CN107251094A - 用于材料特性描述的断层图像重建 - Google Patents

用于材料特性描述的断层图像重建 Download PDF

Info

Publication number
CN107251094A
CN107251094A CN201580054693.5A CN201580054693A CN107251094A CN 107251094 A CN107251094 A CN 107251094A CN 201580054693 A CN201580054693 A CN 201580054693A CN 107251094 A CN107251094 A CN 107251094A
Authority
CN
China
Prior art keywords
sample
reconstruction
estimated
rays
materials
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
CN201580054693.5A
Other languages
English (en)
Other versions
CN107251094B (zh
Inventor
B·M·B·雷库尔
M·帕齐雷什
G·R·迈尔斯
A·M·金斯顿
S·J·莱瑟姆
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.)
FEI Co
Original Assignee
FEI Co
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 FEI Co filed Critical FEI Co
Publication of CN107251094A publication Critical patent/CN107251094A/zh
Application granted granted Critical
Publication of CN107251094B publication Critical patent/CN107251094B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • X-Ray Techniques (AREA)

Abstract

本发明的一些实施例提供了一种通过迭代断层图像重建确定样品中材料的材料特性的方法。该方法进行样品的一次或多次X射线断层摄影的扫描，然后使用断层图像重建算法确定样品中的多个体积元的一个或多个估算的材料特性，例如原子序数和强度。然后通过参考存储的已知材料特性数据来修改这些估算的材料特性。优选地，在重建期间确定样品体积的组成包括将样品分割成具有共同组成的区域，在迭代重建期间执行分割而不是基于在迭代重建完成时确定的体素特性。优选的版本将会执行断层图像重建算法一次或多次额外的迭代，其中每一次迭代更新体积元的一个或多个估算的材料特性。

