算单元，被配置用于通过将重建算法应用于光子计数光谱计算机断层扫描数据和优化的能量仓参数集，来计算医学图像。
在另一方面，计算机断层扫描设备包括处理器，其被配置用于：将经训练的机器学习算法应用于光子计数光谱计算机断层扫描数据，从而获得优化的能量仓参数集，其中经训练的机器学习算法已经由训练方法训练，该训练方法用于训练机器学习算法，该机器学习算法提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
光子计数光谱计算机断层扫描数据可以包括多个x射线投影数据集。多个x射线投影数据集中的每个x射线投影数据集可以形成光子计数光谱计算机断层扫描数据的子集和/或可以被指派给多个能量仓中的对应能量仓。被指派给给定能量仓的x射线投影数据集包括某个能量的光子的衰减值，该某个能量被包括在给定能量仓中。
能量仓参数集可以包括多个加权参数，特别是针对多个能量仓中的每个能量仓的至少一个加权参数。加权参数确定由至少一个重建算法进行的、对不同能量仓的x射线投影数据相对于彼此的加权。可以将不同的加权参数指派给给定能量仓，以供不同的重建算法使用。例如，加权参数可以确定：相比于与较低能量的光子有关的x射线投影数据，与较高能量的光子有关的x射线投影数据是否将以更高的权重贡献于经重建的医学图像，反之亦然。
能量仓参数集可以包括多个窗参数，特别是不同种类的窗参数。例如，窗参数可以是多个能量仓中和/或经修正的多个能量仓中的能量仓的总量。例如，窗参数可以是用于多个能量仓中的每个能量仓的能量窗宽度和/或能量窗位置和/或一个或多个阈值。
例如，可以使用能量仓的优化的窗参数来修改光子计数光谱计算机断层扫描数据，特别是将x射线投影数据重新指派给不同的能量仓，和/或采集与经修正的多个能量仓有关的、另外的光子计数光谱计算机断层扫描数据。
基本上，可以使用任何初始能量仓参数集。例如，可以使用预定义的能量仓参数集、或从先前的类似的计算机断层扫描检查中获知的能量仓参数集。
医学图像数据可以包括相同种类或不同种类的一个或多个医学图像。各种类的医学图像例如是混合图像(特别是线性混合图像或非线性混合图像)、虚拟非对比图像、虚拟单能量图像和材料分解图像(特别是材料密度图像)。
基本上，可以使用任何分割算法。例如，经训练的语义分割算法，特别是基于卷积神经网络的经训练的语义分割算法，可以被用作分割算法。经训练的语义分割算法可以被应用于医学图像数据，该医学图像数据包括多个图像，特别是不同种类的多个图像。解剖结构例如可以是器官或器官的一部分，特别是人体的器官或器官的一部分。解剖结构可以包括例如软组织。
评估数据可以包括指示分割数据的质量的度量。在其他都相同的条件下，对于给定组织，如果能量仓参数集相对于给定组织是最优的，则分割数据的质量将是最优的。相反，如果评估数据指示已经对于给定组织获得了具有最优质量的分割数据，则用于计算在该分割下的医学图像数据的能量仓参数集可以被视为相对于给定组织的最优的一个能量仓参数集。
评估算法可以是经训练的评估算法，特别是基于卷积神经网络的经训练的评估算法。例如，可以使用已经学习了解剖结构的分割看起来如何的、经训练的评估算法。在某种程度上，经训练的评估算法具有与生成对抗网络的对抗/判别网络类似的作用。因此，该方法允许利用关于感兴趣的解剖结构的知识，特别是以经训练的评估算法的形式。
例如，可以基于手动注释的训练数据来训练评估算法，该训练数据包括计算机断层扫描数据和/或磁共振成像数据和/或从磁共振成像数据生成的合成计算机断层扫描数据。磁共振成像数据具有提高的软组织对比度的优点。
根据一个实施例，可以预定义多个迭代步骤中的迭代步骤的数目。根据另一实施例，基于终止准则来确定多个迭代步骤中的迭代步骤的数目。例如，该方法还可以包括以下步骤：基于评估数据来确定是否满足终止准则。基于评估数据来确定是否满足终止准则可以包括：将评估数据中包括的一个或多个评估值与终止准则的对应阈值进行比较。
可以通过以下方式定义终止准则：该终止准则只能由已经基于质量最优或接近最优的分割数据计算出的评估数据来满足。以下迭代步骤可以被视为多个迭代步骤中的最后迭代步骤：在该迭代步骤期间，已经计算出经调整的能量仓参数集，该经调整的能量仓参数集如果与光子计数光谱计算机断层扫描数据一起用作重建算法的输入，则产生医学图像数据；该医学图像数据如果用作分割算法的输入，则产生分割数据；该分割数据如果用作评估算法的输入，则产生满足终止准则的评估数据。
优化算法可以使用以下数据作为另外的输入：例如在多个迭代步骤中的一个或多个较早迭代步骤期间已经计算出的评估数据和/或经调整的能量仓参数集。优化算法可以是迭代优化算法和/或进化优化算法。优化算法可以基于例如梯度下降和/或最大似然期望最大化(MLEM)。
该方法可以提供关于给定解剖结构(诸如器官和/或组织)的最优能量仓参数集。特别地，不必为了获得最优能量仓参数集而提供定位片(topogram)数据，该定位片数据在光子计数光谱计算机断层扫描数据之前采集。
最优能量仓参数集可以与光子计数光谱计算机断层扫描数据一起用作重建算法的输入，以计算医学图像，例如混合图像、虚拟非对比图像、虚拟单能量图像和材料分解图像。基于最优能量仓参数集计算出的医学图像预期具有提高的对比度，因为对医学图像中包括的解剖结构的清晰勾绘是针对高质量分割的先决条件。此外，该方法可以基于光子计数光谱计算机断层扫描数据来提供解剖结构的最优分割数据。通过将分割算法应用于基于光子计数光谱计算机断层扫描和最优能量仓参数集计算出的医学图像数据，可以获得最优分割。
所提出的方法可以提供改进的医学图像和/或改进的分割，尤其是软组织解剖结构(例如脑或肝)的改进的医学图像和/或改进的分割。所提出的方法允许最优地利用光谱信息。此外，不必为了执行该方法而提供经注释的光谱计算机断层扫描训练数据。
基于经训练的机器学习算法，可以针对给定的光子计数光谱计算机断层扫描数据提供优化的能量仓参数集，而无需针对给定的光子计数光谱计算机断层扫描数据明确地执行迭代步骤。特别地，可以基于与相同结构和/或组织(例如脑)有关的、大量计算机断层扫描数据集和对应的优化的能量仓参数集来训练机器学习算法。然后，经训练的机器学习算法特别适合于提供关于该结构和/或组织的优化的能量仓参数集。机器学习算法可以基于例如卷积神经网络。
本文提到的任何单元或接口可以以硬件和/或软件的形式体现。特别地，接口可以以PCI总线、USB或火线中的至少一个的形式体现。特别地，单元可以包括硬件元件和/或软件元件，例如微处理器、现场可编程门阵列(首字母缩略词是“FPGA”)或专用集成电路(首字母缩略词是“ASIC”)。计算机可读介质可以被体现为非永久主存储器(例如随机存取存储器)或永久大容量存储装置(例如硬盘、USB棒、SD卡、固态盘)。
提供单元可以被体现为数据处理***或数据处理***的一部分。数据处理***可以例如包括以下中的至少一个：云计算***、分布式计算***、计算机网络、计算机、平板计算机、智能电话等。数据处理***可以包括硬件和/或软件。硬件可以是例如处理器***、存储器***及其组合。硬件可以由软件可配置和/或由软件可操作。用于执行方法的步骤和/或用于训练算法的计算可以在处理器中执行。可以例如通过传输携带数据的信号、和/或通过将数据写入计算机可读介质中、和/或通过在显示器上显示数据来提供数据，特别是优化的能量仓参数集、医学图像或分割。
计算机程序产品可以是例如计算机程序或包括除计算机程序之外的另外的元件。该另外的元件可以是硬件和/或软件，硬件例如其上存储有计算机程序的存储器设备、用于使用计算机程序的硬件密钥等；软件例如用于使用该计算机程序的文档或软件密钥。
在没有明确描述的情况下，各个实施例或它们的各个方面和特征可以彼此组合或交换，而不限制或扩大所描述的发明的范围，只要这样的组合或交换是有意义的并且在本发明的某种意义上。在适用的情况下，关于本发明的一个实施例所描述的优点对于本发明的其他实施例也是有利的。
本文提到的任何算法可以基于以下架构中的一个或多个：卷积神经网络、深度信念网络、深度残差学习、深度强化学习、循环神经网络、暹罗(Siamese)网络、生成对抗网络或自动编码器。特别地，用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的、经训练的机器学习算法可以被体现为深度学习算法和/或卷积神经网络。
参考以下事实：所描述的方法和所描述的单元仅仅是本发明的优选示例实施例，并且本发明可以由本领域技术人员改变，而不脱离如由权利要求所指定的本发明的范围。
附图说明
下面将参考附图、使用示例实施例来说明本发明。附图中的图示是示意性的且高度简化的，并且不一定按比例绘制。
