CN104126193B - 图像分辨率增强 - Google Patents
图像分辨率增强 Download PDFInfo
- Publication number
- CN104126193B CN104126193B CN201380009402.1A CN201380009402A CN104126193B CN 104126193 B CN104126193 B CN 104126193B CN 201380009402 A CN201380009402 A CN 201380009402A CN 104126193 B CN104126193 B CN 104126193B
- Authority
- CN
- China
- Prior art keywords
- image data
- volumetric image
- resolution
- volumetric
- interested
- 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
- 230000002708 enhancing effect Effects 0.000 title description 5
- 230000033001 locomotion Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000003384 imaging method Methods 0.000 claims abstract description 24
- 238000012805 post-processing Methods 0.000 claims abstract description 3
- 230000000747 cardiac effect Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002792 vascular Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 6
- 210000003484 anatomy Anatomy 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 238000002591 computed tomography Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 5
- 229910052791 calcium Inorganic materials 0.000 description 5
- 239000011575 calcium Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000002173 dizziness Diseases 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 208000004476 Acute Coronary Syndrome Diseases 0.000 description 2
- 241000898323 Microtus irani Species 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 201000000057 Coronary Stenosis Diseases 0.000 description 1
- 206010011089 Coronary artery stenosis Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002165 resonance energy transfer Methods 0.000 description 1
- 208000037803 restenosis Diseases 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
-
- G06T3/14—
Abstract
在一个方面中,一种用于从较低分辨率体积图像数据生成较高分辨率体积图像数据的方法包括:接收被扫描受检者的体积图像数据,其中,所述体积图像数据包括表示所述被扫描受检者的感兴趣的周期性运动的结构的数据,并且其中,所述体积图像数据覆盖所述感兴趣的周期性运动的结构的多个运动周期。所述方法还包括估计所接收到的体积图像数据的相邻图像之间的图像间运动。所述方法还包括基于至少所估计的图像间运动来配准所接收到的体积图像数据。所述方法还包括:基于所配准的体积图像数据、超级分辨后处理算法以及生成所述体积图像数据的成像系统的点扩展函数,来生成所述较高分辨率体积图像数据。所述较高分辨率体积图像数据具有大于所述较低分辨率体积图像数据的图像分辨率。
Description
技术领域
以下大体涉及增强图像分辨率,并且具体应用于计算机断层摄影(CT);然而,其也适用于采集受检者的周期性运动的结构的多个帧或从多个不同视点对受检者的静态结构进行扫描的其他成像模态,例如磁共振(MR)、心血管(CV)、X射线和/或其他成像模态。
背景技术
文献表明,冠状动脉疾病每年影响数百万人,并且每年死亡人数众多。来自冠状动脉疾病的并发症包括管腔窄化(狭窄)、冠状动脉的阻塞、易损斑块的破裂,等等。对心脏科医师,尤其是专攻介入性心脏病学的那些而言,主要的临床挑战是,对急性心肌梗死及其他急性冠状动脉综合症的探测和预防。组织病理学研究已显示,源自急性冠状动脉综合症的猝死的原因是破裂的斑块的存在。文献表明,已出现识别容易破裂的动脉粥样硬化病变的概况的趋势。基于尸检研究,罪犯病变中的大多数典型地为非狭窄性的,包含具有薄覆盖纤维帽的大坏死核,并且诱导血管段的膨胀性重构。
计算机断层摄影(CT)是生成受检者内部的诊断质量图像的成像模态,所述受检者的内部例如受检者的周期性运动的结构(例如心、肺等)和/或血管(例如冠状动脉)。针对对动脉粥样硬化性斑块的探测和/或对其组成和机械性质的评估,从CT扫描生成的图像应包括准确表征斑块的数据。遗憾的是,当前用于处理心脏数据的方法可能引入伪影,并因此不能准确表征斑块。这样的伪影的范例包括晕状伪影(其源自高密度目标,例如钙化斑块)、钙晕影(calcium blooming)(其主要源自CT系统有限的空间分辨率)和/或可能造成模糊的其他伪影,其导致对钙化区域的过度表示、对腔管区和狭窄度的低估、对支架内结构的模糊、对血管的模糊以及对斑块组成的不准确表征。
鉴于以上,存在着对用于在保持图像质量和/或改进图像质量的同时降低患者剂量的其他方法的未解决需要。
发明内容
本文所述的各方面解决上述问题以及其他问题。
在一个方面中,一种用于从较低分辨率体积图像数据生成较高分辨率体积图像数据的方法,包括:接收被扫描受检者的体积图像数据,其中,所述体积图像数据包括表示所述被扫描受检者的感兴趣的周期性运动的结构的数据,并且其中,所述体积图像数据覆盖所述感兴趣的周期性运动的结构的多个运动周期。所述方法还包括估计所接收到的体积图像数据的相邻图像之间的图像间运动。所述方法还包括基于至少所估计的图像间运动,来配准所接收到的体积图像数据。所述方法还包括基于所配准的体积图像数据、超分辨后处理算法以及生成所述体积图像数据的成像系统的点扩展函数,来生成所述较高分辨率体积图像数据。所述较高分辨率体积图像数据具有大于所述较低分辨率体积图像数据的图像分辨率。
在另一方面中,一种计算系统,其接收被扫描受检者的体积图像数据,其中,所述体积图像数据包括表示所述被扫描受检者的感兴趣的周期性运动的结构的数据,并且其中,所述体积图像数据覆盖所述感兴趣的周期性运动的结构的多个运动周期。所述计算系统包括:运动估计器,其估计所接收到的体积图像数据的相邻图像之间的图像间运动;配准部件,其基于至少所估计的图像间运动,来配准所接收到的体积图像数据;以及图像增强器,其基于所配准的体积图像数据以及生成所述体积图像数据的成像系统的点扩散函数,来生成超分辨体积图像数据。针对所述感兴趣的周期性运动的结构的所述超分辨图像数据具有大于所接收到的体积图像数据的个体图像的分辨率的图像分辨率。
在另一方面中,一种识别血管中的斑块的方法,包括:从周期性运动的对象生成超分辨图像;并且从所述超分辨图像表征斑块组成。
附图说明
本发明可以采取各种部件和部件的布置,以及各种步骤和步骤的安排的形式。附图仅出于图示优选的实施例的目的,并且不应被解释为限制本发明。
图1结合图像分辨率增强器示意性地图示了示范性成像系统。
图2图示了用于增强体积图像数据的分辨率的示范性方法。
具体实施方式
下文描述了用于通过利用对几个运动相位采集的数据的冗余来生成受检者的被扫描感兴趣的周期性运动的结构和/或相关结构的超分辨体积数据,使用对所述感兴趣结构的多次重建,来增强体积图像数据的图像分辨率的方法。所采集的数据可以是周期性运动的结构(或静态结构从不同视角)的计算机断层摄影(CT)、磁共振(MR)、心血管(CV)、X射线,和/或其他成像数据。为了简洁,下文在CT的背景下进行讨论。
首先参考图1,示意性地图示了成像系统100,例如CT扫描器。成像系统100包括固定机架102和旋转机架104,旋转机架由固定机架102可旋转地支撑并关于z轴绕检查区域106旋转。辐射源110,例如X射线管,由旋转机架104支撑并与旋转机架104一起旋转,并且发射穿过检查区域106的辐射。辐射敏感探测器阵列112,其在检查区域106对面与辐射源110相对而对向一角度弧,探测穿过检查区域106的辐射,并生成指示其的信号数据。辐射敏感探测器阵列112包括辐射敏感探测器像素的一维或二维阵列。可以将部件102至112聚合地视为成像数据采集与处理系统113的部分。
成像系统100还包括受检者支撑体114,例如卧榻,其支撑检查区域106中的受检者。受检者支撑体114被配置为在对结构(例如周期性运动的结构)的扫描之前、期间和/或之后,垂直地和/或水平地运动,以定位与系统100相连的受检者或对象。成像系统100还包括通用计算系统,或者计算机充当操作者控制台116。控制台116包括人类可读的输出设备(例如监视器)和输入设备(例如键盘、鼠标等)。驻留于控制台116中的软件允许操作者经由图形用户界面(GUI)或以其他方式与扫描器100交互。该交互可以包括选择成像协议(例如,针对感兴趣的周期性运动的结构)、启动扫描、选择感兴趣的后处理,等等。
重建器118重建所述信号,生成指示被扫描结构的几个图像。在所述结构包括周期性运动的器官(例如心脏、肺等)时,所述图像中的两个或多个可以分别表示不同的运动相位。例如,在所述结构为心脏时,所述图像中的一个可以捕获心动周期的收缩期,而另一个图像可以捕获心动周期的舒张期。在另一种情况中,在所述结构包括肺时,所述图像中的一个可以捕获呼吸周期的吸气阶段,而另一个图像可以捕获呼吸周期的呼气阶段。在又另一种情况中,在所述结构包括与心动周期和/或呼吸周期一起运动的结构时,所述图像中的一个可以捕获所述结构的不同运动相位。所述重建可以为回顾性或前瞻性运动门控重建。所图示的重建器118可以是或可以不是成像系统100的部分。
点扩展函数(PSF)确定器120针对成像系统100的一个或多个采集协议,确定成像系统100的点扩展函数。大体上,点扩展函数(或脉冲响应)描述成像系统100对点源的响应(或模糊),并且所述点源的扩展(模糊)度是成像系统10的质量度量。可以通过扫描线体模(其模拟脉冲函数),来确定点扩展函数,并且得到的模糊表示系统点扩展函数。针对不同成像协议并由点扩展函数确定器120和/或其他部件确定的系统100一个或多个点扩展函数可以被储存在PSF存储器122中,PSF存储器122可以在图1的部件中的一个或多个的本地和/或远程。
