CN107837090A - 计算机断层成像中基于正弦图的散射射线校正 - Google Patents

Abstract

本发明涉及计算机断层成像中基于正弦图的散射射线校正。公开了一种用于投影测量数据的散射射线校正的方法(10)，该投影测量数据由一个计算机断层成像系统(31)来记录，该方法(10)包括用于记录(11)、定位(12)、标识(13)和校正(14)的多个步骤。在记录(11)步骤中，从多个投影角度(1)记录投影测量数据，并且将该投影测量数据获取在一个正弦图中。在定位步骤(12)中，在关于一个投影角度(1)的一个预定义角度范围(3)中，定位该正弦图的投影测量数据中的多个特征。在标识步骤(13)中，通过一种经训练的标识算法，从所定位的多个特征中标识针对该投影角度(1)的一个散射分布。在校正步骤(14)中，基于该散射分布，校正该投影角度(1)的投影测量数据。

Description

计算机断层成像中基于正弦图的散射射线校正

技术领域

本发明涉及：一种用于投影测量数据的散射射线校正的方法，该投影测量数据由一个计算机断层成像系统记录；一种用于训练一种标识算法的方法，该标识算法用于标识一个散射分布；一种计算单元；一种计算机断层成像系统；一种计算机程序；一种计算机可读数据介质；一种训练单元；一种另外的计算机程序以及一种另外的计算机可读数据介质。

背景技术

计算机断层成像是一种主要用于医学诊断和用于检查材料的成像方法。在计算机断层成像的上下文中，一个辐射源(例如，一个X射线源)和一个相关联的检测器设备围绕一个待检查的对象旋转，以便记录空间三维图像数据。在该旋转运动期间，测量数据在一个角度扇区内被记录。该投影测量数据表示多个投影，其包含关于来自各种投影角度的、由该检查对象引起的辐射衰减的信息。这些投影允许该检查对象的二维截面图像或三维体积图像得以计算。该投影测量数据也被称为原始数据，并且可以被预处理，例如以便减少由检测器引起的任何衰减强度差异。然后，可以例如通过所谓的滤波反投影或使用迭代重构方法，来从该投影测量数据重构图像数据。

在计算机断层成像中，散射辐射是图像伪影的主要原因。散射辐射的影响与所使用的检测器设备的检测表面的尺寸和/或X射线源的数目成比例。当使用量子计数的能量分辨检测器设备时，因为由X射线源发射的光子的能量通过散射过程(例如，康普顿(Compton)散射)而改变，因此散射辐射可能影响光谱记录。一般而言，特别是在积分、计数和能量分辨检测器设备的情况下，散射辐射以如下方式改变，该方式使得未遵循从X射线源到检测器设备的直接路径的散射光子被检测器设备检测到。由于重构过程通常假设所检测事件的光子遵循直接路径，所以所检测的这些事件会导致重构过程中的多个图像伪影。

在计算机断层成像中，散射辐射的影响可以至少部分地通过使用散射射线光栅的抑制而减少，或者至少部分地通过对物理效应进行建模而减少。散射射线光栅可以通过吸收来自散射辐射的散射光子来屏蔽X射线检测器。在这种情况下，散射射线光栅位于检测器设备的附近，即，例如在检查对象与检测器设备之间。这是不利的，因为检测性量子效率(DQE)降低，而散射射线光栅的制造成本很高。散射射线光栅与X射线源的聚焦和精确对准也是必需的。这使得例如在具有最小反向几何的计算机断层成像系统中，或在具有静态检测器环和动态可移动焦点的第四代计算机断层成像系统中，更难以使用具有不同几何布置的多个X射线焦点或多个X射线源。散射射线光栅的作用有限，并且不能完全防止检测到散射辐射。散射辐射的计算也可以结合散射射线光栅来执行。散射辐射的计算可以由计算机断层成像系统基于一个记录的投影测量数据或一个图像、通过直接对物理过程进行建模来实现。基于图像的计算方法主要被配置为例如使用蒙特卡罗(Monte Carlo)方法来计算精确散射射线分布，其中计算工作量是相当可观的。

