CN107038728A - 基于迭代重建的轮廓自动化确定 - Google Patents

基于迭代重建的轮廓自动化确定 Download PDF

Info

Publication number
CN107038728A
CN107038728A CN201611201556.2A CN201611201556A CN107038728A CN 107038728 A CN107038728 A CN 107038728A CN 201611201556 A CN201611201556 A CN 201611201556A CN 107038728 A CN107038728 A CN 107038728A
Authority
CN
China
Prior art keywords
preliminary
textural characteristics
data
image
training
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
CN201611201556.2A
Other languages
English (en)
Other versions
CN107038728B (zh
Inventor
R.劳帕赫
G.索扎
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 CN107038728A publication Critical patent/CN107038728A/zh
Application granted granted Critical
Publication of CN107038728B publication Critical patent/CN107038728B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30056—Liver; Hepatic
    • 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

Abstract

本发明涉及基于迭代重建的轮廓自动化确定。描述了一种用于分割待成像的检查区域(FOV)的方法。在该方法中，从待成像的检查区域(FOV)采集测量投影数据(RD)。基于所采集的测量投影数据(RD)进行迭代重建(IR)。在此，重建初步图像数据(VBD)和初步纹理特征(VTM)。基于所获得的初步纹理特征(VTM)，确定检查区域(FOV)中的预期的初步结构(VEK)、优选初步轮廓。随后，在对初步图像数据(VBD)和初步纹理特征(VTM)的迭代重建中考虑预期的初步结构(VEK)。还描述了一种图像分割方法。还描述了一种图像重建装置。还描述了一种图像分割装置(40)。还描述了一种计算机断层成像系统(1)。

