CN113164154A - 用于产生待记录对象的全景断层成像图像的方法和设备 - Google Patents
用于产生待记录对象的全景断层成像图像的方法和设备 Download PDFInfo
- Publication number
- CN113164154A CN113164154A CN202080006513.7A CN202080006513A CN113164154A CN 113164154 A CN113164154 A CN 113164154A CN 202080006513 A CN202080006513 A CN 202080006513A CN 113164154 A CN113164154 A CN 113164154A
- Authority
- CN
- China
- Prior art keywords
- tomographic image
- panoramic tomographic
- image
- panoramic
- ray
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 210000003484 anatomy Anatomy 0.000 claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 23
- 238000002715 modification method Methods 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 230000005477 standard model Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000013290 Sagittaria latifolia Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000015246 common arrowhead Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/51—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for dentistry
-
- 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
-
- 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]
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种使用2D全景X射线设备(3)产生待记录对象(2)的全景断层成像图像(1，11，60)的方法，在该过程中，借助于X射线源(5)产生的X射线(4)照射对象(2)并借助于X射线检测器(7)获取该X射线(4)，其中，在X射线源(5)和X射线检测器(7)围绕对象(2)移动期间，从不同的获取方向(6)获取多个2D X射线投影图像(30)。使用重构方法根据获取的2D X射线投影图像(30)计算第一全景断层成像图像(1)，其中使用修改方法来修改获取的2D X射线投影图像(30)，其中根据经修改的2D X射线投影图像(40，50)并使用重构方法，以伪影(20)相对于解剖结构(17，18，19)的更高加权来计算第二全景断层成像图像(11)，其中计算具有显著减少的伪影的第三全景断层成像图像(60)。
Description
技术领域
本发明涉及一种使用2D全景X射线设备产生待记录对象的全景断层成像图像的方法，在其过程中，借助于X射线源产生的X射线照射对象并借助于X射线检测器获取该X射线，其中，在X射线源和X射线检测器围绕对象移动期间，从不同的获取方向获取多个2DX射线投影图像。
背景技术
从现有技术中已知多种产生全景断层成像图像的方法。
DE 102008008733 A1公开了一种用于从3D体积创建全景断层成像图像的方法，其中用虚拟X射线源虚拟照射待记录对象，并用虚拟检测器获取虚拟结果图像。虚拟照射中不需要的结构可以被虚拟去除。
DE 10016678 A1公开了一种用于照射对象的方法，其中以如下方式照射待检查对象，使得具有高吸收率的干扰对象(诸如金属填充物)优选地不干扰颚部的另一半的图像。在这种情况下，特别地将束角调整到解剖结构(即，牙齿)。
DE 102010040096 A1公开了一种用于从3D体积创建图像的方法，其中根据定义的照射方向计算多个虚拟投影图像。当计算投影图像时，相关区域的加权可以比不相关区域的加权更大。干扰的部分对象(诸如填充物或颚骨)可以从部分体积中切出，或者可以提供有较小的加权，以改善对由该部分体积所包围的部分对象(诸如牙齿)的检查。
所提到的方法的一个缺点是，伪影校正是通过切出干扰的部分对象或通过对所述部分对象的轻微加权来虚拟进行的。对于患者来说，3D图像的辐射暴露常常也比2D图像大。在3D体积上计算的虚拟全景断层成像图像的分辨率低于经典2D全景断层成像图像的分辨率。
因此，本发明的一个目的是提供一种用于产生2D全景断层成像图像的方法，该方法允许自动且简单地减少伪影(例如，相对颚部伪影)。
发明内容
本发明涉及一种使用2D全景X射线设备产生待记录对象的全景断层成像图像的方法。在此过程中，借助于X射线源产生的X射线照射对象并借助于X射线检测器获取该X射线，其中，在X射线源和X射线检测器围绕对象移动期间，从不同的获取方向获取多个2DX射线投影图像。使用重构方法根据获取的2D X射线投影图像计算第一全景断层成像图像。随后，使用修改方法来修改获取的2D X射线投影图像，其中，根据经修改的2D X射线投影图像并使用重构方法，以伪影(例如，相对于解剖结构的，相对颚部伪影)的更高加权计算第二全景断层成像图像，其中通过将第一全景断层成像图像和第二全景断层成像图像以定义的加权因子进行组合来计算第三全景断层成像图像，使得与第一全景断层成像图像相比，第三全景断层成像图像中的伪影得到减少。