Description

用于材料特性描述的断层图像重建
技术领域
本发明涉及断层图像重建，并且尤其涉及，使用断层图像重建以确定样品的材料特性。
相关申请的交叉引用
本发明要求于2014年8月16日提交的题为“用于材料特性的断层图像重建”申请号为62/038,263的临时申请的优先权。
背景技术
断层摄影术需要以多个角度穿过对象的切片检测辐射并且从所检测的辐射中重建样品的性质。如果辐射源在待测对象内，则该技术被称为发射断层摄影术。例如，正电子发射断层扫描(PET)和单光子发射计算机断层扫描(SPECT)均用于检测从患者体内发射的伽马射线的医学成像。如果辐射源在待测对象外部，例如在X射线计算机断层扫描中该技术被称为透射断层摄影。CT用于医学成像，以及地质样品，如化石、储层岩石还有土壤。
检测到辐射后，将重建算法应用于所检测的数据以重建扫描的样品的模型。诸如滤过反向投影的分析技术是基于单次重建，而迭代技术使用朝向改进的解收敛的算法的多次重复。
迭代技术包括代数重建技术(ART)、同步ART、同步迭代重建技术(SIRT)、有序子集SIRT、乘法代数重建技术、最大似然期望最大化、有序子集期望最大化、有序子集凸化算法、迭代坐标下降(ICD)、有序子集ICD或基于模型的迭代重建。
X射线CT已被用于绘制地质样品的内部结构。通常，照射样品，然后重建算法表征构成样品的体积元的衰减。然后可以将具有类似性质的体积元或体素分组或“分段”以确定结构元素，如孔隙或晶相。
可以在重建算法的一次迭代结束时执行分割处理，将体积分成共同的材料簇。然后，在重建的下一次迭代的前向模型中处理每一个簇，以验证“分段数据的组合”与获取的完整性。
可以使用提供多于一个频率的X射线的源或多个源来执行CT。不同频率的衰减信息可以提供额外的样品信息，其可以用于很多目的如将样品分割成不同的材料。过去已经提出了一些双-能量迭代重建/分割。
一种方法提供了对原始数据集获得的每一个簇使用相同的分割。例如，假设该分割提取4个簇。通过双重迭代重建/分割算法，获得四个子正弦图和四个断层图像(每个簇一个)。四个断层图像允许定量分析(例如，体积测量)，并且由于每一个都与自身的正弦图相关联，所以每一个还能够直接从投影中提取衰减、Hounsfield窗口以及剂量或辐射检查(在PET或放射治疗中)。此外，由于每一个簇的断层图像被假定由一个单一的“材料”组成，一些方法重建每个体素值作为出现在体素中的材料的量，例如：
体素＝1->100％的体素包含该簇的材料。
体素＝0.34->34％的体素包含那簇的材料。
当想要矢量化该断层图像用于3D渲染时这是特别有用的。由于在断层图像重建和分割之间存在双重检查，多材料体素将会出现在一些断层图像中。换言之：在算法迭代期间验证“体素混合”的种类，以便检查该分割与其本身获取的一致性。
但是，在这些分支中，该分割是基于重建的体素的强度和基于强度的局部变化以确定簇之间的接口。换言之，该分割主要是基于图像特性。
发明内容
本发明的目的是提供用于材料特性的改进的断层摄影术。提供了一种断层图像重建和分割过程，以及系统，其使用来自材料库的输入基于材料的物理性质产生分割。在优选版本中，重建和分割以重建算法的多次迭代更新体积元的Z(原子序数)和ρ(强度)。优选的分割或聚集处理使用材料库中已知材料的匹配方法，提供体素更新的标签，而不是仅基于断层图像中的体素值和局部强度变化的聚集。在一些实施例中“标签”在某种程度上相当于分割；然而，该分割并不是仅基于数据(其中体素或区域通过他们之间局部观察到的相对强度差而区分其他体素或区域)还通过“体素”匹配(从而使每一个体素能够单独处理)，使用材料字典的额外的已知数据。双-能量获取促进物理性质的重建以提供该具体的标记/分割。进一步，分割的结果能够在下一次迭代被验证因为断层图像重建中所运用的前向模型也是基于这些相同的物理性质。
本发明的一些实施例通过迭代断层图像重建提供了一种确定样品中材料的材料特性的方法。该方法进行样品的一次或多次X射线断层摄影扫描，然后使用断层图像重建算法确定样品中的多个体积元的一个或多个估算的材料特性。然后通过参考存储的已知材料特性数据来修改这些估算的材料特性。优选地，在重建期间确定样品体积的组成包括将样品分割成具有共同组成的区域，在迭代重建期间执行分割而不是基于在迭代重建完成时确定的体素特性。在一些实施例中，该方法进一步包括将表示样品的重建体积标记为具有相似特性的材料区域。
优选的版本将会执行断层图像重建算法一次或多次额外的迭代，其中每一次迭代更新体积元的一个或多个估算的材料特性。
在一些实施例中，通过参考已知材料的材料特性修改估算的材料特性，包括确定已知材料是基于概率分类进而确定每个体积元在样品中最可能的材料。用至少一次迭代修改估算的原子序数和估算的强度包括用受约束的更新修改序数，使得修改的序数更接近材料字典中确定的最可能材料的序数。
本发明的一些实施例提供一种通过迭代断层图像重建确定样品中材料原子序数和强度的方法，包括使用断层图像重建算法确定样品中多个体积元的一个或多个估算的材料特性；以及通过参考存储的材料特性数据修改一个或多个估算的材料特性。该重组在相同的算法中同时基于材料特性执行3D断层图像重建和体素的3D标记，可以在随后的迭代期间校正任何重建引入的标记的偏差(例如，由于射束硬化“拔火”效应)。优选地，该标记是基于化学特性而不仅是图像特性，如对比度或熵。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作-根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
进一步，该方法可以在可操作地连接至合适的断层摄影数据扫描装置的任何类型的计算平台中实现，包括但不限于，个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
附图说明
图1(a)示出了根据一些实施例的断层图像重建和分割的处理的流程图；
图1(b)示出了根据其他实施例的断层图像重建和分割的处理的流程图；
图1(c)示出了根据示例性实施例的一个示例性系统的示意框图；
图2(a)-(c)示出了用本文的技术学习的合成对象，Z(x)和ρ(x)体积的2D中心切片以及该对象的3D多平面渲染的视图；
图3(a)-(b)示出了假定分别具有60keV和120keV的能量的单色X射线计算的模拟对象的投影图；
图4(a-f)示出了与参考图像(在模拟对象的中心切片处)相比较的几个概率匹配函数的结果；
图5(a-f)示出了当材料词典限于构成所获取的样品的化学制品的情况下结果的类似比较；
图6(a-c)示出了，与图4(e)和5(e)的结果的并排的类似比较，在受约束的迭代更新中使用概率函数p[Znρ]，该结果示出了分别使用完全数据库和受限的数据库的结果重建/标记数据的中心切片图。
具体实施方式
本发明提供了一种断层图像重建和分割过程，以及系统，其使用来自材料库的输入基于材料的物理性质产生分割。在优选的版本中，重建和分割均以重建算法的多次迭代更新体积元的Z(原子序数)和ρ(强度)。优选的分割过程使用材料库中已知材料的最佳匹配方法，提供了体素更新的标记，而不是基于断层摄影中的体素值和局部强度变化的聚集。在一些实施例中“标记”在某种程度上相当于分割；然而，该分割并不是仅基于数据(其中体素或区域通过他们之间局部观察到的相对强度差来区分其他体素或区域)还通过“体素”匹配(从而使每一个体素能够单独处理)，使用材料字典的额外的已知数据。双-能量获取促进物理性质的重建以提供该具体的标记/分割。进一步，分割的结果能够在下一次迭代被验证因为断层图像重建中所运用的前向模型也是基于这些相同的物理性质。
本发明的各种实施例在论文“Dual-Energy Iterative Reconstruction forMaterial Characterization,”Proc.SPIE 9212,Developments in X-Ray TomographyIX,921213(2014年9月11日))中详细描述。
一些实施例提供了一种基于材料词典的材料匹配用于透射断层摄像的双能量有序子集凸方法。此类重组包括约束的更新强制重建的原子序数(Z)和强度(ρ)体积的材料特性以遵循根据所提供的材料数据库的分布。还提供了概率分类技术以便管理这种材料分布。整个过程产生化学分割体积数据，并优于断层图像重建后计算的顺序标记。
在材料特性领域，通过组合在2个能量E1和E2获得的数据双能量断层摄影能够用于恢复样本的强度ρ，和原子序数Z(或有效原子序数Zeff)的分布。这种分布是基于获取的样品的每个点x处的衰减μE(x)模型，其中所获取的样品取决于根据所获取的能量E的两者ρ和Z：
其中K1和K2是两个常数，式(1)的第一部分是指光电效应，注意
出现低能量E对于高能量是可忽略的。第二部分是指朗普顿散射取决于如下定义的Klein-Nishina公式fKN(E)：
第一个提出的算法包括计算来自两次采集的[Znρ]-投影和ρ-投影，以使用标准断层摄影算法直接重建[Znρ]和ρ体积。(该方法在作者为Alvarez,R.E.和Macovski,A.的“Energy-selective reconstructions in x-ray computerised tomography,”Physicsin medicine and biology 21(5),733(1976)中出现)。使用多色X射线的方法在以下两篇研究论文中找到：(作者为Siddiqui,S.和Khamees,A.A.的“Dual-energy ct-scanningapplications in rock characterization,”，其收录于[SPE Annual TechnicalConference and Exhibition(Society of Petroleum Engineers,2004)]；以及作者为Heismann,B.,Leppert,J.,和Stierstorfer,K.的“Density and atomic numbermeasurements with spectral x-ray attenuation method,”Journal of appliedphysics 94(3),2073–2079(2003))。该方法通过两步过程估算[Znρ](x)和[Znρ](x)的体积：i)重建衰减体积μ(x,E1)和μ(x,E2)，并且应用束硬化校正，ii)假设使用两个单色测量，通过解决基于公式(Eq.)1的方程系统从衰减体积中恢复材料特性体积。通常提供Z(x)因为它更准确地定义组成获取的样品的化学元素。然而，从[Znρ](x)中提取Z(x)受ρ(x)中噪声的影响，导致材料特性中的误差。
本文的一个实施例提供一种基于有序子集凸(OSC)算法使用双能量迭代重建方法的解决方案，该方案可以直接使用重建算法的前向模型中的衰减函数Eq.(1)用于透射断层摄影。在重建期间，该方法通过将每一个体素与材料词典相匹配来估算样本的物理特性。这种估算是基于允许该方法为每一个体素分配词典中最相似的材料的概率分类的。在随后的算法迭代期间验证该分类，允许校正假匹配。该算法导致已经根据所扫描对象的物理特性而分割的重建。
该迭代过程避免了现有的分割和标记序列中连续步骤的独立性。实际上，重建期间的近似可以对序列的其余部分产生显著的影响。相反地，此处所运用的迭代过程可以在后续迭代期间校正标记错误。此外，本发明人及其在澳大利亚国立大学(ANU)的研究小组为ANU的高锥角螺旋扫描微CT设备开发了几种采集优化和动态断层摄影方法。这些方法在Myers,G.的“Improving dynamic tomography quality through a maximum aposteriori model,”SPIE Optics and Photonics-accepted at Optical Engineeringand Applications.(2014)中提出，其提供的迭代方案可以依据本文的技术来进行调整，以涵盖他们特有的处理过程目标之外的材料特性。
下面描述了基于数值模拟的提出了几种材料特性的方案的学习。目的是，来定义一最可能的函数，而该函数针对Z(x)和ρ(x)体积或者针对[Znρ](x)和ρ(x)体积以执行有效且噪声鲁棒的体素材料标记。之后我们在迭代期间引入包括材料特性的双能量迭代重建算法。
材料字典和数值模拟
如下所描述的学习是基于模拟岩石样品的合成对象的数值分析。使用表1中提供的材料数据库对该样品建模。数值样品由随机填充成不同球形矿物颗粒的圆柱形容器组成。我们选择的矿物成分是60％的石英、20％的高岭石和20％的方解石。将分析对象光栅化为N3体素体积，用于与重建的数据进行比较(即N3对应于重建体积大小)。图1(a)-(c)示出了用本文的技术学习的合成对象，Z(x)和ρ(x)体积的2D中心切片以及表1中给出的标记加阴影的对象的3D多平面渲染的视图。在所描述的模拟对象的视图中，(a)示出了对象Z(x)体积的中心切片，(b)示出了对象ρ(x)体积的中心切片，以及(c)示出了成像到5123体素体积的对象的3D可视化。
表1。如Siddiqui等人提供的强度ρ和普通材料的平均原子序数Zeff值。阴影对应于在模拟/重建体积中使用的分类标记。
通过使用具有所选的4倍像素数量的检测器的模拟获取来获取合成对象，以防止当使用合成数据时可能发生的逆犯效应(inverse crime effect)。相对于扫描器几何形状来跟踪X射线(从源到探测器的每个像素)。测量构成对象的每种材料中的每个X射线所穿过的距离，并且为每个子像素ii计算总吸收，其中Ms是构成样品的材料集，μE、m对应于材料m的μE(Eq.1)。本实施例的过程通过对四个子像素值求平均值并假定泊松噪声模型来获得检测器上的最终投影值：
其中γ0是发射的平均光子数(空白扫描)并且ii∈i表示包含在检测器像素i中的子像素索引。例如，图3示出了假设来自模拟对象的x射线能量为60keV和120keV的计算的投影。在本学习中，重建的体积大小为N3＝2563个体素并且检测器大小为256×192像素。因此，已经在每个能级使用512×384检测器尺寸执行采集，并且下采样到256×192以便重建2563个体积。
有序子集凸重构
有效迭代期望最大化(EM)算法是指提供来自一组射线照片的样品的3D结构体积的宽种类的断层摄影重建。根据给定的样本μ观察测量的期望值R，所指的p(R|μ)遵循Poisson分布，其可以由下式定义：
其中i是投影线索引和R^，在检测器位置i处的所计数的光子的预期数量是：
其中wij是定义对检测器测量i的体素j贡献的权重系数。Wij通常与体素j中的线i行进的距离成比例。基于似然p(R|μ)和透射模型R^，该方法通过最大化对数似然L＝log p(R|μ)进行工作，即通过找到偏导数的零根找到使L相对于μ最大的解μ。解决方案可以通过Newton-Raphson方法在t中迭代实现：
除了p(R|μ)之外，引入惩罚函数p(μ)以稳定解，并避免迭代期间的发散。通过以下方式关于重建的数据的高斯分布定义为p(μ)：
其中β是松弛参数，N(j)表示像素j的领域，Φ(·)是势函数，yjk是权重因子(通常与体素j和k之间的距离成反比)。在该版本中，以下LogCosh函数用作潜在正则化：
其中g是灵敏度参数。该函数衰减导致区域的更好均匀性的小变化，并保持超过给定阈值t的边缘。通过在Eq.(6)中代替L＝log p(R|μ)p(μ)，总体惩罚有序子集凸(OSC)算法包括在t和子集s+1中迭代，以便更新体积μ的每个体素j，直至解收敛：
其中R^t(i)是使用Eq.(5)从μt中计算的预期的光子数，αt是松弛参数，S(s)是子集s和Φl(·)中的射线照片，以及Φll(·)分别是Φ(·)中的一阶和二阶导数。使用子集s通过更新获取的体积被用作下一个子集s+1的起始体积。当所有的子集全部完成时，完成主迭代t。
材料特性：仿真学习
令μE1(x)和μE2(x)是分别由使用标准OSC算法的能量E1和E2处的两次采集重建的断层图像。可以通过在每个体素x处求解以下方程系之一来恢复体积对(Z,ρ)或([Znρ],ρ)：
其中，B1＝K2fKN(E1)，并且B2＝K2fKN(E2)。
该部分定义和比较估计重构体素对应于材料字典中的材料的几个概率材料匹配函数。由于可以使用Eq.10来确定ρ、Z或[Znρ]，因此匹配函数将基于一个或多个重建的材料特性与其在材料数据库中的固有值的比较。
我们认为重构数据Z(x)，ρ(x)和[Znρ](x)均遵循围绕有效材料值的高斯分布。然后我们可以通过以下函数定义体素x对应于材料m∈M的概率：
或者它们的组合使得：
其中ρm，Zm和[Znρ]m是字典M中材料m的化学特性，σρm，σZm和σ[Znρ]m是其各自的标准偏差。大的标准偏差将导致不准确的估计，因为字典中的所有材料将实现良好的概率(平滑估计)。相反地，太小的偏差将会导致过于判别估算。令am是材料m的比较值之一(即am＝{ρm，Zm或者[Znρ]m})。我们将an表示为材料n∈M的对应值使得n≠m并且an＝argmin{am-ami，mi∈M∧mi≠m}。我们通过下式定义材料特性a的m的标准偏差σa：
其中在材料字典中pt∈{0,1}定义m和其邻域n之间的可区分性。为每一种材料设置一种标准偏差允许本地调整概率匹配函数相对于组成数据库的化学品的差异。在表2中提供了这三个单个最佳匹配函数(Eq.11)的概述。然而，列出的功能不是限制性的，并且可以使用其他合适的功能。
在题为“Dual-Energy Iterative Reconstruction for MaterialCharacterization”的并入参考论文中，本申请发明人根据五个匹配函数(Eq.11和Eq.12)(在该示例中，pt＝0.8)，学习调查表1中的材料数据库中的可能性材料分布来提供数据。特别地，当使用受限材料数据库(仅包含在数字样品中使用的化学品)与相同概率函数的较大或完全数据库相比时，结果显示对所述分布存在有利影响。
表2。根据重构的ρ(x),Z和/或[Znρ]体积学习奇异匹配函数。通过pρ与pZ或pZnρ的组合获得复合匹配函数(Eq.12)。
为了量化每个匹配函数的效率，我们首先使用上面解释的模拟在两个能量处计算数值采集。然后，我们使用上述OSC算法重建体积(μ1,μ2)。我们通过对每个体素来解Eq.10，以估算体积(Z,ρ)和([Znρ],ρ)。
最后，我们使用每一个匹配函数应用分类标记。该分类使用材料m∈M来标记每个体素，使得m使所使用的概率函数最大化。图4(b-f)的阴影图像示出了与参考图像(模拟对象的中心切片)相比的每种方法的结果。正确的标记数(图4中的Corr.in％)表明每个函数已经从完整字典中正确地恢复了构成样品的至少50％的体素。使用pZρ获得最佳结果，即使我们可以观察到不同结果之间的差异并不显著。图5(b-f)示出了当材料字典限于组成获取的样品的化学品时最可能材料的结果。无论匹配函数怎样该标记过程实现了更好的结果。然而我们可以注意到pZ和p[Znρ]与其他相比所获得的高结果。这样可以期望从(Z,ρ)体积和([Znρ],ρ)体积执行最准确的匹配。
双能量重建和材料匹配
我们在此处已经观察到，可以从(Z,ρ)以及从([Znρ],ρ)体积执行材料标记。后者具有不受ρ体积中的噪声限制的优点。然而，在前一节中学习的匹配过程在断层摄影重建之后执行，而它可以在迭代重建技术期间进行，允许在算法的后续迭代期间校正假匹配。因此，我们现在基于([Znρ],ρ)体积的重建学习修改的双能量OSC算法，并且包括在每次迭代处体素的约束更新。此更新强制每个体素在重建中更接近数据库中最可能的材料。
该算法的前向模型是基于先前的来估算。因此Eq.5中μE1(j)和μE2(j)由下式给出：
然后我们通过应用OSC更新步骤Eq.9，获得更新值Δμt(x,E1)和Δμt(x,E2)，通过应用OSC更新步骤Eq.9分别用于E1和E2。令Δ[Znρ]t(x)和Δρt(x)的更新值为它们通过求解每个x值来恢复：
我们基于最佳匹配函数在每个超级迭代t的末端添加约束更新。如果最可能的材料m使得pα＝p(x＝m)>pβ，则该更新包括修改[Znρ]t(x)和ρt(x)，其中pβ是概率阈值。在该情况下，受约束的更新执行如下：
