CN106462988B - 多视角断层摄影重构 - Google Patents
多视角断层摄影重构 Download PDFInfo
- Publication number
- CN106462988B CN106462988B CN201580032113.2A CN201580032113A CN106462988B CN 106462988 B CN106462988 B CN 106462988B CN 201580032113 A CN201580032113 A CN 201580032113A CN 106462988 B CN106462988 B CN 106462988B
- Authority
- CN
- China
- Prior art keywords
- visual angle
- rendering
- image
- iteration
- update
- 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
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
-
- 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
- G06T11/008—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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/436—Limited angle
Abstract
使用一个或多个检测器在多个视角针对病人的身体的一部分获取投影数据,投影数据包括多个二维(2D)投影。3D图像被初始化。对于所述多个视角之中的每个视角,使用与所述视角对应的视角变换对3D图像进行变换以产生与所述视角对应的初始变换图像,并且基于至少初始变换图像和投影数据执行MLEM过程的多次迭代。MLEM过程被利用初始变换图像初始化。3D图像基于MLEM过程的输出而被更新。
Description
相关申请的交叉引用
本申请根据35 U.S.C.§119(e)要求于2014年6月16日提交的序列号为62/012,445的共同未决美国临时申请的的优先权,该申请的全部内容由此通过引用被合并于此。
技术领域
本公开的各方面一般地涉及医疗成像,并且更具体地讲,涉及改进的3D图像的单光子发射计算机断层摄影(SPECT)重构。
背景技术
病人体内的新陈代谢和生化活动的医疗成像被称为功能成像。功能成像技术包括例如核成像,诸如正电子发射断层摄影(PET)、单光子计算机断层摄影(SPECT)、功能磁共振成像(fMRI)和功能计算机断层摄影(fCT)。在M. Wernick和J. Aarsvold的"Emissiontomography: the fundamentals of PET and SPECT," Elsevier Academic Press, 2004年版的第7章、第11章和第21章中给出了SPECT、PET系统、它们与计算机断层摄影(CT)系统的组合以及用于发射断层摄影的迭代图像重构的概述,该文献的内容通过引用被合并于此。
通常,通过使用伽马照相机获取多个二维(2D)投影并且随后使用计算机执行断层摄影图像重构以获得三维(3D)图像,来执行SPECT成像。例如,发射伽马光子的放射性同位素可被引入到病人体内,并且各种技术中的任何技术能够被用于将放射性同位素结合到体内感兴趣的位置。病人躺在床上,并且一个或多个伽马照相机附接到旋转的台架,使(一个或多个)伽马照相机围绕病人旋转。通过检测由放射性同位素发射的伽马光子,(一个或多个)伽马照相机的检测器在每个定向获取投影数据。
SPECT成像装置通常装备有准直器,诸如平行孔、扇形束或锥形束或编码孔隙(CA)准直器。在平行孔准直的情况下,点响应函数聚焦于小区域,以使得每个检测器像素主要沿法线(即,垂直)方向接收来自输入伽马光子束的光子。在CA准直的情况下,具有按照某种样式钻出的许多孔(孔隙)的薄屏蔽罩被平行于检测器的表面放置。利用CA准直,检测器像素从各种位置接收通量(flux),因此来自源的不同区域的投影交叠,将复杂性引入到断层摄影图像重构的任务。
发明内容
在本公开的一些实施例中,一种产生三维(3D)图像的方法包括:使用一个或多个检测器在多个视角针对病人的身体的一部分获取投影数据,投影数据包括多个二维(2D)投影。3D图像被初始化。对于所述多个视角之中的每个视角,使用与所述视角对应的视角变换对3D图像进行变换以产生与所述视角对应的初始变换图像,并且基于至少初始变换图像和投影数据执行MLEM过程的多次迭代。MLEM过程被利用初始变换图像初始化。3D图像基于MLEM过程的输出而被更新。
在本公开的一些实施例中,一种图像处理的方法包括:使用与视角对应的视角变换对第一3D图像进行变换以产生变换图像。第二3D图像被利用变换图像初始化。对于多次的N次迭代中的每次迭代,其中N是大于一的整数,执行最大似然期望最大化(MLEM)处理。迭代MLEM处理通过下述步骤来改进第二3D图像:对第二3D图像进行前向投影以产生数据模型;将数据模型和与所述视角对应的二维(2D)投影数据集进行比较,以产生与所述视角对应的校正因子;对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子,以及使用与所述视角和所述迭代对应的图像更新因子更新第二3D图像。处理流程随后前进至下一迭代。
