CN107886553A - 图像重建系统和方法 - Google Patents
图像重建系统和方法 Download PDFInfo
- Publication number
- CN107886553A CN107886553A CN201710521046.1A CN201710521046A CN107886553A CN 107886553 A CN107886553 A CN 107886553A CN 201710521046 A CN201710521046 A CN 201710521046A CN 107886553 A CN107886553 A CN 107886553A
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- view data
- described image
- characteristic value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 title claims description 4
- 238000009499 grossing Methods 0.000 claims description 47
- 230000004048 modification Effects 0.000 claims description 34
- 238000012986 modification Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 238000009877 rendering Methods 0.000 claims description 9
- 210000000988 bone and bone Anatomy 0.000 claims description 7
- 210000004185 liver Anatomy 0.000 claims description 7
- 210000003734 kidney Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 description 67
- 238000012545 processing Methods 0.000 description 50
- 230000006870 function Effects 0.000 description 37
- 230000008569 process Effects 0.000 description 26
- 238000003860 storage Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 210000001519 tissue Anatomy 0.000 description 9
- 230000017105 transposition Effects 0.000 description 8
- 101000746134 Homo sapiens DNA endonuclease RBBP8 Proteins 0.000 description 7
- 101000969031 Homo sapiens Nuclear protein 1 Proteins 0.000 description 7
- 102100021133 Nuclear protein 1 Human genes 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 230000000712 assembly Effects 0.000 description 6
- 238000000429 assembly Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 239000011521 glass Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- VJYFKVYYMZPMAB-UHFFFAOYSA-N ethoprophos Chemical compound CCCSP(=O)(OCC)SCCC VJYFKVYYMZPMAB-UHFFFAOYSA-N 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002216 heart Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- XQPRBTXUXXVTKB-UHFFFAOYSA-M caesium iodide Chemical compound [I-].[Cs+] XQPRBTXUXXVTKB-UHFFFAOYSA-M 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- 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
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
-
- G06T5/70—
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Abstract
本申请涉及图像重建的系统和方法。所述系统可以执行所述方法:获得图像数据,所述图像数据的至少一部分与兴趣区相关;确定所述图像数据的局部信息,所述局部信息与所述图像数据的方向信息相关;基于所述局部信息确定正则项;并基于所述正则项修正所述图像数据。
Description
技术领域
本申请涉及图像重建,更具体地,涉及迭代图像重建的方法和系统。
背景技术
计算机断层扫描(CT)是利用从不同角度获取的、经计算机处理的X射线投影组合来生成断层图像的一项技术。CT技术一直广泛应用于医学诊断中。在CT图像的重建过程中,可能会在组织边界处出现伪影(例如阶梯伪影)。这些伪影会降低图像质量并且影响基于图像得到的诊断结果。高质量且伪影减少的CT图像重建系统和方法是急需的。
发明内容
本申请的第一方面提供了一种图像重建方法。所述方法可以包括以下操作中的一个或多个。获取图像数据,所述图像数据的至少一部分与兴趣区相关。确定所述图像数据的局部信息。所述局部信息与所述图像数据的方向信息相关。基于所述局部信息,确定正则项。基于所述正则项,修正所述图像数据。基于所述修正的图像数据,产生修正的图像。
在一些实施例中,可以确定所述图像数据的梯度信息。可以平滑所述图像数据。可以确定所述平滑化图像数据的方向信息。可以基于所述图像数据的梯度信息和所述平滑化图像数据的方向信息,确定所述正则项。
在一些实施例中,可以通过第一低通滤波器平滑所述图像数据。
在一些实施例中,所述方向信息可以包括所述平滑化图像数据的结构张量或所述平滑化图像数据的修改的结构张量。
在一些实施例中,可以确定所述平滑化图像数据的结构张量。可以平滑所述结构张量。可以确定所述平滑化结构张量的特征值。可以修改所述特征值。可以基于修改的特征值,确定修改的结构张量。
在一些实施例中,可以基于与所述兴趣区相关的图像数据的至少一部分,确定特征值调节函数。可以基于所述特征值调节函数修改所述特征值。
在一些实施例中,所述兴趣区可以包括与肝脏、骨或肾脏相关的区域。
在一些实施例中,可以确定所述平滑化图像数据的一阶微分。可以确定所述平滑化图像数据的一阶微分的转置。可以基于所述平滑化图像数据的一阶微分和所述平滑化图像数据的一阶微分的转置,确定所述平滑化图像数据的结构张量。
在一些实施例中,可以通过第二低通滤波器平滑所述结构张量。
在一些实施例中,可以基于所述图像数据的一阶微分,确定所述梯度信息。
在一些实施例中,可以获得投影数据。可以基于所述投影数据,产生所述图像数据。
在一些实施例中,可以基于一种迭代统计重建算法更新所述图像数据。
在一些实施例中,所述图像数据可以包括2D图像、2D图像数据、3D图像或3D图像数据。
本申请的第二方面提供了一种图像重建方法。所述方法可以包括以下操作中的一个或多个。可以获得图像数据。所述图像数据的至少一部分可以与兴趣区相关。可以确定所述图像数据的梯度信息。可以平滑所述图像数据。可以确定所述平滑化图像数据的结构张量。可以平滑所述结构张量。可以确定所述平滑化结构张量的特征值。可以修改所述特征值。可以基于修改的特征值,确定修改的结构张量。可以基于所述梯度信息和所述修改的结构张量,确定正则项。可以基于所述正则项,修正所述图像数据。可以基于所述修正的图像数据,产生修正的图像。
在一些实施例中,可以基于与所述兴趣区相关的图像数据的至少一部分,确定特征值调节函数。可以基于所述特征值调节函数,修改所述特征值。
在一些实施例中,所述兴趣区可以包括与肝脏、骨或肾脏相关的区域。
本申请的第三方面提供了一种系统。所述系统可以包括至少一个储存媒介以及至少一个处理器。所述至少一个储存媒介可以包括一组图像重建的指令。当所述指令由所述至少一个处理器执行时,可以使所述系统实现以下操作中的一个或多个。所述系统可以获得图像数据,其中所述图像数据的至少一部分可以与兴趣区相关。所述系统可以确定所述图像数据的局部信息,其中所述局部信息可以与所述图像数据的方向信息相关。所述系统可以基于所述局部信息,确定正则项。所述系统可以基于所述正则项,修正所述图像数据。所述系统可以基于所述修正的图像数据,产生修正的图像。
在一些实施例中,所述系统可以确定所述图像数据的梯度信息。所述系统可以平滑所述图像数据。所述系统可以确定所述平滑化图像数据的方向信息。所述系统可以基于所述图像数据的梯度信息和所述平滑化图像数据的方向信息,确定所述正则项。
在一些实施例中,所述系统可以确定所述平滑化图像数据的结构张量。所述系统可以平滑所述结构张量。所述系统可以确定所述平滑化结构张量的特征值。所述系统可以修改所述特征值。所述系统可以基于修改的特征值,确定修改的结构张量。
在一些实施例中,所述系统可以基于与所述兴趣区相关的图像数据的至少一部分,确定特征值调节函数。所述系统可以基于所述特征值调节函数,修改所述特征值。
在一些实施例中,所述系统可以确定所述平滑化图像数据的一阶微分。所述系统可以确定所述平滑化图像数据的一阶微分的转置。所述系统可以基于所述平滑化图像数据的一阶微分和所述平滑化图像数据的一阶微分的转置,确定所述平滑化图像数据的结构张量。
在一些实施例中,所述系统可以获得投影数据。所述系统可以基于所述投影数据,产生所述图像数据。
其他特征一部分将在随后的说明书中列出,对于本领域普通技术人员而言,在其检验以下内容以及附图后,部分内容将会是明显的,或者其可以通过实施或操作这些实例而得知。本披露的特征可以通过实践或使用在以下讨论的具体实例中提出的方法、手段以及组合来实现和获得。
附图说明
以示例性实施例的方式对本披露进一步描述。这些示例性实施例具体参照附图进行描述。这些实施例是非限制性实施例,其中类似参考号在附图的不同视图中代表类似结构,并且其中:
图1-A和1-B是根据本申请的一些实施例所示的一种示例性CT系统的示意图;
图2是根据本申请的一些实施例所示的一种示例性计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图;
图4为根据本申请的一些实施例所示的一种示例性处理引擎的框图;
图5是根据本申请的一些实施例所示的一种示例性处理模块的框图;
图6是根据本申请的一些实施例所示的一种重建图像数据的示例性过程的流程图;
图7是根据本申请的一些实施例所示的一种示例性正则单元的框图;
图8是根据本申请的一些实施例所示的一种用于确定正则项的示例性过程的流程图;
图9是根据本申请的一些实施例所示的一种用于确定图像数据的方向信息的示例性过程的流程图;
图10是根据本申请一些实施例所示的一个特征值调节函数的示例性特征曲线;以及
图11-A和图11-B示出了根据本申请的一些实施例所示的基于不同重建方法重建的示例性的CT图像。
具体实施方式
在下面的详细描述中,通过示例阐述了本披露的许多具体细节,以便提供对相关披露的透彻理解。然而,对于本领域的普通技术人员来讲,本披露显而易见的可以在没有这些细节的情况下实施。在其他情况下,本披露中的公知的方法、过程、系统、组件和/或电路已经在别处以相对高的级别进行了描素,本披露中对此没有详细地描述,以避免不必要地重复。对于本领域普通人员来说,对本申请所披露的实施例的各种修正都应是显而易见的,并且,在不偏离本申请的精神和范围的前提下,本申请中所定义的基本原理也可以适用于其他实施例及应用。因此,本申请并不限于所示的实施例,而应被给予与权利要求一致的最广范围。
本披露所用术语仅为了描述特定实施例,而非限制本披露范围。如本披露说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“所述”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件,而所述类表述并不构成一个排它性的罗列,其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
应当理解的是,本披露中使用“系统”、“装置”、“单元”和/或“模块”术语,是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而,如果其他表达式可以实现相同的目的,这些术语可以被其他表达式替换。
通常,如本申请所使用的“模块”、“单元”或“块”是指以硬件或固件或软件指令的集合体现的逻辑。本申请描述的模块、单元或块可以在软件和/或硬件上被执行,并且可以被存储在任何类型的非暂时性计算机可读介质或其他存储设备中。在一些实施例中,软件模块、单元、块可以被编译并连接到可执行程序中。应当理解的是,软件模块可以从其他模块、单元、块或其自身调用和/或可以响应于检测到的事件或中断而被调用。配置为用于在计算设备上执行的软件模块/单元/块(例如,如图2所示的处理器210)可以被提供在计算机可读介质上,诸如光盘、数字视频盘、闪存驱动器、磁盘或任何其他有形介质或作为数字下载(并且可以原始地以压缩或可安装的格式存储,在执行之前需要安装、解压缩或解密)。软件代码可以部分或全部存储在执行计算设备的存储设备上供计算设备执行。软件指令可以被嵌入到固件当中,例如EPROM。应当理解的是,硬件模块、单元或块可以包括在连接的逻辑组件中,例如门和触发器和/或可以包括在诸如可编程门阵列或处理器之类的可编程单元中。本申请描述的模块、单元、块或计算设备功能可以被实现为软件模块/单元/块,但是可以用硬件或固件来表示。通常,这里描述的模块、单元、块是指可以与其他模块、单元、块组合或者分成子模块、子单元、子块的逻辑模块、单元、块,尽管它们的物理组织或存储。所述描述可以适用于系统、引擎或其一部分。
应当理解的是,当单元、引擎、模块或区块被称为“在……上”、“连接到”或“耦合到”另一单元、引擎、模块或区块时,其可以直接在另一单元、引擎、模块或区块通信,或者可以存在中间单元、引擎、模块或区块,除非上下文明确提示例外情形。例如,本披露所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
参看下面的说明以及附图,本披露的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解,其中说明和附图形成了说明书的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限定本披露的保护范围。可以理解的是,附图并非按比例绘制。
本申请提供了用于非侵入性成像的系统和组件,例如用于疾病诊断或研究目的。在一些实施例中,成像系统可以是计算机断层扫描(CT)系统、发射计算机断层扫描(ECT)系统、磁共振成像(MRI)系统、超声检查系统、正电子发射断层扫描(PET)系统等中的一种或多种的组合。
本申请披露的方法和系统可以用于其他类型的图像重建,包括,例如,CT图像、ECT图像、MRI图像、PET图像等。仅仅为了说明且不限制本申请的范围,本申请与CT图像重建相关。该系统可以基于统计图像重建算法重建CT图像。统计图像重建算法可以包括一个用于降低统计图像重建过程中的阶梯伪影的正则项。
提供以下描述以帮助更好地理解CT图像重建方法和/或系统。本申请中使用的术语“图像”可以指2D图像、3D图像、4D图像和/或任何相关图像数据(例如,CT数据、对应于CT数据的投影数据)。应当注意的是,在本申请中,术语“图像数据”和“图像”可以互换使用,这并不是为了限制本申请的范围。对于本领域的普通技术人员来说,在本申请的指导下可以进行各种修正和改变。各种修正和改变并不脱离本申请的范围。
图1-A和1-B是根据本申请的一些实施例所示的一种示例性CT系统100的示意图。如图所示,所述CT系统100可以包括CT扫描仪110、网络120、一个或多个终端130、处理引擎140和存储器150。
CT扫描仪110可以包括机架111、探测器112、探测区域113、治疗床114和放射扫描源115。机架111可以支撑探测器112和放射扫描源115。对象可以放置于治疗床114上用于扫描。放射扫描源115可以发出放射线束到对象。探测器112可以探测从探测区域113发出的放射物(例如,伽马光子)。在一些实施例中,探测器112可以包括一个或多个探测单元。探测器单元可以包括闪烁探测器(例如,碘化铯探测器)和其他探测器等。探测器单元可以是和/或包括单排探测器和/或多排探测器。
网络120可以包括有助于CT系统100交换信息和/或数据的任何适合的网络。在一些实施例中,CT系统100的一个或多个其他组件(例如,CT扫描仪110、终端130、处理引擎140、存储器150等)可以通过网络120相互交互信息和/或数据。例如,处理引擎140可以通过网络120从CT扫描仪110获取图像数据。又例如,处理引擎140可以通过网络120获取来自终端130的用户指令。网络120可以是和/或包括公共网络(例如,互联网)、专用网络(例如,局域网(LAN)、广域网(WAN)等)、有线网络(例如,以太网)、无线网络(例如,802.11网络、Wi-Fi网络等)、蜂窝网络(例如,LTE网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、转换器、服务器计算机和/或其中的一种或多种的组合。例如,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、局域网、无线局域网(WLAN)、城域网(MAN)、公用电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信网络(NFC)等中的一种或多种的组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,如基站和/或网络交换点,CT系统100的一个或多个组件可以通过其接入到网络120以进行数据和/或信息交换。
终端130可以包括移动设备131、平板电脑132、笔记本电脑133等中的一种或多种的组合。在一些实施例中,移动设备131可以包括智能家庭设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或多种的组合。在一些实施例中,智能家用设备可以包括智能照明装置、智能电器控制装置、智能监控装置、智能电视、智能摄像机、对讲机等中的一种或多种的组合。在一些实施例中,可穿戴设备可能包括手镯、鞋袜、眼镜、头盔、手表、服装、背包、智能配件等一种或多种的组合。在一些实施例中,移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等中的一种或多种的组合。在一些实施例中,虚拟现实设备和/或增强现实装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等中的一种或多种的组合。例如,虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中,终端130可以是处理引擎140的一部分。
处理引擎140可以处理从CT扫描仪110、终端130和/或存储器150中获得的数据和/或信息。例如,处理引擎140可以处理投影数据产生图像。在一些实施例中,处理引擎140可以是一个服务器或一个服务器群组。服务器群组可以是集中式的或者分布式的。在一些实施例中,处理引擎140可以是本地的或远程的。例如,处理引擎140可以通过网络120访问存储在CT扫描仪110、终端130和/或存储器150的信息和/或数据。例如,处理引擎140可以直接与CT扫描仪110、终端130和/或存储器150连接从而访问其存储的信息和/或数据。在一些实施例中,处理引擎140可以在云平台上被执行。例如,云平台可以包括私有云、公有云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。在一些实施例中,处理引擎140可以由具有一个或多个组件的计算设备200(如图2所述)执行。
存储器150可以存储数据、指令和/或其他信息。在一些实施例中,存储器150可以存储从终端130和/或处理引擎140中获得的数据。在一些实施例中,存储器150可以存储处理引擎140为执行本申请中描述的示例性方法所执行或使用的数据和/或指令。在一些实施例中,存储器150可以包括大容量存储器、可移动存储器、易失读写存储器、只读存储器(ROM)等中的一种或多种的组合。示例性的大容量存储器可包括磁盘、光盘、固态驱动器等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、拉链盘、磁带等。示例性的易失读写存储器可以包括随机存取存储器(RAM)。示例性的随机存取存储器RAM可以包括动态随机存储器(DRAM)、双数据率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器(ROM)可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM),光盘只读存储器(CD-ROM)和数字多用途光盘等。在一些实施例中,存储器150可以在云平台上被执行。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。
在一些实施例中,存储器150可以连接到网络120以与CT系统100中的一个或多个其他组件(例如,处理引擎140、终端130等)进行通信。CT系统100中的一个或多个组件可以通过网络120访问存储在存储器150中的数据或指令。在一些实施例中,存储器150可以直接与CT系统中的一种或多个其他组件(例如,处理引擎140、终端130等)连接或通信。在一些实施例中,存储器150可以是处理引擎140的一部分。
图2是根据本申请的一些实施例所示的示例性计算设备200的示例性硬件和/或软件组件的示意图,处理引擎140可以在计算设备200上实现。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以根据本申请所描述的技术执行计算机指令(例如,程序代码)和处理引擎140的功能。计算机指令可以包括例如执行本申请描述的特定功能的例程、程序、对象、组件、数据结构、过程和模块。例如,处理器210可以处理从CT扫描仪110、终端130、存储器150和/或CT系统100的任何其他组件中获得的图像数据。在一些实施例中,处理器210可以包括一个或多个硬件处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集成处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等中的一种或多种的组合。
仅仅为了说明,在计算设备200中仅描述了一个处理器。然而,应当注意的是,本申请中的计算设备200还可以包括多个处理器,因此本申请中描述的处理器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如,如果在本申请中,计算设备200的处理器执行步骤A和步骤B,则应当理解,步骤A和步骤B也可以由计算设备200的两个或多个不同的处理器共同或分开执行(例如,第一处理器执行步骤A、第二处理器执行步骤B或者第一和第二处理器共同执行步骤A和B)。
存储器220可以存储从CT扫描仪110、终端130、存储器150和/或CT系统100的任何其他组件中获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、易失性读写存储器、只读存储器(ROM)等中的一种或多种的组合。例如,大容量存储器可以包括磁盘、光盘、固态驱动器等。所述可移除存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。随机存取存储器可以包括动态随机存取存储器(DRAM),双倍数据率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。只读存储器可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字通用盘只读存储器等。在一些实施例中,存储器220可以存储一个或多个程序和/或指令以执行在本申请中描述的示例性方法。例如,存储器220可以存储用于处理投影数据或图像数据的处理引擎140的程序。
输入/输出230可以输入和/或输出信号、数据、信息等。在一些实施例中,输入/输出230可以使用户能够与处理引擎140进行交互。在一些实施例中,输入/输出230可以包括输入装置和输出装置。示例性的输入设备可以包括键盘、鼠标、触摸屏、麦克风等中的一种或多种的组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等中的一种或多种的组合。示例性的显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等中的一种或多种的组合。
通信端口240可以连接到网络(例如,网络120)以便于数据通信。通信端口240可以建立处理引擎140与CT扫描仪110、终端130和/或存储器150之间的连接。连接可以是有线连接、无线连接、任何其他可以实现数据传输和/或接收的通信连接等中的一种或多种的组合。有线连接可以包括例如电缆、光缆、电话线等中的一种或多种的组合。无线连接可以包括例如蓝牙TM连接、Wi-FiTM连接、WiMaxTM连接、无线局域网连接、ZigBee连接、移动网络连接(例如,3G、4G、5G等)等中的一种或多种的组合。在一些实施例中,通信端口240可以是和/或包括标准化通信端口,诸如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据医学数字成像和通信(DICOM)协议进行设计。
图3是根据本申请的一些实施例所示的示例性移动设备300的示例性硬件和/或软件组件的示意图,终端130可以在移动设备300上实现。如图3所示,移动设备300可以包括天线310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出(I/O)350、内存360和存储器390。在一些实施例中,任何其它合适的组件包括但不限于系统总线或控制器(未示出),也可以包括在移动设备300中。在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或多个应用380可以从存储390加载到存储器360中,以便由CPU 340执行。应用380可以包括浏览器或任何其他合适的移动应用,用于接收和呈现与处理引擎140有关的图像处理信息或其他信息。信息流的用户交互可以通过输入/输出350获得,也可以通过网络120提供给处理引擎140和/或CT系统100的其他组件。
为了实现在本申请中描述的各种模块、单元及其功能,计算机硬件平台可以用作本申请所描述的一个或多个元件的硬件平台。具有用户界面元件的计算机可以用于执行个人计算机(PC)或任何其他类型的工作站或终端设备。如果经过适当的编程处理,计算机也可以充当服务器使用。
图4为根据本申请的一些实施例所示的一种示例性处理引擎140的框图。所述处理引擎140可以包括采集模块410、控制模块420、存储模块430以及处理模块440。
采集模块410可以采集CT数据。采集模块410可以从检测器112采集CT数据。CT数据可以与穿过检测对象的X射线相关联。在一些实施例中,放射性扫描源115可以向检测对象发射X射线。X射线可以穿过检测对象并且在穿行过程中减弱。减弱的X射线由检测器112检测到并且传输至采集模块410。在一些实施例中,所采集的CT数据可以传输至存储模块430。
控制模块420可以控制采集模块410、存储模块430和/或处理模块440的操作(例如通过生成一个或多个控制参数)。例如,控制模块420可以控制采集模块410以采集信号、信号采集的时间等。作为另一个实例,控制模块420可以控制处理模块440以处理由采集模块410采集到的CT数据。在一些实施例中,控制模块420可以接收实时命令或通过使用者(例如医生)来检索预设命令,以控制采集模块410和/或处理模块440的一个或多个操作。例如,控制模块420可以调节采集模块410和/或处理模块440以根据实时命令和/或预设命令产生检测对象的图像。在一些实施例中,控制模块420可以与处理引擎140的一个或多个其他模块联通,用于交换信息和/或数据。
存储模块430可以储存CT数据、控制参数、处理后的CT数据、或类似或其组合。在一些实施例中,存储模块430可以储存由处理引擎140的处理器执行的一个或多个程序和/或指令以执行在本申请中描述的示例性方法。例如,存储模块430可以储存由处理引擎140的处理器执行的一个或多个程序和/或指令以采集CT数据、基于CT数据重建CT图像、和/或展示中间结果或所得图像。
处理模块440可以处理由处理引擎140的不同模块提供的信息。处理模块440可以处理由采集模块410采集的CT数据、从存储模块430检索的CT数据等等。在一些实施例中,处理模块440可以根据一种重建算法基于所述CT数据重建CT图像,生成包括一个或多个CT图像和/或其他相关信息的报告,和/或执行根据本申请的不同实施例的任何其他图像重建功能。所述重建算法可以包括一种迭代重建算法(例如一种统计重建算法)、分析重建算法、或类似算法或其任何组合。例如,处理模块440可以为CT数据确定正则项并且基于所述正则项重建CT图像。
在一些实施例中,在图4中示出的一个或多个模块可以在图1-A和图1-B中示出的示例性CT系统的至少一部分中实施。例如,采集模块410、控制模块420、存储模块430、和/或处理模块440可以整合成一个控制台(未示出)。经由所述控制台,使用者可以设定参数来扫描一个物体、控制成像过程、控制重建图像的参数、查看重建的图像等等。在一些实施例中,所述控制台可以经由处理引擎140和/或终端130实现。
图5是根据本申请的一些实施例所示的一种示例性处理模块440示意框图。处理模块440可以包括图像产生单元510、正则单元520、修正单元530以及存储单元540。处理模块440可以在不同的组件上实现(例如在图2中示出的计算设备200的处理器210)。
图像产生单元510可以获得或更新原始图像数据(也称为“原始图像”)。图像数据可以包括2D图像数据、2D图像、3D图像数据、3D图像、4D图像数据、4D图像、或类似物或其任何组合。例如,图像数据可以是3D的CT图像数据或3D的CT图像。原始图像数据可以通过正则单元520和/或修正单元530进一步处理,或者可以储存在存储单元540中或在本申请任何之处披露的任何储存设备中。
正则单元520可以确定正则项。在本申请中,正则项可以指可以用来在图像重建过程中将原始图像数据正则化的一个项。例如,在图像重建过程中,图像中一个组织的表面可以基于正则项进行平滑化。在一些实施例中,正则单元520可以基于原始图像数据的总变分(TV)确定正则项。在一些实施例中,正则单元520可以进一步确定正则化参数。在本申请中,正则化参数可以指可以用于控制正则项的强度的参数。在一些实施例中,正则化参数可以作为CT系统100的部分默认设置(例如,常数)。在一些实施例中,正则化参数可以在不同的情况下进行调节。仅作为示例,正则化参数的默认值或参考值可以由处理引擎140提供,并且基于正则化参数使用时的特定情况进行调节。关于正则化参数的描述可以在以下文件中找到:例如,同一日提交的美国申请号15/599,558,名称为“图像去噪系统和方法(SYSTEMAND METHOD FOR IMAGE DENOISING)”,其内容通过引用结合在此。
修正单元530可以基于正则项修正原始图像数据。在一些实施例中,修正单元530可以进一步提供一个用户界面(未示出)。例如,用户界面可以植入到终端130。使用者(例如医生)可以输入一个或多个参数经由所述用户界面以调节原始图像。例如,使用者可以放大或缩小原始图像。作为另一个实例,使用者可以修正原始图像的对比度。
存储单元540可以储存原始图像数据、正则项、修正的图像数据、或类似物。在一些实施例中,储存形式可以包括文本、图片、音频、视频、代码、或类似物或其组合。在一些实施例中,可以在存储单元540中储存一种或多种算法,例如,当在获得或更新原始图像数据时、确定正则项时等,可以使用这些算法。
需要注意的是,上述关于处理模块的描述都是用于示例性说明的,并不用于限制本发明的保护范围。对于本领域的普通技术人员来说,可以在本申请指导下,作出各种修正和改变。但是,这些修改和改变仍处于本申请的保护范围内。例如,处理模块440中的一个或多个单元可以各自包括一个独立的存储区块(未示出)。作为另一个实例,任意两个或多个单元可以结合为一个用于实现多于一种功能的独立单元。作为再一个实例,存储单元540可以是不必要的,并且处理模块440可以与处理引擎140共享存储模块430。还有另一个实例,这些单元中任何一个都可以划分成两个或多个子单元。
图6是根据本申请的一些实施例所示的一种重建图像数据的示例性过程600的流程图。
在610中,可以获得投影数据(也可以称为“测得投影数据”)。投影数据可以由图像产生单元510获得。在本申请中,投影数据可以指对应于投影到一个特定投影平面上的图像或图像数据的二维数据。例如,可以基于投影矩阵确定投影数据。投影矩阵可以是处理引擎140的默认设置的一部分,或者可以由使用者(例如医生)来调节。在一些实施例中,可以基于采集模块410采集的CT数据确定投影数据。在一些实施例中,可以处理投影数据。例如,可以根据低通滤波器(例如高斯滤波器)过滤投影数据,以便去除或减少投影数据中的噪音。
在620中,可以基于投影数据,确定原始图像数据。原始图像数据可以由图像产生单元510确定。在一些实施例中,可以根据一种或多种重建算法基于投影数据产生原始图像数据。在一些实施例中,可以基于处理引擎140的默认设置确定原始图像数据。例如,原始图像数据可以是体素值和像素值(例如灰度值)都为零的一个图像。作为另一个实例,原始图像数据可以是一个与模型(例如肝脏模型)相关的模型图像。在一些实施例中,原始图像数据可以是使用者(例如医生)提供的。
在630中,可以确定原始图像数据的局部信息。原始图像数据的局部信息可以由正则单元520确定。在本申请中,局部信息可以指可指示原始图像数据的一个或多个特征的信息(例如梯度信息)。
在640中,可以基于原始图像数据的局部信息确定正则项。正则项可以由正则单元520可以确定。在本申请中,正则项可以指在图像重建过程中用于正则化原始图像数据的一个项。在一些实施例中,正则项可以包括基于总变分的(基于TV的)正则项、吉洪诺夫正则项、双边总变分正则项、局部信息适应性总变分正则项、或类似物或其任何组合。在一些实施例中,正则化参数可以进一步确定。在本申请中,正则化参数可以指可用来控制正则项的强度的参数。
在650中,可以基于正则项修正原始图像数据。原始图像数据可以由修正单元530修正。在一些实施例中,在原始图像数据的修正中也可以将正则化参数考虑在内。
在一些实施例中,过程600可以是一个迭代过程或循环过程。将原始图像数据基于正则项和/或正则化参数修改之后以提供修正的图像数据。可以获得修正的图像数据的中间投影数据(例如前向投影数据)并且与测得投影数据相比较,如果中间投影数据和测得投影数据之间的差距超过阈值,可以更新原始图像数据并且过程600可以返回到620开始新的迭代(即,二次迭代),直至差距小于阈值。在此使用的阈值可以是处理引擎140的默认设置的一部分,或者可以通过使用者(例如医生)进行调节。在本申请中,第i次迭代中,图像数据可以称为“第i次中间图像数据”,相应的投影数据可以称为“第i次中间投影数据”。在本申请中,原始图像数据和中间图像数据可以总称为“图像数据”或“图像”。仅作为举例,过程600可以由公式(1)表达:
其中I*可以代表有待重建的图像,FP可以代表前向投影操作,I可以代表中间图像或中间图像数据,Y可以代表测得投影数据,R(I)可以代表正则项,并且β可以代表正则化参数。
需要注意的是,上述描述都是用于说明的,并不用于限制本发明的保护范围的。对于本领域的普通技术人员来说,可以在本申请指导下,作出各种修正和改变。但是,这些修改和改变仍处于本申请的保护范围内。例如,在一次迭代中,610可以是不必要的并且原始图像数据可以基于处理引擎140的默认设置确定或更新。
图7是根据本申请的一些实施例所示的一种示例性正则单元520的框图。正则单元520可以包括梯度信息确定区块710、方向信息确定区块720、平滑区块730以及正则项生成区块740。
梯度信息确定区块710可以确定图像数据的梯度信息。在本申请中,梯度信息可以指图像数据的体素值或像素值沿着特定方向的梯度。例如,对于CT图像,梯度信息可以指沿着特定方向的CT图像的CT值的梯度。
方向信息确定区块720可以确定图像数据的方向信息。在本申请中,方向信息可以表明图像数据的梯度信息的各向异性。例如,图像数据沿不同方向的梯度可以是不同的。在一些实施例中,方向信息可以是与沿这些方向的一个或多个向量相关联的。在一些实施例中,方向信息可以表达为结构张量或矩阵。
平滑区块730可以平滑投影数据、图像数据或图像数据的方向信息。在一些实施例中,平滑区块730可以基于过滤技术平滑投影数据、图像数据或图像数据的方向信息。过滤技术可以包括限幅滤波、中值滤波、算术平均滤波、递推平均滤波、一阶滞后滤波、线性滤波、非线性滤波、低通滤波、带通滤波、带阻滤波、陷波滤波、梳状滤波、全通滤波、或类似物或其任何组合。
正则项生成区块740可以基于梯度信息生成正则项,同时利用或不利用平滑化图像数据的方向信息。在一些实施例中,如图6所示,可以在迭代过程中更新正则项。在一些实施例中,正则项生成区块740可以基于图像数据的兴趣区(ROI)产生正则项。ROI可以包括,例如,肝脏、肾脏、骨、心脏、肺、脑、骨、或类似物或其任何组合。已知的是检测对象不同器官的形状和特征可以是不同的,并且正则项可以用来将器官的表面正则化,因此,不同的ROI可以对应于不同的正则项。
需要注意的是,上述描述都是用于说明的,并不用于限制本发明的保护范围的。对于本领域的技术人员来说,可以在本申请指导下,作出各种修正和改变。但是,这些修改和改变仍处于本申请的保护范围内。例如,正则单元520中的一个或多个区块可以各自包括一个独立存储区块(未示出)。作为另一个实例,任意两个或更多个区块可以结合为一个用于实现多于一种功能的独立区块。作为再一个实例,平滑区块730可以省略。
图8是根据本申请的一些实施例所示的一种用于确定正则项的示例性过程的流程图。
在810中,可以获得图像数据。图像数据可以从图像产生单元510获得。
在820中,可以确定图像数据的梯度信息。图像数据的梯度信息可以由梯度信息确定区块710确定。例如,假定图像数据包括2D图像数据,则可以根据公式(2)确定图像数据的梯度信息:
其中(i,j)可以代表图像数据中的像素,I(i,j)可以代表图像数据的像素的值(例如CT值),并且G(i,j)可以代表图像数据的一阶微分。
作为另一个实例,假定图像数据包括3D图像数据,则可以根据公式(3)确定图像数据的梯度信息:
其中(i,j,k)可以代表图像数据的体素,I(i,j,k)可以代表图像体素的值(例如CT值),并且G(i,j,k)可以代表图像数据的一阶微分。
在一些实施例中,图像数据的梯度信息可以以矩阵的形式表达。矩阵可以包括行矩阵、列矩阵、纹理矩阵、对角矩阵、分解矩阵等等。在一些实施例中,图像数据的梯度信息可以在不同的坐标体系中表达,例如,笛卡尔坐标体系、圆柱坐标体系、球坐标体系等等。
在830中,可以平滑图像数据。图像数据可以由平滑区块730平滑。可以基于一种过滤技术平滑图像数据。在一些实施例中,可以根据图像数据的统计分布平滑图像数据。例如,为了降低或去除图像数据中的噪音,可以基于第一低通滤波器(例如高斯滤波器)平滑图像数据,如公式(4)所表达:
Iσ=Kσ*I, (4)
其中Iσ可以代表平滑化的图像数据,Kσ可以代表高斯函数,σ可以代表高斯函数的参数(例如高斯函数的标准偏差),并且I可以代表图像数据。在图像数据被平滑化之后,可以传输平滑化图像数据进行进一步处理或储存在本申请中任何之处所披露的存储设备中。
在840中,可以确定平滑化图像数据的方向信息。方向信息可以由方向信息确定区块720确定。在一些实施例中,方向信息可以表明平滑化图像数据的梯度信息的各向异性。例如,对于平滑化图像数据中的组织,平滑化图像数据中沿着垂直于组织表面的方向的梯度与平滑化图像数据中沿着相切于组织表面的方向的梯度可以是不同的。
在850中,可以基于图像数据的梯度信息和/或平滑化图像数据的方向信息确定正则项。例如,正则项根据公式(5)可以确定:
其中I可以代表图像数据,(i,j,k)可以代表图像数据的体素指数,可以代表体素(i,j,k)的梯度,可以代表体素(i,j,k)的梯度的转置,Ω可以代表整个图像数据域,并且A{i,j,k}可以代表对应于平滑化图像数据的体素(i,j,k)的方向信息的矩阵。
需要注意的是,上述描述都是用于说明的,并不用于限制本发明的保护范围的。于本领域的普通技术人员来说,可以在本申请指导下,作出各种修正和改变。但是,这些修改和改变仍处于本申请的保护范围内。例如,830可以省略并且图像数据可以是未平滑化的。
图9是根据本申请的一些实施例所示的一种用于确定图像数据或平滑化图像数据的方向信息的示例性过程的流程图。过程900可以通过方向信息确定区块720实现。
在910中,可以确定图像数据的结构张量。在一些实施例中,结构张量可以表达为矩阵。例如,对于3D图像数据,结构张量可以表达为3×3矩阵;并且对于2D图像数据,结构张量可以表达为2×2矩阵。例如,可以根据公式(6)确定结构张量:
其中J可以代表图像数据的结构张量,I可以代表图像数据,可以代表图像数据的梯度,可以代表图像数据的梯度的转置,并且*可以代表笛卡尔积。
作为另一个实例,可以根据公式(7)确定平滑化图像数据的结构张量:
其中J′可以代表平滑化图像的结构张量,Iσ可以代表平滑化图像数据,可以代表平滑化图像数据的梯度,并且可以代表平滑化图像数据的梯度的转置。
在920中,可以平滑结构张量。例如,可以基于第二低通滤波器(例如高斯滤波),根据公式(8)平滑结构张量:
Jρ=Kρ*J', (8)
其中Jρ可以代表平滑化结构张量,Kρ可以代表高斯函数,J′可以代表平滑化图像数据的结构张量,ρ可以代表高斯函数的参数(例如高斯函数标准偏差),并且*可以代表笛卡尔积。应注意的是,本申请将一个图像的图像数据作为整体来描述一个过程(例如过程800、过程900等);然而,图像实际可以在体素水平上进行处理。例如,图像数据的特定体素可对应于特定结构张量,其形式为,例如,3×3矩阵。高斯函数可以基于对应于多个相邻体素的多个平滑化结构张量应用于3×3矩阵的每个分量。在本申请中,一个体素的相邻体素可以指与与该体素相距特定距离以内的体素。例如,一个体素的相邻体素可以指远离该体素的一个体素、二个体素、三个体素等等的体素。这里的距离可沿着一个方向进行评估,例如沿水平方向、沿垂直方向或沿对角线方向。
在930中,可以确定平滑化结构张量的特征值。可以基于一种特征值分解法分解平滑化结构张量来确定这些特征值。例如,对于3D图像数据,可以根据下述公式(9)将结构张量或平滑化结构张量分解为三个特征值和三个特征向量:
其中Jρ可以代表平滑化结构张量,v 1、v 2以及v 3可以代表平滑化结构张量的特征向量,v 1 T、v 2 T以及v 3 T可以各自代表三个特征向量的转置,并且u1、u2以及u3可以代表平滑化结构张量的特征值。
在940中,可以基于兴趣区(ROI)确定特征值调节函数。ROI可以包括肝脏、肾脏、骨、心脏、肺、脑、骨、或类似物或其任何组合。已知的是不同ROI可以对应于检测对象的不同组织或器官,并且对于不同组织或器官,表面可以是不同的。对于特定的组织或器官,为了增强该组织或器官的表面(即,边缘),可以确定特定的特征值调节函数。不同的特征值调节函数可以实现不同的边缘增强效果。例如,特征值调节函数可以公式(10)确定:
其中f(η1,η2,η3;u1,uk)可以代表特征值调节函数,η2以及η3可以是预设参数,并且uk可以是u2或u3。在本申请中,η1可以用来定义这些特征值的标度(scale),η2和η3可以用于确定特征值调节函数的特征曲线(例如图10中示出的特征曲线)的峰值在何处以及特征曲线有多快降至0。
作为另一个实例,特征值调节函数可以公式(11)确定:
其中du可以是(u2-u1)或(u3-u1)。
作为再一个实例,特征值调节函数可以公式(12)确定:
其中η4可以是预设参数。
还有另一个实例,特征值调节函数可以公式(13)确定:
还有另一个实例,特征值调节函数可以公式(14)确定:
其中ud可以是预定义值。
还有另一个实例,特征值调节函数可以公式(15)确定:
还有另一个实例,特征值调节函数可以公式(16)确定:
在950中,可以基于特征值调节函数修改特征值。例如,可根据公式(17)、式(18)以及式(19)确定修改的特征值:
λ1=η1∈(0,1], (17)
λ2=f(η1,η2,η3;u1,u2), (18)
λ3=f(η1,η2,η3;u1,u3), (19)
其中λ1、λ2以及λ3可以代表这些修改的特征值。在一些实施例中,可以基于在940中确定的不同特征值调节函数来确定修改的特征值。
在960中,可以基于修改的特征值确定修改的结构张量。例如,可以根据下述公式(20)确定修改的结构张量:
其中A可以代表修改的结构张量,λ1、λ2以及λ3可以相应地代表修改的特征值。
另外,如960所描述的,可以基于修改的结构张量基于例如公式(5)确定正则项。
需要注意的是,上述描述都是用于说明的,并不用于限制本发明的保护范围的。对于本领域的普通技术人员来说,可以在本申请指导下,作出各种修正和改变。但是,这些修改和改变仍处于本申请的保护范围内。例如,920可以是不必要的。
图10是根据本申请一些实施例所示的一个特征值调节函数的示例性特征曲线。为了说明的目的,这些特征曲线是基于以公式(10)表达的特征值调节函数所确定的。如在图10中所示,横坐标可以代表公式(10)中示出的(uk–u1)2,并且纵坐标可以代表特征值调节函数的可能值(即特征值的可能值)。在本申请中,(uk–u1)2可以指图像数据沿方向v k的第一梯度与图像数据沿方向v 1的第二梯度之差的平方。差值的平方越大,组织或器官的边缘将会越清晰。以第六条特征曲线为例,可以看出,差值的平方接近2000,即,第一梯度与第二梯度之差接近45。在这种情况下,软组织(例如肝脏)的边缘会是合适的。
实例
以下示例仅为描述方便,并不用于限制本申请的保护范围。
实例1
图11-A和图11-B示出了根据本申请的一些实施例所示的基于不同重建方法重建的示例性的CT图像。在图11-A中示出的CT图像是基于总变分法重建的,而在图11-B中示出的CT图像是基于正则项重建的,正则项是基于在本申请中披露的结构张量(例如根据公式(11)修改的结构张量)确定的。如图11-A所示,右侧是左侧标为M1的区域的放大图;类似地,在图11-B中,右侧是左侧标为M2的区域的放大图。可以看出,在图11-B中示出的肝脏的边缘(例如标为N2的区域)比在图11-A中示出的(例如标为N1的区域)更平滑。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。所述类修改、改进和修正在本申请中被建议,所以所述类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“子模块”、“引擎”、“单元”、“子单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。所述传播信号可能有多种表现形式,包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,所述介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。所述程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,所述类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,所述近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种图像重建方法,包括:
获得图像数据,所述图像数据的至少一部分与兴趣区相关;
确定所述图像数据的梯度信息;
确定所述图像数据的结构张量;
基于所述梯度信息和所述结构张量确定正则项;
基于所述正则项修正所述图像数据;并且
基于所述修正的图像数据产生修正的图像。
2.根据权利要求1所述的方法,其特征在于,所述确定所述图像数据的结构张量包括:
通过平滑算法或/和修改算法优化所述结构张量。
3.根据权利要求2所述的方法,其特征在于,所述平滑算法包括高斯滤波法,或所述修改算法包括特征值调节函数。
4.根据权利要求1所述的方法,其特征在于,所述确定所述图像数据的梯度信息包括基于所述图像数据的一阶微分确定所述梯度信息。
5.根据权利要求1所述的方法,其特征在于,所述兴趣区包括肝脏、骨或肾脏相关的区域。
6.根据权利要求1所述的方法,其特征在于,所述图像数据包括2D图像、2D图像数据、3D图像或3D图像数据。
7.一种图像重建系统,其特征在于包括:
至少一个储存媒介,所述储存媒介包括一组图像重建的指令;以及
至少一个处理器,所述处理器被配置为与所述至少一个储存媒介联通,其中,当所述指令由所述至少一个处理器执行时,使所述系统执行多项操作,包括:
获得图像数据,所述图像数据的至少一部分与兴趣区相关;
确定所述图像数据的局部信息,所述局部信息与所述图像数据的方向信息相关;
基于所述局部信息确定正则项;
基于所述正则项修正所述图像数据;并且
基于所述修正的图像数据产生修正的图像。
8.根据权利要求7所述的系统,其特征在于,所述基于所述局部信息确定正则项包括:
确定所述图像数据的梯度信息;
平滑所述图像数据;
确定所述平滑化图像数据的方向信息;并且
基于所述图像数据的梯度信息和所述平滑化图像数据的方向信息确定所述正则项。
9.根据权利要求8所述的系统,其特征在于,所述确定所述平滑化图像数据的方向信息包括:
确定所述平滑化图像数据的结构张量;
平滑所述结构张量;
确定所述平滑化结构张量的特征值;
修改所述特征值;并且
基于修改的特征值确定修改的结构张量。
10.根据权利要求9所述的系统,其特征在于,所述修改所述特征值包括:
基于与所述兴趣区相关的图像数据的至少一部分而确定特征值调节函数;并且
基于所述特征值调节函数修改所述特征值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/599,569 US10559079B2 (en) | 2017-05-19 | 2017-05-19 | System and method for image reconstruction |
US15/599,569 | 2017-05-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886553A true CN107886553A (zh) | 2018-04-06 |
CN107886553B CN107886553B (zh) | 2021-07-27 |
Family
ID=59258088
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710521046.1A Active CN107886553B (zh) | 2017-05-19 | 2017-06-30 | 图像重建系统和方法 |
CN201710521098.9A Active CN107909618B (zh) | 2017-05-19 | 2017-06-30 | 图像重建系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710521098.9A Active CN107909618B (zh) | 2017-05-19 | 2017-06-30 | 图像重建系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10559079B2 (zh) |
EP (1) | EP3404617B1 (zh) |
CN (2) | CN107886553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921913A (zh) * | 2018-06-29 | 2018-11-30 | 上海联影医疗科技有限公司 | 图像重建的系统及方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762603B2 (en) | 2017-05-19 | 2020-09-01 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image denoising |
US11869121B2 (en) | 2018-06-29 | 2024-01-09 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for image reconstruction |
CN115914627A (zh) | 2019-04-15 | 2023-04-04 | 北京字节跳动网络技术有限公司 | 自适应环路滤波器中的裁剪参数推导 |
CN114237000B (zh) * | 2021-12-15 | 2023-05-23 | 中国工程物理研究院激光聚变研究中心 | 一种离轴数字全息优化重建方法及系统 |
CN115129401B (zh) * | 2022-08-29 | 2022-11-15 | 吉奥时空信息技术股份有限公司 | 基于Cesium实现无偏移无变形叠加多源数据的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110044524A1 (en) * | 2008-04-28 | 2011-02-24 | Cornell University | Tool for accurate quantification in molecular mri |
WO2011023969A1 (en) * | 2009-08-27 | 2011-03-03 | University Of East Anglia | Method and system for generating accented image data |
US20150093015A1 (en) * | 2013-09-26 | 2015-04-02 | Hong Kong Applied Science & Technology Research Institute Company Limited | Visual-Experience-Optimized Super-Resolution Frame Generator |
CN106204445A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于结构张量全变差的图像视频超分辨率方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPP128498A0 (en) | 1998-01-12 | 1998-02-05 | Canon Kabushiki Kaisha | A method for smoothing jagged edges in digital images |
US8559746B2 (en) | 2008-09-04 | 2013-10-15 | Silicon Image, Inc. | System, method, and apparatus for smoothing of edges in images to remove irregularities |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN103064046B (zh) * | 2012-12-25 | 2015-04-15 | 深圳先进技术研究院 | 一种基于稀疏采样的核磁共振成像的图像处理方法 |
JP6275826B2 (ja) | 2013-04-29 | 2018-02-07 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ノイズ除去再構成画像データエッジ改善 |
EP3014573B1 (en) * | 2013-06-28 | 2017-12-13 | Koninklijke Philips N.V. | Methods of utilizing image noise information |
US9478049B2 (en) | 2013-09-30 | 2016-10-25 | Koninklijke Philips N.V. | Method for local adjustment of regularization parameters for image quality optimization in fully 3D iterative CT reconstruction |
US8917925B1 (en) * | 2014-03-28 | 2014-12-23 | Heartflow, Inc. | Systems and methods for data and model-driven image reconstruction and enhancement |
WO2017113260A1 (zh) * | 2015-12-30 | 2017-07-06 | 中国科学院深圳先进技术研究院 | 一种三维点云模型重建方法及装置 |
-
2017
- 2017-05-19 US US15/599,569 patent/US10559079B2/en active Active
- 2017-06-29 EP EP17178732.8A patent/EP3404617B1/en active Active
- 2017-06-30 CN CN201710521046.1A patent/CN107886553B/zh active Active
- 2017-06-30 CN CN201710521098.9A patent/CN107909618B/zh active Active
-
2020
- 2020-02-10 US US16/786,438 patent/US11182898B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110044524A1 (en) * | 2008-04-28 | 2011-02-24 | Cornell University | Tool for accurate quantification in molecular mri |
WO2011023969A1 (en) * | 2009-08-27 | 2011-03-03 | University Of East Anglia | Method and system for generating accented image data |
US20150093015A1 (en) * | 2013-09-26 | 2015-04-02 | Hong Kong Applied Science & Technology Research Institute Company Limited | Visual-Experience-Optimized Super-Resolution Frame Generator |
CN106204445A (zh) * | 2016-06-30 | 2016-12-07 | 北京大学 | 基于结构张量全变差的图像视频超分辨率方法 |
Non-Patent Citations (4)
Title |
---|
VIRGINIA ESTELLERS等: "Adaptive Regularization With The Structure Tensor", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
严宏海等: "基于结构张量的视频超分辨率算法", 《计算机应用》 * |
刘书: "监控视频的后处理技术", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王益艳: "联合结构张量和变指数正则变分医学图像复原", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921913A (zh) * | 2018-06-29 | 2018-11-30 | 上海联影医疗科技有限公司 | 图像重建的系统及方法 |
CN108921913B (zh) * | 2018-06-29 | 2023-11-10 | 上海联影医疗科技股份有限公司 | 图像重建的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107909618A (zh) | 2018-04-13 |
US11182898B2 (en) | 2021-11-23 |
US20200175682A1 (en) | 2020-06-04 |
CN107909618B (zh) | 2021-12-07 |
EP3404617A1 (en) | 2018-11-21 |
CN107886553B (zh) | 2021-07-27 |
US20180336678A1 (en) | 2018-11-22 |
US10559079B2 (en) | 2020-02-11 |
EP3404617B1 (en) | 2021-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887221B2 (en) | Systems and methods for image correction in positron emission tomography | |
CN110298897B (zh) | 用于正电子发射断层成像图像重建的系统和方法 | |
CN109727663A (zh) | 生成用于图像处理的神经网络模型的系统和方法 | |
CN112424835B (zh) | 用于图像重建的系统和方法 | |
CN107886553A (zh) | 图像重建系统和方法 | |
CN112368738B (zh) | 用于图像优化的系统和方法 | |
CN107808379A (zh) | 图像处理系统、方法、装置和计算机可读介质 | |
CN110060313A (zh) | 一种图像伪影校正方法和系统 | |
CN107330951A (zh) | 图像重建系统及方法 | |
CN110418665A (zh) | 放射治疗计划的自适应系统、存储介质以及装置 | |
US11080896B2 (en) | Systems and methods for computed tomography image reconstruction | |
CN108389242A (zh) | 投影图像的校正方法及装置 | |
CN107895390A (zh) | 电子计算机断层扫描图像数据处理系统及方法 | |
US11941805B2 (en) | Systems and methods for image processing | |
CN107316282A (zh) | 一种图像降噪的系统和方法 | |
WO2019091087A1 (en) | Systems and methods for correcting projection images in computed tomography image reconstruction | |
CN109431528A (zh) | 校正投影图像的系统和方法 | |
US11941731B2 (en) | Systems and methods for image processing | |
WO2018224039A1 (en) | Systems and methods for medical imaging | |
CN110473271A (zh) | 一种图像数据处理方法、系统、装置及存储介质 | |
CN109255825A (zh) | 用于实现正投影的方法、装置、存储介质以及图像重建方法 | |
CN111161371B (zh) | 成像系统和方法 | |
US20230298233A1 (en) | Systems and methods for material decomposition | |
WO2023216057A1 (en) | System and method for medical imaging | |
US20230260173A1 (en) | Systems and methods for positron emission tomography image reconstruction |
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 | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |