CN111402358A - 用于图像重建的系统和方法 - Google Patents

用于图像重建的系统和方法 Download PDF

Info

Publication number
CN111402358A
CN111402358A CN202010296308.0A CN202010296308A CN111402358A CN 111402358 A CN111402358 A CN 111402358A CN 202010296308 A CN202010296308 A CN 202010296308A CN 111402358 A CN111402358 A CN 111402358A
Authority
CN
China
Prior art keywords
image
regularization
objective function
parameter
estimated image
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
Application number
CN202010296308.0A
Other languages
English (en)
Other versions
CN111402358B (zh
Inventor
喻智聪
斯坦尼斯拉夫·萨比奇
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN111402358A publication Critical patent/CN111402358A/zh
Application granted granted Critical
Publication of CN111402358B publication Critical patent/CN111402358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/404—Angiography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/416—Exact reconstruction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请是关于用于在成像系统中重建图像的系统和方法。该方法包括获取至少两个探测器元件检测到的表示能量强度分布的扫描数据和确定估计图像。该方法还包括基于所述扫描数据和所述估计图像确定目标函数，其中目标函数包括正则化参数。该方法还包括迭代更新估计图像直到目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数。该方法还包括当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。

Description

用于图像重建的系统和方法
相关申请的交叉引用
本申请要求于2019年4月17日提交的申请号为16/387,428的美国专利申请的优先权，上述申请的全部内容通过引用被包含于此。
技术领域
本申请涉及一种成像技术，具体地，涉及用于图像重建的系统和方法。
背景技术
成像技术已广泛用于临床检查和医学诊断。在成像设备获取与对象有关的扫描数据之后，可以基于扫描数据重建图像。在迭代图像重建过程中，通常采用目标函数通过多次迭代来确定最佳图像。目标函数可以包括正则项，用于稳定重建过程并减少重建图像中的噪点。正则项可以乘以正则化参数，正则化参数用于定义正则项的正则化强度。正则项模型是已知扫描对象结构特征的先验模型，常用的一种选择是带有参数的Huber正则项，该参数控制从二次正则化到线性正则化的转换。由于Huber正则项从线性正则化转换为二次正则化，因此需要允许正则化强度基于估计图像中遇到的梯度而变化。
发明内容
根据本申请的一个方面，提供一种被配置为在成像系统中重建图像的系统，所述系统包括：至少一个非暂时性存储介质，包括一组指令；以及至少一个处理器，与所述至少一个非暂时性存储介质通信，其特征在于，当执行所述一组指令时，所述至少一个处理器被配置使所述系统：获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；确定估计图像；基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
在一些实施例中，所述成像系统包括医学成像系统或非侵入性工业成像系统之一。
在一些实施例中，所述医学成像系统包括是计算机断层摄影系统、正电子发射断层摄影系统、单光子发射计算机断层摄影系统、x射线断层合成系统，或磁共振成像系统中的至少一种。
在一些实施例中，为了确定所述目标函数，所述至少一个处理器进一步被配置使所述系统：基于所述估计图像或所述更新的估计图像确定估计测量量；基于所述扫描数据确定实际测量量；至少部分地基于所述估计测量量与所述实际测量量间的差异来确定所述目标函数。
在一些实施例中，所述目标函数还包括正则项，并且所述至少一个处理器进一步被配置使所述系统：将所述正则化参数乘以所述正则项。
在一些实施例中，所述正则项与线性正则化与二次正则化之间的Huber型转换相关。
在一些实施例中，所述至少一个处理器被进一步配置来使得系统：基于所述线性正则项确定第一参数；基于所述二次正则项确定第二参数，所述正则化参数在所述第一参数和所述第二参数之间转换。
在一些实施例中，所述正则项是Huber正则项。
在一些实施例中，为了更新所述正则化参数，所述至少一个处理器被进一步配置来使所述系统：基于标量确定和更新正则化强度。
在一些实施例中，更新所述正则化参数，所述至少一个处理器被进一步被配置为使所述系统：基于与所述第一参数、所述第二参数、所述标量，和所述估计图像的所述梯度相关的指数函数更新所述正则化参数。
根据本申请的另一个方面，提供一种在成像系统中重建图像的方法。所述方法在具有至少一个处理器和存储设备的机器上实现，包括：获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；确定估计图像；基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
根据本申请的另一个方面，提供一种被配置为在成像系统中重建图像的系统。所述系统包括:获取模块，被配置用来获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；图像重建模块，被配置用来确定估计图像；基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
根据本申请的另一个方面，提供一种非暂时性的计算机可读介质，包括至少一组指令。当由计算机设备的一个或以上处理器执行时，所述至少一组指令使得所述至少一个处理器：获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；确定估计图像；基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解，本申请的一部分附加特性对于本领域技术人员是明显的。本披露的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。附图未按比例绘制。这些实施例是非限制性的示例性实施例，在这些实施例中，各图中相同的编号表示相似的结构，其中：
图1是根据本申请的一些实施例所示的成像系统的示例性示意图；
图2是根据本申请的一些实施例所示的计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的处理引擎的示例性框图；
图5是根据本申请的一些实施例所示的用于重建图像的示例性过程的流程图；
图6是根据本申请的一些实施例所示的用于基于一个或以上迭代确定最终图像的过程的示例性流程图；
图7A至7B是根据本申请的一些实施例所示的正则化参数的值的示例性分析图；
图8A至8D是根据本申请的一些实施例所示的基于全变分正则项、二次正则项、具有第一参数的Huber正则项，和具有自适应正则化参数的Huber正则项重建的示例性最终图像；以及
图9A至9D是根据本申请的一些实施例所示的基于全变分正则项、二次正则项、具有第一参数的Huber正则项，和具有自适应正则化参数的Huber正则项重建的矢状视图的示例性最终图像。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。然而，本领域技术人员应该明白，可以在没有这些细节的情况下实施本申请。在其他情况下，为了避免不必要地模糊本申请的一些方面，本申请已经以相对高级别概略地描述了公知的方法、程序、系统、组件和/或电路。对于本领域的普通技术人员来讲，显然可以对本申请披露的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与申请专利范围一致的最广泛范围。
本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
应该理解，这里使用的术语“系统”、“引擎”、“单元”、“模块”，和/或“块”是以升序区分不同级别的不同组件，元件，部件，部分或组件的一种方法。但是，如果这些术语达到同样的目的，则可能被其他表达式所取代。
通常，这里使用的词语“模块”、“单元”，或“块”是指体现在硬件或固件中的逻辑，或者是软件指令的集合。
应当理解，当单元、发动机、模块，或块被称为“接通”，“连接到”或“耦合到”另一个单元、发动机、模块，或块时，它可以直接接通，除非上下文另有明确说明，否则可以存在连接或耦合到其他单元、发动机、模块，或块或与其通信，或者介入单元、引擎、模块，或块。在本申请中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。
根据以下对附图的描述，本申请的这些和其他的特征、特点，以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。
本文提供了用于成像系统的系统和组件。在一些实施例中，成像系统可包括单模态成像系统和/或多模态成像系统。单模态成像系统可包括例如X射线成像系统，计算机断层摄影(CT)系统，磁共振成像(MRI)系统，超声波检查系统，正电子发射断层扫描(PET)系统。或类似物，或其任何组合。多模态成像系统可包括例如X射线成像-磁共振成像(X射线-MRI)系统、正电子发射断层扫描-X射线成像(PET-X射线)系统、单个光子发射计算机断层扫描-磁共振成像(SPECT-MRI)系统、正电子发射断层扫描-计算机断层扫描(PET-CT)系统、C臂系统、数字减影血管造影-磁共振成像(DSA-MRI)系统，等等。下面描述的应当注意成像系统仅用于说明目的，并不旨在限制本申请的范围。
本申请提供了用于重建图像的机制(其可以包括用于重建图像的方法、系统、计算机可读介质等)。例如，可以通过成像设备(例如，CT扫描仪)获取与对象有关的扫描数据。扫描数据可以表示被一个或以上检测器元件检测到的能量的强度分布。可以确定估计图像。在一些实施例中，目标函数可以用于迭代更新估计图像直到目标函数满足终止准则，以获取最终图像作为重建图像。例如，可以基于估计测量量与实际测量量之间的差异、正则项、和正则化参数，来确定目标函数。估计测量量可以通过估计图像或更新的估计图像上的前向投影获取。可以基于从成像设备发射的能量的强度分布和/或被一个或以上检测器元件检测到的能量的强度分布来获取实际测量量。在一些实施例中，可以基于第一参数(例如，全变分正则化参数)、第二参数(例如，二次正则化参数)，以及估计图像或更新的估计图像的梯度来确定正则化参数。在一些实施例中，在当前迭代中,正则化参数可以根据更新后的估计图像的梯度进行更新。
图1是根据本申请的一些实施例所示的示例性成像系统100的示意图。在一些实施例中，成像系统可以是医学成像系统或工业成像系统，例如CT系统、PET系统、SPECT系统、x射线断层合成系统、MRI系统等，或其任何组合。在一些实施例中，医学成像系统可以被配置为获取对象的解剖结构或与对象体内的生物过程相关的信息，以便执行医学检查、诊断、手术等。在一些实施例中，工业成像系统可以被配置为以非侵入性方式获取对象的内部结构和/或外部尺寸。例如，工业成像系统可以基于所获取的扫描数据确定三维模型。模型可用于生产产品，例如，通过三维印刷。如图所示，成像系统100可包括成像设备110、网络120、一个或以上终端130、处理引擎140，和存储设备150。在一些实施例中，成像设备110、终端130、处理引擎140和/或存储设备150可以经由无线连接、有线连接，或其组合彼此连接和/或通信(例如，网络120)。成像系统100的组件之间的连接可以是可变的。仅作为示例，成像设备110可以通过网络120连接到处理引擎140，如图1所示。又例如，成像设备110可以直接连接到处理引擎140。作为另一个例子，存储设备150可以通过网络120连接到处理引擎140，如图1所示，或者直接连接到处理引擎140。作为又一示例，终端130可以通过网络120连接到处理引擎140，如图1所示，或者直接连接到处理引擎140。
成像设备110可以通过扫描设置在成像设备110的扫描台上的对象(例如，患者)来生成或提供图像数据。在一些实施例中，成像设备110可包括单模态扫描仪和/或多模态扫描仪。单模态扫描仪可以包括例如CT扫描仪、PET扫描仪、MRI扫描仪、SPECT扫描仪等。多模态扫描仪可包括单光子发射计算机断层扫描计算机断层扫描(SPECT-CT)扫描仪、正电子发射断层扫描计算机断层扫描(PET-CT)扫描仪、计算机断层扫描-超声波(CT-US)扫描仪、数字减影血管造影计算机断层扫描(DSA-CT)扫描仪等，或其组合。在一些实施例中，图像数据可包括投影数据、与对象有关的图像等。投影数据可以是由成像设备110通过扫描对象产生的原始数据，或者是由与对象有关的图像上的前向投影产生的数据。在一些实施方案中，对象可包括身体、物质、物体等，或其组合。在一些实施方案中，对象可包括身体的特定部分，例如头部、胸部、腹部等，或其组合。
在一些实施方案中，对象可包括感兴趣的特定器官或区域，例如食道、气管、支气管、胃、胆囊、小肠、结肠、膀胱、输尿管、子宫、输卵管等。在一些实施例中，成像设备110可包括台架111、检测器112、检测区域113、扫描台114，和放射性扫描源115。台架111可以支撑检测器112和放射性扫描源115.可以将对象放置在扫描台114上以进行扫描。放射性扫描源115可以向对象发射放射线。辐射可包括粒子射线、光子射线等，或其组合。在一些实施例中，辐射可包括多个辐射粒子(例如，中子、质子、电子、μ介子、重离子)，多个辐射光子(例如，X射线、γ射线、紫外线、激光)等，或其组合。检测器112可以检测从检测区域113发射的辐射和/或辐射事件(例如，伽马光子)。在一些实施例中，检测器112可包括至少两个检测器元件。检测器元件可包括闪烁检测器(例如，碘化铯检测器)、气体检测器等检测器元件可以是单行检测器或多行检测器。
在一些实施例中，成像设备110可以与一个或以上可以便于扫描对象的其他设备集成，例如图像记录设备。图像记录设备可以被配置为拍摄与被摄体有关的各种类型的图像。例如，图像记录设备可以是二维(2D)相机，其拍摄对象的外部或轮廓。又如此，图像记录设备可以是记录对象的空间表示的3D扫描仪(例如，激光扫描仪、红外扫描仪、3D CMOS传感器)。
网络120可以包括可以促进成像系统100的信息和/或数据交换的任何合适的网络。
终端130可以连接到成像设备110、处理引擎140，和/或存储设备150和/或与其通信。例如，终端130可以从处理引擎140获取处理后的图像(例如，重建图像)。又如此，终端130可以获取经由成像设备110获取的图像数据，并将图像数据发送到处理引擎140以进行处理。在一些实施例中，终端130可以包括移动设备131、平板计算机132、膝上型计算机133等，或其任何组合。例如，移动设备131可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、膝上型计算机、平板计算机、桌面，或类似物，或其任何组合。在一些实施例中，终端130可包括输入设备、输出设备等。输入设备可以包括可以通过键盘输入的字母数字和其他键、触摸屏(例如，具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监视系统，或任何其他类似输入机制。通过输入设备接收的输入信息可以经由例如总线传输到处理引擎140，以进行进一步处理。其他类型的输入设备可以包括光标控制设备，例如鼠标、轨迹球，或光标方向键等。输出设备可包括显示器、扬声器、打印机等，或其组合。在一些实施例中，终端130可以是处理引擎140的一部分。
处理引擎140可以处理从成像设备110、存储设备150、终端130，或成像系统100的其他组件获取的数据和/或信息。例如，处理引擎140可以确定估计图像并且迭代更新估计图像以基于由成像设备110生成的扫描数据来获取最终图像。在一些实施例中，处理引擎140可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中，处理引擎140可以是成像系统100的本地或远离成像系统100。例如，处理引擎140可以经由网络120从成像设备110、存储设备150，和/或终端130访问信息和/或数据。又例如，处理引擎140可以直接连接到成像设备110、终端130，和/或存储设备150以访问信息和/或数据。在一些实施例中，处理引擎140可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等，或其组合。在一些实施例中，处理引擎140可以由具有如结合图2所述的一个或以上组件的计算设备200实现。
存储设备150可以存储数据、指令，和/或任何其他信息。在一些实施例中，存储设备150可以存储从处理引擎140、终端130，和/或交互设备150获取的数据。在一些实施例中，存储设备150可以存储处理引擎140可以执行或用于执行本申请中描述的示例性方法的数据和/或指令。
在一些实施例中，存储设备150可以在云平台上实现，如本申请中其他地方所述。在一些实施例中，存储设备150可以连接到网络120以与成像系统100的一个或以上其他组件(例如，处理引擎140、终端130)通信。成像系统100的一个或以上组件可以经由网络120访问存储设备150中存储的数据或指令。在一些实施例中，存储设备150可以是处理引擎140的一部分。
图2是根据本申请的一些实施例所示的可以在其上实现处理引擎140的示例性计算设备200的示例性硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(例如，程序代码)，并根据本申请描述的技术执行处理引擎140的功能。
存储器220可以存储从成像设备110、终端130、存储设备150，和/或成像系统100的任何其他组件获取的数据/信息。在一些实施例中，存储器220可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。在一些实施例中，存储器220可以存储一个或以上程序和/或指令以执行在本申请中描述的示例性方法。例如，存储器220可以存储用于处理引擎140的程序，用于确定对象(例如，患者的目标部分)的目标区域的位置。
I/O230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O230可以使用户与处理引擎140交互。在一些实施例中，I/O230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触控屏幕、麦克风等，或其任何组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影机或类似物，或其任何组合。示例性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等或其任意组合。
通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理引擎140与成像设备110、终端130，和/或存储设备150之间建立连接。连接可以是有线连接、无线连接、可以启用数据传输和/或接收的任何其他通信连接，和/或这些连接的任何组合。
图3是根据本申请的一些实施例所示的可以在其上实现终端130的示例性移动设备300的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，操作系统370(如，iOSTM、AndroidTM、WindowsPhoneTM)和一个或以上应用380可以从存储器390加载到内存360中以便由CPU340执行。应用程序380可以包括一浏览器或任何其他合适的移动应用程序，用于接收及呈现与图像处理相关的信息或处理引擎140中的其他信息。用户与信息流的交互可以经由I/O350实现，并且经由网络120提供给处理引擎140和/或成像系统100的其他组件。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本文中描述的一个或以上元素的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若程控得当，计算机亦可用作服务器。
图4是根据本申请的一些实施例所示的示例性处理引擎140的框图。如图4所示，处理引擎140可包括采集模块410、图像重建模块420、存储模块430和传输模块440。这些模块可以是处理引擎140的全部或部分的硬件电路。这些模块也可以作为一个应用程序或一组由处理引擎140读取和执行的指令实现。此外，模块可以是硬件电路和应用/指令的任何组合。例如，当处理引擎140执行应用程序/一组指令时，模块可以是处理引擎140的一部分。
采集模块410可以获取与成像系统100有关的数据。在一些实施例中，采集模块410可以从成像系统100的一个或以上组件获取数据。例如，采集模块410可以获取表示能量的强度分布的扫描数据，其来自成像设备110中的至少两个检测器元件。例如，扫描数据可以与CT扫描等相关。又例如，采集模块410可以从存储设备150获取扫描数据。在一些实施例中，采集模块410可以从存储设备150或终端130获取目标函数(可互换地称为“对象函数”)的一种类型和/或估计图像。目标函数可以与，例如，估计的测量值(例如，估计的投影数据)与实际测量值(例如，实际投影数据)之间的差值、正则项，以及与正则项相关的正则化参数相关。在一些实施例中，正则项可以包括Huber正则项，与正则项相关的正则化参数可以根据图像梯度在线性正则化和二次正则化之间进行切换。
图像重建模块420可以基于从采集模块410获取的信息来重建图像。在一些实施例中，图像重建模块420可以根据图像重建算法确定估计图像。图像重建算法可以包括但不限于傅里叶切片定理算法、滤波反投影(FBP)算法、扇束重建算法、分析重建算法等，或其任何组合。在一些实施例中，图像重建模块420可以迭代更新估计图像直到目标函数满足终止准则。例如，图像重建模型420可以基于估计图像(或更新的估计图像)的梯度来确定(或更新)正则化参数和正则项。图像重建模型420可以基于估计图像或更新的估计图像来确定目标函数的输出值，并进一步确定目标函数的输出值是否满足终止准则。响应于确定出目标函数的输出值不满足终止准则，图像重建模型420可以继续执行迭代。响应于确定出目标函数的输出值满足终止准则，处理引擎140可以结束迭代并指定相应的更新的估计图像作为最终图像。仅作为示例，终止准则可以包括目标函数的输出值最小或小于预设值、两个或以上连续迭代中目标函数的输出值的变化等于或者小于阈值、目标函数的输出值与预设值之间的差值等于或小于阈值等，或其任何组合。
存储模块430可以存储与成像系统100相关的信息。在一些实施例中，存储模块430可以存储目标函数，和与目标函数的一个或以上参数相关的预设值。目标函数的一个或以上参数可以包括用于估计图像或更新的估计图像的梯度的阈值σ、用于定义从线性到二次的过渡斜率的标量参数α，或其任何组合。在一些实施例中，存储模块430可以存储在图像重建期间生成的中间数据。例如，存储模块430可以存储从一个或以上迭代生成的一个或以上更新的估计图像，和基于一个或以上更新的估计图像的目标函数的一个或以上输出值。
传输模块440可以向成像系统的一个或以上组件发送信息和/或指令。在一些实施例中，传输模块440可以将最终图像发送到终端130以进行显示。在一些实施例中，传输模块440可以将最终图像发送到其他模块/设备以进一步处理最终图像。例如，可以使用一个或以上最终图像来基于3D重建方法来重建3D图像。3D重建方法可以包括多平面重建(MPR)算法、曲面平面重建(CPR)算法、最大强度投影(MIP)算法、体绘制技术(VRT)等，或其任何组合。在一些实施例中，传输模块440可以将最终图像发送到存储模块430和/或存储设备150以进行存储。
应该注意的是，上述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化或修改。然而，这些变化和修改不会背离本申请的范围。在一些实施例中，上述任何模块可以分为两个或以上单元。例如，图像重建模块420可以被分成两个单元，其中一个可以被配置为确定估计图像，另一个可以被配置为基于目标函数更新估计图像以获取最终图像。在一些实施例中，处理引擎140可包括一个或以上附加模块。例如，处理引擎140可以进一步包括被配置的控制模块，用于为成像系统100中的一个或以上组件生成控制信号。在一些实施例中，可以省略上述处理引擎140的一个或以上模块。例如，可以省略存储模块430。
图5是根据本申请的一些实施例所示的用于重建图像的示例性过程的流程图。过程500的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中，过程500的一个或以上操作可以在成像系统100中实现，如图1所示。在一些实施例中，过程500中的一个或以上操作可以作为指令的形式存储在存储设备160和/或存储器(例如，ROM230、RAM240等)中，并且被调用和/或由处理引擎140或处理引擎140的处理器220执行。在一些实施例中，指令可以以电子电流或电信号的形式传输。在以下描述中，出于说明的目的，要重建的图像是CT图像，并且不旨在限制本申请的范围。
在502中，处理引擎140(例如，采集模块410)可以获取被至少两个检测器元件检测到的表示能量的强度分布的扫描数据。在一些实施例中，成像系统100的成像设备110可以对对象执行扫描。在一些实施方案中，对象可包括身体、物质、物体等，或其一部分，或其组合。例如，对象可包括身体的特定部分，例如头部、胸部、腹部等或其组合。又如，对象可包括特定器官，例如食道、气管、支气管、胃、胆囊、小肠、结肠、膀胱、输尿管、子宫、输卵管等。在一些实施例中，成像设备110的至少两个检测器元件可以检测与对象相关的扫描数据。在一些实施例中，扫描数据可以表示与穿过对象的辐射束相关联的能量的强度分布(例如，X射线)。在一些实施例中，可以使用辐射束基于对象周围的不同角度的多个投影来生成扫描数据。处理引擎140可以从成像设备110、存储设备150、终端130，或外部数据源等获取扫描数据。
在504中，处理引擎140(例如，图像重建模块420)可以确定估计图像。估计图像可包括至少两个像素或体素。在一些实施例中，处理引擎140可以基于成像系统100的默认设置或来自用户的指令来确定估计图像。例如，估计图像中的像素或体素的灰度值可以设置为相同，例如0、10、50等。在一些实施例中，采集模块410可以从存储设备150获取估计图像。在一些实施例中，处理引擎140可以根据图像重建算法确定估计图像。图像重建算法可包括但不限于傅立叶切片定理算法、滤波反投影(FBP)算法、扇束重建算法、分析重建算法等，或其任何组合。
在506中，处理引擎140(例如，图像重建模块420)可以基于扫描数据和估计图像来确定目标函数。如这里所使用的，确定目标函数可以指确定目标函数的输出值。在一些实施例中，处理引擎140可以通过至少两次迭代来确定最终图像，以最小化目标函数的输出值。在一些实施例中，可以根据成像系统100的默认设置或来自用户的指令来确定目标函数的类型。例如，目标函数的类型可以包括最小二乘函数、最小范数函数、二次优化函数、贝叶斯估计函数、最大似然估计(MLE)函数、最大后验(MAP)函数、最小方差函数、最大熵函数等，或其组合。
在一些实施例中，为了确定目标函数，处理引擎140可以基于估计图像或更新的估计图像来确定估计测量量，并基于扫描数据确定实际测量量。在一些实施例中，估计测量量可包括估计的投影数据。例如，可以通过在估计图像或更新的估计图像上执行前向投影来确定估计测量量。在一些实施例中，实际测量量可包括实际投影数据。例如，可以基于从成像设备110发射的辐射束的能量的强度分布和由至少两个探测器元件检测到的辐射束的能量的强度分布来确定实际测量量(例如，扫描数据)。在一些实施例中，处理引擎140可以至少部分基于估计测量量和实际测量量之间的差异来确定目标函数。
在一些实施例中，目标函数还可包括正则项和正则化参数。正则项可以用于稳定重建过程并减少估计图像或更新图像中的噪声。正则化参数可以被配置为控制正则项的强度。在一些实施例中，处理引擎140可以将正则项乘以正则化参数以确定目标函数。仅作为示例，目标函数可以由以下等式(1)表示：
Figure BDA0002452305180000141
其中I表示估计图像或更新的估计图像，FP(I)表示估计测量量(例如，估计的投影数据)，P表示实际测量量(例如，实际投影数据)，R(I)表示正则项，β表示在数据似然性和正则化之间进行平衡的正则化参数。
在一些实施例中,正则项可以包括与估计图像或更新的估计图像的梯度相关的正则项。如本文所使用的,“估计图像或更新的估计图像的梯度”的术语可以指估计图像或更新的估计图像或在像素或体素上的特征(例如强度)的变化。正则项可以有各种实施例。例如，正则项可以是全变分正则项，也可以是二次正则项，也可以是基于更新图像的梯度由二次正则化变换到线性正则化的Huber正则项。
在一些实施例中，可以调整等式(1)中目标函数的结果，例如，使用线性正则项改变正则化参数β，和/或使用二次正则项改变正则化参数β。具体地，可以基于线性正则化来确定第一参数(记为β1)，并基于二次正则化来确定第二参数(记为β2)。正则化参数β可以在第一参数β1和第二参数β2之间转换。在一些实施例中，第一参数β1和/或第二参数β2可以基于L曲线法、近似最优准则、最小误差准则等或其组合来确定。在一些实施例中，处理引擎140可以基于与线性正则化相关的第一参数和与二次正则化相关的第二参数来确定标量参数。在一些实施例中，这种正则化参数也可以被称为自适应正则化参数。在一些实施例中，标量参数可以定义正则化参数从β1到β2之间转换的斜率。例如，标量可以是0.3、0.35、0.4等。在两个参数间进行调整的策略可以进行统一，通过使用如下的等式(2)将目标函数等式(1)中的正则化参数定义为与图像相关联的参数和梯度的函数：
by defining the regularization parameter β from the objectivefunction in equation(1)as a function of parameters and gradients associatedwith the image using the following equation(2)
βAH＝β(β1,β2,σ,G(x)), (2)
其中，G(x)表示梯度的绝对值，σ是亨氏单位的一个阈值参数。在一些实施例中，转换函数β(β1,β2,σ,G(x))可以至少包括与第一参数、第二参数、标量参数，估计图像的梯度以及估计图像或更新的估计图像的梯度的阈值相关的指数函数。仅作为示例，正则化参数可由下式(3)表示：
Figure BDA0002452305180000151
其中α表示转移参数，而ε是预定值以避免零除。
在508中，处理引擎140(例如，图像重建模块420)可以迭代更新估计图像直到目标函数满足终止准则。在一些实施例中，处理引擎140可执行一个或以上迭代以更新估计图像。在一些实施例中，处理引擎140可以基于估计图像或更新的估计图像的梯度来确定或更新正则化参数和正则项。处理引擎140可以进一步基于正则化参数和正则项确定目标函数的输出值，并确定目标函数的输出值是否满足终止准则。响应于确定出目标函数的输出值不满足终止准则，处理引擎140可以继续执行迭代。响应于确定出目标函数的输出值满足终止准则，处理引擎140可以结束一个或以上的迭代并指定相应的更新的估计图像作为最终图像。关于迭代的细节也可以在本申请的其他地方找到，例如，在图6及其描述中。
在一些实施例中，可以从存储设备150获取终止准则。在一些实施例中，终止准则可以与目标函数的输出值相关。例如，终止标准可以包括目标函数的输出值最小或小于预设值、目标函数的输出值在两次或更多次连续迭代中的变化等于或者小于阈值、目标函数的输出值与预设值之间的差等于或小于阈值等，或其任何组合。在一些实施例中，终止准则可以与在迭代中生成的更新的估计图像相关联。例如，终止准则可以包括，在两个或以上连续迭代中生成的更新的估计图像中的像素或体素的灰度值变化总和等于或小于预定的阈值，例如0。
在510中，当目标函数满足终止准则时，处理引擎140(例如，图像重建模块420)可以基于更新的估计图像输出最终图像。在一些实施例中，可以对最终图像执行一个或以上附加操作。例如，可以基于一个或以上最终图像来配置一个或以上附加操作以重建3D图像。在一些实施例中，一个或以上操作可包括多平面重建(MPR)、弯曲平面重建(CPR)、最大强度投影(MIP)、体绘制技术(VRT)等，或其任何组合。在一些实施例中，处理引擎140(例如，传输模块440)可以将最终图像传输到终端130以供显示。在一些实施例中，处理引擎140可以将最终图像发送到存储设备150以存储最终图像(例如，在数据库中)。在一些实施例中，处理引擎140可以将最终图像发送到外部设备，例如，用于打印最终图像。
应当注意，以上关于过程500的描述仅出于说明的目的而提供，并且不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化或修改。然而，这些变化和修改不会背离本申请的范围。在一些实施例中，可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如，操作508可以被划分为多个操作，包括基于估计图像确定目标函数的输出值，确定目标函数的输出值是否满足终止准则等。
图6是根据本申请的一些实施例所示的用于重建图像的示例性过程的流程图。过程600的至少一部分可以在如图2所示的计算设备200或如图3所示的移动设备300上实现。在一些实施例中，过程600的一个或以上操作可以在成像系统100中实现，如图1所示。在一些实施例中，过程600中的一个或以上操作可以作为指令的形式存储在存储设备160和/或存储器(例如，ROM230、RAM240等)中，并且被调用和/或由处理引擎140或处理引擎140的处理器220执行。在一些实施例中，指令可以以电子电流或电信号的形式传输。在以下描述中，出于说明的目的，要重建的图像是CT图像，并且不旨在限制本申请的范围。
在602中，处理引擎140(例如，图像重建模型420)可以获取估计图像。在一些实施例中，可以根据图5中的操作504确定估计图像。例如，可以基于成像系统100的默认设置或来自用户的指令来确定估计图像。又例如，可以基于与对象相关的扫描数据来重建估计图像。
在604中，处理引擎140(例如，图像重建模型420)可以基于估计图像的梯度确定正则化参数和正则项。在一些实施例中，处理引擎140可以基于不同的正则化函数(例如线性和二次)来确定正则项。在一些实施例中，处理引擎140可以基于与线性正则化相关的第一参数和与二次正则化相关的第二参数来确定正则化参数。例如，可以根据等式(2)和/或等式(3)确定正则化参数。
在606中，处理引擎140(例如，图像重建模型420)可以基于估计图像确定目标函数的输出值。例如，可以基于估计图像的估计测量量，扫描数据的实际测量量、正则项和正则化参数来确定目标函数的输出值。仅作为示例，可以根据等式(1)确定目标函数的输出值。
在608中，处理引擎140(例如，图像重建模型420)可以确定目标函数的输出值是否满足终止准则。在一些实施例中，终止标准可以包括目标函数的输出值最小或小于预设值、在两次或更多次连续迭代中目标函数的输出值的变化可以等于或小于阈值、目标函数的输出值与预设值之间的差值等于或小于阈值等，或其任何组合。
响应于确定出目标函数不满足终止准则，过程600可返回操作602以通过一个或以上迭代更新估计图像。在一些实施例中，处理引擎140可以根据迭代重建算法执行一个或以上迭代过程，包括但不限于代数重建技术(ART)、同时迭代重建技术(SIRT)、同时代数重建技术(SART)、自适应统计迭代重建(ASIR)技术、基于模型的迭代重建(MBIR)技术、正弦图确认迭代重建(SAFIR)技术等，或其组合。在一些实施例中，在一个或以上迭代过程之后获取的最终图像可以满足以下等式(4)：
Figure BDA0002452305180000181
其中，I*表示通过优化等式(6)的右侧而获取的最终图像。在一些实施例中，这种优化可以通过各种方法实现，包括但不限于牛顿方法、梯度下降方法、共轭梯度方法等，或其任何组合。
在一些实施例中，处理引擎140可以修改估计的投影数据以减小估计的投影数据和实际的投影数据之间的差异。处理引擎140还可以对修改的估计投影数据执行反投影(例如，根据FBP算法)以获取更新的估计图像。在一些实施例中，处理引擎140可以对估计的投影数据和实际投影数据之间的差异执行反投影以生成差异图像。处理引擎140可以进一步修改估计图像中的像素或体素的特征(例如，灰度值)以获取更新的估计图像。在604中，处理引擎140可以基于更新的估计图像的梯度来更新正则化参数和正则项。在606中，处理引擎140可以基于更新的估计图像来确定目标函数的输出值。在608中，处理引擎140可以确定目标函数的输出值是否满足终止准则。响应于确定出目标函数的输出值不满足终止准则，过程600可以返回602以进行一次或以上的额外迭代。响应于确定出目标函数的输出值满足终止准则，过程600可以进行到操作610。
在610中，处理引擎140(例如，图像重建模型420)可以输出(更新的)估计图像作为最终图像。在一些实施例中，处理引擎140可基于最终图像执行一个或以上附加操作，诸如基于至少两个2D最终图像重建3D图像。在一些实施例中，处理引擎140可将最终图像发送到终端130以供显示。在一些实施例中，处理引擎140可以将最终图像发送到存储设备150以存储最终图像。
关于过程600的以上描述的应当注意仅仅是出于说明的目的而提供的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化或修改。然而，这些变化和修改不会背离本申请的范围。在一些实施例中，可以省略一个或以上操作和/或可以添加一个或以上附加操作。例如，过程600还可以包括从存储设备160和/或存储器(例如，ROM230、RAM240等)获取目标函数的操作。
图7A至7B是根据本申请的一些实施例所示的正则化参数的示例性值的分析图。仅用于说明目的，图7A至7B中所示的正则化参数的值根据等式(3)确定，其中α的值为0.3，
Figure BDA0002452305180000191
的值为20000，并且值为
Figure BDA0002452305180000192
的含量为1000.在图7A中，估计图像或更新的估计图像(G(χ))的梯度的σ值是50hounsfield单位(HU)。如图7A所示，当梯度(G(χ))增加时，正则化参数βAH减小。当梯度G(χ)从0-300增加时，正则化参数βAH从大约5×104急剧下降到大约2.1×104。在图7B中，梯度G(χ)的阈值σ的值是5。如图7B所示，当估计图像或更新的估计图像(G(χ))的梯度增加时，正则化参数βAH增加。当梯度G(χ)从0-100增加时，正则化参数βAH从0急剧增加到约2×104。这些结果表明，估计图像或更新的估计图像的梯度的阈值可能对正则化参数的值有显著影响，从而对正则项的强度产生显著影响。
关于过程600的以上描述应当注意仅仅是出于说明的目的而提供的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化或修改。然而，这些变化和修改不会背离本申请的范围。例如，α、
Figure BDA0002452305180000193
σ和/或
Figure BDA0002452305180000194
的值可以不同于图7A至7B中所示的值。又例如，用于确定正则化参数的转换函数可以与等式(3)不同。
图8A至8D是根据本申请的一些实施例所示的基于全变分正则项、二次正则项、具有第一参数的Huber正则项，和具有自适应正则化参数的Huber正则项分别重建的跨轴视图的示例性最终图像。图9A至9D是根据本申请的一些实施例所示的基于全变分正则项、二次正则项、具有第一参数的Huber正则项，和具有自适应正则化参数的Huber正则项分别重建的矢状视图的示例性最终图像。仅作为示例，基于由等式(1)表示的目标函数来重建图8A至8D和图9A至9D。图8A和图9A的正则化参数β是与线性正则化相关的第一参数(β1)，图8B和图9B的正则化参数β是与二次正则化相关的第二参数(β2)，图8C和图9C的正则化参数β是β1，图8D和图9D的正则化参数β是自适应正则化参数βAH。出于说明目的，根据等式(4)确定自适应正则化参数βAH。对于图8A-8D和图9A-9D，α的值为0.3，β1的值为20000，β2的值为1000，并且梯度值为阈值σ估计的图像或更新的估计图像是50HU。如图8A和9A所示，基于线性正则化项的重建图像实现了噪声降低，同时保留了边缘信息，并且重建图像的空间分辨率高，但是图像纹理看起来不自然。如图8B和9B所示，基于二次正则项的重建图像可降低噪声，具有自然图像纹理，但会减少边缘信息并降低空间分辨率。例如，与图8A中的边缘区域801相比，边缘区域803的信息在图8B中未被适当地保留。图8A中的组织区域802和图9A中的组织区域902所示的图像纹理看起来分别比图8B中的区域803和图9B中的区域904更不自然。而且，图9A中的边缘区域901保留了比图9B中的边缘区域903更准确和更清晰的边缘信息。如图8C、图8D、图9C，和图9D所示，重建图像基于Huber正则项获取的正则化参数实现了相对较高的空间分辨率，保留了适当的边缘信息，并获取了自然的图像纹理。例如，适当地保留边缘区域805、807、905，和907的信息。组织区域806、808、906，和908具有自然图像纹理。然而，在组织区域806和906中可以发现比组织区域808和908更多的噪点。这可能是由于在图8D和9D中，自适应正则化参数βAH在目标函数中用于图像重建的事实。随着梯度G(x)从0变为+∞，自适应正则化参数βAH可以基于第一参数β1和第二参数β2平滑地改变。结果，自适应正则化参数βAH可以定义比第一参数β1(和/或第二参数β2)更合适的正则化强度。因此，图8D和图9D可以实现具有相对强的降低噪声和相对高的空间分辨率的自然图像纹理。
应当注意，关于过程600的以上描述，仅仅是出于说明的目的而提供的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的变化或修改。然而，这些变化和修改不会背离本申请的范围。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明披露仅作为示例，并不构成对本申请的限制。虽然此处并未明确说明，但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。此外，本申请使用了特定术语来描述本申请的实施例。例如，术语“一个实施例”、“一实施例”及“一些实施例”意指与本申请的至少一个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的制程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“模块”、“单元”、“组件”、“设备,”或“系统”。此外，本申请的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、设备或装置以实现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如，通过互联网使用互联网服务提供者)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。然而，本申请的该方法不应被解释为反映所声称的待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。实际上，申请专利范围的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种在成像系统中重建图像的方法，所述方法在具有至少一个处理器和存储设备的机器上实现，包括：
获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；
确定估计图像；
基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；
迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及
当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
2.根据权利要求1所述的方法，其特征在于，所述基于所述扫描数据和所述估计图像确定目标函数，包括：
基于所述估计图像或所述更新的估计图像确定估计测量量；
基于所述扫描数据确定实际测量量；
基于所述估计测量量与所述实际测量量之间的差异来确定所述目标函数。
3.根据权利要求1所述的方法，其特征在于，所述目标函数还包括正则项，以及所述方法还包括：
由所述正则化参数乘以所述正则项。
4.根据权利要求3所述的方法，其特征在于，所述正则项与线性正则化与二次正则化之间的Huber型转换相关。
5.根据权利要求4所述的方法，其特征在于，还包括：
基于所述线性正则项确定第一参数；
基于所述二次正则项确定第二参数，所述正则化参数在所述第一参数和所述第二参数之间转换。
6.根据权利要求5所述的方法，其特征在于，基于更新所述估计图像的梯度更新所述正则化参数包括：
基于标量确定和更新所述正则化强度。
7.根据权利要求6所述的方法，其特征在于，所述基于更新估计图像的梯度更新所述正则化参数，包括：
基于与所述第一参数、所述第二参数、所述标量和所述估计图像的所述梯度相关的指数函数更新所述正则化参数。
8.根据权利要求6所述的方法，其特征在于，所述标量用于定义所述正则化参数在所述第一参数和所述第二参数之间转换的斜率。
9.一种被配置为在成像系统中重建图像的系统，包括：
获取模块，被配置用来获取至少两个探测器元件检测到的表示能量强度分布的扫描数据；
图像重建模块，被配置为
确定估计图像；
基于所述扫描数据和所述估计图像确定目标函数，其中所述目标函数包括正则化参数；
迭代更新所述估计图像直到所述目标函数满足终止准则，并且对于每次更新，基于更新的估计图像的梯度，更新所述正则化参数；以及
当所述目标函数满足所述终止准则时，基于所述更新的估计图像输出最终图像。
10.一种非暂时性的计算机可读介质，包括至少一组指令，其特征在于，当由计算机设备的一个或以上处理器执行时，所述至少一组指令使得所述至少一个处理器执行如权利要求1-8中任一项所述的方法。
CN202010296308.0A 2019-04-17 2020-04-15 用于图像重建的系统和方法 Active CN111402358B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/387,428 2019-04-17
US16/387,428 US11037339B2 (en) 2019-04-17 2019-04-17 Systems and methods for image reconstruction

Publications (2)

Publication Number Publication Date
CN111402358A true CN111402358A (zh) 2020-07-10
CN111402358B CN111402358B (zh) 2023-07-14

Family

ID=71413834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010296308.0A Active CN111402358B (zh) 2019-04-17 2020-04-15 用于图像重建的系统和方法

Country Status (2)

Country Link
US (1) US11037339B2 (zh)
CN (1) CN111402358B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529977A (zh) * 2020-12-04 2021-03-19 江苏赛诺格兰医疗科技有限公司 一种pet图像重建的方法和系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070588B (zh) * 2019-04-24 2023-01-31 上海联影医疗科技股份有限公司 Pet图像重建方法、系统、可读存储介质和设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978505A (en) * 1997-03-13 1999-11-02 Massachusetts General Hospital System and method for image regularization in inhomogeneous environments using clustering in neural networks
CN103340625A (zh) * 2013-06-18 2013-10-09 中国人民解放军第四军医大学 一种电阻抗断层成像中快速最优的正则化方法
US20150317767A1 (en) * 2012-11-29 2015-11-05 Nce Corporation Image processing device, image processing method and medium
JP2016139336A (ja) * 2015-01-28 2016-08-04 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム
US20170186194A1 (en) * 2014-09-15 2017-06-29 Koninklijke Philips N.V. Iterative image reconstruction with a sharpness driven regularization parameter
CN107316282A (zh) * 2017-05-19 2017-11-03 上海联影医疗科技有限公司 一种图像降噪的系统和方法
US20180089809A1 (en) * 2016-09-27 2018-03-29 Nikon Corporation Image deblurring with a multiple section, regularization term

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070083114A1 (en) * 2005-08-26 2007-04-12 The University Of Connecticut Systems and methods for image resolution enhancement
US9911208B2 (en) * 2016-04-11 2018-03-06 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5978505A (en) * 1997-03-13 1999-11-02 Massachusetts General Hospital System and method for image regularization in inhomogeneous environments using clustering in neural networks
US20150317767A1 (en) * 2012-11-29 2015-11-05 Nce Corporation Image processing device, image processing method and medium
CN103340625A (zh) * 2013-06-18 2013-10-09 中国人民解放军第四军医大学 一种电阻抗断层成像中快速最优的正则化方法
US20170186194A1 (en) * 2014-09-15 2017-06-29 Koninklijke Philips N.V. Iterative image reconstruction with a sharpness driven regularization parameter
JP2016139336A (ja) * 2015-01-28 2016-08-04 一般財団法人電力中央研究所 予測装置、予測方法および予測プログラム
US20180089809A1 (en) * 2016-09-27 2018-03-29 Nikon Corporation Image deblurring with a multiple section, regularization term
CN107316282A (zh) * 2017-05-19 2017-11-03 上海联影医疗科技有限公司 一种图像降噪的系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529977A (zh) * 2020-12-04 2021-03-19 江苏赛诺格兰医疗科技有限公司 一种pet图像重建的方法和系统
CN112529977B (zh) * 2020-12-04 2024-03-29 江苏赛诺格兰医疗科技有限公司 一种pet图像重建的方法和系统

Also Published As

Publication number Publication date
US20200334869A1 (en) 2020-10-22
CN111402358B (zh) 2023-07-14
US11037339B2 (en) 2021-06-15

Similar Documents

Publication Publication Date Title
US11756164B2 (en) System and method for image correction
Zhang et al. Regularization strategies in statistical image reconstruction of low‐dose x‐ray CT: A review
US20180374205A1 (en) System and method for image calibration
CN112770838B (zh) 使用自关注深度学习进行图像增强的系统和方法
JP2020036877A (ja) 反復的画像再構成フレームワーク
CN110809782A (zh) 衰减校正系统和方法
US8049752B2 (en) Systems and methods of determining sampling rates for volume rendering
US11790578B2 (en) System and method for computed tomography
CN111540025B (zh) 预测用于图像处理的图像
CN115605915A (zh) 一种图像重建系统和方法
US11816764B2 (en) Partial volume correction in multi-modality emission tomography
Hutton Recent advances in iterative reconstruction for clinical SPECT/PET and CT
US20220092755A1 (en) Systems and methods for image processing
CN112351739A (zh) 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法
CN111402358B (zh) 用于图像重建的系统和方法
Abascal et al. A novel prior-and motion-based compressed sensing method for small-animal respiratory gated CT
US11317875B2 (en) Reconstruction of flow data
US20220375038A1 (en) Systems and methods for computed tomography image denoising with a bias-reducing loss function
US11816832B2 (en) Devices, systems, and methods for medical imaging
Hsieh et al. Performance of sparse-view CT reconstruction with multi-directional gradient operators
US20230419455A1 (en) System and method for image correction
US20230154067A1 (en) Output Validation of an Image Reconstruction Algorithm
Liu et al. Full Dose CT Database Induced Reconstruction With Nonlocal Means Prior for Ultra-Low-Dose Lung CT: A Preliminary Study
Gao Multigrid reconstruction of micro-CT data
WO2023227511A1 (en) Simulating x-ray from low dose ct

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant after: Shanghai Lianying Medical Technology Co.,Ltd.

Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258

Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd.

GR01 Patent grant
GR01 Patent grant