CN1502309A - 便于减少伪影的方法和装置 - Google Patents

Abstract

一种便于减少伪影的方法，包括接收关于对象(22)扫描的第一能谱的数据，接收关于对象扫描的第二能谱的数据，其中第二能谱与第一能谱不同。该方法进一步包括利用第一能谱数据重构至少一个原始的第一能量图像，利用第二能谱数据重构至少一个原始的第二能量图像，将至少一个原始的第二能量图像转换成至少一个转换的第一能量图像并将至少一个原始的第一能量图像结合至少一个转换的第一能量图像从而产生结合的第一能量图像。

Description

便于减少伪影的方法和装置

技术领域

本发明总体来说涉及多能计算机断层成像数据的采集和处理，更明确地涉及用于同时进行光谱移位和视图混叠伪影(view-aliasing artifact)补偿的方法和装置。

背景技术

尽管近来计算机断层成像(CT)技术有了很大发展，例如越来越快的扫描速度、利用多行探测器的越来越大的覆盖范围以及越来越薄的片层，但是能量分辨率仍然是缺失的一块。传统的CT图像代表所探查的对象的X-射线的衰减。严格来说，这种定义是不准确的，因为在传统CT系统中，利用了来自X-射线源的宽泛的X-射线的光子能谱以及探测系统的能量分辨率的缺乏。X-射线穿过给定的对象后的衰减不是恒定的。相反，X-射线的衰减坚固地依赖于X-射线的光子能量。

低能量的光子在特定点上的衰减通常较大并且随着它穿过机体会引起能谱移位。从不同方向到达机体内部的特定点的X-射线束一般具有不同的光谱，这是因为在它们到达该点之前穿过了具有不同衰减属性的物质。当试图对被扫描机体内的特定点处的衰减分配单一值时，这就将产生困难。这种物理现象表明自身可以在图像中作为射线束硬化伪影，例如不均匀的阴暗和条纹。这些伪影中的某一些的视觉显著性能够减小但是某一些则很难消除。通过用铝或铜过滤器来过滤预患者射线束，可以选择地除去光谱中的低能成分。这减轻了射线束硬化效应的影响，但是不能完全消除这些影响。此外，对于可以进行的过滤量还有实际限制。过滤减少了能引起噪声增大的总能量流。另外，较低能量的光子的损失减小了对比区别度。

关于用来增强过滤的射线束硬化校正算法的文献是很丰富的。对于具有一般用于医疗CT的X-射线谱和峰值千伏电压的主要的软组织结构的扫描，由于康普顿散射因此几乎具有完全的射线束硬化效应。对于单一的能量扫描，解决软组织内的这种现象的普通方法是水校准，其中利用均匀的水模来优化高次多项线性算法中的参数。但是光电作用对于骨骼内的X-射线衰减也是一个重要影响，因此水校准是不足的。一般采用在第一扫描图像中对骨骼进行分割的迭代骨骼校正算法，然后在第二扫描图像中校正来自骨骼的射线束硬化。但是来自不同于水和骨骼的物质的射线束硬化，例如金属和造影剂，则很难校正。即使在运用了校正之后，传统的CT也不能提供定量的图像值。而是，位于不同位置的同样的材料常常显示出不同的CT数。

传统CT的另一个缺陷是缺乏物质特征化。例如，具有低密度的高衰减性物质可能导致和具有高密度的衰减性较低的物质相同的图像CT数。因此，仅仅基于CT数会得到关于所扫描对象的物质成分的很少的信息或得不到信息。

发明内容

一方面，提供了便于减小伪影的方法。该方法包括接收关于对象扫描的第一能谱的数据并且接收关于对象扫描的第二能谱的数据，其中第二能谱和第一能谱不同。该方法进一步包括利用第一能谱数据重构至少一个原始的第一能量图像，利用第二能谱数据重构至少一个原始的第二能量图像，将至少一个原始的第二能量图像变换成至少一个变换的第一能量图像，并且将至少一个原始的第一能量图像与至少一个变换的第一能量图像相结合从而产生结合的第一能量图像。

