CN110084866A - 一种计算机断层成像方法和装置 - Google Patents
一种计算机断层成像方法和装置 Download PDFInfo
- Publication number
- CN110084866A CN110084866A CN201910332840.0A CN201910332840A CN110084866A CN 110084866 A CN110084866 A CN 110084866A CN 201910332840 A CN201910332840 A CN 201910332840A CN 110084866 A CN110084866 A CN 110084866A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- visual field
- artifacts
- field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
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
本发明提供了一种计算机断层成像方法,包括获取扫描数据;根据所述扫描数据重建最大视野图像和目标视野图像,所述最大视野图像和/或目标视野图像为迭代重建图像;根据所述最大视野图像中的金属对象进行金属伪影校正,获得目标视野伪影图像和校正图像;融合所述目标视野图像和所述校正图像,获得校正后图像。本发明可以有效的去除计算机断层成像方法所获得的重建图像中的金属伪影,提高成像质量。
Description
技术领域
本发明主要涉及计算机断层成像领域,尤其涉及一种计算机断层成像方法和装置。
背景技术
计算机断层成像是用射线对人体的特定部位按一定厚度的层面进行扫描,根据不同的人体组织对射线的吸收能力不同,对扫描数据利用计算机重建出断层面图像的技术。
常用的图像重建技术包括滤波反投影(Filtered Back Projection,FBP)、重建技术和迭代重建(Iterative Reconstruction,IR)技术。滤波反投影重建技术在降低辐射剂量时会导致噪声伪影增加,从而降低图像质量。与滤波反投影重建技术相比,迭代重建技术可以在低辐射剂量的条件下仍保证图像质量。但是,如果病人体内存在金属植入物,在使用迭代重建技术进行图像重建的过程中,会在重建图像中引入金属伪影。
发明内容
本发明要解决的技术问题是提供一种计算机断层成像方法和装置,可以提高金属伪影校正的质量。
为解决上述技术问题,本发明提供了一种计算机断层成像方法,包括以下步骤:获取扫描数据;根据所述扫描数据重建最大视野图像和目标视野图像,所述最大视野图像和/或目标视野图像为迭代重建图像;根据所述最大视野图像中的金属对象进行金属伪影校正,获得目标视野伪影图像和校正图像;融合所述目标视野图像和所述校正图像,获得校正后图像。
可选地,其中所述目标视野伪影图像包括由所述金属伪影校正步骤产生的引入伪影,所述方法还包括:抑制所述目标视野伪影图像的引入伪影;使用经抑制引入伪影的目标视野伪影图像校正所述目标视野图像,作为所述校正图像。
可选地,抑制所述目标视野伪影图像的引入伪影的步骤包括:获取第一校正图像的信息熵;使用所述信息熵修正所述目标视野伪影图像以抑制所述引入伪影。
可选地,使用经抑制引入伪影的目标视野伪影图像校正所述目标视野图像的步骤包括:从所述目标视野图像中去除经修正的目标视野伪影图像,获得所述校正图像。
可选地,融合所述目标视野图像和所述校正图像的步骤包括:对所述目标视野图像进行频率分割,获得第一频率范围图像;对所述校正图像进行频率分割,获得第二频率范围图像,所述第二频率范围低于所述第一频率范围;融合所述第一频率范围图像和第二频率范围图像以获得所述校正后图像。
可选地,所述最大视野图像为滤波反投影图像,其中所述金属伪影校正的步骤与迭代重建生成所述目标视野图像的步骤是并行的。
可选地,使用所述信息熵修正所述目标视野伪影图像以抑制所述引入伪影的步骤包括:根据所述信息熵确定所述目标视野伪影图像引入伪影的程度;根据所述目标视野伪影图像引入伪影的程度调整所述目标视野伪影图像的权重,并从所述目标视野图像中去除调整权重后的目标视野伪影图像。
可选地,获取所述第一校正图像的信息熵的步骤包括:划分所述目标视野伪影图像与所述目标视野图像中每个像素的邻域矩阵;调整所述目标视野伪影图像中每个像素的邻域矩阵的权重;根据调整权重后的所述目标视野伪影图像中每个像素的邻域矩阵与所述目标视野图像中每个像素的邻域矩阵之差计算所述第一校正图像中每个像素的邻域矩阵;根据所述第一校正图像中每个像素的邻域矩阵计算所述信息熵。
可选地,获取使所述信息熵最小时对应的所述目标视野伪影图像中每个像素的邻域矩阵的权重,作为所述目标视野伪影图像中每个像素的邻域矩阵的权重。
可选地,根据所述目标视野伪影图像中金属伪影去除的程度,确定所述邻域矩阵的尺寸。
可选地,根据所述目标视野图像中的金属图像形态,确定所述邻域矩阵的尺寸。
可选地,所述邻域矩阵的尺寸为9-31单位像素。
可选地,还包括:根据设定的视场对所述目标视野图像、目标视野伪影图像、校正图像中的至少一种进行压缩。
可选地,对所述目标视野图像进行频率分割之前还包括:对所述目标视野图像进行自适应滤波。
为解决上述技术问题,本发明还提供了一种计算机断层成像装置,包括:存储器,用于存储可由处理器执行的指令;处理器,用于执行所述指令以实现如上所述的方法。
与现有技术相比,本发明具有以下优点:
1、利用迭代重建方法对最大视野图像和目标视野图像中的至少一个进行重建,可以有效的去除常用的去金属伪影校正(Metal Artifact Reduction,MAR)方法所新引入的引入伪影,并且可以提高运行效率;
2、采用频率分割的方法进一步的去除了目标视野图像中的马赛克效应,提高了校正后图像的质量。
附图说明
图1是根据本发明一些实施例的示例性计算机断层成像系统的示意图;
图2是根据本发明一些实施例的可以在其上实现处理引擎的示例性计算设备的示例性硬件和/或软件组件的示意图;