图1示出了与光子计数检测器的多个能量仓有关的x射线光谱。
图2示出了图示用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法的图。
图3示出了用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的提供单元。
图4示出了图示用于训练机器学习算法的训练方法的图，该机器学习算法用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
具体实施方式
图1示出了与光子计数检测器的多个能量仓有关的x射线光谱。如图1中所图示，多个能量仓由四个能量仓组成。轴AE示出了以keV为单位的光子能量的值。线EB1、EB2、EB3和EB4中的每条线标记与四个能量仓中的一个能量仓有关的、x射线光谱的一部分。四个能量仓的使用允许在合理的计算工作量下的良好的信噪比。
来自用线EB1标记的、x射线光谱的一部分的光子的衰减值被指派给四个能量仓中的第一能量仓。来自用线EB2标记的、x射线光谱的一部分的光子的衰减值被指派给四个能量仓中的第二能量仓。来自用线EB3标记的、x射线光谱的一部分的光子的衰减值被指派给四个能量仓中的第三能量仓。来自用线EB4标记的、x射线光谱的一部分的光子的衰减值被指派给四个能量仓中的第四能量仓。
图2示出了图示用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法的图，该方法包括以下步骤：
-接收RD与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-执行PI多个迭代步骤中的迭代步骤，
-其中多个迭代步骤中的第一迭代步骤的输入包括初始能量仓参数集，作为输入能量仓参数集，
-其中多个迭代步骤中的每个另外的迭代步骤的输入包括在多个迭代步骤中的前一迭代步骤中计算出的经调整的能量仓参数集，作为输入能量仓参数集，
-基于在多个迭代步骤中的最后迭代步骤中计算出的经调整的能量仓参数集，提供PP优化的能量仓参数集，
-其中多个迭代步骤中的每个迭代步骤包括以下步骤：
a)通过将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和输入能量仓参数集来计算CI医学图像数据，
b)通过将至少一个分割算法应用于医学图像数据来计算CS与医学图像数据中的解剖结构有关的分割数据，
c)通过将评估算法应用于分割数据来计算CE评估数据，
d)通过将优化算法应用于评估数据和输入能量仓参数集来计算CO经调整的能量仓参数集。
多个迭代步骤中的每个迭代步骤还包括以下步骤：基于评估数据来确定是否满足终止准则。如果未满足终止准则，则继续TN迭代。如果满足终止准则，则终止TP迭代。
在步骤PI中，提供医学图像，该医学图像已经通过以下计算出：将重建算法应用于光子计数光谱计算机断层扫描数据和优化的能量仓参数集。
在步骤PS中，提供解剖结构的分割，该解剖结构的分割已经通过以下计算出：将至少一个分割算法应用于医学图像数据，该医学图像数据已经通过以下计算出：将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和优化的能量仓参数集。
图3示出了用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的提供单元P-U，该提供单元包括以下单元：
-接收单元RD-U，被配置用于接收与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-迭代单元PI-U，被配置用于执行多个迭代步骤中的迭代步骤，
-其中多个迭代步骤中的第一迭代步骤的输入包括初始能量仓参数集，作为输入能量仓参数集，
-其中多个迭代步骤中的每个另外的迭代步骤的输入包括在多个迭代步骤的前一迭代步骤中计算出的经调整的能量仓参数集，作为输入能量仓参数集，
-能量仓参数集提供接口PP-I，被配置用于：基于在多个迭代步骤中的最后迭代步骤中计算出的经调整的能量仓参数集，提供优化的能量仓参数集，
-其中迭代单元PI-U包括以下计算单元：