另一方面，提供了一种便于减小伪影的方法。该方法包括接收关于对象扫描的第一能谱数据并且接收关于对象扫描的第二能谱数据，其中第二能谱和第一能谱不同。该方法进一步包括利用第一能谱数据重构至少一个原始的第一能量图像，利用第二能谱数据重构至少一个原始的第二能量图像，将至少一个原始的第二能量图像变换成至少一个变换的第一能量图像，重投射至少一个变换的第一能量图像以产生能投射的第一能谱数据，并且将第一能谱数据与重投射的第一能谱数据相结合从而产生结合的第一能谱数据。

还有一方面，提供了一种多能计算机断层成像(MECT)系统。该MECT系统包括至少一个辐射源、至少一个辐射探测器以及运算地耦联到至少一个辐射源和至少一个辐射探测器的计算机。设置计算机以接收关于对象扫描的第一能谱数据，接收关于对象扫描的第二能谱数据，其中第二能谱和第一能谱不同。进一步设置计算机以将第二能谱数据变换成变换的第一能谱数据，利用第一能谱数据重构至少一个第一能量图像，利用变换的第一能谱数据重构至少一个变换的第一能量图像并且将至少一个第一能量图像与至少一个变换的第一能量图像相结合从而产生至少一个结合的第一能量图像。

提供了一种多能计算机断层成像(MECT)系统。该MECT系统包括至少一个辐射源、至少一个辐射探测器以及运算地耦联到至少一个辐射源和至少一个辐射探测器的计算机。设置计算机以接收关于对象扫描的第一能谱数据，接收关于对象扫描的第二能谱数据，其中第二能谱和第一能谱不同。进一步设置计算机以将第二能谱数据变换成变换的第一能谱数据，并且将第一能谱数据与变换的第一能谱数据相结合从而产生结合的第一能谱数据。

附图说明

图1是多能计算机断层成像(MECT)成像系统的示意图。

图2是图1中所示的系统的方块图。

图3显示了不同的X-射线谱的平面图。

图4显示了便于减小伪影的基于图像的方法。

图5显示了便于减小伪影的基于投影的方法。

具体实施方式

本说明书中所述的方法和装置意欲将视图混叠伪影校正方案与光谱移位补偿算法进行相互结合从而根据能谱的连续变化来采集多能计算机断层成像数据。下面所述的算法的输出是适于多能分解算法应用的非混叠的、光谱移位补偿的、高和低能数据(投影或重构的图像)。

此外，本说明书中所述的方法包括利用X-射线和材料相互作用的基本性质的新式途径。例如，对于每个射线轨道，可以获得具有不同的平均X-射线能量的多个测量值。当对这些测量值进行康普顿和光电分解和/或基础材料分解(BMD)时，可以获得能够改善精确性和特征化的附加信息。

在一些公知的CT成像系统构造中，X-射线源射出扇形射线束(将其校准以使其位于笛卡尔坐标系的x-y平面内并通常将其称为“成像平面”)。X-射线束穿过正在成像的对象例如病人。该射线束在被对象衰减之后，撞击在辐射探测器阵列上。在该探测器阵列上接收到的衰减的辐射线束的强度取决于通过对象的X-射线束的衰减。该阵列的每个探测器元件产生单独的电信号，电信号是对在探测器位置上的射线束强度的测量值。分别采集来自全部探测器的强度测量值从而产生透射轮廓。

在第三代CT系统中，X-射线源和探测器阵列绕着要成像的对象在成像平面内以机架旋转，因此X-寸线束贯穿对象的角度经常变化。来自在一个机架角度的探测器阵列的一组X-射线衰减测量值即投影数据称作“视图(view)”。对象的“扫描”包括在X-射线源和探测器的一次旋转期间的由在不同的机架角度或视角上形成的一组视图。

