CN106683144A - 一种图像迭代重建方法及装置 - Google Patents

Abstract

本发明实施例公开了一种图像迭代重建方法及装置。该方法包括：获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵；依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵；依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。通过上述技术方案，实现了在图像迭代重建的过程中逐步进行骨硬化伪影的消除，能够有效减少迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

Description

一种图像迭代重建方法及装置

技术领域

本发明实施例涉及医学图像处理技术，尤其涉及一种图像迭代重建方法及装置。

背景技术

目前的计算机断层扫描(Computed Tomography，CT)系统中所用的X射线不是理想的单色源，而是具有一定频谱宽度的X射线源，这就使得X射线投影值与X射线经过物体的长度之间不再满足线性关系，进而导致重建的图像中出现X射线硬化伪影。

通常在图像重建之前会对原始投影数据进行基于水模的射线硬化校正，即水硬化校正，水硬化校正会将软组织的X射线硬化现象消除，但无法消除由于人体骨头引起的射线硬化伪影，即骨硬化伪影。

现有的骨硬化伪影校正方法大致有两种。一种方法是图像预处理方法，即预骨硬化校正方法，这种方法类似于水硬化校正方法，是在进行图像迭代重建之前从原始数据中剔除骨硬化数据，如此，迭代重建模型的输入数据就是经过骨硬化校正的投影数据，从而达到消除骨硬化伪影的目的。另一种方法是图像后处理方法，即后骨硬化校正方法，这种方法先从初始重建的图像中分割出只包含骨头信息的图像，然后对骨头图像进行正投影及多项式拟合变换，得到骨头的投影误差数据，再对骨头投影误差数据进行反投影，得到骨硬化伪影图像，最后从初始重建的图像中减去骨硬化伪影图像，获得骨硬化校正图像。但是上述第一种方法可能从原始投影数据中错误地剔除有用目标物信息，造成信息丢失；而第二种方法无法完全消除骨硬化伪影，还可能在校正的过程中引入其他伪影。

发明内容

本发明实施例提供一种图像迭代重建方法及装置，以实现更好地去除重建图像中的骨硬化伪影，保证重建图像的质量。

第一方面，本发明实施例提供了一种图像迭代重建方法，包括以下步骤：

获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵；

依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵；

依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

可选地，获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵包括：对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

可选地，依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵包括：依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

可选地，上述骨硬化迭代重建模型通过如下方式预先建立：

构建骨硬化迭代重建模型的目标函数如下：

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子；

利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数，作为所述骨硬化迭代重建模型。

其中，利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数包括：利用牛顿优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数。

可选地，依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像包括：依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

其中，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像包括：先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像；或，交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

第二方面，本发明实施例还提供了一种图像迭代重建装置，该装置包括：

第一初始数据获取模块，用于获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵；

第二初始数据获取模块，用于依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵；

重建图像获取模块，用于依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

可选地，第一初始数据获取模块具体用于：对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

可选地，第二初始数据获取模块具体用于：依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

可选地，在上述装置的基础上，上述装置还包括：骨硬化迭代重建模型建立模块，用于预先建立骨硬化迭代重建模型；

上述骨硬化迭代重建模型建立模块包括：

目标函数构建子模块，用于构建骨硬化迭代重建模型的目标函数如下：

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子；

骨硬化迭代重建模型获取子模块，用于利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数，作为所述骨硬化迭代重建模型。

进一步地，骨硬化迭代重建模型获取子模块具体用于：利用牛顿优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数。

可选地，重建图像获取模块包括：重建图像获取子模块，用于依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

进一步地，上述重建图像获取子模块具体用于：先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像；或，交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

根据本发明的一个方面，还公开了一种图像迭代重建方法，包括：获取目标对象的经过水硬化校正的投影数据；依据所述投影数据对目标对象的图像进行迭代重建，其中，迭代重建的过程中包含骨硬化校正。

根据本发明的另一个方面，还公开了一种图像迭代重建方法。该图像迭代重建方法包括：获取目标对象的原始投影数据；基于所述原始投影数据进行初始图像重建，以获取对应的初始重建图像；基于所述原始投影数据进行噪声估计，以获得对应的噪声权重数据；将所述原始投影数据经过水硬化校正的投影数据、所述初始重建图像和所述噪声权重数据输入到迭代重建模型中，以生成最终的重建图像；其中，在所述迭代重建模型中至少包括骨硬化迭代重建模型，所述骨硬化迭代重建模型的目标函数如下：