Description

基于迭代重建的轮廓自动化确定
技术领域
本发明涉及一种用于重建待成像的检查区域的图像数据和纹理特征的方法。本发明还涉及一种用于分割待成像的检查区域的方法。此外，本发明涉及一种重建装置。本发明还涉及一种图像分割装置。本发明还涉及一种计算机断层成像系统。
背景技术
在来自医学成像设备的预先给定的图像中对器官进行分割，在许多临床应用中是非常关键的一个步骤。例如，对肝脏进行分割是必不可少的一个步骤，以便确定其体积或者其部分体积。然后可以使用该信息的知识，来例如规划肝脏手术期间的准确手术步骤。
另一个示例涉及确定具有高辐射敏感度的器官的轮廓，以便规划放射治疗处理。在这种情境下，标出患者身体中的敏感的健康的解剖学结构、例如肝脏或者膀胱，以便保护其免受在治疗照射中出现的辐射暴露的损害，是非常重要的。然后，分割的健康的结构和分割的待照射的肿瘤一起被包含在放射治疗规划的方案中，从而在健康风险和照射的使用方面针对患者实现最佳结果。
在任何情况下都希望开发一种能够快速并且准确地处理大量数据的自动化的分割方法。迄今为止，已经利用现代图像处理方法将一些应用自动化。例如，自动化的肝脏或心脏分割是许多临床应用的组成部分。然而，已经存在的解决方案不完善，为了获得正确的结果，在一部分分割过程中仍然总是需要用户介入。还存在大量应用情况，其中，通过利用简单的几何工具勾画出解剖学对象的二维轮廓，然后合成为三维结构(例如参见图1)，来完全手动地进行分割过程。
问题在于，不同的解剖学对象之间的边界不总是能够被清楚地识别，并且目前的算法也不能完美地对这些对象进行分割。例如，在非对比度CT图像数据的情况下，属于肝脏的体素和与相邻的肌肉组织相关联的体素具有相同的CT值(亨氏值(Hounsfield-Werte))。
为了也能够基于在图像数据空间中不能清楚地识别不同的解剖学结构之间的边界的图像数据执行分割，传统上将事先已知的关于图像数据的信息一起包含到所应用的分割算法中。在此，一种特别新颖的方法是所谓的机器学习，其中，产生包括几何特征和纹理特征并且基于大量图像数据确定的统计学计算机模型。然后，将这种模型应用于患者解剖结构，其中，在记录的图像数据中考虑个体的患者信息。这种方法使得能够更好地对不能在视觉上进行区分的图像片段进行处理。在这些图像片段中，使用模型几何结构，以便对图像对比度的缺乏进行补偿。然而，利用这些统计学模型也不能解决所有的分割问题。其原因在于，在图像数据中缺乏的信息不能准确地通过统计学信息进行补偿。
在借助医学成像装置进行的图像记录期间，在第一步骤中采集原始数据，也称为测量投影数据，其例如在计算机断层成像设备中与不同的投影角有关地对应于X射线的吸收。随后基于原始数据利用整合方法重建图像数据。在所有传统分割方法中，所有模型方法都局限于图像数据空间中的图像数据的体素信息。然而，在从原始数据到重建的图像数据的变换中，相当大部分的信息丢失并且单独根据图像数据也无法得到重建。
发明内容
由此，存在提供一种普遍适用的自动化的重建方法的问题，这种重建方法在确定解剖学结构、特别是解剖学结构的轮廓时，具有改善的精度和可靠性。
上述技术问题通过根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法、根据本发明的用于分割待成像的检查区域的方法、根据本发明的图像重建装置、根据本发明的图像分割装置以及根据本发明的计算机断层成像系统来解决。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法中，采集待成像的检查区域的测量投影数据。如已经提到的，在使用结合利用计算机断层成像设备进行的成像的方法时，测量投影数据可以是与不同的投影角有关的X射线的吸收的测量值。随后，基于采集的测量投影数据执行迭代重建。
迭代重建是用于特别是在计算机断层成像中根据采集的测量投影数据重建图像数据的重建方法。利用这种重建方法，能够产生具有小的噪声分量的图像数据。在这种方法中，对于图像数据重建处理使用校正环，在校正环中，逐步通过逐渐逼近记录区域中的实际密度分布或者衰减值的分布来计算计算机断层成像的剖视图。为此，首先做出关于存在于记录区域中的待检查的组织层的密度分布的假设并且计算初始图像。根据该初始图像产生新的合成投影数据，并且与实际记录的“真实的”测量投影数据、也称为原始数据进行比较。如果其不一致，则计算对应的校正图像，借助其对初始图像进行校正。然后，重新合成投影数据并且与测量的原始数据进行比较。持续进行这种迭代，直到满足定义的中断标准为止。之后，在校正后的图像中，提高对比度高的区域中的空间图像分辨率，与此相反降低对比度低的区域中的图像噪声。图像在密度均匀的组织区域中更柔和，同时保持对比度高的组织边界。将图像分辨率和图像噪声退耦。
在迭代重建中，此时根据本发明，获得初步图像数据和初步纹理特征。这些纹理特征对应于投影数据空间中的各个点的个体特性，并且在迭代重建中部分地计算。在两个解剖学对象之间的边界处、但是也在解剖学对象内部的其它区域中计算纹理特征。然而，在传统的迭代重建中，这些纹理信息在通过迭代重建产生的最终图像数据中不再存在。然而，这些纹理数据包括有价值的信息，例如空间中的特定点是两个解剖学对象之间的边界线的一部分的概率。根据本发明，此时使用这些纹理特征来获得附加结构信息、优选轮廓信息。
结构信息优选包括轮廓信息、即关于解剖学结构之间的边界的走向的信息。但是其也可以包括关于器官或一般的解剖学对象或者区域内部的结构的信息。这些结构例如可以是要在器官内部识别的肿瘤结构等。
在根据本发明的方法的范围内，还可以基于原始数据计算对于常规的图像数据的产生而言不需要的附加纹理特征，以改善要获得的结构信息、优选轮廓的质量。这些附加纹理特征例如可能涉及解剖学对象之间的边缘或者边界线，但是其也可能涉及对象内部的特性纹理。纹理特征给出关于图像记录中的灰度级的分布的信息。对这些纹理特征的详细描述在Haralick等的“Textural Features for Image Classification”,IEEETransactions on Systems,Man and Cybernetics,Vol.SMC-3,No.6,1973年11月,第610-621页中可以找到，在此通过引用包含在本专利申请中。
此时，基于所获得的初步纹理特征确定检查区域中的预期的初步结构、优选轮廓。纹理特征例如包括与在图像中的特定位置处存在边缘或轮廓的概率相关的信息。然后，基于这些信息在图像数据空间中确定初步结构、优选轮廓。随后，在迭代重建的下一个迭代步骤中考虑预期的初步结构、优选轮廓。也就是说，其也包含在合成投影数据的产生中，并且随后在合成投影数据和原始数据之间的比较中以及在校正图像数据、类似地还在校正后的纹理特征的产生中考虑。特别是在迭代重建的范围内在原始数据空间中进行滤波时考虑预期的初步结构、例如轮廓。预期的初步结构呈现根据本发明在进行滤波时考虑的单独的信息。以这种方式，逐步更准确地描述结构信息并且与其相关联地更准确地描述纹理特征。如果将确定的轮廓信息与重建的图像数据组合，则获得具有与各个解剖学对象相关联的、清楚地划分的图像区域的图像。
有利的是，在根据本发明的方法中，使得将在重建中一起产生的纹理特征以自动化的方式一起包含在图像重建和纹理特征的重建的迭代处理中。纹理特征包括关于结构、特别是轮廓、例如器官之间的边界线的出现的有价值的信息。与传统方法相比，这些信息在图像重建中附加地一起产生，并且在迭代重建之后一起包含在随后对图像数据的分析和进一步处理、特别是随后对图像数据的分割中。以这种方式，实现更精确的重建方法，其甚至使得能够简洁地表示在图像数据空间中没有强对比度的图像区域。
