CN110522466B - 确定患者重量和/或体重指数的方法和装置 - Google Patents

确定患者重量和/或体重指数的方法和装置 Download PDF

Info

Publication number
CN110522466B
CN110522466B CN201910429394.5A CN201910429394A CN110522466B CN 110522466 B CN110522466 B CN 110522466B CN 201910429394 A CN201910429394 A CN 201910429394A CN 110522466 B CN110522466 B CN 110522466B
Authority
CN
China
Prior art keywords
patient
information
ray
density
weight
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
CN201910429394.5A
Other languages
English (en)
Other versions
CN110522466A (zh
Inventor
R·劳帕赫
A·克劳斯
A·维默尔
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.)
Siemens Healthineers AG
Original Assignee
Siemens Healthineers AG
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 Siemens Healthineers AG filed Critical Siemens Healthineers AG
Publication of CN110522466A publication Critical patent/CN110522466A/zh
Application granted granted Critical
Publication of CN110522466B publication Critical patent/CN110522466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/488—Diagnostic techniques involving pre-scan acquisition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A61B5/4872—Body fat
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1073—Measuring volume, e.g. of limbs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5294—Devices using data or image processing specially adapted for radiation diagnosis involving using additional data, e.g. patient information, image labeling, acquisition parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
    • A61B6/544—Control of apparatus or devices for radiation diagnosis involving control of exposure dependent on patient size
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/545—Control of apparatus or devices for radiation diagnosis involving automatic set-up of acquisition parameters
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography

Abstract

本发明涉及一种用于确定患者(15)的患者重量和/或体重指数的方法，具有以下步骤：获取具有患者(15)的深度信息的图像数据(302)，基于图像数据(302)，生成患者(15)的表面模型(O)，测定患者(15)的至少一部分的(质量)密度信息(Lρ)或X射线衰减信息，以及在使用表面模型(O)，特别是部分密度信息(Lρ)或X射线衰减信息的情况下，获取患者(15)的患者总重量(310)和/或体重指数(311)。

Description

确定患者重量和/或体重指数的方法和装置
技术领域
本发明涉及用于确定患者重量和/或体重指数的方法和装置，以及具有计算机程序的计算机程序产品和计算机可读介质，在该计算机可读介质上存储有能由计算单元读入和执行的程序部段，以执行根据本发明的方法。
背景技术
出于某些目的，例如患者特定的CT造影剂给药，需要了解患者重量。本发明的目的是确定患者重量或体重指数，而不必直接借助机械秤测量患者的体重。
测量体重的经典方法是使患者站在/坐在/躺在秤上。但是，这是工作流程中的额外步骤，因此需要额外的时间。当然，为了避免额外的步骤，也可以将秤直接安装在CT台中。但是，这会导致硬件成本增加。还存在一些措施，用于例如通过测量对于一定加速所需的电动机电流，而从台子在水平加速度时取决于重量的惯性来推导出重量。
此外，显而易见的是，从借助于光学的3D相机确定的关于体积的身体表面模型和假设的平均密度猜测患者重量。然而，在专门基于表面的重量估计中存在问题，例如由于体脂份额不同，可能在患者体积相同时得出显著不同的重量。
发明内容
因此，本发明的目的是提供一种方法，该方法能够以较低的消耗并且同时以良好的精度来获取患者的体重或体重指数。
根据本发明，该目的通过一种用于确定患者的患者重量和/或体重指数的方法来实现，该方法具有以下步骤：
-获取具有患者深度信息的图像数据，
-基于图像数据生成患者的表面模型，
-获取患者的至少一部分的(质量)密度信息或X射线衰减信息，和
-在使用表面模型和(特别是部分的)密度信息或X射线衰减信息的情况下，获取患者总重量和/或体重指数。
因此提出，在计算患者重量或体重指数的范畴中，除了患者的表面模型(尤其是患者体积由该表面模型已知)之外，需要考虑关于下列内容的信息：患者的至少一部分的密度或质量、或者患者的至少一部分中的X射线衰减。名称“患者重量”和“患者总重量”以及名词“密度信息”、“质量密度信息”和“(质量)密度信息”在本文中可交换使用。通过考虑关于患者密度的附加信息，相对于纯考虑患者体积，可以显著提高所获取的患者重量或体重指数的精度，因为例如可以至少近似地考虑不同体脂含量的影响。在此，密度信息可以专门描述患者或患者的一部分的平均密度。然而，密度信息优选地具有空间解析度。原则上，密度信息可以是三维的，也就是说对于各个体积部段或体像素分别包括关于该处密度的信息。然而，如稍后将更详细地解释的，如果沿着多条穿过患者身体的光束确定密度的线积分，则可以特别容易地获取空间解析的密度信息。因为，如所解释的那样，为了获取患者的患者总重量或者体重指数不一定提供关于患者总体积的密度信息，因此在获取的范畴中，典型地考虑部分密度信息，即仅仅涉及患者的部分体积的密度信息。然而，当然也可以考虑关于患者总体积的密度信息(如果有的话)。
如稍后可以更详细解释的那样，例如可以从X射线投影数据或CT重建根据多个X射线投影获取X射线衰减信息，该X射线衰减信息可以是患者重量密度的度量，并且因此也可以被视为(质量)密度信息的特殊情况。在对术语(质量)密度信息的更狭义解释中，也可以要求，该术语清楚地描述质量密度或例如描述质量密度的线积分。这种类型的(质量)密度信息可以从X射线衰减信息计算出，这将在后面说明。
一方面，获取图像数据当前被理解为根据相应的传感器系统获取图像数据。另一方面，获取图像数据也可以被理解为由外部设备提供，并且例如由服务器或其他处理设备经由通信连接来获取。同样地，获取密度信息或X射线衰减信息可以包括以传感器获取输入数据，从中确定这些信息。然而，密度信息也可以从单独提供的输入数据来确定，该输入数据例如可以由第三方设备通过通信连接提供。
具有深度信息的图像数据尤其可以是3D图像数据。
具有深度信息的图像数据尤其可以由光学3D相机获取。特别地，图像数据可以利用光学3D相机被获取或已经获取。如开头所解释的，根据本发明的方法尤其可以在计算机X光断层摄影的范畴内或在考虑其他医学检查模态中的患者重量或体重指数时相关。为此，在各种情况下经常需要确保正确的患者定位或者考虑正确的患者定位以用于计划测量数据获取。因此，相应的3D相机总是通常存在于较新的计算机X光断层摄影系统或其他医学检查设备中。
表面模型可以是患者模型、也称为化身，或可以作为患者模型的一部分被提供。由于这些图像数据包括诸多深度信息，因此它们直接对患者的表面进行成像，从而可以通过在图像数据中对患者进行分割来在最简单的情况下创建表面模型。然而特别有利的是，可以使用基于机器学习的方法从图像数据中提取表面模型。借助于基于机器学习的方法从具有深度信息的图像数据中提取表面模型原则上在现有技术中是已知的，因此将不再详细解释。
(质量)密度信息尤其可以从患者的X射线测量被获取。特别地，(质量)密度信息可以从X射线投影数据、特别是从定位像图的X射线投影数据，或从原生CT扫描的重建图像数据被获取。
相应地，可以从患者的X射线测量来获取X射线衰减信息。特别地，X射线衰减信息可以描述X射线投影数据、特别是定位像图的X射线投影数据、或者原生CT扫描的重建图像数据。可以从X射线衰减信息获取(质量)密度信息。
特别是在记录定位像的情况下，可以生成X射线投影数据，如其为了准备X光断层摄影检查在计算机断层摄影装置(CT装置)上被执行。在此，执行一个或多个单独的投影记录，即二维图像记录，其用于检查计划。例如，可以使用定位像来精确地定义用于CT检查的实际扫描区域，即，特别是用于三维数据记录。由于在CT检查的常规过程中总归要获取相应的X射线投影数据，因此借助于这些数据不需要施加额外的辐射用于重量确定的目的。因此，可以根据输入数据来获取(质量)密度信息或X射线衰减信息，输入数据总归存在并且在所描述的方法中仅用于进一步的功能。因此，根据本发明的方法特别简单，可以在没有额外患者负担的情况下使用，并且基本上没有额外的时间消耗。
在一些应用情况中，当使用根据本发明的方法时，可以已经存在重建的图像数据集，特别是原生CT扫描的重建图像数据集，即没有造影剂的扫描，然后可以将该图像数据集用于获取密度信息或作为X射线衰减信息使用。例如，根据本发明的患者重量或体重指数确定可用于确定要使用的造影剂量。使用造影剂的计算机X光断层摄影方法中，通常使用在没有事先造影剂施用的情况下获取的掩模图像或相应的重建掩模图像数据集。因此，如果应确定患者重量或体重指数用于造影剂施用的参数化，则可以存在原生CT扫描的已经重建的图像数据。因此存在空间衰减分布，由此可以测定密度分布。在最简单的情况下，可以执行衰减值到质量密度值的映射。原则上从放射治疗计划中已知这一点。可替代地，可以借助于多材料分解间接地重建质量密度分布。这例如从文献DE 10 2016 09674 A1中已知。如果使用多能量定位像或多能量CT图像(其尤其可以借助于光子计数探测器来获取)，则还已知用于基于材料分解计算质量密度线积分或空间的质量密度分布的方法，例如来自下列文章：RE Alvarez和A.Macovski的“Energy-selective reconstructions in X-raycomputerized tomography(X射线计算机断层扫描中的能量选择性重建)”，Phys.Med.Biol.期刊，21(5)，第733-744页，1976；Williamson等的“On two-parametermodels of photon cross sections:Application to dual-energy CTimaging(关于光子截面的双参数模型：应用于双能CT成像)”，Med.Phys.期刊，33(11)，第4115-4129页，2006。