a)医学图像计算单元CI-U，被配置用于：通过将至少一个重建算法应用于光子计数光谱计算机断层扫描数据和输入能量仓参数集来计算医学图像数据，
b)分割数据计算单元CS-U，被配置用于：通过将至少一个分割算法应用于该医学图像数据来计算与该医学图像数据中的解剖结构有关的分割数据，
c)评估数据计算单元CE-U，被配置用于：通过将评估算法应用于分割数据来计算评估数据，
d)优化计算单元CO-U，其通过将优化算法应用于评估数据和输入能量仓参数集来计算经调整的能量仓参数集。
提供单元P-U被配置为实现图2中所图示的方法。提供单元P-U还包括医学图像提供接口PI-1和分割提供接口PS-I，医学图像提供接口被配置用于提供医学图像，分割提供接口被配置用于提供解剖结构的分割。
提供单元P-U还包括确定单元，其被配置用于：基于评估数据来确定是否满足终止准则。如果未满足终止准则，则继续TN迭代。如果满足终止准则，则终止TP迭代。
图4示出了图示用于训练机器学习算法的训练方法的图，该机器学习算法用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集，该方法包括以下步骤：
-接收RPD多个光子计数光谱计算机断层扫描数据集和初始能量仓参数集，
-对于多个光子计数光谱计算机断层扫描数据集中的每个光子计数光谱计算机断层扫描数据集，执行PM根据所公开各方面中的一个或多个方面的、用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，从而针对每个光子计数光谱计算机断层扫描数据集，获得对应的优化的能量仓参数集，
-生成GT多个训练对，多个训练对中的每个训练对包括多个光子计数光谱计算机断层扫描数据集中的一个光子计数光谱计算机断层扫描数据集和对应的优化的能量仓参数集，
-基于多个训练对来训练TA机器学习算法，从而获得经训练的机器学习算法以用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
如果可用的话，可以使用手动优化的能量仓参数集来训练机器学习算法，该手动优化的能量仓参数集已经由用户基于光子计数光谱计算机断层扫描数据集来手动优化，该机器学习算法用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。例如，可以使用手动优化的能量仓参数集，作为在步骤PM中获得的优化的能量仓参数集的附加或备选。因此，训练对可以包括：多个光子计数光谱计算机断层扫描数据集中的一个光子计数光谱计算机断层扫描数据集，和对应的手动优化的能量仓参数集。
参考文献
[1]T.Weidinger，T.M.Buzug，T.Flohr，S.Kappler，F.
Figure BDA0002177164430000141
和K.Stierstorfer，“Threshold optimization for efficient contrast imaging withquantum counting CT detector”，SPIE医学影像2013，医学影像物理学。
[2]P.He，B.Wei，W.Cong和G.Wang，“Optimization of K-edge imaging withspectral CT”，医学物理学39(11)，2012。
[3]B.Meng，W.Cong，Y.Xi，B.D.Man和G.Wang，“Energy Window Optimization forX-ray K-edge Tomographic Imaging”，IEEE生物医学工程学报2016年8月，63(8)，1623-1630。
[4]S.J.Nik，J.Meyer和R.Watts，“Optimal material discrimination usingspectral x-ray imaging”，物理学医学生物学56(2011)5969-5983。
[5]X.Wang，J.Xu和E.C.Frey，“Optimization of energy window widths inbasis material decomposition using a multi-window photon counting X-raydetector”，IEEE核科学研讨会会议记录，2007年。

Claims (16)

1.一种用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集的方法，所述方法包括以下步骤：
-接收(RD)与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-执行(PI)多个迭代步骤中的迭代步骤，
-其中所述多个迭代步骤中的第一迭代步骤的输入包括所述初始能量仓参数集，作为输入能量仓参数集，
-其中所述多个迭代步骤中的每个另外的迭代步骤的所述输入包括在所述多个迭代步骤中的前一迭代步骤中计算出的、经调整的能量仓参数集，作为所述输入能量仓参数集，
-基于在所述多个迭代步骤中的最后迭代步骤中计算出的所述经调整的能量仓参数集，提供(PP)所述优化的能量仓参数集，
-其中所述多个迭代步骤中的每个迭代步骤包括以下步骤：
a)通过将至少一个重建算法应用于所述光子计数光谱计算机断层扫描数据和所述输入能量仓参数集来计算(CI)医学图像数据，
b)通过将至少一个分割算法应用于所述医学图像数据来计算(CS)与所述医学图像数据中的解剖结构有关的分割数据，
c)通过将评估算法应用于所述分割数据来计算(CE)评估数据，
d)通过将优化算法应用于所述评估数据和所述输入能量仓参数集来计算(CO)所述经调整的能量仓参数集。
2.根据权利要求1所述的方法，
-其中所述优化的能量仓参数集包括多个加权参数，
-其中所述至少一个重建算法被配置用于：基于所述加权参数，对所述光子计数光谱计算机断层扫描数据的多个子集相对于彼此进行加权。
3.根据权利要求1或2的方法，
-其中所述分割算法是经训练的、基于深度学习的语义分割算法。
4.根据权利要求1至3中任一项所述的方法，
-其中所述评估算法是经训练的、基于深度学习的评估算法。
5.根据权利要求1至4中任一项所述的方法，
-其中所述多个迭代步骤中的每个迭代步骤还包括以下步骤：
-基于所述评估数据来确定终止准则是否被满足。
6.根据权利要求1至5中任一项所述的方法，
-其中所述优化算法是迭代优化算法和/或进化优化算法。
7.一种用于提供医学图像的方法，所述方法包括以下步骤：
-执行根据权利要求1至6中任一项所述的方法，从而获得优化的能量仓参数集，
-通过将重建算法应用于所述光子计数光谱计算机断层扫描数据和所述优化的能量仓参数集来计算所述医学图像，
-提供所述医学图像。
8.一种用于提供解剖结构的分割的方法，所述方法包括以下步骤：
-执行根据权利要求1至6中任一项所述的方法，从而获得优化的能量仓参数集，
-通过将至少一个重建算法应用于所述光子计数光谱计算机断层扫描数据和所述优化的能量仓参数集来计算医学图像数据，
-通过将至少一个分割算法应用于所述医学图像数据来计算所述医学图像数据中的所述解剖结构的所述分割，
-提供所述解剖结构的所述分割。
9.一种用于训练机器学习算法的训练方法，所述机器学习算法用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集，所述方法包括以下步骤：
-接收(RPD)多个光子计数光谱计算机断层扫描数据集和初始能量仓参数集，
-针对所述多个光子计数光谱计算机断层扫描数据集中的每个光子计数光谱计算机断层扫描数据集，执行(PM)根据权利要求1至6中任一项所述的方法，从而针对每个光子计数光谱计算机断层扫描数据集，获得对应的优化的能量仓参数集，
-生成(GT)多个训练对，所述多个训练对中的每个训练对包括所述多个光子计数光谱计算机断层扫描数据集中的一个光子计数光谱计算机断层扫描数据集和对应的所述优化的能量仓参数集，
-基于所述多个训练对来训练(TA)所述机器学习算法，从而获得经训练的机器学习算法以用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集。