全景断层成像图像是使用2D全景X射线设备获取的患者上颚和/或下颚的二维描述。全景X射线设备可以例如包括具有数字X射线检测器的获取单元，其中，在获取期间，数字X射线检测器优选地围绕患者的面部移动。X射线源同步地围绕头部行进，优选地围绕头部的后部行进。X射线源被设计为使其发出有限的X射线束，例如在X射线检测器上从大约0.25mm的宽度扩展到大约3mm的宽度。该束穿过对象的颚部区段，从而整个颚部的不同颚部区段的2D X射线投影图像逐个图像地在X射线检测器上被单独获取。然后，通过相应地将各个2D X射线投影图像合并在一起，使用重构方法根据获取的2D X射线投影图像来计算全景断层成像图像。合并各个2D X射线投影图像产生了全景断层成像图像的断层成像聚焦层，在其中清楚地描绘了解剖结构。这种断层成像聚焦层一般包括上颚和下颚的相关解剖结构，诸如牙齿、齿根和颚骨。断层成像聚焦层的形状、尺寸和位置由X射线检测器关于X射线源相对于对象(即，患者头部)位置的移动路径确定。也位于束路径中的颚部的相对侧的解剖结构在断层成像聚焦层内产生阴影并显得模糊。这种效应称为相对颚部伪影，它们覆盖位于断层成像聚焦层内的对象。因此，断层成像聚焦层的位置由X射线检测器和X射线源相对于对象的移动路径确定，其中断层成像聚焦层的层厚度附加地由X射线检测器的被照射传感器表面的宽度(即，由相应2D X射线投影图像的宽度)以及由X射线检测器和X射线发射器的移动确定。X射线检测器的较窄宽度导致层厚度增加，而较宽的X射线检测器导致全景断层成像图像内的层厚度减小。较窄的X射线检测器的确提供了断层成像聚焦层的较小层厚度，但是这具有断层成像聚焦层之外的对象更强地叠加断层成像聚焦层的对象的缺点。
数字X射线检测器可以是例如CCD/CMOS传感器，或者是具有3mm至4cm的宽度的直接转换传感器。这种X射线检测器通常可以具有6mm的宽度和150mm的高度的物理尺寸。获取的2D X射线投影图像可以具有与所使用的X射线检测器相同的像素分辨率。获取的2D X射线投影图像的像素尺寸取决于X射线检测器的像素分辨率和使用的合并模式。
在X射线检测器围绕对象移动的过程中，例如每秒可以获取30至1000个2D X射线投影图像。
在重构方法中，例如使用所谓的移位和相加方法，通过沿着获取方向合并，对获取的2D X射线投影图像进行求和，从而形成全景断层成像图像内的断层成像聚焦层。
其它已知的重构方法也可以被用于根据获取的2D X射线投影图像来计算全景断层成像图像。X射线源和X射线检测器围绕对象的移动的一转例如可以在15°至250°之间。例如以0.01°和10°之间的角度步长，从不同的获取方向获取2D X射线投影图像。
因此，通常借助于重构方法，根据获取的2D X射线投影图像来计算第一全景断层成像图像。随后，使用修改方法来修改获取的2DX射线投影图像。修改方法可以是例如在移动方向上的低通滤波，或者是2D X射线投影图像的水平镜像。通过使用修改方法，例如低通滤波，在经修改的2D X射线投影图像中，相关的解剖结构(诸如牙齿、齿根和颚骨)变得模糊或减小，而干扰的图像成分(诸如相对颚部伪影)更占主导地位。由此，根据具有相对于解剖结构的更高加权的伪影的经修改的2D X射线投影图像，计算第二全景断层成像图像。这些伪影可以是相对颚部伪影，其由于次序而覆盖断层成像聚焦层的实际对象。因此，伪影是2DX射线投影图像的束路径中的相对的颚的真实结构。
随后通过组合第一全景断层成像图像和第二全景断层成像图像来计算第三全景断层成像图像，使得第三全景断层成像图像中的伪影(例如相对颚部伪影)减少。
这种方法的一个优点是，伪影的减少不是通过切出干扰的部分对象或通过降低这些部分对象的加权而在3D体积内虚拟实现的，而是代替地通过修改获取的2D X射线投影图像并计算第二经修改的全景断层成像图像来实现的，其中通过组合第一全景断层成像图像和第二经修改的全景断层成像图像来计算伪影减少的第三全景断层成像图像。
该方法的另一个优点是不要求新颖的设备来执行该方法。可以使用常规的2D全景X射线设备，从而仅在软件方面以计算机辅助方式进行第二经修改的全景断层成像图像和第三全景断层成像图像的计算。有利地，第三全景断层成像图像可以通过以定义的加权因子从第一全景断层成像图像的图像信息中减去第二全景断层成像图像的图像信息来确定。
因此，在第二经修改的全景断层成像图像中，具有伪影的区域具有比其余区域更高的信号值，从而通过从原始的第一全景断层成像图像中减去第二经修改的全景断层成像图像的图像信息，实现了第三全景断层成像图像中的伪影的减少或完全校正。
修改方法可以有利地是在2D X射线投影图像的移动方向上的低通滤波，对2D X射线投影图像的局部低通滤波和/或2D X射线投影图像的水平镜像。
为了在移动方向上进行低通滤波，将各个2D X射线投影图像平滑到相同程度。对于低通滤波，可以将不依赖于位置的相同低通滤波器用于2D X射线投影图像的每个图像行。
然后根据经修改的2D X射线投影图像计算第二经修改的全景断层成像图像，该第二经修改的全景断层成像图像在伪影的区域中相比于解剖结构的其它区域具有更高的相对信号分量。
低通滤波是指将图像(诸如2D X射线投影图像)与低通滤波器内核(例如，高斯滤波器内核)进行卷积。由此，在图像内，高频信号分量相对于低频信号分量被衰减。可以相对于整个图像或仅在选择的图像区域内局部地在水平和/或垂直方向上应用这种滤波器。
因此，通过使用例如全局地应用于图像的这种低通滤波器，二维投影图像的所有像素或多或少地被衰减或改变。与具有精细高频结构或图像分量的图像区域中的图像像素相比，非常相似的图像像素(例如在均匀的图像区域中的相同的灰度值)的修改较少。
图像内的局部高频结构是具有精细结构和更强的局部灰度值改变的图像区域。
在2D投影图像中，高频对象还是从2D X射线投影图像到2D X射线投影图像在时间方面特别强烈地改变其在2D投影图像内的位置的那些结构。在全景断层成像图像中，特别是那些布置在断层成像聚焦层内并因此被清楚地描绘的解剖结构。
局部低频结构是结构的局部灰度值改变相当弱或没有的图像区域。低频结构在时间上相继的2D X射线投影图像之间几乎不变。在全景断层成像图像中，此类低频结构是模糊的结构，该模糊的结构在获取期间不部署在断层成像聚焦层内，因此作为阴影显得模糊不清。
