CN111542859A - 用于正则化重建的基于学习的体素进化 - Google Patents

用于正则化重建的基于学习的体素进化 Download PDF

Info

Publication number
CN111542859A
CN111542859A CN201880085340.5A CN201880085340A CN111542859A CN 111542859 A CN111542859 A CN 111542859A CN 201880085340 A CN201880085340 A CN 201880085340A CN 111542859 A CN111542859 A CN 111542859A
Authority
CN
China
Prior art keywords
image
hotspot
iterative
suspicious
hotspots
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
Application number
CN201880085340.5A
Other languages
English (en)
Inventor
S·德维韦迪
白传勇
A·安德烈耶夫
张滨
胡志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN111542859A publication Critical patent/CN111542859A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • 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
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Nuclear Medicine (AREA)
  • Image Processing (AREA)

Abstract

一种存储有指令的非瞬态计算机可读介质，所述指令能够由至少一个电子处理器(20)读取和运行以执行图像重建方法(100)。所述方法包括：对使用图像采集设备(12)采集的成像数据进行迭代图像重建；从通过所述迭代图像重建产生的多幅更新图像中选择更新图像；处理所选择的更新图像以生成热点伪影图；并且在通过所述迭代图像重建输出的重建图像中抑制由生成的热点伪影图识别的热点。