在轴向扫描中，处理投影数据以建立与从对象中提取的二维片层相对应的图像。用于重构来自一组投影数据的图像的一种方法在本领域中被称为滤波反向投影技术。这种方法将来自扫描的衰减测量值转化为称作“CT值”或“Hounsfield单位”(HU)的整数，用它来控制阴极射线管显示器上的相应象素的明亮度。

为了缩短整个扫描时间，可以执行“螺旋式”扫描，其中当采集规定数目个片层数据时使患者移动。这种系统从扇形射线束螺旋式扫描中产生单独的螺旋线。由该扇形射线束绘制出的螺旋线生成投影数据，通过该数据可以重构每个规定片层内的图像。

用于螺旋式扫描的重构算法通常使用螺旋加权算法，它加权收集到的数据作为视角和探测器通道索引的函数。具体的，在滤波反向投影处理之前，根据螺旋式加权因子来加权数据，它既是机架角度又是探测器角度的函数。然后处理加权数据以产生CT数并构建相应于从对象提取出的二维片层的图像。

为了进一步缩短整个采集时间，已经引入了多片层CT。在多片层CT中可以随时立即地同时采集多行投影数据。当结合螺旋扫描模式时，系统产生锥形射线束投影数据的单独的螺旋线。与单独的螺旋片层类似，加权方案是一种衍生出的可以在滤波反向投影算法之前将投影数据乘以权值的方法。

在此，单数叙述并以“一个(a)”或“一个(an)”开始的元件或步骤应该理解为不排除多个所述的元件或步骤，除非这种排除被明确地注明。而且，本说明书的方法和系统的“一个实施例”的标记不应当解释为排除了附加实施例的存在，它也结合了所述的特征。

而且在此，术语“重构图像”不意味着排除这里所述的方法和系统的实施例：其中产生代表图像的数据但不是可视图像。但是，许多实施例产生(或设置其产生)至少一个可视的图像。

参照图1和2，多能扫描成像系统例如多能多片层计算机断层成像(MECT)成像系统10，显示为包括代表“第三代”CT成像系统的机架12。机架12具有X-射线源14，X-射线源14将X-射线束16朝着在机架12的反面上的探测器阵列18投影。探测器阵列18由多个探测器行(未显示)形成，探测器行含有多个一起感应穿过对象(例如医疗患者22)投射的射线X-射线的探测器元件20。每个探测器元件20产生代表撞击X-射线束的强度的电信号从而可利用它来估计射线束穿过对象或患者22之后的衰减。在扫描采集X-射线投影数据期间，安装的机架12和部件绕着旋转中心24旋转。图2仅显示了单独的一行探测器元件20(即探测器行)。但是，多片层探测器阵列18包括多个平行的探测器元件20的探测器行，因此在扫描期间可以同时采集与多个准平行或平行片层相应的投影数据。

机架12上的部件的旋转和X-射线源14的运行由MECT系统10的控制机构26来控制。控制机构26包括向X-射线源14提供电能和定时信号的X-射线控制器28以及控制机架12上的部件的旋转速度和位置的机架马达控制器30。控制机构26中的数据采集系统(DAS)32从探测器元件20中采样模拟数据并将该数据转化成用于随后处理的数字信号。图像重构器34接收来自DAS 32的采样的数字化的X-射线数据并执行高速的图像重构。将该重构的图像输入到计算机36，计算机36将图像存储于存储装置38中。图像重构器34可以是专用的硬件或在计算机36上执行的计算机程序。

计算机36还接收操作者通过控制台40(具有键盘)发出的命令和扫描参数。相连的阴极射线管显示器42允许操作者观察重构的图像和来自计算机36的其他数据。计算机36利用操作者提供的命令和参数来提供控制信号和信息给DAS 32、X-射线控制器28和机架马达控制器30。此外，计算机36操作台面马达控制器44，控制器44控制动力化的台面46以将患者22定位在机架12内。特别地，台面46通过机架开口48移动患者22的部分。

