CN112205993A - 用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法 - Google Patents

用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法 Download PDF

Info

Publication number
CN112205993A
CN112205993A CN202010533194.7A CN202010533194A CN112205993A CN 112205993 A CN112205993 A CN 112205993A CN 202010533194 A CN202010533194 A CN 202010533194A CN 112205993 A CN112205993 A CN 112205993A
Authority
CN
China
Prior art keywords
base material
images
denoising
image
deep learning
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
CN202010533194.7A
Other languages
English (en)
Inventor
萨斯什·拉马尼
付林
布鲁诺·克里斯蒂安·伯纳德·德梅恩
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.)
GE Precision Healthcare LLC
Original Assignee
GE Precision Healthcare LLC
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 GE Precision Healthcare LLC filed Critical GE Precision Healthcare LLC
Publication of CN112205993A publication Critical patent/CN112205993A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • 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
    • 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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T11/006—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Pulmonology (AREA)
  • Computational Linguistics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明题为“用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法。”本发明提供了一种用于图像处理的计算机实现的方法。该方法包括获取多个多能谱扫描数据集并且通过该多能谱扫描数据集计算表示多种基础材料的基础材料图像，其中多个基础材料图像包括相关噪声。该方法也包括利用基于深度学习的去噪网络在至少光谱域中对多个基础材料图像进行联合去噪，以生成多个去除噪声的基础材料图像。

Description

用于处理利用多能量计算机断层摄影成像获取的数据的系统 和方法
背景技术
本文所公开的主题涉及数字X射线系统，并且更具体地涉及用于处理利用多能量计算机断层摄影成像获取的数据(例如，投影或图像数据)的技术。
非侵入式成像技术允许非侵入地获得受检者(患者、制造商品、行李、包裹或乘客)的内部结构或特征的图像。具体地，此类非侵入式成像技术依赖于各种物理原理(诸如X射线通过目标体积的差分传输或声波的反射)，以获取数据和构建图像或以其他方式表示受检者的内部特征。
例如，在基于X射线的成像技术中，用X射线辐射对关注受检者(诸如人类患者)进行辐照，并且所衰减的辐射度将对收集衰减强度数据的检测器产生影响。在数字X射线系统中，检测器产生表示影响检测器表面的离散像素区域的辐射的量或强度的信号。然后可以处理信号以生成可显示以供查看的图像。
在一种此类基于X射线的技术(称为计算机断层摄影(CT))，扫描仪可以从多个视角位置对被成像的对象(诸如患者)投射来自X射线源的扇形或锥形X射线束。X射线束在其穿过对象时衰减并且由一组检测器元件进行检测，该组检测器元件产生表示检测器上的衰减X射线辐射强度的信号。处理信号以产生表示对象的线性衰减系数沿X射线路径的线积分的数据。这些信号通常称为“投影数据”或仅称为“投影”。通过使用诸如滤波反投影的重建技术，可以生成表示患者或被成像对象的感兴趣区域的体积或体积绘制的图像。在医学背景中，然后可以从重建的图像或绘制的体积中定位或识别感兴趣的病理结构或其他结构。
多能量CT成像(例如，光谱CT成像)涉及在两个或更多个不同X射线能谱下获取CT数据集，并且对那些数据集执行多材料分解以获得表示多种材料(水、碘、钙等)的一个或多个材料图像(例如，材料分解图像或基础材料图像)。材料图像降噪和失真校正的主要挑战在于这些图像之间的统计相关性。尽管所获取的CT数据集中的噪声可能与统计无关，但多材料分解过程在所得材料图像中产生了(反)相关噪声，该噪声可能覆盖另外的非相关噪声分量。(反)相关噪声分量在空间上和光谱上均可为非静止的，因此在去噪之前，难以设计用于噪声去相关的合适白化算子。由于噪声的非静止性质，即使是精心设计的分析图像去噪算法也可能次优地执行(例如，过度校正或校正不足)，这通常在去噪过程中导致不期望的纹理失真(例如，材料混合、可能被误当做物理/医学缺陷的材料不准确性等)。
发明内容
下文概述了与最初要求保护的主题范围相称的某些实施方案。这些实施方案并非旨在限制要求保护的主题的范围，而是这些实施方案仅旨在提供该主题的可能形式的简要概述。实际上，该主题可包括多种形式，这些形式可类似于或不同于下文所述的实施方案。
根据一个实施方案，提供了一种用于图像处理的计算机实现的方法。该方法包括获取多能谱扫描数据集并且通过该多能谱扫描数据集计算表示多种基础材料的多个基础材料图像，其中多个基础材料图像包括相关噪声。该方法也包括利用基于深度学习的去噪网络在至少光谱域中对多个基础材料图像进行联合去噪，以生成多个去除噪声的基础材料图像。
根据另一个实施方案，提供了一种或多种非暂态计算机可读介质。该计算机可读介质对一个或多个处理器可执行例程进行编码。该一个或多个例程在被处理器执行时致使执行多种操作，包括：获取多能谱扫描数据集并且通过该多能谱扫描数据集计算表示多种基础材料的多个基础材料图像，其中多个基础材料图像包括相关噪声；转换多个基础材料图像以生成任意基础图像；利用基于深度学习的去噪网络在光谱域和三维(3D)空间域中对任意基础图像进行联合去噪，以生成去除噪声的任意基础图像；以及对去除噪声的任意基础图像进行逆转换，以生成多个去除噪声的基础材料图像。
在另一个实施方案中，提供了一种基于处理器的系统。该基于处理器的系统包括对一个或多个处理器可执行例程进行编码的存储器结构。这些例程在被执行时致使执行多种操作，包括：获取多能谱扫描数据集并且通过该多能谱扫描数据集计算表示多种基础材料的多个基础材料图像，其中多个基础材料图像包括相关噪声；转换多个基础材料图像以生成任意基础图像；利用基于深度学习的去噪网络在光谱域和三维(3D)空间域中对任意基础图像进行联合去噪，以生成去除噪声的任意基础图像；以及对去除噪声的任意基础图像进行逆转换，以生成多个去除噪声的基础材料图像。该基于处理器的系统也包括被配置为访问并执行由存储器结构编码的一个或多个例程的处理部件。
附图说明
参考附图阅读以下详细描述时，将更好地理解本发明所公开的主题的这些和其它特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：
图1为根据本公开的方面被配置为获取患者的CT图像并且处理图像的计算机断层摄影(CT)系统的实施方案的示意图；
图2A至图2D示出了应用所公开的去噪技术或方法的不同场景；
图3为根据本公开的多个方面的用于处理图像数据的方法的实施方案的流程图；
图4为根据本公开的多个方面的用于处理输入(例如矢量输入)的深度学习去噪网络的示意图；
图5为根据本公开的多个方面的用于处理输入(例如矢量输入)的多个深度学习去噪网络的示意图；
图6为根据本公开的多个方面的用于处理输出(例如矢量输出)的深度学习去噪网络的示意图；
图7为根据本公开的多个方面的用于处理输出(例如矢量输出)的多个深度学习去噪网络的示意图；
图8为根据本公开的多个方面示出将三维(3D)深度学习去噪网络用于3D空间去噪的示意图；
图9为根据本公开的多个方面示出将多个(例如并行布置的)二维(2D)深度学习网络用于3D空间去噪的示意图；
图10为示出将不同表决策略与图8中的多个2D深度学习网络一起使用的示意图；
图11为根据本公开的多个方面示出将多个(例如顺序布置的)2D深度学习网络用于3D空间去噪的示意图；
图12为根据本公开的多个方面示出将多个(例如混合顺序-并行布置的)2D深度学习网络用于3D空间去噪的示意图；
图13为根据本公开的多个方面示出将训练损失和验证损失作为训练周期的函数的图形表示；
图14示出了根据本公开的多个方面的一对水图像(例如，噪声水图像与去除噪声的水图像)；以及
图15示出了根据本公开的多个方面的一对碘图像(例如，噪声碘图像与去除噪声的碘图像)。
具体实施方式
在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，可能未在说明书中描述实际具体实施的所有特征。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须做出许多特定于具体实施的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。
介绍本发明主题的各种实施方案的要素时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在一个或多个(种)所述要素。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。
本文所讨论的深度学习(DL)方法可基于人工神经网络，因此可能涵盖以下一项或多项：深度神经网络、全互连网络、卷积神经网络(CNN)、感知器、编解码器、递归网络、小波滤波器组、u-net、生成式对抗网络(GAN)或其它神经网络架构。神经网络可包括捷径、激活、批归一化层和/或其它特征。这些技术在本文中被称为深度学习技术，但是可也特别地参考深度神经网络的使用来使用该术语，深度神经网络是具有多个层的神经网络。