在一些实施例中,一种机器可读存储介质以有形方式体现指令的程序,所述指令可由处理器执行以使处理器执行上述图像处理/图像产生方法的操作。
附图说明
根据附图的元件,下面内容将是显而易见的,为了说明性目的而提供所述附图并且所述附图不一定符合比例。
图1是根据本公开的一些实施例的SPECT扫描器系统110的图。
图2是从侧面观察的根据一些实施例的用于过滤伽马光子的掩模的描述。
图3是从前面观察的编码孔隙板300的一个示例的描述。
图4是根据一些实施例的断层摄影图像重构过程400的流程图。
图5是根据一些实施例的过程的流程图。
图6是根据一些实施例的过程的流程图。
具体实施方式
意图结合附图阅读对示例性实施例的这种描述,附图应该被视为全部书面描述的一部分。
图1是根据本公开的一些实施例的SPECT扫描器系统110的图。SPECT扫描器系统110包括台架120,一个或多个伽马照相机附接到台架120。两个伽马照相机130a、130b(统称为伽马照相机130)被示出在图1中,但可使用其它数量的伽马照相机。伽马照相机中的检测器检测由躺在床150上的病人145体内的放射性同位素发射的伽马光子140。计算机151可控制伽马照相机的操作。病人145的身体的一部分位于伽马照相机130之间,并且因此能够被成像。伽马照相机130围绕病人的身体旋转,如图1中的弯曲箭头所示。在旋转期间在定义的点处获取2D投影数据,并且2D投影数据被存储在计算机151的存储器158中。计算机151还可包括处理器152、非暂态计算机可读存储介质154和显示器156。处理器152执行存储在存储介质154上的指令(以下进一步描述),并且操纵存储在存储器158的数据,以从所获取的投影数据重构3D图像。重构的3D图像可被显示在显示器156上。
参照图2,在一些实施例中,具有多个孔隙(孔)的板210位于检测器220前面并且平行于检测器220的表面,检测器220可以是SPECT扫描器系统110中的任何检测器。板210用作过滤由点源200发射的输入伽马光子的掩模。图2侧视(即,从侧面)示出板210和检测器220。图3是从前面观察的编码孔隙板300的一个示例的描述。3D物体能够被视为在垂直于检测器的方向上的一系列图像切片。当执行投影时,每个切片与深度相关编码孔隙矩阵关联。深度在图2中被表示为z,并且能够通过调整检测器220的位置而被改变。最终投影是所有切片投影的总和,即针对每个深度的投影的总和。通过合适地调整(例如,旋转和/或平移)附接到台架120的(一个或多个)伽马照相机130,可实现不同视角。
在图像重构中,物体空间(object space)和数据空间通过系统矩阵而彼此相关。因此,对于任何投影操作,人们能够使用合适的系统矩阵和它的转置在物体空间和数据空间之间变换物体。通常,前向投影是将合适的系统矩阵应用于物体空间中的物体。前向投影的结果是数据空间中的“投影的物体”。作为示例,在核成像中,前向投影是将功能活动密度变换成预测的检测事件的总数据模型的线性操作。对应于前向投影,从数据空间到物体空间的后向投影能够被描述为合适的系统矩阵的转置的应用。
在一些实施例中,使用(一个或多个)检测器130在多个视角(例如,M个视角)针对病人145的身体的一部分获取投影数据。每个视角对应于连接到台架120的检测器的特定旋转和/或平移。投影数据包括多个2D投影。
图4是根据一些实施例的断层摄影图像重构过程400的流程图。在块410,3D图像(表示为I)被初始化。在一些实施例中,I基于定义病人的身体的边界的3D图像掩模而被初始化。例如,可基于3D CT成像来获得图像掩模。可在位于图像掩模内的I的每个体素处分派单个值(例如,值1)。选择M个视角之中的第一视角。使用与第一视角对应的视角变换对图像I进行变换以产生与第一视角对应的初始变换图像,例如如下:
Jv 0 = TvI (1)
在方程(1)中,Jv 0是初始变换图像,并且Tv是与第一视角对应的视角变换。因为项Jv 0和Tv的下标v表示视角索引,并且因为第一视角已被选择,所以v在这个阶段等于1。
执行最大似然期望最大化(MLEM)过程430的多次迭代(例如,N次迭代)。在例如L.A. Shepp and Y. Vardi, "Maximum Likelihood Reconstruction for EmissionTomography," IEEE Transactions on Medical Imaging, vol. 1, pp. 113-122 (1982)描述了MLEM,该文献的全部内容由此通过引用合并于此。在MLEM过程430内, 3D图像J被利用初始变换图像初始化(块432),即:
J = Jv 0 (2)
在图4中示出的MLEM循环的N次迭代中的第一迭代,J被前向投影(块434)以产生与当前视角(即,v=1)对应的数据模型。这个前向投影可被如下表示:
qv = HvJ (3)
在方程(3)中,qv代表与当前视角对应的数据模型,并且Hv是与当前视角对应的系统矩阵。
在块436,与当前视角(即,v=1)对应的数据模型和与当前视角对应的投影数据进行比较,以产生与当前视角对应的校正因子。例如,通过如下那样计算数据模型和投影数据之比,这个比较可在逐像素基础上发生在数据空间中:
rv = pv/qv (4)
在方程(4)中,pv代表与当前视角对应的投影数据,并且rv代表与当前视角对应的校正因子。
在块438,针对当前视角的校正因子被后向投影到3D图像空间,并且执行正则化,以便产生与所述视角和所述迭代对应的图像更新因子,例如如下:
Fv = Hv Trv/Nv (5)
在方程(5)中,Fv是图像更新因子,HV T是Hv的转置,并且Nv是正则化因子(例如,取决于当前视角的常数)。为了方便,在符号Fv中不表示与迭代的关系。
然后,处理流程前进至块432,在块432,在每个体素基础上使用与当前视角和当前迭代对应的图像更新因子更新图像J,例如如下:
Jnew = FvJ (6)
然后,处理流程前进至MLEM循环430的下一迭代。以这种方式,执行MLEM循环430的N次迭代以改进图像J。
在MLEM循环430的N次迭代之后,产生针对当前视角的最终图像更新因子,例如如下:
F_finalv = Jnew/Jv 0 (7)
换句话说,针对每个视角的最终图像更新因子可在每个体素基础上被计算为图像J的最终版本(即,在MLEM过程430的N次迭代之后)与J的初始版本之比。
然后,选择下一个视角,并且流程前进至块420。以这种方式,针对M个视角之中的每个视角执行如上所述的类似处理。在针对第M视角执行块440之后,组合与所有视角对应的最终图像更新因子,例如如下:
Fall = (∑vTT vF_finalv)/Nall (8)
在方程(8)中,Nall是用作正则化因子的常数。这是正则化的一个可能的实现方式,并且也可使用用于正则化的其它技术。
流程前进至块410,在块410,在逐体素基础上更新图像I,例如如下:
Inew = FallI (9)
因此,通过图4中的最外面的循环来改进图像I,并且通过这个最外面的循环的附加的迭代(例如,在一些实施例中,50-200次迭代)来实现I的附加改进。这个最外面的循环本身是MLEM的实现方式。因此,重构过程400包括外MLEM循环和内MLEM循环。对于每个视角,执行内MLEM循环430的N次迭代。传统重构方案针对给定视角仅执行MLEM一次,并且不像本公开的各种实施例中一样在对结果求和之前多次(N次)执行单视角MLEM。此外,传统重构方案不使用外MLEM循环和内MLEM循环的组合。在各种实施例中,例如,由于针对每个视角反复地执行MLEM的图4的内循环430,与现有重构技术相比,深度信息被更充分地利用。特别地,通过使用在编码孔隙情况下可用的编码和解码方案,在各种实施例中,与平行孔准直器相比,更多深度信息被利用 (即,人们能够获得和使用在不同深度的不同图像切片)。
图5是根据一些实施例的过程500的流程图。过程500包括:使用一个或多个检测器在多个视角针对病人的身体的一部分获取(块510)投影数据,投影数据包括多个二维(2D)投影。3D图像被初始化(块520)。在块530,对于所述多个视角之中的每个视角,使用与所述视角对应的视角变换对3D图像进行变换以产生与所述视角对应的初始变换图像,并且基于至少初始变换图像和投影数据执行MLEM过程的多次迭代。MLEM过程被利用初始变换图像初始化。3D图像基于MLEM过程的输出而被更新(块540)。
图6是根据一些实施例的过程600的流程图。过程600包括:使用与视角对应的视角变换对第一3D图像进行变换(块610)以产生变换图像。第二3D图像被利用变换图像初始化(块620)。对于多次N次迭代中的每次迭代,其中N是大于一的整数,执行最大似然期望最大化(MLEM)处理。迭代实现方式被利用块630(初始化计数器)和640(测试循环条件)示出在图6中,但也可使用其它实现方式。迭代MLEM处理通过下述步骤来改进第二3D图像:对第二3D图像进行前向投影以产生数据模型(块650);将数据模型和与所述视角对应的二维(2D)投影数据集进行比较,以产生与所述视角对应的校正因子(块660);对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子(块670);以及使用与所述视角和所述迭代对应的图像更新因子更新第二3D图像(块680)。处理流程随后前进至下一迭代,如图6中所示。
在一些实施例中,存储介质154以有形方式体现指令的程序,所述指令可由处理器152执行以使处理器152执行过程500和600中的操作以及这里描述的各种其它处理。
熟悉本领域的人员应该理解,这里描述的技术可被实现在硬件、固件或在非暂态计算机可读存储介质上编码的软件(例如,可由处理器执行的指令)中。
设备和过程不限于这里描述的特定实施例。另外,每个设备的部件和每个过程能够被独立地并且与这里描述的其它部件和过程分开地实施。
提供前面对实施例的描述以使任何本领域技术人员能够实施本公开。对于本领域技术人员而言,对这些实施例的各种修改将会容易地是显而易见的,并且这里定义的一般原理可在不使用发明能力的情况下被应用于其它实施例。本公开并不意图局限于这里示出的实施例,而是应该被给予与这里公开的原理和新颖特征一致的最宽范围。
Claims (20)
1.一种产生三维(3D)图像的方法,所述方法包括:
使用一个或多个检测器在多个视角针对病人的身体的一部分获取投影数据,所述投影数据包括多个二维(2D)投影;
初始化3D图像;
对于所述多个视角之中的每个视角,使用与所述视角对应的视角变换对所述3D图像进行变换以产生与所述视角对应的初始变换图像,并且至少基于所述初始变换图像和所述投影数据执行最大似然期望最大化MLEM过程的多次迭代,其中MLEM过程被利用所述初始变换图像初始化;以及
基于MLEM过程的输出更新3D图像。
2.如权利要求1所述的方法,其中执行所述MLEM过程的每次迭代产生更新的变换图像,所述方法还包括:
对于每个视角,基于与所述视角对应的所述更新的变换图像和初始变换图像,计算与所述视角对应的图像更新因子。
3.如权利要求2所述的方法,其中所述更新3D图像包括基于与所述多个视角中的相应视角对应的所述图像更新因子更新3D图像。
4.如权利要求1所述的方法,其中所述一个或多个检测器附接到台架,并且每个视角对应于所述台架的相应旋转位置。
5.如权利要求1所述的方法,其中针对每个视角的所述对3D图像进行变换、针对每个视角的所述执行MLEM过程的多次迭代以及所述更新3D图像各自被执行多次,以连续地改进3D图像。
6.如权利要求1所述的方法,其中所述3D图像是第一3D图像,并且针对每个视角的所述MLEM过程包括:
利用与所述视角对应的所述初始变换图像初始化第二3D图像;以及
对于N次迭代中的每次迭代,其中N是大于一的整数,通过下述步骤来执行最大似然期望最大化MLEM处理以改进所述第二3D图像:
对所述第二3D图像进行前向投影以产生与所述视角对应的数据模型;
将与所述视角对应的数据模型和与所述视角对应的投影数据进行比较,以产生与所述视角对应的校正因子;
对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子;以及
使用与所述视角和所述迭代对应的图像更新因子更新所述第二3D图像。
7.如权利要求6所述的方法,其中至少基于与所述多个视角中的相应视角对应的多个最终图像更新因子更新所述第一3D图像。
8.一种图像处理的方法,所述方法包括:
(a)使用与视角对应的视角变换对第一3D图像进行变换以产生变换图像;
(b)利用所述变换图像初始化第二3D图像;
(c)对于多次N次迭代中的每次迭代,其中N是大于一的整数,通过下述步骤来执行最大似然期望最大化MLEM处理以改进所述第二3D图像:
对所述第二3D图像进行前向投影以产生数据模型,
将所述数据模型和与所述视角对应的二维(2D)投影数据集进行比较,以产生与所述视角对应的校正因子,
对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子,以及
使用与所述视角和所述迭代对应的图像更新因子更新所述第二3D图像。
9.如权利要求8所述的方法,还包括:
(d)至少使用与所述视角对应的最终图像更新因子更新所述第一3D图像。
10.如权利要求8所述的方法,其中所述视角是多个M个视角之中的第一视角,M是整数,所述方法还包括针对另外的M-1个视角执行步骤(a)、(b)和(c)。
11.如权利要求10所述的方法,还包括:
(d)至少使用与相应视角对应的多个最终图像更新因子更新所述第一3D图像。
12.一种机器可读存储介质,所述机器可读存储介质以有形方式体现指令的程序,所述指令可由处理器执行以使所述处理器执行包括下述各项的操作:
使用一个或多个检测器在多个视角针对病人的身体的一部分获取投影数据,所述投影数据包括多个二维(2D)投影;
初始化3D图像;
对于所述多个视角之中的每个视角,使用与所述视角对应的视角变换对所述3D图像进行变换以产生与所述视角对应的初始变换图像,并且至少基于所述初始变换图像和所述投影数据执行最大似然期望最大化MLEM过程的多次迭代,其中MLEM过程被利用所述初始变换图像初始化;以及
基于MLEM过程的输出更新3D图像。
13.如权利要求12所述的存储介质,其中执行所述MLEM过程的每次迭代产生更新的变换图像,并且所述指令还可由处理器执行以使所述处理器执行包括下述步骤的操作:
对于每个视角,基于与所述视角对应的所述更新的变换图像和初始变换图像,计算与所述视角对应的图像更新因子。
14.如权利要求13所述的存储介质,其中所述更新3D图像包括基于与所述多个视角中的相应视角对应的所述图像更新因子更新3D图像。
15.如权利要求12所述的存储介质,其中所述指令可由处理器执行以使所述处理器执行以下各项中的每个以连续地改进3D图像:针对每个视角的所述对3D图像进行变换、针对每个视角的所述执行MLEM过程的多次迭代以及所述更新3D图像多次。
16.如权利要求12所述的存储介质,其中所述3D图像是第一3D图像,并且针对每个视角的MLEM过程包括:
利用与所述视角对应的所述初始变换图像初始化第二3D图像;以及
对于N次迭代中的每次迭代,其中N是大于一的整数,通过下述步骤来执行最大似然期望最大化MLEM处理以改进第二3D图像:
对第二3D图像进行前向投影以产生与所述视角对应的数据模型;
将与所述视角对应的数据模型和与所述视角对应的投影数据进行比较,以产生与所述视角对应的校正因子;
对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子;以及
使用与所述视角和所述迭代对应的图像更新因子更新第二3D图像。
17.如权利要求16所述的存储介质,其中更新3D图像包括至少基于与所述多个视角中的相应视角对应的多个最终图像更新因子更新3D图像。
18.一种机器可读存储介质,所述机器可读存储介质以有形方式体现指令的程序,所述指令可由处理器执行以使所述处理器执行包括下述各项的操作:
(a)使用与视角对应的视角变换对第一3D图像进行变换以产生变换图像;
(b)利用所述变换图像初始化第二3D图像;
(c)对于多次N次迭代中的每次迭代,其中N是大于一的整数,通过下述步骤来执行最大似然期望最大化MLEM处理以改进第二3D图像:
对第二3D图像进行前向投影以产生数据模型,
将所述数据模型和与所述视角对应的二维(2D)投影数据集进行比较,以产生与所述视角对应的校正因子,
对与所述视角对应的校正因子进行后向投影并且在图像空间中应用正则化因子,以产生与所述视角和所述迭代对应的图像更新因子,以及
使用与所述视角和所述迭代对应的图像更新因子更新第二3D图像。
19.如权利要求18所述的存储介质,其中所述指令还可由所述处理器执行以使所述处理器执行包括下述步骤的操作:
(d)至少使用与所述视角对应的最终图像更新因子更新第一3D图像。
20.如权利要求18所述的存储介质,其中所述视角是多个M个视角之中的第一视角,M是整数,并且所述指令还可由所述处理器执行以使所述处理器针对另外的M-1个视角执行操作(a)、(b)和(c)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462012445P | 2014-06-16 | 2014-06-16 | |
US62/012445 | 2014-06-16 | ||
PCT/IB2015/054533 WO2015193802A1 (en) | 2014-06-16 | 2015-06-16 | Multi-view tomographic reconstruction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106462988A CN106462988A (zh) | 2017-02-22 |
CN106462988B true CN106462988B (zh) | 2019-08-20 |
Family
ID=53525218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580032113.2A Active CN106462988B (zh) | 2014-06-16 | 2015-06-16 | 多视角断层摄影重构 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10217250B2 (zh) |
CN (1) | CN106462988B (zh) |
DE (1) | DE112015002831B4 (zh) |
HU (1) | HU231354B1 (zh) |
WO (1) | WO2015193802A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462987B (zh) * | 2014-06-13 | 2019-11-19 | 美国西门子医疗解决公司 | 基于投影数据集的用于体积的改进图像重构 |
US11348292B2 (en) | 2019-02-18 | 2022-05-31 | Argospect Technologies Inc. | Image reconstruction method for collimator and detector based medical imaging systems |
US11574184B2 (en) * | 2019-09-13 | 2023-02-07 | Siemens Medical Solutions Usa, Inc. | Multi-modal reconstruction network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101031938A (zh) * | 2004-09-28 | 2007-09-05 | 皇家飞利浦电子股份有限公司 | 图像处理设备和方法 |
CN102364524A (zh) * | 2011-10-26 | 2012-02-29 | 清华大学 | 一种基于变光照多视角间差采样的三维重建方法和装置 |
CN102525501A (zh) * | 2010-11-22 | 2012-07-04 | 佳能株式会社 | 图像处理设备和图像处理方法 |
CN103180883A (zh) * | 2010-10-07 | 2013-06-26 | 桑格威迪公司 | 快速3d模型 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030190065A1 (en) * | 2002-03-26 | 2003-10-09 | Cti Pet Systems, Inc. | Fast iterative image reconstruction from linograms |
US7120283B2 (en) * | 2004-01-12 | 2006-10-10 | Mercury Computer Systems, Inc. | Methods and apparatus for back-projection and forward-projection |
HUP0400894A2 (en) | 2004-04-29 | 2006-08-28 | Lorant Szabo | Method and device 3d digital photograph drawing |
HU226835B1 (en) | 2004-09-20 | 2009-12-28 | Attila Dr Balogh | Method for 3 dimensional scanning of parts of human body and for electronic recording and playing back of scanned surface information |
US8086011B2 (en) * | 2007-10-31 | 2011-12-27 | Siemens Medical Solutions Usa, Inc. | Reconstructing a tomographic image |
US8094898B2 (en) * | 2008-07-16 | 2012-01-10 | Siemens Medical Solutions Usa, Inc. | Functional image quality assessment |
HUP1200013A2 (en) | 2012-01-06 | 2013-07-29 | Leonar3Do Internat Zrt | System and method for 3 dimension display |
WO2014063085A1 (en) * | 2012-10-18 | 2014-04-24 | Williams Mark B | System and method for expectation maximization reconstruction for gamma emission breast tomosynthesis |
US9001962B2 (en) * | 2012-12-20 | 2015-04-07 | Triple Ring Technologies, Inc. | Method and apparatus for multiple X-ray imaging applications |
-
2015
- 2015-06-16 DE DE112015002831.5T patent/DE112015002831B4/de active Active
- 2015-06-16 WO PCT/IB2015/054533 patent/WO2015193802A1/en active Application Filing
- 2015-06-16 US US15/315,719 patent/US10217250B2/en active Active
- 2015-06-16 CN CN201580032113.2A patent/CN106462988B/zh active Active
- 2015-06-16 HU HUP1700011A patent/HU231354B1/hu unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101031938A (zh) * | 2004-09-28 | 2007-09-05 | 皇家飞利浦电子股份有限公司 | 图像处理设备和方法 |
CN103180883A (zh) * | 2010-10-07 | 2013-06-26 | 桑格威迪公司 | 快速3d模型 |
CN102525501A (zh) * | 2010-11-22 | 2012-07-04 | 佳能株式会社 | 图像处理设备和图像处理方法 |
CN102364524A (zh) * | 2011-10-26 | 2012-02-29 | 清华大学 | 一种基于变光照多视角间差采样的三维重建方法和装置 |
Non-Patent Citations (1)
Title |
---|
Maximum likelihood reconstruction for emission tomography;L. A. SHEPP AND Y. VARDI;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;19821031;第MI-1卷(第2期);第1-3部分 |
Also Published As
Publication number | Publication date |
---|---|
WO2015193802A1 (en) | 2015-12-23 |
HUP1700011A2 (en) | 2017-05-29 |
US10217250B2 (en) | 2019-02-26 |
US20170098316A1 (en) | 2017-04-06 |
CN106462988A (zh) | 2017-02-22 |
DE112015002831B4 (de) | 2023-01-19 |
DE112015002831T5 (de) | 2017-04-27 |
HU231354B1 (hu) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Iterative PET image reconstruction using convolutional neural network representation | |
US11847761B2 (en) | Medical image processing apparatus having a plurality of neural networks corresponding to different fields of view | |
US20230119427A1 (en) | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction | |
US9155514B2 (en) | Reconstruction with partially known attenuation information in time of flight positron emission tomography | |
Zhou et al. | Fast and efficient fully 3D PET image reconstruction using sparse system matrix factorization with GPU acceleration | |
US8457380B2 (en) | PET local tomography | |
CN107871331B (zh) | 用于重构发射活动图像的系统和方法 | |
EP1938276B1 (en) | Distributed iterative image reconstruction | |
Markiewicz et al. | NiftyPET: a high-throughput software platform for high quantitative accuracy and precision PET imaging and analysis | |
US10515478B2 (en) | Image data processing | |
CN106462987B (zh) | 基于投影数据集的用于体积的改进图像重构 | |
Benoit et al. | Optimized MLAA for quantitative non-TOF PET/MR of the brain | |
CN110023999A (zh) | 发射和透射断层摄影中的交互式目标超快重建 | |
US10210635B2 (en) | Reconstruction quality assessment with local non-uniformity in nuclear imaging | |
CN109844815A (zh) | 使用从不同迭代提取的特征图像进行基于特征的图像处理 | |
CN110168410A (zh) | 用于数字pet重建的死像素校正 | |
CN106462988B (zh) | 多视角断层摄影重构 | |
WO2015198189A1 (en) | Reconstruction with multiple photopeaks in quantitative single photon emission computed tomography | |
Li et al. | Modified kernel MLAA using autoencoder for PET-enabled dual-energy CT | |
Bruder et al. | Compensation of skull motion and breathing motion in CT using data-based and image-based metrics, respectively | |
Galve et al. | Super-iterative image reconstruction in PET | |
Yu et al. | Sparse/low rank constrained reconstruction for dynamic pet imaging | |
KR101493683B1 (ko) | 콘-빔 기반 반응선 재구성을 이용한 초고해상도 pet 영상 재구성 장치 및 그 방법 | |
Vidal et al. | Artificial evolution for 3D PET reconstruction | |
López Herraiz et al. | Deep-learning based positron range correction of PET images |
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 |