CN112927315A - 用于x射线成像中的金属伪影避免的方法 - Google Patents
用于x射线成像中的金属伪影避免的方法 Download PDFInfo
- Publication number
- CN112927315A CN112927315A CN202011431170.7A CN202011431170A CN112927315A CN 112927315 A CN112927315 A CN 112927315A CN 202011431170 A CN202011431170 A CN 202011431170A CN 112927315 A CN112927315 A CN 112927315A
- Authority
- CN
- China
- Prior art keywords
- metal
- source
- detector
- trajectory
- gantry
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 204
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 160
- 238000003384 imaging method Methods 0.000 title claims abstract description 82
- 238000002601 radiography Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 70
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims 2
- 230000011218 segmentation Effects 0.000 description 35
- 238000002591 computed tomography Methods 0.000 description 33
- 238000007408 cone-beam computed tomography Methods 0.000 description 22
- 238000013459 approach Methods 0.000 description 14
- 238000013170 computed tomography imaging Methods 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 210000003484 anatomy Anatomy 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 238000004088 simulation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 210000003128 head Anatomy 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 239000007943 implant Substances 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 125000001475 halogen functional group Chemical group 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 210000000115 thoracic cavity Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 210000000038 chest Anatomy 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000399 orthopedic effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000002675 image-guided surgery Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000001154 skull base Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000000333 X-ray scattering Methods 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008867 communication pathway Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000002786 image-guided radiation therapy Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002697 interventional radiology Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 125000001997 phenyl group Chemical group [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
- A61B6/12—Arrangements for detecting or locating foreign bodies
-
- 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
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce 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
- 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
- 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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- A61B6/10—Safety means specially adapted therefor
- A61B6/102—Protection against mechanical damage, e.g. anti-collision devices
-
- 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
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- 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
-
- 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
- A61B6/4447—Tiltable gantries
-
- 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
- A61B6/488—Diagnostic techniques involving pre-scan acquisition
-
- 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
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
提供了一种用于3D x射线成像中的金属伪影避免的系统和方法。该方法包括:确定金属在要扫描的感兴趣物体或体积中的3D位置;估计将减小金属伪影的严重性的源‑探测器轨道;将成像系统移动到与所估计的源‑探测器轨道一致的位置;以及根据该源‑探测器轨道扫描该物体。
Description
相关申请的交叉引用
本申请要求于2019年12月6日提交的美国临时申请号62/944,615的优先权,该美国临时申请的全部披露内容特此通过引用以其全文并入本文。
技术领域
本教导总体上涉及x射线成像,并且更具体地涉及一种用于x射线成像中的金属伪影避免的系统和方法。
背景技术
3D体积x射线成像(例如,x射线计算机断层扫描(CT)或锥形束CT(CBCT))是在诊断和图像引导医疗程序中对人体成像的一种普遍手段。CT是诊断放射学的支柱,CBCT系统的出现用于多种专业应用(包括牙科、耳鼻喉科、骨科和乳腺成像的诊断成像),并用于图像引导手术、介入放射学和图像引导放射治疗的介入引导。这种CBCT系统具有以下益处:便携性、占地面积小、成本低、并且具有透视和3D成像两者的功能。下文描述的本发明的主要应用领域是CBCT图像引导手术,其中,人体中的金属植入物通常会限制图像质量。次要应用包括CBCT成像的其他领域(例如,牙科、耳鼻喉科或骨科成像中的专业诊断成像系统)以及CT的一些潜在应用(例如,介入性CT和/或诊断性CT)。
在CT和CBCT中挑战图像质量的因素包括来自高密度物体(例如金属)的图像伪影,这些物体诸如手术夹和手术钉、牙科填充物、手术器械、骨科植入物等。这类物体会引起各种图像伪影(一般称为“金属伪影”),这些图像伪影会掩盖成像组织的有用信息,并妨碍金属物体本身的轮廓。术中成像的示例场景是需要精确地可视化金属器械(例如植入的螺钉)相对于周围解剖结构的放置,以引导、导航和确认手术器械的放置。视场(FOV)中大量和/或高密度的金属物体会严重降低图像质量,并混淆附近解剖结构的可视化以及设备放置的确认。
上述伪影包括通常称为金属伪影的暗带和亮带以及条纹。这种伪影可归因于几种效应,包括射束硬化(在探测器信号中引入误差或偏差的x射线能谱偏移)、x射线散射(在金属物体的高度衰减区域中对探测器信号有贡献的高比例散射x射线)以及光子饥饿(在金属物体的高度衰减区域中对探测器信号有贡献的少量x射线光子)。此外,这种效应对成像系统的几何不稳定性和几何校准误差敏感(尤其是对于移动式CBCT系统,与固定龙门架CT或CBCT系统相比,其机械稳定性较差)。
认识到与金属伪影相关联的重要挑战,已经提出并实施了许多方法来进行金属伪影去除(MAR),每种方法具有不同的优点和一些缺点。MAR算法通常基于软件,可以分为以下几大类:(1)通过校正探测器像素值(例如,插值/修补)来修改在受金属影响区域内测得的投影数据。此类方法通常称为投影域金属伪影校正(PMAC);2)调用伪影来源(例如x射线谱射束硬化)的物理学模型,并使用基于模型的迭代图像重建(MBIR)来改善图像质量;以及(3)与(1)和/或(2)相结合来使用金属物体(例如,物体的确切形状)或患者的先前信息(例如,先前的CT/MRI扫描)。
这种MAR方法的缺点包括:(1)受金属影响区域的定位和/或探测器像素值校正中的误差;(2)x射线束建模或伪影源的其他物理过程中的误差;(3)对可能不可用或难以获得的有关金属物体或患者的先前信息的要求;以及(4)如果涉及迭代算法,则可能会产生较大的计算负担。尽管对MAR方法进行了数十年的研究和开发,并将其部署在各种可商购的临床CT和CBCT系统中,但金属伪影仍然是图像劣化的主要来源。
需要开发克服上述缺陷的技术。此外,当在3D扫描中获取的x射线投影数据的质量较高时——即,当x射线投影数据受与感兴趣体积中的金属物体相关联的噪声、误差和/或偏差的影响较小时,这种方法的性能会更好。即,当需要校正的伪影较少时,MAR方法的性能会更好。本发明提供了一种实现此目的的方法,该方法提供受金属物体影响较少的x射线投影数据(即,携带减少的噪声、误差和/或偏差),使得所得的3D图像重建将表现出减少的金属伪影,这可能会消除对MAR的需要,和/或使得MAR方法的应用可以比以传统方式获取投影数据的情况下效果更好。
发明内容
根据本披露内容的示例,提供了一种用于3D x射线成像中的金属伪影避免的方法。该方法包括确定金属在要扫描的感兴趣物体或体积中的3D位置;估计将减小金属伪影的严重性的源-探测器轨道;将成像系统移动到与所估计的源-探测器轨道一致的位置;以及根据该源-探测器轨道扫描该物体。在一些示例中,由于系统通常不知道现有的空间约束(如操作台位置、患者尺寸、工具等),因此估计的位置可能不可行。因此,该系统可以支持用户将成像系统移动到关于估计位置以及空间约束的最佳位置。
