CN110444276A - 产生图像数据的方法、计算机断层扫描设备、程序产品和数据载体 - Google Patents
产生图像数据的方法、计算机断层扫描设备、程序产品和数据载体 Download PDFInfo
- Publication number
- CN110444276A CN110444276A CN201910366988.6A CN201910366988A CN110444276A CN 110444276 A CN110444276 A CN 110444276A CN 201910366988 A CN201910366988 A CN 201910366988A CN 110444276 A CN110444276 A CN 110444276A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- image data
- initial
- region
- 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 abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 56
- 239000000463 material Substances 0.000 claims description 146
- 239000000758 substrate Substances 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 description 28
- 239000002872 contrast media Substances 0.000 description 26
- 238000010521 absorption reaction Methods 0.000 description 22
- 210000003484 anatomy Anatomy 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000005855 radiation Effects 0.000 description 16
- 210000004872 soft tissue Anatomy 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 7
- 238000002224 dissection Methods 0.000 description 7
- 229910052740 iodine Inorganic materials 0.000 description 7
- 239000011630 iodine Substances 0.000 description 7
- 238000007620 mathematical function Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000003786 synthesis reaction Methods 0.000 description 5
- 238000002513 implantation Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000001959 radiotherapy Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
- A61B6/035—Mechanical aspects of CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/408—Dual energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及产生图像数据的方法、计算机断层扫描设备、程序产品和数据载体。所述方法用于在计算机断层扫描设备(2)中产生图像数据(BD)，其中提供CT原始数据(RD)，其中从CT原始数据(RD)中创建初始图像(IB)，其中根据解剖特征(ME)将初始图像(IB)分区成区域，其中针对初始图像(IB)对应于区域(B)分别创建图像窗口(MA)，所述图像窗口限定用于分别相关联的映射规则(V)的有效区域，其中映射规则(V)应用于通过相应的图像窗口(MA)限定的有效区域中，并且其中根据借助于映射规则(V)处理的初始图像(IB)产生图像数据(BD)。
Description
技术领域
本发明涉及一种用于在计算机断层扫描设备中产生图像数据的方法。此外，本发明涉及一种具有用于执行该方法的控制器的图像产生计算机以及一种具有这种图像产生计算机的计算机断层扫描设备。
背景技术
计算机断层扫描设备(CT设备)通常用于产生用于医学诊断以及用于规划治疗的图像数据。对此，从借助于CT设备记录的CT原始数据中产生、尤其重建图像数据，并且例如以剖切图的形式或作为检查的对象的三维体积图使用，所述检查的对象典型地为患者。在此，借助于图像数据的(图像)值示出特定的材料特性的量值。尤其地，每个像素或体像素与各一个图像值相关联。在医学诊断中，尤其吸收系数的量值对应于相应的图像值，根据所述吸收系数能够区分或检查在对象的被检测的区域中的结构。
此外，这种图像数据在规划放疗时使用。在此，在放疗期间输送给患者的射线剂量的位置分辨的分布可尽可能精确地预先确定，以便保护非恶性的组织和/或为恶性的组织输送适合于治疗的射线剂量。如果辐照例如借助光子进行，那么引入的辐射和由此起作用的次级过程尤其与电子的相互作用。以适合的方式，因此为了放疗使用电荷密度分布、尤其电子密度分布作为图像数据。
从CT原始数据中产生的图像数据可能具有(图像)伪影，如例如射线硬化伪影，所述射线硬化伪影由于在记录CT原始数据时使用多色的X射线辐射而出现，或者也可能具有饱和伪影。所述伪影不利地加难可靠的诊断或治疗的规划，因为图像值不对应于与图像值相关联的(解剖)结构的材料特性的量值，并且由于此(解剖)结构例如不锐利地或失真地示出。
已知(重建)方法，所述方法使用阈值来修正图像数据。从DE 10 2015 225 395 A1中例如已知一种用于确定材料特性值的空间分布的方法。其中首先基于测量投影数据来重建图像数据。随后，利用阈值分类数据图像的图像点并且根据分类估计两种基底材料的分布。借助于所估计的分布和测量投影数据，确定材料特性值的空间分布。
不利地，在利用基于阈值的校正的方法中在如下情况下会比较难区分不同的材料：不同的材料通过类似的图像值示出和/或不同的材料具有重叠的分布。因此，例如骨骼和造影剂会比较难区分。此外，例如由于伪影，借助于图像值表示的材料特性的分布并不对应于在对象中的实际分布。然而，如果图像数据的校正基于被分区的区域对应于在对象中的实际分布的假设，因此在校正中会出现错误。
发明内容
本发明基于如下目的，能够实现改进由CT原始数据中重建的图像数据的质量。尤其地，在此要避免或至少减少伪影。
所述目的根据本发明通过用于产生图像数据的方法来实现。此外，所述目的根据本发明通过图像产生计算机来实现。此外，所述目的根据本发明通过计算机断层扫描设备来实现。
根据本发明的方法用于在计算机断层扫描设备中产生图像数据。图像数据在此具有(图像)值，所述(图像)值尤其表示材料特性。因此，图像数据例如是作为造影剂的碘的空间分布(碘图像)、表示X射线辐射的吸收能力的吸收系数(吸收图像)或电荷密度、例如核电荷密度的显示。
根据本发明，在此首先提供要检查的对象、如例如患者的检查区域的、即在记录CT原始数据时检测的区域的CT原始数据(CT记录数据)。随后，从所述CT原始数据中创建初始图像，其中对此例如使用现有技术中已知的迭代重建或优选使用所谓的滤波反投影(filtered back projection)。
此外，根据解剖特征将初始图像分区成区域并且针对每个所述区域分别创建对应于该区域的用于初始图像的图像窗口(Bildmaske)。解剖特征在此是(解剖)结构的特性，如例如骨骼、器官、血管、神经索或移植物，借助于所述特性能够将所述结构与在初始图像中的其他结构区分，或者也将其区分。尤其地，所述特性是结构的形状(构型)、表面、位置、所述结构相对于其他结构的相对位置或结构化，如例如血管或腺体的特定布置。例如，为了分区，除了解剖特征、尤其相应的结构的形状或位置之外，使用阈值。然后尤其地，这种结构在如下情况下也可相互区分：其相应的吸收系数在考虑图像噪声的情况下充分区分。因此，在此不需要相应的结构的吸收系数的(绝对)量值的知识，而所述知识在根据预设的阈值进行分区时是必需的。适宜地，在此(分区的)区域对应于相应的解剖结构或其形状。例如替选地，区域根据结构或结构的类型设计得更大或更小。
在此，每个所述图像窗口都限定初始图像的对于映射规则的有效区域，所述映射规则与所述图像窗口相关联。因此，映射规则仅在初始图像的与相应的图像窗口相关联的、即由图像窗口覆盖的区域中起作用。优选地，图像窗口相对于彼此不相交，即其不具有共同的有效区域并且不交叉。
映射规则，也称作为方法规则或映射函数，在此尤其是或者包括数学函数。优选地，所述数学函数基于物理或静态模型或者从所述模型中导出。初始图像的在相应的有效区域中的图像值在此形成数学函数的独立变量。换言之，图像值借助于映射规则处理，即确定和可能改变。在此，映射函数例如是分部段线性的函数，所述分部段线性的函数在正值域的一个子区间或多个子区间上限定。替选地，映射函数是或者包括用于处理图像值的卷积或滤波函数，借助于所述滤波函数相应地处理图像数据的图像质量参数，如例如噪声或图像锐度。
替选地或附加地，映射规则是尤其数学运算，例如图像值或图像值的份额与类别、尤其(基本)材料的关联关系。
例如，将多个映射规则应用于一个区域。
随后，根据方法将映射规则应用于通过相应的图像窗口限定的有效区域中。换言之，将借助于图像窗口限定的有效区域借助于分别相关联的映射函数处理，这在下文中也称作为“掩盖”。
在另一步骤中，根据借助于映射规则这样处理的初始图像产生图像数据。
有利地，在存在伪影时根据解剖特征分区初始图像是相对少出错的，尤其与根据阈值的分区相比。有利地，因此借助于根据解剖特征分区的初始图像或借助于相应的区域、在下文中也简称为分区的区域，实现无伪影地或至少减小伪影地确定和/或产生图像数据。
因此，例如借助于将映射函数应用于相应的区域，从初始图像中提取骨骼图像，这通过如下方式实现：从初始图像中仅提取与相应的骨骼的解剖特征相关联的区域并且将其用作为图像数据。
根据一个有利的改进方案，分区的区域根据相应的解剖特征分别与具有相应数量的(基底)材料的多元材料基底相关联。因此，在此示出尤其借助于初始图像的图像值表示的吸收系数(衰减系数)的空间分布，作为线性关系，即借助于乘积的总和。每个乘积在此作为一个因子具有相应的基底材料对吸收系数的空间分布的贡献的空间分布，并且作为另一因子具有相应的基底材料的与X射线辐射的能量相关的(线性的)吸收系数。换言之，针对每一种材料的乘积具有示出其空间分布的因子和示出其能量相关的吸收系数的因子。
在此一般而言不可能的是，仅根据尤其借助于初始图像的图像值表示的吸收系数的分布单义地确定基底材料对空间分布的贡献的空间分布。例如，对于给定的图像值不能单义地确定：所述图像值是否基于材料“骨骼”或材料“软组织”和造影剂，或者相应的材料对图像值贡献了何种份额。
尤其地，在基底材料在解剖结构中的(组分、密度)比例保持不变时并从而尤其也在相应的材料对吸收系数的空间分布的贡献的空间分布的比例保持不变时，所述解剖结构中的密度变化引起吸收系数成比例地变化和图像值相应地变化。在具有所述材料的但在材料对吸收系数的空间分布的贡献的空间分布的比例方面不同的另一解剖结构中，在密度变化类似的情况下，发生吸收系数的成比例的变化，但具有不同的比例因子。因此，在密度变化类似的情况下，这两种解剖结构的吸收系数的变化不同。尤其地，据此一种解剖结构与适合的多元材料基底相关联并且相应地选择适当的映射规则。
概括而言，针对吸收系数的预设的空间分布不能单义地确定基底材料的贡献的空间分布，多种(组分、密度)比例是可能的。
借助于根据解剖特征的分区，相应的基底材料对相应的图像值的贡献的空间分布的(多个)全部可能的比例的范围相对强地被限制或者贡献的空间分布甚至能够被精确地确定，所述空间分布对应于吸收系数的尤其借助于图像值表示的并且从CT初始图像中确定的空间分布。尤其地，因此借助于根据解剖特征的分区，相应相关联的区域的材料的全部对于吸收吸收的分布可能的(组分，密度)比例的范围(缩小地)被限制或甚至被精确地确定。借助于相应的基底材料对相应的图像值的贡献的这样确定的空间分布，有利地能够相对准确地估计或甚至精确地确定所述材料的空间分布。
对于医学应用而言，例如作为用于与骨骼相关联的区域的多元材料基底，适合的是作为第一材料的水和作为第二材料的骨骼。对于与软组织相关联的区域，适合的多元材料基底借助于材料“水”和“造影剂”、尤其碘形成。
对于医学应用而言，此外脂肪组织适合作为基底材料。如果在被分区的区域之一中仅存在唯一的材料或只要该区域仅与一种材料相关联，如例如用于与作为解剖特征的植入物相关联的区域的金属，那么所述材料作为单一材料基底适用于相应的区域。就此而言，也将多元材料基底理解成单一材料基底。
例如，所述材料在此附加地通过适当地选择的材料、尤其借助已知的特性来近似。因此，骨骼能够通过钙来近似，或者软组织能够通过水来近似。尤其地，借助于适当地选择用于多元材料基底的基底材料，考虑其在成像时的物理特性，例如其衰减系数与用于记录CT原始数据的X射线辐射的能量的相关性，以及相应的解剖结构的生理学。
