CN105190696A - 用于同时的图像伪像减少和断层扫描重建的系统和方法 - Google Patents
用于同时的图像伪像减少和断层扫描重建的系统和方法 Download PDFInfo
- Publication number
- CN105190696A CN105190696A CN201480014464.6A CN201480014464A CN105190696A CN 105190696 A CN105190696 A CN 105190696A CN 201480014464 A CN201480014464 A CN 201480014464A CN 105190696 A CN105190696 A CN 105190696A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- matrix
- ray
- motion
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本文公开了一种用于图像重建的系统和方法,能够从一个获取的数据集自动地且迭代地产生多个图像,其中,这些多个图像中的每个对应于自相一致的该获取的数据的子集,但与该获取的数据的其他子集是不一致的。该图像重建包括迭代地最小化图像矩阵的秩,该图像矩阵的每列对应于不同的图像。秩最小化依照一致性条件来约束,该一致性条件在该图像矩阵中每列的向前投影与该获取的数据的相应子集之间要求一致性,该获取的数据的相应子集含有与该子集中的数据一致,而与不在该子集中的数据不一致的数据。
Description
相关申请的交叉引用
本申请要求2013年3月14日提交的美国非临时专利申请no.13/828,103的权益,其内容如在本文中完整阐述一样通过引用结合于此。
背景技术
本发明的领域是用于医学图像重建的系统和方法。更具体地,本发明涉及用于同时地减少图像伪像而重建来自使用医学成像系统(诸如x射线计算机断层扫描系统)所获得的数据的图像的系统和方法。
使用传统的图像重建技术,诸如用于x射线CT成像的滤波反向投影法和用于MRI的基于傅立叶的重建技术,单个图像是从使用医学成像系统获得的相应数据集来重建的。例如,一个图像是从x射线CT成像中的单个造影图(sinogram)来重建的,而一个图像是从MRI中的一个k空间数据集来重建的。数据与从该数据重建的图像之间的这种对应是因为这些传统图像重建技术是基于所有获得的数据彼此一致的假定。然而通常,使用医学成像系统所获得的数据与被成像的对象的单个实像或具有动态特性的真实图像物体的单个状态是不一致的。
这些不一致表现为重建的图像中的伪像并且可具有很多不同的来源。例如,在x射线CT成像中,伪像可由对象中的金属物体的存在、获得太少的投影、波束硬化效应、x射线散射、对象运动等而产生。在MRI中,伪像可由采样不足k-空间、磁场不均匀性、对象运动等而产生。对象的真实图像的获取的数据与静态之间的不一致也可具有其他来源,诸如外来对比剂的存在,如果给予对象外来对比剂并且穿过对象的脉管系统的话。重建的图像应该与获得的数据一致的假定被实现在以下成像模型中:
AI=Y(1);
这表明图像重建技术应该设法重建图像I,当向前投影的图像I与所获得的数据Y一致时。矩阵A被称为系统矩阵,通常可被视为将重建的图像I与所获得的数据样本Y相联系的向前投影算子。方程(1)强求重建的图像I必与测量的数据样本Y一致,因此,方程(1)也可被称为“数据一致性条件”。在x射线成像中,系统矩阵可包括重投影运算;而在MRI中,系统矩阵可包括傅立叶变换运算。换而言之,方程(2)的一致性条件表明当图像被如实地重建时,图像的向前投影应该与利用成像系统所实际获得的数据基本上相似或一致。
为了从测量的数据Y重建图像I,通常需要该数据满足所谓的数据充分条件,这是允许使用反向重建公式从测量的数据来重建图像的条件。在x射线CT成像中,数据充分条件是所谓的Tuy条件,其需要在图像物体周围扩展的角范围中获取数据样本。在MRI中,数据充分条件是整个傅立叶空间的完整总体。然而,即使当数据充分条件满足时,仍需要满足另一个条件来重建图像物体的真实图像。离散获取的数据样本也需要对给定的重建方案满足相关联的取样准则。
数据取样准则的示例包括x射线CT中的视角取样要求和MRI中的奈奎斯特取样准则。当在x射线CT中数据取样准则满足时,可使用滤波反向投影来重建图像;而当MRI中数据取样准则满足时,可使用傅立叶反演来重建图像。当采取了迭代图像重建方法时,数据取样准则通常是显著不严格的。如此方法的一个示例是基于压缩感测的迭代图像重建技术。
在理想的情况下,当前述数据充分条件和数据取样条件满足时,可重建无伪像的图像。然而,由于数据获取条件的复杂性和来自被成像物体的复杂性,此理想的情况在现实世界中是不切实际的。作为这些复杂性的结果,获取的数据可能不表示图像物体的相同物理状态,或可能不在相同的物理条件下被获取到。因此,获取的数据被称为“不一致数据”。对于这些不一致性的物理原因,是否由于非理想的获取系统或由于数据获取期间物体的物理状态中的变化,被称为不一致性的来源。
当由于不一致性的来源(诸如如上所述的那些),获取的数据不再一致时,一致性条件开始中断。即,在数据获取过程期间,当出现诸如对象运动、对比度增强、噪声、x射线成像中的波束硬化等的物理效应时,获取的数据不再一致。获取的数据中的不一致性表现为重建图像中的伪像。
因此将期望提供用于从由医学成像系统获取的数据来重建医学图像的系统和方法,其考虑到获取的数据中的不一致性的级别,从而产生所成像对象的真实图像的如实表示。
发明内容
本发明通过提供用于图像重建的系统和方法来克服前述的缺点,该系统和方法能从一个获取的数据集自动地且迭代地产生多个图像,其中,这些多个图像中的每一个对应于不同的数据一致性级别。例如,每个图像对应于自相一致(self-consistent)的获取的数据的子集,但与获取的数据的其他子集是不一致的。因为数据一致性的程度决定重建的图像中伪像的级别,所以本发明提供用于重建具有不同级别的伪像的图像的系统和方法,因此,具有最低级别的伪像的目标图像将和主要示出伪像的“伪像图像”一起被同时地重建。
提供一种用于使用医学成像系统来重建一对象的图像的方法是本发明的一方面。该方法包括使用医学成像系统从该对象获取数据并初始化具有多列的图像矩阵,每列对应于不同的图像。然后从通过最小化该图像矩阵的矩阵秩所获取的获取的数据重建该对象的至少一个图像。秩最小化依据一致性条件来约束,促使图像矩阵中每列的向前投影与获取的数据的不同子集相一致。获取的数据的每个子集包含彼此一致而与获取的数据的其他子集中的数据不一致的数据。
本发明的先前以及其他方面和优点将根据以下描述而显现。在该描述中,参考形成其一部分且作为说明示出本发明的优选实施例的附图。然而,这种实施例不一定表示本发明的总范围,并且因此参考本文中的用于解释本发明的范围的权利要求书。
附图说明
图1示出具有与对象的目标图像和伪像图像相关联的列的秩最小化的图像矩阵的示例;
图2示出具有与对象的目标图像和多个不同的伪像图像相关联的列的秩最小化的图像矩阵的示例;
图3示出具有多列的秩最小化的图像矩阵的示例,该多列与对象的目标图像、与数据获取期间发生在对象内的快速运动相关联的图像以及与数据获取期间发生在对象内的较慢运动相关联的图像相关联;
图4示出具有与在动态成像获取期间获得的不同时间帧相关联的多列的秩最小化的图像矩阵,该不同时间帧中的每一个对应于不同的自相一致的数据集;
图5是用于使用秩最小化来分开获取的数据的一致的子集而从获取的数据产生一对象的图像的方法的示例的流程图;
图6A是x射线计算机断层扫描系统的示例的示图;
图6B是图6A的x射线CT系统的框图;
图7A是一种C臂x射线成像系统的示例的示图;
图7B是图7A的C臂x射线成像系统的框图;以及
图8是磁共振成像系统的示例的框图。
具体实施方式
本文描述的是用于同时的图像伪像减少和断层扫描图像重建的系统和方法,因此可被称为“智能-重建(SMART-RECON)”。该系统和方法有利地适用于医学成像应用,诸如时间分辨的计算机断层扫描(“CT”)、锥形束CT、心脏成像CT、对比度增强CT、x射线血管造影术以及磁共振成像(“MRI”)。该系统和方法也有利地适用于伪像减少,其中,伪像是由包括波束硬化、对象运动、测量的数据中的空间失配、对象中的金属植入以及由于图像物体的非均匀性而产生的过多噪声的来源引起的。
一般而言,图像重建是由最小化广义矩阵的秩而运算的,该广义矩阵包含与具有不同程度的一致性的获取的数据相关联的目标图像和其他图像。下文详细描述了此方法和其实现的若干示例。
使用传统的图像重建技术,诸如用于x射线CT成像的滤波反向投影和用于MRI的基于傅立叶的重建技术,尽管数据不一致性的存在,一个图像是从一个数据集来重建的。例如,一个图像是从x射线CT成像中的单个造影图来重建的,而一个图像是从MRI中的一个k空间数据集来重建的。数据与从该数据重建的图像之间的这种对应是因为这些传统图像重建技术是基于所有获得的数据彼此一致并且满足充分条件的假定。作为示例,当数据获取期间对象移动时、当外来对比剂被给予对象时、以及当x射线波束不再单色时(例如当波束硬化发生时),使用x射线CT成像系统获取的数据失去其一致性。此假定体现在所谓的向前成像模型或“一致性条件”中,
AI=Y(2);
这表明图像重建技术应该设法重建图像I,当向前投影的图像I与所获得的数据Y一致时。矩阵A被称为系统矩阵,通常可被视为将重建的图像I与所获得的数据样本Y联系的向前投影算子。在x射线CT成像中,系统矩阵可包括重投影运算;而在MRI中,系统矩阵可包括傅立叶变换运算。换而言之,方程(2)的一致性条件表明当图像被如实地重建时,图像的向前投影应该与利用成像系统所实际获得的数据基本上相似或一致。
传统的图像重建方法,诸如用于x射线CT的滤波反向投影、用于MRI的傅立叶反演和来自所有获取的数据的迭代重建,不存在考虑到数据一致性或不一致性的程度的内在机制。数据不一致性的单一指示是图像伪像在重建的图像中出现。为了减少伪像级别,对于出现在图像中的伪像的类型,可使用适当的技术预处理获取的数据。然而,在图像重建之前,应该校正获取的数据到什么程度是未知的。
注意到,断层扫描重建,诸如滤波反向投影,对数据不一致性具有一定的容忍度。例如,数据不一致性可能不一定引起重建的图像中的图像伪像,但是对于不一致性的容忍的阈值不能被先验知晓的。因此,依然高度地期望发展能够在图像重建过程期间自动地考虑数据不一致性的系统和方法。
在数据获取过程期间,当出现诸如对象运动、对比度增强、噪声、x射线成像中的波束硬化等的物理效应时,获取的数据不再一致。获取的数据中的这些不一致性表现为重建的图像中的伪像。
为了处理这个问题,本发明提供了用于图像重建的系统和方法,考虑了获取的数据中的内在数据不一致性,这允许具有不同伪像级别的图像被分别地重建,该不同伪像级别依赖于获取的数据的不一致性级别。在很多情况下,从那些一致的数据样本连同主要示出来自获取的数据中具有较高级别的不一致性的其他数据的伪像的图像,将重建具有最小伪像的图像。
此理念可被解释为设法从获取的数据重建最大有效广义图像矩阵X。如果获取的数据样本集具有Ns个数据样本,最差的情况是所有的数据样本彼此不一致。在此情况下,将需要Ns个图像来描绘图像物体的物理状态。作为结果,最大有效广义图像矩阵X将具有Ns列。最大有效广义图像矩阵X中行的数量对于二维图像将是图像像素的总数,或对于三维图像体将是图像体素的总数。通过降低此广义图像矩阵的秩,同时被方程(2)的数据一致性条件所限制,可通过将一致的数据自动地分组到反映数据之间一致性级别的一系列图像来重建具有不用伪像级别的图像。
数据一致性与图像矩阵秩减少之间的联系可被理解如下。当获取的数据全部一致(例如,来自x射线CT成像中的每个视角或相对于MRI中k空间中的每条线)时,最大有效广义图像矩阵X中的所有列将是相同的。数学上,此广义图像矩阵X因此具有一的列秩,或Rank(X)=1。当获取的数据能以某方式分成两个一致性类别时,那么最大有效广义图像矩阵的秩将增加到二,或Rank(X)=2。在此情况下,最大有效广义图像矩阵的秩能被减少到二。换而言之,秩减少的广义图像矩阵X仅包含两列,
X=[X1X2](3);
其中,每列对应于从相关联的一致性类别中的数据重建的图像。
秩的增加是因为获取的数据包含两个不同的数据集,其每个内部地一致,但彼此不一致。这样的一个示例是当从在数据获取期间移动的对象获取数据时。当对象未移动时获取的数据将与当对象移动时获取的数据不一致。另一方面,当对象未移动时获取的数据将与当对象未移动时获取的数据内部地一致。本发明利用此性质来重建没有来自不一致数据的成分的图像。如将在下文描述,在获取的数据中可存在多于两个不一致性类别并且这些不一致性类别中的每个可彼此区分。
一般而言,没有来自不一致数据的成分的图像可通过最小化最大有效广义图像矩阵X的秩而获得,从而最大有效广义图像矩阵的期望列Xn=In的向前投影与获取的数据中相关联的不一致性类别Yn相一致。即,
从而使得AIn=Y(4).
方程(4)所述的秩最小化自动地并且迭代地将来自不同来源的一致的数据分组到X中若干不可缩减的图像列。注意到,单独的图像In对应于不同的一致性类别并且作为广义图像矩阵X中的列矢量。即,
X=[I1…IN](5).
这里,对应于特定不一致性类别的单独的图像In是通过使用两个指数对普通图像应用向量化运算而形成的,
In=vec(In(x,y))(6);
或使用三个指数,
In=vec(In(x,y,z))(7).
数字上,解决秩最小化问题是NP困难问题,因为它等同于解决零模(zero-norm)最小化问题。这点可通过对广义图像矩阵X引入奇异值分解(“SVD”)运算来说明如下:
X=UΣV(8);
其中,U和V矩阵是正交的,而Σ矩阵是具有r个非零元素的对角线矩阵,r个非零元素被称为矩阵的奇异值,
Σ=diag{σ1,σ2,…,σr,0,0,…,0}(9)。
若实行此SVD,广义图像矩阵X的秩被称为r。因此,广义图像矩阵X的秩的最小化可被换算为最小化以下零模:
其中,||X||0是广义图像矩阵X的零模,等于广义图像矩阵X的奇异值分解中非零对角线元素的数量。方程(10)中的零模问题可被实际上放宽为模,如通常在压缩感测中完成。即,代替之间解决方程(4)中的问题,问题被放宽为以下凸优化问题:
其中,||X||*是广义图像矩阵X的所谓的核模,可被给定为,
更一般地,更一般的沙腾(Schatten)p模可被使用来放宽方程(4)中的精确秩最小化。沙腾p模被定义为,
使用沙腾p模,方程(4)中的秩最小化可被放宽为以下凸优化问题,对于p≥1:
从而使得AIn=Y(14).
方程(14)中受约束的优化问题可通过最小化具有二次惩罚的以下对象函数来解决:
其中,对于广义输入的加权模被给定为,
同时对角线矩阵D被给定为,
其中,ξi 2是对于ith测量的数据样本的噪声变化。因此,通过对较高噪声数据分配较低权重而对较低噪声数据分配较高权重,对角线矩阵D考虑了测量的数据样本中的噪声。方程(15)中,参数λ被用于折衷数据保真度项与放宽的矩阵秩最小化项。方程(14)中的受约束的优化问题与方程(15)中的未受约束的优化问题的等价可在λ=∞的极限处达到。此外,方程(14)中的受约束的优化问题可使用众所周知的增强拉格朗日乘数法来解决。
在方程(15)中,秩最小化可被视为对噪声惩罚的最小平方最小化的规则化。除了以上的秩规则化之外,其他附加的规则化方法也可增加到方程(15)。附加的规则化方法的一个示例包括先验图像约束的压缩感测(“PICCS”)对象函数,在美国专利Nos.8,194,937、8,229,199和8,374,413中所述,其中每个通过引用整体结合于此。通过结合PICCS对象函数,方程(15)可被一般化为,
其中,Ψ1和Ψ2是稀疏(sparsifying)变换,促成每个单独的图像成分In中的稀疏性;IP是PICCS重建中的先验图像;参数α被用于对没有先验图像成分的项与具有先验图像成分的项分配权重;矢量Z的q模被定义为,
当盲SVD运算被应用到广义图像矩阵X时,它在计算上会是花费很大的。实际上,构想到广义图像矩阵的目标秩将通常很低;因此削减的SVD分解可被用于数值实现。作为一个示例,可使用最低秩近似,其中Rank(X)=1。在此情况下,所有获取的数据样本被用于重建单个图像。用于解决如此问题的传统数字上有效方法是图像重建技术,诸如对于x射线CT数据的滤波反向投影或对于使用MRI系统获取的k空间数据的傅立叶反演。这第一遍估计可被用作对广义图像矩阵X的第一列的初始猜测。秩最小化过程然后可迭代地进行到秩二、秩三,上升到期望的秩r解。实际上,构想到r≤20将足够用于大多数临床成像应用。在此情况下,获取的数据被分类到r个不同的一致性类别。使用第一列作为先验图像IP,PICCS算法可被用于重建广义图像矩阵X的r列。已经获得这些初始解,广义图像矩阵X可被分解为以下形式:
这里,初始估计的r列图像填充U矩阵中的r列。方程(4)、(11)、(14)、(15)或(18)中的优化问题中的一个然后可被解决以迭代地确定对角线矩阵Σ,以及V矩阵。此外,如果对角线矩阵Σ与V矩阵相乘被处理为单个矩阵,
方程(4)、(11)、(14)、(15)或(18)中的优化问题然后可被迭代地解决以确定矩阵
当执行综合图像矩阵X的上述分解使得图像矩阵X被分解为下列矩阵相乘:
X=UV(22);
稀疏约束和其他规则化可被直接应用到两个矩阵成分,U和V。作为结果,在优化问题中可提供下列变化。
当使用为了计算U矩阵的上述过程时,方程(23)中的第二项λ1||Ψ1U||可被设定为零以改善数值效率。
例如,在x射线CT成像应用中,秩最小化将自动地并且迭代地将来自不同视角的一致的数据分组到若干不可缩减的图像列。综合图像矩阵X的最终秩的数值是从获取的数据来重建的不同图像的数量。这些不同图像中的每个对应于内部一致的获取的数据的不同子集。
数据一致性类别的分类将取决于特定成像应用。在x射线CT应用中,当执行动态CT成像时,在每个给定的x射线源位置处所获取的数据样本表现了一致性类别。动态CT成像的示例包括诊断多层CT中的心脏CT成像;具有或没有涉及器官运动的对比度增强CT成像;图像导航放射疗法中的时间分辨的锥形束CT;图像导航介入中使用基于C臂的锥形束CT系统的时间分辨的锥形束CT。
当使用多能量CT获取时,一致性分类将依赖于x射线频谱。因此,对于双能量CT获取,将数据和图像分类到对应于成像过程中所利用的两个能级而分类的两个一致性是自然的。
当使用传统的单频谱CT数据获取时,数据和图像可被分类到两个或更多类别,由x射线路径长度和图像内容来确定。当对象中存在高衰减物体(诸如骨结构或外来金属物体)时,穿过这些高衰减物体的测量数据点与那些没有穿过这些高衰减物体的测量数据可被分类到不同的一致性类别。
对于用于产生动态成像的MRI系统,诸如心脏MRI或时间分辨对比度增强MRI,数据一致性和相应的图像类别可基于心脏和/或呼吸相位(phase)的先验知识来分类。
最大有效综合图像矩阵X的秩越高,将在获取的数据中寻找的一致性类别越多。就是说,随着最大有效综合图像矩阵X的秩增加,获取的数据中的不一致性将扩展为更多的图像。取决于成像应用,此特征可被有利地依赖于将不一致性的总类别分开到较小的子集。例如,运动伪像可被分解到以不同速度发生的多个运动。以此方式,较慢的运动伪像(例如呼吸运动)与较快的运动伪像(例如心脏运动)可被分开。
秩最小化也可与其他最小化约束相结合以改善图像质量。例如,方程(4)中所示的最小化可依据条件或优化要求来附加地约束。附加约束的一个示例是先验图像约束的压缩感测(“PICCS”)约束,诸如在美国专利Nos.8,194,937、8,229,199和8,374,413中所述的那些,其中每个通过引用整体结合于此。替代地,可施加其他压缩感测约束,同时最小化最大有效图像矩阵的秩。
有利地,以此方式最小化最大有效图像矩阵的秩允许图像的不需要的成分与期望的成分分开。在一些情况下,不需要的成分然后可被用于进一步校正期望的成分或确定关于对象的附加信息。现在将描述此方法的若干应用。
现在参见图1,本发明的方法可被用于产生秩R=2最大有效图像矩阵X,具有对应于获取的数据的两个一致性类别的两列。第一列包含目标图像,其中基本上不存在图像伪像。第二列包含示出获取的数据中的不一致性的伪像图像,通常被视为图像伪像。例如,此伪像图像可包括与条纹伪像、混叠伪像、散射伪像、波束硬化伪像、运动伪像等相关联的成分。作为一个示例,当金属伪像和波束硬化破坏CT图像时,本发明的方法能够寻找具有最小金属和波束硬化伪像的目标图像,同时还选择地返回仅主要示出相应伪像的其他图像。
如图2所示,本发明的方法也可被用于通过为了推断最大有效图像矩阵的秩最小化而选择适当的秩,进一步将伪像图像分开为多个不同的伪像图像。例如,本发明的方法可用于将不同的伪像分开为不同的图像,诸如对于条纹伪像的一个图像和对于波束硬化伪像的另一个图像。此结果是可得到的,因为一个类型的图像伪像(例如混叠)相对于另一个类型的图像伪像(例如波束硬化)将是不一致的。如此,不同的伪像类型将通常属于不同的一致性类别,将由本发明的方法所分开。当关于特定伪像来源的信息可提供附加信息时,将伪像分开为不同的伪像图像是有利的。
如图3所示,本发明的方法也可被用于将图像或时间系列图像的静态与运动部分分开。不仅可将静态与运动部分分开,而且运动部分可被分成示出以不同速度运动的图像视场(“FOV”)的区域的两个或更多图像。以此方式,受不同运动来源影响的图像FOV的区域可被分开。例如,与呼吸相关联的运动和心脏运动或肿瘤的运动可被分开。作为结果,可获得呼吸或心脏门控而不需要附加处理或运动信息获取。
如图4所示,本发明的方法也能够重建一系列图像帧,诸如示出时间分辨血管造影术或灌注成像过程期间的脉管系统、心脏成像过程期间对象的心脏、对象的呼吸等的一系列图像。在这些情况下,本发明的方法能够恢复在数据获取的过程期间获取的对象的一致的图像集。作为一个示例,在心脏成像应用中,本发明的方法可被用于对于每个心脏相位产生运动一致的图像,因为在心动周期的给定相位处所获取的数据与在相同心脏相位处获取的其它数据将很大程度上一致,而与在不同心脏相位处获取的数据将很大程度上不一致。本发明的方法也可被实现于对比度增强成像应用以从一次短扫描数据获取产生若干一致的时间帧。
现在参见图5,示出了流程图,描述了用于使用秩最小化从获取的数据产生对象的图像以将获取的数据的一致的子集分开的方法的示例的步骤。该方法开始于使用医学成像系统的数据的获取,如步骤502所示。可使用任何适当的医学成像系统来执行数据获取,包括x射线计算机断层扫描系统、x射线断层扫描综合系统、x射线C臂系统、磁共振成像系统、超声系统、正电子发生断层扫描系统等。获取的数据通常将包括由一个或多个不同来源产生的不一致性。不一致性的这些不同来源的示例包括由取样不足引起的混叠、噪声、x射线波束硬化、x射线成像中的金属伪像、在数据获取期间发生的对象运动等。
在已经获取数据之后,图像重建过程通常开始。首先,初始化具有将与不同图像相关联的列的图像矩阵,如步骤504所示,并且如上所述。选择地,选择图像矩阵应该被最小化达到的期望的秩,如步骤506所示。如上所述,图像矩阵秩的选择可使用图像矩阵的奇异值分解来确定。总地如508所示,然后使用迭代秩最小化过程来重建对象的目标图像,该迭代秩最小化过程经受一致性条件约束,其中,图像矩阵的每列要求与获取的数据的独特子集相一致,该获取的数据的独特子集的一些内容与获取的数据的剩余部分不一致。即,重建的图像矩阵的每列将对应于代表获取的数据的独特子集的图像。获取的数据的这些子集中的每个包含彼此一致的数据,而与此同时,获取的数据的每个子集包含与未包含在该子集中的数据通常不一致的数据。如此,图像重建过程能够自动地将获取的数据分开到数据的不同子集,其每个对应于独特的一致性类别。通过最小化图像矩阵的秩,寻找到这样的一致性类别的最少可能的数量。然而,如上所述,也可选择期望的图像矩阵秩以强制将获取的数据分开到预定数量的一致性类别。
图像矩阵的重建因此包括在图像矩阵的列与获取的数据的子集之间建立前述一致性条件,如步骤510所示。然后最小化图像矩阵的秩,如步骤512所示。迭代地重复此过程直到满足停止标准,如判定框514所确定。停止标准的示例包括当获得可被如上所述选择地选择的目标秩时,以及当两个连续迭代中的估计值之差小于预定阈值时。如果没有满足停止标准,那么最小化的下一次迭代开始,如步骤516所示。然而,当满足停止标准时,图像矩阵的列中包含的图像被单独地储存,如步骤518所示。
初次参见图6A和6B,当实践本发明时,可使用的x射线计算机断层扫描成像系统600包括构台(gantry)602。构台602具有x射线源604,朝向检测器阵列608投射x射线的扇形束或锥形束606在构台602的相对一侧上。检测器阵列608由数个检测器元件610而形成,共同感测穿过对象612(诸如内科患者或经受检查的物体)的投射的x射线606。每一个检测器元件610产生代表照射的x射线的强度的电信号,且因此波束随着穿过对象612而衰减。在为了获取x射线投射数据的扫描期间,构台602和安装在其上的组件关于位于对象612内的旋转的中心614旋转。
构台602的旋转和x射线源604的操作由CT系统600的控制机构616来管理。控制机构616包括对x射线源604提供电力和时间信号的x射线控制器618和控制构台602的旋转速度与位置的构台控制器620。控制机构616中的数据获取系统(“DAS”)622从检测器610取样数据并且将数据转换为数字信号以便随后处理。图像重建器624从DAS622接收取样的和数字化的x射线数据并且在其中执行图像重建。对计算机626应用重建的图像作为输入,计算机626在存储设备628(诸如大容量存储设备)中储存图像。
计算机626也经由具有键盘的控制台630从操作者接收命令和扫描参数。相关联的显示器632允许操作者观察来自计算机626的重建的图像和其他数据。操作者提供的命令和参数被计算机626使用以对DAS622、x射线控制器618和构台控制器620提供控制信号和信息。此外,计算机626操作控制工作台636的工作台控制器634以将对象612置于构台602中。
具体参见图7A和7B,示出了所谓的“C臂”x射线成像系统700的示例。这样的成像系统700通常被设计为与介入治疗一起使用。通过具有C臂702的构台来表征成像系统700,该C臂702在其一端上具有x射线源组件702,而在其另一端具有x射线检测器阵列组件706。构台使x射线源组件703与检测器阵列组件706能够导向安置在工作台708上的患者周围的不同位置和角度,同时使医生能够访问患者。
构台包括支承基座710,该支承基座710可包括L形底座,该L形底座具有延伸到工作台708下面的水平支柱712和在与工作台708隔开的水平支柱712的末端向上延伸的垂直支柱714。支承臂716可旋转地固定到垂直支柱714的上端用于关于水平枢轴718旋转。枢轴718对准工作台708与支承臂716的中心线,该支承臂716从枢轴718径向向外延伸以在其外端上支承C臂传动组件720。C臂702可滑动地固定到传动组件720并且与传动电动机(未示出)耦合,该传动电动机滑动C臂702以使其关于C轴722旋转,如箭头724所示。枢轴718和C轴722彼此相交在位于工作台708上方的等角点处726并且彼此垂直。
x射线源组件704安装在C臂702的一端,而检测器阵列组件706安装在其另一端。如将在下文详细地讨论,x射线源组件704包括x射线源(未示出),发x射线的锥形束,导向检测器阵列组件706。组件704和706两者径向向内延伸到枢轴718,使得此锥形束的中心线穿过系统等角点726。因此可在从置于工作台708上的对象获取x射线衰减数据期间,围绕枢轴718、C轴722或两者关于系统等角点726旋转锥形束的中心线。
如上所述,x射线源组件704包括当通电时发射x射线的锥形束的x射线源。中心线穿过系统等角点726并且照射在封装在检测器组件706中的二维平板数字检测器上。平板检测器的示例包括所谓的“小平板”检测器,其中检测器阵列板在尺寸上大约20×20厘米。这样的检测器板允许覆盖大约十二厘米的视场。每一个检测器元件产生代表照射的x-射线的强度的电信号,且因此x射线随着其穿过患者而衰减。在扫描期间,关于系统等角点726旋转x射线源和检测器阵列以从不同的角度获取x射线衰减投影数据。作为示例,检测器阵列每秒能够获取三十个投影或视图。通常,每秒获取的投影的数量是对于指定的扫描路径和速度来确定多少视图能被获取的限制因素。
具体参见图7B,组件704和706的旋转以及x射线源的操作是由成像系统700的控制机构728来管理的。控制机构728包括对x射线源提供电力和时间信号的x射线控制器730。控制机构728中的数据获取系统(“DAS”)732从检测器阵列中的检测器元件取样数据并将数据传递到图像重建器734。图像重建器734从DAS732接收数字化的x射线数据并且执行图像重建。对计算机736应用由图像重建器734所重建的图像作为输入,该计算机736在大容量存储设备738中储存图像或进一步处理图像。
控制机构728还包括枢电动机控制器740和C轴电动机控制器742。响应于来自计算机736的运动命令,电动机控制器740和742提供电力到成像系统700中的电动机,分别产生关于枢轴718和C轴722的旋转。由计算机736执行的程序对电动机控制器740和742产生运动命令以在指定的扫描路径中移动组件704和706。
计算机736也经由具有键盘和其他手动可操作控制器的控制台744从操作者接收命令和扫描参数。相关联的显示器746允许操作者观察来自计算机736的重建的图像和其他数据。操作者提供的命令在储存的程序的指示下被计算机736使用以对DAS732、x射线控制器730和电动机控制器740和742提供控制信号和信息。此外,计算机736操作工作台电动机控制器748,其控制患者工作台708以相对于系统等角点726安置患者。
现在具体参见图8,示出了磁共振成像(“MRI”)系统800的示例。MRI系统800包括操作者工作站802,其通常将包括显示器804;一个或多个输入设备806,诸如键盘和鼠标;以及处理器808。处理器808可包括运行可购买到的操作系统的可购买到的可编程机器。操作者工作站802提供操作者界面,使得扫描指令能够被输入MRI系统800。一般而言,操作者工作站802可被耦合到四个服务器:脉冲序列服务器810;数据获取服务器812;数据处理服务器814;以及数据存储服务器816。操作者工作站802与每个服务器810、812、814和816连接以彼此通信。例如,服务器810、812、814和816可经由通信系统840来连接,该通信系统814可包括任何适合的网络连接,无论是有线的、无线的或两者的结合。作为示例,通信系统840可包括专有的或专用的网络,以及开放网络,诸如因特网。
响应于从操作者工作站802下载的指令,脉冲序列服务器810用于操作梯度系统818和射频(“RF”)系统820。对梯度系统818产生并应用执行指定的扫描所需的梯度波形,该梯度系统818激发组件822中的梯度线圈以产生磁场梯度Gx、Gy和Gz用于定位编码磁共振信号。梯度线圈组件822形成包括极化磁体826和全身RF线圈828的磁体组件824的一部分。
RF系统820对RF线圈828或分开的局部线圈(图8中未示出)施加RF波形,以执行指定的磁共振脉冲序列。由RF线圈828或分开的局部线圈(图8中未示出)所检测的响应的磁共振信号被RF系统820接收,在该RF系统820中,在由脉冲序列服务器810产生的命令的指示下,放大、解调、过滤和数字化该响应的磁共振信号。RF系统820包括用于产生用于MRI脉冲序列的多种RF脉冲的RF发射器。RF发射器对扫描指令和来自脉冲序列服务器810的指示作出响应以产生期望的频率、相位和脉冲幅度波形的RF脉冲。产生的RF脉冲可被施加到全身RF线圈828或被施加到一个或多个局部线圈或线圈阵列(图8中未示出)。
RF系统820也可包括一个或多个RF接收器信道。每一个RF接收器信道包括:RF前置放大器,放大由与其连接的线圈828所接收的磁共振信号;以及检测器,检测并数字化所接收的磁共振信号的I和Q正交分量。因此,所接收的磁共振信号的大小可在任何取样点由I和Q分量的平方和的平方根来确定:
且所接收的磁共振信号的相位也可根据以下关系来确定:
脉冲序列服务器810也从生理学获取控制器830选择地接收患者数据。作为示例,生理学获取控制器830可从与患者连接的数个不同的传感器接收信号,诸如从电极接收心电图(“ECG”)信号,或从呼吸风箱或其他呼吸监测设备接收呼吸信号。脉冲序列服务器810通常使用这样的信号以使扫描的表现与对象的心跳或呼吸同步或“门控”。
脉冲序列服务器810还连接到扫描室接口电路832,从与患者的情况和磁系统相关联的多种传感器接收信号。患者定位系统834接收命令以在扫描期间移动患者到期望的位置也是通过扫描室接口电路832的。
数据获取服务器812接收由RF系统820产生的数字化磁共振信号样本。响应于从操作者工作站802下载的指令,数据获取服务器812工作以接收实时磁共振数据并提供缓冲存储器,从而没有数据由数据过量运行而失去。在一些扫描中,数据获取服务器812不比将获取的磁共振数据传递到数据处理器服务器814做得更多。然而,在需要从获取的磁共振数据导出的信息来控制扫描的进一步表现的扫描中,数据获取服务器812被编程以产生这样的信息并且将其传送到脉冲序列服务器810。例如,在预扫描期间,获取并使用磁共振数据来校准由脉冲序列服务器810执行的脉冲序列。作为另一个示例,可获取并使用导航信号来调节RF系统820或梯度系统818的运行参数,或者控制取样的k空间的视图顺序。而在另一个示例中,也可使用数据获取服务器812来处理磁共振信号,用于在磁共振血管造影术(“MRA”)扫描中检测对比剂的到来。作为示例,数据获取服务器812获取磁共振数据并且实时地处理磁共振数据以产生用于控制扫描的信息。
数据处理服务器814从数据获取服务器812接收磁共振数据并且根据从操作者工作站802下载的指令来处理磁共振数据。例如,这样的处理可包括下列中的一个或多个:通过执行原始k空间数据的傅立叶变换来重建二维或三维图像;执行其他图像重建算法,诸如迭代或反向投影重建算法;对原始k空间数据或重建的图像应用滤波器;产生功能磁共振图像;计算流动图像的运动等。
由数据处理服务器814重建的图像被传送回储存它们的操作者工作站802。在数据库存储器超高速缓存(图8中未示出)中储存实时图像,可从数据库存储器超高速缓存输出实时图像到操作者显示器812或位于磁组件824附近的显示器836以供主治医生使用。批处理模式图像或经选择的实时图像被储存在磁盘存储器838上的主数据库中。当这样的图像已经被重建并且被转移到存储器时,数据处理服务器814通知操作者工作站802上的数据存储服务器816。操作者可使用操作者工作站802来存档图像、产生影像或向其他设备经由网络发送图像。
MRI系统800也可包括一个或多个联网的工作站842。作为示例,联网的工作站842可包括显示器844;一个或多个输入设备846,诸如键盘和鼠标;以及处理器848。联网的工作站842可位于与操作者工作站802相同的设备内,或位于不同的设备中,诸如不同的医疗机构或诊所。
联网的工作站842,不管是在与操作者工作站802相同的设备内或不同的设备中,可经由通信系统840对数据处理服务器814或数据存储服务器816获得远程访问。因此,多个联网的工作站842可以使用数据处理服务器814和数据存储服务器816。以此方式,磁共振数据、重建的图像或其他数据可在数据处理服务器814或数据存储服务器816与联网的工作站842之间交换,从而联网的工作站842可远程地处理数据或图像。此数据可以任何合适的格式来交换,诸如根据传输控制协议(“TCP”)、因特网协议(“IP”)或其他公知的或合适的协议。
本发明已经在一个或多个优选实施例方面进行了描述,并且应当理解除那些清楚说明以外的许多等同、替换、变化、以及修改是可能的且在本发明的范围内。
Claims (14)
1.一种用于使用医学成像系统来重建图像的方法,所述方法的步骤包括:
a)使用所述成像系统从一对象获取数据;
b)初始化具有多列的图像矩阵,每列对应于不同的图像;
c)通过下列操作从步骤a)中所获取的数据重建所述对象的至少一个图像:
i)最小化所述图像矩阵的矩阵秩;以及
ii)依照一致性条件约束步骤c)i)的秩最小化,所述一致性条件促使所述图像矩阵中每列的向前投影与所获取的数据的不同子集相一致,所获取的数据的每个子集包含彼此一致而与所获取的数据的其他子集中的数据不一致的数据。
2.如权利要求1所述的方法,其特征在于,步骤a)中所获取的数据包括不一致性;而步骤c)包括重建基本上没有图像伪像的所述对象的目标图像和至少一个伪像图像,所述至少一个伪像图像基本上仅包含与所述不一致性相关联的图像伪像。
3.如权利要求1所述的方法,其特征在于,步骤a)中所获取的数据代表一时间系列的图像;而步骤c)包括重建所述时间系列的图像,其中,所述图像矩阵中的每列对应于图像在时间系列中的一个。
4.如权利要求3所述的方法,其特征在于,所述时间系列的图像示出对象的心脏的不同心脏相位并且所获取的数据的每个子集对应于在给定心脏相位期间获取的数据。
5.如权利要求1所述的方法,其特征在于,步骤a)中所获取的数据包括与所述对象的运动相关联的不一致性,所述对象的运动是当获取所述数据时发生的。
6.如权利要求5所述的方法,其特征在于,步骤c)包括重建:所述对象的图像,所述对象的图像基本上没有运动相关的图像伪像;以及至少一个图像,所述至少一个图像示出与步骤a)中所获取的数据中的不一致性相关联的运动伪像。
7.如权利要求6所述的方法,其特征在于,示出运动伪像的所述至少一个图像包括:第一图像,其示出与发生在速度的第一范围内的对象运动相关的运动伪像;以及第二图像,其示出与发生在速度的第二范围内的对象运动相关的运动伪像,速度的第二范围不同于速度的第一范围。
8.如权利要求1所述的方法,其特征在于,所述医学成像系统是x射线计算机断层扫描系统、x射线断层扫描综合系统、C臂x射线成像系统、用于图像导航放射疗法的板上锥形束CT成像系统、磁共振成像系统、超声系统以及正电子发射断层扫描系统之中的至少一个。
9.一种用于使用医学成像系统来重建图像的方法,所述方法的步骤包括:
a)使用所述医学成像系统从对象获取数据,所获取的数据包含多个数据一致性类别;
b)从步骤a)中所获取的数据重建所述对象的图像,所述对象的图像包含与所述数据不一致性相关联的伪像;
c)形成具有第一列的图像矩阵,对应于步骤b)中所重建的图像;
d)通过依照数据一致性条件最小化所述图像矩阵的矩阵秩来迭代地更新步骤c)中形成的所述图像矩阵来计算目标图像矩阵,使得所计算的目标图像矩阵中的每一列对应于所述多个数据一致性类别中的不同的一个;以及
e)提供步骤d)中计算的所述目标图像矩阵的第一列和基本上没有伪像的所述对象的图像。
10.如权利要求9所述的方法,其特征在于,步骤a)中所获取的数据中的所述多个数据一致性类别包括与所述对象的真实图像一致的数据的数据一致性类别和与至少一个伪像一致的数据的数据一致性类别。
11.如权利要求9所述的方法,其特征在于,步骤a)中所获取的数据中的所述多个数据一致性类别包括对应于与所述对象的不同物理状态一致的数据的数据一致性类别。
12.如权利要求11所述的方法,其特征在于,所述对象的所述不同物理状态包括不同心脏相位和不同呼吸相位中的至少一个。
13.如权利要求9所述的方法,其特征在于,步骤a)中所获取的数据中的所述多个数据一致性类别包括对应于与对象运动的不同速度一致的数据的数据一致性类别,所述对象运动是当所述数据在步骤a)中被获取时发生的。
14.如权利要求9所述的方法,其特征在于,所述医学成像系统是x射线计算机断层扫描系统、x射线断层扫描综合系统、C臂x射线成像系统、用于图像导航放射疗法的板上锥形束CT成像系统、磁共振成像系统、超声系统以及正电子发射断层扫描系统之中的至少一个。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/828,103 US9384566B2 (en) | 2013-03-14 | 2013-03-14 | System and method for simulataneous image artifact reduction and tomographic reconstruction |
US13/828,103 | 2013-03-14 | ||
PCT/US2014/021581 WO2014159029A1 (en) | 2013-03-14 | 2014-03-07 | System and method for simultaneous image artifact reduction and tomographic reconstruction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105190696A true CN105190696A (zh) | 2015-12-23 |
CN105190696B CN105190696B (zh) | 2018-05-15 |
Family
ID=50555234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480014464.6A Active CN105190696B (zh) | 2013-03-14 | 2014-03-07 | 用于同时的图像伪像减少和断层扫描重建的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US9384566B2 (zh) |
EP (1) | EP2973411B1 (zh) |
CN (1) | CN105190696B (zh) |
WO (1) | WO2014159029A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146842A (zh) * | 2018-07-09 | 2019-01-04 | 南方医科大学 | 一种胸部数字合成x射线体层成像中呼吸运动分析方法 |
CN109712078A (zh) * | 2018-07-23 | 2019-05-03 | 永康市巴九灵科技有限公司 | 橱柜安防控制平台 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8885229B1 (en) | 2013-05-03 | 2014-11-11 | Kofax, Inc. | Systems and methods for detecting and classifying objects in video captured using mobile devices |
US9769354B2 (en) | 2005-03-24 | 2017-09-19 | Kofax, Inc. | Systems and methods of processing scanned data |
US9767354B2 (en) | 2009-02-10 | 2017-09-19 | Kofax, Inc. | Global geographic information retrieval, validation, and normalization |
US9576272B2 (en) | 2009-02-10 | 2017-02-21 | Kofax, Inc. | Systems, methods and computer program products for determining document validity |
US10146795B2 (en) | 2012-01-12 | 2018-12-04 | Kofax, Inc. | Systems and methods for mobile image capture and processing |
US8989515B2 (en) | 2012-01-12 | 2015-03-24 | Kofax, Inc. | Systems and methods for mobile image capture and processing |
JP6106259B2 (ja) * | 2012-03-21 | 2017-03-29 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 医用イメージングと生検データとを統合する臨床ワークステーション及びこれを使用する方法 |
US9008274B2 (en) * | 2012-12-24 | 2015-04-14 | General Electric Company | Systems and methods for selecting image display parameters |
US9355312B2 (en) | 2013-03-13 | 2016-05-31 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
US9208536B2 (en) | 2013-09-27 | 2015-12-08 | Kofax, Inc. | Systems and methods for three dimensional geometric reconstruction of captured image data |
US9311531B2 (en) | 2013-03-13 | 2016-04-12 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
EP2976626A4 (en) * | 2013-03-22 | 2016-09-21 | Univ New York | COMPUTER ACCESSIBLE MEDIUM FOR MODULATING X-RAY INTENSITY |
WO2014160766A1 (en) * | 2013-03-26 | 2014-10-02 | The Johns Hopkins University | Task-based source-detector trajectories for tomographic imaging |
US20140316841A1 (en) | 2013-04-23 | 2014-10-23 | Kofax, Inc. | Location-based workflows and services |
US9386235B2 (en) | 2013-11-15 | 2016-07-05 | Kofax, Inc. | Systems and methods for generating composite images of long documents using mobile video data |
US9760788B2 (en) | 2014-10-30 | 2017-09-12 | Kofax, Inc. | Mobile document detection and orientation based on reference object characteristics |
US9870627B2 (en) * | 2015-04-10 | 2018-01-16 | The General Hospital Corporation | System and method for limited angle positron emission tomography |
DE102015208555A1 (de) * | 2015-05-07 | 2016-11-10 | Sirona Dental Systems Gmbh | Verfahren zur Bildverbesserung von Bilddaten eines dentalmedizinischen Bilderzeugungssystems |
US10242285B2 (en) | 2015-07-20 | 2019-03-26 | Kofax, Inc. | Iterative recognition-guided thresholding and data extraction |
US10140734B2 (en) * | 2016-01-29 | 2018-11-27 | Wisconsin Alumni Research Foundation | System and method for simulataneous image artifact reduction and tomographic reconstruction of images depicting temporal contrast dynamics |
US9779296B1 (en) | 2016-04-01 | 2017-10-03 | Kofax, Inc. | Content-based detection and three dimensional geometric reconstruction of objects in image and video data |
US20170365047A1 (en) * | 2016-06-15 | 2017-12-21 | General Electric Company | Artifact management in imaging |
US10147207B2 (en) | 2016-07-15 | 2018-12-04 | Wisconsin Alumni Research Foundation | System and method for high-temporal resolution, time-resolved cone beam CT angiography |
US10417793B2 (en) * | 2017-03-23 | 2019-09-17 | Wisconsin Alumni Research Foundation | System and method for data-consistency preparation and image reconstruction |
EP3675739A4 (en) | 2017-08-28 | 2020-08-19 | Shanghai United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR REMOVING HARD TISSUE IN A COMPUTER IMAGE |
US11062176B2 (en) | 2017-11-30 | 2021-07-13 | Kofax, Inc. | Object detection and image cropping using a multi-detector approach |
US11181598B2 (en) * | 2019-04-25 | 2021-11-23 | Siemens Healthcare Gmbh | Multi-contrast MRI image reconstruction using machine learning |
CN112884862B (zh) * | 2021-03-18 | 2022-11-01 | 中国人民解放军战略支援部队信息工程大学 | 基于质心投影轨迹拟合的锥束ct温度漂移校正方法及系统 |
US11908044B2 (en) * | 2021-06-17 | 2024-02-20 | GE Precision Healthcare LLC | Systems and methods for computed tomography image reconstruction |
CN113838156B (zh) * | 2021-08-27 | 2023-07-14 | 东软医疗系统股份有限公司 | 图像重建方法及系统、存储介质、ct设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090175523A1 (en) * | 2007-12-20 | 2009-07-09 | Guang-Hong Chen | Method For Image Reconstruction Using Sparsity-Constrained Correction |
CN102906791A (zh) * | 2010-05-19 | 2013-01-30 | 威斯康星校友研究基金会 | 使用在先图像约束的图像重建的辐射计量减少的方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08503551A (ja) * | 1992-11-20 | 1996-04-16 | ブリティッシュ・テクノロジー・グループ・リミテッド | 画像再生 |
US7187794B2 (en) * | 2001-10-18 | 2007-03-06 | Research Foundation Of State University Of New York | Noise treatment of low-dose computed tomography projections and images |
US9471978B2 (en) * | 2004-10-04 | 2016-10-18 | Banner Health | Methodologies linking patterns from multi-modality datasets |
US7795869B1 (en) * | 2005-05-02 | 2010-09-14 | The Regents Of The University Of California | Processing of multiple echo data sets in magnetic resonance imaging |
EP2232446B1 (en) * | 2007-12-20 | 2013-04-17 | Wisconsin Alumni Research Foundation | Method for prior image constrained image reconstruction |
US8406556B2 (en) * | 2010-06-10 | 2013-03-26 | Microsoft Corporation | Light transport reconstruction from sparsely captured images |
US8699773B2 (en) * | 2010-10-21 | 2014-04-15 | Beth Israel Deaconess Medical Center | Method for image reconstruction using low-dimensional-structure self-learning and thresholding |
US10186056B2 (en) * | 2011-03-21 | 2019-01-22 | General Electric Company | System and method for estimating vascular flow using CT imaging |
US8989465B2 (en) * | 2012-01-17 | 2015-03-24 | Mayo Foundation For Medical Education And Research | System and method for medical image reconstruction and image series denoising using local low rank promotion |
US8923583B2 (en) * | 2012-06-22 | 2014-12-30 | General Electric Company | Methods and systems for performing model-based iterative reconstruction |
US9430854B2 (en) * | 2012-06-23 | 2016-08-30 | Wisconsin Alumni Research Foundation | System and method for model consistency constrained medical image reconstruction |
-
2013
- 2013-03-14 US US13/828,103 patent/US9384566B2/en active Active
-
2014
- 2014-03-07 WO PCT/US2014/021581 patent/WO2014159029A1/en active Application Filing
- 2014-03-07 EP EP14719537.4A patent/EP2973411B1/en active Active
- 2014-03-07 CN CN201480014464.6A patent/CN105190696B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090175523A1 (en) * | 2007-12-20 | 2009-07-09 | Guang-Hong Chen | Method For Image Reconstruction Using Sparsity-Constrained Correction |
CN102906791A (zh) * | 2010-05-19 | 2013-01-30 | 威斯康星校友研究基金会 | 使用在先图像约束的图像重建的辐射计量减少的方法 |
Non-Patent Citations (3)
Title |
---|
ANGSHUL MAJUMDAR等: "A sparsity based approach towards fast MRI acquisition", 《UNIVERSITY OF BRITISH COLUMBIA, VANCOUVER》 * |
BO ZHAO等: "Low rank matrix recovery for real-time cardiac MRI", 《BIOMEDICAL IMAGING: FROM NANO TO MACRO, 2010 IEEE INTERNATIONAL SYMPOSIUM ON》 * |
马坚伟等: "压缩感知及其应用:从稀疏约束到低秩约束优化", 《信号处理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146842A (zh) * | 2018-07-09 | 2019-01-04 | 南方医科大学 | 一种胸部数字合成x射线体层成像中呼吸运动分析方法 |
CN109712078A (zh) * | 2018-07-23 | 2019-05-03 | 永康市巴九灵科技有限公司 | 橱柜安防控制平台 |
Also Published As
Publication number | Publication date |
---|---|
WO2014159029A1 (en) | 2014-10-02 |
CN105190696B (zh) | 2018-05-15 |
US20140270439A1 (en) | 2014-09-18 |
EP2973411B1 (en) | 2019-07-24 |
EP2973411A1 (en) | 2016-01-20 |
US9384566B2 (en) | 2016-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105190696B (zh) | 用于同时的图像伪像减少和断层扫描重建的系统和方法 | |
CN109805950B (zh) | 医用图像处理装置以及医用图像处理系统 | |
JP5734664B2 (ja) | 希薄化制約補正を用いた画像復元法 | |
JP7245364B2 (ja) | 変形可能な層を有するCycleGANを用いたsCT画像生成 | |
US9208588B2 (en) | Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique | |
JP5816269B2 (ja) | 先験的画像制約画像再構成を使用して放射線量を減らす方法 | |
US8509514B2 (en) | Method for prior image constrained image reconstruction | |
US8175359B2 (en) | Iterative highly constrained image reconstruction method | |
JP2021521993A (ja) | 敵対的生成ネットワークを使用した画像強調 | |
US8781243B2 (en) | Method for constrained reconstruction of high signal-to-noise ratio images | |
CN103027705B (zh) | 产生运动补偿的ct 图像数据组的方法和系统 | |
CN115605915A (zh) | 一种图像重建系统和方法 | |
CN106462987B (zh) | 基于投影数据集的用于体积的改进图像重构 | |
US10140734B2 (en) | System and method for simulataneous image artifact reduction and tomographic reconstruction of images depicting temporal contrast dynamics | |
US10517556B2 (en) | System and method for temporal fidelity enhanced medical imaging using temporal deconvolution | |
CN107886554A (zh) | 流数据的重构 | |
US10417793B2 (en) | System and method for data-consistency preparation and image reconstruction | |
Ozsahin et al. | Monte Carlo simulation of PET/MR scanner and assessment of motion correction strategies | |
US20230045406A1 (en) | System and method for hybrid imaging | |
Kao et al. | An exact analytic approach to 3D PET image reconstruction | |
Rena et al. | Medical Physics Letter |
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 |