CN106251295A - 考虑轮廓显著性数据的结果图像的重建 - Google Patents

考虑轮廓显著性数据的结果图像的重建 Download PDF

Info

Publication number
CN106251295A
CN106251295A CN201610417197.8A CN201610417197A CN106251295A CN 106251295 A CN106251295 A CN 106251295A CN 201610417197 A CN201610417197 A CN 201610417197A CN 106251295 A CN106251295 A CN 106251295A
Authority
CN
China
Prior art keywords
data
profile
saliency
result images
scan
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.)
Pending
Application number
CN201610417197.8A
Other languages
English (en)
Inventor
R·劳帕赫
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.)
Siemens AG
Siemens Healthcare GmbH
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN106251295A publication Critical patent/CN106251295A/zh
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种用于从扫描数据重建检查对象的结果图像数据的方法，该扫描数据已经在X射线图像记录系统的辐射源和检查对象之间的相对转动运动期间获取，该方法包括以下步骤：从扫描数据重建初始图像数据，从初始图像数据推导轮廓数据，从扫描数据和/或初始图像数据来计算轮廓显著性数据，并且使用轮廓数据和轮廓显著性数据来计算结果图像数据。本发明还涉及一种对应的计算机程序、对应的数据载体、对应的控制和计算单元、以及对应的X射线图像记录系统。

Description

考虑轮廓显著性数据的结果图像的重建
技术领域
本发明涉及一种用于从扫描数据重建检查对象的结果图像(resultant data)数据的方法、对应的计算机程序、对应的数据载体、对应的控制和计算单元、以及对应的X射线图像记录系统。
背景技术
医学成像系统区别在于检查对象或患者的内部结构在不必对其实施外科手术干预的情况下进行研究。
这样的成像系统或成像设备的示例是超声波系统、X射线系统、X射线计算机断层摄影(CT)系统、正电子发射断层摄影(PET)系统、单光子发射断层摄影(SPECT)系统或磁共振(MR)系统。
特别地，X射线图像记录设备启动断层摄影成像，其中，从不同角度记录研究对象的若干个投影。从这些投影中，可以计算检查对象的二维截面图像或三维体积图像。
这样的断层摄影成像系统的示例是上述的X射线CT。用于用CT系统扫描检查对象的方法是公知的。这里，例如，使用圆形扫描、具有台子前置(table advance)的顺序圆形扫描、或螺旋扫描。没有牵涉到圆形运动的其它类型的扫描也是可能的，诸如具有线性片段的扫描。在至少一个X射线源和与其相对布置的至少一个检测器的帮助下，从不同记录角度记录检查对象的X射线衰减数据，并且由此收集的这些衰减数据或投影被用于借助于适当重建方法进行计算以通过检查对象产生截面图像或三维图像。
由于它们的非侵入性运作，所以医疗成像设备目前在检查患者中发挥显著作用。由成像系统生成的患者的内部器官和结构的表示用于广泛不同的目的，例如，预防性检查(筛查)、用于获取组织样本(活检)、用于诊断疾病原因、用于规划并且用于实施操作、或用于准备治疗措施。在放射疗法的领域中，例如，需要放射数据以便相对于剂量分布计划辐照。这里，待治疗区域中的剂量必须高于阈值，并且在剩余组织中，特别地，在敏感器官中，它应当尽可能地低以便防止二次伤害。
出于该目的并且对于许多其它上文所提及的用途或任务，特定靶结构的分割是有用的，甚至是必需的。这样的靶结构可以例如是所定义的骨骼结构、特定器官、血管结构或缺损或损伤，例如，必须首先被标识并且可能必须从图像数据中提取的肿瘤。
一般而言，分割应当被理解为意味着通过根据具体准则将相邻图像点分组在一起来生成相干内容的区域。该准则可以例如属于特定结构。属于该结构的图像数据然后可以例如被标记和/或与剩余图像数据实质上分离并且分别予以考虑或用于进一步的分析。
结构的分割的可靠并且足够精确的空间分离对于许多用途都是有必要的。
器官或损伤通过手动勾勒轮廓(contouring)或自动分割进行标识。手动勾勒轮廓相对于图像点与结构的关联的准确度更加可靠，并且因此和以前一样作为引用来应用，其中，操作者绘制边界线或边界点，同时在图形用户界面的帮助下观察屏幕上的图像数据，然后在其基础上发生分割。然而，因为标记必须由用户逐切片进行设置，所以为此所需的时间消耗是巨大的。
自动分割算法在原则上使得能够减少时间和人力成本，同时增加分割的客观性。与具有线性边缘检测器(Sobel-Scharr算子)的原始算法并行，增强算法考虑了轮廓的统计显著性，即，分割用背景噪声加权线性边缘响应。然而，断层摄影图像数据集的分辨率和统计特性意义重大，即，噪声是非稳态和各向异性的，并且分辨率取决于扫描场中的位置和方向。因此，在没有关于数据获取的附加信息的情况下基于图像数据的这个考虑仅达有限的程度。因此，经常手动校正自动分割的结果。
反之，本发明的目的是提供适合于借助于线性边缘检测进行稳定自动分割的从断层摄影扫描数据重建的改进图像数据。
发明内容
这个目的用根据本发明的用于重建结果图像数据的方法、根据备选独立权利要求的对应的计算机程序、对应的机器可读数据载体、用于重建结果图像数据的控制和计算机单元、以及对应的X射线图像记录系统来实现。
下文相对于所要求保护的方法和相对于所要求保护的设备对根据该目的的本发明的方案进行描述。本文中所提及的特征、优点或备选实施例同样也适用于其它所要求保护的主题，反之亦然。换言之，本权利要求书(其例如涉及一种设备)也用相对于方法公开的或所要求保护的特征进行进一步开发。本文中借助于合适的模块或单元对该方法的对应的功能特征进行配置。
本发明基于这样的概念：在图像重建的背景中合适操纵图像数据的情况下，可以显著简化随后的自动分割，并且因此被配置成更为可靠。这成功在于不会首先作为附加信息在分割的背景中考虑图像数据的统计特性，但是早在从扫描数据或者原始数据重建图像数据期间就被包括在内。换言之，本发明人已经意识到重建图像数据的信息内容可以相对于表示用于随后的分割步骤的轮廓的改进在于包含在图像数据中的轮廓根据它们的统计显著性在结果图像中表示增强。因此，随后的分割可以省去附加信息、或例如关于数据获取或图像重建的知识。
因此，本发明涉及一种用于从扫描数据重建检查对象的结果图像数据的方法，该扫描数据已经在X射线图像记录系统的辐射源和检查对象之间的相对转动运动期间获取，该方法包括以下步骤：
-从扫描数据重建初始图像数据，
-从初始图像数据推导轮廓数据，
-从扫描数据和/或初始图像数据计算轮廓显著性数据，
-使用轮廓数据和轮廓显著性数据来计算结果图像数据。
扫描数据与借助于X射线检测器获取的原始数据或X射线投影相对应。由此，借助于“中性”重建来生成初始图像数据。初始图像数据可以是二维或三维图像数据集。“中性”重建与在重建中可用于诊断目的的常规已知重建方法相对应。可以选择重建方法，以使初始图像数据相对于所包括的轮廓信息是中性的。这意味着所包括的轮廓无法通过重建进行例如增强、或者更一般地表达、操纵。随后从初始图像数据，可以推导轮廓数据。这表示根据它们的位置和方向在初始图像数据中推导的所有边缘和轮廓。推导应当被理解为意味着适合于确定轮廓数据的初始图像数据的任何分析、操纵或评价。在该方法的进一步的步骤中，计算轮廓显著性数据。本发明人已经发现，这可以首先从初始图像数据并且其次直接从扫描数据来确定。轮廓数据和轮廓显著性数据两者随后均用于计算结果图像数据。
一旦没有通过根据本发明的方法进行预先定义，那么所包括的步骤的顺序是任意的和可变的。
作为图像重建的步骤的计算轮廓显著性数据提供了关于图像数据的分辨率和统计特性的全部知识。特别地，这样，各向异性或定向噪声影响可能已经在重建的背景中进行了考虑，其显著增加了所检测的结构的显著性的可靠性。
根据本发明的一个方面，轮廓显著性数据的计算包括：从初始图像数据计算局部轮廓信息。用语“局部”表示针对各个图像区域或图像部分单独考虑轮廓信息。图像区域可以例如是图像元素，即，像素或体素，而且还可以是由多个例如相邻的或至少相干图像元素形成的图像中的区域。
根据另一方面，局部轮廓信息包括轮廓幅度和/或轮廓方向。
能够获得该轮廓信息，例如，在于简单边缘检测器被应用于初始图像数据。检测滤波器观察并且标识初始图像数据中的强度改变并且由此产生轮廓信息，使得强度改变更大的图像元素或图像区域在初始图像数据中被识别为轮廓，并且例如被新分配与强度改变相对应的高强度值。例如，边缘检测器与用滤波器矩阵折叠初始图像数据相对应。例如，边缘检测器可以是来自“标识-低通滤波器(identity minus low-pass filters)”的类别中的算子，特别地，Scharr或Sobel算子。本文中的轮廓幅度不直接与滤波相对应，但是表示方向相依贡献的数量的标量量度。轮廓方向例如从每个描述了作为沿着Cartesian轴线的改变的特定空间方向的改变的边缘检测器的方向分量(例如，Kx(x，y，z)、Ky(x，y，z)、Kz(x，y，z))产生，或更紧凑地写为向量轮廓幅度被给定为矢量的幅度，即其中，为了清楚起见，已经省略了空间相依性。
根据本发明的另一方面，轮廓显著性数据的计算包括：计算初始图像数据中的局部统计信息。用语“局部”还表示与统计信息相关的各个图像区域或图像部分、或者更一般地是空间中的位置。这里还有，图像区域可以例如是图像元素(即，像素或体素)，而且还是由多个例如相邻的或至少相干图像元素形成的图像中的区域。另外，用语“局部”在该背景中还表示统计信息的方向相依性。这样，可以将初始图像数据中的噪声的各向异性考虑在内。通过确定统计信息，统计特性已经在重建的背景中进行了考虑。
根据另一方面，局部统计信息是噪声的局部标准偏差。为了其确定，首先，基于图像的途径是可行的，诸如在专利申请DE 10 2004 008 979或DE 10 2005 038 940中描述的，其公开内容明确地完全包括在本申请之内。可替代地，可以分析扫描数据的方差并且从中推导其局部标准偏差。出于这个目的，也明确地完全包括在本申请之内的例如在Proc.SPIE 6510，Medical Imaging 2007：Physics of Medical Imaging，651023(2007年3月14日，doi:10.1117/12.713692)中描述的方法是可行的。特别地，评价扫描数据以确定噪声的局部标准偏差使得能够将噪声的方向相依性考虑在内。作为局部标准偏差的替代，在本发明的背景中，从中可推导噪声或变量的方差，例如，百分位可以考虑在内作为统计信息。
根据另一方面，轮廓显著性数据的计算包括：确定轮廓噪声比(contour-to-noiseratio)。发现这例如作为局部轮廓信息和局部统计信息的商。轮廓噪声比与信噪比相对应，并且使局部轮廓信息与局部统计信息相关。换言之，轮廓噪声比将图像数据中的边缘信号与噪声进行归一化。
根据本发明的另一方面，轮廓显著性数据的计算包括：借助于约束显著性函数形成轮廓噪比为0和1之间的值。借助于该步骤，根据本发明的方法在相对于噪声是显著性的或非显著性的图像数据中的轮廓之间区别在于它将轮廓噪声比成像为0和1之间的显著性。显著性轮廓在背景噪声中可见，而非显著性轮廓没有从噪声信号中脱颖而出。在f(0)＝0和limt→∞f(t)＝1的意义上对显著性函数f(t)进行限制。
根据另一方面，显著性函数f(t)被配置为连续函数或阶梯函数。阶梯函数的形式的显著性函数f(t)借助于其关于轮廓的相关性的阈值进行严格判定。
根据本发明的另一方面，显著性函数f(t)采用以下形式：
f(t)＝1-exp(-(t/c)2)
其中，参数c确定显著性和非显著性之间的过渡。另外，可以设想任何数目的其它函数。
根据另一方面，轮廓数据的推导包括：初始图像数据的高通滤波。经高通滤波的图像数据表示与边缘或轮廓的方向或取向相对应的差分信号。因此，只要边缘位于初始图像数据中，高通滤波就确保了在轮廓数据中着重该边缘。轮廓数据的特点是沿着轮廓的范围的“明-暗边框”。
根据本发明的另一方面，高通滤波具有频率响应，其传输在空间频率为0时消失，并且随着空间频率增加大于1而增加。换言之，通过高通滤波器消除或抑制低空间频率，而放大较高空间频率(即，初始图像数据中的边缘和轮廓信息)。因此，高通滤波提供了在轮廓数据中着重轮廓。
根据本发明的另一方面，在轮廓数据和轮廓显著性数据的乘积的基础上形成结果图像数据。该程序与计算使用轮廓显著性数据加权的轮廓图像相对应。该乘法例如对于每个图像元素或每个图像区域而发生。
根据本发明的另一方面，在初始图像数据和轮廓数据与轮廓显著性数据的乘积的总和的基础上形成结果图像数据。根据该方面，结果图像数据与具有根据局部显著性着重的轮廓的轮廓图像相对应。在这种情况下，与轮廓图像相反，由于图像特性相对于初始图像数据的显著偏差，所以根据显著性加权的先前轮廓图像有条件地仅可用于诊断目的。然而，至于随后的分割算法，两个备选方案的结果图像数据提供可比较的改进，因为两者均例如借助于简单边缘检测器供应关于差分信号的分析的相同信息。现在，可以简化在后处理的背景中的分割。这个成功了是因为关于结构的显著性的信息已经以选择性边缘增强的形式包含在结果图像数据中。现在可以借助于线性边缘检测器和使用结果图像数据的相关联的阈值易于实施边缘检测。
根据另一方面，根据本发明的方法被迭代地实施。这里，在每个迭代步骤中，用显著性或其部分加权的轮廓数据根据迭代数目被添加到先前迭代步骤的结果图像数据作为校正项。例如，在先前指定数目的迭代步骤之后或可替代地当先前指定的终止准则被满足时(例如，如果最终的和倒数第二的迭代的结果图像数据之间的偏差未达到先前所定义的值)，可以终止迭代。在每个迭代步骤中，初始图像数据可以流动，例如，以便确定其当前结果的偏差。
本发明还涉及一种具有程序代码的计算机程序，用于当程序在计算机中运行时，实施按照根据本发明的方法的所有方法步骤。其结果是，该方法可以重复地在不同计算机上实施并且较少出现错误。
本发明还涉及一种其上存储有上文所描述的计算机程序的机器可读数据载体。
本发明还涉及一种控制和计算单元，用于从已经在X射线图像记录系统的辐射源和检查对象之间的相对转动运动期间获取的扫描数据重建检查对象的结果图像数据，包括：用于存储程序代码的程序存储器存储装置，其中，实施根据本发明的方法的程序代码存在于程序存储器存储装置中。
本发明还涉及一种控制和计算单元，用于从已经在X射线图像记录系统的辐射源和检查对象之间的相对转动运动期间获取的扫描数据重建检查对象的结果图像数据，包括：
-重建单元，被配置成从扫描数据重建初始图像数据，
-推导单元，被配置成从初始图像数据中推导轮廓数据，
-第一计算单元，被配置成从扫描数据和/或初始图像数据计算轮廓显著性数据，和
-第二计算单元，被配置成使用轮廓数据和轮廓显著性数据来计算结果图像数据。
最后，本发明涉及一种X射线图像记录系统，具有根据本发明的控制和计算单元。
附图说明
现在，参照附图中所图示的示例性实施例，对本发明进行更详细地描述并且解释。在附图中：
图1是根据本发明的示例性实施例的X射线图像记录设备，
图2是根据本发明的示例性实施例的作为方框图的本发明的方法，
图3是根据本发明的示例性实施例的根据本发明的方法的示意性顺序，
图4是在本发明的示例性实施例中使用的高通滤波器的示例性频率响应，和
图5是根据现有技术和根据本发明的重建图像数据的示例性比较。
具体实施方式
图1示出了使用X射线计算机断层摄影设备的示例的X射线图像记录设备。这里所示出的计算机断层摄影设备具有记录单元17，该记录单元17包括X射线源形式的辐射源8、以及X射线检测器形式的辐射检测器9。记录单元17在记录X射线投影期间绕着系统轴线5转动，并且在记录期间，X射线辐射源发射X射线形式的射线2。X射线辐射源是X射线管。X射线辐射检测器是具有多个行的线性检测器。
在记录投影期间，检查对象3(这里，患者)躺在患者支架(support)6上。患者支架6连接到支架底座4，使得支架底座4承载具有患者3的患者支架6。患者支架6被配置成通过记录单元17的开口10沿着记录方向移动患者3。记录方向通常由在记录X射线投影期间的记录单元17绕其转动的系统轴线5给出。在螺旋扫描记录期间，患者支架6连续移动穿过开口10，而记录单元17绕着患者3转动并且记录投影数据。因此，X射线描述了患者3的表面上的螺旋形。
X射线图像记录设备具有连接到显示单元11(例如，用于图形显示所重建的X射线图像记录(例如，所重建的图像数据集))和输入单元7的计算机形式的计算机系统12。显示单元11可以例如是LCD、等离子体或OLED屏。它还可以是触摸屏，其被进一步配置为输入单元7。这种类型的触摸屏可以被集成到成像设备或被配置为移动设备的一部分。输入单元7例如是键盘、鼠标、触摸屏或用于声音输入的麦克风。输入单元7还可以被配置成识别用户的运动并且将它们转换成对应的命令。
计算机系统12连接到可转动的记录单元17用于数据交换。借助于接口单元21和连接14，首先，用于X射线图像记录的控制信号从计算机系统12传递到记录单元17。出于这个目的，每个与检查类型匹配的不同的扫描协议可以存储在存储器存储装置24中并且在投影数据记录之前由用户进行选择。根据所选择的扫描协议进行记录单元17的控制。可替代地，经由在下文更详细地进行描述的控制和计算单元16中的接口单元21或对应的各个组件来获取用于进一步处理的投影数据的形式的所记录的扫描数据MD。连接14以公知的方式实现电缆结合或无电缆。
计算机系统12包括重建单元23，该重建单元23被配置成根据已知的重建方法从扫描数据MD重建图像数据集形式的初始图像数据IBD。出于这个目的，一个或多个重建算法可以被存储在用于重建单元23的计算机系统12的存储器存储装置24中以由重建单元23调用或选择。
计算机系统12包括处理初始图像数据IBD以使它从中生成轮廓数据KD的推导单元22。出于这个目的，推导单元22对初始图像数据IBD例如使用如下文更详细地描述的合适的高通滤波器H。为了提供初始图像数据IBD，推导单元22与重建单元23进行数据连接。
计算机系统12还包括第一计算单元20，该第一计算单元20被配置成从初始图像数据IBD和/或从扫描数据MD计算轮廓显著性数据KSD。出于这个目的，第一计算单元20与接口单元21进行数据连接以接收扫描数据MD，并且与重建单元23进行数据连接以接收初始图像数据IBD。第一计算单元20被配置成首先确定局部轮廓信息LKI(例如，轮廓幅度和/或轮廓方向形式)，其次确定局部统计信息LSI(例如，噪声的局部标准偏差形式)。出于这个目的，第一计算单元20在初始扫描数据ID或测量数据MD上使用如在下文更详细地描述的必要数据或图像处理步骤。更进一步地，第一计算单元20还配置成从所计算的局部轮廓信息LKI和所计算出的局部统计信息LSI来计算轮廓噪声比KNSR，并且借助于显著性函数f(t)将该轮廓噪声比KNSR成像为0和1之间的显著性值。出于这个目的，第一计算单元20连接到其中不同可能的显著性函数f(t)被存储以供第一计算单元20调用的存储器存储装置24。因此，根据该用途，可能存在适应显著性函数f(t)。
另外，计算机系统12还包括第二计算单元18，该第二计算单元18被配置成从轮廓数据KD和轮廓显著性数据KSD计算结果图像数据EBD。该数据由根据局部轮廓显著性着重示出的轮廓进行区分。第二计算单元18和第一计算单元20也数据连接。
在目前的情况下，重建单元23、推导单元22、第一计算单元20、和第二计算单元18被配置为如果需要则彼此数据交换通信的计算机系统12内的独立模块。可替代地，所有指名单元可以例如集成到控制和计算单元16，无论以物理形式还是功能完整性形式。
计算机系统12可以与计算机可读数据载体13配合，特别地，以便借助于具有程序代码的计算机程序来实施根据本发明的方法。更进一步地，计算机程序可以被存储在机器可读载体上，以便可调用。特别地，机器可读载体可以是CD、DVD、蓝光光盘、记忆棒或硬盘驱动器。重建单元23、推导单元22、第一计算单元20和第二计算单元18、或控制和计算单元16可以以硬件或软件形式来配置。例如，控制和计算单元16被配置为FPGA(现场可编程门阵列)或包括算术逻辑单元。
在这里所示出的示例中，至少一个计算机程序被存储在计算机系统12的存储器存储装置24中，当程序在计算机上实施时，计算机系统12实施根据本发明的方法的所有方法步骤。用于实施根据本发明的方法的方法步骤的计算机程序包括程序代码。更进一步地，计算机程序可以被配置为可执行文件和/或可以被存储在除了计算机系统12外的计算机系统上。例如，X射线成像设备可以被配置成使得计算机系统12将计算机程序加载到其内部工作存储器以经由内联网或互联网实施根据本发明的方法。
图2示出了作为方框图的可能的示例性实施例中的根据本发明的方法。扫描数据MD以从不同方向获取的多个投影形式存在。这些借助于本身没有带来任何边缘增强的已知重建方法(例如，滤波反投影(FBP))被转换成图像数据集形式的初始图像数据IBD。包含在扫描数据MD和初始图像数据IBD中的是没有在常规重建的背景中考虑的并且之后不再用于图像后处理的数据集的分辨率和统计有关的信息。根据本发明的方法考虑了该信息。特别地，该方法考虑了与方向相依影响，即，方向噪声。该信息被使用方法的以下步骤来提取并且可用于后处理步骤。在初始图像数据集IBD上使用线性边缘检测器，以便获得局部轮廓信息LKI。另外，从初始图像数据集IBD或从扫描数据MD获得局部统计信息LSI。在该示例性实施例中，这包括数据集中的噪声的局部标准偏差。然后，局部轮廓信息LKI被赋范(norm)为局部统计信息LSI，以使产生用于确定局部轮廓显著性数据KSD的轮廓噪声比KNSR。轮廓显著性数据KSD是初始图像数据IBD中的轮廓或边缘是否从图像数据中的噪声脱颖而出或在其中消失的量度。初始图像数据IBD还用来确定轮廓数据集形式的轮廓数据KD。这通过在初始图像数据IBD上使用高通滤波器H进行。高通滤波生成差分边缘信号。与之对比，局部轮廓信息LKI表示标量变量。轮廓数据KD最终用轮廓显著性数据KSD进行加权。通过这种方式，生成表示与显著性相依的增强轮廓级数的结果图像数据EBD。结果图像数据EBD因此适合于特定程度用于馈送给简单线性边缘检测。
图3示出了作为流程图的示例性实施例中的根据本发明的方法。第一步骤S1从图像数据记录的多个投影来重建中性三维图像数据集I(x，y，z)，其中，x、y和z表示图像数据中的每个体素的坐标。图像数据集在通过重建它本身没有经历边缘增强的意义上讲是中性的。如先前所提及的，可以使用经滤波的反投影并且其它重建算法也是可能的。借助于简单线性边缘检测器(例如，Sobel算子)，在步骤S2中，计算局部边缘幅度K(x，y，z)和附加地边缘的局部方向例如，通过所使用的滤波器的方向选择性，边缘的方向被给出。因此，对于Sobel算子，滤波器掩模可能用于横向、纵向和/或对角边缘。完全通过法线向量定义例如用于每个体素的边缘的方向边缘检测器的作用就像是对体素和与其相邻的像素进行卷积运算的应用于配置空间的滤波器。包括在滤波中的体素的环境的大小由滤波器本身确定，并且可以因此改变。作为配置空间的备选，边缘检测可以借助于整个图像体积的傅里叶变换、乘以滤波器的频率表示、以及还有在频率空间中的逆傅立叶变换来实施。该程序一般涉及图像体积的大小和滤波器的设计。在方法的步骤S3中，确定待被预期的噪声的局部标准偏差出于这个目的，可以存取图像数据I(x，y，z)，例如，如DE 10 2004 008 979 A1中，确定用于特定空间区域中的每个体素或用于众多空间方向(优选地，各向同性分布在空间中)的从所观察到的体素开始的半径R的一维方差(variance)，从其中可以通过根形成以已知方式推导相应的标准偏差。可替代地，在投影的基础上实施局部的方向相依标准偏差的确定。可替代地，针对粗略方向仅确定其中，(x，y，z)描述了比图像数据的网格相对更粗的网格。然后，可能借助于内插(例如，预先计算的粗采样点的多线性)进行对于计算显著性是必要的确定该程序被证明显著更快并且节省存储器空间。在进一步的步骤S4中，用以下公式从局部轮廓幅度K(x，y，z)和与方向有关的局部标准偏差来计算局部轮廓显著性S(x，y，z)：
其中，显著性函数采用的形式为：f(t)＝1-exp(-(t/c)2。值范围在0和1之间的备选显著性函数也是可能的。轮廓显著性S(x，y，z)考虑了来自局部轮廓幅度K(x，y，z)和方向相依局部标准偏差的商。这与归一化步骤相对应。
借助于高通滤波器H，如图所示，例如，在图4中，图像数据集I(x，y，z)在进一步的步骤S5中根据以下公式被转变成轮廓数据集Δ(x，y，z)：
Δ(x，y，z)＝H*I(x，y，z)
高通滤波产生较高频率信号的增强，如由高于值1的图4中曲线的斜率所示。对于低频信号，滤波器的传递朝向0移动，其意味着，轮廓数据集中的低频图像分量没有被成像或仅成像抑制。同样，可以使用具有数量类似的特性的其它高通滤波器。在步骤S6中，进行由局部轮廓显著性设置的轮廓数据集的乘法。该乘积根据以下公式符合结果图像数据I′(x，y，z)：
I′(x，y，z)＝Δ(x，y，z)*S(x，y，z)。
步骤S6与轮廓数据的显著性加权相对应。该步骤仅使得放大其是显著性的并且因此被标识为轮廓的图像数据中的高频信号部分，而非例如通过噪声形成的非显著高频信号部分。因此，本方法不同于放大而不考虑所有高频部分的起源(即，也是噪声)的更简单线性边缘增强。
根据备选变型，轮廓数据集和局部轮廓显著性的上文所描述的乘积以校正项形式被添加到中性图像数据集I′(x，y，z)。然后，根据以下公式给出结果图像：
I′(x，y，z)＝I(x，y，z)+Δ(x，y，z)*S(x，y，z)。
根据另一变型，轮廓数据和局部轮廓显著性的上文所描述的乘积作为更新项的添加用于迭代重建算法的框架。然后，根据以下公式给出结果图像：
Ij+1＝Ij+α[Λ(Ij-I0)+βR(Ij)+γSΔ]
其中，Ij+1和Ij分别表示第j+1次和第j次迭代的图像数据集。α描述了由更新项[Λ(Ij-I0)+βR(Ij)+γSΔ]给出校正强度的常数因子。这基本上由以下各项组成：Λ是考虑了图像数据的统计的合适因子。R表示应用于第j次迭代的图像Ij以便抑制噪声的迭代相关增加的正则化。β表示规定正则化的混合强度的常数因子。γ表示规定根据本发明的加法的混合强度的常数因子。
结果图像可以随后进行分割，其中，可以使用简单的线性边缘检测器。
根据本发明的方法的步骤的顺序如果不是由本发明本身指定，则是任意的，并且还可以在不脱离本发明的框架的情况下进行改变。本发明的示例性实施例的各个步骤或各个方面本身明显是有用的，并且在本发明的范围内可以彼此互换。
通过示例，在图5中，比较两个所重建的图像数据集A，B。为了简单起见，实施二维成像。图像A例如与已经以常规方式进行了重建的输入图像数据集I(x，y，z)相对应。图像B与根据本发明的结果图像数据I′(x，y，z)相对应。与图像A相比较，图像B在不同组织类型的边界区域具有显著增强的对比度。本文中的特点是由高通滤波轮廓数据Δ(x，y，z)给出的明-暗边界。同时，应当区分，图像B的图像质量保持与图像A相比较，因为根据本发明的方法在放大期间在轮廓信号和噪声信号之间进行了区分。

Claims (19)

1.一种用于从扫描数据(MD)重建检查对象(3)的结果图像数据(EBD)的方法，所述扫描数据(MD)已经在X射线图像记录系统的辐射源(8)和所述检查对象之间的相对转动运动期间被获取，所述方法包括以下步骤：
-从所述扫描数据重建(S1)初始图像数据(IBD)，
-从所述初始图像数据推导(S5)轮廓数据(KD)，
-从所述扫描数据和/或所述初始图像数据来计算(S4)轮廓显著性数据(KSD)，以及
-使用所述轮廓数据和所述轮廓显著性数据来计算(S6)所述结果图像数据(EBD)。
2.根据权利要求1所述的方法，其中所述轮廓显著性数据的所述计算包括：从所述初始图像数据计算(S2)局部轮廓信息(LKI)。
3.根据权利要求2所述的方法，其中所述局部轮廓信息包括轮廓幅度K(x，y，z)和/或轮廓方向
4.根据前述权利要求中任一项所述的方法，其中所述轮廓显著性数据的所述计算包括：计算(S3)所述初始图像数据中的局部统计轮廓信息(LSI)。
5.根据权利要求4所述的方法，其中所述局部统计轮廓信息是噪声的局部标准偏差
6.根据前述权利要求中任一项所述的方法，其中所述轮廓显著性数据的所述计算包括确定轮廓噪声比(KSNR)。
7.根据权利要求6所述的方法，其中所述轮廓显著性数据的所述计算包括：借助于约束显著性函数f(t)形成所述轮廓噪声比为0和1之间的值。
8.根据权利要求7所述的方法，其中所述显著性函数f(t)被配置为连续函数或阶梯函数。
9.根据权利要求7或8所述的方法，其中所述显著性函数f(t)采用如下形式：f(t)＝1-exp(-(t/c)2。
10.根据前述权利要求中任一项所述的方法，其中所述轮廓数据的所述推导包括对所述初始图像数据的高通滤波H。
11.根据权利要求10所述的方法，其中所述高通滤波H具有频率响应，对所述频率响应的传输在空间频率为0时消失并且随着空间频率增加大于1而增加。
12.根据前述权利要求中任一项所述的方法，其中在所述轮廓数据和所述轮廓显著性数据的乘积的基础上形成所述结果图像数据。
13.根据权利要求1-12中任一项所述的方法，其中在所述轮廓数据与所述轮廓显著性数据的乘积加上所述初始图像数据的总和的基础上形成所述结果图像数据。
14.根据前述权利要求中任一项所述的方法，其中所述方法被迭代地实施。
15.一种具有程序代码的计算机程序，用于当所述程序在计算机中运行时，实施根据权利要求1-14中的任一项所述的方法的所有步骤。
16.一种机器可读数据载体(13)，在所述机器可读数据载体(13)上存储根据权利要求15所述的计算机程序。
17.一种用于从扫描数据(MD)重建检查对象(3)的结果图像数据(EBD)的控制和计算单元(16)，所述扫描数据(MD)已经在X射线图像记录系统的辐射源(8)和所述检查对象之间的相对转动运动期间被获取，所述控制和计算单元(16)包括：用于存储程序代码的程序存储器存储装置，其中实施根据权利要求1-14中的任一项所述的方法的程序代码存在于所述程序存储器存储装置中。
18.一种用于从扫描数据(MD)重建检查对象(3)的结果图像数据(EBD)的控制和计算单元(16)，所述扫描数据(MD)已经在X射线图像记录系统的辐射源(8)和所述检查对象之间的相对转动运动期间被获取，所述控制和计算单元(16)包括：
-重建单元(23)，被配置成从所述扫描数据(MD)重建(S1)初始图像数据(IBQ)，
-推导单元(22)，被配置成从所述初始图像数据推导(S5)轮廓数据(KD)，
-第一计算单元(20)，被配置成从所述扫描数据和/或所述初始图像数据来计算(S4)轮廓显著性数据(KSD)，以及
-第二计算单元(18)，被配置成使用所述轮廓数据和所述轮廓显著性数据来计算(S6)所述结果图像数据。
19.一种X射线图像记录系统，具有根据权利要求17或18所述的控制和计算单元(16)。
CN201610417197.8A 2015-06-15 2016-06-14 考虑轮廓显著性数据的结果图像的重建 Pending CN106251295A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102015210912.7A DE102015210912A1 (de) 2015-06-15 2015-06-15 Rekonstruktion eines Ergebnisbildes unter Berücksichtigung von Kontur-Signifikanz-Daten
DE102015210912.7 2015-06-15

Publications (1)

Publication Number Publication Date
CN106251295A true CN106251295A (zh) 2016-12-21

Family

ID=57394965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610417197.8A Pending CN106251295A (zh) 2015-06-15 2016-06-14 考虑轮廓显著性数据的结果图像的重建

Country Status (3)

Country Link
US (1) US9947117B2 (zh)
CN (1) CN106251295A (zh)
DE (1) DE102015210912A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937995A (zh) * 2017-05-03 2018-12-07 西门子医疗有限公司 用于生成减少伪影的ct图像数据的自适应方法
CN110313928A (zh) * 2018-03-29 2019-10-11 西门子医疗有限公司 用于确定放射性结果数据的分析方法和分析单元
CN110869753A (zh) * 2017-04-11 2020-03-06 艾希姆因赛特有限公司 用于x射线荧光测量的方法和测量设备
CN111553958A (zh) * 2019-02-08 2020-08-18 西门子医疗有限公司 图像矩阵大小的计算

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018118844A1 (en) * 2016-12-20 2018-06-28 Mayo Foundation For Medical Education And Research System and method for correcting imaging system measurement bias from non-stationary noise in model observers

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5640436A (en) * 1995-01-26 1997-06-17 Hitachi Medical Corporation Method and apparatus for X-ray computed tomography
CN101097627A (zh) * 2005-08-17 2008-01-02 西门子公司 在成功再现立体数据后对断层造影三维显示滤波的方法
CN103177460A (zh) * 2011-11-16 2013-06-26 西门子公司 图像数据的重建
CN103996209A (zh) * 2014-05-21 2014-08-20 北京航空航天大学 一种基于显著性区域检测的红外舰船目标分割方法
WO2014177953A1 (en) * 2013-04-29 2014-11-06 Koninklijke Philips N.V. De-noised reconstructed image data edge improvement

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004008979B4 (de) 2004-02-24 2006-12-28 Siemens Ag Verfahren zur Filterung tomographischer 3D-Darstellungen nach erfolgter Rekonstruktion von Volumendaten

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5640436A (en) * 1995-01-26 1997-06-17 Hitachi Medical Corporation Method and apparatus for X-ray computed tomography
CN101097627A (zh) * 2005-08-17 2008-01-02 西门子公司 在成功再现立体数据后对断层造影三维显示滤波的方法
CN103177460A (zh) * 2011-11-16 2013-06-26 西门子公司 图像数据的重建
WO2014177953A1 (en) * 2013-04-29 2014-11-06 Koninklijke Philips N.V. De-noised reconstructed image data edge improvement
CN103996209A (zh) * 2014-05-21 2014-08-20 北京航空航天大学 一种基于显著性区域检测的红外舰船目标分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
敖欢欢: "视觉显著性研究", 《中国博士学位论文全文数据库 信息科技辑 》 *
郑秀清 等: "图像局部方向均值边缘检测算法", 《电子科技大学学报》 *
高连如 等: "基于局部标准差的遥感图像噪声评估方法研究", 《遥感学报》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110869753A (zh) * 2017-04-11 2020-03-06 艾希姆因赛特有限公司 用于x射线荧光测量的方法和测量设备
CN110869753B (zh) * 2017-04-11 2022-07-26 艾希姆因赛特有限公司 用于x射线荧光测量的方法和测量设备
US11583237B2 (en) 2017-04-11 2023-02-21 Axiom Insights Gmbh Method and measuring apparatus for an X-ray fluorescence measurement
CN108937995A (zh) * 2017-05-03 2018-12-07 西门子医疗有限公司 用于生成减少伪影的ct图像数据的自适应方法
CN110313928A (zh) * 2018-03-29 2019-10-11 西门子医疗有限公司 用于确定放射性结果数据的分析方法和分析单元
CN110313928B (zh) * 2018-03-29 2023-10-10 西门子医疗有限公司 用于确定放射性结果数据的分析方法和分析单元
US11918398B2 (en) 2018-03-29 2024-03-05 Siemens Healthineers Ag Analysis method and analysis unit for determining radiological result data
CN111553958A (zh) * 2019-02-08 2020-08-18 西门子医疗有限公司 图像矩阵大小的计算
CN111553958B (zh) * 2019-02-08 2023-11-03 西门子医疗有限公司 图像矩阵大小的计算

Also Published As

Publication number Publication date
US9947117B2 (en) 2018-04-17
DE102015210912A1 (de) 2016-12-15
US20160364889A1 (en) 2016-12-15

Similar Documents

Publication Publication Date Title
EP3608877B1 (en) Iterative image reconstruction framework
EP3504680B1 (en) Systems and methods for image segmentation using convolutional neural network
US9159122B2 (en) Image domain de-noising
JP7302988B2 (ja) 医用撮像装置、医用画像処理装置、及び、医用画像処理プログラム
JP2019526863A (ja) ニューラルネットワーク法を用いた画像セグメンテーション
CN106251295A (zh) 考虑轮廓显著性数据的结果图像的重建
Le Pogam et al. Evaluation of a 3D local multiresolution algorithm for the correction of partial volume effects in positron emission tomography
JP7065830B2 (ja) 異なる反復から抽出された特徴画像を使用する特徴ベースの画像処理
US20140301624A1 (en) Method for interactive threshold segmentation of medical images
CN102376084B (zh) 使用各向异性噪声模型对ct图像的迭代图像滤波
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
CN102525529B (zh) 医用图像处理装置以及医用图像处理方法
WO2010097534A1 (fr) Méthodes de segmentation d'images et de détection de structures particulières
Xu et al. Statistical iterative reconstruction to improve image quality for digital breast tomosynthesis
Li et al. Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm
US9042626B1 (en) System and method for hybrid local tomography image reconstruction
CN102804228A (zh) 功能图像数据增强和/或增强器
CN103717137A (zh) 图像生成装置
Dong et al. Multiresolution cube propagation for 3-D ultrasound image reconstruction
Khodadad et al. B-spline based free form deformation thoracic non-rigid registration of CT and PET images
CN106415659A (zh) 对比增强图像数据中的感兴趣组织的可视化
JP5632920B2 (ja) ボケイメージ内のブラーの特性を決定するシステム及び方法
Zhang et al. Enhancing the depth perception of DSA images with 2D–3D registration
Shekhar et al. Medical image processing
US11704795B2 (en) Quality-driven image processing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161221

RJ01 Rejection of invention patent application after publication