CN106462985A - 利用锐度驱动的正则化参数的迭代图像重建 - Google Patents

利用锐度驱动的正则化参数的迭代图像重建 Download PDF

Info

Publication number
CN106462985A
CN106462985A CN201580030837.3A CN201580030837A CN106462985A CN 106462985 A CN106462985 A CN 106462985A CN 201580030837 A CN201580030837 A CN 201580030837A CN 106462985 A CN106462985 A CN 106462985A
Authority
CN
China
Prior art keywords
spectrogram picture
regularization parameter
centre
initial
acutance
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
Application number
CN201580030837.3A
Other languages
English (en)
Other versions
CN106462985B (zh
Inventor
T·克勒
R·普罗克绍
M·格拉斯
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 Electronics 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 Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN106462985A publication Critical patent/CN106462985A/zh
Application granted granted Critical
Publication of CN106462985B publication Critical patent/CN106462985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/408—Dual energy
    • 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

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

Abstract

一种方法包括：执行迭代重建的第一次重建，在所述第一次重建中，使用迭代图像重建算法、起始第一谱图像、起始第二谱图像、初始第一谱正则化参数以及初始第二谱正则化参数来生成中间第一谱图像和中间第二谱图像；至少基于所述中间第一谱图像或所述中间第二谱图像中的一幅的锐度来更新所述初始第一谱正则化参数或所述初始第二谱正则化参数中的至少一个，从而创建经更新的第一谱正则化参数或经更新的第二谱正则化参数；并且执行所述迭代图像重建的随后的重建，在所述随后的重建中，使用所述迭代图像重建算法、所述中间第一谱图像、所述中间第二谱图像、所述经更新的第一谱正则化参数以及康普顿散射正则化参数来生成经更新的中间第一谱图像和经更新的中间第二谱图像。

Description

利用锐度驱动的正则化参数的迭代图像重建
技术领域
下文总体上涉及利用锐度驱动的正则化的迭代图像重建，并且具体应用于计算断层摄影(CT)。下文也适用于其他成像模态。
背景技术
CT扫描器包括安装在围绕检查区域关于z轴旋转的可旋转机架上的X射线管。探测器阵列以角度弧跨检查区域与X射线管相对。X射线管发射穿过检查区域的辐射。探测器阵列探测穿过检查区域的辐射并生成指示该辐射的投影数据。重建器使用迭代重建算法或者非迭代重建算法来处理所述投影数据并生成指示检查区域的体积图像数据。该体积图像数据并不反映谱特性，这是因为由探测器阵列输出的信号与在能量谱上积分的能量注量成比例。
被配置用于谱CT的CT扫描器已经包括：单宽谱X射线管、具有能量分辨探测器(例如，具有光子计数探测器、具有不同谱灵敏度的光电二极管的至少两个集合)和区分电子器件的能量分辨探测器阵列、被配置为在扫描期间在至少两个不同发射电压(例如，80kVp和140kVp)之间切换的单个X射线管，或者被配置为发射具有不同平均谱的辐射的两个或更多个X射线管。单个分解器将能量分辨信号分解成各个能量相关分量，并且重建器重建个体分量，从而生成反映谱特性的体积图像数据。
重建技术已经包括滤波反投影、统计迭代图像重建等。范例统计迭代图像重建算法基于代价函数，所述代价函数包括数据保真度项和图像噪声惩罚项。这样的代价函数的通用公式为：Cost(x)＝-L(Ax|y)+β·R(x)，其中，Cost(x)表示代价函数，L(Ax|y)表示将前向投影图像(Ax，其中，A是前向投影算子，并且x是图像)与测量的数据(y)进行比较的可能性项，R(x)表示惩罚重建图像(x)中的噪声(或者“粗糙度”)的粗糙度惩罚项。并且β表示控制正则化的强度的正则化项。
利用以上迭代图像重建公式，尤其是在粗糙度惩罚仅包含体素值的线性项或二次项时，表示锐利边缘(例如，骨)和低对比度结构(例如，软组织)的体素被类似地平滑化。例如，利用当前技术水平的方法，最终图像噪声水平通常被用于(例如，将图像噪声减小30％)确定提供跨图像的噪声的均匀减小的正则化参数β。谱图像被单独地重建，并且然后通过线性组合来组合，以产生用于显示的图像。利用以上的迭代图像重建公式，谱图像可以具有类似的噪声；然而，并不保证它们会有类似的空间分辨率，并且遗憾地，具有不同空间分辨率的谱图像的线性组合可能引入伪影和/或具有不正确的量化值。
发明内容
在本文中描述的各方面解决了上述问题和其他问题。
在第一方面中，一种方法包括执行迭代重建的第一次重建，在所述第一次重建中，使用迭代重建算法、起始光电图像、起始康普顿散射图像、初始光电正则化参数以及初始康普顿散射正则化参数来生成中间光电图像和中间康普顿散射图像。所述方法还包括至少基于所述中间光电图像或所述中间康普顿散射图像中的一幅的锐度来更新所述初始光电正则化参数或所述初始康普顿散射正则化参数中的至少一个，从而创建经更新的光电正则化参数或经更新的康普顿散射正则化参数。所述方法还包括执行所述迭代重建的随后的重建，在所述随后的重建中，使用所述迭代图像重建算法、所述中间光电图像、所述中间康普顿散射图像、所述经更新的光电正则化参数以及所述经更新的康普顿散射正则化参数来生成经更新的中间光电图像和经更新的中间康普顿散射图像。
在另一方面中，一种图像重建器包括重建处理器，所述重建处理器执行迭代重建的第一次重建，在所述第一次重建中，使用迭代重建算法、起始光电图像、起始康普顿散射图像、初始光电正则化参数以及初始康普顿散射正则化参数来生成中间光电图像和中间康普顿散射图像。所述图像重建器还包括更新器，所述更新器至少基于所述中间光电图像或所述中间康普顿散射图像中的一幅的锐度来更新所述初始光电正则化参数或所述初始康普顿散射正则化参数中的至少一个，从而创建经更新的光电正则化参数或经更新的康普顿散射正则化参数。所述重建处理器执行所述迭代重建的随后的重建，在所述随后的重建中，使用所述迭代重建算法、所述中间光电图像、所述中间康普顿散射图像、所述经更新的光电正则化参数以及所述经更新的康普顿散射正则化参数来生成经更新的中间光电图像和经更新的中间康普顿散射图像。
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，所述计算机可读指令当由处理器运行时，令所述处理器：执行迭代重建的第一次重建，在所述第一次重建中，使用迭代重建算法、起始光电图像、起始康普顿散射图像、初始光电正则化参数以及初始康普顿散射正则化参数来生成中间光电图像和中间康普顿散射图像；至少基于所述中间光电图像或所述中间康普顿散射图像中的一幅的锐度来更新所述初始光电正则化参数或所述初始康普顿散射正则化参数中的至少一个，从而创建经更新的光电正则化参数或经更新的康普顿散射正则化参数；并且执行所述迭代重建的随后的重建，在所述随后的重建中，使用所述迭代重建算法、所述中间光电图像、所述中间康普顿散射图像、所述经更新的光电正则化参数以及所述经更新的康普顿散射正则化参数来生成经更新的中间光电图像和经更新的中间康普顿散射图像。
本发明可以采取各种部件和部件的布置的形式，以及各种步骤和步骤的安排的形式。附图仅是出于图示优选实施例的目的，而不应被解释为对本发明的限制。
附图说明
图1示意性地图示了范例成像系统，所述范例成像系统包括采用利用锐度相关的正则化参数的统计迭代图像重建算法的重建器。
图2示意性地图示了统计迭代图像重建算法的范例
图3图示了用于基于其他图像来驱动针对光电图像或康普顿散射图像中的一个的正则化参数的范例方法。
图4图示了用于基于预定锐度来独立地驱动针对光电图像或康普顿散射图像的正则化参数的范例方法。
下文描述了在统计迭代重建中采用组织相关的统计迭代重建更新项的方法。
具体实施方式
图1图示了范例成像系统100，例如，计算机断层摄影(CT)系统。
成像系统100包括固定机架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。旋转机架104围绕检查区域106关于纵轴或z轴“Z”旋转。
诸如X射线管的辐射源110由旋转机架104可旋转地支撑，随着旋转机架104旋转，并且发射穿过检查区域106的辐射。在一个实例中，辐射源110被配置为在积分时段内和/或在其他情况下在两个或更多个发射电压(例如，80kVp与140kVp，100kVp与120kVp等)之间切换发射电压。在变型中，成像系统100包括在不同发射电压处发射辐射的多个辐射源110。在另一变型中，辐射源110包括单宽谱X射线管。
探测器阵列112以角度弧相对于辐射源110与检查区域106相对。探测器阵列112探测穿过检查区域106的辐射并且生成指示该辐射的信号。在辐射源电压在至少两个发射电压之间切换和/或两个或更多个X射线管在两个不同发射电压处发射辐射时，探测器阵列112生成针对辐射源电压中的每个的信号。针对单宽谱X射线管，探测器阵列112包括产生信号的能量分辨探测器(例如，多层闪烁体/光电二极管、直接转换光子计数等)。
信号分解器114将信号分解成能量相关分量。例如，能够将信号分解成光电分量、康普顿散射分量和/或一个或多个其他能量相关(例如，K边缘)分量。
重建器116重建能量相关分量，从而生成针对分量中的每个的体积图像数据。在该范例中，重建器116采用来自重建算法存储器120的利用锐度驱动的正则化118的迭代图像重建算法。如在以下更加详细地描述的，合适的迭代图像重建算法包括针对多个独立重建的不同谱图像中的至少一幅的更新项中的空间分辨率(即，锐度)驱动的正则化参数，所述不同谱图像例如为光电图像和/或康普顿散射图像、高kVp图像和/或低kVp图像等。
这样，迭代重建能够被驱动为使得重建谱分量图像被重建为具有相同空间分辨率或者在彼此的预定容限内的相同空间分辨率。在一个实例中，这利用其中正则化参数不依赖于空间分辨率的配置来减轻可能发生的在谱分量图像之间的空间分辨率错配。作为结果，减轻了可能由于分辨率错配而产生的伪影和/或不正确的量化值。
应当认识到，重建器116能够经由一个或多个处理器来实施。这样的处理器的范例包括中央处理单元(CPU)、微处理器和/或其他处理器。一个或多个处理器运行被嵌入或被编码在计算机可读存储介质上的一个或多个计算机可执行指令，所述计算机可读存储介质不包括瞬态介质并且包括物理存储器和/或其他非瞬态介质。在变型中，计算机可执行指令由瞬态介质(例如，载波、信号和/或其他瞬态介质)承载，并且(一个或多个)处理器运行计算机可执行指令。
计算机充当操作者控制台122。操作者控制台122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)。控制台122上驻留的软件允许操作者经由图形用户接口(GUI)和/或以其他方式来与扫描器100交互或者操作扫描器100。例如，控制台122允许用户选择利用锐度相关正则化参数的迭代重建算法118，通过经由线性组合对谱图像进行组合来执行后处理谱图像等。
诸如卧榻的对象支撑体124将人类或动物对象或目标支撑在检查区域106中。对象支撑体124能与扫描协同移动，使得在扫描之前、期间和/或之后相对于检查区域106引导人类或动物对象或目标，以用于加载、扫描和/或卸载。
图2图示了重建器116的范例。
起始图像生成器202接收分解的谱分量(例如，光电分量、康普顿散射分量等)，并且至少生成针对谱分量中的每个的起始谱分量图像或初始谱分量图像。在一个实例中，使用滤波反投影(FBP)重建算法来生成起始谱分量图像。通过使用FBP重建算法，起始谱分量图像将具有相同的空间分辨率。
在变型中，起始图像生成器202使用不同重建算法、通过模拟等来生成起始谱分量图像。在一些实施例中，起始图像生成器202也生成组合(非谱)图像。对此，例如，分解的谱分量能够被组合并且然后经由FBP重建算法、模拟等来重建，以生成组合图像。起始谱分量图像包括至少光电图像和康普顿散射图像。
重建处理器204接收起始谱分量图像，并且利用迭代重建(IR)算法使用初始正则化参数βPE或βCS(其可以是默认的、以经验的方式确定的等)来执行第一次重建，并且生成中间谱分量图像。针对光电图像，合适的代价函数是：-L(Ax|y)+βPE·R(x)，并且针对康普顿散射图像，合适的代价函数是：-L(Ax|y)+βCS·R(x)。
在以下中描述了范例IR算法：Schirra等人的“Statistical Reconstruction ofMaterial Decomposed Data in Spectral CT”(IEEE Trans.Med.Imag.，第32卷，第7期，第1249-1257页，2013年)；以及在2012年12月4日递交的并且标题为“AutomaticDetermination of Regularization Factor for Iterative Image Reconstructionwith Regularization and/or Image De-Noising”的国际申请s/n PCT/IB2012/056929，通过引用将其整体并入本文。在本文中也预期其他算法。
IR算法包括针对每次迭代被更新的更新项。范例更新项被示出为方程式1：
方程式1：
其中，n表示迭代指数，a是表示图像的指数，即，PE或CS，表示先前项，i表示投影值指数，N表示测量的线积分的总数量，j表示体积指数，cij表示系统矩阵的元素，即，其表示图像体素j对探测器像素i的影响， 其中，Aai表示针对数据集a的测量的线积分值，l表示函数的辐角(在方程式1中，函数在前向投影的图像处被评价)，并且表示样本Aai的方差，描述了材料图像a的前向投影(针对所测量的探测器像素i)，C1表示统一图像的前向投影并且[C1]i表示前向投影的第i个元素，并且xa表示材料密度函数，βa表示正则化参数βPE或βCS，取决于哪幅图像正被重建，并且R表示可以采取二次惩罚形式的粗糙度惩罚：其中，Mj是图像体素j的邻域，并且wk是几何权重，例如，体素j与体素k之间的欧几里得距离的倒数。也预期其他惩罚。
度量确定器206接收至少中间谱分量图像，并且在一个实例中，接收起始谱图像和/或组合图像，并且从其生成度量。度量确定器206包括掩膜生成器208。生成器208生成噪声掩膜和/或锐度掩膜，所述噪声掩膜和/或锐度掩膜被用于识别其中获取了噪声估计结果和/或锐度估计结果的一个或多个子区域。在其他实施例中，掩膜生成器208被省略。
对于噪声掩膜，掩膜生成器208在起始康普顿散射图像中识别一个或多个平坦区域(即，均质区域或者没有边缘的区域)并且基于此来生成噪声掩膜。用于识别平坦区域的范例方法在Bergner等人的“Robust Automated Regularization Factor Selection forStatistical Reconstructions”(Second International Conference on ImageFormation in X-Ray Computed Tomography，盐湖城，美国，第24-27页，2012年6月)中进行了描述。
对于锐度掩膜，掩膜生成器208首先在组合图像中识别一个或多个边缘。掩膜生成器208能够将Canny滤波器或其他方法用于识别这些边缘。在一个范例中，掩膜生成器208通过阈值化生成锐度掩膜，以提取大于预定阈值的边缘的集合。得到的掩膜是二值{0,1}边缘图像。扩张可以用于得到周围化、平滑化并且避免边缘伪影。
在本文中也预期用于创建噪声掩膜和/或锐度掩膜的其他方法。
度量确定器206还包括噪声估计器210，所述噪声估计器210确定针对中间谱分量图像的噪声估计结果。这包括通过将噪声掩膜应用于中间康普顿散射图像并且然后估计噪声水平来估计对应于起始康普顿散射图像中的一个或多个平坦区域的中间康普顿散射图像的一个或多个子区域中的噪声水平。噪声水平估计可以包括确定均方根。
用于估计噪声的另一范例方法在Bergner等人的“Robust AutomatedRegularization Factor Selection for Statistical Reconstructions”(SecondInternational Conference on Image Formation in X-Ray Computed Tomography，盐湖城，美国，第24-27页，2012年6月)中进行了描述。在本文中也预期其他方法。这包括估计针对整个中间康普顿散射图像和/或中间康普顿散射图像的(一个或多个)其他子区域的噪声。
度量确定器206还包括锐度估计器212。锐度估计器212确定针对起始康普顿散射图像和/或中间康普顿散射图像和/或起始光电谱图像和/或中间光电谱图像的锐度(即，空间分辨率)估计结果。在一个实例中，这包括将锐度掩膜应用于(一幅或多幅)康普顿散射图像和/或(一幅或多幅)光电谱图像，并且确定在由掩膜识别的一个或多个子区域中的锐度。
用于估计锐度的范例方法在Wee等人的“Measure of image sharpness usingeigenvalues”(Information Sciences 177，2007年，第2533–2552页)中进行了描述。这样的方法包括确定灰度水平值的方差、图像的l1范数或者图像梯度的二阶倒数、图像的拉普拉斯算子的能量、高通带的能量对低通带的能量、图像与参考图像的相似度等。在本文中也预期其他锐度估计方法。
逻辑部件214确定是否执行随后的通路。停止准则能够包括，但不限于，实现感兴趣空间分辨率(例如，谱分量图像之间的(在容限内的)相同分辨率)或者感兴趣噪声水平，达到最大迭代次数，预定时间间隔的失效和/或其他准则。一旦满足停止准则，逻辑部件214就输出中间谱分量图像最为最终谱分量图像。如果不满足停止准则，则逻辑部件214调用随后的重建通路。
正则化参数(β)更新器216响应于不满足停止准则并且逻辑部件214调用随后的重建通路而更新两个正则化参数βPE或βCS中的至少一个。用于基于目标噪声来更新非谱数据的方法在Bergner等人的“Robust Automated Regularization Factor Selection forStatistical Reconstructions”(Second International Conference on ImageFormation in X-Ray Computed Tomography，盐湖城，美国，第24-27页，2012年6月)中进行了描述。Bergner等人的方法基于比例积分微分(PID)控制。
本文中的方法也能够基于PID控制。在这种情况下，对于噪声，(一个或多个)正则化参数基于中间图像的估计的噪声与目标噪声水平之间的差异来进行更新。对于锐度，(一个或多个)正则化参数基于中间谱图像的锐度与起始图像的锐度之间的差异或者两幅中间谱图像之间的锐度差异来进行更新。在FBP被用于生成起始谱图像时，起始谱的锐度是(在容限内)相同的。
在一个实例中，βPE或βCS两者基于绝对锐度量度(例如，起始图像的锐度和/或其他锐度)而被独立地驱动。在另一实例中，βPE或βCS中的一个例如基于其他谱图像的锐度而被锐度驱动，以便在光电图像与康普顿散射图像之间达到相同的分辨率。利用该实例，βPE或βCS中的另一个能够例如基于目标噪声和/或以其他方式而被噪声驱动。
以上描述了投影域方法。在本文中也预期图像域中的材料分解。对此，以上描述的迭代方法针对双kVp采集在高kVp图像和低kVp图像上(或者针对利用双层探测器的采集在由上探测器层和下探测器层采集的投影数据上)迭代，而不是在光电图像和康普顿散射图像上迭代。针对图像域方法的范例更新项被示出为方程式2：
方程式2：
其中，i是投影空间j中的像素指数，j’和k是图像空间中的像素指数，a是针对图像的指数(高kV、低kV或者上层、下层)，μn表示第n次迭代中的图像值，c表示系统矩阵的元素，y表示测量的投影值(即，测量的光子计数)，Nj表示邻近像素j的像素，w表示对两个像素之间的差异加权的权重，并且b是针对图像a的正则化参数，并且依赖于哪幅图像正在被重建。
图3图示了用于基于预定锐度驱动针对康普顿散射图像或光电图像中的一个的正则化参数的范例方法。
应当认识到，在本文中描述的方法中的动作的顺序不是限制性的。正因如此，在本文中也预期其他顺序。另外，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302处，根据谱投影数据来生成起始图像。如在本文中所描述的，这可以包括生成起始光电图像、起始康普顿散射图像以及任选地，起始组合图像。
在304处，基于起始图像、迭代图像重建算法以及初始正则化参数来生成中间光电图像和中间康普顿散射图像。
在306处，针对中间光电图像来确定锐度估计结果。如在本文中所描述的，锐度估计结果能够针对预定感兴趣子区域来确定，例如，对应于组合图像的子区域的子区域，如通过锐度掩膜所识别的。
在步骤308处，确定中间康普顿散射图像的噪声估计结果。如在本文中所描述的，能够针对预定感兴趣子区域来确定噪声估计结果，例如，对应于起始康普顿散射图像的均质区域的子区域，如通过噪声掩膜所识别的。
在310处，确定是否已经满足停止准则。在该实例中，合适的停止准则包括：中间光电图像的锐度估计结果在中间康普顿散射图像的锐度的容限内，中间康普顿散射图像的噪声估计结果满足预定目标噪声水平和/或其他准则。
如果确定已经满足停止准则，则不要求另一迭代，并且在312处，中间光电图像和中间康普顿散射图像被输出为最终光电图像和最终康普顿散射图像。
如果确定尚未满足停止准则，则要求另一迭代，并且在314处，针对光电图像和康普顿散射图像的正则化参数被更新，并且动作304至310被重复。如在本文中所描述的，这包括基于中间光电图像的锐度与中间康普顿散射图像的锐度之间的差异来更新针对光电图像的正则化参数，并且基于中间康普顿散射图像的噪声估计结果与目标噪声之间的差异来估计针对康普顿散射图像的正则化参数。
图4图示了用于基于预定锐度来独立地驱动针对康普顿散射图像的正则化参数和针对光电图像的正则化参数的范例方法。
应当认识到，在本文中描述的方法的动作的顺序不是限制性的。正因如此，在本文中也预期其他顺序。另外，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402处，根据谱投影数据来生成起始图像。如在本文中所描述的，这可以包括生成起始光电图像、起始康普顿散射图像以及任选地，起始组合图像。
在404处，基于起始图像、迭代图像重建算法以及初始正则化参数来生成中间光电图像和中间康普顿散射图像。
在406处，针对中间光电图像和中间康普顿散射图像来确定锐度估计结果。如在本文中所描述的，能够针对预定感兴趣子区域来确定锐度估计结果，例如，对应于组合图像的子区域的子区域，如通过锐度掩膜所识别的。
在步骤408处，确定是否已经满足停止准则。在该实例中，合适的停止准则包括：中间谱图像的锐度是否在预定锐度(或者彼此)的容限内。
如果确定已经满足停止准则，则不要求另一迭代，并且在410处，中间光电图像和中间康普顿散射图像被输出为最终光电图像和最终康普顿散射图像。
如果确定尚未满足停止准则，则要求另一迭代，并且在412处，针对光电图像和康普顿散射图像的正则化参数被更新，并且动作404至408被重复。如在本文中所描述的，对正则化参数的更新基于中间谱图像的锐度与预定感兴趣分辨率或彼此之间的差异。
以上可以以计算机可读指令的方式实施，所述计算机可读指令被编码或嵌入在计算机可读存储介质上，所述计算机可读指令当由(一个或多个)计算机处理器执行时，令(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个由信号、载波或其他瞬态介质承载。
在本文中描述的方法也能够应用于其他应用，例如，基于门控的相衬CT，如在Pfeiffer等人的“Hard X-ray Phase Tomography with Low-Brilliance Sources”(Physical Review Letters 98，108105，2007年)和Zanette等人的“Trimodal low-doseX-ray tomography”(PNAS，第109卷，第26期，第10199-10204页，2012年)中所讨论的。通过将一些额外的门控插入到射束路径中，除了X射线衰减外，能够测量射束折射和小角度散射(也被称为暗场成像)。这些信号分量通常针对门控的不同相对位置从发射的强度的测量结果中进行检索。这在概念上而言与以下的谱成像中的相同，在所述谱成像中，针对康普顿散射和光电吸收的信号分量也从在不同系统配置(即，射束过滤或管电压)处的发射的强度的测量结果中进行检索。
通常假设信号遵循二阶统计，如在Weber等人的“Noise in x-ray grating-basedphase-contrast imaging”(Medical Physics，第38卷，第7期，第4133-4140页，2011年)中所讨论的。由于数学前提因此与针对如方程式1中所陈述的双能量CT的相同，即，信号与下层图像线性相关，并且噪声为高斯的，因此一样的更新方程式能够被用于根据个体信号来重建衰减图像、相位图像以及暗场图像，尽管前向算子需要针对相对图像为差分的，这在Koehler等人的“Iterative reconstruction for differential phase contrastimaging using spherically symmetric basis functions”(Medical Physics,第38卷，第8期，第4542-4545页，2011年)中进行了讨论。因此，能够通过利用衰减图像、相位图像或暗场图像而不是康普顿散射图像或者光电图像识别指数a来应用针对双能量CT的如上所描的相同的概念。
已经参考优选实施例描述了本发明。他人在阅读和理解前面的具体描述的情况下可以想到修改和替代。本文旨在将本发明解释为包括所有这样的修改和替代，只要它们落入权利要求书及其等价方案的范围内。

Claims (20)

1.一种方法，包括：
执行迭代重建的第一次重建，在所述第一次重建中，使用迭代图像重建算法、起始第一谱图像、起始第二谱图像、初始第一谱正则化参数以及初始第二谱正则化参数来生成中间第一谱图像和中间第二谱图像；
至少基于所述中间第一谱图像或所述中间第二谱图像中的一幅的锐度来更新所述初始第一谱正则化参数或所述初始第二谱正则化参数中的至少一个，从而创建经更新的第一谱正则化参数或经更新的第二谱正则化参数；并且
执行所述迭代图像重建的随后的重建，在所述随后的重建中，使用所述迭代图像重建算法、所述中间第一谱图像、所述中间第二谱图像、所述经更新的第一谱正则化参数以及所述经更新的第二谱正则化参数来生成经更新的中间第一谱图像和经更新的中间第二谱图像。
2.根据权利要求1所述的方法，还包括：
接收谱投影数据；
将所述谱投影数据分解成第一谱分量和第二谱分量；并且
通过重建所述第一谱分量来生成所述起始第一谱图像，并且通过重建所述第二谱分量来生成所述起始第二谱图像。
3.根据权利要求1至2中的任一项所述的方法，还包括：
基于所述中间第二谱图像的所述锐度来更新所述初始第一谱正则化参数，从而创建所述经更新的第一谱正则化参数；并且
至少基于预定目标噪声来更新所述初始第二谱正则化参数，从而创建所述经更新的第二谱正则化参数。
4.根据权利要求3所述的方法，还包括：
基于所述中间第一谱图像的所述锐度与所述中间第二谱图像的所述锐度之间差异来更新所述初始第一谱正则化参数，从而创建所述经更新的第一谱正则化参数。
5.根据权利要求3至4中的任一项所述的方法，还包括：
将所述第一谱分量与所述第二谱分量进行组合，从而创建组合数据；
通过重建所述组合数据来生成组合图像；
检测所述组合图像中的边缘；
创建在所述组合图像中识别包括边缘的一个或多个子区域的锐度掩膜；
将所述锐度掩膜应用到所述中间第一谱图像；并且
确定所述中间第一谱图像在被掩膜的一个或多个子区域内的所述锐度。
6.根据权利要求5所述的方法，还包括：
确定所述中间第一谱图像的所述锐度与所述中间第二谱图像的所述锐度之间的差异；并且
响应于所述差异在预定容限内，输出所述中间第一谱图像和所述中间第二谱图像作为最终第一谱图像和最终第二谱图像，并且响应于所述差异在所述预定容限外，执行所述迭代重建的另一次重建。
7.根据权利要求3至6中的任一项所述的方法，还包括：
在所述起始第二谱图像中识别一个或多个均质区域；
创建针对所述一个或多个均质区域的噪声掩膜；
将所述噪声掩膜应用到所述中间第二谱图像；并且
确定在被掩膜的一个或多个子区域内的所述中间第一谱图像的噪声。
8.根据权利要求7所述的方法，还包括：
确定在所确定的噪声与所述预定目标噪声之间的差异；
响应于所述差异在所述预定目标噪声的预定容限内，输出所述中间第一谱图像和所述中间第二谱图像作为最终第一谱图像和最终第二谱图像，并且响应于所述差异在所述预定目标噪声的所述预定容限外部，执行所述迭代重建的另一次重建。
9.根据权利要求1-8中的任一项所述的方法，还包括：
至少基于预定锐度来独立地更新所述初始第一谱正则化参数和所述初始第二谱正则化参数，从而创建所述经更新的第一谱正则化参数和所述经更新的第二谱正则化参数。
10.根据权利要求9所述的方法，还包括：
将所述第一谱分量与所述第二谱分量进行组合，从而创建组合数据；
通过重建所述组合数据来生成组合图像；
检测所述组合图像中的边缘；
创建在所述组合图像中识别包括边缘的一个或多个子区域的锐度掩膜；
将所述锐度掩膜应用到所述中间第一谱图像；并且
确定所述中间第一谱图像和所述第二谱图像在被掩膜的一个或多个子区域内的所述锐度。
11.根据权利要求1至9中的任一项所述的方法，还包括：
确定所述中间第一谱图像的所述锐度与预定锐度之间的差异以及所述第二谱图像与所述预定锐度之间的差异；并且
响应于所述差异在预定容限内，输出所述中间第一谱图像和所述中间第二谱图像作为最终第一谱图像和最终第二谱图像，并且响应于所述差异在所述预定容限外，执行所述迭代重建的另一次重建。
12.根据权利要求1至11中的任一项所述的方法，还包括：
基于位置积分导数控制来更新所述初始第一谱正则化参数或所述初始第二谱正则化参数中的所述至少一个。
13.一种重建器(116)，包括：
重建处理器(204)，其被配置为执行迭代重建的第一次重建，在所述第一次重建中，使用迭代重建算法、起始第一谱图像、起始第二谱图像、初始第一谱正则化参数以及初始第二谱正则化参数来生成中间第一谱图像和中间第二谱图像；以及
更新器(216)，其被配置为至少基于所述中间第一谱图像或所述中间第二谱图像中的一幅的锐度来更新所述初始第一谱正则化参数或所述初始第二谱正则化参数中的至少一个，从而创建经更新的第一谱正则化参数或经更新的第二谱正则化参数，
其中，所述重建处理器被配置为执行所述迭代重建的随后的重建，在所述随后的重建中，使用所述迭代重建算法、所述中间第一谱图像、所述中间第二谱图像、所述经更新的第一谱正则化参数以及所述经更新的第二谱正则化参数来生成经更新的中间第一谱图像和经更新的中间第二谱图像。
14.根据权利要求13所述的重建器，还包括：
起始图像生成器(202)，其被配置为：接收谱投影数据；将所述谱投影数据分解成第一谱分量和第二谱分量；并且通过重建所述第一谱分量来生成所述起始第一谱图像，并且通过重建所述第二谱分量来生成所述起始第二谱图像。
15.根据权利要求13至14中的任一项所述的重建器，其中，所述更新器被配置为：基于所述中间第二谱图像的所述锐度来更新所述初始第一谱正则化参数并创建所述经更新的第一谱正则化参数；并且至少基于预定目标噪声来更新所述初始第二谱正则化参数并创建所述经更新的第二谱正则化参数。
16.根据权利要求15所述的重建器，还包括：
掩膜生成器(208)，其被配置为：在所述起始第二谱图像中识别一个或多个均质区域，并且创建针对所述一个或多个均质区域的噪声掩膜；以及
噪声估计器(210)，其被配置为将所述噪声掩膜应用到所述中间第二谱图像并确定在被掩膜的一个或多个子区域内的所述中间第一谱图像的噪声。
17.根据权利要求14所述的重建器，其中，所述更新器被配置为至少基于预定锐度来独立地更新所述初始第一谱正则化参数和所述初始第二谱正则化参数，并且创建所述经更新的第一谱正则化参数和所述经更新的第二谱正则化参数。
18.根据权利要求17所述的重建器，还包括：
掩膜生成器(208)，其被配置为：将所述第一谱分量与所述第二谱分量进行组合，从而创建组合数据；通过重建所述组合数据来生成组合图像；检测所述组合图像中的边缘；并且创建在所述组合图像中要识别包括边缘的一个或多个子区域的锐度掩膜；以及
锐度估计器(212)，其被配置为：将所述锐度掩膜应用到所述中间第一谱图像；并且确定所述中间第一谱图像在被掩膜的一个或多个子区域内的所述锐度。
19.根据权利要求13至18中的任一项所述的重建器，还包括：
逻辑部件(214)，其被配置为：确定所述中间第一谱图像的所述锐度与所述中间第二谱图像的所述锐度或预定感兴趣锐度之间的差异；并且进行以下中的一个：响应于所述差异在预定容限内，输出所述中间第一谱图像和所述中间第二谱图像作为最终第一谱图像和最终第二谱图像；或者响应于所述差异在所述预定容限外，调用所述重建处理器来执行所述迭代重建的另一次重建。
20.一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当由处理器运行时，令所述处理器：
执行迭代重建的第一次重建，在所述第一次重建中，使用迭代重建算法、起始第一谱图像、起始第二谱图像、初始第一谱正则化参数以及初始第二谱正则化参数来生成中间第一谱图像和中间第二谱图像；
至少基于所述中间第一谱图像或所述中间第二谱图像中的一幅的锐度来更新所述初始第一谱正则化参数或所述初始第二谱正则化参数中的至少一个，从而创建经更新的第一谱正则化参数或经更新的第二谱正则化参数；并且
执行所述迭代重建的随后的重建，在所述随后的重建中，使用所述迭代重建算法、所述中间第一谱图像、所述中间第二谱图像、所述经更新的第一谱正则化参数以及所述经更新的第二谱正则化参数来生成经更新的中间第一谱图像和经更新的中间第二谱图像。
CN201580030837.3A 2014-09-15 2015-09-15 利用锐度驱动的正则化参数的迭代图像重建 Active CN106462985B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462050402P 2014-09-15 2014-09-15
US62/050,402 2014-09-15
PCT/IB2015/057072 WO2016042466A2 (en) 2014-09-15 2015-09-15 Iterative image reconstruction with a sharpness driven regularization parameter

Publications (2)

Publication Number Publication Date
CN106462985A true CN106462985A (zh) 2017-02-22
CN106462985B CN106462985B (zh) 2018-09-21

Family

ID=54292850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580030837.3A Active CN106462985B (zh) 2014-09-15 2015-09-15 利用锐度驱动的正则化参数的迭代图像重建

Country Status (5)

Country Link
US (1) US9959640B2 (zh)
EP (1) EP3195265B1 (zh)
JP (1) JP6275287B2 (zh)
CN (1) CN106462985B (zh)
WO (1) WO2016042466A2 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316282A (zh) * 2017-05-19 2017-11-03 上海联影医疗科技有限公司 一种图像降噪的系统和方法
CN108549530A (zh) * 2018-04-17 2018-09-18 兰州理工大学 基于自然模式的Logo生成方法、智能Logo生成器
CN112489153A (zh) * 2020-11-26 2021-03-12 深圳先进技术研究院 一种图像重建方法及应用
WO2022109928A1 (zh) * 2020-11-26 2022-06-02 深圳先进技术研究院 一种图像重建方法及应用

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101725099B1 (ko) * 2014-12-05 2017-04-26 삼성전자주식회사 컴퓨터 단층 촬영장치 및 그 제어방법
WO2016137972A1 (en) 2015-02-23 2016-09-01 Mayo Foundation For Medical Education And Research Methods for optimizing imaging technique parameters for photon-counting computed tomography
CN106793986A (zh) * 2015-05-06 2017-05-31 皇家飞利浦有限公司 差分相位衬度x射线成像中暗场信号的优化能量加权
US9911208B2 (en) * 2016-04-11 2018-03-06 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
EP3501006B1 (en) * 2016-08-22 2020-11-04 Koninklijke Philips N.V. Feature-based image processing using feature images extracted from different iterations
US10403006B2 (en) 2016-08-26 2019-09-03 General Electric Company Guided filter for multiple level energy computed tomography (CT)
WO2018114964A1 (en) * 2016-12-19 2018-06-28 Koninklijke Philips N.V. Detection and/or correction of residual iodine artifacts in spectral computed tomography (ct) imaging
US10692251B2 (en) * 2017-01-13 2020-06-23 Canon Medical Systems Corporation Efficient variance-reduced method and apparatus for model-based iterative CT image reconstruction
WO2018236748A1 (en) * 2017-06-19 2018-12-27 Washington University DIGITAL ASSISTED IMAGE RECONSTRUCTION FOR TOMOGRAPHIC IMAGING
US10866298B2 (en) * 2017-08-03 2020-12-15 Siemens Healthcare Gmbh Low rank and spatial regularization model for magnetic resonance fingerprinting
WO2019052816A1 (en) * 2017-09-14 2019-03-21 Koninklijke Philips N.V. DIFFUSION CORRECTION USING RECONSTRUCTED EMISSION IMAGE ESTIMATION FROM NARROW ENERGY WINDOW COUNTS IN POSITRON EMISSION TOMOGRAPHY
CN107638189B (zh) * 2017-10-25 2021-06-01 东软医疗系统股份有限公司 Ct成像方法和装置
WO2019090299A1 (en) 2017-11-06 2019-05-09 Rensselaer Polytechnic Institute Stationary in-vivo grating-enabled micro-ct architecture (sigma)
US11037339B2 (en) * 2019-04-17 2021-06-15 Uih America, Inc. Systems and methods for image reconstruction
CN110807821A (zh) * 2019-10-12 2020-02-18 上海联影医疗科技有限公司 一种图像重建方法和系统
EP3922183A1 (en) 2020-06-08 2021-12-15 Koninklijke Philips N.V. Apparatus for correction of collimator penumbra in an x-ray image
EP3922180A1 (en) 2020-06-09 2021-12-15 Koninklijke Philips N.V. Apparatus for processing data acquired by a dark-field and/or phase contrast x-ray imaging system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366388A (zh) * 2012-03-28 2013-10-23 西门子公司 用于双模态ct数据的迭代的图像重建的方法
US20130336561A1 (en) * 2012-06-15 2013-12-19 Toshiba Medical Systems Corporation Concurrent update iterative reconstruction (ir) method and system
CN104025156A (zh) * 2011-12-13 2014-09-03 皇家飞利浦有限公司 针对利用正则化的迭代图像重建和/或图像去噪的正则因子的自动确定

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6898263B2 (en) * 2002-11-27 2005-05-24 Ge Medical Systems Global Technology Company, Llc Method and apparatus for soft-tissue volume visualization
US7760848B2 (en) * 2006-09-08 2010-07-20 General Electric Company Method and system for generating a multi-spectral image of an object
DE102007020065A1 (de) * 2007-04-27 2008-10-30 Siemens Ag Verfahren für die Erstellung von Massenbelegungsbildern anhand von in unterschiedlichen Energiebereichen aufgenommenen Schwächungsbildern
US8233682B2 (en) * 2007-06-05 2012-07-31 General Electric Company Methods and systems for improving spatial and temporal resolution of computed images of moving objects
US8135186B2 (en) * 2008-01-25 2012-03-13 Purdue Research Foundation Method and system for image reconstruction
US8194961B2 (en) * 2008-04-21 2012-06-05 Kabushiki Kaisha Toshiba Method, apparatus, and computer-readable medium for pre-reconstruction decomposition and calibration in dual energy computed tomography
DE102009014723B4 (de) 2009-03-25 2012-10-25 Siemens Aktiengesellschaft Kontrastabhängige Regularisierungsstärke bei der iterativen Rekonstruktion von CT-Bildern
US8160206B2 (en) * 2009-12-23 2012-04-17 General Electric Company Dual-energy imaging at reduced sample rates
WO2011161558A1 (en) * 2010-06-21 2011-12-29 Koninklijke Philips Electronics N.V. Method and system for performing low- dose ct imaging
WO2012095713A1 (en) * 2011-01-10 2012-07-19 Koninklijke Philips Electronics N.V. Dual -energy tomographic imaging system
US9336612B2 (en) * 2011-03-28 2016-05-10 Koninklijke Philips N.V. Contrast-dependent resolution image
DE102011086456A1 (de) * 2011-11-16 2013-05-16 Siemens Aktiengesellschaft Rekonstruktion von Bilddaten
US20130336562A1 (en) 2012-06-15 2013-12-19 Toshiba Medical Systems Corporation Adaptively determined parameter values in iterative reconstruction method and system
US8923583B2 (en) * 2012-06-22 2014-12-30 General Electric Company Methods and systems for performing model-based iterative reconstruction
US9734601B2 (en) * 2014-04-04 2017-08-15 The Board Of Trustees Of The University Of Illinois Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104025156A (zh) * 2011-12-13 2014-09-03 皇家飞利浦有限公司 针对利用正则化的迭代图像重建和/或图像去噪的正则因子的自动确定
CN103366388A (zh) * 2012-03-28 2013-10-23 西门子公司 用于双模态ct数据的迭代的图像重建的方法
US20130336561A1 (en) * 2012-06-15 2013-12-19 Toshiba Medical Systems Corporation Concurrent update iterative reconstruction (ir) method and system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHONG-YAW WEE 等: "《Measure of image sharpness using eigenvalues》", 《INFORMATION SCIENCES》 *
FRANK BERGNER 等: "《Robust Automated Regularization Factor Selection for Statistical Reconstructions》", 《SECOND INTERNATIONAL CONFERENCE ON IMAGE FORMATION IN X-RAY COMPUTED TOMOGRAPHY》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316282A (zh) * 2017-05-19 2017-11-03 上海联影医疗科技有限公司 一种图像降噪的系统和方法
CN108549530A (zh) * 2018-04-17 2018-09-18 兰州理工大学 基于自然模式的Logo生成方法、智能Logo生成器
CN108549530B (zh) * 2018-04-17 2021-03-12 兰州理工大学 基于自然模式的Logo生成方法、智能Logo生成器
CN112489153A (zh) * 2020-11-26 2021-03-12 深圳先进技术研究院 一种图像重建方法及应用
WO2022109928A1 (zh) * 2020-11-26 2022-06-02 深圳先进技术研究院 一种图像重建方法及应用

Also Published As

Publication number Publication date
US9959640B2 (en) 2018-05-01
CN106462985B (zh) 2018-09-21
US20170186194A1 (en) 2017-06-29
EP3195265B1 (en) 2018-08-22
WO2016042466A2 (en) 2016-03-24
JP2017521124A (ja) 2017-08-03
EP3195265A2 (en) 2017-07-26
JP6275287B2 (ja) 2018-02-07
WO2016042466A3 (en) 2016-05-12

Similar Documents

Publication Publication Date Title
CN106462985B (zh) 利用锐度驱动的正则化参数的迭代图像重建
US10147168B2 (en) Spectral CT
US11328391B2 (en) System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
Kim et al. SPIE medical imaging
US8923583B2 (en) Methods and systems for performing model-based iterative reconstruction
CN105025794B (zh) 谱ct的结构传播恢复
US9261467B2 (en) System and method of iterative image reconstruction for computed tomography
CN105793894B (zh) 根据图像数据来进行骨骼分割
CN106233327B (zh) 去噪图像数据中对低对比度结构的恢复
Li et al. Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm
JP2021510579A (ja) 非スペクトルイメージングシステムを用いたスペクトルイメージング
Toivanen et al. Joint reconstruction in low dose multi-energy CT
JP2021511875A (ja) スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影（ｃｔ）スキャナ
JP6828061B2 (ja) スペクトルｃｔデータからのカルシウム含有量の特定
JP7187131B2 (ja) 画像生成装置、ｘ線コンピュータ断層撮影装置及び画像生成方法
Wang et al. Locally linear transform based three‐dimensional gradient‐norm minimization for spectral CT reconstruction
JP7442455B2 (ja) 分光イメージングデータからの分光炎症マップ
CN114730476A (zh) 有限角度重建的网络确定
Cengiz et al. Comparison of algebraic reconstruction techniques for tomosynthesis
Getzin System-Wide Advances in Photon-Counting CT: Corrections, Simulations, and Image Analysis
JP6206501B2 (ja) 断層画像処理方法およびそれにおける各工程を実行するための手段を備えた放射線放出型断層撮影装置
CN116172594A (zh) 用于生成患者的结果图像数据集的方法及装置

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