10.一种提供单元(P-U)，用于提供针对光子计数光谱计算机断层扫描的优化的能量仓参数集，所述提供单元包括以下单元：
-接收单元(RD-U)，被配置用于接收与多个能量仓有关的光子计数光谱计算机断层扫描数据和初始能量仓参数集，
-迭代单元(PI-U)，被配置用于执行多个迭代步骤中的迭代步骤，
-其中所述多个迭代步骤中的第一迭代步骤的输入包括所述初始能量仓参数集，作为输入能量仓参数集，
-其中所述多个迭代步骤中的每个另外的迭代步骤的所述输入包括在所述多个迭代步骤中的前一迭代步骤中计算出的、经调整的能量仓参数集，作为所述输入能量仓参数集，
-能量仓参数集提供接口(PP-I)，被配置用于：基于在所述多个迭代步骤中的最后迭代步骤中计算出的所述经调整的能量仓参数集，提供所述优化的能量仓参数集，
-其中所述迭代单元(PI-U)包括以下计算单元：
a)医学图像计算单元(CI-U)，被配置用于：通过将至少一个重建算法应用于所述光子计数光谱计算机断层扫描数据和所述输入能量仓参数集来计算医学图像数据，
b)分割数据计算单元(CS-U)，被配置用于：通过将至少一个分割算法应用于所述医学图像数据来计算与所述医学图像数据中的解剖结构有关的分割数据，
c)评估数据计算单元(CE-U)，被配置用于：通过将评估算法应用于所述分割数据来计算评估数据，
d)优化计算单元(CO-U)，所述优化计算单元通过将优化算法应用于所述评估数据和所述输入能量仓参数集来计算所述经调整的能量仓参数集。
11.根据权利要求10所述的提供单元(P-U)，被配置为实现根据权利要求1至6中任一项所述的方法。
12.根据权利要求10所述的提供单元(P-U)，还包括医学图像提供接口(PI-I)，所述医学图像提供接口被配置用于提供医学图像，-其中所述提供单元还被配置为实现根据权利要求7所述的方法。
13.根据权利要求10或11所述的提供单元(P-U)，还包括分割提供接口(PS-1)，所述分割提供接口被配置用于提供解剖结构的分割，
-其中所述提供单元还被配置为实现根据权利要求8所述的方法。
14.一种计算机程序产品，所述计算机程序产品包括程序元件，当所述程序元件被加载到所述提供单元(P-U)的存储器中时，所述程序元件使得所述提供单元执行根据权利要求1至8中任一项所述的方法的步骤。
15.一种计算机可读介质，所述计算机可读介质上存储有程序元件，所述程序元件能够由提供单元(PU)读取和执行，以在所述程序元件由所述提供单元执行时，执行根据权利要求1至8中任一项所述的方法的步骤。
16.一种计算机断层扫描设备，包括：
-检测器，被配置用于采集与多个能量仓有关的光子计数光谱计算机断层扫描数据，
-处理器，被配置用于将由根据权利要求9所述的训练方法训练的机器学习算法应用于所述光子计数光谱计算机断层扫描数据，从而获得优化的能量仓参数集，
-医学图像计算单元，被配置用于通过将重建算法应用于所述光子计数光谱计算机断层扫描数据和所述优化的能量仓参数集，来计算医学图像。
CN201910783014.8A 2018-08-24 2019-08-23 光子计数光谱计算机断层扫描的优化能量仓参数集的提供 Active CN110858407B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18190617.3A EP3550517B1 (en) 2018-08-24 2018-08-24 Method and providing unit for providing an optimized energy bin parameter set for photon-counting spectral computed tomography
EP18190617.3 2018-08-24

Publications (2)

Publication Number Publication Date
CN110858407A true CN110858407A (zh) 2020-03-03
CN110858407B CN110858407B (zh) 2021-06-08

Family

ID=63556118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910783014.8A Active CN110858407B (zh) 2018-08-24 2019-08-23 光子计数光谱计算机断层扫描的优化能量仓参数集的提供

Country Status (3)

Country Link
US (1) US10733772B2 (zh)
EP (1) EP3550517B1 (zh)
CN (1) CN110858407B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117338316A (zh) * 2022-06-28 2024-01-05 上海联影医疗科技股份有限公司 一种计算机断层扫描的扫描参数确定方法、装置和***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622493A (zh) * 2016-07-15 2018-01-23 西门子医疗有限公司 用于分割医学图像中的对象的方法和数据处理单元
US20180038969A1 (en) * 2015-02-23 2018-02-08 Mayo Foundation For Medical Education And Research Methods for optimizing imaging technique parameters for photon-counting computed tomography

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014055066A1 (en) * 2012-10-02 2014-04-10 Analogic Corporation Detector array comprising energy integrating and photon counting cells
US9488739B2 (en) * 2013-12-18 2016-11-08 The Board Of Trustees Of The Leland Stanford Junior University Spectral imaging system and method
US9672638B2 (en) * 2014-06-16 2017-06-06 The University Of Chicago Spectral X-ray computed tomography reconstruction using a vectorial total variation
US9801595B2 (en) * 2014-09-08 2017-10-31 Toshiba Medical Systems Corporation Count-weighted least squares parameter estimation for a photon-counting detector
US9870628B2 (en) * 2015-03-18 2018-01-16 Prismatic Sensors Ab Image reconstruction based on energy-resolved image data from a photon-counting multi-bin detector

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180038969A1 (en) * 2015-02-23 2018-02-08 Mayo Foundation For Medical Education And Research Methods for optimizing imaging technique parameters for photon-counting computed tomography
CN107622493A (zh) * 2016-07-15 2018-01-23 西门子医疗有限公司 用于分割医学图像中的对象的方法和数据处理单元

Also Published As

Publication number Publication date
EP3550517A1 (en) 2019-10-09
US20200066007A1 (en) 2020-02-27
EP3550517B1 (en) 2020-08-05
US10733772B2 (en) 2020-08-04
CN110858407B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
Gong et al. Iterative PET image reconstruction using convolutional neural network representation
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
JP7432356B2 (ja) 医用装置及びプログラム
US8058601B2 (en) Determining a multimodal pixon map for tomographic-image reconstruction
US20110268334A1 (en) Apparatus for Improving Image Resolution and Apparatus for Super-Resolution Photography Using Wobble Motion and Point Spread Function (PSF), in Positron Emission Tomography
EP2387779B1 (en) Tomographic imaging using poissonian detector data
Whiteley et al. FastPET: near real-time reconstruction of PET histo-image data using a neural network
CN105556507A (zh) 使用二次似然函数进行数据统计建模的方法和***
JP2022545440A (ja) 深層学習を用いた正確且つ迅速な陽電子放出断層撮影のためのシステム及び方法
WO2021062413A1 (en) System and method for deep learning for inverse problems without training data
Liao et al. Noise Estimation for Single‐Slice Sinogram of Low‐Dose X‐Ray Computed Tomography Using Homogenous Patch
KR101268246B1 (ko) 양전자 단층 촬영 영상에서 워블 동작과 ｐｓｆ을 이용한 초해상도 촬영 장치 및 방법
CN110858407B (zh) 光子计数光谱计算机断层扫描的优化能量仓参数集的提供
CN112529977B (zh) 一种pet图像重建的方法和***
Jiao et al. Fast PET reconstruction using multi-scale fully convolutional neural networks
CA3135942A1 (en) Image reconstruction
Miao et al. Alternating Iteration for $ l_ {p} $($0< p\leq 1$) Regularized CT Reconstruction
US20200118307A1 (en) System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network
Tivnan et al. Control of variance and bias in ct image processing with variational training of deep neural networks
US20240185485A1 (en) Machine learning-based improvement in iterative image reconstruction
Gao et al. An improved patch-based regularization method for PET image reconstruction
Boudjelal et al. PET image reconstruction based on Bayesian inference regularised maximum likelihood expectation maximisation (MLEM) method
Ramyar et al. Establishing a method to measure bone structure using spectral CT
Yu et al. Joint reconstruction of dynamic PET activity and kinetic parametric images using total variation constrained dictionary sparse coding
CN111968192A (zh) 一种ct图像的构建方法、ct设备以及存储介质

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