如本文所讨论的，深度学习技术(可也称为深度机器学习、分级学习或深度结构化学习)是机器学习技术的分支，其采用数据的数学表示以及用于学习和处理此类表示的人工神经网络。例如，深度学习方法可表征为它们使用一个或多个算法来提取一类关注数据的高度抽象概念或对其进行建模。这可以使用一个或多个处理层来完成，其中每个层通常对应于不同的级别的抽象概念，并且因此可能采用或利用初始数据的不同的方面或前一层的输出(即，层的分级结构或级联结构)作为给定层的过程或算法的目标。在图像处理或重建背景中，这可以被表征作为对应于数据中的不同的特征级别或分辨率的不同的层。一般来讲，可将一个表示空间到下一级表示空间的处理视为过程的一个“阶段”。过程的每个阶段可由单独的神经网络或由一个较大神经网络的不同的部分来执行。
多能量或光谱计算机断层摄影(CT)中的材料图像中的噪声是非静止的并且是(反)相关的，使得常规图像去噪算法难以有效地将图像去噪而不产生不期望的失真。将材料图像组合以创建单色图像或转换成其它物理相关表示时，此类失真加剧。因此，希望消除(反)相关噪声，同时处理其非静止性质并避免材料图像中出现任何残余失真。
本公开提供了在进行多能量CT成像(例如，光谱CT成像)时用于减少所获取图像中的噪声和失真的方法和系统。具体地讲，提供了针对多材料CT图像(例如，材料分解图像或基础材料图像)的基于人工智能(AI)的去噪框架，该去噪框架被配置为与传统多材料CT去噪方法相比，在临床上和/或实际上保持期望的图像外观具有较少失真或没有另外的失真。该去噪框架包括一个或多个神经网络(例如，深度学习神经网络)，该一个或多个神经网络被训练和配置为在空间域和光谱域两者中对具有(反)相关噪声的材料图像进行联合去噪(以及独立处理)。因此，去噪不应用于孤立的单材料图像。换句话讲，网络输入并非单个标量图像，而是具有一些噪声相关性的一组两个(或更多个)材料图像(例如，水-碘或其它合适的材料分解图像对)。去噪框架可用于投影数据(例如，投影体积)或图像数据(例如，图像体积)。在某些实施方案中，可利用输入矢量图像(例如，诸如类似于RGB通道)。在某些实施方案中，网络的输出可包括与原点的去噪版本对应的相同数量图像或相同矢量尺寸。所述实施方案可产生无失真和无噪声的材料图像、单色图像、以及从业者优选的具有吸引人的图像纹理的其它合适的光谱表示。
考虑到前述讨论，图1示出了根据本公开的多个方面的用于获取并处理图像数据的成像系统10的实施方案。在例示的实施方案中，系统10为计算机断层摄影(CT)系统，其被设计成获取X射线投影数据，将投影数据重构为层析图像，以及处理图像数据用于显示和分析。CT成像系统10包括X射线源12。如本文所详述，源12可包括一个或多个X射线源，诸如X射线管或固态发射结构。根据本实施方案，X射线源12被配置为以一种或多种能量来发射X射线束20。例如，X射线源12可被配置为在相对较低能量多色发射光谱(例如，在约80kVp下)与相对较高能量多色发射光谱(例如，在约140kVp下)之间切换。应当理解，X射线源12也可被操作以便发射多于两种不同能量的X射线，尽管本文讨论了双能量实施方案以简化说明。类似地，X射线源12可以在除了本文列出的那些之外的位于能级(即，kVp范围)周围的多色光谱下进行发射。实际上，用于发射的相应能级的选择可以至少部分地基于被成像的解剖结构和用于组织表征的感兴趣的化学物质或分子。
在某些具体实施中，源12可邻近准直仪22定位，该准直仪用于限定一个或多个X射线束20的尺寸和形状，该一个或多个X射线束穿过受检者24(例如，患者)或关注对象所定位的区域。受检者24使X射线的至少一部分衰减。所得的衰减X射线26对由多个检测器元件形成的检测器阵列28产生影响。每个检测器元件产生表示在光束照射检测器28时入射在检测器元件的位置处的X射线束的强度的电信号。获取并处理电信号以生成一个或多个扫描数据集。
系统控制器30命令成像系统10的操作，以执行检查和/或校准协议并且处理所获取的数据。相对于X射线源12，系统控制器30为X射线检查序列提供功率、焦点位置、控制信号等。检测器28联接到系统控制器30，该系统控制器命令由检测器28生成的信号的采集。此外，经由电动机控制器36，系统控制器30可以控制用于移动成像系统10的部件和/或受检者24的线性定位子系统32和/或旋转子系统34的操作。系统控制器30可包括信号处理电路和相关联的存储器电路。在此类实施方案中，存储器电路可存储由系统控制器30执行以操作成像系统10(包括X射线源12)并且根据本文讨论的步骤和过程来处理检测器28所获取数据的程序、例程和/或编码算法。在一个实施方案中，系统控制器30可被实现为基于处理器的系统诸如通用或专用计算机系统的全部或部分。
源12可以由包含在系统控制器30内的X射线控制器38控制。X射线控制器38可以被配置为向源12提供功率和定时信号。此外，在一些实施方案中，X射线控制器38可被配置为选择性地启动源12，使得可彼此同步地或彼此独立地操作系统10内的不同位置处的管或发射器。在某些实施方案中，X射线控制器38可被配置为提供X射线源12的快速kVp切换，以便在图像采集会话期间快速切换源12以连续发射相应多色能谱的X射线。例如，在双能量成像背景中，X射线控制器38可操作X射线源12，使得X射线源12交替地以两种关注的多色能谱发射X射线，使得以不同能量获取相邻的投影(即，以高能量获取第一投影，以低能量获取第二投影，以高能量获取第三投影，以此类推)。在一个此类具体实施中，由X射线控制器38执行的快速kVp切换操作产生与时间配准的投影数据。
系统控制器30可以包括数据采集系统(DAS)40。DAS 40接收由检测器28的读出电子器件收集的数据，诸如来自检测器28的采样模拟信号。然后，DAS 40可以将数据转换为数字信号以供基于处理器的系统(诸如计算机42)进行后续处理。在其他实施方案中，检测器28可在传输至数据采集系统40之前将取样模拟信号转换为数字信号。计算机可包括处理电路44(例如，图像处理电路)。计算机42可包括一个或多个非暂态存储器设备46或与其通信，该非暂态存储器设备可存储由计算机42处理的数据、将由计算机42处理的数据、或者将由计算机42的处理器(例如，处理电路44)执行的指令。例如，计算机42的处理电路44可执行存储在存储器46上的一个或多个指令集，该存储器可为计算机42的存储器、处理器的存储器、固件或类似实例。根据本实施方案，存储器46存储指令集，这些指令集在被处理器执行时执行如本文所讨论的图像处理方法。
如下所述，存储器46也可存储指令，这些指令用于经由多材料分解将两个或更多个多色测量值转换成两个或更多个材料图像(例如，水-碘或其它合适的材料)，并且继而通过两次或更多次多色图像采集生成两个或更多个单色图像(例如，在某个能级下的一个单色图像)。一般来讲，即使用于生成投影数据的实际X射线发射本质上是多色的，此类X射线光谱成像方法也能够生成实际上由(理想化的)单色采集产生的图像(即，在单个能级下成像)。存储器46也存储可用于转换/逆转换、去噪和表决的一个或多个算法和/或神经网络47，如下文所详述。例如，神经网络47可包括一个或多个基于深度学习的去噪网络、基于深度学习的转换网络、基于深度学习的逆转换网络和/或基于深度学习的表决网络。
计算机42可还适于控制由系统控制器30启用的特征(即，扫描操作和数据采集)，诸如响应于由操作员经由操作员工作站48提供的命令和扫描参数。系统10还可包括联接到操作员工作站48的显示器50，该显示器允许操作员查看根据本公开产生的相关系统数据、成像参数、原始成像数据、重建数据、造影剂密度图等。另外，系统10可以包括打印机52，该打印机联接到操作员工作站48并且被配置为打印任何期望的测量结果。显示器50和打印机52也可直接或经由操作员工作站48连接到计算机42。另外，操作员工作站48可以包括或联接到图片存档和通信系统(PACS)54。PACS 54可联接到远程系统56、放射科信息系统(RIS)、医院信息系统(HIS)或者联接到内部或外部网络，使得不同位置处的其他人员能够访问图像数据。
下文所述的以下技术用于在两种或更多种不同X射线能谱下获取并且然后进行多材料分解的CT数据集。尽管以下技术针对材料图像(例如，材料分解图像或基础材料图像)进行讨论，但这些技术也可应用于投影数据或图像体积或两者。本文设想了应用所提议的去噪方法的至少四种不同情况，如图2A至图2D所示。在图2A至图2C中，材料分解在投影域中完成，并且对材料投影图像应用联合去噪(图2A)，或对材料重构图像应用联合去噪(图2B)，或对材料投影图像和材料重构图像两者应用去噪(图2C)，其中每个域中的材料图像的去噪以联合方式进行处理。在不同的实施方案中，所提议的方法也可应用于通过图2D所示的图像域材料分解步骤获得的材料重构图像的联合去噪。基于AI的去噪框架可包括以下分量：(1)材料图像的矢量(或材料图像)至更适合于进行后续基于DL的去噪的新的基本集的一次或多次任选转换，(2)用于对矢量图像(或材料图像)进行联合去噪的一个或多个DL网络，(3)用以回复至初始材料-矢量(或材料图像)域的一次或多次任选转换，以及(4)作为去噪过程的一部分，结合关于材料图像和/或材料图像转换的先验知识。在某些实施方案中，去噪包括将噪声输入矢量(或材料图像)的所有分量进行联合去噪以及对它们进行单独处理。第一分量将材料图像数据重新组织到更易于跟踪噪声分量的域中。第二分量利用DL网络的纹理保留和去噪能力。此外，第二分量可对矢量图像进行操作，因为每个体素具有对应于多种材料的多个值，而最后一个分量(即，先验信息)进一步增强基于DL的去噪。
图3为根据本公开的多个方面的用于处理图像数据的方法58的实施方案的流程图。方法58的一个或多个步骤可由成像系统10的处理电路或远程处理设备执行。方法58包括获取多能量扫描数据集并重构材料图像或获得材料图像(例如，材料分解图像或基础材料图像)或材料图像60的矢量图像(例如诸如类似于RGB通道)(框62)。
在某些实施方案中，方法58还包括对图像60执行转换以生成任意基础图像或任意基础图像64的矢量图像(框66)。例如，首先将材料-图像-体积的L-长度矢量m＝(m1，m2，...，mL)转换成任意基础-图像-体积的M-长度矢量b＝(b1，b2，...，bM)。在某些实施方案中，转换可由基于CT物理和噪声统计的分析表达式来指定。在最简单的场景中，转换可为恒等转换，其中基本元素将是材料图像自身。其它转换包括变换成单色图像或基于局部统计的材料图像的任意线性组合，即，
Figure BDA0002535635300000091
其中基于CT物理或噪声统计，αij是bi与mj之间的线性转换系数。在另一个实施方案中，转换采用多项式函数的形式，即，
Figure BDA0002535635300000092
其中K是多项式的阶次，并且βijk是bi与mj之间的针对功率k的多项式系数。更一般地，如果V是每个材料体积的体素数目，那么从数学角度讲，转换可表示为映射f：RVxL→RVxM，该映射接受输入体积的L-长度矢量并且产生输出体积的M-长度矢量，即，b＝f(m)，其中f可本质上是线性或非线性的，并且R是实数域。在实施过程中，M≥L，以便产生提供足够灵活性以处理(反)相关降噪和失真抑制问题的超完备表示。在复杂的最后，转换可为(线性或非线性)DL网络(例如，基于深度学习的转换网络)，其经过适当训练后，合适地表示用于去噪的材料图像。转换使噪声能够在空间上和材料上去相关，以便能够在去噪期间相对容易地降低或去除噪声。在某些实施方案中，可在投影域中进行图像重建之前应用转换。
方法58还包括利用基于深度学习的去噪网络在光谱域和/或空间域中对图像64执行去噪(例如，经由联合和单独的处置或处理)，以生成多个去除噪声的任意基础图像或去除噪声的任意基础图像68的矢量(框70)。在之前不执行转换的实施方案中，对材料图像(例如，材料分解图像或基础材料图像)或材料图像60的矢量图像执行去噪，以生成材料图像72的去除噪声的材料图像或矢量图像。下文将更详细描述去噪。在某些实施方案中，方法58包括提供与材料图像60和/或用于去噪的材料图像的转换相关的先验信息(框74)。先验信息可包括与边缘保留、空间稀疏性、材料稀疏性和体积守恒相关的信息中的一项或多项。先验信息可作为界标或空间标测图提供。先验信息也可来源于同一患者或对象的其它图像(例如，先前的CT扫描、MRI扫描等)。
在初始图像60被转换的某些实施方案中，方法58包括对去除噪声的任意基础图像或去除噪声的任意基础图像68的矢量执行逆转换，以生成材料图像72的去除噪声的材料图像或矢量图像(框76)。逆转换撤销了从材料域到基本元素的初始转换。在某些实施方案中，逆转换也可为将DL输出的N-长度矢量映射到材料图像的M-长度矢量的简单DL网络(例如，基于深度学习的逆转换网络)。
如上所述，去噪(例如，联合去噪以及单独去噪)发生在光谱域中。在基于DL的去噪分量中，基本元素-图像-体积的M-长度矢量由一个或多个DL去噪网络联合去噪，以产生输出体积的N-长度矢量。在实施过程中，N≈M，即，DL的输入矢量长度和输出矢量的长度可相同或非常接近，并且可为应用特定的，其中DL输入和DL输出可对应于初始噪声材料的相同(例如，输入和输出处的水和碘)或不同临床相关的表示(例如，输入处的水和碘以及输出处的水、钙和碘)。
下文公开了用于构造DL去噪网络的不同类型实施方案，用于处理矢量输入和矢量输出(或图像输入和图像输出)。图4为用于处理输入(例如，矢量输入或图像输入)的DL去噪网络的示意图。如图4所示，M-长度输入矢量b78被馈送为DL网络80的第一层的M-通道。M-通道随后由DL网络80的其余层(中间层)进行联合处理。例如，在全连接层中，每个输出通道连接到所有输入通道。又如，在卷积层中，每个输出通道连接到所有输入通道的滤波后版本。
图5为用于处理输入(例如，矢量输入或图像输入)的多个深度学习去噪网络的示意图。在此实施方案中，M-长度矢量b82的每个分量bi被单独馈送到相应的单输入通道DL网络84。因此，存在多个M单输入通道DL网络84。M单输入通道DL网络84的输出特征被收集为M-长度矢量，并且随后被馈送到多输入通道DL网络86。与单独使用单通道处理或联合通道处理相比，单通道DL处理和联合通道DL处理的此类组合可产生更强大的去噪性能。
在输出侧，可利用类似的实施方案。图6为用于处理输出(例如，矢量输出或图像输出)的深度学习去噪网络的示意图。如图6所示，DL网络88的最后一层包括直接产生N-通道输出矢量90的N个输出通道。
图7为用于处理输出(例如，矢量输出或图像输出)的多个深度学习去噪网络的示意图。如图7所示，DL网络92的N个输出通道由单通道DL网络94单个地进行进一步处理，其输出随后被核对以形成N-长度输出矢量96。在不同的实施方案中，图4至图7中的不同输入和输出实施方案可针对所用的每个DL去噪网络进行组合。
除光谱通道的联合处理之外，在3D空间中进行联合处理也是有益的。图8为示出将三维(3D)深度学习去噪网络98用于3D空间去噪的示意图。如图8所示，DL去噪网络98作用于整个M-长度3D输入矢量体积(例如，使用3D滤波器)并且产生N-长度3D去除噪声的输出矢量体积。在某些实施方案中，如上所述，DL去噪网络98可利用与材料图像和/或材料图像的转换相关的先验信息100来增强去噪。
然而，此类空间3D处理可显著增大网络规模并且使网络训练或实现变得困难。作为另选方案，可将多个2D平面去噪用作针对多能量CT去噪的更有效形式的空间3D处理。这些技术与图4至图7中的DL网络结合使用，使得去噪在光谱域和3D空间域两者中执行。使用2D多平面去噪的所有去噪器可具有优于纯3D去噪(如图8所示)的计算优势，同时被配置为利用相关3D结构和材料信息经由下文所详述的表决机制进行去噪。图9为示出将多个(例如并行布置的)二维(2D)深度学习网络102用于3D空间去噪的示意图。可利用多个单独的2DDL去噪网络102沿着M-长度输入矢量体积b的不同空间平面运行，每个平面产生一个N-长度输出矢量体积d。不同平面可相对于彼此正交。在某些实施方案中，不同平面可沿着相对于成像对象的标准取向(例如，轴向、矢状或冠状)。在某些实施方案中，不同平面可不沿着标准取向，而是被任意正交取向。在利用被任意正交取向的平面的实施方案中，可在去噪之前和之后利用重新格式化(内插阶段)，这对于倾斜的扫描器几何形状可能是有用的。如图9所示，网络102包括并行布置的轴向2D DL去噪网络104、矢状2D DL去噪网络106和冠状2D DL去噪网络108。
如图9所示，可使用表决策略110组合并行DL网络102的输出，以产生单个N-长度输出矢量体积。在某些实施方案中，可经由基于深度学习的表决网络来利用表决策略110。如上所述的先验信息112既可用于增强去噪(例如，在单个网络102层级)，也可用于增强表决机制。表决策略110可包括对网络104、106、108的输出按照每个体素取平均值或中值。
另外的实施方案可利用采用空间维度和/或通道维度的更复杂的表决机制。例如，在某些实施方案中，表决策略100包括：通过在并行DL网络102的输出中的相同体素位置处联合处理N-长度矢量体素，来获得N-长度输出矢量体积的每个N-长度矢量-体素。在一些实施方案中，表决策略100包括：通过处理在并行DL网络102的所有N个矢量-分量体积输出中的相同体素位置处居中的3D关注区域(ROI)，来获得N-长度输出矢量体积的每个N-长度矢量-体素。对体素或ROI的处理可包括传统的图像恢复方法，诸如双侧滤波器、非局部平均值或其它技术。在其它实施方案中，表决策略100包括：将所有并行DL网络的N-长度矢量-体积输出输入到另外的DL网络(例如，具有多通道或单通道输入和输出层的DL网络，类似于图4至图7所述的那些)，这些网络经训练，以输出进一步增强的N-长度矢量体积。图10示出了不同表决策略100的利用。
图11为示出将多个(例如顺序布置的)2D DL网络102用于3D空间去噪的示意图。如图11所示，沿不同正交平面的2D DL网络104、106、108以顺序模式运行。网络104、106、108的顺序次序可按图11中所示进行排列。由于顺序的性质，其允许考虑顺序的所有排列，其输出可随后使用与上文参考图9和图10所述类似的表决策略进行组合。如上所述，先验信息112可用于增强去噪机制和表决机制两者。
图12为示出将多个(例如混合顺序-并行布置的)2D DL网络102用于3D空间去噪的示意图。如图12所示，2D DL网络102包括沿着以顺序模式运行的不同正交平面的2D DL网络104、106、108的多个行114，其中多个行114采用并行布置。如图12所示，网络104、106、108的顺序次序可在行114中的至少一些之间不同。行114的输出可随后使用类似于参考图9和图10所讨论的表决策略110进行组合。如上所述，先验信息112可用于增强去噪机制和表决机制两者。
在上述所有实施方案中，可对DL网络(去噪器中的以及在其它分量诸如第一步转换和表决方案中的DL网络)进行联合训练，以使损失函数最小化，损失函数通常描述噪声输入训练样本与对应的无噪声真值之间的差距的一些量度。此类训练过程可称为直接训练。另选地，可将DL网络训练成最小化噪声输入训练样本与待从样本中去除的噪声分量(例如，残差)之间的差距的一些量度。因此，此类训练过程可称为残差训练。在所有情况下，损失函数可在图像体素空间中定义(例如，平方误差、平方对数误差或绝对误差)，或者可在特征空间中定义(例如，使用感知损失法)。在直接训练模式和残差训练模式两者中，还可将正则项(诸如，边缘保留和/或稀疏性增加正则化矩阵)以数字方式添加到损失函数中，以引导并稳定训练。
多能量或多材料CT图像的总体缩放或噪声水平通常不同，这取决于CT采集参数和材料基本元素。差值可高达若干阶次或量级，并且可能导致训练中出现不平衡行为。在损失函数的所有实施方案中，我们还可包括倍增权重因子，以适当地对对应于N-长度输出矢量的不同分量的损失进行优先级排序。这些权重可从CT物理和噪声统计中获得。在某些实施方案中，分别用于直接训练或残差训练的噪声输入和对应的无噪声或仅噪声目标标签可通过无噪声数值模拟或将高剂量真实数据视为无噪声真值来获得。
在一个实施方案中，所有顺序模式下的2D DL去噪网络作为整体一次进行训练。这类训练可为计算密集型和存储穷举性的。在另一个实施方案中，通过在训练后续块时冻结已训练块的权重，一次训练一个2D去噪块。重复该过程，直到所有块均训练完毕。这类训练可更具计算效率和存储效率，并且可易于自动化。在另一个实施方案中，顺序的块可以随机逐块迭代方式进行训练，其中在每次迭代时，随机训练一个块，同时冻结其余块的权重。这使得已训练块能够通过迭代方式进一步得到改善。在此实施方案中，需要正确初始化所有块以实现有意义的结果。可将这些块初始化为如上所述训练的一组权重。
图13为示出将损失(例如，训练损失和验证损失)作为训练周期的函数的图形表示116。利用上文公开的技术生成图形表示116。图形表示116中的数据通过利用具有双通道卷积输入和输出层的17层顺序2D CNN并且在图3所述的去噪链的前端和后端处进行恒等转换来生成。每个卷积层具有64个特征滤波器，并且滤波核的尺寸为3×3。为了生成训练数据，将高剂量双能量患者数据集中的水碘图像对定义为真值，并且通过将模拟的材料-噪声添加到真值来生成对应的噪声水碘图像对。然后获得残差学习的训练目标/标签作为噪声图像与真值之间的差值。使用类似的策略生成验证数据集，以测试网络训练的准确性并防止过度拟合至训练数据。用水的41×41大小的片、从噪声图像中提取的碘对和训练标签来训练网络。图形表示116包括表示损失(具体地讲是L2误差或平方误差)的y轴118以及表示周期编号的x轴120。曲线122(实线)表示训练中的数据，并且曲线124(虚线)表示验证中的数据。在图形表示116中，作为训练周期的函数的验证L2损失表明，在不过度拟合训练数据的情况下已经对网络进行训练。
图14和图15示出了利用上文所公开的技术对来自患者的真实双能量噪声CT数据集的影响。图14示出了一对水图像(例如，噪声水图像126与去除噪声的水图像128)。图15示出了一对碘图像(例如，噪声碘图像130与去除噪声的碘图像132)。将上述技术应用于噪声图像126、130(除了转换之外)，以生成去除噪声的图像128、132。图像中的材料相关和空间相关噪声的量已显著减少，同时保留了水材料组分和碘材料组分两者的器官细节。
本发明所公开的实施方案的技术效应包括提供去噪框架，该去噪框架利用深度学习并且包括一个或多个神经网络(例如，深度学习神经网络)，该一个或多个神经网络被训练并被配置为在空间域和光谱域两者中对具有(反)相关噪声的材料图像进行联合去噪(以及独立处理)。上述实施方案可产生无失真和无噪声的材料图像、单色图像、以及从业者优选的具有图像纹理的其它合适的光谱表示。
此书面描述使用示例来公开本发明主题，包括最佳模式，并且还使本领域技术人员能够实践本发明方法，包括制造和使用任意设备或系统以及执行任何包含的方法。本专利范围由权利要求书限定，并且可以包括本领域的技术人员想到的其它示例。如果此类其它示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其它示例旨在落入权利要求书的范围内。

Claims (15)

1.一种用于图像处理的计算机实现的方法，包括：
获取多个多能谱扫描数据集；
通过所述多能谱扫描数据集计算表示多种基础材料的基础材料图像，其中所述多个基础材料图像包括相关噪声；以及
利用基于深度学习的去噪网络在至少光谱域中对所述多个基础材料图像进行联合去噪，以生成多个去除噪声的基础材料图像。
2.根据权利要求1所述的计算机实现的方法，其中所述基础材料图像是通过至少一个材料分解步骤获得的投影域图像。
3.根据权利要求1所述的计算机实现的方法，其中所述基础材料图像处于重建域中并且通过至少重建步骤和材料分解步骤两者获得。
4.根据权利要求1所述的计算机实现的方法，其中对所述多个基础材料图像进行联合去噪包括利用所述基于深度学习的去噪网络在所述光谱域和三维(3D)空间域两者中对所述多个基础材料图像进行联合去噪，以生成所述多个去除噪声的基础材料图像。
5.根据权利要求4所述的计算机实现的方法，其中所述基于深度学习的去噪网络包括基于3D深度学习的去噪网络(98)，所述基于3D深度学习的去噪网络被配置为在所述3D空间域中对所述多个基础材料图像进行联合去噪。
6.根据权利要求4所述的计算机实现的方法，其中所述基于深度学习的去噪网络包括多个基于二维(2D)深度学习的去噪网络(102)，所述基于2D深度学习的去噪网络一起被配置为在所述3D空间域中对所述多个基础材料图像进行联合去噪。
7.根据权利要求6所述的计算机实现的方法，其中所述多个基于2D深度学习的去噪网络(102)中的至少一些基于2D深度学习的去噪网络(102)被配置为沿着不同的空间平面运行。
8.根据权利要求7所述的计算机实现的方法，其中所述不同的空间平面包括不同的正交平面。
9.根据权利要求8所述的计算机实现的方法，其中所述不同的正交平面包括轴向平面、矢状平面和冠状平面。
10.根据权利要求7所述的计算机实现的方法，其中针对所述不同的空间平面的所述基于2D深度学习的去噪网络(102)被配置为并行运行、顺序运行、或者以并行和顺序两种方式运行。
11.根据权利要求7所述的计算机实现的方法，其中生成所述多个去除噪声的基础材料图像包括利用表决策略来组合针对所述不同的空间平面的所述基于2D深度学习的去噪网络(102)的输出，以生成所述去除噪声的基础材料图像。
12.根据权利要求11所述的计算机实现的方法，其中组合所述输出的所述表决策略包括利用基于深度学习的表决网络来组合所述输出。
13.根据权利要求1所述的计算机实现的方法，其中所述多个基础材料图像和所述多个去除噪声的基础材料图像包括矢量图像。
14.根据权利要求1所述的计算机实现的方法，包括转换所述多个基础材料图像以生成任意基础图像，利用所述基于深度学习的去噪网络在至少所述光谱域中对所述任意基础图像进行联合去噪以生成去除噪声的任意基础图像，以及对所述去除噪声的任意基础图像进行逆转换以生成所述多个去除噪声的基础材料图像。
15.一种基于处理器的系统，包括：
对一个或多个处理器可执行例程进行编码的存储器结构(46)，其中所述例程在执行时致使执行多种操作，包括：
获取多个多能谱扫描数据集；
通过所述多能谱扫描数据集计算表示多种基础材料的基础材料图像，其中所述多个基础材料图像包括相关噪声；
转换所述多个基础材料图像以生成任意基础图像；
利用基于深度学习的去噪网络在光谱域和三维(3D)空间域中对所述任意基础图像进行联合去噪，以生成去除噪声的任意基础图像；以及
对所述去除噪声的任意基础图像进行逆转换，以生成多个去除噪声的基础材料图像；以及
处理部件(44)，所述处理部件被配置为访问并执行由所述存储器结构编码的所述一个或多个例程。
CN202010533194.7A 2019-07-09 2020-06-11 用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法 Pending CN112205993A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/505,870 US11176642B2 (en) 2019-07-09 2019-07-09 System and method for processing data acquired utilizing multi-energy computed tomography imaging
US16/505,870 2019-07-09

Publications (1)

Publication Number Publication Date
CN112205993A true CN112205993A (zh) 2021-01-12

Family

ID=74059394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010533194.7A Pending CN112205993A (zh) 2019-07-09 2020-06-11 用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法

Country Status (2)

Country Link
US (1) US11176642B2 (zh)
CN (1) CN112205993A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132492A (zh) * 2023-08-24 2023-11-28 香港中文大学（深圳） 基于多视图深度卷积网络的ct图像噪声抑制方法及系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116249489A (zh) * 2020-08-19 2023-06-09 棱镜传感器公司 涉及x射线成像的方法和系统
EP4002262A1 (en) * 2020-11-20 2022-05-25 Siemens Healthcare GmbH Computer-implemented method for handling artifacts in multi-energy computed tomography, x-ray imaging device, computer program and electronically readable storage medium
US11710218B2 (en) 2021-03-17 2023-07-25 GE Precision Healthcare LLC System and method for normalizing dynamic range of data acquired utilizing medical imaging
US11869118B2 (en) * 2021-09-22 2024-01-09 Samsung Electronics Co., Ltd. Generating a synthetic ground-truth image using a dead leaves model
WO2023117654A1 (en) * 2021-12-20 2023-06-29 Koninklijke Philips N.V. Denoising projection data produced by a computed tomography scanner
WO2023117448A1 (en) * 2021-12-20 2023-06-29 Koninklijke Philips N.V. Denoising medical image data produced by a computed tomography scanner
EP4198877A1 (en) * 2021-12-20 2023-06-21 Koninklijke Philips N.V. Denoising projection data produced by a computed tomography scanner
EP4198905A1 (en) * 2021-12-20 2023-06-21 Koninklijke Philips N.V. Denoising medical image data produced by a computed tomography scanner
AU2022204142B1 (en) * 2022-06-14 2022-10-06 Curvebeam Ai Limited Method and System for Material Decomposition in Dual- or Multiple-Energy X-ray Based Imaging
US11786201B1 (en) * 2022-06-14 2023-10-17 Curvebeam Ai Limited Method and system for material decomposition in dual- or multiple-energy x-ray based imaging
EP4343703A1 (de) * 2022-09-26 2024-03-27 Siemens Healthineers AG Verfahren und system zur vorverarbeitung von ct-aufnahmen

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2385494A1 (en) * 2010-05-07 2011-11-09 IBBT vzw A method and device for estimating noise in a reconstructed image
US20120039440A1 (en) * 2010-08-12 2012-02-16 Jiahua Fan System and method of optimizing a representation of dual energy spectral ct images
WO2012104735A1 (en) * 2011-02-01 2012-08-09 Koninklijke Philips Electronics N.V. Spectral signal-to-noise ratio test for x-ray imaging
US20130343624A1 (en) * 2012-06-22 2013-12-26 General Electric Company Methods and systems for performing model-based iterative reconstruction
US20140355853A1 (en) * 2013-05-30 2014-12-04 Toshiba Medical Systems Corporation Noise balance pre-reconstruction data decomposition in spectral ct
US20150117596A1 (en) * 2013-10-24 2015-04-30 General Electric Company System and method of noise deletion in computed tomography
US20150279005A1 (en) * 2012-11-26 2015-10-01 Koninklijke Philips N.V. Projection data de-noising
CN107004284A (zh) * 2014-12-11 2017-08-01 通用电气公司 用于光谱ct成像的方法和系统
CN107430765A (zh) * 2014-12-11 2017-12-01 通用电气公司 用于对计算机断层摄影进行引导去噪的系统和方法
US20180101948A1 (en) * 2016-10-07 2018-04-12 Toshiba Medical Systems Corporation Apparatus and method for joint-edge-preserving regularization to reduce noise in four-dimensional computed tomography images
EP3452986A1 (en) * 2016-05-06 2019-03-13 Mayo Foundation for Medical Education and Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
US20190122342A1 (en) * 2016-05-03 2019-04-25 Koninklijke Philips N.V. Device and method for denoising a vector-valued image
EP3486864A1 (en) * 2017-11-20 2019-05-22 Technische Universität München Isotropic 3d image reconstruction using 3d patches-based self-similarity learning

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT408286B (de) * 1999-09-10 2001-10-25 Siemens Ag Oesterreich Verfahren zur unterdrückung von störrauschen in einem signalfeld
US6950493B2 (en) * 2003-06-25 2005-09-27 Besson Guy M Dynamic multi-spectral CT imaging
US7860344B1 (en) * 2005-05-06 2010-12-28 Stochastech Corporation Tracking apparatus and methods using image processing noise reduction
US9208394B2 (en) * 2005-09-05 2015-12-08 Alpvision S.A. Authentication of an article of manufacture using an image of the microstructure of it surface
US8515097B2 (en) * 2008-07-25 2013-08-20 Broadcom Corporation Single microphone wind noise suppression
US8942975B2 (en) * 2010-11-10 2015-01-27 Broadcom Corporation Noise suppression in a Mel-filtered spectral domain
US9367770B2 (en) * 2011-08-30 2016-06-14 Digimarc Corporation Methods and arrangements for identifying objects
US9757092B2 (en) * 2011-11-02 2017-09-12 Seno Medical Instruments, Inc. Method for dual modality optoacoustic imaging
US10475214B2 (en) * 2017-04-05 2019-11-12 General Electric Company Tomographic reconstruction based on deep learning
US10824049B1 (en) * 2017-10-06 2020-11-03 Hrl Laboratories, Llc Optical-frequency up-converting spectrometric imager

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2385494A1 (en) * 2010-05-07 2011-11-09 IBBT vzw A method and device for estimating noise in a reconstructed image
US20120039440A1 (en) * 2010-08-12 2012-02-16 Jiahua Fan System and method of optimizing a representation of dual energy spectral ct images
WO2012104735A1 (en) * 2011-02-01 2012-08-09 Koninklijke Philips Electronics N.V. Spectral signal-to-noise ratio test for x-ray imaging
US20130343624A1 (en) * 2012-06-22 2013-12-26 General Electric Company Methods and systems for performing model-based iterative reconstruction
US20150279005A1 (en) * 2012-11-26 2015-10-01 Koninklijke Philips N.V. Projection data de-noising
US20140355853A1 (en) * 2013-05-30 2014-12-04 Toshiba Medical Systems Corporation Noise balance pre-reconstruction data decomposition in spectral ct
US20150117596A1 (en) * 2013-10-24 2015-04-30 General Electric Company System and method of noise deletion in computed tomography
CN107004284A (zh) * 2014-12-11 2017-08-01 通用电气公司 用于光谱ct成像的方法和系统
CN107430765A (zh) * 2014-12-11 2017-12-01 通用电气公司 用于对计算机断层摄影进行引导去噪的系统和方法
US20190122342A1 (en) * 2016-05-03 2019-04-25 Koninklijke Philips N.V. Device and method for denoising a vector-valued image
EP3452986A1 (en) * 2016-05-06 2019-03-13 Mayo Foundation for Medical Education and Research System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information
US20180101948A1 (en) * 2016-10-07 2018-04-12 Toshiba Medical Systems Corporation Apparatus and method for joint-edge-preserving regularization to reduce noise in four-dimensional computed tomography images
EP3486864A1 (en) * 2017-11-20 2019-05-22 Technische Universität München Isotropic 3d image reconstruction using 3d patches-based self-similarity learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117132492A (zh) * 2023-08-24 2023-11-28 香港中文大学（深圳） 基于多视图深度卷积网络的ct图像噪声抑制方法及系统

Also Published As

Publication number Publication date
US20210012463A1 (en) 2021-01-14
US11176642B2 (en) 2021-11-16

Similar Documents

Publication Publication Date Title
CN112205993A (zh) 用于处理利用多能量计算机断层摄影成像获取的数据的系统和方法
US11126914B2 (en) Image generation using machine learning
JP7187476B2 (ja) 深層学習に基づくトモグラフィ再構成
EP3608877B1 (en) Iterative image reconstruction framework
Zhang et al. Tensor-based dictionary learning for spectral CT reconstruction
Kang et al. Deep convolutional framelet denosing for low-dose CT via wavelet residual network
EP3367329B1 (en) Denoising medical images by learning sparse image representations with a deep unfolding approach
JP6855223B2 (ja) 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法
US9824468B2 (en) Dictionary learning based image reconstruction
Cheng et al. Learned full-sampling reconstruction from incomplete data
He et al. Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning
Bousse et al. Systematic review on learning-based spectral CT
Wu et al. Unsharp structure guided filtering for self-supervised low-dose CT imaging
Moriakov et al. Lire: Learned invertible reconstruction for cone beam ct
Kim et al. CNN-based CT denoising with an accurate image domain noise insertion technique
EP3982327A1 (en) Generating enhanced x-ray images
US11657501B2 (en) Generating enhanced x-ray images using constituent image
Zhang et al. Dual-energy CT reconstruction from dual quarter scans
Moilanen Denoising computed tomography images with 3D-convolution based neural networks
Zhang et al. Medical image denoising
Zhao Cone Beam Computed Tomography Image Quality Augmentation using Novel Deep
Omer Reconstruction of high resolution computed tomography image from sinogram space using adaptive row projection

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