CN108292430A - 用于对功能医学成像中的定量图生成进行自动优化的方法 - Google Patents
用于对功能医学成像中的定量图生成进行自动优化的方法 Download PDFInfo
- Publication number
- CN108292430A CN108292430A CN201680065694.4A CN201680065694A CN108292430A CN 108292430 A CN108292430 A CN 108292430A CN 201680065694 A CN201680065694 A CN 201680065694A CN 108292430 A CN108292430 A CN 108292430A
- Authority
- CN
- China
- Prior art keywords
- noise reduction
- noise
- noise abatement
- value
- quantitative
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 44
- 239000003814 drug Substances 0.000 title claims description 5
- 230000009467 reduction Effects 0.000 claims abstract description 50
- 238000003384 imaging method Methods 0.000 claims description 27
- 238000002059 diagnostic imaging Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000003325 tomography Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 20
- 238000004445 quantitative analysis Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000010412 perfusion Effects 0.000 description 6
- 210000004185 liver Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000001951 hemoperfusion Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012831 peritoneal equilibrium test Methods 0.000 description 2
- 238000012636 positron electron tomography Methods 0.000 description 2
- 238000012877 positron emission topography Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000004768 organ dysfunction Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种优化流程,其中,降噪力度递增增加并且被应用于降噪方案中。然后非线性定量图被计算,之后进行定量偏差估计。然后检查优化条件,并且在偏差差异高于预定义的阈值的情况下降噪“力度”增加。
Description
技术领域
本发明涉及医学成像领域的方法和设备。其具体应用于计算机断层摄影(CT)。
背景技术
先进的医学成像方法越来越多地针对功能分析、疾病的表征和分类、生物过程的评估以及对医学处置的响应。在该领域中,提供准确的定量图常常是至关重要的,所述定量图是来自对诸如CT、MRI或PET图像的医学成像数据的相关数学分析的结果。
在许多情况下,用于计算定量图的算法实质上基于非线性数学函数,诸如包括“最小值(min)”、“最大值(max)”、“中值(median)”、“对数(log)”和其他算子的函数。作为相反的范例,简单的“平均(mean)”是线性函数以及传统的断层摄影重建方法,诸如,CT滤波反投影。在使用非线性变换时出现的一个公知的现象是“噪声引起的偏差效应”。在这种情况下,原始数据中的噪声不仅导致计算的非线性变换中的传播噪声,而且导致定量偏差,所述定量偏差影响更具全局意义的结果。
上述问题的典型出现发生在动态对比增强CT中,所述动态对比增强CT可以用于计算组织中的血液灌注。灌注分析实质上基于测量时间衰减曲线的“最大值”-在整个算法中使用额外的计算-因此使用非线性函数。原始CT图像集合中的图像噪声将导致灌注评估中的定量偏差。该偏差不能从最终的灌注图容易地消除。事实上,对最终图中的感兴趣区域进行平滑或平均不允许去除偏差。因此,在应用定量分析之前对原始CT图像数据应用强烈的降噪是常见的解决方案。强烈的降噪通常会牺牲空间分辨率,空间分辨率也是用于可靠和准确诊断的重要特性。因此,一方面在最终定量图的偏差和降噪之间以及另一方面在这些定量图中的空间分辨率和图像对比度之间,寻找准确和自动优化的途径是重要的。
诸如定制的预设的专门解决方案是非常有问题且不可靠的,因为原始数据可以根据患者、成像协议和成像模态而显著变化。
根据WO 2014097124已知,基于来自对象或物体的体积图像数据的感兴趣的体素的体素分布的局部加权直方图生成不规则图。所述参考还公开了一种图像噪声缩放器,其可以缩放不规则图以补偿图像噪声。其描述了使用去噪算法来优化相对于噪声水平的结构/纹理识别。
许多成像临床应用和分析可以与上述方面有关。这些应用包括但不限于使用动态对比增强CT、MRI、PET或SPECT的灌注和渗透性评估;使用谱CT的碘定量或其他k-边缘材料定量;谱CT中的组织成分分析(例如有效Z图);组织的纹理或精细结构分析;解剖结构分割;组织分类;以及器官功能评估(例如,心脏、肝脏、脑、肾等)。
该问题在功能CT领域中尤其重要,因为实现使用低剂量CT协议的可靠的功能评估非常重要,所述低剂量CT协议通常导致相对高的图像噪声。
TING XIA等人:“Paper;Ultra-low dose CT attenuation correction for PET/CT;Ultra-low dose CT attenuation correction for PET/CT”(PHYSICS IN MEDICINEAND BIOLOGY,INSTITUTE OF PHYSICS PUBLISHING,BRISTOL GB,vol.57,no.2,2011年12月9日(2011-12-09),第309-328页,XP020216224,ISSN:0031-9155,DOI:10.1088/0031-9155/57/2/309)讨论了使用各种平滑设置来根据不同的机器设置获得最佳偏差结果。该工作是在专用的已知结构上执行的。
ALESSIO ADAM等人:“Improved quantitation for PET/CT imagereconstruction with system modeling and anatomical priors”(MEDICAL PHYSICS,AIP,MELVILLE,NY,US,vol.33,no.11,2006年10月17日(2006-10-17),page 4095-4103,XP012091919,ISSN:0094-2405,DOI:10.1118/1.235819)讨论了应用于PET图像的平滑的模拟。在基于先前捕获的图像的研究中提到了不同的平滑设置。
发明内容
本发明试图解决上述技术问题,并且涉及一种用于对功能医学成像中的定量图生成进行自动优化的方法,包括:
a.将降噪方案的初始降噪水平应用于医学成像数据的初始集合以生成定量图的初始集合;
b.将所述降噪方案的新降噪水平设置为比所述降噪方案的上个降噪水平的值更高的值;
c.将所述降噪方案的所述新降噪水平应用于医学成像数据的所述初始集合以生成定量图的新集合;
d.基于定量图的上两个集合来估计平均定量偏差差异;
e.如果所估计的平均定量偏差差异高于给定阈值,则重复步骤b至e;
f.将所述降噪方案的所述上个降噪水平应用于感兴趣医学成像数据的集合,所述感兴趣成像数据的集合包括医学成像数据的所述初始集合。
在步骤b中,应用较高的降噪水平通常会实现所使用的成像数据中的较低的图像噪声。
步骤e包括增加降噪水平,直到平均定量偏差被认为足够低。事实上,只要平均定量偏差高于给定阈值,降噪水平就再次增加(步骤b),新图是基于增加的降噪水平生成的(步骤c),新平均定量偏差差异是根据所述新图和先前的图估计的(步骤d)并与给定阈值进行比较(步骤e)。当平均定量偏差差异最终达到给定阈值时,由于步骤e的条件(估计的平均定量偏差差异高于给定阈值)未被满足,因此不再重复步骤b至e并且方法进行至步骤f。步骤f包括应用上个降噪水平,通过构建,其是允许取得低于给定阈值的平均定量偏差差异的最低测试的降噪水平。
注意,在所描述的方法中,将偏差差异与阈值进行比较,而不是单次迭代的绝对偏差。这是因为在单个图结果中估计什么是真实信号的部分以及什么是伪影偏差分量的部分是非常有问题的。
然而,在一些情况下,例如当知道器官模型可用时,可以根据单次迭代估计功能图偏差,而不是根据两次连续迭代的差异进行估计。
平均偏差差异可以用于优化评估。例如,这种优化可以对应于确定在偏差、噪声、对比度分辨率和空间分辨率之间的最佳折中。
医学成像数据的感兴趣集合优选是在3D或4D图像集合或来自断层摄影重建的较早步骤的正弦图中间选择的。
降噪的水平可以是降噪的力度水平或者降噪的强度水平。
根据本发明的方法可以包括在步骤c和步骤d之间的至少一个图像处理步骤。可以标号为c’的所述步骤可以允许对平均定量偏差差异的更好估计。步骤c’优选为图像重建步骤。当步骤e的条件将被满足时,步骤c’将与步骤b至e一起迭代。
与平均定量偏差比较的阈值可以是另一参数的函数,优选地是所述参数的百分比,或者作为另一选项,是预定常数值。
可以根据成像和/或临床条件从预定列表感兴趣地选择初始降噪水平。事实上,取决于患者、器官和医学成像设备,能够估计应该确定降噪的间隔。因此,根据本发明的方法中使用的所有降噪水平值实际上可以在这样的间隔中间进行选择。具体而言,可以在根据本发明的方法的运行之前监测在步骤b中设置降噪水平的方式。在步骤b中设置的降噪水平的值可以取决于成像和/或临床条件。
每次执行步骤b时,在新降噪水平的值与降噪方案的最后的降噪水平的值之间的差异可以相同。这意味着每次步骤b被迭代(由于步骤e的条件被验证),降噪水平增加相同的恒定值。另一选项是使该值取决于先前的值,或者取决于在最后估计的平均定量偏差与给定阈值之间的间隙。更一般地,每次执行步骤b时,可以根据预定算法来选择新降噪水平的值与降噪方案的最后降噪水平的值之间的差异。
医学数据的初始集合可以对应于自动选择的感兴趣区域。另一选项是手动选择感兴趣区域。
本发明还涉及一种被配置为实施根据本发明的方法的医学成像设备。
本发明还涉及一种编码有计算机可读指令的计算机可读存储介质,所述计算机可读指令在由处理器运行时使所述处理器执行根据本发明的方法。
附图说明
应该通过阅读以下对本发明的实施例的详细描述并且通过检查附图更好地理解本发明,在附图中:
图1是典型的计算机断层摄影设备;
图2是图示根据本发明的方法的不同步骤的流程图;
图3示出了针对不同降噪水平的不同定量图;
图4描绘了用于在不同降噪水平之间的偏差差异的自动评估过程的技术的范例;
图5是根据本发明的定量图生成优化的方法的高水平流程图;
图6是用于估计平均定量偏差差异的方法的流程图;并且
图7是用于优化定量图生成的方法的流程图。
具体实施方式
图1示意性地图示了范例成像系统100,例如计算机断层摄影(CT)扫描器。成像系统100包括旋转机架102和固定机架104。旋转机架102由固定机架104可旋转地支撑。旋转机架102被配置为关于纵轴或z轴围绕检查区域106旋转。成像系统100还包括对象支撑件107,其在扫描之前、期间和/或之后支撑检查区域106中的对象或物体。对象支撑件107还可以用于将对象或物体加载到检查区域106中和/或从检查区域106中卸载。成像系统100还包括辐射源112,例如X射线管,其由旋转机架102可旋转地支撑。辐射源112与旋转机架102一起围绕检查区域106旋转,并被配置为生成并发射穿过检查区域106的辐射。成像系统100还包括辐射源控制器114。辐射源控制器114被配置为调制所生成的辐射的通量。例如,辐射控制器114可以选择性地改变辐射源112的阴极加热电流,施加电荷以抑制辐射源112的电子流,对发射的辐射滤波等,以调制通量。
成像系统100还包括辐射敏感探测器像素116的一维或二维阵列115。像素116被定位为跨检查区域106与辐射源112相对,探测穿过检查区域106的辐射,并生成表示其的电信号(投影数据)。在图示的范例中,像素116包括直接转换光子计数探测器像素。利用这样的像素,所生成的信号包括具有指示探测到的光子的能量的峰值幅度或峰值高度的电流或电压。
图2图示了根据本发明的方法的主要步骤:根据本发明的方法的主要输入是医学成像数据或图像10、与感兴趣的应用相关的定量分析算法,以及一组相关的降噪方案或参数空间。在第一步骤11处,将初始降噪方案应用于成像数据或子集,例如,在给定的设置中使用最低的降噪力度。然后在应用初始降噪方案之后生成定量图的初始集合12。
为了开始找到定量图生成的最佳工作点的过程,降噪力度水平增加并且再次应用于成像数据10。然后在应用具有最近更新的力度水平的降噪之后生成额外的定量图的集合13。基于先前和最近的定量分析图的集合12、13,通过专用算法流程14估计平均定量偏差差异。对着预定义的标准来检查估计的偏差差异和任选地额外条件。如果不满足标准,则重复迭代以测试降噪方案的进一步增强的力度。
当最终满足标准时,例如在若干迭代之后,以最近测试的力度水平来将降噪方案应用于整个成像数据体积,并且在整个成像体积上计算最终的非线性定量分析图15以给出优化的定量分析。
图3图示了所提出的方法的范例,其中,在定量分析之前应用于动态对比增强CT数据集上的降噪水平被优化以提供高质量的血液灌注图。此处,噪声引导偏差在肝实质上得到证实。该图示出了选定的感兴趣区域(ROI)中的平均值如何随着降噪水平而降低。定量图31、32、33和34对应于降噪水平的四个不同值。在该范例中,使用小于4%的值偏差变化作为用于选择最佳工作点的阈值T。如其从在定量图上的突出显示的区反映,对于太小的降噪水平,存在由于非线性分析函数而在定量图中存在平均值的高偏差。所述偏差不能通过对最终图滤波来减少。
图4图示了用于在不同降噪水平之间的偏差差异的自动评估过程的技术的范例。图4是无需选择ROI的范例。图的上部的定量图41、42和43对应于相同成像数据集,即图的下部中描绘的CT灌注扫描44,对其已分别应用了三个不同水平的噪声滤波。图像45表示在图41和42之间的差异。其示出了高平均偏差,主要在肝脏和脾脏区域中。图像46表示在图41和43之间的差异。其示出了肝脏和脾脏区域中的中等平均偏差。感兴趣的是指出图像46的强烈的降噪设置如何开始降低图空间分辨率。在整个成像体积或相关子体积上自动计算的平均偏差差异可以用于所需的优化评估。
图5是根据本发明的方法的流程图。框51详述了方法的主要输入,其是:a)医学成像数据,其通常是3D或4D图像集合。然而,也可以使用其他类型的更多初步数据,诸如来自断层摄影重建的较早步骤的正弦图。b)与感兴趣的应用相关的定量分析算法。c)与特定类型成像数据相关的一组降噪方案。所述方案可以根据降噪水平的强度或力度来排序。在另一选项中,可以在算法迭代期间自适应地确定不同水平的步骤或顺序。在第一步骤52期间,使用给定设置中的最低力度对成像数据应用降噪方案。这可以在预先指定的体积上自动或手动完成,或者在整个成像体积上完成。作为选项,在下一步骤中应用定量分析之前,可以在应用降噪之后应用重建、配准步骤或任何其他图像处理算法。在框53中,在以最低力度应用降噪之后生成定量图的第一集合。然后根据输入方案在54中增加降噪力度水平,并将其再次应用在成像数据上,以便开始寻找最佳工作点的过程。在55处,在以步骤54的力度水平应用降噪之后,生成定量图的额外的集合。基于定量分析图的先前和最近的集合,在框56中估计平均定量偏差差异。该算法过程在图6中进一步详述。然后检查估计的偏差差异是否满足预定义的条件。预定义的条件可以基于例如最小百分比阈值或绝对阈值或另一标准。如果不满足标准,则重复步骤54以测试进一步增加的降噪力度。如果满足该标准,则算法进行到步骤58,步骤58包括将具有最近测试的力度水平的降噪方案应用于整个成像数据体积。最终在整个成像体积上计算最终的非线性定量分析图以给出优化的定量分析。
可以根据成像条件和临床应用从预确列表选择初始降噪设置。例如,在CT灌注中,5mm切片厚度的肝脏分析的情况的设置可以与3mm切片厚度的胰腺成像的情况的设置不同。在迭代之间的降噪参数增量也可以取决于特定扫描或应用。
上述流程图中的迭代被描述为具有降噪力度水平的单调变化。然而,在本发明的另一实施例中,降噪力度水平可以在不同的方案或序列中变化,以便改进优化的效率。例如,这可以通过在降噪方案的参数空间上应用已知的全局最小化算法并且同时使用适当的最小化函数来完成。
图6详述了用于估计图5的步骤56中的平均定量偏差差异的算法。该过程类似于图4中的范例。其实际上可以完全自动执行,而不需要手动选择ROI。然而,为了进一步提供优化的准确性,选择相关的ROI可以仍然是选择。该算法包括将定量图的两个集合相减以获得如图4所描绘的差异图集合(45和46)。然后可以使用任何种类的合适的滤波器来平滑差异图集合。对经平滑的差异图集合进行平均允许估计平均定量偏差。
图7示出了上述优化过程,包括关于在本发明的一些实施例中感兴趣的定量图空间分辨率的进一步优化条件。作为第一步骤71,使用如上所述的相关临床数据和输入来执行定量图生成优化的自动过程。当经优化的定量图基于图5的过程可用时,用户手动或利用半自动或全自动工具使用功能和/或解剖学图像(步骤72)分割相关的一个或多个区域,例如,肿瘤病变。在步骤73中,基于分割区域的尺度和形状,然后自动计算可以确定获得分割区域的正确定量值所需的最小空间分辨率。
作为选项,可以通过对图像的全自动分析或者通过使用先验信息或用户参数选择,来完成对所需分辨率的这样的确定。
进一步优化在原始数据上应用的最佳降噪力度水平的选择,以便尽可能地减少图中的定量偏差,同时维持图中最小的所需空间分辨率(步骤74)。
值得注意的是,检查所需空间分辨率的标准可以作为第二增强过程来完成,即,首先是图5的流程图,并且然后是图6的流程图,或者它们可以组合在单个算法过程内。
除了空间分辨率条件之外,还可以实施基于低对比度分辨率或图像可视化外观的其他条件。
虽然已经在附图和前述描述中详细图示和描述了本发明,但是这样的图示和描述被认为是说明性的或示范性的而不是限制性的;本发明不限于所讨论的实施例。
通过研究附图、公开内容和权利要求书,本领域技术人员在实践要求保护的本发明时可以理解和实现所公开的实施例的其他变型。在权利要求中,词语“包括”不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以履行权利要求中记载的若干项目的功能。尽管在相互不同的从属权利要求中记载了特定措施,但是这并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为对范围的限制。
Claims (15)
1.一种用于对功能医学成像中的定量图生成进行自动优化的方法,包括:
a.将降噪方案的初始降噪水平应用于医学成像数据的初始集合以生成定量图的初始集合;
b.将所述降噪方案的新降噪水平设置为比所述降噪方案的上个降噪水平的值更高的值;
c.将所述降噪方案的所述新降噪水平应用于医学成像数据的所述初始集合以生成定量图的新集合;
d.基于定量图的上两个集合来估计平均定量偏差差异;
e.如果所估计的平均定量偏差差异高于给定阈值,则重复步骤b至e;
f.将所述降噪方案的所述上个降噪水平应用于医学成像数据的感兴趣集合,成像数据的所述感兴趣集合包括医学成像数据的所述初始集合。
2.根据前一权利要求所述的方法,所述平均偏差差异用于优化评估。
3.根据前述权利要求中的任一项所述的方法,医学成像数据的所述感兴趣集合是在3D或4D图像集合或者来自断层摄影重建的较早步骤的正弦图中间选择的。
4.根据前述权利要求中的任一项所述的方法,所述降噪水平是降噪的力度水平。
5.根据权利要求1-3中的任一项所述的方法,所述降噪水平是降噪的强度水平。
6.根据前述权利要求中的任一项所述的方法,还包括在步骤c与步骤d之间的至少一个图像处理步骤,所述步骤优选地是图像重建步骤。
7.根据前述权利要求中的任一项所述的方法,所述阈值是另一参数的函数,优选地是所述参数的百分比。
8.根据权利要求1-6中的任一项所述的方法,所述阈值是预定常数值。
9.根据前述权利要求中的任一项所述的方法,所述初始降噪水平是根据成像条件和/或临床条件从预定列表选择的。
10.根据前述权利要求中的任一项所述的方法,在步骤b中设置的所述降噪水平的值取决于成像条件和/或临床条件。
11.根据前述权利要求中的任一项所述的方法,每次执行步骤b时,所述新降噪水平的值与所述降噪方案的上个降噪水平的值之间的差异是相同的。
12.根据权利要求1-10中的任一项所述的方法,每次执行步骤b时,所述新降噪水平的值与所述降噪方案的上个降噪水平的值之间的差异是根据预定算法选择的。
13.根据前述权利要求中的任一项所述的方法,医学数据的所述初始集合对应于自动选择的感兴趣区域。
14.一种被配置为实施根据权利要求1-13中的任一项所述的方法的设备。
15.一种编码有计算机可读指令的计算机可读存储介质,所述计算机可读指令在由处理器运行时使所述处理器执行根据权利要求1-13中的任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP15193896 | 2015-11-10 | ||
EP15193896.6 | 2015-11-10 | ||
PCT/EP2016/076052 WO2017080847A1 (en) | 2015-11-10 | 2016-10-28 | Method for automatic optimization of quantitative map generation in functional medical imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108292430A true CN108292430A (zh) | 2018-07-17 |
Family
ID=54540910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680065694.4A Pending CN108292430A (zh) | 2015-11-10 | 2016-10-28 | 用于对功能医学成像中的定量图生成进行自动优化的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10789683B2 (zh) |
EP (1) | EP3374962A1 (zh) |
JP (1) | JP2018538032A (zh) |
CN (1) | CN108292430A (zh) |
WO (1) | WO2017080847A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837244A (zh) * | 2021-03-11 | 2021-05-25 | 太原科技大学 | 用于低剂量ct图像降噪及去伪影的渐进式生成对抗网络 |
CN113128463A (zh) * | 2021-05-07 | 2021-07-16 | 支付宝(杭州)信息技术有限公司 | 图像识别方法和系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11885442B2 (en) | 2017-12-15 | 2024-01-30 | Viant As&O Holdings, Llc | Mechanical joining of nitinol tubes |
US10891720B2 (en) | 2018-04-04 | 2021-01-12 | AlgoMedica, Inc. | Cross directional bilateral filter for CT radiation dose reduction |
US11080898B2 (en) * | 2018-04-06 | 2021-08-03 | AlgoMedica, Inc. | Adaptive processing of medical images to reduce noise magnitude |
DE102018214325A1 (de) * | 2018-08-24 | 2020-02-27 | Siemens Healthcare Gmbh | Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes |
CN111256712B (zh) * | 2020-02-24 | 2021-10-29 | 深圳市优必选科技股份有限公司 | 地图优化方法、装置及机器人 |
CN112017256B (zh) * | 2020-08-31 | 2023-09-15 | 南京安科医疗科技有限公司 | 在线ct图像质量自由定制方法及计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012090978A (ja) * | 2010-10-28 | 2012-05-17 | Toshiba Corp | 医用画像処理装置および医用画像処理方法 |
JP2014230793A (ja) * | 2013-05-29 | 2014-12-11 | 株式会社東芝 | 画像処理装置、方法、及び医用画像診断装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004089218A1 (ja) | 2003-04-04 | 2004-10-21 | Hitachi Medical Corporation | 機能画像の表示方法及び装置 |
CA2534701A1 (en) * | 2006-01-24 | 2007-07-24 | The University Of North Carolina At Chapel Hill | High energy soft tissue imaging using diffraction enhanced imaging |
US7844096B2 (en) * | 2007-01-22 | 2010-11-30 | Siemens Medical Solutions Usa, Inc. | Spatially localized noise adaptive smoothing of emission tomography images |
US7782056B2 (en) * | 2007-12-13 | 2010-08-24 | Isis Innovation Ltd. | Systems and methods for correction of inhomogeneities in magnetic resonance images |
US20110208039A1 (en) * | 2010-02-22 | 2011-08-25 | Siemens Corporation | Direct and Indirect Surface Coil Correction for Cardiac Perfusion MRI |
US9095273B2 (en) * | 2011-09-26 | 2015-08-04 | Sunnybrook Research Institute | Systems and methods for automated dynamic contrast enhancement imaging |
US9245334B2 (en) | 2012-02-28 | 2016-01-26 | Albert Einstein College Of Medicine, Inc. | Methods for quantitative assessment of volumetric image from a subject and uses therof |
US9135695B2 (en) * | 2012-04-04 | 2015-09-15 | Siemens Aktiengesellschaft | Method for creating attenuation correction maps for PET image reconstruction |
WO2014097124A2 (en) | 2012-12-20 | 2014-06-26 | Koninklijke Philips N.V. | Quantitative imaging |
WO2014176154A1 (en) * | 2013-04-22 | 2014-10-30 | General Electric Company | System and method for image intensity bias estimation and tissue segmentation |
JP2016523154A (ja) | 2013-06-28 | 2016-08-08 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 画像ノイズ情報を利用する方法 |
US10898143B2 (en) * | 2015-11-10 | 2021-01-26 | Baycrest Centre | Quantitative mapping of cerebrovascular reactivity using resting-state functional magnetic resonance imaging |
-
2016
- 2016-10-28 EP EP16790557.9A patent/EP3374962A1/en not_active Withdrawn
- 2016-10-28 WO PCT/EP2016/076052 patent/WO2017080847A1/en active Application Filing
- 2016-10-28 JP JP2018523420A patent/JP2018538032A/ja active Pending
- 2016-10-28 US US15/770,775 patent/US10789683B2/en active Active
- 2016-10-28 CN CN201680065694.4A patent/CN108292430A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012090978A (ja) * | 2010-10-28 | 2012-05-17 | Toshiba Corp | 医用画像処理装置および医用画像処理方法 |
JP2014230793A (ja) * | 2013-05-29 | 2014-12-11 | 株式会社東芝 | 画像処理装置、方法、及び医用画像診断装置 |
Non-Patent Citations (2)
Title |
---|
ADAM M. ALESSIO 等: "Improved quantitation for PET/CT image reconstruction with system modeling and anatomical priors", 《MEDICAL PHYSICS》 * |
TING XIA 等: "Ultra-low dose CT attenuation correction for PET/CT", 《PHYSICS IN MEDICINE AND BIOLOGY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837244A (zh) * | 2021-03-11 | 2021-05-25 | 太原科技大学 | 用于低剂量ct图像降噪及去伪影的渐进式生成对抗网络 |
CN113128463A (zh) * | 2021-05-07 | 2021-07-16 | 支付宝(杭州)信息技术有限公司 | 图像识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2018538032A (ja) | 2018-12-27 |
US20180322617A1 (en) | 2018-11-08 |
WO2017080847A1 (en) | 2017-05-18 |
US10789683B2 (en) | 2020-09-29 |
EP3374962A1 (en) | 2018-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108292430A (zh) | 用于对功能医学成像中的定量图生成进行自动优化的方法 | |
US11756164B2 (en) | System and method for image correction | |
JP6208271B2 (ja) | 医用画像処理装置 | |
US8938110B2 (en) | Enhanced image data/dose reduction | |
JP6296942B2 (ja) | Ct画像評価装置及びct画像評価方法 | |
US8781198B2 (en) | High contrast imaging and fast imaging reconstruction | |
US11361478B2 (en) | Partial volume correction in multi-modality emission tomography | |
Joemai et al. | Assessment of structural similarity in CT using filtered backprojection and iterative reconstruction: a phantom study with 3D printed lung vessels | |
WO2006070316A1 (en) | Apparatus and method for artifact correction of x-ray projections | |
CN108475419A (zh) | 用于计算机断层摄影的数据处理的方法 | |
JP6778158B2 (ja) | X線ct装置、画像生成方法および画像生成プログラム | |
JP5632920B2 (ja) | ボケイメージ内のブラーの特性を決定するシステム及び方法 | |
US11798205B2 (en) | Image reconstruction employing tailored edge preserving regularization | |
CN109813259B (zh) | 高动态x射线成像方法、存储介质和装置 | |
US20230419455A1 (en) | System and method for image correction | |
Fang et al. | Non-reference evaluation of hyperspectral X-CT images based on CdTe photon counting detector | |
WO2024046791A1 (en) | Vendor-agnostic ai image processing | |
Yu et al. | PET image improvement using the Patch Confidence K-Nearest Neighbors Filter |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180717 |
|
WD01 | Invention patent application deemed withdrawn after publication |