优选地，通过辐射硬化校正来校正X射线投影数据，其中从如此校正的X射线投影数据获取(质量)密度信息。可替代地，射束硬化校正也可用于从X射线投影数据获取X射线衰减信息，然后其被用于确定患者总重量或体重指数。X射线投影数据通常在照射X射线光谱已知的情况下定义各个像素中的信号衰减。然而，由于局部吸收或散射取决于所照射的X射线的频率或能量，因此下面的线积分首先导致衰减的测量线积分Lμ：
在此，I0是X射线的照射强度，I是X射线的获取强度。I(E)是入射X射线的取决于能量的强度分布，并且μ(E，r)是位置r处的取决于能量的吸收系数。
已知的是，当穿透物质时，X射线的光谱随着穿透深度的增加而向更高的能量移动，因为较高能量的光子散射的强度较小。在非能量解析地获取成像范畴中的X射线辐射强度的情况下，该效应可能导致测量伪像。已经认识到，当直接从X射线投影数据计算密度信息时，密度信息也可能被这种效应歪曲。因此，提出了根据校正的X射线投影数据来获取密度信息，通过对X射线投影数据应用射束硬化校正而获得该校正的X射线投影数据。这里，校正的X射线投影数据Lμ'被测定为X射线投影数据Lμ的函数f(x)：
L′μ＝f(Lμ)，
其中，函数f(x)优选是多项式，即以形式表示。
系数ak可以通过对物体进行参考测量、特别是体模测量来测定，该物体具有在照射X射线光谱确定时与能量无关的吸收系数的已知分布。可选地或补充地，可以使用X射线成像的模拟。然后选择系数ak以满足以下条件：
在此，通过根据入射X射线辐射的已知光谱对取决于能量的吸收系数进行加权，可以例如计算与能量无关的吸收系数μ'。在此，在参考测量的范畴中，可以使用水用于吸收，因为可以假设在体内存在的所有物质主要都是水状的。
在假定照射材料相同的情况下，其中特别是在假设照射水的情况下，可以从X射线投影数据或校正的X射线投影数据为X射线投影数据的每个像素计算出作为(质量)密度信息的积分密度。因此，不同程度的衰减被认为大致是纯密度差异，即适用于：
在此，是水的衰减系数，并且/>是水的密度。因此，X射线投影数据Lμ或校正的X射线投影数据Lμ'以已知的比例因子与经过相应位置r处的被照射的患者的密度ρ(r)沿着相应X射束的积分成比例。因此，(质量)密度信息可以作为密度积分Lρ给出：
由于(质量)密度信息以已知比例因子与X射线投影数据、即与X射线衰减信息近似成比例，因此X射线衰减信息本身也可以被视为(质量)密度信息。可替代地，如上所述的(质量)密度信息可以在X射线衰减信息的中间步骤中被获取，以便然后使用(质量)密度信息来确定患者总重量或体重指数。
在本发明中，可以在使用机器学习方法、特别是在使用训练算法的情况下实现获取步骤。在这种情况下，特别地，可以使用训练的神经网络或相应地在神经网络中训练的算法。
优选地，在使用表面模型和(体积)密度信息或X射线衰减信息作为输入数据的情况下，借助于基于机器学习的方法实现获取患者总重量和/或体重指数。这里基于机器学习的方法可以对应于上述机器学习方法。例如，可以训练神经网络、特别是卷积神经网络，以从作为输入数据的表面模型和密度信息或X射线衰减信息获取患者总重量和/或体重指数。
在机器学习的范畴中被训练的算法、例如神经网络具有多个参数，这些参数在学习过程的范畴中被合适地选择用于以后的应用。在神经网络的情况中，这些参数例如可以是各个神经元的输入权重。在根据本发明的方法中用于获取患者总重量或体重指数的算法例如可以在监控学习的范畴中被训练。在此，提供多个训练数据集，其除了相应的输入数据之外、也就是除了表面模型和密度信息或X射线衰减信息之外，还相应包括针对该输入数据所期望的输出数据、即相应的患者总重量或相应的体重指数。例如，可以以另外的方式例如为相应患者获取针对该训练数据集的期望输出数据，训练数据组在该患者处被获取。例如，可以通过秤来对患者进行称重以获取患者的总重量，和/或可以额外地测量高度，以从该高度和患者重量确定体重指数。然而，还可以使用任何其他方法来获取患者总重量或体重指数，以便为训练数据集提供输出数据。
在算法训练的范畴中，算法可以首先随机地或以其他方式被参数化。将临时参数化的算法应用于训练数据集的至少部分的输入数据，并且将算法的结果输出与存储在相应训练数据集中的目标值进行比较，以便获取应该以何种程度改变算法的参数化。例如，已知的误差反向传播方法可用于训练神经网络。
除了根据本发明的方法之外，本发明还涉及一种用于确定患者重量的装置，其包括：
接口，用于捕获具有患者的深度信息的图像数据；
生成单元，用于基于图像数据生成患者的表面模型；
接口，用于获取患者的至少一部分的(质量)密度信息或X射线衰减信息，
计算单元，用于在使用表面模型和患者的至少一部分的质量密度信息或X射线衰减信息的情况下，获取患者的患者总重量和/或体重指数，和
输出单元，用于输出患者的所获取的患者重量和/或体重指数。
该装置可以是医学成像设备的一部分，例如计算机X光断层摄影装置。可替代地，该装置可以是用于控制成像设备的控制设备，例如测量站计算机，其设计为与医学成像设备分开。但是，该装置也可以专门用于评估测量数据。例如，该装置可以是用于评估测量数据的工作站计算机，并且不能直接干预医学成像设备的操作。装置也可以是服务器或实现为由多个计算装置组成的云设备，服务器或云设备例如可以通过网络接收例如以下的信息：图像数据和(质量)密度信息，或者可以从中获取图像数据和(质量)密度信息的信息。然后，所获取的患者总重量或所获取的体重指数可以在本地继续使用，以便提供用于通过该网络或另一网络进一步使用，或者例如传输回医学成像设备，以在此控制例如造影剂施用，或为用户提供涉及该控制的信息。输出单元可以用于向用户或另一个组件或设备进行输出。
如上面针对根据本发明的方法所解释地，可以进一步改进该装置。特别地，计算单元可以包括校正装置，用于执行所解释的射束硬化校正，和/或计算单元可以包括密度计算装置，用于如所解释地从X射线投影数据或校正的X射线投影数据计算(质量)密度信息。所描述的装置的单元或构件可以提供相应的或共同的处理器实现，特别是由提供相应的程序构件装置、FPGA、ASIC或其他组件实现。
本发明还涉及一种具有计算机程序的计算机程序产品，该计算机程序能够直接加载在控制设备或计算装置的存储器设备中，该计算机程序具有程序部段，从而当计算机程序在控制设备或者计算装置中执行时，执行本发明的方法的所有步骤。如已经说明的那样，在此，关于获取图像数据或获取(质量)密度信息或获取X射线衰减信息，原则上，这些信息在由外部设备或另一计算机程序提供时是足够的。但是，计算机程序也可以包括程序段，该程序段例如所述的那样从X射线数据获取(质量)密度信息，和/或该程序段对用于获取图像数据的图像获取器进行控制和/或对用于获取相应的X射线数据或X射线衰减信息的X射线设备进行控制。
本发明还涉及一种计算机可读介质，在该计算机可读介质上存储有能够由计算单元读入和执行的程序部段，从而在该程序部段由计算单元执行时，执行本发明方法的所有步骤。程序部段尤其可以形成上述计算机程序。计算单元可以形成控制设备或计算装置或其一部分。
本发明还涉及一种训练算法的方法，用于在使用患者的表面模型和患者的至少一部分的(质量)密度信息或X射线衰减信息的情况下，获取患者的患者总重量和/或体重指数。该算法可以根据多个训练数据集通过监督学习进行训练。特别地，可以训练神经网络以作为该算法。上面已经解释了用于训练算法和用于提供训练数据集的细节。
本发明还涉及一种通过所描述的方法训练的算法，用于获取患者的患者总重量和/或体重指数，以及涉及一种数据载体，其存储了该算法或在训练的范畴中获取的参数。
附图说明
从以下实施例以及所属的附图中得出本发明的其他优点和细节。图中示意性地示出：
图1示出了根据本发明的方法的实施例的图示，
图2示出了根据本发明的装置的实施例的图示，
图3示出了根据本发明的方法的另一实施例的流程，和
图4示出了用于训练算法的实施例，该算法可以用于从表面模型和密度信息或X射线衰减信息获取患者的患者总重量和/或体重指数。
具体实施方式
图1示出了用于测定患者的患者总重量和/或体重指数的方法的实施例的流程图。在该实施例中，为了避免不必要的重复，测定总是根据(质量)密度信息进行，该信息可以特别地取决于X射线数据来测定。可替代地，也可以直接评估X射线衰减信息，特别是如果可以假设它如上所述地与相应的(质量)密度信息大致成比例。
这通过以下步骤实现：
-获取具有患者的深度信息的图像数据(步骤101)；
-生成患者的表面模型O(步骤102)；
-测定患者的至少一部分的(质量)密度信息Lρ(步骤103)；和
-在使用表面模型O和部分密度信息Lρ的情况下，测定患者的患者总重量和/或体重指数(步骤104)。
稍后还将参考图3更详细地解释组织各个步骤101至104的一种可能性。
图2中示意性地示出了本发明的装置1的示例性实施例。在CT设备11中，可以经由3D相机13获取具有患者15的深度信息的图像数据。经由接口17，将这些图像数据发送到CT设备11的评估单元21。在用于生成患者的表面模型O的生成单元23中，生成患者的表面模型O。
此外，CT设备11可以通过定位像图来获取(X射线)投影测量数据。从投影测量数据可以测定出患者的至少一部分的质量密度信息Lρ。患者的至少一部分的质量密度信息Lρ经由接口19传输到CT设备11的评估单元21。在此情况下，该信息可以经由接口36直接提供给计算单元27。可替代地，也可以直接从CT设备传输投影测量数据，并且可以在评估单元21中的质量密度信息确定单元25中计算质量密度信息Lρ。
在评估单元21中，可以在使用表面模型O和质量密度信息Lρ的情况下，在计算单元27中计算患者总重量或体重指数，并输出到输出单元24。输出单元27可以具有显示器，但是它也可以仅设计为用于输出或传送患者总重量数据的数据接口。
下面参考图3解释装置1的进一步细节，图3示出了用于测定患者的患者总重量和体重指数的方法的详细实施例，如已参考图1更概况地描述的那样。在此，首先在步骤301中利用光学3D相机13获取图像数据。这里，例如，可以使用立体相机、飞行时间法等。因此，除了各个像素的亮度值或颜色值、即二维图像数据之外，所得出的图像数据302还包括每个单独像素或像素组的深度信息。
在步骤303中，基于图像数据302测定患者15的表面模型O。在最简单的情况下，这可以通过分割对患者15成像的图像区域来实现，因为由于该区域中存在有深度信息，图像数据已经描述了患者15的表面。然而，在医学成像的范畴中，通常已经证明为特别有利的是，使用在机器学习范畴中被训练的方法来生成患者15的表面模型O。
与步骤301和303并行，或者在这些步骤之前、之后或之间，如下面将详细解释地，测定(质量)密度信息Lρ，如在图1中的步骤103中已经大致说明的那样。为此，首先执行患者15的X射线测量304。为此激活X射线源12，并且所产生的X射线辐射在通过X射线探测器14穿过患者15之后被获取。在这种情况下，X射线探测器14的各个探测器元件22获取X射束20通过患者15之后的强度。在此得出X射线投影数据305，其中，其中各个像素的图像数据分别对应于沿着该射束20的衰减在相应X射束20上的线积分，其中，该X射线束被分配给探测器元件22，其中，该探测器元件被分配给像素。如下面将更详细地解释的那样，从这些值可以测定关于该射束20的区域中的患者15的密度的信息。
原则上，也可以在该方法的框架内范畴中获取多个X射线投影图像，特别是为了测定CT扫描的重建图像数据。这将允许获得关于患者15的三维密度信息。然而，如果在要测定患者总重量或体重指数之前总归并不进行这种三维3D扫描，则因此将对患者15产生不必要的高辐射负荷。然而，由于通常在CT检查之前总归执行定位像记录以便精确地对检查、特别是待获取的区域进行计划，所以可以使用X射线投影数据来执行根据本发明的方法，无需使患者承受额外的辐射负荷并且无需额外的测量时间。然而，在总归测定CT扫描的重建图像数据的情况下，例如，当在施用造影剂之前测定用于CT血管造影的掩模数据集时，可以通过评估三维重建图像数据来获得关于患者体内密度分布的更准确信息。因此可能进一步提高所测定的患者总重量或体重指数的精度。
在步骤306中，首先执行X射线投影数据305的射束硬化校正，以便测定校正的X射线投影数据307。如上所述，这可以通过将函数、特别是多项式应用于X射线投影数据的各个数据点来实现。
然后，在步骤308中假设，在整个患者体内照射相同的材料，其中，特别假设照射水，为X射线投影数据的每个像素计算作为(质量)密度信息Lρ的积分密度。如上所述，根据对于所使用的X射线光谱已知的水吸收系数和水密度，可以确定比例因子，以从校正的X射线投影数据测定密度的该线积分。
为了实现所描述的过程，质量密度信息确定单元25可以使校正部件16生效，以在步骤306中执行射束硬化校正，和/或可以使施密度计算装置18生效，以在步骤308中从校正的X射线投影数据307测定(质量)密度信息Lρ。
(质量)密度信息Lρ和表面模型O被提供给算法309，该算法如下面将更详细地解释那样在机器学习的范畴中被训练，以便将患者15的患者总重量310和体重指数311作为输出数据输出。可替代地，当然也可以仅测定这些值中的一个。例如，可以在评估单元21的输出单元24处输出所测定的变量。可替代地或补充地，它们也可以被存储用于以后评估和/或用于控制另外的设备，例如用于控制对患者15的造影剂施用。
在至此的示例中，已经假设所获取的图像数据302和X射线投影数据305被直接提供给与CT设备11分开设计的评估单元21，其设计用于总体进一步测定患者总重量310或体重指数311。可替代地，该测定的部分或甚至整个测定也可以通过控制设备28执行，该控制设备例如可以集成到CT设备11中，如在图2中示意性所示。这例如在下列情况时会是有利：在应直接控制患者15的造影剂施用时，或总归已经在CT设备11中进行数据预处理时。当然，也可以将评估单元21集成到CT设备11中，或者使用单独执行的控制单元28，例如控制室中的PC。
在一些情况下也可能有利的是，至少部分地与CT设备间隔开地执行所述步骤。例如，可以使用经由诸如因特网之类的网络29与CT设备11通信的计算装置26。在这种情况下，计算装置26的接口17'，19'可以是网络接口，或者可以通过公共网络接口寻址。计算装置26可以被配置为单个服务器，但是它也可以是云解决方案，其中所描述的功能由多个计算装置26共同提供。在控制设备28或计算装置26中，所描述的流程可以例如通过在相应的存储器设备37、38中加载和执行相应的计算机程序来实现。
图4示意性地示出了在机器学习的范畴中对算法309进行训练的可能性。在这种情况下，算法309具有多个参数35，其值由下面描述的学习方法规定。例如，参数35可以是人工神经网络的人工神经元的输入权重。
为了训练算法309或选择参数35，首先提供多个训练数据集30。训练数据集30分别包括针对患者的(质量)密度信息Lρ和表面模型O，它们可以如上所述地测定。另外，每个训练数据集30包括用于患者总重量310和体重指数311的目标值31。这些目标值31是应当在最佳训练算法309的情况下为相应的训练数据集30测定的变量。患者总重量310的目标值32可以例如通过对患者进行称重来测定。因此，如果患者的体重是已知的，则可以通过将该体重除以患者15的单独测量的高度的平方来照常计算体重指数的目标值33。
算法309的参数35最初是随机地或以其他方式初始化的。随后，对于训练数据集30的一部分，分别将(质量)密度信息Lρ和表面模型O作为输入数据提供给算法309，以便针对相应训练数据集测定用于患者总重量310和体重指数311的输出数据32。
随后，评估成本函数39，成本函数的值取决于输出值32与目标值31的偏差。取决于成本函数39，执行误差反馈34以便调整参数35并因此通过多次重复所述过程来使成本函数39最小化。
例如，如果算法309是可微分的，则可以实现更快的收敛。在这种情况下，在误差反馈34的范畴中，可以评估成本函数的导数，以便测定参数35应该在哪个方向上调整多少。这种用于误差反馈的过程在现有技术的神经网络领域中是公知的，因此不再详细解释。
如果应根据X射线衰减信息直接进行测定，为此特别是可以修改所述的训练数据集，使得训练数据集包括X射线衰减信息而不是相应的(质量)密度信息。
通常，根据本发明的方法也可以如下所述进行描述。在此首先提出了一种用于确定患者重量的方法而不受一般性的限制，该方法具有以下三个步骤，：
1.测定整个患者的表面模型，例如借助于光学3D相机。
[3D相机在较新的CT系统中存在，用于患者定位和对扫描或定位像进行计划。特别包括表面模型的患者模型(体模)例如通过基于机器学习的方法而被创建。]
2.借助于X射线投影测量测定患者的至少一部分的(质量)密度信息{Lρ}。
[这也可以用通过CT系统中的定位像表示。在CT检查的常规流程中存在至少要检查的身体部位的定位像，以便精确地定义实际的扫描区域，也就是说，为了借助于根据本发明的方法测定重量，无需施加额外的辐射。]
3.在使用来自(1.)的表面模型(O)和来自(2.)的部分密度信息{Lρ}的情况下，计算患者总重量。
从X射线测量中质量密度信息并不是直接可用的，而是仅针对所使用的X射线能量沿所测量光束的信号衰减是可用的。因此必须推导出质量密度。在最简单的情况下，这是通过将衰减线积分映射到质量密度线积分来完成的，与用于计算放射治疗计划的电子密度的映射相当。方法步骤(2.)的具体实施例如下：
测量已知X射线谱中的信号衰减，其对应于规律的投影图像或定位像。结果，存在用于所测量的射束的(通常是多色的)线积分
通过映射L′μ＝f(Lμ)，对线积分(＝线性化或单色化)进行射束硬化校正，从而能够以的形式示出线积分(近似值)。这是CT重建中已知的步骤，其基于这样的假设，即身体中所有存在的物质主要都是水状的。
映射f(x)例如是具有与频谱匹配的系数的多项式使得满足(*)。
不同的衰减的(近似)解释作为纯密度差异，也就是
因此，质量密度线积分
可以被指定或正确地指定所有所测量的射束的集合{Lρ}。
对于3.：在使用表面模型O和密度信息{Lρ}作为输入数据和患者重量作为输出的情况下，优选地借助于基于机器学习的方法(例如，卷积神经网络)来实现患者重量的计算。为此，必须利用由输入O，{Lρ}构成的多个数据集并且利用(例如利用校准秤确定的)已知患者重量对网络进行训练。
所提出的方法使用在规律的CT工作流程中测定的信息(3D相机和定位像)，以测定附加的相关患者信息，而不影响/干扰检查流程。不需要会增加设备成本的额外硬件。
在现有或显而易见的想法中借助于3D相机确定的表面模型来估计患者重量，与该想法相比，所提出的方法使用允许直接得出密度分布的另一信息源。其优点在于，即使体表面积相同时通过例如不同的脂肪份额也可以改变体重。
也可以(或附加地)测定体重指数(BMI)，而不是患者的体重。为此，在步骤(3.)中仅将BMI用作机器学习算法训练中的另一输出。
代替投影图像，也可以在步骤(2.)中使用原生CT扫描的重建图像数据。然后不仅有密度线积分，甚至还有空间密度分布。在这种情况下，必须将最初重建的衰减分布(CT值)转换为质量密度值。最简单的实现表示CT值到质量密度值的映射，从放射治疗计划中已知。或者，可以借助于多材料分解来直接重建质量密度分布。这些例如由DE 102016209674A1已知。
在定位像或多能量CT图像的情况下，特别借助于光子计数探测器，还存在已知方法用于基于材料分解来计算质量密度线积分或空间质量密度分布[R.E.Alvarez和A.Macovski的“Energy-selective reconstructions in X-ray computerizedtomography(X射线计算机断层扫描中的能量选择性重建)”，Phys.Med.Biol.期刊，21(5)，第733-744页，1976]，[Williamson等，“On two-parameter models of photon crosssections:Application to dual-energy CT imaging(关于光子截面的双参数模型：应用于双能CT成像)”，Med.Phys.期刊，33(11)，第4115-4129页，2006]。
尽管已经通过优选实施例进一步详细说明和描述了本发明，但是本发明不限于所公开的示例，并且本领域技术人员可以在不脱离本发明的范围的情况下从其中得出其他变型。