在根据本发明的用于分割待成像的检查区域的方法中，首先执行根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法。随后，考虑基于初步纹理特征确定的纹理特征，来分割待成像的检查区域。根据本发明的方法特别是还可应用于仅借助于统计学模型无法很好地分割的图像区域。所描述的步骤优选以自动化的方式进行。在根据本发明的方法中不需要用户的介入、例如通过标出轮廓来进行分割。
在迭代重建中在结束时产生的纹理特征与迭代重建的图像数据类似具有高可靠性和精度，并且例如可以包含关于解剖学对象之间的边界线的出现概率的非常准确的说明。在自动化的分割中，使用这些信息来确定各个解剖学对象之间的边界线。作为分割的替换方案，还可以提取在图像数据中借助纹理特征确定的结构或结构区域。在此，借助纹理特征确定具有特定结构的图像区域，从图像数据中提取这些图像区域，以进行更准确的分析。
根据本发明的图像重建装置包括用于采集测量投影数据的投影数据采集单元。此外，根据本发明的图像重建装置的一部分是用于基于所采集的测量投影数据对初步图像数据进行迭代重建的图像数据重建单元。在进行迭代重建时，除了初步图像数据之外，还获得初步纹理特征。此外，根据本发明的图像重建装置还包括结构确定单元，结构确定单元用于基于所获得的初步纹理特征确定检查对象的待成像的检查区域中的预期的初步结构。
根据本发明的图像分割装置具有根据本发明的重建装置。此外，根据本发明的图像分割装置还具有分割单元，分割单元被配置用于在考虑基于初步纹理特征确定的纹理特征的情况下分割重建的图像数据。借助根据本发明的图像分割装置，能够以自动化的方式分割采集的解剖学图像，其中，基于以自动化的方式确定的结构、优选轮廓，以自动化的方式在解剖学图像中标出不同的解剖学区域、例如器官之间的边界线。
根据本发明的计算机断层成像系统具有根据本发明的图像重建装置。特别是在计算机断层成像中，将从不同的角度产生的投影数据重建为图像数据。在这种类型的医学成像中，特别优选根据本发明的图像重建装置得到应用，因为其使用在计算机断层成像中经常使用的迭代重建方法来进行图像重建。
根据本发明的图像重建装置的基本部件大部分可以以软件部件的形式构造。这特别是涉及图像重建装置的例如图像数据重建单元和结构确定单元的部分。但是原则上这些部件也可以部分地、特别是在涉及特别快速的计算时，以软件支持的硬件、例如FPGA等的形式实现。所需的接口、例如投影数据采集单元(例如在仅涉及从其它软件部件接收数据时)也可以构造为软件接口。但是其也可以构造为通过合适的软件来控制的、以硬件构建的接口。
尽可能以软件实现具有如下优点：迄今为止已经使用的图像重建装置也可以以简单的方式通过软件更新升级，从而以根据本发明的方式工作。就这点而言，上述技术问题还通过具有计算机程序的对应的计算机程序产品来解决，计算机程序可以直接加载到根据本发明的图像重建装置的存储装置中，计算机程序具有程序段，用于在将图像分割装置中执行计算机程序时，执行根据本发明的方法的所有步骤。
这种计算机程序产品除了计算机程序之外，在需要时还可以包括附加组成部分、例如文档和/或附加部件、还有硬件部件、例如硬件锁(加密狗(Dongle)等)，用于软件的使用。
为了传输到图像重建装置的存储装置和/或为了存储在图像重建装置上，可以使用计算机可读介质、例如存储棒、硬盘或者其它便携式或固定地安装的数据载体，其上存储有图像重建装置的计算机单元可读入并且可执行的计算机程序的程序段。计算机单元为此例如可以具有一个或更多个协作的微处理器等。
下面的描述相应地包含本发明的特别有利的构造和展开。此外，在本发明的范围内，也可以将不同的实施例的不同的特征组合成新的实施例。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法的一种构造中，附加地基于重建的初步图像数据，确定检查区域中的预期的初步结构。也就是说，在这种构造中，例如不仅图像数据、而且纹理特征可以以预先确定的权重包含到初步轮廓的确定中。
为了针对纹理特征和可预测的结构、优选轮廓之间的关系获得可靠的基础，例如还可以使用结构预测模型。这种结构预测模型使得能够基于一般的模型假设将所确定的纹理特征与预期的轮廓相关。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法的一种可应用的特别有利的变形方案中，重复迭代重建的步骤，直至满足所确定的初步图像数据和初步纹理特征的质量标准为止。由此保证所确定的图像数据和结构数据的最低质量。
通过重复应用重建步骤，重建的图像数据和纹理特征逐渐逼近希望的精度。质量标准例如可以包括基于所确定的图像数据和纹理特征要确定的结构、优选轮廓的可识别性、图像数据的各个图像区域中的分辨率和信噪比。
在根据本发明的用于分割待成像的检查区域的方法的一种优选构造中，附加地考虑基于重建的初步图像数据确定的图像数据，来分割待成像的检查区域。也就是说，在这种变形方案中，在进行分割时，除了所确定的纹理特征之外，还考虑以预先确定的权重考虑的图像数据。
在分割步骤中，还可以使用轮廓预测模型，以基于所确定的纹理特征和所确定的图像数据确定尽可能可靠的最终轮廓，然后使用该最终轮廓来分割图像数据或基于图像数据产生的解剖学图像。轮廓预测模型例如可以是自组织的并且基于数据库产生，并且可以包括在轮廓形成中考虑的数据和轮廓本身之间的关系。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法或者根据本发明的用于分割待成像的检查区域的方法的一种特别有利的构造中，借助训练方法获得结构预测模型。在训练方法中，首先采集训练测量投影数据。训练测量投影数据例如可以源自数据库，或者可以直接通过成像方法从检查对象采集。随后，基于训练测量投影数据对初步训练图像数据进行迭代重建。在此，在迭代重建中附加地确定初步训练纹理特征。此时，在各个重建步骤之间，附加地在初步训练图像数据中标注结构、优选轮廓。也就是说，在图像数据中标出例如(位置对于标注者已知的)解剖学结构之间的边界线。
之后，在考虑标注的结构、特别是标注的轮廓的情况下，对初步训练图像数据重新进行迭代重建，并且确定初步训练纹理特征。也就是说，在迭代重建步骤的范围内在确定合成的投影数据时也考虑标注的结构，由此也将标注的结构包含到新的初步训练图像数据和初步训练纹理特征的重建中。在多次迭代之后，将最后重建的初步训练图像数据和最后获得的初步训练纹理特征归为最终的训练图像数据和最终的训练纹理特征。最后，使用最终的训练图像数据和最终的训练纹理特征来产生结构预测模型。
这种结构预测模型、优选轮廓预测模型给出了重建的图像数据、纹理特征和结构、特别是轮廓之间的关系。因此，借助结构预测模型，可以基于纹理特征例如推断出对象边界或者特定结构的位置。这些信息又可以在根据本发明的图像重建方法和根据本发明的分割方法中用于更准确地确定局部纹理特征。例如，在根据本发明的图像重建方法中的迭代重建的范围内，可以沿着假设的对象边界执行各向异性过滤，使得边缘的对比度提高并且边缘被锐利地成像。因为在训练方法中，所提到的结构、特别是轮廓和纹理特征之间的关系还不知道，因此手动地在训练图像数据中标出结构、优选轮廓。随后，利用当前的初步训练图像数据将结构变换到投影数据空间中，并且在接下来的迭代步骤或者接下来的重建步骤中考虑。然后，在接下来的重建步骤中，又重建新的初步训练图像数据以及新的初步训练纹理特征，其就结构、特别是轮廓的显示而言已经得到改善。以这种方式产生准确的训练纹理特征以及准确的训练图像数据，随后可以将其用于形成结构预测模型。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法或者根据本发明的用于分割待成像的检查区域的方法的一种优选变形方案的范围内，重复结构标注、初步训练图像数据的重新迭代重建和初步训练纹理特征的确定的步骤，直至满足所确定的初步训练图像数据和所确定的初步训练纹理特征的质量标准为止。质量标准例如可以包括图像数据的对比度或者分辨率以及所记录的纹理特征的可靠性。以这种方式能够实现图像显示以及所采集的图像数据的轮廓的需要的最低质量。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法或者根据本发明的用于分割待成像的检查区域的方法的一种特别实用的变形方案中，为了基于最终的训练图像数据和最终的训练纹理特征产生结构预测模型，执行机器学习处理。例如在Bengio等,2007,“Layer-Wise Training of Deep Networks”,Advances in NeuralInformation Processing Systems中描述了这种机器学习处理。作为机器学习处理的替换，还可以使用称为“深度学习方法(deep learning approach)”(参见Zheng等,2007,“Fast Automatic Heart Chamber Segmentation from 3D CT Data using MarginalSpace Learning and Steerable Features”,In Proc.Intl.Conf.Computer Vision)的学习处理。有利的是，基于统计学、即存在的大量训练数据以自组织的方式确定结构预测模型。也就是说，对于各个参量之间的关系不预先给定刚性的模型结构，而是首先基于所使用的训练数据形成模型结构，由此使得能够灵活地匹配于各个使用领域。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法或者根据本发明的用于分割待成像的检查区域的方法的一种特殊的变形方案中，纹理特征包括在德语中称为Kantenbilder的、存在于图像数据空间中的“边缘图(edge map)”。这些边缘图针对每个体素将在迭代重建处理中确定的一个或更多个纹理特征组合。其不同于传统的图像数据，而更可以视为轮廓图。例如边缘图可以仅包括图像的单纯的轮廓。在更复杂的构造中，这种边缘图也可以包括与重建的图像数据组合的轮廓。
通过对相邻的图像元素关于其颜色值和灰度值的改变进行分析，根据数字图像通过所谓的边缘检测计算边缘图。其结果是，用白色标记突出的颜色和亮度转换。所有其余图像区域是黑色的。在根据本发明的方法中，可以使用包含在边缘图中的轮廓信息，来确定在迭代重建中产生的图像数据中的轮廓。
在根据本发明的用于重建待成像的检查区域的图像数据和纹理特征的方法或者根据本发明的用于分割待成像的检查区域的方法的一种构造中，纹理特征具有纹理特征矢量。所谓的纹理特征矢量是多维矢量，其分别与重建空间、即图像数据空间中的点有关，并且其分量包括纹理特征。
不仅边缘图、而且纹理特征矢量可以在所提及的学习算法中的一个的训练方法的范围内用于产生结构预测模型、特别是轮廓预测模型。在这种学习处理中，将由有经验的放射科医生进行的手动地产生的参考分割应用于训练图像数据，以学习纹理特征和器官边界的轮廓以及内部和外部区域之间的关联。也就是说，确定与训练图像数据相关联的纹理特征和在训练处理中标注的轮廓之间的关系。
在根据本发明的图像分割装置的一种构造中，结构确定单元、优选轮廓确定单元被配置为，在确定检查对象的待成像的检查区域中的预期的初步轮廓时，除了初步纹理特征之外，还应用优选训练过的轮廓预测模型。如已经提到的，这种轮廓预测模型使得能够基于重建的图像数据和纹理特征可靠地确定轮廓。
根据本发明的图像分割装置优选具有用于产生训练过的轮廓预测模型的轮廓预测模型训练单元。这种轮廓预测模型训练单元使得能够利用根据本发明的图像分割装置训练轮廓预测模型，从而不需要附加的装置用于所描述的训练处理。如已经提及的，根据本发明的图像分割装置至少部分地也可以作为软件解决方案来实现。根据本发明的图像分割装置此时也可以容易地借助附加的软件程序被授权支持所描述的训练处理。
附图说明
下面参考附图根据实施例再次详细说明本发明。其中：
图1示出了对人类心脏的分割的示例性图示，
图2示出了图示根据本发明的实施例的用于确定轮廓数据的方法的框图，
图3示出了图示借助训练方法的轮廓预测模型的产生的框图，
图4示出了根据本发明的实施例的图像分割装置的示意图，
图5示出了根据本发明的实施例的计算机断层成像系统的示意图。
具体实施方式
在图1中以四个子图像示出了对人类心脏的分割，用于图示在进行分割时常见的方法。该图示包括三个二维的图像记录或局部图像，其中标出了心脏的子器官之间的子器官边界。第四个子图像包括心脏的三维分割图示。第一个子图像在轴向平面AX上记录。在第一个子图像中，示出了右心室RV(也称为右心室)、左心室的内壁LVEN和左心室的外壁LVEP的二维轮廓。第二个子图像在导联平面(cordiale Ebene)COR上记录。在第二个子图像中，除了右心室RV、左心室的内壁LVEN和左心室的外壁LVEP的草图之外，还绘出了左心房LA的草图。第三个子图像在矢状平面SAG上记录。在第三个子图像中，除了右心室RV、左心室的内壁LVEN和左心室的外壁LVEP的草图以及左心房LA的草图之外，还绘出了右心房RA的轮廓。在第四个子图像3D中，在三维空间中作为平面网络示出了所有在二维图像中已经标出轮廓的子器官的轮廓或边界，即特别是右心室RV、左心室的内壁LVEN、左心室的外壁LVEP、左心房LA和右心房RA的草图。此时，可以借助第四个子图像进行治疗规划、例如心脏手术的规划，其中，各个子器官的边界根据第四个子图像是已知的，因此例如能够真正准确地预先确定手术刀切口的位置和长度。
在图2中示出了示意图20，其图示根据本发明的实施例的用于分割待成像的检查区域的方法。在图2中示出的方法中，使用预测模型VM分割个体的图像数据组BD，预测模型VM例如根据在图3中图示的方法产生。
在步骤2.I中，首先从待成像的检查区域FOV采集原始数据RD、也称为测量投影数据。这例如可以借助计算机断层成像图像记录来实现。此时，在步骤2.II中，对所采集的原始数据进行第一重建步骤，该第一重建步骤是迭代重建过程IR的组成部分。在第一重建步骤中，除了初步图像数据VBD之外，还确定例如多维纹理特征矢量形式的初步纹理特征VTM。随后，在步骤2.III中，基于预测模型VM和初步纹理特征VTM，确定在初步图像数据VBD中存在轮廓的概率或概率值。也就是说，概率值给出关于依据初步纹理特征VTM和初步图像数据可以在哪些位置处预期哪些轮廓的信息。然后，在步骤2.IV中，基于所确定的概率确定初步图像数据VBD中的预期的初步轮廓VEK。随后，返回到步骤2.II，基于初步图像数据VBD、初步纹理特征VTM和预期的初步轮廓VEK，重新执行重建步骤。在该重建步骤中，如开头已经提及的，确定合成的投影数据SPD，然后将其与采集的原始数据RD进行比较。基于该比较，随后产生校正图像数据KBD，其用于对迄今为止重建的初步图像数据VBD进行校正。在重建步骤中，例如在过滤处理中，还考虑所确定的预期的初步轮廓VEK。在此，仅在初步边缘和边界线的纵向方向上、而不在横向于其的方向进行例如“平滑”。如果在重建中产生的校正后的初步图像数据VBD满足预先确定的质量标准，例如轮廓的可见性，则转移到步骤2.V，其中，将最后确定的初步图像数据VBD和最后确定的初步纹理特征VTM归为最终的图像数据BD和最终的纹理特征TM。随后，返回到步骤2.III，其中，基于最终的图像数据BD和最终的纹理特征TM，并且使用预测模型VM，确定最终的轮廓EK。最后，在步骤2.VI中，使用所确定的最终的图像数据BD上的最终的轮廓EK，对重建的图像数据BD进行分割。也就是说，沿着所确定的轮廓EK对图像数据BD进行分割。由此，使得基于图像数据BD产生的图像上的特别是对象边界可辨别。
在图3中示出了图示借助训练方法的预测模型的产生的框图。在训练阶段，要使用机器学习处理来产生预测模型。首先，在步骤3.I中，采集训练测量投影数据TRD。训练测量投影数据TRD例如可以取自数据库或者可以直接通过对患者进行图像记录而产生。随后，在步骤3.II中，基于训练测量投影数据TRD对初步训练图像数据VTBD进行迭代重建IR范围内的第一重建步骤。在此，除了初步训练图像数据VTBD之外，还确定初步训练纹理特征VTTM。在该阶段，不仅初步训练图像数据VTBD、而且初步训练纹理特征VTTM仍然不准确。为了使得初步训练图像数据VTTM中的轮廓更明显，此时在步骤3.III中，例如手动地在训练图像数据VTBD中加入或标注对象边界，作为轮廓AK。为了能够在接下来的重建步骤中考虑所标注的轮廓数据AK，将其从图像数据空间变换回到原始数据空间中。
随后，返回到步骤3.II，然而其中，此时在考虑所标注的轮廓数据AK的条件下执行接下来的重建步骤。例如，在进行重建时，沿着所标出的轮廓AK执行各向异性过滤，使得图像数据中的边缘不模糊，而是更为加强。也就是说，在迭代重建中使用的过滤算法考虑所标注的轮廓AK。在步骤3.II中重新产生的初步训练图像数据VTBD和所属的训练纹理特征VTTM此时已经比在第一轮中明显更精确，因为在其重建中考虑了所标注的轮廓信息AK。
随后，可以在新的步骤3.III中，在所获得的初步训练图像数据VTBD中又标出对象边界，作为标注的轮廓数据AK。然后，其可以在进一步的重建步骤3.II中，以已经描述的方式，包含在对初步训练图像数据VTBD和所属的训练纹理特征VTTM的重建中。如果达到了对象边界足够清晰的希望的图像质量，则在步骤3.IV中，将最后重建的初步训练图像数据VTBD和最后获得的初步训练纹理特征VTTM，归为最终的训练图像数据ETBD和最终的训练纹理特征ETTM。
随后，在步骤3.V中，执行特殊训练处理ML，其中，将重建的图像数据TBD和纹理特征TTM与专家手动在图像数据中标出的参考分割进行比较。如果对应地考虑了许多训练图像数据组TBD和参考分割，则可以确定统计数据，借助该统计数据，例如将器官边界、器官的内部区域和器官外部的区域与特定纹理特征相关联。对于步骤3.V范围内的训练处理，例如可以使用所谓的机器学习处理。在步骤3.VI中，使用在步骤3.V中确定的纹理特征和器官边界或轮廓之间的统计关系，产生预测模型VM，预测模型可以对来自希望的检查区域的图像数据以及可能已知的纹理特征，进行关于存在于检查区域中的对象边界或轮廓的位置的预测。
在图4中示出了根据本发明的实施例的图像分割装置40。图像分割装置40包括用于采集测量投影数据RD的投影数据采集单元41，测量投影数据RD例如在CT成像方法的过程中是从检查区域FOV记录的。将所采集的原始数据RD传输到图像数据重建单元42，其基于所采集的原始数据RD在迭代重建的第一步骤的过程中重建初步图像数据VBD。在重建步骤中，除了初步图像数据VBD之外，还获得初步纹理特征VTM。随后将初步图像数据VBD以及初步纹理特征VTM传输到轮廓确定单元43，其基于所获得的初步纹理特征VTM确定待成像的检查区域FOV中的预期的初步轮廓VEK。之后，将确定的数据VTM,VEK,VBD传输到质量控制单元44，其基于所确定的数据检查初步图像数据VBD是否已经达到了预先确定的质量，并且初步轮廓VEK是否具有预先给定的最低可靠性。如果还不是这种情况，则图像数据重建单元42在考虑所确定的初步轮廓VEK以及所确定的初步图像数据VBD的条件下进行进一步的迭代图像数据重建步骤。在此，重新产生初步图像数据VBD和初步纹理特征VTM。
随后，轮廓确定单元43又使用重建的数据VBD,VTM确定匹配的轮廓数据VEK。随后，如果质量控制单元44基于新确定的数据VBD,VTM,VEK确定满足所提及的质量标准，则将所确定的初步图像数据VBD和初步轮廓数据VEK归为最终的图像数据BD和最终的轮廓数据EK，并且传输到分割单元45。分割单元45使用所确定的轮廓数据EK来分割重建的图像数据BD。在此，例如识别器官边界并且在图像数据中标出。随后，可以将在此产生的图像片段数据BSD经由输出接口46输出到数据库或者例如输出到显示屏单元，用于进行进一步的处理和分析。
在图5中示意性地示出了根据本发明的实施例的具有根据本发明的图像分割装置40的计算机断层成像系统(CT系统)1。
CT系统1在此主要由扫描仪10构成，其中，在机架11上，具有检测器16和与检测器16相对的X射线源15的投影数据获取单元5围绕测量空间12旋转。患者支撑装置3或患者台3位于扫描仪10前面，患者台3的上部2可以与位于其上的患者O一起向扫描仪10移动，以将患者O相对于检测器系统16移动通过测量空间12。扫描仪10和患者台3由控制装置21控制，从控制装置21经由常见的控制接口24发出获取控制信号AS，用于根据预先给定的测量协议以传统方式控制整个系统。通过沿着对应于纵向通过测量空间12的系统轴z的z方向移动患者O，同时X射线源15旋转，在测量期间相对于患者O针对X射线源15产生螺旋路径。在此，检测器16总是与X射线源15相对地一起并行地运行，以采集投影测量数据RD，然后使用其重建体积和/或层图像数据。同样还可以执行顺序测量方法，其中，接近z方向上的固定位置，然后在一次旋转、部分旋转或者多次旋转期间，在相关的z位置处采集所需的投影测量数据RD，以重建该z位置处的断面图像，或者根据多个z位置的投影数据，重建体积图像数据。根据本发明的方法原则上也可以在例如具有形成完整的环的检测器的其它CT系统上使用。
将检测器16从检查区域FOV获取的测量投影数据RD(下面也称为原始数据)经由原始数据接口23传输到控制装置21。然后，在图像分割装置40中对这些原始数据进一步进行处理，图像分割装置40在该实施例中在控制装置21中以软件的形式在处理器上实现。该图像分割装置40基于采集的原始数据RD以结合图2描述的方式执行图像分割。
随后，将分割后的图像数据BSD传输到存储装置50。从那里图像信息BSD例如可以在显示屏上以图形显示，或者也可以传输到外部的分析装置或治疗规划装置(未示出)。
最后应当再次指出，前面描述的方法和装置仅仅是本发明的优选实施例，本领域技术人员可以对本发明进行变形，而不脱离由权利要求预先给定的本发明的范围。因此，主要借助用于记录医学图像数据的系统对方法、图像重建装置和图像分割装置进行了说明。然而，本发明不局限于在医学领域中的应用，原则上也可以应用于针对其它目的的图像的重建和分割。此外，结合对CT图像的重建和分割对根据本发明的方法进行了说明。然而，本发明不局限于对CT图像的重建和分割，也可以应用于其它成像方法。为了完整起见，还应当指出，不定冠词“一”或“一个”的使用不排除相关特征也可能存在多个。术语“单元”同样不排除其由也可能是在空间上分布的多个部件构成。

Claims (15)

1.一种用于重建待成像的检查区域(FOV)的图像数据和纹理特征的方法，其具有步骤：
-从待成像的检查区域(FOV)采集测量投影数据(RD)，
-基于所采集的测量投影数据(RD)执行迭代重建(IR)，其中，在迭代重建(IR)的过程中执行以下步骤：
-重建初步图像数据(VBD)和初步纹理特征(VTM)，
-基于所获得的初步纹理特征(VTM)，确定检查区域(FOV)中的预期的初步结构、优选预期的初步轮廓(VEK)，
-在对初步图像数据(VBD)和初步纹理特征(VTM)的迭代重建中考虑预期的初步结构。
2.根据权利要求1所述的方法，其中，附加地基于重建的初步图像数据(VBD)和/或结构预测模型(VM)，确定检查区域(FOV)中的预期的初步结构(VEK)。
3.根据权利要求1或2所述的方法，其中，重复迭代重建(IR)的过程中的步骤，直至满足针对所确定的初步图像数据(VBD)和初步纹理特征(VTM)的质量标准为止。
4.一种用于分割待成像的检查区域(FOV)的方法，具有步骤：
-使用根据权利要求1至3中任一项所述的方法，重建图像数据(BD)和纹理特征(TM)，
-考虑基于初步纹理特征(VTM)确定的纹理特征(TM)，分割待成像的检查区域(FOV)。
5.根据权利要求4所述的方法，其中，附加地考虑基于重建的初步图像数据(VBD)确定的图像数据(BD)和/或结构预测模型、优选轮廓预测模型(VM)，分割待成像的检查区域(FOV)。
6.根据权利要求2至5中任一项所述的方法，其中，借助训练方法获得结构预测模型(VM)，训练方法具有以下步骤：
-采集训练测量投影数据(TRD)，
-基于训练测量投影数据(TRD)对初步训练图像数据(VTBD)执行迭代重建(IR)，其中，在迭代重建中附加地确定初步训练纹理特征(VTTM)，
-在初步训练图像数据(VTBD)中标注结构(AK)，
-考虑所标注的结构(AK)，对初步训练图像数据(VTBD)重新进行迭代重建，并且确定初步训练纹理特征(VTTM)，
-将最后重建的初步训练图像数据(VTBD)和最后获得的初步训练纹理特征(VTTM)归为最终的训练图像数据(TBD)和最终的训练纹理特征(TTM)，
-使用最终的训练图像数据(TBD)和最终的训练纹理特征(TTM)，产生结构预测模型(VM)。
7.根据权利要求6所述的方法，其中，重复标注结构(AK)、对初步训练图像数据(VTBD)重新进行迭代重建以及重新确定初步训练纹理特征(VTTM)的步骤，直至满足针对所确定的初步训练图像数据(VTBD)和/或所确定的初步训练纹理特征(VTTM)的质量标准为止。
8.根据权利要求2至7中任一项所述的方法，其中，基于最终的训练图像数据(TBD)和最终的训练纹理特征(TTM)执行机器学习处理或者深度学习处理，以产生结构预测模型(VM)。
9.根据权利要求1至8中任一项所述的方法，其中，纹理特征(TM,VTM,VTTM,TTM)包括边缘图。
10.根据权利要求1至9中任一项所述的方法，其中，纹理特征(TM,VTM,VTTM,TTM)具有纹理特征矢量。
11.一种图像重建装置，具有：
-投影数据采集单元(41)，用于采集测量投影数据(RD,TRD)，
-图像数据重建单元(42)，用于重建初步图像数据(VBD)和初步纹理特征(VTM)，
-结构确定单元(43)，用于基于所获得的初步纹理特征(VTM)，确定检查对象(O)的待成像的检查区域(FOV)中的预期的初步结构(VEK)、优选初步轮廓，
其中，图像数据重建单元(42)被配置为，在对初步图像数据(VBD)和初步纹理特征(VTM)的迭代重建中，考虑预期的初步结构(VEK)。
12.一种图像分割装置(40)，具有：
-根据权利要求11所述的图像重建装置，
-分割单元(45)，其被配置为，考虑基于初步纹理特征(VTM)确定的纹理特征(TM)，执行图像分割。
13.一种计算机断层成像系统(50)，具有根据权利要求11所述的图像重建装置。
14.一种具有计算机程序的计算机程序产品，其能够直接加载到根据权利要求12所述的图像分割装置(40)的存储单元中，计算机程序具有程序段，用于在图像分割装置(30)中执行计算机程序时，执行根据权利要求1至10中任一项所述的方法的所有步骤。
15.一种计算机可读介质，其上存储有根据权利要求11所述的图像分割装置(40)的处理单元能够读取并且能够执行的程序段，用于在图像分割装置(40)的处理单元执行所述程序段时，执行根据权利要求1至10中任一项所述的方法的所有步骤。
CN201611201556.2A 2015-12-22 2016-12-22 基于迭代重建的轮廓自动化确定 Active CN107038728B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102015226400.9A DE102015226400A1 (de) 2015-12-22 2015-12-22 Automatisierte Ermittlung von Konturen auf Basis einer iterativen Rekonstruktion
DE102015226400.9 2015-12-22

Publications (2)

Publication Number Publication Date
CN107038728A true CN107038728A (zh) 2017-08-11
CN107038728B CN107038728B (zh) 2021-03-09

Family

ID=57391792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611201556.2A Active CN107038728B (zh) 2015-12-22 2016-12-22 基于迭代重建的轮廓自动化确定

Country Status (4)

Country Link
US (1) US10229517B2 (zh)
EP (1) EP3185215B1 (zh)
CN (1) CN107038728B (zh)
DE (1) DE102015226400A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858399A (zh) * 2018-08-24 2020-03-03 西门子医疗有限公司 用于提供虚拟断层扫描中风后续检测图像的方法和装置

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10846860B2 (en) 2013-03-05 2020-11-24 Nview Medical Inc. Systems and methods for x-ray tomosynthesis image reconstruction
WO2018126396A1 (en) * 2017-01-05 2018-07-12 General Electric Company Deep learning based estimation of data for use in tomographic reconstruction
WO2019060843A1 (en) * 2017-09-22 2019-03-28 Nview Medical Inc. IMAGE RECONSTRUCTION USING MACHINE LEARNING REGULARIZERS
WO2019118613A1 (en) * 2017-12-12 2019-06-20 Oncoustics Inc. Machine learning to extract quantitative biomarkers from ultrasound rf spectrums
GB2569547B (en) * 2017-12-19 2021-05-12 Samsung Electronics Co Ltd Reconstruction of original images from modified images
US10489943B2 (en) 2018-02-28 2019-11-26 General Electric Company System and method for sparse image reconstruction
DE102018216370B4 (de) * 2018-09-25 2020-06-18 Siemens Healthcare Gmbh Bereitstellen eines annotierten medizinischen Bilddatensatzes für eine Radiotherapieplanung eines Patienten
US11270477B2 (en) * 2018-10-31 2022-03-08 General Electric Company Systems and methods for tailored image texture in iterative image reconstruction
US10929708B2 (en) 2018-12-10 2021-02-23 International Business Machines Corporation Deep learning network for salient region identification in images
US10902647B2 (en) * 2019-02-08 2021-01-26 Zhengrong Ying System for iteratively reconstructing computed tomography images through three domains
CN112488983A (zh) * 2019-09-11 2021-03-12 中信戴卡股份有限公司 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法
US11544846B2 (en) 2020-08-27 2023-01-03 James R. Glidewell Dental Ceramics, Inc. Out-of-view CT scan detection
US20230410315A1 (en) * 2020-10-28 2023-12-21 Memorial Sloan Kettering Cancer Center Deep magnetic resonance fingerprinting auto-segmentation
US11847722B2 (en) 2020-11-30 2023-12-19 James R. Glidewell Dental Ceramics, Inc. Out of view CT scan reconstruction
US11721017B2 (en) 2021-03-31 2023-08-08 James R. Glidewell Dental Ceramics, Inc. CT reconstruction quality control
US20220398718A1 (en) * 2021-06-11 2022-12-15 GE Precision Healthcare LLC System and methods for medical image quality assessment using deep neural networks
CN114913296B (zh) * 2022-05-07 2023-08-11 中国石油大学(华东) 一种modis地表温度数据产品重建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101283913A (zh) * 2008-05-30 2008-10-15 首都师范大学 Ct图像重建的gpu加速方法
US20100092093A1 (en) * 2007-02-13 2010-04-15 Olympus Corporation Feature matching method
US20100290685A1 (en) * 2009-05-12 2010-11-18 Siemens Corporation Fusion of 3d volumes with ct reconstruction
CN102279970A (zh) * 2010-06-13 2011-12-14 清华大学 基于gpu的螺旋锥束ct重建方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5835099A (en) * 1996-06-26 1998-11-10 Xerox Corporation Representing a region of a color image using a space-color separable model
US6697508B2 (en) * 2002-05-10 2004-02-24 Visiongate, Inc. Tomographic reconstruction of small objects using a priori knowledge
EP1387315B1 (en) * 2002-06-07 2007-09-12 Honda Research Institute Europe GmbH Preparation of a digital image with subsequent edge detection
US20070053491A1 (en) * 2005-09-07 2007-03-08 Eastman Kodak Company Adaptive radiation therapy method with target detection
US20070133736A1 (en) * 2005-10-17 2007-06-14 Siemens Corporate Research Inc Devices, systems, and methods for imaging
US8295575B2 (en) * 2007-10-29 2012-10-23 The Trustees of the University of PA. Computer assisted diagnosis (CAD) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (MRS) and imaging (MRI)
US20110115787A1 (en) * 2008-04-11 2011-05-19 Terraspark Geosciences, Llc Visulation of geologic features using data representations thereof
US8194936B2 (en) * 2008-04-25 2012-06-05 University Of Iowa Research Foundation Optimal registration of multiple deformed images using a physical model of the imaging distortion
US8126249B2 (en) * 2008-05-30 2012-02-28 Optasia Medical Limited Methods of and system for detection and tracking of osteoporosis
DE102009039987A1 (de) * 2009-09-03 2011-03-17 Siemens Aktiengesellschaft Iterativer CT-Bildfilter zur Rauschreduktion
DE102010029281A1 (de) 2010-05-25 2011-12-01 Siemens Aktiengesellschaft Verfahren und Bildrekonstruktionseinrichtung zur Rekonstruktion von Bilddaten
DE102010022305A1 (de) * 2010-06-01 2011-12-01 Siemens Aktiengesellschaft Iterative Rekonstruktion von CT-Bilern ohne Regularisierungsterm
DE102010022306A1 (de) * 2010-06-01 2011-12-01 Siemens Aktiengesellschaft Iterative CT-Bildrekonstruktion in Kombination mit einem vierdimensionalen Rauschfilter
FR2999325A1 (fr) * 2012-12-07 2014-06-13 Commissariat Energie Atomique Procede iteratif de determination d'une image en deux dimensions ou trois dimensions a partir de signaux issus de tomographie par rayons x
DE102013206525A1 (de) * 2013-04-12 2014-10-16 Siemens Aktiengesellschaft Rekonstruktionsverfahren zur Erzeugung einer tomographischen Darstellung eines Untersuchungsobjektes, mit Computer und CT-System zur Durchführung dieses Verfahrens
DE102013224422A1 (de) * 2013-11-28 2015-05-28 Siemens Aktiengesellschaft Rechensystem und Verfahren für die Bildverarbeitung