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子。

根据本发明的再一个方面，还公开了一种图像迭代重建方法。该图像迭代重建包括：获取目标对象的原始投影数据；对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；基于所述经过水硬化校正的投影数据，获得所述目标对象的初始重建图像；基于所述原始投影数据或者所述经过水硬化校正的投影数据，获得所述目标对象的噪声权重数据；基于所述经过水硬化校正的投影数据、初始重建图像和所述噪声权重数据，迭代获得所述目标对象的经过骨硬化校正的投影数据；基于经过骨硬化校正的投影数据，重建获得所述目标对象的经过骨硬化校正的图像。

本发明实施例首先获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，然后依据该投影数据生成初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵，之后再将上述投影数据、初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵作为预先建立的骨硬化迭代重建模型进行图像迭代重建，获得目标对象的经过骨硬化校正的重建图像，能够在图像迭代重建的过程中逐步进行骨硬化伪影的消除，解决了前骨硬化校正方法中难以识别并正确去除骨硬化伪影的问题，以及后骨硬化校正方法中难以消除逐步累积的骨硬化伪影的问题，有效减少了迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

附图说明

图1为现有技术中常规迭代重建图像的流程图；

图2是本发明实施例一中的一种图像迭代重建方法的流程图；

图3a是本发明实施例一中的包含带状骨硬化伪影的头部CT图像；

图3b是本发明实施例一中的包含模糊边界的骨硬化伪影的头部CT图像；

图3c是本发明实施例一中的利用后骨硬化校正模型对常规迭代重建模型获得的重建图像进行骨硬化校正后的头部CT图像；

图3d是本发明实施例一中的利用骨硬化迭代重建模型进行骨硬化校正后的头部CT图像；

图4是本发明实施例三中的一种图像迭代重建方法的流程图；

图5是本发明实施例三中的常规迭代重建模型和骨硬化迭代重建模型综合应用的迭代重建过程示意图；

图6是本发明实施例四中的一种图像迭代重建装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

通常情况下，利用常规迭代重建模型(即通常所用的迭代重建模型)获取迭代重建图像的过程如图1所示。首先，对目标对象进行射线扫描，获得原始投影数据101，该原始投影数据可以经过诸如空气校正、水硬化校正等预处理。然后，对原始投影数据进行初次反投影图像重建，获得初始重建图像102，之后执行上述迭代重建过程103，即将初始重建图像102作为中间的重建图像104，并判断迭代是否结束。如果迭代过程未结束，那么对中间的重建图像104进行正则化计算，获得惩罚因子105。同时，对中间的重建图像104进行正投影，获得相应的估计的投影数据106，将该估计的投影数据106与原始投影数据101进行比较，获得投影误差数据107。考虑到原始投影数据获取过程中的诸如X射线量子噪声及仪器电子噪声等的影响，对原始投影数据进行噪声估计，获得噪声权重矩阵108，然后利用该噪声权重矩阵对之前获得的投影误差数据进行噪声加权，以获得噪声加权投影误差数据109。对噪声加权投影误差数据109进行反投影计算，获得投影误差图像110。然后利用该投影误差图像110及惩罚因子105对中间的重建图像104进行图像更新，获得新的中间的重建图像，之后再判断迭代是否结束，如果迭代过程仍未结束，那么继续执行上述迭代重建过程103，直至判断迭代过程结束，将最后获得的中间的重建图像作为最终的重建图像111，结束整个迭代图像重建过程。

实施例一

图2为本发明实施例一提供的一种图像迭代重建方法的流程图，该方法可以由图像迭代重建装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在任何需要进行医学图像重建的设备中，例如典型的是医学三维扫描设备，比如常规CT扫描仪、螺旋CT扫描仪或核磁共振扫描仪等。具体包括如下步骤：

S210、获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵。

通常骨硬化伪影有两类表现，一类是致密物体之间和骨的延长线方向的暗色条带，如图3a所示的带状的骨硬化伪影301，这是由于穿过骨组织较多的射线和穿过骨组织较少的射线的差异造成的；另一类是退化的骨边界，在软组织和骨组织边界处的像素点的CT值(CT值代表X射线穿过组织被吸收后的衰减值)会被抬高，产生一个模糊的边界，如图3b所示的边界模糊的第一骨硬化伪影303和第二骨硬化伪影304，这些骨硬化伪影的存在会影响重建图像的质量，进而影响到疾病诊断。

