CN111323437B - 用于统计迭代重建和材料分解的***和方法 - Google Patents

Abstract

本发明题为“用于统计迭代重建和材料分解的***和方法”。本发明提供了一种用于对要重建的对象进行成像的方法，该方法包括采集对应于对象的投影数据。此外，该方法包括基于所采集的投影数据来生成测量正弦图以及制定前向模型，其中该前向模型表示成像***的特性。另外，该方法包括基于对象的估计图像和前向模型来生成估计正弦图以及基于成像***的检测器的堆积特性和死区时间特性中的至少一者来制定统计模型。此外，该方法包括基于统计模型、测量正弦图和估计正弦图来确定对应于估计图像的更新以及基于所确定的更新来更新估计图像以生成对象的更新图像。另外，该方法包括输出对象的最终图像。

Description

用于统计迭代重建和材料分解的***和方法

背景技术

本说明书的实施方案整体涉及光子计数计算机断层摄影成像***，并且更具体地涉及通过使用结合X射线堆积的独特统计属性的模型来提高光子计数计算机断层摄影***中的图像质量的***和方法。

已采用射线照相成像***诸如X射线和计算机断层摄影(CT)***来观察对象的内部方面。通常，成像***包括X射线源，该X射线源被配置为朝所关注的对象(诸如患者、工件、包裹、行李件等)发射X射线。检测装置(诸如辐射检测器阵列)被定位在对象的相对侧上并且被配置为检测透射穿过对象的X射线。

应当理解，CT扫描通过测量来自患者或对象周围的多个不同角度的一系列投影测量来进行。这些测量组合为正弦图，该正弦图将来自多个视图的投影数据收集到单个数据集中。重建算法用于处理正弦图以产生表示患者或对象的图像。目前存在多种用于图像重建的方法。近年来，统计迭代重建(SIR)方法已被用于产生非常高质量的图像，同时减少所需的辐射剂量。

使用SIR方法的目标是产生重建图像，该重建图像将产生与从CT扫描收集的一组测量正弦图最佳匹配的估计正弦图。在SIR方法的每次迭代中，前向模型使用重建图像以及CT***的已知几何形状和其他特性来计算将由重建图像产生的估计正弦图。前向模型基本上模拟X射线在从X射线源穿过患者(如重建图像所示)并进入CT***的检测器时的衰减。

随后，将估计正弦图与来自CT扫描的测量正弦图进行比较。基于该比较，计算更新的重建图像，该更新的重建图像被配置为使得由前向模型估计的正弦图更类似于后续迭代中的测量正弦图。通常，更新步骤作为目标函数的优化来执行。

常规CT和其他射线照相成像***利用检测器，该检测器将在一段时间内集成的射线能转换为最终被数字化的电流信号。然而，此类检测器的缺点在于它们无法提供关于所检测光子的数量和/或能量的数据或反馈。能够计算在一段时间内检测到的X射线并提供检测到的每个X射线的能量水平的测量的能量鉴别直接转换检测器已在原型CT***中采用。然而，这些直接转换半导体检测器的缺点在于它们无法以通常在常规CT***中遇到的X射线光子通量率进行计数。

光子计数CT***在光子到达检测器时记录各个X射线光子。不利的是，光子计数CT***无法有效地计数时间上距离太近的X射线。对于在高X射线通量下的测量和/或在包括穿过患者和/或X射线源预先患者滤波器(蝴蝶结型)的微小衰减的正弦图区域中的测量而言，这通常是个问题。光子计数CT***考虑堆积的某些技术需要在将估计正弦图与测量正弦图进行比较之前校正测量正弦图。

然而，除影响所记录的计数的数量之外，堆积还影响CT投影数据中的噪声。投影测量中的噪声通常会随X射线通量而增大，近似遵循泊松分布。不利的是，当发生堆积时，计数的数量和计数的变化两者均减少。

此外，已知非常高的X射线光子通量率在某些直接转换装置中引起堆积和偏振，这最终会导致检测器饱和。“堆积”是当在检测器处入射的X射线通量太高以致两个或更多个X射线光子与直接转换传感器相互作用并且在一个电荷集成循环期间将电荷包沉积在单个像素(“光子堆”)或相邻像素(“图案堆”)中时发生的现象。在此类情况下，这些事件被识别为具有各个光子能量之和的单一事件。如果这种情况发生得足够频繁，则将堆积事件在光谱中移动到更高的能量时，可导致所检测光谱的显著失真。另外，堆积导致投影区域中的效率或多或少明显降低(包括衰减降低)，从而导致通量检测损失。具体地讲，这些检测器通常在相对低X射线通量水平下饱和。高于这些水平，检测器响应难以预测并且剂量利用率降低。即，一旦像素饱和(对应于所测量光子计数中的较高值)，附加辐射将不会在测量中产生有用的信息。

如本领域已知的，能量鉴别光子检测***将X射线置于一个或多个能量仓中。相对于采用能量积分过程(在采集间隔期间沉积的总能量被求和)的常规CT***，能量仓值的一种类型的处理(称为最佳能量加权(OEW))可提高对比噪声比。多个能量仓数据的另一种类型的处理称为材料分解，并且被配置为通过处理来自多个能量仓的数据来提取定量组织成分信息(如果存在足够的光子统计)。具体地讲，光子计数检测器使得能够改善图像质量并且可提供与常规能量集成***相比新种类的组织成分信息。

此外，应当理解，检测器饱和导致成像信息的损坏，并因此导致X射线投影数据和重建CT图像中的噪声和伪影。已知光子计数直接转换检测器主要由于检测器堆积而在高计数速率下遭受检测器量子效率(DQE)降低。具体地讲，光子计数直接转换检测器由于与每个X射线光子事件相关联的本征电荷收集时间(即，死区时间)而引起堆积。如上所述，饱和最终往往归因于脉冲堆积，尤其是当每个像素的X射线光子吸收速率约为电荷收集时间的倒数时。电荷收集时间的倒数称为最大周期速率(MPR)。当在检测器上入射的真实平均X射线计数速率等于最大周期速率时，所记录的计数为输入检测计数的一半并且输出计数速率仅为MPR的一半。降低的DQE导致图像质量降低，即，噪声较大的图像。另外，滞后和其他非线性效应发生在接近检测器饱和以及高于检测器饱和的通量水平处，并导致附加的图像伪影。

另外，真实信号和所测量信号之间的关系变为非线性，显示随着计数速率的增加而减小。这种堆积效应(如果稳定的话)可被校准和校正，从而提高检测器的有效计数速率能力，尽管会带来噪声较高的代价。然而，如果将计数速率提高到真实信号和所测量信号之间的关系变为非单调的点(这是可活动抑制电子器件的特性)，则该非单调关系的校正可能不再实际。具体地讲，当检测器超过范围时，所记录的计数速率可以是非单调的以提高可活动抑制电子器件的通量率或变为非活动抑制电子器件可达到的最大计数速率。

先前设想的能够以高X射线通量率进行光子计数的解决方案包括使用蝴蝶结型滤波器在检测器处对通量速率进行预处理，以补偿患者形状。而且，已提出将像素细分为多个子像素，每个子像素连接到其自身的前置放大器和相关联的电子器件。通过减小直接转换子像素的区域，通量率能力可在采集间隔期间在较小区域中收集较少的光子时得以提高。然而，由于子像素之间的周边增大，因此所得信号的信噪比可被降低，并且在光子和相邻检测器像素之间的沉积电荷两方面的串扰水平可不利地显著。

发明内容

根据本说明书的方面，呈现了一种用于对要重建的对象进行成像的方法。该方法包括经由成像***采集对应于要重建的对象的投影数据。此外，该方法包括基于所采集的投影数据来生成测量正弦图。而且，该方法包括制定前向模型，其中该前向模型表示成像***的特性。另外，该方法包括基于对象的估计图像和前向模型来生成估计正弦图。该方法还包括基于成像***的检测器的堆积特性和死区时间特性中的至少一者来制定统计模型。此外，该方法包括基于统计模型、测量正弦图和估计正弦图来确定对应于估计图像的更新。此外，该方法包括基于所确定的更新来更新估计图像以生成对象的更新图像。另外，该方法包括输出对象的最终图像。

根据本说明书的另一个方面，呈现了一种***。该***包括噪声校正平台，该噪声校正平台被配置为：基于对应于要重建的对象的投影数据来生成测量正弦图；制定前向模型，其中该前向模型表示成像***的一个或多个特性；基于估计图像、前向模型或估计图像和前向模型两者来生成估计正弦图；基于成像***的检测器的堆积特性和死区时间特性中的至少一者来制定统计模型；基于统计模型和估计正弦图来确定对应于估计图像的更新；基于所确定的更新来更新估计图像以生成对象的更新图像；以及输出对象的最终图像。

根据本说明书的又一个方面，呈现了一种用于对对象进行成像的成像***。该***包括采集子***，该采集子***被配置为采集对应于对象的投影数据。此外，该***包括与采集子***可操作地相关联并包括噪声校正平台的处理子***，其中该噪声校正平台被配置为：基于对应于对象的投影数据来生成测量正弦图；制定前向模型，其中该前向模型表示成像***的特性；基于估计图像、前向模型或估计图像和前向模型两者来生成估计正弦图；基于成像***的检测器的堆积特性和死区时间特性中的至少一者来制定统计模型；基于统计模型和估计正弦图来确定对应于估计图像的更新；基于所确定的更新来更新估计图像以生成对象的更新图像；以及输出对象的最终图像。另外，该***包括显示器，该显示器被配置为可视化最终图像、更新图像、测量正弦图、估计正弦图或它们的组合中的至少一者。

附图说明

当参考附图阅读以下详细描述时，将更好地理解本公开的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1是根据本说明书的方面的用于成像的***的图解示意图；

