CN102549616A - 用于生成感兴趣区域的图像的系统和方法 - Google Patents

Abstract

本发明涉及一种用于生成感兴趣区域的图像的图像生成系统。该图像生成系统包括测量数据提供单元，其用于提供感兴趣区域的测量数据；重建单元(12)，其用于利用第一和第二重建方法从测量数据重建感兴趣区域的第一和第二图像；噪声确定单元(13)，其用于针对第一和第二图像的第一和第二像元确定第一和第二噪声值；以及像元组合单元(14)，其用于基于第一和第二噪声值将对应的第一和第二像元组合成形成组合图像的组合像元集。基于所确定的噪声值组合两幅以不同方式重建的图像的对应像元集，可以生成质量得到改进的感兴趣区域的组合图像。

Description

用于生成感兴趣区域的图像的系统和方法

技术领域

本发明涉及一种用于生成感兴趣区域的图像的图像生成系统和图像生成方法。本发明还涉及用于生成感兴趣区域的图像的对应计算机程序。

背景技术

US 2007/0116343 A1公开了一种用于改善图像质量的方法。分别通过应用滤波反投影方法(FBP)和迭代重建方法(IR)之一来重建样本体积的第一图像和第二图像。基于将每个像元(image element)的CT值或亨氏单位(Hounsfield Unit，HU)与低和高阈值相比较的启发式分类器，将第一图像分割成软组织区域和骨骼区域，两种区域之间具有平滑过渡。可以通过对用于分割的分类器进行至少一次低通滤波来任选地计算额外的分类器。此外，如果判定第一图像中的噪声高，可以通过将额外的经两次低通滤波的分类器与全局比例因子相乘来任选地计算另一额外的“按比例缩小的”分类器。然后使用一个或多个分类器之一来生成最终图像，作为第一图像和第二图像的加权平均。

这样生成的最终图像的缺点在于，基于所提供的一个或多个分类器对第一图像和第二图像进行加权平均仍然可能导致所生成的最终图像的质量较差。

发明内容

本发明的目的是提供一种用于生成感兴趣区域的图像的图像生成系统，其能够以改善的质量生成感兴趣区域的图像。本发明的另一目的是提供一种用于生成感兴趣区域的图像的对应的图像生成方法和计算机程序。

在本发明的第一方面中，提供了一种用于生成感兴趣区域的图像的图像生成系统，其中，该图像生成系统包括：

-测量数据提供单元，其用于提供感兴趣区域的测量数据以生成感兴趣区域的图像，

-重建单元，其用于利用第一重建方法从测量数据重建感兴趣区域的第一图像，以及利用第二重建方法从测量数据重建感兴趣区域的第二图像，

-噪声确定单元，其用于针对第一图像的第一像元集(image elements)确定第一噪声值，以及针对第二图像的第二像元集确定第二噪声值，以及

-像元组合单元，其用于将第一像元集和第二像元集组合成形成组合图像的组合像元集，

其中，像元组合单元适于基于针对第一像元集的第一像元确定的第一噪声值和针对第二像元集的对应第二像元确定的第二噪声值来组合第一像元和第二像元。

本发明基于如下构思：如果将两幅以不同方式重建的图像的像元集组合成形成组合图像的组合像元集，可以生成质量改善的感兴趣区域图像，其中，所述组合基于针对所述两幅以不同方式重建的图像的对应像元集所确定的噪声值。具体而言，如果针对所述两幅以不同方式重建的图像的对应像元集所确定的噪声值是不同的，可以组合对应像元集，使得例如与针对对应像元集所确定的噪声值相比，组合像元集的组合噪声值减小。此外，可以组合所述两幅以不同方式重建的图像的对应像元集，使得例如组合像元集的组合噪声值导致组合图像中更均匀的可见噪声表现。于是，通过基于所确定的噪声值适当地组合所述两幅以不同方式重建的图像，可以生成质量改善的组合图像。

测量数据提供单元可以是如下成像器械，诸如计算机断层摄影(CT)扫描器、正电子发射断层摄影(PET)扫描器、单正电子发射计算机断层摄影(SPECT)扫描器、3D X射线扫描器、磁共振成像(MRI)系统、超声成像(UI)系统、电阻抗断层摄影(EIT)系统、电容断层摄影(ECT)系统、磁感应断层摄影(MIT)系统等。或者，它还可以是能够经由例如直接链路或经由有线或无线网络耦合到适当成像器械以从所述成像器械提供测量数据的接口。此外或备选地，测量数据提供单元还可以是能够从“长期”存储介质，诸如硬盘驱动器、CD、DVD、闪速存储卡等接收由适当的成像器械提供的测量数据的接口。

第一重建方法和第二重建方法可以是不同的重建方法，例如，第一重建方法可以是滤波反投影方法，而第二重建方法可以是迭代惩罚似然方法。或者，第一重建方法和第二重建方法可以是相同的重建方法，但可以利用不同的参数设置和/或不同预先和/或后期处理步骤来执行它们。例如，第一重建方法和第二重建方法两者可以都是迭代惩罚似然方法，但它们每个都可以结合不同的“粗糙惩罚”，以对重建进行正则化。

本文所使用的术语“感兴趣区域”应当做宽泛的解释。例如，它可以指对象，诸如患者或技术对象，或者来自其的特定部分，或者它可以泛指空间中的特定区域。

本文所使用的术语“图像”优选是指二维图像或三维，即体图像。当图像为二维图像时，它可以是一时间系列的二维图像(常称为图像序列或视频)的一部分，或者可以是三维图像的一部分，例如切片，三维图像继而又也可以是一时间系列的三维图像(常称为四维图像或三维图像序列)的一部分。或者，本文所使用的术语“图像”也可以指更高维度的图像，诸如多频谱或多能量图像。

本文所使用的术语“像元”优选指图像的最小组成部分，诸如二维图像中的像素或者三维、即体图像中的体素。或者，该术语还可以指图像的一组这种最小组成部分，诸如一组像素或一组体素。

当在本文说两幅不同图像的两个像元是“对应”像元时，是表示两个像元对感兴趣区域的基本相同的区域成像。例如，如果两个像元是两幅不同三维图像的体素，它们都与感兴趣区域之内基本相同的空间位置相关。当两幅不同图像是两个相应时间系列的图像的部分时，对应的像元还与感兴趣区域被成像时图像的相同时刻相关。

针对第一像元集确定的第一噪声值优选是表征独立于第二像元集的噪声的第一像元集的噪声的噪声值。同样地，针对第二像元集确定的第二噪声值优选是表征独立于第一像元集的噪声的第二像元集的噪声的噪声值。

优选地，所述噪声确定单元适于确定针对第一像元的第一噪声值作为第一像元的第一噪声方差，并确定针对第二像元的第二噪声值作为第二像元的第二噪声方差。

在概率论和统计学中，随机变量的方差是该变量与其预计平均值的预计偏差。这样一来，方差是对随机变量“展开”多少的统计度量。于是，如果可以将感兴趣区域的测量数据模型化为遵循给定概率分布(例如，泊松(Poisson)统计模型)的随机变量，则能够确定感兴趣区域的重建图像的像元集的噪声方差，提供“不确定性度量”，亦即，重建像元的确定性如何以及它可能受到噪声多大破坏的统计度量。结果，通过基于针对两幅以不同方式重建的图像的对应像元集确定的噪声方差组合所述两幅以不同方式重建的图像，可以生成更确定并且受噪声破坏更小的组合图像。

优选所述噪声确定单元适于基于关于第一重建算法的知识确定第一像元的第一噪声值，并基于关于第二重建算法的知识确定第二像元的第二噪声值。

当从感兴趣区域的测量数据重建感兴趣区域图像时，对重建方法的特定选择对于重建图像中噪声的表现发挥重要作用。例如，已知诸如迭代惩罚似然方法的统计学重建方法考虑了重建期间测量数据的统计性质；因此这种方法通常比滤波反投影方法在重建图像中导致不同的噪声值，已知滤波反投影方法忽略了测量数据的噪声统计信息。

于是，通过结合关于用于重建感兴趣区域图像的特定重建方法的知识，亦即，通过结合特定重建方法如何处理测量数据以便重建像元的知识，可以实现对重建图像的像元的噪声值的更可靠和更精确的确定。

优选地，所述像元组合单元适于通过执行加权平均组合第一像元和第二像元，其中，所述加权平均包括利用第一权重对第一像元加权以及利用第二权重对第二像元加权，并且其中，第一权重和第二权重取决于第一噪声值和第二噪声值。优选地，第一权重和第二权重都取决于第一噪声值和第二噪声值两者。

优选所述像元组合单元适于选择第一权重和第二权重，使得与第一噪声值和第二噪声值中的至少一个相比，所述组合像元的组合噪声值减小。优选地，选择第一权重和第二权重，使得组合噪声值小于第一噪声值和第二噪声值两者。进一步优选地，选择第一权重和第二权重，使得组合噪声值最小化。

在实施例中，所述像元组合单元适于选择：

取决于a)第二噪声值与b)第一噪声值和第二噪声值之和的比值的第一权重，以及

取决于a)第一噪声值与b)第一噪声值和第二噪声值之和的比值的第二权重。具体而言，优选根据以下方程选择第一权重和第二权重：

$w_1=\frac{n_2}{n_1+n_2},$ 和 $w_2=\frac{n_1}{n_1+n_2},$

其中，w₁表示第一权重，w₂表示第二权重，n₁表示第一噪声值，n₂表示第二噪声值。

通过执行加权平均以及通过适当地选择第一权重和第二权重，可以通过简单并且高效的方式改善组合像元的质量。具体而言，如果选择第一权重和第二权重，使得组合像元的组合噪声值最小化，可以使组合像元的质量最大化。结果，可以生成噪声减少，尤其是噪声最小化的感兴趣区域组合图像，从而改善了质量。

优选地，通过适当地选择第一权重和第二权重而改善的组合噪声值是组合像元的组合噪声方差。

进一步优选地，所述噪声确定单元还适于针对第一像元集和第二像元集确定联合第三噪声值，其中，所述像元组合单元适于基于针对第一像元集的第一像元确定的第一噪声值、针对第二像元集的对应第二像元确定的第二噪声值以及针对第一像元和第二像元确定的联合第三噪声值，来组合第一像元和第二像元。

针对第一像元集确定的第一噪声值优选是表征独立于第二像元集的噪声的第一像元集的噪声的噪声值。同样地，针对第二像元集确定的第二噪声值优选是表征独立于第一像元集的噪声的第二像元集噪声的噪声值。由于两幅以不同方式重建的感兴趣区域图像是从感兴趣区域的相同测量数据重建的，可以预计，两幅以不同方式重建的图像的对应像元集的噪声值某些程度地相关，亦即，它们在某种程度上呈现出类似行为。在这种情况下，可能有利的是，还针对所述两幅以不同方式重建的图像的对应像元集确定表征这种相似性的联合第三噪声值。如果将对应像元集组合成组合像元然后还基于所确定的联合第三噪声值，可以生成另一改善的组合图像。

优选地，所述噪声确定单元适于针对第一像元和第二像元确定联合第三噪声值作为第一像元和第二像元的联合噪声协方差。

在概率论和统计学中，两个随机变量的协方差是两个随机变量共同变化多少的统计度量。这样一来，协方差提供了‘相似性的度量’，亦即，两幅以不同方式重建的图像的两个对应像元有多么相似的统计度量。结果，通过额外地基于针对两幅以不同方式重建的图像的对应像元集确定的联合噪声协方差来组合两幅以不同方式重建的图像，可以生成另一改善的组合图像。

优选所述噪声确定单元适于基于关于第一重建方法和第二重建方法的知识来确定针对第一像元和第二像元的联合第三噪声值。

如上所述，当从感兴趣区域的测量数据重建感兴趣区域图像时，重建方法的特定选择对于重建图像中噪声的表现发挥重要作用。对于两幅以不同方式重建的图像的联合噪声值，同样的观测结果也成立。于是，通过结合关于用于重建感兴趣区域的两幅不同图像的特定重建方法的知识，亦即，通过结合关于特定重建方法如何处理测量数据以便重建对应像元集的知识，也可以实现以不同方式重建的图像的对应像元集的联合噪声值的更可靠和更精确的确定。

优选地，所述像元组合单元适于通过执行加权平均组合第一像元和第二像元，其中，所述加权平均包括利用第一权重对第一像元加权，以及利用第二权重对第二像元加权，并且其中，第一权重和第二权重都取决于第一噪声值、第二噪声值和联合第三噪声值。

同样地，如果第一权重和第二权重都取决于第一噪声值、第二噪声值和联合第三噪声值，优选所述像元组合单元适于选择第一权重和第二权重，使得与第一噪声值和第二噪声值中的至少一个相比，所述组合像元的组合噪声值减小。优选地，选择第一权重和第二权重，使得组合噪声值小于第一噪声值和第二噪声值两者。进一步优选地，选择第一权重和第二权重，使得组合噪声值最小化。

在实施例中，所述像元组合单元适于选择

取决于如下表达式的第一权重：

$\frac{n_2-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$ 以及

取决于如下表达式的第二权重：

$\frac{n_1-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$

其中，n₁表示第一噪声值，n₂表示第二噪声值，n_1，2表示联合第三噪声值。具体而言，优选根据以下方程选择第一权重和第二权重：

$w_1=\frac{n_2-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$ 和 $w_2=\frac{n_1-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$

其中，w₁表示第一权重，w₂表示第二权重。这样能够生成噪声减少并且因此质量改善的感兴趣区域的组合图像。

进一步优选地，调整所述重建单元，使得第一重建方法是滤波反投影方法，而第二重建方法是迭代惩罚似然方法。

已知与滤波反投影方法相比，迭代惩罚似然方法通常得到更低的噪声值，尤其是针对重建图像均匀区域的像元。另一方面，已经发现，滤波反投影方法实际能够针对重建图像的高活性区域，诸如清晰边缘、角落等的像元集得到更低的噪声值。于是，通过组合分别利用滤波反投影方法和迭代惩罚似然方法重建的感兴趣区域的两幅不同图像的像元集，可以生成组合图像，其中，在每种情况下，组合像元集都主要受到利用最适于组合图像的特定区域的重建方法重建的两幅不同重建图像的那些像元的影响。