在一种实施例中，计算机36包括装置50例如软驱、光驱、DVD光驱、磁光盘(MOD)器件或任何其他的包括网络连接装置(例如用于从计算机可读媒介52上读取指令和/数据的以太网装置)的数字装置例如软盘、光盘、DVD、MOD或其他数字源(例如网络或Internet)以及将来开发的数字装置。在另一个实施例中，计算机36执行存储于固件(未显示)中的指令。计算机36编程以执行本说明书中所述的和所用到的功能，术语计算机不局限于那些本领域中称为计算机的集成电路，而是宽泛地指计算机、处理器、微型控制器、微型计算机、可编程逻辑控制器、专用集成电路以及其他可编程的电路，在此这些术语可以交换使用。

可以设置MECT系统10以响应不同的X-射线谱。MECT 10便于减少或消除传统的CT中有关的多种问题，例如但不局限于：缺乏能量识别和物质特征化。在不存在对象散射的情况下，人们仅需要系统10来分开地探测光子能谱的两个区域：入射的X-射线光谱的低能量和高能量部分。处于任何其他能量的状态可以基于来自两个能量区域的信号来获得。这种现象是由基础事实造成的：在医疗CT感兴趣的能量区域中，两种物理过程支配着射线X-射线的衰减，即(1)康普顿(Compton)散射和(2)光电效应。为了鉴定在射线X-射线衰减下的对象的状态，仅测量两个独立的参数。因此，来自两个能量区域的探测信号提供充足的信息以分析正在成像的对象的能量关系。尽管上述的具体实施例指的是第三代CT系统，但是本说明书中所述的方法等于运用了第四代CT系统(固定探测器-旋转X-射线源)和第五代CT系统(固定探测器和X-射线源)。

在示范实施例中，MECT利用了分解算法，例如但不局限于CT数值差算法、康普顿和光电分解算法、基础材料分解(BMD)算法和对数减法分解(LSD)算法。

CT数差算法包括计算CT中的差值或在不同的管电势下获得的两个图像之间的Hounsfield数值。在一种实施例中，基于一个象素一个象素计算出差值。在另一种实施例中，在感兴趣的区域上计算平均的CT数值差。康普顿和光电分解算法包括利用MECT 10来采集一对图像并分别表示从康普顿和光电过程中得到的衰减。BMD算法包括获取两个CT图像，其中每个图像代表一种基础材料的等价密度。由于物质密度独立于X-射线光子能量，因此这些图像基于没有射线束硬化伪影。此外，操作者可以选择基础材料来指定感兴趣的特定物质为目标，从而提高图像对比度。在使用中，BMD算法是基于这样的概念：任何给定的物质的射线X-射线衰减(在医疗CT的能量区域中)可以由其他两个给定的物质的合适的密度混合来表示，因此这两个物质被称为基础材料。在一种实施例中，利用LSD算法可以获得具有准单能X-射线谱的图像，可以用两种物质的每一个的有效衰减系数来表征被成像对象的特征，因此LSD算法没有结合射线束硬化校正。此外，LSD算法没有校准，但是使用了组织取消参数识别，该参数是给定的物质在每次曝光的平均能量下的有效衰减系数的比率。在示范实施例中，组织取消参数主要取决于用来采集图像的光谱和任何改变所测得的信号强度的附加因素，对一对理想的单能曝光是可期待的。。

应当注意为了使多能CT系统最优化，光谱分离越大图像品质越好。而且，这两个能量区域中的光子统计应当相似，否则较差的统计区域将支配图像噪声。

已经提出过几种采集双能计算机断层成像数据的方法。可以连续执行两个扫描，每一个都利用各自的X-射线谱并覆盖同样的组织。虽然这种方法可以不需要改动硬件地在标准CT系统上实现，但是它带来了一些不希望的影响。在扫描之间的有限时间差(在当前高级的第三代CT系统上大约为0.3-0.5秒)会造成这种可能性：患者的解剖结构可能由于扫描之间的有意(例如肌与骨的)或无意(例如心脏的或压缩力的)的动作而移动从而导致由高和低能量数据的任何适当的结合重构的图像中的位置不正的伪影。由于具有光谱基本的重叠量，因此连续地以两个不同的能量扫描也不理想。图3中显示了这种重叠。而且，与依次以两种不同的光谱扫描有关的曝光大约为两倍，由于较低的kVp扫描而用了附加的剂量。另一种获取MECT数据的方法是根据探测器的穿透深度来探测光子能量。该方法的一种缺陷是光子的停止是统计学的。因此，仍具有一定量的能谱重叠。获取MECT数据的第三种方法是光子计数。这种方法是最优的，因为它提供了用于平衡光子统计的整齐的光谱分离以及可调的能量分离点。虽然探测光子穿透深度和光子计数法可能是较好的，因为不容易受到患者运动伪影和过度的患者剂量的影响，但是它们不能在没有彻底替换X-射线探测装备的当前系统上实现。

采集多能计算机断层成像数据的另一种方法包括在单独扫描期间顺序改变较高的能量和较低的能量之间的能谱。这种顺序变化的射线束能量可以通过在X-射线源之前插入含有具有不同衰减属性的至少两种物质的旋转滤波器来实现。该方法不需要改变探测器，但是目前仍应当实现对管侧滤波器组件和控制的改动。通过顺序地改变对X-射线管供电的高电压电源的输出，可以实现同样的效果。kV调制可能需要X-射线发生器控制电路以固件和/或硬件形式的改动，但是不必需要探测器或管滤波器重组工程。覆盖具有薄金属箔的探测器准直器的交替的缝也将获得同样的效果。这需要探测器准直器进行最低限度的侵入性的工程改变，但是不允许系统易于在单能和双能扫描模式之间转换，并可能导致对于患者增加的剂量。根据这个思想，本发明的一种实施例利用了高电压电源的调制。应当注意这种kV调制可以与管电流的调制相耦联。由于灯丝上的物理性(例如热的)限制，因此mA调制通常以比kV调制低得多的频率进行。

所有这三种多能数据采集技术—旋转滤波、调制kV以及具有沿着探测器弧的探测器单元位置的可变滤波—在很多方式中都是有利的。首先，沿着大致相等的角度射线路径进行捕获之间的时间间隔可以减少至超过两个数量级。高频(HF)发生器kV响应时间，也就是达到设置电压所需的时间大约为闭环电压控制方式的250μs。然后通过每隔一个视图、每隔两个视图的交插扫描或其他任何合适的调制函数可以形成投影。迄今为止本发明假定双能数据是每隔一个视图地交插扫描的。尽管这通过固有地及时配准低和高能捕获而减少了失配准的伪影，但是对于扫描的时间分辨率不改变。根据该数据重构的图像仍需要最少覆盖180°+2γ_m的投影装置，其中2γ_m是探测器扇形角度。在某些情况下，患者有意或无意的动作仍会导致在扫描开始和结尾的数据之间的不一致，并引起运动的伪影例如条纹、褶皱或模糊。虽然对这种数据采集方法并不特定，但是这里要注意考虑时间分辨率以区别多能扫描内的扫描内和扫描间伪影。kV-调制采集的另一项优点是减少了患者剂量。与在一个接一个的不同的能量下采集投影数据的装置相比。交插扫描捕获可以实现至少50％的曝光减少。

但是这种采集方式并不是没有缺陷的。通过在一个扫描期间顺序地改变较高的和较低的能量之间的能谱，所采集的投影的总数保持不变，但目前在两个能量中间划分。因此，如果每隔一个视图就以另外的能量来收集，则对于每个能谱就具有一半投影。由于没有足够数量的投影，则会发生混叠。

根据香农(Shannon)采样法则，必须以信号中包含的最高空间频率的至少两倍的速度来采样原始数据从而避免混叠。在重构图像中视图混叠伪影可以为条纹被看见。理论上讲，在等角扇形射线束几何中的方位角方向上的最小采样频率由 $N_{\min }=\frac{4\mathrm{\π}{\mathrm{Rv}}_m}{1-\sin {\mathrm{\γ}}_m}$ 得出，其中N_min是视图的最小数量，R是重构的无伪影区域的半径，ν_m是最大可解析的空间频率以及γm是探测器扇形角度的一半。通过利用超快kV调制来插入MECT数据，可以保持每次旋转收集到相同数量的全部视图，但是以每个能量收集的视图的数量减少。这个问题随着能量数量的增加而日益恶化。对于双能CT的情况下，每隔一个视图的kVp调制将每个光谱收集到的投影的数量减半。从上述方程可以清楚地看出如果以360°收集到的投影的数量减半，则如果预期的最大可解析的频率保持固定，无伪影的区域的半径将会减少50％。类似的，将投影数量减半将导致在相同视场(FOV)半径中的最大可解析频率减半。对于集中在小FOV上的扫描例如心脏的或头部探测，这将不会有太大的影响。

实际上，并不能严格满足上述方程，而是使用多种方法来最小化视图混叠伪影的显著性。这些方法其中的一种是四分之一探测器移位。通过精确地将探测器阵列移位探测器元件的宽度的四分之一，共轭视图或那些分开180°的视图将具有轻微移位的射线。这种机构提供了最小化视图混叠伪影所需的附加数据。除了硬件几何结构之外，还有用来抑制视图混叠效应的许多软件技术。通常，任何类型的平滑算法对于减少混叠伪影的显著性都是有益的。但是，这种低通滤波技术却牺牲了高频图像成分。并且还存在许多的预重构插值方案。这些技术包括视图插值、Radon Radon空间插值以及傅立叶域插值。这些插值方案可以是简单线性或双线性算法、利用Laguerre多项式的高次算法或更复杂的自适应方案。另外，已经提出了大量的减小视图混叠效应的重投影基础的方法，例如但不局限于中间视图重投影(IVR)、中间视图去卷积的重投影(IDVR)、误差校正(EC)以及混合方案。这些方法通常以视图混叠、单能计算机断层成像(SECT)扫描来说明，但是它们可以容易地分别施加于每种视图混叠的ME投影。虽然这将对重构图像提供一些伪影显著性的减少，但是仅仅会实现亚最佳的效果。而且，保持了kV调制MECT的基本局限，最终的多能分解图像将具有这样的体素，对该体素仅数据的一个能量被采集—来自其他能量的数据处在“缺失”的视图里。可以设置这里所述的方法和装置以按照对解决该问题彼此有利的方式来利用隔行扫描的多能数据。

下面将提供一种视图混叠伪影校正方案和光谱移位补偿算法结合的方案及其对由能谱的连续变化所采集的多能计算机断层成像数据的应用的方法。这种算法的输出是非混叠的、光谱移位补偿的、适于运用多能分解算法的高和低能数据(投影或重构图像)。

另外，提供了一种利用kV调制多能投影数据来同时执行光谱移位补偿和减少视图混叠伪影的方法。这里所述的方法可以在具有单管/单探测器系统的第一、第二、第三和第四代CT系统以及多管/多探测器系统和其他多管/多探测器系统或体CT方法上实现。还可以在专用胸部CT系统中运用。这里所述的方法和装置可以应用于任何受益于多能CT的临床应用中，包括肥/瘦组织特征化、基于物理的分割、多对比度识别以及骨骼矿物质密度测定。这里所述的方法和装置同样可以应用于非破坏性测试应用中，包括爆炸物和违禁品的检验。

这里说明了两种便于减少伪影的方法，在图4和图5中显示。光谱移位补偿的传统方法对重构的图像数据起作用。但是，MECT数据的有效性还适用于投影域中运用的光谱移位补偿算法。图4显示了便于减少伪影的基于图像的方法60。虽然方法60是以双能CT的概念描述的，但方法60还能扩展到包括利用三个或更多能谱的应用的MECT应用。方法60包括采集隔行扫描的双能投影数据62，因此偶数和奇数的视图可以分别在高和低能量上。要注意对偶数和奇数的视图的高和低能量分配可以不用影响算法地进行颠倒。此外，如上所述，不必每隔一个视图就进行隔行扫描。通常，隔行扫描可以每隔n个视图地进行，其中n大于或等于一且小于所获视图的总数的一半。应当注意置于用在半扫描和全扫描图像重构技术的非kV隔行扫描的投影设置上所建立的最小角度范围需要仍应用于kV隔行扫描的投影设置。利用可适用的kV相关校准在投影数据集上进行标准增益、偏移、余辉、探测器温度、主射线束强度以及其他决定性误差的校正。利用扇形或锥形射线束几何、门控的(预期地或回顾地)或非门控的，可以以螺旋或轴向式采集这些数据。