图2是用于图1的示例性***中的CT成像***形式的示例性成像***的框图；

图3是图2的CT***的物理具体实施的框图；

图4是根据本说明书的方面的成像方法的流程图；

图5描绘了根据本说明书的方面的示出用于成像的另一个示例性方法的流程图；

图6描绘了根据本说明书的方面的示出用于制定用于图4的方法的前向模型的示例性方法的流程图；

图7描绘了根据本说明书的方面的示出用于制定用于图5的方法的前向模型的另一个示例性方法的流程图；

图8描绘了根据本说明书的方面的示出用于制定用于图4至图5的方法的统计模型的示例性方法的流程图；

图9描绘了根据本说明书的方面的示出用于制定用于图4至图5的方法的统计模型的另一个示例性方法的流程图；

图10描绘了根据本说明书的方面的示出用于制定用于图4至图5的方法的统计模型的又一个示例性方法的流程图；

图11描绘了根据本说明书的方面的示出用于确定对应于用于图4至图5的方法的估计图像的更新的示例性方法的流程图；

图12描绘了根据本说明书的方面的堆积比率的图形表示；以及

图13描绘了根据本说明书的方面的噪声堆积校正因子的一个实施方案的图形表示。

具体实施方式

应当理解，在使用光子计数计算机断层摄影(PCCT)对所关注的对象进行成像期间，在X射线光子与检测器相互作用时检测并记录单独的X射线光子。然而，PCCT***可遭受到时间上距离太近的X射线的不完全计数。对于在高X射线通量下的测量和/或在具有穿过患者和/或X射线源预先患者滤波器(蝴蝶结型)的微小衰减的正弦图区域中的测量而言，这通常是个问题。因此，需要考虑到相关联的噪声并以最佳方式有利地组合来自光子计数检测器的信息的设计，以便扩展通量率能力并允许在迄今由于事件通量率或动态范围要求过高而无法管理的医疗和工业应用中的有效光子计数。另外，尤其需要用于已知的有害效应(诸如堆积和像素超出范围)的校正算法。还需要CT***，其提高图像质量并在一个或多个能量仓中提供足够的光子计数统计以确保统计上显著的组织成分信息。

如下文将详细描述的，提出了用于统计迭代重建和/或材料分解的***和方法的各种实施方案。本文提出的***和方法需要使用噪声模型，其中X射线堆积的独特统计属性被结合到用于PCCT成像的统计图像重建或材料分解的迭代算法的统计噪声模型中。具体地讲，在迭代算法的优化步骤中，将具有堆积的检测器的统计行为的示例性噪声模型结合到目标函数中，从而通过考虑相应测量中的统计不确定性来执行优化噪声和减少重建图像中的伪像中的至少一者。可以指出的是，术语“噪声模型”、“统计模型”和“统计噪声模型”可互换使用。

除非另有定义，否则本文所用的技术和科学术语具有与本公开所属领域的普通技术人员通常理解的相同的含义。本文所用的术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。而且，术语“一个”和“一种”不表示数量限制，而是表示存在至少一个所引用的项目。术语“或”旨在为包含性的，并且是指所列项目中的一个、一些或全部。本文所用的“包括”、“包含”或“具有”及其变型旨在涵盖其后列出的项目及其等同物以及附加项目。术语“连接”和“耦接”不限于物理或机械连接或耦接，并且可包括直接或间接的电连接或电耦接。此外，术语“电路”和“电路***”和“控制器”可包括单个部件或多个部件，这些部件为有源的和/或无源的，并且被连接或以其他方式耦接在一起以提供所述功能。

为了清楚起见，在计算机断层摄影(CT)成像***的背景下描述了本发明的***和方法的示例性实施方案。然而，应当理解，还可以设想在各种其他成像应用和***中使用本发明的***和方法。例如，这些***中的一些可包括单光子发射计算机断层摄影术(SPECT)***、正电子发射断层摄影术(PET)***、X射线成像***和/或光学成像***。在以下部分参考图1至图3讨论了适合于实践本发明的***和方法的各种具体实施的示例性环境。

现在转向附图，图1是根据本说明书的方面的用于诊断成像的示例性***100的框图。具体地讲，***100被配置为生成对应于要重建的对象的一个或多个图像。以举例的方式，***100可被配置为生成对应于对象102(诸如患者/受检者或非生物对象)的目标体积和/或内部结构的图像。更具体地讲，***100被配置为通过使用具有用于统计图像重建或材料分解的迭代算法的噪声模型来提高成像质量。

***100被配置为采集对应于要重建的对象(诸如患者102)的图像数据。在一个示例中，***100包括被配置为采集用于生成患者102的期望图像的投影数据的医学成像***108。应当指出的是，尽管在医学成像***的背景下描述下文所示的示例性实施方案，但是还设想了其他成像***和应用，诸如工业成像***和非破坏性评估和检查***，诸如管道检查***、***物检测***和液体反应器检查***。另外，下文所示和所述的示例性实施方案可应用于与其他成像模态(例如，SPECT、PET、X射线、光学成像***、位置跟踪***或其他传感器***)结合采用CT成像的多模态成像***。

在当前设想的配置中，医学成像***108包括采集子***110和处理子***112。医学成像***108的采集子***110被配置为采集表示患者102中所关注的一个或多个解剖区域的投影数据。可以指出的是，数据采集子***110测量在一个或多个采集间隔期间在一个或多个能量仓中检测到的光子计数。该数据可被直接传输到处理子***112或在被传输到处理子***112之前被进一步处理。例如，可处理所检测的光子计数以生成对应于定位在X射线源和检测器元件之间的材料的线性衰减系数的线积分的投影数据。可以指出的是，包括所检测计数和/或处理的所检测计数两者的数据统称为投影数据。此外，由处理子***112处理从患者102采集的投影数据以生成对应于患者102中所关注的解剖区域的图像。

例如，处理子***112可包括一个或多个专用处理器、图形处理单元、数字信号处理器、微计算机、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)和/或其他合适的处理设备。附加地或另选地，处理子***112可被配置为将所采集的投影数据和/或用户输入存储在数据储存库116中供以后使用。在一个实施方案中，例如，数据储存库116可包括硬盘驱动器、软盘驱动器、光盘读/写(CD-R/W)驱动器、数字通用光盘(DVD)驱动器、闪存驱动器和/或固态存储设备。

在某些实施方案中，处理子***112可被配置为检索来自数据存储库116的用于重建对应于患者102的目标体积的图像的投影数据和/或任何用户输入。附加地或任选地，在一个实施方案中，处理子***112可被配置为基于用于对目标体积进行成像的***100采用的具体物理原理对采集的投影数据进行预处理以用于重建和/或运动校正。例如，如果***医学成像***108对应于CT成像***，则处理子***116可被配置为执行动态范围归一化以在重建目标体积的期望图像时产生Hounsfield单元。

应当理解，在常规光子计数成像***中使用的检测器的缺点是它们无法以通常在CT***中遇到的X射线光子通量率进行计数。具体地讲，由非常高的X射线光子通量率引起的堆积和偏振导致检测器饱和、通量损失和检测器的行为不可预测。此外，检测器饱和导致成像信息的损失，并因此导致X射线投影和CT图像中的噪声和伪影。光子计数直接转换检测器可能主要由于检测器堆积而在高计数速率下遭受检测器量子效率(DQE)降低，从而导致图像质量降低，即，噪声较大的图像。另外，滞后和其他非线性效应发生在接近检测器饱和以及高于检测器饱和的通量水平处，从而导致图像伪影。

根据本说明书的示例性方面，处理子***112可包括噪声校正平台114，该噪声校正平台被配置为有助于校正已知的有害效应，诸如堆积和像素超出范围。更具体地讲，噪声校正平台114被配置为有利于减少重建图像中的噪声。具体地，噪声校正平台114被配置为通过结合噪声的统计属性的噪声模型来处理所采集的投影数据，从而有利于减少重建图像中的噪声。示例性噪声校正平台114被配置为：基于对应于对象的投影数据来生成测量正弦图；制定前向模型，其中该前向模型表示成像***的行为/一个或多个特性；基于估计图像、前向模型或估计图像和前向模型两者来生成估计正弦图；基于成像***的检测器的堆积特性和死区时间特性来制定统计模型；基于统计模型和估计正弦图来确定对应于估计图像的图像更新；基于所确定的更新来更新估计图像以生成具有噪声减少的更新图像；以及输出对象/患者102的至少一个最终图像。对象的最终图像可包括患者102的最终的重建图像。而且，在一个示例中，最终的重建图像可在显示器诸如显示器118上以可视化的形式输出。在某些实施方案中，最终的重建图像可包括单色能图像或基材料图像。将参考图4至图13更详细地描述噪声校正平台114。

而且，在图1所示的当前设想的配置中，处理子***112被示出为包括噪声校正平台114，然而，在某些实施方案中，噪声校正平台114也可用作与处理子***112和医学成像***108物理分离的独立单元。以举例的方式，噪声校正平台114可位于医学成像***108外部并且可操作地耦接到该医学成像***。

在某些实施方案中，处理子***112可进一步耦接到存储***，诸如数据存储库116。该数据存储库116被配置为接收和/或存储图像数据。

此外，如图1所示，医学成像***108可包括显示器118和用户界面120。然而，在某些实施方案中，诸如在触摸屏中，显示器118和用户界面120可重叠。而且，在一些实施方案中，显示器118和用户界面120可包括公共区域。根据本说明书的方面，医学成像***108的显示器118可被配置为基于已由噪声校正平台114采集并处理的投影数据显示由医学成像***108生成的图像。另外，医学成像***108生成的重建图像可用于帮助临床医生识别疾病状态、评估治疗的需要、确定合适的治疗选择和/或监测治疗对疾病状态的影响。可以指出的是，术语“治疗”和“疗法”可互换使用。

另外，医学成像***108的用户界面120可包括人机接口设备(未示出)，该人机接口设备被配置为便于临床医生操纵显示器118上显示的图像数据。该人机接口设备可包括鼠标型设备、轨迹球、操纵杆、触控笔或触摸屏，它们被配置为便于临床医生识别所关注的需要疗法的一个或多个区域。然而，应当理解，也可采用其他人机接口设备，诸如但不限于触摸屏。此外，根据本说明书的方面，用户界面120可被配置为帮助临床医生导航通过由医学成像***108生成的图像。

如先前参考图1所述，医学成像***108可包括CT成像***。图2是示出根据本说明书的用于采集和处理图像数据的成像***200的框图。在例示的实施方案中，***200为CT成像***，其被设计用于采集X射线投影数据，将投影数据重构成图像以及处理图像数据以便根据本说明书进行显示和分析。在图2所示的实施方案中，成像***200包括X射线辐射源202。在一个实施方案中，X射线辐射源202可包括X射线管。X射线辐射源202可包括定向在阳极上以生成X射线的热离子或固态电子发射器，或实际上能够生成具有可用于对期望的对象进行成像的光谱和能量的X射线的任何其他发射器。合适的电子发射器的示例包括钨丝、钨板、场发射器、热场发射器、分配器阴极、热离子阴极、光发射器和铁电阴极。

辐射源202可定位在准直器204附近，该准直器可被配置为形成由辐射源202发射的辐射流206。辐射流206穿过包含待成像的受检者208诸如患者102(参见图1)的成像体积。根据检测器阵列的配置以及所期望的数据采集方法，辐射流206可以是大致扇形或圆锥形的。辐射的一部分210穿过或绕过受检者208并影响通常用附图标号212表示的检测器阵列。检测器或检测器阵列212的检测器元件产生电信号，该电信号表示在采集间隔期间在一个或多个能量仓中检测到的入射X射线束的强度或光子的计数。采集并处理这些信号以重建受检者208体内的特征的图像。

辐射源202由***控制器214控制，该***控制器为CT检查序列提供功率和控制信号。此外，检测器212耦接到***控制器214，该***控制器命令检测器212中生成的信号的采集。***控制器214还可执行各种信号处理和滤波功能，诸如用于动态范围的初始调整、数字图像数据交错等。一般来讲，***控制器214命令成像***200的操作以执行检查协议并且处理所采集的数据。在本背景中，***控制器214还包括通常基于通用或专用数字计算机的信号处理电路、用于存储由计算机执行的程序和例程以及配置参数和图像数据的相关联的存储器电路、接口电路等。

在图2所示的实施方案中，***控制器214通过马达控制器222耦接到旋转子***216和线性定位子***218。在一个实施方案中，旋转子***216使得X射线源202、准直器204和检测器212能够围绕患者208旋转一圈或多圈。在其他实施方案中，旋转子***216可仅旋转辐射源202或检测器212中的一者或可差异地激活各种静止电子发射器以生成布置在围绕成像体积的环中的X射线辐射和/或检测器元件。在辐射源202和/或检测器212旋转的实施方案中，旋转子***216可包括机架(图2中未示出)。因此，***控制器214可用于操作机架。线性定位子***218使得患者208，或更具体地讲，患者检查台(图2中未示出)能够线性地移位。因此，患者检查台可在机架内线性移动以生成患者208的特定区域的图像。

另外，如本领域的技术人员应当理解的，辐射源202可由设置在***控制器214内的X射线控制器220控制。具体地讲，X射线控制器220可被配置为向X射线源202提供功率和定时信号。

此外，***控制器214也被示出为包括图像数据采集***224。在该实施方案中，检测器212耦接到***控制器214，并且更具体地耦接到数据采集***224。数据采集***224接收由检测器212的读出电子器件收集的数据。数据采集***224通常从检测器212接收经采样的模拟信号，并且将数据转换为数字信号，以便由计算机226进行后续处理。

计算机226通常耦接到或结合***控制器214。数据采集***224收集的数据可被传输到计算机226以用于后续的处理和重建。计算机226可包括存储器228或与该存储器通信，该存储器可存储由计算机226处理的数据或计算机226要处理的数据。可以指出的是，***200可利用被配置为存储大量数据的任何类型的存储器。此外，存储器228可位于采集***处或可包括远程部件(诸如网络可访问存储器介质)以用于存储用于实现下文所述的技术的数据、处理参数和/或例程。

计算机226还可适于控制可由***控制器214启用的功能，诸如扫描操作和数据采集。此外，计算机226可被配置为通过操作员工作站230从操作员接收命令和扫描参数，操作员工作站通常配备有键盘和/或其他输入设备(未示出)。可以指出的是，在某些实施方案中，操作员工作站230可包括用户界面120(参见图1)。操作员(例如临床医生或技术人员)可因此通过输入装置来控制***200。因此，临床医生或技术人员可从计算机226观察重建图像和与***200相关的其他数据，启动成像等。

例如，耦接到操作员工作站230的显示器232可用于观察重建图像。可以指出的是，在某些实施方案中，显示器232可以是显示器118(参见图1)。另外，扫描图像也可由打印机234打印，该打印机可耦接到操作员工作站230。显示器232和打印机234也可直接或通过操作员工作站230连接到计算机226。操作员工作站230也可耦接到图片存档和通信***(PACS)236。应当指出的是，PACS 236可耦接到远程***238，诸如放射科信息***(RIS)、医院信息***(HIS)，或者耦接到内部或外部网络，使得不同位置处的其他临床医生可访问图像数据。

还应当指出的是，计算机226和操作员工作站230可耦接到其他输出设备，其他输出设备可包括标准或专用计算机监视器和相关联的处理电路。可在***中进一步链接一个或多个操作员工作站230，以用于输出***参数、请求检查、查看图像等。一般来讲，***200内提供的显示器、打印机、工作站和类似设备可以是数据采集部件本地的，或可以远离这些部件，诸如机构或医院内的其他地方，或位于完全不同的位置，经由一个或多个可配置的网络(诸如互联网、虚拟专用网络等)链接到图像采集***。

如上文所述，在本实施方案中使用的示例性成像***可以是CT扫描***300，如在图3中更详细地描绘的。CT扫描***300可以是多层CT(MSCT)***，其提供宽阵列的轴向覆盖、机架的高旋转速度和高空间分辨率。另选地，CT扫描***300可以是容积CT(VCT)***，其利用锥束几何形状和面积检测器以允许以高或低的机架旋转速度对体积(诸如受检者的整个内部器官)进行成像。CT扫描***300被示出具有框架302和机架304，该机架具有孔306，患者诸如患者102(参见图1)可移动穿过该孔。患者检查台308可被定位在框架302和机架304的孔306中以有利于患者102的移动，通常经由线性定位子***218对检查台308进行的线性位移来移动患者(参见图2)。机架304被示出具有辐射源310，诸如从一个或多个焦点312发射X射线辐射的X射线管。在心脏成像的示例中，辐射流朝向患者102的包括心脏的横截面。

在典型操作中，X射线源310从焦点312朝着检测器阵列314投射X射线束。准直器204(参见图2)诸如铅或钨闸板通常限定出自X射线源310的X射线束的尺寸和形状。检测器314通常由多个检测器元件形成，所述多个检测器元件检测穿过并围绕患者102中所关注的区域(诸如心脏或胸部)的X射线。每个检测器元件产生表示在光束照射检测器的时间期间在元件的位置处的X射线束的强度的电信号。另选地，在能量鉴别光子计数CT***中，每个检测器元件产生在采集间隔期间在一个或多个能量仓中检测到的光子的计数。机架304围绕所关注的患者102旋转，使得可由计算机226(参见图2)收集多个射线照相视图。

因此，当X射线源310和检测器314旋转时，检测器314收集与衰减的X射线束相关的数据。然后，从检测器314收集的数据进行预处理和校准以对数据进行调节以表示所扫描对象的衰减系数的线积分。然后，可对被处理的数据(通常称为投影或投影数据)进行滤波和反向投影以制定所扫描区域的图像。在某些模式中，所制定的图像可结合机架304旋转小于或大于360度下的投影数据。

一旦重建，由图2至图3的***产生的图像显示出患者102的内部特征316。在用于诊断疾病状态并且更一般地讲用于医疗状况或事件的传统方法中，放射科医生或医生通常考虑经重建图像318来识别所关注的特性特征。在心脏成像中，此类特征316包括所关注的冠状动脉或狭窄病变，以及基于个体从业者的技能和知识在图像中可识别的其他特征。其他分析可基于各种算法的能力，所述各种算法包括通常称为计算机辅助检测或计算机辅助诊断(CAD)算法的算法。

可参考图4至图11所描绘的示例性逻辑来更好地理解***100(参见图1)并且特别是噪声校正平台114(参见图1)的工作。

在本说明书中，可在计算***或处理器上的计算机可执行指令的一般背景下描述图4至图11的示例性方法的实施方案。一般来讲，计算机可执行指令可包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、部件、数据结构、规程、模块、功能等。

另外，还可在分布式计算环境中实践图4至图11的示例性方法的实施方案，其中由通过有线和/或无线通信网络链接的远程处理设备执行优化功能。在分布式计算环境中，计算机可执行指令可位于本地和远程计算机存储介质(包括存储器存储设备)中。

此外，在图4至图11中，示例性方法被示出为逻辑流程图中的框的集合，其表示可在硬件、软件或它们的组合中实现的操作。各种操作在框中描绘，以示出所执行的功能。在软件的背景下，框表示计算机指令，这些指令在由一个或多个处理子***执行时执行所叙述的操作。

描述图4至图11的示例性方法的顺序不旨在被解释为限制，并且可以任何顺序组合任何数量的所描述的框，以实现本文公开的示例性方法或等效的替代方法。另外，在不脱离本文所述的主题的实质和范围的情况下，某些块可从示例性方法中删除，或者通过具有所添加功能的附加框来增强。尽管在医学成像***的背景下描述下文所示的示例性实施方案，但是应当理解，结合本说明书还设想了在工业应用中使用这些***和方法。

现在参考图4，示出了用于成像的方法的示例性逻辑400的流程图。根据本说明书的示例性方面，呈现了通过使用结合X射线堆积的独特统计属性的模型来提高PCCT***中的图像质量的一种方法。参考图1至图3的部件来描述方法400。而且，在某些实施方案中，噪声校正平台114可用于执行方法400的步骤。

该方法在步骤402处开始，其中对患者诸如患者102、208执行CT扫描，其中采集对应于患者208中所关注的一个或多个解剖区域的CT投影数据。以举例的方式，医疗成像***200被配置为采集X射线衰减数据，其中X射线衰减数据用于处理和/或重建。所采集的投影数据表示对应于受检者诸如患者208中的目标区域的数据。可以指出的是，X射线源202、310可以是X射线管、分布式X射线源(诸如固态或热离子X射线源)或适合于采集医疗或其他图像的任何其他X射线辐射源。由源202生成的X射线206横穿在成像或诊断过程期间患者208被定位在其中的区域。在一个示例中，X射线206可经由该准直器204准直以形成光束206。该光束206可穿过成像体积。X射线辐射206的部分210穿过患者208(或所关注的另一受检者)或穿过其周围并撞击检测器阵列(通常表示为检测器212)。检测器212的检测器元件产生表示入射X射线210的这部分的强度的电信号。采集并处理这些信号以表示患者208体内的特征的图像。而且，这些图像通常被称为“投影图像”或“投影视图”，并且对应于在X射线源202和检测器212相对于患者208的许多不同旋转角度处采集的投影数据。相反，在工业CT***中，X射线源202和检测器212保持固定，并且对象被旋转以生成投影视图。此外，这些投影图像组合为正弦图，其中该正弦图将多个视图收集到单个数据集中。附图标号404通常表示在步骤402处采集的测量正弦图数据。

此外，在步骤406处，制定或生成前向模型408。具体地讲，前向模型408表示成像***100、200的行为或一个或多个特性。具体地，在统计迭代重建(SIR)算法的每次迭代期间，前向模型408用于处理重建图像以生成估计正弦图。

因此，成像***100、200并且更具体地讲噪声校正平台114被配置为采集成像***200的检测器212的堆积特性和死区时间特性。另外，噪声校正平台114还被配置为采集成像***200的***特性。在一个实施方案中，通过基于***特性对成像***100、200的行为进行建模来生成前向模型408。将参考图6更详细地描述制定前向模型408的该实施方案。在某些其他实施方案中，通过基于堆积特性、死区时间特性、***特性、测量的***行为或它们的组合对例如成像***100、200的行为进行建模来生成前向模型408。将参考图7更详细地描述制定前向模型408的该实施方案。

此外，可初始化估计图像，如步骤410所示。在一个实施方案中，可通过将所有像素设置为“1”来初始化估计图像。在其他实施方案中，可使用滤波的反投影图像来初始化估计图像。附图标号412通常可表示估计图像。随后，在步骤414处，基于估计图像412和前向模型408来生成估计正弦图416。

应当理解，估计正弦图416用于生成重建图像。在SIR过程中，期望在重建完成时所得到的重建图像为高质量图像。因此，期望估计正弦图416可直接相当于测量正弦图404以有利于生成高质量的重建图像。因此，将估计正弦图416与测量正弦图404进行比较。基于该比较，可能期望计算更新的估计/重建图像，该更新的估计/重建图像将有助于使估计正弦图416在后续迭代中更类似于测量正弦图404。

因此，如步骤418所示，计算对估计图像412的一个或多个图像更新424。为此，将估计正弦图416与测量正弦图404进行比较。具体地讲，确定估计正弦图416与测量正弦图404之间的统计加权差。在一个实施方案中，采用统计模型来确定估计正弦图416与测量正弦图404之间的统计加权差。随后，基于估计正弦图416与测量正弦图404之间的统计加权差来计算对估计图像412的更新。

如上文所述，采用统计模型来确定估计正弦图416与测量正弦图404之间的统计加权差。因此，生成统计噪声模型，如步骤420所示。在一个实施方案中，基于所施加的X射线强度206和成像***200的检测器212的统计行为来生成统计噪声模型。在某些示例中，基于具有堆积的检测器的堆积特性和死区时间特性来生成统计模型。此外，统计模型可基于检测器212的脉冲响应。

此外，在某些实施方案中，基于对应于两个或更多个相邻检测器通道的检测器测量、对应于两个或更多个能量仓的检测器测量或它们的组合来估计统计模型的至少一个参数。在某些其他实施方案中，可迭代地估计统计模型的至少一个参数。而且，在另一个实施方案中，可基于去噪技术、方差减小技术、深度神经网络或它们的组合来估计统计模型的至少一个参数。

应当理解，在迭代过程中，估计正弦图并将其与测量正弦图进行比较。另外，权重用于基于估计正弦图与测量正弦图之间的差来决定如何更新图像。具体地讲，估计正弦图与测量正弦图之间的差并不都是同样重要的。具有高计数的像素比具有低计数的像素具有更高的信噪比。因此，高计数像素对图像更重要。因此，在比较中对高计数像素赋予更高的权重。具体地，采用统计模型来确定需要赋予每个像素的权重。此外，在存在堆积的情况下，噪声模型不再是泊松分布。因此，期望计算针对基于特定检测器的堆积行为测量的给定数量的计数的校正噪声。

根据本说明书的方面，统计模型被配置为提供在检测器212的测量计数的平均值和方差方面的校正。还可以指出的是，噪声被建模为对常规二项式噪声、泊松噪声或高斯噪声的校正。

而且，统计噪声模型包括一个或多个统计加权因子422。采用这些统计加权因子422来确定估计正弦图416与测量正弦图404之间的统计加权差。将参考图8至图10更详细地描述生成步骤420的统计模型。

此外，根据本说明书的方面，X射线堆积的独特统计属性被结合到用于PCCT成像的统计图像重建或材料分解的迭代算法的统计噪声模型中。具体地讲，在SIR算法的优化步骤中，将具有堆积的检测器的统计行为的示例性噪声模型结合到目标函数中，从而执行优化噪声和减少重建图像中的伪影中的至少一者。确定更新的步骤通常作为目标函数的优化来执行，所述目标函数例如为加权最小二乘代价函数或对数似然函数。可以指出的是，估计正弦图416与测量正弦图404越接近，目标函数越接近其最佳。

在某些实施方案中，统计加权因子422可包括在用于计算目标函数的一组加权因子中。这些权重表示可通过其对模型和测量进行相互比较的不同特征。通过将不同因子结合到代价函数中并优化权重因子，可优化所得到的图像以产生所期望的图像质量。在优化步骤期间将统计噪声模型结合到目标函数中通过考虑相应测量中的统计不确定性来模拟优化噪声和减少重建图像中的伪影中的至少一者的效果。此外，在一个实施方案中，堆积校正可应用于测量正弦图404。在其他实施方案中，堆积校正可直接结合到前向模型408中。在另选的实施方案中，统计加权因子422可被与数据保真性相关的权重替换。例如，权重可指示测量中堆积的量-较高量的堆积使用较低的权重，较低量的堆积使用较高的权重。

在经由统计噪声模型或统计加权因子422进行步骤418的处理之前，生成一个或多个图像更新424。如上文所述，基于估计正弦图416与测量正弦图404之间的统计加权差来确定图像更新424。将参考图11更详细地描述确定图像更新424。

一旦确定图像更新424，则基于所确定的更新424来更新估计图像412以生成更新的估计图像。在更新估计图像之前，进行检查以验证所确定的图像更新424是否已收敛，如步骤426所示。在一个示例中，可通过将所确定的图像更新424或其泛函与所确定的阈值进行比较来验证图像更新424的收敛。

在步骤426处，如果确定图像更新424尚未收敛，则通过使用所确定的图像更新424来更新估计图像412以生成更新的估计图像，如步骤428所示。然后将控制传递至步骤414。

可以迭代地重复步骤414至428直到所确定的图像更新424已收敛。可以指出的是，在第一迭代中，估计图像412用作步骤414至428的迭代过程的输入，并且更新的估计图像作为步骤414至428的迭代过程的输出生成。因此，对于后续迭代，更新的估计图像用作步骤414至428的迭代过程的输入。

然而，在步骤426处，如果确定图像更新424已收敛，则不更新估计图像412。而且，在步骤430处，估计图像412可输出为最终的重建图像。在一个示例中，最终的重建图像可在显示器诸如图1的显示器118上可视化。如此生成的估计图像表示最终的重建图像，该最终的重建图像呈现估计正弦图416与测量正弦图404的最佳匹配。另外，该重建图像表示质量提高的图像，其中已通过使用示例性统计噪声模型来优化/减少噪声和/或图像伪影的影响。临床医生可使用该重建图像来提供对患者208的诊断、建议对患者208的治疗计划，和/或研究持续治疗计划的功效。

图5表示用于另一种成像方法的示例性逻辑的流程图500。根据本说明书的示例性方面，呈现了通过使用结合X射线堆积的独特统计属性的模型来提高PCCT***中的图像质量的另一种方法。图5的方法500基本上类似于图4中描绘的方法400。然而，在方法500中，基于堆积模型对测量正弦图进行堆积校正，并且使用经堆积校正的测量正弦图来计算对估计图像的更新。参考图1至图3的部件来描述方法500。此外，在某些实施方案中，噪声校正平台114可用于执行方法500的步骤。

方法500在步骤502处开始，其中对患者208执行CT扫描以采集对应于患者诸如患者102、208中所关注的一个或多个解剖区域的CT投影数据。将采集的投影图像组合以形成测量正弦图504。

另外，在图5的方法500中，在步骤506处，对测量正弦图504进行堆积校正。在一个实施方案中，堆积模型508用于校正测量正弦图504中的任何堆积效应以生成经堆积校正的正弦图510。

此外，在步骤512处，制定或重复前向模型514。如前所述，噪声校正平台114被配置为采集成像***200的检测器212的堆积特性和死区时间特性以及成像***200的***特性。而且，在一个实施方案中，通过基于***特性对成像***200的行为进行建模来生成前向模型514，而在其他实施方案中，通过基于***考虑因素对成像***200的行为进行建模来生成前向模型514，所述***考虑因素诸如但不限于堆积特性、死区时间特性、***特性、测量的***行为或它们的组合。

此外，可初始化估计图像518，如步骤516所示。在一个实施方案中，可通过将所有像素设置为“1”来初始化估计图像518。在其他实施方案中，可使用滤波的反投影图像来初始化估计图像518。而且，在步骤520处，基于估计图像518和前向模型514来生成估计正弦图522。

如先前参考图4所指出的，估计正弦图522用于生成重建图像。因此，期望估计正弦图522可直接相当于经堆积校正的正弦图510以有利于生成高质量的重建图像。因此，在某些情况下，可能期望确定对估计图像518的一个或多个更新。

因此，如步骤524所示，基于统计模型和测量的经堆积校正的正弦图510来计算对估计图像518的一个或多个更新。为此，在方法500的示例中，将估计正弦图522与测量的经堆积校正的正弦图510进行比较。具体地讲，确定估计正弦图522与测量的经堆积校正的正弦图510之间的统计加权差。

因此，在步骤526处，生成统计模型并将其用于确定估计正弦图522与测量的经堆积校正的正弦图510之间的统计加权差。统计模型包括一个或多个统计加权因子528，其中采用统计加权因子528来确定估计正弦图522与测量的经堆积校正的正弦图510之间的统计加权差。如先前参考图4所指出的，基于成像***200的检测器212的统计行为来生成统计模型。在某些示例中，基于具有堆积的检测器的堆积特性和死区时间特性来生成统计模型。

如先前参考图4所指出的，X射线堆积的独特统计属性被结合到用于PCCT成像的统计图像重建或材料分解的迭代算法的统计噪声模型中。具体地讲，在SIR算法的优化步骤中，将具有堆积的检测器的统计行为的示例性统计噪声模型结合到目标函数中，从而执行优化噪声和减少重建图像中的伪影中的至少一者。确定更新的步骤通常作为目标函数的优化来执行，所述目标函数例如为加权最小二乘代价函数或对数似然函数。可以指出的是，估计正弦图522与经堆积校正的正弦图510越接近，目标函数越接近其最佳。

在某些实施方案中，统计加权因子528可包括在用于计算目标函数的一组加权因子中。这些权重表示可通过其对模型和测量进行相互比较的不同特征。通过将不同因子结合到代价函数中并优化权重因子，可优化所得到的图像以产生所期望的图像质量。在优化步骤期间将统计噪声模型结合到目标函数中通过考虑相应测量中的统计不确定性来模拟在重建图像中优化噪声的效果。

另外，基于估计正弦图522与经堆积校正的正弦图510之间的统计加权差来计算对估计图像518的更新。在经由统计模型或统计加权因子528进行步骤524的处理之后，生成一个或多个图像更新530。

一旦确定图像更新530，则基于所确定的更新530来更新当前的估计图像518以生成更新的估计图像518。在更新估计图像之前，在步骤532处，进行检查以验证所确定的图像更新530是否已收敛。在一个示例中，可通过将所确定的图像更新530或其泛函与所确定的阈值进行比较来确定图像更新530的收敛。

在步骤532处，如果确定图像更新530尚未收敛，则通过使用所确定的图像更新530来更新估计图像518以生成更新的估计图像，如步骤534所示。而且，将控制传递至步骤520。

可以迭代地重复步骤518至534直到所确定的图像更新530收敛。如前所述，在第一迭代中，估计图像518用作步骤518至534的迭代过程的输入，并且更新的估计图像作为步骤518至534的迭代过程的输出生成。因此，对于后续迭代，更新的估计图像用作步骤518至534的迭代过程的输入。

然而，在步骤532处，如果确定图像更新530已收敛，则估计图像可输出为最终的重建图像，如步骤536所示。在一个示例中，最终的重建图像可在显示器诸如图1的显示器118上可视化。如此生成的估计图像表示重建图像，该重建图像呈现与经堆积校正的正弦图510的最佳匹配。该重建图像表示质量提高的图像，其中已通过使用统计噪声模型来优化/减少噪声和图像伪影中的至少一者的影响。临床医生可使用该重建图像来提供对患者208的诊断、建议对患者208的治疗计划，和/或研究持续治疗计划的功效。

如上文参考图4至图5所指出的，分别在步骤406和步骤512处生成前向模型诸如前向模型408、514。图6至图7描绘了生成用于图4至图5的方法的前向模型的两种方法。

应当理解，经由SIR算法处理采集的图像数据需要生成重建图像以使得这些重建图像产生最佳匹配对应于CT扫描的一组测量正弦图的估计正弦图。在一个示例中，期望生成重建图像以使得这些重建图像基于在SIR期间使用的统计模型产生统计学上是对应于CT扫描的一组测量正弦图的最佳匹配的估计正弦图。具体地讲，在SIR算法的每次迭代期间，经由前向模型来处理重建图像以生成估计正弦图。前向模型包括成像***100的已知几何形状和其他特性。更具体地讲，前向模型模拟X射线在其从X射线源穿过患者并撞击CT成像***的检测器时的衰减。

图6至图7呈现了生成用于图4至图5的成像方法400、500的前向模型的方法。在一个实施方案中，可通过使用堆积模型将堆积校正应用于测量正弦图。在该示例中，生成前向模型的方法不包括堆积模型。在某些其他实施方案中，堆积模型可结合到前向模型中。

现在转向图6，呈现了流程图600，该流程图描绘了生成图4的步骤406的前向模型的方法。参考图1至图5的部件来描述方法600。此外，在某些实施方案中，噪声校正平台114可用于执行方法600的步骤。

方法600在步骤602处开始，其中收集对应于成像***100的***特性604。***特性604的一些非限制性示例包括源至检测器的距离、预先患者滤波、X射线源管电流和电压、几何效率、检测器材料和尺寸、检测器电子特性、通过材料和尺寸不同的对象的X射线透射等。

此外，在步骤606处，基于***特性604来对成像***100的行为进行建模。附图标号608通常表示成像***100的建模***行为。此外，可测量成像***100的行为(如步骤610所示)以生成测量的***行为612。在一个示例中，成像***100的行为(诸如根据***特性604的X射线计数速率)可通过将***控制设置(例如，管电流和电压)调整为表示值、运行成像***100以收集来自成像***100的投影数据以及量化***控制设置与投影数据之间的关系来测量。可在成像***100中使用各种对象来扮演患者102，即所谓的成像体模。这些成像体模可被专门设计成有利于表征***行为。类似地，成像***100的行为也可使用多种分析和数字方法来进行建模，以预测具有不同设置和对象特性的成像***100的响应。例如，通过具有给定厚度和材料组成的患者102的X射线透射可使用X射线能量谱和该材料的X射线衰减系数的已知值来进行建模。还应当指出的是，X射线谱本身可以是模型的结果，或者可以使用合适的仪器根据真实的X射线源诸如X射线源202的输出来测量。可使用类似的方法对在检测器212中吸收X射线、根据沉积能量生成信号、将那些信号转换为数字数据以及随后处理数字数据进行建模。

随后，在步骤614处，可基于建模的***行为608和测量的***行为612中的至少一者来生成前向模型616。在一些实施方案中，前向模型616包括用于基于***特性和对象属性的输入集合来计算成像***100的预测输出的一组计算机指令。更具体地讲，在一个实施方案中，输出是在检测器212的每个像素中检测到的预测数量的X射线，并且响应于特定X射线源设置的输入、***几何形状以及患者材料和尺寸，该输出落入由检测器电子器件的能量仓限定的能量或脉冲高度的范围内。可组合建模的***行为608和测量的***行为612以基于输入来预测输出。如此产生的前向模型616可用于其中堆积不用作前向模型的输入的情况。例如，前向模型616可用作图4的方法400中的前向模型408。

图7是描绘了生成前向模型诸如图5的步骤512的前向模型514的方法的流程图700。而且，参考图1至图6的部件来描述方法700。此外，在一个实施方案中，噪声校正平台114可用于执行方法700的步骤。

方法700在步骤702处开始，其中收集对应于成像***100的***特性704。在一个示例中，***特性704的一些非限制性示例包括源至检测器的距离、预先患者滤波、X射线源管电流和电压、几何效率、检测器材料和尺寸、检测器电子特性、通过材料和尺寸不同的对象的X射线透射等。

此外，在步骤706处，收集检测器特性708。可以指出的是，在某些实施方案中，检测器特性708可作为***特性704的一部分被收集。检测器特性708可包括影响检测器212的堆积行为的特性，诸如几何效率、像素尺寸、材料组成和对应的能量吸收、电荷生成和传输、电荷脉冲形状、电子器件带宽、电子器件触发、死区时间特性等。

此外，在步骤710处，基于***特性704和检测器特性708来对成像***100的行为进行建模。附图标号712通常表示成像***100的建模***行为。另外，可测量成像***100的行为(如步骤714所示)以生成测量的***行为716。在一个示例中，成像***100的行为(诸如根据***特性704的X射线计数速率)可通过将***控制设置(例如，管电流和电压)调整为表示值、运行成像***100以收集来自成像***100的投影数据以及量化***控制设置与投影数据之间的关系来测量。可在成像***100中使用各种对象来扮演患者102，即所谓的成像体模。这些成像体模可被专门设计成有利于表征***行为。类似地，成像***100的行为也可使用多种分析和数字方法来进行建模，以预测具有不同设置和对象特性的成像***100的响应。例如，通过具有给定厚度和材料组成的患者102的X射线透射可使用X射线能量谱和该材料的X射线衰减系数的已知值来进行建模。还应当指出的是，X射线谱本身可以是模型的结果，或者可以使用合适的仪器根据真实的X射线源诸如X射线源202的输出来测量。可使用类似的方法对在检测器212中吸收X射线、根据沉积能量生成信号、将那些信号转换为数字数据以及随后处理数字数据进行建模。

