CN108885786B - 医学图像处理 - Google Patents
医学图像处理 Download PDFInfo
- Publication number
- CN108885786B CN108885786B CN201780021509.6A CN201780021509A CN108885786B CN 108885786 B CN108885786 B CN 108885786B CN 201780021509 A CN201780021509 A CN 201780021509A CN 108885786 B CN108885786 B CN 108885786B
- Authority
- CN
- China
- Prior art keywords
- information
- edge
- image
- noise
- probability
- 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
- 238000012545 processing Methods 0.000 title claims description 39
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 239000002243 precursor Substances 0.000 claims description 108
- 238000004590 computer program Methods 0.000 claims description 17
- 230000001629 suppression Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000002059 diagnostic imaging Methods 0.000 claims description 11
- 238000013179 statistical model Methods 0.000 claims description 9
- 238000012879 PET imaging Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 230000006870 function Effects 0.000 description 25
- 238000004321 preservation Methods 0.000 description 19
- 230000014759 maintenance of location Effects 0.000 description 17
- 238000002600 positron emission tomography Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 11
- 238000002591 computed tomography Methods 0.000 description 6
- 239000000700 radioactive tracer Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000007408 cone-beam computed tomography Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
- G06T5/70—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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Nuclear Medicine (AREA)
Abstract
例如，诸如PET成像系统的患者成像系统可能会受到人工引入的噪声的影响。通常，这种噪声在尝试根据原始采集信息来重新创建2D或3D图像的诸如最小二乘算法的重建算法的迭代期间引入。噪声在重建图像中显现为“热点”。解决这些伪影的方法使用过滤方法。通常，最小二乘重建补充有惩罚项，称为“相对差异惩罚”的方法。惩罚参数使重建算法对重建的某些区域处或多或少地进行强过滤。本申请提出一种方法，其利用关于边缘存在于图像的一部分中的可能性的连续概率信息来补充惩罚项。
Description
技术领域
本发明涉及一种用于迭代图像重建中的人工噪声抑制的设备、用于迭代图像重建中的人工噪声抑制的方法、医学成像系统、计算机程序单元和计算机可读介质。
背景技术
迭代图像重建方法广泛用于在医学图像重建领域，诸如例如PET和/或PET/CT图像的重建。与分析(一次通过)方法相比，迭代图像重建技术允许考虑所采集数据的统计特性，以便减少降低图像质量的伪影。对于每次迭代，将所采集的探测器信号与系统模型到图像数据的当前估计的应用进行比较，直到达到预定停止标准。
这种方法特别适合于PET示踪物信号的重建，其中，由于PET信号探测的性质，与其他成像模态相比，信噪比较低。随着重建的进行，迭代方法能够导致图像中的噪声聚类的发生。
现在的图像重建方法通常不考虑图像数据表示生物结构，因此目前错过了用于改善重建图像的机会。
发表在Proc.SPIE第9033 903336-1期的Ma等人的文章“LBP-based penalizedweighted least-squares approach to low-dose cone-beam computed tomographyreconstruction”(由Whiting等人编辑的“Medical Imaging 2014:Physics of MedicalImaging”，doi：10.1117/12.2043289)涉及一种迭代图像重建方法。在该方法中，提供具有惩罚项的最小二乘重建。然而，能够进一步改进这些方法。
发明内容
因此，具有用于提供改进的人工噪声抑制技术的技术将是有利的。
本发明的目的通过独立权利要求的主题解决，其中其他实施例包含在从属权利要求中。
参考下文描述的实施例，本发明的这些和其他方面将变得显而易见并得到阐明。
根据本发明的第一方面，提供一种用于迭代图像重建中的人工噪声抑制的设备。所述设备包括处理单元。
所述处理单元被配置为采集图像前兆(precursor)信息，以(i)使用边缘模式探测器生成图像前兆信息的边缘模式信息，以及(ii)生成噪声模式信息，并基于所述边缘模式信息、所述噪声模式信息和所述图像前兆信息来生成边缘保留参数信息。
所述边缘保留参数信息基于连续概率量度。所述处理单元被配置为生成正则化函数，其中，使用边缘保留参数信息对所述正则化函数进行局部调整，并且被配置为通过将图像重建算法应用于所述图像前兆信息来生成重建图像信息。
图像重建算法将正则化函数R应用于图像前兆信息λi，从而提供重建图像信息λi+1，其中，图像前兆信息λi的噪声相关特征已经比图像前兆信息λi的边缘相关特征得到了更强的过滤。
因此，可以去除(在最终图像中不想要的)源自聚类噪声斑点(speckles)的图像中的大的局部体素差异，同时，可以保留(在最终图像中想要的)表示生理上的重要边缘特征的小的局部体素差异。统计模型用于确定找到的模式与总体特征(边缘)模型和噪声模型的匹配程度，其还考虑图像前兆信息中的局部统计变化。统计模型的使用使得边缘保留参数信息成为连续函数，因为边缘保留参数信息可以例如从一个或多个概率密度函数中采样。
因此，能够更准确地区分聚类噪声斑点和基于生理学的特征。
根据第一方面的实施例，边缘模式探测器被配置为将一个或多个边缘模型应用于图像前兆信息。边缘模型包括参考边缘模型，其是图像像素或体素的子集的原型空间分布模型，其能够用于统计地指示图像前兆信息中存在特征边缘的可能性。
可选地，所述处理单元还被配置为通过基于一个或多个二元边缘模式获得参考边缘模式信息来生成边缘模式信息，并且通过将参考边缘模式信息应用于图像前兆信息来计算边缘探测信息。
边缘模式提供跟踪边缘存在的有效方式，同时还适合于(amenable to)复杂度降低的处理方法。
根据第一方面的实施例，所述处理单元还被配置为通过根据图像前兆信息计算符号二元模式信息并且根据图像前兆信息计算差异二元模式信息来生成边缘模式信息。当与图像前兆信息比较时，符号二元模式信息对每个邻域像素或体素的正差与负差之间进行区分。差异二元模式信息区分具有相对于邻域像素或体素中的中心像素或体素的强度差异大于差异阈值的像素。
因此，能够将与体素的边缘和噪声状态有关的附加证据引入到第一方面的先验项中。
可选地，所述处理单元还被配置为通过根据图像前兆信息计算符号二元模式信息来生成边缘模式信息；并且根据图像前兆信息生成差异二元模式信息。
根据第一方面的实施例，所述处理单元被配置为生成包括针对每个分类的像素或体素入射信息的多个分类，其中，基于边缘模式信息、差异二元模式信息和符号二元模式信息中的至少两个的匹配位的逻辑组合来形成多个分类中的每个分类。
因此，由于统计原理应用于二元模式，第一方面的先验项更接近于体素的边缘和/或噪声状态的最佳估计。
可选地，所述处理单元还被配置为组合边缘模式信息、差异二元模式信息和符号二元模式信息，以获得边缘概率量度。
根据第一方面的实施例，所述处理单元被配置为基于在多个分类中的每个分类中的像素或体素的数量以及每个分类的概率来生成边缘概率量度。
因此，可以将由周围体素创建的空间分布模式考虑为噪声/特征分离决策中的附加标准。
根据第一方面的实施例，所述处理单元还被配置为使用边缘概率量度来计算边缘保留参数信息。
根据第一方面的实施例，所述处理单元还被配置为获得多个参考噪声模式作为噪声模式信息。通过将多个参考噪声模式与边缘模式信息进行组合额外地生成边缘保留参数信息。
因此，可以在组合假设存在边缘体素和噪声体素的情况下生成具体体素表示边缘或噪声元素的概率。
根据第一方面的实施例，所述处理单元还被配置为针对图像前兆信息的元素来将噪声概率值生成为多个分类的各个分类的噪声概率的乘积的总和，以及其噪声概率。
因此，可以为正则化项提供更准确的噪声统计学集合。
根据第一方面的实施例，所述处理单元还被配置为通过针对每个体素找到边缘概率与噪声概率的概率比率来生成边缘保留参数信息，并且被配置为对概率比率求和，以形成总和比率作为初始边缘保留参数信息。
根据第一方面的实施例，所述处理单元还被配置为使用指数函数或S型函数来限制初始边缘保留参数信息，以形成边缘保留参数信息。
因此，边缘保留参数信息以算术上有限的范围来提供。
根据本发明的第二方面，提供一种用于迭代图像处理中的人工噪声抑制的方法。所述方法包括：
a)采集图像前兆信息λi；
b)(i)使用边缘模式探测器生成所述图像前兆信息λi的边缘模式信息，以及生成(ii)噪声模式信息；
c)基于所述边缘模式信息、所述噪声模式信息和所述图像前兆信息λi生成边缘保留参数信息γ，
其中，边缘保留参数信息γ基于连续概率量度；
d)生成正则化函数R，使用边缘保留参数信息γ对正则化函数R进行局部调整；以及
e)通过将图像重建算法应用于所述图像前兆信息λi来生成重建图像信息λi+1。
图像重建算法将正则化函数R应用于图像前兆信息λi，从而提供重建图像信息λi+1，其中，图像前兆信息λi的噪声相关特征已经比图像前兆信息λi的边缘相关特征得到了更强的过滤。
根据第二方面所述的方法，在图像重建期间能够更准确地区分聚类噪声斑点和基于生理学的特征。
根据第二方面的实施例，生成边缘模式信息的步骤还包括使用边缘模式探测器将一个或多个边缘模型应用于图像前兆信息。边缘模型包括参考边缘模型，其是图像像素或体素的子集的原型空间分布模型，其能够用于统计地指示图像前兆信息中存在特征边缘的可能性。
可选地，方法的步骤c)还包括通过以下方式生成边缘模式信息：
c1)基于一个或多个二元边缘模式获得参考边缘模式信息；以及
c2)通过将参考边缘模式信息应用于图像前兆信息来计算边缘探测信息。
根据本发明的第三方面，提供一种医学成像系统。所述系统包括：
-患者成像装置；
-显示单元；以及
-如在第一方面或其实施例中定义的用于迭代图像重建中的人工噪声抑制的设备。
所述患者成像装置包括成像传感器，其被配置为向用于图像重建的设备提供患者的感兴趣区域的图像信息。
显示单元被配置为显示由用于图像重建的设备输出的重建图像信息。
因此，提供一种医学成像系统，其提供聚类噪声斑点与基于生理学的特征之间的更准确的区分。
根据本发明的第四方面，提供一种用于控制根据第一方面或其实施例之一的用于图像重建的设备的计算机程序单元，当计算机程序单元由控制单元执行时，其适于执行第二方面或其实施例之一的步骤。
根据本发明的第五方面，提供一种计算机可读介质，其存储有第四方面的程序单元。
应当理解，算法在图像重建领域具有广泛的适用性。根据本文讨论的算法可以处理2D、3D或更高维度的图像。因此，术语“像素”和“体素”在说明书和权利要求中可互换使用而不失总体性。
在以下说明书中，术语“图像前兆信息”意味着来自成像模态的原始图像信息，和/或处于重建过程中的图像信息。图像前兆信息可以是来自CT、MRI和/或PET重建方法的体积信息。图像前兆信息包括患者的感兴趣区域的体素。
在以下说明书中，术语“边缘模式信息”意味着表示包括特征边缘的邻域或边缘的一个或多个体素集合。通常，边缘模式信息可以包括(在2D情况下)具有中心体素的二元网格和周围的范例边缘模式。“无边缘”体素由逻辑0表示，并且“边缘”体素由逻辑1表示。当通过图像前兆信息迭代中心体素时，包括在边缘模式信息中的网格连续地与图像前兆信息的体素进行比较。因此，对于每项边缘模式信息和每个中心体素，形成所选择的中心体素到边缘模式信息中的候选边缘模式的相似性量度。例如，如此表示的边缘可以是线端、角部或平坦部分。
在下面的说明书中，类似于“边缘模式信息”的术语“噪声模式信息”意味着表示噪声模式的形式的一个或多个体素集合。可以迭代图像前兆信息的体素，其中噪声模式信息与图像前兆信息中的所考虑的中心体素的邻域针对相似性进行比较。
在下面的说明书中，术语“边缘模式探测器”意味着应用一个或多个边缘模式以识别边缘模式出现在图像前兆信息的所考虑的体素处的可能性的算法。
在下面的说明书中，术语“边缘保留参数信息”意味着在相对差异惩罚重建方案中提供的参数，该方案用于控制在将局部图像前兆信息中的强度差异处理为(较少受到惩罚的)特征或(更多受到惩罚的)噪声之间的转换点。因此，可以在重建的迭代期间定制边缘保留参数信息，以增强边缘信息并消除噪声信息。作为范例，在重建算法的“最后”迭代中为每个体素定义边缘保留参数信息，为重建算法的“下一次”迭代提供关于哪些体素要强调或衰减的信息。
在下面的说明书中，术语“正则化函数”意味着添加到迭代图像重建方案中的惩罚者项(先验的)，其将在局部体素更新期间的周围体素邻域的特性考虑作为控制(或加权)参数。
因此，在例如应用于医学成像方法的迭代图像重建方案(例如最小二乘法)中，将相对差异惩罚项应用于迭代图像重建方案是基本思想，其中相对差异惩罚项包括边缘强调参数。这可以在重建图像迭代中保持边缘的存在，和/或在重建图像迭代中不再强调噪声补丁。
因此，以视觉上更加准确的方式重建从诸如器官和骨骼的生物信息产生的图像中的结构，因为更有效地抑制了人工生成的噪声伪影。边缘强调参数是连续函数，其由观察到的体素是正在进行重建的图像的边缘特征或噪声特征的一部分的统计可能性生成。
附图说明
将参考以下附图描述范例性实施例：
图1示出了根据第二方面的方法。
图2示出了两种可能的边缘模式。
图3示出了根据范例的代表性处理算法。
图4a和4b示出了算法中使用的分类概率的统计分布。
图5示出了医学图像体模和不想要的噪声伪影。
图6a示出了从重建的PET图像导出的灰度热图的范例，其表示当使用采用使用边缘模式探测器导出的连续的、统计导出的边缘保留参数信息的重建算法时，包含医学体模的图像的边缘保留参数信息的值。
图6b示出了根据PET图像导出的灰度热图的范例，其表示当应用标准重建算法时，包含医学体模的图像的边缘保留参数信息的值。
图7示出了根据第一方面的设备。
图8示出了根据第三方面的医学成像系统。
具体实施方式
来自图像前兆信息的图像的迭代重建是适用于许多成像模态的总体问题，诸如计算机断层摄影(CT)、磁共振成像(MRI)、正电子发射断层摄影(PET)等。
作为范例，PET图像重建是特别感兴趣的焦点，因为PET产生具有低信噪比的图像。这是由于对于PET探测的所特有的物理方面，将对其作出简要解释。
透射X射线成像方法，其中可控强度的X射线被引导通过目标，例如，通过增加X射线射束中的功率或通过改进探测器电子器件能够改善SNR。然而，在PET成像中，图像的来源是经由在成像前不久被引入患者的血流中的通常附着在糖上的放射性示踪物。
代谢过程引起示踪物的摄取。通常在癌性生长中存在的较高的代谢速率导致放射性示踪物更快速地进入癌性生长。
由放射性示踪物的底物代谢引起的正电子衰变和湮灭过程导致在被成像介质中发射正电子与自由电子的组合。这种“正电子”通过湮灭衰变，引起两条伽马射线从衰变以大致相反的方向行进，每条具有511keV的能量。能够使用相干采样的、共线布置的探测器来探测这些“对”衰变。从组织的分段中探测到的“对”衰变越真实，组织的分段的代谢活性越高，可能指示肿瘤的可能性。
当前的PET重建方法试图惩罚局部统计变化，但是保留诸如所采集数据中的边缘的“真正”特性。这是使用称为“正则化”的技术实现的，该技术使用基于证据的噪声特征区分。常用的方法应用边缘保留先验项，其强调较大的局部差异盖过较小的局部差异——在假设这些特征具有属于器官或特征边界的更高的概率的情况下。
在图5中示出使用边缘保留先验的许多当前PET图像重建方法的问题。在图5中，显示表示体模心肌中的器官的马蹄形医学体模。然而，在重建图像中还存在非生理“热点”(以虚线环示出)。这是由于在重建期间能够保留源自噪声的局部体素差异引起的，从而导致图像中的伪影。
在临床领域中，这些伪影能够被误解为小病变，对医学诊断产生影响。然而，由诸如PET中的肿瘤的真正边缘引起的微小差异可以受到惩罚，并因此在图像重建期间消失。
因此，需要进一步的努力来增加可用于探测和识别在这种PET图像中的特征的证据。
本方面提出了一种修正的评估方案，其还考虑由周围体素创建的空间分布模式作为用于噪声与特征分离决策的附加标准。根据下面讨论的方面，提出使用统计模型来确定被发现的模式与总体边缘模型匹配的程度，其也考虑图像中的局部(统计)变化。统计模型用于基于连续概率量度来提供边缘保留参数信息。
因此，根据本发明的第一方面，提供一种用于迭代图像重建中的人工噪声抑制的方法，包括：
a)采集图像前兆信息λi；
b)(i)使用边缘模式探测器生成图像前兆信息λi的边缘模式信息，以及(ii)生成噪声模式信息；
c)基于边缘模式信息、噪声模式信息和图像前兆信息λi生成边缘保留参数信息γ，
其中，边缘保留参数信息γ基于连续概率量度；
d)生成正则化函数R，使用边缘保留参数信息γ对正则化函数R进行局部调整；以及
e)通过将图像重建算法应用于图像前兆信息λi来生成重建图像信息λi+1。
图像重建算法将正则化函数(R)应用于图像前兆信息λi，从而提供重建图像信息(λi+1)，其中，图像前兆信息λi的噪声相关特征已经比图像前兆信息λi的边缘相关特征得到了更强的过滤。
图1示出了根据第一方面的方法。
根据第一方面的方法提供一种用于提供在图像重建算法(诸如惩罚加权最小二乘算法)的正则化项中使用的先验信息的技术。所述方法将统计模型应用于图像前兆信息λi，以确定在经历重建的图像中发现的模式与存在一个或多个噪声模式的总体边缘模型匹配的程度。与更可能已经由来自生理伪影的边缘特征引起的图像前兆信息中的特征相比，更可能已经由噪声引起的图像前兆信息中的特征有效地具有应用于它们的更强的空间过滤。因此，能够更准确地在聚类噪声斑点与基于生理学的特征之间进行区分。
下面是根据第一方面的算法的实施方式范例的详细描述。本领域普通技术人员将理解，可以提供算法的其他变型。
实施方式范例在相对差异惩罚方法(RDP)的框架内应用迭代图像重建方案。在Signal&Information Processing Association Annual Summit and Conference(APSIPAASC)(2012 Asia-Pacific，2012年12月3-6日，第1-9页，ISBN 978-1-4673-4863-8)的会议记录中发表的E.Asma等人的文章“Quantitatively Accurate Image Reconstruction forClinical Whole-Body PET Imaging”的E部分进一步讨论了该方法。
在等式(1)中，β是全局控制参数，其对与图像估计的可能性相比的惩罚项R的强度进行缩放。nv表示在3D(或2D)图像中的体素的总数量。Nj指所考虑的体素的邻域。参数ωj和ωk是指定所选邻域体素贡献于惩罚R的强度的程度的权重。项λj和λk表示针对具体选择的体素λj以及与所选体素相关的具体邻域体素λk的体素强度。参数γ是边缘保留水平参数。
边缘保留水平参数(边缘保留参数信息γ)在算法中具有重要影响，因为取决于γ的选择，整体RDP惩罚项R表现为例如二次惩罚与活动相关的平滑和/或边缘保留总体化的高斯惩罚的组合。
换言之，γ的选择控制处理局部图像强度差异之间的转换点，作为应该被保留的特征(在这种情况下，RDP项R应该局部地具有较小的惩罚效果)，或者作为应该被取消的噪声(在这种情况下，RDP项R应该局部地具有更多的噪声惩罚效果)。
因此，γ项的选择对于RDP惩罚项的确定是重要的。总之，根据本发明的这些方面提出的是提供一种算法，所述算法提供γ作为连续的、统计导出的变量，其中γ是基于使用应用于图像前兆信息的边缘模式探测器生成的边缘模式信息来计算的。
边缘模式探测器应用于图像重建算法的迭代期间的中间图像重建结果(图像前兆信息λ)，例如最小二乘算法。边缘模式探测器提供校正因子作为连续概率量度，其在图像重建期间局部地定制边缘保留参数γ。
术语“连续概率量度”在这样的意义上使用：图像前兆信息λ的特性的任意小的变化导致边缘保留参数γ的任意连续变化，这是由统计分布或过程确定的。
换言之，使用应用于图像前兆信息的使用边缘模式探测器生成的边缘模式信息和噪声模式信息的统计组合来确定边缘保留参数γ。
一旦已经提供了边缘保留参数γ(边缘保留参数信息γ)，就生成针对图像的正则化函数(RDP惩罚项)R，并且其可以应用于相关的图像重建迭代。
可选地，以上概述的过程可以迭代一次或多次，其中图像重建迭代的先前结果形成针对后续迭代的图像前兆信息λ。
上面讨论的边缘保留方法在图像重建期间导致改进的边缘保留，因为应用于正则化项的边缘保留参数γ是根据预定义边缘模型(和至少一个噪声模型)与图像前兆信息λ的比较导出的连续变量。实际上，预定义边缘模型被实施为模式，例如二元模式。
可选地，预定义边缘模型(和可选的噪声模型)与图像前兆信息λ的比较是统计比较。因此，与已知方法相比，边缘保留参数γ(边缘保留参数信息γ)是统计上更优的边缘保留参数。
现在将讨论算法的范例实施方式，但是本领域普通技术人员将理解，存在许多不同的方法来实施根据上述算法框架的边缘保留算法。在范例中，参考算法的二维情况，但是本领域普通技术人员将理解，这可以概括为三维或更多维的情况。
实施方式范例的顶级(top-level)说明是：
(i)边缘模式探测器将一个或多个二元边缘模型和至少一个噪声模式应用于图像前兆信息的每个体素。
(ii)找到图像前兆信息的每个体素的差异二元模式。
(iii)找到图像前兆信息的每个体素的符号二元模式。
(iv)基于二元边缘模式、差异二元模式和符号二元模式的位的所有可能的逻辑组合来形成多个分类，其中多个分类的每个分类具有不同的概率分布。
(v)通过将每个分类的概率组合为乘积来找到能够通过给定的参考边缘模式解释的所考虑的模式的总体条件概率。类似地找到与一个(或多个)噪声表示参考模式匹配的条件概率。可选地，可以对分类进行二次采样(sub-sampled)(换言之，使用比差异、符号和边缘二元模式的所有可能逻辑组合更少的分类来形成总体条件概率)。
(vi)最后，为了找到针对指示体素是否属于边缘的可能性的给定中心体素的边缘保留参数信息γ，计算边缘条件概率与噪声条件概率之间的比率。
应当理解，应用边缘模式探测器的其他范例算法能够应用于步骤(i)—(vi)。当然，步骤(i)、(ii)和(iii)可以以任何顺序执行而不失总体性。
在范例中，使用应用于图像前兆信息的，使用边缘模式探测器生成的边缘模式信息的统计组合来确定边缘保留参数γ。边缘模式探测器将一个或多个边缘模型应用于图像前兆信息。
根据范例的第一步骤，提供参考边缘模型。
可选地，提供多个参考边缘模型。还提供一种噪声模式。可选地，提供多种噪声模式。
参考边缘模型是图像体素的子集的原型空间分布模型，其能够被预期为在统计上指示存在特征边缘的可能性。
可选地，参考边缘模型被提供为“局部二元模式”。这是对图像纹理的精细缩放说明。根据某些标准，表示中心体素“tc”，并且中心像素区域中的每个相邻的体素被分配有二元标签。一种简单的标准是，如果所选邻域像素在幅度上大于中心像素，则用“1”标记所选邻域像素，如果所选邻域像素在幅度上小于中心像素，则用“0”标记所选邻域像素。
噪声模式是表示边缘模式区域中的噪声特性的随机生成的模式(例如，基于高斯统计)。
因此，在实施方式范例的步骤(i)中，继而将具体的二元边缘模型b边缘应用于图像前兆信息中的每个体素。找到体素邻域、具体二元边缘模型b边缘和至少一个噪声模式之间的一致性水平。将二元边缘模型和噪声模型应用于每个体素的结果应当被存储用于其他用途。
可选地，多个不同的二元边缘模型应用于图像前兆信息。在这种情况下，多个二元边缘模型应用于每个体素的结果应当被存储用于其他用途。可选地，二元噪声模型或多个二元噪声模型应用于图像前兆信息，并且这些二元噪声模型继而被存储用于其他用途。
因此，使用边缘模式探测器，提供体素邻域与一个或多个二元边缘模型(以及至少一个噪声模型)之间的“一致性”的量度。
在实施方式范例的第二步骤(ii)中，针对每个所考虑的体素找到差异二元模式b差异。找到b差异的一种方法是找到直接根据图像前兆信息λ(例如，经由相邻体素强度的平均值的平方根)导出的所考虑的体素的预期变化σ体素。备选地，可以使用另一量度，诸如图像前兆信息λ的费舍尔(Fisher)信息。
然后，选择缩放因子σ缩放，可能在很宽的范围内(例如，0-5，取决于可用的计算资源和图像强度的预期变化)。差异阈值被定义为σ＝σ缩放.σ体素。为了获得差异二元模式b差异，根据等式(2)将所有相邻体素与中心体素的差异与σ＝σ缩放.σ体素阈值进行比较：
在等式(2)中，项λc表示所考虑的邻域的中心体素的强度值。项λi表示所考虑的相邻体素的强度值。如前所述，保存图像上所考虑的中心体素中的每个的差异二元模式b差异，以用于后续处理。
在实施方式范例的第三步骤(iii)中，找到图像前兆信息的每个体素的符号二元模式b符号。如等式(3)中所定义的导出符号二元模式b符号，以在邻域体素的正差与负差之间进行区分：
在等式(3)中，项λc表示所考虑的邻域的中心体素的强度值。项λi表示所考虑的相邻体素的强度值。
在实施方式范例的步骤(iv)中，基于边缘二元模式、差异二元模式和符号二元模式的匹配位的逻辑(Boolean)组合形成多个分类，其中多个分类中的每个分类具有许多不同的概率分布，如等式(4)中所示：
基于(4)的分类Ci中的多个体素以及每个分类的概率pi来计算边缘概率。
在该范例中，基于边缘体素具有强度λc+σ体素，以及所有强度遵循具有σ缩放＝0.5的正态分布的假设来计算每个分类的概率pi。
图4a和4b图示了例如对于σ缩放＝0.5示出的不同分类的概率。
在步骤(v)中，所考虑的模式属于参考边缘模式(k)的总体条件概率随后由等式(5)给出：
其中[Ci]表示在分类Ci中找到的体素的数量。
在将一系列噪声模型已经应用于图像前兆信息的可选情况下，关于所应用的噪声模型执行对步骤(i)至(v)的并行处理。
然后，在可选步骤中，对针对所考虑的体素的边缘概率与噪声概率的不同比率进行组合。在范例中，这可以通过将由区间[-σ缩放，σ缩放]中的值的概率加权的值的对数相加来实现。
在步骤(vi)中，根据上面定义的算法导出的值随后用于在诸如等式(1)中定义的正则化重建方案中局部调整边缘保留参数γ。
局部调整边缘保留参数γ的一种方法是将值范围限制应用于图像前兆信息的边缘图像，产生严格的值范围限制(例如，在0和1之间)。
更具体地，从(在等式5之后计算的在模型边缘p边缘，i的假设下在用于某个σ缩放因子σi的图像中找到的模式的概率开始。
在噪声假设p噪声，i下针对模式的概率以相同的方式来计算。通常，模型噪声模式是平坦的，因此b边缘＝0。
然后通过等式(6)给出概率比率：
将用于所有σ缩放值的概率比率组合为总和比率R总和。可选地，这根据等式(7)来找到：
其中，pσi作为找到在给定正态分布的区间[-σi，σi]中值的概率，σ最大和σ最小作为所使用的σ缩放因子的最大值和最小值。
应当理解，等式(7)中详述的算法是组合不同概率比率的一种方式，但是可以应用许多其他算法，例如不使用对数或pσi因子。
因子Ri和R总和的值在[-∞，∞]的范围内。在该范例中，需要严格的值范围限制来修正原始边缘保留水平参数γ(γ原始)。
因此，在本范例中，根据等式(8)计算更新的边缘保留水平参数γ：
γ＝γ原始·exp(-R总和) (8)
在备选情况下，例如，使用S形函数分类来限制边缘保留水平参数γ。
前面的说明已经示出了边缘模式探测方法如何能够被用于导出连续边缘保留水平参数γ，其能够基于任意边缘或噪声模式存在于所考虑的体素的邻域中的可能性来提供对相对惩罚差异方案的正则化项的连续的局部修正。
上面讨论的算法已经过测试，并且在减少单个“热体素”伪影和减少均匀区域内的变化方面显示出良好的结果。
图6a图示了重建的PET图像中的生理体模的范例，其中由每个像素位置处的图像对比度示出的变量是该像素位置处的局部γ值。较亮的像素强度表示较大的γ值，较暗的像素强度表示较小的γ值。如等式(1)所暗示的，较大的γ值将导致较小的惩罚项，其在图像重建步骤中应用于具有较亮值的图像前兆的区域。
在图6a中，沿着根据第二方面的方法的线来计算γ。可以看出，γ在靠近医学体模的边缘的非常集中的区域中较高。实际上，大部分体模的马蹄型具有较低的γ值。这暗示该算法更好地区分图像的边缘区域。
在图6b中，沿着标准RDP方法的线来计算γ。在这种情况下，γ在医学体模的整个区域上是高的，指示使用标准RDP方法的边缘定位较差。
另外，边缘模式探测器的局部输出的组合能够被解释为“边缘模式图像”。这样的图像表示所考虑的体素表示重建图像中的生理上起源的“边缘”特征的可能性。
图3示出了提供“边缘模式图像”的总体过程。
框30表示在图像中的整个一组体素中迭代图30的函数的迭代过程。因此，对每个体素执行在框46、32和34(以及连接的过程)中执行的过程。
在框32处，针对体素，将总体噪声方差σ设置作为σ体素和缩放因子σ缩放的相乘。σ体素指示所考虑的体素的预期变化。项σ体素能够直接根据图像导出(例如，经由相邻体素强度的平均值的平方根，或者来自其他量度(例如费舍尔(Fisher)信息))。缩放因子σ缩放能够根据可用的计算资源在很宽的范围内(例如0-5)进行选择。
在框34处，获得一个或多个二元模式。例如，二元模式是诸如线、点或角的原型边缘模型。可选地，可以找到二元边缘模型的旋转。
在框38处，找到“当前”边缘模式类似于所考虑的体素的当前邻域的概率。可以针对每个所考虑的体素导出边缘模式的联合概率以及可选的变换，以表示总体边缘可能性值。
在框40处，找到图像中噪声的最大功率。
在框42处，基于最大功率生成随机模式或可选地多个随机模式。该随机模式与所考虑的当前体素的邻域进行比较，并且生成表征当前体素表示图像中的噪声特征的可能性的概率量度。
在框44处，计算当前体素是边缘模式或噪声模式之一的可能性之间的比率。
在框46处，概率比率相加。
在框48处，基于46的结果确定所考虑的体素是否表示边缘或者噪声体素。然后，基于该确定，设置相应的“边缘图像”体素。在通过所有像素(体素)迭代之后，产生“边缘图像”。
应当理解，上面详述的算法对于存在引入的人工噪声的许多类型的迭代图像重建具有广泛的适用性。例如，该算法至少在CT、MRI和超声系统以及PET/CT方法中也具有适用性，并且更总体地对于图像重建处理具有适用性。
根据第二方面的实施例，从外部医学成像数据源，例如从CT数据、MRI数据或超声数据采集解剖学信息。解剖学信息用作在步骤e)中应用的重建算法中的附加的先验项。因此，可以将解剖学信息应用于图像重建过程以进一步提高重建精度。
可选地，在步骤c)中，通过组装表示将在(例如，在等式(4)中定义的)具体逻辑分类中找到多个体素的概率的多个逻辑分类来执行作为连续概率量度的边缘保留参数信息的生成。
可选地，在步骤c)中，通过组合表示将在(例如，在等式(4)中定义的)具体逻辑分类中找到多个体素的概率的多个逻辑分类来执行作为连续概率量度的边缘保留参数信息的生成，其中，逻辑分类的数量小于算术上最优的。换言之，概率分布的可能空间是二次采样的。这能够降低算法的计算复杂度。
根据第二方面的实施例，边缘模式探测器将一个或多个边缘模型应用于图像前兆信息λi。边缘模型包括是图像像素或体素的子集的原型空间分布模型的参考边缘模型，其能够用于统计地指示图像前兆信息λi中存在特征边缘的可能性。
可选地，步骤b)还包括通过以下方式生成边缘模式信息：
b1)基于一个或多个二元边缘模式获得参考边缘模式信息；并且
b2)通过将参考边缘模式信息应用于图像前兆信息λi来计算边缘探测信息。
因此，能够更准确地估计存缘存在可能性，因为提供了共同预期的边缘模式的参考边缘模式。
根据第二方面的实施例，步骤b)还包括通过以下方式生成边缘模式信息：
b3)组合边缘模式信息、差异二元模式信息b差异和符号二元模式信息b符号来获得边缘概率量度p边缘。
当与图像前兆信息λi比较时，符号二元模式信息b符号在每个邻域像素或体素的正差与负差之间进行区分。差异二元模式信息b差异区分具有大于差异阈值的相对于邻域像素或体素中的中心像素或体素的强度差的像素。
因此，通过将许多不同的逻辑分类合并到分类过程中，使得存在边缘的可能性的估计更加准确。
根据第二方面的实施例，步骤b)还包括生成包括针对每个分类的像素或体素入射信息的多个分类。基于边缘模式信息、差异二元模式信息b差异和符号二元模式信息b符号中的至少两个的匹配位的逻辑组合来形成多个分类中的每个分类。
因此，通过将许多不同的逻辑分类合并到分类过程中，使得存在边缘的可能性的估计更加准确。
可选地，步骤b)还包括：
b4)生成包括针对每个分类的像素或体素入射信息的多个分类，其中，多个分类中的每个分类包括边缘模式信息、差异二元模式信息b差异和符号二元模式信息b符号的逻辑组合；并且
b5)将边缘概率量度p边缘生成作为多个分类中每个分类的概率的总和。
根据第二方面的实施例，步骤b)还包括基于多个分类中的每个分类中的像素或体素的数量以及每个分类的概率来生成边缘概率量度p边缘。
因此，对可能体素的逻辑分类的各种组合的概率分布进行采样，产生边缘概率的更准确的量度。
可选地，步骤b)还包括：
b6)生成包括针对每个分类的像素或体素入射信息的多个分类，其中，多个分类中的每个分类包括边缘模式信息、差异二元模式信息b差异和符号二元模式信息b符号的逻辑组合；并且
将边缘概率量度p边缘生成作为多个分类中的每个分类的概率的总和。
根据第二方面的实施例，步骤b)还包括：
b7)使用边缘概率量度p边缘计算边缘保留参数信息γ。
因此，边缘保留参数是统计上类似于边缘存在于图像的局部点处的可能性的局部变化的连续量。
根据第二方面的实施例，步骤b)还包括：
b8)获得多个参考噪声模式作为噪声模式信息；并且
b9)通过对多个参考噪声模式与边缘模式信息进行组合来生成边缘保留参数信息γ。
因此，提供对边缘概率的更准确的估计，这是因为图像中的噪声在估计中被建模。
根据第二方面的实施例，步骤b)还包括：
针对图像前兆信息λi的元素，将噪声概率值p噪声生成作为多个分类中的各个分类Ci的噪声概率的乘积的总和，并且生成它们的噪声概率pn。
因此，使用与针对边缘概率的那些逻辑分类相同的逻辑分类对噪声模型进行采样。
根据第二方面的实施例，步骤b)还包括：
b10)通过针对每个像素或体素找到边缘概率与噪声概率的概率比率Ri来生成边缘保留参数信息γ；并且
b11)将概率比率Ri相加以形成总和比率R总和作为初始边缘保留参数信息γ1；
因此，使用边缘概率与噪声概率的估计来导出边缘保留参数信息。
根据第二方面的实施例，步骤b)还包括：
b12)使用指数函数或S型函数限制初始边缘保留参数信息γ1来形成边缘保留参数信息γ。
根据本发明的第一方面，提供一种用于迭代图像重建中的人工噪声抑制的设备58。该设备包括处理单元60。
所述处理单元被配置为采集图像前兆信息，以(i)使用边缘模式探测器来生成图像前兆信息的边缘模式信息，并且(ii)生成噪声模式信息，并且基于边缘模式信息、噪声模式信息和图像前兆信息来生成边缘保留参数信息。
边缘保留参数信息基于连续概率量度。所述处理单元被配置为生成正则化函数，其中，使用边缘保留参数信息对正则化函数进行局部调整，并且被配置为通过将图像重建算法应用于图像前兆信息来生成重建图像信息。
图像重建算法将正则化函数R应用于图像前兆信息λi，从而提供重建图像信息λi+1，其中图像前兆信息λi的噪声相关特征已经比图像前兆信息λi的边缘相关特征得到了更强的过滤。
因此，可以去除(在最终图像中不想要的)源自聚类噪声斑点的图像中的大的局部体素差异，同时，可以保留(在最终图像中想要的)表示生理上重要的边缘特征的小的局部体素差异。统计模型用于确定找到的模式与总体特征(边缘)模型和噪声模型的匹配程度，其还考虑图像前兆信息中的局部统计变化。统计模型的使用使得边缘保留参数信息成为连续函数，这是因为边缘保留参数信息可以例如从一个或多个概率密度函数中采样。
因此，能够更准确地在聚类噪声斑点和基于生理学的特征之间进行区分。
在本发明的陈述中讨论了第一方面的其他实施例。
根据本发明的第三方面，提供一种医学成像系统62。该系统包括：
-患者成像装置66；
-显示单元68；以及
-如在第一方面或其实施例中定义的用于迭代图像重建中的人工噪声抑制的设备70。
所述患者成像装置包括成像传感器64，其被配置为向用于图像重建的设备提供患者的感兴趣区域的图像信息。
所述显示单元被配置为显示由用于图像重建的设备输出的重建图像信息。
因此，提供一种医学成像系统，其提供聚类噪声斑点与基于生理学的特征之间的更准确的区分。
根据本发明的第四方面，提供一种用于控制根据第一方面或其实施例之一的用于图像重建的设备的计算机程序单元，其中，当计算机程序单元由控制单元执行时，其适于执行第二方面或其实施例之一的步骤。
根据本发明的第五方面，提供一种计算机可读介质，其存储有第四方面的程序单元。
应当注意，上述方法步骤还可以以不同的顺序执行。例如，可以在接收C臂成像的取向之前从C臂成像装置的图像探测器接收医学图像数据。
在本发明的另一方面中，提供一种计算机程序或计算机程序单元，其特征在于适于在适当的系统上执行第二方面或其实施例的方法的方法步骤，如根据前述实施例之一所讨论的。
计算机程序单元因此可以存储在计算机单元上，所述计算机单元也可以是本发明实施例的一部分。该计算单元可以适于执行或诱导执行上述步骤。而且，它可以适于操作上述装置的部件。计算单元能够适于自动操作，和/或适于执行用户的命令。可以将计算机程序加载到数据处理器的工作存储器中。因此，数据处理器可以配备为执行第二方面的方法。
本发明的该范例性实施例涵盖了被配置为最初使用本发明的计算机程序，或者从现有程序配置为借由例如软件更新使用本发明的程序的计算机程序。
计算机程序单元因此能够提供完成根据上述第二方面所需的过程所必要的所有必要步骤。
根据本发明的其他范例性实施例，提供一种计算机可读介质，诸如CD-ROM；其中，计算机可读介质具有已经在其上存储了计算机程序单元的计算机可读介质，其中，计算机程序单元在之前的部分中描述。
计算机程序可以存储和/或分布在合适的介质上，例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质。计算机可读介质还可以以其他形式分布，例如经由互联网或其他有线或无线电信系统。
计算机程序还可以通过诸如万维网之类的网络呈现，并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的方面的其他范例性实施例，提供一种用于使计算机程序单元可用于下载的介质，该计算机程序单元被布置为执行根据本发明的前述实施例之一的方法。
应当注意，参考不同的主题描述了本发明的实施例。具体地，参考方法类型特征描述了一些实施例，而关于装置类型特征描述了其他实施例。本领域普通技术人员将从以上描述和以下描述中理解，除非另有说明，否则除了属于一种类型主题的特征的任何组合之外，还在本申请中公开了属于一种类型的主题的任何特征的组合，还有涉及不同主题的任何特征之间的组合。能够组合所有特征以提供协同效应，这不仅仅是对特征的简单加和。
尽管已经在附图和前面的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或范例性的，而不是限制性的。本发明不限于所公开的实施例。通过对附图、说明书和从属权利要求中的公开内容的研究，本领域普通技术人员在实践所要求保护的发明时能够理解和实现所公开实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或步骤。不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中叙述某些措施的仅有事实并不表示这些措施的组合不能有利地使用。
权利要求中的任何附图标记不应被解释为限制权利要求的范围。
Claims (14)
1.一种用于迭代图像重建中的人工噪声抑制的设备（58），其中，所述设备包括：
- 处理单元（60）；
其中，所述处理单元被配置为：采集图像前兆信息（λ i ），以（i）使用边缘模式探测器来生成所述图像前兆信息（λ i ）的边缘模式信息，以及（ii）生成噪声模式信息，并且所述处理单元被配置为基于所述边缘模式信息、所述噪声模式信息和所述图像前兆信息（λ i ）来生成边缘保留参数信息（γ），
其中，所述处理单元（60）被配置为生成正则化函数（R），使用所述边缘保留参数信息（γ）对所述正则化函数（R）进行局部调整，并且所述处理单元被配置为通过将图像重建算法应用于所述图像前兆信息（λ i ）来生成重建图像信息（λ i+1 ），
其中，所述图像重建算法将所述正则化函数（R）应用于所述图像前兆信息（λ i ），从而提供重建图像信息（λ i+1 ），其中所述图像前兆信息（λ i ）的噪声相关特征已经比所述图像前兆信息（λ i ）的边缘相关特征得到了更强的过滤，
其中，所述边缘保留参数信息（γ）是通过使用统计模型确定所述图像前兆信息中的所述边缘模式信息和所述噪声模式信息匹配边缘模型和噪声模型的程度而获得的连续概率量度，这也考虑了所述图像前兆信息中的局部统计变化。
2.根据权利要求1所述的设备（58），
其中，所述边缘模式探测器被配置为将一个或多个边缘模型应用于所述图像前兆信息以生成所述边缘模式信息，其中，所述边缘模型包括参考边缘模型，所述参考边缘模型是能够用于统计地指示所述图像前兆信息中存在特征边缘的可能性的图像像素或体素的子集的原型空间分布模型。
3.根据权利要求1或2所述的设备（58），其中，所述处理单元（60）还被配置为：
通过根据所述图像前兆信息（λ i ）计算符号二元模式信息（b 符号 ）并且根据所述图像前兆信息（λi）计算差异二元模式信息（b 差异 ）来生成所述边缘模式信息；
其中，当与所述图像前兆信息（λ i ）中的邻域像素或体素中的中心像素或体素比较时，所述符号二元模式信息（b 符号 ）在每个邻域像素或体素的正差与负差之间进行区分，并且其中，所述差异二元模式信息（b 差异 ）区分具有大于差异阈值的相对于所述邻域像素或体素中的中心像素或体素的强度差异的像素或体素。
4.根据权利要求3所述的设备（58），其中，所述处理单元（60）还被配置为：
生成包括针对每个分类的像素或体素入射信息的多个分类，其中，所述多个分类中的每个分类基于所述边缘二元模式信息、所述差异二元模式信息（b 差异 ）和所述符号二元模式信息（b 符号 ）中的至少两个的匹配位的逻辑组合而被形成。
5.根据权利要求4所述的设备（58），其中，所述处理单元（60）还被配置为：
基于所述多个分类的每个分类中的像素或体素的数量以及每个分类的概率生成边缘概率量度（p 边缘 ）。
6.根据权利要求5所述的设备（58），其中，所述处理单元（60）还被配置为：
使用所述边缘概率量度（p 边缘 ）来计算所述边缘保留参数信息（γ）。
7.根据权利要求1或2所述的设备（58），其中，所述处理单元（60）还被配置为：
获得多个参考噪声模式作为所述噪声模式信息；并且其中，通过对所述多个参考噪声模式与所述边缘模式信息（b 边缘 ）进行组合来额外地生成所述边缘保留参数信息（γ）。
8.根据权利要求5所述的设备（58），其中，所述处理单元（60）还被配置为：
针对所述图像前兆信息（λ i ）的元素，将噪声概率值（p 噪声 ）生成为所述多个分类的各个分类（C i ）的所述噪声概率的乘积之总和，并且生成它们的噪声概率（p n ）。
9.根据权利要求8所述的设备（58），其中，所述处理单元（60）还被配置为通过针对每个像素或体素找到所述边缘概率与所述噪声概率的概率比率（R i ）来生成所述边缘保留参数信息（γ）；并且被配置为对所述概率比率（R i ）求和，以形成总和比率（R 总和 ）作为初始边缘保留参数信息（γ 1 ）。
10.根据权利要求9所述的设备（58），其中，所述处理单元（60）还被配置为：
使用指数或S型函数限制初始边缘保留参数信息（γ 1 ）来形成所述边缘保留参数信息（γ）。
11.一种用于迭代图像重建中的人工噪声抑制的方法，包括：
a）采集图像前兆信息（λ i ）；
b）（i）使用边缘模式探测器来生成所述图像前兆信息（λ i ）的边缘模式信息，以及（ii）生成噪声模式信息；
c）基于所述边缘模式信息、所述噪声模式信息和所述图像前兆信息（λ i ）来生成边缘保留参数信息（γ），
d）生成正则化函数（R），其使用所述边缘保留参数信息（γ）而被局部调整；以及
e）通过将图像重建算法应用于所述图像前兆信息（λ i ）来生成重建图像信息（λ i+1 ）；
其中，所述图像重建算法将所述正则化函数（R）应用于所述图像前兆信息（λi），从而提供重建图像信息（λ i+1 ），在所述重建图像信息中，所述图像前兆信息（λ i ）的噪声相关特征已经比所述图像前兆信息（λ i ）的边缘相关特征得到了更强的过滤，
其中，所述边缘保留参数信息（γ）是通过使用统计模型确定所述图像前兆信息中的所述边缘模式信息和所述噪声模式信息匹配边缘模型和噪声模型的程度而获得的连续概率量度，这也考虑了所述图像前兆信息中的局部统计变化。
12.根据权利要求11所述的方法，
其中，通过使用边缘模式探测器来生成所述边缘模式信息以将一个或多个边缘模型应用于所述图像前兆信息，其中，所述边缘模型包括参考边缘模型，所述参考边缘模型是图像像素或体素的子集的原型空间分布模型，其能够用于统计地指示所述图像前兆信息中存在特征边缘的可能性。
13.一种医学成像系统（62），包括：
- 患者成像装置（66）；
- 显示单元（68）；以及
- 根据权利要求1至10中的一个所述的用于迭代图像重建中的人工噪声抑制的设备（58）；
其中，所述患者成像装置包括成像传感器（64），所述成像传感器被配置为向用于迭代图像重建中的人工噪声抑制的所述设备提供患者的感兴趣区域的图像信息；
其中，所述显示单元（68）被配置为显示由用于迭代图像重建中的人工噪声抑制的所述设备输出的重建图像信息（λ i+1 ）。
14.一种计算机可读介质，其存储有用于控制根据权利要求1至10中的一项所述的用于迭代图像重建中的人工噪声抑制的设备（58）的计算机程序单元，所述计算机程序单元在由控制单元执行时，适于执行根据权利要求11或12中的一项所述的用于迭代图像重建中的人工噪声抑制的方法的各步骤。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16163873.9 | 2016-04-05 | ||
| EP16163873 | 2016-04-05 | ||
| PCT/EP2017/058060 WO2017174627A1 (en) | 2016-04-05 | 2017-04-05 | Medical image processing |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108885786A CN108885786A (zh) | 2018-11-23 |
| CN108885786B true CN108885786B (zh) | 2023-07-07 |
Family
ID=55745569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780021509.6A Active CN108885786B (zh) | 2016-04-05 | 2017-04-05 | 医学图像处理 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US10740877B2 (zh) |
| EP (1) | EP3440625B1 (zh) |
| JP (1) | JP6792634B2 (zh) |
| CN (1) | CN108885786B (zh) |
| WO (1) | WO2017174627A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11354834B2 (en) | 2018-01-02 | 2022-06-07 | Koninklijke Philips N.V. | Learning-based voxel evolution for regularized reconstruction |
| CN110367985B (zh) * | 2019-07-18 | 2023-01-03 | 惠仁望都医疗设备科技有限公司 | 一种低场磁共振线扫弥散成像去除黑色条纹的方法 |
| DE102020207210A1 (de) * | 2020-06-09 | 2021-12-09 | Siemens Healthcare Gmbh | Rekonstruktionsmodul und Verfahren zur Rekonstruktion von medizinischen Bildern |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013106512A1 (en) * | 2012-01-10 | 2013-07-18 | The Johns Hopkins University | Methods and systems for tomographic reconstruction |
| WO2013144804A1 (en) * | 2012-03-29 | 2013-10-03 | Koninklijke Philips N.V. | Iterative image reconstruction with regularization |
| WO2014177953A1 (en) * | 2013-04-29 | 2014-11-06 | Koninklijke Philips N.V. | De-noised reconstructed image data edge improvement |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7412107B2 (en) * | 2004-12-17 | 2008-08-12 | The Regents Of The University Of California, Santa Cruz | System and method for robust multi-frame demosaicing and color super-resolution |
| US8538099B2 (en) | 2005-03-23 | 2013-09-17 | General Electric Company | Method and system for controlling image reconstruction |
| US8059905B1 (en) * | 2005-06-21 | 2011-11-15 | Picture Code | Method and system for thresholding |
| CA2748234A1 (en) * | 2008-12-25 | 2010-07-01 | Medic Vision - Imaging Solutions Ltd. | Denoising medical images |
| DE102009014723B4 (de) * | 2009-03-25 | 2012-10-25 | Siemens Aktiengesellschaft | Kontrastabhängige Regularisierungsstärke bei der iterativen Rekonstruktion von CT-Bildern |
| DE102010029281A1 (de) * | 2010-05-25 | 2011-12-01 | Siemens Aktiengesellschaft | Verfahren und Bildrekonstruktionseinrichtung zur Rekonstruktion von Bilddaten |
| JP5759159B2 (ja) * | 2010-12-15 | 2015-08-05 | 富士フイルム株式会社 | 放射線断層画像生成方法および装置 |
| DE102011106405B4 (de) * | 2011-07-02 | 2021-08-12 | Drägerwerk AG & Co. KGaA | Elektroimpedanztomographie-Gerät |
| US8416914B2 (en) * | 2011-07-08 | 2013-04-09 | General Electric Company | System and method of iterative image reconstruction for computed tomography |
| US9595121B2 (en) | 2012-11-02 | 2017-03-14 | General Electric Company | Systems and methods for PET penalized-likelihood image reconstruction with spatially varying smoothing parameters |
| WO2014170780A1 (en) * | 2013-04-19 | 2014-10-23 | Koninklijke Philips N.V. | Iterative image reconstruction with tissue dependent regularization |
| WO2015162519A1 (en) * | 2014-04-23 | 2015-10-29 | Koninklijke Philips N.V. | Restoration of low contrast structure in de-noise image data |
| US9524567B1 (en) * | 2014-06-22 | 2016-12-20 | InstaRecon | Method and system for iterative computed tomography reconstruction |
| US9225889B1 (en) * | 2014-08-18 | 2015-12-29 | Entropix, Inc. | Photographic image acquisition device and method |
-
2017
- 2017-04-05 JP JP2018551957A patent/JP6792634B2/ja active Active
- 2017-04-05 WO PCT/EP2017/058060 patent/WO2017174627A1/en active Application Filing
- 2017-04-05 US US16/082,663 patent/US10740877B2/en active Active
- 2017-04-05 EP EP17715165.1A patent/EP3440625B1/en active Active
- 2017-04-05 CN CN201780021509.6A patent/CN108885786B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013106512A1 (en) * | 2012-01-10 | 2013-07-18 | The Johns Hopkins University | Methods and systems for tomographic reconstruction |
| WO2013144804A1 (en) * | 2012-03-29 | 2013-10-03 | Koninklijke Philips N.V. | Iterative image reconstruction with regularization |
| WO2014177953A1 (en) * | 2013-04-29 | 2014-11-06 | Koninklijke Philips N.V. | De-noised reconstructed image data edge improvement |
Also Published As
| Publication number | Publication date |
|---|---|
| US10740877B2 (en) | 2020-08-11 |
| JP2019515255A (ja) | 2019-06-06 |
| CN108885786A (zh) | 2018-11-23 |
| WO2017174627A1 (en) | 2017-10-12 |
| EP3440625A1 (en) | 2019-02-13 |
| US20190080438A1 (en) | 2019-03-14 |
| EP3440625B1 (en) | 2021-06-09 |
| JP6792634B2 (ja) | 2020-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wolterink et al. | Generative adversarial networks for noise reduction in low-dose CT | |
| Abdolali et al. | Automatic segmentation of mandibular canal in cone beam CT images using conditional statistical shape model and fast marching | |
| US9230320B2 (en) | Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules | |
| Hatt et al. | Fuzzy hidden Markov chains segmentation for volume determination and quantitation in PET | |
| Cheng-Liao et al. | PET image reconstruction with anatomical edge guided level set prior | |
| US9355447B2 (en) | System and method for gradient assisted non-connected automatic region (GANAR) analysis | |
| WO2020214911A1 (en) | Method and system for generating attenuation map from spect emission data based upon deep learning | |
| Cheng-Liao et al. | Segmentation of mouse dynamic PET images using a multiphase level set method | |
| Wei et al. | Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography | |
| CN108885786B (zh) | 医学图像处理 | |
| JP2019524356A (ja) | 異なる反復から抽出された特徴画像を使用する特徴ベースの画像処理 | |
| Foster et al. | Robust segmentation and accurate target definition for positron emission tomography images using affinity propagation | |
| Alam et al. | Generalizable cone beam CT esophagus segmentation using physics-based data augmentation | |
| US10993688B2 (en) | Method of data processing for computed tomography | |
| Asma et al. | Quantitatively accurate image reconstruction for clinical whole-body PET imaging | |
| 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 | |
| Leonardi et al. | 3D reconstruction from CT-scan volume dataset application to kidney modeling | |
| CN112912934B (zh) | 用于使用解剖数据的活动图像重建的方法和系统 | |
| Cao et al. | Dynamic PET image reconstruction incorporating multiscale superpixel clusters | |
| Gifford et al. | Accounting for anatomical noise in SPECT with a visual-search human-model observer | |
| CN112365593B (zh) | 一种pet图像重建的方法和系统 | |
| Santos et al. | Evaluation-oriented training strategy on MS segmentation challenge 2016 | |
| Ashfaq et al. | A modified fuzzy C means algorithm for shading correction in craniofacial CBCT images | |
| Miandoab et al. | Extraction of respiratory signal based on image clustering and intensity parameters at radiotherapy with external beam: A comparative study | |
| Muthuswamy et al. | Reinforcing optimization enabled interactive approach for liver tumor extraction in computed tomography images |
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 |