发明内容

本发明的目的是描述：一种用于投影测量数据的散射射线校正的方法，该投影测量数据由一个计算机断层成像系统来记录；一种用于训练一种标识算法的方法，该标识算法用于标识一个散射分布；一种计算单元；一种计算机断层成像系统；一种计算机程序；一种计算机可读数据介质；一种训练单元；一种另外的计算机程序以及一种另外的计算机可读数据介质，以上各项均允许改进该投影测量数据的、基于正弦图的散射射线校正。

该目的通过以下各项来创造性地实现：根据权利要求1所述的一种用于投影测量数据的散射射线校正的方法，该投影测量数据由一个计算机断层成像系统来记录；根据权利要求6所述的一种用于训练一种标识算法的方法，该标识算法用于标识一个散射分布；根据权利要求7所述的一种计算单元；根据权利要求8所述的一种计算机断层成像系统；根据权利要求9所述的一种计算机程序；根据权利要求10所述的一种计算机可读数据介质；根据权利要求11所述的一种训练单元；根据权利要求12所述的一种另外的计算机程序以及根据权利要求13所述的一种另外的计算机可读数据介质。

本发明涉及一种用于投影测量数据的散射射线校正的方法，该投影测量数据由一个计算机断层成像系统来记录，该方法包括用于记录、定位、标识和校正的多个步骤。在记录步骤中，从多个投影角度记录投影测量数据，并且该投影测量数据被获取在一个正弦图中。在定位步骤中，在关于一个投影角度的一个预定义角度范围中，定位该正弦图的投影测量数据中的多个特征。在标识步骤中，通过一种经训练的标识算法，从所定位的多个特征中标识针对该投影角度的一个散射分布。在校正步骤中，基于该散射分布，来校正该投影角度的投影测量数据。

发明人已经发现，通过使用经训练的标识算法，散射分布可以从记录的一个未知正弦图中来得到，该经训练的标识算法包括多个已知散射射线正弦图和多个已知正弦图中的多个特征的映射，这些特征例如包括针对多个投影角度中的一个角度范围的多个强度条目、多个计数条目或/和多个能量条目。然后，该散射分布可以被用于该记录的投影测量数据的散射射线校正。诸如机器学习之类的计算机辅助过程可以被用于映射。计算机辅助过程可以具有两个阶段。特别地，在记录之前可以执行普通训练阶段。应用阶段可以包括对所记录的投影测量数据的散射射线校正。

上述记录包括由计算机断层成像系统对投影测量数据进行的记录，该投影测量数据从多个投影角度而被记录。特别地，一个投影角度的投影测量数据可以包括针对检测器设备的多个检测器元件的多个强度条目、多个计数条目或/和多个能量条目。多个检测器元件可以采取以下形式：一个检测器行，包括被布置在一个维度中的多个检测器元件；或者多个检测器行，特别是检测器元件的二维布置。一个投影角度可以被理解为X射线管/检测器系统的一个旋转角度。多个投影角度包括彼此至少部分不同的多个投影角度。此外，投影测量数据可以从在沿旋转轴的不同位置中的多个投影角度而被附加地记录，并且沿该旋转轴的位置例如可以通过移动患者躺椅来适配。来自多个投影角度的投影测量数据可以包括：来自X射线管/检测器系统的各种旋转角度的投影测量数据，和/或沿该旋转轴的各种位置。多个投影角度的投影测量数据被获取在一个正弦图中。该投影测量数据可以按时间序列(例如，根据记录期间的定时顺序)被获取在该正弦图中。该正弦图可以被存储在一个存储单元中。

在定位步骤中，例如通过标识算法或/和一个数据库，在关于一个投影角度的一个预定义角度范围中，定位该正弦图的投影测量数据中的多个特征。该标识算法能够访问该数据库。在定位步骤中，可以针对在关于一个投影角度(特别是一个个别投影角度)的一个预定义角度范围中的多个特征，来搜索该投影测量数据。特别地，可以检查该投影测量数据中的多个特征的相对布置或/和位置。特别地，在这种情况下，这些特征可以采取多个强度条目、多个计数条目或多个能量条目的形式。角度范围是一个记录的多个(特别是连续的)投影角度的一个范围。散射射线校正可以针对该记录的个别投影角度而被执行。关于投影角度α的角度范围(例如，[α-Δα1，α+Δα2])例如基于多个经验值、检查对象的多个性质、多个投影角度或多个其他参数而被预定义。该角度范围可以关于该投影角度对称地或不对称地设置。

散射射线校正可以针对多个投影角度而被并行或连续地执行。本发明方法和散射射线校正可以在记录之后或在记录期间执行。针对每个投影角度，多个特征可以在关于每个投影角度的一个预定义角度范围中被定位。该角度范围可以针对不同的投影角度和/或沿旋转轴的不同位置或/和不同记录而变化。当选择这些特征或/和这些角度范围时，可以考虑系统架构，例如以便以最佳方式利用该系统的能力。

在标识步骤中，通过经训练的标识算法，从所定位的多个特征来标识针对该投影角度的一个散射分布。该标识算法可以包括分配规则、神经网络、系统、学习转移方法或者基于数据库或数学函数或方程式的算法。该经训练的标识算法可以基于已知的或先前分析的数据而被创建、改进或适配。可以针对多个投影角度标识一个散射分布。特别地，可以针对每个投影角度标识一个散射分布。例如，可以通过一个经训练的神经网络的回归器来标识该散射分布，该回归器可以被应用于该预定义角度范围中的投影测量数据中的所定位的多个特征。例如，标识可以意味着：在该角度范围中的投影测量数据中，可以基于例如来自先前分析的投影测量数据或训练数据的多个强度条目、多个计数条目或/和多个能量条目，来识别多个特征(例如几何布置或分布)，并且对散射光子的检测可以从其中推断。所定位的多个特征可以与该散射分布中的一个条目明确相关或以合格概率相关。

在定位或/和标识步骤中，可以访问例如在该预定义角度范围中的所有投影角度。因此，对于该预定义角度范围中的多个投影角度的投影测量数据而言，来自该投影测量数据的多种几何布置是已知的。从这些特征中，可以推断出由散射光子引起的多个强度条目、多个计数条目或/和多个能量条目。

在校正步骤中，基于该散射分布，来校正该投影角度的投影测量数据。特别地，该散射分布被用于校正一个投影测量角度的投影测量数据。通过散射射线校正，例如被获取在一个正弦图中的投影测量数据得以校正，使得来自该投影测量数据的、由散射光子引起的事件(例如，以强度条目、计数条目或/和能量条目的形式)至少被部分地校正。

因为从该预定义角度范围中的投影测量数据获知与检查对象有关的三维信息，所以有利地是，该散射分布的标识可以特别准确或更加准确。有利地，标识该散射分布所需的计算工作量可以减少。出于本发明方法的目的，来自一个记录的、在一个正弦图中的二维投影测量数据有利地足以标识该散射分布。有利地，可以省去基于蒙特卡罗方法或类似方法的资源密集型计算。使用机器学习过程、统计方法(例如，模糊逻辑)或映射规则，检查对象的三维几何结构可以在标识该散射分布的过程中被进行考虑。有利地，可以实现该散射分布的更快速标识，特别是与散射过程的正向建模相比速度更快。有利地，可以实现该散射分布的更准确标识。有利地，可以降低第三代多行计算机断层成像系统的制造成本。有利地，本发明的用于散射校正的方法可以被应用在具有最小反向几何结构的计算机断层成像系统中，该计算机断层成像系统例如具有两个或三个焦点。有利地，因为例如不需要散射射线光栅，因此可以使用第四代计算机断层成像系统。

根据本发明的一个方面，经训练的标识算法基于机器学习过程、统计方法、映射规则或人工神经网络。标识算法和可能的数据库可以基于机器学习过程、统计方法、映射规则或人工神经网络。来自训练数据的多个模式或多个规律可以有利地应用于记录的投影测量数据。

机器学习过程可以被理解为包括：以人工方式从经验中生成知识。人工系统在训练阶段中从多个示例中学习，并且能够在完成该训练阶段之后进行归纳。标识算法因此得以适配。使用机器学习过程可以包括识别训练数据中的多个模式和多个规律。在该训练阶段之后，该标识算法能够定位例如先前未知的投影测量数据中的多个特征。在该训练阶段之后，该标识算法能够从例如先前未知的投影测量数据中的所定位的多个特征中标识多个散射分布。

统计方法可以包括例如模糊逻辑、自组织映射、重采样、模式标识或支持向量机。基于识别算法关于多个模式或多个规律的经验，可以有利地实现多个特征向一个散射分布的分配。

根据本发明的一个方面，多个特征包括投影测量数据中的衰减的宽度、位置、强度、形状或/和形态。该强度可以包括投影测量数据中的所检测到的信号强度。这些特征可以包括：在预定义角度范围中的投影测量数据中的环形或椭圆形布置。这些特征可以包括：在预定义角度范围中的投影测量数据中的漫射体的反射。这些特征可以包括：在预定义角度范围中的投影测量数据中的线性布置。这些特征可以基于多个强度条目、多个计数条目或/和多个能量条目。这些特征可以包括多个强度条目、多个计数条目或/和多个能量条目之间的相对间隔。有利地，可以从这些特征推断散射光子的检测。有利地，可以从这些特征推导多个模式或多个规律。衰减结构的形态可以采取多个经连接的衰减区域的形式或多个单独的衰减区域的形式。

根据本发明的一个方面，散射分布包括散射光子的多个强度条目、多个计数条目或/和多个能量条目。散射分布可以例如仅包括针对一个投影角度的多个强度条目、多个计数条目或/和多个能量条目。散射分布可以例如包括针对至少一个投影角度的多个强度条目、多个计数条目或/和多个能量条目。散射分布可以例如包括针对多个投影测量角度(例如，针对该角度范围中的所有投影测量角度)的多个强度条目、多个计数条目或/和多个能量条目。散射光子的多个强度条目、多个计数条目或/和多个能量条目可以对应于例如多个特征的多个强度条目、多个计数条目或/和多个能量条目。散射光子的多个强度条目、多个计数条目或/和多个能量条目可以特别地对应于来自已知散射分布的多个强度条目、多个计数条目或/和多个能量条目，该已知散射分布与所定位的多个特征相关联。有利地，可以容易地基于该散射分布、例如使用数学运算，来校正投影测量数据。

根据本发明的一个方面，校正步骤包括数学运算。该数学运算可以包括例如用于变换、减法、加法、乘法或除法的多个步骤。用于校正投影测量数据中的数目条目的步骤可以例如包括减法步骤。优选地，校正步骤可以包括减法步骤。有利地，可以容易地并且以较低计算量来校正投影测量数据。

本发明还涉及一种用于训练标识算法的方法，该标识算法用于从由计算机断层成像系统记录的投影测量数据或从一个记录的模拟投影测量数据中标识一个散射分布，该方法包括用于生成、提取、定位、映射和适配的多个步骤。在生成步骤中，生成训练数据，其包含多个正弦图和基于这些正弦图的多个散射射线正弦图。在提取步骤中，标识该训练数据中的多个特征。在定位步骤中，根据投影角度来定位多个正弦图中的多个特征。在映射步骤中，根据针对一个预定义投影角度的散射辐射分布，来映射在关于该预定义投影角度的一个预定义角度范围中所提取的多个特征。在适配步骤中，基于所映射的多个特征来适配标识算法。

这种用于训练的方法可以被称为训练阶段。在生成步骤中，训练数据得以生成。生成步骤可以优选作为第一步骤。该训练数据包括多个正弦图和多个散射射线正弦图。针对每个正弦图可以存在一个相关联的散射射线正弦图。可以针对每个正弦图生成一个散射射线正弦图。该散射射线正弦图可以包括散射光子的多个强度条目、多个计数条目或/和多个能量条目。该散射射线正弦图的这些条目可以被包括在相关联的正弦图中。正弦图与散射射线正弦图之间的差异可以是一个被去除了散射效应的正弦图。

训练数据可以基于例如检查对象的各种尺寸或记录的数值化仿真人体模型(anthropomorphic phantom)。一个正弦图可以包含来自一个检查对象的一个记录或来自基于计算机的正向投影的投影测量数据。一个散射射线正弦图包含散射光子的多个条目，这些条目可以例如通过蒙特卡罗方法、基于多个输入图像或正弦图来获得，特别是结合通过检测器设备的检测来获得。这些散射射线正弦图可以被称为基本事实。

在提取步骤中，这些正弦图和这些散射射线正弦图(特别是相关联的散射射线正弦图)中的多个特征被标识或提取。在定位步骤中，正弦图中的多个特征的空间布置或位置可以根据投影角度而被定位。有利地，可以提取关于该检查对象或人体模型的真实三维信息。特别有利的是，关于该检查对象的三维信息可以允许散射分布被更精确地标识。提取步骤和定位步骤可以作为组合步骤而同时执行。

映射步骤包括：将提取的多个特征分配给或映射到基本事实。特别地，当分配针对一个或个别投影角度的多个特征时，可以考虑预定义角度范围中的所有已提取特征。例如，该角度范围可以包括180°。该角度范围可以采取对于该系统架构合适的任何值。针对个别投影角度而将预定义角度范围中的多个特征映射到或分配给基本事实可以优选地基于机器学习过程。

在适配步骤中，该标识算法可以基于映射的多个特征并且通过机器学习过程、统计方法、映射规则或人工神经网络而被适配。机器学习过程可以包括数据挖掘的多个方面。机器学习过程可以包括符号系统或子符号系统，例如，具有或不具有回归的人工神经网络。机器学习可以是监督、部分监督、无监督、强化或主动学习的。机器学习过程可以包括批量学习，在批量学习中所有训练数据同时存在，并且例如在处理所有训练数据之后，由标识算法来学习多个模式和多个规律。机器学习可以包括连续的、增量的或顺序的学习过程，多个模式和多个规律以时间上交错的方式被开发。在连续的、增量的或顺序的学习过程的情况下，训练数据可能例如在一次执行和权重适配之后即丢失。在批量学习的情况下，或者在连续的、增量的或顺序的学习过程的情况下，训练数据可以以存储格式可用，并且可以是可重复访问的。机器学习过程可以例如包括深度学习过程或浅层学习过程。有利地，从已知训练数据推导的知识库可以被应用于未知的投影测量数据。通过训练，该标识算法可以有利地允许可靠的散射校正。来自用于散射射线校正的方法中的多个记录的投影测量数据也可以用于适配该标识算法，例如，以便通过越来越大的数据库来提高这些特征出现的统计概率。

本发明还涉及一种计算单元，该计算单元用于校正由一个计算机断层成像系统记录的投影测量数据，该计算单元具有用于执行根据本发明的方法的装置。该方法可以有利地执行本发明的用于在记录投影测量数据期间或在记录投影测量数据之后进行散射射线校正的方法。

本发明还涉及一种计算机断层成像系统，该计算机断层成像系统包括一个根据本发明的计算单元。本发明的用于散射射线校正的方法可以有利地直接在该计算机断层成像系统中被执行。该计算机断层成像系统可以有利地输出已关于散射射线而被校正的图像数据。

本发明还涉及一种计算机程序，该计算机程序包括程序代码，当该计算机程序在一个计算机上被执行时，该程序代码执行本发明的用于散射射线校正的方法。

本发明还涉及一种计算机可读数据介质，该计算机可读数据介质包含一个计算机程序的程序代码，当该计算机程序在一个计算机上被执行时，该程序代码执行本发明的用于散射射线校正的方法。经训练的标识算法可以有利地在一个计算机上被执行，例如，在该计算机断层成像系统的一个计算单元中被执行。

本发明还涉及一种训练单元，该训练单元用于训练一种标识算法，该训练单元包括用于执行本发明的用于训练一种标识算法的方法的装置。该训练单元可以包括另外的计算单元、一个存储单元、一个输入接口和一个输出接口。该训练单元可以独立于一个计算机断层成像系统而被操作。该训练单元可以通过该输入接口，例如通过一个数据介质、一个线缆连接或一个无线连接，来接收记录的投影测量数据。例如，该训练单元可以在记录的投影测量数据被存储在云中的情况下访问该数据。例如，该训练单元可以在制造或开发现场被操作。该训练单元可以输出该标识算法，特别是将该标识算法作为程序来输出。

本发明还涉及一种另外的计算机程序，该另外的计算机程序包括另外的程序代码，当该另外的计算机程序在一个计算机上被执行时，该另外的程序代码执行用于训练一种标识算法的方法。本发明还涉及一种另外的计算机可读数据介质，该另外的计算机可读数据介质包含一种另外的计算机程序的另外的程序代码，当该另外的计算机程序在一个计算机上被执行时，该另外的程序代码执行本发明的用于训练该标识算法的方法。

附图说明

下文参考附图来更详细地解释本发明的多个示例性实施例，其中：

图1示意性地示出了一种本发明的用于散射射线校正的方法的一个设计；

图2示意性地示出了关于一个投影角度的一个预定义角度范围的一个设计；

图3示意性地示出了一种本发明的根据第一实施例变体的、用于训练一种标识算法的方法的一个设计；

图4示意性地示出了一种本发明的根据第二实施例变体的用于训练一种标识算法的方法的一个设计；以及

图5示意性地示出了本发明的一种计算机断层成像的一个设计。

具体实施方式

图1示出了本发明的用于散射射线校正的方法10的一个示例性实施例。用于一个记录的投影测量数据的散射射线校正的方法10包括用于记录11、定位12、标识13和校正14的多个步骤，该记录已由一个计算机断层成像系统记录。在记录步骤11中，从多个投影角度记录投影测量数据，并且该投影测量数据被获取在一个正弦图中。在定位步骤12中，在关于一个投影角度的一个预定义角度范围中，定位该正弦图的投影测量数据中的多个特征。在标识步骤13中，通过一种经训练的标识算法从所定位的多个特征中标识针对该投影角度的一个散射分布。在校正步骤14中，基于该散射分布来校正该投影角度的投影测量数据。

记录11包括由一个计算机断层成像系统来记录投影测量数据，从多个投影角度来记录该投影测量数据。特地别，一个投影角度的投影测量数据包括：针对检测器设备的多个检测器元件的多个强度条目、多个计数条目或/和多个能量条目。投影角度被理解为X射线管/检测器系统的旋转角度。多个投影角度包括彼此至少部分地不同的多个投影角度。此外，投影测量数据可以从沿旋转轴的不同位置中的多个投影角度而被附加地记录，并且沿该旋转轴的位置可以通过例如移动患者躺椅而被调整。来自多个投影角度的投影测量数据可以包括：来自X射线管/检测器系统的各种旋转角度和/或沿该旋转轴的各种位置的投影测量数据。多个投影角度的投影测量数据被获取在一个正弦图中。该投影测量数据按时间顺序(例如，根据记录期间的定时顺序)而被获取在该正弦图中。

在定位步骤12中，例如通过一种标识算法，在关于一个投影角度的一个预定义角度范围中，定位该正弦图的投影测量数据中的多个特征。在定位步骤12中，针对在关于一个投影角度(特别是一个个别投影角度)的一个预定义角度范围中的多个特征，搜索该投影测量数据。特别地，检查该投影测量数据中的多个特征的相对布置或/和位置。该角度范围是一个记录的多个(特别是连续的)投影角度的一个范围。关于投影角度α的角度范围(例如[α-Δα1，α+Δα2])例如基于多个经验值、检查对象的多个属性、多个投影角度或多个其他参数而被预定义。

在标识步骤13中，通过一种经训练的标识算法，从所定位的特征来标识针对该投影角度的一个散射分布。优选地，该标识算法基于机器学习过程。该散射分布优选地通过一个经训练的神经网络的回归器而被标识，该回归器可以被应用于在该预定义角度范围中的投影测量数据中所定位的多个特征。例如，标识可以意味着：在该角度范围中的投影测量数据中，可以基于例如来自先前所分析的投影测量数据或训练数据的多个强度条目、多个计数条目或/和多个能量条目，来识别多个特征(例如几何布置或分布)，并且对散射光子的检测可以从其中推断。所定位的多个特征与该散射分布中的一个条目明确相关或以合格概率相关。

在校正步骤14中，基于该散射分布来校正该投影角度的投影测量数据。特别地，该散射分布用于校正一个投影测量角度的投影测量数据。通过散射射线校正，例如被获取在一个正弦图中的投影测量数据得以校正，使得来自投影测量数据的、由散射光子引起的事件(例如，以强度条目、计数条目或/和能量条目的形式)至少被部分地校正。

图2示出了关于一个投影角度1的预定义角度范围3的一个示例性实施例。可以通过对多个投影角度1进行采样来记录测量场5。该投影角度1指示一个投影方向，该投影方向由X射线管/检测器系统的旋转角度定义。角度范围α3具有该投影角度1。角度范围α3由范围[α-Δα1，α+Δα2]定义。Δα1和Δα2可以由系统架构内的计算能力来定义。例如，可以是Δα1＝180°和Δα2＝0(未示出)。

图3示出了本发明的根据第一实施例变体的用于训练一种标识算法的方法20的一个示例性实施例。方法20用于训练一种标识算法，该标识算法用于从由一个计算机断层成像系统记录的投影测量数据P1、P2、P3或者从一个记录的模拟投影测量数据标识一个散射分布，该方法20具有用于生成21、提取22、定位23、映射24和适配25的多个步骤。在生成步骤21中，生成训练数据，该训练数据包含多个正弦图和基于这些正弦图的多个散射射线正弦图。在提取步骤22中，从该训练数据提取多个特征。在定位步骤23中，根据投影角度来定位该多个正弦图中的多个特征。在映射步骤24中，根据一个预定义投影角度的散射辐射分布来映射关于该预定义投影角度的一个预定义角度范围中所提取的多个特征。在适配步骤25中，基于所映射的多个特征来适配该标识算法。

在生成步骤21中，生成训练数据。生成步骤21是第一步骤。该训练数据包括多个正弦图和多个散射射线正弦图。针对每个正弦图生成一个散射射线正弦图。该散射射线正弦图包括：散射光子的多个强度条目、多个计数条目或/和多个能量条目。该散射射线正弦图的多个条目也被包括在相关联的正弦图中。

训练数据基于例如检查对象的各种尺寸或记录的数值化仿真人体模型。一个正弦图包含来自一个检查对象的一个记录的投影测量数据或来自基于计算机的正向投影的投影测量数据。一个散射射线正弦图包含散射光子的多个条目，这些条目可以例如通过蒙特卡罗方法、基于多个输入图像或多个正弦图来获得，特别是可以结合通过检测器设备进行的检测来获得。这些散射射线正弦图被称为基本事实。

在提取步骤22中，从多个正弦图和多个散射射线正弦图提取多个特征。在定位步骤23中，根据投影角度定位正弦图中的多个特征的空间布置或位置。

映射步骤24包括：将所提取的多个特征分配给基本事实。特别地，当分配针对一个或个别投影角度的多个特征时，考虑预定义角度范围中的所有提取的特征。例如，角度范围包括180°。角度范围可以采用对该系统架构而言合适的任何值。针对个别投影角度而将该预定义角度范围中的多个特征映射24到或分配给基本事实优选地基于机器学习过程。针对多个训练数据源，例如针对如图所示的两个训练数据源n＝1和n＝2，并行地执行用于生成21、提取22、定位23和映射24的多个步骤。

在适配步骤25中，基于所映射的多个特征并且通过机器学习过程、统计方法、映射规则或人工神经网络来适配该标识算法。机器学习过程包括符号系统或子符号系统，例如具有或不具有回归的人工神经网络。机器学习包括监督学习、部分监督学习、无监督学习、强化学习或主动学习。机器学习过程包括批量学习，在该批量学习中所有训练数据同时存在，并且例如在处理所有训练数据之后，由标识算法学习多个模式和多个规律。在批量学习的情况下，训练数据以存储格式可用，并且可被重复访问。

图4示出了本发明的根据第二实施例变体的用于训练一种标识算法的方法20的一个示例性实施例。方法20通过多次迭代来执行，其中第一次迭代可以被称为n＝1次迭代，而所有进一步的迭代被称为n+1次迭代。适配25发生在每次迭代中。经适配的标识算法被用在随后的n+1次迭代中。机器学习包括连续的、增量的或顺序的学习过程，多个模式和多个规律以时间上交错的方式被开发。在连续的、增量的或顺序的学习过程的情况下，训练数据在一次执行(例如，权重的适配)之后丢失，或者训练数据以存储格式可用并且可重复访问。

图5示出了本发明的计算机断层成像系统31的一个示例性实施例变体，该计算机断层成像系统31用于执行本发明的用于散射射线校正的方法。该计算机断层成像系统31包括具有一个旋转器35的一个台架33。该旋转器35包括一个X射线源37和检测器设备29。检查对象39被支撑在患者躺椅41上，并且可以沿旋转轴z 43移动通过该台架33。一个计算单元45被用于控制和用于计算截面图像，并且被用于执行本发明方法。一个输入设备47和一个输出设备49被连接到该计算单元45。

尽管参照优选的示例性实施例详细说明了本发明，但是本发明不由本文所公开的这些示例限制，并且本领域技术人员可以从其中推导其他变化而不脱离本发明的范围。

Claims (13)

1.一种用于投影测量数据的散射射线校正的方法(10)，所述投影测量数据由一个计算机断层成像系统(31)来记录，所述方法(10)包括以下多个步骤：

a.从多个投影角度(1)记录(11)投影测量数据，并且将所述投影测量数据获取在一个正弦图中，

b.在关于一个投影角度(1)的一个预定义角度范围(3)中，定位(12)所述正弦图的所述投影测量数据中的多个特征，

c.通过一种经训练的标识算法，从所定位的所述多个特征中标识(13)针对所述一个投影角度(1)的一个散射分布，

d.基于所述散射分布，校正(14)所述一个投影角度(1)的所述投影测量数据。

2.根据权利要求1所述的方法(10)，其中所述经训练的标识算法基于一个机器学习过程、一种统计方法、一种映射规则、多种数学函数或一个人工神经网络。

3.根据前述权利要求中的任一项所述的方法(10)，其中所述多个特征包括所述投影测量数据中的衰减的宽度、位置、强度、形状或和形态。

4.根据前述权利要求中的任一项所述的方法(10)，其中所述散射分布包括多个散射光子的多个强度条目、多个计数条目或/和多个能量条目。

5.根据前述权利要求中的任一项所述的方法(10)，其中所述校正的步骤包括一种数学运算。

6.一种用于训练一种标识算法的方法(20)，所述标识算法用于从由一个计算机断层成像系统记录的投影测量数据(P1、P2、P3)或者从模拟的投影测量数据标识一个散射分布，所述方法(20)包括以下多个步骤：

a.生成(21)训练数据，所述训练数据包括多个正弦图以及基于所述多个正弦图的多个散射射线正弦图，

b.提取(22)所述训练数据中的多个特征，

c.根据一个投影角度(1)定位(23)所述多个正弦图中的所述多个特征，

d.根据针对一个预定义投影角度(1)的散射辐射分布，来映射(24)在关于所述预定义投影角度(1)的一个预定义角度范围(3)中所标识的所述多个特征；以及

e.基于所映射的所述多个特征，适配(25)所述标识算法。

7.一种计算单元(45)，用于校正由一个计算机断层成像系统记录的投影测量数据(P1、P2、P3)，所述计算单元(45)包括用于执行根据权利要求1至5中的任一项所述的方法(10)的装置。

8.一种计算机断层成像系统(31)，具有根据权利要求7所述的一种计算单元(45)。

9.一种计算机程序，包括程序代码，所述程序代码用于当所述计算机程序在一个计算机上被执行时，执行根据权利要求1至5中的任一项所述的方法(10)。

10.一种计算机可读数据介质，包含一种计算机程序的程序代码，所述程序代码用于当所述计算机程序在一个计算机上被执行时，执行根据权利要求1至5中的任一项所述的方法(10)。

11.一种训练单元，用于训练一种标识算法，所述训练单元包括用于执行根据权利要求6所述的方法(20)的装置。

12.一种另外的计算机程序，包括另外的程序代码，所述另外的程序代码用于当所述另外的计算机程序在一个计算机上被执行时，执行根据权利要求6所述的方法(20)。

13.一种另外的计算机可读数据介质，包含一种另外的计算机程序的另外的程序代码，所述另外的程序代码用于当所述另外的计算机程序在一个计算机上被执行时，执行根据权利要求6所述的方法(20)。