随后，在步骤718处，基于建模的***行为712和测量的***行为716中的至少一者来生成前向模型720。在一些实施方案中，前向模型720包括用于基于***特性和对象属性的输入集合来计算成像***100的预测输出的一组计算机指令。更具体地讲，在一个实施方案中，输出是在检测器212的每个像素中检测到的预测数量的X射线，并且响应于特定X射线源设置的输入、***几何形状以及患者材料和尺寸，该输出落入由检测器电子器件的能量仓限定的能量或脉冲高度的范围内。可组合建模的***行为712和测量的***行为716以基于输入来预测输出。如此产生的前向模型720可用于其中堆积用作前向模型的输入的情况。例如，前向模型720可用作图5的方法500中的前向模型514。

如先前参考图4至图5所述，采用统计模型来确定估计正弦图与测量正弦图或经堆积校正的正弦图之间的统计加权差，其中采用如此确定的统计加权差值来确定对估计图像的更新。而且，统计模型包括一个或多个统计加权因子。在某些示例中，基于具有堆积的检测器的堆积特性和死区时间特性来生成统计模型。在另选的实施方案中，统计加权因子可被与数据保真性相关的权重替换。例如，权重可指示测量中堆积的量-较高量的堆积使用较低的权重，较低量的堆积使用较高的权重。图8至图10呈现了生成统计模型的各种方法。具体地讲，参考图8至图10描述了制定步骤420(参见图4)和526(参见图5)的统计模型。

现在转向图8，呈现了制定统计模型的一种方法的流程图800。参考图1至图7的部件来描述方法800。此外，在一个实施方案中，噪声校正平台114可用于执行方法800的步骤。

该方法开始于步骤802，在该步骤中收集成像***200的检测器212的堆积特性和死区时间特性。附图标号804通常表示检测器212的堆积特性和死区时间特性。如前所述，检测器212的堆积特性和死区时间特性804可包括传感器输出脉冲形状、电子脉冲响应特性、电子触发逻辑和定时、电子触发器布防(死区时间)逻辑和定时等。

此外，对检测器212的响应行为进行建模，如步骤806所示。而且，在步骤808处，测量检测器212的响应行为。在一个示例中，成像***100的行为(诸如根据***特性的X射线计数速率)可通过将***控制设置(例如，管电流和电压)调整为表示值、运行成像***100以收集来自成像***100的投影数据以及量化***控制设置与投影数据之间的关系来测量。可在成像***100中使用各种对象来扮演患者102，即所谓的成像体模。这些成像体模可被专门设计成有利于表征***行为。类似地，成像***100的行为也可使用多种分析和数字方法来进行建模，以预测具有不同设置和对象特性的成像***100的响应。例如，通过具有给定厚度和材料组成的患者102的X射线透射可使用X射线能量谱和该材料的X射线衰减系数的已知值来进行建模。还应当指出的是，X射线谱本身可以是模型的结果，或者可以使用合适的仪器根据真实的X射线源诸如X射线源202的输出来测量。可使用类似的方法对在检测器212中吸收X射线、根据沉积能量生成信号、将那些信号转换为数字数据以及随后处理数字数据进行建模。

目前，可获得用于针对根据测量计数的噪声的迭代过程的噪声模型。在当前可获得的噪声模型的一个示例中，检测器的堆积行为可通过校准规程来表征，其中，对于X射线束内的材料组成的各种组合，检测器要暴露于覆盖整个工作范围的代表性通量条件下。

此外，在每个条件下，可将计数的平均值和方差制表并将其以如下泛函格式表示：

m(n；p) (1)

其中m是测量计数数量，并且n是由参数p(诸如，观察时间、X射线源kVp和mA、准直等)指定的特定条件下的真实事件计数数量。

此外，为了确定具有m个测量计数的像素的真实计数值和预期噪声，可通过反转公式(1)的函数来生成反向查找表以获得：

其中，

是对真实计数值的估计。

可通过使用曲线拟合、线性或非线性内插或其他方法对数据进行参数化来实现该反向查找表。

在另一个示例中，可以执行校准实验以获得一组校准数据，该组校准数据由标称计数n_k、测量计数m_k和每个能量仓k和每个检测器通道c的方差v_k组成。此外，通过使用查找表、解析表达式诸如多项式或神经网络，针对给定检测器通道的该校准数据可用于将一组实际的能量仓测量{m_k}转换为一组校正的测量{c_k}和一组方差{v_k}。

可以指出的是，尽管可基于上述转换方法根据测量计数值m来估计真实计数值n及其方差σ²，但是在实际应用中，此类估计只能根据单个噪声测量来进行。因此，估计的计数值

和估计的方差/>

也受到统计噪声的影响。估计的方差/>

中的噪声(通常与估计的计数值/>

中的统计噪声高度关联)可能会导致迭代地重建的图像中出现***性偏差。该问题对于所有CT***都存在，并且对于PCCT***而言可能变得更加明显，因为在每个单独的能量仓中检测到的X射线光子的数量将低于在类似通量水平下操作的常规能量集成***中的X射线光子的数量。

根据本说明书的方面，在步骤810处生成检测器行为模型812，其中检测器行为模型812被配置为避开当前可用技术的缺点。基于建模的检测器响应行为、测量的检测器响应行为、检测器的堆积特性、检测器的死区时间特性或它们的组合中的至少一者来生成检测器行为模型812。可以指出的是，检测器行为模型812有助于提高估计的方差

的精度。

此外，根据本说明书的另外方面，可生成具有堆积的检测器的统计行为的模型(检测器行为模型812)，并将其结合到迭代算法诸如SIR过程的优化步骤中的目标函数中。将具有堆积的检测器的检测器行为模型结合到优化步骤中的目标函数中有助于通过考虑相应测量中的统计不确定性来优化噪声和减少重建图像中的伪影中的至少一者。

应当理解，传统上，方差σ²是根据单个测量m估计的。根据本说明书的方面，在一个实施方案中，按照以下方式根据多个相邻检测器通道估计方差σ²：

其中i表示检测器单元索引，f(·)是估计器，参数p与公式(1)中列出的那些类似。

此外，在估计方差

之前，估计器f(·)可以对测量数据m_i应用去噪滤波器(诸如箱式滤波器、高斯滤波器或其他更先进的滤波器)或神经网络。因此，可以减少估计的方差

中的噪声，并且还可以减少与估计的计数值/>

中的噪声的相关性。估计器f(·)可为在空间上自适应的，并且被配置为在相对均匀的正弦图区域中施加更强的去噪强度。

在根据本说明书的另一个实施方案中，不是根据单个测量m估计方差σ²，而是可以针对给定像素按照以下方式根据多个能量仓估计方差σ²：

其中k表示能量仓索引，f(·)是估计器，参数p与公式(1)中列出的那些类似。

此外，估计器g(·)可以通过将多能量矢量拟合到低维主分量来减少测量m_k中的噪声，这些低维主分量结合了有关CT***内存在且与基础材料物理学有关的材料的先验知识。能量谱域法也可与空间域法组合。

常规地，根据测量正弦图估计方差σ²。根据本说明书的又一个实施方案，可按照以下方式根据由迭代重建过程生成的估计正弦图估计方差σ²：

其中

表示由迭代重建过程在第n次迭代处生成的估计正弦图。

因此，检测器行为模型812有利于以更大的精度对估计的方差进行估计。此类估计可与对重建图像的估计一起迭代地重复。类似地，还可基于新估计的方差

来更新统计加权因子，以提高统计加权因子的精度并减少最终的重建图像中的偏差。

可以指出的是，可使用一组加权因子来限定SIR算法的目标函数。这些权重或权重因子表示可通过其对模型和测量进行相互比较的量度。通过将加权因子结合到代价函数中并优化代价函数，所得到的重建图像可在降低噪声和/或图像伪影方面提供更理想的图像质量。

结合到代价函数中的因子的一个示例是基于测量的噪声方差的加权项。该因子有助于通过考虑相应测量中的不确定性水平来降低重建图像中的噪声或噪声引起的伪影。此外，使用检测器行为模型812有助于进一步降低重建图像中的噪声。

应当理解，在PCCT成像***中，当光子与检测器相互作用时，记录单独的X射线光子。不利的是，PCCT成像***对在时间上接近一起到达的X射线的计数不完全，尤其是对于在高X射线通量下的测量和/或在具有穿过患者和X射线源预先患者滤波器(蝴蝶结型)的微小衰减的正弦图区域中的测量而言。

除其对所记录的计数的数量的影响之外，堆积还影响CT投影中的噪声。CT投影数据中的噪声通常会随X射线通量而增大，近似遵循泊松分布，这意味着X射线数量的方差(σ²)等于X射线的预期数量，或者更一般地讲，测量的方差与相应测量的期望值成比例。当发生堆积时，计数的数量和计数的变化两者均减少。另外，当发生堆积时，噪声不再遵循泊松分布。

在表示极端堆积的一个示例中，对于非活动抑制检测器，所有像素趋于变得饱和并且产生相同数量的计数。在这种情况下，噪声方差将恰好为零。而且，在该示例中，检测器信号也未能承载任何有意义的强度信息。更一般地讲，当X射线通量在具有堆积的非活动抑制检测器中增加时，噪声首先增大、达到最大值并且然后逐渐减小到零。

因此，在步骤814处，基于检测器行为模型812来确定一个或多个噪声校正因子816。噪声校正因子816表示作为基于测量的噪声方差的加权项结合到代价函数中的因子。具体地讲，噪声校正因子816被配置为通过考虑相应测量中的不确定性水平来有助于减少重建图像中的噪声。具体地，噪声乘以噪声校正因子816以提供对噪声的校正估计。可以指出的是，对于不同的输入、不同的像素、不同的能量和不同的计数速率，噪声校正因子816可具有不同的值。在一个实施方案中，噪声校正因子816是输入诸如计数速率的函数，并且具有多个参数诸如成像***100的特性，如电子器件死区时间，这确定在给定计数速率下发生的堆积的量。

图13中描绘了噪声校正因子816的一般行为随堆积比率变化的图形表示。在某些实施方案中，噪声校正因子816对于最低计数速率具有统一值。此外，噪声校正因子816在高计数速率下以近似渐近的方式接近零值。

而且，确定一个或多个统计加权因子822，如步骤820所示。具体地讲，基于噪声校正因子816和光子统计模型818来确定统计加权因子822。通常，光子到达统计被建模为二项式、泊松或高斯随机过程。这些统计加权因子822用于计算对估计图像的更新，从而考虑测量的统计差异。将参考图9的步骤914更详细地描述确定统计加权因子的一个示例。

图9呈现了描绘用于制定统计模型的另一方法的流程图900。参考图1至图8的部件来描述方法900。而且，在某些实施方案中，噪声校正平台114可用于执行方法900。

方法900开始于步骤902，在该步骤中收集成像***200的检测器212的堆积特性和死区时间特性。附图标号904通常表示检测器212的堆积特性和死区时间特性。如前所述，检测器212的堆积特性和死区时间特性904可包括传感器输出脉冲形状、电子脉冲响应特性、电子触发逻辑和定时、电子触发器布防(死区时间)逻辑和定时等。

此外，在步骤906处，采用检测器212的堆积特性和死区时间特性904来确定检测器像素中的测量计数中的模拟噪声。模拟噪声用作噪声的地面真值。具体地讲，可基于堆积特性和死区时间特性904来确定模拟噪声模型。此外，可基于模拟噪声模型来模拟对应于成像***100的一个或多个配置的噪声。作为非限制性示例，可针对在临床环境中遇到的不同参数(诸如管电流、kVp、患者大小等)模拟成像***100的噪声行为。

此外，如步骤908所示，可通过使用常规噪声模型来测量所测量计数中的噪声。常规噪声模型的一些示例包括泊松模型或高斯模型。可以指出的是，常规噪声模型不包括堆积特性和/或死区时间特性。

随后，在步骤910处，将模拟噪声与测量噪声进行比较以确定一个或多个噪声校正因子912。在一个示例中，查找表可用于确定噪声校正因子912。另外，在步骤914处，基于噪声校正因子912和常规噪声模型916确定一个或多个统计加权因子918。

根据本说明书的方面，噪声校正因子912用于生成噪声的“校正”值。因此，噪声校正因子912可用于校正所测量的噪声以确定噪声的校正值。以举例的方式，

校正噪声＝(常规噪声模型)*(噪声校正因子)

(6)

如前所述，对于不同的输入、不同的像素、不同的能量和不同的计数速率，噪声校正因子912是不同的数。更具体地讲，噪声校正因子912是输入诸如计数速率的函数，并且具有多个参数诸如成像***100的特性，诸如电子器件死区时间，这有助于确定在给定计数速率下发生了多少堆积。

有利地，噪声校正因子912是精确噪声模型的更紧凑表示。此外，由于当前可用的迭代重建方法已经使用了常规噪声模型，所以可添加对常规噪声模型的校正，只需很小的改变，以产生更精确的结果。

对于光子计数CT检测器，当到达检测器的X射线光子通量很高时，来自检测器的信号可能由于检测器信号的堆积而失真。常规地，基于物理模型的校正算法已被应用于校正失真信号。然而，物理模型通常具有许多假设并且可能产生残余的伪影，尤其是在应用于复杂***时。基于模型的迭代重建(MBIR)技术也已用于生成重建图像。

在一个示例中，在MBIR算法中使用统计加权因子918来降低受堆积效应影响的投影射线的权重。通常，在MBIR中，可被解释为信号保真性的统计加权因子被应用于每条投影射线。根据本说明书的方面，有意降低包含强堆积信号的像素的权重，以降低对最终的重建图像的对应影响。

吸收的X射线强度遵循泊松分布，如公式(7)所示：

λ_i～Poisson(I_ie^-yi) (7)

其中λ_i是投影射线(或像素)i中吸收的X射线的数量，I_i是入射X射线的强度，y_i是投影射线(或像素)i中的X射线投影值(衰减系数-长度乘积的积分)。

此外，重建问题可表示为最大化惩罚对数似然函数：

其中W表示统计加权因子，如果假设泊松噪声，则该因子与检测器计数成比例，y为投影数据，A为***矩阵，x为估计的图像数据，并且U为图像正则化函数。

当信号由于堆积而损坏时，可使用基于物理模型的堆积校正来首先校正堆积信号。基于物理模型的堆积校正的一些示例在公式(9)和(10)中给出。

随后，该问题可表述为：

另外，可对权重应用调制函数，以进一步减少来自损坏的投影射线的贡献。因此，可减小堆积残差。调制函数的一些示例在公式(12)和(13)中给出。

y_重调＝f(y_corr) (12)

W_重调＝f(W_corr) (13)

此外，根据本说明书的其他方面，统计加权因子可被自适应地调整以适应任何测量。应当理解，光子计数的增加导致堆积效应的严重程度增加。根据本说明书的方面，可减小这些投影射线的统计加权因子以减小这些射线的加权。具体地讲，可基于检测到的信号电平来确定缩放函数。此外，该缩放函数可用于基于测量自适应地调整统计加权因子，以抑制重建图像中的堆积伪影。

在一个非限制性示例中，可使用公式(14)和(15)的缩放函数。尽管公式(14)和(15)将阈值呈现为恒定值，但可以指出的是，阈值可基于死区时间来确定并且可相应地优化。

但是，也可以使用其他缩放函数。此外，在极端情况下，堆积损坏的投影射线的权重可能会被完全放弃。另外，可有意地提高未被堆积污染的投影射线的统计加权因子，以进一步抑制伪影。此外，可以指出的是，不同检测器架构的堆积行为可能不同。因此，可针对不同的成像***调整阈值。

另外，在某些实施方案中，可确定过渡点以有利于进一步调整投影射线的统计加权因子。此外，缩放函数可在所确定的过渡点之上和之下以不同方式设计。在某些实施方案中，统计加权因子可被与数据保真性相关的权重替换。例如，权重可指示测量中堆积的量-较高量的堆积使用较低的权重，较低量的堆积使用较高的权重。

现在参考图10，呈现了描绘用于制定统计模型的又一方法的流程图1000。参考图1至图9的部件来描述方法1000。而且，在某些实施方案中，噪声校正平台114可用于执行方法1000。

该方法开始于步骤1002，在该步骤中收集成像***200的检测器212的堆积特性和死区时间特性。附图标号1004通常表示检测器212的堆积特性和死区时间特性。如前所述，检测器212的堆积特性和死区时间特性可包括传感器输出脉冲形状、电子脉冲响应特性、电子触发逻辑和定时、电子触发器布防(死区时间)逻辑和定时等。

此外，在步骤1006处，采用检测器212的堆积特性和死区时间特性来模拟或测量检测器212的堆积过程。在一个示例中，可通过模拟由X射线吸收事件生成电荷并将所生成的电荷传输至收集电极来模拟堆积。此外，读出电子器件的响应可用于确定当多条X射线在时间上彼此靠近到达时成像***100将如何记录该响应。该过程可针对不同的假定计数速率来执行。实际***的堆积过程可通过在增加的X射线通量水平下操作***并记录或表征输出来测量。

此外，在步骤1008确定一个或多个堆积校正量度1012。具体地讲，基于检测器信号1010确定堆积校正量度1012。所述一个或多个堆积校正量度1012的一些非限制性示例包括堆积比率、进行堆积校正的信号、对应于堆积的缺陷信号或它们的组合。另外，在一个示例中，查找表可用于基于检测器信号1010来确定堆积校正量度1012。随后，在步骤1014，至少基于所述一个或多个堆积校正量度1012来确定一个或多个统计加权因子1016。

根据本说明书的方面，除了参考图8至图10描述的确定统计噪声模型的其他方法之外，统计噪声模型也可根据测量的计数来确定。具体地讲，统计噪声模型可通过基于堆积的物理学导出参数统计模型来确定。就非活动抑制检测器而言，存在将计数的平均数与噪声水平相关联的唯一映射。该映射可实现为查找表，其提供所测量的计数和对应的噪声水平之间的关系。然后可通过执行从校准测量到堆积模型的数据的参数拟合来确定像素的模型参数。

此外，希望该参数模型准确地描述PCCT成像***的检测器的实际行为。一个简单的堆积模型，即通常使用的理想非活动抑制检测器模型，是基于这样的假设，即光子相互作用在检测器电子器件中转换为时间范围为零的脉冲。然而，这种方法过于简单，无法准确预测低计数速率和高计数速率下真实光子计数检测器的行为。

根据本说明书的方面，可通过假设脉冲具有有限的持续时间来导出更精确的模型。在该示例中，所测量的计数的平均值μ和方差σ²由下式给出：

其中λ表示真实计数速率，t表示测量时间，τ表示计数器的死区时间，并且τ_s表示死区时间τ的一部分，在此期间新事件可导致连续的死区时间被触发。

如先前参考图4至图5所述，基于统计模型和估计正弦图来计算/确定对估计图像的更新。图11呈现了基于统计模型和估计正弦图来确定/计算对估计图像的更新的方法。具体地讲，参考图11描述了基于步骤418(参见图4)和524(参见图5)的统计模型确定对估计图像的更新。

图11是描绘了用于计算对估计图像的一个或多个更新的方法的流程图1100。参考图1至图10的部件来描述方法1100。而且，在某些实施方案中，噪声校正平台114可用于执行方法1100。

应当理解，在SIR过程期间，将估计正弦图与测量正弦图进行比较。此外，基于该比较，可能期望计算对估计图像的更新。然后，计算的更新用于生成更新的重建图像。该更新的重建图像又被用于生成更新的估计正弦图，该估计正弦图在迭代过程的后续迭代期间与测量正弦图更好地匹配。

因此，方法1100在步骤1106处开始，其中将估计正弦图1102与测量正弦图1104进行比较。如步骤1108所示，计算估计正弦图1102和测量正弦图1104之间的统计加权差1112。更具体地讲，统计加权差1112基于统计加权因子1110来确定。如前所述，使用具有一个或多个统计加权因子1110的统计模型来计算统计加权差1112。

随后，如步骤1114所示，基于统计加权差1112来计算对估计图像的至少一个图像更新1116。此更新步骤通常作为目标函数的优化来执行。例如，目标函数可包括加权最小二乘代价函数或对数似然函数。可以指出的是，在迭代SIR过程期间，估计正弦图与测量正弦图越接近，目标函数越接近其最佳。

现在转向图12，其描绘了堆积比率的图形表示1200。附图标号1202表示X轴，而Y轴用附图标号1204表示。此外，附图标号1206通常以图形方式表示堆积比率对输入计数速率的依赖性。堆积比率是输出计数或计数速率除以输入计数或计数速率的比率。另外，堆积比率是一个有用的值，通过它将堆积噪声校正简洁地参数化。

在一个实施方案中，将堆积比率计算或测量为输出计数的数量除以输入计数的数量。在低通量下，输出计数等于输入计数，因此堆积比率等于1。随着计数速率增加和堆积发生，一些计数丢失，堆积比率下降。在极高的计数速率下，输出饱和或降至零，因此堆积比率变为零。可以指出的是，堆积比率可用于生成权重，而权重又可用于在图4和图5所表征的过程中生成对估计图像的更新。

图13为噪声堆积校正因子随堆积比率变化的图形表示1300。X轴用附图标号1302表示并指示堆积比率，而Y轴用附图标号1304表示并指示校正因子诸如噪声校正因子的振幅。此外，附图标号1306通常表示堆积校正因子。另外，附图标号1308表示堆积校正因子的线性外推，以示出当堆积比率接近零时校正因子的线性行为。在某个实施方案中，基于该像素中的堆积比率，将来自每个像素的投影数据乘以其值在图形表示1300中例示的堆积校正因子。

如图13所示，对于零堆积比率，堆积校正因子等于1。将所测量的计数或噪声乘以1得到原始值。因此，对低堆积比率的校正使得计数或噪声保持不变。该校正随后以近似线性的行为下降。在非常高的堆积比率下，校正因子接近零，从而指示校正值接近零。在这些极值之间，校正因子会以或多或少类似多项式的行为平稳变化。

根据本说明书的其他方面，在迭代图像重建的背景下描述的图4至图11的方法也可应用于基础材料分解的背景。在基础材料分解的示例中，期望根据多个能量仓测量值或正弦图来估计多个基础材料正弦图(或另选地单色正弦图)。可对能量仓测量进行堆积预校正，也可将堆积结合到材料分解(MD)模型中。使用一组估计的基础材料正弦图，前向MD模型被配置为计算一组估计的能量仓正弦图。将这些估计的能量仓正弦图与测量的能量仓正弦图进行比较。使用诸如加权最小二乘代价函数的目标函数来定义迭代更新步骤。

因此，本说明书的实施方案提供了用于成像的***和方法，其通过在前向投影和/或统计加权中应用正确的统计模型来增强PCCT成像***的迭代重建和/或材料分解的图像质量。具体地讲，在上文所述的用于成像的***和方法中，X射线堆积的独特统计属性被结合到用于PCCT成像的统计图像重建或材料分解的迭代算法的噪声模型中。

此外，该***和方法被配置为选择性地降低受堆积效应影响的投影射线的权重，以减少由PCCT成像***生成的最终的重建图像中的图像伪影，而不含堆积的投影射线相对增强。此外，统计加权因子可被自适应地调整以用于堆积校正，从而进一步减少了由PCCT成像***生成的图像中的图像伪影。该***和方法被配置为有效地校正PCCT成像***中的堆积损坏信号。本发明所公开的方法可应用于提供投影数据的PCCT***，该投影数据对应于检测到的总计数、一个或多个能量仓中的计数、一个或多个能量仓中检测到的计数的加权和，以及处理的计数，诸如在应用材料分解方法和/或单能量处理方法时发生的那些计数。由本发明的***和方法提供的改善的图像质量将能够增加PCCT成像***的使用。

可以指出的是，可由本***的某些部件(例如，由处理子***112和噪声校正平台114)执行的上述示例、示范和处理步骤可通过基于处理器的***上的适当代码来实现。例如，基于处理器的***可包括通用计算机或专用计算机。还可以指出的是，本说明书的不同实施方式可以不同的顺序或基本上同时执行本文所述的一些或所有步骤。

另外，这些功能可用各种编程语言实现，包括但不限于Ruby、超文本预处理器(PHP)、Perl、Delphi、Python、C、C++或Java。此类代码可存储或适于存储在一个或多个有形机器可读介质上，诸如数据储存库芯片、本地或远程硬盘、光盘(即CD或DVD)、固态驱动器或者可由基于处理器的***访问以执行所存储的代码的其他介质。

尽管本说明书的实施方案的具体特征可在一些附图中而不是在其他附图示出和/或参考一些附图而不是在其他附图中进行描述，但这仅是为了方便。应当理解，在附图中示出并在本文中描述的所述特征、结构和/或特性可在各种实施方案中以任何合适的方式组合和/或互换使用，例如以构造用于诊断成像的另外组件和方法。

虽然本文仅示出和描述本说明书的某些特征，但是本领域技术人员将会想到许多修改和改变。因此，应当理解的是，所附权利要求书旨在涵盖落入本发明的真正实质内的所有此类修改和变化。

Claims (17)

1.一种用于对要重建的对象的光子计数计算机断层成像进行统计迭代重建的方法，所述方法包括：

经由成像***采集对应于所述要重建的对象的投影数据；

基于所采集的投影数据来生成测量正弦图；

制定前向模型，其中所述前向模型表示所述成像***的特性；

基于所述对象的估计图像和所述前向模型来生成估计正弦图；

基于所述成像***的检测器的堆积特性和死区时间特性中的至少一者来制定统计模型；

基于所述统计模型、所述测量正弦图和所述估计正弦图来确定对应于所述估计图像的更新；

验证所述更新的收敛；以及

在所述更新尚未收敛的情况下，基于所确定的更新来更新所述估计图像以生成所述对象的更新图像；

在所述更新已经收敛的情况下，输出所述对象的最终图像。

2.根据权利要求1所述的方法，还包括采集所述成像***的所述检测器的所述堆积特性和所述死区时间特性中的至少一者以及所述成像***的***特性。

3.根据权利要求2所述的方法，其中制定所述前向模型包括基于所述***特性来对所述成像***的行为进行建模以生成所述前向模型。

4.根据权利要求1所述的方法，其中制定所述前向模型包括基于所述堆积特性、所述死区时间特性或它们的组合来对所述成像***的行为进行建模。

5.根据权利要求1所述的方法，其中所述统计模型基于所述检测器的脉冲响应，并且其中所述统计模型包括在所述检测器的测量计数的均值和方差方面进行堆积校正。

6.根据权利要求5所述的方法，还包括基于对应于两个或更多个相邻检测器通道的检测器测量和对应于两个或更多个能量仓的检测器测量中的一者或多者来估计所述统计模型的至少一个参数。

7.根据权利要求5所述的方法，还包括迭代地估计所述统计模型的至少一个参数。

8.根据权利要求5所述的方法，还包括基于去噪技术、方差减小技术、深度神经网络或它们的组合中的至少一者来估计所述统计模型的至少一个参数。

9.根据权利要求1所述的方法，其中制定所述统计模型包括：

基于所述堆积特性、所述死区时间特性、测量的检测器行为或它们的组合中的至少一者来对所述成像***的所述检测器的行为进行建模以生成检测器行为模型；

基于所述检测器行为模型来确定一个或多个噪声校正因子；以及

至少基于所述一个或多个噪声校正因子来确定一个或多个统计加权因子。

10.根据权利要求9所述的方法，其中所述一个或多个噪声校正因子对于最低计数速率具有统一值，并且其中所述一个或多个噪声校正因子对于高计数速率渐近地接近零值。

11.根据权利要求1所述的方法，其中制定所述统计模型包括：

基于所述堆积特性和所述死区时间特性中的至少一者来确定模拟噪声模型；

使用所述模拟噪声模型来模拟对应于所述成像***的一个或多个配置的噪声；

使用常规噪声模型来测量对应于所述成像***的所述一个或多个配置的噪声；

将所述模拟噪声与所述测量噪声进行比较以确定一个或多个噪声校正因子；以及

至少基于所述一个或多个噪声校正因子来确定一个或多个统计加权因子。

12.根据权利要求11所述的方法，还包括自适应地调整所述一个或多个统计加权因子以补偿测量信号的堆积。

13.根据权利要求12所述的方法，其中自适应地调整所述一个或多个统计加权因子包括基于所述测量信号的检测信号水平来确定缩放函数，并且其中所述缩放函数被配置为基于所述测量信号来选择性地修改所述一个或多个统计加权因子。

14.根据权利要求1所述的方法，其中制定所述统计模型包括基于测量信号的堆积的物理学来导出参数统计模型。

15.根据权利要求1所述的方法，其中制定所述统计模型包括：

基于所述堆积特性和所述死区时间特性中的至少一者来模拟或测量所述检测器的堆积过程；

基于检测器信号来确定一个或多个堆积校正量度，其中所述一个或多个堆积校正量度包括堆积比率、进行所述堆积校正的信号、对应于所述堆积的缺陷信号中的一者或多者；以及

至少基于所述一个或多个堆积校正量度来确定一个或多个统计加权因子。

16.根据权利要求1所述的方法，其中确定对所述估计图像的所述更新包括：

基于一个或多个统计加权因子来确定所述测量正弦图与所述估计正弦图之间的统计加权差；以及

基于所述测量正弦图与所述估计正弦图之间的所述统计加权差来计算对所述估计图像的所述更新。

17.根据权利要求1所述的方法，还包括：

基于堆积模型来校正所述测量正弦图以生成经堆积校正的正弦图；

基于所述统计模型和所述经堆积校正的正弦图来确定对所述估计图像的所述更新；以及

基于所确定的更新来更新所述估计图像以生成更新图像。

Images