CN108022216B - 一种降低mpr伪影的系统和方法 - Google Patents
一种降低mpr伪影的系统和方法 Download PDFInfo
- Publication number
- CN108022216B CN108022216B CN201710524902.9A CN201710524902A CN108022216B CN 108022216 B CN108022216 B CN 108022216B CN 201710524902 A CN201710524902 A CN 201710524902A CN 108022216 B CN108022216 B CN 108022216B
- Authority
- CN
- China
- Prior art keywords
- image
- image volume
- volume
- error
- images
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 description 44
- 230000015654 memory Effects 0.000 description 34
- 238000002591 computed tomography Methods 0.000 description 33
- 238000012937 correction Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 230000003190 augmentative effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000002441 reversible effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011521 glass 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
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 238000003491 array Methods 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
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于降低多平面图像重建中的条纹伪影的系统与方法,该方法包括:从图形数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度上的多个条纹;以等于条纹宽度的图像增量沿第一方向降采样第一图像体积,以产生第二图像体积;沿第二方向均衡第二图像体积以产生第三图像体积;沿第一方向对第三图像体积进行上采样以产生第四图像体积;基于第四图像体积和第一图像体积确定误差图像体积;根据误差图像体积校正第一图像体积;以及基于所述校正的第一图像体积生成校正图像体积。本发明提供的计算能够检测并减少这种类型的伪影。
Description
本发明涉及医疗影像设备领域,特别涉及一种降低多平面图像重建中的条纹伪影的系统。
背景技术
计算机断层扫描(computed tomography,CT)已广泛应用于医疗成像及诊断领域,多平面图像重建(multiplanar reconstruction image,MPR)是一种图像重建技术。在MPR技术中,首先通过堆叠轴向切片构建CT体积扫描,然后可以在不同平面中穿过CT体积扫描切割切片。然而由于多种原因,例如锥形束伪影、Z轴方向采样质量不佳、光束硬化、某种类型的误校准等等,CT数据的3D重构可能会导致MPR图像中产生线性条纹,其中线性条纹宽2-3mm,而且发生在Z轴方向上的频率较高。本发明提供的技术能够检测并减少这种类型的伪影。
发明内容
本发明所要解决的技术问题是提供一种能够检测并减少图像伪影的方法及系统。
本发明解决上述技术问题所采用的技术方案为降低多平面图像重建中的条纹伪影的方法,一方面,该方法包括:接收图像数据;从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;以等于条纹宽度的图像增量沿第一方向降采样所述第一图像体积,以产生第二图像体积;沿第二方向均衡所述第二图像体积以产生第三图像体积;沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;基于所述第四图像体积和第一图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;基于所述误差图像体积校正第一图像体积;基于所述校正的第一图像体积生成校正图像体积。
进一步地,该方法还包括将所述多个图像中的一个图像从第一尺寸调整至第二尺寸。
进一步地,所述的第一方向与所述的第二方向一致。
进一步地,所述均衡第二图像体积包括使用一个中值滤波器。
进一步地,该方法还包括沿着第一方向对称地填充第二图像体积。
进一步地,该方法还包括模糊误差图像体积中的一个或多个误差图像。
进一步地,所述模糊一个或多个误差图像包括:使用高斯滤波器。
进一步地,所述上采样和降采样包含:执行最邻近的插值。
另一方面,一种降低多平面图像重建中条纹伪影的系统,包括至少一个处理器,当由至少一个处理器执行时,使至少一个处理器实现一个方法,该方法包括:接收图像数据;从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;以等于所述条纹宽度的图像增量沿第一方向降采样第一图像体积,以产生第二图像体积;沿第二方向均衡所述第二图像体积以产生第三图像体积;沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;基于所述第四图像体积和所述第一图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;基于所述误差图像体积校正第一图像体积;基于所述校正的第一图像体积生成校正图像体积。
另一方面,一种计算机可读的存储媒介,被配置为存储可执行指令,所述可执行指令在由至少一个处理器执行时使所述至少一个处理器实现一种方法包括:接收图像数据;从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;以等于条纹宽度的图像增量沿第一方向降采样所述第一图像体积,以产生第二图像体积;沿第二方向均衡所述第二图像体积以产生第三图像体积;沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;基于所述第四图像体积和所述第一图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;基于所述误差图像体积校正第一图像体积;基于所述校正的第一图像体积生成校正图像体积。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本发明应用于其他类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构和操作。
图1-A是根据本申请一些实施例的CT系统的应用场景示意图。
图1-B是根据本申请一些实施例的CT系统的应用场景示意图。
图2是根据本申请一些实施例的计算机设备的结构示意图。
图3显示的是一个移动设备的结构,该移动设备可以实施本申请中披露的特定系统。
图4是根据本申请一些实施例的处理设备的模块示意图。
图5是根据本申请一些实施例的处理图像数据的示例性流程图。
图6是根据本申请一些实施例的体积校正单元的模块示意图。
图7是根据本申请一些实施例的处理图像体积校正的示例性流程图。
图8是根据本申请一些实施例的像素均衡的模块示意图。
图9是根据本申请一些实施例的像素均衡的示例性流程图。
图10是根据本申请一些实施例的校正图像生成单元的示例性流程图。
图11是根据本申请一些实施例的生成校正图像体积的示例性流程图。
图12-A是初始MPR图像。
图12-B是根据图12-A通过在初始MPR图像上去除伪影的方法校正的MPR图像。
图13-A是初始MPR图像。
图13-B是根据图13-A通过在初始MPR图像上去除伪影的方法校正的MPR图像。
图14-A是初始MPR图像。
图14-B是根据图14-A通过在初始MPR图像上去除伪影的方法校正的MPR图像。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。应当理解,给出这些示例性实施例仅是为了使相关领域的技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。
如本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“该”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步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行于成像系统中。这些模块仅是说明性的,并且该系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
需要说明的是,“元素”代表了图像矩阵中的最小的成分,“体素”代表了实际区域中的最小的成分。除非上下文明确提示示例外情形,在本申请中图像矩阵中的“元素”和与图像矩阵相对应的实际区域中的“体素”可以表示相同的意思并可以进行替换。
图1-A和1-B是根据本申请的一些实施例所示的一种CT系统的示意图。如图所示,所述CT系统100可以包括一个CT扫描仪110、一个网络120、一个或多个终端130、一个处理引擎140和一个数据库150。
CT扫描仪110可以包括一个机架111、一个探测器112、一个探测区域113、一个治疗床114和一个放射扫描源115。所述机架111可以支撑探测器112和放射扫描源115。一个物体可以放置于治疗床114上用于扫描。放射扫描源115可以发出放射线束到所述物体。所述探测器112可以探测从所述探测区域113发出的放射物(例如,伽马光子)。在一些实施例中,所述探测器112可以包括一个或多个探测单元。所述探测器单元可以包括一个闪烁探测器(例如,一个碘化铯探测器)、气体探测器和一个其他探测器等。所述探测器单元可以是一个单排探测器或多排探测器。
网络120可以交换信息和/或数据。在一些实施例中,CT系统100的一个或多个结构(例如,CT扫描机110、终端130、处理引擎140、数据库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扫描机110获取图像数据。又例如,处理引擎140可以通过网络120接收来自终端130的用户指令。在一些实施例中,网络120可以是有线的、无线的或两者的结合。例如,网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内联网、因特网、内部网络、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共电话交换网(PSTN)、蓝牙,ZigBee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CT系统100的一个或多个结构可以被接入到网络120以进行交换数据和/或信息所通过的网络交换点。
终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3等中的一种或多种的组合。在一些实施例中,所述移动设备130-1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,所述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,所述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,所述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,所述虚拟现实设备和/或所述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,所述虚拟现实设备和/或所述增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、GearVRTM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扫描机110、终端130和/或数据库150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。所述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读取存储在CT扫描机110、终端130和/或数据库150的信息和/或数据。例如,处理引擎140可以直接与CT扫描机110、终端130和/或数据库150连接从而读取其存储的信息和/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,所述云平台可以包括云平台私有云、公有云、混合云、社区云、分布式云、互联云、多重云等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结构的计算机设备200(如图2所述)执行。
数据库150可以存储数据和/或指令。在一些实施例中,数据库150可以存储从终端130和/或处理引擎140获得的数据。在一些实施例中,数据库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,数据库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。示例性地,大容量存储器包括磁盘、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。示例性地,易失读写存储器可以包括随机存取存储器(RAM)。示例性地,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。示例性地,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,数据库150可以在云平台上被执行。所述云平台可以包括云平台私有云、公有云、混合云、社区云、分布式云、互联云、多重云等中的一种或多种的组合。
在一些实施例中,数据库150可以连接到网络120与CT系统100中的一个或多个其他结构(例如,处理引擎140、终端130等)进行通信。CT系统100中的一个或多个结构可以通过网络120读取存储在数据库150中的数据或指令。在一些实施例中,数据库150可以直接与CT系统中的一种或多个其他结构(例如,处理引擎140、终端130等)连接或通信。在一些实施例中,数据库150可以是处理引擎140的一部分。
图2是根据本申请一些实施例的计算机设备200的模块示意图,处理引擎140可以在计算机设备200上实施其功能。如图2所示,计算机设备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可以根据本申请披露的技术执行计算机指令(程序代码)并执行处理引擎140的功能。计算机指令可以包括执行特定功能的例程、程序、对象、结构、数据结构、过程、模块等。例如,处理器210可以处理从CT扫描仪110、终端130、存储器150或CT系统100的任何结构中获得的图像数据。在一些实施例中,处理器210可以包括微控制器、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)逻辑器件(PLD)中的一种或多种的组合。
示例性地,以计算机设备200的一个处理器做说明。然而应当注意,本申请中披露的计算机设备200还可以包括多个处理器,因此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器共同或单独执行。例如,计算机设备200的处理器执行步骤A和步骤B,则应当理解为,步骤A和步骤B可以由计算机设备200中共同或单独地由两个不同的处理器执行(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或CT系统100的任何其他结构中获得的数据或信息。在一些实施例中,所述数据库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。示例性地,所述大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性地,所述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)。示例性地,所述随机存取存储器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。示例性地,所述只读存储器(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,所述存储器220可以存储一个或多个程序和/或指令。例如,存储器220可以存储用于确定正则项的处理引擎140的程序。
输入/输出界面230可以输入或输出信号、数据或其他信息。在一些实施例中,所述输入/输出界面230可以实现用户与处理引擎140的交互。在一些实施例中,所述输入/输出界面230可以包括输入装置和输出装置。示例性地,所述输入设备可以包括键盘、鼠标、触摸屏、麦克风等一种或多种的组合。示例性地,所述输出设备可以包括显示设备、扬声器、打印机、投影仪等一种或多种的组合。示例性地,所述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、曲面屏幕、电视设备、阴极射线管(CRT)等一种或多种的组合。
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可以在处理引擎140和CT扫描仪110、终端130或存储器150之间建立连接。所述连接可以是有线连接、无线连接或二者的组合。所述连接可以进行数据传输和接收。所述有线连接可以包括电缆、光缆、电话线等一种或多种的组合。所述无线连接可以包括蓝牙、Wi-Fi、WiMax、
WLAN、ZigBee、移动网络(例如3G、4G、5G等)等一种或多种的组合。在一些实施例中,所述通信端口240可以是诸如RS232,RS485等的标准化通信端口。在一些实施例中,所述通信端口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的移动设备300的硬件和/或软件的结构示意图。所述终端130可以在移动设备300上实现功能。如图3所示,所述移动设备300可以包括通信平台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、存储器360、操作系统370和存储单元390。在一些实施例中,任何其它合适的结构,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,所述操作系统370(例如,iOS、Android、Windows Phone等)和一个或多个应用380可以从存储器390加载到存储器360中,并由中央处理单元(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程序,用于接收和渲染与图像处理有关的信息或来自处理引擎140的其他信息。用户与信息流的交互可以经由输入/输出(I/O)350实现,并通过网络提供给CT系统100的处理引擎140和/或其他结构。
图4是根据本申请的一些实施例的处理引擎140的模块示意图。处理引擎140可以处理从CT扫描仪110、处理器210、存储器220、输入/输出(I/O)230、通信端口240等获得的数据。所述数据可以包括投影数据、校正数据、滤波数据、图像数据(例如,原始图像数据)等一种或多种的组合。所述处理引擎140可以执行多种操作。例如,数据预处理、图像重建、图像校正、图像合成、查找表创建等操作。处理引擎140可以基于从CT扫描仪110获得的投影数据来重建图像。处理引擎140可以包括图像体积生成单元410、图像调整单元420和图像体积校正单元430。处理引擎140或其中的一部分的功能可以在计算机设备200上实现。
图像体积生成单元410可以生成代表三维解剖信息的轴向图像或一组轴向CT图像。所述轴向图像可以是轴向平面中的图像。所述图像可以基于重建算法生成。示例性地,所述重建算法可以包括傅里叶片定理算法、滤波反投影(FBP)算法、扇形束重建算法、迭代重建算法、分析重建算法、基于压缩感测(CS)的算法等中的一种或多种的组合。
在一些实施例中,所述图像体积生成单元410可以根据由图像体积生成单元410生成的图像或其他图像来生成图像体积。在一些实施例中,可以通过堆叠轴向图像来构建图像体积。图像体积数据可以用于重建矢状或冠状投影中的图像。在一些实施例中,多平面重建(MPR)可以基于从图像体积中选择对应于期望的断层图像平面的像素值,进而将所述图像体积重新格式化成断层图像。
在一些实施例中,图像体积生成单元410可以生成图像体积I。所述图像体积I可以包括多个图像。所述图像可以包括多个像素。I(:,:,:)可以表示图像体积I中的所有图像和/或像素。I(:,:,:)也可以表示图像体积I的图像数据的集合。I(:,:,:)可以表示图像体积I中图像k的某个轴向图像k和/或像素。I(:,:,k)也可以表示图像k的图像数据集合。I(i,j,k)可以表示特定图像k中的某个位置(i,j)的像素和/或像素值。I(i,j,:)可以表示图像体积I中的所有图像中的某个位置(i,j)的所有像素和/或像素值。像素值可以是像素的属性。例如,像素值可以指像素的亮度值、像素的灰度值、像素的颜色或RGB值、像素的饱和度等中的一种或多种的组合。图像和/或图像体积的图像数据集合可以包括图像和/或图像体积中的像素的像素值,例如,灰度值、RGB值、亮度值、饱和度值等其中的一种或多种的组合。
MPR可以用于产生平行于三个正交平面中的一个或多个图像,例如,轴向平面、冠状面和矢状面的正交解剖平面。所述的轴向图像可以指轴向平面中的图像。所述的冠状图像可以指冠状平面中的图像。所述的矢状图像可以指矢状面中的图像。示例性地,图像体积I可以包括轴向图像的堆叠。冠状图像可以基于来自轴向图像的堆叠的一个或多个轴向图像中的每一个的特定行的像素形成。类似地,可以基于来自轴向图像的堆叠的一个或多个轴向图像的每一个像素的特定列来创建矢状图像。
在一些实施例中,在不垂直于轴平面的倾斜平面中执行倾斜重建,在倾斜平面中产生MPR图像。在一些实施例中,可以产生弯曲的MPR图像。例如,可以沿着用户确定的弯曲平面通过沿着诸如脊柱、主动脉、冠状动脉等解剖结构的图像体积获得弯曲的MPR图像。在MPR中创建倾斜图像或曲线图像时,MPR图像的像素可以对应于位于图像体积中的一个或多个像素的间隔点或附近的点,而不是图像体积中的像素。
在这种情况下,MPR图像的像素值可以通过插值法或外推等方式创建,所述方式基于一个或多个相邻像素的图像体积。图像体积中点的相邻像素可以是附近点的像素,例如,在距离点的阈值距离内。示例性地,阈值距离可以是沿着一个方向彼此相邻的两个相邻像素之间的距离。图像体积中的点可以具有一个或多个相邻像素。
在一些实施例中,CT数据的重建有时会在MPR图像中留下条纹伪影,这是由于多种原因导致的,例如线性条纹,包括锥束伪影、z方向上的采样不良、光束硬化、误校准等中的一种或多种的组合。所述线性条纹可以在z方向上,宽2-3mm。在一些实施例中,所述z方向垂直于轴向平面。在一些实施例中,多个线性条纹可以基本上互相平行。示例性地,图像中的线性条纹多数彼此平行且垂直于一个方向(例如,z方向)。在一些实施例中,可以降低这种类型的伪像。
图像调整单元420可以调整图像体积I中的部分或全部图像k,例如,由图像体积生成单元410生成的一个或多个图像。在一些实施例中,图像体积I中的各种轴向图像可以具有不同的参数,例如像素个数、视野大小(FOV)、像素尺寸等。图像调整单元420可以使轴向图像均匀或标准化,使得它们具有至少一个均匀参数,包括,例如,像素个数、FOV的大小、像素大小等,不考虑生成图像时的一个或多个重建参数的重建算法。在一些实施例中,图像体积I中的轴向图像k的像素可以分布在栅格G1中,其中
其中,
dx=D/Nx. (2)
在公式(1)和(2)中,Nx可以表示图像k的图像矩阵的大小,dx可以表示图像k的像素尺寸,D可以表示重建视野的尺寸或大小。在一些实施例中,扫描FOV可对应于在扫描中实际扫描的区域。在一些实施例中,重建的FOV可以指通过重建扫描的FOV的扫描数据而获得的FOV。在一些实施例中,D可以是80至500mm之间的浮点数。在一些实施例中,图像k的图像矩阵的大小可以是图像k的行或列的像素个数。
图像调整单元420可以在栅格G1中分布的图像体积I中的轴向图像k的像素上填充栅格G2,其中
并且
dtx=Dtx/Ntx, (4)
在公式(3)和(4)中,Ntx表示栅格G2中重采样图像k的图像矩阵的大小,dtx表示重采样(例如,降采样、上采样)图像在栅格G2的像素大小k。Ntx可以是预定值。示例性地,Ntx可以是96。Dtx可以表示重采样图像矩阵的视野的大小或尺寸。在一些实施例中,Dtx可以是预定值。示例性地,Dtx可以是500mm。
在一些实施例中,G1的像素个数和G2的像素个数可以不同。在一些实施例中,G1的像素个数可以大于G2的像素个数。图像调整单元420可以被配置为以G2的像素值来填充栅格G2。图像调整单元420可以扫描栅格G1和G2,并且基于栅格G1中的像素值来确定栅格G2中的像素值。在一些实施例中,当c/a=d/b=Nx/Ntx时,第一栅格中的像素(a,b)可对应于第二栅格中的像素(c,d)。如果栅格G2的像素在栅格G1中不具有对应的像素,则图像调整单元420可以通过以下方式确定栅格G2中的像素值,例如,接近或相邻像素值、附近(例如,周围)的对应的像素位于栅格G1中的相关值。
示例性地,如果栅格G2的像素在栅格G1中不具有对应的像素,则图像调整单元420可以通过基于多个像素(例如,2或3,或4,或5,或6,或7,或8,或多于8个像素)的像素值的插值法来确定栅格G2中的像素值,其中对应的像素将位于栅格G1中。示例性地,插值算法可以包括最近邻插值法、线性插值、双线性插值法、二次插值、三次样条插值等。示例性地,图像调整单元420可以执行如公式(5)所示的最近邻插值,以从G1到G2传送图像k。
Id(:,:,k)=nearest(G1,I(:,:,k),G2), (5)
利用图像体积I中的从G1转移到G2的图像k,可以生成一个调整的图像体积Id,Id包括从D调整为Dtx的图像k。
图像体积校正单元430可以校正由图像体积生成单元410和/或图像调整单元420生成的图像体积。所述图像体积校正单元430可以修正图像体积中的图像以减少从图像体积中重建的图像中的条纹。在一些实施例中,所述条纹可以包括与MPR图像中的相邻像素相比具有相对较低强度的特定图像体积产生的MPR图像中的像素。在一些实施例中,MPR图像中的条纹在z方向可能看起来约为3mm宽。在从图像体积重建的图像中,条纹可能在低平面出现。图像体积校正单元430可以平滑条纹。图像体积校正单元430可以减少或避免影响中高频的平面内特征。
图5是根据本申请一些实施例的处理图像数据的示例性流程图。步骤510,可以从CT数据中重建图像体积I(:,:,:)。CT数据可以通过输入/输出界面230获取,也可以从存储器中检索获取。可以从平面图像集合k重建图像体积。在一些实施例中,图像k可以垂直于z轴。
步骤520,图像体积I中的图像k的重建视野的大小可以根据一个或多个预定参数被均匀化或标准化。在一些实施例中,图像体积I的图像k可以具有均匀参数,例如,像素数、FOV的尺寸、像素尺寸等。在一些实施例中,图像k可以从栅格G1中被重新采样,G1可以通过公式(1)与栅格G2关联,G2可以通过公式(1)与栅格G3关联。
在一些实施例中,重建视野D的可以是80到500mm之间的浮点数。在一些实施例中,图像kNx的图像矩阵的大小可以是512、768或1024等。Nx可以取决于在视野重建中应用的一个或多个参数。在一些实施例中,重采样图像矩阵Dtx的视野可以是500mm。
栅格G2可以用图像体积I的数据填充。图像调整单元420可以扫描栅格G1和G2,并且基于栅格G1中的像素值来确定栅格G2中的像素值。例如,当c/a=d/b=Nx/Ntx时,第一栅格中的像素(a,b)对应于第二栅格中的像素(c,d)。如果栅格G2的像素在栅格G1中不具有对应的像素,则图像调整单元420可以运用基于多个像素值的插值法来确定栅格G2中的像素值(例如,2、3、4、5、6、7、8,或多于8个像素,其中对应的像素位于栅格G1中)。
示例性地,插值算法可以包括最近邻内插、线性插值、双线性插值、二次插值、三次样条插值。例如,图像调整单元420可以执行公式(5)所示的最近邻插值法,从而将图像k从G1传送到G2。利用图像体积I中从G1转移到G2的图像k,并随着图像k从D变大到Dtx,调整的图像体积Id可以由此生成。
步骤530,可以校正图像体积I以减少或去除条纹。在一些实施例中,与MPR图像中的相邻像素相比,条纹可以包括具有相对较低强度的MPR图像中的像素。在一些实施例中,MPR图像中的条纹在z方向上大约宽为3mm。步骤530可以减少或避免影响任何中高频的平面内特征。
图6是根据本申请一些实施例的图像体积校正单元430的示意图。如图6所示,图像体积校正单元430可以包括图像体积降采样模块610、像素均衡模块620、图像体积上采样模块630、误差图像生成模块640和体积校正模块650。图像体积校正单元430处理的数据可以包括投影数据、校正数据、滤波数据、图像数据(例如,原始图像数据)等一种或几种的组合。图像体积校正单元430可以执行数据预处理、图像重构、图像校正、图像合成、查找表创建等的一种或几种组合。
图像体积降采样模块610可以基于具有图像增量的图像体积I或调整图像体积Id生成新的图像体积。在一些实施例中,所述图像增量可以是图像体积中相邻图像的距离。例如,图像体积I中的图像增量可以是图像k和图像k+1之间的距离。在一些实施例中,可以基于MPR图像中的条纹方向(例如,z方向)上的条纹的宽度(例如,平均宽度)或者条纹方向来选择图像增量。在一些实施例中,所述图像体积降采样模块610可以以图像增量对图像体积I或调整图像体积Id进行操作。示例性地,图像增量可以是3mm,体积降采样模块610可以从图像体积I或调整图像体积Id中每3mm读取图像,以形成降采样图像体积。图像体积降采样模块610可以在图像体积I的z方向上执行降采样,或者执行调整图像体积Id从栅格
Gz1
Gz1=[0:Nz-1]·dz, (6)
至栅格Gz2
Gz2=[0:dtz:Nz·dz], (7)
在公式(6)和公式(7)中,栅格Gz1中的图像增量为dz,图像数量为Nz,栅格Gz2中的图像增量为dtz。栅格Gz2可以用栅格Gz1的数据填充。图像体积降采样模块610可以扫描栅格Gz1和Gz2,基于栅格Gz1的各个对应的像素值来确定栅格Gz2的像素值,并且将栅格Gz1的值分配给在栅格Gz2的每个像素。例如,图像体积I中的图像0、1、2,...,Nz-1可以以图像增量dz分布在栅格Gz1中。因此,图像0和图像2之间的距离为dz,图像0和图像Nz-1之间的距离为Nz*dz。图像增量为dtz的栅格Gz2具有要填充的位置0、1、2,...。栅格中的位置可以指由栅格中的列号及行号确定的栅格中的位置。所述栅格中的位置可以具有像素值。为了以栅格Gz2填充位置0,栅格Gz1中的对应图像是图像0。然而,为了以栅格Gz2填充位置1,栅格Gz1中的对应图像离图像0的距离为dtz。如果在Gz1中不存在对应图像(例如,图像1和0之间的距离大于dtz),图像体积降采样模块610可以通过插值法并基于栅格Gz1中的图像0和1的像素值。示例性地,插值算法可以包括最近邻内插、双线性内插、二次插值、三次样条插值等。在一些实施例中,图像体积降采样模块610可以执行最近邻内插以将轴向图像k从Gz1传送到Gz2。例如,在上述示例中,如果位置1至图像0之间的距离小于距离Gz2的距离,图像体积降采样模块610可以以栅格Gz1中的图像0中对应的像素值来填充栅格Gz2的位置1。栅格Gz2的剩余位置可以以相同的方式填充。在一些实施例中,对于栅格Gz2,可以采用最近邻内插。
Iz(i,j,:)=nearest(Gz1,Id(i,j,:),Gz2). (8)
所述的填充栅格Gz2,可以生成图像增量为dtz的降采样图像体积Iz。
像素均衡模块620可以对降采样图像体积Iz进行均衡。在一些实施例中,像素均衡模块620可以均衡降采样图像体积Iz的像素与相关条纹的像素。在一些实施例中,像素均衡模块620可以修正在z方向上降采样图像体积Iz的像素与相关条纹的像素的值。在一些实施例中,可以基于中值滤波器来进行均衡。因此,像素均衡模块620可以生成均衡的图像体积Im,其中引起或关于条纹的像素的值已被修正。
图像体积上采样模块630可以使用从像素均衡模块620产生的均衡图像体积Im,通过在条纹方向上进行上采样来生成新的图像体积。图像体积向上采样模块630可以在图2所示的计算机设备上实现。在一些实施例中,图像体积向上采样模块630可以在均衡的图像体积Im的z方向上从栅格Gz2到栅格Gz1执行上采样。所述栅格Gz1可以用图像体积Im的数据填充。示例性地,所述栅格Gz2,可以使用最近邻内插:
Iz2(i,j,:)=nearest(Gz2,Im(i,j,:),Gz1). (9)
因此,图像体积上采样模块630可以产生上采样图像体积Iz2,其具有Nz个重建图像k,并且可以修正导致或与条纹相关的像素的值。在一些实施例中,降采样中使用的插值算法可以与上采样中使用的插值算法相同或不同。
误差图像生成模块640可以基于图像体积I的上采样图像体积Iz2和降采样图像体积Iz生成误差图像体积Ie。误差图像体积Ie可以包括一个或多个误差图像。误差图像体积可以用于通过修正导致或与条纹相关的像素的值来校正图像体积I。
体积校正模块650可以基于误差图像体积Ie来校正图像体积I。体积校正模块650可以在图2所示的计算机设备上实现。示例性地,所述校正图像体积Ic可以通过公式(10)获得。
Ic(:,:,k)=I(:,:,k)-Ie(:,:,k). (10)
基于误差图像体积Ie修正图像体积I的像素值,可以生成校正图像体积Ic,基于校正图像体积Ic可以重建较少条纹伪影的MPR图像。所述较少的条纹伪影可以表明图像中的条纹数量减少,和/或条纹与围绕条纹的图像之间的对比度减小。
图7是根据本申请一些实施例的图像体积校正的示例性流程图。
步骤710,可以基于具有图像增量的图像体积I来生成新的图像体积。可以基于条纹方向(例如,z方向)上的条纹宽度(例如,平均宽度)或条纹方向来选择图像增量。在一些实施例中,所述图像增量可以是图像体积中相邻图像之间的距离。例如,所述图像体积I中的图像增量可以是图像k和图像k+1之间的距离。图像可以由图像体积降采样模块610产生。在一些实施例中,图像体积降采样模块610可以以图像增量的间隔值改变图像体积I或图像体积Id。例如,图像体积降采样模块610可以从图像体积I或校正的图像体积Id中每隔3mm采样以形成降采样图像体积。例如,图像体积降采样模块610可以在校正图像体积Id的z方向上从栅格Gz1(如公式(6))向栅格Gz2降采样(如公式(7))。
栅格Gz2可以填充栅格Gz1像素值。在一些实施例中,为了填补栅格Gz2,可以采用最近邻插值法。例如,公式(8)。
步骤720,降采样图像体积Iz可以被均衡。在一些实施例中,均衡可以由像素均衡模块620执行。在一些实施例中,可以修正引起条纹的像素值。在一些实施例中,可以修正引起z方向上产生条纹的像素值。在一些实施例中,所述均衡可以基于中值滤波器实现。步骤720可以产生均衡的图像体积Im。
步骤730,可以在条纹方向上进行上采样,从而由均衡的图像体积Im产生新的图像体积。在一些实施例中,新的图像体积可以由图像体积上采样模块630生成。在一些实施例中,可以在均衡的图像体积Im上从栅格Gz2到栅格Gz2在z方向上执行上采样。栅格Gz2可以用均衡的图像体积Im的数据填充。在一些实施例中,为了填充栅格Gz2,可以使用最近邻内插值。例如公式(9)。由此可以产生具有Nz个重构图像k的上采样图像体积Iz2。
步骤740,可以在图像体积I的Iz2和Iz的每个图像k之间产生误差图像体积Ie。在一些实施例中,所述误差图像体积Ie可以由误差图像生成模块640生成。通过修正导致或与条纹有关的像素值,避免影响与真实结构相关的像素,使误差图像可以校正图像体积I的像素值。
步骤750,可以基于误差图像体积Ie校正图像体积I。在一些实施例中,可以通过体积校正模块650进行校正。所述校正图像体积Ic可以通过公式(10)获得。
图8是根据本申请的一些实施例的像素均衡模块620的示意图。如图8所示,像素均衡模块620可以包括像素填充模块810和像素均衡滤波模块820。像素均衡模块620可以在图2所示的计算机设备上实现。
像素填充模块810可以将图像添加到由处理器210生成的图像体积中或者移除图像。例如,如果由图像体积生成单元410生成的图像体积最初具有30个图像,则像素填充模块810可以向图像体积添加一定数量的图像,或从图像体积中删除一定数量的图像。在一些实施例中,像素填充模块810可以以特定顺序将某些图像添加到图像体积中。例如,如果图像体积包括图像1,2,3,4,5,6,7,...,28,29,30,31,32,33和34,则像素填充模块810可以以相反顺序将图像2添加到图像5的开始处,并且以相反的顺序在图像体积的末端添加图像30至33,生成包括图像5,4,3,2,1,2,3,4,5,6,7,...,32,33,34,33,32,31和30的新的图像体积。
像素均衡滤波模块820可以均衡图像体积中的图像k的像素。在一些实施例中,像素均衡滤波模块820可以通过图像的图像体积运行中值滤波器,用一个或多个相邻图像的相应像素的特征值替换特定图像k的像素。在一些实施例中,(i,j,k)的相邻图像的对应像素可以包括像素(i,j,k-1),(i,j,k+1)等。在一些实施例中,可以是一个或多个相邻图像的相应像素的灰度值的中值。示例性地,像素均衡滤波模块820可以通过一个又一个的图像运行图像体积(:,:,:),用一个或多个相邻图像的相应像素的灰度值的中间值替换特定图像中的某个像素的像素灰度值。可以基于中值滤波器的大小来确定在中值滤波器中使用的相邻图像的数量。例如,如果中值滤波器的尺寸为4,则为了替换像素(i,j,k)的像素值,包括图像(:,...,k-2),(:,:,k-1),(:,...,k+1)和(:,...,k+2)。像素均衡滤波模块820可以在如图2所例示的计算机设备上实现。
图9是根据本申请的一些实施例的像素均衡的示例性流程图。
步骤910,降采样图像体积Iz开始处和/或结束处的图像可以在一定方向(称为填充方向)上被填充,同时剩余的图像降采样图像体积Iz保持不变。在一些实施例中,所述填充可以由像素填充模块810执行。填充方向可以与条纹方向相同或不同。在一些实施例中,降采样图像体积Iz可以是镜像对称填充的。开始处的多个图像和在z方向上的降采样图像体积Iz的结束处的相同数量的图像可以经受尺寸为m的中值滤波器。示例性地,通过所述镜像对称填充,降采样图像体积Iz的最初的m+1个图像可以以相反的顺序填充到降采样图像体积Iz的开始处,并且最后的m+1图像降采样图像体积Iz可以以相反的顺序填充到下取样图像体积Iz的结束处。例如,填充可以根据公式(11)-(13)进行:
Ip(i,j,1:m+1)=Iz(i,j,m+2:-1:2), (11)
(i,j,(m+2):(Nz2+m+1))=Iz(i,j,:). (12)
在公式(11)-(13)中,Nz2是指降采样图像体积Iz的图像数量。通过步骤910,可以产生镜像对称填充的图像体积Ip。
根据等式(11)-(13),在下采样图像体积Iz的开始处的(m+1)个图像和在下采样图像体积Iz结束时的(m+1)个图像可以以相反的顺序填充,产生填充图像体积Ip。例如,如果Iz中的图像被编号为1,2,3,4,5,6,7,...,28,29,30,31,32,33和34,若m是4,则通过执行步骤910,填充图像体积Ip中的图像可以包括图像6,5,4,3,2,1,2,3,4,5,6,7,...,32,33,34,33,32,31,30和29。
步骤920,填充图像体积Ip在填充方向上可以相等。在一些实施例中,均衡可以由像素均衡滤波模块820执行。在一些实施例中,图像体积可以沿着填充方向通过图像进行中值滤波。通过应用中值滤波器,特定图像k的像素值可以由一个或多个相邻图像的相应像素的特征值代替。在一些实施例中,(i,j,k)的相邻图像的对应像素可以包括像素(i,j,k-1),(i,j,k+1)等。在一些实施例中,可以是属于一个或多个相邻图像的对应像素值的中值。示例性地,像素均衡滤波模块820可以依次沿图像穿过图像体积(:,:,:),用属于相邻的对应像素的中值替换(i,j,k)的像素值图像(i,j,k-1)和(i,j,k+1)。可以基于中值滤波器的大小来确定在中值滤波器中使用的相邻图像的数量。例如,如果中值滤波器的尺寸为4,则为了替换像素(i,j,k)的像素值,包括例如图像(:,:,k-2),(:,:,k-1),(:,:,k+1)和(:,:,k+2)。例如,均衡滤波器可以根据公式(14)执行,
Im(i,j,:)=median(Ip(i,j,:),m)). (14)
通过步骤920,可以去除填充图像体积Ip中某种特征的图案。在一些实施例中,所述图案可能导致MPR图像中出现条纹。一个典型的特征可以是沿着某个方向(例如,条纹方向)的像素值的周期性变化,示例性地,在z方向上的周期性变化大约为宽3mm。所述图案可以使用中值滤波器来去除。所述中值滤波器可以均衡图案与其邻域。通过步骤920,导致或与条纹相关的像素值与其在z方向上的相邻像素得到均衡。通过步骤920可以产生均衡图像体积Im。
图10是根据本申请的一些实施例的误差图像生成单元640的示意图。如图10所示,误差图像体积生成单元640可以包括初始生成器1010,第二生成器1020和模糊模块1030。误差图像生成单元640可以在如图2所示的计算机设备上实现。
初始生成器1010可以根据降采样图像体积Iz和上取样图像体积Iz2生成初始误差图像体积。在一些实施例中,所述初始误差图像体积可以基于下采样图像体积Iz和上采样图像体积Iz2之间的差值来确定。初始生成器1010可以在如图2所示的计算机设备上实现。
第二生成器1020可以生成修正的误差图像体积。初始误差图像体积一般较粗糙,如果直接使用可能导致图像体积I中表示的实际结构被错误地去除。初始误差图像体积可以由第二生成器1020进行修正。在一些实施例中,第二生成器1020可以识别并去除像素值超过阈值T的初始误差图像体积中的像素(例如,通过零填充这样的像素)。在一些实施例中,所述阈值T可以基于由图像体积生成单元410生成的图像体积来确定。在一些实施例中,所述阈值T可由处理引擎140设置。在一些实施例中,可以由用户通过用户界面提供所述阈值T。
模糊模块1030可以平滑修正的误差图像体积。修正的误差图像体积可能由于被识别为超过阈值T的像素值而具有一些不连续性。如果直接使用这样修正的误差图像体积会引入一些额外的伪像,例如条纹。修正的误差图像可以通过模糊模块1030来平滑。在一些实施例中,可以使用线性滤波器和/或非线性滤波器来实现平滑。在一些实施例中,非线性滤波器可以包括中值滤波器、平均滤波器、最小滤波器、最大滤波器、范围滤波器、排序滤波器、α修剪平均滤波器、最小均方误差滤波器、高斯滤波器等。模糊模块1030可以在图2所示的计算机设备上实现。
图11是根据本申请一些实施例的生成误差图像体积的示例性流程图。
步骤1110,可以确定Iz和上采样图像体积Iz2之间的图像k的之间的像素值差异,从而基于所有图像的像素值Iz和Iz2之间的差异来生成初始误差图像体积Ie1。示例性地,可以通过公式(15)获得初始误差图像体积Ie1。
Ie1(:,:,k)=nearest(G2,Iz(:,:,k)-Iz2(:,:,k),G1). (15)
步骤1120,初始误差图像体积Ie1中的像素值可以被评估。例如,将所述初始误差图像体积Ie1中的像素值与阈值T进行比较,并在步骤1130中识别超过阈值T的像素。步骤1130中,如果某像素的值超过T,则在步骤1140中,去除所述识别的像素的值(例如,将所识别的像素的像素值设置为零)。在步骤1130中,如果某像素的像素值不超过阈值T,则在步骤1150中,该像素的值保持不变。在步骤1160中,可以评估初始误差图像体积Ie1中的所有像素是否已被检查。在所有像素被检查之后,可以产生修正的误差图像体积Ie2;否则,返回步骤1120。
步骤1170可以平滑修正的误差图像体积Ie2。在一些实施例中,可以由模糊模块1030执行。在一些实施例中,使用高斯滤波器平滑任何不连续性,并且可以产生平滑的误差图像体积Ie。示例性地,高斯滤波器的标准偏差可以是范围从0到3的浮点值。在一些实施例中,高斯滤波器的标准偏差可以由处理引擎140设置。在一些实施例中,标准高斯滤波器的偏差可以由用户经由用户界面输入。
图12-A是原始MPR图像,图12-B是通过在图1所示的原始MPR图像上执行本申请披露的伪像去除处理而生成的校正MPR图像。12-A的1210与12-B的1220相比,1220处的条纹数量减少。
图13-A是原始MPR图像,图13-B是通过在图1所示的原始MPR图像上执行本申请披露的伪像去除处理而生成的校正MPR图像。13-A的1310与13-B的1330相比,1330处的条纹数量减少。
图14-A是原始MPR图像,图14-B是通过在图1所示的原始MPR图像上执行本申请披露的伪像去除处理而生成的校正MPR图像。14-A的1410与14-B的1440相比,1440处的条纹数量减少。
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,该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。
Claims (10)
1.一种降低多平面图像重建中条纹伪影的方法,包括:
接收图像数据;
从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;
以等于条纹宽度的图像增量沿所述第一方向降采样第一图像体积,以产生第二图像体积;
沿第二方向均衡所述第二图像体积以产生第三图像体积;
沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;
基于所述第四图像体积和所述第二图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;
基于所述误差图像体积校正第一图像体积;
基于所述校正的第一图像体积生成校正图像体积。
2.权利要求1所述的降低多平面图像重建中条纹伪影的方法,进一步包括:
将所述多个图像中的一个图像从第一尺寸调整至第二尺寸。
3.权利要求1所述的降低多平面图像重建中条纹伪影的方法,其特征在于,所述的第一方向与所述的第二方向一致。
4.权利要求1所述的降低多平面图像重建中条纹伪影的方法,其特征在于,所述均衡第二图像体积包括使用一个中值滤波器。
5.权利要求1所述的降低多平面图像重建中条纹伪影的方法,所述方法进一步包括:
沿着第一方向对称地填充第二图像体积。
6.权利要求1所述的降低多平面图像重建中条纹伪影的方法,所述方法进一步包括:
模糊误差图像体积中的一个或多个误差图像。
7.权利要求6所述的降低多平面图像重建中条纹伪影的方法,其特征在于,所述模糊一个或多个误差图像包括:使用高斯滤波器。
8.权利要求1所述的降低多平面图像重建中条纹伪影的方法,其特征在于,所述上采样和降采样包含:执行最邻近的插值。
9.一种降低多平面图像重建中条纹伪影的系统,包括:
至少一个处理器,当由至少一个处理器执行时,使至少一个处理器实现一个方法,该方法包括:
接收图像数据;
从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;
以等于所述条纹宽度的图像增量沿第一方向降采样第一图像体积,以产生第二图像体积;
沿第二方向均衡所述第二图像体积以产生第三图像体积;
沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;
基于所述第四图像体积和所述第二图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;
基于所述误差图像体积校正第一图像体积;
基于所述校正的第一图像体积生成校正图像体积。
10.一种计算机可读的存储媒介,被配置为存储可执行指令,所述可执行指令在由至少一个处理器执行时使所述至少一个处理器实现一种方法包括:
接收图像数据;
从所述图像数据中检索第一图像体积,所述第一图像体积包括多个图像,其中至少一个图像包括条纹伪影,所述条纹伪影包括沿着第一方向的条纹宽度的多个条纹;
以等于条纹宽度的图像增量沿第一方向降采样所述第一图像体积,以产生第二图像体积;
沿第二方向均衡所述第二图像体积以产生第三图像体积;
沿所述第一方向对所述第三图像体积进行上采样以产生第四图像体积;
基于所述第四图像体积和所述第二图像体积确定误差图像体积,所述误差图像体积包括一个或多个误差图像;
基于所述误差图像体积校正第一图像体积;
基于所述校正的第一图像体积生成校正图像体积。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/487,809 US10249066B2 (en) | 2017-04-14 | 2017-04-14 | System and method for MPR streak reduction |
US15/487,809 | 2017-04-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022216A CN108022216A (zh) | 2018-05-11 |
CN108022216B true CN108022216B (zh) | 2020-10-02 |
Family
ID=59269833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710524902.9A Active CN108022216B (zh) | 2017-04-14 | 2017-06-30 | 一种降低mpr伪影的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (3) | US10249066B2 (zh) |
EP (1) | EP3389016A1 (zh) |
CN (1) | CN108022216B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636873B (zh) * | 2018-12-12 | 2023-07-18 | 上海联影医疗科技股份有限公司 | 用于医学图像重建的数据处理方法和医学图像重建方法 |
CN111000578B (zh) * | 2019-12-25 | 2023-05-02 | 东软医疗系统股份有限公司 | 图像重建方法、装置、ct设备及ct系统 |
CN111179252B (zh) * | 2019-12-30 | 2021-02-05 | 山东大学齐鲁医院 | 基于云平台的消化道病灶辅助识别与正反馈系统 |
US11810276B2 (en) * | 2020-03-03 | 2023-11-07 | GE Precision Healthcare LLC | Systems and methods for adaptive blending in computed tomography imaging |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070268997A1 (en) * | 2006-05-18 | 2007-11-22 | The Board Of Trustees Of The Leland Stanford Junior University | Scatter correction for x-ray imaging using modulation of primary x-ray spatial spectrum |
WO2008064367A2 (en) * | 2006-11-24 | 2008-05-29 | Kabushiki Kaisha Toshiba | Method and system for tomographic reconstruction in medical imaging using the circle and line trajectory |
US20080144764A1 (en) * | 2006-12-18 | 2008-06-19 | Akihiko Nishide | X-ray computed tomography apparatus |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2415876B (en) * | 2004-06-30 | 2007-12-05 | Voxar Ltd | Imaging volume data |
AU2006235815A1 (en) | 2006-11-02 | 2008-05-22 | Canon Kabushiki Kaisha | Image compression using edge fields |
-
2017
- 2017-04-14 US US15/487,809 patent/US10249066B2/en active Active
- 2017-06-29 EP EP17178678.3A patent/EP3389016A1/en active Pending
- 2017-06-30 CN CN201710524902.9A patent/CN108022216B/zh active Active
-
2019
- 2019-04-01 US US16/371,182 patent/US10818049B2/en active Active
-
2020
- 2020-10-26 US US17/079,533 patent/US11393139B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070268997A1 (en) * | 2006-05-18 | 2007-11-22 | The Board Of Trustees Of The Leland Stanford Junior University | Scatter correction for x-ray imaging using modulation of primary x-ray spatial spectrum |
WO2008064367A2 (en) * | 2006-11-24 | 2008-05-29 | Kabushiki Kaisha Toshiba | Method and system for tomographic reconstruction in medical imaging using the circle and line trajectory |
US20080144764A1 (en) * | 2006-12-18 | 2008-06-19 | Akihiko Nishide | X-ray computed tomography apparatus |
Non-Patent Citations (1)
Title |
---|
Interpolation of CT Slices for 3-D Visualization by Maximum Intensity Projections;Samuel Moon-Ho Song;《Advances in Multimedia Information Processing-PCM "02 Proceedings of the Third IEEE Pacific Rim Conference on Multimedia》;20021218;第1065-1072页 * |
Also Published As
Publication number | Publication date |
---|---|
US20180300908A1 (en) | 2018-10-18 |
US20210042969A1 (en) | 2021-02-11 |
US10249066B2 (en) | 2019-04-02 |
EP3389016A1 (en) | 2018-10-17 |
CN108022216A (zh) | 2018-05-11 |
US10818049B2 (en) | 2020-10-27 |
US20190228548A1 (en) | 2019-07-25 |
US11393139B2 (en) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022216B (zh) | 一种降低mpr伪影的系统和方法 | |
CN110060313B (zh) | 一种图像伪影校正方法和系统 | |
US11436702B2 (en) | Systems and methods for super-resolusion image reconstruction | |
CN111462020B (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
EP2618302A2 (en) | Method and system for image denoising using discrete total variation (TV) minimization with one-direction condition | |
CN108154474A (zh) | 一种超分辨率图像重构方法、装置、介质及设备 | |
CN103325139A (zh) | 医用图像处理装置及医用图像处理方法 | |
US20200380737A1 (en) | Method and system for improving ct image quality | |
EP3404616B1 (en) | System and method for image denoising | |
Xu et al. | A performance-driven study of regularization methods for gpu-accelerated iterative ct | |
WO2016098323A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
US11717248B2 (en) | Systems and methods for image generation | |
CN111210898B (zh) | 一种对dicom数据进行处理的方法和装置 | |
Friot et al. | Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging | |
CN110853742B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
Song et al. | Cardiac motion correction for improving perfusion defect detection in cardiac SPECT at standard and reduced doses of activity | |
CN108784725B (zh) | 用于确定旋转角度的系统和方法 | |
JP6418344B1 (ja) | コンピュータプログラム、画像処理装置及び画像処理方法 | |
Zhu et al. | Image reconstruction by Mumford–Shah regularization for low-dose CT with multi-GPU acceleration | |
US9349171B2 (en) | Statistical property preserved bad line correction | |
CN110084866B (zh) | 一种计算机断层成像方法和装置 | |
Faggiano et al. | Metal artefact reduction in computed tomography images by a fourth-order total variation flow | |
Zhong et al. | Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors | |
JP7131080B2 (ja) | ボリュームレンダリング装置 | |
JP2020191030A (ja) | 画像処理装置 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |