CN104903933A - 投影数据降噪 - Google Patents
投影数据降噪 Download PDFInfo
- Publication number
- CN104903933A CN104903933A CN201380061639.4A CN201380061639A CN104903933A CN 104903933 A CN104903933 A CN 104903933A CN 201380061639 A CN201380061639 A CN 201380061639A CN 104903933 A CN104903933 A CN 104903933A
- Authority
- CN
- China
- Prior art keywords
- basic substance
- line integral
- substance line
- noise
- projection
- 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
Links
- 239000000463 material Substances 0.000 claims abstract description 11
- 239000000126 substance Substances 0.000 claims description 149
- 230000009467 reduction Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000002083 X-ray spectrum Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims 7
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 11
- 238000007689 inspection Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101100457838 Caenorhabditis elegans mod-1 gene Proteins 0.000 description 1
- 101150110972 ME1 gene Proteins 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 231100000289 photo-effect Toxicity 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请描述了一种仅在投影域从(或降噪)谱/多能量投影数据对相关噪声进行滤波的方法。如本文中所描述的,这能够至少基于基础物质线积分的方差及其之间的协方差,基于描述不同基础物质线积分之间的噪声相关性的多个相关性系数和超平面和/或以其他方式来实现。
Description
技术领域
下文总体上涉及投影数据降噪,并利用对谱/多能量计算机断层摄影(CT)的具体应用进行描述。然而,下文也适合于其他成像模态,诸如谱/多能量数字X射线和/或其他谱/多能量成像。
背景技术
CT扫描器包括发射穿过检查区域及其中对象的辐射的X射线管。位于从X射线管穿过的检查区域对面的探测器阵列探测穿过检查区域及其中对象的辐射,并生成指示检查区域及其中对象的投影数据。重建器处理投影数据并重建指示检查区域及其中对象的体积图像数据。
在谱/多能量CT中,采集多个投影数据集,其表示针对不同X射线谱的被扫描对象的衰减特性。基于这些数据集,能够在局部地确定物理对象特性(例如,照片效果、康普顿散射、水含量、骨含量、碘含量等)。这些特性的确定被称为物质分解。用于物质分解的两种可能的方法是图像域中的分解和投影域中的分解。
对于图像域分解,针对每个所采集的投影数据集来重建图像,并且在重建图像上执行物质分解,将针对一个图像位置所重建的体素值转换为物质值。然而,这种方法趋向于由于射束硬化效应导致的图像伪影和偏离的物质浓度值。对于投影域分解,通过将针对每条射线“所测量的线积分”转换为“基础物质线积分”来执行物质分解。随后基础物质线积分被重建以生成基础物质图像。
然而,作为投影域分解的结果,所测量的投影数据的噪声可能被强烈地放大。对于只有两种基础物质的特殊情况,这种放大的噪声对于一种采集射线的两种不同的基础物质线积分是高度负相关的。这种关联噪声的增加取决于沿所给出的射线的总衰减,并且能够因此在所有射线路径的正弦图的特定位置中增强。
这在Tkaczyk等人在Proc.of SPIE,7258,pp 72580G1-72580G 12,(2009)的“Quantization of liver tissue in Dual kVp computed tomographyusing linear discriminant analysis”中所证明,其示出当基础物质衰减轮廓的能量依赖变为相似的或者当所使用的谱之间的能量分离变小时,使用两个单色谱,同一射线路径的基础物质线积分的噪声能够被强烈地增加并且负相关。对于多能量多色谱,同样的现象发生。
不幸的是,负相关的噪声能够导致重建图像中的条纹伪影。结果是,如果图像直接根据基础物质线积分来重建,由于噪声放大,基础物质图像能够是有噪声的,这可以降低基础物质图像的临床和/或诊断值。相关噪声也可以传播到单色图像并降低对用于谱应用的的谱信息对比噪声比(CNR)。
发明内容
本文中所描述的各方面解决上述问题及其他问题。
本申请描述了一种仅在投影域从(或降噪)谱/多能量投影数据对相关噪声进行滤波的方法。如本文中所描述的,这能够基于不同的基础物质线积分噪声分量之间的协方差矩阵和/或基于描述不同基础物质线积分之间的噪声相关性的多个相关性系数和超平面来实现。
在一方面中,一种方法包括:接收谱/多能量投影数据,其包括所测量的线积分的至少两个子集,每个子集表示针对不同X射线谱的被扫描对象的衰减特性;将谱/多能量投影数据分解为多个基础物质线积分;以及,仅在投影域通过去除来自多个基础物质线积分的相关噪声来对多个基础物质线积分进行降噪,生成降噪分解的基础物质线积分。
在另一方面中,一种投影数据处理器包括:投影数据降噪器,其接收对应于至少两种不同基础物质的至少多个基础物质线积分,并且仅在所述投影域中通过去除来自所述多个基础物质线积分的相关噪声来对所述多个基础物质线积分进行降噪,生成降噪分解的基础物质线积分。
在另一个方面中,计算机可读指令被编码在计算机可读存储介质中,当由计算系统的处理器执行时,所述计算机可读指令引起所述处理器:仅在所述投影域中通过去除来自所述多个基础物质线积分的相关噪声来对多个基础物质线积分降噪,生成降噪分解的基础物质线积分,其中,所述降噪是基于以下中的至少一个:不同基础物质线积分噪声分量之间的协方差矩阵或描述所述不同基础物质线积分之间的噪声相关性的多个相关性系数和超平面。
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布置的形式。附图仅用于图示说明优选实施例的目的,不应被解释为限制本发明。
图1示意性地图示了与成像系统相结合的投影数据处理器。
图2示意性地图示了图1的投影数据降噪器的非限制性范例。
图3示意性地图示了图1的投影数据降噪器的另一非限制性范例。
图4图示了根据图2的投影数据处理器的范例性方法。
图5图示了根据图3的投影数据处理器的范例性方法。
具体实施方式
首先参考图1,示意性图示了成像系统100,诸如计算机断层摄影(CT)扫描器。成像系统100总体上包括固定机架102和旋转机架104。旋转机架104由固定机架102可旋转地支承并围绕检查区域106关于纵轴或z轴旋转。
诸如X射线管的辐射源108由旋转机架104可旋转地支承。辐射源108连同旋转机架104旋转并发射穿过检查区域106的辐射。源准直器110包括对辐射进行准直的准直构件,以形成总体上锥形、楔形、扇形或其他成形的辐射束。
辐射敏感探测器阵列112包在穿过检查区域106的辐射源110对面的角弧内。探测器阵列112包括沿z轴方向延伸的一行或多行探测器。探测器阵列112探测穿过检查区域106的辐射并生成指示所述辐射的投影数据(或所测量的线积分)。
在所图示的范例中,投影数据是谱/多能量投影数据。如本文中所使用的,谱/多能量投影数据是包括投影数据的至少两个子集的投影数据,每个子集表示针对不同X射线谱的被扫描对象的衰减特性。当探测器阵列包括光子计数探测器和/或多层谱探测器,和/或源108包括发射不同能量谱的多个源和/或源108被配置为在扫描期间在至少两种不同的能量谱之间切换时,能够获得这种投影数据。
谱分解器114分解所采集的谱/多能量投影数据,产生经分解的谱/多能量投影数据,或基础物质线积分。分解能够基于两种或多种基础物质,诸如光电效应、康普顿散射、水含量、骨含量、碘含量、k边缘和/或其他基础物质。
投影数据处理器116处理经分解的谱/多能量投影数据。所图示的投影数据处理器116包括投影数据降噪器118。如下面更详细描述的,投影数据降噪器118至少对经分解的谱/多能量投影数据的相关噪声进行滤波。在一种情况下,这包括使用基于统计模型的相关性滤波器来对相关噪声进行滤波。利用这种方法,相关噪声被降低,同时保持对象结构普遍不受影响。
在另一实例中,这包括使用描述不同基础物质的经分解的投影数据之间的噪声相关性的多个相关性系数和超平面。在本实例中,降噪降低了在重建基础物质图像中的图案化和/或非图案化的图像噪声和/或对空间分辨率几乎没有影响,并且像定量碘图、物质分离图像和单色图像的谱CT应用在改善的对比噪声比(CNR)和/或噪声图像条纹抑制的方面被改进。
重建器120重建经降噪分解的投影数据并生成指示所述经降噪分解的投影数据的体积图像数据。重建器120可以采用传统的3D滤波-背向投影重建、锥形射束算法、迭代算法和/或其他算法。
患者支撑物122(诸如卧榻)支承在检查区域106中的诸如人类患者的对象或受试者。
通用计算系统或计算机用作操作人员控制台124,其允许操作人员控制系统100的操作,诸如,选择和/或激活至少一个投影域降噪算法。
在所图示的实施例中,投影数据处理器116独立于控制台124。在这种情况下,投影数据处理器116能够是计算系统(诸如专用计算机)和/或其他计算系统的一部分。在一种变型中,投影数据处理器116是控制台124的一部分。
在任一情况下,投影数据处理器116能够经由执行被存储在计算机可读存储介质(诸如物理存储器或其他非暂态存储器)上的计算机可读指令的处理器(例如,微处理器、中央处理单元或CPU等等)来实现。处理器能够备选地或额外地执行由载波、信号或其他暂态介质承载的指令。
图2图示了投影数据降噪器118的范例。
为了简洁和清楚起见,下文结合谱/多能量投影数据的两个子集进行讨论。然而,应当理解,下文能够扩展到谱/多能量投影数据的多于两个子集。
投影数据降噪器118接收测得的线积分l1i和l2i和经分解的或基础物质线积分m1i和m2i作为输入,其是由谱分解器114(图1)或其他部件例如分别使用函数m1i(l1i,l2i)和m2i(l1i,l2i)从测得的线积分中分解的。在上述中,i为所采集的射线指数。
测得的线积分方差确定器202处理测得的线积分l1i和l2i,并生成各自的测得的线积分方差var(l1i)和var(l2i)。其中,测得的线积分方差var(l1i)和var(l2i)被提供给投影数据降噪器118作为输入,能够省略投影数据处理器116。
基础物质方差确定器204处理测得的线积分l1i和l2i、基础物质线积分m1i和m2i和测得的线积分方差var(l1i)和var(l2i),并生成各自的基础物质线积分方差var(m1i)和var(m2i)。这能够如方程式1和方程式2中所示来实现:
方程式1:
以及
方程式2:
基础物质方差确定器206基于测得的线积分l1i和l2i、基础物质线积分m1i和m2i以及测得的线积分方差var(l1i)和var(l2i)来确定基础物质线积分m1i和m2i之间的协方差cov(m′1i,m2i)。这能够如方程式3中所示来实现:
方程式3:
概率确定器208确定一对基础物质线积分m1i、m2i属于”真正的”的一对基础物质线积分的概率p(mi)。这能够如方程式4中所示来实现:
方程式4:
其中,mi=(m1i m1i)T, 并且
对数似然比确定器210基于该概率(并且在一实例中,假设在不同采集射线之间,即在不同指数i之间几乎没有噪声相关性)确定针对完整的一组基础物质线积分的对数似然比。这能够如方程式5中所示来实现:
方程式5:
其中,“≡”意思是“等于非相关常数。”对数似然比确定器210能够经由表示关于”真正的”物质线性积分组的先验信息的正则项212来延长L。这示于方程式6:
方程式6:
其中,L表示未正则化的对数似然比,并且第二项和第三项表示针对每个基础物质的正则化。