感兴趣区域(ROI)分割器124从所重建的体积图像数据分割一个或多个ROI。合适的分割方法包括图案识别、基于模型的、基于追踪的、人工智能、神经元网络、管状目标探测和/或其他方法。至少在C.Kirbas和F.Quek的“A review of vessel extractiontechniques and algorithms”(ACM Computing Surveys,第36卷,81-121页,2004年)中讨论了这样的方法。其中,所述ROI对应于被表示在重建的体积图像数据中的处于一个或多个不同运动状态的特定血管,ROI分割器124帮助从所重建的体积图像数据分割所述血管。大体上,心脏分析中的血管提取允许对围绕心脏的不同血管的探测与标记。如在下文更详细讨论的,对所述体积图像数据经分割的ROI可以被用于运动估计和/或图像配准。
运动估计器126估计所重建的体积图像数据的图像之间的图像间运动。可以采用各种方法。例如,与所重建的图像同步的ECG信号可以被用于表征所述运动,例如,识别心动周期的“安静”相位和/或其他相位。对此,可以通过比较连续图像之间的相似度和/或以其他方式,来确定所述图像间运动。在R.Manzke、T.T.Nielsen、D.Hawkes和M.Grass的“Automatic phase determination for retrospectively gated cardiac CT”(Med.Phys.,第31卷,3345页,2004年)中讨论了这样的范例。另一种方法包括将图像中结构的形状与已知参考相位中所述结构的预期形状进行比较。经分割的ROI可以被用于约束数据空间(例如从整个体积数据集到其子集的数据集),帮助识别结构的形状,提供可以被用于识别所述结构的位置信息和/或以其他方式使用。
配准部件128基于至少图像间运动,来配准所重建的体积图像数据的图像。合适的配准方法包括刚性和/或非刚性方法。在一种情况中,局部刚性/仿射变换被用于描述全局的、非刚性变换。可以通过变分公式化,明确给出或暗含地确定解空间。基于样条的配准可以被用于非刚性图像配准。用B样条,对照点的位移仅得到周围体积的位移。基于所述变换以及对相似度度量的选择,可以定义要被最小化的目标函数。
此外,将近似或尺度空间想法用于目标函数的凸化。正则化可以被用于将用户指示并入所述配准。大体上,图像配准中的正则化是关于潜在的优化问题的存在而非关于其独特性。先验、掩蔽和/或惩罚均可以被用于避免不现实的解。先验可以源自手动的、基于模型的或其他器官分割。为了便于到全局最小化的收敛以及对像素位置的准确发现,可以使用与源自基于模型的分割的先验知识相结合的尺度空间方法。
合适的配准方法的范例可以至少在以下中找到:B.Zitova和J.Flusser的“Imageregistration methods:a survey”(Image Vision Comput.,第21卷,977-1000页,2003年);A.Goshtasby的2-D and 3-D Image Registration for Medical,Remote Sensing,and Industrial Applications(Wiley-Interscience,2005年);B.Fischer和J.Modersitzki的“Ill-posed medicine—an introduction to image registration”(Inverse Problems,第24卷,034008页,2008年);S.Kabus、A.Franz和B.Fischer的“Variational image registration with local properties”,(Biomedical ImageRegistration,92-100页,2006年);以及S.Kabus、T.Netsch、B.Fischer和J.Modersitzki在Proceedings of the SPIE,2004年,304-313页中的“B-spline registration of 3Dimages with levenberg-marquardt optimization”。
所述运动估计可以被用于识别要配准的图像的子集。例如,在感兴趣运动相位的图像与一个或多个相邻图像之间的运动在预定运动阈值范围内时,所述感兴趣运动相位的所述图像和所述一个或多个相邻图像被包括为所述子集的部分。然而,在一个或多个相邻图像在所述预定阈值范围之外时,那些相邻图像被从所述子集排除。对所重建的体积图像数据经分割的ROI可以被用于约束数据空间(例如从整个数据集到其子集),提供先验知识,用于分配不同权重或针对不同的感兴趣体素的掩蔽,以视觉增强感兴趣结构,封闭其中初始运动太大的间隙,等等。
图像分辨率增强器130基于超分辨算法132和成像系统100的PSF,来增强一个或多个图像的分辨率,所述PSF可以从PSF确定器120、PSF存储器122和/或其他部件获得。合适的超分辨方法包括频率和/或空间域方法。频率域方法一般简单且在计算上廉价。然而,按照定义它们适合于纯平移运动,并且对模型误差极其敏感。空间域方法一般在计算上更昂贵。然而,它们不限于平移运动,并因此更适合诸如心脏运动的特定结构运动。所述PSF可以被用于针对由成像系统100造成的模糊调节图像。
下面提供合适的迭代超分辨算法的非限制性范例。给定K个低分辨率图像gk,可以如所示,通过公式1的迭代图像更新算法,来恢复较高分辨率图像f:
公式1:
其中,为初始图像,为模拟的低分
辨率图像,Tk和为运动向量变换矩阵,↑s表示上采样,↓s表示下采样,p表示高通滤波,并
且h表示所述点扩展函数。为误差最小化标准。
用公式1,通过交替两个步骤,来更新图像:在第一个阶段中,从前次迭代的估计的较高分辨率图像来模拟较低分辨率图像。在第二个阶段中,上采样所述数据,并且将测量的较低分辨率图像与估计的较低分辨率图像之间的差增加到所述较高分辨率图像。当估计的较低分辨率图像与测量的较低分辨率图像之间的差落在预定阈值以下时,预定时间的逝去之后,和/或其他停止标准时,所述迭代过程结束。
在T.Huang和R.Tsai的“Multi-frame image restoration and registration”(Advances in Computer Vision and Image Processing,第1卷,第2页,1984年);N.Bose、H.Kim和H.Valenzuela在Acoustics,Speech,and Signal Processing,1993年,ICASSP-93,1993 IEEE国际会议,1993年,269-272页,第5卷中的“Recursive implementation oftotal least squares algorithm for image reconstruction from noisy,undersampled multiframes”;L.Teodosio和W.Bender在Proceedings of the First ACMInternaional Conference on Multimedia,1993年,39-46页中的“Salient videostills:Content and context preserved”;S.Peleg、D.Keren和L.Schweitzer的“Improving image resolution using subpixel motion”(Pattern Recog.Lett.,第5卷,223-226页,1987年);M.Irani和S.Peleg在Pattern Recognition,Proceedings.,10thinternational conference,1990年,115-120页,第2卷中的“Super resolution fromimage sequences”;M.Irani和S.Peleg的“Improving resolution by imageregistration”(CVGIP:Graphical Models and Image Processing,第53卷,231-239页,1991年);以及M.C.Chiang和T.Boult的“Efficient super-resolution via imagewarping”(Image Vision Comput.,卷18,761-771页,2000年)等文章中讨论了合适的超分辨率图像的其他范例。
图像分辨率增强器130输出一个或多个超分辨图像。如上文简要讨论的,前文允许利用对几个运动相位采集的数据的冗余来生成被扫描感兴趣的周期性运动的结构和/或相关结构的超分辨体积数据,使用对被扫描的周期性运动感兴趣结构的多次重建(或静态结构的多个不同视图),来增强图像分辨率。在一种情况中,这允许对特定结构(例如心脏扫描中的斑块组成)的更好区分、对特定结构的更好可视化(例如心脏扫描中的支架内结构)、对特定结构的更好评估(例如心脏扫描中的冠状动脉狭窄),等等。这样,前文有助于钙晕影伪影减少、分辨率增强、更好的钙尺寸确定,等等。
要认识到,部件124、126、128、130和/或132中的一个或多个可以为计算系统134(如所示的)、控制台116和/或其他设备的部分。计算系统134可以在成像系统100本地或远离它,例如定位于单独的房间、不同的设施等等中。此外,部件124、126、128、130和/或132中的一个或多个可以经由计算系统134或其他部件(其运行被编码或嵌入在计算机可读储存介质上的计算机可执行指令,所述计算机可读储存介质例如为物理存储器或其他非瞬态介质)的处理器(微处理器、控制器等等)实现。额外地或可选地,所述处理器可以运行以下中的至少一个:由载波、信号或其他瞬态介质承载的计算机可执行指令。
图2图示了用于改进低剂量和/或常规剂量图像数据的分辨率的示范性方法。以下大体涉及生成超分辨图像。
要认识到,本文描述的方法中的动作的顺序是非限制性的。这样,本文中也预期其他顺序。此外,可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在202,获得表示受检者的被扫描的周期性运动的结构的不同运动状态的多个图像。
在204,从所获得的多个图像来分割所述周期性运动的结构。
在206,针对所述多个图像估计图像间运动。如本文中讨论,经分割的数据可以被用于帮助运动估计。
在208,基于至少所估计的运动,来配准所述多个图像的至少子集。经分割的数据也可以被用于帮助配准。
在210,基于所配准的图像和针对生成所述多个图像的成像系统的PSF,来生成一个或多个超分辨图像。
可以经由一个或多个处理器来实施本文描述的方法,所述处理器运行被编码在或嵌入在诸如物理存储器的计算机可读储存介质上的一个或多个计算机可读指令,所述指令引起所述一个或多个处理器执行各个动作和/或其他功能和/或动作。额外地或可选地,所述一个或多个处理器可以运行由诸如信号或载波的瞬态介质承载的指令。
可以结合几种应用使用前述系统和/或方法。例如,一种应用为斑块分析。对急性冠状动脉综合症(例如心肌梗死)的预防与破裂斑块的存在及其组成有关。在由计算系统134处理的所述重建图像包括心脏CT图像时,计算系统134可以利用如本文所述的所采集的数据的冗余,以如本文所述的恢复对斑块分析更有效的超分辨图像。另一种应用为狭窄尺寸确定。对准确狭窄尺寸确定的限制是源自高密对象(例如钙化斑块)的晕状伪影。钙晕影主要源自CT系统的有限空间分辨率。该模糊作用引起对钙化区域的过度表达,以及因此,对管腔区和狭窄度的低估。本文描述的系统和/或方法可以减少晕状伪影,并通过改善图像分辨率,允许对狭窄大小的更好估计。
另一种应用是对支架内再狭窄的探测。该程序尤其针对窄的支架是有问题的。本文中描述的方法允许对所述窄支架内的小结构的更好可视化。一般地,要求更好分辨率并具有运动对象相对于成像位置的多个可用帧的任意应用,均可以被用于使用本文描述的方法,来生成超分辨图像。此外,本文描述的方法可以与其他分辨率增强技术一起使用,例如,迭代重建/处理等等。而且,本文描述的方法可以与其他成像/分析技术组合,例如光谱/多能量图像/分析,等等。
已参考优选的实施例描述了本发明。他人在阅读和理解了前面的详细描述之后可以进行修改和变型。目的是本发明被解释为包括所有这些修改和变型,只要它们落在权利要求书或其等价方案的范围内。
Claims (13)
1.一种用于从较低分辨率体积图像数据生成较高分辨率体积图像数据的方法,包括:
接收被扫描受检者的体积图像数据,其中,所述体积图像数据包括表示所述被扫描受检者的感兴趣的周期性运动的结构的数据,并且其中,所述体积图像数据覆盖所述感兴趣的周期性运动的结构的多个运动周期;
分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
估计所接收到的体积图像数据或经分割的体积图像数据的相邻图像之间的图像间运动;
基于经分割的图像数据来定义所述体积图像数据的子集,并且将感兴趣运动相位的图像和在预定运动阈值范围内的一个或多个相邻图像包括为所述子集的部分;
基于至少所估计的图像间运动和所述体积图像数据的所述子集,来配准所接收到的体积图像数据或经分割的体积图像数据;并且
基于所配准的体积图像数据、超分辨后处理算法以及生成所述体积图像数据的成像系统的点扩展函数,来生成所述较高分辨率体积图像数据,
其中,所述较高分辨率体积图像数据具有大于所述较低分辨率体积图像数据的图像分辨率。
2.如权利要求1所述的方法,还包括:
分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
基于经分割的体积图像数据,来识别所接收到的体积图像数据中所述感兴趣的周期性运动的结构的形状;并且
基于所识别的形状,来估计所述体积图像数据的所述子集的所述相邻图像之间的所述图像间运动。
3.如权利要求1所述的方法,还包括:
分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
基于经分割的体积图像数据来识别所接收到的体积图像数据中所述感兴趣的周期性运动的结构的位置;并且
基于所识别的感兴趣的周期性运动的结构的位置来估计所述体积图像数据的所述子集的所述相邻图像之间的所述图像间运动。
4.如权利要求1至3中的任一项所述的方法,还包括:
分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
基于经分割的体积图像数据来确定用于视觉增强所述周期性运动的结构的一组权重;并且
基于所述权重来配准所述体积图像数据。
5.如权利要求1至3中的任一项所述的方法,还包括:
分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
基于经分割的体积图像数据来确定用于遮蔽所述体积图像数据的部分的蒙板,以视觉增强所述周期性运动的结构;并且
使用所述蒙板来配准所述体积图像数据。
6.如权利要求1至3中的任一项所述的方法,还包括:
基于所估计的运动来定义所述体积图像数据的子集,其中,所述子集仅包括满足预定图像间运动阈值范围的图像数据;并且
基于所估计的运动来配准所述体积图像数据的所述子集。
7.如权利要求1至3中的任一项所述的方法,还包括:
采用所述点扩展函数来补偿由所述成像系统引入到所述体积图像数据中的模糊。
8.如权利要求1至3中的任一项所述的方法,其中,所述结构为解剖学脉管,并且所述运动周期为心动周期。
9.如权利要求8所述的方法,其中,所述较高分辨体积图像数据视觉增强以下中的一个或多个:斑块、支架内结构或狭窄。
10.如权利要求1至3中的任一项所述的方法,还包括:
基于下式来生成所述较高分辨率体积图像数据:
↑s表示上采样,↓s表示下采样,p表示高通滤波,K表示较低分辨率体积图像的数量,gk表示K个较低分辨率体积图像,并且h表示所述点扩展函数。
11.一种接收被扫描受检者的体积图像数据的计算系统(134),其中,所述体积图像数据包括表示所述被扫描受检者的感兴趣的周期性运动的结构的数据,并且其中,所述体积图像数据覆盖所述感兴趣的周期性运动的结构的多个运动周期,所述计算系统包括:
感兴趣区域分割器(124),其分割所述体积图像数据,由此从所接收到的体积图像数据提取所述感兴趣的周期性运动的结构;
运动估计器(126),其估计所接收到的体积图像数据或经分割的体积图像数据的相邻图像之间的图像间运动,其中,所述运动估计器采用经分割的体积图像数据来定义所述体积图像数据的子集,并且将感兴趣运动相位的图像和在预定运动阈值范围内的一个或多个相邻图像包括为所述子集的部分;
配准部件(128),其基于至少所估计的图像间运动和所述体积图像数据的所述子集来配准所接收到的体积图像数据或经分割的体积图像数据;以及
图像分辨率增强器(130),其基于所配准的体积图像数据和生成所述体积图像数据的成像系统的点扩散函数来生成超分辨体积图像数据,其中,针对所述感兴趣的周期性运动的结构的所述超分辨图像数据具有大于所接收到的体积图像数据的个体图像的分辨率的图像分辨率。
12.如权利要求11所述的系统,其中,所述运动估计器估计所述体积图像数据的所述子集的相邻图像之间的图像间运动。
13.如权利要求11至12中任一项所述的系统,其中,所述图像分辨率增强器基于下式来生成所述超分辨体积图像数据:
↑s表示上采样,↓s表示下采样,p表示高通滤波,K表示较低分辨率体积图像的数量,gk表示K个较低分辨率体积图像,并且h表示所述点扩散函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261598366P | 2012-02-14 | 2012-02-14 | |
US61/598,366 | 2012-02-14 | ||
PCT/IB2013/050785 WO2013121312A1 (en) | 2012-02-14 | 2013-01-30 | Image resolution enhancement |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104126193A CN104126193A (zh) | 2014-10-29 |
CN104126193B true CN104126193B (zh) | 2019-08-06 |
Family
ID=47997607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380009402.1A Active CN104126193B (zh) | 2012-02-14 | 2013-01-30 | 图像分辨率增强 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9595079B2 (zh) |
EP (1) | EP2815380B1 (zh) |
JP (1) | JP6204927B2 (zh) |
CN (1) | CN104126193B (zh) |
BR (1) | BR112014019789A8 (zh) |
RU (1) | RU2014137146A (zh) |
WO (1) | WO2013121312A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015092612A1 (en) | 2013-12-20 | 2015-06-25 | Koninklijke Philips N.V. | Moving structure motion compensation in imaging |
KR101579111B1 (ko) * | 2014-02-24 | 2015-12-21 | 삼성전자주식회사 | 영상 진단 방법, 장치 및 기록매체 |
AU2014250719A1 (en) * | 2014-10-17 | 2016-05-05 | Canon Kabushiki Kaisha | Image processing method, system and apparatus |
WO2016113690A1 (en) | 2015-01-16 | 2016-07-21 | Koninklijke Philips N.V. | Vessel lumen sub-resolution segmentation |
KR101783964B1 (ko) * | 2015-04-09 | 2017-10-10 | 삼성전자주식회사 | 단층 촬영 장치 및 그에 따른 단층 영상 복원 방법 |
WO2017089215A1 (en) * | 2015-11-26 | 2017-06-01 | Koninklijke Philips N.V. | Apparatus having a user interface for enhancing medical images |
US11257262B2 (en) | 2016-08-22 | 2022-02-22 | Koninklijke Philips N.V. | Model regularized motion compensated medical image reconstruction |
KR102550175B1 (ko) * | 2016-10-21 | 2023-07-03 | 삼성전기주식회사 | 카메라 모듈 및 이를 포함하는 전자 기기 |
CN106960458B (zh) * | 2017-03-14 | 2020-08-25 | 深圳安科高技术股份有限公司 | 一种磁共振磁敏感加权成像后处理方法及系统 |
US10854329B2 (en) * | 2018-10-16 | 2020-12-01 | Canon Medical Systems Corporation | Motion estimation method and apparatus |
EP3726469A1 (en) * | 2019-04-17 | 2020-10-21 | Siemens Healthcare GmbH | Automatic motion detection in medical image-series |
CN110473271B (zh) | 2019-08-20 | 2022-12-06 | 上海联影医疗科技股份有限公司 | 一种图像数据处理方法、系统、装置及存储介质 |
CN112037136B (zh) * | 2020-09-18 | 2023-12-26 | 中国科学院国家天文台南京天文光学技术研究所 | 基于孔径调制的超分辨率成像方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5696848A (en) * | 1995-03-09 | 1997-12-09 | Eastman Kodak Company | System for creating a high resolution image from a sequence of lower resolution motion images |
US6718004B2 (en) | 2001-06-28 | 2004-04-06 | General Electric Company | Methods and apparatus for coronary-specific imaging reconstruction |
JP4426297B2 (ja) * | 2001-11-30 | 2010-03-03 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | ノイズの多い画像中の構造を強調する医用ビューイングシステム及び方法 |
CN100468458C (zh) | 2003-07-16 | 2009-03-11 | 皇家飞利浦电子股份有限公司 | 从体积数据重建运动物体图像 |
JP2005095329A (ja) * | 2003-09-24 | 2005-04-14 | Toshiba Corp | 超解像処理装置及び医用画像診断装置 |
JP4519434B2 (ja) * | 2003-09-24 | 2010-08-04 | 株式会社東芝 | 超解像処理装置及び医用画像診断装置 |
US7630528B2 (en) | 2004-03-02 | 2009-12-08 | Koninklijke Philips Electronics N.V. | Motion compensation |
DE102005018067A1 (de) | 2005-04-19 | 2006-11-02 | Siemens Ag | System zur Erzeugung, Auswertung und Verteilung computertomographischer 4D-Darstellungen des Herzens eines Patienten |
JP2007000205A (ja) * | 2005-06-21 | 2007-01-11 | Sanyo Electric Co Ltd | 画像処理装置及び画像処理方法並びに画像処理プログラム |
DE102006045721A1 (de) | 2006-09-27 | 2008-04-10 | Siemens Ag | Verfahren zur Erzeugung tomographischer Aufnahmen von einem teilweise zyklisch bewegten Untersuchungsobjekt |
DE102006051919B4 (de) | 2006-10-31 | 2016-09-01 | Siemens Healthcare Gmbh | Verfahren zum Bereitstellen eines 3D-Röntgenbilddatensatzes des Herzens eines Patienten |
US8472683B2 (en) * | 2008-05-09 | 2013-06-25 | General Electric Company | Motion correction in tomographic images |
US20110075896A1 (en) * | 2009-09-25 | 2011-03-31 | Kazuhiko Matsumoto | Computer readable medium, systems and methods for medical image analysis using motion information |
CN102236889A (zh) * | 2010-05-18 | 2011-11-09 | 王洪剑 | 一种基于多帧运动估计和融合的超分辨率重构方法 |
-
2013
- 2013-01-30 CN CN201380009402.1A patent/CN104126193B/zh active Active
- 2013-01-30 JP JP2014556164A patent/JP6204927B2/ja active Active
- 2013-01-30 BR BR112014019789A patent/BR112014019789A8/pt not_active IP Right Cessation
- 2013-01-30 US US14/376,856 patent/US9595079B2/en active Active
- 2013-01-30 EP EP13711958.2A patent/EP2815380B1/en active Active
- 2013-01-30 RU RU2014137146A patent/RU2014137146A/ru not_active Application Discontinuation
- 2013-01-30 WO PCT/IB2013/050785 patent/WO2013121312A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
EP2815380B1 (en) | 2018-04-25 |
JP6204927B2 (ja) | 2017-09-27 |
BR112014019789A2 (zh) | 2017-06-20 |
US9595079B2 (en) | 2017-03-14 |
JP2015506774A (ja) | 2015-03-05 |
RU2014137146A (ru) | 2016-04-10 |
US20140376795A1 (en) | 2014-12-25 |
BR112014019789A8 (pt) | 2017-07-11 |
CN104126193A (zh) | 2014-10-29 |
WO2013121312A1 (en) | 2013-08-22 |
EP2815380A1 (en) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104126193B (zh) | 图像分辨率增强 | |
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 | |
US7782998B2 (en) | Method and apparatus for correcting motion in image reconstruction | |
JP5368315B2 (ja) | 移動する物体を有する関心領域を撮像する撮像システム | |
US8224056B2 (en) | Method for computed tomography motion estimation and compensation | |
CN104252714B (zh) | 时变数据的重建 | |
CN105164725B (zh) | 去噪重建图像数据的边缘改进 | |
Kim et al. | Cardiac motion correction based on partial angle reconstructed images in x‐ray CT | |
US10045754B2 (en) | Three dimensional (3D) pre-scan based volumetric image data processing | |
Mory et al. | Cardiac C‐arm computed tomography using a 3D+ time ROI reconstruction method with spatial and temporal regularization | |
US10657621B2 (en) | Moving structure motion compensation in imaging | |
US11940578B2 (en) | Super resolution in positron emission tomography imaging using ultrafast ultrasound imaging | |
WO2014001946A1 (en) | Motion parameter estimation | |
CN110536640B (zh) | 从pet列表数据中的呼吸运动信号的噪声鲁棒的实时提取 | |
US10854329B2 (en) | Motion estimation method and apparatus | |
Van Stevendaal et al. | A motion‐compensated scheme for helical cone‐beam reconstruction in cardiac CT angiography | |
CN109716388A (zh) | 图像数据中的降噪 | |
JP6985056B2 (ja) | 医用画像処理装置及び医用画像処理プログラム | |
Müller et al. | Evaluation of interpolation methods for surface‐based motion compensated tomographic reconstruction for cardiac angiographic C‐arm data | |
Isola et al. | Cardiac motion-corrected iterative cone-beam CT reconstruction using a semi-automatic minimum cost path-based coronary centerline extraction | |
Sato et al. | Registration of temporal sequences of coronal and sagittal MR images through respiratory patterns | |
Schirra et al. | Improvement of cardiac CT reconstruction using local motion vector fields | |
Prümmer et al. | Cardiac C-arm CT: 4D non-model based heart motion estimation and its application | |
Müller et al. | Evaluation of interpolation methods for motion compensated tomographic reconstruction for cardiac angiographic C-arm data | |
Manhart et al. | Dynamic reconstruction with statistical ray weighting for C-arm CT perfusion imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |