CN106233327B - 去噪图像数据中对低对比度结构的恢复 - Google Patents

去噪图像数据中对低对比度结构的恢复 Download PDF

Info

Publication number
CN106233327B
CN106233327B CN201580020947.1A CN201580020947A CN106233327B CN 106233327 B CN106233327 B CN 106233327B CN 201580020947 A CN201580020947 A CN 201580020947A CN 106233327 B CN106233327 B CN 106233327B
Authority
CN
China
Prior art keywords
image data
raw image
denoising
estimation
scaled
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
Application number
CN201580020947.1A
Other languages
English (en)
Other versions
CN106233327A (zh
Inventor
L·戈申
A·格林高兹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN106233327A publication Critical patent/CN106233327A/zh
Application granted granted Critical
Publication of CN106233327B publication Critical patent/CN106233327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10004Still image; Photographic image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • G06T2207/20028Bilateral filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical 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

一种方法包括获得原始图像数据并且获得去噪图像数据,其中,所述去噪图像数据是在对所述原始图像数据进行去噪之后的原始图像数据。所述方法还包括确定针对所述原始图像数据的噪声模式。所述方法还包括基于所述噪声模式来估计来自所述原始图像数据的潜在的局部结构。所述方法还包括基于估计的潜在的局部结构通过将所述估计的潜在的局部结构添加到所述去噪图像数据来将在对所述原始图像数据的所述去噪期间丢失的低对比度结构恢复到所述去噪图像数据,生成低对比度结构被增强的去噪图像数据。

Description

去噪图像数据中对低对比度结构的恢复
技术领域
以下说明总体涉及成像过程,并且更具体地涉及对去噪图像数据恢复低对比度结构,并且针对计算机断层摄影(CT)的具体应用进行了描述。然而,以下说明也适用于其他成像模态。
背景技术
多能量(频谱)CT采用在多个不同的光子能量处同步地采集到的多个衰减值,以解析光电效应、康普顿散射以及(一种或多种)其他成分(例如K边)对材料的主体衰减系数的贡献。存在若干方法来执行多能量CT采集,例如多个源、快速kVp开关、以及多层探测器配置。基本材料图像能够被用于生成单色图像、材料抵消图像、有效原子数量图像以及电子密度图像。双能量成像非常适合具有接近诊断能量范围的均值的K边能量的材料,例如碘。由于对两种基本函数的任意两种线性独立加和都跨越整个衰减系数空间,因此任何材料都能够通过对两种其他材料的线性组合来表示,所述两种其他材料通常被称为基本材料,例如水和碘。
然而,多能量CT具有固有噪声,特别是在进行材料分解场景中,这是由于分解显著地放大了噪声,其中,所获得的噪声在材料之间是高度反相关的。如果图像是根据材料线积分而直接重建的,则它们的噪声非常大。因此,所获得的图像质量是低的,这大幅减少了其临床价值。已经提出了若干方法来去除噪声并恢复真实图像数据。这些方法包括但不限于Tomasi等人的“Bilataeral Filtering for Gray and Color Images”(ICCV’98);Perona等人的“Scale-space and edge detection using anisotropic diffusion”(IEEE PAMI’90);Rudin等人的“Nonlinear total variation based noise removal algorithms”(Physica D 60,第259-268页,1992年);以及Comaniciu等人的“Mean shift:a robustapproach toward feature space analysis”(IEEE PAMI2002)。
虽然以上噪声减小方法以及其他噪声减小方法降低了噪声,但遗憾的是,它们也倾向于使低对比度结构退化,而低对比度结构例如对于临床诊断通常是重要的,所述临床诊断例如肝病变和心肌灌注缺陷、图像质量增强、剂量减小等。
发明内容
本文中所描述的各方面解决了以上提到的问题和其他问题。
以下描述了一种将低对比度结构恢复到去噪图像数据的方法。所述恢复包括处理原始图像数据以确定针对所述原始图像数据的噪声模式并使用所述噪声模式在所述原始图像数据中识别低对比度结构。识别出的低对比度结构然后被恢复到去噪原始图像数据,产生后续的去噪图像数据,在所述后续的去噪图像数据中,潜在的低对比度结构被更好地保存。
在一方面中,一种方法包括获得原始图像数据并且获得去噪图像数据,其中,所述去噪图像数据是在对所述原始图像数据进行去噪之后的原始图像数据。所述方法还包括确定针对所述原始图像数据的噪声模式。所述方法还包括基于所述噪声模式来估计来自所述原始图像数据的潜在的局部结构。所述方法还包括基于所估计的潜在的局部结构通过将所述估计的潜在的局部结构添加到所述去噪图像数据,来将在对所述原始图像数据的所述去噪期间丢失的低对比度结构恢复到所述去噪图像数据,生成低对比度结构被增强的去噪图像数据。
在另一方面中,一种计算系统包括:存储器,其存储对去噪图像数据的低对比度结构恢复的指令;以及处理器,其接收原始图像数据和去噪图像数据,所述去噪图像数据是经去噪的所述原始图像数据,并且所述处理器运行所述指令,所述指令使所述处理器基于所述原始图像数据将低对比度结构恢复到所述去噪图像数据。
在另一方面中,一种计算机可读存储介质被编码有计算机可读指令。当由处理器运行时,所述计算机可读指令使所述处理器:基于通过原始图像数据与去噪图像数据之间的差异而确定的估计的潜在的局部结构,将在对所述原始图像数据的去噪期间丢失的低对比度结构恢复到所述去噪图像数据。
本发明可以采取各种部件和各部件的布置以及各种步骤和各步骤的安排的形式。附图仅出于图示优选实施例的目的,并且不应被解释为对本发明进行限制。
附图说明
图1示意性地图示了与具有低对比度结构恢复器的计算系统相结合的范例成像系统。
图2示意性地图示了低对比度结构恢复器的范例。
图3图示了原始图像数据。
图4图示了具有添加的噪声的原始图像数据。
图5图示了在对具有添加的噪声的原始图像数据应用双边(bilateral)算法之后得到的图像数据。
图6图示了在应用本文中所描述的方法之后得到的图像数据。
图7图示了双边图像数据与原始图像数据之间的差异图像数据。
图8图示了使用本文中所描述的方法创建的图像数据与原始图像数据之间的差异图像数据。
图9以图表示出了没有噪声的原始图像数据的第一曲线和双边图像数据的第二曲线。
图10以图表示出了没有噪声的原始图像数据的第一曲线和使用本文中所描述的方法创建的图像数据的第三曲线。
图11示出了单色50keV图像原始图像。
图12示出了去噪图像。
图13示出了使用本文中所描述的方法的去噪图像。
图14图示了根据本文中的公开的范例方法。
具体实施方式
首先参考图1,图示了成像系统100,例如计算机断层摄影(CT)扫描器。适合的CT扫描器包括被配置用于多能量(频谱)成像的扫描器和被配置用于仅单能量(非频谱)成像的扫描器。在该范例中描述了频谱CT扫描器。成像系统100包括大体固定机架102和旋转机架104,所述旋转机架104由固定机架102可旋转地支撑并且关于z轴围绕检查区域106旋转。
辐射源108(例如X射线管)由旋转机架104可旋转地支撑、与旋转机架104一起旋转、并且发射穿过检查区域106的辐射。在该范例中,成像系统100包括辐射源电压控制器110,其控制辐射源108的均值或峰值发射电压。在一个实例中,这包括在积分时间段内、在扫描的视野之间、在扫描的视野内和/或以其他方式,将发射电压在两个或更多个发射电压(例如80keV和140keV、100keV和120keV等)之间切换。
探测器阵列112对向一角度弧,在检查区域106对面与辐射源108相对。探测器阵列112探测穿过检查区域106的辐射并生成对其进行指示的投影数据。在扫描是多能量扫描并且辐射源电压在至少两个发射电压之间切换以用于扫描的情况下,探测器阵列112针对辐射源电压中的每个电压来生成投影数据(也被称为正弦图)。探测器阵列112输出投影数据。
图示的成像系统100采用kVp切换以用于多能量扫描。在变型中,成像系统100额外地或备选地包括至少两个辐射源108,所述至少两个辐射源108以两个不同的发射电压来发射辐射以产生频谱投影数据。在另一变型中,成像系统100的探测器阵列112额外地或备选地包括能量解析探测器(例如多层的、光子计数的等),所述能量解析探测器产生频谱投影数据。在另一变型中,成像系统100包括以上方法和/或其他方法的组合。
重建器114将投影数据分解为造影剂中的各种能量相关分量,例如光电分量、康普顿分量和/或表示(一种或多种)K边材料的(一个或多个)K边分量等。可以使用最大似然和/或其他分解技术。重建器114重建分量中的一个或多个,以生成在一个或多个能量水平处的频谱图像数据和/或在整个频谱上的常规(非频谱)图像数据,生成指示检查区域106的体积图像数据。
榻或对象支撑体116在检查区域106中支撑对象或目标。操作者控制台118包括人类可读输出设备(例如监视器)和输入设备(例如键盘、鼠标等)。驻留在操作者控制台118上的软件允许操作者经由图形用户接口(GUI)或以其他方式与成像系统100交互和/或操作成像系统100。这可以包括选择多能量频谱成像协议,在所述多能量频谱成像协议中,发射电压在两个或更多个发射电压之间被切换。
去噪器120对原始图像数据进行去噪(即减少其中的噪声),生成去噪(即噪声减少的)图像数据。一般地,能够采用任何去噪方法来对原始图像数据进行去噪。在2012年3月16日提交的属于Koninklijke Philips Electronics N.V的题为“Contrast-dependentresolution image”的国际专利申请PCT/IB2012/051266、以及在2012年11月12日提交的属于Koninklijke Philips Electronics N.V的题为“Image domain de-noising”的国际专利申请PCT/IB2012/056342中描述了适合的去噪算法的范例,在此通过引用将其整体内容并入。
计算系统122包括至少一个处理器124(例如微处理器、中央处理单元等),所述处理器124运行在计算机可读存储介质(存储器)126中存储的至少一条计算机可读指令,所述计算机可读存储介质不包括瞬态介质而包括物理存储器和/或其他非瞬态介质。微处理器124还可以运行由载波、信号或其他瞬态介质承载的一条或多条计算机可读指令。计算系统120能够是操作者控制台118的一部分和/或其他计算系统。
所述至少一条计算机可读指令包括低对比度结构恢复器模块128,其被用于基于原始图像数据来处理去噪图像数据。这种处理能够提高低对比度结构在去噪图像数据中的保存,生成后续的去噪图像数据,相对于去噪图像数据,在所述后续去噪图像数据中潜在的低对比度结构被较好地保存。如以下更详细地描述的,所述处理分析去噪图像数据与原始图像数据之间的差异,并且基于该分析来提高去噪图像数据的低对比度结构的保存。
所述后续去噪图像数据还能够被处理、经由显示监视器来显示、摄影、归档在数据资源库(例如图片归档和通信系统或PACS、电子医学记录或EMR、放射学信息系统或RIS、医院信息系统或HIS等)中和/或被以其他方式被使用。
图2示意性地图示了低对比度结构恢复器模块128的范例。
低对比度结构恢复器模块128接收原始图像数据、去噪图像数据和输入处理参数作为输入。也通过对原始图像数据进行去噪来生成去噪图像数据。输入处理参数能够包括默认值、用户指定值和/或可以影响低对比度结构恢复的其他值。
低对比度结构恢复器模块128包括预处理器202。预处理器202对输入原始图像数据或输入去噪图像数据中的至少一个进行预处理。在该范例中,预处理器202基于输入处理参数中的至少一个来对输入原始图像数据和输入去噪图像数据两者进行预处理。
通过非限制性范例,在一个实例中,输入处理参数能够包括针对低对比度结构的靶向保存提高水平。在该范例中,原始图像数据V和去噪图像数据被缩小到靶向缩放水平。预处理器202的输出包括经缩放的原始图像数据Vs和经缩放的去噪图像数据
低对比度结构恢复模块128还包括噪声建模器204。噪声建模器204评估经缩放的原始图像数据Vs并生成经缩放的原始图像数据Vs的噪声模式的模型。噪声建模器204能够使用诸如蒙特卡洛估计、解析方法、直接提取方法和/或其他方法的噪声建模方法来估计噪声模式。
在2009年11月25日提交的题为“Enhanced Image Data/Dose Reduction”的专利申请序列号61/264340、以及在2009年12月15日提交的题为“Enhanced Image Data/DoseReduction”的专利申请序列号61/286477中描述了直接提取方法的范例,这里通过引用将其整体内容并入本文。在本文中也预期其他方法。
低对比度结构恢复器模块128还包括结构导出器206。结构导出器206采用噪声模型来估计原始图像数据中的感兴趣目标的潜在的局部结构。所述估计可以提高参考原始图像数据的局部对比度-噪声比率(CNR),这促进对结构的估计并且实现非常准确的结构估计。
为了进行估计,结构导出器208可以采用各种算法,例如双边滤波、扩散滤波、总变差去噪、均值移位和/或其他方法。在Comaniciu等人的“Mean shift:a robust approachtoward feature space analysis”(IEEE PAMI 2002);Alvarez等人的“Energy selectivereconstructions in X-ray computerized tomography”(Phys.Med.Biol.21,第733-744页,1976年);Wunderlich等人的“Image Covariance and Lesion Detectability inDirect Fan-Beam X-ray Computed Tomography”(Phys.Med.Biol.53,第2472-2493页,2008年)以及专利申请序列号61/264340中,分别讨论了这样的算法的范例。
通过非限制性范例,以下描述了使用具有尖峰噪声抑制和二迭代方案的双边算法的方法,这可以提高针对较高的噪声水平的情况的性能。在变型中,采用更多的(例如3次、5次、10次等)迭代。具有标准差σ空间的3D空间高斯核w空间,即w空间 i',j',k',是基于公式1生成的:
公式1:
其中,dx是像素的大小(例如以毫米(mm)为单位),dz是切片宽度(例如以mm为单位)并且σ空间是控制权重的竞争力的算法参数。
结构导出器208针对体积Vs中的每个体素来提取体素周围的n个体素的子体积。接着,结构导出器208如公式2中所示地计算核w范围
公式2:
其中,α是控制权重的竞争力的参数,并且是以上述噪声建模估计的对的局部噪声水平估计。接着,结构导出器208将局部核乘以空间核wi',j',k'=w空间 i',j',k'w范围 i',j',k',并且将wi',j',k'归一化为具有等于一的和。
针对尖峰噪声抑制,如果中心权重wi',j',k'>w阈值并且α<αmax,则α=α*αmult,并且再次计算局部核,将局部核乘以空间核,并进行归一化。如公式3中所示地估计经尖峰抑制的图像数据:
公式3:
接着,再次处理原始图像数据,其中,这次根据经尖峰抑制的图像数据来导出结构。为此,结构导出器208针对体积Vs中的每个体素来提取体素周围的n个体素的子体积。接着,结构导出器208如公式4中所示地计算核w范围
公式4:
其中,β是控制权重的竞争力的算法参数。接着,结构导出器208将局部核乘以空间核wi',j',k'=w空间 i',j',k'w范围 i',j',k',并且将wi,j,k归一化为具有等于一的和。
所得到的图像数据是如公式5中所示地估计出的:
公式5:
以确保对低对比度结构的保存,所得到的图像数据低频率被替换为原始图像数据低频率:其中,LP是低通滤波器。
低对比度结构恢复器模块128还包括恢复器208。恢复器208恢复去噪图像数据中的低对比度结构。在一个实例中,这是通过对原始图像数据与去噪图像数据之间的差异图像数据中的结构进行分析来实现的。
恢复器208针对体积中的每个体素来提取体素周围的n个体素的子体积。恢复器208还如公式6中所示地计算核w范围
公式6:
其中,γ是控制竞争力的算法参数;接着,恢复器导出器208将局部核乘以空间核wi',j',k'=w空间 i',j',k'w范围 i',j',k',并且将wi,j,k归一化为具有等于一的和。
如公式7中所示地估计经退化的低对比度结构:
公式7:
最终经改进的图像数据是通过将低对比度结构添加回去而获得为:其中,US是放大(up-scale)运算符。
在图3、图4、图5、图6、图7、图8、图9、图10、图11、图12和图13中示出了范例结果。图4示出了具有添加的噪声的原始图像数据。图5示出了对图4的噪声图像数据进行的双边算法的结果。图6示出了本文中所描述的方法的结果。图7示出了双边图像数据与原始图像数据之间的差异图像数据。图8示出了使用本文中所描述的方法创建的图像数据与原始图像数据的差异。
图9以图表示出了没有噪声的原始图像数据的第一曲线900和双边图像数据的第二曲线902。图10以曲线图示出了没有噪声的原始图像数据的第一曲线900和使用本文中所描述的方法创建的图像数据的第三曲线1002。根据图9和图10,使用本文中所描述的方法创建的图像数据的第三曲线1002相对于双边图像数据的第二曲线902更接近于原始图像数据的第一曲线900。
图11示出了单色50keV图像原始图像。图12示出了去噪图像。图13示出了使用本文中所描述的方法的去噪图像。
图14图示了根据本文中的公开内容的范例方法。
应当意识到,动作的顺序不是限制性的。因此,本文中预期其他顺序。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1402中,获得原始图像数据。能够从成像系统(例如成像系统100和/或其他成像系统)和/或数据资源库来获得原始图像数据。
在1404中,获得去噪图像数据。能够从去噪器(例如去噪器120和/或其他去噪器)和/或数据资源库来获得去噪图像数据。去噪图像数据是经去噪的原始图像数据。
在1406中,将原始图像数据和去噪图像数据缩小到目标低对比度结构保存水平。
在1408中,确定针对经缩放的原始图像数据的噪声模型。
在1410中,基于所述噪声模型来估计来自原始图像数据的潜在的局部结构。
在1412中,在去噪图像数据中恢复低对比度结构。
经恢复的保护数据和/或恢复图像数据还能够被处理、经由显示监视器来显示、胶片化、归档在数据资源库中和/或被以其他方式使用。
以上可以通过编码或嵌入在计算机可读存储介质上的计算机可读指令来实现,当由(一个或多个)计算机处理器运行时,所述计算机可读指令使所述(一个或多个)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条指令是由信号、载波或其他瞬态介质来承载的。
已经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说明之后可以想到修改和改变。本发明旨在被解释为包括所有这样的修改和改变,只要它们处于权利要求书或其等价方案的范围之内。

Claims (14)

1.一种成像方法,包括:
获得原始图像数据;
获得去噪图像数据,其中,所述去噪图像数据是在对所述原始图像数据进行去噪之后的原始图像数据;
确定针对所述原始图像数据的噪声模式;
基于所述噪声模式来估计来自所述原始图像数据的潜在的局部结构;并且
基于估计的潜在的局部结构通过将所述估计的潜在的局部结构添加到所述去噪图像数据来将在对所述原始图像数据的所述去噪期间丢失的低对比度结构恢复到所述去噪图像数据,生成低对比度结构被增强的去噪图像数据;
将所述原始图像数据和所述去噪图像数据缩放到目标低对比度结构保存水平;并且
确定针对经缩放的原始图像数据的所述噪声模式;
基于所述噪声模式对来自所述原始图像数据的所述潜在的局部结构的所述估计包括:
生成针对所述原始图像数据的空间核;并且
针对经缩放的原始图像数据的每个体素:
提取体素周围的体素的子体积;
基于经缩放的原始图像数据来计算局部核;
将所述局部核乘以所述空间核;并且
将乘积归一化;
将归一化的所述乘积与预定的阈值进行比较;并且
仅响应于归一化的所述乘积大于所述预定的阈值而对所述体素进行尖峰抑制。
2.根据权利要求1所述的方法,基于所述噪声模式对来自所述原始图像数据的所述潜在的局部结构的估计还包括:
基于经尖峰抑制的经缩放的图像数据来计算后续的局部核;
将所述后续的局部核与所述空间核相乘;并且
将所述后续的局部核与所述空间核的乘积归一化。
3.根据权利要求2所述的方法,还包括:
基于经缩放的图像数据和归一化的乘积来估计体素数据;并且
利用所述原始图像数据的对应的低频率图像数据来替换所述估计的图像数据的低频率图像数据,生成估计的经缩放的原始图像数据。
4.根据权利要求3所述的方法,对所述低对比度结构的恢复包括:
针对所述估计的经缩放的原始图像数据的每个体素:
提取体素周围的体素的子体积;
基于所述估计的经缩放的原始图像数据来计算局部核;
将所述局部核乘以空间核;并且
对所述局部核与所述空间核的乘积进行归一化。
5.根据权利要求2至4中的任一项所述的方法,还包括:
将所述乘积归一化为具有等于一的和。
6.根据权利要求3至4中的任一项所述的方法,还包括:
基于经缩放的原始图像数据、所述估计的经缩放的原始图像数据以及归一化的乘积来估计在对所述原始图像数据的所述去噪期间退化的所述低对比度结构;并且
将估计的低对比度结构添加到所述去噪图像数据,从而生成低对比度结构被增强的去噪图像数据。
7.根据权利要求1至4中的任一项所述的方法,还包括:
基于蒙特卡洛估计、解析方法、或直接提取方法来确定针对所述原始图像数据的所述噪声模式。
8.根据权利要求1至4中的任一项所述的方法,还包括:
使用扩散滤波、总变差去噪或均值移位中的至少一种基于所述噪声模式来估计来自所述原始图像数据的所述潜在的局部结构。
9.一种计算系统(122),包括:
存储器(126),其被配置为存储对去噪图像数据的低对比度结构恢复的指令;以及
处理器(124),其被配置为接收原始图像数据和去噪图像数据,所述去噪图像数据是经去噪的所述原始图像数据,并且所述处理器被配置为运行所述指令,所述指令使所述处理器基于所述原始图像数据将低对比度结构恢复到所述去噪图像数据并且还被配置为响应于运行所述指令将所述原始图像数据和所述去噪图像数据缩放到预定的目标低对比度结构保存水平,以确定针对经缩放的原始图像数据的噪声模式,并且通过以下来基于所述噪声模式来估计所述原始图像数据中的潜在的局部结构:
生成针对所述原始图像数据的空间核;并且
针对经缩放的原始图像数据的每个体素:
提取体素周围的体素的子体积;
基于经缩放的原始图像数据来计算局部核;
将所述局部核乘以所述空间核;
将乘积归一化;
将归一化的乘积与预定的阈值进行比较;并且
仅响应于所述归一化的所述乘积大于所述预定的阈值而对所述体素进行尖峰抑制。
10.根据权利要求9所述的计算系统,其中,所述处理器被配置为通过以下来估计所述潜在的局部结构:
基于经尖峰抑制的经缩放的图像数据来计算后续的局部核;
将所述后续的局部核与所述空间核相乘;
将所述后续的局部核与所述空间核的乘积归一化;
基于经缩放的图像数据和所述归一化的乘积来估计体素数据;并且
利用所述原始图像数据的对应的低频率图像数据来替换估计的图像数据的低频率图像数据,生成估计的经缩放的原始图像数据。
11.根据权利要求10所述的计算系统,其中,所述处理器被配置为响应于运行所述指令还:将在对所述原始图像数据的去噪期间丢失的所述低对比度结构恢复到所述去噪图像数据。
12.根据权利要求10所述的计算系统,其中,所述处理器被配置为通过以下来估计所述潜在的局部结构:
针对所述估计的经缩放的原始图像数据中的每个体素:
提取体素周围的体素的子体积;
基于所述估计的经缩放的原始图像数据来计算局部核;
将所述局部核乘以空间核;并且
将所述局部核与所述空间核的乘积归一化。
13.根据权利要求12所述的计算系统,其中,所述处理器被配置为通过以下来估计所述潜在的局部结构:
基于经缩放的原始图像数据、所述估计的经缩放的原始图像数据以及所述归一化的乘积来估计在对所述原始图像数据的所述去噪期间退化的所述低对比度结构;并且
将估计的低对比度结构添加到所述去噪图像数据,由此生成低对比度结构被增强的去噪图像数据。
14.一种编码有计算机可读指令的计算机可读存储介质,所述计算机可读指令在由处理器运行时使所述处理器执行根据权利要求1所述的方法的步骤。
CN201580020947.1A 2014-04-23 2015-04-14 去噪图像数据中对低对比度结构的恢复 Active CN106233327B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201461983063P 2014-04-23 2014-04-23
US61/983,063 2014-04-23
PCT/IB2015/052686 WO2015162519A1 (en) 2014-04-23 2015-04-14 Restoration of low contrast structure in de-noise image data

Publications (2)

Publication Number Publication Date
CN106233327A CN106233327A (zh) 2016-12-14
CN106233327B true CN106233327B (zh) 2019-11-19

Family

ID=53373502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580020947.1A Active CN106233327B (zh) 2014-04-23 2015-04-14 去噪图像数据中对低对比度结构的恢复

Country Status (4)

Country Link
US (1) US10169848B2 (zh)
EP (1) EP3134867B1 (zh)
CN (1) CN106233327B (zh)
WO (1) WO2015162519A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10255696B2 (en) 2015-12-11 2019-04-09 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction
US10339634B2 (en) 2015-12-11 2019-07-02 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction
JP6792634B2 (ja) * 2016-04-05 2020-11-25 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 医療画像処理
EP3467771A1 (en) * 2017-10-05 2019-04-10 Koninklijke Philips N.V. Image feature annotation in diagnostic imaging
JP6987352B2 (ja) * 2017-11-17 2021-12-22 富士フイルムヘルスケア株式会社 医用画像処理装置および医用画像処理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129673A (zh) * 2011-04-19 2011-07-20 大连理工大学 一种随意光照下彩色数字图像增强和去噪方法
CN102203826A (zh) * 2008-12-25 2011-09-28 梅迪奇视觉成像解决方案有限公司 医学图像的降噪
CN103186888A (zh) * 2011-12-30 2013-07-03 Ge医疗系统环球技术有限公司 一种去除ct图像噪声的方法及装置
CN103295195A (zh) * 2013-05-16 2013-09-11 深圳市旭东数字医学影像技术有限公司 低对比度图像的脉管增强的方法及其系统
CN103543167A (zh) * 2013-10-08 2014-01-29 华南理工大学 一种基于知识库的三维x射线断层扫描检测系统及方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4437714B2 (ja) * 2004-07-15 2010-03-24 三菱電機株式会社 車線認識画像処理装置
US7627191B2 (en) * 2006-08-14 2009-12-01 Xerox Corporation Image manipulation
EP2504811B1 (en) 2009-11-25 2014-06-18 Koninklijke Philips N.V. Enhanced image data/dose reduction
CA2779301C (en) * 2009-11-27 2017-08-15 Dog Microsystems Inc. Method and system for filtering image data and use thereof in virtual endoscopy
US8938105B2 (en) 2010-10-28 2015-01-20 Kabushiki Kaisha Toshiba Denoising method and system for preserving clinically significant structures in reconstructed images using adaptively weighted anisotropic diffusion filter
RU2585790C2 (ru) 2011-03-28 2016-06-10 Конинклейке Филипс Н.В. Изображение с зависящим от контрастности разрешением
US9547889B2 (en) * 2011-07-15 2017-01-17 Koninklijke Philips N.V. Image processing for spectral CT
KR20130031572A (ko) * 2011-09-21 2013-03-29 삼성전자주식회사 영상 처리 방법 및 영상 처리 장치
EP2783344B1 (en) 2011-11-23 2017-05-03 Koninklijke Philips N.V. Image domain de-noising
CN103034989B (zh) 2013-01-09 2015-12-09 清华大学 一种基于优质先验图像的低剂量cbct图像去噪方法
EP2975844B1 (en) * 2013-03-13 2017-11-22 Fujitsu Frontech Limited Image processing device, image processing method, and program
US9111336B2 (en) * 2013-09-19 2015-08-18 At&T Intellectual Property I, Lp Method and apparatus for image filtering
US9330443B1 (en) * 2015-02-13 2016-05-03 Kabushiki Kaisha Toshiba Noise reduction in image domain for spectral computed tomography
KR102552747B1 (ko) * 2016-06-28 2023-07-11 주식회사 엘엑스세미콘 역 톤 매핑 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102203826A (zh) * 2008-12-25 2011-09-28 梅迪奇视觉成像解决方案有限公司 医学图像的降噪
CN102129673A (zh) * 2011-04-19 2011-07-20 大连理工大学 一种随意光照下彩色数字图像增强和去噪方法
CN103186888A (zh) * 2011-12-30 2013-07-03 Ge医疗系统环球技术有限公司 一种去除ct图像噪声的方法及装置
CN103295195A (zh) * 2013-05-16 2013-09-11 深圳市旭东数字医学影像技术有限公司 低对比度图像的脉管增强的方法及其系统
CN103543167A (zh) * 2013-10-08 2014-01-29 华南理工大学 一种基于知识库的三维x射线断层扫描检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A defect extraction and segmentation method for radial tire X-ray image;ZHU Yue;《Joural of Optoelectronics.laser》;20100531;全文 *

Also Published As

Publication number Publication date
CN106233327A (zh) 2016-12-14
US20170039685A1 (en) 2017-02-09
EP3134867B1 (en) 2019-09-11
WO2015162519A1 (en) 2015-10-29
US10169848B2 (en) 2019-01-01
EP3134867A1 (en) 2017-03-01

Similar Documents

Publication Publication Date Title
US10147168B2 (en) Spectral CT
US11769277B2 (en) Deep learning based scatter correction
CN105025794B (zh) 谱ct的结构传播恢复
EP3195265B1 (en) Iterative image reconstruction with a sharpness driven regularization parameter
Zhao et al. Using edge-preserving algorithm with non-local mean for significantly improved image-domain material decomposition in dual-energy CT
CN106233327B (zh) 去噪图像数据中对低对比度结构的恢复
WO2017193122A1 (en) System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
Tilley et al. Model-based material decomposition with a penalized nonlinear least-squares CT reconstruction algorithm
Wang et al. Dual energy CT with one full scan and a second sparse-view scan using structure preserving iterative reconstruction (SPIR)
CN105793894B (zh) 根据图像数据来进行骨骼分割
Hashemi et al. Adaptively tuned iterative low dose CT image denoising
CN103229209B (zh) 用于增强图像数据的对比噪声比cnr的方法和系统
Liang et al. Guest editorial low-dose CT: what has been done, and what challenges remain?
Li et al. Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm
CN110574073B (zh) 能谱计算机断层摄影(ct)成像中的残余碘伪影的探测和/或校正
Li et al. Adaptive non-local means filtering based on local noise level for CT denoising
Tian et al. GPU-based low-dose 4DCT reconstruction via temporal non-local means
Wu Image Quality of Digital Breast Tomosynthesis: Optimization in Image Acquisition and Reconstruction

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant