CN111684486B - 谱计算机断层摄影成像系统和计算机可读存储介质 - Google Patents
谱计算机断层摄影成像系统和计算机可读存储介质 Download PDFInfo
- Publication number
- CN111684486B CN111684486B CN201980011363.6A CN201980011363A CN111684486B CN 111684486 B CN111684486 B CN 111684486B CN 201980011363 A CN201980011363 A CN 201980011363A CN 111684486 B CN111684486 B CN 111684486B
- Authority
- CN
- China
- Prior art keywords
- contrast
- image
- enhanced
- training
- neural network
- 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
- 230000003595 spectral effect Effects 0.000 title claims abstract description 87
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 230000005855 radiation Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000012384 transportation and delivery Methods 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims 1
- 150000003839 salts Chemical class 0.000 claims 1
- 238000000701 chemical imaging Methods 0.000 abstract description 9
- 238000002591 computed tomography Methods 0.000 description 28
- 230000009977 dual effect Effects 0.000 description 19
- 238000000354 decomposition reaction Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 7
- 239000002872 contrast media Substances 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 4
- 229910052740 iodine Inorganic materials 0.000 description 4
- 239000011630 iodine Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000002730 additional effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 208000005475 Vascular calcification Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- -1 soft tissue Substances 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 208000000913 Kidney Calculi Diseases 0.000 description 1
- 206010029148 Nephrolithiasis Diseases 0.000 description 1
- 206010062104 Renal mass Diseases 0.000 description 1
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- GLXGDSIDFQEZRG-UHFFFAOYSA-N [Ca].[I] Chemical compound [Ca].[I] GLXGDSIDFQEZRG-UHFFFAOYSA-N 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- 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
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Optics & Photonics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种谱计算机断层摄影成像系统(102)包括辐射源(112)和探测器阵列(114),所述辐射源被配置为发射x射线辐射,所述探测器阵列被配置为探测x射线辐射并且生成谱数据。所述谱成像系统还包括存储器(134),所述存储器被配置为存储虚拟非对比图像增强模块(136),所述虚拟非对比图像增强模块包括计算机可执行指令,所述计算机可执行指令包括被训练为产生图像质量增强的虚拟非对比图像的神经网络。所述神经网络利用训练谱数据和从非对比增强扫描生成的训练非对比增强图像来训练。所述谱成像系统还包括处理器(132),所述处理器被配置为利用所述经训练的神经网络来处理所述谱数据以产生所述图像质量增强的虚拟非对比图像。
Description
技术领域
以下总体涉及成像,并且更具体涉及改善利用由谱计算机断层摄影(CT)扫描器采集的数据生成的虚拟非对比图像的图像质量。
背景技术
CT扫描器一般包括在探测器阵列对面被安装在可旋转机架上的单个宽带x射线管。x射线管围绕位于x射线管与探测器阵列之间的检查区域旋转,并且发射穿过检查区域的多色辐射。探测器阵列探测穿过检查区域的辐射并且生成投影数据。投影数据被重建以生成体积图像数据,其能够用来生成一幅或多幅二维图像。图像包括根据对应于相对放射密度的灰度值表示的像素。这些值反映被扫描对象的衰减特性,并且一般示出诸如对象内的解剖结构的结构。
对比增强CT扫描包括扫描已经被给予放射性对比剂的对象。包括对比增强扫描的程序也已经包括非对比增强扫描。例如,对于冠状动脉疾病,对比增强图像对检测血管狭窄和/或泄漏有用,但是由于碘的存在,不太适合于检测血管钙化,并且单独的非增强扫描也被执行用于检测血管钙化。在另一范例中,对于肾脏肿块,患者已经经历非对比增强扫描和对比增强肾造影扫描,其中非对比增强肾造影图像与对比增强肾造影图像之间的衰减值进行比较以确定肿块是否正在加剧。遗憾的是,执行两次扫描而非一次增加了总体患者x射线辐射剂量和扫描时间,并且降低了患者吞吐量。
利用这种CT扫描器,探测到的辐射还包括谱信息,因为由对象和/或物体对辐射的吸收取决于穿过其中的光子的能量。这种谱信息能够提供额外的信息,诸如对象和/或物体的组织和/或物质的元素或物质分量(例如,原子序数)的信息。遗憾的是,投影数据不反映谱特性,因为由探测器阵列输出的信号与在能量谱内积分的能量注量成比例。这种CT扫描器在本文中也被称为非谱CT扫描器。被配置用于谱成像的CT扫描器利用谱信息。这种CT扫描器在本文中被称为谱CT扫描器。
谱CT扫描器利用对象中的物质(例如,骨、软组织、脂肪、注射的对比剂)的能量相关衰减性质的差异以通过物质分解来提供物质特异性图像。范例谱CT扫描器被配置用于在两种不同(例如,较高和较低)能量水平处采集投影数据的双能量。范例双能量配置包括:1)在一个能量水平处发射x射线辐射的一个x射线管和分别探测较低能量x射线和较高能量x射线的两层x射线探测器;2)具有快速kV切换的一个x射线管和单层探测器,以及3)角度地偏离彼此(例如,90度)的两个x射线管/单层探测器对。
来自对比增强扫描的物质特异性图像已经被处理以生成“虚拟”非对比(VNC)图像。VNC图像表示来自非对比扫描的“真实”非对比(TNC)图像的近似。因此,谱CT扫描器能够从单个对比增强扫描生成对比增强图像和VNC图像两者。在一个实例中,对于需要两种类型的扫描的研究,这缓和了必须执行非对比增强扫描和对比增强扫描两者。因此,总体患者x射线辐射剂量和扫描时间被降低,并且患者吞吐量能够被增加。
然而,VNC图像的图像质量趋向于相对于TNC图像退化。例如,在VNC图像的情况下,相对于TNC图像,信号能够变得小于地面真值或甚至丢失。文献提供了以下范例,其中在相同的VNC图像中,一个肾结石存在,而另一个丢失,其中TNC图像包括两者。此外,VNC图像趋向于表现出相对于TNC图像更高的噪声和更多的伪影。更高的噪声可以导致探测中的降低的灵敏性和增加的假阳性率。伪影的范例包括射束硬化和边缘伪影。遗憾的是,图像质量的这种退化能够影响诊断。
发明内容
本文中描述的方面解决了上面提及的问题和其他问题。
在一个方面中,一种谱成像系统包括辐射源和探测器阵列,所述辐射源被配置为发射x射线辐射,所述探测器阵列被配置为探测x射线辐射并且生成谱数据。所述谱成像系统还包括存储器,所述存储器被配置为存储虚拟非对比图像增强模块,所述虚拟非对比图像增强模块包括计算机可执行指令,所述计算机可执行指令包括被训练为产生图像质量增强的虚拟非对比图像的神经网络。所述神经网络利用训练谱数据和从非对比增强扫描生成的训练非对比增强图像来训练。所述谱成像系统还包括处理器,所述处理器被配置为利用所述经训练的神经网络来处理所述谱数据以产生所述图像质量增强的虚拟非对比图像。
在另一方面中,一种谱成像系统包括辐射源和探测器阵列,所述辐射源被配置为发射x射线辐射,所述探测器阵列被配置为探测x射线辐射并且生成谱数据。所述谱成像系统还包括存储器,所述存储器被配置为存储虚拟非对比图像增强模块,所述虚拟非对比图像增强模块包括计算机可执行指令,所述计算机可执行指令包括神经网络。所述谱成像系统还包括处理器,所述处理器被配置为利用训练谱数据和从非对比增强扫描生成的训练非对比增强图像来训练所述神经网络以产生图像质量增强的虚拟非对比图像。
在另一方面中,一种计算机可读存储介质被编码有计算机可读指令,所述计算机可读指令当被计算系统的计算机处理器运行时使所述计算机处理器:利用辐射源发射x射线辐射,利用探测器阵列探测所发射的x射线辐射并且生成谱数据,训练神经网络,所述神经网络被训练为产生图像质量增强的虚拟非对比图像,并且利用所述经训练的神经网络来处理所述谱数据以产生所述图像质量增强的虚拟非对比图像。
在阅读并理解所附的描述之后,本领域技术人员将意识到本申请的另外的其他方面。
附图说明
本发明可以采取各种部件和部件的布置以及各种步骤和步骤的安排的形式。附图仅出于图示优选的实施例的目的并且不应被解释为对本发明的限制。
图1示意性地图示了具有VNC图像增强模块的范例谱计算机断层摄影扫描器,所述VNC图像增强模块包括被训练为改善由扫描器生成的VNC图像的图像质量的神经网络。
图2示意性地图示了利用一组训练VNC图像和一组训练TNC图像来训练神经网络的范例。
图3示意性地图示了采用图2的经训练的神经网络利用由谱计算机断层摄影扫描器生成的VNC图像来产生图像质量改善的VNC图像的范例。
图4示意性地图示了利用一组训练双能量图像和一组训练TNC图像来训练神经网络的范例。
图5示意性地图示了采用图4的经训练的神经网络利用由谱计算机断层摄影扫描器生成的对比增强双能量图像来产生图像质量改善的VNC图像的范例。
图6示意性地图示了利用一组训练双能量投影数据和一组TNC图像来训练神经网络的范例。
图7示意性地图示了采用图6的经训练的神经网络利用由谱计算机断层摄影扫描器生成的对比增强双能量投影数据来产生图像质量改善的VNC图像的范例。
图8图示了用于利用训练VNC和TNC图像来训练神经网络并且采用经训练的神经网络来产生图像质量改善的VNC图像的范例方法。
图9图示了用于利用训练双能量和TNC图像来训练神经网络并且采用经训练的神经网络来产生图像质量改善的VNC图像的范例方法。
图10图示了用于利用训练双能量投影数据和TNC图像来训练神经网络并且采用经训练的神经网络来产生图像质量改善的VNC图像的范例方法。
具体实施方式
以下描述了改善利用在对比增强谱扫描期间利用谱CT扫描器采集的数据生成的虚拟非对比(VNC)图像的图像质量的方法。对比增强双能量谱数据(诸如来自谱CT扫描器的低和高kVp数据)被重建以生成对比增强低和高kVp图像,其被分解以生成谱图像,包括VNC图像。两个kVp图像将包括射束硬化伪影,例如,由于对比(即光电吸收)。即使当射束硬化补偿在kVp图像的重建期间被应用时,两个kVp图像也将可能包括残余射束硬化伪影。残余射束硬化伪影能够在分解期间被进一步减少,但是得到的VNC图像将仍然包括残余射束硬化伪影,这能够降低图像质量。
在本文中描述的方法中,神经网络利用作为输入的一组训练谱图像和作为参考数据的一组训练TNC图像来训练。在训练期间,神经网络学习将所述一组训练谱图像映射到所述一组训练TNC图像。在一个实例中,所述一组训练谱图像包括具有不同噪声水平的谱图像,并且作为参考数据的所述一组训练TNC图像包括低噪声TNC图像。映射是非线性的,使得输入VNC图像中的残余射束硬化伪影被进一步减少和/或不显现在最终VNC图像中,并且输入VNC图像中的噪声在最终VNC图像中被减少。因此,这种方法能够产生具有与TNC图像类似或相当的图像质量的对比增强图像和VNC图像。
图1示意性地图示了被配置用于谱CT成像(例如,多能量成像,诸如双能量成像)的范例计算机断层摄影(CT)扫描器102。CT扫描器102包括固定机架104和旋转机架106,旋转机架由固定机架104可旋转地支撑并且围绕检查区域108(和其中的物体或对象的一部分)绕纵向或z轴线110旋转。
辐射源112(诸如x射线管)由旋转机架106支撑,并且与旋转机架106一起围绕检查区域108旋转。辐射源112发射x射线辐射,所述x射线辐射被准直以形成穿过检查区域108的大致扇形、楔形、或圆锥形x射线辐射射束。在一个实例中,辐射源112是被配置为针对感兴趣的单个选定峰值发射电压(kVp)发射宽带(多色)辐射的单个x射线管。
在另一实例中,辐射源112被配置为在扫描期间在至少两个不同的发射电压(例如,70keV、100keV、120keV等)之间切换。在又一实例中,辐射源112包括在旋转机架106上角度偏移的两个或更多个x射线管,每个被配置为发射具有不同平均能量谱的辐射。US 8,442,184 B2描述了一种具有kVp切换和多个x射线管的系统,并且以引用方式被完全并入本文。
辐射敏感探测器阵列114对着在辐射源112对面跨过检查区域108的角度弧。探测器阵列114包括沿着z轴线方向相对于彼此布置并且探测穿过检查区域108的辐射的一行或多行探测器。对于对比增强扫描,探测器阵列114生成对比增强谱投影数据(线积分),诸如对比增强高能量投影数据和对比增强低能量投影数据。
在该范例中,探测器阵列114包括能量分辨探测器,诸如多层闪烁体/光传感器探测器(例如,US 7,968,853 B2,其以引用方式被完全并入本文)。在一变型中,探测器阵列114包括光子计数(直接转换)探测器(例如,WO 2009/072056A2,其以引用方式被完全并入本文)。在这些实例中,辐射源112包括宽带kVp切换和/或多个x射线管辐射源。在探测器阵列114包括非能量分辨探测器的情况下,辐射源112包括kVp切换和/或多个x射线管辐射源。
重建器116处理对比增强谱投影数据,并且生成对比增强谱体积图像数据,诸如对比增强高能量体积图像数据和对比增强低能量体积图像数据。重建器116也能够生成对比增强非谱体积图像数据,例如,通过首先组合高能量投影数据和低能量投影数据并且然后重建组合投影数据,和/或通过组合高能量体积图像数据和低能量体积图像数据。能够从其导出谱图像和非谱图像。重建器116能够利用处理器(诸如中央处理单元(CPU)、微处理器等)来实施。
在所图示的实施例中,基本物质分解器118将对比增强投影数据(投影域分解)和/或对比增强谱体积图像数据和/或图像(图像域分解)分解成基本分量。当被配置用于投影域分解时,重建器116重建投影数据基本分量以生成基本分量体积图像数据和/或图像,诸如VNC体积图像数据和/或图像。当被配置用于图像域分解时,基本物质分解器118将对比增强谱体积图像数据和/或图像分解成基本分量体积图像数据和/或图像,诸如VNC体积图像数据和/或图像。在一变型中,单独的基本物质分解器用于投影域分解和图像域分解。在另一变型中,基本物质分解器118被省略或不被采用。
利用一种方法,基本物质分解器118采用两种物质分解算法来生成没有碘的VNC图像,每种物质分解算法假设水-碘基本物质对或钙-碘基本物质对。另一方法是执行N维聚类分析以将图像分解成诸如碘或其他物质(包括软组织、钙等)的分量。在Song等人的“Virtual Non-Contrast CT Using Dual-Energy Spectral CT:Feasibility ofCoronary Artery Calcium Scoring”(Korean J Radiol 2016;17(3):321-329)和2014年1月13日提交并且标题为“Image Processing for Spectral CT”的US2014/0133729A1中描述了其他范例,其以引用方式被完全并入本文。分解器118能够利用处理器等来实施。
对象支撑物120(诸如卧榻)在检查区域108中支撑对象或物体(例如,体模)122。对象支撑物120可与执行成像程序协调地移动,以便相对于检查区域108引导对象或物体以便加载、扫描和/或卸载对象或物体。
注射器124被配置为诸如一种或多种(例如,碘)对比剂的物质注射或给予到要被扫描的对象或物体122以便进行灌注扫描。额外地或备选地,对比剂能够被临床医生等手动地给予。在对比剂被手动地给予到对象或物体122的情况下,注射器124能够被省略。
操作者控制台126包括人类可读输出设备128(诸如显示监视器、胶片器等)和输入设备130(诸如键盘、鼠标等)。控制台126还包括处理器132(例如,CPU、微处理器等)和计算机可读存储介质134(其不包括瞬态介质)(诸如物理存储器)。在所图示的实施例中,计算机可读存储介质134包括VNC图像增强模块136。
所图示的VNC图像增强模块136包括用于处理VNC图像以产生与从非对比增强扫描生成的TNC图像类似或相当的图像质量改善的VNC图像(图像质量增强的虚拟非对比图像)的计算机可执行指令。如下面更详细地描述的,指令包括利用训练谱数据和TNC图像训练的神经网络。因此,如上面讨论的,谱CT扫描器102能够使用利用单个对比增强扫描采集的数据产生具有在诊断上与从非对比增强扫描生成的TNC图像类似或相当的图像质量的对比增强图像和VNC图像。
图2-7示意性地图示了用于训练神经网络的不同实施例。在这些实施例中,通过使用具有利用不同对比递送采集的数据的训练数据集,神经网络被训练为考虑输入数据中的对比剂物质的递送的差异。在一个范例中,训练数据集被构建为使得数据特征(即,对比递送)的分布很好地表示数据特征在真实临床情况下的分布。训练数据集能够来自真实临床扫描和模拟两者。模拟的优点是,能够在每个数据集(包括对比增强谱CT数据和TNC图像)中控制对比递送,并且由此严格遵循数据特征的假定分布的大量数据集能够被生成。在另一实例中,输入和训练数据能够被采集使得对比递送跨数据是一致的。
图2示意性地图示了利用使用物质分解生成的训练VNC图像和来自非对比增强CT扫描的训练TNC图像对神经网络202的范例训练。神经网络的参数通过使用目标函数204的多次迭代被更新并且收敛。在一个实例中,目标函数204包括最小化由神经网络202输出的VNC体积图像数据或图像与TNC图像之间的误差的数学函数,例如,基于由神经网络202输出的VNC体积图像数据或图像与TNC图像之间的均方差和/或其他差。在该实例中,参数被更新直至误差降至预定阈值之下。其他停止准则包括预定的迭代次数、预定的持续时间等。
图3示意性地图示了VNC图像增强模块136包括图2的经训练的神经网络202的实施例。经训练的神经网络202接收由基本物质分解器118(图1)生成的VNC图像(相对于TNC图像,其包含高噪声和/或伪影),并且输出图像质量改善的VNC图像,其包括具有比输入VNC图像更少的噪声和/或伪影的VNC图像并且其具有足以用于诊断的图像质量。
图4示意性地图示了图2的变型,其中到神经网络202的输入正在训练双能量(高能量和低能量)图像。图5示意性地图示了其中VNC图像增强模块136包括在图4中训练的神经网络202的实施例。经训练的神经网络202由重建器116(图1)生成的对比增强双能量图像,并且输出图像质量改善的VNC图像。对于该变型,基本物质分解器118从图1的系统102中省略或不被利用。
对于该变型,神经网络202操纵物质分解,因为它能够执行数据的非线性映射,并且物质分解经常涉及在近似之后求解多项式方程(例如,针对高能量和低能量)。通过使用神经网络202用于物质分解,基本物质图像中的噪声能够低于来自常规物质分解的噪声,例如,因为常规物质分解一次只使用一个探测器像素上的测量数据或一个图像体素的重建值,但是神经网络使用包括多于一个像素或体素的小片块。
一般来说,投影数据包括被隐藏在数据的独特谱信息。例如,即使沿着某一射线路径的衰减对于高Z低密度和低Z高密度物体两者来说能够是相同的,物理效应(即,康普顿散射和光电吸收)在导致更多康普顿散射的低Z高密度物体的情况下也能够不同,并且这些差异被隐藏在所采集的原始投影数据中。另一范例是,相对于低Z物质。对于高Z物质存在更多射束硬化。这些差异被减少和/或去除,并不显现在重建的体积图像数据中,例如,以实现散射校正、射束硬化补偿等。
在一变型中,去除谱信息的校正(诸如散射校正和/或射束硬化)从重建中省略。例如,在另一实例中,图2-3的神经网络202利用从在没有使用去除独特谱信息的校正(诸如散射校正和/或射束硬化补偿)的情况下重建的体积图像数据生成的VNC图像来训练,和/或图4-5的神经网络202利用在没有使用去除独特谱信息的校正(诸如散射校正和/或射束硬化补偿)的情况下重建的高能量图像和低能量图像来训练。这允许训练考虑独特谱信息。
图6示意性地图示了图2的变型,其中到神经网络202的输入正在训练双能量(高能量和低能量)投影数据。图7示意性地图示了其中VNC图像增强模块136包括在图6中训练的神经网络202的实施例。经训练的神经网络202接收由探测器阵列114(图1)生成的对比增强双能量投影数据,并且输出图像质量改善的VNC图像。对于该变型,基本物质分解器118从图1的系统102中省略或不被利用。
变型包括在图2-7中描述的三个实施例中的两个。例如,一个变型包括图2和图4的神经网络。另一变型包括图2和图6的神经网络。另一变型包括图4和图6的神经网络。另一变型包括在图2-7中描述的三个实施例中的全部三个。另一变型包括利用不同类型的训练(诸如图2和图4、图2和图6、图2和图6、或图2、图4和图6中的训练数据)训练的单个神经网络。这些变型能够利用图3、图5和/或图7的输入数据被用于图像质量改善的VNC图像。
在Gouk等人的“Fast Sliding Window Classification with ConvolutionalNeural Networks”(IVNVZ‘14Proceedings of the 29th International Conference onImage and Vision Computing New Zealand,第114-118页,11月19-21,2014)、“Fullyconvolutional networks for semantic segmentation”(Proceedings of the IEEEConference on Computer Vision and Pattern Recognition,2015)和Ronneberger等人的“U-Net:Convolution Networks for Biomedical Image Segmentation”(MedicalImage Computing and Computer-Assisted Intervention(MICCAI),Springer,LNCS,Vol.9351:234--241,2015)中进一步描述了合适的神经网络的范例。
图8图示了根据本文中的实施例的范例方法。
应意识到,该方法中的动作的顺序不是限制性的。因此,本文中预见到其他顺序。此外,可以省略一个或多个动作,和/或可以包括一个或多个额外动作。
在802处,接收一组训练VNC图像,如本文中描述的和/或以另外的方式。
在804处,接收一组训练TNC图像,如本文中描述的和/或以另外的方式。
在806处,所述一组训练VNC图像和所述一组训练TNC图像被用来训练神经网络,如本文中描述的和/或以另外的方式。
在808处,接收VNC图像,如本文中描述的和/或以另外的方式。
在810处,所接收的VNC图像利用经训练的神经网络来处理以产生图像质量改善的VNC图像。
图9图示了根据本文中的实施例的另一范例方法
应意识到,该方法中的动作的顺序不是限制性的。因此,本文中预见到其他顺序。此外,可以省略一个或多个动作,和/或可以包括一个或多个额外动作。
在902处,接收一组训练双能量图像,如本文中描述的和/或以另外的方式。
在904处,接收一组训练TNC图像,如本文中描述的和/或以另外的方式。
在906处,所述一组训练双能量图像和所述一组训练TNC图像被用来训练神经网络,如本文中描述的和/或以另外的方式。
在908处,接收对比增强双能量图像,如本文中描述的和/或以另外的方式。
在910处,对比增强双能量图像利用经训练的神经网络来处理以产生图像质量改善的VNC图像。
图10图示了根据本文中的实施例的另一范例方法
应意识到,该方法中的动作的顺序不是限制性的。因此,本文中预见到其他顺序。此外,可以省略一个或多个动作,和/或可以包括一个或多个额外动作。
在1002处,接收一组训练双能量投影数据,如本文中描述的和/或以另外的方式。
在1004处,接收一组训练TNC图像,如本文中描述的和/或以另外的方式。
在1006处,所述一组训练双能量投影数据和所述一组训练TNC图像被用来训练神经网络,如本文中描述的和/或以另外的方式。
在1008处,接收对比增强双能量投影数据,如本文中描述的和/或以另外的方式。
在1010处,对比增强双能量投影数据利用经训练的神经网络来处理以产生图像质量改善的VNC图像。
以上可以以计算机可读指令的方式实施,所述计算机可读指令被编码或嵌入在计算机可读存储介质上,所述计算机可读指令当由(一个或多个)计算机处理器运行时使(一个或多个)处理器执行所描述的动作。额外地或备选地,计算机可读指令中的至少一个由信号、载波或不是计算机可读存储介质的其他瞬态介质携带。
尽管已经在附图和前述描述中详细说明并描述了本发明,但是这样的说明和描述应被视为是说明性或示范性的,而不是限制性的;本发明不限于所公开的实施例。本领域技术人员通过研究附图、说明书和随附权利要求书,在实践所请求保护的本发明时,能够理解并实现所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。尽管某些措施被记载在互不相同的从属权利要求中,但是这并不指示不能有利地使用这些措施的组合。
计算机程序可以被存储/分布在合适的介质上,例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质,但是也可以被以其他形式分布,例如经由互联网或其他有线或无线的电信系统。权利要求中的任何附图标记都不应被解释为对范围的限制。
Claims (16)
1.一种谱计算机断层摄影成像系统(102),包括:
辐射源(112),其被配置为发射x射线辐射;
探测器阵列(114),其被配置为探测x射线辐射并且生成对比增强多能量谱投影数据;
存储器(134),其被配置为存储虚拟非对比图像增强模块(136),所述虚拟非对比图像增强模块包括计算机可执行指令,所述计算机可执行指令包括被训练为产生图像质量增强的虚拟非对比图像的神经网络,
其中,所述神经网络利用从谱扫描生成的训练对比增强多能量谱投影数据和从非对比增强扫描生成的训练非对比增强图像来训练;以及
处理器(132),其被配置为利用所述经训练的神经网络来处理所述对比增强多能量谱投影数据以产生所述图像质量增强的虚拟非对比图像。
2.根据权利要求1所述的系统,其中,所述神经网络被配置为更新其参数以减小从所述训练对比增强多能量谱投影数据生成的虚拟非对比图像与所述训练非对比增强图像之间的误差。
3.根据权利要求1所述的系统,还包括:
重建器(116),其被配置为重建所述对比增强多能量谱投影数据并且生成对比增强多能量谱图像,
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述对比增强多能量谱图像以产生所述图像质量增强的虚拟非对比图像。
4.根据权利要求3所述的系统,其中,所述训练对比增强多能量谱投影数据包括从所述谱扫描生成的训练对比增强多能量谱图像,并且所述神经网络被配置为更新其参数以减小从所述训练对比增强多能量谱图像生成的虚拟非对比图像与所述训练非对比增强图像之间的误差。
5.根据权利要求3所述的系统,还包括:
基本物质分解器(118),其被配置为处理所述对比增强多能量谱图像以产生初始虚拟非对比图像,
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述初始虚拟非对比图像以产生所述图像质量增强的虚拟非对比图像。
6.根据权利要求3所述的系统,还包括:
基本物质分解器,其被配置为处理所述对比增强多能量谱投影数据以产生虚拟非对比谱投影数据;以及
重建器,其被配置为重建所述虚拟非对比谱投影数据以产生初始虚拟非对比图像;
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述初始虚拟非对比图像以产生所述图像质量增强的虚拟非对比图像。
7.根据权利要求5至6中的任一项所述的系统,其中,从所述谱扫描生成的所述训练对比增强多能量谱投影数据被处理以生成训练虚拟非对比增强图像,并且所述神经网络被配置为更新其参数以减小从所述训练虚拟非对比增强图像生成的虚拟非对比图像与所述训练非对比增强图像之间的误差。
8.一种谱计算机断层摄影成像系统,包括:
辐射源,其被配置为发射x射线辐射;
探测器阵列,其被配置为探测x射线辐射并且生成对比增强多能量谱投影数据;以及
存储器,其被配置为存储虚拟非对比图像增强模块,所述虚拟非对比图像增强模块包括计算机可执行指令,所述计算机可执行指令包括神经网络;以及
处理器,其被配置为利用从谱扫描生成的训练对比增强多能量谱投影数据和从非对比增强扫描生成的训练非对比增强图像来训练所述神经网络以产生图像质量增强的虚拟非对比图像。
9.根据权利要求8所述的系统,其中,所述神经网络被配置为更新其参数以减小从所述训练对比增强多能量谱投影数据生成的虚拟非对比图像与所述训练非对比增强图像之间的误差;并且任选地,
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述对比增强多能量谱投影数据以产生所述图像质量增强的虚拟非对比图像。
10.根据权利要求8所述的系统,其中,所述训练对比增强多能量谱投影数据包括从所述谱扫描生成的训练对比增强多能量谱图像,并且所述神经网络被配置为更新其参数以减小从所述训练对比增强多能量谱图像生成的虚拟非对比图像与所述训练非对比增强图像之间的误差;并且任选地还包括:
重建器(116),其被配置为重建所述对比增强多能量谱投影数据并且生成对比增强多能量谱图像,
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述对比增强多能量谱图像以产生所述图像质量增强的虚拟非对比图像。
11.根据权利要求8所述的系统,其中,从所述谱扫描生成的所述训练对比增强多能量谱投影数据被处理以生成训练虚拟非对比增强图像,并且
所述神经网络被配置为更新其参数以减小从所述训练虚拟非对比增强图像生成的虚拟非对比图像与所述训练非对比增强图像之间的误差。
12.根据权利要求11所述的系统,还包括:
重建器(116),其被配置为重建所述对比增强多能量谱投影数据并且生成对比增强多能量谱图像;以及
基本物质分解器(118),其被配置为处理所述对比增强多能量谱图像以产生初始虚拟非对比图像,
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述初始虚拟非对比图像以产生所述图像质量增强的虚拟非对比图像。
13.根据权利要求12所述的系统,还包括:
基本物质分解器,其被配置为处理所述对比增强多能量谱图像以产生虚拟非对比谱投影数据;以及
重建器,其被配置为重建所述虚拟非对比谱投影数据以产生初始虚拟非对比图像;
其中,所述处理器还被配置为利用所述经训练的神经网络来处理所述初始虚拟非对比图像以产生所述图像质量增强的虚拟非对比图像。
14.一种计算机可读存储介质,被编码有计算机可读指令,所述计算机可读指令当被计算系统的处理器运行时使所述处理器:
利用辐射源发射x射线辐射;
利用探测器阵列探测所发射的x射线辐射并且生成对比增强谱投影数据;
训练神经网络,所述神经网络被训练为产生图像质量增强的虚拟非对比图像,其中,所述神经网络利用从谱扫描生成的训练对比增强多能量谱投影数据和从非对比增强扫描生成的训练非对比增强图像来训练;并且
利用所述经训练的神经网络来处理所述对比增强谱投影数据以产生所述图像质量增强的虚拟非对比图像。
15.根据权利要求14所述的计算机可读存储介质,其中,所述处理器使用具有表示来自患者扫描的对比递送的分布的对比递送的分布的训练数据来训练所述神经网络。
16.根据权利要求14所述的计算机可读存储介质,其中,所述处理器使用具有感兴趣的对比递送的用户确定的分布的模拟的训练数据来训练所述神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862624415P | 2018-01-31 | 2018-01-31 | |
US62/624,415 | 2018-01-31 | ||
PCT/EP2019/052157 WO2019149711A1 (en) | 2018-01-31 | 2019-01-30 | Image quality improved virtual non-contrast images generated by a spectral computed tomography (ct) scanner |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111684486A CN111684486A (zh) | 2020-09-18 |
CN111684486B true CN111684486B (zh) | 2024-05-21 |
Family
ID=65243573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980011363.6A Active CN111684486B (zh) | 2018-01-31 | 2019-01-30 | 谱计算机断层摄影成像系统和计算机可读存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11813101B2 (zh) |
EP (1) | EP3746979B1 (zh) |
JP (1) | JP7346429B2 (zh) |
CN (1) | CN111684486B (zh) |
ES (1) | ES2968760T3 (zh) |
WO (1) | WO2019149711A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019200270A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Differenzbilddatensatzes und Bereitstellen einer trainierten Funktion |
DE102019200269A1 (de) | 2019-01-11 | 2020-07-16 | Siemens Healthcare Gmbh | Bereitstellen eines Beschränkungsbilddatensatzes und/oder eines Differenzbilddatensatzes |
JP7433809B2 (ja) * | 2019-08-21 | 2024-02-20 | キヤノンメディカルシステムズ株式会社 | 学習済みモデルの生成方法、および医用処理装置 |
EP4066741A4 (en) * | 2021-02-01 | 2023-12-20 | Claripi Inc. | DEEP LEARNING-BASED APPARATUS AND METHOD FOR CONTRAST AMPLIFICATION OF CONTRAST-ENHANCED CT IMAGE |
JP2022158574A (ja) * | 2021-04-02 | 2022-10-17 | 富士フイルム株式会社 | 学習装置、方法およびプログラム、並びに放射線画像処理装置、方法およびプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024251A (zh) * | 2009-09-17 | 2011-04-20 | 西门子公司 | 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法 |
CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005009206A2 (en) | 2003-06-25 | 2005-02-03 | Besson Guy M | Dynamic multi-spectral imaging system |
EP1876955B1 (en) | 2005-04-26 | 2016-11-23 | Koninklijke Philips N.V. | Double decker detector for spectral ct |
WO2009072056A2 (en) | 2007-12-04 | 2009-06-11 | Koninklijke Philips Electronics N. V. | Monolithically integrated crystalline direct-conversion semiconductor detector for detecting incident x-radiation at ultra-fine pitch and method for manufacturing such an x-ray semiconductor detector |
RU2505268C2 (ru) | 2008-06-30 | 2014-01-27 | Конинклейке Филипс Электроникс Н.В. | Спектральная компьютерная томография |
US8345944B2 (en) | 2008-08-06 | 2013-01-01 | Siemens Aktiengesellschaft | System and method for coronary digital subtraction angiography |
EP2732431B1 (en) | 2011-07-15 | 2019-03-13 | Koninklijke Philips N.V. | Image processing for spectral ct |
US10217247B2 (en) * | 2015-12-17 | 2019-02-26 | Koninklijke Philips N.V. | Method for generating contrast agent concentration map |
JP6813178B2 (ja) | 2016-12-07 | 2021-01-13 | 学校法人常翔学園 | 生体画像処理装置、出力画像製造方法、学習結果製造方法、及びプログラム |
CN107374657B (zh) * | 2017-06-30 | 2021-05-11 | 上海联影医疗科技股份有限公司 | 对ct扫描数据进行校正的方法及ct扫描系统 |
-
2019
- 2019-01-30 EP EP19702422.7A patent/EP3746979B1/en active Active
- 2019-01-30 JP JP2020541482A patent/JP7346429B2/ja active Active
- 2019-01-30 WO PCT/EP2019/052157 patent/WO2019149711A1/en unknown
- 2019-01-30 CN CN201980011363.6A patent/CN111684486B/zh active Active
- 2019-01-30 ES ES19702422T patent/ES2968760T3/es active Active
- 2019-01-30 US US16/965,225 patent/US11813101B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102024251A (zh) * | 2009-09-17 | 2011-04-20 | 西门子公司 | 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法 |
CN106097355A (zh) * | 2016-06-14 | 2016-11-09 | 山东大学 | 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法 |
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
Also Published As
Publication number | Publication date |
---|---|
EP3746979A1 (en) | 2020-12-09 |
US20200367844A1 (en) | 2020-11-26 |
JP2021511874A (ja) | 2021-05-13 |
CN111684486A (zh) | 2020-09-18 |
WO2019149711A1 (en) | 2019-08-08 |
US11813101B2 (en) | 2023-11-14 |
JP7346429B2 (ja) | 2023-09-19 |
ES2968760T3 (es) | 2024-05-13 |
EP3746979B1 (en) | 2023-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111684486B (zh) | 谱计算机断层摄影成像系统和计算机可读存储介质 | |
US10147168B2 (en) | Spectral CT | |
US9498179B1 (en) | Methods and systems for metal artifact reduction in spectral CT imaging | |
US9959640B2 (en) | Iterative image reconstruction with a sharpness driven regularization parameter | |
US8363917B2 (en) | System and method of image artifact reduction in fast kVp switching CT | |
Weidinger et al. | Polychromatic iterative statistical material image reconstruction for photon‐counting computed tomography | |
US8615120B2 (en) | Spectral imaging | |
US20230172573A1 (en) | Non-spectral computed tomography (ct) scanner configured to generate spectral volumetric image data | |
Erath et al. | Deep learning‐based forward and cross‐scatter correction in dual‐source CT | |
US11049295B2 (en) | Detection and/or correction of residual iodine artifacts in spectral computed tomography (CT) imaging | |
US10552992B2 (en) | Poly-energetic reconstruction method for metal artifacts reduction | |
US20190385345A1 (en) | Image noise estimation using alternating negation | |
Nuyts et al. | Reduction of attenuation correction artifacts in PET-CT | |
US11361415B2 (en) | Material-selective adaptive blending of volumeiric image data | |
CN116172594B (zh) | 用于生成患者的结果图像数据集的方法及装置 |
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 |