CN109716388B - 图像数据中的降噪 - Google Patents

图像数据中的降噪 Download PDF

Info

Publication number
CN109716388B
CN109716388B CN201780037321.0A CN201780037321A CN109716388B CN 109716388 B CN109716388 B CN 109716388B CN 201780037321 A CN201780037321 A CN 201780037321A CN 109716388 B CN109716388 B CN 109716388B
Authority
CN
China
Prior art keywords
attribute
input signal
similarity
signal values
attributes
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
Application number
CN201780037321.0A
Other languages
English (en)
Other versions
CN109716388A (zh
Inventor
尤德·乔里斯·斯密特
沃尔夫冈·马赛厄斯·普罗科普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stichting Katholieke Universiteit
Original Assignee
Stichting Katholieke Universiteit
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Stichting Katholieke Universiteit filed Critical Stichting Katholieke Universiteit
Publication of CN109716388A publication Critical patent/CN109716388A/zh
Application granted granted Critical
Publication of CN109716388B publication Critical patent/CN109716388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/70Denoising; Smoothing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10016Video; Image sequence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/100764D tomography; Time-sequential 3D tomography
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10088Magnetic resonance imaging [MRI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10104Positron emission tomography [PET]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10108Single photon emission computed tomography [SPECT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • G06T2207/20028Bilateral filtering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Nuclear Medicine (AREA)

Abstract

公开了一种用于对输入图像数据集进行滤波的系统。包括多个输入信号值序列,其中每个序列对应于不同属性,其中输入信号值与属性和采样点(i)相关联。至少一个处理器(4)被配置成控制计算对应于采样点和属性的输出信号值。对于特定采样点(i)并且对于属性集的多个不同属性中的每一个,基于针对排除采样点(i)的多个采样点j的所述信号值之间的相似性来将权重关联到输入信号值。另外,系统基于输入信号值和权重来计算加权和。属性是位置或频率。

Description

图像数据中的降噪
技术领域
本发明涉及对输入图像数据集进行滤波。本发明还涉及降噪,特别是图像数据(例如医学图像数据)中的降噪。
背景技术
由于x射线辐射使诱发癌症的风险增加,因此通过图像质量与患者的辐射曝光量之间的权衡来限制x射线计算机断层扫描(CT)扫描。一般来说,辐射剂量应当保持可合理达到的尽量低(ALARA)。这对于4D CT灌注(CTP)扫描来说尤其重要,4D CT灌注(CTP)扫描由在注入造影剂之后的随时间的多次顺序3D CT扫描组成。每次顺序扫描能够使用的辐射剂量的量因此是有限的,这导致了高水平的噪声。
计算机断层扫描灌注(CTP)脑扫描被获得以检测患有例如急性卒中、蛛网膜下腔出血或颈动脉闭塞性病的脑血管疾病的患者中的异常灌注的区域。这些4D CTP扫描由随时间的多个顺序3D CT扫描组成。因此,为了减少患者的辐射曝光,每次顺序扫描能够使用的x射线辐射的量是有限的,这导致了高水平的噪声。为了检测异常灌注的区域,从例如脑血容量(CBV)、平均通过时间(MTT)以及脑血流量(CBF)的CTP数据来导出灌注参数。用于确定灌注参数的算法、尤其是奇异值分解对噪声非常敏感。为了获得更稳健的结果,将整体噪声阈值用于标准奇异值分解(SVD),并且块循环(block-circulant)SVD使用振荡指数。然而,即使在使用振荡指数时,CBF图的质量仍随着噪声水平增大而急剧地降低。因此,降噪是CTP分析的重要预处理步骤。在4D灌注数据中,不同的组织类型的特性在于时间强度分布(第四维)的差异。例如,健康的组织具有不同于有梗死风险的区域的时间强度分布、对比摄取以及清除,并且白质的时间强度分布不同于灰质的时间强度分布。灌注数据中的降噪目的之一因此是在保持对于确定灌注参数而言重要的时间强度分布的同时降低噪声。
出现在Phys.Med.Biol.56(2011)3857-3872(doi:10.1088/0031-9155/56/13/008)中的论文“4D CT灌注扫描中的TIPS双边降噪产生高质量的脑血流量图(TIPSbilateral noise reduction in 4D CT perfusion scans produces high-qualitycerebral blood flow maps)”公开了一种时间强度部分相似性(TIPS)双边滤波器,所述滤波器用于降低4D CTP扫描中的噪声,同时保持用于确定灌注参数的时间强度分布(第四维)。
将图像中的每个像素值用类似和附近的像素值的加权平均值替换。高斯贴近度函数c(ξ,x)被定义为
使用3D加权平均核,其中权重以3D欧氏距离和第四维的相似性为基础。TIPS函数(p(ξ,x))被定义为
其中ζ(ξ,x)是体素x及相邻体素ξ处的时间强度分布之间的平方差和(SSD)测度。变量σξ是通过确定相似性函数p的斜率来影响滤波器强度的滤波器参数。SSD测度被定义为
其中T是时间维的大小,I(x(x,y,z,t))是体素x(x,y,z)在时间点t的强度值,并且I(ξ(x,y,z,t))是相邻体素ξ(x,y,z)在时间点t的强度值。
对于4D数据集中的每个体素x,双边滤波等式定义如下:
其中m、n以及o分别是x、y以及z方向上的半核大小,c(ξ,x)是如等式1所定义的贴近度函数,p(ξ,x)是如等式2所定义的TIPS函数,并且n(x)是定义如下的归一化因数
给定最佳选择的滤波器参数σd、σζ以及半核大小m、n和o,TIPS滤波器在某些条件下良好地工作。然而,存在由相似性测度p造成的内在限制,所述相似性测度p支持相邻体素ξ的最类似于体素x的时间强度分布的时间强度分布。结果,TIPS滤波之后的时间强度分布可以保持过于类似于体素x的原始分布,这会导致次最佳降噪。另外,对于找到由半核大小m、n及o给出的类似分布存在空间约束条件。在滤波器核内的具有类似时间强度分布的体素不足的情况下,太少的分布会被用于滤波以形成有效噪声抑制。
发明内容
具有用于对包括测量数据的数据集滤波的改进式滤波器将是有利的。
根据本公开的一方面,提供一种用于对输入图像数据集滤波的系统。所述系统被配置成处理输入数据集,所述输入数据集包括对应于采样点i的多个输入信号值序列,其中每个序列对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联。所述系统包括至少一个处理器,所述至少一个处理器被配置成对计算对应于采样点i和属性x的输出信号值I*(x,i)进行控制,其中所述计算包括
●对于特定采样点i以及对于所述属性集的多个M个不同属性yk(=y1,...,yM)中的每一个,基于针对排除所述采样点i的多个采样点j的所述信号值I(x,j)与I(yk,j)之间的相似性Si(x,yk)来将权重w(x,yk,i)关联到输入信号值I(yk,i),以及
●针对yk(=y1,...,yM),基于所述输入信号值I(yk,i)和所述权重w(x,yk,i)来计算加权和。
输入信号值I(x,i)含有由噪声引起的随机误差。由于所述加权和,输出信号值中的随机噪声与输入信号值相比减少。然而,输入信号的序列中的特征被保留在输出信号值中并且不会在加权平均步骤中丢失,这是因为与每个属性yk相关联的权重以yk的信号值的序列与属性x的信号值的序列之间的相似性为基础。为yk和x的输入信号值的序列之间的较高相似性指派较高的权重。通过从相似性测度的计算排除滤波后采样点i,采样点i处的随机噪声并不影响输出信号。采样点i处的噪声因此与所有其他采样点处的噪声解耦。这使得滤波器不太容易受采样点i处的噪声影响。
所述属性可以是位置或频率。例如,位置能够是例如体素的体积区域,或例如像素的二维区域。频率能够是一频率或一频率范围,例如当在频域中表示信号值时。
所述权重w(x,yk,i)可以与所述属性x与所述属性yk之间的差异无关。通过选择与这些属性之间的差异无关的权重,更多的输入信号值能够被用于对输出信号值I*(x,i)的计算做出贡献。这样,能够识别具有类似输入信号值I(y,i)的属性,如此引起改良的滤波器结果。例如,不管组织类型存在的体素之间的距离,类似的组织类型能够导致类似的信号值。能够对同一组织类型的信号值求平均以在不损失关于数据集中所表示的组织的资讯的情况下减少噪声。此外,相似性测度Si(x,yk)可以独立于属性x和yk之间的差异。
例如,当所述属性是位置时,所述权重w(x,yk,i)能够独立于位置x与位置yk之间的距离来确定。此外,相似性测度Si(x,yk)可以独立于位置x和yk之间的差异。
所述处理器可以被配置成在所述属性集的属性y当中选择所述多个不同属性yk,其中k=1,...,M,对于所述多个不同属性yk,所述相似性Si(x,y)满足预定约束条件。这样,通过做出选择,所述系统能够更计算高效地计算滤波器结果。通过使用相似性Si(x,y)来选择属性y,滤波器结果仍然良好。
所述处理器可以被配置成选择所述多个不同属性yk来作为对所述相似性Si(x,y)满足所述预定约束条件的所述属性y的随机选择。随机选择在实验中具有给定的良好结果。
在某些某些实现方式中,所述预定约束条件不对所述属性x与所述属性yk之间的差异强加约束。这样,对用于加权平均值中的属性的选择不受属性之间的差异限制。例如,当属性表示位置时,差异能够是距离。这个距离不必在体素的选择中起作用。
所述采样点i可以对应于时间点。因此,与属性x相关联的输入信号值的序列可以表示时间信号。
所述采样点i可以表示测量的序列。例如,能够执行测量的序列以捕捉移动或时间变化。这能够例如在灌注研究中加以应用。
所述位置可以表示体数据集内的体素位置或图片数据集内的像素位置。
所述位置可以表示安装在龙门上的探测器上的位置和龙门位置。信号值因此可以是在执行任何断层扫描重建之前的龙门上的传感器的传感器值。
所述处理器可以被配置成对所述输入数据集执行运动补偿,并基于经运动补偿的输入信号值来计算所述输出信号值。这样,输入信号值的序列更准确地对应于固定位置,这样会改进滤波器结果。
所述输入信号值可以包括以下各项中的至少一项:计算机断层扫描(CT)数据、计算机断层扫描灌注(CTP)数据、磁共振成像(MRI)数据、单光子发射计算机断层扫描(SPECT)数据以及正电子发射断层扫描(PET)数据。
所述系统可以包括显示器,所述显示器被配置成基于所述输出数据集来显示图像。这个显示器允许查看许多噪声已被移除的图像。
所述系统可以包括医学成像设备,所述医学成像设备包括用以产生输入数据集的至少一个传感器。
根据本发明的另一方面,提供一种对输入图像数据集滤波的方法。所述输入数据集包括对应于采样点i的多个输入信号值序列,其中每个序列对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联。所述方法包括
计算对应于采样点i和属性x的输出信号值I*(x,i),其中所述计算包括
对于特定采样点i以及对于所述属性集的多个M个不同属性yk(=y1,...,yM)中的每一个,基于针对排除所述采样点i的多个采样点j的所述信号值I(x,j)与I(yk,j)之间的相似性Si(x,yk)来将权重w(x,yk,i)关联到输入信号值I(yk,i),以及
针对yk(=y1,...,yM),基于所述输入信号值I(yk,i)和所述权重w(x,yk,i)来计算加权和。
所述方法可以实现为计算机程序产品的形式,所述计算机程序产品包括用于致使处理器系统执行所阐述的方法的步骤的指令。
本领域的技术人员将了解,上述的特征可以用被视为有用的任何方式组合。此外,关于所述系统所描述的修改和变化可以同样地应用于所述方法和所述计算机程序产品,并且关于所述方法所描述的修改和变化可以同样地应用于所述系统和所述计算机程序产品。
附图说明
在下文中,将参考图式用实例来解释本发明的多个方面。所述图式是粗略的,并且可以不按比例绘制。
图1示出了成像系统,所述成像系统包括对输入图像数据集滤波的系统。
图2示出了对输入图像数据集滤波的方法。
图3示出了相似性滤波器在脑部的动态CT成像中的示例应用。
图4示出了相似性滤波器在胸部的动态PET成像中的示例应用。
具体实施方式
在以下详细描述中,将更详细地描述本发明的特征。本文中公开的细节意图作为本领域的技术人员理解本公开的辅助。然而,详细实例并不意图限制本公开的范围。实际上,本公开的许多修改和变型可以变得对本领域的技术人员而言显而易见,所述变化和修改在如所附权利要求及其等同物所限定的本发明的精神和范围内。
根据本公开的一方面,提供一种改进的相似性滤波器。根据本发明的又一方面,提供一种相似性滤波器,所述相似性滤波器使用相似性测度来比较一体素的时间依赖行为与另一体素的时间依赖行为,以便确定两个体素之间的相似性。
根据本公开的又一方面,提供一种时间强度分布相似性(TIPS)滤波器,所述滤波器减少4D计算机断层扫描灌注(CTP)扫描中的噪声,同时保持用于确定灌注参数的时间强度分布(第四维)。
根据本公开的又一方面,提供一种方法,所述方法减少被多次采样的(时间)可变(n维)像素化数据中的随机噪声。
根据又一方面,公开了一种用于降噪的滤波器,所述滤波器通过不仅使用当前(或几个相邻)测量结果来估计体素值,而且在需要时将(几乎)整个测量结果集合用于降噪而在减少每次测量的噪声方面更有效。
根据又一方面,一种滤波器以关于每个采样点处的性质的体素之间的相似性为基础。在本文中,每个采样点可以表示例如时刻或频率。
根据又一方面,体素之间的相似性可以局部地(在待滤波的体素周围)确定,但是也可以整体地确定(通过比较待滤波的体素与数据集内的任何体素)。
根据又一方面,使用测量数据对除特定采样点i以外的所有采样点而言类似的假设,则体素很有可能保持类似性质,并且因此对于采样点i具有类似行为。
图1示出了一种成像系统。所述成像系统包括扫描仪1。所述扫描仪可以是医学成像扫描仪或另一类型的扫描仪。在某些实现方式中,所述扫描仪产生多个测量结果,所述测量结果形成相似性滤波器系统7的输入信号值。此类输入信号值可以与属性相关联。例如,提供多个传感器,并且属性能够包括产生导致输入信号值的测量结果的传感器的索引。替代地或另外,属性能够包括为了产生输入信号值而执行的测量的参数,例如龙门旋转角度或应用的梯度或梯度。在某些实施方式中,组合不同传感器的测量结果以形成二维或三维数据集。这些数据集的像素或体素可以形成输入信号值,并且属性能够包括对应于每个体素的位置的表示。此外,关于属性中的每一个,可以产生输入信号值的序列。测量结果的这个序列在本文中可以被称作采样点。所述序列可以是用以捕捉随时间的变化的时间序列,例如接连地进行的一系列测量。替代地,所述序列可以捕捉基于另一参数的特征的变化,例如采样点可以对应于测量频谱中的不同频率。在某些实施方式中,扫描仪1包括计算机断层扫描扫描仪或MRI扫描仪。在某些实施方式中还可以使用其他类型的扫描仪,例如PET和SPECT扫描仪。例如,可以通过在造影剂流入受试对象期间接连地获取许多体积数据集来捕捉灌注。采样点因而可以对应于连续的体积数据集。
利用所述成像系统生成的数据集可以含有噪声。这种噪声可以由多个测量误差导致。这些测量误差可以是测量值与被测量的性质的基础“真”值的随机偏差。对于数据集中的多个测量结果,均噪声可以为零。这种噪声能够与例如偏置(bias)区分开,偏置是测量值与“真”值的系统偏差。
所述成像系统还能够包括外部存储系统2,例如医院信息系统或一般文件服务器。输入信号值和输出信号值可以存储在外部存储系统2和从外部存储系统2检索。
所述成像系统还能够包括显示装置6,以用于显示滤波后和/或未滤波信号值。这一显示可以呈信号值的图形表示的形式。
相似性滤波器系统7可以包括通信模块3,所述通信模块被配置成接收来自扫描仪2或来自外部存储系统2或来自另一源的输入信号值。此外,通信模块3可以被配置成导出输入信号值并且将输出信号值存储在外部存储装置2中,或将输出信号值发送到另一合适的装置。
相似性滤波器系统7还可以包括存储器5,所述存储器可以被配置成存储数据20,所述数据例如输入信号值、输出信号值以及计算的中间结果。此外,存储器7可以被配置成存储滤波器系统7的可配置参数。在某些实施方式中,存储器7被配置成存储计算机程序10到13,所述计算机程序具有用于致使处理器4执行如本公开中所阐述的对输入信号值滤波的方法的指令。处理器4可以是任何合适的计算机处理器,例如微处理器、控制器或FPGA。替代地,可以提供专用电子电路以实现滤波器操作。
所述计算机程序可以划分成多个功能单元。在本公开中,提供了计算机程序到多个单元的示例划分,但这只是一个例子。其他实现方式能够包括功能性到多个单元的不同划分。
通信模块3可以被配置成接收扫描仪1或外部存储装置2的输入数据集。所述输入数据集可以包括对应于采样点i的多个输入信号值序列,其中每个序列对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联。
滤波器系统7可以包括相似性单元10,所述相似性单元被配置成针对不包括采样点i的多个采样点j来计算信号值I(x,j)与I(yk,j)之间的相似性Si(x,yk)。亦即,确定相关联于第一属性x的输入信号值的序列与相关联于第二属性yk的输入信号值的序列之间的总体相似性测量。在本文中,忽视两个序列的采样点i。亦即,对所述序列加索引,使得属性x的采样点i对应于属性yk的采样点i。针对多个不同第二属性yk(k=1,...,K)来计算相似性Si(x,yk)。这样,可以识别与第一属性x的输入信号值类似的输入信号值的属性。在某些实施方式中,相似性单元10被配置成针对输出信号值是期望的每个属性x执行其操作。相似性单元10还可以被配置成每当从相似性评估Si(x,yk)排除不同的采样点i时,针对同一属性x重复地执行其操作。
相似性滤波器系统7还可以包括选择单元11。选择单元11基于相似性测量Si(x,yk)来选择多个第二属性yk。选中属性的数目在本文中表示为M。在本文中,M<=K。所述选择可以许多不同方式执行,但是在任何情况下,选择相似性测量Si(x,yk)指示高程度相似性的M个属性yk。例如,如果M是预定数字,则可以选择具有与属性x的最大相似性Si(x,yk)的M个属性yk。替代地,可以设置关于相似性的最小阈值,并且可以在第二属性当中选择相似性Si(x,yk)具有高于所述阈值的值的M个属性。这个选择可以是随机选择。替代地,可以选择最接近属性x的合格属性。例如,如果x是位置,则可以选择最接近位置x的M个位置yk。在本文的其他地方描述了替代的选择可能性。在下文中,为了方便起见,对第二属性编号,以使得选中的第二属性表示为yk=y1,...,yM。在某些实施方式中,选择单元11被配置成针对输出信号值是期望的每个第一属性x执行其操作。选择单元11还可以被配置成针对相似性Si(x,yk)经过计算的每个采样点i执行其操作。
相似性滤波器系统7还可以包括加权单元12,所述加权单元用于将权重关联到特定第一属性x的选中第二属性yk=y1,..,yM中的每一个。如上文所提及的,在计算相似性Si(x,yk)和/或选择M个第二属性时不考虑所述采样点i中的一个。所述加权单元将权重值w(x,yk,i)关联到第一属性x、第二属性yk以及排除采样点i的组合。在某些实施方式中,权重是相似性值Si(x,yk)的函数。在某些实施方式中,在计算权重值w(x,yk,i)时不考虑两个属性x与yk之间的差异。一般而言,较大权重w(x,yk,i)被关联到相似性Si(x,yk)较大的组合。加权单元12可以被配置成针对不同的第一属性x、对应的第二属性yk(k=1,...,,M)以及不同的排除采样点i重复其操作。
相似性滤波器系统7还可以包括求和单元13。求和单元13被配置成使用由所述选择单元作出的对第二属性的选择和由所述加权单元确定的权重来计算多个输入信号值的加权和。亦即,所述求和单元针对选中的属性yk=y1,...,yM中的每一个计算输入信号值I(yk,i)的加权和。将对应于在确定相似性函数Si(x,yk)时和在选择第二属性yk时被排除的采样点i的输入信号值相加以形成加权和。例如,加权和可以计算为:
在本文中,算子·可以表示例如乘法。求和单元13可以被配置成针对不同的第一属性x、对应的选中第二属性yk(k=1,...,M)以及不同的采样点i重复其操作。
输出信号值是基于此加权和,所述输出信号值可以由通信模块3输出,或替代地作为数据20而存储在存储器5中。在某些实施方式中,输出信号值是求和单元13的输出I*(x,i)。替代地,可以执行一个或多个后处理步骤,使得输出信号值是基于加权和I*(x,i)。
如前文所提及的,属性可以是位置或频率。然而,这不是限制。属性原则上可以是输入信号值的序列的任何标记。
在某些实施方式中,权重w(x,yk,i)与属性x与属性yk之间的差异无关。因此,基于排除采样点i的属性x和属性yk的输入信号值的序列的相似性来确定权重。同样地,在属性是位置的情况下,权重w(x,yk,i)可以和位置x与位置yk之间的距离无关。然而,在某些实施方式中,还可以考虑这一差异,例如,在与属性x的差异较小的情况下,给予属性yk较大权重。
所述处理器可以被配置成在可用属性集的属性y当中选择多个不同属性yk(其中k=1,...,M),对于所述多个不同属性,相似性Si(x,y)满足预定约束条件,所述预定约束条件例如相似性高于给定阈值或相似性在M个最高排序相似性当中的约束条件。所述处理器可以被配置成选择多个不同属性yk作为对相似性Si(x,y)满足所述预定约束条件的属性y的随机选择。在某些实施方式中,所述预定约束条件不对所述属性x与所述属性yk之间的差异强加约束。采样点i可以对应于进行测量时的时间点,或采样点i可以表示测量结果的序列的索引。
属性包括位置的情形的实例是输入信号值表示空间数据集的情形,其中位置表示体数据集内的体素位置或二维图片数据集内的像素位置。替代地,所述位置可以表示安装在龙门上的探测器的位置和龙门位置。亦即,龙门上的传感器位置以及龙门位置一起确定所述“位置”。在本文中,“龙门位置”可以包括龙门的旋转角度。
在某些实施方式中,所述处理器被配置成对输入数据集执行运动补偿,和基于经过运动补偿的输入信号值来计算输出信号值。这样,更好地评估随时间的输入信号值的序列的相似性,并且滤波器能够更好地执行。
例如,输入信号值能够包括计算机断层扫描(CT)数据、计算机断层扫描灌注(CTP)数据、磁共振成像(MRI)数据、单光子发射计算机断层扫描(SPECT)数据和/或正电子发射断层扫描(PET)数据。
图2示出了对输入图像数据集滤波的方法的流程图。在步骤201中,识别输入数据集。例如,从例如扫描器装置的另一装置接收输入数据集。在本文中,所述输入数据集包括对应于采样点i的多个输入信号值序列,其中每个序列对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联。
在步骤202中,确定属性x和y的多个对的输入信号值的序列之间的相似性Si(x,y)。在本文中,每次从相似性确定排除至少一个采样点i。针对许多不同属性x和y和采样点i来计算这个相似性。
在步骤203中,对于给定第一属性x和采样点i,选择第二属性yk的集合,所述第二属性具有相对大的相似性Si(x,yk)。已经在本公开的其他地方描述了用于这些属性yk的准则。可以针对每个第一属性x并且针对输出信号值是期望的每个采样点i进行这一选择。
在步骤204中,关于每个第一属性x和输出信号值是期望的采样点i,将权重w(x,yk,i)与第二属性yk关联。所述权重是基于相似性Si(x,y)。
在步骤205中,关于每个第一属性x和输出信号值是期望的采样点,使用权重w(x,yk,i)来计算选中第二属性yk的采样点i的加权和。在某些实施方式中,加权和是加权平均值。
在步骤206中,确定对应于采样点i和属性x的输出信号值I*(x,i)。这些输出信号值是基于加权和。
图3示出了当应用于脑部的动态计算机断层扫描(CT)成像时的相似性滤波器的实例。在动态CT中,随时间执行多次扫描。如所示出的,切片301和311对应于时间点t0处的扫描,切片302和312对应于时间点t6处的扫描,并且切片303和313对应于时间点t25处的扫描。图式中仅示出了在动态CT测量的不同时间点处获取的切片中的几个切片。根据这些扫描,能够计算灌注图,例如灌注图304和314中所示的脑血容量。图3的顶部行示出了从扫描仪获得数据时的数据(即未滤波器切片301、302、303)和根据未滤波切片301、302、303计算的灌注图304。在这些未滤波器图像中,解剖结构几乎不可见。图3的底部行示出了相似性滤波之后的结果,即滤波后切片311、312、313,和根据滤波后切片311、312、313计算的灌注图314。在这些滤波后图像中,解剖结构以极高的细节程度可见。
图4示出了当应用于胸部的动态正电子发射断层扫描(PET)成像时的相似性滤波器的实例。左边的图像401示出了从扫描仪获得的动态系列之动脉相,其中右肺(图像的左边)中的解剖结构和肿瘤几乎不可见。右边的图像402示出了相似性滤波之后的结果,其中包括右肺中的肿瘤的肺清晰可见并且边界清晰。
对数据集滤波时所使用的算法的示例实现方式可以描述如下。
首先,提供具有大量体素的数据集。每个体素表示n维空间的元素。对每个体素的特征进行多次测量,例如m次,其中m是大于一的整数。被测量的特征可以是信号,例如体素处的物质的物理性质,例如CT编号或弛豫时间。这个物理性质能够随时间变化,例如由体素处的物质的变化一起。这是例如当造影剂在测量期间流经所述体素时的情况。然而,其他种类的体素数据也能够使用本公开的方法进行处理。在一替代性实施方式中,每个体素的数据能够包括表示频谱的矢量,其中矢量的每个分量表示不同的频率。
如果数据有噪声,则特定采样点i处的测量值可以在其他采样点处的展示出类似行为的体素之间大幅度改变。通过对足够大数目个此类行为上类似的体素的对应采样点i求平均,能够得到采样点i处的这些体素的真实体素强度的改进估计值。
能够通过定义待滤波的体素的特征矢量与数据集中的其他体素的特征矢量之间的距离测度(distance measure)来找出行为类似的体素。在本文中,特征矢量是含有特定体素的采样点的矢量。
本文中公开的滤波器可以对于空间上一致的数据特别有用,这是因为特定属性或位置的采样点的序列全部描述同一物理实体(例如,组织的同一部分)。当不是这种情况时,能够应用例如运动补偿的本领域中独自已知的预处理技术来产生成一致的数据集。此外,所述滤波器在数据集中的噪声不相关时特别地有效,使得噪声在对各种采样点和属性(位置)的数据求和或求平均时被抵消。此外,优选地,有大量属性(例如,许多体素)具有类似行为。为了得到最佳性能,每个采样点的图像噪声应当类似。这个要求可以使用本身在本领域中已知的归一化步骤来实现。应注意,这些优选情形并不是对所公开的滤波器的限制。而是,指明所述滤波器可以特别有效的几个应用领域。在其他情形中,所述滤波器也可以提供令人满意的结果。
在以下描述中,假设:对于每个采样点(例如,对于每个时间点),数据集具有类似噪声。为了实现所述假设,可以执行任选的归一化步骤。替代地,在距离测量中和/或在其他计算步骤中可以考虑每个采样点中的噪声的量。
下表列出了在本公开的其余部分中所使用的符号。
表1:
在一些实施方式中,加权函数f可以取决于合格体素的数目,并且可以是非对称的。
输出信号I*(x,i)可以计算为对应采样点i处的M个体素yj的输入信号I(yj,i)的加权平均值,其中j=1,...,M。为了选择这些M个体素yj,可以选择距离||Ii(x),Ii(yj)||满足特定约束条件的体素。特别地,可以选择这个距离相对小的体素。在某些实施方式中,加权平均值可以基于以下等式来计算:
在本文中,yj(每个j=1,...,M)是满足特定相似性条件的M个体素中的一个。选择这些M个体素的方法的实例包括以下各项:
●||Ii(x),Ii(yj)||最小的M个体素;
●随机选择||Ii(x),Ii(yj)||<k的M个体素,其中k是预定阈值;
●随机选择||Ii(x),Ii(yj)||>k的M个体素,其中k是预定阈值;
●随机选择||Ii(x),Ii(yj)||具有预定义分布(例如,高斯分布)的M个体素。
可以在整个n维数据集或体素x周围的本地子集中搜索yj
距离函数||Ii(x),Ii(yj)||可以是任何合适的距离函数。合适的距离函数的第一实例如下:
这个距离函数是矢量x和y的分量的差的平方的和。替代地,也可能使用这个平方和的根作为距离测度。在另一实例中,考虑测量结果的噪声σi
这个距离是分量的差的平方的加权和,所述加权和根据不同i的噪声来加权。替代地,能够使用这个距离测度的根。另一替代例是矢量x和y的每个分量的绝对差的和:
在这个替代例中,根据噪声水平σi的加权再次是任选的。此外,其他已知的距离测度可以用于替换以上实例。
在以上等式中,加权函数f用于在计算选中体素的采样点i的加权平均值时对测量值加权。在下文中,将给出有用加权函数f的几个实例。然而,可以改为使用其他加权函数。
在第一实例中,不执行加权:
f(d)=d,对于所有d
在第二实例中,执行核c内的齐次加权:
f(d)=1,对于d≤c
f(d)=0,对于d>c
在第三实例中,执行核c内的三角形加权,其中c是大于0的数字:
f(d)=1-d/c,对于d≤c
f(d)=0,对于d>c
在第四实例中,使用大于0的参数c来执行指数加权:
f(d)=exp[-1/2(d/c)2],对于所有d。
所述方法的特别示例应用是计算机断层扫描灌注(CTP)成像。CTP包括在注入静脉造影剂期间连续地获取同一身体区域的多个CT数据采集。CT数据采集的数目在本文中用n来表示。图像噪声的平方常常和1/mAs成比例。由于按mAs计的应用剂量在许多应用中是已知的,因此能够通过使用基于瞬时剂量的对噪声的估计值来应用归一化。采样点i(其中i=1,...,n)可以对应于图像采集的时间点。时间点i处的X射线管的管负载用mAsi来表示。I(x,i)表示位置x和时间点i处的体素的CT编号。Ii(x)表示位置x处在排除时间点i的所有时间点的信号矢量。||Ii(x),Ii(y)||是信号矢量Ii(x)与Ii(y)之间的归一化距离测度。例如,
I*(x,i)是位置x和时间点i处的体素的降噪CT编号。例如,
在本文中,yj(其中j=1,...,M)是满足适用准则(例如,||Ii(x),Ii(yj)||最小(或“足够小”))的体素,并且M是可选择参数,所述可选择参数表示为了计算滤波后输出值而平均的体素的数目。这个参数能够被直觉地视为“剂量增加的虚拟因素”。在某些实施方式中,M的值通常可在30与300之间选择。
在已知的CTP中,在注入造影剂之后,采集通常在10个与30个之间的CT体数据集,虽然CT体数据集的数目可以更大或更小。每个数据集具有相对低的采集剂量,这是因为给予患者的总剂量必须分散在所述CT体数据集上。这些10到30个数据集中的每一个通常由32到320薄区段(0.5到1mm)组成,虽然区段的其他数目和区段厚度是可能的。数据在用上述滤波器进行处理之前可以在空间上被配准,以补偿例如被成像的受试对象的运动。脑组织的对比增强的时间依赖性通常用于计算各种灌注参数。对于脑部的CTP的实例,通常计算脑血流量(CBF)、脑血容量(CBV)以及平均通过时间(MTT),并且使用这些参数来区分疑似卒中的患者中的正常、灌注不足以及梗死的组织
由于每个CT体数据集的低剂量采集,未滤波的薄区段数据可以经受极高的图像噪声。因为10到30个数据集被采集,所以总采集剂量仍高于标准CT的总采集剂量。当计算CBF、CBV以及MTT图像时,这个噪声导致不准确的结果,因此,图像噪声需要在计算CBF、CBV以及MTT图像之前降低。可以通过将灌注图像的厚度增大到5到10mm和额外(通常平滑的)面内滤波来降低噪声。这些降噪技术造成所谓的部分容积效应(partial volume effect)和模糊,所述部分容积效应和模糊导致关于小异常(例如,腔隙脑梗死)的问题和由直径小于所述区段厚度的血管引起的伪影。
在使用本公开的建议相似性滤波器对CT数据滤波之后,在过去已经用于CTP的辐射剂量水平下,即使对于1mm区段,也能够获得具有低噪声和高空间和对比度分辨率的极佳图像质量。能够从这些滤波后数据重建高质量的动态4D-CT造影。能够产生示出了高分辨率和低图像噪声的CTP图像(CBF、CBV以及MTT)。这些图像能够使检测小异常(即使在1mm区段上)成为可能。
改进的滤波器可以帮助从根本上改进诊断准确性,并且允许对较小梗死进行评估。其他的新应用也可以通过所述方法变为可能。替代地,有可能在不损失诊断准确性的情况下可以减少辐射剂量。通过使CTP能够在标准剂量水平下具有极佳质量,可以消除将CTP引入到临床实践中的主要当前障碍。人们甚至可以设想CTP变成将被用于绝大部分具有特定临床状况的患者的主要扫描模式。
所述相似性滤波器能够应用于任何CT技术,在所述CT技术中,随时间过去采集到多个3D(或2D)数据,并且CT衰减在这些采集间有变化。在某些实施方式中,数据需要进行空间配准,以确保同一个体积元素(体素)始终对同一组织编码。
在通气成像中,在呼吸周期期间能够获取多个CT体积,以便检测肺通气的局部变化或分析肺运动。期望此情况具有针对评估局部气体陷闭、支气管塌陷或评估肿瘤是否固定到纵隔或胸壁。的诊断用途。在某些实施方式中,各种体积应在不进行密度校正的情况下彼此配准,此后,应用所述相似性滤波器以降噪。这使得在呼吸周期期间分析动态密度变化变为可能。通过逆向应用从配准过程获得的变形场,能够以高图像质量将运动可视化。
组合式CTP和运动评估也是可能的。在采集期间经历运动的区域中的CTP采集不能能够分析灌注,而且能够用于分析运动。例如,这一情况能够对计划进行放射治疗的患者有用,以便了解靶器官的运动,并同时分析待辐照的肿瘤的灌注。在某些实施方式中,各种体积在肺部经过密度校正的情况下彼此配准。这意味着由肺组织的压缩和膨胀引起的肺密度的变化得到补偿。所述相似性滤波器因此被用于降低噪声。这使得分析CTP的动态密度变化成为可能。通过逆向应用来自配准过程的变形场,也能够以高图像质量将运动可视化。
以原始数据为基础的分析也是可能的。上文公开的技术可以应用于图像空间中的已重建3D数据。然而,同一技术还能够被用于在图像重建之前对原始数据滤波(即,探测器读取)。此技术具有如下优点:先进的新迭代重建算法能够利用由所述相似性滤波器获得的降噪,以进一步改进图像质量或降低辐射剂量要求。在某些实施方式中,进行以下步骤以实现此技术。首先,从原始数据重建3D体积。此后,将这些体积在空间上配准以对运动进行补偿。接下来,对经运动校正的数据进行背投影,以产生经运动校正的原始数据集。可以任选地应用额外的校正以补偿专用扫描仪的技术细节。使用所述相似性滤波器对所得的原始数据集滤波。在本文中,龙门角度和龙门上的传感器的位置可以表示位置矢量x,并且对每个位置x的连续检测可以形成采样点i。滤波后的原始数据此后能够使用包括迭代重建或背投影的任何合适计算机断层扫描技术来重建。
还能够使用所述相似性滤波器来改进磁共振成像(MRI)数据。在MRI中,增大空间分辨率需要较长的采集持续时间或造成本质上较高的图像噪声。为了避免过长的扫描仪时间,在多个体积的时间序列将被重建的情形下,通常要避免高分辨率采集。所述相似性滤波器能够被用于增大空间分辨率或减小扫描持续时间,或其组合。此外,在某些实施方式中,在应用所述相似性滤波器之前,执行对体数据集的序列的空间配准。
动态对比增强磁共振成像(DCE-MRI)以类似原理为基础,如同在注入造影剂期间,一个接一个地多次采集CTP:3D数据,使得能够对造影剂的流动进行研究。所述相似性滤波器能够以多种不同方式用于动态对比增强MRI。在某些实施方式中,在不改变采集协议的情况下使用所述相似性滤波器,其方式与CTP类似。即,可以使用上文中公开的所述技术对连续的体积MRI数据集滤波。这将通过降低噪声来提高图像质量,但是不会提高空间分辨率或减小采集时间,这是因为后两个参数没有变化。在一些实施方式中,每个3D数据的采集时间与现有DCE-MRI数据采集协议相比被缩短。这样,时间分辨率和/或空间分辨率可以增大,这样可以帮助更好地分析造影剂的动脉流入。在某些实施方式中,在采集时间增大或不增大的情况下,增大矩阵大小。这会使空间分辨率增大。
弥散加权成像(DWI)以具有变化的采集参数(b值)的多次MR采集为基础。这个b值表示所应用的弥漫加权的程度。所述相似性滤波器能够以关于DCE-MRI的类似方式使用,其中将b作为替代时间的参数。此外,选择介于较高图像质量、较快采集或较高空间分辨率之间。所述相似性滤波器可以视用户选择而改进这些因素(图像质量、采集速度以及空间分辨率)中的一个或多个或全部。
动脉自旋标记(ASL)是产生反映灌注的有噪声时间分辨MRI数据的技术。所述相似性滤波器能够以类似于用于CTP或DCE-MRI的方法的方式应用于此类数据。
由于图像噪声高和图像质量不足,在核医学中很少进行动态检查。所述相似性滤波器能够被用于恢复动态闪烁成像(dynamic scintigraphy)中的图像质量,动态闪烁成像是2D技术,其中获取在注入示踪剂之后的多个投影图像,从而展示靶区域中的灌注和示踪剂摄取。
动态单光子发射计算机断层扫描(SPECT)由于长采集时间而尚未被(充分地)开发。在某些实施方式中,能够进行以下步骤以将所述相似性滤波器应用于SPECT:探测器环在快速旋转模式下(原则上应尽可能地快,通常为每转大于10秒)围绕患者移动。来自每次(一半)旋转的数据被用于产生3D数据集(所述数据集通常会遭受严重噪声)。通过重建在某些时间(例如,用于SPECT的采集的全规则时间)期间所进行的所述(一半)旋转的这些数据,产生包括在各种时间点重建的多个3D采集的时间分辨4D数据集。
为了改进质量,针对呼吸和心脏脉动,能够任选地(另外)对数据进行门控以补偿运动并且允许运动校正。
所述相似性滤波器接着能够提供接近标准SPECT检查的图像质量的图像质量,但是与标准SPECT检查相比,针对每个动态阶段,获得单独的体积图像。
在正电子发射断层扫描(PET)中,噪声能够由于随机符合或散射而出现。滤波器可以用于以如下方式来实现例如PET离群值减少。首先,将总采集时间分成单独地被重建的m个格(bin)。对作为采样点i的这些m个数据集使用所述相似性滤波器可消除数据不一致性(散射、随机符合)。此后,能够再次组合利用m个格中的每一个所获取的数据集,以产生最终的校正后图像。和计算机断层扫描一样,将传感器位置用作位置x并且将格用作采样点i,所述滤波技术也可以应用于传感器数据(正弦图)。
本发明的一些或全部方面可以适合于用软件形式、特别是计算机程序产品来实现。此计算机程序产品可以包括软件存储所在的存储媒体,例如存储器。所述计算机程序也可以用由传输媒体(例如光纤缆线或空气)携带的信号(例如光信号或电磁信号)来表示。所述计算机程序可以部分地或全部地具有适合由计算机系统执行的源代码、目标代码或伪代码的形式。例如,所述代码可以是一个或多个处理器可执行的。
本文中所描述的实例和实施方式是用来说明本发明而不是限制本发明。本领域的技术人员将能够在不背离权利要求的范围的情况下设计替代性实施方式。权利要求中的在圆括号中的参考标志不应被解释为限制权利要求的范围。在权利要求或所述描述中被描述为单独实体的项目可以实现为组合了所描述项目的特征的单个硬件或软件项目。

Claims (13)

1.一种用于对输入图像数据集进行滤波的系统,其中所述输入图像数据集包括对应于采样点i的多个输入信号值序列,其中所述采样点i对应于时间点或其中所述采样点i表示一序列的测量,其中对于正整数n,每个序列I(x,1)、I(x,2)、……、I(x,n)对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联,其中所述属性是位置或频率并且所述采样点i表示所述序列I(x,1)、I(x,2)、……、I(x,n)中的索引,所述系统包括
至少一个处理器,所述至少一个处理器被配置成控制计算对应于采样点i和属性x的输出信号值I*(x,i),其中所述计算包括
对于特定采样点i以及对于所述属性集的M个不同属性yk中的每一个,基于针对排除所述采样点i的多个采样点j的所述信号值I(x,j)与I(yk,j)之间的相似性Si(x,yk)来将权重w(x,yk,i)关联到输入信号值I(yk,i),其中k=1,...,M,以及
针对yk,基于所述输入信号值I(yk,i)和所述权重w(x,yk,i)来计算加权和,其中k=1,...,M。
2.如权利要求1所述的系统,其中所述权重w(x,yk,i)与所述属性x与所述属性yk之间的差异无关。
3.如权利要求2所述的系统,其中所述属性是位置,并且所述权重w(x,yk,i)与所述属性x与所述属性yk之间的距离无关。
4.如权利要求1所述的系统,其中所述处理器被配置成在所述属性集的属性y当中选择所述M个不同属性yk,对于所述M个不同属性yk,所述相似性Si(x,y)满足预定约束条件。
5.如权利要求4所述的系统,其中所述处理器被配置成选择所述M个不同属性yk来作为对所述相似性Si(x,y)满足所述预定约束条件的所述属性y的随机选择。
6.如权利要求4所述的系统,其中所述预定约束条件不对所述属性x与所述属性yk之间的差异强加约束。
7.如权利要求1所述的系统,其中所述位置表示体数据集内的体素位置或图片数据集内的像素位置。
8.如权利要求1所述的系统,其中所述位置表示安装在龙门上的探测器上的位置和龙门位置。
9.如权利要求1所述的系统,其中所述处理器被配置成对所述输入图像数据集执行运动补偿,并基于经运动补偿的输入信号值来计算所述输出信号值。
10.如权利要求1所述的系统,其中所述输入信号值包括以下各项中的至少一项:计算机断层扫描CT数据、计算机断层扫描灌注CTP数据、磁共振成像MRI数据、单光子发射计算机断层扫描SPECT数据以及正电子发射断层扫描PET数据。
11.如权利要求1所述的系统,所述系统还包括显示器,所述显示器被配置成基于所述输出信号值来显示图像。
12.如权利要求1所述的系统,所述系统还包括医学成像设备,所述医学成像设备包括用以产生所述输入图像数据集的至少一个传感器。
13.一种对输入图像数据集滤波的方法,其中所述输入图像数据集包括对应于采样点i的多个输入信号值序列,其中所述采样点i对应于时间点或其中所述采样点i表示一序列的测量,其中对于正整数n,每个序列I(x,1)、I(x,2)、……、I(x,n)对应于属性集的不同属性x,其中输入信号值I(x,i)与属性x和采样点i相关联,其中所述属性是位置或频率并且所述采样点i表示所述序列I(x,1)、I(x,2)、……、I(x,n)中的索引,所述方法包括
计算对应于采样点i和属性x的输出信号值I*(x,i),其中所述计算包括
对于特定采样点i并且对于所述属性集的多个M个不同属性yk中的每一个,基于针对排除所述采样点i的多个采样点j的所述信号值I(x,j)与I(yk,j)之间的相似性Si(x,yk)来将权重w(x,yk,i)关联到输入信号值I(yk,i),其中k=1,...,M,以及
针对yk,基于所述输入信号值I(yk,i)和所述权重w(x,yk,i)来计算加权和,其中k=1,...,M。
CN201780037321.0A 2016-05-13 2017-05-15 图像数据中的降噪 Active CN109716388B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16169555.6 2016-05-13
EP16169555.6A EP3244368A1 (en) 2016-05-13 2016-05-13 Noise reduction in image data
PCT/EP2017/061624 WO2017194787A1 (en) 2016-05-13 2017-05-15 Noise reduction in image data

Publications (2)

Publication Number Publication Date
CN109716388A CN109716388A (zh) 2019-05-03
CN109716388B true CN109716388B (zh) 2023-12-01

Family

ID=55970891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780037321.0A Active CN109716388B (zh) 2016-05-13 2017-05-15 图像数据中的降噪

Country Status (8)

Country Link
US (1) US10902562B2 (zh)
EP (2) EP3244368A1 (zh)
JP (1) JP7122301B2 (zh)
CN (1) CN109716388B (zh)
ES (1) ES2896954T3 (zh)
LT (1) LT3455824T (zh)
PL (1) PL3455824T3 (zh)
WO (1) WO2017194787A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11918407B2 (en) * 2018-04-10 2024-03-05 Bayer Healthcare Llc Flexible dose estimation with user-defined volumes
CN110187356B (zh) * 2019-06-14 2021-07-09 中国科学技术大学 远距离超分辨单光子成像重构方法
CN110288587A (zh) * 2019-06-28 2019-09-27 重庆同仁至诚智慧医疗科技股份有限公司 一种缺血性脑卒中磁共振影像的病灶识别方法
EP3816930A1 (de) * 2019-10-29 2021-05-05 Siemens Healthcare GmbH Computerimplementiertes verfahren zur bereitstellung eines ausgangsdatensatzes mit verbesserter bildqualität
US20220198651A1 (en) * 2020-12-21 2022-06-23 Radboud University Nijmegen Multi-phase filter

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103026325A (zh) * 2010-05-03 2013-04-03 平蛙实验室股份公司 通过层析成像重构进行触摸确定
CN103150712A (zh) * 2013-01-18 2013-06-12 清华大学 一种基于投影序列数据相似性的图像去噪方法
CN103927729A (zh) * 2013-01-10 2014-07-16 清华大学 图像处理方法及图像处理装置
CN104574298A (zh) * 2014-12-25 2015-04-29 天津大学 一种基于互信息的多b值扩散权重图像的降噪方法
CN104871208A (zh) * 2012-12-21 2015-08-26 皇家飞利浦有限公司 用于对图像进行滤波的图像处理装置及方法
CN105283125A (zh) * 2013-06-06 2016-01-27 皇家飞利浦有限公司 具有增强的磁化率对比度的mr成像

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60212917T2 (de) * 2001-10-16 2007-03-01 Kabushiki Kaisha Toshiba Vorrichtung zur Berechnung eines Index von örtlichen Blutflüssen
US7583779B2 (en) * 2004-11-24 2009-09-01 General Electric Company System and method for acquisition and reconstruction of contrast-enhanced, artifact-reduced CT images
US20060198491A1 (en) * 2005-03-04 2006-09-07 Kabushiki Kaisha Toshiba Volumetric computed tomography system for imaging
US8582916B2 (en) * 2007-12-25 2013-11-12 Medic Vision—Brain Technologies Ltd. Noise reduction of images
DE102008005071B4 (de) * 2008-01-18 2013-11-14 Siemens Aktiengesellschaft Verfahren zur zeitlichen Registrierung von Bildseriendatensätzen
CN102203826B (zh) * 2008-12-25 2015-02-18 梅迪奇视觉成像解决方案有限公司 医学图像的降噪
US8520736B2 (en) * 2009-04-14 2013-08-27 Fastvdo, Llc Real-time superresolution and video transmission
US8346011B2 (en) * 2009-06-26 2013-01-01 Mayo Foundation For Medical Education And Research Reducing noise in an image
US8396268B2 (en) * 2010-03-31 2013-03-12 Isis Innovation Limited System and method for image sequence processing
WO2012001648A2 (en) * 2010-06-30 2012-01-05 Medic Vision - Imaging Solutions Ltd. Non-linear resolution reduction for medical imagery
US20120015825A1 (en) * 2010-07-06 2012-01-19 Pacific Biosciences Of California, Inc. Analytical systems and methods with software mask
GB2502997B (en) * 2012-06-13 2014-09-03 Crystalview Medical Imaging Ltd Suppression of reverberations and/or clutter in ultrasonic imaging systems
CN105324081B (zh) * 2013-07-03 2018-03-20 株式会社日立制作所 放射线图像生成装置和图像处理方法
CN106462972B (zh) * 2014-04-25 2020-09-11 通用电气公司 用于评估动态医疗图像中的运动校正的系统和方法
WO2017193122A1 (en) * 2016-05-06 2017-11-09 Mayo Foundation For Medical Education And Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
US11151726B2 (en) * 2018-01-10 2021-10-19 Canon Medical Systems Corporation Medical image processing apparatus, X-ray diagnostic apparatus, and medical image processing method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103026325A (zh) * 2010-05-03 2013-04-03 平蛙实验室股份公司 通过层析成像重构进行触摸确定
CN104871208A (zh) * 2012-12-21 2015-08-26 皇家飞利浦有限公司 用于对图像进行滤波的图像处理装置及方法
CN103927729A (zh) * 2013-01-10 2014-07-16 清华大学 图像处理方法及图像处理装置
CN103150712A (zh) * 2013-01-18 2013-06-12 清华大学 一种基于投影序列数据相似性的图像去噪方法
CN105283125A (zh) * 2013-06-06 2016-01-27 皇家飞利浦有限公司 具有增强的磁化率对比度的mr成像
CN104574298A (zh) * 2014-12-25 2015-04-29 天津大学 一种基于互信息的多b值扩散权重图像的降噪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A robust noise reduction technique for time resolved CT;Zhoubo Li et.al;《Medical Physics》;20151229;第348-352页 *
Robust Non-Local Denoising of Colored Depth Data;Benjamin Huhle et.al;《2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops》;20080715;第3页第3.1节 *
结构保持的双边滤波极化SAR图像降噪;杨学志等;《电子与信息学报》;第37卷(第2期);全文 *

Also Published As

Publication number Publication date
EP3244368A1 (en) 2017-11-15
EP3455824A1 (en) 2019-03-20
EP3455824B1 (en) 2021-09-01
ES2896954T3 (es) 2022-02-28
EP3455824B8 (en) 2021-10-06
JP2019518296A (ja) 2019-06-27
LT3455824T (lt) 2021-11-10
WO2017194787A1 (en) 2017-11-16
JP7122301B2 (ja) 2022-08-19
US10902562B2 (en) 2021-01-26
CN109716388A (zh) 2019-05-03
PL3455824T3 (pl) 2022-01-24
US20190180419A1 (en) 2019-06-13

Similar Documents

Publication Publication Date Title
CN109716388B (zh) 图像数据中的降噪
Bettinardi et al. PET quantification: strategies for partial volume correction
CN109009200B (zh) 用于正电子发射断层成像图像重建的系统和方法
JP5833637B2 (ja) ダイナミック灌流ctの画像データ位置合わせ
CN109389655B (zh) 时变数据的重建
EP2867861B1 (en) Motion parameter estimation
US8682051B2 (en) Smoothing of dynamic data sets
US20110150309A1 (en) Method and system for managing imaging data, and associated devices and compounds
JP2017067765A (ja) 医用画像処理装置及びポジトロン放射断層撮影装置
US11816764B2 (en) Partial volume correction in multi-modality emission tomography
US20180075642A1 (en) Image data processing
JP7292942B2 (ja) 医用画像処理装置、方法及びプログラム
JP2015532872A (ja) かん流撮像
JP2018033966A (ja) 医用画像処理装置、医用画像処理プログラム及びx線コンピュータ断層撮像装置
Perez-Liva et al. Ultrafast ultrasound imaging for super-resolution preclinical cardiac PET
Manhart et al. Fast dynamic reconstruction algorithm with joint bilateral filtering for perfusion C-arm CT
Goldsmith et al. Nonlinear tube-fitting for the analysis of anatomical and functional structures
Choi et al. Integration of 2D iteration and a 3D CNN-based model for multi-type artifact suppression in C-arm cone-beam CT
TWI500412B (zh) 一種影像品質的改善處理方法及其造影系統
US11704795B2 (en) Quality-driven image processing
EP4239566A1 (en) Computer-implemented method for determining nuclear medical image data sets, imaging device, computer program and electronically readable storage medium
Elhabian et al. Motion is inevitable: The impact of motion correction schemes on HARDI reconstructions
WO2015083090A2 (en) Image data processing

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