优选地，多元材料基底构成为二元材料基底。换言之，基底材料分解根据两种材料进行。据此，基底材料对相应的图像值的贡献的全部可能的分布的范围借助于根据解剖特征的分区有利地小于在具有多于两种的基底材料的多元材料基底的情况下的范围。
通过相应的(基底)材料对图像值的贡献的关联或确定在此根据一个适宜的改进方案借助映射函数来进行。例如，借助于映射函数将多元材料基底中的具有增大的图像值的材料与相应线性增大的对图像值的贡献相关联。概括而言，图像值借助于映射规则处理并且附加地借助于映射规则进行对相应的图像值的贡献与相应的材料的关联。此外概括而言，借助于关于在相应的区域中存在的相应的(基底)材料的相应的映射规则评估所述区域。
有利地，因此能够实现，确定图像数据，图像数据仅表示材料之一或全部材料或材料的子组的空间分布。例如，借助于适当地选择的映射函数，在与软组织相关联的区域中，确定通过软组织以及造影剂对图像值的贡献。从中确定造影剂的空间分布。造影剂、尤其碘的空间分布于是用于产生图像数据，并且作为所谓的碘图像示出。替选地，根据借助于映射规则不与造影剂相关联的贡献或其分布产生图像数据，使得图像数据为本地图像，即不具有由于造影剂的相应贡献的衰减系数的空间分布的视图。例如替选地，以类似的方式产生所谓的水图像，所述水图像表示材料“水”的空间分布。
此外，根据所确定的材料的分布以及在了解其吸收系数与入射的X射线辐射的能量的相关性的情况下，能够实现，产生图像数据，所述图像数据的图像值对应于借助尤其单色的X射线辐射的通过用户预设的能量的CT照片的图像值。
根据一个有利的设计方案，根据与相应的区域相关联的解剖特征或相应相关联的多元材料基底选择映射规则。以所述方式，有利地能够针对不同的多元材料基底或解剖特征选择不同的映射规则。映射规则于是根据与相应的区域相关联的多元材料基底或解剖特征。尤其地，以所述方式将对相应的图像值的贡献与相应的(基底)材料相对精确地相关联。因此，进一步地改进(基底)材料对吸收系数的尤其借助于图像值表示的分布的贡献的空间分布的估计和从而进一步改进所述材料的相应的空间分布。
根据方法的一个有利的改进方案，对在上面示出的变型形式之一中从被掩盖的区域中确定图像数据替选地或附加地，从被掩盖的区域中、优选从每个被掩盖的区域中首先产生校正数据。所述校正数据随后用于确定经修正的、尤其减少伪影的图像数据。
例如，对此在上面所示变型形式之一中通过应用映射规则和随之出现的对初始图像的图像值的相应的贡献与相应的材料的关联关系首先确定材料的空间分布。借助于将所述分布正向投影到所谓的投影空间中，针对所述材料随后分别确定用于在记录CT原始数据时使用的、尤其多色的X射线辐射的(有效)路径长度。根据所确定的材料的路径长度和根据CT原始数据，修正或替选地确定所述材料之一、尤其水的有效路径长度。借助于所述材料的经修正的有效路径长度并且借助于其他材料的有效路径长度，那么例如借助于凸组合来确定线性积分或(人工的、合成的)CT(投影)数据，也称作为经修正的CT原始数据。所述CT原始数据随后转移到图像空间中，以产生图像数据。
概括而言，因此基于所确定的材料的分布，确定相应地经修正的路径长度。借助于经修正的路径长度创建的并且转换成图像数据的合成的CT数据因此没有伪影或具有至少相对少的或相对弱地构成的伪影。
多元材料基底与相应的区域或与相应的解剖结构相关联以及产生相应的(经修正的)图像数据特别优选自动地进行。因此，能够避免由于通过用户的手动输入、例如在选择基底材料时引起的错误，并且伪影、尤其射线硬化伪影由于自动地选择基底材料并且相应产生的校正数据得以避免或至少减少。
根据方法的一个适合的设计方案，经修正的图像数据的确定借助于产生的校正数据迭代地进行。换言之，经修正的图像数据通过应用校正数据借助于迭代来确定或产生。
根据迭代地确定经修正的图像数据的第一变型形式，使用所谓的迭代重建。尤其地，在此在迭代重建期间应用的正则化根据校正数据进行。在此，校正数据例如表示与被分区的区域或与相关联的解剖结构或与多元材料基底的材料中的一种材料的关联关系。正则化于是根据所述关联关系进行，尤其根据关联关系，选择用于正则化的相应的数学函数。在此，例如借助于正则化来提高在与解剖结构“骨骼”相关联的区域中的图像锐度，并且在与解剖结构“水”或“软组织”关联的区域中减少图像噪声。
替选地，根据迭代地确定经修正的图像数据的第二变型形式中，在上文中描述的用于产生图像数据的方法或所述方法的子步骤形成迭代的迭代步骤。在此，迭代的迭代步骤(迭代循环，迭代过程)例如包括：根据解剖特征进行分区，掩盖所述迭代步骤的初始图像，确定校正数据并且应用校正数据来产生图像数据，所述图像数据又用于创建下一迭代步骤的初始图像。替选地，迭代的迭代步骤仅包括：掩盖，确定校正数据和应用校正数据来产生下一迭代步骤的初始图像，其中在迭代之前借助于根据解剖特征的分区来确定图像窗口，并且将所述窗口用于全部迭代步骤。因此，迭代包括至少一个、优选多个迭代步骤。作为用于迭代的中断条件例如使用迭代步骤的数量或在解剖结构的预设的模型与根据图像数据的解剖结构之间的相似程度。
适宜地，根据方法的一个变型形式，借助于校正数据和CT原始数据，确定电子密度分布、即电子密度的空间分布，作为图像数据。尤其地，将电子密度的空间分布用于规划放疗。对此，例如将对应于吸收系数的图像值借助于已知的函数或借助于已知的换算表转换成电子密度，所述图像值例如以豪森菲尔德刻度示出。在此优选地，将借助于校正数据修正的CT原始数据的图像值转换。类似地，能够应用所述方式来确定核电荷数的空间分布。
尤其由于根据解剖特征的分区以及借助于映射函数的优选与选择相关联的多元材料基底相关的处理，有利地，能够确定和也确定电子密度的无伪影的或至少减少伪影的空间分布。因此，能够实现改进的放射规划，尤其确定引入到患者中的射线剂量的分布。
根据一个适合的实施方案，为了将初始图像分区，使用(人工的)神经网络。优选地，在此神经网络是所谓的“卷积神经网络”，尤其“深度卷积神经网络”。这种神经网络被训练并且识别出普遍化的关系或模式。换言之，用于训练神经网络的数据并不仅仅以记忆的方式学习。由此，这种神经网络有利地对解剖变化和/或碘在相关联的组织中的富集的变化是相对鲁棒的，也就是说即使在这种变化的情况下和/或在初始图像中存在伪影时，根据解剖特征也将初始图像可靠地和正确地分区。为了训练神经网络，例如使用出自实际执行的医学CT检查中的CT原始数据或图像数据。替选地或附加地，使用借助于仿真产生的数据。例如在仿真中创建所述数据。尤其地，对此计算已知的初始图像中的造影剂富集，其中根据初始图像的解剖特征的分区是已知的。例如，这种神经网络训练为，根据解剖特征区分骨骼和软组织、尤其与可能存在的造影剂无关地区分并且相应地将初始图像分区成区域。替选地或附加地，这种神经网络训练为，将造影剂富集的血管与骨骼区分，用于相应的分区。此外附加地或替选地，这种神经网络训练为，根据植入物的形状和/或位置识别所述植入物。由于这种植入物的分区，能够实现产生校正数据，借助于所述校正数据降低或防止由于植入物造成的金属伪影。
