CN111435530B - 提供限制图像数据组和/或差分图像数据组 - Google Patents
提供限制图像数据组和/或差分图像数据组 Download PDFInfo
- Publication number
- CN111435530B CN111435530B CN202010032181.1A CN202010032181A CN111435530B CN 111435530 B CN111435530 B CN 111435530B CN 202010032181 A CN202010032181 A CN 202010032181A CN 111435530 B CN111435530 B CN 111435530B
- Authority
- CN
- China
- Prior art keywords
- ray
- image data
- data set
- projection
- training
- 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
Links
- 238000012549 training Methods 0.000 claims abstract description 308
- 238000000034 method Methods 0.000 claims abstract description 95
- 239000002872 contrast media Substances 0.000 claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 239000002184 metal Substances 0.000 claims description 13
- 238000003325 tomography Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 94
- 239000000463 material Substances 0.000 description 45
- 210000004204 blood vessel Anatomy 0.000 description 24
- 230000005855 radiation Effects 0.000 description 17
- 238000002083 X-ray spectrum Methods 0.000 description 13
- 238000010521 absorption reaction Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 9
- 210000000988 bone and bone Anatomy 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 239000010405 anode material Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000002583 angiography Methods 0.000 description 2
- -1 bone Substances 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 108010034145 Helminth Proteins Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- BNPSSFBOAGDEEL-UHFFFAOYSA-N albuterol sulfate Chemical compound OS(O)(=O)=O.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1.CC(C)(C)NCC(O)C1=CC=C(O)C(CO)=C1 BNPSSFBOAGDEEL-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000375 direct analysis in real time Methods 0.000 description 1
- 238000012063 dual-affinity re-targeting Methods 0.000 description 1
- 244000000013 helminth Species 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- 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
- G06T2211/408—Dual energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (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
本发明涉及提供限制图像数据组和/或差分图像数据组的计算机实施的方法,包括接收检查体积关于第一X射线能量的第一X射线投影和接收检查体积关于第二X射线能量的第二X射线投影,第二与第一X射线能量不同。还包括基于第一和第二X射线投影确定检查体积的多能真实图像数据组。还包括基于多能真实图像数据组来选择多能真实图像数据组的第一体素,以及基于第一和第二X射线投射来选择多能真实图像数据组的第二体素,其中第一体素包括第二体素,并且其中第二体素映射检查体积中的造影剂。还包括基于第二体素提供限制图像数据组和/或差分图像数据组。本发明还涉及确定训练函数的方法、提供系统、训练系统、计算机程序产品及计算机可读存储介质。
Description
背景技术
在数字减影血管造影术(简称DSA)中,通过X射线记录示出检查体积中的一个或多个血管,其中为了抑制检查体积中的其他结构,将不具有造影剂的血管的记录(所谓的蒙片记录)与包括处于血管中的造影剂的血管的记录组合。在此,在检查期间将造影剂引入到血管中,以便确定参数、尤其流体的流体动力学的参数,其中流体在血管中流动。
在四维DSA中,借助于图像重建法提供三维DSA图像数据的时间分辨的系列。在此,将检查体积的归一化的二维X射线投影与时间信息一起反投影到体元中。在此,二维X射线投影通常来源于C臂X射线机的旋转的记录报告。
通过对于数字减影血管造影术不仅记录不具有造影剂的血管的记录、而且也记录包括造影剂的血管的记录,检查体积经受高的X射线负荷。不具有造影剂的血管的记录也被称为蒙片记录。
下面,图像数据组在如下情况下可以称作为真实图像数据组:所述图像数据组描绘检查体积中的值和/或强度(例如亨氏单位、X射线衰减系数)的实际分布。图像数据组在如下情况下可以称作为差分图像数据组:所述图像数据组描绘检查体积中的值和/或强度的实际分布的差。但是,差分图像数据组不一定通过两个真实图像数据组相减来确定。图像数据组在如下情况下可以称作为减影图像数据组:所述图像数据组通过两个图像数据组相减、尤其通过两个真实图像数据组相减来确定。因此,尤其每个减影图像数据组可以理解为差分图像数据组,但是并非每个差分图像数据组可以理解为减影图像数据组。
从未公开的专利申请EP18182251中已知,在不执行附加的蒙片记录的情况下,通过将训练函数应用到真实图像数据组上来确定差分图像数据组。但是,因为例如检查区域中的骨骼结构、金属结构(例如植入物)或钙质结构(血管中的钙化)具有与造影剂相似的X射线吸收,所以检查区域中的这种结构可能导致确定差分图像数据组时的错误。
发明内容
因此,本发明的目的是更精确地且更不易受错误影响地确定差分图像数据组。
所述目的分别通过一种用于提供限制图像数据组和/或差分图像数据组的方法,通过一种用于提供训练函数的方法,通过一种提供系统,通过一种X射线设备,通过一种训练系统,以及通过一种计算机程序或一种计算机可读的存储介质来实现。有利的改进方案在说明书中描述。
以下,所述目的的根据本发明的解决方案不仅关于所要求保护的设备、而且也关于所要求保护的方法描述。在此提及的特征、优点或替选的实施方式同样也可转用于其他要求保护的主题,并且反之亦然。换言之,实体权利要求(所述权利要求例如针对设备)也可以借助结合方法描述或要求保护的特征改进。在此,所述方法的相应的功能性的特征通过相应的实体模块构成。
此外,所述目的的根据本发明的解决方案不仅关于用于提供限制图像数据组和/或差分图像数据组的方法和设备、而且也关于用于提供训练函数的方法和设备描述。在此,在用于提供限制图像数据组和/或差分图像数据组的方法和设备中的数据结构和/或功能的特征和替选的实施方式能够转用于在用于提供训练函数的方法和设备中的类似的数据结构和/或功能。在此,类似的数据结构的特征尤其可以在于使用前缀“训练”。此外,在用于提供限制图像数据组和/或差分图像数据组的方法和设备中使用的训练函数尤其可以通过用于提供训练函数的方法和设备来调整和/或提供。
在第一方面中,本发明涉及一种用于提供限制图像数据组和/或差分图像数据组的计算机实施的方法,所述方法包括:接收检查体积关于第一X射线能量的第一X射线投影;和接收检查体积关于第二X射线能量的第二X射线投影,其中第二X射线能量与第一X射线能量不同。所述方法还包括:基于第一X射线投影和第二X射线投影来确定检查体积的多能真实图像数据组。所述方法还包括:基于多能真实图像数据组来选择多能真实图像数据组的第一体素,以及基于第一X射线投影和第二X射线投影来选择多能真实图像数据组的第二体素,其中第一体素包括第二体素,并且其中第二体素映射检查体积中的造影剂。所述方法还包括基于第二体素来提供限制图像数据组和/或差分图像数据组。
尤其地,借助于接口、尤其借助于提供系统的接口来接收第一X射线投影。尤其地,借助于接口,尤其借助于提供系统的接口来接收第二X射线投影。尤其地,借助于接口和/或计算单元,尤其借助于提供系统的接口或借助于提供系统的计算单元来确定多能真实图像数据组。尤其地,借助于计算单元、尤其借助于提供系统的计算单元来选择第一体素和选择第二体素。尤其地,借助于接口和/或计算单元、尤其借助于提供系统的接口或借助于提供系统的计算单元来提供限制图像数据组和/或差分图像数据组。
在此,第一X射线能量和第二X射线能量对应于X射线管的加速电压或X射线光子的能量。术语“第一X射线能量”和“第二X射线能量”尤其也可以描述第一X射线谱和第二X射线谱,其中X射线谱对应于X射线辐射的不同波长或能量的强度分布。其用于产生的加速电压、其能量或其谱对应于X射线能量的X射线辐射的特征尤其在于所述X射线能量。
图像数据组尤其包括多个像素或多个体素。在此,将每个像素或每个体素与强度值相关联。在X射线图像数据组中,尤其将每个像素或每个体素与X射线强度值相关联,所述X射线强度值是用于射在所述像素或体素中的X射线强度或用于像素或体素的X射线吸收系数的量值。射入的X射线强度与处于检查体积中并且由X射线辐射穿透的对象的数量、大小、形状和材料相关。图像数据组尤其可以包括其他数据,尤其可以包括成像检查、尤其X射线检查的元数据。
在此,二维图像数据组包括检查体积的至少一个二维表达。在此,三维图像数据组包括检查体积的至少一个三维表达,三维图像数据组尤其也可以附加地还包括检查体积的一个或多个二维表达。
具有分别高于第一阈值的概率的第一体素尤其映射检查区域中的造影剂。第一体素也可以包括多能真实图像数据组的所有体素,但是优选地,第一体素是多能真实图像数据组的体素的真子集。具有分别高于第二阈值的概率的第二体素尤其映射检查区域中的造影剂。第一阈值尤其小于第二阈值。
关于第一X射线能量的第一X射线投影尤其是借助第一X射线能量的X射线辐射记录的X射线投影。关于第二X射线能量的第二X射线投影尤其是借助第二X射线能量的X射线辐射记录的X射线投影。每个第一X射线投影和第二X射线投影尤其关于一个投影方向记录。
限制图像数据组尤其是用于突出检查体积中的结构、尤其血管的图像数据组。限制图像数据组尤其可以将第一值分配给对应于结构或血管的像素或体素,并且将第二值分配给不对应于结构或血管的像素或体素,其中第一值和第二值不同。所有第一值尤其可以是相同的,并且所有第二值尤其可以是相同的。限制图像数据组尤其可以是二进制图像数据组,也就是说能够将两个可能值中的仅一个值分配给像素或体素。用于限制图像数据组的英文专业术语是“constraining image”。限制图像数据组尤其可以用于,通过各个X射线投影的反投影来确定四维DSA数据组,即描述检查体积中的三维造影剂浓度的时间变化的数据组。
差分图像数据组和多能真实图像数据组尤其具有相同的维度。关于每个维度,差分图像数据组和多能真实图像数据组尤其具有在像素或体素中测量的相同的扩展。
限制图像数据组和多能真实图像数据组尤其具有相同的维度。关于每个维度,限制图像数据组和多能真实图像数据组尤其具有在像素或体素中测量的相同的扩展。
尤其可以基于第二体素通过如下方式确定限制图像数据组:限制图像数据组具有与多能真实图像数据组相同的维度,并且关于每个维度与多能真实图像数据组具有在体素中测量的相同的扩展。尤其可以在如下情况下将值1分配给限制图像数据组的体素:该体素与多能真实图像数据组的第二体素中的一个第二体素相对应。替选地,也可以将多能真实图像数据组的相对应的体素的强度值分配给这种体素。此外,尤其可以在如下情况下将值0分配给限制图像数据组的体素:该体素不与多能真实图像数据组的第二体素中的一个体素相对应。
尤其可以基于第二体素通过如下方式确定差分图像数据组:将多能真实图像数据组和限制图像数据组相减,所述相减的结果是差分图像数据组。
发明人已经认识到,基于所描述的两级方法,可以非常有效地提供限制图像数据组和/或差分图像数据组,因为可以借助于不精确的、但是快速的方法来选择第一体素,并且可以借助于精确的、但是缓慢的方法来选择第二体素。第一方法尤其因此对第二方法的输入值进行预分类。
此外,通过使用第一X射线能量和第二X射线能量可以在材料之间进行区分,所述材料在两个X射线能量中的一个X射线能量中具有相似的X射线吸收值,进而在使用仅一个X射线能量时不能或仅能差地进行区分。借此,尤其可以实现对在检查区域中的不同材料之间的更好的区分,并且可以更精确地和尤其更不易受错误影响地选择第二体素。
根据本发明的另一方面,第二体素的选择基于离散断层扫描算法。
一般地,离散断层扫描算法是由n维数据组的多个m维(尤其二维)投影来重建n维(尤其至少三维)离散数据组的算法(其中m<n)。离散数据组尤其可以包括体素的集合。离散数据组尤其可以是二进制数据组,也就是说可以将恰好两个值中的一个值分配给每个体素。n维数据组尤其可以涉及n维图像数据组。离散断层扫描算法尤其可以基于代数重建算法,例如DART(“discrete algebraic reconstruction algorithm”的英文缩写,德文翻译是“diskreter algebraischer Rekonstruktionsalgorithmus(离散代数重建算法)”)或SDART(“soft discrete algebraic reconstruction algorithm”的英文缩写,德文翻译是“weicher diskreter algebraischer Rekonstruktionsalgorithmus(软离散代数重建算法)”),例如从F.Bleichrodt等人在Computer Vision and Image Understanding,第129卷,第63-74页,2014中的出版物“SDART:An algorithm for discrete tomography fromnoisy projections”中已知。此外,离散断层扫描算法可以基于贪婪算法(英文专业术语“Greedy-Algorithmus”)或蒙特卡罗算法。
发明人已经认识到,离散断层扫描算法特别好地适合于选择体素,因为所述离散断层扫描算法尤其可以产生二进制数据组。由此,第二体素可以对应于具有第一值的体素,并且其他体素可以对应于具有第二值的体素。
根据本发明的另一方面,第二体素的选择基于多能重建算法。
多能重建算法基于考虑材料的(尤其非线性的)能量相关的X射线衰减。在多能重建算法中尤其假设,检查体积由给定数量的非重叠材料(例如骨骼、造影剂、金属、水)构成,并且通过多能重建算法基于低维投影来确定非重叠材料的定位和/或密度。在多能重建算法中尤其假设,体素中的每个体素已经与一个材料类型相关联,并且仅确定不同材料的密度。多能重建算法尤其可以基于统计图像重建。多能重建算法的示例例如在I.
A.Elbakri,J.A.Fessler在IEEE Transactions on Medical Imaging,第21卷,第89-99页,2002中的出版物“Statistical Image Reconstruction for Polyenergetic X-Ray Computed Tomography”中说明。“多能重建算法”的一个替选术语是“谱重建算法”或“谱重建”。
离散断层扫描算法和多能重建算法尤其可以共同地或组合地使用,以便将标识或描述相应的材料的离散值与体素相关联。
发明人已经认识到,借助于多能重建算法基于具有不同能量的X射线投影可以特别好地在检查区域中的不同材料之间区分。
根据本发明的另一方面,多能重建算法将体素分类为造影剂体素或金属体素,其中造影剂体素映射检查体积中的造影剂,并且其中金属体素映射检查体积中的金属。然后尤其可以选择造影剂体素作为第二体素。
发明人已经认识到,基于通过多能重建算法分类成造影剂体素和金属体素,可以确定特别精确的限制图像数据组和/或差分图像数据组,尤其可以防止限制图像数据组和/或差分图像数据组中的金属伪影。
根据本发明的另一方面,第一体素的选择基于将训练函数应用到多能真实图像数据组上。
训练函数将输入数据映射到输出数据上。在此此外,输出数据尤其与训练函数的一个或多个参数相关。通过训练可以确定和/或调整训练函数的一个或多个参数。训练函数的一个或多个参数的确定和/或调整尤其可以基于由训练输入数据和所属的训练输出数据构成的对,其中将用于产生训练映射数据的训练函数应用到训练输入数据上。确定和/或调整尤其可以基于训练映射数据与训练输出数据的比较。一般地,可训练的函数、也就是说具有还未调整的一个或多个参数的函数也被称为训练函数。
用于训练函数的其他术语是训练映射规则、具有训练参数的映射规则、具有训练参数的函数、基于人工智能的算法、机器学习的算法。训练函数的一个示例是人工神经网络,其中人工神经网络的边权对应于训练函数的参数。替代术语“神经网络”,也可以使用术语“神经网”。训练函数尤其也可以是深度人工神经网络(英文专业术语是“deep neuralnetwork”或“deep artificial neural network”)。训练函数的另一示例是“支持矢量机(Support Vector Machine)”,此外,机器学习的其他算法尤其也可用作为训练函数。
发明人已经认识到,基于训练函数可以特别有效地选择第一体素。
根据本发明的另一方面,训练函数将概率值分配给多能真实图像数据组的体素,其中体素的概率值对应于体素映射造影剂的概率。训练函数尤其将概率值分配给多能真实图像数据组的体素中的每个体素,其中体素中的每个体素的概率值对应于相应的体素映射造影剂的概率。概率值的集合尤其可以解释为概率图像数据组。
发明人已经认识到,训练函数、尤其神经网络特别适合于分类任务。此外,通过将概率值用作为输出值(与在使用二进制值时不同),可以确定体素以何种可靠性映射造影剂的信息。
根据本发明的另一方面,第一体素的选择基于体素的概率值与给定阈值的比较。所述阈值尤其对应于第一阈值。
发明人已经认识到,通过阈值的应用可以特别有效地选择第一体素。
根据本发明的另一方面,多能真实图像数据组的确定包括至少三维重建第一X射线投影和第二X射线投影。第一X射线投影和第二X射线投影的重建尤其与第一X射线能量和第二X射线能量无关,或所述重建是在不考虑X射线能量的情况下的重建。
一般地,重建表示基于多个m维图像数据组来确定n维图像数据组,其中m<n。在此,多个m维图像数据组尤其是应该通过n维图像数据组描述的n维体积的投影。重建尤其可以表示基于多个二维图像数据组来确定三维图像数据组。例如,这种重建可以基于滤波反投影(英文专业术语是“filtered back projection”),替选地,迭代重建方法或费尔德坎普算法对于本领域技术人员是已知的。
发明人已经认识到,三维真实图像数据组特别适合于,示出检查体积的特性。尤其地,通过三维多能真实图像数据组可以获取关于检查体积的几乎完整的信息。
根据本发明的另一方面,在记录第一X射线投影时,检查体积包括造影剂,和/或在记录第二X射线投影时,检查体积包括造影剂。尤其地,如果检查体积中的一个或多个血管包括造影剂,则检查体积包括造影剂。造影剂的浓度尤其是随时间可变的。发明人已经认识到,如果血管结构通过造影剂的存在突出,则训练函数可以特别好地提取血管结构。
根据本发明的另一方面,第一X射线投影和第二X射线投影同时记录。在此,如果在30秒或更短的时间间隔内、尤其在20秒或更短的时间间隔内、尤其在10秒或更短的时间间隔内、尤其在5秒或更短的时间间隔内记录第一X射线投影和第二X射线投影,则第一X射线投影和第二X射线投影被称为同时记录。
发明人已经认识到,在同时记录第一X射线投影和第二X射线投影时,第一X射线投影和第二X射线投影分别描绘检查体积的相同的或相似的时间状态。由此,多能真实图像数据组也描述检查体积的相同的或相似的状态,并且经由所述状态可提供不仅关于第一X射线能量而且关于第二X射线能量的信息。
根据本发明的另一方面,第一X射线投影是第一X射线源和第一X射线探测器的记录,并且第二X射线投影是第二X射线源和第二X射线探测器的记录。
第一X射线源尤其与第二X射线源不同,并且第二X射线探测器尤其与第一X射线探测器不同。第一X射线源和第二X射线源尤其具有相同的结构方式和/或相同的类型,和/或,第一X射线探测器和第二X射线探测器具有相同的结构方式和/或相同的类型。
发明人已经认识到,借助于两个X射线源和借助于两个X射线探测器可以彼此独立地记录第一X射线投影和第二X射线投影。由此,尤其如果交替地记录第一X射线投影和第二X射线投影,则尤其可以减少在第一X射线投影的记录与第二X射线投影的记录之间的必要的移动。此外,由此第一X射线源可以借助于第一X射线能量驱动,并且第二X射线源可以借助于第二X射线能量驱动,使得可以取消第一X射线能量与第二X射线能量之间的切换过程。
根据本发明的另一方面,双平面X射线设备包括第一X射线源、第二X射线源、第一X射线探测器和第二X射线探测器。发明人已经认识到,通过使用双平面X射线设备,第一X射线源和第一X射线探测器可以更好地与第二X射线源和第二X射线探测器协调。尤其可以取消第一X射线源和第一X射线探测器关于第一X射线源和第二X射线探测器的配准,因为在双平面X射线设备中的X射线源和X射线探测器的相对位置是已知的。
根据本发明的另一方面,第一X射线投影中的每个第一X射线投影是检查体积关于来自第一投影角范围的投影方向的X射线投影,并且第二X射线投影中的每个第二X射线投影是检查体积关于来自第二投影角范围的投影方向的X射线投影,其中第一投影角范围与第二投影角范围不同。
X射线投影的投影方向尤其是在记录X射线投影的时刻从X射线源的位置至X射线探测器的位置的方向,其中借助于X射线源和借助于X射线探测器来记录X射线投影。投影方向尤其可以理解为矢量或空间中的直线。
投影角范围包括多个投影方向。投影角范围尤其也可以理解为关于检查体积的点、尤其关于检查体积的中点的空间角范围。在这种情况下,关于检查体积的点的多个投影方向尤其处于所述空间角范围中。替选地,投影角范围也可以理解为在记录X射线投影时X射线探测器的轨迹。投影角范围尤其也可以理解为圆弧。投影角范围尤其也可以理解为多个投影方向的凸状包络部。
发明人已经认识到,(假设:第一投影角范围和第二投影角范围具有固定的大小)与来自相同的投影角范围的第一X射线投影和第二X射线投影相比,来自不同的投影角范围的第一X射线投影和第二X射线投影包括关于检查区域的更多的空间信息。在此,更好的空间信息不仅可以涉及覆盖的角度范围的大小,而且可以涉及角度分辨率。
根据本发明的另一方面,第一投影角范围和第二投影角范围是不相交的。如果在第二投影角范围中不包括第一投影角范围的投影方向,并且如果在第一投影角范围中不包括第二投影角范围的投影方向,则第一投影角范围和第二投影角范围尤其是不相交的。发明人已经认识到,借助于不相交的投影角范围可以覆盖特别大的角范围。
根据本发明的另一方面,第一投影角范围包括第二投影角范围,或第二投影角范围包括第一投影角范围。发明人已经认识到,通过使用重叠的投影角范围,不仅对于第一X射线能量而且对于第二X射线能量提供完整的角度信息,并且因此,尤其对于整个角范围可以通过训练函数在不同材料之间区分。
在另一方面中,本发明涉及一种用于提供训练函数的方法,所述方法包括确定训练检查体积关于第一训练X射线能量和第二训练X射线能量的多能训练真实图像数据组,其中第二训练X射线能量与第一训练X射线能量不同;和确定训练检查体积的训练限制图像数据组。所述方法还包括通过将训练函数应用到训练真实图像数据组上来确定训练真实图像数据组的第一训练体素;基于第一训练体素与训练限制图像数据组的比较来调整训练函数;以及提供训练函数。
尤其借助于训练接口和/或训练计算单元、尤其借助于训练系统的训练接口和/或借助于训练系统的训练计算单元来确定多能训练真实图像数据组。尤其借助于训练接口和/或借助于训练计算单元、尤其借助于训练系统的训练接口和/或借助于训练系统的训练计算单元来确定训练限制图像数据组。尤其借助于训练计算单元、尤其借助于训练系统的训练计算单元来确定第一训练体素和调整训练函数。尤其借助于训练计算单元、尤其借助于训练系统的训练计算单元来提供训练函数。
训练函数的调整尤其包括训练函数的至少一个参数的调整。如果训练函数涉及人工神经网络,则训练函数的参数尤其是训练函数的边权。尤其基于成本函数对第一训练体素与训练限制图像数据组进行比较,其中成本函数将第一训练体素和训练限制图像数据组的偏差映射到一个或多个数字上。尤其通过使成本函数最小化,尤其在人工神经网络作为训练函数的情况下基于反向传播算法(英文专业术语是“backpropagation algorithm”)来调整训练函数或至少一个参数。
发明人已经认识到,通过所述方法可以有效地调整和提供用于在用于提供限制图像数据组和/或差分图像数据组的方法中使用的训练函数。
根据本发明的另一方面,用于提供训练函数的方法还包括:接收训练检查体积关于第一X射线能量的第一训练X射线投影,以及接收训练检查体积关于第二X射线能量的第二训练X射线投影。此外,确定训练限制图像数据组包括基于第一训练X射线投影和第二训练X射线投影对多能训练真实图像数据组的体素进行多能重建。
可以尤其借助于接口、尤其借助于训练系统的接口来接收第一训练X射线投影和第二训练X射线投影。
发明人已经认识到,可以借助于多能重建来求取特别精确的训练限制图像数据组,因为可以在检查体积中的不同材料之间良好地区分。由此,基于训练限制图像数据组调整的训练函数也可以提供特别精确的结果。
根据本发明的另一方面,确定多能训练真实图像数据组包括重建第一训练X射线投影和第二训练X射线投影。
发明人已经认识到,三维训练真实图像数据组特别适合于,示出训练检查体积的特性。尤其可以通过三维多能训练真实图像数据组检测关于训练检查体积的几乎完整的信息,因此这种重建的三维多能训练真实图像数据组特别好地适合作为用于调整训练函数的基础。
根据本发明的另一方面,用于提供训练函数的方法还包括接收训练检查体积的三维材料模型,其中多能训练真实图像数据组基于对X射线辐射与三维材料模型之间的交互作用的模拟,并且其中训练限制图像数据组基于三维材料模型。
尤其地,借助于接口、尤其借助于训练系统的接口可以接收三维材料模型。
材料模型尤其将材料特性与空间位置的集合相关联。空间位置尤其可以通过体素给出。材料特性尤其可以是X射线吸收系数,或是与X射线能量相关地描述X射线吸收系数的函数。
尤其可以通过如下方式模拟训练真实图像数据组:模拟第一X射线能量和/或第二X射线能量关于投影方向的X射线辐射与材料特性的空间分布的交互作用。尤其可以借助于蒙特卡罗模拟进行模拟。尤其地,首先可以通过模拟X射线辐射与材料模型的交互作用来确定第一训练X射线投影和第二训练X射线投影,并且通过重建第一训练X射线投影和第二训练X射线投影来确定多能训练真实图像数据组。
训练限制图像数据组尤其可以通过如下方式基于材料模型:材料模型包括关于所示出的结构的信息。材料模型尤其可以包括其他参数,所述其他参数说明,像素或体素是否对应于训练检查体积中的结构、尤其血管。替选地,关于所示出的结构的信息也可以从材料特性中导出。
发明人已经认识到,基于检查区域的材料模型,可以不仅确定多能训练真实图像数据组,而且确定训练限制图像数据组。由此,在不使用真实数据的情况下,可以使训练函数尤其匹配于模拟数据。因此,对于训练方法,尤其不需要使患者或训练检查体积经受X射线辐射造成的射线负荷。
在第三方面中,本发明涉及一种用于提供限制图像数据组和/或差分图像数据组的提供系统,所述提供系统包括接口和计算单元,
-其中接口构成用于接收检查体积关于第一X射线能量的第一X射线投影,
-其中接口还构成用于接收检查体积关于第二X射线能量的第二X射线投影,
其中第二X射线能量与第一X射线能量不同,
-其中计算单元构成用于基于第一X射线投影和第二X射线投影来确定检查体积的多能真实图像数据组,
-其中计算单元还构成用于基于多能真实图像数据组来选择多能真实图像数据组的第一体素,
-其中计算单元还构成用于基于第一X射线投影和第二X射线投影来选择多能真实图像数据组的第二体素,
其中第一体素包括第二体素,
并且第二体素映射(abbilden)检查体积中的造影剂,
-其中接口和/或计算单元构成用于基于第二体素来提供限制图像数据组和/或差分图像数据组。
这种提供系统尤其可以构成用于,实施前述根据本发明的用于提供限制图像数据组和/或差分图像数据组的方法及其方面。提供单元构成用于通过如下方式实施所述方法及其方面:接口和计算单元构成用于实施对应的方法步骤。
在第四方面中,本发明涉及一种包括根据本发明的提供系统的X射线设备。X射线设备尤其包括第一X射线源、第二X射线源、第一X射线探测器和第二X射线探测器。第一X射线源和第一X射线探测器尤其构成用于同时围绕检查体积旋转。第二X射线源和第二X射线探测器尤其也构成用于同时围绕检查体积旋转。X射线设备尤其涉及双源C臂X射线设备(英文专业术语是“dual source C-arm X-ray system”)或涉及双源计算机断层扫描仪(英文术语是“dual source computed tomography device”)。
在第五方面中,本发明涉及一种用于提供训练函数的训练系统,所述训练系统包括训练接口和训练计算单元,
-其中训练接口和/或训练计算单元构成用于确定训练检查体积关于第一训练X射线能量和第二训练X射线能量的多能训练真实图像数据组,其中第二训练X射线能量与第一训练X射线能量不同,
-其中训练接口和/或训练计算单元构成用于确定训练检查体积的训练限制图像数据组,
-其中训练计算单元构成用于,通过将训练函数应用到训练真实图像数据组上来确定训练真实图像数据组的第一训练体素,
-其中训练计算单元构成用于基于第一训练体素与训练限制图像数据组的比较来调整训练函数,
-其中训练接口构成用于提供训练函数。
这种训练系统尤其构成用于,实施前述根据本发明的用于提供训练函数的方法及其方面。训练系统构成用于通过如下方式实施所述方法及其方面:训练接口和训练计算单元构成用于实施对应的方法步骤。
在第六方面中,本发明涉及一种计算机程序产品,所述计算机程序产品具有计算机程序,所述计算机程序可直接加载到提供系统的存储器中,所述计算机程序具有程序段,以便当由提供系统运行程序段时,实施用于提供限制图像数据组和/或差分图像数据组的方法的所有步骤或所述方法的方面的所有步骤;和/或,所述计算机程序产品可直接加载到训练系统的训练存储器中,所述计算机程序具有程序段,以便当由训练系统运行程序段时,实施用于提供训练函数的方法的所有步骤或所述方法的一个方面的所有步骤。
在可行的第七方面中,本发明涉及一种计算机程序产品,所述计算机程序产品具有计算机程序,所述计算机程序可直接加载到提供系统的存储器中,所述计算机程序具有程序段,以便当由提供系统运行程序段时,实施用于提供限制图像数据组和/或差分图像数据组的方法的所有步骤或所述方法的方面的所有步骤。
在可行的第八方面中,本发明涉及一种计算机程序产品,所述计算机程序产品具有计算机程序,所述计算机程序可直接加载到训练系统的训练存储器中,所述计算机程序具有程序段,以便当由训练系统运行程序段时,实施用于提供训练函数的方法的所有步骤或所述方法的一个方面的所有步骤。
在第九方面中,本发明涉及一种计算机可读的存储介质,在所述计算机可读的存储介质上存储有由提供系统可读的和可运行的程序段,以便当由提供系统运行程序段时,实施用于提供限制图像数据组和/或差分图像数据组的方法的所有步骤或所述方法的方面的所有步骤;和/或,在所述计算机可读的存储介质上存储有由训练系统可读的和可运行的程序段,以便当由训练系统运行程序段时,实施用于提供训练函数的方法的所有步骤或所述方法的一个方面的所有步骤。
在可行的第十方面中,本发明涉及一种计算机可读的存储介质,在所述计算机可读的存储介质上存储有由提供系统可读的和可运行的程序段,以便当由提供系统运行程序段时,实施用于提供限制图像数据组和/或差分图像数据组的方法的所有步骤或所述方法的方面的所有步骤。
在可行的第十一方面中,本发明涉及一种计算机可读的存储介质,在所述计算机可读的存储介质上存储有由训练系统可读的和可运行的程序段,以便当由训练系统运行程序段时,实施用于提供训练函数的方法的所有步骤或所述方法的一个方面的所有步骤。
在第十二方面中,本发明涉及一种计算机程序或计算机可读的存储介质,所述计算机程序或计算机可读的存储介质包括通过用于提供训练函数的方法或所述方法的一个方面提供的训练函数。
尽可能软件的实现方案具有如下优点:也能够以简单的方式通过软件升级来加装已经至今使用的提供单元和/或训练系统,以便以根据本发明的方式工作。除了计算机程序之外,这种计算机程序产品可能可以包括附加的组成部分,例如汇编和/或附加的部件,以及硬件部件,例如用于使用软件的硬件钥匙(软件狗等)。
附图说明
本发明的上述特性、特征和优点以及如何实现所述特性、特征和优点的方式和方法结合下面对实施例的描述变得可更清晰地并且更清楚地理解,结合附图更详细地阐述所述实施例。通过所述描述,不将本发明限制于所述实施例。在不同的附图中,相同的部件设有相同的附图标记。附图通常不是符合比例的。附图示出:
图1示出具有血管的检查体积和三维差分图像数据组,
图2示出检查体积的二维第一X射线投影,
图3示出检查体积的二维第二X射线投影,
图4示出第一X射线谱和第二X射线谱,
图5示出用于确定差分图像数据组的方法的数据流的第一实施例,
图6示出用于确定差分图像数据组的方法的数据流的第二实施例,
图7示出第一投影角范围和第二投影角范围的第一实施例,
图8示出对于第一投影角范围和第二投影角范围的第一实施例的X射线源的可能位置,
图9示出第一投影角范围和第二投影角范围的第二实施例,
图10示出对于第一投影角范围和第二投影角范围的第二实施例的X射线源的可能位置,
图11示出多能真实图像数据组的第一体素和第二体素以及限制图像数据组,
图12示出用于提供限制图像数据组和/或差分图像数据组的方法的第一实施例的流程图,
图13示出用于提供限制图像数据组和/或差分图像数据组的方法的第二实施例的流程图,
图14示出用于提供训练函数的方法的第一实施例的流程图,
图15示出用于提供训练函数的方法的第二实施例的流程图,
图16示出提供系统的实施例,
图17示出训练系统的实施例,
图18示出X射线设备。
具体实施方式
图1示出具有两个血管VES.1、VES.2的检查体积VOL,以及三维差分图像数据组DD。在此,差分图像数据组DD的图像范围对应于检查体积VOL。在所示出的实施例中,检查体积VOL包括第一血管VES.1和第二血管VES.2,其中第一血管VES.1在检查体积VOL之内分成两个分枝。也可能的是,检查体积VOL不包括血管VES.1、VES.2,包括恰好一个血管VES.1、VES.2或包括多于两个血管VES.1、VES.2。除了血管VES.1、VES.2之外,检查体积VOL包括其他结构OS.1、OS.2,所述其他结构在三维第一差分图像数据组DD中未描绘,因为所述其他结构归为本底,从而在三维第一差分图像数据组中未描绘。
在所示出的实施例中,检查体积VOL以及差分图像数据组DD关于第一方向x、第二方向y和第三方向z扩展。在此,第一方向x、第二方向y和第三方向z成对地正交。
图2示出检查体积VOL关于第一X射线能量的多个第一X射线投影XP.1a、...、XP.1d,图3示出检查体积VOL关于第二X射线能量的多个第二X射线投影XP.2a、...、XP.2d,其中第二X射线能量与第一X射线能量不同。在所示出的实施例中,第一X射线投影XP.1a、...、XP.1d形成第一真实图像数据组RD.1,并且第二X射线投影XP.2a、...、XP.2d形成第二真实图像数据组RD.2。替选地,也可以基于第一X射线投影XP.1a、...、XP.1d的三维重建来确定第一真实图像数据组RD.1,和/或基于第二X射线投影XP.2a、...、XP.2d的三维重建来确定第二真实图像数据组RD.2。
在所示出的实施例中,分别示出四个二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d,也可以存在或使用更多或更少的二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d。
在此,二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d中的每个二维X射线投影是检查体积VOL关于如下投影方向的X射线投影。二维X射线投影XP.1a、XP.2a分别是检查体积VOL关于如下投影方向的X射线投影,其中所述投影方向反向平行于第一方向x。二维X射线投影XP.1b、XP.2b分别是检查体积VOL关于如下投影方向的X射线投影,其中所述投影方向反向平行于第二方向y。二维X射线投影XP.1c、XP.2c分别是检查体积VOL关于如下投影方向的X射线投影,其中所述投影方向平行于第一方向x。二维X射线投影XP.1d、XP2d分别是检查体积VOL关于如下投影方向的X射线投影,其中所述投影方向平行于第二方向y。
此外,二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d中的每个二维X射线投影与一个时刻相关联,其中在所述实施例中,所述时刻对应于记录相应的X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d的时刻。
在所示出的实施例中,二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d中的每个二维X射线投影映射包含在检查体积VOL中的血管VES.1、VES.2。此外,由二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d映射检查体积VOL中的其他结构OS.1、OS.2。
在记录二维X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d的不同时刻,血管VES.1、VES.2包括在时间上可变的造影剂的浓度CA.1、...、CA.4。在此,在记录X射线投影XP.1a、XP.2a时,血管VES.1、VES.2具有造影剂浓度CA.1。此外,在记录X射线投影XP.1b、XP.2b时,血管VES.1、VES.2具有造影剂浓度CA.2。此外,在记录X射线投影XP.1c、XP.2c时,血管VES.1、VES.2具有造影剂浓度CA.3。此外,在记录X射线投影XP.1d、XP.2d时,血管VES.1、VES.2具有造影剂浓度CA.4。在此,造影剂涉及X射线造影剂,使得由X射线投影XP.1a、...、XP.1d,XP.2a、...、XP.2d可确定造影剂的相应的造影剂浓度CA.1、...、CA.4。通过血管VES.1、VES.2中的静态的或动态的流体流动,造影剂浓度CA.1、...、CA.4随时间变化。在所示出的实施例中,流体涉及血液。
在图2中示出的具有第一X射线能量的第一X射线投影XP.1a、...、XP.1d的记录中,造影剂和第一其他结构OS.1(例如骨骼结构)具有相似的X射线吸收。因此,基于第一X射线投影XP.1a、...、XP.1d几乎不能区分造影剂和第一其他结构OS.1。然而,造影剂和第二其他结构OS.2(例如金属结构)具有不同的X射线吸收,并且因此可容易区分。
在图3中示出的具有第二X射线能量的第二X射线投影XP.2a、...、XP.2d的记录中,造影剂和第二其他结构OS.2(例如金属结构)具有相似的X射线吸收。因此,基于第二X射线投影XP.2a、...、XP.2d几乎不能区分造影剂和第二其他结构OS.2。然而,造影剂和第一其他结构OS.1(例如骨骼结构)具有不同的X射线吸收,并且因此可容易区分。
因此,有利地借助于第一真实图像数据组RD.1和多能真实图像数据组RD.M可以在造影剂与其他结构OS.1、OS.2之间精确地区分。
图4示出第一X射线谱SP.1和第二X射线谱SP.2,所述一X射线谱和第二X射线谱借助于作为X射线源SRC.1、SRC.2的X射线管产生。在此,第一X射线谱SP.1对应于第一X射线能量E1或第一加速电压U1=E1/e(其中e对应于元电荷),并且第二X射线谱对应于第二X射线能量E2或第二加速电压U2=E2/e,其中第一X射线能量E1或第一加速电压U1大于第二X射线能量E2或第二加速电压U2。在图表中,与X射线辐射的波长λ相关地说明X射线辐射的强度I(λ)。在此,强度I(λ)与由X射线源SRC.1、SRC.2产生的波长为λ的X射线光子的数量成比例。
根据杜安-亨特定律,X射线谱SP.1、SP.2具有最小波长λ(min)=hc/eU(其中c表示光速并且h表示普朗克常数),使得在此第一X射线谱SP.1的最小波长λ(min) 1小于第二X射线谱的最小波长λ(min) 2。此外,根据克莱默法则,X射线谱在λ1/2=2λ(min) 1/2的波长处具有相对强度最大值。
此外,第一X射线谱和第二X射线谱SP.1、SP.2在一个或多个特征波长λ(c1)、λ(c2)处具有特征X射线辐射的峰值。在此,特征波长λ(c1)、λ(c2)与加速电压U1、U2或X射线能量E1、E2无关,而是与X射线管的阳极材料相关。由于在阳极材料的内部电子壳层的能级之间的跃迁而产生特征X射线辐射。
图5示出用于提供限制图像数据组CD和/或差分图像数据组DD的方法的数据流的第一实施例。在所述实施例中,多能真实图像数据组RD.M是检查体积VOL的三维图像数据组,并且第一X射线投影XP.1以及第二X射线投影XP.2是检查体积VOL的多个二维X射线投影。限制图像数据组CD同样是检查体积VOL的三维图像数据组。未示出的差分图像数据组DD同样是检查体积VOL的三维图像数据组。
在所述实施例中,多能真实图像数据组RD.M是第一X射线投影XP.1和第二X射线投影XP.2的三维重建,其中第一X射线投影XP.1是检查体积VOL关于第一X射线能量E1的X射线投影,并且其中第二X射线投影XP.2是检查体积VOL关于第二X射线能量E2的X射线投影。
在所述实施例中,多能真实图像数据组RD.M、限制图像数据组CD和差分图像数据组DD关于每个维度具有在体素中测量的相同的扩展。例如,多能真实图像数据组RD.M、限制图像数据组CD和差分图像数据组DD关于第一维度可具有512体素的扩展,关于第二维度可具有512体素的扩展,并且关于第三维度可具有512体素的扩展(总共即大约134·106体素)。
在所述实施例中,训练函数TF接收多能真实图像数据组RD.M作为输入数据,并且生成概率数据组作为输出数据。概率数据组可以用于确定第一体素VOX.1,例如基于阈值来确定。
此外,在所述实施例中,第二体素VOX.2的选择SEL-VOX.2基于第一体素VOX.1以及基于第一X射线投影XP.1和第二X射线投影XP.2。
图6示出用于提供限制图像数据组CD和/或差分图像数据组DD的方法的数据流的第二实施例。在所述实施例中,第一真实图像数据组RD.1、第二真实图像数据组RD.2和多能真实图像数据组RD.M分别是检查体积VOL的三维图像数据组,并且限制图像数据组CD以及可选的差分图像数据组DD同样是检查体积VOL的三维图像数据组。
在所述实施例中,第一真实图像数据组RD.1是第一X射线投影XP.1的三维重建,其中第一X射线投影XP.1是检查体积VOL关于第一X射线能量E1的X射线投影。此外,第二真实图像数据组RD.2是第二X射线投影XP.2的三维重建,其中第二X射线投影XP.2是检查体积VOL关于第二X射线能量E2的X射线投影。此外,多能真实图像数据组RD.M是第一X射线投影XP.1和第二X射线投影XP.2的三维重建。第一X射线投影XP.1和第二X射线投影XP.2尤其是检查体积VOL的二维X射线投影,尤其分别关于多个投影方向。
在所述实施例中,第一真实图像数据组RD.1和第二真实图像数据组RD.2关于每个维度具有在体素中测量的相同的扩展。例如,第一真实图像数据组RD.1和第二真实图像数据组RD.2关于第一维度可以具有256体素的扩展,关于第二维度可以具有256体素的扩展,并且关于第三维度可以具有256体素的扩展(总共即大约17·106体素)。此外,在所述实施例中,多能真实图像数据组RD.M关于每个维度具有比第一真实图像数据组RD.1更高的在体素中测量的扩展。例如,多能真实图像数据组RD.M关于第一维度可以具有512体素的扩展,关于第二维度可以具有512体素的扩展,并且关于第三维度可以具有512体素的扩展(总共即大约134·106体素)。
在所述实施例中,训练函数TF接收第一真实图像数据组RD.1、第二真实图像数据组RD.2和多能真实图像数据组RD.M作为输入数据。替选地,训练函数TF可以仅接收第一真实图像数据组RD.1和多能真实图像数据组RD.M作为输入数据。此外,训练函数TF产生概率数据组作为输出数据。概率数据组可以用于确定第一体素VOX.1,例如基于阈值来确定。
在所述实施例中,限制图像数据组CD和可选差分图像数据组DD关于每个维度具有与多能真实图像数据组RD.M相同的在体素中测量的扩展,此外,概率数据组尤其是三维概率数据组,所述三维概率数据组关于每个维度具有与多能真实图像数据组RD.M相同的在体素中测量的扩展。例如,限制图像数据组CD、差分图像数据组DD、多能真实图像数据组RD.M以及概率数据组关于第一维度可以具有512体素的扩展,关于第二维度可以具有512体素的扩展并且关于第三维度可以具有512体素的扩展(总共即大约134·106体素)。
图7示出第一投影角范围PA.1和第二投影角范围PA.2的第一实施例。所示出的投影角范围PA.1、PA.2尤其可以用于:记录第一X射线投影XP.1和/或第二X射线投影XP.2,第一真实图像数据组RD.1和/或第二真实图像数据组RD.2和/或多能真实图像数据组RD.M基于所述第一X射线投影和/或第二X射线投影。
投影角范围PA.1、PA.2描述检查体积VOL的X射线投影XP.1、XP.2的投影方向。在此,检查体积VOL是患者PAT的一部分,其中患者PAT设置在患者支承设备PPOS上。在此,第一投影角范围PA.1示出在记录第一X射线投影XP.1时尤其第一X射线源SRC.1的可能位置。在此,所属的第一X射线探测器DTC.1设置在第一X射线源SRC.1的关于检查体积VOL的相对置的侧上。此外,第二投影角范围PA.2示出在记录第二X射线投影XP.2时第一X射线源SRC.1或第二X射线源SRC.2的可能位置。在此,所属的第一X射线探测器DTC.1或所属的第二X射线探测器DTC.2设置在第一X射线源SRC.1或第二X射线源SRC.2的关于检查体积VOL的相对置的侧上。投影角范围PA.1、PA.2尤其也可以解释为投射方向的集合。
尤其地,第一投影角范围PA.1因此也可以理解为在记录第一X射线投影XP.1时第一X射线源SRC.1的轨迹,并且如果借助与第一X射线投影XP.1相同的X射线源SRC.1记录第二X射线投影XP.2,则第二投影角范围PA.2也可以理解为在记录第二X射线投影XP.2时第一X射线源SRC.1的轨迹,或如果借助与第一X射线源SRC.1不同的第二X射线源SRC.2记录第二X射线投影XP.2,则第二投影角范围PA.2可以理解为第二X射线源SRC.2的轨迹。
第一投影角范围PA.1尤其也可以借助第一X射线源SRC.1围绕检查体积VOL的圆形旋转来查明,其中第一X射线源SRC.1描述具有角度α/2的圆弧。此外,第二投影角范围PA.2尤其可以借助第二X射线源SRC.2围绕检查体积VOL的圆形旋转来查明,其中第二X射线源SRC.2同样描述具有角度α/2的圆弧。对圆形旋转和圆弧替选地,第一X射线源或第二X射线源SRC.1、SRC.2的椭圆形旋转或椭圆弧、或者另外的至少部段地凹状的运动也是可行的。在此,角度α尤其大于180°,角度α尤其对应于由180°和始于第一X射线源或第二X射线源SRC.1、SRC.2的X射线辐射的开口角构成的总和。因此,在所述实施例中,角度α尤其对应于200°。
在图7中示出具有不同半径的第一投影角范围PA.1和第二投影角范围PA.2。不同的半径尤其由于附图的概览性的目的选择,并且尤其不暗含,在记录第一X射线投影XP.1和第二X射线投影XP.2时,第一X射线源SRC.1或第二X射线源SRC.2具有与检查体积VOL或旋转中心不同的间距。
图8对于在图7中示出的第一投影角范围PA.1和第二投影角范围PA.2的第一实施例示出X射线源SRC.1、SRC.2的可能位置POS.1(t(1) 1)、...、POS.2(t(2) 3)。
在此,POS.1(t)表示第一X射线源SRC.1在时刻t的位置,并且POS.2(t)表示第二X射线源SRC.2在时刻t的位置。在此,第一X射线源SRC.1和第二X射线源SRC.2不同,并且第一X射线源SRC.1关于第一X射线能量E1记录第一X射线投影XP.1,并且第二X射线源SRC.2关于第二X射线能量E2记录第二X射线投影XP.2。
在所示出的实施例中,在时刻t(1) i记录第一X射线投影XP.1的第i个X射线投影,其中对于i<j,t(1) i<t(1) j。此外,在所示出的实施例中,在时刻t(2) i记录第二X射线投影XP.2的第i个X射线投影,其中对于i<j,t(2) i<t(2) j。此外,在所示出的实施例中,t(1) i<t(2) i<t(1) i+1,但是替选地,也可以使用第一X射线投影和第二X射线投影XP.1、XP.2的其他时间序列。时刻t(1) i尤其可以包括在第一X射线投影XP.1中,尤其作为元数据,此外时刻t(2) i尤其可以包括在第二X射线投影XP.2中。
在第一X射线源SRC.1在时刻t(1) i(在此t(1) 1、t(1) 2、t(1) 3)的位置POS(t(1) i)(在图8中映射位置POS(t(1) 1)、POS(t(1) 2)、POS(t(1) 3))中的一个位置处,第一X射线源SRC.1记录关于第一X射线能量E1关于投影方向v(1) i(在此v(1) 1、v(1) 2、v(1) 3)的第一X射线投影XP.1中的一个第一X射线投影。在第一X射线源SRC.1在时刻t(2) i(在此t(2) 1、t(2) 2、t(2) 3)的位置POS(t(2) i)(在图8中映射位置POS(t(2) 1)、POS(t(2) 2)、POS(t(2) 3))处,第一X射线源SRC.1一般不记录X射线投影(除了在对于一对i、j,t(1) i=t(2) i的情况下)。
在第二X射线源SRC.2在时刻t(2) i(在此t(2) 1、t(2) 2、t(2) 3)的位置POS.2(t(2) i)(在图8中映射位置POS.2(t(2) 1)、POS.2(t(2) 2)、POS.2(t(2) 3))中的一个位置处,第二X射线源SRC.2记录关于第二X射线能量E2关于投影方向v(2) i(在此v(2) 1、v(2) 2、v(2) 3)的第二X射线投影XP.2中的一个第二X射线投影。在第二X射线源SRC.2在时刻t(1) i(在此t(1) 1、t(1) 2、t(1) 3)的位置POS.2(t(1) i)(在图8中映射位置POS.2(t(1) 1)、POS.2(t(1) 2)、POS.2(t(1) 3))处,第二X射线源SRC.2一般不记录X射线投影(除了在对于一对i、j,t(1) i=t(2) i的情况下)。
在图8中,由于概览性的原因,对于三个X射线投影XP.1、XP.2仅分别示出第一X射线源SRC.1和第二X射线源SRC.2的位置。一般地,使用明显更多的第一X射线投影XP.1、XP.2,并且第一X射线探测器DTC.1和第二X射线探测器DTC.2的位置沿着投影方向v(1) 1、v(1) 2、v(1) 3、v(2) 1、v(2) 2、v(2) 3处于检查体积VOL的与第一X射线源或第二X射线源SRC.1、SRC.2相对置的侧上。
在图8中,示出具有不同半径的第一投影角范围PA.1和第二投影角范围PA.2,与此相应地,位置POS.1(t(1) 1)、...、POS.2(t(2) 3)也具有距检查体积VOL不同的间距。不同的半径或不同的间距尤其由于附图的概览性的原因选择,并且尤其不暗含,在记录第一X射线投影XP.1和第二X射线投影时,第一X射线源SRC.1或第二X射线源SRC.2具有距检查体积VOL或旋转中心不同的间距。
图9示出第一投影角范围PA.1和第二投影角范围PA.2的第二实施例。所示出的投影角范围PA.1、PA.2尤其可以用于:记录第一X射线投影XP.1和/或第二X射线投影XP.2,第一真实图像数据组RD.1和/或第二真实图像数据组RD.2和/或多能真实图像数据组RD.M基于所述第一X射线投影和/或第二X射线投影。投影角范围PA.1、PA.2对于第一X射线源SRC.1、第一X射线探测器DTC.1、第二X射线源SRC.2和第二X射线探测器DTC.2的位置的意义对应于关于图7描述的意义。
在所示出的第二实施例中,第一投影角范围PA.1也可以借助第一X射线源SRC.1围绕检查体积VOL的圆形旋转来查明,其中第一X射线源SRC.1描述具有角度α+β的圆弧。此外,第二投影角范围PA.2尤其可以借助第二X射线源SRC.2围绕检查体积VOL的圆形旋转来查明,其中第二X射线源SRC.2同样描述具有角度α+β的圆弧。对圆形旋转和圆弧替选地,第一X射线源或第二X射线源SRC.1、SRC.2的椭圆形旋转或椭圆弧、或者另外的至少部段凹状的运动也是可行的。在此,角度α尤其大于180°,角度α尤其对应于由180°和始于第一X射线源或第二X射线源SRC.1、SRC.2的X射线的开口角构成的总和。因此,在所述实施例中,角度α尤其对应于200°。角度β尤其可以对应于从第一X射线源SRC.1到第一X射线探测器DTC.1的方向与从第二X射线源SRC.2到第二X射线探测器DTC.2的方向之间的最小角度。角度β因此尤其通过X射线源SRC.1、SRC.2和X射线探测器DTC.1、DTC.2的扩展和几何形状向下限界。
图10对于在图9中示出的第一投影角范围PA.1和第二投影角范围PA.2的第二实施例示出X射线源SRC.1、SRC.2的可能位置POS.1(t(1) 1)、...、POS.2(t(2) 3)。关于所示出的对象,参照图8的描述。
在所示出的第二实施例中,第一X射线探测器DTC.1和第二X射线探测器DTC.2具有恒定的、尤其最小的间距,和/或第一X射线源SRC.1和第二X射线源SRC.2具有恒定的、尤其最小的间距。
在图9中示出的投影角范围PA.1、PA.2和在图10中示出的位置也可以用作为借助仅一个X射线源SRC.1和仅一个X射线探测器DTC.1记录的基础,其中一个X射线源SRC.1可以在第一X射线能量与第二X射线能量之间切换。在此,第一X射线源在位置POS.1(t(1) 1)、POS.1(t(1) 2)、POS.1(t(1) 3)处记录具有第一X射线能量的第一X射线投影XP.1,并且在位置POS.2(t(2) 1)、POS.2(t(2) 2)、POS.2(t(2) 3)处记录具有第二X射线能量的第二X射线投影XP.2。其余的X射线投影是不重要的。
图11示出多能真实图像数据组RD.M的示意性二维描绘以及限制图像数据组CD的示意性二维描绘。二维描绘也可以解释为贯穿更高维真实图像数据组RD.M或贯穿更高维限制图像数据组CD的截面。
多能真实图像数据组RD.M包括像素或体素VOX的集合。通过选择SEL-VOX.1第一体素VOX.1,从多能真实图像数据组RD.M的体素VOX的集合中选择第一体素VOX.1。因此,第一体素VOX.1是多能真实图像数据组RD.M的体素VOX的子集、尤其真子集。
通过选择SEL-VOX.2第二体素VOX.2,从第一体素VOX.1的集合中选择第二体素VOX.2。因此,第二体素VOX.2是第一体素VOX.1的子集、尤其真子集。
图11还示出限制图像数据组CD。限制图像数据组CD具有与多能真实图像数据组RD.M相同的维度,并且此外关于每个维度具有与多能真实图像数据组RD.M相同的在像素或体素中测量的扩展。因此尤其地,在多能真实图像数据组RD.M的体素VOX与限制图像数据组CD的体素之间存在双射映射(bijektive Abbildung)或明确对应。
图12示出用于提供限制图像数据组CD和/或差分图像数据组DD的方法的第一实施例的流程图。
第一实施例的第一步骤是借助于接口IF、尤其借助于提供系统PRVS的接口IF来接收REC-XP.1检查体积VOL关于第一X射线能量E1的第一X射线投影XP.1,和借助于接口IF、尤其借助于提供系统PRVS的接口IF来接收REC-XP.2检查体积VOL关于第二X射线能量E2的第二X射线投影XP.2,其中第二X射线能量E2与第一X射线能量E1不同。
所示出的实施例的另一步骤是基于第一X射线投影XP.1和第二X射线投影XP.2来确定DET-RD.M检查体积VOL的多能真实图像数据组RD.M。在所示出的实施例中,多能真实图像数据组RD.M借助于计算单元CU、尤其提供系统的计算单元CU作为第一X射线投影XP.1和第二X射线投影XP.2的三维重建确定。
替选地,也可以借助于接口IF接收检查体积VOL的多能真实图像数据组RD.M。尤其也可以基于第一X射线投影XP.1来重建三维第一真实图像数据组RD.1,并且可以基于第二X射线投影XP.2来重建三维第二真实图像数据组RD.2,并且基于三维第一真实图像数据组RD.1和三维第二真实图像数据组RD.2来确定多能真实图像数据组RD.M。
所示出的第一实施例的另一步骤是基于多能真实图像数据组RD.M来选择SEL-VOX.1多能真实图像数据组RD.M的第一体素VOX.1。在所示出的实施例中,尤其通过将训练函数TF应用到多能真实图像数据组RD.M上来确定第一体素VOX.1。在此,训练函数TF尤其为多能真实图像数据组RD.M的每个体素VOX分配概率值,其中所述概率值对应于相应的体素VOX映射检查体积VOL中的造影剂或映射检查体积VOL中的血管VES.1、VES.2的概率。然后,选择多能真实图像数据组RD.M的如下体素VOX作为第一体素VOX.1:所述体素的相应概率值高于给出的阈值。
所示出的第一实施例的另一步骤是基于第一X射线投影XP.1和第二X射线投影XP.2来选择SEL-VOX.2多能真实图像数据组RD.M的第二体素VOX.2,其中第一体素VOX.1包括第二体素VOX.2,并且第二体素VOX.2映射检查体积VOL中的造影剂。替选地,第二体素VOX.2也可以映射检查体积VOL中的血管VES.1、VES.2。第二体素VOX.2尤其选自第一体素VOX.1。在所示出的实施例中,基于第一X射线投影XP.1和第二X射线投影XP.2对第一体素VOX.1中的每个第一体素进行多能重建。换言之,即对于第一体素VOX.1中的每个第一体素借助于多能重建算法确定,所述体素是否映射检查体积VOL中的造影剂。如果是这种情况,则选择所述体素作为第二体素VOX.2中的一个第二体素。
在所示出的实施例中,尤其也可以将离散断层扫描算法和多能重建组合,以便对于体素VOX确定,所述体素是否映射检查区域中的造影剂或其他材料(例如骨骼、金属、水)。例如,可以将出自F.Bleichrodt等人在Computer Vision and Image Understanding,第129卷,第63-74页,2014年中的出版物“SDART:An algorithm for discrete tomographyfrom noisy projections”的SDART用作为离散断层扫描算法,并且在算法的第五步骤中,根据在I.A.Elbakri,J.A.Fessler Fessler在IEEE Transactions on Medical Imaging,第21卷,第89–99页,2002年中的“Statistical Image Reconstruction forPolyenergetic X-Ray Computed Tomography”中描述的多能方法来确定数据一致性║Wxs–p║2。
所示出的实施例的最后步骤是基于第二体素VOX.2提供PROV-CD-DD限制图像数据组CD和/或差分图像数据组DD。在所述实施例中,提供在维度和扩展上对应于多能真实图像数据组RD.M的限制图像数据组CD。然后,可以可选地将差分图像数据组DD作为限制图像数据组CD和多能真实图像数据组RD.M的相乘或相减确定。
图13示出用于提供限制图像数据组CD和/或差分图像数据组DD的方法的第二实施例的流程图。示出用于提供差分图像数据组DD的方法的第二实施例的流程图。第二实施例遵循在图6中示出的数据流。
第二实施例的第一步骤是借助于接口IF接收REC-XP.1检查体积VOL关于第一X射线能量E1的第一X射线投影XP.1,和借助于接口IF接收REC-XP.2检查体积VOL关于第二X射线能量E2的第二X射线投影XP.2,在此,第一X射线能量E1和第二X射线能量E2不同。
第二实施例的另一可选步骤是确定DET-RD.1检查体积VOL关于第一X射线能量E1的第一真实图像数据组RD.1,和确定DET-RD.2检查体积VOL关于第二X射线能量E2的第二真实图像数据组RD.2。在此,通过借助于计算单元CU对第一X射线投影XP.1进行三维重建来确定DET-RD.1第一真实图像数据组RD.1,并且通过借助于计算单元CU对第二X射线投影XP.2进行三维重建来确定DET-RD.2第二真实图像数据组RD.2。
在所示出的实施例中,借助于滤波反投影进行三维重建。替选地,迭代重建或基于费尔德坎普算法的重建是已知的。
在所述第二实施例中,在数学符号中,三维第一真实图像数据组RD.1通过B(1)=R(b(1) 1,...,b(1) m)给出,并且第二真实图像数据组RD.2通过B(2)=R(b(2) 1,...,b(2) n)给出。在此,R表示重建函数,并且b(1) i表示第i个(总共m个)第一X射线投影XP.1,并且b(2) i表示第i个(总共n个)第二X射线投影XP.2。
第二实施例的另一步骤是借助于计算单元CU确定DET-RD.M检查体积VOL关于第一X射线能量E1和第二X射线能量E2的多能真实图像数据组RD.M。在此,通过对第一X射线投影XP.1和第二X射线投影XP.2的三维重建来确定DET-RD.M多能真实图像数据组RD.M。在所示出的实施例中,借助于滤波反投影进行三维重建。替选地,迭代重建或基于费尔德坎普算法的重建是已知的。
在所述第二实施例中,在数学符号中,三维多能真实图像数据组RD.M通过B(m)=R(b(1) 1,...,b(1) m,b(2) 1,...,b(2) n)给出。
所示出的第二实施例的另一步骤是选择SEL-VOX.1三维多能真实图像数据组RD.M的第一体素VOX.1。为此,将训练函数TF应用到作为输入数据的三维第一真实图像数据组RD.1、三维第二真实图像数据组RD.2以及三维多能真实图像数据组RD.M上,并且产生三维概率数据组作为输出数据。在数学符号中,得出W=f(B(1),B(2),B(m))。所述三维概率数据组关于三个维度中的每个维度具有与三维多能真实图像数据组RD.M相同的在体素中测量的扩展,因此,三维概率数据组尤其为三维多能真实图像数据组RD.M的体素VOX中的每个体素分配概率值。与三维多能真实图像数据组RD.M的体素VOX相关联的概率值尤其是用于如下概率的量值:所述体素VOX映射检查体积VOL中的造影剂,或所述体素VOX映射检查体积VOL中的血管VES.1、VES.2。
因此,第一体素VOX.1对应于多能真实图像数据组RD.M的如下体素VOX:所述体素的相关联的概率值高于给出的阈值。
所示出的实施例的另一步骤是基于第一X射线投影XP.1和第二X射线投影XP.2选择多能真实图像数据组RD.M的第二体素VOX.2。在所示出的实施例中,借助于SDART对每个第一体素VOX.1实施多能重建,以便做出第二体素VOX.2的选择。
所示出的实施例的最后步骤是提供PROV-CD-DD限制图像数据组CD和/或差分图像数据组DD。所述步骤包括可选步骤:确定DET-CD限制图像数据组CD以及确定DET-DD差分图像数据组DD。
在所述实施例中,通过如下方式确定DET-CD限制图像数据组CD:将与多能真实图像数据组RD.M相同维度和相同扩展的图像数据组定义为限制图像数据组CD,其中对于限制图像数据组CD的值Cijk,如果指数i、j和k描述第二体素VOX.2中的体素,则Cijk=1,并且如果指数i、j和k不描述第二体素VOX.2中的体素,则Cijk=0。
然后,尤其通过如下方式确定DET-DD差分图像数据组DD:将限制图像数据组CD逐体素地与多能真实图像数据组RD.M相乘。因此,尤其对于差分图像数据组的值Dijk适用的是,Dijk=Bijk·Cijk。
图14示出用于提供训练函数TF的方法的第一实施例的流程图。
所示出的第一实施例的第一步骤是确定DET-TRD.M训练检查体积关于第一训练X射线能量和第二训练X射线能量的多能训练真实图像数据组,其中第二训练X射线能量与第一训练X射线能量不同。在所述实施例中,借助于训练系统TRS的训练接口TIF接收多能训练真实图像数据组。
替选地,也可以(尤其借助于训练接口TIF)接收训练检查体积关于第一训练X射线能量的第一训练X射线投影和训练检查体积关于第二训练X射线能量的第二训练X射线投影,并且通过借助于训练系统TRS的计算单元TCU对第一训练X射线投影和第二训练X射线投影进行三维重建来确定多能训练真实图像数据组。
所示出的实施例的另一步骤是确定DET-TCD训练检查体积的训练限制图像数据组,尤其借助于训练系统TRS的计算单元TIF来确定。在所述实施例中,训练限制图像数据组借助于多能重建,尤其借助SDART,尤其以与离散断层扫描算法组合的方式,基于第一训练X射线投影和第二训练X射线投影来确定。尤其地,训练限制图像数据组具有多能训练真实图像数据组的相同的维度和相同的扩展。
所示出的实施例的另一步骤是通过将训练函数TF应用到训练真实图像数据组上来确定DET-TVOX.1训练真实图像数据组的第一训练体素。训练函数TF尤其可以为多能训练真实图像数据组的每个体素分配概率值,并且第一训练体素对应于如下体素:所述体素的相关联的概率值高于阈值。
所示出的实施例的另一步骤是基于第一训练体素与训练限制图像数据组的比较来调整ADJ-TF训练函数TF。在所述实施例中,训练函数TF尤其是人工神经网络、尤其卷积人工神经网络(英文专业术语是“convolutional neural network”)。尤其通过如下方式调整ADJ-TF训练函数:借助于反向传播算法(英文专业术语“backpropagation”)调整神经网络的边权,使得成本函数最小化。成本函数尤其可以基于有错误的第一训练体素的数量,例如作为K=∑ijk(Θ(TF(B(m))ijk–s)–Cijk)2,其中B(m)表示多能训练真实图像数据组,TF(B(m))表示将训练函数TF应用到多能训练真实图像数据组上的结果,Θ表示亥维赛阶梯函数(Heavyside-Sprungfunktion),s表示阈值并且C表示训练限制图像数据组。替选地,成本函数也可以基于训练函数的输出数据(例如概率值)与训练限制图像数据组的直接比较,例如作为K=∑ijk(TF(B(m))ijk–Cijk)2。
所示出的实施例的最后步骤是借助于训练系统TRS的训练接口TIF来提供PROV-TF训练函数TF。提供PROV-TF尤其可以包括输出训练函数TF、存储训练函数TF和/或传输训练函数TF。
图15示出用于提供训练函数TF的方法的第二实施例的流程图。第二实施例具有在图14中示出的第一实施例的所有步骤,并且尤其也可以具有在那里描述的有利的实施方案和改进方案。
所示出的实施例还包括接收DET-MM训练检查体积的三维材料模型,尤其借助于训练接口TIF来接收。在此,三维材料模型是包括造影剂的训练检查体积的材料模型。
在所述第二实施例中,材料模型描述能量相关的X射线吸收系数μ(x,E)的三维空间分布。在所述实施例中,材料模型是连续的,也就是说是三维空间坐标x的函数、尤其是连续函数或尤其是空间坐标x的可微函数。替选地,材料模型也可以是空间离散的,也就是说包括体素的集合,所述体素分别与能量相关的X射线吸收系数μ(E)相关联。然后,尤其在体素的规则设置中,可以经由所指示的能量相关的X射线吸收系数μijk(E)来描述材料模型。此外,可以对于任意数量的X射线能量E定义材料模型,但是足够的是,仅对于第一训练X射线能量和第二训练X射线能量说明材料模型,即对于第一训练X射线能量说明μ(1)(x)或μ(1) ijk,或对于第二训练X射线能量说明μ(2)(x)或μ(2) ijk。
所示出的第二实施例还包括借助于训练系统TRS的训练接口TIF接收REC-TXP.1检查体积的第一训练X射线投影和接收REC-TXP.2检查体积的第二训练X射线投影。在此,第一训练X射线投影是训练检查体积关于第一训练能量的X射线投影,并且第二训练X射线投影是训练检查体积关于第二训练能量的X射线投影。
也可以通过如下方式接收REC-TXP.1第一训练X射线投影和接收REC-TXP.2第二训练X射线投影:基于材料模型来确定第一训练X射线投影和第二训练X射线投影,尤其通过模拟相应的训练X射线能量的X射线辐射与材料模型的交互作用。在这种情况下,训练X射线投影从如下方程得出:
b(1/2)(y,v)∝∫Γ(y,v)μ(1/2)(x)dx
其中如果投影方向对应于角度v,则Γ(y,v)是在y坐标处从X射线源到X射线探测器的路径。在这种情况下,第一材料模型尤其也可以随时间可变地建模,以便模拟训练检查体积中的造影剂的随时间可变的密度。
在第二实施例中,通过重建第一训练X射线投影和第二训练X射线投影来确定DET-TRD.M多能训练真实图像数据组。尤其在不考虑不同训练X射线能量的情况下进行所述重建。通过离散断层扫描算法和多能重建的组合基于第一训练X射线投影和第二训练X射线投影来确定DET-TCD训练限制图像数据组。可以基于第一训练X射线投影来重建可选的第一训练真实图像数据组,并且可以基于第二训练X射线投影来重建可选的第二训练真实图像数据组。
例如,可选的第一训练真实图像数据组和第二训练真实图像数据组分别是包括256·256·256体素的训练检查体积的三维图像数据组,并且多能训练真实图像数据组是包括512·512·512体素的检查体积的三维图像数据组,并且第一材料模型同样包括512·512·512体素。对基于训练X射线投影的重建替选地,可以基于材料模型将第一训练真实图像数据组和第二训练真实图像数据组作为计算,并且可以基于材料模型将多能训练真实图像数据组作为/>计算。
尤其也可行的是,训练限制图像数据组同样从材料模型中导出。这可以基于材料模型的各个衰减系数进行,或借助于对由材料模型示出的结构OS.1、OS.2的附加了解进行。
图16示出提供系统PRVS,图17示出训练系统TRS。所示出的提供系统PRVS构成用于,实施根据本发明的用于提供差分图像数据组DD的方法。所示出的训练系统TRS构成用于,实施根据本发明的用于提供训练函数TF的方法。提供系统PRVS包括接口IF、计算单元CU和存储单元MU,训练系统TRS包括训练接口TIF、训练计算单元TCU和训练存储单元TMU。
提供系统PRVS和/或训练系统TRS尤其可以为计算机、微控制器或集成电路。替选地,提供系统PRVS和/或训练系统TRS可以为计算机的真实的或虚拟的集群(对于真实的集群的英文专业术语是“Cluster(簇)”,对于虚拟的集群的英文专业术语是“Cloud(云)”)。提供系统PRVS和/或训练系统TRS也可以构成为在真实计算机或计算机的真实的或虚拟的集群上运行的虚拟系统(英文专业术语是“Virtualization(虚拟化)”)。
接口IF和/或训练接口TIF可以为硬件或软件接口(例如PCI总线、USB或火线)。计算单元CU和/或训练计算单元TCU可以具有硬件元件或软件元件,例如微处理器或所谓的FPGA(“Field Programmable Gate Array(现场可编程门阵列)”的英文缩写)。存储单元MU和/或训练存储单元TMU可以实现为非持久的工作存储器(Random Access Memory,简称RAM)或实现为持久的大容量存储器(硬盘、U棒、SD卡、固态硬盘)。
接口IF和/或训练接口TIF尤其可以包括实施相应的方法的不同步骤的多个子接口。换言之,接口IF和/或训练接口TIF也可以理解为多个接口IF或多个训练接口TIF。计算单元CU和/或训练计算单元TCU尤其可以包括实施相应的方法的不同步骤的多个子计算单元。换言之,计算单元CU和/或训练计算单元TCU也可以理解为多个计算单元CU或多个训练计算单元TCU。
图18示出X射线设备XSYS的实施例。在此,X射线设备XSYS构成为双C臂X射线设备。X射线设备包括第一C臂CA.1,在第一C臂CA.1的第一端部处设置有第一X射线源SRC.1,并且在第一C臂CA.1的第二端部处设置有第一X射线探测器DTC.1。X射线设备还包括第二C臂CA.2,在第二C臂CA.2的第一端部处设置有第二X射线源SRC.2,并且在第二C臂CA.2的第二端部处构成有第二X射线探测器。第一C臂CA.1设置在第一悬架MNT.1处,其中第一悬架构成为多轴关节型机器人。第二C臂CA.2设置在第二悬架MNT.2处,其中第二悬架包括盖固定件。
第一X射线源SRC.1和第二X射线源SRC.2尤其为尤其具有相同的阳极材料的X射线管。第一X射线探测器DTC.1和第二X射线探测器尤其为平板探测器。
在此,X射线源SRC.1、SRC.2和X射线探测器DTC.1、DTC.2构成用于围绕成像轴线IA旋转,尤其围绕成像轴线IA圆形旋转。在此,成像轴线IA尤其与检查体积VOL相交。在围绕成像轴线旋转时,X射线源SRC.1、SRC.2和X射线探测器在成像平面IP中移动,其中成像平面IP正交于成像轴线IA设置。X射线源SRC.1、SRC.2和X射线探测器DTC.1、DTC.2尤其构成用于通过如下方式围绕成像轴线IA旋转:C臂CA.1、CA.2构成用于围绕成像轴线IA旋转。
X射线设备XSYS还包括患者支承设备PPOS,其中患者支承设备PPOS构成用于支承患者PAT。患者PAT尤其可以借助于患者支承设备沿着成像轴线IA移动。
在尚未明确出现、然而有意义的并且在本发明的范围中的情况下,可以将各个实施例、其各个子方面或特征彼此组合或更换,而不脱离本发明的范围。本发明的参照实施例所描述的优点在没有明确列举时在可转用的情况下也适用于其他实施例。
Claims (20)
1.一种用于提供限制图像数据组和/或差分图像数据组的计算机实施的方法,
- 接收检查体积关于第一X射线能量的第一X射线投影,
- 接收所述检查体积关于第二X射线能量的第二X射线投影,
其中所述第二X射线能量与所述第一X射线能量不同,
- 基于所述第一X射线投影和所述第二X射线投影来确定所述检查体积的多能真实图像数据组,
- 基于所述多能真实图像数据组来选择所述多能真实图像数据组的第一体素,
- 基于所述第一X射线投影和所述第二X射线投影来选择所述多能真实图像数据组的第二体素,
其中所述第一体素包括所述第二体素,
并且所述第二体素映射所述检查体积中的造影剂,
- 基于所述第二体素来提供限制图像数据组和/或差分图像数据组,
其中所述限制图像数据组和所述多能真实图像数据组具有相同的维度,并且关于每个维度,所述限制图像数据组和所述多能真实图像数据组具有在体素中测量的相同的扩展。
2.根据权利要求1所述的方法,
其中所述第二体素的选择基于离散断层扫描算法。
3.根据权利要求1或2所述的方法,
其中所述第二体素的选择基于多能重建算法。
4.根据权利要求3所述的方法,
其中所述多能重建算法将体素分类为造影剂体素或金属体素,
其中造影剂体素映射所述检查体积中的造影剂,
并且其中金属体素映射所述检查体积中的金属。
5.根据权利要求1或2所述的方法,
其中基于将训练函数应用到所述多能真实图像数据组上来选择所述第一体素。
6.根据权利要求5所述的方法,
其中所述训练函数将概率值分配给所述多能真实图像数据组的体素,其中体素的所述概率值对应于所述体素映射造影剂的概率。
7.根据权利要求6所述的方法,
其中基于体素的所述概率值与给出的阈值的比较来选择所述第一体素。
8.根据权利要求1或2所述的方法,
其中确定所述多能真实图像数据组包括至少三维重建所述第一X射线投影和所述第二X射线投影。
9.根据权利要求1或2所述的方法,
其中在记录所述第一X射线投影时,所述检查体积包括造影剂,和/或其中在记录所述第二X射线投影时,所述检查体积包括造影剂。
10.根据权利要求1或2所述的方法,
其中将所述第一X射线投影和所述第二X射线投影同时记录。
11.根据权利要求1或2所述的方法,
其中所述第一X射线投影是第一X射线源和第一X射线探测器的记录,并且其中所述第二X射线投影是第二X射线源和第二X射线探测器的记录。
12.根据权利要求11所述的方法,
其中双平面X射线设备包括所述第一X射线源、所述第二X射线源、所述第一X射线探测器和所述第二X射线探测器。
13.根据权利要求1或2所述的方法,
其中所述第一X射线投影中的每个第一X射线投影是所述检查体积关于第一投影角范围中的投影方向的X射线投影,
其中所述第二X射线投影中的每个第二X射线投影是所述检查体积关于第二投影角范围中的投影方向的X射线投影,
并且其中所述第一投影角范围与所述第二投影角范围不同。
14.根据权利要求13所述的方法,
其中所述第一投影角范围和所述第二投影角范围是不相交的。
15.根据权利要求13所述的方法,
其中所述第一投影角范围与所述第二投影角范围的重叠包括所述第一投影角范围和/或所述第二投影角范围的至少50%。
16.根据权利要求13所述的方法,
其中所述第一投影角范围与所述第二投影角范围的重叠包括所述第一投影角范围和/或所述第二投影角范围的至少75%。
17.根据权利要求13所述的方法,
其中所述第一投影角范围与所述第二投影角范围的重叠包括所述第一投影角范围和/或所述第二投影角范围的至少90%。
18.一种用于提供限制图像数据组和/或差分图像数据组的提供系统,所述提供系统包括接口和计算单元,
- 其中所述接口构成用于接收检查体积关于第一X射线能量的第一X射线投影,
- 其中所述接口还构成用于接收所述检查体积关于第二X射线能量的第二X射线投影,
其中所述第二X射线能量与所述第一X射线能量不同,
- 其中所述接口和/或所述计算单元构成用于基于所述第一X射线投影和所述第二X射线投影来确定所述检查体积的多能真实图像数据组,
- 其中所述计算单元还构成用于基于所述多能真实图像数据组来选择所述多能真实图像数据组的第一体素,
- 其中所述计算单元还构成用于基于所述第一X射线投影和所述第二X射线投影来选择所述多能真实图像数据组的第二体素,
其中所述第一体素包括所述第二体素,
并且所述第二体素映射所述检查体积中的造影剂,
- 其中所述接口和/或所述计算单元构成用于基于所述第二体素来提供限制图像数据组和/或差分图像数据组,
其中所述限制图像数据组和所述多能真实图像数据组具有相同的维度,并且关于每个维度,所述限制图像数据组和所述多能真实图像数据组具有在体素中测量的相同的扩展。
19.一种X射线设备,所述X射线设备包括根据权利要求18所述的提供系统。
20.一种计算机可读的存储介质,在所述计算机可读的存储介质上存储有由提供系统可读的和可运行的程序段,以便当由所述提供系统运行所述程序段时,实施根据权利要求1至17中任一项所述的方法的所有步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019200269.2 | 2019-01-11 | ||
DE102019200269.2A DE102019200269A1 (de) | 2019-01-11 | 2019-01-11 | Bereitstellen eines Beschränkungsbilddatensatzes und/oder eines Differenzbilddatensatzes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111435530A CN111435530A (zh) | 2020-07-21 |
CN111435530B true CN111435530B (zh) | 2023-07-28 |
Family
ID=71132210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032181.1A Active CN111435530B (zh) | 2019-01-11 | 2020-01-13 | 提供限制图像数据组和/或差分图像数据组 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11436767B2 (zh) |
CN (1) | CN111435530B (zh) |
DE (1) | DE102019200269A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6954719B2 (ja) | 2018-07-06 | 2021-10-27 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 検査ボリュームの差分画像データセットの決定 |
DE102019200888A1 (de) | 2019-01-24 | 2020-07-30 | Siemens Healthcare Gmbh | Bestimmen eines Bilddatensatzes |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218803A (zh) * | 2011-11-22 | 2013-07-24 | 西门子公司 | 计算机断层造影设备和用于确定身体的体积信息的方法 |
CN106108928A (zh) * | 2015-05-04 | 2016-11-16 | 西门子股份公司 | 根据ct扫描参数来确定时间依存的造影剂注射曲线 |
CN108364339A (zh) * | 2017-01-27 | 2018-08-03 | 西门子保健有限责任公司 | 对血管造影数据组进行图像处理的方法以及图像处理装置 |
CN108430330A (zh) * | 2015-12-03 | 2018-08-21 | 西门子保健有限责任公司 | 产生血管系统的体积图像的序列的断层造影设备和方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7010092B2 (en) * | 2003-08-08 | 2006-03-07 | Imaging Dynamics Company Ltd. | Dual energy imaging using optically coupled digital radiography system |
US20060198491A1 (en) | 2005-03-04 | 2006-09-07 | Kabushiki Kaisha Toshiba | Volumetric computed tomography system for imaging |
CN101243980B (zh) * | 2006-12-04 | 2010-12-22 | 株式会社东芝 | X射线计算机断层成像装置和医用图像处理装置 |
JP5631698B2 (ja) * | 2009-12-07 | 2014-11-26 | 株式会社東芝 | 医用画像処理装置及び医用画像処理方法 |
WO2011091300A2 (en) * | 2010-01-24 | 2011-07-28 | Mistretta Medical, Llc | System and method for implementation of 4d time-energy subtraction computed tomography |
US8625870B2 (en) * | 2011-10-19 | 2014-01-07 | Kabushiki Kaisha Toshiba | Method and system for supplementing detail image in successive multi-scale reconstruction |
DE102012217555A1 (de) * | 2012-09-27 | 2014-03-27 | Siemens Aktiengesellschaft | Verfahren und Computertomographie-System zur Ermittlung von Knochenmineraldichtewerten |
JP6552798B2 (ja) * | 2013-11-29 | 2019-07-31 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置、x線診断装置及び医用画像処理プログラム |
EP3324846B1 (en) * | 2015-07-23 | 2021-05-12 | Koninklijke Philips N.V. | Computed tomography visualization adjustment |
DE102015221418A1 (de) | 2015-11-02 | 2017-05-04 | Siemens Healthcare Gmbh | Tomographieanlage und Verfahren für großvolumige Aufnahmen |
CN108022272B (zh) * | 2016-10-28 | 2021-12-21 | 卡尔蔡司X射线显微镜公司 | 用于基于分割和光谱的金属伪影降低的计算机程序和ct系统 |
CN106859677B (zh) * | 2017-01-16 | 2019-08-09 | 东软医疗系统股份有限公司 | 双能ct扫描图像重建方法及装置 |
US10438350B2 (en) * | 2017-06-27 | 2019-10-08 | General Electric Company | Material segmentation in image volumes |
WO2019149711A1 (en) | 2018-01-31 | 2019-08-08 | Koninklijke Philips N.V. | Image quality improved virtual non-contrast images generated by a spectral computed tomography (ct) scanner |
JP6954719B2 (ja) | 2018-07-06 | 2021-10-27 | シーメンス ヘルスケア ゲゼルシヤフト ミツト ベシユレンクテル ハフツング | 検査ボリュームの差分画像データセットの決定 |
EP3591617A1 (de) | 2018-07-06 | 2020-01-08 | Siemens Healthcare GmbH | Bestimmen eines differenzbilddatensatzes eines untersuchungsvolumens |
DE102019200270A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
-
2019
- 2019-01-11 DE DE102019200269.2A patent/DE102019200269A1/de active Pending
-
2020
- 2020-01-07 US US16/736,009 patent/US11436767B2/en active Active
- 2020-01-13 CN CN202010032181.1A patent/CN111435530B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218803A (zh) * | 2011-11-22 | 2013-07-24 | 西门子公司 | 计算机断层造影设备和用于确定身体的体积信息的方法 |
CN106108928A (zh) * | 2015-05-04 | 2016-11-16 | 西门子股份公司 | 根据ct扫描参数来确定时间依存的造影剂注射曲线 |
CN108430330A (zh) * | 2015-12-03 | 2018-08-21 | 西门子保健有限责任公司 | 产生血管系统的体积图像的序列的断层造影设备和方法 |
CN108364339A (zh) * | 2017-01-27 | 2018-08-03 | 西门子保健有限责任公司 | 对血管造影数据组进行图像处理的方法以及图像处理装置 |
Non-Patent Citations (2)
Title |
---|
Prasenjit Mondal.High resolution 3-D MR image reconstruction from multiple views.《ICVGIP '12: Proceedings of the Eighth Indian Conference on Computer Vision, Graphics and Image Processing》.2012,1-8. * |
生物医学图像三维重建技术应用研究进展;张文园 等;《中华实用诊断与治疗杂志》;第30卷(第7期);629-631 * |
Also Published As
Publication number | Publication date |
---|---|
US11436767B2 (en) | 2022-09-06 |
US20200226802A1 (en) | 2020-07-16 |
CN111435530A (zh) | 2020-07-21 |
DE102019200269A1 (de) | 2020-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11769277B2 (en) | Deep learning based scatter correction | |
Maier et al. | Real‐time scatter estimation for medical CT using the deep scatter estimation: method and robustness analysis with respect to different anatomies, dose levels, tube voltages, and data truncation | |
US10274439B2 (en) | System and method for spectral x-ray imaging | |
US20200196972A1 (en) | Apparatus and method that uses deep learning to correct computed tomography (ct) with sinogram completion of projection data | |
Cierniak | X-ray computed tomography in biomedical engineering | |
Dougherty | Digital image processing for medical applications | |
JP6925868B2 (ja) | X線コンピュータ断層撮影装置及び医用画像処理装置 | |
CN107837090B (zh) | 计算机断层成像中基于正弦图的散射射线校正 | |
CN112085807B (zh) | 提供差分图像数据组和训练生成器函数的方法和提供系统 | |
CN111435542A (zh) | 提供差分图像数据组和提供训练函数 | |
US10489940B2 (en) | System and computer-implemented method for improving image quality | |
JP7408664B2 (ja) | X線撮像システム | |
CN108352077B (zh) | 图像重建的系统和方法 | |
US9589373B2 (en) | Monte carlo modeling of field angle-dependent spectra for radiographic imaging systems | |
JP2019111346A (ja) | 医用処理装置及び放射線診断装置 | |
CN111435530B (zh) | 提供限制图像数据组和/或差分图像数据组 | |
CN110689592A (zh) | 确定检查体积的差分图像数据组 | |
GB2589643A (en) | Material-based x-ray image enhancement | |
Erath et al. | Deep learning‐based forward and cross‐scatter correction in dual‐source CT | |
WO2019060688A1 (en) | SYSTEM AND METHOD FOR LOW DOSE MULTISPECTRAL X-RAY TOMOGRAPHY | |
JP7370989B2 (ja) | スペクトルボリューム画像データを生成するように構成された非スペクトルコンピュータ断層撮影(ct)スキャナ | |
Friot et al. | Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging | |
Muckley et al. | Image reconstruction for interrupted-beam x-ray CT on diagnostic clinical scanners | |
Landi et al. | A limited memory BFGS method for a nonlinear inverse problem in digital breast tomosynthesis | |
Taubmann et al. | Computed tomography |
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 |