CN111093506A - 运动补偿心脏瓣膜重建 - Google Patents
运动补偿心脏瓣膜重建 Download PDFInfo
- Publication number
- CN111093506A CN111093506A CN201880057956.1A CN201880057956A CN111093506A CN 111093506 A CN111093506 A CN 111093506A CN 201880057956 A CN201880057956 A CN 201880057956A CN 111093506 A CN111093506 A CN 111093506A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- volume
- gradient
- edge
- 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
- 210000003709 heart valve Anatomy 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 84
- 230000000747 cardiac effect Effects 0.000 claims description 61
- 238000002591 computed tomography Methods 0.000 claims description 47
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013186 photoplethysmography Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 claims 2
- 210000003484 anatomy Anatomy 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000002792 vascular Effects 0.000 abstract description 3
- 210000001765 aortic valve Anatomy 0.000 description 7
- 230000001629 suppression Effects 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- 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
- A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
-
- 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
-
- 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
- A61B6/48—Diagnostic techniques
- A61B6/486—Diagnostic techniques involving generating temporal series of image 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
- A61B6/50—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
- A61B6/503—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 the heart
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
目前,运动补偿的重建不太适合用于重建瓣膜、瓣膜小叶和心脏的邻近的脉管解剖结构。瓣膜和瓣膜小叶发生模糊。这可能会导致错误的诊断。提出了一种用于对瓣膜和相关解剖结构的运动补偿的重建的新方法,其中,执行边缘增强步骤以抑制模糊。
Description
技术领域
本发明涉及数字成像领域,更具体地涉及计算机断层摄影(CT)成像。特别地,本发明涉及根据对象的投影数据来重建所述对象的图像的方法,用于重建所述图像的图像处理设备,用于重建图像的计算机程序以及计算机可读介质。
背景技术
计算机断层摄影(CT)是使用数字处理来根据围绕旋转轴收集的一系列二维X射线图像生成感兴趣对象的三维图像的过程。随后可以使用适当的算法来重建这种CT图像。
计算机断层摄影的重要应用是心脏计算机断层摄影,其中,患者的心脏是感兴趣对象。心脏计算机断层摄影的主要问题在于心脏在图像收集期间一直跳动这一事实。这种运动降低了所收集的图像的质量。
为了缓和该问题,心脏CT通常采用门控重建,其中,对心脏CT数据的采集是与对在整个心动周期内提供信息的数据(例如,心电图(ECG)数据或光体积描记(PPG)数据)的采集并行执行的。因此,使用该数据,借助于心动周期的相应选择的相位点来门控CT图像采集和重建。
WO 2005/008597公开了一种用于对心脏CT图像的运动补偿的重建的方法,其中,估计感兴趣对象在选定区域中的运动。基于所估计的运动,确定选定区域具有最小运动的时间点。随后利用对应于该区域具有最小运动的相应的时间点的数据来重建图像,相应区域是根据该数据重建的。
到目前为止,运动补偿心脏CT重建一直聚焦在对冠状动脉的运动补偿上。然而,在过去的几年中,对瓣膜疾病的诊断和处置规划已经成为心脏CT的另一个感兴趣领域。当对瓣膜成像时,因运动而引起瓣膜、瓣膜小叶和邻近的脉管解剖结构模糊的问题。先前用于移除运动伪影的方法不足以抑制这种模糊。因此,由于瓣膜、瓣膜小叶和邻近的脉管解剖结构的运动,对瓣膜、瓣膜小叶和邻近的脉管解剖结构的确定不是很理想。在诊断和处置规划中,这可能导致设备尺寸设计错误或钙化估计错误。
发明内容
本发明的目的是提供用于对感兴趣对象的体积数据的运动补偿的重建的改进的方法。
本发明的另外的目的是提供用于通过实现对因瓣膜和瓣膜小叶的移动引起的运动伪影的减少来对CT数据进行运动补偿的重建以用于对瓣膜疾病的诊断和处置规划的方法。更具体地,本发明的目的是提供用于运动补偿的重建的方法,其中,可以抑制因瓣膜和瓣膜小叶的移动引起的模糊。
本发明的目的是通过由权利要求限定的、根据本发明的用于重建感兴趣对象的图像的方法、相应的图像处理设备、计算机程序和计算机可读介质来实现的。
根据本发明的第一方面,提供了一种用于根据感兴趣对象的对应于多个时间点的多个投影数据来重建所述对象的图像的方法。所述方法包括以下步骤:从所述多个投影数据中检索所述感兴趣对象的多个体积数据,所述体积数据中的每个体积数据对应于相应的时间点;以及对所述多个体积数据应用基于梯度的滤波器,以获得对应于所述相应的时间点的多个边缘增强的图像体积。所述方法还包括以下步骤:对所述多个边缘增强的图像体积进行加权;基于所述多个边缘增强的图像体积来估计多个第一运动向量场;以及使用所估计的多个第一运动向量场来根据所述多个投影数据重建多个第一运动补偿的图像体积,所述多个第一运动补偿的图像体积中的每个对应于相应的时间点。
根据本发明,使用门控多相位重建。然而,与已知的方法相反,不是直接对体积数据执行配准和运动补偿的重建,而是对边缘增强的图像体积执行配准和运动补偿的重建,这是基于梯度的滤波器操作的结果,基于梯度的滤波器操作会增强针对感兴趣图像检测到的边缘。
由此从对应于多个时间点的多个投影数据中检索体积数据。因此,体积数据中的每个同样对应于相应的时间点,即,与已经用于获得体积数据的投影数据相对应的时间点。
在这种背景下,应当提到,术语“时间点”不限于是实际的“时间点”,而是还可以涉及特定的时间段或相位点(例如,心脏的循环运动)和/或针对每个相位点的对应的时间窗口。替代地或额外地,术语“时间点”也可以涉及采集属于图像的投影数据的相应的投影时的采集时间的平均值。
因此,针对每个特定时间点都有一个体积数据。利用基于梯度的滤波器对该体积数据进线滤波。这种基于梯度的滤波器操作意味着针对体积数据中的每个数据点确定梯度和梯度幅值。体积数据中的边缘表示强烈的增大或减少,这是由大的梯度幅值表示的。因此,通过应用对梯度幅值未达到特定阈值的数据点进线滤波的滤波器,可以产生边缘得到增强的图像体积,这是因为能够假定较大的梯度幅值表示边缘。
随后,对边缘增强的图像执行配准以估计多个运动向量场。在这种配准中,将多个边缘增强的图像体积中的对应于一个特定时间点的边缘增强的图像体积用作参考图像体积。因此,选择一个特定时间点作为参考时间点。
有利地,然后借助于弹性配准来执行配准流程。弹性配准流程遵循体积配准方法,即,没有从参考图像体积中提取某些参考点,而是将参考图像体积的整个体素信息用于配准目的。因此,通过将参考图像体积的整个体素信息与其余的边缘增强的图像体积中的每个进行比较,能够估计从参考时间点处的参考图像体积到其余时间点的其余的边缘增强的图像体积的多个第一运动向量场。这种弹性配准方法在S.Kabus等人的“Fast elasticimage registration”(Proc.of the Medical Image Analysis For The Clinic–A grandchallenge,MICCAI,第81-89页,2010年)中得到详细描述,通过引用将其全部内容并入本文。
替代地,可以执行基于界标的配准流程,其中,在参考图像体积中,确定特定的参考区域或参考点。然后,在针对其余时间点的其余的边缘增强的图像体积中确定相同的参考区域或参考点。基于这些参考点来确定从参考时间点处的参考图像体积到其余时间点的其余的边缘增强的图像体积的多个第一运动向量场。
这些运动向量场用于使用投影数据来执行运动补偿的滤波反投影。该运动补偿的滤波反投影的结果是其中已经考虑了模糊边缘的改善的图像。
根据一个实施例,所述感兴趣对象包括瓣膜和瓣膜小叶,并且所述投影数据包括与同时测量的心电图(ECG)数据或光体积描记(PPG)数据中的一个或多个一起获得的心脏计算机断层摄影(CT)投影数据。
通常,使用ECG或PPG门控的心脏计算机断层摄影(CT)来评估瓣膜和瓣膜小叶。因此,ECG数据或PPG数据用于跟踪心动周期。仅针对与心动周期的特定相位相对应的特定时间点执行对CT投影数据的收集。为了检查瓣膜,可以有利地使用针对20%、25%、30%、35%和40%心动周期的相位,即,主动脉瓣打开的相位(30%)周围的相位。替代地或额外地,能够使用针对60%、65%、70%、75%和80%心动周期的相位,其对应于主动脉瓣关闭的相位(70%)周围的相位。
因此,可以通过螺旋或圆形CT使用锥形射束来收集针对特定时间点(即,特定相位)收集的CT投影数据。然而,很清楚,也可以借助于计算机断层摄影之外的其他方式(例如,X射线成像或磁共振成像,只要其允许在不同时间点处确定感兴趣对象即可)来获得投影数据。
根据另外的实施例,所述时间点是基于例如ECG数据或PPG数据来确定的,因此,所述时间点对应于心脏的心脏相位。
根据实施例,对所述多个体积数据应用基于梯度的滤波器包括以下步骤:通过应用平滑滤波器根据所述体积数据来获得降噪的图像体积;针对所述降噪的图像体积的数据点中的每个确定梯度和/或梯度幅值;针对所述数据点中的每个确定所述梯度幅值的多个局部最大值并抑制与所述局部最大值不对应的数据点。所述方法还包括以下步骤:确定针对所述梯度幅值的第一阈值和针对所述梯度幅值的第二阈值,所述第一阈值小于所述第二阈值;针对每个数据点,确定所述梯度幅值是低于还是高于所述第二阈值;以及针对每个数据点,确定所述梯度幅值是低于还是高于所述第一阈值。所述方法还包括:标记如下的数据点的集合:针对所述数据点,所述梯度幅值高于所述第一阈值,并且所述数据点被连接到所述梯度幅值高于所述第二阈值的数据点;以及根据所标记的数据点的集合来获得所述边缘增强的图像体积。
可以在多个步骤中执行基于梯度的滤波器操作,由此对体积数据中的每个执行每个步骤。
在第一步骤中,对体积数据执行降噪。在医学成像中,数据通常会从各种来源拾取噪声。需要去除该噪声以获得改善的图像。由于大量噪声源于高斯噪声,因此可以通过应用高斯滤波器来有利地完成对体积数据的去噪。这样得到平滑的图像体积。替代地,可以应用适合用于降噪并平滑图像体积的移动平均滤波器或其他类型的滤波器。
根据实施例,通过对体积数据应用高斯滤波器来实现获得经平滑的图像体积。
在第二步骤中,可以针对经平滑的图像的每个数据点确定梯度和梯度幅值。在这种背景下,应当理解,经平滑的图像的数据点表示已经针对噪声进行校正的体积数据的数据点。必须针对每个数据点确定投影数据的每个方向上的梯度。因此,可以以各种方式确定相应方向上的偏导数。例如,可以使用中心差分法来近似例如在垂直方向上的第一偏导数(Gx)以及在y方向上的第二偏导数(Gy)和在z方向上的第三偏导数(Gz)。这些导数确定相应数据点的梯度。另外,偏导数允许确定梯度幅值。因此,通过根据下式确定在垂直方向、y方向和z方向上的偏导数的欧几里得范数来计算针对每个像素的梯度幅值:
因此,在另外的实施例中,使用中心差分来确定针对数据点中的每个的梯度,并且使用欧几里得范数来确定针对经平滑的图像体积的数据点中的每个的梯度幅值。然而,本发明不限于使用中心差分和欧几里得范数。
也可以通过利用边缘检测算子(例如,Sobel算子或Roberts算子或Prewitt算子等)进行卷积来确定梯度。另外,可以使用诸如最大范数或p范数之类的其他范数来确定梯度幅值。
在第三步骤中,执行非最大抑制。这意味着针对数据点中的每个数据点的梯度幅值确定多个局部最大值。因此,将针对特定数据点的梯度幅值与相邻数据点的梯度幅值进行比较。这些相邻数据点能够在假定的边缘的左侧和右侧对齐,或者也可以被认为沿着梯度方向。如果所比较的梯度幅值中的一个梯度幅值较高,则将特定数据点的值设置为零。否则,将特定数据点的值保持为非零。因此,不对应于局部最大值的数据点都被设置为零。
在另外的步骤中,执行滞后阈值化以确定哪些数据点实际上属于边缘。因此,针对每个数据点的梯度幅值(值)确定第一合适阈值T1和第二合适阈值T2,其中,T2大于T1。然后将基于梯度的图像体积的数据点的梯度幅值(值)与第二阈值T2进行比较。例如,这可以借助于将第一二元掩模应用于基于梯度的图像体积来执行。该第一二元掩模确定梯度幅值具有高于第二阈值T2的值的每个数据点,并且这些数据点被设置为针对第一二元掩模为“真”。
然后,将基于梯度的图像体积的数据点的梯度幅值与第一阈值T1进行比较。例如,这可以通过对基于梯度的图像体积应用第二二元掩模来实施,该第二二元掩模确定梯度幅值高于第一阈值T1的每个数据点,并且这些数据点被设置为针对第二二元掩模为“真”。
随后,从高于第二阈值T2的数据点开始。然后将这些数据点扩展,即,关于其梯度幅值考虑围绕这些数据点连接的数据点。在本申请的背景下,这些数据点被认为连接到高于第二阈值的数据点。在考虑连接的数据点时,将第一阈值T1用作下限。因此,忽略具有低于阈值T1的梯度幅值的相邻数据点,并且保留具有高于第一阈值的梯度幅值的相邻数据点并将其标记为属于边缘。
例如,可以通过利用扩展(即,通过利用3*3*3的立方体对用于确定具有高于第二阈值的梯度幅值的数据点的第一二元掩模进行扩展,直到该扩展被表示第一阈值的第二掩模限制为止)执行重建来使用该方法。然后,在该扩展流程期间保留的数据点的集合被认为属于边缘。因此,作为该滞后阈值化的结果,提供了边缘增强的图像体积。
根据另外的实施例,针对所述数据点中的每个确定所述梯度和/或所述梯度幅值还包括确定所述梯度的方向。
除了确定梯度和梯度幅值之外,确定梯度的方向也可能是有利的。关于梯度方向的知识可以用于避免配准流程期间的配准失败。可以通过已知的度量来确定梯度的方向,例如通过相应地调整配准流程的相似性度量来确定梯度的方向。
在另外的实施例中,获得所述边缘增强的图像体积还包括:确定归一化的梯度幅值;并且使用所述归一化的梯度幅值对所标记的数据点进行加权。
在非最大抑制和滞后阈值化之后,边缘增强的图像体积仅包含被认为属于边缘的数据点。这些标记的数据点在经受配准和运动补偿的重建流程之前可以根据归一化的梯度幅值得到进一步加权。因此,可以根据已知的方法将梯度幅值归一化。然后,利用所述归一化的梯度幅值对滞后结果进行加权。因此,在上述滞后阈值化期间未被标记为“真”的数据点的值被设置为零,而被标记为“真”的数据点的值被映射到[0.5;1]的范围内。针对梯度幅值获得的实际值取决于预定义的归一化窗口。
根据又另外的实施例,估计所述多个运动向量场包括:将所述多个边缘增强的图像体积中的第一个边缘增强的图像体积确定为第一参考图像体积;并且使用所述第一参考图像体积来估计从所述第一参考图像体积到所述多个边缘增强的图像体积中的其余的边缘增强的图像体积的所述多个第一运动向量场。
对运动向量场的估计是根据已知的方法执行的。因此,从与一个特定时间点相对应的多个边缘增强的图像体积中选择一个边缘增强的图像体积作为参考图像体积。有利地,借助于如上文所述的弹性配准来执行配准流程。替代地,可以使用基于界标的配准流程。
通过从参考图像体积中的参考点到相应的另外的边缘增强的图像体积中的参考点的相应的运动向量场来描述在配准期间确定的对象的运动。因此,针对不是参考图像体积的每个边缘增强的图像体积,运动向量场可以针对参考时间点与不是参考图像体积的边缘增强的图像体积的时间点之间的相应的时间差确定边缘增强的图像体积的相应体素的位移。有利地,然后在时域中内插如此获得的运动向量场,如D.等人的“Motioncompensated and gated cone beam filtered back-projection for 3D rotationalangiography”(IEEE Transactions on Medical Imaging,第25卷,第7期,第898-906页,2006年)中所描述的那样。借助于在时域中的内插,能够覆盖重建所需的时间投影范围。由于运动向量场描述了对象的运动,因此实现了运动补偿,从而针对图像重建实现了运动补偿的反投影。
在感兴趣对象包括瓣膜和瓣膜小叶的特定情况下,有利的是将参考时间点选择为处于大约30%心动周期(主动脉瓣打开)或大约70%心动周期(主动脉瓣关闭)处。针对这些相位获得的体积数据可以经受基于梯度的滤波器操作,然后被用作用于估计运动向量场的参考图像体积。因此,有利地,针对处于30%心脏相位处的参考时间点,可以针对从处于20%、25%、35%和40%心脏相位处获得的体积数据导出的边缘增强的图像体积确定运动向量场,并且针对处于70%心脏相位处的参考时间点,可以针对从处于60%、65%、75%和80%心脏相位处获得的体积数据导出的边缘增强的图像体积确定运动向量场。
根据另外的实施例,对感兴趣对象的图像体积的依次处理是通过对第一运动补偿的图像体积执行第二遍运动补偿来执行的,该第二遍运动补偿考虑了瓣膜小叶的移动。
在另外的实施例中,用于重建的方法还包括以下步骤:根据所述多个第一运动补偿的图像体积来获得多个经线滤波的图像体积;并且基于所述多个经线滤波的图像体积来估计多个第二运动向量场。所述方法还包括以下步骤:使用所估计的多个第二运动向量场来根据所述多个经线滤波的图像体积重建所述对象的多个第二运动补偿的图像体积。
因此,第二遍运动补偿是以与第一遍运动补偿相似的方式执行的。因此,多个运动补偿的图像体积中与特定时间点相对应的每个运动补偿的图像体积得到滤波。随后将滤波结果配准到参考并执行运动补偿的重建。然而,不是使用基于梯度的边缘滤波器,而是使用线滤波技术。虽然通常可以通过体积图像中的边缘看到瓣膜,但是瓣膜小叶通常由体积图像中的平面形状和沿着梯度方向的细线表示。因此,线滤波技术对瓣膜小叶更敏感。有利地,所使用的线滤波技术增强了来自亮背景的暗结构。例如,这可以通过将黑色顶帽变换作为滤波器操作来实现。另外,可以使用相应的线检测算子借助于卷积来执行线滤波。替代地,也可以采用其他线滤波技术。第一运动补偿的图像体积的线滤波的结果是相应的经线滤波的图像体积,因此,经线滤波的图像体积中的每个对应于特定时间点。该时间点对应于第一运动补偿的图像体积的时间点。
然后将这些经线滤波的图像体积用于对多个第二运动向量场的估计。因此,选择经线滤波的图像体积中针对特定时间点的特定的一个经线滤波的图像体积作为第二参考图像体积。有利地,配准流程是通过对其余的图像体积整体上进行弹性配准(即,通过考虑图像体积的整个体素信息的体积方法,而不是确定图像体积中的特征子集(例如,参考点或参考区))来执行的。基于该方法,然后估计从第二参考图像体积到多个经线滤波的图像体积中的其余的经线滤波的图像体积的第二运动向量场。替代地,也可以采用其他配准技术,包括基于界标的配准流程,其中,在第二参考图像体积中确定相应的参考点或参考区域,并且使用这些参考点来确定第二运动向量场。基于这些第二运动向量场,执行运动补偿的滤波反投影,得到对象的多幅第二运动补偿的图像。为此,对象的多幅第二运动补偿的图像也可以是单幅第二运动补偿的图像,特别是与被选择为参考时间点的时间点相对应的第二运动补偿的图像。
有利地,与第一遍的参考图像体积相同,第二遍的第二参考图像体积也可以被选择为针对同样的参考点,例如,在30%心脏相位或70%心脏相位处的时间点。针对30%和70%处的参考,针对第二遍的其余的经线滤波的图像体积也可以被选择为与在第一遍中选择的其余时间点相对应,即,在与5%心动周期相对应的时间距离处选择每个经线滤波的图像体积。甚至更有利地,可以使用更小的时间距离,例如,针对每个1%心动周期的时间点。
根据另外的实施例,获得所述多个经线滤波的图像体积包括:确定用于将所述第一运动补偿的图像体积中的第一个第一运动补偿的图像体积配准到所述多个第一运动补偿的图像体积中的其余的第一运动补偿的图像体积中的每个第一运动补偿的图像体积的配准变换;并且根据所述多个经配准的第一运动补偿的图像体积来获得所述多个经线滤波的图像体积。
在第一遍运动补偿中,已经减小了瓣膜边缘的模糊。因此,第一运动补偿的图像体积上的轮廓可以更清晰。尽管如此,它们仍然有可能在心动周期期间发生强烈移位。因此,为了适当地确定瓣膜小叶的运动,必须将小叶运动与总体运动区分开。为了实现这一点,执行对第一运动补偿的图像体积的3D至3D配准以确定在心动周期期间边缘的潜在移位。
这是通过选择3D参考图像体积并确定3D参考图像体积中的相应的参考点来完成的。这些参考点可以有利地包括心脏的瓣膜和心室的边缘或轮廓。随后,针对其余的第一运动补偿的图像体积确定相应的点并确定从3D参考图像体积到其余的第一运动补偿的图像体积的相应的变换向量场。这些经配准的第一运动补偿的图像体积然后可以经受第二遍运动补偿。
在另外的实施例中,所述方法包括:在所述体积数据内选择感兴趣区域。
有利地,可以针对第一遍运动补偿和第二遍运动补偿两者选择应当对其执行运动补偿的区。因此,可以确定感兴趣区域。
在基于计算机的方法中,该确定可以通过心脏分割或通过活跃的用户交互来自动执行。因此,可以使用图像处理设备和相应的用户接口来实现一种确定感兴趣区域的实用方法。该用户接口可以包括用于特定感兴趣区域的相应掩模。更具体地,可以提供在应当补偿瓣膜的运动时能够使用的掩模,并且可以提供用于对瓣膜小叶的(第二遍)补偿的另外的掩模。
因此,根据本发明的另外的方面,提供了一种用于根据感兴趣对象的对应于多个时间点的多个投影数据来重建所述对象的图像的图像处理设备。所述图像处理设备包括:存储器,其适于存储从所述多个投影数据中检索的所述感兴趣对象的多个体积数据,每个体积数据对应于相应的时间点;以及滤波单元,其适于对所述多个体积数据应用基于梯度的滤波器,以获得对应于所述相应的时间点的多个边缘增强的图像体积。所述图像处理设备还包括:确定单元,其适于基于多个归一化的边缘增强的图像体积来估计多个第一运动向量场;以及重建单元,其适于使用所估计的多个第一运动向量场来根据所述投影数据重建所述对象的多个第一运动补偿的图像体积,所述多个第一运动补偿的图像体积中的每个对应于相应的时间点。
根据又另外的方面,提供了一种计算机程序,所述计算机程序包括程序代码单元,所述程序代码单元在由处理单元运行时令所述图像处理设备执行根据本发明的方法。
在另外的方面,提供了一种存储有所述计算机程序的计算机可读介质。
应当理解,根据权利要求1所述的方法、根据权利要求13所述的图像处理设备、根据权利要求14所述的计算机程序以及根据权利要求15所述的计算机可读介质具有相似和/或相同的优选实施例,特别是如在从属权利要求1中所定义的优选实施例。
应当理解,本发明的优选实施例也能够是从属权利要求或上述实施例与相应的独立权利要求的任意组合。
参考下文描述的实施例,本发明的这些方面和其他方面将是明显的并且得到阐明。
附图说明
在以下附图中:
图1示意性地图示了根据本发明的用于运动补偿的重建的方法的实施例。
图2示出了当经受根据本发明的基于梯度的滤波器操作以检索边缘增强的图像时的体积数据的表示。
图3是使用普通门控重建的主动脉瓣的心脏CT图像(上排)与使用根据本发明的运动补偿重建方法重建的主动脉瓣的心脏CT图像(下排)的比较性表示。
图4示意性地图示了用于补偿瓣膜小叶移动的第二遍运动补偿的方法步骤。
具体实施方式
附图中的图示是示意性的。在不同的附图中,相似或相同的元件被提供有相同的附图标记。
图1示意性地表示了用于根据包括投影数据的体积数据对感兴趣对象进行第一遍运动补偿的重建的方法的实施例。在该特定实施例中,体积数据包括心脏CT投影数据和ECG数据。感兴趣对象是患者的心脏,包括瓣膜和瓣膜小叶。
在本实施例中,针对与20%、25%、30%、35%和40%心脏相位相对应的时间点执行重建,其中,对应于30%心脏相位的时间点对应于用于配准的参考时间点,并且针对该时间点的体积数据对应于参考图像体积。
该方法开始于步骤100,其中,以螺旋采集模式执行常规的心脏CT扫描,从而采集到投影数据。同时,还采集了心电图(ECG)数据。
因此,针对与20%至40%之间的相隔5%距离的每个心脏相位相对应的每个时间点同时检索投影数据和ECG数据。然后,从投影数据中获得针对相应的不同时间点的体积数据。
然后在步骤101中借助于滤波器操作对每个体积数据进行降噪。在根据图1的实施例中,将高斯滤波器应用于体积数据。这产生了经平滑的图像体积,其中,不再存在较小的结构。因此,借助于该高斯滤波器,减小了边缘上的噪声影响。
在步骤102中,将经平滑的图像体积用于边缘检测。在本实施例中,将中心差分法用于确定针对所有方向上的偏导数的值。这允许通过根据下式确定每个方向上的偏导数的欧几里得范数来确定针对从体积数据导出的经平滑的图像体积的每个图像数据点的梯度幅值:
因此,针对每个时间点生成表示梯度幅值的相应的边缘增强的图像体积。假定梯度幅值具有最高值的数据点对应于体积数据的亮度变化最大的区域(即,边缘的区域)。
在步骤103中,通过应用非最大抑制流程来执行边缘细化。在非最大抑制中,将针对边缘增强的图像的一个数据点的梯度幅值与正梯度方向和负梯度方向上的相应的数据点的梯度幅值进行比较。如果当前数据点的梯度幅值高于正负梯度方向或负梯度方向的梯度幅值,则将保留该值,否则将其设置为零。因此,针对数据点中的每个抑制了除局部最大值之外的所有值,使得边缘仅由具有最高梯度幅值的数据点表示。因此,该过程使得边缘变得锐利。
通过非最大抑制进行的边缘细化提供了边缘增强的图像,该边缘增强的图像包括体积数据内的边缘的更准确的表示。然而,由于噪声或其他干扰特征,因此仍然有一些实际上并不对应于边缘的数据点的梯度幅值尚未被设置为零。
为了对此进行补偿,在步骤104中,执行滞后阈值化。针对该滞后阈值化,定义了两个阈值T1和T2,其中,T1小于T2。然后在基于梯度的图像体积上使用第一二元掩模。借助于该二元掩模,将基于梯度的图像体积的数据点的梯度幅值与第二阈值T2进行比较。将梯度幅值高于第二阈值T2的每个数据点设置为针对第一二元掩模为“真”。
随后,将第二二元掩模用于将基于梯度的图像体积的数据点的梯度幅值与第一阈值T1进行比较,以确定梯度幅值高于第一阈值T1的那些数据点。然后,将这些数据点设置为针对第二二元掩模为“真”。
在下文中,执行通过扩展的重建。因此,使用高于第二阈值的数据点(即,针对第一二元掩模为“真”的数据点)作为起始点。然后,使用第二二元掩模作为限制,利用3×3×3立方体扩展第一二元掩模。因此,掩模的扩展使得将考虑与起始点相邻的数据点,因为忽略了具有低于第一阈值T1的梯度幅值的连接的数据点,并且将具有高于第一阈值T1的梯度幅值的相邻数据点视为属于边缘。
针对在每个时间点处收集的体积数据执行线滤波过程。因此,根据步骤100的该滤波处理的输出是多个边缘增强的图像体积,每个边缘增强的图像体积均包括经滤波的数据点的集合,该经滤波的数据点的集合表示针对与相应的心脏相位相对应的每个时间点收集的体积数据的边缘。
在步骤200中,确定归一化的梯度幅值。然后,对边缘增强的图像体积中的每个进行加权操作,其中,利用所述归一化的梯度幅值对边缘进行加权。因此,步骤200的输出是多个归一化的边缘增强的图像体积。
在步骤300中,对已经根据针对不同时间点的体积数据导出的多个归一化的边缘增强的图像体积进行配准流程。因此,将针对30%心脏相位确定的归一化的边缘增强的图像体积用作参考图像体积。通过将针对30%心脏相位的参考图像体积的整个体素信息与针对其他心脏相位的其余的归一化的边缘增强的图像体积中的每个中的整个体素信息进行比较来执行配准。随后,通过计算从被选择作为参考时间点处的参考图像体积的归一化的边缘增强的图像体积到针对与20%、25%、35%和40%心脏相位相对应的时间点的归一化的边缘增强的图像体积中的每个的位移向量来估计从参考图像体积到其余的归一化的边缘增强的图像体积的运动向量场。
在步骤400中,将运动向量场用于运动补偿的重建。更特别地,将从参考边缘增强的图像体积到针对与特定心脏相位相对应的特定时间点的边缘增强的图像体积的运动向量场用于在针对该特定相位的投影数据的重建中补偿运动。由于已经借助于边缘检测考虑了作为感兴趣对象的部分的瓣膜的模糊,因此基于投影数据和使用边缘增强的图像体积确定的第一运动向量场进行的运动补偿的重建会使得感兴趣对象(例如,心脏)的图像得到改善。
图2示出了当经受根据本发明的基于梯度的滤波器操作以检索边缘增强的图像时的体积CT图像数据的一个轴向切片。
因此,滤波器操作的各个步骤被表示在从左到右对应于特定步骤的输入和输出的两个图像体积之间。首先,接收从CT投影数据中检索到的体积数据。在本实施例中,该数据对应于已经执行了水平对比度增强的门控心脏CT图像。当从左到右行进时,该门控心脏CT图像被表示为第一图像。在步骤101中,对CT图像应用高斯滤波器以进行降噪。滤波产生这排图像的第二图像。从该表示中可以清楚地认识到,与第一图像相比,第二图像得到平滑。
在步骤102中,计算梯度和梯度幅值。因此,第三图像示出了基于梯度的图像体积,该基于梯度的图像体积表示在图像的不同数据点处的梯度幅值。因此,在该阶段处,基本上每个数据点的梯度幅值都大于等于零(≥0)。
在步骤103中,确定表示梯度幅值的局部最大值的数据点并表示该数据点。梯度幅值不表示局部最大值的数据点被设置为零(即,被抑制)。这样得到第四图像,在第四图像中,以更离散的方式示出了数据点。也就是说,第四图像中的数据点要么具有大的梯度幅值,要么被设置为零。从第四图像体积可以认识到,仍然会剩下相当数量的数据点,这些数据点似乎不属于边缘,而是与引起大的梯度幅值的其他事件有关。
因此,在步骤104中,应用滞后阈值化。因此,确定合适的第一阈值和第二阈值,其中,第二阈值大于第一阈值。然后,在基于梯度的图像体积上使用第一二元掩模,以检测梯度幅值高于第二阈值的所有数据点。然后,在基于梯度的图像上使用第二二元掩模,以检测梯度幅值高于第一阈值的基于梯度的图像体积的所有数据点,随后,利用3×3×3立方体和第二二元掩模作为限制对第一掩模执行扩展。因此,将高于第二阈值的数据点用作起始点,因此考虑连接到起始点的数据点的梯度幅值。忽略具有低于第一阈值的梯度幅值的相邻数据点,并且考虑具有高于第一阈值的梯度幅值的相邻数据点。
从第五图像可以认识到,该滞后操作使得抑制了散布在第四图像的边缘之间的数据点。结果,第五图像只是边缘的表示。通过比较第一图像与第五图像,显而易见的是,在第五图像中以非零值表示的数据点确实对应于在第一图像中示出的边缘。因此,第五图像示出了心脏CT图像的边缘增强的表示。可以使这种边缘增强的表示得到归一化并经受配准和运动补偿的重建流程,如关于图1所描述的那样。
图3示出了从CT图像数据中检索的针对与30%心脏相位相对应的时间点的两幅重建图像的比较性示例。上排中的两幅图像是使用根据现有技术的普通门控重建来重建的。下排中的两幅图像是借助于根据本发明的运动补偿的重建方法来重建的。特别是从上排和下排的左侧图像中能够清楚地看到,根据本发明的运动补偿的重建方法使得图像质量得到提高。更特别地,图像中的结构的可见性提高了,并且边缘的模糊也减少了。
图4示意性地图示了用于补偿瓣膜小叶移动的第二遍运动补偿的方法步骤。如上排所示,体积图像对应于心脏CT图像的多相位重建。这些图像(从左到右)是在对应于10%、15%、20%、25%、30%、35%、40%、45%和50%心脏相位的时间点处收集的。
在步骤100中,使心脏CT图像中的每幅经受如关于图1所述的基于梯度的滤波器操作。在步骤200中,将由此得到边缘增强的图像体积加权为归一化的梯度幅值。因此,第二上排表示针对10%心脏相位至50%心脏相位之间的不同相位的基于梯度的滤波器操作的归一化结果。
在步骤300中,执行配准流程以确定多个运动向量场。在根据图4的示例中,将针对与20%心脏相位相对应的时间点确定的边缘增强的图像体积用作第一参考图像体积。根据该参考图像体积,确定从第一参考图像体积到对应于与10%、15%、25%和30%心脏相位相对应的时间点的边缘增强的图像体积的相应的多个第一运动向量场。
在步骤400中,使用第一运动向量场来执行运动补偿的滤波反投影。基于该运动补偿的滤波反投影,重建第一运动补偿的图像体积,其被表示在图4的第三上排中。这些第一运动补偿的图像体积(从左到右)对应于与20%、25%、30%、35%和40%心脏相位相对应的时间点。
在运动补偿的重建之后,发生在步骤500中开始的第二遍运动补偿。这里,将线滤波操作应用于第一运动补偿的图像体积。借助于线滤波操作,第一运动补偿的图像体积中的每个第一运动补偿的图像体积被转换成对应的经线滤波的图像体积。这些对应于与20%、25%、30%、35%和40%心脏相位对应的时间点的经线滤波的图像体积被示出在图4的第四上排中。在这些经线滤波的图像体积中,通常在心脏CT图像中以线表示的瓣膜小叶的轮廓得到增强。
在步骤600中,对经线滤波的图像体积执行配准流程。因此,选择对应于与30%心脏相位相对应的时间点的经线滤波的图像体积作为第二参考图像体积。随后,通过考虑相应的参考点从第二参考图像体积到对应于与20%、25%、35%和40%心脏相位相对应的时间点的其余的图像体积的位置来确定从第二参考图像体积到其余的图像体积的多个第二运动向量场。
最终,在步骤700中,使用多个第二运动向量场来执行第二运动补偿的反投影。结果是重建了其中还考虑了瓣膜小叶的运动的多个第二运动补偿的图像体积。在根据图4的示例性实施例中,下排表示对应于与下排中示出的30%心脏相位相对应的时间点的第二运动补偿的图像体积。但是应当理解,同样可以构建另外的第二运动补偿的图像体积。
依次应用用于补偿瓣膜运动的第一遍运动补偿和用于补偿瓣膜小叶运动的第二遍运动补偿可以得到改善的图像,在这种改善的图像中,能够看见的模糊较少并且可以以良好的准确性和较高的可见性确定瓣膜和瓣膜小叶这两者的轮廓和形状。
虽然在上述实施例中,所采集的图像是锥形射束的圆形或螺旋CT图像,但是在其他实施例中,也可以从其他类型的计算机断层摄影中检索图像,其他类型的计算机断层摄影例如为相衬计算机断层摄影或非周期性计算机断层摄影(其中以较小间距(例如,0.7)执行扫描)或谱计算机断层摄影,因此,需要将能量加权调整到第二遍步骤。
另外,图像也能够是其他类型的图像,即,如果图像不是螺旋CT图像,则还能够执行基于梯度的滤波以及随后的配准和运动补偿的重建。例如,图像也能够是通过序列CT扫描、X射线C臂系统采集的图像或通过其他医学扫描技术收集的图像。
还应当理解,虽然在上述实施例中对主动脉瓣进行成像和评价,但是根据本发明的基于运动的重建方法也可以用于心脏的其他部分(例如,主动脉),甚至是人体解剖结构的其他区域。
本领域技术人员通过研究附图、公开内容以及权利要求,在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。
单个单元或设备可以实现在权利要求中记载的若干项的功能。虽然某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。
由一个或多个单元或设备执行的诸如图像滤波、图像配准和运动补偿的重建等的流程能够由任何其他数量的单元或设备执行。根据新的运动补偿的重建方法的这些流程和/或根据要求保护的CT方法对CT处理设备的控制能够被实施为计算机程序的程序代码单元和/或被实施为专用硬件。
计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质,但是也可以被以其他形式分布,例如经由互联网或其他有线或无线的电信系统进行分布。
权利要求中的任何附图标记都不应被解释为对范围的限制。
本发明涉及一种用于根据感兴趣对象的对应于多个时间点的多个投影数据来重建所述对象的图像的方法。所述方法包括以下步骤:从所述多个投影数据中检索所述感兴趣对象的多个体积数据,所述体积数据中的每个体积数据对应于相应的时间点;以及对所述多个体积数据应用基于梯度的滤波器,以获得对应于所述相应的时间点的多个边缘增强的图像体积。所述方法还包括以下步骤:基于所述多个边缘增强的图像体积来估计多个第一运动向量场;以及使用所估计的多个第一运动向量场来根据所述多个投影数据重建多个第一运动补偿的图像体积,所述多个第一运动补偿的图像体积中的每个对应于相应的时间点。
在对感兴趣对象的运动补偿的重建中,边缘通常会因这些感兴趣对象的移动而变得模糊,该方法使得能够改善对人体解剖结构中的感兴趣对象的运动补偿的重建。
Claims (15)
1.一种用于根据感兴趣对象的对应于多个时间点的多个投影数据来重建所述对象的图像的方法,所述方法包括以下步骤:
从所述多个投影数据中检索所述感兴趣对象的多个体积数据,所述体积数据中的每个体积数据对应于相应的时间点;
对所述多个体积数据应用(100)基于梯度的滤波器,以获得对应于所述相应的时间点的多个边缘增强的图像体积;
通过利用归一化的梯度幅值对边缘进行加权来对所述多个边缘增强的图像体积进行加权(200),以获得多个归一化的边缘增强的图像体积;
基于所述多个归一化的边缘增强的图像体积来估计(300)多个第一运动向量场;以及
使用所估计的多个第一运动向量场来根据所述多个投影数据重建(400)所述对象的多个第一运动补偿的图像体积,所述多个第一运动补偿的图像体积中的每个对应于相应的时间点。
2.根据权利要求1所述的方法,其中,所述感兴趣对象包括瓣膜和瓣膜小叶,并且其中,所述数据对应于与同时测量的心电图(ECG)数据和/或光体积描记(PPG)数据中的一个或多个一起获得的心脏计算机断层摄影(CT)投影数据。
3.根据权利要求2所述的方法,其中,所述时间点是基于所述ECG数据或所述PPG数据来确定的;其中,所述时间点对应于心脏的心脏相位。
4.根据权利要求1所述的方法,其中,对所述多个体积数据应用基于梯度的滤波器包括以下步骤:
通过应用平滑滤波器根据所述体积数据来获得(101)降噪的图像体积;
针对所述降噪的图像体积的数据点中的每个确定(102)梯度和/或梯度幅值;
针对所述数据点中的每个确定(103)所述梯度幅值的多个局部最大值并抑制与所述局部最大值不对应的数据点;
确定(104)针对所述梯度幅值的第一阈值和针对所述梯度幅值的第二阈值,所述第一阈值小于所述第二阈值;
针对每个数据点,确定所述梯度幅值是低于还是高于所述第二阈值;
针对每个数据点,确定所述梯度幅值是低于还是高于所述第一阈值;以及
标记如下的数据点的集合:针对所述数据点,所述梯度幅值高于所述第一阈值,并且所述数据点被连接到所述梯度幅值高于所述第二阈值的数据点;
根据所标记的数据点的集合来获得所述边缘增强的图像体积。
5.根据权利要求4所述的方法,其中,获得经平滑的图像体积是通过对所述体积数据应用高斯滤波器来实现的。
6.根据权利要求4所述的方法,其中,针对所述数据点中的每个确定所述梯度是使用中心差分来执行的;并且其中,针对所述经平滑的图像体积的所述数据点中的每个确定所述梯度幅值是使用欧几里得范数来执行的。
7.根据权利要求4所述的方法,其中,针对所述数据点中的每个确定所述梯度和/或所述梯度幅值还包括确定所述梯度的方向。
8.根据权利要求4所述的方法,其中,对所述边缘增强的图像体积的所述加权(200)还包括:
确定(200)归一化的梯度幅值;并且
使用所述归一化的梯度幅值对所标记的数据点进行加权。
9.根据权利要求1所述的方法,其中,估计所述多个运动向量场包括:
将所述多个边缘增强的图像体积中的第一个边缘增强的图像体积确定为第一参考图像体积;并且
使用所述第一参考图像体积来估计从所述第一参考图像体积到所述多个边缘增强的图像体积中的其余的边缘增强的图像体积的所述多个第一运动向量场。
10.根据权利要求1所述的方法,还包括以下步骤:
根据所述多个第一运动补偿的图像体积来获得(500)多个经线滤波的图像体积;
基于所述多个经线滤波的图像体积来估计多个第二运动向量场;以及
使用所估计的多个第二运动向量场来根据所述投影数据重建(600)所述对象的多个第二运动补偿的图像体积。
11.根据权利要求1所述的方法,其中,获得所述多个经线滤波的图像体积包括:
确定用于将所述第一运动补偿的图像体积中的第一个第一运动补偿的图像体积配准到所述多个第一运动补偿的图像体积中的其余的第一运动补偿的图像体积中的每个第一运动补偿的图像体积的配准变换;并且
根据所述多个经配准的第一运动补偿的图像体积来获得所述多个经线滤波的图像体积。
12.根据权利要求1所述的方法,还包括:在所述体积数据内选择感兴趣区域。
13.一种用于根据感兴趣对象的对应于多个时间点的多个投影数据来重建所述对象的图像的图像处理设备,包括:
存储器,其适于存储从所述多个投影数据中检索的所述感兴趣对象的多个体积数据,所述体积数据中的每个体积数据对应于相应的时间点;
滤波单元,其适于对所述多个体积数据应用基于梯度的滤波器,以获得对应于所述相应的时间点的多个边缘增强的图像体积;
确定单元,其适于基于多个归一化的边缘增强的图像体积来估计多个第一运动向量场,所述多个归一化的边缘增强的图像体积是通过利用归一化的梯度幅值对边缘进行加权而对所述多个边缘增强的图像体积进行加权来获得的;以及
重建单元,其适于使用所估计的多个第一运动向量场来根据所述多个投影数据重建所述对象的多个第一运动补偿的图像体积,所述多个第一运动补偿的图像体积中的每个对应于相应的时间点。
14.一种包括程序代码单元的计算机程序,所述程序代码单元在由处理单元运行时令所述处理单元执行根据权利要求1至12所述的方法的方法步骤。
15.一种存储有根据权利要求14所述的计算机程序的计算机可读介质。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17183539.0A EP3434187A1 (en) | 2017-07-27 | 2017-07-27 | Motion compensated cardiac valve reconstruction |
EP17183539.0 | 2017-07-27 | ||
PCT/EP2018/069862 WO2019020541A1 (en) | 2017-07-27 | 2018-07-23 | CARDIAC VALVE RECONSTRUCTION WITH MOTION COMPENSATION |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111093506A true CN111093506A (zh) | 2020-05-01 |
CN111093506B CN111093506B (zh) | 2023-08-01 |
Family
ID=59416604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880057956.1A Active CN111093506B (zh) | 2017-07-27 | 2018-07-23 | 运动补偿心脏瓣膜重建 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11308660B2 (zh) |
EP (2) | EP3434187A1 (zh) |
JP (1) | JP7232242B2 (zh) |
CN (1) | CN111093506B (zh) |
WO (1) | WO2019020541A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3808275A1 (en) * | 2019-10-14 | 2021-04-21 | Koninklijke Philips N.V. | Perfusion angiography combined with photoplethysmography imaging for peripheral vascular disease assessment |
US11893745B2 (en) * | 2020-12-09 | 2024-02-06 | Raytheon Company | System and method for generating and displaying contours |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070110294A1 (en) * | 2005-11-17 | 2007-05-17 | Michiel Schaap | Image enhancement using anisotropic noise filtering |
CN101313334A (zh) * | 2005-11-24 | 2008-11-26 | 皇家飞利浦电子股份有限公司 | 高对比度对象的运动补偿ct重建 |
US20090238412A1 (en) * | 2006-06-28 | 2009-09-24 | Michael Grass | Local motion compensated reconstruction of stenosis |
CN103190927A (zh) * | 2011-09-28 | 2013-07-10 | 西门子公司 | 确定运动场和产生运动补偿的ct 图像数据组的方法和系统 |
CN104424659A (zh) * | 2013-08-30 | 2015-03-18 | 西门子公司 | 图像数据的基于图像的运动补偿 |
CN104482877A (zh) * | 2014-12-03 | 2015-04-01 | 深圳大学 | 动态物体三维成像中的运动补偿方法与系统 |
US20160256127A1 (en) * | 2015-03-05 | 2016-09-08 | Samsung Electronics Co., Ltd. | Tomography imaging apparatus and method of reconstructing tomography image |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001339283A (ja) | 2000-05-26 | 2001-12-07 | Mitsubishi Electric Corp | 遅延回路およびそのための半導体回路装置 |
US7450746B2 (en) | 2002-06-07 | 2008-11-11 | Verathon Inc. | System and method for cardiac imaging |
JP4731476B2 (ja) | 2003-07-16 | 2011-07-27 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | ボリュメトリックデータからの動くオブジェクトの画像の再構成 |
US7751626B2 (en) | 2006-12-05 | 2010-07-06 | Fujifilm Corporation | Method and apparatus for detection using gradient-weighted and/or distance-weighted graph cuts |
US8265367B2 (en) | 2007-06-04 | 2012-09-11 | Siemens Computer Aided Diagnostics, Ltd. | Identifying blood vessels in lung x-ray radiographs |
EP2160630A2 (en) | 2007-06-19 | 2010-03-10 | Koninklijke Philips Electronics N.V. | Spectral photon counting detector |
WO2009019622A2 (en) | 2007-08-03 | 2009-02-12 | Koninklijke Philips Electronics N. V. | Apparatus and method for generating countable pulses from impinging x-ray photons; and corresponding imaging device |
CN101918859A (zh) | 2007-10-18 | 2010-12-15 | 皇家飞利浦电子股份有限公司 | 脉冲缩短的粒子计数装置 |
US8258480B2 (en) | 2008-03-03 | 2012-09-04 | The Board Of Trustees Of The Leland Stanford Junior University | High energy photon detection using pulse width modulation |
US8224056B2 (en) * | 2009-12-15 | 2012-07-17 | General Electronic Company | Method for computed tomography motion estimation and compensation |
US8938105B2 (en) | 2010-10-28 | 2015-01-20 | Kabushiki Kaisha Toshiba | Denoising method and system for preserving clinically significant structures in reconstructed images using adaptively weighted anisotropic diffusion filter |
JP5731882B2 (ja) | 2011-04-13 | 2015-06-10 | トムテック イマジング システムズ ゲゼルシャフト ミットべシュレンクテル ハフツンク | 医用画像データをセグメント化するための方法及び装置 |
DE102011083643A1 (de) | 2011-09-28 | 2013-03-28 | Siemens Aktiengesellschaft | Verfahren, Rechensystem und CT-System zur Bestimmung eines Bewegungsfeldes und zur bewegungskompensierenden Rekonstruktion mit diesem Bewegungsfeld |
-
2017
- 2017-07-27 EP EP17183539.0A patent/EP3434187A1/en not_active Withdrawn
-
2018
- 2018-07-23 WO PCT/EP2018/069862 patent/WO2019020541A1/en active Application Filing
- 2018-07-23 EP EP18745884.9A patent/EP3658031B1/en active Active
- 2018-07-23 JP JP2020503885A patent/JP7232242B2/ja active Active
- 2018-07-23 US US16/633,843 patent/US11308660B2/en active Active
- 2018-07-23 CN CN201880057956.1A patent/CN111093506B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070110294A1 (en) * | 2005-11-17 | 2007-05-17 | Michiel Schaap | Image enhancement using anisotropic noise filtering |
CN101313334A (zh) * | 2005-11-24 | 2008-11-26 | 皇家飞利浦电子股份有限公司 | 高对比度对象的运动补偿ct重建 |
US20090238412A1 (en) * | 2006-06-28 | 2009-09-24 | Michael Grass | Local motion compensated reconstruction of stenosis |
CN103190927A (zh) * | 2011-09-28 | 2013-07-10 | 西门子公司 | 确定运动场和产生运动补偿的ct 图像数据组的方法和系统 |
CN104424659A (zh) * | 2013-08-30 | 2015-03-18 | 西门子公司 | 图像数据的基于图像的运动补偿 |
CN104482877A (zh) * | 2014-12-03 | 2015-04-01 | 深圳大学 | 动态物体三维成像中的运动补偿方法与系统 |
US20160256127A1 (en) * | 2015-03-05 | 2016-09-08 | Samsung Electronics Co., Ltd. | Tomography imaging apparatus and method of reconstructing tomography image |
Also Published As
Publication number | Publication date |
---|---|
EP3658031B1 (en) | 2024-02-21 |
WO2019020541A1 (en) | 2019-01-31 |
EP3434187A1 (en) | 2019-01-30 |
JP2020527992A (ja) | 2020-09-17 |
JP7232242B2 (ja) | 2023-03-02 |
EP3658031A1 (en) | 2020-06-03 |
US11308660B2 (en) | 2022-04-19 |
US20210150778A1 (en) | 2021-05-20 |
CN111093506B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1851722B8 (en) | Image processing device and method | |
Shi et al. | Cardiac image super-resolution with global correspondence using multi-atlas patchmatch | |
US9547894B2 (en) | Apparatus for, and method of, processing volumetric medical image data | |
Xia et al. | Super-resolution of cardiac MR cine imaging using conditional GANs and unsupervised transfer learning | |
CN109431531B (zh) | 基于灌注成像的血管分割方法及装置和计算机装置 | |
JP6204927B2 (ja) | 画像データを生成する方法及びコンピューティングシステム | |
JP4885138B2 (ja) | 一連の画像における動き修正のための方法およびシステム | |
Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
WO2003042712A1 (en) | Black blood angiography method and apparatus | |
JP2004105737A (ja) | 心臓磁気共振潅流データのための統合的画像記録方法 | |
CN111093506B (zh) | 运动补偿心脏瓣膜重建 | |
Bock et al. | Robust vessel segmentation | |
CN114209344A (zh) | 一种侧枝循环状态评估方法、装置、存储介质及电子设备 | |
Arega et al. | Using Polynomial Loss and Uncertainty Information for Robust Left Atrial and Scar Quantification and Segmentation | |
Naegel et al. | SNR enhancement of highly-accelerated real-time cardiac MRI acquisitions based on non-local means algorithm | |
Salehi et al. | Cardiac contraction motion compensation in gated myocardial perfusion SPECT: a comparative study | |
Aach et al. | Statistical-model-based identification of complete vessel-tree frames in coronary angiograms | |
Jabbar | A study of preprocessing and segmentation techniques on cardiac medical images | |
CN114565711A (zh) | 基于深度学习的心脏图像重建方法及系统 | |
Lidayová et al. | Coverage segmentation of 3D thin structures | |
Joshi et al. | Survey of the Heart Wall Delineation Techniques | |
Isola et al. | Cardiac-motion correction for helical CT | |
Lynch | Multidimensional image analysis of cardiac function in MRI | |
Mendonça et al. | Segmentation of aortic flow in real time magnetic resonance images | |
Carmo | Image processing in echography and MRI |
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 |