图3是根据本发明一些实施例的可以在其上实现终端的示例性移动设备的示例性硬件和/或软件组件的示意图;
图4是根据本发明一些实施例的示例性处理引擎的示意图;
图5是根据本发明一些实施例的一种计算机断层成像方法的示例性流程图;
图6是根据本发明一些实施例的抑制目标视野伪影图像的引入伪影的示例性流程图;
图7是根据本发明一些实施例的获取第一校正图像的信息熵的示例性流程图;
图8是根据本发明一些实施例的使用第一校正图像的信息熵修正目标视野伪影图像以抑制引入伪影的示例性流程图。
具体实施方式
为了更清楚地说明本发明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发明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或操作。
如本发明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他的步骤或元素。
虽然本发明对根据本发明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在成像系统和/或处理器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明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,或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。
图1是根据本发明的一些实施例的示例性计算机断层成像系统100的示意图。参考图1所示,计算机断层成像系统100可包括扫描仪110、网络120、一个或多个终端130、处理引擎140、以及存储器150。计算机断层成像系统100中的所有组件都可以通过网络120互相连接。
扫描仪100可扫描对象并且生成与该对象相关的扫描数据。在一些实施例中,扫描仪110可以是医学成像设备,例如CT设备、PET设备、SPECT设备、MRI设备等或其任意组合(例如,PET-CT设备、PET-MRI设备或CT-MRI设备)。在本发明中,该医学成像设备优选地为CT设备。
本发明中提到的“图像”可以指2D图像、3D图像、4D图像和/或任何相关数据(例如,CT数据、对应于CT数据的投影数据)。这并不是为了限制本发明的范围。对于本领域的技术人员来说,在本发明的指导下可以进行各种修正和改变。
扫描仪110可包括机架111、检测器112、检测区域113和工作台114。在一些实施例中,扫描仪110还可包括放射性扫描源115。机架111可支承检测器112和放射性扫描源115。对象可被置于工作台114上以用于扫描。放射性扫描源115可向该对象发射放射性射线。检测器112可以检测从检测区域113发射的辐射事件(例如,γ光子)。在一些实施例中,扫描仪110可以是MRI扫描设备,并且检测器112可以包括用于检测和接收RF信号的电路。
网络120可包括任意合适的网络,该网络能协助计算机断层成像系统100交换信息和/或数据。在一些实施例中,计算机断层成像系统100的一个或多个组件(例如,扫描仪110、终端130、处理引擎140、存储器150等)可通过网络120与计算机断层成像系统100的一个或多个其他组件传递信息和/或数据。例如,处理引擎140可通过网络120从扫描仪110获得图像数据。作为另一示例,处理引擎140可通过网络120从终端130获得用户指令。网络120可以是/或包括公共网络(例如,因特网)、专用网络(例如,局域网(LAN)、广域网(WAN)等)、有线网络(例如,以太网)、无线网络(例如,802.11网络、Wi-Fi网络等)、蜂窝网络(例如,长期演进(LTE)网络)、帧中继网络、虚拟专用网(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机和/或其任意组合。仅作为示例,网络120可包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或者其任意组合。在一些实施例中,网络120可包括一个或多个网络接入点。例如,网络120可包括有线和/或无线网络接入点,诸如基站和/或因特网交换点,计算机断层成像系统100的一个或多个组件可通过这些接入点来连接到网络120以交换数据和/或信息。
一个或多个终端130包括移动设备131、平板电脑132、笔记本电脑133等或其任意组合。在一些实施例中,移动设备131可包括智能家用设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中,智能家用设备可包括智能照明设备、智能电器的控制设备、智能监视设备、智能电视、智能摄像机、互联电话等或其任意组合。在一些实施例中,可穿戴设备可包括手环、鞋袜、眼镜、头盔、手表、衣物、背包、智能饰物等或其任意组合。在一些实施例中,移动设备可包括移动电话、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、台式机等或者其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如,虚拟现实设备和/或增强现实设备可包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中,终端130可以是处理引擎140的一部分。
处理引擎140可以处理从扫描仪110、终端130和/或存储器150获得的数据和/或信息。在一些实施例中,处理引擎140可以是单个服务器或服务器组。服务器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可通过网络120来访问存储在扫描仪110、终端130和/或存储器150中的信息和/或数据。作为另一示例,处理引擎140可以直接连接到扫描仪110、终端130和/或存储器150以访问所存储的信息和/或数据。在一些实施例中,处理引擎140可在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等或者其任意组合。在一些实施例中,处理引擎140可由图2中所示的具有一个或多个组件的计算设备200来实现。