这些正则化是具有势函数ψ的平滑函数,其针对每个测得的射线i评估基础物质线积分值对若干相邻射线k的值的差,并且wik是加权参数,其在一种情况下被设定等于基础物质线积分之间的倒数距离,以使较大的距离导致较低的权重。调整正则化强度的正则化参数β1和β2是自由参数。
应当理解,本文还设想其他正则项。例如,其他合适的正则项包括但不限于:β1R1+β2R2,其中R1和R2是针对基础物质的正则化。对于最后一个范例,参数β能够被选择来去除噪声的一部分,但保留投影数据中的空间分辨率(用于β的小值),或者几乎完全去除噪声,但损失投影数据中的某些分辨率(用于β的大值)。通过改变β这两种极端情况之间的任何妥协是可能的。总体上,β能够是预定的、用户定义的和/或可调节的。
在临床实践中,β的值取决于应用。由于β的大值的投影数据中的空间分辨率的损失将导致重建图像的空间分辨率的损失,如果需要强噪声去除或者图像中的空间分辨率的损失是可接受的,将主要使用大值。在一种情况下,可用的β值将被预先确定并提交给用户以供选择,例如,作为软按钮和/或键板命令来选择低、中或高平滑。
相关性滤波器214通过将对数似然比L或扩展的对数似然比最大化来执行相关性滤波。通过非限制性范例的方式,利用针对与光电效应和康普顿散射中的分解相结合的两个能量箱的模拟光子计数数据和针对光电效应和康普顿散射二者的正则化的胡贝尔损失(Huber-penalty),数据能够被降噪,以去除相关噪声。
投影数据降噪器118输出经降噪分解的谱/多能量投影数据或基础物质线积分,其能够由重建器120来重建,以产生基础物质图像和/或传统的(非-谱)图像。对应的重建图像的图像质量能够相对于没有这种滤波的或来自未经滤波的测得的线积分的重建图像的图像质量是被改进的。
图3图示了投影数据降噪器118的另一范例。
在本范例中,投影数据降噪器118包括迭代降噪器302,其通过应用迭代降噪算法基础物质m∈1:M的基础物质线积分进行迭代降噪,其中,M为基础物质的数量,(其中n为迭代循环指数),所迭代降噪算法诸如在方程式5或方程式6中所图示的正则化对数似然比的最大化,或者总方差最小化、双边滤波和/或其他降噪算法,利用更新项生成降噪基础物质线积分
更新项替换器304用替换更新项每次迭代、绘制 来替代更新项总体上,替代更新项滤波器从降噪过程更新不对应于预定的相关噪声的层。替代更新项确定器306确定替代更新项如下文更详细描述的。
相关噪声确定器308确定预定的相关噪声。相关噪声确定器308包括相关性系数确定器310和相关性噪声超平面确定器312。相关性系数和超平面基于所估计的协方差矩阵C(方程式4)如下文所述来计算。估计协方差矩阵能够通过不同的方式,例如,通过在方程式1-3中所描述的噪声传播。另一种估计协方差矩阵的方式是通过如下所述的“样本噪声”。根据“样本噪声”方法,针对属于一组线积分的每条射线r,例如与该射线通信的椭圆形形状的3D邻域被定义。该邻域内的读数的噪声分量随后针对M分解线积分被单独和独立地确定。
上述非限制性方法包括例如通过二阶多项式针对M分解线积分中的每个分别计算出针对给定射线的邻域中的读数的局部3D拟合。然后,寻址这种拟合为该邻域内的无噪声信号估计,在该邻域内的每个读数的噪声通过从该邻域内的原始读数省略这种拟合来确定。
所估计的噪声分量在本文中被称为列向量向量的长度等于邻域中的射线的数量,由K表示。所有的几何排序保持相同。换言之,对于任何1≤k≤K,噪声分量对应于的射线i的相同相邻射线。使用“样本噪声”方法,所估计的协方差矩阵在如下方程式7中获得,其中“·”表示内积乘法,并且上标“i”表示射线:
公式7:
接下来,在多重回归分析的框架内,针对每种基础物质m,基于独立参数来确定对由(即视为从属参数)表示的的最佳预测指标。
预测指标能够基于如方程式8中的协方差矩阵来确定:
方程式8:
从协方差矩阵导出的方程式8中的预测指标表达式与通过线性回归获得的用于该预测指标的表达式相同,如方程式9所示:
方程式9:
其中,是表示射线的相关噪声分量的q噪声实现的可数集内的基础物质m的噪声分量的长度q→∞的向量,“*”表示矩阵乘法,上标T表示转置操作。
相关性系数确定器310确定基础物质线积分中的一个的噪声分量和对应于同一射线的所有其他基础物质线积分的噪声分量之间的统计相关性由指示的正弦图m中的射线i的读数的噪声分量之间的和预测指标之间的相关性系数能够被定义为如方程式10所示:
方程式10:
将从方程式8代入方程式10,得到方程式11:
方程式11:
相关噪声超平面确定器312基于预测指标确定涉及不同噪声分量的超平面,所述不同噪声分量针对如方程式12所示的基础物质m的基础物质线积分的射线i的读数得到:
方程式12:
方程式12描述了对应于射线r和基础物质m的读数的噪声分量和其余M-1组基础物质线积分的相对物之间的相关性。
针对在方程式12中给出的基础物质m噪声分量所计算的超平面与通过如方程式13中所示的线性回归得到的超平面定义相同。
方程式13
在双能量的情况下,当经分解的散射和光电读数的噪声是负相关时,相关噪声超平面确定器312滤出针对用于的射线的更新
更新项替换器304基于计算通过非限制性范例的方式,当用于射线i的值由长度的M的列向量来表示时,考虑到预先计算的系数替代更新项确定器306用替代该向量,如方程式14中所示:
方程式14:
使用方程式14,未被识别为相关噪声的噪声分量被滤波。根据在方程式12和13中针对射线的每个基础物质噪声分量分别定义的超平面,属于不相对于彼此表现的射线i的读数的噪声分量也被滤波。对此,使用拉格朗日乘数或类似物,并且,针对每个m,分别在针对基础物质m的由方程式12定义的超平面上投影向量表示为投影向量长度M的新的向量基于方程式15来定义:
方程式15:
针对每个m的通过收集针对所有射线的值来确定。根据相关性系数和超平面内的投影(方程式13-14)的比例是可交换的,并且能够以不同顺序出现。
图4图示了根据图2的投影数据降噪器118的方法。
在402处,测得的线积分被分解为基础物质线积分的单个子集。
在404处,确定或得到测得的线积分的方差。
在406处,基于测得的线积分和测得的线积分的方差来确定物质线积分的方差。
在408处,基于测得的线积分、基础物质线积分和基础物质线积分的方差来确定基础物质线积分之间的协方差。
在410处,基于基础物质线积分、基础物质线积分的方差以及协方差来确定一对经分解(噪声的)的基础物质线积分是“真正的”一对基础物质线积分的概率。
在412处,基于所述概率来确定针对完整的一组基础物质线积分的对数似然比。
在414处,任选地,对数似然比被扩展为包括表示与“真正的”一组物质线积分有关的先验信息的至少一个正则项。
在416处,对数似然比(或被扩展的对数似然比)被最大化,从而对负相关的噪声进行滤波并产生经降噪分解的投影数据。
在418处,经降噪分解的投影数据被重建。
图5图示了根据图3的投影数据降噪器118的方法。
在502处,测得的线积分被分解为基础物质线积分的单个子集。
在504处,计算用于基础物质线积分降噪迭代的更新项。
在506处,例如,基于基础物质线积分中的一个的噪声分量和对应于同一射线的所有其他基础物质线积分的噪声分量之间的统计相关性,并基于相关噪声超平面来生成替代更新项。
在508处,使用替代更新项来对基础物质线积分进行降噪。
在510处,如果有另一个降噪迭代,重复动作504-508。
如果没有其他降噪迭代,则在512处,重建经降噪的基础物质线积分。
应当理解,本文中所描述的方法的动作的顺序不是限制性的。因此,本文也设想其他顺序。此外,一个或多个动作可以被省略和/或一个或多个其他动作可以被包括在内。
上述方法可以通过被编码或嵌入计算机可读存储介质的计算机可读指令的方式来实现,当由计算机处理器执行时,所述计算机可读指令令处理器执行所描述的动作。额外地或备选地,计算机可读指令中的至少一个由信号、载波或其他暂态介质来承载。
已经参考优选实施例描述了本发明。在阅读和理解以上具体实施方式的情况下对于其他人可能想到修改或替代变型。本文意图将本发明解释为包括所有这种修改和替代变型,只要它们落入所附权利要求及其等价方案的范围之内。
Claims (26)
1.一种方法,包括:
接收包括测得的线积分的至少两个子集的谱/多能量投影数据,每个子集表示针对不同X射线谱的被扫描对象的衰减特性;
将所述谱/多能量投影数据分解为多个基础物质线积分;并且
仅在投影域中通过从所述多个基础物质线积分去除相关噪声来对所述多个基础物质线积分进行降噪,从而生成经降噪分解的基础物质线积分。
2.根据权利要求1所述的方法,还包括:
重建所述经降噪分解的基础物质线积分,从而生成指示所述被扫描对象的体积图像数据。
3.根据权利要求1至2中的任一项所述的方法,还包括:
确定针对所述多个基础物质线积分的统计模型;并且
根据所述统计模型对所述多个基础物质线积分进行降噪。
4.根据权利要求3所述的方法,其中,所述统计模型导致对数似然比函数最大化或价值函数最小化中的至少一个。
5.根据权利要求3至4中的任一项所述的方法,还包括:
将所述统计模型扩展为包括针对所述多个基础物质线积分中的每个的正则项;并且
根据扩展的统计模型对所述多个基础物质线积分进行降噪。
6.根据权利要求5所述的方法,其中,所述正则项包括以下中的至少一个:第一参数,其针对每个测得的射线评估所述基础物质线积分值与若干相邻射线的值的差;第二参数,其控制所述统计模型的平滑效果;或,第三参数,其基于基础物质线积分之间的距离的倒数对所述正则化进行加权。
7.根据权利要求1至6中的任一项所述的方法,还包括:
获得所述测得的线积分的方差;
基于所述测得的线积分和所述测得的线积分的所述方差来确定所述基础物质线积分的方差;并且
基于所述测得的线积分、所述基础物质线积分和基础物质线积分的所述方差来确定所述基础物质线积分之间的协方差。
8.根据权利要求1至6中的任一项所述的方法,还包括:
基于射线的邻近区域内的有噪声的基础物质线积分来确定所述同一射线的基础物质线积分噪声分量之间的协方差。
9.根据权利要求7至8中的任一项所述的方法,还包括:
基于所述基础物质线积分、所述基础物质线积分的所述方差以及所述协方差来确定一对基础物质线积分是“真正的”一对基础物质线积分的概率;并且
基于所述概率来确定针对所述多个基础物质线积分的所述统计模型。
10.根据权利要求1所述的方法,还包括:
利用包括针对所述基础物质线积分的降噪更新项的算法来执行第一降噪迭代,包括:
生成替代更新项;
利用所述替代更新项来替代所述更新项;并且
基于所述替代更新项来产生经降噪的基础物质线积分。
11.根据权利要求10所述的方法,还包括:
基于多个噪声相关性系数和相关噪声超平面来生成所述替代更新项。
12.根据权利要求10至11中的任一项所述的方法,还包括:
利用包括针对所述基础物质线积分的后续降噪更新项的算法来执行至少一个后续降噪迭代,包括:
生成后续替代更新项;
利用所述后续替代更新项来替代后续更新项;并且
基于所述后续替代更新项来产生后续的经降噪的基础物质线积分迭代。
13.根据权利要求12所述的方法,还包括:
基于多个噪声相关性系数和相关噪声超平面来生成所述后续替代更新项。
14.根据权利要求13所述的方法,还包括:
基于针对同一射线的所有其他基础物质线积分的所述噪声分量,通过计算针对所述基础物质线积分中的每个的所述噪声分量的预测指标来确定所述相关噪声超平面。
15.根据权利要求14所述的方法,其中,针对每个基础物质线积分噪声分量的所述预测指标是基于所述同一射线的所述基础物质线积分噪声分量之间的估计的协方差矩阵来计算的。
16.根据权利要求14至15中的任一项所述的方法,其中,基于针对所述同一射线的其余基础物质线积分噪声分量的噪声分量通过预测每个不同的基础物质线积分的所述噪声分量而计算的所述超平面是彼此不同的。
17.根据权利要求16所述的方法,还包括:
通过将针对射线的所有基础物质线积分噪声分量的所述更新项投影到针对所给出的基础物质线积分噪声分量而计算的所述超平面上,并采用对应于所给出的基础物质线积分的所投影的更新项的坐标,来替代针对每个基础物质线积分的更新项值。
18.根据权利要求13所述的方法,还包括:
对应于同一射线,根据所述基础物质线积分中的一个的噪声分量和所述其他基础物质线积分的噪声分量来生成所述多个相关性系数。
19.根据权利要求13所述的方法,还包括:
基于针对所述同一射线的所述基础物质线积分的所述噪声分量而计算的所述协方差矩阵来生成所述多个相关性系数;以及
计算所述基础物质线积分中的每一个的所述噪声分量之间的所述多个相关性系数,并且计算由假定为已知的所述射线的所有其他基础物质线积分的所述噪声分量的所述噪声分量而确定的相同基础物质线积分的所述噪声分量的预测指标之间的所述多个相关性系数。
20.根据权利要求13至19中的任一项所述的方法,还包括:
将给出的射线的每个基础物质线积分读数的所述更新项值乘以针对所述射线的所述相同基础物质的所述噪声分量而计算的所述相关性系数,所述读数是在将针对该射线的初始更新项投影到针对该基础物质计算的所述超平面上之后得到的。
21.一种投影数据处理器(116),包括:
投影数据降噪器(118),其接收对应于至少两种不同基础物质的至少多个基础物质线积分,并且其仅在投影域中通过从所述多个基础物质线积分去除相关噪声来对所述多个基础物质线积分进行降噪,从而生成经降噪分解的基础物质线积分。
22.根据权利要求21所述的投影数据处理器,其中,所述投影数据降噪器基于以下中的至少一个来对所述多个基础物质线积分进行降噪:所述基础物质线积分的方差及其之间的协方差或者描述不同基础物质线积分之间的所述噪声相关性的多个相关性系数和超平面。
23.根据权利要求22所述的投影数据处理器,所述投影数据降噪器,包括:
测得的积分方差确定器(202),其确定对应于所述多个基础物质线积分的测得的谱/多能量线积分的方差;
基础物质积分方差确定器(204),其确定基础物质线积分的所述方差;
基础物质积分协方差确定器(206),其基于测得的谱/多能量线积分的方差或射线的邻近区域内的所述基础物质线积分的方差中的至少一个来确定基础物质线积分的协方差;
概率确定器(208),其确定一对基础物质线积分属于“真正的”一对基础物质线积分的概率;
对数似然比确定器(210),其基于所述概率来确定针对完整的一组基础物质线积分的对数似然比;
相关性滤波器(214),其通过将所述对数似然比最大化来执行对所述基础物质线积分的相关性滤波。
24.根据权利要求23所述的投影数据处理器,其中,所述对数似然比确定器生成扩展的对数似然比,所述扩展的对数似然比包括所述对数似然比和针对每个基础物质的至少一个正则项,并且所述相关性滤波器利用所述扩展的对数似然比执行所述相关性滤波。
25.根据权利要求22所述的投影数据处理器,所述投影数据降噪器,包括:
迭代降噪器(302),其使用包括更新项的算法来对所述多个基础物质线积分进行降噪;
替代更新确定器(306),其确定针对每次降噪迭代的针对经降噪的多个基础物质线积分的替代更新项,其中,所述替代更新确定器基于所述多个相关性系数和所述超平面来确定所述替代更新;以及
替代更新项替代器(304),其利用在所述降噪迭代的每个中使用的所述替代更新项来替代所述更新项。
26.一种被编码在计算机可读存储介质中的计算机可读指令,当由计算系统的处理器执行时,所述计算机可读指令令所述处理器:
仅在投影域中通过从多个基础物质线积分去除相关噪声来对所述多个基础物质线积分进行降噪,从而生成经降噪分解的基础物质线积分,
其中,所述降噪是基于以下中的至少一个:不同基础物质线积分噪声分量之间的协方差矩阵或描述所述不同基础物质线积分之间的噪声相关性的多个相关性系数和超平面。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201261729782P | 2012-11-26 | 2012-11-26 | |
US61/729,782 | 2012-11-26 | ||
PCT/IB2013/059975 WO2014080311A1 (en) | 2012-11-26 | 2013-11-07 | Projection data de-noising |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104903933A true CN104903933A (zh) | 2015-09-09 |
CN104903933B CN104903933B (zh) | 2018-10-19 |
Family
ID=49596364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380061639.4A Active CN104903933B (zh) | 2012-11-26 | 2013-11-07 | 投影数据降噪 |
Country Status (5)
Country | Link |
---|---|
US (1) | US9600866B2 (zh) |
EP (1) | EP2923332B1 (zh) |
JP (1) | JP6310473B2 (zh) |
CN (1) | CN104903933B (zh) |
WO (1) | WO2014080311A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106105A (zh) * | 2015-09-16 | 2017-08-29 | 皇家飞利浦有限公司 | 用于物体的x射线成像装置 |
CN107292847A (zh) * | 2017-06-28 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种数据降噪方法及系统 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9600866B2 (en) * | 2012-11-26 | 2017-03-21 | Koninklijke Philips N.V. | Projection data de-noising |
EP3039650B1 (en) * | 2013-08-30 | 2020-07-08 | Koninklijke Philips N.V. | Spectral projection data de-noising with anti-correlation filter |
US9406107B2 (en) * | 2013-12-18 | 2016-08-02 | General Electric Company | System and method of computed tomography signal restoration via noise reduction |
US10117628B2 (en) * | 2014-10-01 | 2018-11-06 | Toshiba Medical Systems Corporation | Photon counting apparatus |
EP3210192B1 (en) * | 2014-10-20 | 2018-12-12 | Koninklijke Philips N.V. | Start image for spectral image iterative reconstruction |
US10561378B2 (en) * | 2016-06-07 | 2020-02-18 | Koninklijke Philips N.V. | Precision and resolution of quantitative imaging by combining spectral and non-spectral material decomposition |
US10360677B2 (en) | 2016-10-07 | 2019-07-23 | Toshiba Medical Systems Corporation | Apparatus and method for joint-edge-preserving regularization to reduce noise in four-dimensional computed tomography images |
US10977843B2 (en) | 2017-06-28 | 2021-04-13 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining parameters for medical image processing |
CN109959669B (zh) * | 2017-12-26 | 2021-02-23 | 清华大学 | 基材料分解方法和装置及计算机可读存储介质 |
CN113507889B (zh) * | 2019-02-19 | 2024-02-20 | 棱镜传感器公司 | 增强型光谱x射线成像 |
US11176642B2 (en) * | 2019-07-09 | 2021-11-16 | GE Precision Healthcare LLC | System and method for processing data acquired utilizing multi-energy computed tomography imaging |
US11908045B2 (en) * | 2020-09-28 | 2024-02-20 | Protonvda Llc | Iterative algorithm for proton CT image reconstruction |
CN114916950B (zh) * | 2022-07-21 | 2022-11-01 | 中国科学院深圳先进技术研究院 | 基于多层平板探测器的高空间分辨能谱ct图像重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101453956A (zh) * | 2006-06-05 | 2009-06-10 | 赛诺克斯有限公司 | 具有集成式超声成像的活组织检查系统 |
WO2012056364A1 (en) * | 2010-10-27 | 2012-05-03 | Koninklijke Philips Electronics N.V. | Low dose ct denoising |
WO2012123845A1 (en) * | 2011-03-15 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Likelihood-based spectral data projection domain de-noising |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6614874B2 (en) | 2002-01-28 | 2003-09-02 | Ge Medical Systems Global Technology Company, Llc | Robust and efficient decomposition algorithm for digital x-ray de imaging |
US6950493B2 (en) * | 2003-06-25 | 2005-09-27 | Besson Guy M | Dynamic multi-spectral CT imaging |
US6987833B2 (en) | 2003-10-16 | 2006-01-17 | General Electric Company | Methods and apparatus for identification and imaging of specific materials |
US7778380B2 (en) * | 2005-09-06 | 2010-08-17 | Koninklijke Philips Electronics N.V. | Data handling and analysis in computed tomography with multiple energy windows |
WO2007034359A2 (en) * | 2005-09-22 | 2007-03-29 | Philips Intellectual Property & Standards Gmbh | Quantitative material decomposition for spectral ct |
JP5010839B2 (ja) * | 2006-03-16 | 2012-08-29 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 放射線撮影装置および画像処理装置 |
US7734076B2 (en) * | 2006-12-11 | 2010-06-08 | General Electric Company | Material decomposition image noise reduction |
US7697657B2 (en) * | 2007-03-23 | 2010-04-13 | General Electric Company | System and method of density and effective atomic number imaging |
US7801264B2 (en) | 2007-12-19 | 2010-09-21 | General Electric Company | Method for calibrating a dual -spectral computed tomography (CT) system |
US8055039B2 (en) * | 2008-02-21 | 2011-11-08 | General Electric Company | System and method to obtain noise mitigated monochromatic representation for varying energy level |
US9036879B2 (en) * | 2008-11-28 | 2015-05-19 | General Electric Company | Multi-material decomposition using dual energy computed tomography |
US9597042B2 (en) * | 2009-05-12 | 2017-03-21 | Koninklijke Philips N.V. | Perfusion imaging |
US8787519B2 (en) * | 2010-08-12 | 2014-07-22 | General Electric Company | System and method of optimizing a representation of dual energy spectral CT images |
US20120076258A1 (en) * | 2010-09-27 | 2012-03-29 | General Electric Company | Multiple materials for the enhancement of spectral notch filtration in spectral imaging |
US9031298B2 (en) * | 2010-10-27 | 2015-05-12 | Koninklijke Philips N.V. | Under-sampled, multi-energy computed tomography (CT) data acquisition data processing |
US9324142B2 (en) * | 2011-04-28 | 2016-04-26 | Koninklijke Philips N.V. | Multi-energy imaging |
CN103620393B (zh) * | 2011-06-21 | 2016-08-24 | 皇家飞利浦有限公司 | 成像装置 |
US9547889B2 (en) * | 2011-07-15 | 2017-01-17 | Koninklijke Philips N.V. | Image processing for spectral CT |
JP6141313B2 (ja) * | 2011-12-13 | 2017-06-07 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 正則化及び/又は画像ノイズ除去を用いた反復画像再構成のための正則化係数の自動決定 |
US9135728B2 (en) * | 2012-04-04 | 2015-09-15 | General Electric Company | System and method for multi-energy computed tomography imaging |
US8923583B2 (en) * | 2012-06-22 | 2014-12-30 | General Electric Company | Methods and systems for performing model-based iterative reconstruction |
US9600866B2 (en) * | 2012-11-26 | 2017-03-21 | Koninklijke Philips N.V. | Projection data de-noising |
US8885910B2 (en) * | 2012-12-28 | 2014-11-11 | General Electric Company | Systems and methods for X-ray imaging |
US9220469B2 (en) * | 2013-12-31 | 2015-12-29 | General Electric Company | Systems and methods for correcting detector errors in computed tomography imaging |
US9943279B2 (en) * | 2014-10-21 | 2018-04-17 | General Electric Company | Methods and systems for task-based data generation and weighting for CT spectral imaging |
-
2013
- 2013-11-07 US US14/441,000 patent/US9600866B2/en active Active
- 2013-11-07 WO PCT/IB2013/059975 patent/WO2014080311A1/en active Application Filing
- 2013-11-07 JP JP2015543543A patent/JP6310473B2/ja active Active
- 2013-11-07 EP EP13792502.0A patent/EP2923332B1/en active Active
- 2013-11-07 CN CN201380061639.4A patent/CN104903933B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101453956A (zh) * | 2006-06-05 | 2009-06-10 | 赛诺克斯有限公司 | 具有集成式超声成像的活组织检查系统 |
WO2012056364A1 (en) * | 2010-10-27 | 2012-05-03 | Koninklijke Philips Electronics N.V. | Low dose ct denoising |
WO2012123845A1 (en) * | 2011-03-15 | 2012-09-20 | Koninklijke Philips Electronics N.V. | Likelihood-based spectral data projection domain de-noising |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107106105A (zh) * | 2015-09-16 | 2017-08-29 | 皇家飞利浦有限公司 | 用于物体的x射线成像装置 |
CN107106105B (zh) * | 2015-09-16 | 2021-09-07 | 皇家飞利浦有限公司 | 用于物体的x射线成像装置 |
CN107292847A (zh) * | 2017-06-28 | 2017-10-24 | 上海联影医疗科技有限公司 | 一种数据降噪方法及系统 |
CN107292847B (zh) * | 2017-06-28 | 2022-03-25 | 上海联影医疗科技股份有限公司 | 一种数据降噪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2014080311A1 (en) | 2014-05-30 |
JP2015536729A (ja) | 2015-12-24 |
EP2923332A1 (en) | 2015-09-30 |
US20150279005A1 (en) | 2015-10-01 |
JP6310473B2 (ja) | 2018-04-11 |
EP2923332B1 (en) | 2019-01-16 |
US9600866B2 (en) | 2017-03-21 |
CN104903933B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104903933A (zh) | 投影数据降噪 | |
Wu et al. | Low-dose spectral CT reconstruction using image gradient ℓ0–norm and tensor dictionary | |
US9036885B2 (en) | Image reconstruction in computed tomography | |
Dong et al. | X-ray CT image reconstruction via wavelet frame based regularization and Radon domain inpainting | |
US20170124686A1 (en) | Spectral ct | |
JP6472088B2 (ja) | スペクトルctに関する構造伝播復元 | |
Xie et al. | Deep efficient end-to-end reconstruction (DEER) network for few-view breast CT image reconstruction | |
CN110136218B (zh) | 基于噪声生成机制与数据驱动紧框架的ct投影去噪重建方法及装置 | |
EP3221848B1 (en) | X-ray imaging device for an object | |
CN105493148A (zh) | 利用反相关滤波器的谱投影数据去噪 | |
Wu et al. | Block matching frame based material reconstruction for spectral CT | |
CN113870138A (zh) | 基于三维U-net的低剂量CT图像去噪方法及系统 | |
CN103717137A (zh) | 图像生成装置 | |
CN106233327B (zh) | 去噪图像数据中对低对比度结构的恢复 | |
Cho et al. | A novel low-dose dual-energy imaging method for a fast-rotating gantry-type CT scanner | |
Clark et al. | MCR toolkit: A GPU‐based toolkit for multi‐channel reconstruction of preclinical and clinical x‐ray CT data | |
Xia et al. | RegFormer: A Local–Nonlocal Regularization-Based Model for Sparse-View CT Reconstruction | |
Li et al. | Adaptive non-local means filtering based on local noise level for CT denoising | |
Sghaier et al. | A novel task-based reconstruction approach for digital breast tomosynthesis | |
Wang et al. | A framelet-based iterative maximum-likelihood reconstruction algorithm for spectral CT | |
Li et al. | Robust frame based X-ray CT reconstruction | |
Kang et al. | Deep convolutional dictionary learning network for sparse view CT reconstruction with a group sparse prior | |
CN113744356B (zh) | 一种低剂量spect弦图恢复和散射校正的方法 | |
Zhang et al. | Tensor decomposition and nonlocal means based spectral CT reconstruction | |
Ding et al. | Image-domain multi-material decomposition for dual-energy ct based on correlation and sparsity of material images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |