CN116249489A - 涉及x射线成像的方法和系统 - Google Patents

涉及x射线成像的方法和系统 Download PDF

Info

Publication number
CN116249489A
CN116249489A CN202180057643.8A CN202180057643A CN116249489A CN 116249489 A CN116249489 A CN 116249489A CN 202180057643 A CN202180057643 A CN 202180057643A CN 116249489 A CN116249489 A CN 116249489A
Authority
CN
China
Prior art keywords
representation
image
data
base
base image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180057643.8A
Other languages
English (en)
Inventor
A·埃吉扎瓦尔
F·格伦伯格
M·佩尔松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Prismatic Sensors AB
Original Assignee
Prismatic Sensors AB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Prismatic Sensors AB filed Critical Prismatic Sensors AB
Publication of CN116249489A publication Critical patent/CN116249489A/zh
Pending legal-status Critical Current

Links

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
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/419—Imaging computed tomograph
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/423—Imaging multispectral imaging-multiple energy imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/408—Dual energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提供了一种用于基于能量分辨X射线数据的图像重建的方法和对应系统。该方法包括：收集(S1)能量分辨X射线数据的至少一个表示；以及基于能量分辨X射线数据的所述至少一个表示来执行(S2)至少两个基材料分解，以生成至少两个原始基图像表示集。该方法还包括：从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择(S3)至少两个基图像表示；以及通过基于机器学习的数据处理来处理(S4)所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。

Description

涉及X射线成像的方法和系统
提出本专利申请的项目已经从欧盟地平线2020研究和创新项目根据第830294号拨款协议得到资助。
提出本专利申请的项目也已经从欧盟地平线2020研究和创新项目根据MarieSklodowska-Curie第795747号拨款协议得到资助。
提出本专利申请的项目也已经得到瑞典战略研究基金会的财政支持。
技术领域
所提出的技术涉及X射线技术和X射线成像以及对应的成像重建和成像任务。特别地，所提出的技术涉及一种用于图像重建的方法和系统、一种对应X射线成像系统和一种对应计算机程序和计算机程序产品。
背景技术
放射照相成像(诸如X射线成像)多年来一直在医疗应用中用于无损检测。
通常，X射线成像系统包括X射线源和X射线检测器阵列，其中X射线检测器阵列由包括一个或许多个检测器元件(测量X射线强度/能量密度的独立装置)的多个检测器组成。X射线源发射X射线，这些X射线穿过待成像的对象或物体，然后被检测器阵列记录。由于一些材料比其他材料吸收更大一部分X射线，因此形成对象或物体的图像。
X射线成像检测器面临的挑战是从检测到的X射线中提取最大信息以提供对物体或对象的图像的输入，其中该物体或对象根据密度、组成和结构来描绘。
在典型的医用X射线成像系统中，X射线由X射线管产生。典型的医用X射线管的能谱很宽，范围从0直到160keV。因此，检测器通常检测具有变化能量的X射线。
参考图1简要概述说明性的整体X射线成像系统可能是有用的。在该说明性而非限制性的示例中，X射线成像系统100总的来说包括X射线源10、X射线检测器系统20和相关联的图像处理系统或设备30。一般来讲，X射线检测器系统20被配置为记录来自X射线源10的辐射，该辐射任选地已被任选的X射线光学器件聚焦并且已穿过物体、对象或其部分。X射线检测器系统20可经由合适的模拟和读出电子器件连接到图像处理系统30，该模拟和读出电子器件至少部分地集成在X射线检测器系统20中，以使图像处理系统30能够进行图像处理和/或图像重建。
例如，X射线计算机断层扫描(CT)系统包括X射线源和X射线检测器，其被布置成使得可以覆盖至少180度的不同视角采集对象或物体的投影图像。这最常见地通过将源和检测器安装在能够围绕对象或物体旋转的支撑件上来实现。包含针对不同视角在不同检测器元件中记录的投影的图像称为正弦图。在下文中，针对不同视角在不同检测器元件中记录的投影的集合将称为正弦图，即使检测器是二维的也是如此，从而使正弦图成为三维图像。
X射线成像的进一步发展是能量分辨X射线成像，也称为光谱X射线成像，其中针对若干不同能级测量X射线透射。这可通过使源在两个不同发射光谱之间快速地切换、通过使用发射不同X射线光谱的两个或更多个X射线源或通过使用测量两个或更多个能级下的入射辐射的能量区分检测器来实现。这种检测器的示例是多仓光子计数检测器，其中每个记录的光子生成一个电流脉冲，将该电流脉冲与一组阈值进行比较，从而对入射到多个能量仓中的每个能量仓中的光子的数量进行计数。
光谱X射线投影测量产生每个能级的投影图像。可进行这些投影图像的加权和以优化用于指定成像任务的对比度-噪声比(CNR)，如在Tapiovaara和Wagner,“SNR and DQEanalysis of broad spectrum X-ray imaging”，Phys.Med.Biol.30,519中所述。
通过能量分辨X射线成像实现的另一种技术是基材料分解。这种技术利用这样一个事实：所有的由低原子序数元素构成的物质(诸如人体组织)都具有线性衰减系数μ(E)，其能量依赖性可很好地近似表示为两个(或更多个)基函数的线性组合：
μ(E)＝a1f1(E)+a2f2(E).
其中fi是基函数，而ai是对应的基系数。如果成像体积中存在一个或多个具有高原子序数的元素，高到足以在用于成像的能量范围内出现k吸收边缘，则必须为每个这样的元素添加一个基函数。在医学成像领域中，此类k边缘元素通常可以是碘或钆，它们是用作造影剂的物质。
基材料分解已经在Alvarez和Macovski，“Energy-selective reconstructionsin X-ray computerised tomography”，Phys.Med.Biol.21,733中进行描述。在基材料分解中，基系数中的每个基系数的积分Ai＝∫laidl(i＝1,…,N其中N是基函数的数量)根据从源到检测器元件的每条投影射线l中的测量数据推断。在一个实施方式中，这是通过首先将每个能量仓中的预期记录的计数数量表示为Ai的函数实现的。
Figure BDA0004113479670000031
这里，λi是能量仓i中的预期计数数目，E是能量，Si是响应函数，该响应函数取决于入射到成像物体上的光谱形状、检测器的量子效率和能量仓i对能量为E的X射线的灵敏度。尽管术语“能量仓”最常用于光子计数检测器，但是该公式也可以描述其他能量分辨X射线系统，诸如多层检测器或kVp切换源。
然后，在假设每个仓中的计数数量是泊松分布的随机变量的情况下，可使用最大似然来估计Ai。这是通过最小化负对数似然函数来实现的，参见Roessl和Proksa，K-edgeimaging in x-ray computed tomography using multi-bin photon countingdetectors,Phys.Med.Biol.52(2007),4679-4696：
Figure BDA0004113479670000032
其中mi是能量仓i中测量的计数数目，而Mb是能量仓的数目。
当将由此产生的对于每条投影线的估计基系数线积分
Figure BDA0004113479670000041
排列成图像矩阵时，结果得到每个基i的材料特定投影图像，也称为基础图像。该基础图像可以直接查看(例如在投影X射线成像中)，也可以作为用于形成物体内部的基系数ai映射的重建算法的输入(例如在CT中)。无论如何，基础分解的结果可以被视为一个或多个基础图像表示，诸如基系数线积分或基系数本身。
然而，这种技术的所熟知的限制是估计的线积分的方差通常随着基分解中使用的基的数量而增大。除其他外，这造成了在改进的组织量化与增加的图像噪声之间的不幸的折衷。
另外，具有多于两个基函数的准确基分解在实践中可能难以执行，并且可能造成伪像、偏差或过量噪声。这种基分解还可能需要大量校准测量和数据预处理来产生准确结果。
还存在对关于X射线图像重建的改进的一般需求。
发明内容
通常，期望提供关于用于X射线成像应用的图像重建的改进。
一个特定目的是提供关于用于X射线成像的基分解的改进。
一个具体目的是提供一种图像重建的改进的方法。
还有一个目的是提供一种用于图像重建的改进的系统。
另一个目的是提供一种改进的总体X射线成像系统。
另外的目的是提供一种对应计算机程序和计算机程序产品。
这些目的和其他目的可以通过所提出技术的一个或多个实施方案来实现。
根据第一方面，提供了一种基于能量分辨X射线数据的图像重建的方法，包括：
-收集能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
根据第二方面，提供了一种用于基于能量分辨X射线数据的图像重建的系统。该系统被配置为获得能量分辨X射线数据的至少一个表示。该系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集。该系统被进一步配置为从所述基图像表示集中的至少两个基图像表示集获得或选择至少两个基图像表示。该系统被进一步配置为通过基于机器学习系统的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
根据第三方面，提供了一种用于基于能量分辨X射线数据的图像重建的系统。该系统包括：
-输入，该输入用于接收能量分辨X射线数据的至少一个表示；
-基材料分解系统，该基材料分解系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集；
-受训练的机器学习系统，该受训练的机器学习系统具有某一配置，该配置是基于输入-输出配对的训练数据确定的，并且适于从所述基图像表示集中的至少两个基图像表示集接收至少两个基图像表示并通过基于机器学习的数据处理来处理所接收的基图像表示，以生成输出图像数据的至少一个表示；并且
-输出，该输出用于输出输出图像数据的所述至少一个表示。
根据第四方面，提供了一种X射线成像系统，该X射线成像系统包括根据第二方面或第三方面的用于图像重建的系统。
根据第五方面，提供了一种计算机程序产品，该计算机程序产品包括非暂态计算机可读介质，该非暂态计算机可读介质上存储有包括指令的计算机程序，该指令当由处理器执行时使该处理器：
-获得能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集提取至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理所提取的基图像表示，以生成输出图像数据的至少一个表示。
所提出的技术通过使用来自两个或更多个基材料分解的所得的基图像表示作为基于机器学习的数据处理的输入来提供显著改进的图像重建。由所提出的技术提供的技术方案可例如减少输出图像和对应图像表示中的偏差、伪像和/或噪声。
发明人已经认识到，当执行X射线图像重建时，可显著改进和促成机器学习过程和/或系统的效率、操作和/或结果。代替遵循在原始图像数据上使用机器学习的主要趋势，发明人已经认识到，当利用来自两个或更多个基材料分解的所得的基图像表示作为机器学习过程和/或系统的输入时，可实现改进的图像结果。例如，改进可涉及减少的偏差、伪像和/或噪声或更高的分辨率。另一个优点在于，所提出的技术减少了获得具有高可靠性和质量的图像重建所需的训练数据量。
附图说明
通过结合附图参考以下描述，可以最好地理解所述实施方案连同其进一步的目的和优点，其中：
图1是展示整体X射线成像系统的一个示例的示意图。
图2是展示X射线成像系统的另一个示例的示意图。
图3是作为X射线成像系统的一个说明性示例的CT系统的示意性框图。
图4是展示X射线成像系统的相关部分的另一个示例的示意图。
图5是根据现有技术的光子计数电路和/或设备的示意图。
图6是示出根据一个实施方案的基于能量分辨X射线测量数据的图像重建的方法的示例的示意性流程图。
图7是示出根据一个实施方案的基于机器学习的图像重建的互补表示的示例的示意图。
图8是示出根据一个实施方案的X射线图像重建系统的示例的示意性框图。
图9是示出根据一个实施方案的用于所提出的深度学习去偏的方案和/或架构的示例的示意图。
图10是示出ResBlock的示例的示意图。
图11是示出在来自两材料分解的偏差结果之后包括一系列残差块(ResBlock)的去偏深度学习方案和/或架构的示例的示意图。
图12是示出模拟数据集的样本的示例的示意图，其中Shepp-logan体模的不同部分模仿不同材料。
图13(a)至图13(f)是示出用于Shepp-logan模拟体模的所提出的基于深度学习的去偏的定性结果的示例的示意图。
图14是示出所提出的发明的示例性实施方案的示意图，其中机器学习系统将材料分解正弦图映射到重建图像。
图15是示出所提出的发明的示例性实施方案的示意图，其中一步图像重建系统提供用作机器学习系统的输入的材料分解图像。
图16是示出所提出的发明的示例性实施方案的示意图，其中包括基材料分解系统、接着是图像重建系统的两步图像重建方法提供用作机器学习系统的输入的材料分解图像。
图17是示出根据实施方案的计算机实施方式的示例的示意图。
具体实施方式
为了更好地理解，继续介绍性地描述整体X射线成像系统的非限制性示例可能是有用的。
图2是展示X射线成像系统100的一个示例的示意图，该X射线成像系统包括：X射线源10，其发射X射线；X射线检测器系统20，其具有X射线检测器，该X射线检测器在X射线已穿过物体之后检测这些X射线；模拟处理电路系统25，其处理来自X射线检测器的原始电信号并将其数字化；数字处理电路系统40，其可以对测量数据进行进一步的处理操作，诸如应用校正、临时存储，或过滤；以及计算机50，其存储经处理的数据并且可以执行进一步的后处理和/或图像重建。根据本发明，模拟处理电路系统25的全部或部分可以在X射线检测器系统20中实现。
整体X射线检测器可以被视为X射线检测器系统20，或者与相关联的模拟处理电路系统25组合的X射线检测器系统20。
包括数字处理电路系统40和/或计算机50的数字部分可以被视为图像处理系统30，该图像处理系统基于来自X射线检测器的图像数据来执行图像重建。因此，图像处理系统30可以被看作计算机50，或者替代性地数字处理电路系统40和计算机50的组合系统，或者，如果数字处理电路系统40进一步还被专门用于图像处理和/或重建，则可能被看作该数字处理电路系统本身。
通常使用的X射线成像系统的一个示例是X射线计算机断层扫描(CT)系统，其可以包括产生X射线的扇形或锥形束的X射线管和测量透过患者或物体的X射线的分数的相对的X射线检测器阵列。X射线管和检测器阵列安装在围绕成像物体旋转的机架中。
图3是作为X射线成像系统的一个说明性示例的CT系统的示意性框图。CT系统包括计算机50，该计算机经由操作员控制台60从操作员接收命令和扫描参数，该操作员控制台可以具有显示器和某种形式的操作员界面，例如键盘和鼠标。操作员提供的命令和参数然后被计算机50用来向X射线控制器41、机架控制器42和检查台控制器43提供控制信号。具体而言，X射线控制器41向X射线源10提供功率和定时信号，以控制X射线发射到位于检查台12上的物体或患者上。机架控制器42控制包括X射线源10和X射线检测器20的机架11的旋转速度和位置。举例来说，X射线检测器可以是光子计数X射线检测器。检查台控制器43控制并确定患者检查台12的位置和患者的扫描覆盖率。还存在检测器控制器44，其被配置用于控制和/或接收来自检测器20的数据。
在一个实施方案中，计算机50还对从X射线检测器输出的图像数据执行后处理和图像重建。因此，计算机对应于如图1和图2所示的图像处理系统30。相关联的显示器允许操作员观察来自计算机的重建图像和其他数据。
布置在机架11中的X射线源10发射X射线。X射线检测器20(例如，为光子计数检测器的形式)在X射线已穿过患者之后检测这些X射线。X射线检测器20可以例如由多个像素(也称为传感器或检测器元件)以及布置在检测器模块中的相关联的处理电路系统(诸如ASIC)形成。该模拟处理部分的一部分可以在像素中实现，而任何剩余的处理部分例如在ASIC中实现。在一个实施方案中，该处理电路系统(ASIC)将来自这些像素的模拟信号数字化。该处理电路系统(ASIC)还可以包括数字处理部分，该部分可以对测量数据进行进一步的处理操作，诸如应用校正、临时存储和/或过滤。在扫描以获取X射线投影数据期间，机架和安装在其上的部件围绕等中心旋转。
现代X射线检测器通常需要将入射X射线转换成电子，这往往通过光电效应或康普顿相互作用而发生，并且所得到的电子通常产生二次可见光，直到其能量损失并且这种光进而被光敏材料检测到为止。还存在基于半导体的检测器，并且在这种情况下，由X射线产生的电子根据通过施加的电场收集的电子-空穴对产生电荷。
存在以能量积分模式工作的检测器，就该模式的意义而言，这类检测器提供来自大量X射线的积分信号。输出信号与由所检测到的X射线沉积的总能量成比例。
具有光子计数和能量分辨能力的X射线检测器越来越普遍地用于医疗X射线应用。光子计数检测器具有优势，因为原则上可测量每个X射线的能量，这产生有关物体组成的附加信息。该信息可以用于提高图像质量并且/或者降低辐射剂量。
一般来讲，光子计数X射线检测器通过将由检测器材料中的光子相互作用生成的电脉冲的高度与一组比较器电压进行比较来确定光子的能量。这些比较器电压也被称为能量阈值。一般来讲，比较器中的模拟电压由数模转换器DAC设置。DAC将控制器发送的数字设置转换成模拟电压，光子脉冲的高度可以相对于该模拟电压进行比较。
光子计数检测器对在测量时间期间在检测器中已经相互作用的光子的数量进行计数。新光子一般通过这样一个事实来识别：电脉冲的高度超过至少一个比较器的比较器电压。当识别出光子时，通过递增与通道相关联的数字计数器来存储该事件。
当使用若干个不同的阈值时，获得所谓的能量分辨光子计数检测器，其中，检测到的光子可以被分类到对应于各种阈值的能量仓中。有时，这种类型的光子计数检测器也被称为多仓检测器。一般来讲，能量信息允许创建新种类的图像，其中新信息是可用的，并且可以去除常规技术固有的图像伪影。换句话讲，对于能量分辨光子计数检测器，将脉冲高度与比较器中的多个可编程阈值(T1-TN)进行比较，并且根据脉冲高度进行分类，其中脉冲高度又与能量成比例。换句话讲，包括多于一个比较器的光子计数检测器在这里被称为多仓光子计数检测器。就多仓光子计数检测器而言，光子计数被存储在一组计数器中，通常每个计数器对应于一个能量阈值。例如，计数器可以被分配为对应于光子脉冲已经超过的最高能量阈值。在另一个示例中，计数器跟踪光子脉冲越过每个能量阈值的次数。
作为一个示例，“侧面朝向”是光子计数检测器的特殊的非限制性设计，其中X射线传感器(诸如X射线检测器元件或像素)被定向为侧面朝向进入的X射线。
例如，此类光子计数检测器可以在至少两个方向上具有像素，其中侧面朝向光子计数检测器的这两个方向之一在X射线的方向上具有分量。这种侧面朝向光子计数检测器有时被称为深度分段光子计数检测器，其在进入的X射线的方向上具有两个或更多个像素深度分段。
替代性地，像素可以在基本上垂直于入射的X射线的方向上被布置为阵列(非深度分段的)，并且每个像素可以被定向为侧面朝向入射的X射线。换句话讲，该光子计数检测器可以是非深度分段的，同时仍然被布置为侧面朝向进入的X射线。
通过将侧面朝向光子计数检测器布置成侧面朝向，可提高吸收效率，在这种情况下，吸收深度可被选择为任何长度，并且该侧面朝向光子计数检测器仍然可被完全耗尽而不会达到非常高的电压。
通过直接半导体检测器检测X射线光子的常规机制基本上如下工作。检测器材料中的X射线相互作用的能量被转换成半导体检测器内部的电子-空穴对，其中电子-空穴对的数量通常与光子能量成比例。电子和空穴朝向检测器电极和背面漂移(或者反过来)。在该漂移期间，电子和空穴在电极中感应出电流，该电流可以被测量。
如图4所示出，信号从X射线检测器的检测器元件21路由27到并行处理电路(例如ASIC)25的输入端。应当理解，术语“专用集成电路(ASIC)”应广义地解释为针对特定应用而使用和配置的任何通用电路。ASIC处理从每个X射线生成的电荷并且将其转换成数字数据，该数字数据可以用于获得测量数据，诸如光子计数和/或估计的能量。ASIC被配置用于连接到数字数据处理电路系统，使得数字数据可被发送到另外的数字数据处理40和/或一个或多个存储器45，并且最终该数据将是供图像处理30、50生成重建图像的输入。
由于来自一个X射线事件的电子和空穴的数量与X射线光子的能量成比例，因此一个感应电流脉冲中的总电荷与该能量成比例。在ASIC中的过滤步骤之后，脉冲振幅与电流脉冲中的总电荷成比例，因此与X射线能量成比例。然后可以通过在一个或多个比较器(COMP)中将脉冲振幅的值与一个或若干个阈值(THR)进行比较来测量脉冲振幅，并且引入计数器，通过计数器可以记录脉冲大于阈值的情况的数量。以这种方式，可以对能量超过对应于已在某个时间帧内检测到的相应阈值(THR)的能量的X射线光子的数量进行计数和/或记录。
ASIC通常每个时钟周期对模拟光子脉冲采样一次，并且记录比较器的输出。取决于模拟信号是高于还是低于比较器电压，比较器(阈值)输出一或零。每个样本处的可用信息例如是每个比较器的一或零，其表示比较器是已被触发(光子脉冲高于阈值)还是未被触发。
在光子计数检测器中，通常存在光子计数逻辑部件，其确定是否已经记录了新光子，并且将光子记录在计数器中。就多仓光子计数检测器而言，通常存在若干个计数器，例如每个比较器一个计数器，并且光子计数根据光子能量的估计值被记录在这些计数器中。该逻辑部件能够以若干种不同的方式实施。光子计数逻辑部件的最常见类别中的两种类别是所谓的不可瘫痪计数模式和可瘫痪计数模式。其他光子计数逻辑部件包括例如局部最大值检测，其对电压脉冲中检测到的局部最大值进行计数，并且还可能记录其脉冲高度。
光子计数检测器有许多有益效果，包括但不限于：高空间分辨率、低电子噪声、能量分辨能力和材料分离能力(光谱成像能力)。然而，能量积分检测器具有高计数率容差的优点。计数率容差来自这样的事实/认识：由于测量了光子的总能量，因此添加一个附加光子将总是增大输出信号(在合理的限度内)，而不管当前由检测器记录的光子的量是多少。这个优点是能量积分检测器成为当今医用CT的标准的主要原因之一。
为了更好地理解所提出的测量方法，从简要的系统概述和/或对技术问题的分析开始可能是有用的。为此，参考图5，其提供根据现有技术的光子计数电路和/或设备的示意图。
当光子在半导体材料中相互作用时，产生电子-空穴对云。通过在检测器材料上施加电场，电荷载流子被附接到检测器材料的电极收集。信号从检测器元件路由到并行处理电路(例如ASIC)的输入端。应当理解，术语“专用集成电路(ASIC)”应广义地解释为针对特定应用而使用和配置的任何通用电路。ASIC处理从每个X射线生成的电荷并且将其转换成数字数据，该数字数据可以用于获得测量数据，诸如光子计数和/或估计的能量。在一个示例中，ASIC可以处理电荷，使得产生最大高度与检测器材料中的光子所沉积的能量的量成比例的电压脉冲。
ASIC可包括一组比较器302，其中每个比较器302将电压脉冲的量值与参考电压进行比较。比较器输出通常为零或一(0/1)，这取决于所比较的两个电压中的哪一个较大。这里，我们假设：如果电压脉冲高于参考电压，则比较器输出为一(1)；如果参考电压高于电压脉冲，则比较器输出为零(0)。数模转换器(DAC)301能够用于将可以由用户或控制程序提供的数字设置转换成可以由比较器302使用的参考电压。如果电压脉冲的高度超过特定比较器的参考电压，则我们将把该比较器称为“被触发”。每个比较器通常与数字计数器303相关联，该数字计数器根据光子计数逻辑部件基于比较器输出而递增。
通常，基材料分解利用这样一个事实：所有的由低原子序数元素构成的物质(诸如人体组织)都具有线性衰减系数μ(E)，其能量依赖性可很好地近似表示为两个(或更多个)基函数的线性组合：
μ(E)＝a1f1(E)+a2f2(E).
其中fi是基函数，而ai是对应的基系数。如果成像体积中存在一个或多个具有高原子序数的元素，高到足以在用于成像的能量范围内出现k吸收边缘，则必须为每个这样的元素添加一个基函数。在医学成像领域中，此类k边缘元素通常可以是碘或钆，它们是用作造影剂的物质。
如先前所提及，每个基系数ai的线积分Ai是根据从源到检测器元件的每条投影射线l中的测量数据推断的。线积分Ai可以表示为：
Ai＝∫laidl，对于i＝1,…,N，
其中N是基函数的数目。在一种实施方式中，基础材料分解是通过首先将每个能量仓中的预期记录的计数数目表示为Ai的函数来实现的。通常，这样的函数可以采取以下形式：
Figure BDA0004113479670000131
这里，λi是能量仓i中的预期计数数目，E是能量，Si是响应函数，该响应函数取决于入射到成像物体上的光谱形状、检测器的量子效率和能量仓i对能量为E的X射线的灵敏度。尽管术语“能量仓”最常用于光子计数检测器，但是该公式也可以描述其他能量分辨X射线系统，诸如多层检测器或kVp切换源。
然后，在假设每个仓中的计数数目是泊松分布的随机变量的情况下，可以使用最大似然法来估计Ai。这是通过最小化负对数似然函数来实现的，参见Roessl和Proksa，K-edge imaging in x-ray computed tomography using multi-bin photon countingdetectors,Phys.Med.Biol.52(2007),4679-4696：
Figure BDA0004113479670000132
其中mi是能量仓i中测量的计数数目，而Mb是能量仓的数目。
根据线积分A，可以执行断层扫描重建以获得基系数ai。该过程步骤可被认为是单独的断层扫描重建，或者可替代性地被看作是整体基分解的一部分。
如先前所提及，当将由此产生的对于每条投影射线的估计基系数线积分
Figure BDA0004113479670000133
排列成图像矩阵时，结果得到每个基i的材料特定投影图像，也称为基图像。该基础图像可以直接查看(例如在投影X射线成像中)，也可以作为用于形成物体内部的基系数ai映射的重建算法的输入(例如在CT中)。无论如何，基础分解的结果可以被视为一个或多个基础图像表示，诸如基系数线积分或基系数本身。
所提出的技术的目标是通过使用来自两个或更多个基材料分解的所得的基图像表示作为基于机器学习的数据处理的输入来显著改进图像重建。由所提出的技术提供的技术方案可例如减少输出图像和对应图像表示中的偏差、伪像和/或噪声
图6是示出根据一个实施方案的基于能量分辨X射线测量数据的图像重建的方法的示例的示意性流程图。
基本上，该方法包括：
S1:收集能量分辨X射线数据的至少一个表示，
S2:基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
S3:从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择至少两个基图像表示，以及
S4:通过基于机器学习的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
例如，基于机器学习的数据处理可被配置为将所获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
在特定示例中，基于机器学习的数据处理可被配置为借助受训练的神经网络、支持向量机或基于决策树的实施方式将所获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
例如，受训练的神经网络、支持向量机或基于决策树的实施方式可在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者/以及从基于数值体模的模拟图像数据进行训练。
任选地，神经网络、支持向量机或基于决策树的实施方式可在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
例如，神经网络、支持向量机或基于决策树的实施方式可在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
通常，能量分辨X射线数据的所述至少一个表示可源自X射线检测器或中间存储设备并可包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
例如，X射线检测器可以是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
另选地，能量分辨X射线数据可通过多X射线管采集、慢或快kV切换采集、多层检测器或通过拆分滤波器采集来获得。
图7是示出根据一个实施方案的基于机器学习的图像重建的互补表示的示例的示意图。基本上，提供能量分辨X射线数据作为基材料分解的输入以生成至少两个基图像表示集，至少两个基图像表示集的至少子集转发到机器学习过程和/或系统。机器学习过程和/或系统当适当地受训练时将基图像表示映射到输出图像数据(通常通过称为推断的过程)。
在一个特定示例中，输出图像数据的所述至少一个表示包括基图像表示集，称为基图像表示输出集，其中输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
例如，基图像表示输出集可具有一定数量的基函数，并且每个原始基图像表示集可具有相应数量的基函数，并且对应于基图像表示输出集的基函数可以是对应于所述至少两个原始基图像表示集的基函数的并集的子集或等于该并集。
例如，基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且所述获得或选择的基图像表示的数量等于或大于对应于所述基图像表示输出集的基函数的数量。
在一个特定示例中，原始基图像表示集基于两基分解，并且基图像表示输出集基于三基分解。
对于这种情况，基于机器学习的数据处理可由例如神经网络执行，并且神经网络可用若干两基图像表示集作为输入数据和若干三基图像表示集作为输出数据进行训练。
例如，两基图像表示集和三基图像表示集可能已经从测量患者图像数据或体模图像数据生成，或者从基于数值体模的模拟图像数据生成。
任选地，处理所获得或选择的基图像表示的步骤可包括：
-将所获得或选择的基图像表示与非基图像数据的至少一个表示相组合；并且
-通过基于机器学习的数据处理用非基图像数据的所述至少一个表示处理所获得或选择的基图像表示。
例如，非基图像数据可包括仓计数正弦图数据、对数归一化仓计数正弦图数据、仓上和正弦图或对数归一化数据、重建CT图像数据和分割掩模数据中的至少一者。