存储器150可存储数据、指令、和/或任何其他信息。在一些实施例中,存储器150可以存储从终端130和/或处理引擎140获得的数据。在一些实施例中,存储器150可存储数据和/或指令,处理引擎140可以执行或使用该数据和/或指令以执行本发明中所描述的示例性方法。在一些实施例中,存储器150可包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储设备可包括磁盘、光盘、固态驱动器等。示例性的可移动存储器可包括闪存驱动器、软盘、光盘、存储器卡、压缩盘、磁带等。示例性的易失性读写存储器可包括随机存取存储器(RAM)。示例性的RAM可包括动态RAM(DRAM)、双倍数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性的ROM可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)、以及数字多用磁盘ROM等。在一些实施例中,存储器150可在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等或者其任意组合。
在一些实施例中,存储器150可连接到网络120,以便与计算机断层成像系统100中的一个或多个其他组件(例如,处理引擎140、终端130等)通信。计算机断层成像系统100中的一个或多个组件可通过网络120来访问存储在存储器150中的数据或指令。在一些实施例中,存储器150可直接连接到计算机断层成像系统100中的一个或多个其他组件(例如,处理引擎140、终端130等)或与这些组件通信。在一些实施例中,存储器150可以是处理引擎140的一部分。
图2是根据本发明的一些实施例的可以在其上实现处理引擎140的示例性计算设备200的示例性硬件和/或软件组件的示意图。如图2所示,计算设备200可以包括内部通信总线210、处理器(processor)220、只读存储器(ROM)230、随机存取存储器(RAM)240、通信端口250、输入/输出组件260、硬盘270以及用户界面280。
内部通信总线210可以实现计算设备200组件间的数据通信。
处理器220可根据本文所描述的技术来执行计算机指令(例如,程序代码)并执行处理引擎140的各功能。计算机指令可包括例如执行本文所描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块以及函数。例如,处理器220可以处理从扫描仪110、终端130、存储器150、和/或计算机断层成像系统100的任何其他组件获得的图像数据。在一些实施例中,处理器220可包括一个或多个硬件处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(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)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任意电路或处理器等或其任意组合。
仅为了说明,在计算设备200中仅描述了一个处理器。然而,应当注意,本发明中的计算设备200也可包括多个处理器,因此本发明中所描述的由一个处理器执行的操作和/或方法步骤也可由多个处理器联合地或分别地执行。
只读存储器(ROM)230和随机存取存储器(RAM)240可存储从扫描仪110、终端130、存储器150、和/或计算机断层成像系统100的任何其他组件获得的数据/信息。只读存储器(ROM)230可包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)、以及数字多用磁盘ROM等。随机存取存储器(RAM)240可包括动态RAM(DRAM)、双倍数据率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。在一些实施例中,只读存储器(ROM)230和随机存取存储器(RAM)240可存储用于执行本发明中所描述的示例性方法的一个或多个程序和/或指令。
通信端口250可连接到网络(例如,网络120)以协助数据通信。通信端口250可在处理引擎140和扫描仪110、终端130,和/或存储器150之间建立连接。该连接可以是有线连接、无线连接、能够实现数据传送和/或接收的任意其他通信连接、和/或这些连接的任意组合。有线连接可包括例如电缆、光缆、电话线等或者其任意组合。无线连接可包括例如蓝牙TM链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如,3G,4G,5G等)等或其组合。在一些实施例中,通信端口250可以是包括标准化通信端口,诸如RS232、RS485等。在一些实施例中,通信端口250可以是专门设计的通信端口。例如,通信端口250可根据医学数字成像和通信(DICOM)协议来设计。
输入/输出组件260支持计算设备200与其他部件之间的输入/输出数据流。在一些实施例中,输入/输出组件260可包括输入设备和输出设备。输入设备的示例可包括键盘、鼠标、触摸屏、话筒等或其组合。输出设备的示例可包括显示设备、扬声器、打印机、投影仪等或其组合。显示设备的示例可包括液晶显示器(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)、触摸屏等或其组合。
计算设备200还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘270,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器220所执行的可能的程序指令。
用户界面280可以实现计算设备200和用户之间的交互和信息交换。
