CN114901148A - 用于生成光子计数光谱图像数据的设备 - Google Patents
用于生成光子计数光谱图像数据的设备 Download PDFInfo
- Publication number
- CN114901148A CN114901148A CN202080087795.8A CN202080087795A CN114901148A CN 114901148 A CN114901148 A CN 114901148A CN 202080087795 A CN202080087795 A CN 202080087795A CN 114901148 A CN114901148 A CN 114901148A
- Authority
- CN
- China
- Prior art keywords
- photon counting
- photon
- image
- data
- 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.)
- Pending
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 166
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000013135 deep learning Methods 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 8
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims description 6
- 229910052740 iodine Inorganic materials 0.000 claims description 6
- 239000011630 iodine Substances 0.000 claims description 6
- 239000002872 contrast media Substances 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 description 58
- 230000006870 function Effects 0.000 description 21
- 230000009977 dual effect Effects 0.000 description 18
- 239000000126 substance Substances 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 230000005855 radiation Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000010339 dilation Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000020411 cell activation Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012360 testing method 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
- A61B6/02—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
- A61B6/52—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
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/034—Recognition of patterns in medical or anatomical images of medical instruments
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- General Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种用于生成光子计数光谱图像数据的设备(10),包括:输入单元(20);处理单元(30);以及输出单元(40)。输入单元被配置为接收非光子计数X射线光谱能量数据。处理单元被配置为实施深度学习回归算法以生成光子计数X射线光谱数据,并且该生成包括利用非光子计数X射线光谱能量数据。输出单元被配置为输出光子计数X射线光谱数据。
Description
技术领域
本发明涉及一种用于生成光子计数光谱图像数据的设备,以及一种成像系统。
背景技术
传统的计算机断层扫描(CT)扫描仪通常包括被安装在可旋转的门架上的x射线管,其与包括一排或多排检测器像素的检测器阵列相对。x射线管围绕位于x射线管和检测器阵列之间的检查区域旋转,并发射多色辐射,该多色辐射穿过检查区域和设置在检查区域中的物体或受试者。检测器阵列检测穿过检查区域的辐射,并生成指示检查区域和设置在检查区域中的物体或受试者的投影数据。重建器处理投影数据并生成指示检查区域和设置于检查区域中的物体或受试者的体积图像数据。体积图像数据可以被处理以生成一个或多个图像,该一个或多个图像包括物体或受试者的被扫描部分。所产生的图像包括像素,其通常以对应于相对放射密度的灰度值来表示。这些信息反映了被扫描的受试者和/或物体的衰减特性,且通常显示结构,如患者体内的解剖学结构、无生命物体的物理结构等等。被检测到的辐射还包括光谱信息,因为受试者和/或物体对辐射的吸收取决于x射线的能量。这种光谱信息可以提供额外的信息,如指示受试者和/或物体的组织和/或物质的元素或物质成分(例如,原子数)的信息。然而,利用这样的扫描仪,投影数据并不反映光谱特性,因为由检测器阵列输出的信号与在能量谱上积分的能量通量成比例。因此,所产生的数据实际上是单色的。
因此,这种传统CT方法的一项发展就是获取光谱数据。因此,被配置为光谱成像的计算机断层扫描仪(光谱扫描仪)利用这种光谱信息来提供指示元素或物质成分的进一步信息。一种方法包括使用两个X射线管,每个X射线管发射具有不同能量谱的X射线束。另一种方法包括快速kVp切换,其中管上的电压在两个不同的电压之间切换,使得在两种能量下进行测量。另一种方法包括多层间接转换检测器,其具有检测低能量的X射线的最上层,和检测高能量的X射线的最下层。这样的光谱数据在这里被称为非光子计数X射线光谱数据。
这种光谱扫描仪(其可以是在两种X射线能量下获取数据的双能量扫描仪)的输出可以是两个图像,一个是在高X射线能量下,一个是在低X射线能量下。
然而,用于重建计算机断层扫描图像的物质的质量衰减系数实际上整合了影响物质对x射线光子的衰减的几种物理现象。这些现象包括光电效应、康普顿散射、K-边缘效应。例如参见J.Hsieh的Computed Tomography:Principles,Design,Artifacts,and RecentAdvances,SPIE,2015。因此,非光子计数光谱数据也可以利用在两个光子能量下同时获取的两个衰减值进行处理,以解决光电效应和康普顿散射的基础分量。由于两个基础函数的任何两个线性独立的和跨越了整个衰减系数空间,任何物质都可以由两个基础物质的线性组合来表示。基础物质成分可被用于产生康普顿散射图像和光电图像。
因此,双能量CT系统利用在两个不同的光子能量下获取的两个衰减值来解决光电效应和康普顿散射,而忽略了物质的质量衰减系数的其他分量(如一个或多个K边缘)的贡献。例如参见R.E.Alvarez和A.MacOvski的“Energy-selective reconstructions in X-ray computerized tomography”,Phys.Med.Biol.,1976。双能量方法允许重建高x射线能量图像和低x射线能量图像,或康普顿散射图像和光电图像。然而,基础函数也可被用于确定虚拟单色图像、碘浓度图、虚拟非对比图像等,以及常规CT图像。这样允许重建虚拟单色图像、碘浓度图、虚拟非对比图像等,以及传统的CT图像。一些研究已经表明光谱CT在更好地表示人体解剖学结构和功能方面的潜力。例如参见T.R.C.Johnson的“Dual-Energy CT:General Principles”,Am.J.Roentgenol.,vol.199,no.5_增刊,pp.S3-S8,Nov.2012以及C.H.McCollough、S.Leng,L.Yu和J.G.Fletcher的“Dual-and Multi-Energy CT:Principles,Technical Approaches,and Clinical Applications”,Radiology,vol.276,no.3,pp.637-653,2015。
这个方案很适合例如碘的物质,其K边缘能量接近诊断能量范围的平均值。因此,在能量范围的低位和高位处的两个测量值的线性组合可以表示该物质。在更复杂的情况下,需要更准确的物质定量,或存在具有不同的k-边缘能量的多种物质,双能量方法可能导致次优的结果,因为它没有能力区分具有不同的k-边缘能量的物质。
光子计数CT系统已被开发出来,其使用直接转换检测器技术来获取在多个能量级别下的数据。这就有可能允许对不同的x射线相互作用(包括K-边缘能量分量)进行更详细的量化,而不是局限于仅由光电效应和康普顿散射组成的近似模型。例如参见E.Roessl和R.Proksa的“K-edge imaging in x-ray computed tomography using multi-bin photoncount detectors”,Phys.Med.Biol.,2007以及E.Roessl,B.Brendel、K.J.Engel、J.P.Schlomka、A.Thran和R.Proksa的“Sensitivity of photon-counting based K-EdgeImaging in X-ray computed tomography”,IEEE Trans.Med.Imaging,2011。
这种光子计数系统有以下优点:
相对于积分检测器而言有改进的SNR
剂量减少(减少的电子噪声)
改善的组织分化/物质标记
利用CT改善的定量成像
能够实现新的成像技术,如K-边缘成像
减少波束硬化伪影
此外,更先进的CT技术,如相位对比成像,可以在减小的剂量下具有改善的灵敏度。例如参见H.Hetterich等人的“Phase-Contrast CT:Qualitative and QuantitativeEvaluation of Atherosclerotic Carotid Artery Plaque”,Radiology,2014。
因此,在CT系统中纳入光子计数检测器的先进CT系统被认为是一种能更好地表征人体解剖学结构和功能的技术,其具有多种临床应用。光子计数CT系统利用直接转换检测器技术和复杂的重建算法,以利用在多个不同的光子能量下获取的多个衰减值,来解决各种成分对物质的整体质量衰减系数的贡献。进一步的细节可以在例如下列文献中找到:M.J.Willemink等人的Photon-counting CT:Technical Principles and ClinicalProspects,Radiology 2018,00,1-20和S.Leng等人的Photon-counting Detector CT:System Design and Clinical Applications of an emerging Technology,RadioGraphics,2019,39,729-743。从这种光子计数系统获取的数据在这里被称为光子计数x射线光谱数据,且可以指在将其处理成相关图像之前的原始数据,或涉及到产生图像数据的被处理的数据。
然而,这些系统的复杂性、特殊成像方案的需求及其非常高的价格,已经阻碍了临床用户对其的采用。
需要解决这些问题。
发明内容
具有用于提供光子计数的x射线光谱数据的改进手段将是有利的。本发明的目的利用独立权利要求的主题来解决,其中进一步的实施例被纳入从属权利要求中。应指出的是,以下描述的本发明的方面和示例也适于用于生成光子计数光谱数据的设备以及成像系统。
在第一方面中,提供了一种用于生成光子计数光谱图像数据的设备,包括:
输入单元;
处理单元;和
输出单元。
输入单元被配置为接收非光子计数X射线光谱能量数据。处理单元被配置为实施深度学习回归算法以生成光子计数X射线光谱数据。光子计数X射线光谱数据的生成包括利用非光子计数X射线光谱能量数据。输出单元被配置为输出光子计数X射线光谱数据。
在一示例中,非光子计数X射线光谱能量数据包括非光子计数图像数据,或者非光子计数图像数据是由非光子计数X射线光谱数据图像数据生成的。非光子计数图像数据可包括在第一X射线能量下的第一光谱图像和在第二X射线能量下的第二光谱图像。光子计数X射线光谱数据可包括至少一个光子计数光谱图像。
在一示例中,非光子计数X射线能量数据包括非光子计数图像数据,或者非光子计数图像数据是由非光子计数X射线光谱数据图像数据生成的。非光子计数图像数据可包括康普顿散射图像和光电图像。光子计数X射线光谱数据可包括至少一个光子计数光谱图像。
在一示例中,处理单元被配置为实现重建器,以处理非光子计数X射线光谱数据,从而生成非光子计数图像数据。
在一示例中,至少一个光子计数光谱图像包括来自包括以下各项的组的一个或多个光子计数光谱图像:在第一X射线能量下的光子计数图像、在第二X射线能量下的光子计数图像、光子计数康普顿图像、光子计数光电图像、光子计数虚拟单色图像、光子计数对比剂定量图像、光子计数非对比图像、光子计数对消图像、光子计数碘图像、光子计数k-边缘图像。
在一示例中,输入单元被配置为接收由重建器采用以生成非光子计数图像数据的重建参数。光子计数X射线光谱数据的生成可包括利用重建参数。
在一示例中,输入单元被配置为接收由图像获取单元采用以获取非光子计数X射线光谱能量数据的获取参数。光子计数X射线光谱数据的生成可包括利用获取参数。
在一示例中,输入单元被配置为接收患者的患者参数,非光子计数X射线光谱能量数据是由图像获取单元从患者获取的。光子计数X射线光谱数据的生成可包括利用患者参数。
在一示例中,输入单元被配置为接收参考非光子计数X射线光谱数据和参考光子计数X射线光谱数据。处理单元被配置为训练深度学习回归算法,该深度学习回归算法包括利用参考非光子计数X射线光谱数据和参考光子计数X射线光谱数据。
在一示例中,参考非光子计数X射线光谱数据包括参考非光子计数图像数据。输入单元被配置为接收被用于生成参考非光子计数图像数据的重建参数。深度学习回归算法的训练可包括利用重建参数。
在一示例中,参考光子计数X射线光谱数据可包括图像数据。
在一示例中,输入单元被配置为接收由一个或多个图像获取单元采用以获取参考非光子计数X射线光谱能量数据的获取参数。深度学习回归算法的训练可包括利用获取参数。
在一示例中,输入单元被配置为接收至少一个患者的患者参数,参考非光子计数X射线光谱能量数据是由一个或多个图像获取单元从患者获取的。深度学习回归算法的训练可包括利用患者参数。
在第二方面中,提供了一种成像系统,包括:
图像获取单元;和
根据第一方面所述的设备。
图像获取单元被配置为获取非光子计数X射线光谱数据并将非光子计数X射线光谱数据提供给该设备的输入单元。
在一示例中,该设备的处理单元被配置为实现重建器,以处理非光子计数X射线光谱数据,从而生成非光子计数图像数据。
有利的是,由上述任何方面所提供的益处同样适用于所有其他方面,反之亦然。
参考下文描述的实施例,上述方面和示例将变得明显并得以阐明。
附图说明
下面将参考以下附图对示例性实施例进行描述:
图1示出了用于生成光子计数光谱图像数据的设备的示例;
图2示出了用于生成光子计数光谱图像数据的成像系统的示例;
图3示出了用于生成光子计数光谱图像数据的成像系统的详细示例;
图4详细示出了用于生成光子计数光谱图像数据的示例性成像系统的功能元件。
图5示出了使用空洞卷积(Atrous convolutions)进行光子计数重建的示例性深度多尺度神经网络的详细表示;以及
图6示出了表示用于光子计数重建的示例性深度多尺度神经网络的训练的工作流程的详细表示。
具体实施方式
图1示出了用于生成光子计数光谱图像数据的设备10的示例。该设备包括输入单元20、处理单元30和输出单元40。输入单元被配置为接收非光子计数X射线光谱能量数据。处理单元被配置为实施深度学习回归算法以生成光子计数X射线光谱数据。光子计数X射线光谱数据的生成包括利用非光子计数X射线光谱能量数据。输出单元被配置为输出光子计数X射线光谱数据。
根据一示例,非光子计数X射线光谱能量数据包括非光子计数图像数据,或者非光子计数图像数据是由非光子计数X射线光谱数据图像数据生成的。非光子计数图像数据,无论是被包括在非光子计数X射线光谱能量数据内,还是由非光子计数X射线光谱能量数据生成的,都可包括在第一X射线能量下的第一光谱图像和在第二X射线能量下的第二光谱图像。光子计数X射线光谱数据可包括至少一个光子计数光谱图像。
根据一示例,非光子计数X射线能量数据包括非光子计数图像数据,或者非光子计数图像数据是由非光子计数X射线光谱数据图像数据生成的。非光子计数图像数据,无论是被包括在非光子计数X射线光谱能量数据内,还是由非光子计数X射线光谱能量数据生成的,都可包括康普顿散射图像和光电图像。光子计数X射线光谱数据可包括至少一个光子计数光谱图像。
根据一示例,处理单元被配置为实现重建器,以处理非光子计数X射线光谱数据,从而生成非光子计数图像数据。
根据一示例,至少一个光子计数光谱图像包括来自包括以下各项的组的一个或多个光子计数光谱图像:在第一X射线能量下的光子计数图像、在第二X射线能量下的光子计数图像、光子计数康普顿图像、光子计数光电图像、光子计数虚拟单色图像、光子计数对比剂定量图像、光子计数非对比图像、光子计数对消图像、光子计数碘图像、光子计数K-边缘图像。
根据一示例,输入单元被配置为接收由重建器采用以生成非光子计数图像数据的重建参数。光子计数X射线光谱数据的生成可包括利用重建参数。
根据一示例,输入单元被配置为接收由图像获取单元采用以获取非光子计数X射线光谱能量数据的获取参数。光子计数X射线光谱数据的生成可包括利用获取参数。
根据一示例,输入单元被配置为接收患者的患者参数,非光子计数X射线光谱能量数据是由图像获取单元从患者获取的。光子计数X射线光谱数据的生成可包括利用患者参数。
根据一示例,输入单元被配置为接收参考非光子计数X射线光谱数据和参考光子计数X射线光谱数据。处理单元被配置为训练深度学习回归算法,该深度学习回归算法包括利用参考非光子计数X射线光谱数据和参考光子计数X射线光谱数据。
参考非光子计数X射线光谱数据可以是处理单元用来生成光子计数X射线光谱数据的同类型的非光子计数X射线光谱数据。
参考光子计数X射线光谱数据可以是由处理单元生成的相同类型的光子计数X射线光谱数据。
在一示例中,参考非光子计数X射线光谱数据包括至少一个参考非光子计数光谱图像。
在一示例中,参考光子计数X射线光谱数据包括至少一个参考光子计数光谱图像。
在一示例中,至少一个参考光子计数光谱图像包括来自包括以下各项的组的一个或多个光子计数光谱图像:在第一X射线能量下的光子计数图像、在第二X射线能量下的光子计数图像、光子计数康普顿图像、光子计数光电图像、光子计数虚拟单色图像、光子计数对比剂定量图像、光子计数非对比图像、光子计数对消图像、光子计数碘图像、光子计数K-边缘图像。
根据一示例,参考非光子计数X射线光谱数据包括参考非光子计数图像数据。输入单元被配置为接收被用于生成参考非光子计数图像数据的重建参数。深度学习回归算法的训练可包括利用重建参数。
根据一示例,参考光子计数X射线光谱数据包括图像数据。
根据一示例,输入单元被配置为接收由一个或多个图像获取单元采用以获取参考非光子计数X射线光谱能量数据的获取参数。深度学习回归算法的训练可包括利用获取参数。
根据一示例,输入单元被配置为接收至少一个患者的患者参数,参考非光子计数X射线光谱能量数据是由一个或多个图像获取单元从患者获取的。深度学习回归算法的训练可包括利用患者参数。
图2示出了成像系统100的示例。该成像系统包括图像获取单元104以及如关于图1所述的用于生成光子计数光谱图像数据的设备10。图像获取单元被配置为获取非光子计数X射线光谱数据并将非光子计数X射线光谱数据提供给该设备的输入单元。
根据一示例,该设备的处理单元被配置为实现重建器,以处理非光子计数X射线光谱数据,从而生成非光子计数图像数据。
因此,提供了一种光子计数CT系统,其可以从并不涉及光子计数数据获取的双能量CT数据获取硬件和协议中提供光子计数结果。以这样的方式,不需要复杂且昂贵的基于硬件的光子计数CT系统来产生光子计数CT结果。该系统使用深度学习回归方法,根据双能量CT数据、获取协议和重建参数来提供光子计数CT结果。深度学习回归模型利用输入数据内的体素间局部统计量从双能量CT数据中预测光子计数结果。
现在参考图3至图6对用于生成光子计数光谱图像数据的设备和用于生成光子计数光谱图像数据的成像系统进行更具体的描述。
图3示出了用于生成光子计数光谱图像数据的成像系统100的详细示例。示出了图像获取系统104,例如光谱CT扫描仪,其不获取光子计数数据,但通过利用两个x射线管、在不同电压之间快速切换x射线管、或在一层中获取与低能量x射线光子有关的数据且在第二层中获取与高能量x射线光子有关的数据的检测器来获取如前所述的光谱数据。图像获取单元104包括大致固定的门架106和旋转门架108,旋转门架108由固定的门架106可旋转地支撑并绕z轴线围绕检查区域110旋转。辐射源112由旋转门架108可旋转地支持,并与旋转门架108一起旋转,且发射穿过检查区域110的辐射。
辐射敏感的检测器阵列114,示例可以是上面讨论的两层检测器,对着跨过检查区域110与辐射源112相对的角度弧。所示的辐射敏感的检测器阵列114包括一排或多排层间接转换检测器元件(如,闪烁体/光电传感器)。阵列114检测穿过检查区域110的辐射,并生成指示其的投影数据(线积分)。
因此,此时非光子计数光谱数据已经被图像获取单元104获取。
这种非光子计数光谱数据可以被直接提供给处理单元30。然而,非光子计数光谱数据可首先传递给重建器,该重建器生成例如高能x射线光子图像和低能x射线光子图像,或如上文讨论的基础图像,例如康普顿散射图像和光电图像,然后这些非光子计数光谱图像可以被提供给处理单元30。
然后,处理单元30通过输入单元20接收与图像获取单元104在获取非光子计数光谱数据时的获取参数有关的数据,以及患者参数。然后,处理单元30本身可以将非光子计数光谱数据本身重建为非光子计数光谱图像,并将形成重建的一部分的参数与获取参数和患者参数一起使用,以便根据非光子计数光谱图像确定光子计数光谱数据,如图像数据。或者,如果处理单元被提供了已经重建的非光子计数光谱图像,那么输入单元被提供了在重建中使用的重建参数,并且重建参数再次与获取参数和患者参数一起使用,以根据非光子计数光谱图像确定光子计数光谱数据,如图像。然后,所产生的光子计数光谱图像可以例如被呈现在输出单元40上,如显示监视器,和/或被提供给存储介质以保存为数字数据。
因此,清楚的是,处理单元30可以与图像获取单元分开操作,且实际上是离线设备,其取用已经获取的非光子计数光谱数据或图像,并根据该数据生成光子计数光谱数据或图像,或者处理单元30可以与非光子计数光谱图像获取单元内在地链接,该图像获取单元可以以具有成本效益的方式实时产生光子计数光谱数据或图像。
因此,提供了一种新的先进的CT系统,其不需要专门的硬件或超越了标准的双能量CT数据的新成像协议。该系统通过使用深度学习回归模型利用双能量CT数据的体素间统计量来预测高级CT结果,如光子计数结果。这将在下文针对图4至图6进行更详细的描述。
新系统的优点包括:
具有成本效益的系统,其不需要任何专用的光子计数获取硬件。
无缝整合,其允许临床医生使用他们常规的临床获取协议。
输出的图像与真正的光子计数图像相似,其在图像中表现出减少的噪声,这是由于实际上消除了检测器的电子噪声,因为光子计数结果可以折扣或拒绝这种检测器噪声。
该系统可以在两种配置中的一种中操作。在第一种配置中,被用于输入的双能量数据包括在不同能量级别(低能量和高能量)下获取的两幅图像,且输出是来自N个不同能量仓(energy bin)的光子计数图像。因此,可以生成光子计数图像,其可以以更高的能量级别分辨率呈现,例如,5,而不是在双能量输入数据中的2。
在第二种配置中,用于输入的双能量数据包括两个基础图像,如光电图像和康普顿散射图像,而输出的光子计数数据包括光子计数CT结果,其包括但不限于光子计数光电图像、光子计数康普顿散射图像和光子计数k-边缘能量图像。
图4详细示出了用于生成光子计数光谱图像数据的示例性成像系统的功能元件。该系统具有以下主要部件:
双能量CT数据。光谱数据应至少包括具有允许进行光谱分析的至少两个能量级别的图像/投影数据,连同获取和重建参数以及患者参数,获取和重建参数包括扫描类型、身体部位、mA、mAs、kVp、旋转时间、准直、间距、重建滤波器、重建算法、切片厚度、切片增量、矩阵大小和视场等等,患者参数例如是体重、年龄、性别、临床测试结果等等。
在处理单元内实现的光子计数重建模块。
A.双能量CT数据
用作系统的输入的数据应至少包括具有允许进行光谱分析的至少两个能量级别的CT数据。示例包括但不限于根据利用双层检测器系统获取的CT投影数据重建的关注的解剖学结构的CT图像,该双层检测器系统将x射线通量在检测器处分成两个能量级别。
B.光子计数CT重建
该模块的输入包括但不限于扫描协议、获取参数和双能量CT数据。输入可以任选地包括使用常规的双能量CT管路生成的双能量CT结果。该模块根据输入数据以及潜在的额外的获取参数和患者参数,使用深度神经回归网络来重建光子计数结果,该深度神经回归网络被训练以在训练操作区间根据输入数据来预测光子计数结果。
光子计数重建模块可包括额外的预处理步骤,如应用去噪算法,以减少输入数据中的噪声并改善整体性能。
针对图5至图6更详细地描述光子计数重建。
图5给出了用于虚拟光子计数CT的深度神经回归网络的架构。使用空洞卷积的深度多尺度神经网络用于光子计数重建模块。关于空洞卷积的更多信息,例如参见L.C.Chen、G.Papandreou、I.Kokkinos、K.Murphy和A.L.Yuille的“DeepLab:Semantic ImageSegmentation with Deep Convolutional Nets,Atrous Convolution,and FullyConnected CRFs”,IEEE Trans.Pattern Anal.Mach.Intell.,2018。另外的潜在的架构可包括U-net架构等。关于U-net架构的更多细节,例如参见O.Ronneberger、P.Fischer和T.Brox的“U-Net:Convolutional Networks for Biomedical Image Segmentation”,Miccai,2015。
神经网络的输入是双能量CT数据,至少包括低能量图像和高能量图像或两个基础图像。该网络应用了几个卷积层。每层由几个卷积核以及一些激活函数组成,如整流线性单元和最大池化层,其通过下采样来减少图像的大小。该神经网络的第一部分的输出(如在左侧所示)被作为额外的空洞卷积层的输入,这些空洞卷积层在输入上应用具有变化的感受野的卷积。这个部份的结果然后组合获取模型参数(顶部部分)网络,如获取参数、重建参数和患者参数。在这个阶段,这都作为一个线性组合被组合在一起,然后是整流线性单元激活函数。最后,两个部份通过一组卷积层被组合在一起,然后通过上采样层将图像尺寸增加到其原始尺寸。然后,输出是所生成的光子计数图像。
继续参考图5,而且是具体的细节。在该图中,示出了上面描述的深度回归网络的示例。该网络由流动层组成,其中级联被提供给网络1和2的输出的不同通道:
网络1(输入:双能源CT):
双能量CT数据被输入,如图5的左手侧所示。
下面层是卷积层,带有批量归一化变换(BN)和整流激活函数(ReLU)。关于ReLU的更多信息,例如参见:
https://en.wikipedia.org/wiki/Activation_function。
下面层包括最大池化,带有另一卷积层以及批量归一化变换和整流激活函数。
下面层也包括最大池化,带有另一卷积层以及批量归一化变换和整流激活函数。
然后在虚线框内显示出,提供以下平行层的输出的级联,其中以下各层的输入是最大池化中的运算器的输出:
1-空洞/扩张卷积
3-空洞/扩张卷积
5-空洞/扩张卷积
7-空洞/扩张卷积
关于空洞/扩张卷积的更多细节,例如参见F.Yu和V.Koulton的Multi-ScaleContext Aggregation By Dilated Convolutions,作为会议论文发表于ICLR 2016。
网络2(输入:参数,获取参数、重建参数、患者参数):
进行所有输入参数的级联。
下一层是全连接网络和整流激活函数(ReLU)。
下一层仍然是全连接网络和整流激活函数。
网络1和2的组合
网络1和2的输出以平行的通道被组合,并被提供给卷积层,然后是BN和整流激活函数。
下一层是卷积层,带有批量归一化变换和整流激活函数。
下一层包括上采样,其使用例如NN/Bilinear/Cubic插值对图像进行系数为2的上放大。
下一层是卷积层,带有批量归一化变换和整流激活函数。
下一层包括上采样。
下一层是卷积层,带有批量归一化变换和整流激活函数。
最后,利用1x1的内核进行卷积,且具有一个输出通道,其输出是光子计数光谱图像数据/图像。
本发明人还评估了如何减少所产生的光子计数光谱图像中的噪声,并确定这一操作可以使用深度回归网络自行进行--例如参见H.Chem等人的Low-dose CT viaconvolutional neural network,Biomedical Optics Express,vol.8,No.2,679-694(2017)。
图6示出了用于在图5的光子计数重建模块中使用的网络的训练程序。图6示出了光子计数重建模块、深度神经回归网络的训练程序。该训练程序旨在确定图5中描述的网络的参数(即卷积核等)。该程序利用一些随机值来初始化网络参数,然后根据预定义的损失函数,使用梯度衰减或类似的算法对其进行修改,在这种情况下,预定义的损失函数可以是预测的光子计数图像和参考光子计数图像之间的均方根误差。其他损失函数也可以被利用。
从形式上看,训练程序的目标是找到一个函数:f(CTDE)→CTPC,其将输入的双能量CT数据(CTDE)映射到光子计数CT数据CTPC。
训练是通过最小化某一损失函数来完成的:
其中D表示损失函数。D的潜在示例是如上面讨论的均方根误差:
D(f(CTDE),CTPC)=‖f(CTDE),CTPC‖2
因此,图6示出了监督式深度网络的训练过程。训练可以使用常见的优化算法中的一种来完成,例如D.P.Kingma和J.L.Ba,ADAM的A METHOD FOR STOCHASTIC OPTIMIZATION,作为会议论文发表于ICLR 2015。
此外,还可以进行混合对抗训练程序,其中训练的目标是既要使具有参考的基于硬件的光子计数结果的样本达到较低的RMSE,又要增加由网络产生的被归类为基于硬件的光子计数结果的图像的数量。对于没有参考的基于硬件的光子计数结果的样本,这可以通过对抗性训练器来进行。一个适当的对抗性训练器的示例可以在这里找到:I.J.Goodfellow等人的“Generative Adversarial Networks”,2014年6月。
应指出的是,参考不同主题描述了本发明的实施例。然而,本领域技术人员将从上文和下文描述中得出,除非另有指示,否则除了属于一种类型的主题的特征的任何组合之外,与不同主题相关的特征之间的任何组合也被认为由本申请公开。然而,所有特征都可以组合,从而提供多于特征的简单加和的协同效果。
尽管已经在附图和前面的描述中例示说明和描述了本发明,但这样的例示说明和描述被认为是例示说明性的或示例性的而非限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求,本领域技术人员在实践所要求保护的本发明时,能够理解并实现所公开的实施例的其他变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现在权利要求中记载的若干项的功能。仅在互不相同的从属权利要求中记载某些措施并不表示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应解释为限制范围。
Claims (15)
1.一种用于生成光子计数光谱图像数据的设备(10),包括:
输入单元(20);
处理单元(30);和
输出单元(40);
其中,所述输入单元被配置为接收非光子计数X射线光谱能量数据;
其中,所述处理单元被配置为实施深度学习回归算法以生成光子计数X射线光谱数据,且所述生成包括利用所述非光子计数X射线光谱能量数据;以及
其中,所述输出单元被配置为输出所述光子计数X射线光谱数据。
2.根据权利要求1所述的设备,其中,所述非光子计数X射线光谱能量数据包括非光子计数图像数据,或者非光子计数图像数据是由所述非光子计数X射线光谱数据图像数据生成的,并且所述非光子计数图像数据包括在第一X射线能量下的第一光谱图像和在第二X射线能量下的第二光谱图像,且所述光子计数X射线光谱数据包括至少一个光子计数光谱图像。
3.根据权利要求1至2中的任一项所述的设备,其中,所述非光子计数X射线能量数据包括非光子计数图像数据,或者非光子计数图像数据是由所述非光子计数X射线光谱数据图像数据生成的,并且所述非光子计数图像数据包括康普顿散射图像和光电图像,且所述光子计数X射线光谱数据包括至少一个光子计数光谱图像。
4.根据权利要求2至3中的任一项所述的设备,其中,所述处理单元被配置为实现重建器,以处理所述非光子计数X射线光谱数据,从而生成所述非光子计数图像数据。
5.根据权利要求2至4中的任一项所述的设备,其中,所述至少一个光子计数光谱图像包括来自包括以下各项的组的一个或多个光子计数光谱图像:在所述第一X射线能量下的光子计数图像、在所述第二X射线能量下的光子计数图像、光子计数康普顿图像、光子计数光电图像、光子计数虚拟单色图像、光子计数对比剂定量图像、光子计数非对比图像、光子计数对消图像、光子计数碘图像、光子计数K-边缘图像。
6.根据权利要求2至5中的任一项所述的设备,其中,所述输入单元被配置为接收由重建器采用以生成所述非光子计数图像数据的重建参数,且所述光子计数X射线光谱数据的生成包括利用所述重建参数。
7.根据权利要求1至6中的任一项所述的设备,其中,所述输入单元被配置为接收由图像获取单元采用以获取所述非光子计数X射线光谱能量数据的获取参数,并且所述光子计数X射线光谱数据的生成包括利用所述获取参数。
8.根据权利要求1至6中的任一项所述的设备,其中,所述输入单元被配置为接收患者的患者参数,所述非光子计数X射线光谱能量数据是由图像获取单元从所述患者获取的,并且所述光子计数X射线光谱数据的生成包括利用所述患者参数。
9.根据权利要求1至8中的任一项所述的设备,其中,所述输入单元被配置为接收参考非光子计数X射线光谱数据和参考光子计数X射线光谱数据,并且所述处理单元被配置为训练所述深度学习回归算法,所述深度学习回归算法包括利用所述参考非光子计数X射线光谱数据和所述参考光子计数X射线光谱数据。
10.根据权利要求9所述的设备,其中,所述参考非光子计数X射线光谱数据包括参考非光子计数图像数据,并且所述输入单元被配置为接收被用于生成所述参考非光子计数图像数据的所述重建参数,并且所述深度学习回归算法的训练包括利用所述重建参数。
11.根据权利要求9至10中的任一项所述的设备,其中,所述参考光子计数X射线光谱数据包括图像数据。
12.根据权利要求9至11中的任一项所述的设备,其中,所述输入单元被配置为接收由一个或多个图像获取单元采用以获取所述参考非光子计数X射线光谱能量数据的获取参数,并且所述深度学习回归算法的训练包括利用所述获取参数。
13.根据权利要求9至12中的任一项所述的设备,其中,所述输入单元被配置为接收至少一个患者的患者参数,所述参考非光子计数X射线光谱能量数据是由一个或多个图像获取单元从所述患者获取的,并且所述深度学习回归算法的训练包括利用所述患者参数。
14.一种成像系统(100),包括:
图像获取单元(104);和
根据权利要求1至13中的任一项所述的设备(10);
其中,所述图像获取单元被配置为获取非光子计数X射线光谱数据,并将所述非光子计数X射线光谱数据提供给所述设备的输入单元。
15.根据权利要求14所述的成像系统,其中,所述设备的处理单元被配置为实现重建器,以处理所述非光子计数X射线光谱数据,从而生成非光子计数图像数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19216582.7A EP3838154A1 (en) | 2019-12-16 | 2019-12-16 | Apparatus for generating photon counting spectral image data |
EP19216582.7 | 2019-12-16 | ||
PCT/EP2020/086570 WO2021122843A1 (en) | 2019-12-16 | 2020-12-16 | Apparatus for generating photon counting spectral image data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114901148A true CN114901148A (zh) | 2022-08-12 |
Family
ID=68917641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080087795.8A Pending CN114901148A (zh) | 2019-12-16 | 2020-12-16 | 用于生成光子计数光谱图像数据的设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220409159A1 (zh) |
EP (2) | EP3838154A1 (zh) |
CN (1) | CN114901148A (zh) |
WO (1) | WO2021122843A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4160273A1 (en) * | 2021-09-30 | 2023-04-05 | Siemens Healthcare GmbH | X-ray radiation detection |
WO2023117654A1 (en) * | 2021-12-20 | 2023-06-29 | Koninklijke Philips N.V. | Denoising projection 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062489B2 (en) * | 2018-02-13 | 2021-07-13 | Wisconsin Alumni Research Foundation | System and method for multi-architecture computed tomography pipeline |
-
2019
- 2019-12-16 EP EP19216582.7A patent/EP3838154A1/en not_active Withdrawn
-
2020
- 2020-12-16 EP EP20833796.4A patent/EP4076198A1/en active Pending
- 2020-12-16 CN CN202080087795.8A patent/CN114901148A/zh active Pending
- 2020-12-16 WO PCT/EP2020/086570 patent/WO2021122843A1/en unknown
- 2020-12-16 US US17/781,142 patent/US20220409159A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3838154A1 (en) | 2021-06-23 |
WO2021122843A1 (en) | 2021-06-24 |
US20220409159A1 (en) | 2022-12-29 |
EP4076198A1 (en) | 2022-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pourmorteza et al. | Dose efficiency of quarter-millimeter photon-counting computed tomography: first-in-human results | |
US10945695B2 (en) | Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning | |
JP5498787B2 (ja) | エネルギー感受性コンピュータ断層撮影における動き補償 | |
JP5237812B2 (ja) | 複数エネルギー窓をもつ計算機断層撮影におけるデータ処理および解析 | |
EP2732431B1 (en) | Image processing for spectral ct | |
Zhao et al. | Tight‐frame based iterative image reconstruction for spectral breast CT | |
JP6513431B2 (ja) | X線ct装置及びその制御方法 | |
Weidinger et al. | Polychromatic iterative statistical material image reconstruction for photon‐counting computed tomography | |
US20220409159A1 (en) | Apparatus for generating photon counting spectral image data | |
JP2021013725A (ja) | 医用装置 | |
US9437016B2 (en) | Image domain pansharpening method and system for spectral CT with large pixel energy discriminating detectors | |
Shikhaliev | Soft tissue imaging with photon counting spectroscopic CT | |
CN105793894B (zh) | 根据图像数据来进行骨骼分割 | |
Zhao et al. | A unified material decomposition framework for quantitative dual‐and triple‐energy CT imaging | |
CN111818851B (zh) | 被配置为生成谱体积图像数据的非谱计算机断层摄影(ct)扫描器 | |
Shen et al. | Multienergy CT acquisition and reconstruction with a stepped tube potential scan | |
CN109416833B (zh) | 根据谱ct数据确定钙含量 | |
CN111615363B (zh) | 利用非谱成像系统的谱成像 | |
Stein et al. | Photon-counting computed tomography–basic principles, potenzial benefits, and initial clinical experience | |
Ding et al. | A high-resolution photon-counting breast CT system with tensor-framelet based iterative image reconstruction for radiation dose reduction | |
Rit et al. | Image formation in spectral computed tomography | |
Szczykutowicz et al. | The dependence of image quality on the number of high and low kVp projections in dual energy CT using the prior image constrained compressed sensing (PICCS) algorithm | |
Zhou et al. | Investigation of contrast-enhanced subtracted breast CT images with MAP-EM based on projection-based weighting imaging | |
JP7493113B1 (ja) | スペクトルコンピュータ断層撮影撮像のための警告信号の制御 | |
Rajendran et al. | Photon-counting detector-based computed tomography |
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 |