根据上述常规迭代重建图像的过程描述可以得知，常规迭代重建图像的过程中并不进行骨硬化伪影的校正，反而是不断地将中间的重建图像的正投影数据趋近于包含骨硬化效应的原始投影数据，这样骨硬化效应会通过多次的正投影和反投影而被不断累积，使得最终的迭代重建图像中的骨硬化伪影更加明显。所以，利用迭代重建模型获取的重建图像必须进行骨硬化伪影的去除，即骨硬化校正。现有的骨硬化校正方法分别对应于在迭代重建过程之前及之后进行骨硬化伪影的去除，即预骨硬化校正方法和后骨硬化校正方法，两者均不对迭代重建模型进行任何改变，难以有效去除迭代重建图像中不断累积的骨硬化伪影。本实施例中，为了有效去除迭代重建过程中的骨硬化伪影，对常规迭代重建模型进行模型的改进，以将骨硬化效应当作一个误差因子在每一次迭代的过程中进行逐步地消除。

根据常规迭代重建图像的过程描述可知，进行图像的迭代重建通常需要原始投影数据(或经过水硬化校正的投影数据)、初始重建图像、正则化惩罚因子及噪声权重矩阵共四种迭代重建模型输入数据。本实施例中至少还需要初始骨图像分割矩阵，用于从初始重建图像中分割出骨头图像，获得骨误差投影数据，并进一步地在迭代重建过程中对其进行校正。

示例性地，获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵包括：对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

具体地，利用医学三维扫描设备对目标对象进行射线扫描，获得目标对象的原始投影数据，然后利用水模型校正算法对原始投影数据进行水硬化校正，消除软组织的射线硬化效应，获得包含骨硬化效应的投影数据，即经过水硬化校正的投影数据。

然后，对该投影数据进行射束重排以及重建参数选择等处理，并采用图像重建算法进行图像重建，获得该投影数据的初始重建图像，该初始重建图像中包含骨硬化效应。其中，射束重排可以是利用不同方法进行角向重排或径向重排，以获得等间距的平行X射线；重建参数的选择通常是临床选用的重建参数，比如重建卷积核选择为标准卷积核；图像重建算法可以是滤波反投影算法，也可以是常规迭代重建算法，还可以是本实施例的改进的迭代重建算法(即预先建立的骨硬化迭代重建算法)等。

之后，再对投影数据(也称强度域信号)取对数以获取衰减域信号，基于该衰减域信号和强度域噪声方差得到衰减域噪声方差，对该衰减域噪声方差进行缩减处理获得缩减噪声方差，即噪声权重矩阵。其中，强度域噪声主要包括X射线的量子噪声和检测器本身所具有的电子噪声。

S220、依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵。

示例性地，步骤S120可以具体为：依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

具体地，在对迭代重建模型进行改进的过程中，进行大量的临床实验，获得大量临床测试数据，依据这些临床测试数据经验性设定初始正则化惩罚因子。

然后根据骨头成分对应的经验性的图像CT值范围，确定出从初始重建图像中分割骨头图像的分割阈值，利用该分割阈值从初始重建图像中确定出骨头所在的像素，然后生成初始骨图像分割矩阵。比如，可以先生成一个与初始重建图像维度相同的单位矩阵，然后利用分割阈值及初始重建图像对该单位矩阵中的每个像素进行重新赋值，也就是说，单位矩阵中对应于初始重建图像CT值落在分割阈值范围内的像素，不改变其像素值(即1)，而对于单位矩阵中对应于初始重建图像CT值未落入分割阈值范围内的像素，则像素值赋值为0，如此便可以得到初始骨图像分割矩阵。

S230、依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

其中，骨硬化迭代重建模型是对常规迭代重建模型进行改进后获得的可以在迭代重建的过程中进行骨硬化校正的改进的迭代重建模型，该模型的构建中加入了骨硬化模型，即每次迭代都进行骨硬化模型的计算，以实现骨硬化伪影的逐步消除。

具体地，将上述步骤中获得的经过水硬化校正的投影数据、初始重建图像、初始骨图像分割矩阵、噪声权重矩阵及初始正则化惩罚因子作为模型输入数据，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得经过骨硬化校正的重建图像。当然，上述过程中除了利用预先建立的骨硬化迭代重建模型之外，还可以综合利用常规迭代重建模型，以实现快速、有效地进行图像的迭代重建。

本实施例的技术方案，通过获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，然后依据该投影数据生成初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵，之后再将上述投影数据、初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵作为预先建立的骨硬化迭代重建模型进行图像迭代重建，获得目标对象的经过骨硬化校正的重建图像，能够在图像迭代重建的过程中逐步进行骨硬化伪影的消除，解决了前骨硬化校正方法中难以识别并正确去除骨硬化伪影的问题，以及后骨硬化校正方法中难以消除逐步累积的骨硬化伪影的问题，有效减少了迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

实施例二

本实施例在上述各实施例的基础上，对上述的骨硬化迭代重建模型进行进一步介绍。

根据上述实施例的说明可知，本发明实施例中所用的骨硬化迭代重建模型对常规迭代重建模型进行了改进，在模型构建过程中考虑了骨硬化模型。

首先，常规迭代重建模型的目标函数是：

其中，FP是将图像域转换至投影域的正投影算子，X^WC是水硬化校正后的重建图像，FP(X^WC)是水硬化校正后的重建图像的投影数据，Y^WC是经过水硬化校正的投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，该参数可以通过公式求解计算得到，也可以根据临床实验进行经验性设定，R是正则化惩罚因子。

通过优化求解算法，对上述目标函数进行优化求解，就可以获得迭代重建的更新函数，比如，利用牛顿优化算法对目标函数(1)进行优化求解，得到更新函数如下：

其中，X^WC(k+1)是待更新的重建图像，X^WC(k)是更新前的重建图像，也称为中间的迭代重建图像；α是校正项调整参数，该参数可以通过公式求解计算得到，也可以根据临床实验进行经验性设定；BP是将投影域转换至图像域的反投影算子；和分别是正则化惩罚因子R的一阶导数和二阶导数，也称为正则化惩罚因子；I是与重建图像相同维度的单位矩阵，FP(I)是单位矩阵I的投影数据。

利用该更新函数就可以求解出最终的迭代重建图像X^WC。

其次，模型改进中的骨硬化模型来源于后骨硬化校正方法，基本的后骨硬化校正模型是：

X^BC＝X^WC+FBP(f(FP(mask·X^WC))) (3)

其中，X^BC是骨硬化校正后的重建图像，FBP是滤波反投影算子，f是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，f(FP(mask·X^WC))是理想投影数据与水硬化校正投影数据之间的误差投影数据，理想投影数据是X射线为理想的单色源时经过物体时的投影值，FBP(f(FP(mask·X^WC)))是骨硬化误差图像。

上述后骨硬化校正的基本过程是，首先对经过水硬化校正的迭代重建图像进行骨图像分割，然后对分割后的骨图像进行正投影及多项式转换，获得骨硬化误差投影数据，进一步对该骨硬化误差投影数据进行滤波反投影计算，获得骨硬化误差图像，最后从之前的迭代重建图像中去除该骨硬化误差图像，即可得到最后的骨硬化校正图像。该方法不需要对迭代重建模型进行任何改变，但是难以有效去除迭代重建图像中不断累积的骨硬化伪影。

综合考虑常规迭代重建模型及后骨硬化校正模型，本实施例中对常规迭代重建模型(1)进行改进，将后骨硬化校正模型(3)中的骨硬化模型融合到迭代重建模型的构建之中，获得了本发明实施例的骨硬化迭代重建模型，其目标函数如下：

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，该参数可以通过公式求解计算得到，也可以根据临床实验进行经验性设定，R是正则化惩罚因子。

从骨硬化迭代重建模型的目标函数(4)可以看出，FP(X^BC)是经过骨硬化校正及水硬化校正(模型的输入数据是经过水硬化校正的投影数据)的迭代重建图像的投影数据，f(FP(mask·X^BC))是骨硬化校正后的误差投影数据，Y^WC是经过水硬化校正的投影数据，从理论上分析，如果骨硬化校正和水硬化校正都比较完全，那么上述三种投影数据的差值就会非常接近于0，所以可以通过上述目标函数进行包含骨硬化校正的图像迭代重建，以获得更加有效地去除骨硬化伪影的迭代重建图像。