任选地，处理所获得或选择的基图像表示的步骤可包括：
-将所述获得或选择的基图像表示与先验信息的至少一个表示组合，以及
-通过所述基于机器学习的数据处理用先验信息的所述至少一个表示处理所述获得或选择的基图像表示。
先验信息通常被定义为例如基于物理定律和原理和/或先前测量、图像和/或模拟假定已知的单独可用信息集。
任选地，处理所获得或选择的基图像表示的步骤可包括：
-将所获得或选择的基图像表示与采集系统中的物理过程的至少一个计算表示组合，以及
-通过基于机器学习的数据处理用物理过程的所述至少一个计算表示处理所获得或选择的基图像表示。
任选地，处理所获得或选择的基图像表示的步骤可包括：
-将所获得或选择的基图像表示与用于测量数据的统计模型的至少一个计算表示组合，以及
-通过基于机器学习的数据处理用统计模型的所述至少一个计算表示处理所获得或选择的基图像表示。
在一个特定示例中，输出图像数据的所述至少一个表示包括基图像表示和/或材料分解重建图像的输出集。
例如，基于机器学习的数据处理可包括基于训练数据配置的深度学习后处理，并且该深度学习后处理可被配置为接收偏差材料分解正弦图作为输入并提供去偏材料分解正弦图或去偏材料分解重建图像作为输出。
例如，一组正弦图可被提供作为用于两基分解的输入以生成两个或更多个基图像表示，并且深度学习神经网络可用于将所得的基图像表示变换为三材料分解。
根据第二方面，提供了一种用于基于能量分辨X射线数据的图像重建的系统。该系统被配置为获得能量分辨X射线数据的至少一个表示。该系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集。该系统被进一步配置为从所述基图像表示集中的至少两个基图像表示集获得或选择至少两个基图像表示。该系统被进一步配置为通过基于机器学习系统的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
根据第三方面，提供了一种用于基于能量分辨X射线数据的图像重建的系统。该系统包括：
-输入，该输入用于接收能量分辨X射线数据的至少一个表示；
-基材料分解系统，该基材料分解系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集；
-受训练的机器学习系统，该受训练的机器学习系统具有某一配置，该配置是基于输入-输出配对的训练数据确定的，并且适于从所述基图像表示集中的至少两个基图像表示集接收至少两个基图像表示并通过基于机器学习的数据处理来处理所接收的基图像表示，以生成输出图像数据的至少一个表示；并且
-输出，该输出用于输出输出图像数据的所述至少一个表示。
图8是示出根据一个实施方案的X射线图像重建系统的示例的示意性框图。图8的X射线图像重建系统30基本上包括输入31、基材料分解系统32、机器学习系统33和输出34。
如所提及，机器学习系统33可基于例如神经网络、支持向量机或基于决策树的实施方式。
例如，机器学习系统33可在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者从基于数值体模的模拟图像数据进行训练。
在一个特定示例中，机器学习系统33在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
例如，机器学习系统33可在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
在一个特定示例中，机器学习系统33被配置为将所获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
通常，能量分辨X射线数据的所述至少一个表示可源自X射线检测器或中间存储设备并可包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
例如，X射线检测器可以是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
如所提及，输出图像数据的所述至少一个表示可包括基图像表示集，称为基图像表示输出集，其中输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
例如，基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且对应于基图像表示输出集的基函数是对应于所述至少两个原始基图像表示集的基函数的并集的子集或等于该并集。
例如，输出图像数据的所述至少一个表示可包括基图像表示和/或材料分解重建图像的输出集。
在一个特定示例中，图像重建系统包括至少一个处理器和存储器，该存储器包括指令，该指令当由至少一个处理器执行时使该至少一个处理器执行图像重建。
例如，基材料分解系统可包括被配置为生成至少两个基图像表示集的处理电路系统，并且受训练的机器学习系统可包括被配置为生成输出图像数据的至少一个表示的处理电路系统。
为了更好地理解，现在将关于使用来自两个或更多个基分解的所得的基图像表示作为机器学习过程和/或系统的输入的图像重建参考非限制性示例来描述所提出的技术。
在X射线成像领域内，图像数据的表示可包括例如正弦图、投影图像或重建CT图像。如果图像数据的这种表示包括多个通道，其中不同通道中的数据与不同能量间隔中的测量X射线数据相关，则该表示可以是能量分辨的。
通过采用能量分辨X射线数据的表示作为输入的材料分解的过程，可生成基图像表示集。这种集是一定数量的基图像表示的集合，其中每个基图像表示与特定基函数对总体X射线衰减的贡献相关。这种基图像表示集可以是一组基正弦图、一组重建基CT图像或一组投影图像。应当理解，“图像”在该上下文中可意指例如二维图像、三维图像或时间分辨图像序列。
例如，能量分辨X射线数据可以是能量分辨X射线图像数据和/或能量分辨X射线测量数据。例如，能量分辨X射线数据的至少一个表示可源自X射线检测器或中间存储设备。
例如，能量分辨X射线数据的表示可包括能量仓正弦图的集合，其中每个能量正弦图包含在一个能量仓中测量的计数的数量。通过将能量仓正弦图的这个集合作为材料分解算法的输入，可生成一组基正弦图。这种基正弦图可被示例性地作为重建算法的输入以生成重建基图像。
在两基分解中，基于成像对象中的任何材料的衰减可被表示为两个基函数的线性组合的近似，生成两个基图像表示。在三基分解中，基于成像对象中的任何材料的衰减可被表示为在三个基图像上的线性组合的近似，生成三个基图像表示。类似地，可定义四基分解、五基分解和类似的多基分解。还可通过将图像对象中的所有材料近似为具有类似的能量依赖性的X射线衰减系数直到密度比例因子来执行单基分解。
两基分解可例如产生一组基正弦图，该组基正弦图包括分别对应于由水和碘的线性衰减系数给出的基函数的水正弦图和碘正弦图。另选地，基函数可表示水和钙的衰减；或者钙和碘的衰减；或者聚氯乙烯和聚乙烯的衰减。两基分解可例如产生包括水正弦图、钙正弦图和碘正弦图的一组基正弦图。另选地，基函数可表示水、碘和钆的衰减；或者聚氯乙烯、聚乙烯和碘的衰减。
发明人已经认识到，具有多于两个基函数的准确基分解在实践中可能难以执行，并且可能造成伪像、偏差或过量噪声。这种基分解还可能需要大量校准测量和数据预处理来产生准确结果。通常，与分解成更小数量的基函数的分解相比，分解成更大数量的基函数的基分解可能技术上更具挑战性。
例如，与两基分解相比，可能难以执行准确到足以给出具有低水平的图像偏差或伪像的三基分解的校准。而且，可能难以找到能够执行具有有高度噪声的数据的三基分解而不生成有过度噪声的基图像的材料分解算法，即，可能难以获得由Cramér-Rao下限给出的基图像噪声的理论下限，而当执行两基分解时，该界限可能更容易获得。
发明人还认识到，生成更大数量的基图像表示所需的信息量可能从若干基图像表示集提取，每个基图像表示集具有更小数量的基图像表示。例如，生成分解成水、钙和碘的三基分解的正弦图所需的信息可能从一组三个两基分解提取：水-钙分解、水-碘分解和钙-碘分解。
准确地执行若干两基分解可能比准确地执行单个三基分解更容易。在所公开的发明的特定示例中，这种观察结果可用于解决例如执行准确三基分解的问题。例如，能量分辨图像数据可首先用于执行水-钙分解、水-碘分解和钙-碘分解。然后，可使用机器学习系统诸如卷积神经网络来将所得的六(3×2)个基图像或其子集映射到包括水、钙和碘图像的一组三个输出图像。这种机器学习系统或网络可用若干两基图像表示集作为输入数据和若干三基图像表示集作为输出数据进行训练，其中所述两基图像表示集和三基图像表示集已经从测量患者图像数据或体模图像数据生成，或者从基于数值体模的模拟图像数据生成。
通过前述方法，与直接地在能量分辨图像数据上执行的三基分解相比，可显著减少三基图像表示集中的偏差、伪像或噪声。另选地，可获得具有更高分辨率的图像。
代替神经网络，应用于原始基图像的机器学习算法可包括另一种机器学习方法，诸如支持向量机或基于决策树的方法。
更一般地，发明人已经认识到，当执行X射线图像重建时，可显著改进和促成机器学习过程和/或系统的效率、操作和/或结果。代替遵循在原始图像数据上使用机器学习的主要趋势，发明人已经认识到，当利用来自两个或更多个基材料分解的所得的基图像表示作为机器学习过程和/或系统的输入时，可实现改进的图像结果。例如，改进可涉及减少的偏差、伪像和/或噪声或更高的分辨率。另一个优点在于，所提出的技术减少了获得具有高可靠性和质量的图像重建所需的训练数据量。
用于生成原始基图像表示的基材料分解可使用和/或涉及先验信息，诸如例如体积或质量保持约束或非负性约束。另选地，这种先验信息可采取先验图像表示的形式，例如来自先前检查的图像或从所有的能量仓中的合计计数重建的图像，并且该算法可惩罚分解的基图像表示相对于这个先验图像表示的偏差。另一种另选型式是使用从一组训练图像学习的先验信息，例如被表示为学习的字典或预训练的卷积神经网络，或者学习的子空间，即，重建图像预期驻留的可能图像的向量空间的子空间。
例如可通过独立地处理每个测量投影射线来在投影图像数据或正弦图数据上执行材料分解。这种处理可采取最大似然分解或最大后验分解的形式，其中假定成像对象中的材料组成的先验概率分布。它还可采取从输入计数集到输出计数集的线性或仿射变换、如Alvarez(Med Phys.2011年5月；38(5)：2324-2334)示例性地描述的A表估计器、例如如Lee等人(IEEE Transactions on Medical Imaging(卷号：36，发布日：2017年2月2日：560-573))示例性地描述的低阶多项式近似、如Alvarez(https://arxiv.org/abs/1702.01006)示例性地描述的神经网络估计器或查找表的形式。另选地，材料分解方法可联合地处理若干射线，或者包括一步或两步重建算法。
WO2017/223560公开了一种断层扫描图像重建方法，其中使用深度学习算法(例如，通过首先应用第一算法来获得中间数据，并且然后将第二算法应用于中间图像)来生成重建图像。
美国专利9,036,885公开了一种投影域去噪处理方法，其用稀疏变换和收缩(例如，用学习收缩函数)处理投影数据。
WO2015/028975公开了一种用于接收至少两个基材料正弦图并用去相关滤波器对基材料正弦图去噪的方法。
Chen和Li在Optical Engineering 58(1)，013104中的文章公开了一种用于使用深度神经网络来执行光谱CT数据的多材料分解从而仅由神经网络执行实际材料分解的方法。
Poirot等人在Scientific Reports，第9卷，文章号：17709(2019)中的文章公开了一种使用卷积神经网络来从双能量CT图像生成非造影单能量CT图像的方法。
根据第一方面，提供了一种于处理能量分辨X射线数据的方法的非限制性示例，该方法包括以下步骤：
·收集能量分辨X射线数据的至少一个表示，
·基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，从而产生至少两个原始基图像表示集，
·从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择至少两个基图像表示，以及
·用基于机器学习算法的数据处理(诸如数据处理过程)来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
换句话说，这可表示为一种基于能量分辨X射线数据的(X射线)的图像重建的方法。
根据第二方面，也提供了一种用于处理能量分辨X射线数据的对应系统的非限制性示例，该对应系统具有以下配置：
·其中该系统被配置为收集能量分辨X射线数据的至少一个表示，
·其中该系统被配置为在图像数据的所述表示上执行至少两个基材料分解以生成至少两个原始基图像表示集，
·其中该系统被配置为从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择至少两个基图像表示，以及
·其中该系统被配置为使用基于机器学习的数据处理(诸如数据处理过程)来处理所述获得的或选择的基图像表示，以生成输出图像数据的至少一个表示。
换句话说，这可表示为一种用于基于能量分辨X射线数据的(X射线)图像重建的系统。
在本发明的示例性实施方案中，收集能量分辨X射线数据的至少一个表示的所述步骤或配置借助CT成像系统完成。
在本发明的示例性实施方案中，收集能量分辨X射线数据的至少一个表示的所述步骤或配置借助能量分辨光子计数检测器(也称为多仓光子计数X射线检测器)完成。
另选地，收集能量分辨X射线数据的至少一个表示的所述步骤或配置借助多X射线管采集、慢或快kV切换采集、多层检测器或拆分滤波器采集完成。
在本发明的示例性实施方案中，所述至少一个原始或输出基础表示包括正弦图、投影X射线图像或重建CT图像中的至少一者。
在本发明的示例性实施方案中，处理所选择的基图像的所述步骤或配置包括以下步骤或配置：
-将所述选择的基图像数据与非基图像数据、示例性仓计数正弦图数据、对数归一化仓计数正弦图数据、仓上和正弦图或对数归一化数据、重建CT图像数据和/或分割掩模数据的至少一个表示组合，以及
-通过所述基于机器学习的数据处理方法用非基图像数据的所述表示处理所述选择的基图像数据。
在本发明的示例性实施方案中，输出图像数据的所述至少一个表示是形成对应于与原始基图像集不同的基函数的基图像集的一部分的基图像表示的近似。
在本发明的示例性实施方案中，输出图像数据的所述至少一个表示包括基图像表示集，其中所述输出集中的基图像表示的数量大于原始分解中的基图像集中的任何一个基图像集中的基图像的最大数量。
在本发明的示例性实施方案中，对应于所述输出基图像表示集的基函数是对应于所述原始基图像表示集的基函数的并集的子集或等于该并集。另选地，对应于所述输出基图像表示集的基函数可不是对应于所述原始基图像表示集的基函数的并集的子集。
在本发明的示例性实施方案中，所述选择的基图像表示的数量等于或大于对应于所述输出基图像表示集的基函数的数量。
在本发明的示例性实施方案中，所述原始基图像表示集包括/是两基分解，并且所述至少一个输出图像表示集包括/是三基分解。
在本发明的示例性实施方案中，所述基材料分解中的至少一个基材料分解通过最大似然方法执行。另选地，所述基材料分解中的至少一个基材料分解通过线性或仿射变换、A表方法、低阶多项式近似、神经网络或查找表执行。
在本发明的示例性实施方案中，所述基材料分解中的至少一个基材料分解借助一步基图像重建方法或借助两步基图像重建方法执行。
在本发明的示例性实施方案中，所述机器学习涉及可基于卷积神经网络的机器学习架构和/或算法。另选地，所述机器学习架构和/或算法可基于支持向量机或基于决策树的方法。
在本发明的示例性实施方案中，所述卷积神经网络基于残差网络(ResNet)、残差编码器-解码器、U-Net、AlexNet或LeNet架构。另选地，基于卷积神经网络的所述机器学习算法可基于基于梯度下降算法的展开优化方法、原始对偶算法或乘法器交替方向法(ADMM)算法。
在本发明的示例性实施方案中，所述卷积神经网络包括作为网络架构的一部分的至少一个正向投影或至少一个反向投影。
在本发明的示例性实施方案中，所述卷积神经网络在体模图像、患者图像或从用非能量分辨CT进行成像的患者生成的数值体模中的至少一者上进行训练。
在本发明的示例性实施方案中，所述卷积神经网络使用在第一类型的CT图像(例如，非能量分辨CT图像)上的迁移学习来进行训练，并且适于在第二类型的CT图像(例如，使用迁移学习的光子计数CT图像)上使用。
在本发明的示例性实施方案中，处理所选择的基图像的所述步骤或配置包括：
-将所述选择的基图像数据与先验信息(示例性地，诸如对先验图像的体积约束、表示为学习的字典的先验分布、正则化惩罚、学习的正则化神经网络、或学习的子空间)的至少一个表示或统计解剖形状模型组合；以及
-通过基于机器学习的所述数据处理用先验信息的所述表示处理所述选择的基图像数据。
在本发明的示例性实施方案中，处理所选择的基图像的所述步骤或配置包括：
-将所述选择的基图像数据与采集系统中的物理过程(示例性地，康普顿散射、荧光、电荷共享、堆积或几何模糊)的至少一个计算表示组合，以及
-基于机器学习算法用物理过程的所述计算表示处理所述选择的基图像数据。
另选地，处理所选择的基图像的所述步骤或配置包括将所述选择的基图像数据与测量数据的统计模型的至少一个计算表示(诸如似然函数或似然函数的导数)组合。
在本发明的示例性实施方案中，所述机器学习架构和/或算法以生成具有比原始基图像表示更低的噪声的一个或多个输出基图像表示的方式进行训练。另选地，所述机器学习架构和/或算法可以生成具有比原始基图像表示更低的偏差的一个或多个输出基图像表示的方式进行训练。在又一个另选型式中，所述机器学习架构和/或算法可以生成具有比原始基图像表示更高的空间分辨率的一个或多个输出图像数据表示的方式来训练。
通常，深度学习涉及基于人工神经网络或具有表示学习的类似架构的机器学习方法。学习可以是监督的、半监督的或无监督的。深度学习系统(诸如深神经网络、深度置信网络、循环神经网络和卷积神经网络)已经应用于各种技术领域，包括计算机视觉、语音识别、自然语言处理、社交网络过滤、机器翻译和棋盘游戏程序，其中它们产生了与人类专家表现相当并在一些情况下超过人类专家表现的结果。
深度学习中的形容词“深度”源于在网络中使用多个层。早期工作表明，线性感知器不能是通用分类器，并且另一方面，具有带有无界宽度的一个隐藏层的非多项式激活函数的网络可以是通用分类器。深度学习是涉及无限数量的有界大小的层的现代变型，其准许实际应用和优化实施，同时在温和条件下保持理论通用性。在深度学习中，为了效率、可训练性和可理解性，还准许层是异构的并广泛地偏离生物上了解的连接模型。
为了更好地理解，现在将描述所提出的技术的说明性和非限制性示例。
材料分解问题是在计算支出和准确度两个方面都难以解决的非线性反演问题。最被接受的解决方案涉及基于具有泊松统计的最大似然(ML)估计的优化，这是非常依赖于所考虑的正演模型的基于模型的方法。另一方面，数据驱动的方法利用可用测量数据。可以计算上快速的方式提供先验信息的深度学习就是这种情况。
例如，在光子计数CT(PCCT)中，三种材料通常与临床分析相关。然而，在实践中，两材料基ML估计比三材料基估计更好地收敛、更稳定且噪声更少。然而，两材料基估计呈现高偏差。使用测量训练数据的深度学习后处理可校正偏差，从而维持两材料ML估计的优点(稳定性、收敛)并提供数据驱动的正则化以补偿该偏差。因此，建议将两材料基分解的优点与控制偏差的数据驱动的方法相结合。
在一个特定非限制性示例中，该构思是从两材料分解转变为三材料分解。在这个示例中，所提出的技术利用两材料基ML估计的稳定性和收敛并考虑数据驱动的后处理来校正偏差。例如，材料分解可在投影(正弦图)域中执行，即，CT图像的重建可以是独立第二阶段。
假定扫描对象包含三种材料，例如骨、软组织和造影剂(诸如碘)，则定义一系列两材料估计以获得两种基材料的每个可能组合，即(i)骨和软组织，(ii)骨和碘，以及(iii)软组织和碘。例如，所提出的技术的深度学习架构和/或过程可将六个偏差估计的这个集合视为输入，以提供骨、软组织和碘的无偏估计作为输出。
例如，使用监督机器学习架构和/或过程(输入-输出配对训练数据)是可行的，该监督机器学习架构和/或过程接收偏差材料分解正弦图(来自两基ML估计)并提供三个校正材料分解正弦图作为输出。
例如，所设计的架构可以是由5个残差块(ResBlock)组成的残差网络。每个块可包括三个卷积层、接着是批归一化和校正线性单元(ReLu)激活。在一个特定示例中，每个卷积层的输出通道分别是32、32和3。
图9是示出用于所提出的深度学习去偏的方案和/或架构的示例的示意图。在一个非限制性示例中，可提供一组例如8个正弦图作为两基分解的输入，以生成两个或更多个基图像表示。深度学习神经网络可用于将所得的基图像表示变换成例如在投影空间中的三材料分解。
例如，ResBlock可模仿优化问题的迭代解的更新并用学习的卷积滤波器添加来自训练数据的信息。每个块Ψ可被认为是第n个更新步骤。即，第(n+1)块an+1的输入是第n块an中的输出与在由其滤波器权重θn参数化的最后一个块Ψn上的运算的结果之间的差：
Figure BDA0004113479670000261
应当理解，Ψ是变量an的函数并由θn参数化。图10是示出ResBlock的示例的示意图。
图11是示出在来自两材料分解的偏差结果之后包括一系列残差块(ResBlock)的去偏深度学习方案和/或架构的示例的示意图。
作为本发明活动和研发的一部分，已经发展了这种技术的基于模拟的概念验证。例如，可行设置涉及：
基于Shepp-Logan头的模拟PCCT数据的数据集。考虑了PCCT系统的正向模型，以及泊松噪声。体模的大小在图像空间中是64×64像素并在投影空间中是100×100像素。考虑的材料是PVC(骨)、PE(软组织)和碘。为了增加数据的可变性，随机地改变了每个样品的大小、旋转和碘区域位置。参见图12，该图是示出模拟数据集的样品的示例的示意图，其中Shepp-logan的不同部分模仿不同材料。
考虑到两材料分解ML泛函，执行成对估计：PVC/PE、PVC/I和PE/I。这些估计是偏差的，因为它们属于三材料混合。
这些偏差估计是神经网络的输入。输出由三个无偏且去噪的估计组成，每材料一个估计：PVC、PE、I。
对于神经网络的训练，考虑了具有均方差(MSE)训练损失的Adam优化方案。在该示例中，使用250个样本用于训练并使用100个样本用于测试。
对100个测试样品的估计显示出对所得的投影的MSE和偏差的显著改进。参见以下表1和图13。
Figure BDA0004113479670000271
表1
图13(a)至图13(f)是示出用于Shepp-logan模拟体模的所提出的基于深度学习的去偏的定性结果的示例的示意图。
图13(a)示出了用于PVC(第一行)、PE(第二行)和碘(第三行)的材料的真实正弦图的示例。
图13(b)示出了来自偏差两材料ML的六种溶液中的最好的三种溶液的示例。
图13(c)示出了所提出的无偏正弦图的示例。
图13(d)示出了在用滤波反投影(FBP)重建之后的真实基图像的示例。
图13(e)示出了在FBP之后的偏差估计的示例。
图13(f)示出了在FBP之后的所提出的无偏的示例。
在下文中，呈现了可潜在地增强结果的所提出的技术的可能的另选实施方式，尤其是当技术/方法需要扩展以处理真实临床数据时：
(i)神经网络：
ο扩展所提出的残差网络：当输入具有更大维度时，卷积层的大小和块的数量可相应地进行设计，即，每个块中有更多的卷积层，每个层中有更多的卷积输出通道，或者有多于5个ResBlock。
ο改变网络结构：所提出的ResBlock网络可由也利用输入的多尺度信息的U网代替。可参考例如O.Ronneberger等人的“U-Net：Convolutional Networks for BiomedicalImage Segmentation”，Medical Image Computing and Computer-AssistedIntervention-MICCAI(2015)。另选地，所提出的网络可用组合卷积层和全连接层的另一种普通网络架构(示例性地，AlexNet或LeNet)替代。
ο增强神经网络架构：考虑了不是正方形而是矩形的卷积滤波器，诸如宽度方向(投影占主导)和高度方向(检测器占主导)滤波器。可参考例如Lee，H.等人的“MachineFriendly Machine Learning：Interpretation of Computed Tomography without ImageReconstruction”，Sci Rep 9，15540(2019)。
ο考虑了更明确地模仿优化问题的迭代更新步骤的神经网络架构，并且因此，在其定义中包括关于系统的正演模型的先验信息。可参考例如Adler,J和
Figure BDA0004113479670000281
O的“LearnedPrimal Dual Reconstruction”，IEEE Transactions on Medical Imaging(2018)。
ο定制训练损失：代替基均方差(MSE)，考虑了训练损失中感兴趣的质量度量，诸如偏差、对比度噪声比(CNR)或正则化损失。
ο结合多种形式的数据作为网络的输入。例如，能量仓正弦图和材料分解正弦图的组合可用作网络的输入。还可将能量仓正弦图和/或材料分解正弦图与能量仓图像和/或材料分解图像组合作为网络的输入。另选地，可将基图像噪声的似然函数的导数的表示或Cramér-Rao下限的表示与材料分解正弦图组合作为网络的输入。输入数据的所有上述组合可与来自至少两个不同基图像表示集的两个或更多个基材料正弦图或图像一起使用。
ο用频谱关注模块提升网络的表示能力：能量仓数据也可以是网络的输入，并且可用网络架构中的频谱关注模块提取一些信息。可参考例如X.Wang等人的“LearningSpectral-Spatial Prior Via 3 DDNCNN for Hyperspectral Image Deconvolution”，ICASSP(2020)。
(ii)不同分解：
ο组织/诊断/解剖分解：深度学习允许灵活的训练过程，从该过程，可推断输入数据的感兴趣变换而无需定义基础模型。因此，可能不必获得三基材料分解，而是获得(甚至大于三种)组织类型分解，即解剖区段分解的诊断分解。一旦存在标记的输入/输出训练数据对，就可将类似的设置用于这些目的。
(iii)考虑该过程中的CT重建：
ο一步分解加重建：所提出的方法假设CT重建(从正弦图到图像空间)是独立步骤。神经网络可同时地处理这两个步骤。例如，展开迭代优化网络被训练成直接地将偏差材料分解正弦图变换成去偏材料分解重建图像。以这种方式，神经网络可以更优化方式(在计算和准确度方面)解决两个步骤(分解和重建)。例如，可参考J.Adler和O.
Figure BDA0004113479670000291
的“LearnedPrimal-Dual Reconstruction”，IEEE Transactions on Medical Imaging，(2018)。这种展开迭代优化网络可基于梯度下降优化方法、原始对偶优化方法，或者乘法器交替方向法方法。与其他神经网络架构相比，这种类型的展开优化方法具有有利性质，诸如具有更少的网络权重和用少量的训练数据就能更好地执行。这种一步方法可例如采取基图像数据和能量分辨测量数据的组合作为输入。另选地，一步重建方法可被实施为迭代算法。图14中示出了本发明的这个实施方案的非限制性示例，其中机器学习系统处理来自至少两个基材料分解的材料分解正弦图并生成一组材料分解图像作为输出。
ο另选地，用于生成原始基图像集的材料分解步骤可包括一步重建方法，从而产生重建基图像作为输出。然后，通过机器学习算法处理这些重建基图像，以产生一个或多个输出基图像。图15中示出了本发明的这个实施方案的非限制性示例，其中机器学习系统处理来自将输入能量仓正弦图变换为材料分解重建图像的至少两个一步图像重建的材料分解图像，并且生成一组材料分解图像作为输出。另外的另选型式是用两步基分解方法生成原始基图像集，其包括第一步骤和第二步骤，在第一步骤中，针对每条投影射线单独地执行基材料分解，在第二步骤中，将所得的基正弦图作为图像重建算法的输入以产生重建基图像，然后，通过机器学习算法处理该重建基图像，以产生一个或多个输出基图像。图16中示出了本发明的这个实施方案的非限制性示例，其中机器学习系统处理来自各自由基材料分解步骤、接着是图像重建步骤组成的至少两个两步图像重建的材料分解图像，并且生成一组材料分解图像作为输出。所述一步或两步分解方法可任选地结合先验信息，诸如先验图像或体积守恒约束，或者结合关于正弦图中或图像中的噪声水平或相关结构的信息(示例性地，关于Cramér-Rao下限的信息)。
应当理解，本文描述的机构和布置能够以多种方式实施、组合和重新布置。
例如，实施方案可以在硬件中实施，或至少部分地在由适当的处理电路系统执行的软件中实施，或者上述实施方式的组合。
本文描述的步骤、功能、过程和/或框可以使用任何常规技术(诸如离散电路或集成电路技术)在硬件(包括通用电子电路系统和专用电路系统)中实施。
替代性地，或者作为补充，本文描述的步骤、功能、过程和/或框中的至少一些能够在软件中实施，该软件诸如由适当的处理电路系统(诸如一个或多个处理器或处理单元)执行的计算机程序。
图17是示出根据实施方案的计算机实施方式的示例的示意图。在该特定的示例中，系统200包括处理器210和存储器220，该存储器包括能够由处理器执行的指令，由此处理器可操作以执行本文所述的步骤和/或动作。指令通常被组织为计算机程序225、235，该计算机程序可被预配置在存储器220中或从外部存储器装置230下载。任选地，系统200包括输入/输出接口240，该输入/输出接口可以互连到处理器210和/或存储器220，以实现相关数据(诸如输入参数和/或所得的输出参数)的输入和/或输出。
在一个特定示例中，存储器包括可由处理器执行的这种指令集，由此该处理器可操作以：
-获得能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集提取至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理所提取的基图像表示，以生成输出图像数据的至少一个表示。
术语“处理器”应当在一般意义上解释为能够执行程序代码或计算机程序指令以执行特定的处理、确定或计算任务的任何系统或设备。
因此，包括一个或多个处理器的处理电路系统被配置为在执行计算机程序时执行被明确定义的处理任务(诸如本文描述的那些)。
处理电路系统不必仅专用于执行上述的步骤、功能、过程和/或框，而是还可以执行其他任务。
所提出的技术还提供了一种计算机程序产品，该计算机程序产品包括计算机可读介质220、230，该计算机可读介质上存储有这种计算机程序。
例如，软件或计算机程序225、235可被实现为计算机程序产品，其通常被携带或存储在计算机可读介质220、230、特别是非易失性介质上。计算机可读介质可以包括一个或多个可移动或不可移动存储器设备，包括但不限于：只读存储器(ROM)、随机存取存储器(RAM)、压缩光盘(CD)、数字多功能光盘(DVD)、蓝光光盘、通用串行总线(USB)存储器、硬盘驱动器(HDD)存储设备、闪存存储器、磁带，或任何其他常规存储器设备。因此，计算机程序可以被加载到计算机或等效处理设备的操作存储器中，以便由其处理电路系统来执行。
方法流程在被一个或多个处理器执行时，可以被视为计算机动作流程。相应的设备、系统和/或装置可以被定义为一组功能模块，其中由处理器执行的每个步骤对应于一个功能模块。在这种情况下，功能模块被实施为在处理器上运行的计算机程序。因此，该设备、系统和/或装置可以替代性地被定义为一组功能模块，其中这些功能模块被实施为在至少一个处理器上运行的计算机程序。
驻留在存储器中的计算机程序因此可以被组织为适当的功能模块，这些功能模块被配置为当计算机程序由处理器运行时，执行本文所述的步骤和/或任务的至少一部分。
替代性地，可以主要通过硬件模块，或者替代性地通过硬件来实现这些模块。软件相对于硬件的程度纯粹是实施方式的选择。
上述实施方案仅作为示例给出，并且应当理解，所提出的技术并不限于此。本领域的技术人员将理解，在不脱离由所附权利要求书限定的本发明范围的情况下，可以对这些实施方案做出各种修改、组合与改变。特别地，在技术上可能的情况下，不同实施方案中的不同部分解决方案可以在其他配置中组合。
权利要求书(按照条约第19条的修改)
1.一种基于能量分辨X射线数据的图像重建的方法，包括：
-收集(S1)能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行(S2)至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择(S3)至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理(S4)所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示，其中所述数据处理被配置为基于机器学习来将源自所述至少两个基材料分解的所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示中。
2.根据权利要求1所述的方法，其中基于机器学习的所述数据处理被配置为借助受训练的神经网络、支持向量机或基于决策树的实施方式将所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
3.根据权利要求2所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者从基于数值体模的模拟图像数据进行训练。
4.根据权利要求2或3所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
5.根据权利要求4所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
6.根据权利要求1至5中任一项所述的方法，其中能量分辨X射线数据的所述至少一个表示源自X射线检测器或中间存储设备并包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
7.根据权利要求6所述的方法，其中所述X射线检测器是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
8.根据权利要求1至7中任一项所述的方法，其中输出图像数据的所述至少一个表示包括基图像表示集，称为基图像表示输出集，其中所述输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
9.根据权利要求8所述的方法，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且对应于所述基图像表示输出集的所述基函数是对应于所述至少两个原始基图像表示集的所述基函数的并集的子集或等于所述并集。
10.根据权利要求8或9所述的方法，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且所述获得或选择的基图像表示的数量等于或大于对应于所述基图像表示输出集的所述基函数数量。
11.根据权利要求8至10中任一项所述的方法，其中所述原始基图像表示集基于两基分解，并且所述基图像表示输出集基于三基分解。
12.根据权利要求11所述的方法，其中基于机器学习的所述数据处理由神经网络执行，并且所述神经网络用若干两基图像表示集作为输入数据和若干三基图像表示集作为输出数据进行训练。
13.根据权利要求12所述的方法，其中所述两基图像表示集和三基图像表示集已经从测量患者图像数据或体模图像数据生成，或者从基于数值体模的模拟图像数据生成。
14.根据权利要求1至13中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与非基图像数据的至少一个表示组合；以及
-通过基于机器学习的所述数据处理用非基图像数据的所述至少一个表示处理所述获得或选择的基图像表示。
15.根据权利要求14所述的方法，其中所述非基图像数据包括仓计数正弦图数据、对数归一化仓计数正弦图数据、仓上和正弦图或对数归一化数据、重建CT图像数据和分割掩模数据中的至少一者。
16.根据权利要求1至15中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与先验信息的至少一个表示组合，以及
-通过基于机器学习的所述数据处理用先验信息的所述至少一个表示处理所述获得或选择的基图像表示。
17.根据权利要求1至16中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与采集系统中的物理过程的至少一个计算表示组合，以及
-通过基于机器学习的所述数据处理用物理过程的所述至少一个计算表示处理所述获得或选择的基图像表示。
18.根据权利要求1至17中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与用于所述测量数据的统计模型的至少一个计算表示组合，以及
-通过基于机器学习的所述数据处理用统计模型的所述至少一个计算表示处理所述获得或选择的基图像表示。
19.根据权利要求1至18中任一项所述的方法，其中输出图像数据的所述至少一个表示包括基图像表示和/或材料分解重建图像的输出集。
20.根据权利要求1至19中任一项所述的方法，其中基于机器学习的所述数据处理包括基于训练数据配置的深度学习后处理，并且所述深度学习后处理被配置为接收偏差材料分解正弦图作为输入并提供去偏材料分解正弦图或去偏材料分解重建图像作为输出。
21.根据权利要求20所述的方法，其中一组正弦图被提供作为用于两基分解的输入以生成两个或更多个基图像表示，并且深度学习神经网络用于将所得的基图像表示变换为三材料分解。
22.一种用于基于能量分辨X射线数据的图像重建的系统(30；200)，
-其中所述系统(30；200)被配置为获得能量分辨X射线数据的至少一个表示，
-其中所述系统(30；200)被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集，
-其中所述系统(30；200)被配置为从所述基图像表示集中的至少两个基图像表示集获得或选择至少两个基图像表示，并且
-其中所述系统(30；200)被配置为通过基于机器学习系统(33；
210,225)的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示，其中所述机器学习系统(33；210,225)被配置为将源自所述至少两个基材料分解的所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示中。
23.一种用于基于能量分辨X射线数据的图像重建的系统(30；200)，包括：
-输入(31；240)，所述输入用于接收能量分辨X射线数据的至少一个表示；
-基材料分解系统(32；210；225)，所述基材料分解系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集；
-受训练的机器学习系统(33；210；225)，所述受训练的机器学习系统具有某一配置，所述配置是基于输入-输出配对的训练数据确定的，并且适于从所述基图像表示集中的至少两个基图像表示集接收至少两个基图像表示并通过基于机器学习的数据处理来处理所接收的基图像表示，以生成输出图像数据的至少一个表示，其中所述机器学习系统(33；210；225)被配置为将源自所述至少两个基材料分解的所述接收的基图像表示映射到输出图像数据的所述至少一个表示中；和
-输出(34；240)，所述输出用于输出输出图像数据的所述至少一个表示。
24.根据权利要求22或23所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)基于神经网络、支持向量机或基于决策树的实施方式。
25.根据权利要求22至24中任一项所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者从基于数值体模的模拟图像数据进行训练。
26.根据权利要求22至25中任一项所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
27.根据权利要求26所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
28.根据权利要求22至27中任一项所述的用于图像重建的系统，其中能量分辨X射线数据的所述至少一个表示源自X射线检测器(20)或中间存储设备(220)并包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
29.根据权利要求28所述的用于图像重建的系统，其中所述X射线检测器(20)是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
30.根据权利要求22至29中任一项所述的用于图像重建的系统，其中输出图像数据的所述至少一个表示包括基图像表示集，称为基图像表示输出集，其中所述输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
31.根据权利要求30所述的用于图像重建的系统，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且对应于所述基图像表示输出集的所述基函数是对应于所述至少两个原始基图像表示集的所述基函数的并集的子集或等于所述并集。
32.根据权利要求22至31中任一项所述的用于图像重建的系统，其中输出图像数据的所述至少一个表示包括基图像表示和/或材料分解重建图像的输出集。
33.根据权利要求22至32中任一项所述的用于图像重建的系统，其中所述系统包括至少一个处理器和存储器，所述存储器包括指令，所述指令当由所述至少一个处理器执行时使所述至少一个处理器执行所述图像重建。
34.根据权利要求22至32中任一项所述的系统，其中所述基材料分解系统包括被配置为生成至少两个基图像表示集的处理电路系统，并且所述受训练的机器学习系统包括被配置为生成输出图像数据的至少一个表示的处理电路系统。
35.一种X射线成像系统(100)，所述X射线成像系统包括根据权利要求22至34中任一项所述的用于图像重建的系统(30；200)。
36.一种计算机程序产品，所述计算机程序产品包括非暂态计算机可读介质(220；230)，所述非暂态计算机可读介质上存储有包括指令的计算机程序(225；235)，所述指令当由处理器(210)执行时使所述处理器(210)：
-获得能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集提取至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理所提取的基图像表示，以生成输出图像数据的至少一个表示，其中所述数据处理被配置为基于机器学习来将源自所述至少两个基材料分解的所述提取的基图像表示映射到输出图像数据的所述至少一个表示中。

Claims (38)

1.一种基于能量分辨X射线数据的图像重建的方法，包括：
-收集(S1)能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行(S2)至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集获得或选择(S3)至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理(S4)所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
2.根据权利要求1所述的方法，其中基于机器学习的所述数据处理被配置为将所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
3.根据权利要求1或2所述的方法，其中基于机器学习的所述数据处理被配置为借助受训练的神经网络、支持向量机或基于决策树的实施方式将所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
4.根据权利要求3所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者从基于数值体模的模拟图像数据进行训练。
5.根据权利要求3或4所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
6.根据权利要求5所述的方法，其中所述受训练的神经网络、支持向量机或基于决策树的实施方式在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
7.根据权利要求1至6中任一项所述的方法，其中能量分辨X射线数据的所述至少一个表示源自X射线检测器或中间存储设备并包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
8.根据权利要求7所述的方法，其中所述X射线检测器是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
9.根据权利要求1至8中任一项所述的方法，其中输出图像数据的所述至少一个表示包括基图像表示集，称为基图像表示输出集，其中所述输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
10.根据权利要求9所述的方法，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且对应于所述基图像表示输出集的所述基函数是对应于所述至少两个原始基图像表示集的所述基函数的并集的子集或等于所述并集。
11.根据权利要求9或10所述的方法，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且所述获得或选择的基图像表示的数量等于或大于对应于所述基图像表示输出集的所述基函数数量。
12.根据权利要求9至11中任一项所述的方法，其中所述原始基图像表示集基于两基分解，并且所述基图像表示输出集基于三基分解。
13.根据权利要求12所述的方法，其中基于机器学习的所述数据处理由神经网络执行，并且所述神经网络用若干两基图像表示集作为输入数据和若干三基图像表示集作为输出数据进行训练。
14.根据权利要求13所述的方法，其中所述两基图像表示集和三基图像表示集已经从测量患者图像数据或体模图像数据生成，或者从基于数值体模的模拟图像数据生成。
15.根据权利要求1至14中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与非基图像数据的至少一个表示组合；以及
-通过基于机器学习的所述数据处理用非基图像数据的所述至少一个表示处理所述获得或选择的基图像表示。
16.根据权利要求15所述的方法，其中所述非基图像数据包括仓计数正弦图数据、对数归一化仓计数正弦图数据、仓上和正弦图或对数归一化数据、重建CT图像数据和分割掩模数据中的至少一者。
17.根据权利要求1至16中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与先验信息的至少一个表示组合，以及
-通过基于机器学习的所述数据处理用先验信息的所述至少一个表示处理所述获得或选择的基图像表示。
18.根据权利要求1至17中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与采集系统中的物理过程的至少一个计算表示组合，以及
-通过基于机器学习的所述数据处理用物理过程的所述至少一个计算表示处理所述获得或选择的基图像表示。
19.根据权利要求1至18中任一项所述的方法，其中所述处理(S4)所述获得或选择的基图像表示的步骤包括：
-将所述获得或选择的基图像表示与用于所述测量数据的统计模型的至少一个计算表示组合，以及
-通过基于机器学习的所述数据处理用统计模型的所述至少一个计算表示处理所述获得或选择的基图像表示。
20.根据权利要求1至19中任一项所述的方法，其中输出图像数据的所述至少一个表示包括基图像表示和/或材料分解重建图像的输出集。
21.根据权利要求1至20中任一项所述的方法，其中基于机器学习的所述数据处理包括基于训练数据配置的深度学习后处理，并且所述深度学习后处理被配置为接收偏差材料分解正弦图作为输入并提供去偏材料分解正弦图或去偏材料分解重建图像作为输出。
22.根据权利要求21所述的方法，其中一组正弦图被提供作为用于两基分解的输入以生成两个或更多个基图像表示，并且深度学习神经网络用于将所得的基图像表示变换为三材料分解。
23.一种用于基于能量分辨X射线数据的图像重建的系统(30；200)，
-其中所述系统(30；200)被配置为获得能量分辨X射线数据的至少一个表示，
-其中所述系统(30；200)被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集，
-其中所述系统(30；200)被配置为从所述基图像表示集中的至少两个基图像表示集获得或选择至少两个基图像表示，并且
-其中所述系统(30；200)被配置为通过基于机器学习系统(33；
210,225)的数据处理来处理所述获得或选择的基图像表示，以生成输出图像数据的至少一个表示。
24.一种用于基于能量分辨X射线数据的图像重建的系统(30；200)，包括：
-输入(31；240)，所述输入用于接收能量分辨X射线数据的至少一个表示；
-基材料分解系统(32；210；225)，所述基材料分解系统被配置为基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个基图像表示集；
-受训练的机器学习系统(33；210；225)，所述受训练的机器学习系统具有某一配置，所述配置是基于输入-输出配对的训练数据确定的，并且适于从所述基图像表示集中的至少两个基图像表示集接收至少两个基图像表示并通过基于机器学习的数据处理来处理所接收的基图像表示，以生成输出图像数据的至少一个表示；和
-输出(34；240)，所述输出用于输出输出图像数据的所述至少一个表示。
25.根据权利要求23或24所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)基于神经网络、支持向量机或基于决策树的实施方式。
26.根据权利要求23至25中任一项所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在测量患者图像数据或体模图像数据中的至少一者上进行训练，或者从基于数值体模的模拟图像数据进行训练。
27.根据权利要求23至26中任一项所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在第一类型的图像上进行训练，并且适于使用迁移学习在第二类型的图像上使用。
28.根据权利要求27所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)在非能量分辨CT图像上进行训练，并且适于使用迁移学习在能量分辨光子计数CT图像上使用。
29.根据权利要求23至28中任一项所述的用于图像重建的系统，其中所述机器学习系统(33；210；225)被配置为将所述获得或选择的基图像表示映射到输出图像数据的所述至少一个表示。
30.根据权利要求23至29中任一项所述的用于图像重建的系统，其中能量分辨X射线数据的所述至少一个表示源自X射线检测器(20)或中间存储设备(220)并包括能量分辨X射线图像数据和/或能量分辨X射线测量数据。
31.根据权利要求30所述的用于图像重建的系统，其中所述X射线检测器(20)是能量分辨光子计数检测器，也称为多仓光子计数X射线检测器。
32.根据权利要求23至31中任一项所述的用于图像重建的系统，其中输出图像数据的所述至少一个表示包括基图像表示集，称为基图像表示输出集，其中所述输出集中的基图像表示的数量大于所述至少两个原始基图像表示集中的任何一个原始基图像表示集中的基图像表示的最大数量。
33.根据权利要求32所述的用于图像重建的系统，其中所述基图像表示输出集具有一定数量的基函数，并且每个原始基图像表示集具有相应数量的基函数，并且对应于所述基图像表示输出集的所述基函数是对应于所述至少两个原始基图像表示集的所述基函数的并集的子集或等于所述并集。
34.根据权利要求23至33中任一项所述的用于图像重建的系统，其中输出图像数据的所述至少一个表示包括基图像表示和/或材料分解重建图像的输出集。
35.根据权利要求23至34中任一项所述的用于图像重建的系统，其中所述系统包括至少一个处理器和存储器，所述存储器包括指令，所述指令当由所述至少一个处理器执行时使所述至少一个处理器执行所述图像重建。
36.根据权利要求24至34中任一项所述的系统，其中所述基材料分解系统包括被配置为生成至少两个基图像表示集的处理电路系统，并且所述受训练的机器学习系统包括被配置为生成输出图像数据的至少一个表示的处理电路系统。
37.一种X射线成像系统(100)，所述X射线成像系统包括根据权利要求23至36中任一项所述的用于图像重建的系统(30；200)。
38.一种计算机程序产品，所述计算机程序产品包括非暂态计算机可读介质(220；230)，所述非暂态计算机可读介质上存储有包括指令的计算机程序(225；235)，所述指令当由处理器(210)执行时使所述处理器(210)：
-获得能量分辨X射线数据的至少一个表示，
-基于能量分辨X射线数据的所述至少一个表示来执行至少两个基材料分解，以生成至少两个原始基图像表示集，
-从所述原始基图像表示集中的至少两个原始基图像表示集提取至少两个基图像表示，以及
-通过基于机器学习的数据处理来处理所提取的基图像表示，以生成输出图像数据的至少一个表示。
CN202180057643.8A 2020-08-19 2021-07-06 涉及x射线成像的方法和系统 Pending CN116249489A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063067656P 2020-08-19 2020-08-19
US63/067,656 2020-08-19
PCT/SE2021/050685 WO2022039643A1 (en) 2020-08-19 2021-07-06 Methods and systems related to x-ray imaging

Publications (1)

Publication Number Publication Date
CN116249489A true CN116249489A (zh) 2023-06-09

Family

ID=80350529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180057643.8A Pending CN116249489A (zh) 2020-08-19 2021-07-06 涉及x射线成像的方法和系统

Country Status (5)

Country Link
US (1) US20230326100A1 (zh)
EP (1) EP4200809A1 (zh)
JP (1) JP2023539091A (zh)
CN (1) CN116249489A (zh)
WO (1) WO2022039643A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230132514A1 (en) * 2021-10-27 2023-05-04 Wisconsin Alumni Research Foundation System and method for controlling errors in computed tomography number

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016148616A1 (en) * 2015-03-18 2016-09-22 Prismatic Sensors Ab Image reconstruction based on energy-resolved image data from a photon-counting multi bin detector
US10970887B2 (en) * 2016-06-24 2021-04-06 Rensselaer Polytechnic Institute Tomographic image reconstruction via machine learning
US10559100B2 (en) * 2017-05-22 2020-02-11 Prismatic Sensors Ab Method and devices for image reconstruction
EP3451284A1 (de) * 2017-09-05 2019-03-06 Siemens Healthcare GmbH Verfahren zur automatischen artefakterkennung in computertomographischen bilddaten
US11039806B2 (en) * 2018-12-20 2021-06-22 Canon Medical Systems Corporation Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data
US11246555B2 (en) * 2019-05-17 2022-02-15 GE Precision Healthcare LLC Systems and methods for automatic tube potential selection in dual energy imaging
US11176642B2 (en) * 2019-07-09 2021-11-16 GE Precision Healthcare LLC System and method for processing data acquired utilizing multi-energy computed tomography imaging

Also Published As

Publication number Publication date
EP4200809A1 (en) 2023-06-28
US20230326100A1 (en) 2023-10-12
WO2022039643A1 (en) 2022-02-24
JP2023539091A (ja) 2023-09-13

Similar Documents

Publication Publication Date Title
US8923583B2 (en) Methods and systems for performing model-based iterative reconstruction
Carmi et al. Material separation with dual-layer CT
US7734076B2 (en) Material decomposition image noise reduction
US20200196973A1 (en) Apparatus and method for dual-energy computed tomography (ct) image reconstruction using sparse kvp-switching and deep learning
US9261467B2 (en) System and method of iterative image reconstruction for computed tomography
US9585626B2 (en) Methods and systems for spectral CT imaging
US10176603B2 (en) Sinogram (data) domain pansharpening method and system for spectral CT
WO2012123845A1 (en) Likelihood-based spectral data projection domain de-noising
US9437016B2 (en) Image domain pansharpening method and system for spectral CT with large pixel energy discriminating detectors
JP7143330B2 (ja) 画像再構築のための方法および装置
JP7427803B2 (ja) 光子計数ｘ線検出器のためのスペクトル・パイルアップ補正
CN116249489A (zh) 涉及x射线成像的方法和系统
CN111615363A (zh) 利用非谱成像系统的谱成像
CN107019518B (zh) 用于计算机断层扫描中的散射校正的信号处理方法及成像系统
US20230309937A1 (en) Spectral x-ray material decomposition method
US20240193827A1 (en) Determining a confidence indication for deep learning image reconstruction in computed tomography
WO2024036278A1 (en) System and method for generating denoised spectral ct images from spectral ct image data acquired using a spectral ct imaging system
US12004895B2 (en) Metric-based data management for X-ray imaging systems
Kim et al. Non-Positive Corrections and Variance Models for Iterative Post-Log Reconstruction of Extremely Low-Dose CT Data
Thibault et al. Correction of gain fluctuations in iterative tomographic image reconstruction
Fredette Multi-Material Discrimination Using Photon Counting Spectral 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