其中[Znρ]m和ρm是m的化学特性。如果m是最佳似然性并且p(x＝m)已经提供高概率(大于阈值pα)，则该约束更新强制重建的数据更接近字典中的材料m的理论值。提供低于pα的最佳估计的匹配不由受约束更新修改。这个约束具有使得解更接近字典中的材料的优点。
现在使用在前一部分中采用的在E1和E2处的相同的采集组来应用该算法。我们在这个示例中设置pβ＝pt＝0.8，并且我们在受约束更新中使用概率函数p[Znρ]，因为它在初步学习中提供了平均最佳结果。在图6(b-c)中分别使用完全数据库和受限制的数据库示出了重建的/标记的数据结果的中心切片。该技术已经正确地标记了包含来自完全(受限制的)材料数据库的多于66％(相对地87％)的样品的体素，相比从重建接着分割/标记的54％和77％体素而言。因此，当使用具有约束的迭代重建时，我们再次观察到大于10％的相同的概率函数。这些结果体现了将断层摄影重建和材料标记结合的有效性。然而，由于噪声和部分体积效应，该结果仍然存在材料标记误差。
以上描述的几种概率技术根据包含在材料字典中的物理特性标记断层图像的每个体素。这些匹配技术是基于数据库中每一种材料相对于其最近领域的局部区分能力。因此可以用相等的定量结果从(Z,ρ)或([Znρ],ρ)体积实现材料标记。然而，如果执行分割随后标记，则材料标记根据物理模型是难以校正的。进一步，由于迭代重建能够根据材料特性将物理相互作用与X射线辐射相结合，我们提供了一种双能量OSC算法，基于([Znρ],ρ)体积的重建，包括在每一次迭代末端的受约束更新。这次额外的更新迫使([Znρ],ρ)的值更接近于提供最佳概率的材料m的理论值。这样一个过程相对于依次执行断层图像重建和材料分类的过程，既实现了该对象更好的重建又实现了更准确的标记。上述实施扩展到通过应用束硬化校正然后假定2个单色能量来应用于2个多色光谱。这些技术提取([Znρ],ρ)投影以重建([Znρ],ρ)体积，避免中间体Δμt(x,E1)和Δμt(x,E2)并立即校正多色光谱。采用以不同能量为中心的双重多色x射线谱的各种实施例可以包括这些技术与本文所述的双重构造/标记的组合。
图1(a)示出了根据一些实施例的断层图像重建和分割的处理的流程图。过程100在框101开始，提供具有预期出现在样品中的材料的特性的材料库或数据存储。在该版本中，该特性至少包括预期材料的原子序数(Z)和强度(ρ)。数据存储可以包括用于任何材料的数据，该材料能够使用断层摄影检查，例如医学(活的或组织样品)，矿物或半导体。如上所讨论的，优选地，数据存储限于材料，该材料是基于所分析的样品的类型选择预期为或可能为样品中的材料。数据存储可以包括更多的材料，例如可以是但不具有样品中的高可能性的材料。一些过程可以包括基于正被分析的样品的类型来选择要使用的数据存储的步骤。参考图1(c)，其示出了一个示例系统的框图，示出了包含多个材料特性(与所讨论的相应材料相关联的每一组材料特性)的材料库或数据存储19。
接下来在框102和103处，该过程通过从多个方向引导X射线指向样品，并测量穿过样品的X射线的强度来进行断层摄影数据采集。可以实施任何合适的断层摄影X射线过程，包括这些具有多个X射线能量谱的，例如上述的双能量采集过程。其他版本可以使用多于两个的能级，例如三个或四个，甚至一些可以仅使用一个能级。如所指出的，该过程可以使用发射断层摄影或透射断层摄影，这取决于所检查的样品的类型，例如医学(活的或组织样品)，矿物或半导体。
如图1(c)中的框图所示，优选地，断层摄影X射线扫描和检测在系统控制器15的控制下实施，其向双能量X射线束11发出命令以根据需要照射样品13。样品旋转架或样品状态14保持样品并旋转样品以达到断层摄影投影的期望数量。X射线探测器12测量穿过样品的X射线的强度。图1(c)中的断层摄影系统10，可以合并至另一扫描装置，例如扫描电子显微镜(SEM)。用于实现本发明的一个实施例的这种装置包括电子源，用于将来自源的电子聚焦成束的电子聚焦柱，当被电子束撞击时发射X射线的靶，穿过所述样品并且能够被一个或多个X射线检测器检测到的X射线。换言之，X射线发射器11可以从同步发射器引导-射线从多个方向指向样品。系统控制器15通常体现为带有用户接口16的微处理器母板或计算机，其中该用户接口16具有显示器和用户输入设备。处理器17可操作地连接至用于存储材料库19的存储器，用于断层图像重建和分割的指令代码，以及用于设备11、12和14的驱动器/控制器软件。处理器17可以包括专用图像图形处理器或一个或多个单独的图形卡以用于加速断层数据的分析和显示。
再次参考图1(a)，在获取断层数据之后，过程100进行到框104，在这里开始断层图像重建和分割算法，以通过迭代断层图像重建来确定样品中的材料的原子序数和强度。框104使用断层图像重建算法确定样品中的多个体积元的估算的原子序数和估算的强度，例如上述合适的算法之一。接下来在框106，该过程计算概率分类以确定用于一个或多个体积元在材料字典中的最可能的材料。在该步骤的计算可以包括任何合适的概率分类函数，包括上述具有最佳性能的那些，被评估为不良好的那些，以及其他合适的分类函数。
接下来，在框107，该过程通过参考来自材料库或数据存储的已知材料的原子序数和强度来修改估算的原子序数和估算的强度。优选地，正如所讨论的，该步骤采用先前步骤的分类函数的结果，并且使用验证的最可能材料的特性。在一些实施例中，该步骤包括用包括诸如上述那些的阈值的受约束的更新修改序数，使修改的序数更接近材料字典中确定的最可能的材料的序数。
接下来在步骤108，该过程将表示样品的重建的体积元标记为具有相似原子序数和强度的材料区域。优选地，该标记表明材料区域由确定的最可能的材料构成，或者包括最可能的材料。例如对于在过程的进一步迭代中到达步骤108的情况，步骤108可以更新体积元的标记，其可以改变重建模型中的先前验证的区域。注意，标签可以是与在重构算法中使用的相应体积元的估算的性质分开的数据元。标签可以是数据元，其创建与相应更新的体积元的一个或多个周围体积元(体素)的关联，或者可以标记验证的区域的边界的体素，或者可以根据已知技术将体素合并或关联在一起用于表示体素数据，其中在该领域中，在断层图像重建之后的分割过程期间该体素数据已经先被使用，正如背景技术中所讨论的。
接下来在框109，该过程确定断层图像重建和分割算法的迭代是否完成。该块可以包括检查数据的收敛(即，数据没有从先前的迭代中发生显著改变)，或者可以涉及检查是否已经完成了预定数量的迭代，基于样品的类型或观察到的样品的三维结构的复杂性来选择迭代的数量。可以使用其他合适的方法确定迭代是否完成。如果迭代没有在框109完成，过程会到达框110在这里进行重建算法的下一次迭代，在该版本中返回框104但是使用体素中的当前数据表示样品。如果迭代在框109完成，过程会以当前原子序数、强度以及用于由重建算法输出表示样品的体积元的标记，在框112结束。优选地，通过断层图像重建算法描述的步骤的每一次迭代会更新体积元中修改的原子序数和强度。
图1(b)示出了根据其他实施例的断层图像重建和分割的过程的流程图。过程200开始于框201，确定并提供具有预期在样本中的材料特性的材料库或数据存储。该过程的其余部分类似于关于图1(a)所描述的，其中为示出各种实施例提供的该流程图可以使用其它数据特性。在各种实施例中，在框204估算并在框207处参考存储在数据存储中的数据调整的材料特性可以是任何合适的特性,该特性能够直接或间接地从任意类型的断层图像重建扫描中测量或导出。例如,对于采用发射断层图像重建数据扫描的实施例，扫描的强度水平可以涉及放射性元素或引入到样品或学习对象中的其他示踪剂的浓度。例如，在正电子发射断层扫描(PET)中，系统检测由正电子发射放射性核素(示踪剂)间接发射的一对伽马射线(或湮没光子)，其已经在生物活性分子上引入体内。在该实施例中使用PET扫描装置。作为另一个示例，材料词典或数据存储19可以存储用于X射线、伽马射线或轫致辐射的质量衰减系数数据，并且使用层断层图像重建扫描方法可以测量这些数据的传输。作为另一个实施例，估算的材料特性可以是多个能量级，例如一个、两个、三个或者四个能量级处的X射线衰减，或者作为X射线能量函数的完全衰减曲线。在框204的估算中采用另外的材料特性，框206和207的分类和标记可以是不同的特性或一组特性，并且这种特性可以在算法的不同迭代之间变化。例如，一个实施例使用原子序数和强度指定为体积元的标记，但是之后使用另外的，不同的材料信息，例如，在迭代重建的前向估算或模拟，或概率分类中，X射线能量函数的完全衰减曲线。正如上所讨论的，优选地，数据存储限于材料，该材料是样品中预期为或可能为的材料，其基于所分析的样品的类型选择。在一些实施例中，框201包括基于有关样品的类型选择要使用的材料库。
应当注意的是，虽然在该版本中描述了步骤204、206、207和208，其他的实施例可以不包括所有这些步骤，或者可以包括少于特定迭代中的所有这些步骤。例如，一些版本可以不包括标记。正如上述讨论的，在框204实施的断层图像重建算法可以包括任意合适的算法例如代数重建技术(ART)、同时代数重建技术、联合迭代重建法(SIRT)、有序子集联合迭代重建法、乘法代数重建技术、最大似然-期望最大法、有序子集期望最大化、有序子集凸算法、迭代坐标下降(ICD)、有序子集迭代坐标下降、或者例如基于模型的迭代重建。进一步，该过程可以包括使用校正束硬化的断层图像重建算法校正数据。
优选地，在重建期间确定样品体积的组成包括将样品分割成具有共同组成的区域，在迭代重建期间执行分割而不是基于在迭代重建完成时确定的体素特性。在一些实施例中，该方法进一步包括将表示样品的重建体积标记为具有相似特性的材料区域。
优选的版本将会执行断层图像重建算法一次或多次额外的迭代，其中每一次迭代更新体积元的一个或多个估算的材料特性。
在一些实施例中，通过参考已知材料的材料特性修改估算的材料特性包括确定已知材料是基于概率分类进而确定每个体积元在样品中最可能的材料。修改至少一次迭代的估算的原子序数和估算的强度包括用受约束的更新修改序数，使得修改的序数更接近材料字典中确定的最可能材料的序数。
当上面所描述的优选的实施例采用透射断层图像重建的双能量有序子集凸方法时，本发明适用于任意类型的迭代断层图像重建。本文的技术可以与发射断层图像重建技术以及透射断层图像重建一起使用。进一步，当上述优选实施例包括确定原子序数和强度并将这些特性与材料字典中已知材料的原子序数和强度进行比较时，本发明适用于确定任何材料特性。进一步，可以用其他形式，例如以衰减表的形式，存储参考材料特性。
本发明的另一个方面提供了一种校正用于束硬化的图像的方法，如在论文“Correction of Beam Hardening Artefacts in Microtomography for Samples Imagesin Container,”Proc.SPIE 9212,Developments in X-Ray Tomography IX,92120A(September 11,2014))中已提出，该论文是本专利申请的一部分。
本发明的一些实施例提供了一种通过迭代断层图像重建确定样品中材料的原子序数和强度的方法，包括：
A.从多个方向将X射线导向至样品；
B.测量已经穿过样品的X射线的强度；
C.使用断层图像重建算法确定样品中多个体积元的估算的原子序数和估算的强度，以及
D.通过参考材料库中已知材料的原子序数和强度来修改估算的原子序数和估算的强度。
在一些实施例中，该方法进一步包括执行断层图像重建算法一次或多次额外的迭代，其中每一次迭代更新体积元中修改的原子序数和强度。
在一些实施例中，至少一次额外的迭代进一步包括使用材料库中已知材料的原子序数和强度修改更新的估算的原子序数和估算的强度。
在一些实施例中，通过参考材料库中已知材料的原子序数和强度修改估算的原子序数和估算的强度包括确定已知材料是基于概率分类进而确定每个体积元在样品中最可能的材料。
在一些实施例中，该方法进一步包括将表示样品的重建的体积标记为具有相似原子序数和强度的材料区域。
在一些实施例中，在样品数据迭代重建期间，标记至少发生一次。
在一些实施例中，从多个方向将X射线导向至样品包括2个或多个步骤，每一步包括用与其他步骤使用的能量或能量谱不同的能量或能量谱将X射线导向至样品。
在一些实施例中，导向至样品的X射线包括能量谱以及测量已经穿过样品的X射线的X射线强度进一步包括测量已经穿过样品的X射线的能量谱信息。
在一些实施例中，材料库包括矿物质。
在一些实施例中，材料库包括从期望在样品中发现的材料而选择的材料。
在一些实施例中，断层图像重建算法包括迭代技术包括代数重建(ART)、同步ART、同步迭代重建技术(SIRT)、有序子集SIRT、乘法代数重建技术、最大似然期望最大化、有序子集期望最大化、有序子集凸化算法、迭代坐标下降(ICD)、有序子集ICD、或基于模型的迭代重建。
在一些实施例中，使用断层摄影算法确定样品中多个体积元的估算的原子序数和估算的强度包括使用校正束硬化的断层摄影算法进行校正。
在一些实施例中，从多个方向将X射线导向至样品包括从同步发射器引导X射线。
在一些实施例中，从多个方向将X射线导向至样品包括将由电子束的撞击产生的X射线与目标对准。
本发明的一些实施例提供了一种通过迭代断层图像重建确定样品中材料的材料特性的方法，包括：
A.从多个方向将X射线导向至样品；
B.测量已经穿过样品的X射线的强度；
C.使用断层图像重建算法确定样品中的多个体积元的一个或多个估算的材料特性，以及
D.通过参考存储的材料特性数据修改一个或多个估算的材料特性。
在一些实施例中，该方法进一步包括将表示样品的重建体积标记为具有相似特性的材料区域。
在一些实施例中，通过参考材料库中已知材料的材料特性修改一个或多个估算的材料特性包括确定已知材料是基于概率分类进而确定每个体积元在样品中最可能的材料。
在一些实施例中，通过参考存储的材料特性数据修改一个或多个估算的材料特性包括通过参考质量衰减表修改一个或多个估算的材料特性。
在一些实施例中，通过参考存储的材料特性数据修改估算的材料特性包括通过参考材料特性库修改一个或多个估算的材料特性。
本发明的一些实施例提供了一种通过迭代断层图像重建确定样品中材料的原子序数和强度的方法，包括：
A.从多个方向将X射线导向至样品；
B.测量已经穿过样品的X射线的强度；
C.使用断层图像重建算法确定样品中多个体积元的一个或多个估算的材料特性，以及
D.通过参考存储的材料特性数据修改一个或多个估算的材料特性，
其中该重建在相同的算法中同时基于材料特性执行3D断层图像重建和体素的3D标记，在迭代期间校正重建提供至标记的偏差。
本发明的一些实施例提供了一种通过迭代断层图像重建确定样品中材料的原子序数和强度的方法，包括：
A.从多个方向将X射线导向至样品；
B.测量已经穿过样品的X射线的X射线强度；
C.在第一次迭代期间使用测量的X射线的强度确定多个体素的特性以及使用已知材料的物理性质的数据源将体素匹配至已知材料；以及
D.在随后的迭代期间验证多个体素匹配的材料以及在迭代重建期间校正假匹配以确定样品体积的组成。
在一些实施例中，在重建期间确定样品体积的组成包括将样品分割成具有共同组成的区域，在迭代重建期间执行分割而不是基于在迭代重建完成时确定的体素特性。
前述已经相当广泛地概括了本发明的特征和技术优点，以便可以更好地理解下面对本发明的详细描述。下面将描述本发明的附加特征和优点。本领域技术人员应当理解，所公开的概念和具体实施例可以容易地用作修改或设计用作实现本发明的相同目的的其它结构的基础。本领域技术人员还应该认识到，这样的等同结构不脱离如所附权利要求中阐述的本发明的精神和范围。
尽管已经详细描述了本发明的优点，应当理解的是，在不脱离由所附权利要求限定的本发明的精神和范围的情况下，可以在此进行各种改变，替换和变更。本文描述的特征的组合不应被解释为限制性的，并且本文的特征可以用于根据本发明的任何工作组合或子组合。因此，根据美国专利法和任何相关的外国专利法，本说明书应被解释为提供任何工作组合或本文特征的某些子组合的书面支持。
此外，本申请的范围不旨在限于说明书中描述的过程、机器、制造、物质组成、装置、方法和步骤的特定实施例。本领域的普通技术人员从本发明的公开内容中将容易地理解目前存在或稍后将开发的执行基本上相同功能的过程、机器、制造、物质组成、装置、方法或步骤，或根据本发明可以利用本文所述的相应实施例实现与本发明基本相同的结果。相应地，所附权利要求旨于在其范围内包括此类过程、机器、制造、物质组成、装置、方法或步骤。
权利要求书(按照条约第19条的修改)
1.一种通过迭代断层图像重建确定样品中材料的原子序数和强度的方法，包括：
(a)从多个方向将X射线导向至样品；
(b)测量已经穿过所述样品的X射线的X射线强度；
(c)使用断层图像重建算法对所述样品中的多个体积元进行估算原子序数的计算和进行估算强度的计算；
(d)通过参考来自材料库中已知材料的原子序数和强度，修改所述估算原子序数和估算强度；以及
(e)执行所述断层图像重建算法的一次或多次额外的迭代，其中每一次迭代使所述体积元中修改的原子序数和强度进行更新。
2.根据权利要求1所述的方法，其中修改估算原子序数和估算原子强度，包括计算所述的估算原子序数和估算原子强度的更新值。
3.根据权利要求2所述的方法，其中至少一次额外的所述迭代进一步包括使用所述材料库中已知材料的原子序数和强度修改所更新的估算原子序数和估算强度。
4.根据以上任一项权利要求所述的方法，其中，通过参考材料库中已知材料的原子序数和强度修改所述估算原子序数和估算强度包括基于概率分类来进行修改，以对应每个体积元在所述材料字典中确定最可能的材料。
5.根据权利要求4所述的方法，其中，修改至少一个所述迭代中的估算原子序数和估算强度包括用受约束的更新修改所述序数，使得所修改的序数与所述材料字典中已知材料性质一致。
6.根据权利要求1至3任一项所述的方法，进一步包括将表示所述样品的重建的体积标记为具有相似原子序数和强度的材料区域。
7.根据权利要求6所述的方法，其中，在样品数据迭代重建期间，至少发生一次标记。
8.根据上述任一项权利要求所述的方法，其中，从多个方向将X射线导向至样品包括两个或更多个的步骤，每一个步骤包括用至少与其他一个步骤使用的能量或能量谱不同的能量或能量谱将X射线导向至所述样品。
9.根据权利要求1至6任一项所述的方法，其中，导向至所述样品的X射线包括能量谱以及测量已经穿过所述样品的X射线的X射线强度进一步包括测量已经穿过所述样品的X射线的能量谱信息。
10.根据权利要求1所述的方法，其中，所述材料库包含矿物质。
11.根据权利要求10所述的方法，其中，所述材料库被限制于期望在样品中发现的材料。
12.根据上述任一项权利要求所述方法，其中，所述断层图像重建算法包括代数重建技术(ART)、同步ART、同步迭代重建技术(SIRT)、有序子集SIRT、乘法代数重建技术、最大似然期望最大化、有序子集期望最大化、有序子集凸化算法、迭代坐标下降(ICD)、有序子集ICD或基于模型的迭代重建。
13.根据上述任一项权利要求所述的方法，其中，使用断层摄影算法确定所述样品中多个体积元的估算原子序数和估算强度，包括使用断层摄影算法进行校正，该算法用于校正或解析束硬化。
14.根据权利要求1所述的方法，其中，从多个方向将X射线导向至样品包括从同步发射器引导X射线。
15.根据权利要求1所述的方法，其中，从多个方向将X射线导向至样品包括将由电子束的撞击产生的X射线与目标对准。
16.根据权利要求1至15任一项所述的方法，其中，通过参考存储的材料特性数据修改所述一个或多个的估算材料特性，包括通过参考质量衰减表修改所述一个或多个的估算材料特性。
17.一种断层摄影系统，包括：
引导X射线通过样品的X射线束源；
样品旋转架；
用于从所述X射线束源探测能量的X射线探测器；以及
操作地连接至所述X射线束源、所述样品旋转架、以及所述X射线探测器的系统控制器，并且该系统控制器包括程序存储器，该程序存储器包括用于执行权利要求1至16任一项所述方法的计算机指令。

Claims (36)

1.一种通过迭代断层图像重建确定样品中材料的原子序数和强度的方法，包括：
(a)从多个方向将X射线导向至样品；
(b)测量已经穿过所述样品的X射线的X射线强度；
(c)使用断层图像重建算法确定所述样品中的多个体积元的估算原子序数和估算强度；以及
(d)通过参考来自材料库中已知材料的原子序数和强度，修改所述估算原子序数和估算强度。
2.根据权利要求1所述的方法，进一步包括：执行所述断层图像重建算法的一次或多次额外的迭代，其中每一次迭代使所述体积元中修改的原子序数和强度进行更新。
3.根据权利要求2所述的方法，其中至少一次额外的所述迭代进一步包括使用所述材料库中已知材料的原子序数和强度修改所更新的估算原子序数和估算强度。
4.根据以上任一项权利要求所述的方法，其中，通过参考材料库中已知材料的原子序数和强度修改所述估算原子序数和估算强度包括基于概率分类来进行修改，以对应每个体积元在所述材料字典中确定最可能的材料。
5.根据权利要求4所述的方法，其中，修改至少一个所述迭代中的估算原子序数和估算强度包括用受约束的更新修改所述序数，使得所修改的序数与所述材料字典中已知材料性质一致。
6.根据权利要求1至3任一项所述的方法，进一步包括将表示所述样品的重建的体积标记为具有相似原子序数和强度的材料区域。
7.根据权利要求6所述的方法，其中，在样品数据迭代重建期间，至少发生一次标记。
8.根据上述任一项权利要求所述的方法，其中，从多个方向将X射线导向至样品包括两个或更多个的步骤，每一个步骤包括用至少与其他一个步骤使用的能量或能量谱不同的能量或能量谱将X射线导向至所述样品。
9.根据权利要求1至6任一项所述的方法，其中，导向至所述样品的X射线包括能量谱以及测量已经穿过所述样品的X射线的X射线强度进一步包括测量已经穿过所述样品的X射线的能量谱信息。
10.根据权利要求1所述的方法，其中，所述材料库包含矿物质。
11.根据权利要求10所述的方法，其中，所述材料库被限制于期望在样品中发现的材料。
12.根据上述任一项权利要求所述方法，其中，所述断层图像重建算法包括代数重建技术(ART)、同步ART、同步迭代重建技术(SIRT)、有序子集SIRT、乘法代数重建技术、最大似然期望最大化、有序子集期望最大化、有序子集凸化算法、迭代坐标下降(ICD)、有序子集ICD或基于模型的迭代重建。
13.根据上述任一项权利要求所述的方法，其中，使用断层摄影算法确定所述样品中多个体积元的估算原子序数和估算强度，包括使用断层摄影算法进行校正，该算法用于校正或解析束硬化。
14.根据权利要求1所述的方法，其中，从多个方向将X射线导向至样品包括从同步发射器引导X射线。
15.根据权利要求1所述的方法，其中，从多个方向将X射线导向至样品包括将由电子束的撞击产生的X射线与目标对准。
16.一种通过迭代断层图像重建确定样品中材料的材料特性的方法，包括：
(a)从多个方向将X射线导向至样品；
(b)测量已经穿过所述样品的X射线的X射线强度；
(c)使用断层图像重建算法确定所述样品中多个体积元的一个或多个的估算材料特性；以及
(d)通过参考存储的材料特性数据修改所述一个或多个的估算材料特性。
17.根据权利要求16所述的方法，进一步包括执行所述断层图像重建算法的一次或多次额外的迭代，其中每一次迭代使所述体积元中一个或多个的估算材料特性进行更新。
18.根据权利要求17所述的方法，其中，至少一次所述额外的迭代进一步包括使用所述材料库中已知材料的一个或多个材料特性修改所述更新的一个或多个的估算材料特性。
19.根据权利要求16-18任一项所述的方法，其中，基于概率分类通过参考材料库中已知材料的材料特性修改所述一个或多个的估算材料特性，以确定每个体积元在所述材料字典中最可能的材料。
20.根据权利要求19所述的方法，其中，修改所述至少一次迭代的一个或多个的估算材料特性包括用受约束的更新修改序数使得所修改的序数更接近所述材料字典中确定的最可能材料的序数。
21.根据权利要求16至20任一项所述的方法，进一步包括将表示所述样品的重建的体积标记为具有相似特性的材料区域。
22.根据权利要求21所述的方法，其中，在样品数据迭代重建期间，至少发生一次标记。
23.根据权利要求16至22任一项所述的方法，其中，从多个方向将X射线导向至样品包括两个或更多个的步骤，每一个步骤包括用与其他步骤使用的能量或能量谱不同的能量或能量谱将X射线导向至所述样品。
24.根据权利要求16至22任一项所述的方法，其中，导向至所述样品的X射线包括能量光谱并且测量已经穿过所述样品的X射线的X射线强度进一步包括测量已经穿过所述样品的X射线的能量谱信息。
25.根据权利要求16所述的方法，其中，所述材料库包含矿物质。
26.根据权利要求25所述的方法，其中，所述材料库被限制于期望在样品中发现的材料。
27.根据权利要求16至26所述的方法，其中，所述断层图像重建算法包括代数重建技术(ART)、同时代数重建技术、联合迭代重建法(SIRT)、有序子集联合迭代重建法、乘法代数重建技术、最大似然-期望最大法、有序子集期望最大化、有序子集凸算法、迭代坐标下降(ICD)、有序子集迭代坐标下降、或基于模型的迭代重建。
28.根据权利要求16至27任一项所述的方法，其中，通过参考存储的材料特性数据修改所述一个或多个的估算材料特性，包括通过参考质量衰减表修改所述一个或多个的估算材料特性。
29.根据权利要求16至27任一项所述的方法，其中，通过参考存储的材料特性数据修改所述估算材料特性，包括通过参考材料特性库修改所述一个或多个的估算材料特性。
30.一种通过迭代断层图像重建确定样品中材料的所述原子序数和强度的方法，包括：
(a)从多个方向将X射线导向至样品；
(b)测量已经穿过所述样品的X射线的X射线强度；
(c)使用断层图像重建算法确定所述样品中的多个体积元的一个或多个的估算材料特性；以及
(d)通过参考存储的材料特性数据修改所述一个或多个的估算材料特性,
其中，所述重建是同时在相同的算法中基于材料特性执行三维(3D)断层图像重建和体素3D标记，并且其中，在迭代期间校正由所述重建提供至所述标记的偏差。
31.根据权利要求30所述的方法，进一步包括执行所述断层图像重建算法的一次或多次额外的迭代，其中每一次迭代使所述体积元的所述一个或多个材料特性进行更新。
32.根据权利要求31所述的方法，其中所述至少一次额外的迭代进一步包括使用所述材料库中已知材料的材料特性修改所更新的估算材料特性。
33.一种通过迭代断层图像重建确定样品中材料的所述原子序数和强度的方法，包括：
(a)从多个方向将X射线导向至样品；
(b)测量已经穿过所述样品的X射线的X射线强度；
(c)在第一次断层图像重建迭代期间，从所测量的X射线强度中确定多个体素的特性以及使用多个已知材料的物理性质的数据源将所述体素匹配至已知材料；以及
(d)在随后的迭代期间，验证所述多个体素的匹配的材料并且在迭代重建期间校正错误的匹配以确定所述样品体积的组成。
34.根据权利要求33所述的方法，其中，在重建期间确定所述样品体积的组成包括将所述样品分割成具有共同组成的区域，在迭代重建期间执行所述分割而不是基于在所述迭代重建完成时确定的所述体素特性。
35.根据权利要求33或34所述的方法，其中，基于概率分类，通过参考所述数据源中已知材料的材料特性修改所述一个或多个的估算材料特性，以确定每个体积元在所述数据源中最可能的材料。
36.一种断层摄影系统，包括：
引导X射线通过样品的X射线束源；
样品旋转架；
用于从所述X射线束源探测能量的X射线探测器；以及
操作地连接至所述X射线束源、所述样品旋转架、以及所述X射线探测器的系统控制器，并且该系统控制器包括程序存储器，该程序存储器包括用于执行权利要求16至29任一项所述方法的计算机指令。
CN201580054693.5A 2014-08-16 2015-08-15 用于材料特性描述的断层图像重建 Active CN107251094B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462038263P 2014-08-16 2014-08-16
US62/038,263 2014-08-16
PCT/US2015/045441 WO2016028654A1 (en) 2014-08-16 2015-08-15 Tomographic reconstruction for material characterization

Publications (2)

Publication Number Publication Date
CN107251094A true CN107251094A (zh) 2017-10-13
CN107251094B CN107251094B (zh) 2021-01-08

Family

ID=54197039

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201580054727.0A Active CN107209944B (zh) 2014-08-16 2015-08-15 在容器中成像的样品微层析成像中的射束硬化伪像的校正
CN201580054693.5A Active CN107251094B (zh) 2014-08-16 2015-08-15 用于材料特性描述的断层图像重建

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201580054727.0A Active CN107209944B (zh) 2014-08-16 2015-08-15 在容器中成像的样品微层析成像中的射束硬化伪像的校正

Country Status (4)

Country Link
US (2) US10311606B2 (zh)
JP (2) JP6437652B2 (zh)
CN (2) CN107209944B (zh)
WO (2) WO2016028654A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444980A (zh) * 2018-01-30 2018-08-24 中国科学院上海技术物理研究所 基于代数重建关联向量求解的libs定量分析方法
CN109374567A (zh) * 2018-12-06 2019-02-22 西安电子科技大学 基于有序子集快速收敛的太赫兹成像方法
CN109949267A (zh) * 2019-01-21 2019-06-28 西安交通大学 一种多材料断层数据到实体的快速三维重构方法
CN114340549A (zh) * 2019-07-23 2022-04-12 精确拟合公司 用于放置牙齿植入物的系统、方法和计算机程序

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311606B2 (en) 2014-08-16 2019-06-04 Fei Company Correction of beam hardening artifacts in microtomography for samples imaged in containers
WO2017073399A1 (ja) * 2015-10-27 2017-05-04 株式会社日立製作所 Ｘ線ｃｔデータ処理装置、及び、これを搭載したｘ線ｃｔ装置
US10115225B2 (en) * 2016-09-07 2018-10-30 Caterpillar Inc. System and method for onboard and offboard visualization of material characteristics in mining
EP3343506A1 (en) * 2016-12-28 2018-07-04 Thomson Licensing Method and device for joint segmentation and 3d reconstruction of a scene
JP2018110794A (ja) * 2017-01-13 2018-07-19 キヤノン株式会社 情報処理装置、放射線撮像装置、情報処理方法およびプログラム
US10685759B2 (en) 2017-01-16 2020-06-16 Fei Company Statistical analysis in X-ray imaging
JP6803768B2 (ja) * 2017-02-24 2020-12-23 株式会社日立製作所 材料分析装置、材料分析方法及びｘ線ｃｔ装置
US10699445B2 (en) * 2017-04-27 2020-06-30 Siemens Medical Solutions Usa, Inc. Partial volume correction in multi-modality emission tomography
EP3675739A4 (en) * 2017-08-28 2020-08-19 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR REMOVING HARD TISSUE IN A COMPUTER IMAGE
KR102330146B1 (ko) * 2017-10-26 2021-11-22 가부시키가이샤 죠부 광자 계수형의 x선 검출 데이터를 처리하는 방법 및 장치, 및 x선 장치
US10885630B2 (en) * 2018-03-01 2021-01-05 Intuitive Surgical Operations, Inc Systems and methods for segmentation of anatomical structures for image-guided surgery
US11138767B2 (en) * 2018-03-22 2021-10-05 Carl Zeiss X-ray Microscopy, Inc. System and method for the proscriptive determination of parameters for iterative reconstruction
US10902650B2 (en) * 2018-04-19 2021-01-26 Fei Company X-ray beam-hardening correction in tomographic reconstruction using the Alvarez-Macovski attenuation model
CN109146800B (zh) * 2018-07-23 2019-08-13 广州华端科技有限公司 锥束计算机断层成像图像校正方法和系统
CN109215005B (zh) * 2018-08-29 2021-10-01 北京空间机电研究所 一种品字形探测器扫描相机图像融合误差修正方法
US11854281B2 (en) 2019-08-16 2023-12-26 The Research Foundation For The State University Of New York System, method, and computer-accessible medium for processing brain images and extracting neuronal structures
EP4047344B1 (en) 2021-02-19 2024-08-28 Helmholtz-Zentrum Dresden - Rossendorf e.V. A method and device for 3d analyzes of a particulate material
US20230143112A1 (en) * 2021-11-05 2023-05-11 Carl Zeiss X-ray Microscopy, Inc. Method and system for analytical X-ray calibration, reconstruction and indexing using simulation
US20240003797A1 (en) * 2022-07-01 2024-01-04 DigiM Solution LLC Method For Density Measurement Of Materials Using Computed Tomography With Diffraction Artifact Correction
CN115266782B (zh) * 2022-09-27 2023-03-24 中国科学院地质与地球物理研究所 一种基于双能ct技术评价非常规储层双甜点的方法
CN117007621B (zh) * 2023-03-13 2024-03-29 北京光影智测科技有限公司 基于微焦点光源的双能同轴相位ct材料分解方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7801348B2 (en) * 2005-07-18 2010-09-21 Analogic Corporation Method of and system for classifying objects using local distributions of multi-energy computed tomography images
CN102871646A (zh) * 2012-08-16 2013-01-16 清华大学 一种大数据量荧光分子断层成像重建方法

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693318B1 (en) 2004-01-12 2010-04-06 Pme Ip Australia Pty Ltd Method and apparatus for reconstruction of 3D image volumes from projection images
US7190757B2 (en) * 2004-05-21 2007-03-13 Analogic Corporation Method of and system for computing effective atomic number images in multi-energy computed tomography
US7254211B2 (en) 2004-09-14 2007-08-07 Hitachi, Ltd. Method and apparatus for performing computed tomography
US20070012337A1 (en) * 2005-07-15 2007-01-18 Tokyo Electron Limited In-line metrology for supercritical fluid processing
CN101313332B (zh) 2005-09-06 2011-05-25 皇家飞利浦电子股份有限公司 具有多个能窗的计算机断层摄影中的数据处理和分析
US20070160274A1 (en) * 2006-01-10 2007-07-12 Adi Mashiach System and method for segmenting structures in a series of images
JP5269298B2 (ja) 2006-06-20 2013-08-21 株式会社東芝 Ｘ線診断装置
JP4414420B2 (ja) * 2006-10-27 2010-02-10 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線断層撮影装置およびアーチファクトの低減方法
US7756239B2 (en) * 2006-12-07 2010-07-13 General Electric Company Diagnostic imaging two non K-edge basis materials plus N K-edge contrast agents
US7853045B2 (en) * 2007-10-31 2010-12-14 Saudi Arabian Oil Company Geostatistical analysis and classification of core data
US8290232B2 (en) * 2008-02-15 2012-10-16 Mayo Foundation For Medical Education And Research System and method for quantitative imaging of chemical composition to decompose more than two materials
US8055039B2 (en) 2008-02-21 2011-11-08 General Electric Company System and method to obtain noise mitigated monochromatic representation for varying energy level
US20110002523A1 (en) 2008-03-03 2011-01-06 Prakash Bhanu K N Method and System of Segmenting CT Scan Data
GB0807473D0 (en) * 2008-04-24 2008-12-03 Durham Scient Crystals Ltd Method and Apparatus for Inspection of Materials
US8207886B2 (en) 2008-09-11 2012-06-26 Lawrence Livermore National Security, Llc Model-based tomographic reconstruction
US8180138B2 (en) 2009-03-23 2012-05-15 Morpho Detection, Inc. Method and system for inspection of containers
JP5681924B2 (ja) 2009-11-27 2015-03-11 ジーイー センシング アンド インスペクション テクノロジーズ ゲ−エムベーハー サンプルの立体表現を決定するためのコンピュータ断層撮影法、コンピュータソフトウェア、計算装置およびコンピュータ断層撮影システム
JP5675978B2 (ja) 2010-07-09 2015-02-25 ジーイー センシング アンド インスペクション テクノロジーズ ゲ−エムベーハー コンピュータ断層撮影方法、コンピュータプログラム、コンピュータデバイスおよびコンピュータ断層撮影システム
US9153408B2 (en) * 2010-08-27 2015-10-06 Ge Sensing & Inspection Technologies Gmbh Microfocus X-ray tube for a high-resolution X-ray apparatus
CN103403702A (zh) 2010-12-24 2013-11-20 澳大利亚国立大学 动态多维图像数据的重构
US9341687B2 (en) * 2011-02-22 2016-05-17 The Mitre Corporation Classifying and identifying materials based on permittivity features
GB201112359D0 (en) 2011-07-19 2011-08-31 Univ Antwerpen Filter for tomographic reconstruction
US8712134B2 (en) * 2011-10-18 2014-04-29 Kabushiki Kaisha Toshiba Method and system for expanding axial coverage in iterative reconstruction in computer tomography (CT)
CN102609908B (zh) * 2012-01-13 2014-02-12 中国人民解放军信息工程大学 基于基图像tv模型的ct射束硬化校正方法
WO2014001984A1 (en) 2012-06-29 2014-01-03 Koninklijke Philips N.V. Dynamic modeling of imperfections for photon counting detectors
US9508164B2 (en) 2013-01-23 2016-11-29 Czestochowa University Of Technology Fast iterative image reconstruction method for 3D computed tomography
US20140236488A1 (en) 2013-02-19 2014-08-21 Mindways Software, Inc. Computed Tomography Calibration Systems and Methods
DE102013206415A1 (de) 2013-04-11 2014-10-16 Siemens Aktiengesellschaft Automatische Gewinnung optimierter Ausgabedaten
CN103366389A (zh) * 2013-04-27 2013-10-23 中国人民解放军北京军区总医院 Ct图像重建方法
US9934930B2 (en) 2014-04-18 2018-04-03 Fei Company High aspect ratio x-ray targets and uses of same
US10311606B2 (en) * 2014-08-16 2019-06-04 Fei Company Correction of beam hardening artifacts in microtomography for samples imaged in containers
JP6747787B2 (ja) * 2014-08-22 2020-08-26 キヤノンメディカルシステムズ株式会社 光子計数型ｘ線ｃｔ装置
AU2016250935B2 (en) 2015-04-20 2020-12-03 Mars Bioimaging Limited Improving material identification using multi-energy CT image data
DE102015225395B4 (de) 2015-12-16 2021-05-06 Siemens Healthcare Gmbh Ermittlung einer räumlichen Verteilung eines Materialeigenschaftswerts auf Basis einer Einzelenergie-Bildaufnahme
US9760807B2 (en) 2016-01-08 2017-09-12 Siemens Healthcare Gmbh Deep image-to-image network learning for medical image analysis

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7801348B2 (en) * 2005-07-18 2010-09-21 Analogic Corporation Method of and system for classifying objects using local distributions of multi-energy computed tomography images
CN102871646A (zh) * 2012-08-16 2013-01-16 清华大学 一种大数据量荧光分子断层成像重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
E.MAIRE等: "Quantitative x-ray tomograph", 《INTERNATIONAL MATERIALS REVIEWS》 *
PAULO R.S.MENDONCA等: "A Flexible Method for Multi-Material Decomposition of Dual-Energy CT Images", 《IEEE TRANSACTION ON MEDICAL IMAGING》 *
龙泳等: "Multi-Material Decomposition Using Statistical Image Reconstruction for Spectral CT", 《IEEE TRANSACTION ON MEDICAL IMAGING》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444980A (zh) * 2018-01-30 2018-08-24 中国科学院上海技术物理研究所 基于代数重建关联向量求解的libs定量分析方法
CN108444980B (zh) * 2018-01-30 2020-08-07 中国科学院上海技术物理研究所 基于代数重建关联向量求解的libs定量分析方法
CN109374567A (zh) * 2018-12-06 2019-02-22 西安电子科技大学 基于有序子集快速收敛的太赫兹成像方法
CN109949267A (zh) * 2019-01-21 2019-06-28 西安交通大学 一种多材料断层数据到实体的快速三维重构方法
CN109949267B (zh) * 2019-01-21 2021-01-29 西安交通大学 一种多材料断层数据到实体的快速三维重构方法
CN114340549A (zh) * 2019-07-23 2022-04-12 精确拟合公司 用于放置牙齿植入物的系统、方法和计算机程序

Also Published As

Publication number Publication date
JP6437652B2 (ja) 2018-12-12
CN107251094B (zh) 2021-01-08
US10311606B2 (en) 2019-06-04
WO2016028654A1 (en) 2016-02-25
US20180082447A1 (en) 2018-03-22
JP6506842B2 (ja) 2019-04-24
JP2017527826A (ja) 2017-09-21
CN107209944A (zh) 2017-09-26
WO2016028655A1 (en) 2016-02-25
US20170228897A1 (en) 2017-08-10
CN107209944B (zh) 2021-08-10
JP2017528735A (ja) 2017-09-28
US10354418B2 (en) 2019-07-16

Similar Documents

Publication Publication Date Title
CN107251094B (zh) 用于材料特性描述的断层图像重建
ES2807263T3 (es) Clasificación y modelado 3D de estructuras dentomaxilofaciales 3D usando métodos de aprendizaje profundo
EP2856430B1 (en) Determination of z-effective value for set of voxels using ct density image and sparse multi-energy data
US8923583B2 (en) Methods and systems for performing model-based iterative reconstruction
JP5385394B2 (ja) ハイブリッド型の核／ｍｒ画像形成における透過データを使用したｍｒセグメンテーション
US8180138B2 (en) Method and system for inspection of containers
JP7079264B2 (ja) コンピュータ断層撮影における単一エネルギーデータを用いたアーチファクト低減の方法
CN105580054A (zh) 电子密度图像的联合重建
CN110310307A (zh) 在知道计算机断层扫描（ct）重构区域的情况下的可变形图像配准
CN113196340A (zh) 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估
Karimi et al. Metal artifact reduction for CT-based luggage screening
WO2022268618A1 (en) Multi-energy x-ray imaging with anatomical intelligence
US9916669B2 (en) Projection data correction and computed tomography value computation
US20160335785A1 (en) Method of repeat computer tomography scanning and system thereof
Recur et al. Dual-energy iterative reconstruction for material characterisation
Dong et al. Prior image constrained low-rank matrix decomposition method in limited-angle reverse helical cone-beam CT
Huang et al. Traditional machine learning techniques for streak artifact reduction in limited angle tomography
Le Pogam et al. A 3D multi resolution local analysis approach for correction of partial volume effects in emission tomography
Di Schiavi Trotta et al. Tomographic reconstruction strategies for nondestructive testing with a commercial CT scanner
Alarfaj A comparative study of two methods for the correction of beam hardening artifacts in X-ray computed tomography
Brewer Jr Iterative Reconstruction in Multispectral Computerized Tomography
CN117355865A (zh) 确定用于计算机断层扫描中的深度学习图像重建的置信度指示
Rebuffel et al. Examination of objects in translation using limited number of X-ray viewpoints

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