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100092093A1 (en) * 2007-02-13 2010-04-15 Olympus Corporation Feature matching method
CN101283913A (zh) * 2008-05-30 2008-10-15 首都师范大学 Ct图像重建的gpu加速方法
US20100290685A1 (en) * 2009-05-12 2010-11-18 Siemens Corporation Fusion of 3d volumes with ct reconstruction
CN102279970A (zh) * 2010-06-13 2011-12-14 清华大学 基于gpu的螺旋锥束ct重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JALDA DWORZAK: "3D Reconstruction of the Human Rib Cage from 2D Projection Images Using a Statistical Shape Model", 《COMPUTER VISION AND REMOTE SENSING》 *
赵星等: "基于图形处理器的锥束CT快速迭代重建算法", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110858399A (zh) * 2018-08-24 2020-03-03 西门子医疗有限公司 用于提供虚拟断层扫描中风后续检测图像的方法和装置
CN110858399B (zh) * 2018-08-24 2023-11-17 西门子医疗有限公司 用于提供虚拟断层扫描中风后续检查图像的方法和装置

Also Published As

Publication number Publication date
CN107038728B (zh) 2021-03-09
EP3185215A1 (de) 2017-06-28
EP3185215B1 (de) 2018-08-15
US10229517B2 (en) 2019-03-12
DE102015226400A1 (de) 2017-06-22
US20170178365A1 (en) 2017-06-22

Similar Documents

Publication Publication Date Title
CN107038728A (zh) 基于迭代重建的轮廓自动化确定
CN107622492B (zh) 肺裂分割方法及系统
CN109741284B (zh) 用于校正pet成像中由呼吸运动引起的失配的系统和方法
CN109074639B (zh) 医学成像系统中的图像配准系统和方法
EP2646979B1 (en) Image registration apparatus
CN102693353B (zh) 用于自动产生统计模型的方法和计算机系统
El-Baz et al. Appearance analysis for diagnosing malignant lung nodules
US8290568B2 (en) Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image
US20110007959A1 (en) Ct surrogate by auto-segmentation of magnetic resonance images
US20050148852A1 (en) Method for producing result images for an examination object
US8588498B2 (en) System and method for segmenting bones on MR images
EP2210213A2 (en) Methods, systems, and computer readable media for mapping regions in a model of an object comprising an anatomical structure from one image data set to images used in a diagnostic or therapeutic intervention
CN103562960B (zh) 用于生成图像的图像区域与元素类之间的分配的装置
CN107111867A (zh) 多模态成像系统及方法
CN110738701A (zh) 一种肿瘤三维定位系统
CN115830016B (zh) 医学图像配准模型训练方法及设备
US20090208081A1 (en) Apparatus and method for computing regional statistical distribution over a mean atomic space
CN108694007B (zh) 从磁共振图像展开肋骨
Vázquez Romaguera et al. Automatic self-gated 4D-MRI construction from free-breathing 2D acquisitions applied on liver images
CN108475419A (zh) 用于计算机断层摄影的数据处理的方法
Kiraly et al. Boundary-specific cost functions for quantitative airway analysis
Li et al. 3D intersubject warping and registration of pulmonary CT images for a human lung model
CN114469145A (zh) 提供最佳减影数据组
Saragaglia et al. Airway wall thickness assessment: a new functionality in virtual bronchoscopy investigation
US20240046535A1 (en) System and method for pet-ct image artifact evaluation and correction

Legal Events

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