Description

用于正则化重建的基于学习的体素进化
技术领域
以下总体涉及医学成像技术、医学图像解读技术、图像重建技术以及相关技术。
背景技术
在正则化迭代图像重建中去除错误的热像素是要解决的有挑战的问题。热点伪影是一种特别有问题的伪影，其可以在迭代重建期间引入，尤其是采用边缘保留正则化的类型。当随机噪声强度波动变得足够大以满足正则化的边缘保留阈值时，会生成热点伪影。在这种情况下，它被保留并可能被误认为是由于肿瘤或病变的“真正的”热点。已经做出努力来调整参数，并在迭代图像之间应用拟合技术以平均成功率解决该问题。
以下公开了克服这些问题的新的和改进的系统和方法。
发明内容
在一个公开的方面中，一种非瞬态计算机可读储介质存储能够由至少一个电子处理器读取和运行以执行图像重建方法的指令。所述方法包括：对使用图像采集设备采集的成像数据执行迭代图像重建；从通过所述迭代图像重建产生的多幅更新图像中选择更新图像；处理所选择的更新图像以生成热点伪影图；并且在通过所述迭代图像重建输出的重建图像中抑制由生成的热点伪影图识别的热点。
在另一个公开的方面中，一种图像处理设备包括：电子处理器；以及非瞬态计算机可读介质，其存储能够由电子处理器读取和运行以执行图像重建方法的指令。所述方法包括：对使用图像采集设备采集的成像数据执行迭代图像重建；从通过所述迭代图像重建产生的多幅更新图像中选择更新图像；处理所选择的更新图像以生成热点伪影图；并且在通过所述迭代图像重建输出的重建图像中抑制由生成的热点伪影图识别的热点。
在另一个公开的方面中，一种图像处理设备包括：电子处理器；以及非瞬态计算机可读介质，其存储能够由电子处理器读取和运行以执行图像重建方法的指令。所述方法包括：对使用图像采集设备采集的成像数据执行迭代图像重建；使用迭代过程从通过所述迭代图像重建产生的更新图像生成热点伪影图，其中，每个迭代包括(i)使用针对所述迭代选择的阈值来对所述更新图像的像素进行阈值处理以生成经阈值处理的图像，以及(ii)对所述经阈值处理的图像进行三维连接性分析，以识别可疑的热点和背景区域；并且在通过所述迭代图像重建输出的重建图像中抑制由所述热点伪影图识别的所述热点。
一个优点在于去除了在正则化迭代图像重建或迭代图像后处理过程中生成的热点像素。
另一个优点在于不需要额外参数调整的成像系统。
另一个优点在于一种自适应的成像系统，其无需导入任何先前的学习模型或模板而通过调整和自动化过程来执行热点去除。
给定实施例可以不提供前述优点，提供前述优点中的一个、两个、更多或全部，和/或可以提供其它优点，对于本领域普通技术人员而言，在阅读和理解了本公开后，这将变得显而易见。
附图说明
本公开可以采取各种部件和部件的布置以及各个步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，且不应被解释为限制本公开。
图1示意性地示出了根据一个方面的图像重建系统；
图2示出了图1的系统的操作的示例性流程图；
图3示出了图2的流程图的操作图；
图4示出了图2的一些操作的示例性流程图操作；
图5示出了用于图2的流程图的操作的内核的图；
图6示出了图4的一些操作的示例性流程图操作；
图7示出了图2的一些操作的示例性流程图操作；
图8示出了图7的一些操作的示例性流程图操作；
图9示出了通过图2的操作重建的图像。
具体实施方式
本文公开了一种用于图像重建系统的插件，其生成热点伪影的图。这些可以以不同的方式被使用，例如，作为用于从最终图像去除的掩模，或者作为对迭代图像重建的反馈。公开的热点伪影检测器具有几个部件。
在一些实施例中，插件对在迭代重建期间生成的迭代图像进行操作。选择要处理以检测热点伪影的迭代图像可以在迭代重建中相对较早地生成，并且因此，可以在重建完成之前使从此迭代图像导出的热点伪影图可用，例如，用作对以后的迭代的反馈。在一种方法中，选择迭代图像作为第一图像，在所述第一图像处，图像内容的迭代到迭代变化低于准则(即，当迭代重建开始收敛时)。替代地，可以选择固定的迭代图像，例如第五迭代图像。可以针对迭代序列中的几幅图像实时执行热点伪影的检测，然后进一步处理(例如，使用投票算法)以确定真正的热点。
在一些实施例中，图像重建系统利用迭代过程，其中，处理迭代图像以选择用于识别热点(真实和伪影)的阈值，处理所识别的热点以归类为真实、伪影或不确定，将被分类为伪影的热点添加到热点伪影图，通过将具有例如通过投票算法从所述热点的邻近区域导出的值的背景像素强度替换被分类为真实的热点和被分类为伪影的热点两者的背景像素强度来更新图像，并在更新的图像上迭代重复此过程，直到没有热点为止。由于阈值中的迭代到迭代调整，所述迭代过程有利地在以后的迭代中更有效地检测了低对比度热点伪影。
在其他实施例中，所述插件在2D图像切片中执行基于阈值的热点识别，而使用3D区域增长连接性分析融合了在2D切片中识别的热点之后，在3D中执行对识别出的热点的分类。该方法将2D切片空间中的热点的更有效识别与3D体积空间中的识别出的热点的更准确分类组合在一起。
在进一步的实施例中，基于阈值的热点识别采用边缘检测变换(例如，经修改的2D拉普拉斯边缘增强处理)来改善热点识别。
在一些实施例中，热点分类任选地使用基于学习的方法。在此，在大多数热点是真实的(即不是伪影)的预期下，对给定强度类别(即强度直方图分箱)中所有已识别热点的迭代到迭代演变进行平均，以生成“典型”演变。然后，将要分类的每个热点的迭代到迭代演变与“典型”演变进行定量比较，如果差异超过准则差异，则将其标记为伪影。该学习可以将从历史数据中学到的参数与从重建中的成像数据的热点“学习”的“典型”演变相结合。
其他预期的实施例包括所生成的热点伪影图的各种用法。在一个应用中，它在迭代重建完成后用作掩模，以去除伪影。在另一应用中，在迭代重建完成之前生成掩模以抑制热点。作为进一步的变型，向医务人员呈现去除/未去除热点伪影的图像可能是有利的，以便医务人员可以独立地评估他们是否认为去除的热点确实是伪影。
尽管本文针对PET成像系统进行了描述，但是所公开的方法可以是混合PET/计算机断层摄影(CT)成像系统；伽马照相机单光子发射计算机断层摄影(SPECT)成像系统，混合SPECT/CT成像系统，混合PET磁共振(MR)成像系统，等等。
参考图1，示出了说明性医学成像系统10。如图1所示，系统10包括发射图像采集设备12。在示例中，图像采集设备12可包括PET成像设备。在其他示例中，图像采集设备12可以是任何其他合适的图像采集设备(例如，SPECT，混合设备等)。患者台14被布置为将患者加载到检查区域16中，并且更具体地，可以将俯卧或仰卧的患者轴向地移动到用于PET成像的PET扫描仪12的检查区域中。
系统10还包括计算机或工作站18或具有典型部件的其他电子数据处理设备，所述部件例如至少一个电子处理器20，至少一个用户输入设备(例如，鼠标、键盘、轨迹球等)22和显示设备24。在一些实施例中，显示设备24可以是与计算机18分开的部件。工作站18还可以包括一个或多个数据库或非瞬态存储介质26(例如，磁盘、RAID或其他磁存储介质；固态驱动器、闪存驱动器、电子可擦除只读存储器(EEROM)或其他电子存储器；光盘或其他光学存储介质；其各种组合；等等)，其存储一个或多个数据库(例如，电子病历(EMR)数据库、放射学信息系统(RIS)和/或图片存档及通信系统(PACS)数据库等)。显示设备24被配置为显示包括一个或多个字段的图形用户接口(GUI)28，以从用户输入设备22接收用户输入。
至少一个电子处理器20与一个或多个非瞬态存储介质26可操作地连接，非瞬态存储介质26存储能够由所述至少一个电子处理器20读取和运行的指令以执行所公开的操作，包括执行图像重建方法或过程100。在一些示例中，可以至少部分地通过云处理来执行图像重建方法或过程100。
参考图2，图像重建方法100的说明性实施例被示意性地示出为流程图。
在102处，所述至少一个电子处理器20被编程为对使用图像采集设备12采集的成像数据执行迭代图像重建。
在104处，所述至少一个电子处理器20被编程为从通过所述迭代图像重建产生的多幅更新图像中选择更新图像。
在106处，所述至少一个电子处理器20被编程为处理所选择的更新图像。
在108处，所述至少一个电子处理器20被编程为根据对所选择的图像的处理来生成可疑热点伪影图。
在110处，所述至少一个电子处理器20被编程为处理所生成的可疑热点伪影图。
在112处，所述至少一个电子处理器20被编程为根据对所述可疑热点伪影图的处理来生成真实热点伪影图。
在114处，所述至少一个电子处理器20被编程为在通过迭代图像重建输出的重建图像中抑制由所生成的真实热点伪影图所识别的热点。
在一些实施例中，从通过迭代图像重建产生的多幅更新图像中选择更新图像(即，操作102和104)包括：确定每个获得的图像中的可疑热点的最大数量；并且确定每个获得的图像中的可疑热点的最大数量是否恒定；并且在确定恒定数量的可疑热点后选择图像。
图像选择操作104选择可用于定位可疑的热像素的“最合适”图像。在所有迭代图像中，此最合适的图像具有最大数量的可疑热像素。从第一个迭代图像开始，图像选择过程将找到像素的最大强度类别。针对所有迭代图像定位最大强度类别，直到对于两个相继的迭代，最大值类别变为恒定。当该最大数目变为常数时，所述迭代图像被视为要被选择。
图3示出了图像选择过程的示例。如图3所示，最大值类别(例如，峰的位置)随着图像的迭代数量的增加而减小，并且在迭代图像6之后变为恒定。因此，迭代图像6是选择的图像。
在一些实施例中，处理操作106包括：利用三维连接分量分析根据所选择的图像中的成像计数来标记所选择的图像中的特征和背景；移除所选择的图像中的标记的特征和背景；并且利用移除的特征和背景来更新所选择的图像。在其他实施例中，处理操作106包括利用三维连接分量分析来在所选择的图像中标记可疑热点；对标记的可疑热点应用热点可疑认证过程，以确定所选择的图像中的热点；利用所确定的热点来生成热点伪影图；并且利用所确定的热点来更新像素更新过程。所述标记、应用、生成和更新被重复，直到所选择的图像中没有成像计数为止。在其他实施例中，所述热点可疑认证过程包括基于对包括所述可疑热点的相邻图像像素的窗口的分析来确定热点是否为真实热点；并且用确定的真实热点来更新像素更新过程。在其他实施例中，处理操作106包括对选择的图像进行归一化；应用边缘检测变换(例如，对归一化图像进行修改的拉普拉斯变换)；生成表示应用了拉普的斯变换的图像的像素数的直方图；确定直方图的分箱配置；并且使用所述分箱配置来确定所选择的图像中的一个或多个热点。
图4示出了处理操作106包括操作202-234。在202，使用3D图像归一化算法对所选择的图像(例如，在操作104处选择的图像)进行归一化。图像归一化过程将图像中的所有像素强度都置于预定范围内。在一些示例中，使用反正切函数来实现归一化算法，使得高强度像素展开，而低强度像素全部聚集到原点。展开的高强度像素在使用成像技术定位特征和伪热像素方面很有用。公式1用于确定归一化像素强度，
Px＝f(Px/P最大)*N常量
其中，Px是像素强度，P最大是3D(或2D切片)体积中的最大像素强度。在一些示例中，函数f()可以是任何合适的函数(例如，反正切，S形，经修改的S形，整流线性单元以及将强度范围限制在预定范围内的其他类似算法)。图5示出了在归一化操作202中使用的归一化内核的示例，其中，x轴示出了原始像素强度，而y轴示出了归一化像素强度。
在204处，利用2D经修改的拉普拉斯变换来处理归一化的图像。变换向归一化图像的中心像素增加了更多权重，以突出显示图像的边缘。换句话说，所述变换是保留边缘的变换。
在206处，通过掩模操作来处理被应用了变换的图像。掩模操作可确保捕获原始图像中的所有特征。
在208处，利用2D直方图分析来处理图像。直方图被生成为是图像中分箱的强度对图像的分箱的像素计数的函数。
在210，用重新分箱算法处理直方图。重新分箱算法为每个图像切片设置阈值，以优化图像中的特征和背景。
在212，利用2D二元化处理来处理图像。二元化过程识别图像中所有可疑的热点，以使这些斑点成为单个斑点(借助于位于2D空间而不是3D空间中)。
在214，利用3D连接分量处理来处理图像。连接分量处理是一种区域增长算法，用于选择图像中的所有特征。
从3D连接分量处理214，图像经历两个处理循环，其中第一循环包括操作216-220，并且第二循环包括操作222-234。在216处，在图像中识别特征(例如，骨骼、心脏壁摄取、其他重要的病变和结构等)和背景。在218处，从图像中去除特征和背景。在220处，用去除的特征和背景来更新图像。然后使用2D修改的拉普拉斯算子来处理此更新(在208)，并且对经更新的图像重复操作208-218。
在222，在连接分量处理之后(在214)，在图像中识别出可疑的热点。在224，利用应用于每个热点候选者的热点可疑认证(HSSQ)处理来处理图像，以确定可疑热点是否是真实热点(即，不是真实物体而是增强的噪声波动)。如果确定可疑热点为真，则在226，将热点添加到热点像素图(即，操作108)。如果确定可疑热点为假，则在228处，确定剩余计数的数量是否大于零(即，计数仍然可用)。如果剩余计数的数量为零，则执行真实热点像素图的处理(即，操作110)。如果还有剩余计数，则在230处，用像素更新过程处理图像，以将“假”热点与所识别的背景特征融合。在232处，利用融合有背景像素的假热点来更新图像(即，使得虚假热点在操作220的下一次迭代时被去除)。
图6更详细地示出了HSSQ过程224。因为2D直方图分析会生成许多可疑热点，所以需要HSSQ过程224。HSSQ过程224包括操作302-308。在302处，对于图像中的每个可疑热点，使用自适应2D或3D窗口尺寸(例如，3×3体积元素窗口尺寸)来定位可疑热点的所有相邻像素。在304处，确定对于每个热点是否都满足热点邻居行为准则。例如，准则可以是所有像素是否都小于可疑热点像素最大灰度强度值的某个百分比(例如60％)。如果满足准则，则在306，将可疑热点标记为合格热点。替代地，可以实施从可疑热点的像素的附近确定的投票处理，以设计HSSQ处理224。在308处，基于合格热点的局部强度分布来更新像素更新过程(在230处)用于下一迭代。
在一些实施例中，操作110和112可以包括：在分箱配置中为每个可疑热点确定一个分箱；在通过迭代图像重建产生的多幅更新图像上，拟合针对分箱配置的每个分箱中的每个可疑热点中的每个像素的演变的模型；为每个分箱配置确定曲线的曲线拟合过程(例如，二次方程，多项式等)；提取每个可疑热点的每个像素的值；对每个提取的值进行二次方程拟合；并将模型和二次方程应用于评估过程，以确定真正的热点。
图7更详细地示出了操作110。操作110包括操作402-412。在402，对于每个可疑像素，所有像素被定位于可疑像素所属的直方图的类别中。在404，第一二次方程模型被拟合到该类中所有迭代图像上的所有像素。在406，针对该类的代表性曲线对第一二次方程求平均。由于可疑像素可能会获得高强度要素类的值，因此计算出代表性曲线，但是其演变可能并不相同。因此，像素的演变曲线必须与代表类的演变曲线接近，因为它有资格作为特征，并具有代表图像中的实际像素值。在408，对于每个可疑像素，跨所有迭代图像提取可疑像素的值。在410处，第二二次方程模型被拟合到该类别中的所有图像的所有像素。在412处，利用评估过程来评估平均的第一二次方程模型和第二二次公式。
图8示出了评估过程412的示例。如图8所示，计算出代表性像素曲线(RPC)和代表性类别曲线(RCC)。评估算法根据RPC和RCC计算归一化像素强度(NPI)。如果来自这些曲线的两个值的百分比差异大于(例如)0.5％，则认为这是错误的热点。选择0.5％阈值作为经验得出的值。该值可能会根据几个参数而变化，例如存在可疑热点的区域、重建算法和使用的其他参数。该值可适用于不同的可疑热点，而值0.5是通用值。评估准则的值非常严格，因此我们不会误识别任何热点像素热点。
在一些实施例中，操作114包括在通过迭代图像重建产生的中间更新图像中抑制由产生的热点伪影图识别的热点；并且从具有热点抑制的中间更新图像开始继续迭代图像重建。
图9示出了来自重建方法100的示例图像。在操作104处选择具有热点(由白框表示)的原始切片。从操作106-112生成热点图(由与所选择的图像中的白框相对应的白框表示)。热点图将应用于所选择的图像以去除热点(如在更新的图像中消除了白框所示)。
己经参考优选实施例描述了本公开。本领域技术人员通过阅读和理解前述的详细描述，可以进行各种修改和变型。目的是，本发明被理解为包括所有这样的修改和变动，只要它们落了权利要求书或其等价方案的范围之内。

Claims (20)

1.一种存储有指令的非瞬态计算机可读介质，所述指令能够由至少一个电子处理器(20)读取和运行的指令以执行图像重建方法(100)，所述方法包括：
对使用图像采集设备(12)采集的成像数据进行迭代图像重建；
从通过所述迭代图像重建产生的多幅更新图像中选择更新图像；
处理所选择的更新图像以生成热点伪影图；并且
在通过所述迭代图像重建输出的重建图像中抑制由所生成的热点伪影图识别的热点。
2.根据权利要求1所述的非瞬态计算机可读介质，其中，所述处理包括：
利用三维连接分量分析根据所选择的图像中的成像计数来标记所选择的图像中的特征和背景；
移除所选择的图像中的所标记的特征和背景；并且
利用所移除的特征和背景来更新所选择的图像。
3.根据权利要求2所述的非瞬态计算机可读介质，其中，所述处理包括：
利用三维连接分量分析来标记所选择的图像中的可疑热点；
对所标记的可疑热点应用热点可疑认证过程，以确定所选择的图像中的热点；并且
利用所确定的热点来生成所述热点伪影图。
4.根据权利要求3所述的非瞬态计算机可读介质，还包括：
利用所确定的热点更新像素更新过程，
其中，所述标记、所述应用、所述生成和所述更新被重复，直到所选择的图像中没有成像计数为止。
5.根据权利要求3和4中的任一项所述的非瞬态计算机可读介质，其中，所述热点可疑认证过程包括：
基于对包括所述可疑热点的邻近图像像素的窗口的分析，来确定热点是否为真实热点；并且
利用所确定的真实热点来更新所述像素更新过程。
6.根据权利要求1-5中的任一项所述的非瞬态计算机可读介质，其中，所述处理包括：
对所选择的图像进行归一化；
对经归一化的图像应用边缘检测变换；
生成表示应用了所述边缘检测变换的图像的像素计数的直方图；
确定所述直方图的分箱配置；并且
使用所述分箱配置来确定所选择的图像中的一个或多个热点。
7.根据权利要求6所述的非瞬态计算机可读介质，其中，所述处理包括：
在所述分箱配置中针对每个可疑热点确定分箱；
在通过迭代图像重建产生的多幅更新图像上，拟合针对所述分箱配置的每个分箱中的每个可疑热点中的每个像素的演变的模型；
确定针对每个分箱配置的拟合曲线；
提取每个可疑热点的每个像素的值；
拟合针对每个提取值的所述拟合曲线；
将所述模型和所述拟合曲线应用于评估过程以确定真实热点。
8.根据权利要求1-7中的任一项所述的非瞬态计算机可读介质，其中，从通过所述迭代图像重建产生的所述多幅更新图像中选择所述更新图像包括：
确定所获得的图像中的每幅图像中的可疑热点的最大数量；
确定所获得的图像中的每幅图像中的可疑热点的最大数量何时恒定；并且
在确定恒定数量的可疑热点后选择所述图像。
9.根据权利要求1-8中的任一项所述的非瞬态计算机可读介质，其中，通过所述迭代图像重建输出的所述重建图像中的抑制热点包括：
在通过所述迭代图像重建产生的中间更新图像中抑制由生成的热点伪影图识别的热点；并且
从具有所抑制的热点的所述中间更新图像开始继续所述迭代图像重建。
10.一种图像处理设备，包括：
电子处理器(20)；以及
非瞬态计算机可读介质，其存储能够由所述电子处理器读取和运行以执行图像重建方法的指令，所述图像重建方法包括：
对使用图像采集设备(12)采集的成像数据执行迭代图像重建；
从通过所述迭代图像重建产生的多幅更新图像中选择更新图像；
处理所选择的更新图像以生成热点伪影图；以及
在通过所述迭代图像重建输出的重建图像中抑制由所生成的热点伪影图识别的热点。
11.根据权利要求10所述的非图像处理设备，其中，所述处理包括：
利用三维连接分量分析根据所选择的图像中的成像计数来标记所选择的图像中的特征和背景；
移除所选择的图像中的所标记的特征和背景；以及
利用所移除的特征和背景来更新所选择的图像。
12.根据权利要求11所述的图像处理设备，其中，所述处理包括：
利用三维连接分量分析来标记所选择的图像中的可疑热点；
对所标记的可疑热点应用热点可疑认证过程，以确定所选择的图像中的热点；
利用所确定的热点来生成热点伪影图；以及
利用所确定的热点更新像素更新过程，
其中，所述标记、所述应用、所述生成和所述更新被重复，直到所选择的图像中没有成像计数为止。
13.根据权利要求12所述的图像处理设备，其中，所述热点可疑认证过程包括：
基于对包括所述可疑热点的邻近图像像素的窗口的分析，来确定热点是否为真实热点；以及
利用所确定的真实热点来更新所述像素更新过程。
14.根据权利要求10-13中的任一项所述的图像处理设备，其中，所述处理包括：
对所选择的图像进行归一化；
对经归一化的图像应用边缘检测变换；
生成表示应用了所述边缘检测变换的图像的像素计数的直方图；
确定所述直方图的分箱配置；以及
使用所述分箱配置来确定所选择的图像中的一个或多个热点。
15.根据权利要求14所述的图像处理设备，其中，所述处理包括：
在所述分箱配置中针对每个可疑热点确定分箱；
在通过迭代图像重建产生的多幅更新图像上，拟合针对分箱配置的每个分箱中的每个可疑热点中的每个像素的演变的模型；
确定针对每个分箱配置的拟合曲线；
提取每个可疑热点的每个像素的值；
拟合针对每个提取值的所述拟合曲线；
将所述模型和所述拟合曲线应用于评估过程以确定真实热点。
16.根据权利要求10-15中的任一项所述的图像处理设备，其中，从通过所述迭代图像重建产生的所述多幅更新图像中选择所述更新图像包括：
确定所获得的图像中的每幅图像中的可疑热点的最大数量；
确定每幅获得的图像中的可疑热点的所述最大数量何时恒定；以及
在确定恒定数量的可疑热点后选择所述图像。
17.根据权利要求10-16中的任一项所述的图像处理设备，其中，通过所述迭代图像重建输出的所述重建图像中的抑制热点包括：
在通过所述迭代图像重建产生的中间更新图像中抑制由生成的热点伪影图识别的热点；以及
从具有所抑制的热点的所述中间更新图像开始继续所述迭代图像重建。
18.一种图像处理设备，包括：
电子处理器(20)；以及
非瞬态计算机可读介质，其存储能够由所述电子处理器读取和运行以执行图像重建方法的指令，所述方法包括：
对使用图像采集设备(12)采集的成像数据进行迭代图像重建；
使用迭代过程根据通过所述迭代图像重建产生的更新图像来生成热点伪影图，其中，每次迭代包括(i)使用针对所述迭代选择的阈值来对所述更新图像的像素进行阈值处理以产生经阈值处理的图像，以及(ii)对所述经阈值处理的图像执行三维连接性分析，以识别可疑热点和背景区域；以及
在通过所述迭代图像重建输出的重建图像中抑制由热点伪影图识别的热点。
19.根据权利要求18所述的图像处理设备，其中，所述阈值处理是在所述更新图像的二维切片中执行的。
20.根据权利要求19所述的图像处理设备，其中，每次迭代还包括(iii)使用尺寸准则来认证可疑热点，其中，将小于所述尺寸准则的可疑热点识别为热点。
CN201880085340.5A 2018-01-02 2018-12-24 用于正则化重建的基于学习的体素进化 Pending CN111542859A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862612828P 2018-01-02 2018-01-02
US62/612,828 2018-01-02
PCT/EP2018/086838 WO2019134871A1 (en) 2018-01-02 2018-12-24 Learning-based voxel evolution for regularized reconstruction