低通滤波也可以取决于位置。利用取决于位置的低通滤波，仅2D X射线投影图像中的特定区域能够进行更大程度的修改。低通滤波特别地可以在具有高频解剖结构的区域内使用，以便相应地抑制所述结构。
对于水平镜像，2D X射线投影图像中的每一个被水平镜像。高频解剖结构的时间局部关系因此被消除。
对图像镜像意味着在水平或垂直方向上重新布置像素值。对于水平镜像，这意味着将最后一个图像列写入第一图像列的位置，依此类推，直到完全镜像整个图像为止。
因此，对于第二经修改的全景断层成像图像的重构，仅使用已经用低通滤波进行滤波和/或镜像的2D投影图像。
第三全景断层成像图像可以有利地使用显示设备来显示。
因此，第一全景断层成像图像、第二经修改的全景断层成像图像和/或第三全景断层成像图像可以借助于显示设备(诸如监视器)以图形方式显示，从而使得用户(诸如牙医)可以查看全景断层成像图像以进行诊断。
可以有利地借助于虚拟工具来管理用于第一全景断层成像图像和第二全景断层成像图像的组合的加权因子，从而可以使用虚拟工具手动地设置所显示的伪影的强度。
因此，虚拟工具允许管理第一全景断层成像图像和第二全景断层成像图像之间的加权。虚拟工具可以是例如滑块或旋转控制器，或者可以被手动操作的另一个虚拟控制器。用户因此可以例如在0％和100％之间设置加权因子，由此，在100％的加权因子的情况下，从第一全景断层成像图像中完全减去第二经修改的全景断层成像图像的100％。因此，在50％的加权因子的情况下，仅以50％的加权从第一全景断层成像图像中减去第二经修改的全景断层成像图像，从而带有伪影的区域仍然稍微可见。
虚拟工具可以有利地是滑块。
因此，用户可以借助于虚拟滑块容易地设置加权因子。
对于组合第一全景断层成像图像与第二全景断层成像图像，可以有利地借助于计算机根据第一全景断层成像图像和/或第二全景断层成像图像自适应地自动定义局部变化的加权因子，其中第二全景断层成像图像中具有伪影的区域与其它区域相比具有更大的加权，因此在这些所定义的区域中，发生更强的伪影减少。
因此，第一全景断层成像图像和/或第二全景断层成像图像以计算机辅助的方式被分析，其中定义具有伪影(例如，相对颚部伪影)的区域。然后，用局部变化的加权因子对具有伪影的这些区域进行加权，从而将第二全景断层成像图像中具有伪影的这些区域以大于其余区域的程度从第一全景断层成像图像中减去。因此，伪影的校正仅在全景断层成像图像中出现伪影的区域中进行。因此，在主要包括解剖结构(诸如牙齿、齿根和颚骨)的其它区域中，仅进行轻微的校正或不进行校正。
用于基于第一全景断层成像图像和/或第二全景断层成像图像来自动定义局部变化的加权因子的自适应分析方法可以有利地使用用于机器学习的神经网络。
因此，将用于机器学习的神经网络用于自适应分析方法。
用于机器学习的人工神经网络(CNN)是一种计算机算法，其允许确定局部变化的加权因子。下面解释使用CNN的方法。
卷积神经网络(CNN)是前馈人工神经网络。它是机器学习领域中受生物过程启发的一个概念。卷积神经网络被用在许多现代人工智能技术中，主要用在图像数据的机器处理中。
经典CNN的结构一般包括卷积层，然后是池化层。原则上，这种组装可以根据需要多次重复。利用足够的重复，这些被称为深度卷积神经网络，其属于深度学习领域。CNN通过逐层学习卷积内核的自由参数或分类器并学习其在与下一层合并时的加权来进行学习。
因此，利用适当的训练数据，神经网络学习了自动识别在第一全景断层成像图像和/或第二经修改的全景断层成像图像中具有伪影的区域。然后，神经网络学习了利用变化的加权因子对具有伪影的这些选定区域进行更强的加权，以便仅在这些区域中局部进行伪影的校正。神经网络可以使用例如其中用户已经选择了具有伪影的区域的数据集进行学习。
在另一个实施例中，对于组合第一全景断层成像图像与第二全景断层成像图像，可以有利地借助于计算机根据先前已知的标准模型来自适应地自动定义局部变化的加权因子，其中定义了标准模型内具有伪影的区域，其中第二全景断层成像图像中的所述区域比其它区域具有更大的加权，从而仅在这些定义的区域中发生伪影的更强减少。
因此，使用先前已知的标准模型来自动地定义具有伪影的区域，并以此为基础来定义局部变化的加权因子，使得伪影的校正仅在这些定义的区域中发生。
本发明还涉及一种用于数据处理的设备，包括用于执行上述方法的部件。
该设备可以是例如计算机，其基于获取的2D X射线投影图像来计算第一2D全景断层成像图像、修改获取的2D X射线投影图像，并由此计算第二经修改的全景断层成像图像和第三全景断层成像图像。
本发明还涉及包括命令的计算机程序，当计算机程序由计算机执行时，该命令使所述计算机执行上面提到的方法。
本发明还涉及包括命令的计算机可读存储介质，命令在由计算机执行时使所述计算机执行上面提到的方法。
附图说明
基于附图解释本发明。附图示出
图1是用于例示本方法的实施例的示意图，
图2是2D X射线投影图像的示意图，
图3是经修改的2D X射线投影图像的示意图，
图4示出了作为修改方法的图2的2D X射线投影图像的水平镜像，
图5示出了第三全景断层成像图像的图形描绘。
具体实施方式
图1示出了示意图，其例示了用于使用2D全景X射线设备3产生待记录对象2的全景断层成像图像1的本方法的实施例，其中以有限束扇的形式借助于X射线源5产生X射线4，并且使用射束并使用X射线检测器7沿着获取方向6记录对象2(即，上颚和/或下颚)。在获取期间，X射线检测器7沿着移动路径8(例如，顺时针)围绕对象2移动，如箭头所指示的。X射线源5沿着箭头所指示的移动路径10围绕头部9的后部移动。在X射线检测器7和X射线源5围绕对象2连续移动期间，从不同的获取方向6，例如以0.01°和10°之间的角度步长，获取多个2D X射线投影图像。使用重构方法，从取自不同获取方向的获取的2D X射线投影图像计算第一全景断层成像图像1。随后使用修改方法来修改获取的2D X射线投影图像，其中使用重构方法从经修改的2D X射线投影图像计算第二经修改的全景断层成像图像11。第一全景断层成像图像和第二经修改的全景断层成像图像11借助于显示设备12(诸如监视器)以图形方式显示。显示设备12连接到计算机13，其中诸如键盘14和鼠标15之类的输入部件连接到计算机13。用户可以使用输入部件14和15借助于光标16在全景断层成像图像1和11内导航。在X射线检测器7的移动8和X射线源5的同步移动10的一个回路的过程中，例如每秒可以获取30至1000个2D X射线投影图像。获取方向6可以被定义为平均照射方向，作为束扇的X射线4的各个方向的平均，并且在获取期间相对于对象2而变化。为了计算第三全景断层成像图像，考虑到加权因子，从第一全景断层成像图像1的图像信息中减去第二经修改的全景断层成像图像11的图像信息。第一全景断层成像图像1包括解剖结构(诸如牙齿17、齿根18和颚骨19)以及覆盖结构(诸如来自颚部的相对侧的伪影20)。用虚线指示在第一全景断层成像图像1的左端上具有增加的相对颚部伪影20的第一区域21以及在第一全景断层成像图像1的右端上具有增加的相对颚部伪影20的第二区域22。在第二经修改的全景断层成像图像11中，实际的解剖结构17、18和19看起来像阴影一样模糊并且因此被减小，由此在第一区域21中、在第二区域22中和在中心区域23中的伪影20在该表示中具有更大的意义。因此，作为修改的结果，伪影20的信号分量相对于其它结构的信号分量增加。从第一全景断层成像图像1中减去第二全景断层成像图像11的图像信息减少了第三全景断层成像图像中的干扰的相对颚部伪影。具有相对颚部伪影20的区域21、22和23的选择可以由用户手动地执行，或者借助于计算机使用神经网络或标准模型来全自动地执行。神经网络可以针对伪影20分析第一全景断层成像图像1和/或第二经修改的全景断层成像图像11，并定义对应的区域21、22和23。当将第一全景断层成像图像1与第二全景断层成像图像11组合时，可以借助于计算机根据具有伪影20的定义的区域21、22和23自适应地自动定义局部变化的加权因子，由此仅在定义的区域21、22和23中从第一全景1的图像信息中减去第二经修改的全景断层成像图像11的图像信息，从而第一全景断层成像图像的剩余图像信息保持不变。因此，作为结果，在计算出的第三全景断层成像图像中更清楚地示出了解剖结构17、18和19。用户还可以使用光标16手动地定义具有伪影20的区域21、22和23。
借助于重构方法组合或合并各个2D X射线投影图像产生全景断层成像图像1的断层成像聚焦层24，该断层成像聚焦层用点划线指示，并且在其中清楚地描绘了解剖结构17、18、19。断层成像聚焦层的形状、尺寸、位置由X射线检测器7和X射线源5相对于对象2的移动来确定。不位于断层成像聚焦层24内的解剖结构17、18、19产生阴影并且看起来模糊。因此，断层成像聚焦层的位置由X射线检测器5和X射线源7相对于对象2的移动路径确定，其中断层成像聚焦层的宽度25也由X射线检测器7的宽度26或由相应的2DX射线投影图像的宽度确定。X射线检测器7的较窄宽度26导致断层成像聚焦层24的聚焦层厚度25增加，并且较宽的X射线检测器导致断层成像聚焦层24的聚焦层厚度25减小。
图2示出了具有诸如牙齿17、齿根18和颚骨19之类的解剖结构以及伪影20的2D X射线投影图像30的示意图。
图3示出了经修改的2D X射线投影图像40的示意图，其中使用在2D X射线投影图像30的移动方向上的低通滤波来执行修改。该修改抑制了更高频的解剖结构17、18和19，由此低频的伪影20以与其它区域相比更高的信号比例继续被清楚地描绘。因此，从获取的图2的2D X射线投影图像30计算图1的第一全景断层成像图像，而从经修改的2D X射线投影图像40计算图1的第二经修改的全景断层成像图像。
图4示出了作为修改方法的图2的2D X射线投影图像30的水平镜像，由此产生镜像的2D X射线投影图像50。镜像去除了相继的2D X射线投影图像的高频的解剖结构的局部对应或关系。使用镜像的2D X射线投影图像50计算第二全景断层成像图像11允许以比第二全景断层成像图像11中的伪影20更弱的信号分量来描绘图2的解剖结构17、18和19。计算镜像的2D X射线投影图像50由此产生经修改的2D X射线投影图像，其中使用重构方法从各个镜像的2D X射线投影图像计算图1的第二经修改的全景断层成像图像11，其中解剖结构被抑制，但是干扰的伪影20被更清楚地描绘。
图5示出了借助于图1的显示设备12的第三全景断层成像图像60的图形描绘，其中用于第一全景断层成像图像1和第二经修改的全景断层成像图像11的组合的加权因子是借助于虚拟工具(诸如虚拟滑块61)来管理的。使用滑块61，如箭头62所指示的，用户可以在0％至100％之间调整第二经修改的全景断层成像图像11的加权因子。以100％的加权因子，从第一全景断层成像图像1中减去第二全景断层成像图像11的图像信息的100％，而以50％的加权因子，仅从第一全景断层成像图像1中减去来自第二全景断层成像图像11的图像信息的50％的灰度值。使用滑块的调整还可以应用于局部变化的加权因子，例如仅在具有伪影20的选定的区域21、22和23内。
附图标记
1.第一全景断层成像图像
2.对象
3. 2D全景X射线设备
4.X射线
5.X射线源
6.获取方向
7.X射线检测器
8.移动路径
9.头部的后部
10.移动路径
11.第二经修改的全景断层成像图像
12.显示设备
13.计算机
14.键盘
15.鼠标
16.光标
17.牙齿
18.牙根
19.颚骨
20.伪影；相对颚部伪影
21.第一区域
22.第二区域
23.中心区域
24.断层成像聚焦层
25.聚焦层厚度
26.X射线检测器的宽度
30. 2D X射线投影图像
40.低通滤波的经修改的2D X射线投影图像
50.镜像的经修改的2D X射线投影图像
60.具有减少的伪影的第三全景断层成像图像
61.滑块
62.箭头
权利要求书(按照条约第19条的修改)
1.一种用于使用2D全景X射线设备(3)产生待记录对象(2)的全景断层成像图像(1，11，60)的方法，在该过程中，借助于X射线源(5)产生的X射线(4)照射对象(2)并借助于X射线检测器(7)获取该X射线(4)，其中，在X射线源(5)和X射线检测器(7)围绕对象(2)移动期间，从不同的获取方向(6)获取多个2D X射线投影图像(30)，其特征在于：使用重构方法根据获取的2D X射线投影图像(30)计算第一全景断层成像图像(1)，其中使用修改方法来修改获取的2D X射线投影图像(30)，其中根据经修改的2D X射线投影图像(40，50)并使用重构方法，以伪影(20)相对于解剖结构(17，18，19)的更高加权来计算第二全景断层成像图像(11)，其中通过以定义的加权因子组合第一全景断层成像图像(1)和第二全景断层成像图像(11)来计算第三全景断层成像图像(60)，使得第三全景断层成像图像(60)中的伪影(20)与第一全景断层成像图像相比减少。
2.根据权利要求1所述的方法，其特征在于，通过以定义的加权因子从第一全景断层成像图像(1)的图像信息中减去第二全景断层成像图像(11)的图像信息来计算第三全景断层成像图像(60)。
3.根据权利要求1或2所述的方法，其特征在于，修改方法是在2D X射线投影图像(30)的移动方向上的低通滤波、2D X射线投影图像(30)的与位置相关的低通滤波(40)，和/或2DX射线投影图像(30)的水平镜像(50)。
4.根据权利要求1-3中的任一项所述的方法，其特征在于，第三全景断层成像图像(60)借助于显示设备(12)进行显示。
5.根据权利要求1-4中的任一项所述的方法，其特征在于，借助于虚拟工具(61)管理用于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合的加权因子，使得能够使用虚拟工具(61)手动地设置所显示的伪影(20)的强度。
6.根据权利要求5所述的方法，其特征在于，虚拟工具是滑块(61)。
7.根据权利要求1-4中的任一项所述的方法，其特征在于，对于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合，借助于计算机根据第一全景断层成像图像(1)和/或第二全景断层成像图像(11)自适应地自动定义局部变化的加权因子，其中第二全景断层成像图像(11)中具有伪影(20)的区域(21，22，23)与其它区域(21，22，23)相比被更强地加权，使得在这些定义的区域(21，22，23)中发生伪影(20)的较强减少。
8.根据权利要求7所述的方法，其特征在于，用于基于第一全景断层成像图像(1)和/或第二全景断层成像图像(11)自动定义局部变化的加权因子的自适应分析方法使用用于机器学习的神经网络。
9.根据权利要求1-4中的任一项所述的方法，其特征在于，对于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合，局部变化的加权因子是借助于计算机根据先前已知的标准模型自适应地自动定义的，其中定义了在标准模型内具有伪影(20)的区域(21，22，23)，其中第二全景断层成像图像(11)中的所述区域(21，22，23)与其它区域相比被更强地加权，使得仅在这些定义的区域(21，22，23)中发生伪影(20)的较强减少。
10.一种设备，包括计算机(13)、2D全景X射线设备(3)、X射线源(5)、X射线检测器(7)和显示设备(12)，以执行根据权利要求1-9中的任一项所述的方法。
11.一种计算机程序，包括命令，当计算机程序由计算机(13)执行时，所述命令使权利要求10的所述设备执行根据权利要求1至9中的任一项所述的方法。
12.一种计算机可读存储介质，包括根据权利要求11所述的计算机程序。
Claims (12)
1.一种用于使用2D全景X射线设备(3)产生待记录对象(2)的全景断层成像图像(1，11，60)的方法，在该过程中，借助于X射线源(5)产生的X射线(4)照射对象(2)并借助于X射线检测器(7)获取该X射线(4)，其中，在X射线源(5)和X射线检测器(7)围绕对象(2)移动期间，从不同的获取方向(6)获取多个2D X射线投影图像(30)，其特征在于：使用重构方法根据获取的2D X射线投影图像(30)计算第一全景断层成像图像(1)，其中使用修改方法来修改获取的2D X射线投影图像(30)，其中根据经修改的2D X射线投影图像(40，50)并使用重构方法，以伪影(20)相对于解剖结构(17，18，19)的更高加权来计算第二全景断层成像图像(11)，其中通过以定义的加权因子组合第一全景断层成像图像(1)和第二全景断层成像图像(11)来计算第三全景断层成像图像(60)，使得第三全景断层成像图像(60)中的伪影(20)与第一全景断层成像图像相比减少。
2.根据权利要求1所述的方法，其特征在于，通过以定义的加权因子从第一全景断层成像图像(1)的图像信息中减去第二全景断层成像图像(11)的图像信息来计算第三全景断层成像图像(60)。
3.根据权利要求1或2所述的方法，其特征在于，修改方法是在2D X射线投影图像(30)的移动方向上的低通滤波、2D X射线投影图像(30)的与位置相关的低通滤波(40)，和/或2DX射线投影图像(30)的水平镜像(50)。
4.根据权利要求1-3中的任一项所述的方法，其特征在于，第三全景断层成像图像(60)借助于显示设备(12)进行显示。
5.根据权利要求1-4中的任一项所述的方法，其特征在于，借助于虚拟工具(61)管理用于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合的加权因子，使得能够使用虚拟工具(61)手动地设置所显示的伪影(20)的强度。
6.根据权利要求5所述的方法，其特征在于，虚拟工具是滑块(61)。
7.根据权利要求1-4中的任一项所述的方法，其特征在于，对于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合，借助于计算机根据第一全景断层成像图像(1)和/或第二全景断层成像图像(11)自适应地自动定义局部变化的加权因子，其中第二全景断层成像图像(11)中具有伪影(20)的区域(21，22，23)与其它区域(21，22，23)相比被更强地加权，使得在这些定义的区域(21，22，23)中发生伪影(20)的较强减少。
8.根据权利要求7所述的方法，其特征在于，用于基于第一全景断层成像图像(1)和/或第二全景断层成像图像(11)自动定义局部变化的加权因子的自适应分析方法使用用于机器学习的神经网络。
9.根据权利要求1-4中的任一项所述的方法，其特征在于，对于第一全景断层成像图像(1)和第二全景断层成像图像(11)的组合，局部变化的加权因子是借助于计算机根据先前已知的标准模型自适应地自动定义的，其中定义了在标准模型内具有伪影(20)的区域(21，22，23)，其中第二全景断层成像图像(11)中的所述区域(21，22，23)与其它区域相比被更强地加权，使得仅在这些定义的区域(21，22，23)中发生伪影(20)的较强减少。
10.一种设备，包括计算机(13)、2D全景X射线设备(3)和附加部件，以执行根据权利要求1-9中的任一项所述的方法。
11.一种计算机程序，包括命令，当计算机程序由计算机(13)执行时，所述命令使所述计算机执行根据权利要求1至9中的任一项所述的方法。
12.一种计算机可读存储介质，包括命令，当由计算机(13)执行时，所述命令使所述计算机执行根据权利要求1至9中的任一项所述的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19164606.6 | 2019-03-22 | ||
| EP19164606.6A EP3711672B1 (en) | 2019-03-22 | 2019-03-22 | Method and device for producing a panoramic tomographic image of an object to be recorded |
| PCT/EP2020/054886 WO2020193041A1 (en) | 2019-03-22 | 2020-02-25 | Method and device for producing a panoramic tomographic image of an object to be recorded |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113164154A true CN113164154A (zh) | 2021-07-23 |
| CN113164154B CN113164154B (zh) | 2024-06-11 |
Family
ID=65904326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080006513.7A Active CN113164154B (zh) | 2019-03-22 | 2020-02-25 | 用于产生待记录对象的全景断层成像图像的方法和设备 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11963812B2 (zh) |
| EP (1) | EP3711672B1 (zh) |
| JP (1) | JP7459101B2 (zh) |
| CN (1) | CN113164154B (zh) |
| DK (1) | DK3711672T3 (zh) |
| WO (1) | WO2020193041A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4129191A1 (de) * | 2021-08-06 | 2023-02-08 | DENTSPLY SIRONA Inc. | Optimierung extraoraler panoramaaufnahmen durch modellbasiertes vorwissen über die kieferbogenform des patienten |
| JP2023039761A (ja) * | 2021-09-09 | 2023-03-22 | キヤノン株式会社 | 放射線検査装置、放射線検査方法及びプログラム |
| EP4331497A1 (en) | 2022-08-29 | 2024-03-06 | DENTSPLY SIRONA Inc. | X-ray system for the production of dental panoramic images with several offset individual x-ray emitters |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002336239A (ja) * | 2001-05-18 | 2002-11-26 | Morita Mfg Co Ltd | Ｘ線ｃｔ撮影装置 |
| US20050175142A1 (en) * | 2004-02-09 | 2005-08-11 | Xiangyang Tang | Method and apparatus for obtaining data for reconstructing images of an object |
| US20080008372A1 (en) * | 2006-07-07 | 2008-01-10 | General Electric Company | A method and system for reducing artifacts in a tomosynthesis imaging system |
| US20080056549A1 (en) * | 2006-08-29 | 2008-03-06 | Siemens Medical Solutions Usa, Inc. | System and Method for Reducing Circular Artifacts in Tomographic Imaging |
| NL1034577A1 (nl) * | 2006-10-27 | 2008-04-29 | Ge Med Sys Global Tech Co Llc | Röntgentomografie-apparatuur. |
| CN101416072A (zh) * | 2005-09-02 | 2009-04-22 | 皇家飞利浦电子股份有限公司 | 用于计算机断层造影成像的改进的重组 |
| DE102008008733A1 (de) * | 2008-02-12 | 2009-08-13 | Sirona Dental Systems Gmbh | Verfahren zur Erstellung einer Schichtaufnahme |
| CN106462952A (zh) * | 2014-04-08 | 2017-02-22 | 西门子保健有限责任公司 | 断层图像中的噪声抑制 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10016678A1 (de) | 2000-04-04 | 2001-10-18 | Sirona Dental Systems Gmbh | Verfahren zur Durchstrahlung eines in einer Materialien stark unterschiedlicher Absorption aufweisenden Gesamtheit enthaltenen Gegenstands |
| US7623691B2 (en) * | 2004-08-06 | 2009-11-24 | Kabushiki Kaisha Toshiba | Method for helical windmill artifact reduction with noise restoration for helical multislice CT |
| CA2583831A1 (en) | 2004-10-12 | 2006-04-20 | Universite Laval | Method and apparatus for metal artifact reduction in computed tomography |
| JP4844886B2 (ja) | 2005-10-21 | 2011-12-28 | 株式会社 アクシオン・ジャパン | パノラマ画像撮影装置及びパノラマ画像撮影方法 |
| DE102010040096A1 (de) | 2010-09-01 | 2012-03-01 | Sirona Dental Systems Gmbh | Verfahren zur Erstellung einer Aufnahme aus einem 3D-Volumen |
| JP2015156966A (ja) | 2014-02-24 | 2015-09-03 | 株式会社テレシステムズ | 歯科用ｘ線撮像装置及び画像補正方法 |
| US9592020B2 (en) * | 2014-06-23 | 2017-03-14 | Palodex Group Oy | System and method of artifact correction in 3D imaging |
| US9672641B2 (en) | 2015-07-09 | 2017-06-06 | Sirona Dental Systems Gmbh | Method, apparatus, and computer readable medium for removing unwanted objects from a tomogram |
| JP6780948B2 (ja) * | 2016-03-28 | 2020-11-04 | キヤノンメディカルシステムズ株式会社 | Ｘ線ｃｔ装置 |
| EP3649957B1 (en) * | 2018-11-07 | 2023-07-19 | DENTSPLY SIRONA Inc. | Device and method for editing a panoramic radiography image |
| EP3685752B1 (en) * | 2019-01-23 | 2023-10-25 | DENTSPLY SIRONA Inc. | Method and apparatus for generating a 2d panoramic image |
| FI3730057T3 (fi) * | 2019-04-26 | 2023-03-28 | Sirona Dental Systems Gmbh | Menetelmä ja laitteisto panoraamakerroskuvan muodostamiseksi |
-
2019
- 2019-03-22 DK DK19164606.6T patent/DK3711672T3/da active
- 2019-03-22 EP EP19164606.6A patent/EP3711672B1/en active Active
-
2020
- 2020-02-25 CN CN202080006513.7A patent/CN113164154B/zh active Active
- 2020-02-25 JP JP2021532042A patent/JP7459101B2/ja active Active
- 2020-02-25 WO PCT/EP2020/054886 patent/WO2020193041A1/en active Application Filing
- 2020-02-25 US US17/440,358 patent/US11963812B2/en active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002336239A (ja) * | 2001-05-18 | 2002-11-26 | Morita Mfg Co Ltd | Ｘ線ｃｔ撮影装置 |
| US20050175142A1 (en) * | 2004-02-09 | 2005-08-11 | Xiangyang Tang | Method and apparatus for obtaining data for reconstructing images of an object |
| CN101416072A (zh) * | 2005-09-02 | 2009-04-22 | 皇家飞利浦电子股份有限公司 | 用于计算机断层造影成像的改进的重组 |
| US20080008372A1 (en) * | 2006-07-07 | 2008-01-10 | General Electric Company | A method and system for reducing artifacts in a tomosynthesis imaging system |
| US20080056549A1 (en) * | 2006-08-29 | 2008-03-06 | Siemens Medical Solutions Usa, Inc. | System and Method for Reducing Circular Artifacts in Tomographic Imaging |
| NL1034577A1 (nl) * | 2006-10-27 | 2008-04-29 | Ge Med Sys Global Tech Co Llc | Röntgentomografie-apparatuur. |
| CN101178370A (zh) * | 2006-10-27 | 2008-05-14 | Ge医疗系统环球技术有限公司 | X-射线断层摄影设备 |
| US20080118022A1 (en) * | 2006-10-27 | 2008-05-22 | Akira Hagiwara | X-ray tomography apparatus and artifact reducing method |
| DE102008008733A1 (de) * | 2008-02-12 | 2009-08-13 | Sirona Dental Systems Gmbh | Verfahren zur Erstellung einer Schichtaufnahme |
| CN106462952A (zh) * | 2014-04-08 | 2017-02-22 | 西门子保健有限责任公司 | 断层图像中的噪声抑制 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7459101B2 (ja) | 2024-04-01 |
| US20220192616A1 (en) | 2022-06-23 |
| WO2020193041A1 (en) | 2020-10-01 |
| JP2022524257A (ja) | 2022-05-02 |
| US11963812B2 (en) | 2024-04-23 |
| EP3711672A1 (en) | 2020-09-23 |
| EP3711672B1 (en) | 2022-01-26 |
| DK3711672T3 (da) | 2022-03-21 |
| CN113164154B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9934597B2 (en) | Metal artifacts reduction in cone beam reconstruction | |
| JP6881611B2 (ja) | 画像作成装置及び学習済モデルの生成方法 | |
| US10939887B2 (en) | System and method of artifact correction in 3D imaging | |
| CN113164154B (zh) | 用于产生待记录对象的全景断层成像图像的方法和设备 | |
| JP2022002823A (ja) | ハイブリッドメッシュセグメンテーションのための方法及び装置 | |
| US8320522B2 (en) | Method for creating a tomographic image | |
| EP2973401B1 (en) | Method for producing teeth surface from x-ray scan of a negative impression | |
| CA2583831A1 (en) | Method and apparatus for metal artifact reduction in computed tomography | |
| KR20130069506A (ko) | 화상 처리 장치, 화상 처리 방법 및 컴퓨터 판독 가능 저장 매체 | |
| WO2021171394A1 (ja) | 学習済みモデルの作成方法、画像生成方法および画像処理装置 | |
| CN105184835B (zh) | 乳腺断层图像重建方法和装置 | |
| CN105326524B (zh) | 可减少图像中的伪影的医学成像方法和装置 | |
| CN113226181B (zh) | 在x射线锥形束计算机断层扫描中校准x射线投影几何形状的方法 | |
| CN104545962B (zh) | 可减少图像中的伪影的医学成像方法和系统 | |
| US12048576B2 (en) | Method and apparatus for generating a panoramic layer image | |
| KR102304968B1 (ko) | 삼차원 x-레이 이미지를 캡처하기 위한 방법 | |
| JP2024149738A (ja) | 学習済みモデルの作成方法および画像生成方法 | |
| JP5830752B2 (ja) | Ｘ線ｃｔ撮影装置及びその画像処理方法 | |
| JP2013138803A (ja) | Ｘ線ｃｔ撮影装置及びその画像処理方法 | |
| Rösch et al. | 3-D endodontology and CBCT artifact studies |
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 |