图3是根据本发明的一些实施例的可以在其上实现终端130的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示,移动设备300可包括天线310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360以及存储器390。在一些实施例中,移动设备300中还可包括任何其他合适的组件,包括但不限于系统总线或控制器(未示出)。在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、WindowsPhoneTM等)和一个或多个应用380可从存储器390被加载到内存360中以便由CPU 340执行。应用380可包括浏览器或任意其它合适的移动应用以用于接收和绘制与图像处理相关的信息或来自处理引擎140的其它信息。用户与信息流的交互可通过I/O 350来实现并通过网络120提供给处理引擎140和/或计算机断层成像系统100的其他组件。
为了实现本发明中所描述的各种模块、单元及其功能,计算机硬件平台可被用作本文所描述的一个或多个元件的(诸)硬件平台。具有用户界面元件的计算机可被用于当作个人计算机(PC)或任何其他类型的工作站或终端设备。如果进行适当的编程,计算机也可以充当服务器。
图4是根据本发明的一些实施例所示的一种示例性处理引擎140的示意图。如图4所示,处理引擎140可以包括获取模块410、计算模块420、和存储模块430。
获取模块410可以从计算机断层成像系统100的一个或多个组件(例如,扫描仪110、终端130、存储器150等)获取数据,也可以通过网络120从其他设备接收数据。获取模块410可以获取与扫描对象有关的图像数据,该图像数据中具有金属伪影。该金属伪影不是一种单一的伪影,而是多种伪影的混合。该金属伪影可能是由人体内部存在的金属物、噪声、部分容积效应、散射和射线硬化等造成的。获取模块410所获取的图像数据可以是原始图像数据,也可以是重建之后的图像数据或图像。
在一些实施例中,获取模块410可以将获取的数据发送到计算模块420、和/或存储模块430。
计算模块420可以处理具有金属伪影的图像数据,以将金属伪影从原始图像数据中去除,便于医生做出正确的判断。计算模块420还可以用于对原始图像数据进行图像重建。
在一些实施例中,计算模块420可以和存储模块430相连接或通信。
存储模块430可以存储数据和/或信息。仅作为示例,存储模块430可以存储由计算模块420在对原始图像数据或重建图像进行处理的过程中所获得的一切相关数据和/或信息。
应当注意的是,对处理引擎140的上述描述仅仅是为了说明的目的,而非限制本发明的范围。对于本领域的技术人员,在本发明的教导下可以进行各种修正和改变。然而,各种修正和改变并没有脱离本发明的范围。例如,可以省略计算模块420,并且扫描仪110和/或终端130可以被配置为执行本发明中所描述的计算模块420的一个或多个功能。
本发明中所包括的一种计算机断层成像装置所包括的存储器和处理器可以包括在图1-图4所示的计算机断层成像系统100中。例如,该计算机断层成像装置的存储器可以是计算机断层成像系统100中的存储器150,该计算机断层成像装置的处理器可以是处理引擎140中的处理器220。当然,该计算机断层成像装置也可以是一个单独存在的装置。其存储器用于存储可由处理器执行的指令,这些指令是用于根据计算机断层成像系统100所获得的扫描数据成像。其处理器用于执行这些指令以实现计算机断层成像。该具体的计算机断层成像方法将在后文中详述。
图5是根据本发明一些实施例的一种计算机断层成像方法的示例性流程图。参考图5所示,该计算机断层成像方法包括以下步骤:
步骤510,获取扫描数据。
该扫描数据可以是由图1中所示的扫描仪100对扫描对象进行扫描所获得的。在本发明的实施例中,该步骤可以由图4中所示的处理引擎140中的获取模块410来执行。该获取模块410也可以包括在本发明的计算机断层成像装置中。
步骤520,根据扫描数据重建最大视野图像I_Full和目标视野图像I_Target。其中,最大视野图像I_Full和/或目标视野图像I_Target为迭代重建图像。
最大视野图像I_Full是指根据步骤510所获得的全部扫描数据所能重建获得的最大视野范围(Field of View,FoV)内的图像。如果扫描对象体内包含金属植入物,在最大视野图像I_Full中就可以呈现出该金属对象的图像。
目标视野是指用户所感兴趣的视野范围,例如人体内的某一器官等。目标视野图像I_Target的尺寸小于等于最大视野图像I_Full的尺寸。在一些实施例中,目标视野中存在金属对象,则在该目标视野图像I_Target中存在相应的金属伪影。在另一些实施例中,目标视野中不存在金属对象,但是由于该金属对象在重建图像中所产生的金属伪影仍可能存在于该目标视野图像I_Target中。
在本发明的实施例中,最大视野图像I_Full和目标视野图像I_Target中的至少一个是采用迭代重建技术重建获得的。该迭代重建方法可以得到较好的金属伪影部分的图像边界,从而有利于对重建图像进行去金属伪影校正。对于没有采用迭代重建技术所获得的重建图像来说,可以采用其他的图像重建方式来进行重建,例如FBP技术。
步骤530,根据最大视野图像I_Full中的金属对象进行金属伪影校正,获得目标视野伪影图像AI_Target和校正图像I_corr。
在此步骤中,进行金属伪影校正的方法可以采用本领域技术人员所熟悉的MAR(Metal Artifact Reduction)方法,该方法可以包括基于投影的MAR或者基于图像的MAR。其中基于投影的MAR方法包括Single-energy MAR(SEMAR),用于骨科植入物(orthopedicimplants)的MAR(O-MAR),迭代MAR和smart MAR等。利用MAR方法可以获得伪影图像AI_Full。该伪影图像AI_Full对应于最大视野图像的范围,其中包括了目标视野范围内的伪影图像。将目标视野范围内的伪影图像称为目标视野伪影图像AI_Target。
虽然利用MAR方法可以去除最大视野图像I_Full中的金属伪影,但是会在重建图像中引入新的伪影,称为引入伪影。因此,在伪影图像AI_Full和目标视野伪影图像AI_Target中除金属伪影之外,还包括由MAR步骤产生的引入伪影。为了去除引入伪影,步骤530中还包括以下步骤:
步骤531,抑制目标视野伪影图像AI_Target的引入伪影。
图6是根据本发明一些实施例的抑制目标视野伪影图像的引入伪影的示例性流程图。参考图6所示,步骤531包括以下步骤:
步骤610,获取第一校正图像的信息熵。
图7是根据本发明一些实施例的获取第一校正图像的信息熵的示例性流程图。参考图7所示,步骤610包括以下步骤:
步骤710:划分目标视野伪影图像AI_Target与目标视野图像I_Target中每个像素的邻域矩阵。
具体的,以一个大小为N*N的图像I为例,对该图像中的每个像素(p,k)计算一个邻域矩阵Np,k(I),其中p和k是该像素在图像I中的位置坐标。经过测试发现,该邻域矩阵的大小不仅影响着运算速度,而且会直接影响后续步骤中权重的分配,所以在具体实施本步骤时,对于邻域矩阵的尺寸可采用选取经验值的方法。在本实施例中,根据目标视野伪影图像AI_Target中金属伪影去除的程度来确定邻域矩阵的尺寸。如果在步骤530中去除了较多的金属伪影,则邻域矩阵的尺寸可以稍大,反之,可以稍小。进一步地,在本实施例中,邻域矩阵的尺寸的取值范围为9-31单位像素。在对图像边缘像素取邻域矩阵时,可以在图像边缘填零扩充图像边缘。
在另一实施例中,邻域矩阵的尺寸还可以根据目标视野图像I_Target中金属对像的形态来确定。该金属对像的形态是指在目标视野图像I_Target中的金属物质或较高密度物质的形态信息,该信息与目标视野图像I_Target中数据被金属伪影破坏的程度直接相关。理论上,当金属或高密度物体为一规则圆形时,现有的去除金属伪影的方案可以通过完全替换原有数据的方式有效去除金属伪影,同时仅新引入较少的引入伪影。然而在实际中很少有如此规则的物体,如常见的脊柱钉子等植入物的形态多以不规则形态呈现。
设金属形态信息可用形态指数来进行表征:在某一断层面中,射线经过该断层面一规则的圆形物体,则无论从哪一角度进行投影,其面积均是一致的,可将此理想的金属投影域面积定义为理想面积,并作为判断金属形态的一项参照,其获取公式可为:
在该公式中,Slmetal指金属图像中的像素个数,Spacechannel为通道分辨率,Spacepixel为像素分辨率,Nview为投影角个数,SIdealPmetal指规则金属图像(金属图像域像素个数和实际金属图像的金属像素个数相同)投影后的非零像素个数。
通过比较金属图像投影数据的理想面积与实际面积可获得金属形态指数。进一步地,设SPmetal为实际金属图像投影后的非零像素个数(即金属图像实际面积),则金属形态指数RD可以由下面的公式计算获得:
在一实施例中,步骤530中去除金属伪影的方法为投影域加权校正方法。此时,金属形态信息会影响该步骤中的投影域加权校正是否进行及加权的强度,进而影响去除金属伪影之后的图像质量。因此,在本步骤710中,对目标视野伪影图像AI_Target与目标视野图像I_Target中每个像素的邻域矩阵进行划分时也可以依据金属形态信息来划分,以在执行后续的步骤之后达到较好的图像质量。
一般来说,若金属图像实际面积与理想面积较为接近,即金属形态指数RD小于或接近于1,则相应的可以选择较大的邻域矩阵尺寸,及进行较少强度的加权甚至强度为零的加权;若金属图像实际面积与理想面积相差较大,例如金属形态指数RD为2左右,则相应的可以选择较小的邻域矩阵尺寸,及进行较高强度的加权校正。
步骤720,调整目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)的权重。基于步骤710中所划分的邻域矩阵,对目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)的权重wp,k进行调整。该权重wp,k的大小决定了对目标视野伪影图像AI_Target中伪影的加重或减轻。需要注意的是,本步骤对邻域矩阵Np,k(AI_Target)权重的调整乃是为每一个邻域矩阵Np,k(AI_Target)分配相应的初始权重。
步骤730,根据调整权重后的目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)与目标视野图像I_Target中每个像素的邻域矩阵Np,k(I_Target)之差计算第一校正图像I_corr1中每个像素的邻域矩阵Np,k(I_corr1)。具体的可以由下面的公式表示:
Np,k(I_corr1)=Np,k(I_Target)-wp,k×Np,k(AI_Target)
步骤740,根据第一校正图像I_corr1中每个像素的邻域矩阵Np,k(I_corr1)计算信息熵。该信息熵由下面的公式计算获得:
其中,Entropy(Np,k(I_corr1))表示第一校正图像I_corr1中每个像素的邻域矩阵Np,k(I_corr1)的信息熵,P(Np,k(I_corr1))表示第一校正图像I_corr1中每个像素的邻域矩阵Np,k(I_corr1)的先验概率函数(该函数可通过直方图方式获得),i表示邻域矩阵Np,k(I_corr1)中的像素下标,n表示像素总数。
至此,完成了图6中的步骤610,获得了第一校正图像I_corr1的信息熵。
步骤620,使用第一校正图像的信息熵修正目标视野伪影图像以抑制引入伪影。
图8是根据本发明一些实施例的使用第一校正图像的信息熵修正目标视野伪影图像以抑制引入伪影的示例性流程图。参考图8所示,步骤620包括以下步骤:
步骤810,根据信息熵确定目标视野伪影图像AI_Target中引入伪影的程度。通常,一幅图像的信息熵越大表示图像中所包含的噪声越多,灰度值分布范围较广。若第一校正图像I_corr1的信息熵较大,则认为第一校正图像I_corr1和目标视野伪影图像AI_Target中存在较多的引入伪影;若第一校正图像I_corr1的信息熵较小,则认为第一校正图像I_corr1和目标视野伪影图像AI_Target中存在较少的引入伪影。
步骤820,根据目标视野伪影图像AI_Target引入伪影的程度调整目标视野伪影图像AI_Target的权重wp,k。本步骤与图7中的步骤720类似,目的在于为目标视野伪影图像AI_Target分配初始的权重wp,k,该权重wp,k对应于目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)。该权重wp,k的大小决定了对目标视野伪影图像AI_Target中伪影的加重或减轻。举例说明,若该邻域矩阵Np,k(AI_Target)引入伪影的程度高,则可以为其分配较大的权重wp,k;若该邻域矩阵Np,k(AI_Target)引入伪影的程度低,则可以为其分配较小的权重wp,k。调整后的权重可以被称为新权重w_newp,k。
在一些实施例中,获取使信息熵最小时对应的目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)的权重wp,k,作为目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)的新权重w_newp,k:
w_newp,k=arg w min(Entropy(Np,k(I_corr1)))
至此,完成了图6中的步骤620,使用第一校正图像I_corr1的信息熵修正了目标视野伪影图像AI_Target,该修正结果就是为目标视野伪影图像AI_Target中每个像素的邻域矩阵Np,k(AI_Target)分配了新权重w_newp,k。利用该新权重w_newp,k可以抑制第一校正图像I_corr1中的引入伪影。
步骤532,使用经抑制引入伪影的目标视野伪影图像校正目标视野图像I_Target,作为校正图像I_corr。如下面的公式所示:
I_corr=I_Target-w_newp,k*AI_Target
因此,校正图像I_corr是在目标视野图像I_Target中去除了金属伪影和由于MAR方法造成的引入伪影之后所获得的图像。
在一实施例中,对最大视野图像I_Full采用FBP技术重建,对目标视野图像I_Target采用迭代重建技术重建。两种方法进行重建的速度不一样,所花费的时间也不一样,通常FBP算法的速度较快。因此,可以在步骤520中对最大视野图像I_Full的重建完成之后,立刻执行步骤530中的金属伪影校正的步骤,也就是使该金属伪影校正的步骤与迭代重建生成目标视野图像I_Target的步骤并行。这样,即可以保证金属伪影校正的质量,又可以提高本方法运行的效率。
步骤540,融合目标视野图像I_Target和校正图像I_corr,获得校正后图像I_corr_new。
经过步骤530之后,校正图像I_corr中已经去除了金属伪影以及由于去金属伪影MAR所新引入的引入伪影。然而该校正图像I_corr中可能会存在一些马赛克效应,从而导致图像质量不够理想。本步骤540的目的就是进一步提高校正图像I_corr的质量。本步骤具体的包括以下步骤:
步骤541,对目标视野图像I_Target进行频率分割,获得第一频率范围图像I_Target_High;
步骤542,对校正图像I_corr进行频率分割,获得第二频率范围图像I_corr_Low,该第二频率范围低于该第一频率范围;
在一实施例中,采用低通滤波器来实现对图像的频率分割,更进一步地,在本实施例中选用高斯低通滤波器。在其他的实施例中也可以选用其它类型的低通滤波器。
上式中用高斯函数G(σ)表示该高斯低通滤波器,其中σ为一经验值,可选范围为1.2-1.3之间,x表示距离。在步骤541和542中通过对高斯低通滤波器进行频域卷积来实现低通滤波。
I_Target_Low=I_Target×G(σ)
I_corr_Low=I_corr×G(σ)
上式中将目标视野图像I_Target通过高斯低通滤波器G(σ)之后得到目标视野图像I_Target的低频部分I_Target_Low。将校正图像I_corr通过高斯低通滤波器G(σ)之后得到校正图像I_corr的低频部分I_corr_Low。通过像素相减的方式,从目标视野图像I_Target中减去其低频部分I_Target_Low即可得到目标视野图像I_Target的高频部分I_Target_High:
I_Target_High=I_Target-I_Target_Low
优选地,在对目标视野图像I_Target进行频率分割之前还可以对其进行自适应滤波,以消除大部分的高频细条伪影。
步骤543,融合第一频率范围图像I_Target_High和第二频率范围图像I_corr_Low以获得校正后图像I_corr_new。在此步骤所获得的校正后图像I_corr_new既消除了金属伪影,以及去金属伪影步骤所新引入的引入伪影,还进一步的消除了由于权重调整计算可能引入的马赛克效应,提高了该校正后图像I_corr_new的质量。
在上述金属伪影校正方法的过程中,还可根据所设定的视场对上面所提及的目标视野图像I_Target、目标视野伪影图像AI_Target、校正图像I_corr中的至少一种进行压缩,以提高计算效率。
可以理解的是,本说明书中所示的公式仅用于表征该计算的过程,其中的I_Full、I_Target、AI_Target及w_newp,k等可以为具有相应含义的矩阵、数组或向量,本领域技术人员可以根据具体的需要来设定。并且,本发明中的最大视野图像I_Full、目标视野图像I_Target、目标视野伪影图像AI_Target和校正图像I_corr等图像都可以是包含且不限于例如图像中的像素或体素的灰度值等表征图像信息数据的矩阵、数组和向量等。
根据本发明的计算机断层成像方法,由于采用迭代重建方法对目标视野图像进行重建,使目标视野图像具有较好的金属边界,再在此基础上去除金属伪影以及由去除金属伪影步骤产生的引入伪影,可以进一步提高校正后图像的质量,提高成像效率。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述发明披露仅仅作为示例,而并不构成对本发明的限定。虽然此处并没有明确说明,本领域技术人员可能会对本发明进行各种修改、改进和修正。该类修改、改进和修正在本发明中被建议,所以该类修改、改进、修正仍属于本发明示范实施例的精神和范围。
同时,本发明使用了特定词语来描述本发明的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本发明的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
同理,应当注意的是,为了简化本发明披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本发明一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可做出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书的范围内。
Claims (15)
1.一种计算机断层成像方法,包括以下步骤:
获取扫描数据;
根据所述扫描数据重建最大视野图像和目标视野图像,所述最大视野图像和/或目标视野图像为迭代重建图像;
根据所述最大视野图像中的金属对象进行金属伪影校正,获得目标视野伪影图像和校正图像;
融合所述目标视野图像和所述校正图像,获得校正后图像。
2.如权利要求1所述的方法,其特征在于,其中所述目标视野伪影图像包括由所述金属伪影校正步骤产生的引入伪影,所述方法还包括:
抑制所述目标视野伪影图像的引入伪影;
使用经抑制引入伪影的目标视野伪影图像校正所述目标视野图像,作为所述校正图像。
3.如权利要求2所述的方法,其特征在于,抑制所述目标视野伪影图像的引入伪影的步骤包括:
获取第一校正图像的信息熵;
使用所述信息熵修正所述目标视野伪影图像以抑制所述引入伪影。
4.如权利要求2所述的方法,其特征在于,使用经抑制引入伪影的目标视野伪影图像校正所述目标视野图像的步骤包括:
从所述目标视野图像中去除经修正的目标视野伪影图像,获得所述校正图像。
5.如权利要求1所述的方法,其特征在于,融合所述目标视野图像和所述校正图像的步骤包括:
对所述目标视野图像进行频率分割,获得第一频率范围图像;
对所述校正图像进行频率分割,获得第二频率范围图像,所述第二频率范围低于所述第一频率范围;
融合所述第一频率范围图像和第二频率范围图像以获得所述校正后图像。
6.如权利要求1所述的方法,其特征在于,所述最大视野图像为滤波反投影图像,其中所述金属伪影校正的步骤与迭代重建生成所述目标视野图像的步骤是并行的。
7.如权利要求3所述的方法,其特征在于,使用所述信息熵修正所述目标视野伪影图像以抑制所述引入伪影的步骤包括:
根据所述信息熵确定所述目标视野伪影图像引入伪影的程度;
根据所述目标视野伪影图像引入伪影的程度调整所述目标视野伪影图像的权重,并从所述目标视野图像中去除调整权重后的目标视野伪影图像。
8.根据权利要求3所述的方法,其特征在于,获取所述第一校正图像的信息熵的步骤包括:
划分所述目标视野伪影图像与所述目标视野图像中每个像素的邻域矩阵;
调整所述目标视野伪影图像中每个像素的邻域矩阵的权重;
根据调整权重后的所述目标视野伪影图像中每个像素的邻域矩阵与所述目标视野图像中每个像素的邻域矩阵之差计算所述第一校正图像中每个像素的邻域矩阵;
根据所述第一校正图像中每个像素的邻域矩阵计算所述信息熵。
9.根据权利要求8所述的方法,获取使所述信息熵最小时对应的所述目标视野伪影图像中每个像素的邻域矩阵的权重,作为所述目标视野伪影图像中每个像素的邻域矩阵的权重。
10.根据权利要求8所述的方法,其特征在于,根据所述目标视野伪影图像中金属伪影去除的程度,确定所述邻域矩阵的尺寸。
11.根据权利要求8所述的方法,其特征在于,根据所述目标视野图像中的金属图像形态,确定所述邻域矩阵的尺寸。
12.根据权利要求8所述的方法,其特征在于,所述邻域矩阵的尺寸为9-31单位像素。
13.根据权利要求1所述的方法,其特征在于,还包括:根据设定的视场对所述目标视野图像、目标视野伪影图像、校正图像中的至少一种进行压缩。
14.根据权利要求5所述的方法,其特征在于,对所述目标视野图像进行频率分割之前还包括:对所述目标视野图像进行自适应滤波。
15.一种计算机断层成像装置,包括:
存储器,用于存储可由处理器执行的指令;
处理器,用于执行所述指令以实现如权利要求1-14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910332840.0A CN110084866B (zh) | 2019-04-24 | 2019-04-24 | 一种计算机断层成像方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910332840.0A CN110084866B (zh) | 2019-04-24 | 2019-04-24 | 一种计算机断层成像方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084866A true CN110084866A (zh) | 2019-08-02 |
CN110084866B CN110084866B (zh) | 2023-02-17 |
Family
ID=67416487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910332840.0A Active CN110084866B (zh) | 2019-04-24 | 2019-04-24 | 一种计算机断层成像方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084866B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971387A (zh) * | 2013-01-29 | 2014-08-06 | 上海联影医疗科技有限公司 | Ct图像重建方法 |
WO2017063569A1 (en) * | 2015-10-14 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image correction |
CN106651986A (zh) * | 2016-01-21 | 2017-05-10 | 上海联影医疗科技有限公司 | 计算机断层成像伪影校正方法 |
-
2019
- 2019-04-24 CN CN201910332840.0A patent/CN110084866B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971387A (zh) * | 2013-01-29 | 2014-08-06 | 上海联影医疗科技有限公司 | Ct图像重建方法 |
WO2017063569A1 (en) * | 2015-10-14 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image correction |
CN106651986A (zh) * | 2016-01-21 | 2017-05-10 | 上海联影医疗科技有限公司 | 计算机断层成像伪影校正方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150574A (zh) * | 2020-09-28 | 2020-12-29 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
CN112150574B (zh) * | 2020-09-28 | 2022-11-08 | 上海联影医疗科技股份有限公司 | 一种图像伪影自动校正方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110084866B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060313B (zh) | 一种图像伪影校正方法和系统 | |
Jia et al. | GPU-based iterative cone-beam CT reconstruction using tight frame regularization | |
CN111462020B (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
Meilinger et al. | Metal artifact reduction in cone beam computed tomography using forward projected reconstruction information | |
US20210049795A1 (en) | Systems and methods for medical imaging | |
CN105528800B (zh) | 一种计算机断层成像伪影校正方法及装置 | |
CN105225208B (zh) | 一种计算机断层成像金属伪影校正方法及装置 | |
US20200330064A1 (en) | Systems and methods for medical imaging | |
CN107895390B (zh) | 电子计算机断层扫描图像数据处理系统及方法 | |
Wu et al. | Cone‐beam CT for imaging of the head/brain: development and assessment of scanner prototype and reconstruction algorithms | |
WO2019173452A1 (en) | Deep neural network for ct metal artifact reduction | |
CN108389242A (zh) | 投影图像的校正方法及装置 | |
US11875433B2 (en) | System and method for scatter correction | |
CN109272562A (zh) | 一种迭代重建的系统和方法 | |
CN107886553A (zh) | 图像重建系统和方法 | |
CN109658470B (zh) | 生成图像的系统和方法 | |
CN110210437A (zh) | 一种图像中人体区域的确定方法及系统 | |
CN109961489A (zh) | Ct图像重建方法和装置 | |
Li et al. | Incorporation of residual attention modules into two neural networks for low‐dose CT denoising | |
US20230076352A1 (en) | Systems and methods for image processing | |
US20200380737A1 (en) | Method and system for improving ct image quality | |
CN111260703A (zh) | 一种获取脊柱拉直图像集的方法、系统、介质及存储介质 | |
CN109242923A (zh) | 一种迭代重建的系统和方法 | |
CN110544250A (zh) | 一种医学图像处理方法和系统 | |
US20210212649A1 (en) | Systems and methods for image generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |