CN111435542A - 提供差分图像数据组和提供训练函数 - Google Patents
提供差分图像数据组和提供训练函数 Download PDFInfo
- Publication number
- CN111435542A CN111435542A CN202010031634.9A CN202010031634A CN111435542A CN 111435542 A CN111435542 A CN 111435542A CN 202010031634 A CN202010031634 A CN 202010031634A CN 111435542 A CN111435542 A CN 111435542A
- Authority
- CN
- China
- Prior art keywords
- image data
- data set
- training
- ray
- real 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.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 405
- 238000000034 method Methods 0.000 claims abstract description 109
- 238000004590 computer program Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 146
- 239000000463 material Substances 0.000 claims description 47
- 239000002872 contrast media Substances 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 29
- 230000005855 radiation Effects 0.000 claims description 23
- 238000012546 transfer Methods 0.000 claims description 21
- 230000000052 comparative effect Effects 0.000 claims description 16
- 238000002583 angiography Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 210000004204 blood vessel Anatomy 0.000 description 16
- 238000002083 X-ray spectrum Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010521 absorption reaction Methods 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 239000010405 anode material Substances 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241001649190 Campsis Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000004434 Calcinosis Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 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
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 101150083127 brox gene Proteins 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000007943 implant Substances 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
- 238000001228 spectrum Methods 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
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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- A61B6/481—Diagnostic techniques involving the use of contrast agents
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- 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
- A61B6/504—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 blood vessels, e.g. by angiography
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4007—Arrangements for generating radiation specially adapted for radiation diagnosis characterised by using a plurality of source units
- A61B6/4014—Arrangements for generating radiation specially adapted for radiation diagnosis characterised by using a plurality of source units arranged in multiple source-detector units
-
- 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
- A61B6/44—Constructional features of apparatus for radiation diagnosis
- A61B6/4429—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units
- A61B6/4435—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure
- A61B6/4441—Constructional features of apparatus for radiation diagnosis related to the mounting of source units and detector units the source unit and the detector unit being coupled by a rigid structure the rigid structure being a C-arm or U-arm
-
- 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
- G06T2207/10076—4D tomography; Time-sequential 3D tomography
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Computer Graphics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于提供差分图像数据组的计算机实施的方法,所述方法包括:确定检查体积关于第一X射线能量的第一真实图像数据组;和确定检查体积关于第一X射线能量和第二X射线能量的多能真实图像数据组,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:通过将训练函数应用到输入数据上来确定检查体积的差分图像数据组,其中输入数据基于第一真实图像数据组和多能真实图像数据组;以及提供差分图像数据组。本发明还涉及一种用于提供训练函数的计算机实施的方法、一种提供系统、一种训练系统、一种X射线系统以及一种计算机程序产品和一种计算机可读的存储介质。
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,实现更精确地和更不受错误影响地确定差分图像数据组。
所述目的根据独立权利要求通过一种用于提供差分图像数据组的方法、一种用于提供训练函数的方法、一种确定系统、一种训练系统、通过计算机程序产品以及通过计算机可读的存储介质来实现。有利的改进方案在从属权利要求和在说明书中给出。
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差分图像数据组的计算机实施的方法,所述方法包括:确定检查体积关于第一X射线能量的第一真实图像数据组;并且确定检查体积关于第一X射线能量和第二X射线能量的多能真实图像数据组,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:通过将训练函数应用到输入数据上来确定检查体积的差分图像数据组,其中输入数据基于第一真实图像数据组和多能真实图像数据组;以及提供差分图像数据组。
在此,可以通过如下方式确定第一真实图像数据组:接收第一真实图像数据组。此外,在此可以通过如下方式确定多能真实图像数据组:接收多能真实图像数据组。在此,尤其可以借助于接口和/或计算单元来确定第一真实图像数据组。在此,尤其可以借助于计算单元来确定差分图像数据组。在此,尤其可以借助于接口来提供差分图像数据组。在此,提供差分图像数据组尤其可以包括存储、传输和/或显示差分图像数据组。
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。
检查体积关于X射线能量的真实图像数据组可以是检查体积的借助具有所述X射线能量的X射线辐射记录的X射线图像数据组。检查体积关于X射线能量的真实图像数据组也可以基于检查体积的借助具有所述X射线能量的X射线辐射记录的X射线图像数据组。检查体积关于第一X射线能量和第二X射线能量的多能真实图像数据组可以包括检查体积的借助于通过第一X射线能量表征的X射线辐射记录的X射线图像数据组以及检查体积的借助于通过第二X射线能量表征的X射线辐射记录的X射线图像数据组。检查体积的多能真实图像数据组也可以基于检查体积的借助于通过第一X射线能量表征的X射线辐射记录的X射线图像数据组以及检查体积的借助于通过第二X射线能量表征的X射线辐射记录的X射线图像数据组。
训练函数将输入数据映射到输出数据上。在此此外,输出数据尤其可以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。也可以使用术语“神经网”替代术语“神经网络”。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。
第一真实图像数据组和多能真实图像数据组尤其具有相同的维度。第一真实图像数据组尤其是二维图像数据组、三维图像数据组或四维图像数据组。
第一真实图像数据组和多能真实图像数据组尤其描绘检查体积,换言之,第一真实图像数据组的图像区域对应于多能真实图像数据组的图像区域。与第一真实图像数据组相比,多能真实图像数据组尤其具有更高的空间分辨率。关于至少一个维度,多能真实图像数据组的在像素或体素中测量的空间扩展尤其大于第一真实图像数据组的在像素或体素中测量的空间扩展。
多能真实图像数据组和差分图像数据组尤其具有相同的维度。因此,差分图像数据组尤其是二维差分图像数据组、三维差分图像数据组或四维差分图像数据组。
多能真实图像数据组和差分图像数据组尤其描绘检查体积,换言之,多能真实图像数据组的图像区域对应于差分图像数据组的图像区域。多能真实图像数据组和差分图像数据组尤其具有相同的空间分辨率。关于每个维度,多能真实图像数据组的在像素或体素中测量的空间扩展尤其与差分图像数据组的在像素或体素中测量的空间扩展相同。
发明人已经认识到,通过不仅使用第一真实图像数据组,而且使用多能真实图像数据组,可以更精确地提供检查体积的特性作为用于训练函数的输入数据。通过使用第一和第二X射线能量,尤其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,借助于训练函数尤其可以实现在检查区域中的不同材料之间的更好的区分,并且可以确定更精确的和尤其更不易受错误影响的差分图像数据组。
发明人还已经认识到,多能真实图像数据组的高分辨率足以实现差分图像数据组的对应的分辨率。可以基于具有较低分辨率的第一真实图像数据组进行不同材料的基于不同X射线能量的区分。因此对于改进的区分尤其不需要的是,使检查体积经受更高的X射线剂量,因为第一真实图像数据组的较低分辨率并且因此较少的原始数据对于第一真实图像数据组就足够了。
根据本发明的另一方面,用于确定差分图像数据组的方法还包括确定检查体积关于第二X射线能量的第二真实图像数据组,其中输入数据还基于第二真实图像数据组。
在此,可以通过如下方式来确定第二真实图像数据组:接收第二真实图像数据组。在此,尤其可以借助于接口和/或计算单元来确定第二真实图像数据组。
第二真实图像数据组和多能真实图像数据组尤其具有相同的维度。第二真实图像数据组尤其是二维图像数据组、三维图像数据组或四维图像数据组。
第二真实图像数据组和多能真实图像数据组尤其描述检查体积,换言之,第二真实图像数据组的图像区域对应于多能真实图像数据组的图像区域。与第一真实图像数据组相比,多能真实图像数据组尤其具有更高的空间分辨率。关于至少一个维度,多能真实图像数据组的尤其在像素或体素中测量的空间扩展大于第一真实图像数据组的在像素或体素中测量的空间扩展。
发明人已经认识到,通过在输入数据中使用第二真实图像数据组,可以实现在检查区域中的不同材料之间的改进的区分,因为由此关于检查体积的区域关于第二X射线能量的X射线吸收的信息也可以单独存在和处理。
根据本发明的另一可行的方面,第一真实图像数据组基于第一输出数据,并且多能真实图像数据组基于关于第二X射线能量的第二输出数据和第一输出数据。多能真实图像数据组的空间分辨率尤其高于第一真实图像数据组的空间分辨率。多能真实图像数据组的空间分辨率尤其与差分图像数据组的分辨率相同。根据本发明的另一可行的方面,第二真实图像数据组基于第二输出数据。多能真实图像数据组的空间分辨率尤其高于第二真实图像数据组的空间分辨率。
发明人已经认识到,在第一真实图像数据组基于第一输出数据,可选的第二真实图像数据组基于第二输出数据,然而多能真实图像数据组基于第一和第二输出数据的前提条件下,与现有技术相比不必要的是,使检查体积经受较高的X射线剂量。这在如下情况下也适用:使用第二真实图像数据组。差分图像数据组的空间分辨率因此可以基于多能真实图像数据组,并且因此可以基于较低分辨率的第一真实图像数据组和第二真实图像数据组来进行不同材料之间的X射线能量相关的区分。
根据本发明的另一方面,用于确定差分图像数据组的方法还包括:接收检查体积关于第一X射线能量的第一X射线投影;以及接收检查体积关于第二X射线能量的第二X射线投影;其中第一真实图像数据组基于第一X射线投影和/或包括第一X射线投影;和/或其中第二真实图像数据组基于第二X射线投影和/或包括第二X射线投影;和/或其中多能真实图像数据组基于第一X射线投影和第二X射线投影和/或包括第一X射线投影和第二X射线投影。
尤其可以借助于接口来接收第一X射线投影。尤其可以借助于接口来接收第二X射线投影。尤其地,第一X射线投影对应于第一输出数据,并且第二X射线投影对应于第二输出数据。
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。
发明人已经认识到,通过使用多个二维X射线投影,尤其也可以考虑检查体积中的随时间的改变,尤其随时间可变的造影剂浓度。由此,训练函数可以基于更多数据并且因此尤其也更精确地和更不易受错误影响地确定差分图像数据组。
根据本发明的另一方面,第一真实图像数据组是第一X射线投影的至少三维的重建;和/或第二真实图像数据组是第二X射线投影的至少三维的重建;和/或多能真实图像数据组是第一X射线投影和第二X射线投影的至少三维的重建。尤其地,第一X射线投影和第二X射线投影的重建与第一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。
根据本发明的另一可行的方面,用于确定差分图像数据组的方法还包括:接收检查体积关于第一X射线能量的第一X射线投影,其中第一真实图像数据组基于第一X射线投影和/或包括第一X射线投影。与上述方面不同,在本发明的所述方面中,不一定接收第二X射线投影。
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,第一真实图像数据组和第二真实图像数据组或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射线探测器关于第二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。
根据本发明的另一方面,训练函数的输出数据包括概率数据组,其中差分图像数据组基于概率数据组。
在此,概率数据组尤其将多能真实图像数据组的一个或多个像素或体素与概率值相关联。概率值尤其可以为多能真实图像数据组的所有像素或体素分配概率值,在这种情况下,概率数据组可以被理解为概率图像数据组。概率值尤其是大于等于0且小于等于1的数字。与体素相关联的概率值尤其可以涉及体素包括在处于检查体积中的血管的图像中的概率。替选地,与体素相关联的概率值尤其可以涉及体素不包括在处于检查体积中的血管的图像中的概率。
概率值尤其也可以是二进制的,也就是说要么具有值0,要么具有值1。在这种情况下,概率图像数据组也可以被理解为多能真实图像数据组的区段,尤其被理解为多能真实图像数据组中的血管的图像的区段。
在此,概率数据组尤其具有与多能真实图像数据组和/或差分图像数据组相同的维度。此外,尤其关于每个维度,概率数据组具有与多能真实图像数据组和/或差分图像数据组相同的扩展,其中尤其以像素数中或以体素数测量所述扩展。
发明人已经认识到,在将训练函数应用到输入数据上时,可以特别简单地为如下内容确定概率值,多能真实图像数据组的特定的体素对应于包括在检查体积中的血管。在此,在更广泛的意义上涉及图像处理,其中训练函数以已知的方式可以实现对于图像处理的良好结果。
根据本发明的另一方面,用于确定差分图像数据组的方法尤其包括:接收传递函数,以及基于传递函数来修改概率数据组。
在此,尤其借助接口来接收传递函数,在此尤其借助于计算单元来修改概率数据组。
传递函数尤其是将概率值映射到概率值上的函数。因此,传递函数尤其是将区间[0;1]映射到区间[0;1]上的函数。传递函数T尤其可以是单调递增函数,也就是说对于x﹤y,T(x)≤T(y),传递函数T尤其也可以是严格单调递增函数,即对于x﹤y,T(x)﹤T(y)。有利地,传递函数是连续的和/或可微的函数。有利地,对于传递函数T,适用关系T(0)=0和T(1)=1。
传递函数尤其可以通过用户规定。替选地,传递函数也可以从多个可用的传递函数中选择,例如基于真实图像数据组的类型,基于用于第一真实图像数据组、第二真实图像数据组和/或多能真实图像数据组或用于第一X射线投影和/或第二X射线投影的记录参数,基于检查体积在患者身体中的位置和/或基于包括在检查体积中的血管。
修改概率数据组尤其可以包括将传递函数应用到概率数据组的每个概率值上。对于概率数据组的每个概率值,尤其通过如下方式确定经修改的概率值:传递函数应用到概率值上,并且经修改的概率数据组尤其包括经修改的概率值。
发明人已经认识到,通过使用适当的传递函数,可以增强或减弱对应于本底的图像结构或图像结构的强度。例如,如果将T(x)=xγ用作为传递函数,则对于0﹤γ﹤1,增强对应于本底的图像结构,并且对于γ﹥1,减弱对应于本底的图像结构。
根据本发明的另一方面,差分图像数据组基于概率数据组与第一真实图像数据组和/或与第二真实图像数据组和/或与多能真实图像数据组的相乘。差分图像数据组尤其对应于概率数据组与多能真实图像数据组的相乘。
发明人已经认识到,通过将概率数据组与真实图像数据组相乘,可以有效地产生三维差分图像数据组,因为具有低概率值的图像区域的强度值通过相乘隐没,并且所述图像区域恰好对应于检查体积的不对应于包括在检查体积中的血管的区域。
在另一可行的方面中,本发明涉及一种用于确定检查体积的差分图像数据组的方法,所述方法包括:接收检查体积关于第一X射线能量的二维第一X射线投影;接收检查体积关于第二X射线能量的二维第二X射线投影,其中第一X射线能量和第二X射线能量不同;基于二维第一X射线投影来确定三维第一真实图像数据组;基于二维第一X射线投影和二维第二X射线投影来确定三维多能真实图像数据组;通过将训练函数应用到输入数据上来确定差分图像数据组,其中所述输入数据包括三维第一真实图像数据组和三维多能真实图像数据组;并且提供三维差分图像数据组。
在第二方面中,本发明涉及一种用于提供训练函数的计算机实施的方法,所述方法包括:确定训练检查体积关于第一训练X射线能量的第一训练真实图像数据组;以及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。所述方法还包括:确定训练检查体积的比较差分图像数据组,以及通过将训练函数应用到输入数据上来确定训练检查体积的训练差分图像数据组,其中输入数据基于第一训练真实图像数据组和多能训练真实图像数据组。所述方法还包括:基于训练差分图像数据组与比较差分图像数据组的比较来调整训练函数,以及提供训练函数。
在此,可以通过如下方式确定第一训练真实图像数据组:接收第一训练真实图像数据组。在此,可以通过如下方式确定多能训练真实图像数据组:接收多能训练真实图像数据组。在此,可以通过如下方式确定比较差分图像数据组:接收比较差分图像数据组。尤其可以通过如下方式提供训练函数:显示、传输和/或存储训练函数。
尤其可以借助于训练接口和/或借助于训练计算单元来确定第一训练真实图像数据组。尤其可以借助于训练接口和/或借助于训练计算单元来确定多能训练真实图像数据组。尤其可以借助于训练接口和/或借助于训练计算单元来确定比较差分图像数据组。尤其可以借助于训练计算单元来确定训练差分图像数据组。尤其可以借助于训练计算单元来调整训练函数。尤其可以借助于训练接口来提供训练函数。
第一训练真实图像数据组尤其可以具有第一真实图像数据组的参照用于提供差分图像数据组的方法描述的所有特性。第一训练真实图像数据组尤其是真实图像数据组。多能训练真实图像数据组尤其可以具有多能真实图像数据组的参照用于提供差分图像数据组的方法描述的所有特性。多能训练真实图像数据组尤其是真实图像数据组。训练差分图像数据组和比较差分图像数据组可以具有差分图像数据组的参照用于提供差分图像数据组的方法描述的所有特性。
发明人已经认识到,借助所描述的方法可以提供能够在用于提供差分图像数据组的方法中使用的训练函数。
根据本发明的另一可行的方面,用于提供训练函数的方法还包括:确定训练检查体积关于第二训练X射线能量的第二训练真实图像数据组,其中所述输入数据还基于第二训练真实图像数据组。在此,可以通过如下方式来确定第二训练真实图像数据组:接收第二训练真实图像数据组。尤其可以借助于训练接口和/或借助于训练计算单元来确定第二训练真实图像数据组。第二训练真实图像数据组尤其可以具有第二真实图像数据组的参照用于提供差分图像数据组的方法描述的所有特性。第二训练真实图像数据组尤其是真实图像数据组。
根据本发明的另一方面,用于提供训练函数的方法包括:确定训练检查体积的蒙片图像数据组,其中比较差分图像数据组通过数字减影血管造影术基于蒙片图像数据组和第一训练真实图像数据组来确定,或通过数字减影血管造影术基于蒙片图像数据组和多能训练真实图像数据组来确定。比较差分图像数据组尤其也可以通过数字减影血管造影术基于蒙片图像数据组和第二训练真实图像数据组来确定。
尤其可以通过接收蒙片图像数据组来确定蒙片图像数据组。替选地,也可以基于训练检查体积的蒙片X射线投影来确定蒙片图像数据组,其中在记录蒙片X射线投影的时刻,训练检查体积不包括造影剂。尤其可以借助于训练接口和/或训练计算单元来确定蒙片图像数据组。
尤其可以通过多能训练真实图像数据组与蒙片图像数据组相减来实现比较差分图像数据组。在这种情况下,比较差分图像数据组尤其是相减图像数据组。
发明人已经认识到,通过训练差分图像数据组与比较差分图像数据组的比较,其中比较差分图像数据组基于数字减影血管造影术,训练函数的输出数据特别好地对应于数字减影血管造影术的结果。尤其可以使用训练函数的输出数据替代数字减影血管造影术的结果。
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第一三维材料模型,其中第一训练真实图像数据组和/或多能训练真实图像数据组基于在X射线辐射与第一三维材料模型之间的交互作用的模拟。
材料模型尤其将材料特性分配给空间位置的集合。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。
发明人已经认识到,通过将材料模型用于调整训练函数的参数,可以尽可能地舍弃记录真实图像数据。由此,可以产生任意多的训练数据,而无需通过X射线记录使患者经受不必要的辐射剂量。
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第二三维材料模型,其中第一三维材料模型是训练检查体积的包括造影剂的材料模型,其中第二三维材料模型是训练检查体积的不具有造影剂的材料模型,并且其中蒙片图像数据组基于在X射线辐射与第二三维材料模型之间的交互作用的模拟。
发明人已经认识到,通过使用具有造影剂的第一材料模型和不具有造影剂的第二材料模型,可以完整地描述数字减影血管造影术。由此,通过模拟为训练函数产生训练数据,而无需记录真实的训练数据。由此,尤其可以将比较差分图像数据组确定为蒙片图像数据组与训练差分图像数据组的差,而无需记录真实的训练数据或使患者经受射线辐射。
在第三方面中,本发明涉及一种用于提供检查体积的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,
-其中接口和/或计算单元构成用于确定检查体积关于第一X射线能量的第一真实图像数据组,
-其中接口和/或计算单元还构成用于确定检查体积关于第一X射线能量和第二X射线能量的多能真实图像数据组,其中第二X射线能量与第一X射线能量不同,
-其中计算单元还构成用于通过将训练函数应用到输入数据上来确定检查体积的差分图像数据组,其中输入数据基于第一真实图像数据组和多能真实图像数据组,并且
-其中接口还构成用于提供差分图像数据组。
这种提供单元尤其可以构成用于,实施前述根据本发明的用于提供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射线能量的第一训练真实图像数据组,
-其中训练接口和/或训练计算单元还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/或训练计算单元还构成用于确定训练检查体积的比较差分图像数据组,
-其中训练计算单元还构成用于通过将训练函数应用到输入数据上来确定训练检查体积的训练差分图像数据组,
其中输入数据基于第一训练真实图像数据组和多能训练真实图像数据组,
-其中训练计算单元还构成用于基于训练差分图像数据组与比较差分图像数据组的比较来调整训练函数,
-其中训练接口还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的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,实施用于提供差分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,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示出用于确定差分图像数据组的方法的数据流的第三实施例,
图8示出第一投影角范围和第二投影角范围的第一实施例,
图9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10示出第一投影角范围和第二投影角范围的第二实施例,
图11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12示出用于提供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DDS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DDS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DDS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射线投影描绘包含在检查体积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描绘检查体积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示出用于确定差分图像数据组DD的方法的数据流的第一实施例。在所示出的实施例中,第一真实图像数据组RD.1是检查体积VOL关于第一X射线能量E1的二维X射线投影,并且第二真实图像数据组RD.2是检查体积VOL关于第二X射线能量E2的二维X射线投影。有利地,关于相同的投影方向记录第一真实图像数据组RD.1和第二真实图像数据组RD.2。在所述实施例中,多能真实图像数据组RD.M包括关于第一X射线能量E1的X射线投影和关于第二X射线能量E2的X射线投影。尤其地,在所述实施例中,因此不仅第一真实图像数据组RD.1、而且第二真实图像数据组RD.2以及多能真实图像数据组RD.M分别是二维图像数据组。
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和第二真实图像数据组RD.2作为输入数据。借此,在所述实施例中,训练函数TF的输入数据同样包括多能真实图像数据组RD.M。
此外,在所述实施例中,训练函数TF的输出数据对应于在所述实施例中同样是二维图像数据组的差分图像数据组DD。由此,在所述实施例中,训练函数TF是将二维图像数据组映射到另一二维图像数据组上的函数。
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关于两个维度具有相同的在像素中测量的扩展,并且在所述实施例中,差分图像数据组DD关于两个维度具有与第一真实图像数据组RD.1和第二真实图像数据组RD.2相同的在像素中测量的扩展。例如,第一真实图像数据组RD.1、第二真实图像数据组RD.2以及差分图像数据组关于第一维度可以具有512像素的扩展,并且关于第二维度可以具有512像素的扩展。
图6示出用于确定差分图像数据组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的二维X射线投影。
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以及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产生差分图像数据组DD作为输出数据,其中差分图像数据组DD尤其是三维图像数据组DD。训练函数TF因此尤其是将作为输入数据的三个三维图像数据组映射到作为输出数据的一个三维图像数据组上的函数,其中三个三维图像数据组尤其还可以具有不同的扩展。
替选地,训练函数TF可以生成概率数据组作为输出数据,并且通过概率数据组与多能真实图像数据组RD.M逐体素地相乘可以确定差分图像数据组DD。
在所述实施例中,差分图像数据组DD关于每个维度具有与多能真实图像组RD.M相同的在体素中测量的扩展,在所描述的替选方案中,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组RD.M相同的在体素中测量的扩展。例如,差分图像数据组DD或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示出用于确定差分图像数据组DD的方法的数据流的第三实施例。在所述实施例中,第一真实图像数据组RD.1包括多个第一X射线投影XD.1,并且第二真实图像数据组RD.2包括多个第二X射线投影XP.2。多能真实图像数据组RD.M还包括多个第一X射线投影XP.1和多个第二X射线投影XP.2。尤其地,在此,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,训练函数TF接收第一真实图像数据组RD.1和第二真实图像数据组RD.2作为输入数据。借此,训练函数TF的输入数据隐含地也基于多能真实图像数据组RD.M。此外,训练函数TF产生差分图像数据组DD作为输出数据,其中差分图像数据组DD尤其是三维图像数据组DD。训练函数TF因此尤其是将作为输入数据的多个第一二维X射线投影和多个第二二维X射线投影映射到作为输出数据的三维图像数据组上的函数。
图8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。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9对于在图8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9中描绘位置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9中描绘位置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9中描绘位置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9中描绘位置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9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9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10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8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11对于在图10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9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10中示出的投影角范围PA.1、PA.2和在图11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12示出用于提供差分图像数据组DD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-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。在此,通过借助于接口IF接收第一真实图像数据组RD.1进行确定DET-RD.1。所示出的第一示实施例的另一步骤是确定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,通过借助于接口IF接收第二真实图像数据组RD.2进行确定DET-RD.M。
可选地,在第一实施例中,还确定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,通过借助于接口IF接收第二真实图像数据组RD.2进行确定DET-RD.2。
作为另一步骤,在所示出的实施例中,通过将训练函数TF应用到输入数据上来确定检查体积VOL的差分图像数据组DD,其中输入数据基于第一真实图像数据组RD.1和多能真实图像数据组RD.M。可选地,输入数据也可以基于第二真实图像数据组RD.2。
在第一实施例的第一变型方案中,第一真实图像数据组RD.1、多能真实图像数据组RD.M以及第二真实图像数据组RD.2分别是二维图像数据组,并且差分图像数据组DD是二维差分图像数据组。在此,多能真实图像数据组RD.M包括第一真实图像数据组和第二真实图像数据组RD.1、RD.2。例如,这对应于在图5中示出的数据流。适用的是,d=f1(b(1),b(2))(其中d表示二维差分图像数据DD,b(1)表示二维第一真实图像数据RD.1,b(2)表示二维第二真实图像数据RD.2,并且其中f1表示训练函数TF)。在此,训练函数TF的输入数据隐含地通过如下方式基于多能真实图像数据组RD.M:所述输入数据包括第一真实图像数据组和第二真实图像数据组RD.1、RD.2。
在第一实施例的第二变型方案中,第一真实图像数据组RD.1、多能真实图像数据组RD.M以及可选的第二真实图像数据组RD.2分别是三维图像数据组,并且差分图像数据组DD是三维差分图像数据组。例如,这对应于在图6中示出的数据流。适用的是,D=f2(B(1),B(2),B(m))或D=f2(B(2),B(m))(其中D表示三维差分图像数据组DD,B(1)表示三维第一真实图像数据组RD.1,B(2)表示三维第二真实图像数据组RD.2,并且B(m)表示三维多能真实图像数据组RD.M,并且其中f2表示训练函数TF)。
在第一实施例的第三变型方案中,第一真实图像数据组RD.1、多能真实图像数据组RD.M以及第二真实图像数据组RD.2分别是二维图像数据组,并且差分图像数据组DD是三维差分图像数据组。在此,第一真实图像数据组RD.1包括关于第一X射线能量E1的多个第一X射线投影XP.1,并且第二真实图像数据组RD.2包括关于第二X射线能量E2的多个第二X射线投影XP.2。此外,多能真实图像数据组RD.M包括第一X射线投影和第二X射线投影XP.1、XP.2进而包括第一真实图像数据组和第二真实图像数据组RD.1、RD.2。例如,这对应于在图7中示出的数据流。适用的是,D=f3(b(1) 1,…,b(1) m,b(2) 1,…,b(2) n)(其中D表示三维差分图像数据组DD,b(1) 1,…,b(1) m表示二维第一真实图像数据组RD.2或第一X射线投影XP.2,并且b(2) 1,…,b(2) n表示三维第二差分图像数据组RD.2或第二X射线投影XP.2,并且其中f3表示训练函数TF)。在此,m是第一X射线投影XP.1的数量,并且n是第二X射线投影XP.2的数量。尤其可以适用的是n=m,但是n和m也可以是不同的数字。在此,训练函数TF的输入数据隐含地通过如下方式基于多能真实图像数据组RD.M:所述输入数据基于第一和第二实图像数据组RD.1,RD.2。
在此,训练函数TF是神经网络、尤其卷积神经网络(英文专业术语是“convolutional neural network”)或是包括卷积层(英文专业术语是“convolutionlayer”)的网络。神经网络尤其可以具有例如从O.Ronneberger,P.Fischer,和T.Brox的《U-Net:Convolutional Networks for Biomedical Image Segmentation》,MICCAI,2015年中已知的“U网(U-Net)”架构。
所示的实施例的最后的步骤是提供PROV-DD差分图像数据组DD,在此借助于接口IF来提供。提供PROV-DD差分图像数据组尤其可以包括显示、存储和/或传输差分图像数据组DD。
图13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,并且借助于接口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。
第二示例性实施例的另一步骤是确定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。
在所示出的实施例中,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,借此,三维概率数据组尤其将三维多能真实图像数据组RD.M的体素中的每个体素与概率值相关联。与三维多能真实图像数据组RD.M的体素相关联的概率值尤其是用于如下概率的量值:所述体素描绘检查体积VOL中的造影剂,或所述体素描绘检查体积VOL中的血管VES.1、VES.2。
第二实施例的另一步骤是借助于接口IF接收REC-TRF传递函数,并且借助于计算单元CU基于传递函数来修改MOD至少三维的概率数据组。在此,传递函数T:[0,1]→[0,1]是将概率值映射到概率值上的函数,并且尤其是单调递增的函数。通过将传递函数逐体素地应用到概率数据组上进行修改MOD,适用的是,W'ijk=T(W)ijk=T(Wijk),其中W'是经修改的概率数据组。
此外,在所述实施例中,通过将经修改的概率数据组与多能真实图像数据组RD.M逐体素地相乘来确定DET-DD差分图像数据组DD,即适用的是,D=T(W)·B(m)=T(f(B(1),B(2),B(m)))·B(m)。替选地,也可以舍弃概率数据组的修改MOD,在这种情况下,可以通过将概率数据组与多能真实图像数据组RD.M相乘来确定差分图像数据组,即通过D=W·B(m)=f(B(1),B(2),B(m))·B(m)。
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。第一实施例的第一步骤是确定训练检查体积关于第一训练X射线能量的第一训练真实图像数据组,并且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。此外,第一实施例包括确定训练检查体积关于第二训练X射线能量的第二训练真实图像数据组的可选步骤。在第一实施例中,借助于训练接口TIF不仅接收第一训练真实图像数据组,而且接收第二训练真实图像数据组以及多能训练真实图像数据组。
替选地,借助于训练接口也可以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,并且借助于训练计算单元可以作为第一训练X射线投影的三维重建确定第一训练真实图像数据组。此外,借助于训练接口也可以接收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,并且借助于训练计算单元作为第二训练X射线投影的三维重建可以确定第二训练真实图像数据组。
第一实施例的另一步骤是确定DET-CDD训练检查体积的比较差分图像数据组。在此,比较差分图像数据组尤其是训练检查体积的差分图像数据组,并且形成训练方法的基准真相(英文专业术语是“ground-truth”)。在第一实施例中,借助于训练接口接收比较差分图像数据组。
第一实施例的另一步骤是通过将训练函数应用到输入数据上来确定DET-TDD训练检查体积的训练差分图像数据组,其中输入数据基于第一训练真实图数据组和多能训练真实图像数据组。可选地,输入数据还基于第二训练真实图像数据组。
在此,训练函数TF是神经网络、尤其卷积神经网络(英文专业术语是“convolutional neural network”)或包括卷积层(英文专业术语是“convolutionlayer”)的网络。神经网络尤其可以具有例如从O.Ronneberger,P.Fischer和T.Brox的《U-Net:Convolutional Networks for Biomedical Image Segmentation》,MICCAI,2015年中已知的“U网”架构。
在此,训练差分图像数据组和比较差分图像数据组具有相同的维度,并且训练差分图像数据组的在像素或体素中测量的扩展关于每个维度与比较差分图像数据组的在像素或体素中测量的扩展相同。
第一实施例的另一步骤是基于训练差分图像数据组与比较差分图像数据组的比较来调整ADJ-TF训练函数。尤其地,基于评估训练差分图像数据组与比较差分图像数据组之间的偏差的成本函数进行调整。成本函数尤其可以是训练差分图像数据组和比较差异图像数据组的各个像素或体素的平方差的和。在所述实施例中,训练函数是人工神经网络,调整人工神经网络包括调整人工神经网络的至少一个边权,并且调整基于反向传播算法(英文专业术语是“backpropagation”)。
所示出的第一实施例的最后步骤是提供PROV-TF训练函数。在所示出的实施例中,训练函数被存储,替选地,训练函数(或者训练函数的一个或多个参数)也可以被显示或传输以用于进一步处理。
在第一实施例中,第一训练真实图像数据组和第二训练真实图像数据组以及训练差分图像数据组和比较差分图像数据组可以是二维图像数据组。在此,数据结构类似于图5。在这种情况下,多能训练真实图像数据组包括第一训练真实图像数据组和第二训练真实图像数据组。
替选地,第一训练真实图像数据组、第二训练真实图像数据组和多能训练真实图像数据组以及训练差分图像数据组和比较差分图像数据组可以是三维图像数据组。在此,数据结构类似于图6。
替选地,第一训练真实图像数据组和第二训练真实图像数据组可以分别包括多个二维X射线投影,并且训练差分图像数据组和比较差分图像数据组是三维图像数据组。在此,数据结构类似于图6,多能训练真实图像数据组尤其包括第一训练真实图像数据组和第二训练真实图像数据组。
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。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.1训练检查体积的第一三维材料模型,以及接收DET-MM.2训练检查体积的第二三维材料模型,尤其分别借助训练接口TIF来接收。在此其中第一三维材料模型是包括造影剂的训练检查体积的材料模型,并且第二三维材料模型是不具有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。因此,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射线能量为μ(1)(x)或μ(1) ijk,并且对于第二训练X射线能量为μ(2)(x)或μ(2) ijk。
在所示出的第二实施例中,第一训练真实图像数据TRD.1和第二训练真实图像数据TRD.2分别是训练检查体积的包括256·256·256体素的三维图像数据组,多能训练真实图像数据TRD.M是检查体积的包括512·512·512体素的三维图像数据组,并且第一材料模型同样包括512·512·512体素。因此,第一训练真实图像数据组TRD.1和第二训练真实图像数据组TRD.2作为计算,并且多能训练真实图像数据组TRD.M作为计算。
替选地,也可以基于第一材料模型来确定二维第一训练X射线投影和二维第二训练X射线投影,其中第一训练X射线投影对应于训练检查体积关于第一训练X射线能量的X射线投影,并且其中第二训练X射线投影对应于训练检查体积关于第二训练X射线能量的X射线投影。因此,尤其可以基于第一训练X射线投影来重建三维第一训练真实图像数据组,可以基于第二训练X射线投影来重建三维第二训练真实图像数据组,并且可以基于第一训练X射线投影和第二训练X射线投影来重建多能训练真实图像数据组。在这种情况下,训练X射线投影由方程
b(1/2)(y,v)∝∫Γ(y,v)μ(1/2)(x)dx
得出,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射线源至X射线探测器的路径。在这种情况下,尤其也可以对第一材料模型时间可变地进行建模,以便模拟训练检查体积中的造影剂的随时间变化的密度。
所示出的第二实施例还包括:确定DET-MD训练检查体积的蒙片图像数据组。在这种情况下,基于第二三维材料模型来确定蒙片图像数据组,例如作为(在此,ν表示第二材料模型)。替选地,也可以直接借助于训练接口接收蒙片图像数据组。
尤其同样可以从二维X射线投影的三维重建来确定蒙片图像数据组,其中所述蒙片图像数据组可以通过
m(1/2)(y,v)∝∫Γ(y,v)ν(1/2)(x)dx
确定。在此,蒙片图像数据组可以仅基于关于第一训练X射线能量的X射线投影m(1),仅基于关于第二X射线训练能量的X射线投影m(2),或不仅基于关于第一训练X射线能量的X射线投影(1),而且也基于关于第二训练X射线能量的X投影m(2)来确定。
在所示出的实施例中,然后基于蒙片图像数据组和多能训练真实图像数据组,通过数字减影血管造影术来确定DET-CDD比较差分图像数据组,即通过B(m) ijk–Mijk。替选地,也可以通过数字减影血管造影术基于蒙片图像数据组和第一训练真实图像数据组或者通过数字减影血管造影术基于蒙片图像数据组和第二训练真实图像数据组来确定比较差分图像数据组。
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 (24)
1.一种用于提供检查体积(VOL)的差分图像数据组(DD)的计算机实施的方法,
-确定(DET-RD.1)所述检查体积(VOL)关于第一X射线能量的第一真实图像数据组(RD.1),
-确定(DET-RD.M)所述检查体积(VOL)关于所述第一X射线能量和第二X射线能量的多能真实图像数据组(RD.M),
其中所述第二X射线能量与所述第一X射线能量不同,
-通过将训练函数(TF)应用到输入数据上来确定(DET-DID)所述检查体积(VOL)的所述差分图像数据组(DD),其中所述输入数据基于所述第一真实图像数据组(RD.1)和所述多能真实图像数据组(RD.M),以及
-提供(PROV-DD)所述差分图像数据组(DD)。
2.根据权利要求1所述的方法,所述方法还包括:
-确定(DET-RD.2)所述检查体积(VOL)关于第二X射线能量的第二真实图像数据组(RD.2);
其中所述输入数据还基于所述第二真实图像数据组(RD.2)。
3.根据权利要求1或2所述的方法,所述方法还包括:
-接收(REC-XP.1)所述检查体积(VOL)关于所述第一X射线能量的第一X射线投影(XP.1),
-接收(REC-XP.2)所述检查体积(VOL)关于所述第二X射线能量的第二X射线投影(XP.2);
其中所述第一真实图像数据组(RD.1)基于所述第一X射线投影(XP.1)和/或包括所述第一X射线投影;和/或
其中所述第二真实图像数据组(RD.2)基于所述第二X射线投影(XP.2)和/或包括所述第二X射线投影;和/或
其中所述多能真实图像数据组(RD.M)基于所述第一X射线投影(XP.1)和所述第二X射线投影(XP.2)和/或包括所述第一X射线投影和所述第二X射线投影。
4.根据权利要求3所述的方法,
其中所述第一真实图像数据组(RD.1)是所述第一X射线投影(XP.1)的至少三维的重建;和/或
其中所述第二真实图像数据组(RD.2)是所述第二X射线投影(XP.2)的至少三维的重建;和/或
其中所述多能真实图像数据组(RD.M)是所述第一X射线投影(XP.1)和所述第二X射线投影(XP.2)的至少三维的重建。
5.根据权利要求3或4所述的方法,
其中在记录所述第一X射线投影(XP.1)时,所述检查体积(VOL)包括造影剂,和/或,其中在记录所述第二X射线投影(XP.2)时,所述检查体积(VOL)包括造影剂。
6.根据权利要求3至5中任一项所述的方法,
其中同时记录所述第一X射线投影(XP.1)和所述第二X射线投影(XP.2)。
7.根据权利要求3至6中任一项所述的方法,
其中所述第一X射线投影(XP.1)是第一X射线源(SRC.1)和第一X射线探测器(DTC.1)的记录,并且其中所述第二X射线投影(XP.2)是第二X射线源(SRC.2)和第二X射线探测器(DTC.2)的记录。
8.根据权利要求7所述的方法,
其中双平面X射线设备(XSYS)包括所述第一X射线源(SRC.1)、所述第二X射线源(SRC.2)、所述第一X射线探测器(DTC.1)以及所述第二X射线探测器(DTC.2)。
9.根据权利要求3至8中任一项所述的方法,
其中所述第一X射线投影(XP.1)中的每个第一X射线投影是所述检查体积(VOL)关于第一投影角范围(PA.1)中的投影方向(v(1) 1、v(1) 2、v(1) 3)的X射线投影,
其中所述第二X射线投影(XP.2)中的每个第二X射线投影是所述检查体积(VOL)关于第二投影角范围(PA.2)中的投影方向(v(2) 1、v(2) 2、v(2) 3)的X射线投影,
并且其中所述第一投影角范围(PA.1)与所述第二投影角范围(PA.2)不同。
10.根据权利要求9所述的方法,
其中所述第一投影角范围(PA.1)与所述第二投影角范围(PA.2)是不相交的。
11.根据权利要求10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%,尤其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%,并且尤其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%。
12.根据上述权利要求中任一项所述的方法,
其中所述训练函数(TF)的所述输出数据包括概率数据组,其中所述差分图像数据组(DD)基于所述概率数据组。
13.根据权利要求12所述的方法,所述方法还包括:
-接收(REC-TRF)传递函数,
-基于所述传递函数来修改(MOD)至少三维的概率数据组。
14.根据权利要求12或13所述的方法,
其中所述差分图像数据组(DD)基于所述概率数据组与所述第一真实图像数据组(RD.1)和/或所述第二真实图像数据组(RD.2)和/或所述多能真实图像数据组(RD.M)的乘积。
15.一种用于提供训练函数的计算机实施的方法,所述方法包括:
-确定(DET-TRD.1)训练检查体积关于第一训练X射线能量的第一训练真实图像数据组,
-确定(DET-TRD.M)所述训练检查体积关于所述第一训练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,
其中所述第二训练X射线能量与所述第一训练X射线能量不同,
-确定(DET-CDD)所述训练检查体积的比较差分图像数据组,
-通过将所述训练函数应用到输入数据上来确定(DET-TDD)所述训练检查体积的训练差分图像数据组,其中所述输入数据基于所述第一训练真实图像数据组和所述多能训练真实图像数据组,
-基于所述训练差分图像数据组与所述比较差分图像数据组的比较来调整(ADJ-TF)所述训练函数(TF),
-提供(PROV-TF)所述训练函数(TF)。
16.根据权利要求15所述的方法,所述方法还包括:
-确定(DET-MD)所述训练检查体积的蒙片图像数据组;
其中所述比较差分图像数据组通过数字减影血管造影术基于所述蒙片图像数据组和所述第一训练真实图像数据组来确定,或通过数字减影血管造影术基于所述蒙片图像数据组和所述多能训练真实图像数据组来确定。
17.根据权利要求15或16所述的方法,所述方法还包括:
-接收(REC-MM.1)所述训练检查体积的第一三维材料模型,
其中所述第一训练真实图像数据组和/或所述多能训练真实图像数据组基于X射线辐射与所述第一三维材料模型之间的交互作用的模拟。
18.根据权利要求17所述的方法,所述方法还包括:
-接收(REC-MM.2)所述训练检查体积的第二三维材料模型,
其中所述第一三维材料模型是所述训练检查体积的包括造影剂的材料模型,
其中所述第二三维材料模型是所述训练检查体积的不具有造影剂的材料模型,
其中所述蒙片图像数据组基于X射线辐射与所述第二三维材料模型之间的交互作用的模拟。
19.一种用于提供检查体积(VOL)的差分图像数据组(DD)的提供系统,所述提供系统包括接口(IF)和计算单元(CU),
-其中所述接口(IF)和/或所述计算单元(CU)构成用于确定(DET-RD.1)所述检查体积(VOL)关于第一X射线能量的第一真实图像数据组(RD.1),
-其中所述接口(IF)和/或所述计算单元(CU)还构成用于确定(DET-RD.M)所述检查体积(VOL)关于所述第一X射线能量和第二X射线能量的多能真实图像数据组(RD.M),
其中所述第二X射线能量与所述第一X射线能量不同,
-其中所述计算单元(CU)还构成用于通过将训练函数(TF)应用到输入数据上来确定(DET-DID)所述检查体积(VOL)的所述差分图像数据组(DD),其中所述输入数据基于所述第一真实图像数据组(RD.1)和所述多能真实图像数据组(RD.M),并且
-其中所述接口(IF)还构成用于提供(PROV-DD)所述差分图像数据组(DD)。
20.一种X射线设备(XSYS),所述X射线设备包括根据权利要求19所述的提供系统。
21.一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(TIF)和训练计算单元(TCU),
-其中所述训练接口(TIF)和/或所述训练计算单元(TCU)构成用于确定(DET-TRD.1)训练检查体积关于第一训练X射线能量的第一训练真实图像数据组,
-其中所述训练接口(TIF)和/或所述训练计算单元(TCU)还构成用于确定(DET-TRD.M)所述训练检查体积关于所述第一训练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,
其中所述第二训练X射线能量与所述第一训练X射线能量不同,
-其中所述训练接口(TIF)和/或所述训练计算单元(TCU)还构成用于确定(DET-CDD)所述训练检查体积的比较差分图像数据组,
-其中所述训练计算单元(TCU)还构成用于通过将所述训练函数(TF)应用到输入数据上来确定(DET-TDD)所述训练检查体积的训练差分图像数据组,
其中所述输入数据基于所述第一训练真实图像数据组和所述多能训练真实数据组,
-其中所述训练计算单元(TCU)还构成用于基于所述训练差分图像数据组与所述比较差分图像数据组的比较来调整(ADJ-TF)所述训练函数(TF),
-其中所述训练接口还构成用于提供(PROV-TF)所述训练函数(TF)。
22.一种计算机程序产品,所述计算机程序产品具有计算机程序,所述计算机程序能够直接加载到提供系统(PRVS)的存储器(MU)中,所述计算机程序具有程序段,以便当由所述提供系统(PRVS)运行所述程序段时,实施根据权利要求1至14中任一项所述的方法的所有步骤;和/或所述计算机程序能够直接加载到训练系统(TRS)的训练存储器(TMU)中,所述计算机程序具有程序段,以便当由所述训练系统(TRS)运行所述程序段时,实施根据权利要求15至18中任一项所述的方法的所有步骤。
23.一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(PRVS)可读的和可运行的程序段,以便当由所述提供系统(PRVS)运行所述程序段时,实施根据权利要求1至14中任一项所述的方法的所有步骤;和/或在所述计算机可读的存储介质上存储有由训练系统(TRS)可读的和可运行的程序段,以便当由所述训练系统(TRS)运行所述程序段时,实施根据权利要求15至18中任一项所述的方法的所有步骤。
24.一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根据权利要求15至18所述的方法提供的训练函数(TF)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019200270.6 | 2019-01-11 | ||
DE102019200270.6A DE102019200270A1 (de) | 2019-01-11 | 2019-01-11 | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111435542A true CN111435542A (zh) | 2020-07-21 |
Family
ID=71132218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031634.9A Pending CN111435542A (zh) | 2019-01-11 | 2020-01-13 | 提供差分图像数据组和提供训练函数 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11508100B2 (zh) |
CN (1) | CN111435542A (zh) |
DE (1) | DE102019200270A1 (zh) |
Families Citing this family (5)
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 |
DE102019200269A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Beschränkungsbilddatensatzes und/oder eines Differenzbilddatensatzes |
DE102019200270A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
DE102019200888A1 (de) | 2019-01-24 | 2020-07-30 | Siemens Healthcare Gmbh | Bestimmen eines Bilddatensatzes |
DE102022210078A1 (de) * | 2022-09-23 | 2024-03-28 | Siemens Healthcare Gmbh | Bildgebungsverfahren und Bildgebungsvorrichtung |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011004120A1 (de) * | 2011-02-15 | 2012-08-16 | Siemens Aktiengesellschaft | Verfahren, Bilddatensatzbearbeitungseinrichtung, Röntgensystem und Computerprogrammprodukt zur Korrektur von Bilddaten eines Untersuchungsobjekts |
US20180374209A1 (en) * | 2017-06-27 | 2018-12-27 | General Electric Company | Material segmentation in image volumes |
Family Cites Families (11)
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 |
WO2011091300A2 (en) * | 2010-01-24 | 2011-07-28 | Mistretta Medical, Llc | System and method for implementation of 4d time-energy subtraction computed tomography |
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 |
US11813101B2 (en) * | 2018-01-31 | 2023-11-14 | 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 DE102019200270.6A patent/DE102019200270A1/de active Pending
-
2020
- 2020-01-07 US US16/736,058 patent/US11508100B2/en active Active
- 2020-01-13 CN CN202010031634.9A patent/CN111435542A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102011004120A1 (de) * | 2011-02-15 | 2012-08-16 | Siemens Aktiengesellschaft | Verfahren, Bilddatensatzbearbeitungseinrichtung, Röntgensystem und Computerprogrammprodukt zur Korrektur von Bilddaten eines Untersuchungsobjekts |
US20180374209A1 (en) * | 2017-06-27 | 2018-12-27 | General Electric Company | Material segmentation in image volumes |
Also Published As
Publication number | Publication date |
---|---|
US20200226801A1 (en) | 2020-07-16 |
DE102019200270A1 (de) | 2020-07-16 |
US11508100B2 (en) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111435542A (zh) | 提供差分图像数据组和提供训练函数 | |
US10803984B2 (en) | Medical image processing apparatus and medical image processing system | |
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 | |
US11769277B2 (en) | Deep learning based scatter correction | |
US10274439B2 (en) | System and method for spectral x-ray imaging | |
Beister et al. | Iterative reconstruction methods in X-ray CT | |
CN108877892B (zh) | 自动估算和减少计算机断层成像扫描中的散射 | |
US8615118B2 (en) | Techniques for tomographic image by background subtraction | |
CN111492406A (zh) | 使用机器学习的图像生成 | |
JP2019111346A (ja) | 医用処理装置及び放射線診断装置 | |
JP7341879B2 (ja) | 医用画像処理装置、x線コンピュータ断層撮影装置及びプログラム | |
Kearney et al. | Automated landmark-guided deformable image registration | |
JP7408664B2 (ja) | X線撮像システム | |
CN112085807A (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 | |
CN110689592A (zh) | 确定检查体积的差分图像数据组 | |
CN111462267A (zh) | 一种x射线投影数据的获取方法和系统 | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
Kole et al. | Evaluation of accelerated iterative x-ray CT image reconstruction using floating point graphics hardware | |
CN111435530B (zh) | 提供限制图像数据组和/或差分图像数据组 | |
Biguri et al. | A general method for motion compensation in x-ray computed tomography | |
Taubmann et al. | Computed tomography | |
CN107886554A (zh) | 流数据的重构 | |
CN109959669A (zh) | 基材料分解方法和装置及计算机可读存储介质 | |
Danyk et al. | Using clustering analysis for determination of scattering kernels in X-ray imaging | |
WO2020025537A1 (en) | A method for generating an image of an object from measurement data |
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 |