在本发明的另一方面中，提供了一种用于生成感兴趣区域的图像的图像生成方法，其中，所述图像生成方法包括如下步骤：

-提供感兴趣区域的测量数据用于生成感兴趣区域的图像，

-利用第一重建方法从所述测量数据重建所述感兴趣区域的第一图像，以及利用第二重建方法从所述测量数据重建所述感兴趣区域的第二图像，

-针对第一图像的第一像元集确定第一噪声值，以及针对第二图像的第二像元集确定第二噪声值，以及

-将第一像元集和第二像元集组合成形成组合图像的组合像元集，

其中，基于针对第一像元集的第一像元确定的第一噪声值以及针对第二像元集的对应第二像元确定的第二噪声值来组合第一像元和第二像元。

在本发明的另一方面中，提供了一种用于生成感兴趣区域的图像的计算机程序，其中，所述计算机程序包括程序代码模块，当所述计算机程序在控制根据权利要求1所述的图像生成系统的计算机上运行时，所述程序代码模块令所述图像生成系统执行根据权利要求14所述的图像生成方法的步骤。

应当理解，权利要求1的图像生成系统、权利要求14的图像生成方法和权利要求15的计算机程序具有具体而言如从属权利要求中定义的类似和/或相同优选实施例。

应当理解，本发明的优选实施例也可以是从属权利要求与相应独立权利要求的任意组合。

本发明的这些和其他方面将从下文描述的实施例变得显而易见并参考其加以阐述。

附图说明

在附图中：

图1示意性和示范性示出了用于生成感兴趣区域的图像的图像生成系统的实施例；

图2示范性示出了图示说明用于生成感兴趣区域的图像的图像生成方法的实施例的流程图；

图3示意性和示范性示出了待重建的对象；

图4示意性和示范性示出了图3中所示对象的第一图像，其是利用滤波反投影方法重建的；

图5示意性和示范性示出了图3中所示对象的第二图像，其是利用迭代惩罚似然方法重建的；

图6示意性和示范性示出了图示第一噪声方差的平方根的图像，这是针对图4中所示第一图像的第一像元集确定的；

图7示意性和示范性示出了图示第二噪声方差的平方根的图像，这是针对图5中所示第二图像的第二像元集确定的；

图8示意性并且示范性示出了图示说明与联合噪声协方差相关的联合噪声相关性的图像，这是针对图4中所示的第一图像的第一像元集和图5中所示第二图像的第二像元集确定的；

图9示意性并且示范性示出了图3中所示对象的组合图像，这是通过适当组合图4中所示的第一图像和图5中所示的第二图像生成的；以及

图10示意性和示范性示出了图示说明图9中所示的组合图像的组合像元集的组合噪声方差平方根的图像。

具体实施方式

图1示意性和示范性示出了用于生成感兴趣区域的图像的图像生成系统的实施例，在本实施例中，该图像生成系统是计算机断层摄影(CT)系统。计算机断层摄影系统包括扫描架1，其能够绕着平行于z轴延伸的旋转轴R旋转。在扫描架1上安装辐射源2，例如X射线管。为辐射源2提供准直器3，在本实施例中，准直器3将从辐射源2发射的辐射形成为圆锥形辐射束4。在其他实施例中，准直器3可以适于形成具有另一形状、例如扇形的辐射束。

辐射束4贯穿圆柱形检查区5中的感兴趣区域之内的对象(未示出)，诸如患者或技术对象。在贯穿感兴趣区域之后，辐射束4入射到探测装置6上，在本实施例中，探测装置6具有二维探测表面。探测装置6安装在扫描架1上。在其他实施例中，探测装置6还可以具有一维探测表面。

由电动机7以优选恒定但可调节的角速度驱动扫描架1。提供另一电动机8，以使对象，例如布置于检查区5中的患者台上的患者，平行于旋转轴R或z轴的方向发生位移。这些电动机7、8受到控制单元9的控制，例如，使得辐射源2和检查区5，具体而言，感兴趣区域，沿着螺旋形轨迹彼此相对移动。然而，也可以不移动对象或检查区5，具体而言，感兴趣区域，而仅仅使辐射源2旋转，亦即，辐射源2相对于检查区5，具体而言，感兴趣区域，沿着圆形轨迹移动。

在辐射源2与检查区5，具体而言，感兴趣区域，相对运动期间，探测装置6根据入射到探测装置6的探测表面上的辐射生成测量值。因此，辐射源2、用于使辐射源2相对于检查区5运动的元件，具体而言，电动机7、8、扫描架1、控制单元9和探测装置6形成测量数据提供单元，用于提供感兴趣区域的测量数据。

将感兴趣区域的测量数据，在本实施例中为所测量的投影数据，提供给包括重建单元12、噪声确定单元13和像元组合单元14的计算单元10。

重建单元12适于利用第一重建方法从测量数据重建感兴趣区域的第一图像，以及利用第二重建方法从测量数据重建感兴趣区域的第二图像。在本实施例中，调整重建单元12，使得第一重建方法是滤波反投影方法，而第二重建方法是迭代惩罚似然方法。

噪声确定单元13适于确定第一图像的第一像元集的第一噪声值，以及第二图像的第二像元集的第二噪声值。在本实施例中，噪声确定单元13适于确定第一像元的第一噪声值作为第一像元的噪声方差，并确定第二像元的第二噪声值作为第二像元的噪声方差。噪声确定单元13基于关于第一重建方法的知识确定第一像元的第一噪声方差，在本实施例中，第一重建方法是滤波反投影方法，并基于关于第二重建方法的第二像元的第二噪声方差，在本实施例中，第二重建方法是迭代惩罚似然方法。

任选地，噪声确定单元13适于进一步确定第一像元集和第二像元集的联合第三噪声值。噪声确定单元13可以适于确定第一像元和第二像元的联合第三噪声值作为第一像元和第二像元的联合噪声协方差。噪声确定单元13可以适于基于关于第一重建方法和第二重建方法的知识确定第一像元和第二像元的联合噪声协方差，在本实施例中，第一重建方法为滤波反投影方法，而第二重建方法为迭代惩罚似然方法。

像元组合单元14将第一像元集和第二像元集组合成形成组合图像的组合像元集。

更详细地讲，如果噪声确定单元13不适于确定针对第一像元和第二像元的联合噪声协方差，像元组合单元14通过基于针对第一像元集的第一像元确定的第一噪声方差和针对第二像元集的对应第二像元确定的第二噪声方差执行加权平均来将第一像元和第二像元组合成组合像元集的组合像元。加权平均包括利用第一权重对第一像元加权，以及利用第二权重对第二像元加权，其中，第一权重和第二权重取决于第一噪声方差和第二噪声方差。像元组合单元14选择第一权重和第二权重，使得与第一噪声方差和第二噪声方差中的至少一个相比，组合像元的组合噪声值，在本实施例中为组合噪声方差，减小了。下面将给出针对噪声确定单元13不适于确定第一像元和第二像元的联合噪声协方差的情况如何执行加权平均的更详细描述。

如果噪声确定单元13适于确定第一像元和第二像元的联合噪声协方差，像元组合单元14通过基于针对第一像元确定的第一噪声方差、针对第二像元确定的第二噪声方差以及针对第一像元和第二像元确定的联合噪声协方差执行加权平均来将第一像元集的第一像元和第二像元集的对应第二像元组合成组合像元集的组合像元。加权平均包括利用第一权重对第一像元加权，利用第二权重对第二像元加权，其中，第一权重和第二权重取决于第一噪声方差、第二噪声方差和联合噪声协方差。像元组合单元13选择第一权重和第二权重，使得与第一噪声方差和第二噪声方差中的至少一个相比，组合像元的组合噪声值，在本实施例中为组合噪声方差，减小了。同样地，下面将给出针对噪声确定单元13适于确定第一像元和第二像元联合噪声协方差的情况如何进行加权平均的更详细的描述。

向显示单元11至少提供由计算单元10生成的组合图像，以显示所生成的图像。

在下文中，将参考图2中所示的流程图描述用于生成感兴趣区域的图像的图像生成方法的实施例。

在本实施例中，用于生成感兴趣区域的图像的图像生成方法是计算机断层摄影(CT)方法。

在步骤101中，辐射源2绕着旋转轴或z轴旋转，而对象不运动，亦即，辐射源2沿着绕对象的圆形轨迹移动。在另一实施例中，辐射源2可以沿着另一种轨迹，例如相对于对象的螺旋形轨迹运动。辐射源2发射贯穿位于检查区5中的对象的辐射，在本实施例中为X射线辐射。对象例如是布置在检查区5中的患者台上的人类患者。已经穿过对象的辐射被探测装置6探测到，生成感兴趣区域的测量数据。

将感兴趣区域的测量数据，在本实施例中为实测投影数据，提供给计算单元10，在步骤102中，重建单元12利用第一重建方法从测量数据重建感兴趣区域的第一图像I₁，以及利用第二重建方法从测量数据重建感兴趣区域的第二图像I₂。在本实施例中，第一重建方法是滤波反投影方法，第二重建方法是迭代惩罚似然方法。

滤波反投影方法是本领域公知的用于计算机断层摄影(CT)的图像重建的最常用的方法。例如，在如下文献中论述了这样的方法：K.Stierstorfer等人的“Weighted FBP-A Simple Approximate 3D FBP Algorithm forMultislice Spiral CT with Good Dose U sage for Arbitrary Pitch”，Physics inMedicine and Biology，49(11)：2209-2218，2004或者G.Shechter等人的“The Frequency Split Method for Helical Cone-Beam Reconstruction”，Medical Physics，31(8)：2230-2236，2004。

图4示意性和示范性示出了图3中所示的对象的第一图像I₁，其是利用滤波反投影方法从有噪声的测量值重建的。第一图像I₁在图3所示对象的重建中包含相当大量的噪声。

在下文中将更详细描述利用迭代惩罚似然方法从测量数据对感兴趣区域第二图像I₂的优选重建：

迭代惩罚似然方法是属于更一般类别的统计重建方法的重建方法的一个范例。例如，在如下文献中论述了这种方法：S.Ahn等人的“ConvergentIncremental Optimization Transfer Algorithms：Application to Tomography”，IEEE Transactions on Medical Imaging 25(3)：283-296，2006，授予I.A.Elbakri和J.A.Fessler的WO02/067201A1或授予J.A.Fessler和J.Hsieh的US2006/0215891 A1。与诸如滤波反投影方法的解析重建方法相比，统计重建方法有若干吸引人的特征。例如，它们考虑了重建过程中测量数据的统计信息，因此可以获得噪声值更低的更精确的估计，具体而言，其噪声方差更低。此外，它们能够容易地结合系统参数，诸如系统几何结构、探测器响应、对象约束条件和任何先验知识。

下文描述的迭代惩罚似然方法基于针对(单能量)透射测量的泊松统计模型：

y_i～泊松

i＝1，...，N，(1)

其中，y_i表示第i个探测器的透射测量值，b_i表示第i个探测器的空白扫描计数，r_i表示第i个探测器的背景计数的平均数，

是衰减图的第i个线积分，其中，μ_k是第k个像元中的未知衰减系数。A＝{a_ik}是系统矩阵，其考虑了系统几何结构以及任何其他重要的物理效应，诸如探测器响应，N和p分别是探测器和像元的数目。假设y_i是独立的，而b_i、r_i和{a_ik}是已知的非负常数。

为了找到在解剖学上合理的衰减系数矢量μ的统计估计

使用基于似然的估计方法。这是一种自然的选择，因为似然基于估计问题的统计特性。最大似然方法还具有良好的理论性质。它是渐近相容的、无偏差和高效率的。由下式给出针对独立(单能量)透射测量值的泊松对数似然：

$L\left(\mathrm{\μ}\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\{y_i\log (b_i{e}^{-[\mathrm{A\μ}{]}_i}+r_i)-(b_i{e}^{-{\left[\mathrm{A\μ}\right]}_i}+r_i)\},---\left(2\right)$

忽略任何常数项。

无正则化，最大似然方法获得了有噪声的重建。减少这种噪声的一种方式是在重建图像可见地要求(appealing)时停止迭代。另一种方法是对测量数据进行预先滤波或者对重建图像进行后期滤波。在本实施例中，然而，使用正则化(惩罚似然)方法来减小噪声。这种正则化方法有若干优点。例如，惩罚函数也称为“粗糙惩罚”或“正则化项”，其改善了估计问题的调节。此外，可以选择具有特定期望性质、诸如良好边缘维持性的惩罚函数。

最常用的惩罚函数惩罚任何特定像元附近的差异。它们被表达为：

$R\left(\mathrm{\μ}\right)=\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{l\∈N_k}{\mathrm{\Σ}}{w}_{\mathrm{kl}}\mathrm{\ψ}({\mathrm{\μ}}_k-{\mathrm{\μ}}_l),---\left(3\right)$

其中，函数ψ是大致对称、凸状(convex)、非负并且可微的势函数。权重w_kl对于正交像元通常为1，而对于对角线像元为

N_k是第k个像元的邻域。

通用的惩罚函数是二次函数ψ(t)＝t²/2。这种惩罚函数对于降噪非常有效，并且在解析上是简单的，但可能由于函数的平方增大而在重建图像中导致细节损失和模糊，尤其是在边缘处。为了保持细节和边缘，可以使用针对更大差异提供同等更小惩罚的惩罚函数。一种这样的惩罚函数是双曲线函数：

$\mathrm{\ψ}(t;\mathrm{\δ})=\sqrt{(1+{(t/\mathrm{\δ})}^2)},---\left(4\right)$

其中，用户可选的正则化参数δ控制着在其以上保持边缘的对比度。

可能在本实施例中使用的备选惩罚函数是Huber惩罚函数：

$\mathrm{\&psi;}(t;\mathrm{\&delta;})=\left\{\begin{array}{c}{t}^2/2,t<\mathrm{\&delta;}\\ \mathrm{\&delta;}\left|t\right|-{\mathrm{\&delta;}}^2/2,t\&GreaterEqual;\mathrm{\&delta;}\end{array}\right.---\left(5\right)$

其中，用户可选的正则化参数δ也控制在其以上保持边缘的对比度。

将方程(2)的最大似然目标函数与方程(3)的惩罚函数组合给出了所谓的惩罚似然目标函数：

Γ(μ)＝L(μ)-βR(μ)。(6)

方程(6)中右方的第一项使估计器匹配测量数据。第二项施加一些平滑程度，导致在视觉上吸引人的图像。标量参数β控制两项之间的权衡关系(或者，备选地，分辨率和噪声之间的权衡)。

那么，迭代惩罚似然重建的目标变为使受到特定对象约束、诸如非负性限制的方程(6)最大化：

$\widehat{\mathrm{\&mu;}}=\underset{\mathrm{\&mu;}\&GreaterEqual;0}{\arg \max }\mathrm{\&Gamma;}\left(\mathrm{\&mu;}\right).---\left(7\right)$

已知方程(2)的泊松对数似然是凸状的，并且对于方程(4)和方程(5)的两个示范性惩罚函数成立同样情况。因此，已知方程(7)具有唯一解。可以利用例如所谓的可分离抛物面型替代(separable paraboloidsurrogate，SPS)方法以数值方式找到这一唯一解。例如，在如下文献中论述了这样的方法：H.Erdogan和J.A.Fessler的“Ordered Subsets Algorithmsfor Transmission Tomography”，Physics in Medicine and Biology，44(11)：2835-2851，1998或者J.A.Fessler和H.Erdogan的“a Paraboloidal SurrogatesAlgorithm for Convergent Penalized-Likelihood Emission ImageReconstruction”，Proc.of IEEE Nuc.Sci.Symp.Med.Im.Conf.1998，在此通过引用将其并入本文。在可分离抛物面型替代(SPS)方法中，将可分离的二次函数，所谓的替代，拟合到图像的当前估计，并优化替代函数，获得使方程(7)最大化的重建图像的经改善的估计。通过迭代地重复这种拟合和优化替代函数，以数值方式确定使方程(7)最大化的重建图像。

图5示意性和示范性示出了图3中所示对象的第二图像I₂，这是利用迭代惩罚似然方法从有噪声测量值重建的。与图4中所示的第一图像I₁相比，图5中所示的第二图像I₂在图中3所示的对象的重建中包含同等更低量的噪声。

再次参考图2，在步骤103中，噪声确定单元13确定第一图像I₁的第一像元集i₁的第一噪声值n₁和第二图像I₂的第二像元集i₂的第二噪声值n₂。在本实施例中，噪声确定单元13确定第一像元集i₁的第一像元i₁的第一噪声值n₁作为第一像元i₁的第一噪声方差并确定第二像元集i₂的第二像元i₂的第二噪声值n₂作为第二像元i₂的第二噪声方差

噪声确定单元13基于关于第一重建方法的知识确定第一像元i₁的第一噪声方差在本实施例中，第一重建方法是滤波反投影方法，并基于关于第二重建方法的知识确定第二像元i₂的第二噪声方差

在本实施例中，第二重建方法是迭代惩罚似然方法。

例如，从如下文献可获知基于关于滤波反投影方法的知识确定第一像元i₁的第一噪声方差

A.Wunderlich和F.Noo的“Image Covariance andLesion Detectability in Direct Fan-Beam X-Ray Computed Tomography”，Physics in Medicine and Biology，53(10)：2471-2493，2008，在此通过引用将其并入。这样确定第一噪声方差基于如下公知的认识：两个随机变量X和Y的加权平均的噪声方差导致：

Var(aX+bY)＝a²Var(X)+b²Var(Y)，(8)

其中，a和b是实数。由于滤波反投影方法是线性重建方法，所有处理步骤，亦即，例如滤波、内插或反向投影都是线性运算，并且重建衰减系数

是测量数据的线性组合。因此基于方程(8)从测量数据确定噪声方差。参考A.Wunderlich和F.Noo的上述文献获得对这种用于确定噪声方差的已知方法的更详细的描述。

图6示意性和示范性示出了图示说明第一噪声方差

的平方根的图像，这是针对图4中所示第一图像I₁的第一像元集i₁确定的。在这幅图像中，箭头标识示范性的第一像元i₁，并且与箭头相邻的数值表示该示范性像元i₁的第一噪声方差

的平方根。同样地，圆标识第一像元集i₁的示范性区域，并且与圆相邻的数值表示该限定区域的第一像元集i₁的第一噪声方差

的平方根的平均值。图6中所示的图像图示了第一噪声方差在图4中所示的第一图像I₁之内在空间上变化。然而，在图4中所示的第一图像I₁的界定区域之内，例如，在圆表示的像元集i₁的示范性区域之内，第一噪声方差

不会有大的变化。

在下文中将更详细地描述基于关于迭代惩罚似然方法的知识确定第二像元i₂的第二噪声方差

的优选方式。

例如，从授予J.A.Fessler和J.Hsieh的US 2006/0215891 A1可以获知对第二噪声方差的确定，在此通过引用将其并入本文。这样确定第二噪声方差基于重建衰减系数矢量

的协方差的以下近似：

$\mathrm{Cov}\left\{\widehat{\mathrm{\&mu;}}\right\}\&ap;{\left[{\&dtri;}^2\mathrm{\&Gamma;}\left(\mathrm{\&mu;}\right)\right]}^{-1}\mathrm{Cov}\{\&dtri;\mathrm{\&Gamma;}\left(\mathrm{\&mu;}\right)\}{\left[{\&dtri;}^2\mathrm{\&Gamma;}\left(\mathrm{\&mu;}\right)\right]}^{-1},---\left(9\right)$

其中，是方程(6)的惩罚似然目标函数的梯度，

是其Hessian。使用以上方程计算协方差矩阵

的对角元，其中，协方差矩阵的对角元是每个像元的噪声方差的估计值。参考前面提到的US 2006/0215891A1，可获得第二噪声方差的这种已知确定的更详细描述。

或者，可以使用其他方法确定重建图像的像元的噪声方差。具体而言，如果迭代惩罚似然方法使用诸如方程(4)和方程(5)中定义的惩罚函数，可以例如按照如下文献中论述的那样确定空间变化低于用户可选正则化参数δ的像元集的噪声方差：Y.Zhang-O′Connor和J.A.Fessler的“FastPredictions of Variance Images for Fan-Beam Transmission Tomography WithQuadratic Regularization”，IEEE Transactions on Medical Imaging，26(3)：335-346，2007。然后可以如例按照以下文献中所述那样确定空间变化高于用户可选正则化参数δ的像元集的噪声方差：J.Qi和R.M.Leahy：“ATheoretical Study of the Contrast Recovery and Variance of MAPReconstruction from PET Data”，IEEE Transactions on Medical Imaging，18(4)：293-305，1999或者J.W.Stayman和J.A.Fessler的“Efficient Calculationof Resolution and Covariance for Penalized-Likelihood Reconstruction in Fully3-D SPECT”，IEEE Transactions on Medical Imaging，23(12)：1543-1556，2004。

图7示意性和示范性示出了图示说明第二噪声方差

的平方根的图像，这是针对图5中所示第二图像I₂的第二像元集i₂所确定的。图7中所示的图像图示了第二噪声方差

在图5中所示的第二图像I₂之内在空间上变化。与图4中所示的第一图像I₁的第一噪声方差

相比，图5中所示的第二图像I₂的第二噪声方差

在图3中所示对象的均匀区域中较低，并且在图3中所示对象的清晰边缘的区域中较高。

返回图2，在步骤103中，噪声确定单元13任选地确定第一像元集i₁和第二像元集i₂的联合第三噪声值n_1，2。在本实施例中，噪声确定单元13确定第一像元i₁和第二像元i₂的联合第三噪声值n_1，2作为第一像元i₁和第二像元i₂的联合第三噪声方差σ_1，2。噪声确定单元13基于关于第一重建方法的知识确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2，在本实施例中，第一重建方法是滤波反投影方法，而第二重建方法是迭代惩罚似然方法。

在下文中将更详细地描述基于关于第一重建方法和第二重建方法的知识确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2的适当方式，在本实施例中，第一重建方法为滤波反投影方法，而第二重建方法为迭代惩罚似然方法。

如果两幅图像是利用第一和第二重建方法从同样的测量数据以不同方式重建的，可以预见，两幅以不同方式重建的图像的对应像元集的噪声值会呈现出显著程度的联合噪声相关性。然后可以例如基于启发式估计确定联合噪声协方差σ_1，2，其通过关系

与第一像元和对应第二像元的联合噪声相关性相关，其中，r_1，2表示联合噪声相关性。换言之，可以针对要利用第一重建方法和第二重建方法重建的典型对象执行模拟。基于这样的模拟，可以针对对象的不同区域(均匀区域、高活性区域，诸如清晰边缘、角部等)确定典型的联合噪声相关性r_1，2。例如，可以利用不同噪声模拟不同组的测量数据。优选选择噪声，使其描述由图像生成系统执行的测量过程的噪声。噪声例如是泊松噪声或另一种噪声。对于每组模拟的测量数据，可以利用第一重建方法重建第一图像，并且可以利用第二重建方法重建第二图像。这意味着基于不同组的模拟测量数据重建若干第一像元集和若干对应第二像元集。若干第一像元的图像值和若干第二像元的图像值形成两个序列。在实施例中，可以确定这两个序列之间的相关性作为联合噪声相关性。从所确定的典型联合噪声相关性r_1，2，然后可以通过进一步如上所述确定第一噪声方差

和第二噪声方差

来针对对象的两幅以不同方式重建的图像确定相关的联合协方差值σ_1，2。

图8示意性和示范性示出了图示说明与联合噪声协方差σ_1，2相关的联合噪声相关性的图像，其是针对图4中所示的第一图像I₁的第一像元集i₁和图5中所示的第二图像I₂的第二像元集i₂确定的。图8中所示的图像图示了图4中所示的第一图像I₁中的噪声和图5中所示的第二图像I₂中的噪声是高度相关的，具体而言，在图3所示的对象的清晰边缘区域中是高度相关的。

返回图2，在步骤104中，像元组合单元14将第一像元集i₁和第二像元集i₂组合成形成组合图像I_C的组合像元集i_C。

更详细地讲，如果在步骤103中，未确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2，像元组合单元14通过基于针对第一像元集i₁的第一像元i₁确定的第一噪声方差

和针对第二像元集i₂的对应第二像元i₂确定的第二噪声方差

来将第一像元i₁和第二像元i₂组合成组合像元集i_C的组合像元i_C。在本实施例中，像元组合单元14通过执行加权平均组合第一像元i₁和第二像元i₂。加权平均包括利用第一权重w₁对第一像元i₁加权，以及利用第二权重w₂对第二像元i₂加权。第一权重w₁和第二权重w₂取决于第一噪声方差

和第二噪声方差像元组合单元14选择第一权重w₁和第二权重w₂，使得与第一噪声方差

和第二噪声方差

中的至少一个相比，组合像元i_C的组合噪声值n_C，具体而言，组合噪声方差

减小了。在本实施例中，选择第一权重w₁和第二权重w₂，使得组合噪声方差

小于第一噪声方差

和第二噪声方差两者。具体而言，选择第一权重w₁和第二权重w₂，使得组合噪声方差最小化。

在下文中将针对如下情况描述选择第一权重w₁和第二权重w₂以使得组合噪声方差最小化的优选方式：在步骤103中，未确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2。

在这种情况下，可以根据如下关系确定组合像元i_C的组合噪声方差

${\mathrm{\&sigma;}}_C=\mathrm{Var}(w_1{\widehat{\mathrm{\&mu;}}}_1+w_2{\widehat{\mathrm{\&mu;}}}_2)=w_1^2{\mathrm{\&sigma;}}_1^2+w_2^2{\mathrm{\&sigma;}}_2^2,---\left(10\right)$

其中，

是第一像元i₁的重建衰减系数，

是第二像元i₂的重建衰减系数。

假设第一图像I₁和第二图像I₂都没有偏置，权重求和应当为1。那么方程(10)的最小化获得第一权重w₁或第二权重w₂中的二次方程，例如：

$\frac{\&PartialD;}{{\&PartialD;w}_1}(w_1^2{\mathrm{\&sigma;}}_1^2+{(1-w_1)}^2{\mathrm{\&sigma;}}_2^2)=0.---\left(11\right)$

然后，“最佳”权重，亦即，使组合像元i_C的组合噪声方差

最小化的权重导致：

$w_1=\frac{{\mathrm{\&sigma;}}_2^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2},$ 和 $w_2=\frac{{\mathrm{\&sigma;}}_1^2}{{\mathrm{\&sigma;}}_1^2+{\mathrm{\&sigma;}}_2^2}.---\left(12\right)$

于是，在步骤103中未确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2的情况下，像元组合单元14优选根据方程(12)选择第一权重w₁和第二权重w₂。

或者，如果在步骤103中，已经确定了第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2，像元组合单元14基于针对第一像元集i₁的第一像元i₁确定的第一噪声方差针对第二像元集i₂的对应第二像元i₂确定的第二噪声方差

以及针对第一像元i₁和第二像元i₂确定的联合噪声协方差σ_1，2，来将第一像元i₁和第二像元i₂组合成组合像元集i_C的组合像元i_C。在本实施例中，像元组合单元14通过执行加权平均组合第一像元i₁和第二像元i₂。加权平均包括利用第一权重w₁对第一像元i₁加权，以及利用第二权重w₂对第二像元i₂加权。第一权重w₁和第二权重w₂取决于第一噪声方差

第二噪声方差

和联合噪声协方差σ_1，2。像元组合单元14选择第一权重w₁和第二权重w₂，使得与第一噪声方差

和第二噪声方差

中的至少一个相比，组合像元i_C的组合噪声值n_C，具体而言，组合噪声方差

减小了。在本实施例中，选择第一权重w₁和第二权重w₂，使得组合噪声方差小于第一噪声方差和第二噪声方差

两者。具体而言，选择第一权重w₁和第二权重w₂，使得组合噪声方差

最小化。在下文中将针对如下情况描述选择第一权重w₁和第二权重w₂以使得组合噪声方差

最小化的优选方式：在步骤103中，已确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2。

在这种情况下，可以根据如下关系确定组合像元i_C的组合噪声方差

${\mathrm{\&sigma;}}_C=\mathrm{Var}(w_1{\widehat{\mathrm{\&mu;}}}_1+w_2{\widehat{\mathrm{\&mu;}}}_2)=w_1^2{\mathrm{\&sigma;}}_1^2+2w_1{w}_2{\mathrm{\&sigma;}}_{\mathrm{1,2}}+w_2^2{\mathrm{\&sigma;}}_2^2,---\left(13\right)$

其中，

是第一像元i₁的重建衰减系数，

是第二像元i₂的重建衰减系数。

假设第一图像I₁和第二图像I₂两者都没有偏置，权重求和应当为1。那么方程(13)的最小化获得第一权重w₁或第二权重w₂中的二次方程，例如：

$\frac{\&PartialD;}{{\text{\&PartialD;w}}_1}(w_1^2{\mathrm{\&sigma;}}_1^2+2w_1(1-w_1){\mathrm{\&sigma;}}_{\mathrm{1,2}}+{(1-w_1)}^2{\mathrm{\&sigma;}}_2^2)=0.---\left(14\right)$

然后，“最佳”权重，亦即，使组合像元i_C的组合噪声方差

最小化的权重导致：

$w_1=\frac{{\mathrm{\&sigma;}}_2^2-{\mathrm{\&sigma;}}_{\mathrm{1,2}}}{{\mathrm{\&sigma;}}_1^2-2{\mathrm{\&sigma;}}_{12}+{\mathrm{\&sigma;}}_2^2},$ 和 $w_2=\frac{{\mathrm{\&sigma;}}_1^2-{\mathrm{\&sigma;}}_{\mathrm{1,2}}}{{\mathrm{\&sigma;}}_1^2-2{\mathrm{\&sigma;}}_{12}+{\mathrm{\&sigma;}}_2^2}.---\left(15\right)$

于是，在步骤103中已经确定第一像元i₁和第二像元i₂的联合噪声协方差σ_1，2的情况下，像元组合单元14优选根据方程(15)选择第一权重w₁和第二权重w₂。

图9示意性和示范性示出了图3中所示对象的组合图像I_C，其是通过适当组合图4中所示的第一图像I₁和图5中所示的第二图像I₂生成的。

图10示意性和示范性示出了图9中所示组合图像I_C的组合像元集i_C的组合噪声方差

的平方根的图示。与图4中所示的第一图像I₁的第一噪声方差

和图5中所示的第二图像I₂的第二噪声方差

相比，图9中所示组合图像I_C的组合噪声方差

在图3中所示的对象的均匀区域中和图3中所示的对象的高活动区域，诸如清晰边缘、角部等区域中，都减小了。

返回图2，在步骤105中，向显示单元11至少提供由计算单元10生成的组合图像I_C，以显示所生成的图像I_C。

尽管在上述实施例中由计算机断层摄影系统作为测量数据提供单元来提供实测投影数据，也可以将其他成像系统用作测量数据提供单元，例如，磁共振成像系统、超声成像系统或核成像系统。此外，测量数据提供单元还可以是数据存储器或数据连接，在数据存储器上已经存储了测量数据，或者可以经由数据连接接收测量数据。测量数据提供单元还可以是模拟单元，例如，模拟测量数据生成的计算机系统。

尽管在上述实施例中，确定第一噪声方差作为第一像元的第一噪声值，并确定第二噪声方差作为第二像元的第二噪声值，但在其他实施例中，可以确定其他类型的噪声值，例如，噪声平均值或参数噪声概率分布的参数作为第一噪声值和第二噪声值。同样地，在上述实施例中，确定联合噪声协方差作为第一和第二像元的联合第三噪声值。然而，在其他实施例中，可以确定另一种噪声值，例如联合噪声平均值或参数联合噪声概率分布的参数作为联合第三噪声值。

在上述实施例中，第一重建方法是滤波反投影方法，第二重建方法是迭代惩罚似然方法。在其他实施例中，第一和第二重建方法也可以是其他重建方法。例如，第一重建方法可以是代数重建方法，或者也可以是统计学重建方法。同样地，第二重建方法可以是例如代数重建方法，或者可以是另一种统计学重建方法，例如无正则化的迭代最大似然方法。第一和第二重建方法也可以都是统计学重建方法，例如，它们可能都是迭代惩罚似然方法，但它们可以结合不同的“粗糙惩罚”，以对重建进行正则化。原则上，第一和第二重建方法可以是导致至少部分是以不同方式重建的重建图像的任何重建方法。

尽管在上述实施例中针对已经确定第一和第二噪声值作为第一和第二噪声方差并且已经确定联合第三噪声值作为联合噪声协方差的情况导出了方程(12)和方程(15)中的“最佳”权重，在确定其他类型的噪声值，例如平均噪声值等，分别作为第一、第二和联合第三噪声值时也可以使用这些方程。

在方程(12)和(15)中，第一权重和第二权重被确定为等于相应等号右侧所示的表达式，在其他实施例中，第一权重和第二权重可以是相应表达式的函数，例如，它们可以与相应表达式成正比。

通过研究附图、公开和权利要求，本领域技术人员在实践请求保护的本发明时能够理解和实现所公开实施例的其他变型。

在权利要求中，“包括”一词不排除其他元件或步骤，不定冠词“一”或“一个”不排除多个。

单个单元或装置可以完成权利要求中列举的若干项目的功能。在互不相同的从属权利要求中列举特定手段的简单事实并不表示不能有利地使用这些手段的组合。

可以由任意数量的单元或装置确定由一个或几个单元或装置执行的计算，例如图像的重建或噪声值的确定。例如，可以由两个独立单元执行用于生成感兴趣区域的图像的上述方法的步骤102和103，或者可以仅有单一公共单元执行它们，或可以由任何其他数量的不同单元执行它们。

可以在适当的介质上存储和/或分布的计算机程序，介质例如是与其他硬件一起供应或作为其他硬件一部分供应的光存储介质或固态介质，但也可以在其他形式中分布，例如通过互联网或其他有线或无线电信系统。

权利要求中的任何附图标记不应被解释为限制范围。

本发明涉及一种用于生成感兴趣区域的图像的图像生成系统。该图像生成系统包括测量数据提供单元，其用于提供感兴趣区域的测量数据；重建单元，其用于利用第一和第二重建方法从测量数据重建感兴趣区域的第一和第二图像；噪声确定单元，其用于针对第一和第二图像的第一和第二像元确定第一和第二噪声值；以及像元组合单元，其用于基于第一和第二噪声值将对应的第一和第二像元组合成形成组合图像的组合像元集。基于所确定的噪声值组合两幅以不同方式重建的图像的对应像元集，可以生成质量得到改善的感兴趣区域的组合图像。

Claims (15)

1.一种用于生成感兴趣区域的图像的图像生成系统，所述图像生成系统包括：

-测量数据提供单元，其用于提供所述感兴趣区域的测量数据以生成所述感兴趣区域的图像，

-重建单元(12)，其用于利用第一重建方法从所述测量数据重建所述感兴趣区域的第一图像(I₁)，以及利用第二重建方法从所述测量数据重建所述感兴趣区域的第二图像(I₂)，

-噪声确定单元(13)，其用于针对所述第一图像(I₁)确定第一像元集(i₁)的第一噪声值(n₁)，以及针对所述第二图像(I₂)的第二像元集(i₂)确定第二噪声值(n₂)，以及

-像元组合单元(14)，其用于将所述第一像元集(i₁)和所述第二像元集(i₂)组合成形成组合图像(I_C)的组合像元集(i_C)，

其中，所述像元组合单元(14)适于基于针对第一像元(i₁)确定的第一噪声值(n₁)和针对第二像元(i₂)确定的第二噪声值(n₂)组合所述第一像元集(i₁)的所述第一像元(i₁)和所述第二像元集(i₂)的对应第二像元(i₂)。

2.根据权利要求1所述的图像生成系统，其中，所述噪声确定单元(13)适于针对所述第一像元(i₁)确定所述第一噪声值(n₁)作为所述第一像元(i1)的第一噪声方差

以及针对所述第二像元(i₂)确定所述第二噪声值(n₂)作为所述第二像元(i₂)的第二噪声方差

3.根据权利要求1所述的图像生成系统，其中，所述噪声确定单元(13)适于基于关于所述第一重建方法的知识针对所述第一像元(i₁)确定所述第一噪声值(n₁)，以及基于关于所述第二重建方法的知识针对所述第二像元(i₂)确定所述第二噪声值(n₂)。

4.根据权利要求1所述的图像生成系统，其中，所述像元组合单元(14)适于通过执行加权平均来组合所述第一像元(i₁)和所述第二像元(i₂)，其中，所述加权平均包括利用第一权重(w₁)对所述第一像元(i₁)加权，以及利用第二权重(w₂)对所述第二像元(i₂)加权，并且其中，所述第一权重(w₁)和所述第二权重(w₂)取决于所述第一噪声值(n₁)和所述第二噪声值(n₂)。

5.根据权利要求4所述的图像生成系统，其中，所述像元组合单元(14)适于选择所述第一权重(w₁)和所述第二权重(w₂)，使得与所述第一噪声值(n₁)和所述第二噪声值(n₂)中的至少一个相比，组合像元(i_C)的组合噪声值(n_C)减小。

6.根据权利要求5所述的图像生成系统，其中，所述像元组合单元(14)适于选择：

取决于a)所述第二噪声值(n₂)与b)所述第一噪声值(n₁)和所述第二噪声值(n₂)之和的比值的所述第一权重(w₁)，以及

取决于a)所述第一噪声值(n₁)与b)所述第一噪声值(n₁)和所述第二噪声值(n₂)之和的比值的所述第二权重(w₂)。

7.根据权利要求1所述的图像生成系统，其中，所述噪声确定单元(13)还适于针对所述第一像元集(i₁)和所述第二像元集(i₂)确定联合第三噪声值(n_1，2)，并且其中，所述像元组合单元(14)适于基于针对所述第一像元集(i₁)的所述第一像元(i₁)确定的第一噪声值(n₁)、针对所述第二像元集(i₂)的对应第二像元(i₂)确定的第二噪声值(n₂)以及针对所述第一像元(i₁)和所述第二像元(i₂)确定的联合第三噪声值(n_1，2)来组合所述第一像元(i₁)和第二像元(i₂)。

8.根据权利要求7所述的图像生成系统，其中，所述噪声确定单元(13)适于针对所述第一像元(i₁)和所述第二像元(i₂)确定联合第三噪声值(n_1，2)作为所述第一像元(i₁)和所述第二像元(i₂)的联合噪声协方差(σ_1，2)。

9.根据权利要求7所述的图像生成系统，其中，所述噪声确定单元(13)适于基于关于所述第一重建方法和所述第二重建方法的知识针对所述第一像元(i₁)和所述第二像元(i₂)确定所述联合第三噪声值(n_1，2)。

10.根据权利要求7所述的图像生成系统，其中，所述像元组合单元(14)适于通过执行加权平均来组合所述第一像元(i₁)和所述第二像元(i₂)，其中，所述加权平均包括利用第一权重(w₁)对所述第一像元(i₁)加权，以及利用第二权重(w₂)对所述第二像元(i₂)加权，并且其中，所述第一权重(w₁)和所述第二权重(w₂)取决于所述第一噪声值(n₁)、所述第二噪声值(n₂)和所述联合第三噪声值(n_1，2)。

11.根据权利要求10所述的图像生成系统，其中，所述像元组合单元(14)适于选择所述第一权重(w₁)和所述第二权重(w₂)，使得与所述第一噪声值(n₁)和所述第二噪声值(n₂)中的至少一个相比，组合像元(i_C)的组合噪声值(n_C)减小。

12.根据权利要求11所述的图像生成系统，其中，所述像元组合单元(14)适于选择：

取决于如下表达式的所述第一权重(w₁)：

$\frac{n_2-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$ 以及

取决于如下表达式的所述第二权重(w₂)：

$\frac{n_1-n_{\mathrm{1,2}}}{n_1-{2n}_{\mathrm{1,2}}+n_2},$

其中，n₁表示所述第一噪声值，n₂表示所述第二噪声值，n_1，2表示所述联合第三噪声值。

13.根据权利要求1所述的图像生成系统，其中，调整所述重建单元(12)，使得所述第一重建方法是滤波反投影方法，而所述第二重建方法是迭代惩罚似然方法。

14.一种用于生成感兴趣区域的图像的图像生成方法，所述图像生成方法包括如下步骤：

-提供所述感兴趣区域的测量数据以生成所述感兴趣区域的图像，

-利用第一重建方法从所述测量数据重建所述感兴趣区域的第一图像(I₁)，以及利用第二重建方法从所述测量数据重建所述感兴趣区域的第二图像(I₂)，

-针对所述第一图像(I₁)的第一像元集(i₁)确定第一噪声值(n₁)，以及针对所述第二图像(I₂)的第二像元集(i₂)确定第二噪声值(n₂)，以及

-将所述第一像元集(i₁)和所述第二像元集(i₂)组合成形成组合图像(I_C)的组合像元集(i_C)，

其中，基于针对所述第一像元集(i₁)的第一像元(i₁)确定的第一噪声值(n₁)以及针对所述第二像元集(i₂)的对应第二像元(i₂)确定的第二噪声值(n₂)来组合所述第一像元(i₁)和第二像元(i₂)。

15.一种用于生成感兴趣区域的图像的计算机程序，所述计算机程序包括程序代码模块，当所述计算机程序在控制根据权利要求1所述的图像生成系统的计算机上运行时，所述程序代码模块令所述图像生成系统执行根据权利要求14所述的图像生成方法的步骤。

Images