Claims (10)

1.一种用于确定患者(15)的患者重量和/或体重指数的方法，具有以下步骤：
-获取具有所述患者(15)的深度信息的图像数据(302)，
-基于所述图像数据(302)生成所述患者(15)的表面模型(Ο)，
-获得所述患者(15)的至少一部分的密度信息或X射线衰减信息，以及
-在利用所述表面模型(O)和部分的所述密度信息或所述X射线衰减信息的情况下，使用基于机器学习的方法实现获得所述患者(15)的患者总重量(310)和/或体重指数(311)。
2.根据权利要求1所述的方法，其特征在于，所述图像数据(302)利用光学3D相机(13)而被获取或者已被获取。
3.根据权利要求1或2所述的方法，其特征在于，从所述患者(15)的X射线测量(304)获取所述密度信息。
4.根据权利要求3所述的方法，其特征在于，从X射线投影数据(305)或从原生CT扫描的重建图像数据获取所述密度信息。
5.根据权利要求4所述的方法，其特征在于，通过射束硬化校正(306)来校正所述X射线投影数据(305)，其中，从如此校正的X射线投影数据(307)获取所述密度信息。
6.根据权利要求4或5所述的方法，其特征在于，在假设照射材料相同的情况下，从所述X射线投影数据(305)或校正的X射线投影数据(307)为所述X射线投影数据(305)的每个像素计算出作为所述密度信息的积分密度。
7.根据权利要求1所述的方法，其中，在使用训练算法(309)的情况下，实现所述获取的步骤。
8.一种用于确定患者重量和/或体重指数的装置，具有：
-接口(17，17')，用于获取具有患者(15)的深度信息的图像数据(302)；
-生成单元(23)，用于基于所述图像数据(302)生成所述患者(15)的表面模型(Ο)；
-接口(36)，用于获取所述患者(15)的至少一部分的密度信息或X射线衰减信息，
-计算单元(27)，用于在利用所述表面模型(Ο)和所述患者(15)的至少一部分的所述密度信息或所述X射线衰减信息的情况下，使用基于机器学习的方法实现获取所述患者(15)的患者总重量(310)和/或所述体重指数(311)，以及
-输出单元(24)，用于输出所获取的所述患者(15)的所述患者重量(310)和/或所述体重指数(311)。
9.一种计算机程序产品，具有能直接加载到控制设备(28)或计算装置(26)的存储器设备(37，38)中的计算机程序，具有程序部段，用于所述计算机程序在所述控制设备(28)或所述计算装置(26)中执行时，执行根据前述权利要求中任一项所述的方法的所有步骤。
10.一种计算机可读介质，在所述计算机可读介质上存储有能够由计算单元读入和执行的程序部段，从而在所述计算机单元执行程序部段时执行根据权利要求1或2的方法的所有步骤。
CN201910429394.5A 2018-05-23 2019-05-22 确定患者重量和/或体重指数的方法和装置 Active CN110522466B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP18173815 2018-05-23
EP18173815.4 2018-05-23
EP18212734.0 2018-12-14
EP18212734.0A EP3571997B1 (de) 2018-05-23 2018-12-14 Verfahren und vorrichtung zum bestimmen eines patientenge-wichts und/oder eines body-mass-index

Publications (2)

Publication Number Publication Date
CN110522466A CN110522466A (zh) 2019-12-03
CN110522466B true CN110522466B (zh) 2023-08-18

Family

ID=62235885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910429394.5A Active CN110522466B (zh) 2018-05-23 2019-05-22 确定患者重量和/或体重指数的方法和装置

Country Status (3)

Country Link
US (1) US11039786B2 (zh)
EP (1) EP3571997B1 (zh)
CN (1) CN110522466B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11703373B2 (en) * 2019-02-25 2023-07-18 Siemens Healthcare Gmbh Patient weight estimation from surface data using a patient model
CN110881995B (zh) * 2019-12-27 2021-09-14 南京安科医疗科技有限公司 一种ct系统中射线剂量的控制方法及系统
CN112720497B (zh) * 2020-12-30 2022-05-17 深兰智能科技(上海)有限公司 机械手的控制方法、装置、拾取设备及存储介质
JP7167241B1 (ja) * 2021-04-28 2022-11-08 ジーイー・プレシジョン・ヘルスケア・エルエルシー 学習済みモデル生成方法、処理装置、および記憶媒体
EP4190245A1 (en) * 2021-12-06 2023-06-07 Koninklijke Philips N.V. Quantitative radiographic imaging using a 3d camera
WO2023104547A1 (en) * 2021-12-10 2023-06-15 Koninklijke Philips N.V. System and method to predict need for use of a contrast agent in ultrasound imaging
CN115372200A (zh) * 2022-07-12 2022-11-22 蓝冰河(常州)精密测量技术有限责任公司 基于x射线的在线面密度测量方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2736181A1 (fr) * 1995-06-30 1997-01-03 Philips Electronique Lab Procede de traitement d'images pour la reduction du bruit dans une image d'une sequence d'images numeriques et dispositif mettant en oeuvre ce procede
DE102005054240A1 (de) * 2005-11-14 2007-05-10 Siemens Ag Verfahren zum Betrieb eines Streustrahlrasters
CN104856717A (zh) * 2014-02-26 2015-08-26 西门子公司 根据患者的对比剂量优化
KR20160110070A (ko) * 2015-03-11 2016-09-21 삼성전자주식회사 전자 장치 및 그 제어 방법
CN105962959A (zh) * 2015-03-12 2016-09-28 西门子公司 对于虚拟x射线量子能量分布产生图像的方法和拍摄装置
CN105962960A (zh) * 2015-03-12 2016-09-28 西门子股份公司 用于确定x射线管电流分布的方法、计算机程序、数据载体和x射线图像记录设备
CN107334486A (zh) * 2016-04-28 2017-11-10 西门子医疗有限公司 确定造影剂辅助成像方法的至少一个协议参数
CN107428495A (zh) * 2015-03-04 2017-12-01 蒂森克虏伯电梯股份公司 多摄像装置载荷估计

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2001245993A1 (en) * 2000-03-27 2001-10-08 Massachusetts General Hospital Methods and systems for distinguishing individuals utilizing anatomy and gait parameters
US7215732B2 (en) * 2004-09-30 2007-05-08 General Electric Company Method and system for CT reconstruction with pre-correction
KR20140082721A (ko) * 2011-09-30 2014-07-02 칠드런즈 호스피탈 메디칼 센터 컴퓨팅 토모그래피(ct) 방사선 선량에 대한 일관되고 검증가능한 최적화 방법
CN107405123B (zh) * 2014-11-06 2020-08-21 西门子保健有限责任公司 利用深度传感器数据的扫描数据检索
DE102016209674B4 (de) 2016-06-02 2023-10-26 Siemens Healthcare Gmbh Ermittlung einer räumlichen Verteilung von Materialeigenschaftswerten auf Basis einer Einzelenergie-CT-Bildaufnahme mit Hilfe eines iterativen Optimierungsverfahrens
DE102016009674A1 (de) 2016-08-09 2018-02-15 Linde Aktiengesellschaft Verfahren und Vorrichtung zur eichfähigen Erfassung einer Gasmenge
WO2018119366A1 (en) * 2016-12-23 2018-06-28 Heartflow, Inc. Machine learning of anatomical model parameters
US11257259B2 (en) * 2017-08-15 2022-02-22 Siemens Healthcare Gmbh Topogram prediction from surface data in medical imaging

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2736181A1 (fr) * 1995-06-30 1997-01-03 Philips Electronique Lab Procede de traitement d'images pour la reduction du bruit dans une image d'une sequence d'images numeriques et dispositif mettant en oeuvre ce procede
DE102005054240A1 (de) * 2005-11-14 2007-05-10 Siemens Ag Verfahren zum Betrieb eines Streustrahlrasters
CN104856717A (zh) * 2014-02-26 2015-08-26 西门子公司 根据患者的对比剂量优化
CN107428495A (zh) * 2015-03-04 2017-12-01 蒂森克虏伯电梯股份公司 多摄像装置载荷估计
KR20160110070A (ko) * 2015-03-11 2016-09-21 삼성전자주식회사 전자 장치 및 그 제어 방법
CN105962959A (zh) * 2015-03-12 2016-09-28 西门子公司 对于虚拟x射线量子能量分布产生图像的方法和拍摄装置
CN105962960A (zh) * 2015-03-12 2016-09-28 西门子股份公司 用于确定x射线管电流分布的方法、计算机程序、数据载体和x射线图像记录设备
CN107334486A (zh) * 2016-04-28 2017-11-10 西门子医疗有限公司 确定造影剂辅助成像方法的至少一个协议参数

Also Published As

Publication number Publication date
EP3571997B1 (de) 2022-11-23
US11039786B2 (en) 2021-06-22
US20190357844A1 (en) 2019-11-28
CN110522466A (zh) 2019-12-03
EP3571997A1 (de) 2019-11-27

Similar Documents

Publication Publication Date Title
CN110522466B (zh) 确定患者重量和/或体重指数的方法和装置
EP3689241B1 (en) X-ray image processing method and x-ray image processing apparatus
US9947101B2 (en) Radiographic image analysis device and method, and recording medium having program recorded therein
CN105574828B (zh) 图像散射校正方法、装置及设备
JP2016097261A (ja) 画像処理装置、画像処理プログラム、画像処理方法及び治療システム
CN104939848B (zh) 单色图像的生成
CN107690311B (zh) 用于估计人骨架的至少一个部分中的骨矿物质密度分布的方法
CN110770607A (zh) 处理光子计数型x射线检测数据的方法及装置、以及x射线装置
EP3391819A1 (en) Beam hardening correction in x-ray dark-field imaging
EP3659107B1 (en) Scatter correction for dark field imaging
EP3332386B1 (en) A method, a system and a computer program for determining data defining an estimate of the thickness and density of a cortical bone tissue structure of interest from imaging data
US11039807B2 (en) System and method for dark-field-imaging
EP4312780A2 (en) Artificial intelligence training with multiple pulsed x-ray source-in-motion tomosynthesis imaging system
JP6373952B2 (ja) 放射線画像解析装置および方法並びにプログラム
Pivot et al. Scatter correction for spectral CT using a primary modulator mask
US8259896B2 (en) Efficient correction of polychromy effects in image reconstruction
US20230076352A1 (en) Systems and methods for image processing
US11213269B2 (en) Geometry measurements in x-ray image
WO2022218441A1 (en) Systems and methods for imaging
CN117679067A (zh) 散射伪影校正方法、装置、医学成像设备及存储介质
JP2023133250A (ja) Ｘ線制御方法、ｘ線イメージング装置及び非一時的コンピュータ可読媒体

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