对使用神经网络替选地，使用基于模型的方法，其中将要分区的结构、例如器官或骨骼的体积模型根据所测量的图像值调整。在此，体积模型的调整尤其根据大小来进行，所述大小表示体积模型、分区所基于的解剖结构和/或图像值之间的关相关性或相似性。
根据一个适当的设计方案，提供CT原始数据，呈投影图像数据形式。投影图像数据在此具有弦图。所述弦图表示入射到(X射线)探测器上的X射线辐射对于相应的(记录)角度的强度变化曲线。优选附加地，投影图像数据具有关于记录几何形状、即关于探测器、产生X射线辐射的(X射线)源以及要检查的对象之间的相对布置的、尤其记录角度的信息。投影图像数据尤其借助于计算机断层扫描设备检测并且提供。替选地，投影图像数据从数据库中加载。如果在数据库中仅保存已经重建的图像数据，那么借助于正向投影将所述图像数据转换成CT原始数据，以执行该方法并且因此有利地用于避免伪影。
概括而言，借助于适当地选择映射规则能够实现，根据预设的目的产生图像数据。因此，图像数据能够表示造影剂、吸收系数或电荷密度、例如核电荷数或尤其电子密度的空间分布。替选地或附加地，借助于适当地选择映射规则能够实现，在相应的区域中有针对性地改变图像质量参数，如例如图像噪声。
适当地，图像产生计算机(重建计算机)具有控制器，所述控制器设计用于，执行在上文中描述的方法。控制器例如是FPGA(field programmable gate array，现场可编程门阵列)或ASIC(application specific integrated circuit，专用集成电路)或者具有这种FPGA或ASIC。适宜地，图像产生计算机还具有计算机可读的介质(计算机可读的数据载体)或者附加地或替选地，计算机可读的介质能够与图像产生计算机尤其以传输数据的方式耦合。在所有情况下，计算机可读的介质包括计算机程序产品，所述计算机程序产品具有构成为图像产生程序的程序代码，在借助于控制器执行所述程序代码时，实施上述变型形式中的方法。例如，用于执行分区的神经网络是图像产生程序的组成部分。替选地，图像产生程序具有对神经网络的接口。概括而言，图像产生计算机因此设计用于，从所提供的CT图像数据中创建初始图像，将其分区和掩盖，以便产生图像数据。
在一个有利的实施方案中，计算机断层扫描设备包括在上文中描述的图像产生计算机。图像产生计算机以及计算机断层扫描设备因此类似具有从上文描述的方法中得出的特征和优点。
概括而言，根据本发明的计算机程序产品尤其具有在上文中描述的图像产生程序，即程序代码(即尤其相应的指令)，用于当计算机程序产品在计算机上(尤其在上文中描述的图像产生计算机上或借助于其控制器)执行时，实施在上文中描述的方法。根据本发明的计算机程序产品在此存储在根据本发明的数据载体上并从而由其包括。
附图说明
下面根据附图详细阐述本发明的实施例。其中示出：
图1示出具有图像产生计算机的计算机断层扫描设备的示意性前视图，
图2以示意性流程图示出用于从CT原始数据中产生图像数据的方法，所述方法借助计算机断层扫描设备执行，其中借助于映射规则处理从CT原始数据中创建的初始图像，和
图3以示意性流程图示出图2的方法的一个替选的实施例，其中从处理的初始图像中算出用于产生图像数据的校正数据。
具体实施方式
下面根据附图详细阐述本发明的实施例。其中示出：
在图1中示出计算机断层扫描设备2。所述计算机断层扫描设备具有用于环状的转环6的保持框架4，所述转环也称作为机架。在此，转环6可转动地支承在保持框架4上。转环6承载X射线系统8，所述X射线系统具有用于产生X射线辐射的X射线源10和与X射线源相对置地设置的用于X射线的(X射线)探测器12。在此，借助于X射线源10产生的X射线辐射具有光谱分布。换言之，X射线辐射是多色的。
检查床16可在借助于环形的转环6形成的、隧道状的容纳区域14(检查隧道)中移进或移动。为了检测(记录)CT原始数据RD，将要检查的对象18、尤其患者安置在检查床16上并且移动到容纳区域14中。在转环6转动时，处于检查床16上的对象18环形地由X射线系统8绕行。因此，从不同的(空间、记录)角度记录对象18的CT原始数据RD，其中CT原始数据RD表示在相应的(记录)角度下或对于相应的记录几何形状的入射的X射线辐射的强度变化曲线。CT原始数据RD这样构成为投影图像数据。
此外，对象18或患者在被检查的区域(检查区域)中、例如在借助于CT原始数据RD检测的区域中具有不同的解剖结构，例如器官、骨骼或脂肪组织。
为了检测借助于探测器12检测的CT原始数据RD以及为了控制X射线系统8，所述X射线系统与重建计算机20以传输信号的方式连接。重建计算机20在此具有控制器22以及构成为硬盘的计算机可读的介质24(计算机可读的数据载体24)，在所述计算机可读的介质上保存有计算机程序产品26，所述计算机程序产品具有图像产生程序，所述图像产生程序具有神经网络28。在借助于控制器22执行图像产生程序时，执行在图2或图3中示出的并且在下文中描述的用于产生图像数据BD的方法。
图2示出用于产生图像数据BD的方法的第一设计方案。其中，在第一步骤200中提供构成为投影图像数据的CT原始数据RD。在跟随其后的第二步骤210中，从CT初始数据RD中尤其借助于滤波反投影创建初始图像IB。
在第三步骤220中，根据解剖特征ME将初始图像IB分区成区域B。尤其地，将解剖学结构，例如器官，如肝或骨骼，该解剖结构相对于其他解剖特征的布置或者该解剖结构的形状用作为解剖特征ME。在此，区域B对应于相应的解剖结构或其形状。为了分区，使用神经网络28，尤其所谓的“卷积神经网络”，优选“深度卷积神经网络”。所述神经网络例如训练成，根据解剖特征ME来在骨骼和软组织之间进行区分，尤其与可能存在的造影剂无关地进行区分，并且相应地将初始图像IB分区成区域B。
在接着的第四步骤230中，针对初始图像IB对应于区域B分别创建图像窗口MA，也称作为窗口MA。所述图像窗口分别限定初始图像IB的有效区域，在所述有效区域中，与该图像窗口MA相关联的(映射函数)映射规则V起作用，即应用所述映射规则。
在第五步骤240中，将映射规则V应用于借助于图像窗口MA限定的有效区域中。在此，根据相应的解剖特征ME将(被分区的)区域B分别与具有(基底)材料M1和M2的二元材料基底相关联。初始图像IB在此被划分成两个区域B。第二区域B在此对应于患者的骨骼的解剖结构，而第一区域B对应于包围骨骼的软组织的解剖结构。此外，将这两个区域B中的第一区域与构成分为二元材料基底的多元材料基底相关联，所述多元材料基底具有(基底)材料M1和M2“造影剂”或“软组织”，所述软组织通过水来近似。因此，在选择二元材料基底的情况下考虑的是，根据限定在解剖结构“软组织”中不存在作为其他材料的骨骼。将这两个区域B中的第二区域与构成为二元材料基底的二元材料基底相关联，所述二元材料基底具有材料M1和M2“骨骼”或“水”。在此，在第二区域B中将由于造影剂的贡献假设为零，因为所述造影剂典型地仅以可忽略的浓度出现在解剖结构“骨骼”中。
借助于关于相应的材料M1和M2的相应的映射规则V评估初始图像IB的区域B的图像值，换言之，确定材料M1和M2对初始图像IB的相应的图像值的贡献。映射规则V在此与相应的二元材料基底相关，即借助于相应的映射规则V不同地处理这两个区域B。映射规则V在此是数学函数和与此关联的数学运算，所述数学函数为图像值作为函数的自由变量分别确定通过材料M1和M2对所述图像值的贡献，所述数学运算将确定的贡献与相应的区域B的相应的材料M1或M2相关联。借助于所述关联关系和确定的贡献，于是确定材料M1和M2在相应的区域B中的分布。
根据所述实施例，在此根据分别相关联的二元材料基底来区分映射规则V。因此，针对第一区域B确定由于作为材料M1的造影剂和由于作为材料M2的水对图像值的贡献并且将其相关联。由于在所述区域B中作为其他材料的骨骼的贡献根据所选择的二元材料基底而始终假设为零，并因此借助于映射函数V，没有任何由于骨骼对图像值的贡献相关联。针对第二区域B类似地确定由于作为材料M1的骨骼和由于作为材料M2的水对图像值的贡献并且相应地将其相关联。由于造影剂的贡献根据所选择的二元材料基底而假设为零。借助于确定对图像值的贡献和与材料“造影剂”的相应的关联关系，以及根据与相应的图像值相关联的像素或体像素的已知位置，确定造影剂的空间分布。从所述分布中，在第六步骤250中产生图像数据BD。在此，图像数据BD构成为造影剂图像，所述造影剂图像示出造影剂在对象18的检查区域中的空间分布。附加地或替选地，类似地将图像数据BD构成为骨骼图像，即材料“骨骼”的借助于映射规则确定的空间分布。概括而言，根据方法的该变型形式因此产生图像数据BD，所述图像数据示出材料M1或M2的分布。
在根据图2的方法的未进一步示出的替选形式中，在第五步骤240中，将映射规则V应用于借助于图像窗口MA限定的有效区域中，其中其他步骤类似地执行。映射规则V在此与如下项不相关：与相应的区域相关联的解剖特征ME或相应地相关联的多元材料基底。例如，映射规则V是滤波函数，所述滤波函数将低于阈值的图像值与数值零相关联。在替选的设计方案中，借助于映射规则降低噪声或者提高图像锐度。在所有情况下，借助于所述滤波函数处理相应的有效区域并且从这样处理的初始图像IB中在第六步250中产生图像数据BD。
图3示出用于产生图像数据BD的方法的另一替选的设计方案。步骤300至340(包括340在内)在此类似于图2的实施方案的步骤200至240进行，从而不继续描述。借助于材料M1和M2(在此为水、骨骼)和作为造影剂的碘的在步骤340中确定的分布，首先产生校正数据KD(步骤350的子步骤351)。根据所述实施例，对此针对每种材料M1或M2将其在全部区域B中的空间分布借助于正向投影转移到所谓的投影空间中，并且针对材料M1和M2中的每种材料分别确定在记录CT原始数据RD时使用的多色X射线辐射和相应的记录几何形状的(有效)路径长度W。
根据全部材料M1和M2的确定的路径长度W和根据CT原始数据RD，修正或确定材料M1或M2的有效路径长度W(步骤350的子步骤352)。在此，借助于CT原始数据以及借助于材料“骨骼”(第一区域中的材料M1)和造影剂(第一区域中的材料M1)的确定的路径长度W，确定材料“水”(材料M1)的路径长度W或修正在步骤351中确定的对于水(对于第二区域而言为材料M1和对于第一区域而言为材料M2)的路径长度W。
借助于材料“水”的经修正的路径长度W以及借助于其他材料M1和M2、即造影剂和骨骼的路径长度W，借助于所谓的凸组合来产生合成的CT(投影)数据SD。此外，在此借助于已知的函数或借助于已知的换算表将图像值转换成电子密度。在步骤350的子步骤353中，从所述合成的CT数据SD中通过反投影产生表示电子密度的图像数据BD。概括而言，根据该替选的设计方案，因此产生图像数据BD，所述图像数据表示全部材料M1和M2的经修正的电子密度分布。
在根据图3的方法的未进一步地示出的变型形式中，经修正的图像数据BD的确定或产生迭代地进行。在此，步骤310至352形成迭代的迭代步骤，即迭代过程。在子步骤352中产生的合成的CT数据SD用于产生下一迭代步骤的初始图像IB。
在根据图3的方法的另一未示出的变型形式中，步骤300至340类似地进行，仅步骤350如在下文所示的那样不同。在步骤350的第一子步骤351中，产生校正数据KD。校正数据KD在此表示与被分区的区域B或与多元材料基底的材料M1或M2的关联关系。在步骤350的第二子步骤352中，于是在迭代重建中使用校正数据KD。因此，在迭代重建期间应用的正则化根据校正数据KD进行。正则化因此根据所述关联关系进行。借助于正则化在作为基于校正数据的迭代重建的结果产生图像数据BD时提高与解剖结构“骨骼”相关联的区域B中的图像锐度，并且在与解剖学结构“水”或“软组织”相关联的区域B中降低图像噪声。
本发明并不局限于上面描述的实施例。更确切地说，本发明的其他变型形式也能够由本领域技术人员从中导出，而不脱离本发明的范围。尤其地，此外全部结合所述实施例描述的单独特征也能够以其他方式彼此组合，而不脱离本发明的范围。
Claims (15)
1.一种用于在计算机断层扫描设备(2)中产生图像数据(BD)的方法，
-其中提供CT原始数据(RD)，
-其中从所述CT原始数据(RD)中创建初始图像(TB)，
-其中根据解剖特征(ME)将所述初始图像(IB)分区成区域(B)，
-其中针对所述初始图像(IB)对应于所述区域(B)分别创建图像窗口(MA)，所述图像窗口限定用于分别相关联的映射规则(V)的有效区域，
-其中将所述映射规则(V)应用于通过相应的图像窗口(MA)限定的有效区域中，和
-其中根据借助于所述映射规则(V)处理的初始图像(IB)产生所述图像数据(BD)。
2.根据权利要求1所述的方法，
其中根据相应的解剖特征(ME)将被分区的所述区域(B)分别与具有材料(M1，M2)的多元材料基底相关联，
并且其中借助于相应的所述映射规则(V)来确定相应的所述多元材料基底的所述材料(M1，M2)的空间分布。
3.根据权利要求1或2所述的方法，
其中根据与相应的所述区域(B)相关联的解剖特征(ME)或相应地关联的所述多元材料基底来选择所述映射规则(V)。
4.根据权利要求2或3所述的方法，
其中为了确定相应的所述多元材料基底的所述材料(M1，M2)的空间分布，借助于所述映射规则(V)分别确定所述材料(M1，M2)对所述初始图像(IB)的相应的图像值的贡献。
5.根据权利要求1至4中任一项所述的方法，
其中根据借助于相应的所述映射规则(V)处理的区域(B)产生校正数据(KD)，以确定经修正的图像数据(BD)。
6.根据权利要求5所述的方法，
其中借助于所述校正数据(KD)迭代地确定经修正的所述图像数据(BD)。
7.根据权利要求6所述的方法，
其中为了产生所述图像数据(BD)，使用迭代重建，其正则化根据所述校正数据(KD)进行。
8.根据权利要求6所述的方法，
其中迭代的迭代步骤至少由应用所述映射规则(V)、产生所述校正数据(KD)以及产生经修正的图像数据(BD)形成。
9.根据权利要求5至8中任一项所述的方法，
其中借助于所述校正数据(KD)和所述CT原始数据(RD)，将电子密度分布确定为图像数据(BD)。
10.根据权利要求1至9中任一项所述的方法，
其中采用神经网络(28)、尤其深度卷积神经网络来对所述初始图像(IB)进行分区。
11.根据权利要求1至10中任一项所述的方法，
其中提供所述CT原始数据(RD)，所述CT原始数据呈投影图像数据形式。
12.一种图像产生计算机(20)，其具有用于执行根据权利要求1至11中任一项所述的方法的控制器(22)。
13.一种计算机断层扫描仪(2)，其具有根据权利要求12所述的图像产生计算机(20)。
14.一种计算机程序产品(26)，所述计算机程序产品具有程序代码，所述程序代码用于当所述计算机程序产品在计算机(20)上执行时，实施根据权利要求1至11中任一项所述的用于产生图像的方法。
15.一种计算机可读的数据载体(24)，所述数据载体包括根据权利要求14所述的计算机程序产品(26)。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18170877.7 | 2018-05-04 | ||
| EP18170877.7A EP3564906A1 (de) | 2018-05-04 | 2018-05-04 | Verfahren zur erzeugung von bilddaten bei einem computertomographiegerät, bilderzeugungsrechner, computertomographiegerät, computerprogrammprodukt und computerlesbarer datenträger |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110444276A true CN110444276A (zh) | 2019-11-12 |
Family
ID=62116746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910366988.6A Pending CN110444276A (zh) | 2018-05-04 | 2019-05-05 | 产生图像数据的方法、计算机断层扫描设备、程序产品和数据载体 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10820876B2 (zh) |
| EP (1) | EP3564906A1 (zh) |
| CN (1) | CN110444276A (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3569147B1 (de) * | 2018-05-16 | 2021-07-21 | Siemens Healthcare GmbH | Verfahren und vorrichtung zum bestimmen einer geometriekalib-rierung für eine bildgebende vorrichtung sowie verfahren zum bestimmen von zuordnungsdaten für die geometriekalibrierung |
| US20220398718A1 (en) * | 2021-06-11 | 2022-12-15 | GE Precision Healthcare LLC | System and methods for medical image quality assessment using deep neural networks |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6101234A (en) * | 1997-11-26 | 2000-08-08 | General Electric Company | Apparatus and method for displaying computed tomography fluoroscopy images |
| US6501818B1 (en) * | 1997-11-26 | 2002-12-31 | Ge Medical Systems Global Technology Company, Llc | Apparatus and methods for displaying computed tomography fluoroscopy images including data transfer provided over a network |
| CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
| CN102369529A (zh) * | 2009-04-02 | 2012-03-07 | 皇家飞利浦电子股份有限公司 | 用于图像引导治疗规划的自动解剖结构描绘 |
| CN104091329A (zh) * | 2014-06-25 | 2014-10-08 | 清华大学 | 一种ct图像的标定方法、装置和一种ct系统 |
| US20160300368A1 (en) * | 2015-04-07 | 2016-10-13 | Thomas Flohr | Structure-compliant noise reduction during multispectral computed tomography imaging |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| CN106793992A (zh) * | 2014-05-14 | 2017-05-31 | Sync-Rx有限公司 | 对象识别 |
| US20170199654A1 (en) * | 2016-01-08 | 2017-07-13 | National Yang-Ming University | System and method of mapping medical image of single heart chamber |
| CN107636659A (zh) * | 2015-05-11 | 2018-01-26 | 西门子保健有限责任公司 | 使用深度神经网络检测医学图像中的地标的方法和系统 |
| CN107767962A (zh) * | 2016-08-23 | 2018-03-06 | 西门子保健有限责任公司 | 基于来自不同测量的医学测量数据确定结果数据 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008130907A1 (en) * | 2007-04-17 | 2008-10-30 | Mikos, Ltd. | System and method for using three dimensional infrared imaging to identify individuals |
| WO2009109874A1 (en) * | 2008-03-07 | 2009-09-11 | Koninklijke Philips Electronics N.V. | Ct surrogate by auto-segmentation of magnetic resonance images |
| DE102015225395B4 (de) | 2015-12-16 | 2021-05-06 | Siemens Healthcare Gmbh | Ermittlung einer räumlichen Verteilung eines Materialeigenschaftswerts auf Basis einer Einzelenergie-Bildaufnahme |
| US10136869B2 (en) * | 2016-03-25 | 2018-11-27 | Perkinelmer Health Sciences, Inc. | Systems and methods for characterizing a central axis of a bone from a 3D anatomical image |
| WO2018231757A1 (en) * | 2017-06-12 | 2018-12-20 | The Research Foundation For The State University Of New York | System, method and computer-accessible medium for ultralow dose computed tomography image reconstruction |
| US10709394B2 (en) * | 2018-01-15 | 2020-07-14 | Siemens Healthcare Gmbh | Method and system for 3D reconstruction of X-ray CT volume and segmentation mask from a few X-ray radiographs |
-
2018
- 2018-05-04 EP EP18170877.7A patent/EP3564906A1/de not_active Withdrawn
-
2019
- 2019-04-23 US US16/391,377 patent/US10820876B2/en active Active
- 2019-05-05 CN CN201910366988.6A patent/CN110444276A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6501818B1 (en) * | 1997-11-26 | 2002-12-31 | Ge Medical Systems Global Technology Company, Llc | Apparatus and methods for displaying computed tomography fluoroscopy images including data transfer provided over a network |
| US6101234A (en) * | 1997-11-26 | 2000-08-08 | General Electric Company | Apparatus and method for displaying computed tomography fluoroscopy images |
| CN101295309A (zh) * | 2008-05-22 | 2008-10-29 | 江苏大学 | 一种医学图像识别的方法 |
| CN102369529A (zh) * | 2009-04-02 | 2012-03-07 | 皇家飞利浦电子股份有限公司 | 用于图像引导治疗规划的自动解剖结构描绘 |
| CN106793992A (zh) * | 2014-05-14 | 2017-05-31 | Sync-Rx有限公司 | 对象识别 |
| CN104091329A (zh) * | 2014-06-25 | 2014-10-08 | 清华大学 | 一种ct图像的标定方法、装置和一种ct系统 |
| US20160300368A1 (en) * | 2015-04-07 | 2016-10-13 | Thomas Flohr | Structure-compliant noise reduction during multispectral computed tomography imaging |
| CN107636659A (zh) * | 2015-05-11 | 2018-01-26 | 西门子保健有限责任公司 | 使用深度神经网络检测医学图像中的地标的方法和系统 |
| CN106339571A (zh) * | 2015-07-10 | 2017-01-18 | 西门子保健有限责任公司 | 用于分类医学图像数据组的人工神经网络 |
| US20170199654A1 (en) * | 2016-01-08 | 2017-07-13 | National Yang-Ming University | System and method of mapping medical image of single heart chamber |
| CN107767962A (zh) * | 2016-08-23 | 2018-03-06 | 西门子保健有限责任公司 | 基于来自不同测量的医学测量数据确定结果数据 |
| CN107818821A (zh) * | 2016-09-09 | 2018-03-20 | 西门子保健有限责任公司 | 在医学成像中的基于机器学习的组织定征 |
| CN107833231A (zh) * | 2017-11-22 | 2018-03-23 | 上海联影医疗科技有限公司 | 医学图像显示方法、装置和计算机存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| US10820876B2 (en) | 2020-11-03 |
| US20190336095A1 (en) | 2019-11-07 |
| EP3564906A1 (de) | 2019-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Herman et al. | Clinical use of electronic portal imaging: report of AAPM Radiation Therapy Committee Task Group 58 | |
| US8000435B2 (en) | Method and system for error compensation | |
| CN106233335B (zh) | X射线光谱成像方法与系统 | |
| JP6133089B2 (ja) | エミッション・データに基づいた核医学イメージングにおける減衰補償のためのシステム及び方法 | |
| US20090202127A1 (en) | Method And System For Error Compensation | |
| JPH05302979A (ja) | 同時透過・放出型集束断層撮影法 | |
| US8433119B2 (en) | Extension of the field of view of a computed tomography system in the presence of interfering objects | |
| CN107530037B (zh) | 用于生成对比剂浓度图的方法 | |
| US11607187B2 (en) | System and method for low-dose multi-spectral X-ray tomography | |
| US10210635B2 (en) | Reconstruction quality assessment with local non-uniformity in nuclear imaging | |
| JPH02125371A (ja) | 扇形ビーム計算機式断層写真装置で物体の輪郭を推定する方法と装置 | |
| US7675038B2 (en) | Truncation compensation in transmission reconstructions for a small FOV cardiac gamma camera | |
| CN110444276A (zh) | 产生图像数据的方法、计算机断层扫描设备、程序产品和数据载体 | |
| Hulme et al. | Implications of CT noise and artifacts for quantitative 99mTc SPECT/CT imaging | |
| Xiu et al. | An Innovative Beam Hardening Correction Method for Computed Tomography Systems. | |
| Chen et al. | Low dose cone-beam computed tomography reconstruction via hybrid prior contour based total variation regularization (hybrid-PCTV) | |
| Tadesse et al. | Techniques for generating attenuation map using cardiac SPECT emission data only: a systematic review | |
| US11389127B2 (en) | Spectral CT-based 511 KeV for positron emission tomography | |
| Lindsay et al. | Investigation of combined kV/MV CBCT imaging with a high‐DQE MV detector | |
| Min et al. | A weighted rebinned backprojection‐filtration algorithm from partially beam‐blocked data for a single‐scan cone‐beam CT with hybrid type scatter correction | |
| Kalantari et al. | Attenuation correction in 4D‐PET using a single‐phase attenuation map and rigidity‐adaptive deformable registration | |
| Ljungberg et al. | Single Photon Emission Computed Tomography (SPECT) and SPECT/CT Hybrid Imaging | |
| Onishi et al. | Differential impact of multi-focus fan beam collimation with L-mode and conventional systems on the accuracy of myocardial perfusion imaging: Quantitative evaluation using phantoms | |
| Cropp | Implementation of respiratory-correlated cone-beam CT on Varian linac systems | |
| Gjesteby | CT metal artifact reduction with machine learning and photon-counting techniques |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240426 |
|
| AD01 | Patent right deemed abandoned |