Publications (1)

Publication Number Publication Date
CN111542859A true CN111542859A (zh) 2020-08-14

Family

ID=64899372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880085340.5A Pending CN111542859A (zh) 2018-01-02 2018-12-24 用于正则化重建的基于学习的体素进化

Country Status (5)

Country Link
US (1) US11354834B2 (zh)
EP (1) EP3735676A1 (zh)
JP (1) JP7159341B2 (zh)
CN (1) CN111542859A (zh)
WO (1) WO2019134871A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103229212A (zh) * 2010-11-30 2013-07-31 皇家飞利浦电子股份有限公司 具有基于恒定方差的加权因子的迭代重建算法
CN103339652A (zh) * 2010-12-01 2013-10-02 皇家飞利浦电子股份有限公司 靠近伪影源的诊断图像特征
US20170039706A1 (en) * 2014-03-04 2017-02-09 The Trustees Of Columbia University In The City Of New York Regularization of images
CN106683144A (zh) * 2016-12-30 2017-05-17 上海联影医疗科技有限公司 一种图像迭代重建方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3603543B2 (ja) 1997-06-06 2004-12-22 株式会社日立製作所 画像間位置ずれ解析法
WO2013056733A1 (en) 2011-10-19 2013-04-25 Siemens Aktiengesellschaft Out of plane artifact reduction in digital breast tomosynthesis and ct
CN104240184B (zh) 2013-06-08 2017-09-26 通用电气公司 噪声标准差的估算方法和系统
WO2017174627A1 (en) * 2016-04-05 2017-10-12 Koninklijke Philips N.V. Medical image processing
JP7041128B6 (ja) * 2016-09-30 2022-05-30 コーニンクレッカ フィリップス エヌ ヴェ ノイズに起因するアーチファクト形成の動的抑制を用いた反復画像再構成
WO2018108848A1 (en) * 2016-12-14 2018-06-21 Koninklijke Philips N.V. Information-adaptive regularization for iterative image reconstruction
KR102037117B1 (ko) * 2017-08-02 2019-11-29 재단법인 아산사회복지재단 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103229212A (zh) * 2010-11-30 2013-07-31 皇家飞利浦电子股份有限公司 具有基于恒定方差的加权因子的迭代重建算法
CN103339652A (zh) * 2010-12-01 2013-10-02 皇家飞利浦电子股份有限公司 靠近伪影源的诊断图像特征
US20170039706A1 (en) * 2014-03-04 2017-02-09 The Trustees Of Columbia University In The City Of New York Regularization of images
CN106683144A (zh) * 2016-12-30 2017-05-17 上海联影医疗科技有限公司 一种图像迭代重建方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郭红宇;戴建平;何砚发;: "基于迭代的PROPELLER MRI重建算法", 中国图象图形学报, no. 02 *
陈豫;罗海;周荷琴;: "基于自适应衰减滤波的CT图像去金属伪影混合算法", 中国医疗器械杂志, no. 02 *

Also Published As

Publication number Publication date
US11354834B2 (en) 2022-06-07
US20200334873A1 (en) 2020-10-22
JP2021508839A (ja) 2021-03-11
JP7159341B2 (ja) 2022-10-24
EP3735676A1 (en) 2020-11-11
WO2019134871A1 (en) 2019-07-11

Similar Documents

Publication Publication Date Title
Chan et al. Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine
US10043280B2 (en) Method and system for image segmentation
JP4311598B2 (ja) 異常陰影検出方法および装置
JP2011526508A (ja) 医療用画像の領域分割
Meissen et al. Challenging current semi-supervised anomaly segmentation methods for brain MRI
EP2580737B1 (en) Tissue classification
George et al. Efficient preprocessing filters and mass segmentation techniques for mammogram images
Bal et al. An efficient method for PET image denoising by combining multi-scale transform and non-local means
US8224048B2 (en) Computer implemented method for correction of magnetic resonance images
KR20170117324A (ko) 화상 처리장치, 화상 처리방법, 및 기억매체
US9672600B2 (en) Clavicle suppression in radiographic images
Veluchamy et al. Brightness preserving optimized weighted bi‐histogram equalization algorithm and its application to MR brain image segmentation
Srinivasa et al. Identifying Lung Nodules on MRR Connected Feature Streams for Tumor Segmentation
Lee et al. Automatic segmentation for pulmonary nodules in CT images based on multifractal analysis
Sun et al. Fusion of noisy images based on joint distribution model in dual‐tree complex wavelet domain
US11354834B2 (en) Learning-based voxel evolution for regularized reconstruction
Sai et al. Advanced Image Processing techniques based model for Brain Tumour detection
Asim et al. Comparison of different de-noising techniques for removal of poison noise from cervical X-Rays images
Venkatesh et al. Detection of diverse tumefactions in medial images by various cumulation methods
US20230191157A1 (en) Automatic estimation of positions of brachytherapy seeds
Alfayez Automated Algorithms for Detecting and Classifying X-Ray Images of Spine Fractures.
Ostojić et al. Recursive radiography image denoising
Chandrashekar et al. A two-stage multi-objective enhancement for fused magnetic resonance image and computed tomography brain images
Tremblay et al. Integrating region and edge information for the automatic segmentation of interventional magnetic resonance images of the shoulder complex
Majda et al. Graph cuts segmentation approach using a patch-based similarity measure applied for interactive CT lung image segmentation

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200814

WD01 Invention patent application deemed withdrawn after publication