同样地，利用优化求解算法对骨硬化迭代重建模型的目标函数(4)进行优化求解，就可以得到迭代重建的更新函数，进而求解出最终的经过骨硬化校正的迭代重建图像X^BC。其中的优化求解算法可以是梯度下降法、牛顿法及拉格朗日乘数法等，此处不进行限定。

示例性地，可以利用牛顿优化算法对上述目标函数进行优化求解，获得其对应的更新函数如下：

其中，X^BC(k+1)是待更新的骨硬化校正的重建图像，X^BC(k)是更新前的骨硬化校正的重建图像，也称为中间的迭代重建图像；α是校正项调整参数，该参数可以通过公式求解计算得到，也可以根据临床实验进行经验性设定；BP是将投影域转换至图像域的反投影算子；W是噪声权重矩阵；Y^WC是经过水硬化校正的投影数据；和分别是是多项式函数f的一阶导数和二阶导数；和分别是正则化惩罚因子R的一阶导数和二阶导数，也称为正则化惩罚因子；β是控制数据相似性和图像平滑性之间达到平衡的参数，该参数可以通过公式求解计算得到，也可以根据临床实验进行经验性设定；I是与重建图像相同维度的单位矩阵，FP(I)是单位矩阵I的投影数据；mask是与重建图像具有相同维度的骨图像分割矩阵，FP(mask·I)是骨图像分割矩阵的投影数据。

具体地，可以将上述更新函数(5)作为骨硬化迭代重建模型，将经过水硬化校正的投影数据、初始重建图像、初始骨图像分割矩阵、初始噪声权重矩阵及初始正则化惩罚因子作为输入数据，进行最终的骨硬化校正后的重建图像的迭代重建。

由于常规迭代重建模型的更新函数(2)与本实施例中骨硬化迭代重建模型的更新函数(5)都是基于牛顿优化算法得到，所以可以直接将两者进行比较，以展示本实施例中骨硬化迭代重建模型的改进点：本实施例更新函数(5)中的正投影算子和反投影算子与常规迭代重建模型中的相应算法相同，但是，正投影和反投影的操作次数增加至4次。另外，骨图像分割矩阵mask、多项式函数f及其导数、正则化惩罚因子R及其导数均应该在图像更新之后进行相应的更新。所以在每一次图像更新的迭代重建中，除了各为4次的正投影和反投影计算外，诸如阈值分割的骨图像分割函数、多项式函数、正则化函数以及求导运算等也应该被相应地执行。

分别利用常规迭代重建模型和后骨硬化校正模型及本实施例中的骨硬化迭代重建模型对图3b所示的头部CT图像进行迭代重建和骨硬化校正，获得经过骨硬化校正的迭代重建图像，如图3c和图3d所示。分别将图3c和图3d与图3b进行比较，可以看出上述两种方法都能够在一定程度上消除第一骨硬化伪影303和第二骨硬化伪影304。再对比图3c的第一后骨硬化校正骨图像303′和图3d的第一骨硬化迭代重建骨图像303″，可以发现，相较于后骨硬化校正方法，本实施例的骨硬化迭代重建模型可以更加有效地消除骨组织和软组织之间边界比较复杂的骨硬化伪影。对比图3c的第二后骨硬化校正骨图像304′和图3d的第二骨硬化迭代重建骨图像304″，可以发现，对于骨组织和软组织之间边界比较简单的骨硬化伪影，上述两种骨硬化校正方法的校正效果基本相当。所以，本实施例的骨硬化迭代重建模型可以更加全面、有效地消除骨硬化伪影。

本实施例的骨硬化迭代重建模型将后骨硬化校正模型中的骨硬化模型融合到迭代重建模型的构建中，能够在图像迭代重建的过程中逐步进行骨硬化伪影的消除，解决了前骨硬化校正方法中难以识别并正确去除骨硬化伪影的问题，以及后骨硬化校正方法中难以消除逐步累积的骨硬化伪影的问题，有效减少了迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

实施例三

图4为本发明实施例三提供的一种图像迭代重建方法的流程图，本实施例在上述实施例的基础上进行了具体说明和优化。其中与上述实施例相同的步骤采用与其相应的附图标记，与上述实施例相同或相应的术语的解释在此不再赘述。下面结合图4对本发明实施例三提供的图像重建方法进行说明，本实施例的方法包括：

S210、获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵。

S220、依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵。

S231、依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

具体地，由于骨硬化迭代重建模型中每一次迭代中都会进行骨硬化伪影的消除，所以其迭代计算过程相较于常规迭代重建模型的计算过程要复杂，所需时间也较长。为了能够满足各种实际应用需求，比如图像重建速率或图像重建质量等，本实施例中给出将骨硬化迭代重建模型及常规迭代重建模型综合应用的情况。也就是将上述步骤中获得的经过水硬化校正的投影数据、初始重建图像、初始骨图像分割矩阵、噪声权重矩阵及初始正则化惩罚因子作为模型输入数据，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型共同进行图像迭代重建，获得经过骨硬化校正的重建图像。

示例性地，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像具体可以为：

A、先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

具体地，将经过水硬化校正的投影数据、初始重建图像、噪声权重矩阵及初始正则化惩罚因子作为常规迭代重建模型的输入数据，通过至少一次的常规迭代重建模型进行图像迭代重建，获得中间的重建图像。然后，将经过水硬化校正的投影数据、上述中间的重建图像、根据中间的重建图像及骨图像的分割阈值确定的骨图像分割矩阵、噪声权重矩阵及更新的正则化惩罚因子作为骨硬化迭代重建模型的输入数据，通过至少一次的骨硬化迭代重建模型再进行图像迭代重建，获得最终的骨硬化校正后的重建图像。

B、先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

具体地，将经过水硬化校正的投影数据、初始重建图像、初始骨图像分割矩阵、噪声权重矩阵及初始正则化惩罚因子作为骨硬化迭代重建模型的输入数据，通过至少一次的骨硬化迭代重建模型进行图像迭代重建，获得中间的重建图像。然后，将经过水硬化校正的投影数据、上述中间的重建图像、噪声权重矩阵及更新的正则化惩罚因子作为常规迭代重建模型的输入数据，通过至少一次的常规迭代重建模型再进行图像迭代重建，获得最终的骨硬化校正后的重建图像。

C、交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

具体地，该步骤是一次常规迭代重建模型及一次骨硬化迭代重建模型交替重复利用的过程。也就是说，先将经过水硬化校正的投影数据、初始重建图像、噪声权重矩阵及初始正则化惩罚因子作为常规迭代重建模型的输入数据，通过一次常规迭代重建模型进行图像迭代重建，获得第一个中间的重建图像。然后，再将上述经过水硬化校正的投影数据、上述第一个中间的重建图像、根据第一个中间的重建图像及骨图像的分割阈值确定的骨图像分割矩阵、噪声权重矩阵及第一次更新的正则化惩罚因子作为骨硬化迭代重建模型的输入数据，通过一次骨硬化迭代重建模型再进行图像迭代重建，获得第二个中间的重建图像。之后，将经过水硬化校正的投影数据、第二个中间的重建图像、噪声权重矩阵及第二次更新的正则化惩罚因子作为常规迭代重建模型的输入数据，通过一次常规迭代重建模型进行图像迭代重建，获得第三个中间的重建图像。再将上述经过水硬化校正的投影数据、上述第三个中间的重建图像、根据第三个中间的重建图像及骨图像的分割阈值确定的骨图像分割矩阵、噪声权重矩阵及第三次更新的正则化惩罚因子作为骨硬化迭代重建模型的输入数据，通过一次骨硬化迭代重建模型再进行图像迭代重建，获得第四个中间的重建图像。以此类推，直至迭代过程结束，获取最终的骨硬化校正后的重建图像。

D、交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

具体地，与步骤C恰好相反，该步骤是先执行一次骨硬化迭代重建模型，再执行一次常规迭代重建模型，如此交替重复执行，直至迭代过程结束，获取最终的骨硬化校正后的重建图像。

应当理解的是，上述A-D四个步骤是并列执行关系，即四个步骤中择一执行，其对应的迭代重建过程示意图如图5所示。

本发明实施例的技术方案，通过获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，然后依据该投影数据生成初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵，之后再将上述投影数据、初始重建图像、噪声权重矩阵、初始正则化惩罚因子及初始骨图像分割矩阵作为骨硬化迭代重建模型及常规迭代重建模型的输入数据，综合利用上述两种迭代重建模型进行图像迭代重建，获得目标对象的经过骨硬化校正的重建图像，能够在满足不同的实际应用需求的情况下，在图像迭代重建的过程中逐步进行骨硬化伪影的消除，解决了前骨硬化校正方法中难以识别并正确去除骨硬化伪影的问题，以及后骨硬化校正方法中难以消除逐步累积的骨硬化伪影的问题，有效减少了迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

实施例四

图6为本发明实施例四提供的一种图像迭代重建装置的结构示意图，本实施例中与上述任意实施例相同或相应的术语的解释在此不再赘述。

该装置可以包括：

第一初始数据获取模块610，用于获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵。

第二初始数据获取模块620，用于依据第一初始数据获取模块610获取的初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵。

重建图像获取模块630，用于依据第一初始数据获取模块610及第二初始数据获取模块620获取的投影数据、初始重建图像、初始骨图像分割矩阵、噪声权重矩阵及初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

可选地，上述第一初始数据获取模块610具体用于：对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

可选地，第二初始数据获取模块620具体用于：依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

可选地，在上述装置的基础上，该装置还包括：骨硬化迭代重建模型建立模块600，用于预先建立骨硬化迭代重建模型。该骨硬化迭代重建模型建立模块600包括：

目标函数构建子模块601，用于构建骨硬化迭代重建模型的目标函数如下：

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子；

骨硬化迭代重建模型获取子模块602，用于利用优化算法对目标函数构建子模块601构建的目标函数进行优化求解，获得所述目标函数对应的更新函数，作为所述骨硬化迭代重建模型。

应当注意的是，骨硬化迭代重建模型建立模块600可以在第一初始数据获取模块610、第二初始数据获取模块620和重建图像获取模块630中的任一模块之前执行。

进一步地，骨硬化迭代重建模型获取子模块602具体用于：利用牛顿优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数。

可选地，重建图像获取模块630包括：重建图像获取子模块，用于依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

进一步地，上述重建图像获取子模块具体用于：先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像；或，交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

通过本发明实施例四的一种图像迭代重建装置，实现了在图像迭代重建的过程中逐步进行骨硬化伪影的消除，解决了前骨硬化校正方法中难以识别并正确去除骨硬化伪影的问题，以及后骨硬化校正方法中难以消除逐步累积的骨硬化伪影的问题，有效减少了迭代重建图像中的骨硬化伪影，保证了迭代重建图像的质量。

本发明实施例所提供的图像迭代重建装置可执行本发明任意实施例所提供的图像迭代重建方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (17)

1.一种图像迭代重建方法，其特征在于，包括：

获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵；

依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵；

依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

2.根据权利要求1所述的方法，其特征在于，所述获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵包括：

对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；

对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；

对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

3.根据权利要求1所述的方法，其特征在于，所述依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵包括：

依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；

对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

4.根据权利要求1所述的方法，其特征在于，所述骨硬化迭代重建模型通过如下方式预先建立：

构建骨硬化迭代重建模型的目标函数如下：

$min\[\left|\right|FP\left(X^{BC}\right)-f\left(FP\right(mask\·X^{BC}\left)\right)-Y^{WC}|{|}_W^2+\mathrm{\β}R\left(X^{BC}\right)\]$

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子；

利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数，作为所述骨硬化迭代重建模型。

5.根据权利要求4所述的方法，其特征在于，所述利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数包括：

利用牛顿优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数。

6.根据权利要求1所述的方法，其特征在于，所述依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像包括：

依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

7.根据权利要求6所述的方法，其特征在于，所述利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像包括：

先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，

先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，

交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像；或，

交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

8.一种图像迭代重建装置，其特征在于，包括：

第一初始数据获取模块，用于获取针对目标对象进行射线扫描后的经过水硬化校正的投影数据，并依据所述投影数据生成初始重建图像及噪声权重矩阵；

第二初始数据获取模块，用于依据所述初始重建图像，获得初始正则化惩罚因子及初始骨图像分割矩阵；

重建图像获取模块，用于依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

9.根据权利要求8所述的装置，其特征在于，所述第一初始数据获取模块具体用于：

对所述目标对象进行射线扫描获得原始投影数据，并利用水模型校正算法对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；

对所述投影数据进行图像重建，获得所述目标对象的所述初始重建图像；

对所述投影数据进行噪声估计，获得所述噪声权重矩阵。

10.根据权利要求8所述的装置，其特征在于，所述第二初始数据获取模块具体用于：

依据临床测试数据，获得所述初始重建图像的初始正则化惩罚因子；

对所述初始重建图像进行阈值分割，获得所述初始骨图像分割矩阵。

11.根据权利要求8所述的装置，其特征在于，所述装置还包括：

骨硬化迭代重建模型建立模块，用于预先建立骨硬化迭代重建模型；

所述骨硬化迭代重建模型建立模块包括：

目标函数构建子模块，用于构建骨硬化迭代重建模型的目标函数如下：

$min\[\left|\right|FP\left(X^{BC}\right)-f\left(FP\right(mask\·X^{BC}\left)\right)-Y^{WC}|{|}_W^2+\mathrm{\β}R\left(X^{BC}\right)\]$

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子；

骨硬化迭代重建模型获取子模块，用于利用优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数，作为所述骨硬化迭代重建模型。

12.根据权利要求11所述的装置，其特征在于，所述骨硬化迭代重建模型获取子模块具体用于：

利用牛顿优化算法对所述目标函数进行优化求解，获得所述目标函数对应的更新函数。

13.根据权利要求8所述的装置，其特征在于，所述重建图像获取模块包括：

重建图像获取子模块，用于依据所述投影数据、所述初始重建图像、所述初始骨图像分割矩阵、所述噪声权重矩阵及所述初始正则化惩罚因子，利用预先建立的骨硬化迭代重建模型和常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像。

14.根据权利要求13所述的装置，其特征在于，所述重建图像获取子模块具体用于：

先利用至少一次所述常规迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述骨硬化迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，

先利用至少一次所述骨硬化迭代重建模型进行图像重建，获得中间重建图像，再依据所述中间重建图像，利用至少一次所述常规迭代重建模型进行图像迭代重建，获得骨硬化校正后的重建图像；或，

交替利用一次所述常规迭代重建模型及一次所述骨硬化迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像；或，

交替利用一次所述骨硬化迭代重建模型及一次所述常规迭代重建模型进行图像迭代重建，直至获得骨硬化校正后的重建图像。

15.一种图像迭代重建方法，包括：

获取目标对象的经过水硬化校正的投影数据；

依据所述投影数据对目标对象的图像进行迭代重建，其中，迭代重建的过程中包含骨硬化校正。

16.一种图像迭代重建方法，包括：

获取目标对象的原始投影数据；

基于所述原始投影数据进行初始图像重建，以获取对应的初始重建图像；

基于所述原始投影数据进行噪声估计，以获得对应的噪声权重数据；

将所述原始投影数据经过水硬化校正的投影数据、所述初始重建图像和所述噪声权重数据输入到迭代重建模型中，以生成最终的重建图像；

其中，在所述迭代重建模型中至少包括骨硬化迭代重建模型，所述骨硬化迭代重建模型的目标函数如下：

$min\[\left|\right|FP\left(X^{BC}\right)-f\left(FP\right(mask\·X^{BC}\left)\right)-Y^{WC}|{|}_W^2+\mathrm{\β}R\left(X^{BC}\right)\]$

其中，FP是将图像域转换至投影域的正投影算子，X^BC是骨硬化校正后的重建图像，FP(X^BC)是骨硬化校正后的重建图像的投影数据，f是是对骨硬化投影数据进行变换，以获得骨硬化误差投影数据的多项式函数，mask是与重建图像具有相同维度的骨图像分割矩阵，Y^WC是经过水硬化校正的投影数据，f(FP(mask·X^BC))是理想投影数据与骨硬化校正投影数据之间的误差投影数据，W是噪声权重矩阵，β是控制数据相似性和图像平滑性之间达到平衡的参数，R是正则化惩罚因子。

17.一种图像迭代重建方法，包括：

获取目标对象的原始投影数据；

对所述原始投影数据进行水硬化校正，获得经过水硬化校正的投影数据；

基于所述经过水硬化校正的投影数据，获得所述目标对象的初始重建图像；

基于所述原始投影数据或者所述经过水硬化校正的投影数据，获得所述目标对象的噪声权重数据；

基于所述经过水硬化校正的投影数据、初始重建图像和所述噪声权重数据，迭代获得所述目标对象的经过骨硬化校正的投影数据；

基于经过骨硬化校正的投影数据，重建获得所述目标对象的经过骨硬化校正的图像。