可以在该计算机实施的方法中实现包括以下内容的各种附加特征。该确定可以进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,使用一个或多个先前获取的x射线图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。该源-探测器轨道可以包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。估计该源-探测器轨道进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。该特性可以包括对频谱偏移、衰减或其组合的估计。该目标函数可以基于以下一项或多项:沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性可以有所降低。该扫描可以进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。形成该3D图像重建可以进一步包括执行一个或多个3D图像重建算法,包括3D滤波反投影或基于模型的图像重建。
根据本披露内容的示例,提供了一种3D x射线成像系统。该3D x射线成像系统可以包括:3D x射线成像设备,该3D x射线成像设备包括龙门架,该龙门架能够以沿倾斜轴的多个倾斜角度和沿旋转轴的多个旋转角度移动;以及硬件处理器,该硬件处理器被配置为执行包括以下各项的指令:确定金属在要扫描的感兴趣物体或体积中的3D位置;估计将减小金属伪影的严重性的源-探测器轨道;将成像系统移动到与所估计的源-探测器轨道一致的位置;以及根据该源-探测器轨道扫描该物体。
可以在该计算机实施的方法中实现包括以下内容的各种附加特征。该确定可以进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,使用一个或多个先前获取的x射线图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。该源-探测器轨道可以包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。估计该源-探测器轨道可以进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。该特性可以包括对频谱偏移、衰减或其组合的估计。该目标函数可以基于以下一项或多项:沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性可以有所降低。该扫描可以进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。形成该3D图像重建可以进一步包括执行一个或多个3D图像重建算法,包括3D滤波反投影或基于模型的图像重建。
根据本披露内容的示例,提供了一种非暂态计算机可读介质,该非暂态计算机可读介质包括指令,这些指令在由硬件处理器执行时被配置为执行用于3D x射线成像中的金属伪影避免的方法,该方法包括:确定金属在要扫描的感兴趣物体或体积中的3D位置;估计将减小金属伪影的严重性的源-探测器轨道;将成像系统移动到与所估计的源-探测器轨道一致的位置;以及根据该源-探测器轨道扫描该物体。
根据本披露内容的示例,提供了一种用于计算机断层扫描(CT)成像中的金属伪影避免的计算机实施的方法。该计算机实施的方法包括:获取被成像体积的目标位置的多个初始视图,以在使用CT成像设备进行CT成像时提供初始引导;由硬件处理器形成该目标位置的粗略3D衰减图;使用由该硬件处理器执行的分割算法,将该粗略3D衰减图分割为多个具有相似性质的图像;由该硬件处理器计算与该目标位置中的金属伪影的严重性有关的图形表示;由该硬件处理器计算关于CT成像设备的龙门架的倾斜角度定义的目标函数,以跨该龙门架的旋转角度范围捕获金属伪影的严重性;以及由该硬件处理器基于用于该龙门架的目标函数确定期望的倾斜角度,在该倾斜角度处执行对目标位置的3D图像扫描以避免金属伪影。
可以在该计算机实施的方法中实现包括以下内容的各种附加特征。多个初始视图可以包括多个定位扫描视图,其中,该多个定位扫描视图中的定位扫描视图是CT成像设备的开出CT切片以对CT成像设备进行初始定位的操作模式。可以通过对多个定位扫描视图中的每一个进行反投影来形成粗略3D衰减图。可以基于确定目标函数的最小值来确定期望的倾斜角度。图形表示可以包括将旋转角度与龙门架的倾斜角度相关的度量图。该目标函数可以基于度量图沿龙门架的旋转轴的标准偏差。该目标函数可以基于度量图沿龙门架的旋转轴的最大值。该目标函数可以基于龙门架旋转角度范围的度量图总和。该计算机实施的方法可以进一步包括基于所确定的期望倾斜角度来执行对目标位置的3D图像扫描。该计算机实施的方法可以进一步包括将期望的倾斜角度提供给执行3D图像扫描的CT成像设备的操作者。
根据本披露内容的示例,提供了一种计算机断层扫描(CT)成像系统,该CT成像系统可以包括CT成像设备,该CT成像设备包括龙门架,该龙门架能够以沿倾斜轴的多个倾斜角度和沿旋转轴的多个旋转角度移动;以及硬件处理器,该硬件处理器被配置为执行包括以下各项的指令:获取被成像体积的目标位置的多个初始视图,以在使用CT成像设备进行CT成像时提供初始引导;形成该目标位置的粗略3D衰减图;使用分割算法,将该粗略3D衰减图分割为多个具有相似性质的图像;计算与该目标位置中的金属伪影的严重性有关的图形表示;计算关于倾斜角度定义的目标函数,以跨该龙门架的旋转角度范围捕获金属伪影的严重性;以及基于用于该龙门架的目标函数确定期望的倾斜角度,在该倾斜角度处执行对目标位置的3D图像扫描以避免金属伪影。
可以在该CT成像系统中实现包括以下内容的各种附加特征。多个初始视图可以包括多个定位扫描视图,其中,该多个定位扫描视图中的定位扫描视图是CT成像设备的开出CT切片以对CT成像设备进行初始定位的操作模式。可以通过对多个定位扫描视图中的每一个进行反投影来形成粗略3D衰减图。基于确定目标函数的最小值来确定期望的倾斜角度。图形表示包括将旋转角度与龙门架的倾斜角度相关的度量图。该目标函数基于度量图沿龙门架的旋转轴的标准偏差。该目标函数可以基于度量图沿龙门架的旋转轴的最大值。该目标函数可以基于龙门架旋转角度范围的度量图总和。该硬件处理器可以进一步被配置为执行指令,这些指令包括基于所确定的期望倾斜角度来执行对目标位置的3D图像扫描。该硬件处理器可以进一步被配置为执行指令,这些指令包括将期望的倾斜角度提供给执行3D图像扫描的CT成像设备的操作者。
附图说明
结合在本说明书中并构成其一部分的附图展示了本教导的实施方式,并与所述描述一起用于解释本披露内容的原理。在附图中:
图1A和图1B示出了MAA的示例系统和几何结构的图示。倾斜角度(φ*)限定了可减少3D图像重建中的金属伪影的圆形轨道扫描平面。
图2示出了根据本披露内容的示例的MAA方法的流程图。
图3A至图3C示出了MAA方法的说明性模拟研究。图3A示出了包含各种金属球和棒的圆柱形水体模的体积渲染。体模的两个定位扫描投影视图(AP和横向),对应于MAA方法中的p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。图3B示出了从两个定位扫描视图得出的反投影体积(粗略3D衰减图,表示为μc)。图3C示出了从图3B中的衰减图得出的高密度金属物体的基于强度的简单分割(称为分割后的粗略3D衰减图,表示为μseg)。图3C中的插图区域示出了分割区域之一的放大视图。
图4示出了根据金属物体的完整3D衰减图的视图(模拟正投影)计算的度量图q(θ,φ)。q(θ,φ)(表示与金属有关的BH伪影的数量,等式(1))在此是针对所有可能的C型臂龙门架角度和倾斜度计算的。此处示出的结果是在假设金属物体完全已知的情况下计算得出的——即,金属物体的完整3D衰减图而不是μseg
图5示出根据图4的度量图q(θ,φ)计算的目标函数Q(φ)。Q(φ)的形式在此示出为等式(6)。目标函数Q(φ)(Q(φ)=max q(θ,φ))的极小值表示在3D图像重建中可最好地避免金属伪影的倾斜角度(φ*)(由箭头502和504标记)。
图6示出了对于图3A中的模拟体模能够利用MAA方法减少金属伪影的倾斜角度的图示。在此示出了各种倾斜角度(标在每个子图的顶部,φ=1-30度)的3D图像重建。与Q(φ)中的极小值(图5中的箭头502和504)相对应的图像用星号602和604标记,分别为φ=8度和27度。
图7A和图7B示出了仅根据2个定位扫描投影视图计算的MAA度量。图7A示出了度量图q(θ,φ)。注意,与图4的相似性(所计算的度量图基于金属物体的完整3D衰减图的假设)。仅根据2个视图计算的度量图仍然能够成功定位与高衰减(高光谱偏移)相对应的将导致金属伪影的视图。图7B示出了根据图7A的度量图中的水平线计算的目标函数Q(φ)。这再次再现了图5的理想化结果,示出位于φ约为8°和φ约为27°(箭头702和704)的理想倾斜角度。
图8A至图8E示出了MAA方法的物理体模实验结果。图8A示出了两个投影定位扫描视图,p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。图8B示出了通过对图8A中的这两个定位扫描视图进行未加权反投影形成的粗略3D衰减图(μc)。图8C示出了粗略3D衰减图的基于强度的分割(μseg)。图8D示出了使用等式(1)通过对图8C的(μseg)进行正投影计算的度量图q(θ,φ)。图8E示出了根据图8D中的水平线计算的目标函数Q(φ),其中的最小值表明将避免金属伪影的倾斜角度(φ*)。
图9A至图9F示出了以不同的倾斜角度获取的胸部体模的轴向视图。注意φ=0°的伪影(脊柱螺钉周围的明暗条纹),相比之下,以通过MAA方法预测的倾斜角度φ=20或30°获取的图像的这种伪影有所减少。
图10A示出了模拟体模#2的冠状图像。图10B示出了模拟体模#2的体积渲染(示出了螺钉)。
图11A示出了根据模拟体模#2计算的q(θ,φ)度量图。最佳非圆形轨道由曲线1102标记。图11B示出了在一系列龙门架倾斜角度上绘制的Q(φ)(半圆形)目标。非圆形Q(φ(θ))实现的值比半圆形轨道的任何设置都低。图11C示出了用最佳圆形(顶部)和非圆形(底部)轨道成像(用惩罚加权最小二乘(PWLS)方法重建)的轴向切片(螺钉#3,平面外角0°)。图11D示出了用最佳半圆形(顶部)和非圆形(底部)轨道获取的三个示例螺钉(#4-6,平面外角分别为0°、11°、22°),注意到使用非圆形MAA方法获得的图像表现出显著降低的金属伪影。示出了跨每个螺钉的轴的倾斜轴向视图。图11E示出了模拟螺钉的地面真值轴向图像。
图12示出了根据本披露内容的示例的用于3D x射线成像中的金属伪影避免的方法。
图13A和图13B分别示出了根据本披露内容的示例的移动式C型臂、C型臂几何参数、以及探测器的放大图。标记了经由几何校准确定的九个参数(自由度)。(B)在球体上图示的源-探测器轨道。示出了圆形轨道(龙门架倾斜度φ的各种设置)。示出了示例非圆形轨道(φ随θ改变)。缩放插图图示了对通过对圆形扫描的几何校准库中的四个最近顶点进行插值而确定的一个视图的几何参数估计。
图14示出了根据本披露内容的示例的用于金属器械的3D定位/分割的端到端神经网络。
图15A和图15B示出了根据本披露内容的示例的预定的非圆形轨道的系统几何的再现性程度。
图16A至图16D示出了几何校准准确性对空间分辨率(调制传递函数,表示为MTF)和3D图像质量的影响,其中,图16A示出了用于由图13A和图13B中的布置定义的三种情况的MTF,并且图16B、图16C和图16D分别示出了三种情况的头部体模的轴向和矢状放大视图(颅底)。
图17A、图17B和图17C示出了在由图13A和图13B的布置所定义的包含平盘堆叠的头部体模的矢状图像中根据非圆形轨道产生的锥形束伪影的预期减少。最上层盘边缘的表观厚度(半峰全宽,表示FWHM)从标准“圆形情况”的9mm减少到其两种非圆形情况的真实厚度(约5.5mm)。
图18示出了在三种网络类型(单U-Net、双U-Net和端到端)的验证测试中用Dice系数(表示为DC)来表示分割真实或模拟金属植入物的性能,作为投影视图数量的函数。
图19A至图19E示出了根据本披露内容的示例的测试数据集(具有12个椎弓根螺钉的尸体)中的三个神经网络的分割性能。图19A至图19C示出了与地面真值叠加的示例轴向切片分割。示出了针对不同数量的定位扫描视图的分割。图19D示出了端到端方法根据两个视图计算的μseg的等值面。图19E示出了地面真值分割的等值面(其被下采样为μseg)。
图20A至图20F示出了根据本披露内容的示例的应用于植入有八个椎弓根螺钉的胸部体模的MAA方法。图20A示出了与最佳非圆形轨道叠加的q(θ,φ)度量图。图20B示出了8个螺钉中的每个螺钉的晕状伪影(螺钉轴的FWHM)的幅值。(图20C和图20E中)圆形扫描和(MAA)非圆形扫描的轴向图像示出了视觉图像质量获取的改善,这(在图20D和图20F中)通过每个螺钉的放大的平面内准轴向切片进一步示出。
图21示出了根据本披露内容的示例的另一方法,示出了用于3D x射线成像中的金属伪影避免的方法。
图22示出了根据本披露内容的示例的使用CNN网络执行3D x射线成像中的金属伪影避免的又一种方法。
图23是根据本披露内容的示例的用于计算机设备的硬件配置的示例。
应当注意,附图中的一些细节被简化,是为了促进本教导的理解而绘制的,而不是为了保持严格的结构准确性、细节和比例。
具体实施方式
总体上,本披露内容的示例提供了一种用于金属伪影避免(MAA)的系统和方法,该系统和方法与PMAC和MBIR不同,并且对PMAC和MBIR进行了改进,不假设具有金属植入物的患者的先前信息,可以与PMAC和/或MBIR结合使用(如果期望的话),并且本身只增加很少或不会增加计算负担。具体地,本系统和方法通过以减小金属物体对投影数据的影响并进而减小金属伪影的严重性的方式来适配CT或CBCT图像采集来提供MAA。本系统和方法可能不一定给出“最小”或“零”金属伪影,但是比常规扫描提供更少的伪影。
本披露内容的各方面与先前的PMAC方法的不同之处在于:(1)本系统和方法是基于硬件的解决方案,不是在获取后阶段中校正金属伪影,而是试图在图像获取期间首先避免金属伪影。其比基于软件的方法更稳健,并且可以轻松地集成到当前的CBCT系统中,而不会对伪影校正和重建流水线进行重大修改——即,MAA方法与现有的PMAC方法一致(可以结合使用),以及(2)自动轨迹设计所需的信息是通过少量的(例如,两个)定位扫描视图获得的。与上述一些方法不同,尽管可以包括金属物体或患者的先前信息例如以改善图2的208中的分割步骤,但是所提出的解决方案不需要这种先前信息。用于确定龙门架倾斜角度的方法基于少至两个定位扫描视图。使用以下描述的方法,基于少至两个定位扫描视图即可计算使用CBCT成像系统的MAA的倾斜角度。倾斜角度的确定形成为目的是减少金属伪影的简单优化问题(关于φ)。为了简化和计算效率,问题在投影域中形成。
通常,CT或CBCT系统经由圆形轨道获取投影图像数据——即,x射线源和探测器绕患者成圆形行进——并且包含该圆形轨道的平面与患者的长轴正交。请注意关于源-探测器轨道的以下三点:
(i)先前的工作已报告了涉及非圆形轨道的各种成像方法——例如,扩大FOV以减少“锥形束伪影”(与金属伪影完全不同),或针对特定成像任务最大化空间频率采样。与简单的3D滤波反投影(其适用于圆形轨道,是CT或CBCT图像重建方法的最主要支柱)相比,非圆形轨道通常涉及更复杂的分析或迭代(MBIR)方法。
(ii)此外,使用相对于患者的长轴倾斜的圆形轨道来获取CT或CBCT数据并不罕见。例如,在头部的CT诊断中,CT扫描器龙门架有时会沿眦耳线倾斜,以减少与颅骨的小骨头相关联的射束硬化效应。这种龙门架倾斜技术非常特定于对颅骨的成像,并且旨在克服常见解剖部位的高度衰减(并且不旨在避免金属伪影)。倾斜的(圆形)轨道仍与3D滤波反投影(表示为FBP)和其他分析重建技术一致。非圆形轨道可能与基本3D FBP或其他分析重建算法不一致。利用系统几何的知识,圆形和非圆形轨道通常都可以与典型基于3D模型的迭代重建(MBIR)一致。圆形和非圆形轨道都可以使用深度学习(DL)神经网络、卷积神经网络(CNN)或其他相关方法来重建。MAA方法适用于所有此类重建和后处理方法,因为它适用于数据获取过程,而不是重建过程本身。
(iii)MAA方法以具体地最大程度地减小金属物体对投影数据的影响(例如,与金属物体对x射线束的衰减相关联的信号偏差)的方式适配源-探测器轨道。以下描述的一个非限制性示例涉及倾斜的圆形(或半圆形)轨道[如(ii)中所示],并以具体地最大程度地减小高度衰减的金属物体对投影数据的影响的方式选择倾斜角度(从而有助于在3D图像重建中避免金属伪影)。
在一个非限制性示例中,MAA涉及倾斜圆形轨道,其倾斜角度由少量的投影视图(例如2个视图)确定,称为“定位扫描(scout)”视图。从少至2个定位扫描视图,就可以确定最大程度地减小金属对投影数据的影响的倾斜圆形轨道——即,避免金属伪影产生,而不是使用PMAC对其进行校正或使用MBIR减少其在图像重建中的影响。即,使用MAA方法获取的扫描仍与PMAC和/或MBIR兼容,并且可以类似地受益于两者的功能。
图1A和图1B示出了根据本披露内容的示例的MAA的示例系统和几何结构的图示。图1A示出具有呈移动式C型臂或O型臂形式的龙门架104的CT系统102,该龙门架可在至少两个自由度上移动,表示为倾斜角度(φ*)106和旋转角度(θ)108。倾斜角度(φ*)106限定了可减少3D图像重建中的金属伪影的圆形轨道扫描平面。倾斜角度可以在-30°到+30°之间变化。旋转角度可以在0°到196°之间变化。由于C型臂可对倾斜角度和旋转角度两者进行电动控制,因此可以在扫描期间经由计算机控制的倾斜角度和旋转角度的变化来执行非圆形轨道。例如,移动式的C型臂或O型臂是具备倾斜圆形轨迹能力的CBCT成像系统的典型示例。例如,移动式C型臂或O型臂是CBCT成像系统的典型示例,其可以具有x射线管、计算机控制的管输出、以及x射线探测器(例如平板探测器FPD),该x射线探测器的探测器区域足以覆盖3D扫描中的感兴趣体积。系统几何通常由源-探测器距离(SDD)和源-轴距离(SAD)限定,从而产生覆盖感兴趣体积的体积视场(FOV)。标称扫描方案包括在x射线管输出和扫描时间的特定设置下在180°或更大的扫描弧上获取的多个投影。适用于本披露内容中使用的系统包括等心或非等心的C型臂、O型臂、固定空间C型臂(例如,Axiom Artis Zee)或具备龙门架倾斜能力的环形龙门架诊断CT扫描仪(例如,Somatom Definition)。
图1A还示出了用于被扫描的物体112的坐标系(x,y,z)110和用于龙门架104的平面的坐标系(u,v)114。图1A还示出了由圆114示出的正常(非倾斜)圆形轨迹(倾斜角度φ=0)和由圆116示出的倾斜圆形轨迹。图1B示出了根据本披露内容的示例的可以与CT系统102耦合的诊断系统114。控制系统118可以包括计算机系统,该计算机系统用于使用如下面进一步描述的方法来处理和显示CT系统102的结果。
图2示出了根据本披露内容的示例的用于CT成像中的金属伪影避免的计算机实施的方法200。在开始方法200之前,将患者和金属器械定位在CT系统102的操作台上,并在202处指示扫描。
方法200继续在204处沿正常(非倾斜)圆形轨迹(倾斜角度φ=0,如图1A中的圆114所示)获取多个(例如2个或更多个)定位扫描视图。在确定倾斜角度φ*之后,利用该倾斜圆形轨迹(如图1A中的圆116所示)执行对患者的3D扫描。在标称非倾斜圆形几何形状的情况下,获取两个定位扫描视图(例如,侧面视图和AP视图,相隔90度)。在特定θ和φ下获取的投影视图表示为p(u,v|θi,φi)。通过这个定义,这两个定位扫描视图(i=1,2)可以表示为p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。这些定位扫描视图可以以非常低的剂量获取,因为它们仅需要描绘与金属物体相关联的区域。在程序开始时获取标准定位扫描视图的图像是典型的,并且不会给患者带来附加的工作流程或剂量。
方法200继续在206处通过对在204处获取的定位扫描视图进行反投影而形成粗略3D衰减图(μc)。为了基于所获取的定位扫描视图对密集的解剖结构和金属物体进行定位,将这两个定位扫描视图进行反投影以形成粗略3D衰减图(μc),然后对该粗略3D衰减图进行分割以形成仅包含高衰减体素的分割后的粗略3D衰减图(μseg)。可以使用简单的分割方法(如自适应阈值化)或基于机器学习、深度学习、卷积神经网络(CNN)等更高级方法来执行分割。
方法200继续在208处对粗略3D衰减图进行分割(μseg)以定位特别密集的解剖结构和/或高密度金属物体。用于从粗略衰减图确定μseg的示例性方法包括(但不限于)强度阈值化、区域增长和基于人工神经网络的分类。这样的分割方法可以在具有或不具有关于已知或认为在患者体内的金属物体的尺寸、形状、数量和/或物质内容的先前信息的情况下进行操作。最大程度地减少金属伪影的倾斜角度φ是从μseg确定的。下文详述了从μseg确定φ的示例性方法——涉及目标函数,该目标函数在投影域中针对φ的特定选择(φ*)被最小化。注意,可以通过穷举搜索将目标函数最小化(不需要迭代优化)。
在一个非限制性示例中,如图2所示,以串行方式执行在204、206和208中描述的操作。该第一示例在图18、图19中被称为“单U-Net”,其中,单U-Net的操作在图2中由208标记。
在另一个非限制性示例中,可以将定位扫描视图分割以限定具有密集解剖结构的区域和高密度金属物体的区域,然后进行反投影以形成μc。此方法可以潜在地提高μseg的准确性,但往往会受到重叠结构和投影数据中信号动态范围非常大的挑战。已经开发出一些方法(例如,KC-Recon)[15]来克服这些挑战。该分割操作在图2的204和206中描述的操作之间执行。该第二示例在图18、图19中被称为“双U-Net”。图21示出了图示双U-Net的示例的方法2100。如图21所示,操作2102和2104与操作202和204相同。在获取多个定位扫描视图的2104操作之后,如2106所示,在投影域中将定位扫描视图分割为仅包含特别密集的解剖结构和/或高密度金属物体。然后,如2108所示,方法2100继续通过对定位扫描视图进行反投影而形成粗略3D衰减图。然后,如2110所示,方法2100继续在图像域中分割粗略3D衰减图。2104和2110的操作代表该方法的“双U-Net”性质。然后,方法2100继续执行与210至216的操作所描述的相同的操作2112、2114、2116和2118。
在又一个非限制性示例中,还可以经由对更多个稀疏视图(与其他示例相比更多个视图,例如10个视图)的FBP重建确定粗略3D衰减图μc。FBP不是进行简单的反投影,而是在反投影之前对投影数据进行“滤波”。根据已进行的研究,对于仅2个定位扫描视图,滤波并不能提高性能,但对于更大量的定位扫描视图确实可以提高性能。μc然后可以被以分割形成与上面讨论的第一个示例相同的μseg。
在又一个非限制性示例中,可以直接使用如图18、图19所示并在下文进一步讨论的“端到端”卷积神经网络(CNN)方法从定位扫描视图确定分割后的粗略3D衰减μseg,该方法允许网络无需明确产生中间结果即可获知输出——即,无需计算μc作为中间步骤。在图14中描述了“端到端”CNN的一个示例设计。在该示例中,在单个操作中执行在206和208中描述的操作。图22示出了图示端到端方法的示例的方法2200。如图22所示,操作2202和2204与操作202和204相同。在获取多个定位扫描视图的操作2204之后,“端到端”CNN确定分割后的粗略3D衰减图,如2206所示以及下文进一步描述的。然后,方法2200继续执行与210至216的操作所描述的相同的操作2208、2010、2112和2114。
方法200继续在210处基于粗略3D衰减图的分割(μseg)来计算度量图。度量图(表示为q(θ,φ))是在投影域中定义的,其与将导致3D图像重建的金属伪影的严重性有关。注意,q(θ,φ)是针对在每个倾斜角度(φ)的每个投影视图(θ)定义的,这些衰减图都是通过根据实际成像系统几何对μseg进行正投影生成的。
度量图(表示为q(θ,φ))被定义为与将导致3D图像重建的金属伪影的严重性有关。注意,q(θ,φ)是针对投影域(以探测器的2D空间坐标(u,v)表示)中的每个投影视图定义的,以避免在3D重建域中进行耗时的搜索。以下描述了q(θ,φ)的三个示例定义。
示例1(多能转换):针对每个旋转角度(θ)和倾斜角度(φ)在投影域中计算引起射束硬化(BH)伪影(光谱偏移)的金属(高密度物体)的量:
其中,pmono(u,v|θ,Φ)是探测器像素索引(u,v)处的模拟单能线积分值,其是在前一步骤中对μseg进行正投影确定的,正投影几何由θ和φ限定。由于正投影算子是单能的,因此pmono(u,v|θ,Φ)没有BH伪影。因此,使用以下公式添加模拟的射束硬化伪影,以生成相应的被BH污染的多能线积分ppoly(u,v|θ,Φ):
其中,αi是由来自x射线管的入射光谱和金属物体的衰减性质确定的多项式系数。
示例2(最大衰减):针对每个θ和φ计算k个最大单能线积分的总和:
其中,pmono(u,v|θ,Φ)是如上所述探测器像素索引(u,v)处的模拟单能线积分值,maxk是从自变量中取k个最大值的运算符。
示例3(单能阈值):针对每个θ和φ计算高于某个阈值的单能线积分值的总和。阈值化操作可以帮助在投影域中将高密度金属物体的影响与低密度解剖结构背景(软组织等)的影响隔离开。
其中,pmono(u,v|θ,Φ)是如上所述探测器像素索引(u,v)处的模拟单能线积分值,Thresh是从自变量中取高于某个阈值的值的运算符。
示例4:针对每个θ和φ计算整个投影视图内的单能线积分的总和。
其中,pmono(u,v|θ,Φ)是如上所述探测器像素索引(u,v)处的模拟单能线积分值。
当然可以构造度量图q(θ,φ)的替代公式——例如,以上任何示例的对数变换。
示例1(等式(1))是在此描述的MAA解决方案中的一个非限制性示例。模拟和体模实验表明,该公式提供了能够可靠的金属伪影(尤其是金属伪影的射束硬化部分)避免。
进行了模拟研究以说明所披露的方法。该模拟模拟了图1A所示的CBCT系统的几何结构和x射线谱。该模拟中使用的数字体模是装有几个金属球和圆柱形棒插入物的水柱。图3A示出了体模的体积渲染以及体模的两个标记的定位扫描视图(AP和横向),分别对应于p(u,v|θ=90,φ=0)和p(u,v|θ=90,φ=0)。在该示例中,两个金属球在AP视图中重叠,这将导致该区域中的投影数据保真度特别低,并在3D图像重建中将导致严重的金属伪影。图3B示出了使用从两个定位扫描视图反投影的体积形成的粗略3D衰减图(粗略3D衰减图,表示为μc)。图3C示出了图3B中的衰减图的基于强度的简单分割的结果。如本文所述,根据分割后的粗略3D衰减图(μseg),计算将尽可能避免金属伪影的倾斜轨道。图3C中的插图区域示出了分割区域之一的放大视图。
为了说明的目的,使用图1A中的模拟体模,度量图q(θ,φ)的计算在下文示出,假设金属物体是已知的,即,金属物体的完整3D衰减图而不是分割后的粗略3D衰减图(μseg)。本文讨论了一个更实际的案例,其中只包含未知体模的两个视图(即,使用μseg)。
针对图3中的模拟物体,根据等式(1)对q(θ,φ)的计算在图4中示出。可以清楚地看到,指示θ和φ的明亮区域,这些区域将导致严重的金属伪影(低保真度视图),并且因此应被避免。还注意到MAA解决方案的简单性:即,理想的源-探测器倾斜角度仅仅是由q(θ,φ)图中值较低的水平线(圆形轨迹)限定的,并且一些水平线(即,一些倾斜角度)显然会比其他水平线遭受更高的衰减(金属伪影)。找到倾斜圆形几何形状的φ*(最小化的金属伪影)等同于在q(θ,φ)图中关于倾斜角度φ找到使目标函数(表示为Q(φ))最小化的水平线。
图4示出了根据金属物体的完整3D衰减图的视图(模拟正投影)计算的度量图q(θ,φ)。q(θ,φ)(表示与金属有关的BH伪影的数量,等式(1))在此是针对所有可能的C型臂龙门架角度和倾斜度计算的。此处示出的结果是在假设金属物体完全已知的情况下计算得出的——即,金属物体的完整3D衰减图而不是μseg。
在准备好q(θ,φ)的情况下,就可以计算目标函数Q。该计算可以分为以下两种情况:
(情况I):如果φ(θ)对于所有θ都是恒定的:则倾斜圆形轨道(轨迹)在图4中对应于水平线,使得图4中的每条水平直线(从左到右)对应于(倾斜)圆形轨道,并且每条曲线(从左至右)对应于非圆形轨道,例如,如图11所示。
(情况II):如果φ(θ)对于所有θ不是恒定的:则非圆形轨道(轨迹)在图4中对应于曲线(例如图11中的线1102)。
龙门架最佳倾斜度的圆形轨道:可以将上述等式的目标简化为找到倾斜(圆形/半圆形)轨道的情况,表示为Q(φ)。这种简化相当于找到q(θ,φ)度量图中具有最小(或减小的)标准偏差——即,标量值φ(φ*),其可以通过穷举搜索有限变量空间来轻松求解——的“水平”行。实际上,存在与越来越大的倾斜角度相关联的许多潜在挑战,包括与操作台碰撞的风险增加以及几何校准的再现性降低。因此,“最佳”倾斜度对应于尽可能小但应大到足以避免或减少金属伪影的φ值。
非圆形轨道:越来越多的现代C型臂系统具有非圆形轨道的能力——例如,大型固定空间机器人C型臂(诸如Artis Pheno、Siemens Healthineers)或甚至图1所示的移动式C型臂(Cios Spin 3D),其提供对θ和φ的计算机控制。这就开辟了对φ(θ)(即,非圆形轨道)进行全面优化的可能性,以实现比上述简单的倾斜圆形轨道(Q(φ))更低的目标函数(Q(φ(θ)))。为了减少问题的维度并鼓励平滑和现实的轨道,我们将φ(θ)建模为三次b样条核的叠加,每个核都以N=10节之一(在θi处)为中心平均分布在扫描弧上:
其中,B是三次b样条,fi是节i的控制参数。等式(7)中的优化通常是非凸的,并且可能很难使用传统的基于梯度的方法进行求解。求解等式(7)最小值的示例性方法是协方差矩阵适应进化策略(CMA-ES),如由N.Hansen和S.Kern在由X.Yao、E.K.Burke、J.A.Lozano等人编辑的Parallel Problem Solving from Nature-PPSN VIII[从自然求解并行问题-PPSN VIII]中的Evaluating the CMA Evolution Strategy on Multimodal TestFunctions[评估多模态测试函数的CMA进化策略]((Springer Berlin Heidelberg,Berlin,Heidelberg,2004),第282-291页)中描述的,作为几乎实时运行的等式(7)的稳健求解器。
方法200继续在212处计算关于倾斜角度φ定义的目标函数Q(φ),以在所有θ上捕获金属伪影的总体严重程度。然后通过搜索所有可能的龙门架倾斜范围(φ)来计算最佳避免金属伪影的倾斜角度(表示为φ*)以最小化Q(φ)。重要的是要注意,Q(φ)的严格最小值可能没有必要。例如,在一些情况下,Q(φ)可能随着φ单调递减(无最小值)。在这种情况下,应该找到尽可能小但应大到足以避免金属伪影的Q(φ)值。从这个意义上讲,角度φ*的选择不是真正的“最小化”或“最佳化”,而是需要重要的实际考虑(即“尽可能小,但必要时足够大”)。
目标函数Q(φ)是关于φ定义的,以捕获在所有θ上金属伪影的总体严重程度。Q(φ)定义的一些示例形式为:
示例1(度量图的变化):
Q(φ)=σθ[q(θ,φ)] (8)
其中,σθ是沿θ轴的标准偏差。
示例2(度量图的最大值):
Q(φ)=maxq(θ,φ) (9)
其中“max”运算符沿θ轴取最大值。
示例3(度量图的总和):
其中,求和运算符是度量图中水平线上的总和。
也可以构造Q(φ)的替代公式。示例1(例如,等式(8))是在此描述的MAA解决方案中的一个非限制性示例,但可能存在其他Q目标可能更适合的情况。使用图4的q(θ,φ)图,使用等式(8)对Q(φ)的计算在图5中示出。
图5示出根据图4的度量图q(θ,φ)计算的目标函数Q(φ)。Q(φ)的形式在此示出为等式(8)。目标函数Q(φ)(Q(φ)=maxq(θ,φ))的极小值表示在3D图像重建中可最好地避免金属伪影的倾斜角度(φ*)(由箭头502和504标记)。
方法200继续在214处确定执行3D成像扫描的倾斜角度φ:角度φ*。以倾斜圆形轨迹(倾斜了φ*)执行对患者的3D扫描。通过搜索可能的龙门架倾斜范围(φ)来计算最佳避免金属伪影的倾斜角度(φw)以最小化Q(φ)。例如,C型臂龙门架通常可以在从-30°到+30°的φ范围内提供可靠的成像和几何校准,这是图5所示的范围。注意,由于q(θ,φ)和Q(φ)投影域公式的简单性,穷举搜索所有可能的φ比完整的迭代优化更简单可靠。这种对所有可能的龙门架倾斜度(φ)的搜索相当于简单地考虑图4中的所有水平线(度量图q(θ,φ)),并计算每条水平线的Q(φ)。即,图4中使Q(φ)最小化的水平线表示MAA的期望倾斜角度(φ*)。
在图5中,通过φ约为8°的箭头502和φ约为27°的箭头504示出使Q(φ)最小化的两个可能的倾斜角度。从图4的度量图q(θ,φ)中可以看到,这些角度避免了与体模中的金属球和棒相关联的低保真度视图(“明亮斑点”)。
方法200可以继续在216处执行CT系统102和/或龙门架104的碰撞检查并以期望的倾斜角度执行3D成像扫描以获得避免金属伪影的3D图像。
图6中示出了在不同倾斜角度下成像的图3A的体模的3D图像重建(轴向切片)。示出了可能倾斜角度的一半范围,在每个子图的顶部标记为φ=1°,2°,…30°。与轴向平面中的两个金属球相关联的金属伪影在图像中明显表现为暗水平条纹。金属伪影较为严重的倾斜角度为φ=1°,2°,…注意,分别由星号602和604标记的在φ=8°和φ=27°处的这两个图像。这些倾斜角度对应于图5中的箭头502和504(Q(φ)的极小值),这些角度被预测能够避免金属伪影。图6图示了这些角度确实避免了金属伪影。
图6示出了对于图3A中的模拟体模能够利用MAA方法减少金属伪影的倾斜角度的图示。在此示出了各种倾斜角度(标在每个子图的顶部,φ=1-30度)的3D图像重建。与Q(φ)中的极小值(图5中的箭头502和504)相对应的图像用星号602和604标记,分别为φ=8度和27度。
为了说明的目的,图4、图5和图6的结果示出了在理想化(不切实际的)情况中的当前方法,其中,已知金属物体的完整3D衰减图。这仅仅是给予读者对基本原理的说明性理解。一个非限制性实施例在不知道体模的衰减图的情况下根据少至2个定位扫描视图实现了相同的效果。图7A和图7B示出了根据2个定位扫描投影视图的结果。首先,获取体模的2个投影定位扫描视图(如图3A中的AP和侧视图),对应于p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。对这2个定位扫描视图进行未加权反投影形成如图3B所示的粗略3D衰减图(μc)。然后,经由如图3C所示的简单强度阈值化对该粗略3D衰减图进行分割,对应于μseg。对于示例体模,这得到两个强衰减金属物体的定位(而不是确切的形状)。
然后通过对μseg进行正投影来确定度量图q(θ,φ)。结果在图7A中示出。再次注意明亮斑点,这些斑点对应于可能预期强衰减和金属伪影的视图。还应注意图7A与图4之间的差异:图7A的度量图q(θ,φ)是仅根据2个定位扫描视图(根据μseg)计算的,而图4的度量图q(θ,φ)是根据数字体模中的金属物体的完整知识(金属物体的完整3D衰减图)计算的。尽管只有2个视图来估计μseg,该方法正确地识别了与强金属伪影相关联的投影视图。
然后可以根据度量图q(θ,φ)确定目标函数Q(φ),如图7B所示。这里再次,注意图7B与图5中的Q(φ)目标之间的差异。图7B中的目标是仅基于2个定位扫描视图计算的,但其正确地识别了φ约为8°和φ约为27°的理想倾斜角度。通过μseg(如图7所示)确定的这些度量(q(θ,φ)和Q(φ))与用金属物体的完整3D衰减图(如图4和图5所示)确定的那些度量相对一致,这表明仅使用两个定位扫描视图确定所需倾斜角度的可行性。
图7A和图7B示出了仅根据2个定位扫描投影视图计算的MAA度量。图7A示出了度量图q(θ,φ)。注意,与图4的相似性(所计算的度量图基于金属物体的完整3D衰减图的假设)。仅根据2个视图计算的度量图仍然能够成功定位与高衰减相对应的将导致金属伪影的视图。图7B示出了根据图7A的度量图中的水平线计算的目标函数Q(φ)。这再次再现了图5的理想化结果,示出位于φ约为8°和φ约为27°(分别为箭头502和504)的理想倾斜角度。
使用图1A所示的具有移动式C型臂的CBCT系统进行物理体模实验来进一步测试本方法。如图9所示,在该研究中使用了拟人化的胸部体模,该体模包括放置在脊柱附近的两个双侧椎弓根螺钉。
获取体模的两个定位扫描投影视图——如图8A所示,对应于p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。然后通过对图8A的这两个定位扫描视图进行(未加权)反投影来确定粗略3D衰减图[μc,图8B],然后通过强度阈值化对该粗略3D衰减图进行分割,以生成图8C中的分割后的粗略3D衰减图(μseg)。
如以上所解释的,通过对μseg(c)进行正投影来计算度量图q(θ,φ)(使用等式(1)),得出图8D中的图。注意,度量图中心θ约为100°和φ从-15到15°的明亮斑点。这意味着几乎(φ大于约15°或小于约-15°的)任何倾斜角度都将在很大程度上避免该体模的金属伪影。
根据(d)中的度量图q(θ,φ)计算目标函数Q(φ),得到图8E所示的函数。φ约为0°附近的宽峰值标志着应明确避免的龙门架倾斜范围。实际上,这种情况说明了在φ=0°处成像的常见问题,其将遭受大量的金属伪影。Q(φ)的极小值(可替代地,Q(φ)中相对于峰值非常低的值)标识了理想的倾斜角度(φ*)。
图9A至图9F示出了φ从-30°到30°体模的3D图像重建。可以看到,当φ当接近0°(传统情况)时,体模会遭受强烈的金属伪影——螺钉尖端处出现暗带并且螺钉边缘处出现“光晕”。而当使用大于+15°或-15°的倾斜角度时(例如,φ=30°),可以如所期望的减少金属伪影,从而更好地描绘螺钉边界。这个观察结果与图8D和图8E的φ优化结果相匹配。
图8A至图8E示出了MAA方法的物理体模实验结果。图8A示出了两个投影定位扫描视图,p(u,v|θ=0,φ=0)和p(u,v|θ=90,φ=0)。图8B示出了通过对图8A中的这两个定位扫描视图进行未加权反投影形成的粗略3D衰减图(μc)。图8C示出了粗略3D衰减图的基于强度的分割(μseg)。图8D示出了使用等式(1)通过对图8C的(μseg)进行正投影计算的度量图q(θ,φ)。图8E示出了根据图8D中的水平线计算的目标函数Q(φ),其中的最小值表明将避免金属伪影的倾斜角度(φ*)。
图9A至图9F示出了以不同的倾斜角度获取的胸部体模的轴向视图。注意φ=0°的伪影(脊柱螺钉周围的明暗条纹),相比之下,以通过本方法预测的倾斜角度φ=20°或30°获取的图像避免了这种伪影。
3D图像是使用成熟的方法重建的。由于轨道是圆形的,因此可以通过常见的3D滤波反投影方法形成3D图像。可替代地,可以通过迭代MBIR来重建3D图像,如MBIR中常见的,这可以改善整体信噪比性质。可选地,可以经由各种PMAC方法通过对投影数据的处理和/或图像重建来重建3D图像,以进一步抑制金属伪影。如在现有技术中典型的,也可以可选地应用其他伪影校正(例如,x射线散射/滞后或运动伪影)。3D图像重建和处理链相对不变。当然,重要的考虑因素是3D图像重建过程所基于的系统几何必须考虑龙门架的倾斜度;例如,系统的几何校准必须考虑龙门架倾斜度。
因此,在实际3D扫描之前确定了避免金属伪影的源-探测器轨迹(即,倾斜的圆形轨道)。从而避免了金属伪影,而无需先前信息或对重建和伪影校正图像处理流水线进行修改。
第二项模拟研究将MAA方法扩展到了在非圆形轨道下更逼真的解剖结构和金属器械的情况。图10A示出了模拟体模#2的冠状图像。图10B示出了模拟体模#2的体积渲染。如图10A和10B所示,实验#2通过以下方式模拟了(从癌症图像档案(TCIA)数据集中提取的)人类胸部的解剖结构,该人类胸部植入了分别标记为#1-6的三对双侧椎弓根螺钉(在脊柱的一侧相对于中心轴平面在平面外-22°、-11°、0°,以及在脊柱的另一侧为0°、+11°和+22°)。为了增加一定程度的复杂度,螺钉#1-3的衰减与螺钉#4-6相比增加了10%。我们将轨道优化扩展到非圆形轨道。我们从视觉图像质量和与地面真值的RMSE角度分析了与最佳倾斜圆形轨道相比,非圆形轨道减少金属伪影的程度。
图11A至图11E示出了模拟#2的结果:针对最佳非圆形轨道的MAA预测,对逼真解剖结构和螺钉的模拟。具体地,图11A示出了q(θ,φ)度量图。最佳非圆形轨道以绿色标记。图11B示出了在一系列龙门架倾斜角度上绘制的Q(φ)(半圆形)目标。非圆形Q(φ(θ))实现的值比半圆形轨道的任何设置都低。图11C示出了用最佳圆形(顶部)和非圆形(底部)轨道成像(用惩罚加权最小二乘(PWLS)方法重建)的轴向切片(螺钉#3,平面外角0°)。图11D示出了利用最佳半圆形(顶部)和非圆形(底部)轨道获取的三个示例螺钉(#4-6,平面外角分别为0°、11°、22°)。示出了跨每个螺钉的轴的倾斜轴向视图。图11E示出了模拟螺钉的地面真值轴向图像。
该模拟的结果:图11A至图11E示出了针对模拟的脊柱体模计算的q(θ,φ)度量图。注意,穿过螺钉轴的与低保真度视图(金属引起的强偏差)相对应的两个明亮区域。基于Q(φ)的最佳倾斜半圆形轨道建议倾斜角度φ约为4°,这避免了一些低保真度的视图,但不是全部,如图11C的图像所示,其呈现了相当强的残留金属伪影(但相对于非倾斜轨道(为简洁起见未示出)而言仍有所改进)。注意,Q(φ)是由投影数据中明显可见的所有螺钉产生的总体金属伪影的目标;因此,虽然较大的倾斜角度(例如,φ=-20°)可能会减少与#3螺钉相关联的伪影(平面外角:0°,图11C),但这会导致其他螺钉(例如螺钉#1和#2)的金属伪影增加(平面外角分别为-22°、-11°)。因此,对于这种情况,没有一个龙门架倾斜度能够显著减少所有螺钉的伪影。
通过将MAA方法扩展到非圆形轨道优化解决了该问题。最佳非圆形轨道(由图11A中叠加的曲线1102标记)避免了大多数低保真度的视图,如图11B所示,与最佳圆形轨道相比,导致低的多的Q(φ(θ))特性。最佳非圆形MAA轨道对于所有螺钉都大大减少了金属伪影——从图11C的下图和图11D中的面板可以明显看出。尽管仍然存在一些残留的伪影(特别是衰减较高的#1-3螺钉),但MAA轨道使总RMSE降低了约46%,这证实了MAA方法对于非圆形轨道定义的有效性。
图12示出了根据本披露内容的示例的用于3D x射线成像中的金属伪影避免的方法1200。方法1200开始于在1202处确定金属在要扫描的感兴趣物体或体积中的3D位置。在1204处,该确定可以进一步包括以下一项或多项:在1204处,执行对该感兴趣物体或体积的初始3D扫描,在1206处,获取该感兴趣物体或体积的一个或多个x射线投影图像,使用一个或多个先前获取的x射线图像,或者在1208处,使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。
方法1200继续在1210处估计将减小金属伪影的严重性的源-探测器轨道。该源-探测器轨道包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性有所降低。在1210处估计源-探测器轨道可以进一步包括在1212处计算基于所确定的金属的3D位置的目标函数。目标函数描述了3D图像重建中与金属伪影相关联的特性。例如,该特性可以包括对频谱偏移或衰减的估计。
方法1200继续在1214处将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置。在1214处,移动可以基于成像系统的约束(例如,电气或机械极限)和感兴趣体积的位置(使得所得的3D图像将包含感兴趣体积)。可以根据需要调整所估计的源-探测器轨道,以与这些因素和约束保持一致。例如,如果成像系统的空间约束使得所确定的源-探测器轨道无法使用,则可以使用与所确定的源-探测器轨道接近的源-探测器轨道。被认为是接近的源-探测器轨道可以例如在几度的倾斜角度(φ)内,例如在小于1°之内、大约1°至3°之间、1°至5°之间、大约1°至7°之间、大约1°至10°之间,其中,这些范围包括范围的极限。
方法1200继续在1216处根据源-探测器轨道扫描物体。在1216处的扫描可以进一步包括:在1218处沿该源-探测器轨道获取多个x射线投影,并在1220处形成该物体的3D图像重建。在1220处形成该3D图像重建可以进一步包括在1222处执行一个或多个3D图像重建算法,包括3D滤波反投影或基于模型的图像重建。
总之,本MAA方法准确地预测了减小CBCT重建中金属伪影的幅值的倾斜圆形和/或非圆形轨道。该方法能够利用在常规预扫描碰撞检查期间获取的2-6个低剂量定位扫描投影来定位金属器械的复杂分布。发现即使在复杂的解剖场景中,简单的U-Net分割也足以在稀疏视图中定位(分割)金属物体,并且在没有制造商特定的设备模型的情况下也可以很好地泛化到各种金属物体。模拟表明,MAA轨道将3D图像重建中的RMSE降低了约46%-70%,并且将“晕状”伪影(螺钉的FWHM)降低了约20%-45%。与最佳圆形轨道相比,由MAA限定的非圆形轨道的RMSE降低了约46%。结果表明,在所有实验中,MAA方法都可以准确预测将金属伪影降至最低的倾斜圆形/非圆形轨道。
另外和/或替代以上描述,进一步描述了通过非圆形轨道在具有电动倾斜和龙门架角度的移动式C型臂上进行3D成像的能力。具体地,针对一般(非预定义)非圆形轨道的几何校准问题已得到解决,并评估了与常规圆形轨道相比非圆形轨道的3D成像性能特性。利用将MAA方法扩展到非圆形轨道的能力来最大程度地减少金属引起的偏差。结果表明,该方法仅使用两个低剂量定位扫描视图即可很好地运行(无需患者解剖结构/金属物体的其他先前信息),并且与MAR和多能重建方法兼容,可以进一步改善图像质量。
在图13A中示出了本披露内容中使用的移动式C型臂(德国福克海姆西门子医疗的Cios Spin 3D)。C型臂具有可电动控制的旋转角度(θ:0°至196°)和龙门架倾斜度(φ:-30°至30°,这是出于对患者/操作台碰撞的实际考虑),从而允许在扫描期间通过θ和φ的变化来执行非圆形轨道。可以使用已建立的方法来校准倾斜圆形轨道(恒定的φ)。然而,对于由如“任务驱动”成像和MAA等方法限定的非圆形扫描轨迹,该轨道是实时动态设计的,并且鉴于各种可行的(θ,φ)组合,该轨道可能不适合先前获取的校准。如下文详述的,使用基于插值的方法来解决此问题。
可替代地,不是使用通过常规几何校准方法或插值几何校准方法确定的系统几何来求解图像重建,图像重建可以由Self-calibration of cone-beam CT geometry using3D-2D image registration[使用3D-2D图像配准对锥形束CT几何的自校准]的“自校准”方法确定的系统几何来求解,该文献由S Ouadah、J W Stayman、G J Gang、T Ehtiati和J HSiewerdsen发表于2016年3月10日年Institute of Physics and Engineering inMedicinePhysics in Medicine&Biology,第61卷,第7号和霍普金斯知识产权案例C13072专利公开号:US 2017/0238897 A1。
图13A和图13B分别示出了根据本披露内容的示例的移动式C型臂、C型臂几何参数、以及探测器的放大图。图13A类似于图1A的移动式C型臂。通过点1302标记了经由几何校准确定的九个参数(自由度)。图13B示出了在球体上图示的源-探测器轨道。曲线1304示出了圆形轨道(龙门架倾斜度φ的各种设置)。曲线1306示出了示例非圆形轨道(φ随θ改变)。缩放插图图示了对通过对圆形扫描的几何校准库中的四个最近顶点(点1302)进行插值而确定的一个视图(点1308)的几何参数估计。
首先,使用以与C型臂龙门架相同的倾斜角度放置圆柱形的BB体模,为倾斜范围从φ=-30°到+30°以5°的间隔变化的圆形轨道建立几何校准库。库的仿射变换将所有校准配准到公共坐标系(共同配准)中:
Pφ=0=Pφ=φ*×T倾斜×Tw (11)
其中,Pφ=φ*是在倾斜角度φ*处的投影矩阵,并且T倾斜是通过(从C型臂电机编码器读取的)倾斜角度φ*的变换。变换Tw解释了库中每个成员的BB体模与龙门架之间的位移(t)和倾斜度(rz)的微小差异,这些差异是由3D-3D配准确定的。该共同配准步骤:(i)确保无论轨道如何,重建图像的取向均保持不变;(ii)提高了以下插值步骤的准确性。
然后将共同配准的校准分解为九个参数:SDD(源探测器距离)、(在x,y,z中的位置)、u0、v0(穿刺点)和(在x,y,z中的探测器旋转矩阵),如图13A中的点1302所示。然后,可以通过对来自校准库的几何参数——即,如图13B所示,来自校准倾斜圆形轨道的四个最近的视图——进行插值来估计一般非圆形轨道的系统几何。通过分散线性插值来估计参数SDD、u0和v0,并且通过球面线性插值(slerp)来估计C,R。slerp操作是非互换性的,由于θ方向在校准库中采样较细,因此slerp操作先在θ上进行,再在φ上进行,以减少插值误差。
给定两个定位扫描视图,MAA方法将确定描述了FOV中金属物体的3D位置的二元3D重建(粗分割,μseg)。与在MAR中不同,发现粗分割对于MAA是足够的,仅需要金属物体的形状、尺寸和取向的近似值(参阅MAR方法,通常需要非常精确的分割以避免引入二次伪影)。
粗分割使用了如以上所讨论的端到端卷积神经网络(CNN),其可以同时学习投影域和图像域中的特征。具体地,投影域特征提取层通过冻结的(无可学习参数的)反投影层连接到图像域3D分割层。这种网络所基于的直觉是,通过融合来自投影域的形状信息(在其被反投影抹去之前)来改善图像域分割,而投影域特征提取则由从图像域反向传播的分割损失来引导。
图14示出了根据本披露内容的示例的用于金属器械的3D定位/分割的端到端神经网络。投影域特征提取层通过(由C型臂几何确定的)冻结的反投影层连接到图像域分割层,从而可以在投影域和图像域中进行联合学习。
每个投影域特征提取层包含两个3×3卷积,每个卷积后跟具有批标准化功能的修正线性单元(ReLU),最后是2×2最大池化层。3D分割层被实施为以一般Dice系数作为损失函数的三层多通道3D U-Net(在图14中详述)。在3D分割层的开始处,损失函数相对于反投影层的输入的导数是正投影操作(由C型臂几何和Siddon射线跟踪确定,不作为网络的可学习参数),从而可以在投影域和图像域中进行联合学习。使用Adam优化器对网络进行“Henormal”初始化和训练,初始学习速率为100代训练5×10-4。
网络的关键超参数之一是在投影域中提取的特征图的数量(图14中表示为Nc),这也是用于图像域中多通道3D U-Net的输入通道的数量。对每个通道单独地执行反投影步骤(在反投影层内)。
为简单起见并避免使用供应商特定的金属器械模型,仅使用模拟数据对网络进行训练,该模拟数据是从癌症影像档案库(TCIA)提取的10幅腹部和胸部CT图像以及随机数量的类属金属物体生成的:尺寸和偏心距(长轴和短轴为10-80mm)不等的椭圆形以及从CT图像中提取的粗分割的脊柱螺钉。未来的工作肯定会涉及添加更高保真度的物体模型(例如,供应商特定的设计)和其他应用特定的物体(例如,骨折固定板)以提高性能。DRR生成中包括了数据截断、射束硬化(通过多能正投影)、散射、滞后、眩光和噪声(量子和电子)的影响。数据扩充包括每个DRR中模拟金属物体的位置、尺寸、取向、长宽比和衰减的变化,总共产生约8,400张(8,000张训练+400张验证)图像。
实验研究的结果提供如下。首先,讨论了非圆形轨道的几何校准。通过在8小时正常使用时段内重复进行4次几何校准(非插值),评估了非圆形轨道的几何参数的再现性(φ从-20°线性增大到+20°,同时θ从0°线性增大到196°)。评估了三种情况:(i)常规的预先校准的圆形轨道(表示为“校准圆形”);(ii)预先确定和预先校准的非圆形轨道(表示为“校准非圆形”);(iii)通过上述基于插值的方法确定投影矩阵的一般非圆形轨道(表示为“插值非圆形”)。在包含各种自定义插入物的头部体模中,在空间分辨率(调制传递函数MTF)和3D采样特性(锥形束伪影)方面评估了这三种情况下扫描的基本图像质量特性。轴向平面MTF是由高对比度(约300HU)圆柱形棒插入物测得的边缘扩展函数确定的。锥形束伪影的幅值是根据插入颅骨内的扁平盘(“Defrise体模”)的上下边缘的半峰全宽(FWHM)来衡量的。所有扫描包括在θ为196°弧上、110kV、1.65mAs/视图、扫描时间为30s的400个投影。
接下来,讨论利用非圆形轨道的金属伪影避免(MAA)。基于CNN的金属物体定位步骤的性能在验证数据集和测试数据集中的Dice系数方面进行评估[对装有六对椎弓根螺钉的尸体的扫描(美国圣地亚哥Nuvasive)]。提议的端到端方法的性能与其他两种方法进行了比较:(i)在定位扫描视图的直接反投影上进行的常规图像域U-Net分割(称为“单U-Net”);[5]以及(ii)金属物体的投影域U-Net分割,然后是反投影和图像域U-Net分割(称为“双U-Net”)。注意,(ii)中的这两个U-Net是分开训练的(非端到端)。
MAA方法的性能在一项体模研究中进行了评估,该研究涉及拟人化的胸部体模,其中包含组织等效塑料中的自然人骨骼和8个椎弓根螺钉(美国雷纳姆DePuy-Synthes;长度在30-60mm之间变化)。螺钉平面外角以-20°到+30°的范围放置(在脊柱的一侧为正,另一侧为负)。对于常规的圆形轨道扫描和由MAA定义的最佳非圆形轨道,金属伪影的幅值是在关于螺钉轴的“光晕”(螺钉的FWHM减去其真实宽度)方面来评估的。
现在讨论非圆形轨道的几何校准研究的结果。图15A和图15B示出了上述预定非圆形轨道的几何参数的再现性,其中,图15A示出了穿刺点(u0,v0)的位置,并且图15B示出了在8小时的常规使用间隔内的4次重复试验中的SDD。观察到再现性降低:例如,在重复试验中,穿刺点位置(u0,v0)的标准偏差为约1.7mm(而传统的圆形轨道为约0.8mm)。注意,移动式C型臂在其标准临床部署之外不可进行机电调节,因此其在标准使用中不支持非圆形轨道。然而,如下所示,尽管降低了机械再现性,但基于插值的校准仍提供了支持3D图像重建的系统几何的合理估计。
图16A至图16D图示了上述三种情况下几何校准中的误差与空间分辨率降低之间的关系,其中,图16A示出了用于由图13A和图13B中的布置定义的三种情况的MTF,并且图16B、图16C和图16D分别示出了三种情况的头部体模的轴向和矢状放大视图(颅底)。与标准的“校准圆形”情况相比,“校准非圆形”情况示出由于校准参数的再现性降低,MTF略有降低(MTF=0.10时,空间频率降低约3.5%,表示为f10)。“插值非圆形”情况示出分辨率进一步降低(f10降低约12%),这归因于以下两个因素:插值中几何参数的平滑;以及与离散的圆形扫描库相比,忽略了连续非圆形轨道的龙门架动量差异。尽管MTF有所降低,但是在“插值非圆形”情况下获得的图像在视觉上看起来可以与如图16B和图16C中的其他图像相当。因此,基于插值的方法似乎为既没有预校准也没有“自校准”的非圆形扫描提供了合理的系统几何估计(使用先前的扫描和3D-2D配准)。
图17A至图17C示出了在由图13A和图13B的布置所定义的包含平盘堆叠的头部体模的矢状图像中根据非圆形轨道产生的锥形束伪影的预期减少,其中,图17A对应校准圆形轨道,图17B对应校准非圆形轨道,并且图17C对应插值非圆形轨道。最上层盘的表观厚度(FWHM)从标准“圆形情况”的9mm减少到其两种非圆形情况的真实厚度(约5.5mm)。
现在讨论非圆形轨道MAA的研究结果。图18示出了在三种网络类型(单U-Net、双U-Net和端到端)的验证测试中用Dice系数(表示为DC)来表示分割真实或模拟金属植入物的性能,其作为投影视图数量的函数,图示了与单U-Net和双U-Net相比端到端网络的改进性能。DC的增加(尤其是对于较少的定位扫描视图)证实了端到端训练的有效性:对于仅两个定位扫描视图,与双U-Net相比,端到端方法在验证数据集中将Dice增加了约29%,在测试数据集中增加了约42%。这与利用端到端训练的其他文学著作是一致的。
图19A至图19E示出了测试数据集(具有12个椎弓根螺钉的尸体)中的三个神经网络的分割性能。图19A至图19C示出了与地面真值叠加的示例轴向切片分割。示出了针对不同数量的定位扫描视图的分割。图19D示出了端到端方法根据两个视图计算的μseg的等值面。图19E示出了地面真值分割的等值面(其被下采样为μseg)。
图20A至图20F示出了通过MAA方法仅利用胸部体模和脊柱螺钉的两个定位扫描视图计算的q(θ,φ)度量图。显然,不存在能够显著减少所有螺钉的金属伪影的圆形轨道[(a)中的水平线],因为在(θ,φ)轨迹空间中始终存在至少一个由金属引起的强偏差的区域(大致对应于螺钉的平面外角)。这个问题通过对等式(6)和(7)的2D最小化来解决,从而得到青色曲线标记的非圆形轨道(a)。非圆形轨道避免了大多数低保真度的视图,在(θ,φ)中引导出使光谱偏移的变化最小的路径。所得到的图像质量在图20C至图20F中示出,示出了螺钉周围的晕状伪影大大减少(最佳非圆形轨道实现了将螺钉轴光晕改善约70%)。
总而言之,描述了一种用于非圆形C型臂CBCT轨道的几何校准的方法,给出了一种从离散的圆形扫描校准库中估计系统几何的实用手段。尽管几何校准方法会使MTF明显降低,但对视觉图像质量的影响相对较小。结果表明,如预期的那样,从非圆形轨道获取的CBCT图像改善了3D采样特性(例如,减少了锥形束伪影)。这种能力使一种方法(称为MAA)能够识别出金属引起的偏差最少的非圆形轨道。描述了一种端到端神经网络,其仅从两个定位扫描视图即可定位金属物体,而无需获得患者解剖结构或金属器械的充足先前信息。将端到端网络与非圆形轨道的MAA方法集成在一起论证了在体模和尸体研究中金属伪影的大大减少。此外,该方法与已建立的MAR和多能重建算法兼容,以进一步减少伪影。
图23是用于计算机设备2300的硬件配置的示例,其可以用于执行上述一个或多个过程,和/或实施上述CT系统102和/或控制系统118。计算机设备2300可以是任何类型的计算机设备,诸如台式机、膝上型计算机、服务器等,或者是移动设备,诸如智能电话、平板计算机、蜂窝电话、个人数字助理等。如图23所示,计算机设备2300可以包括具有不同核配置和时钟频率的一个或多个处理器2302。计算机设备2300还可以包括在计算机设备2300的操作期间用作主存储器的一个或多个存储器设备2304。例如,在操作期间,支持上述操作的软件的副本可以存储在一个或多个存储器设备2304中。计算机设备2300还可以包括一个或多个外围接口2306,诸如键盘、鼠标、触摸板、计算机屏幕、触摸屏等,用于使得能够与计算机设备2300进行人机交互和操纵。
计算机设备2300还可以包括一个或多个网络接口2308,用于经由诸如以太网适配器、无线收发器或串行网络部件等一个或多个网络进行通信,以使用协议通过有线或无线介质进行通信。计算机设备2300还可以包括具有不同物理尺寸和存储容量的一个或多个存储设备2310,诸如闪存驱动器、硬盘驱动器、随机存取存储器等,用于存储数据,诸如图像、文件和由一个或多个处理器2302执行的程序指令。
另外,计算机设备2300可以包括实现上述功能的一个或多个软件程序2312。一个或多个软件程序2312可以包括使得一个或多个处理器2302执行本文例如关于图2、图12、图14、图21和/或图22的过程描述的过程、功能和操作的指令。可以将一个或多个软件程序2312的副本存储在一个或多个存储器设备2304中和/或一个或多个存储设备2310中。同样地,一个或多个软件程序2312所利用的数据可以存储在一个或多个存储器设备2304中和/或一个或多个存储设备2310中。数据总线2316提供计算机设备2300的各个部件之间的数据通信通路。
在实施方式中,计算机设备2300可以经由网络2314与其他设备通信。其他设备可以是如上所述的任何类型的设备。网络2314可以是任何类型的网络,诸如局域网、广域网、虚拟专用网、互联网、内联网、外联网、公共交换电话网、红外网、无线网、及其任意组合。网络2314可以支持使用各种商业上可用的协议中的任何一种的通信,诸如TCP/IP、UDP、OSI、FTP、UPnP、NFS、CIFS、AppleTalk等。网络2314可以是例如局域网、广域网、虚拟专用网、互联网、内联网、外联网、公共交换电话网、红外网、无线网、及其任意组合。
计算机设备2300可以包括如以上所讨论的各种数据存储装置以及其他存储器和存储介质。这些存储装置可以驻留在各种位置,诸如位于一个或多个计算机本地(和/或驻留在其中)存储介质上或远离网络中任何或所有计算机的存储介质上。在一些实施方式中,信息可以驻留在本领域技术人员熟悉的存储区域网(“SAN”)中。类似地,可以根据需要本地和/或远程地存储将用于执行归属于计算机、服务器或其他网络设备的功能的任何必要文件。
在实施方式中,如上所述的计算机设备2300的部件不必被封闭在单个壳体内,甚至不必彼此紧邻。本领域技术人员将理解,上述部件仅仅是示例,因为计算机设备2300可以包括用于执行所披露的实施方式的任何类型的硬件部件,包括任何必需的随附固件或软件。计算机设备2300还可以部分或全部地通过诸如专用集成电路(ASIC)或现场可编程门阵列(FPGA)等电子电路部件或处理器来实施。
如果以软件实施,则功能可以作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质传输。计算机可读介质包括有形非暂态计算机存储介质和通信介质,包括有助于将计算机程序从一个地方转移到另一地方的任何介质。存储介质可以是计算机可以访问的任何可用的有形非暂态介质。通过示例而非限制的方式,这种有形非暂态计算机可读介质可以包括RAM、ROM、闪存、EEPROM、CD-ROM或其他光盘存储设备、磁盘存储设备或其他磁性存储设备,或可以用于携带或存储呈指令或数据结构形式的所需程序代码并且可以由计算机访问的任何其他介质。如本文使用的磁盘和光盘包括CD、激光光盘、光碟、DVD、软盘和蓝光光盘,其中,磁盘通常以磁性方式复制数据,而光盘则通过激光以光学方式复制数据。而且,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴电缆、光缆、双绞线、数字用户线(DSL)或无线技术(诸如红外、无线电和微波)从网站、服务器或其他远程源传输软件,则介质的定义包括同轴电缆、光缆、双绞线、DSL或无线技术(诸如红外、无线电和微波)。上述的组合也应当包括在计算机可读介质的范围内。
前述描述是说明性的,并且本领域技术人员可以对配置和实施方式进行改变。例如,结合本文披露的实施例描述的各种说明性逻辑、逻辑块、模块和电路可以用以下各项来实施或执行:通用处理器,数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、密码协处理器、或被设计成执行本文所述功能的其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件部件或其任何组合。通用处理器可以是微处理器,但在替代方案中,该处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以被实施为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、与DSP核结合的一个或多个微处理器、或任何其他这样的配置。
在一个或多个示例性实施例中,可以以硬件、软件、固件或其任意组合来实施所描述的功能。对于软件实施方式,本文描述的技术可以与执行本文描述的功能的模块(例如,过程、功能、子程序、程序、例程、子例程、模块、软件包、类等)一起实施。模块可以通过传递和/或接收信息、数据、自变量、参数或存储器内容来耦合到另一个模块或硬件电路。可以使用包括存储器共享、消息传递、令牌传递、网络传输等任何适当的手段来传递、转发或传输信息、自变量、参数、数据等。软件代码可以存储在存储器单元中,并由处理器执行。可以在处理器内部或在处理器外部实施存储器单元,在外部情况下,可以经由本领域已知的各种手段将存储器单元通信地耦合到处理器。
与现有的MAR解决方案相比,MAA方法具有多个优点。首先,除了标称3D扫描之外,可以获取少至两个定位扫描视图。因为定位扫描视图通常是作为确认患者位置的标准做法而获取的,所以不会为患者带来额外的辐射。其次,不需要关于金属插入物形状或患者的仪器前3D扫描的先前信息。第三,用于最佳轨迹(倾斜角度)计算的基础算法独立于现有的重建和伪影校正流水线,并且可以部署为单独的模块,从而使其更易于集成到当前的CBCT系统中。最后,与其基于软件的对应物相比,作为基于硬件的解决方案,其更加稳健,并且不存在将不切实际的信息(通过插值等)引入到重建体积中的风险。
在一个或多个示例性实施例中,可以以硬件、软件、固件或其任意组合来实施所描述的功能。对于软件实施方式,本文描述的技术可以与执行本文描述的功能的模块(例如,过程、功能、子程序、程序、例程、子例程、模块、软件包、类等)一起实施。模块可以通过传递和/或接收信息、数据、自变量、参数或存储器内容来耦合到另一个模块或硬件电路。可以使用包括存储器共享、消息传递、令牌传递、网络传输等任何适当的手段来传递、转发或传输信息、自变量、参数、数据等。软件代码可以存储在存储器单元中,并由处理器执行。可以在处理器内部或在处理器外部实施存储器单元,在外部情况下,可以经由本领域已知的各种手段将存储器单元通信地耦合到处理器。
此外,本披露内容包括根据以下条款的实施例:
条款1.一种用于3D x射线成像中的金属伪影避免的方法,该方法包括:
确定金属在要扫描的感兴趣物体或体积中的3D位置;
估计将减小金属伪影的严重性的源-探测器轨道;
将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置;以及
根据该源-探测器轨道扫描该物体。
条款2.如条款1所述的方法,其中,该确定进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。
条款3.如条款1或2所述的方法,其中,该源-探测器轨道包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。
条款4.如条款1至3所述的方法,其中,估计该源-探测器轨道进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。
条款5.如条款1至4所述的方法,其中,该特性包括对频谱偏移、衰减或其组合的估计。
条款6.如条款1至5所述的方法,其中,该目标函数基于以下一项或多项:沿龙门架旋转轴的度量图的范围、沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。
条款7.如条款1至6所述的方法,其中,与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性有所降低。
条款8.如条款1至7所述的方法,其中,该扫描进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。
条款9.如条款1至8所述的方法,其中,形成该3D图像重建进一步包括:执行一个或多个3D图像重建算法,包括3D滤波反投影、基于模型的图像重建、深度学习或神经网络重建。
此外,本披露内容包括根据以下条款的实施例:
条款1.一种3D x射线成像系统,包括:
3D x射线成像设备,该3D x射线成像设备包括龙门架,该龙门架能够以沿倾斜轴的多个倾斜角度和沿旋转轴的多个旋转角度移动;以及
硬件处理器,该硬件处理器被配置为执行包括以下各项的指令:
确定金属在要扫描的感兴趣物体或体积中的3D位置;
估计将减小金属伪影的严重性的源-探测器轨道;
将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置;以及
根据该源-探测器轨道扫描该物体。
条款2.如条款1所述的3D x射线成像系统,其中,该确定进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。
条款3.如条款1或2所述的3D x射线成像系统,其中,该源-探测器轨道包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。
条款4.如条款1至3所述的3D x射线成像系统,其中,估计该源-探测器轨道进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。
条款5.如条款1至4所述的3D x射线成像系统,其中,该特性包括对频谱偏移、衰减或其组合的估计。
条款6.如条款1至5所述的3D x射线成像系统,其中,该目标函数基于以下一项或多项:沿龙门架旋转轴的度量图的范围、沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。
条款7.如条款1至6所述的3D x射线成像系统,其中,与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性有所降低。
条款8.如条款1至7所述的3D x射线成像系统,其中,该扫描进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。
条款9.如条款1至8所述的3D x射线成像系统,其中,形成该3D图像重建进一步包括:执行一个或多个3D图像重建算法,包括3D滤波反投影、基于模型的图像重建、深度学习或神经网络重建。
尽管阐述本教导的广泛范围的数值范围和参数是近似值,但在具体示例中阐述的数值被尽可能精确地报告。然而,任何数值都固有地包含必定是由它们各自的测试测量结果中的标准偏差引起的某些误差。此外,本文披露的所有范围应理解为涵盖其中包含的任何和所有子范围。例如,“小于10”的范围可以包括在最小值0和最大值10之间的任何和所有子范围(包括端点),即,最小值等于或大于零且最大值等于或小于10的任何和所有子范围,例如1到5。在某些情况下,参数的数值可以取负值。在这种情况下,陈述为“小于10”的范围的示例值可以采用负值,例如-1、-2、-3、-10、-20、-30等。
尽管已经关于一种或多种实施方式说明了本教导,但是在不脱离所附权利要求的精神和范围的情况下,可以对展示的示例进行变更和/或修改。例如,将认识到,尽管将过程描述为一系列动作或事件,但是本教导不受这些动作或事件的顺序的限制。某些动作可能以不同的顺序发生和/或与除本文所述之外的其他动作或事件同时发生。而且,可能不需要所有过程阶段来实施根据本教导的一个或多个方面或实施方式的方法。将理解的是,可以添加结构部件和/或处理阶段,或者可以移除或修改现有的结构部件和/或处理阶段。此外,本文描述的一个或多个动作可以在一个或多个单独的动作和/或阶段中执行。此外,就在具体实施方式和权利要求中使用术语“包括(including)”、“包括(includes)”、“具有(having)”、“具有(has)”、“具有(with)”或其变体的程度而言,这些术语旨在以与术语“包括(comprising)”类似的方式而是包括性的。术语“至少一个(at least one of)”用于表示可以选择所列出的一个或多个项目。如本文所使用的,关于列出项目的术语“…中的一个或多个(one or more of)”,例如A和B是指单独的A、单独的B、或A和B。进一步地,在本文的讨论和权利要求中,关于两种材料使用的术语“在…上(on)”,一种材料“在另一种材料上”是指材料之间至少有一些接触,而“在…上方(over)”是指材料接近,但可能具有一种或多种其他中间材料,使得可以有接触,但不是必需的。如本文所使用的“在…上(on)”或“在…上方(over)”均不暗示任何方向性。术语“约(about)”表示所列出的值可以有所改变,只要该改变不会导致过程或结构与所示实施方式不一致即可。最后,“示例性(exemplary)”表示该描述用作示例,而不是暗示它是理想的。通过考虑本文披露内容的说明书和实践,本教导的其他实施方式对于本领域技术人员将是显而易见的。说明书和示例旨在被认为仅是示例性的,本教导的真实范围和精神由所附权利要求指示。
Claims (19)
1.一种用于3D x射线成像中的金属伪影避免的方法,该方法包括:
确定金属在要扫描的感兴趣物体或体积中的3D位置;
估计将减小金属伪影的严重性的源-探测器轨道;
将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置;以及
根据该源-探测器轨道扫描该物体。
2.如权利要求1所述的方法,其中,该确定进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。
3.如权利要求1所述的方法,其中,该源-探测器轨道包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。
4.如权利要求1所述的方法,其中,估计该源-探测器轨道进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。
5.如权利要求4所述的方法,其中,该特性包括对频谱偏移、衰减或其组合的估计。
6.如权利要求4所述的方法,其中,该目标函数基于以下一项或多项:沿龙门架旋转轴的度量图的范围、沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。
7.如权利要求1所述的方法,其中,与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性有所降低。
8.如权利要求1所述的方法,其中,该扫描进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。
9.如权利要求8所述的方法,其中,形成该3D图像重建进一步包括:执行一个或多个3D图像重建算法,包括3D滤波反投影、用于3D图像重建的其他分析方法、基于模型的图像重建、深度学习或神经网络重建。
10.一种3D x射线成像系统,包括:
3D x射线成像设备,该3D x射线成像设备包括龙门架,该龙门架能够以沿倾斜轴的多个倾斜角度和沿旋转轴的多个旋转角度移动;以及
硬件处理器,该硬件处理器被配置为执行包括以下各项的指令:
确定金属在要扫描的感兴趣物体或体积中的3D位置;
估计将减小金属伪影的严重性的源-探测器轨道;
将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置;以及
根据该源-探测器轨道扫描该物体。
11.如权利要求10所述的3D x射线成像系统,其中,该确定进一步包括以下一项或多项:执行对该感兴趣物体或体积的初始3D扫描,获取该感兴趣物体或体积的一个或多个x射线投影图像,或者使用包括一个或多个相机或电磁跟踪器的跟踪系统来定位该金属。
12.如权利要求10所述的3D x射线成像系统,其中,该源-探测器轨道包括x射线源和探测器的位置和取向,以用于在该3D x射线成像中获取投影。
13.如权利要求10所述的3D x射线成像系统,其中,估计该源-探测器轨道进一步包括计算基于所确定的该金属的3D位置的目标函数,其中,该目标函数描述与3D图像重建中的金属伪影相关联的特性。
14.如权利要求13所述的3D x射线成像系统,其中,该特性包括对频谱偏移、衰减或其组合的估计。
15.如权利要求13所述的3D x射线成像系统,其中,该目标函数基于以下一项或多项:沿龙门架旋转轴的度量图的范围、沿龙门架旋转轴的度量图的标准偏差、沿该龙门架旋转轴的该度量图的最大值、该龙门架的旋转角度范围内的度量图总和。
16.如权利要求10所述的3D x射线成像系统,其中,与垂直于该物体的长轴的平面中的圆形路径相比,金属伪影的严重性有所降低。
17.如权利要求10所述的3D x射线成像系统,其中,该扫描进一步包括:沿该源-探测器轨道获取多个x射线投影,并形成该物体的3D图像重建。
18.如权利要求17所述的3D x射线成像系统,其中,形成该3D图像重建进一步包括:执行一个或多个3D图像重建算法,包括3D滤波反投影、用于3D图像重建的其他分析方法、基于模型的图像重建、深度学习或神经网络重建。
19.一种非暂态计算机可读介质,包括指令,这些指令在由硬件处理器执行时被配置为执行用于3D x射线成像中的金属伪影避免的方法,该方法包括:
确定金属在要扫描的感兴趣物体或体积中的3D位置;
估计将减小金属伪影的严重性的源-探测器轨道;
将成像系统移动到与所估计的源-探测器轨道一致的位置,或移动到靠近所估计的源-探测器轨道并在现有空间约束内的位置;以及
根据该源-探测器轨道扫描该物体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962944615P | 2019-12-06 | 2019-12-06 | |
US62/944,615 | 2019-12-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112927315A true CN112927315A (zh) | 2021-06-08 |
Family
ID=75962652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011431170.7A Pending CN112927315A (zh) | 2019-12-06 | 2020-12-07 | 用于x射线成像中的金属伪影避免的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11790525B2 (zh) |
CN (1) | CN112927315A (zh) |
DE (1) | DE102020131786A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220071578A1 (en) * | 2018-12-30 | 2022-03-10 | Carestream Dental Llc | Improved method of acquiring a radiographic scan of a region-of-interest in a metal containing object |
CN111062252B (zh) * | 2019-11-15 | 2023-11-10 | 浙江大华技术股份有限公司 | 一种实时危险物品语义分割方法、装置及存储装置 |
DE102022201003B3 (de) | 2022-01-31 | 2023-06-22 | Siemens Healthcare Gmbh | Verfahren zum Festlegen einer Aufnahmetrajektorie |
DE102022203120B4 (de) | 2022-03-30 | 2023-12-28 | Siemens Healthcare Gmbh | Verfahren zum Erfassen von Computertomographie-Bildgebungsdaten und Computertomographiegerät |
CN114842004B (zh) * | 2022-07-04 | 2022-10-21 | 真健康(北京)医疗科技有限公司 | 基于神经网络模型的穿刺位置验证方法及设备 |
US20240138697A1 (en) * | 2022-10-26 | 2024-05-02 | GE Precision Healthcare LLC | System and method for improved metal detection in magnetic resonance imaging |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000197627A (ja) * | 1999-01-05 | 2000-07-18 | Hitachi Medical Corp | X線ct装置 |
US6721387B1 (en) | 2001-06-13 | 2004-04-13 | Analogic Corporation | Method of and system for reducing metal artifacts in images generated by x-ray scanning devices |
US7369695B2 (en) * | 2004-08-20 | 2008-05-06 | General Electric Company | Method and apparatus for metal artifact reduction in 3D X-ray image reconstruction using artifact spatial information |
US8503750B2 (en) | 2009-10-06 | 2013-08-06 | General Electric Company | Method and apparatus for reduction of metal artifacts in CT images |
JP2012040284A (ja) * | 2010-08-23 | 2012-03-01 | Hitachi Aloka Medical Ltd | X線ct装置 |
US8233586B1 (en) | 2011-02-17 | 2012-07-31 | Franz Edward Boas | Iterative reduction of artifacts in computed tomography images using forward projection and an edge-preserving blur filter |
US9202296B2 (en) * | 2011-09-16 | 2015-12-01 | Caresteam Health, Inc. | Metal artifacts reduction for cone beam CT |
US9934597B2 (en) | 2014-09-11 | 2018-04-03 | Carestream Health, Inc. | Metal artifacts reduction in cone beam reconstruction |
CN104504655A (zh) | 2014-12-04 | 2015-04-08 | 沈阳东软医疗系统有限公司 | 一种ct金属伪影处理方法和装置 |
US10478148B2 (en) * | 2016-02-19 | 2019-11-19 | The Johns Hopkins University | Self-calibrating projection geometry for volumetric image reconstruction |
US10395397B2 (en) | 2016-11-14 | 2019-08-27 | Carestream Health, Inc. | Metal artifacts reduction for cone beam CT |
DE102017206946A1 (de) * | 2017-04-25 | 2018-07-05 | Siemens Healthcare Gmbh | Mobile C-Bogen-Röntgenvorrichtung mit nicht-isozentrischer Aufnahmeeinrichtung |
-
2020
- 2020-12-01 DE DE102020131786.7A patent/DE102020131786A1/de active Pending
- 2020-12-04 US US17/112,812 patent/US11790525B2/en active Active
- 2020-12-07 CN CN202011431170.7A patent/CN112927315A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102020131786A1 (de) | 2021-06-10 |
US11790525B2 (en) | 2023-10-17 |
US20210174502A1 (en) | 2021-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2022200517B2 (en) | Image synthesis using adversarial networks | |
CN112927315A (zh) | 用于x射线成像中的金属伪影避免的方法 | |
Kolditz et al. | Volume‐of‐interest (VOI) imaging in C‐arm flat‐detector CT for high image quality at reduced dose | |
US20220249038A1 (en) | Determining Rotational Orientation Of A Deep Brain Stimulation Electrode In A Three-Dimensional Image | |
EP2443614B1 (en) | Imaging procedure planning | |
Wu et al. | C-arm orbits for metal artifact avoidance (MAA) in cone-beam CT | |
US20230419565A1 (en) | System and Method for Artifact Reducation In An Image | |
Thies et al. | A learning-based method for online adjustment of C-arm Cone-beam CT source trajectories for artifact avoidance | |
CN111415404B (zh) | 术中预设区域的定位方法、装置、存储介质及电子设备 | |
US10445904B2 (en) | Method and device for the automatic generation of synthetic projections | |
Capostagno et al. | Task-driven source–detector trajectories in cone-beam computed tomography: II. Application to neuroradiology | |
Dang et al. | Robust methods for automatic image‐to‐world registration in cone‐beam CT interventional guidance | |
WO2014160766A1 (en) | Task-based source-detector trajectories for tomographic imaging | |
Wu et al. | Method for metal artifact avoidance in C-arm cone-beam CT | |
US20200240934A1 (en) | Tomography apparatus and controlling method for the same | |
Davis et al. | Collision-avoiding imaging trajectories for linac mounted cone-beam CT | |
KR20210146384A (ko) | 의용 화상 처리 장치, 기억 매체, 의용 장치, 및 치료 시스템 | |
Uneri et al. | Deformable 3D-2D registration for high-precision guidance and verification of neuroelectrode placement | |
US11270477B2 (en) | Systems and methods for tailored image texture in iterative image reconstruction | |
Sauppe et al. | Automatic fusion of lateral cephalograms and digital volume tomography data—perspective for combining two modalities in the future | |
Ren et al. | Framework of metal insertion in the projection domain for image quality optimization in interventional computed tomography | |
KR101613391B1 (ko) | 치료 계획용 ct 영상을 이용한 산란선 제거 방법 및 시스템 | |
EP4134008A1 (en) | Method and systems for aliasing artifact reduction in computed tomography imaging | |
El Hakimi | Accurate 3D-reconstruction and-navigation for high-precision minimal-invasive interventions | |
CN117475250A (zh) | 基于解剖结构数据模拟病理图像 |
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 |