方法60可选择地包括插入64投影数据62的缺失视图，可任选择地将扇形射线束投影数据集重新装入(rebinning)66到等价的平行射线束投影数据集。方法60还包括利用已知的重构技术分别重构68低和高能断面图像70和71。例如，可以利用滤波反向投影(FBP)、代数重构技术(ART)和/或同时代数重构技术(SART)。一般，ART算法用来重构有限的视图投影集，但容易导致低效的计算。可以运用半扫描或全扫描重构。由于图像70是利用不完整的视图集重构68的，因此会出现混叠的伪影，尤其在扫描视场(SFOV)的外围。

方法60进一步包括分别利用视图混叠的低和高能图像70和71进行光谱移位补偿72，其中可以运用任何数的光谱移位补偿算法。光谱移位补偿算法包括基于校准的方法或可以利用任何数的单程或迭代的射线束硬化算法，包括多能量基础的能量分解。该步骤的目的在于利用双能图像以确定在用于采集高和低能数据集的能量的有效衰减。一旦确定了在任何所需能量下的有效衰减，低能图像70(根据奇数投影重构的)就转化成高能图像75(在奇数投影处)。类似地，高能图像71(根据偶数投影重构的)转化成低能图像74(在偶数投影处)。因此，获得以全部投影角度采样的低和高能图像。换句话说，对象扫描是利用两个或更多不同的能谱执行的，并且多个原始第一能量图像和多个第二能量图像是基于扫描接收到的数据产生的。原始第一能量图像转化成这里所述的多个第二能量图像。另外，原始第二能量图像转化成多个第一能量图像。在下面所述的一种实施例中，结合原始第一能量图像和转化的第一能量图像以形成一组完整的视图混叠伪影补偿的第一能量图像。

更具体的是，在一种实施例中，方法60包括结合76偶数投影74处的低能图像与奇数投影70处的低能图像以生成一组完整的低能图像数据78。在选择实施例中，方法60包括在投影空间内结合80偶数和奇数的低能数据。更具体的是，转化的低能图像74(根据偶数投影重构的)重投影82入Radon空间中并与原始低能投影(在偶数投影处)相结合80从而生成一组完整的(既有奇数又有偶数的投影)在低能量下的视图混叠伪影补偿的投影数据84。在一种实施例中，作为方法步骤76的替换，对这组完整的低能投影数据84上进行图像重构86从而生成这组完整的低能图像数据78。方法60可以选择性地包括在这组完整的低能图像数据78上执行后处理88，如，但不局限于噪声减弱和边缘增强。

在一种实施例中，方法60包括结合90高能图像(根据偶数投影重构的)与奇数投影下的高能图像以生成一组完整的高能图像数据92。在选择实施例中，方法60包括在投影空间内结合94偶数和奇数的高能数据。更具体的是，转化的高能图像75(根据偶数投影重构的)重投影96入Radon空间中并与原始高能投影(在偶数投影处)相结合94从而生成一组完整的(既有奇数又有偶数的投影)在高能量下的视图混叠伪影补偿的投影数据98。在一种实施例中，作为方法步骤90的替换，在这组完整的高能投影数据98上进行图像重构100从而生成这组完整的高能图像数据92。方法60可以选择性地包括在这组完整的高能图像数据92上执行后处理102，例如但不局限于噪声减弱和边缘增强。在一种实施例中，然后将这组完整的高能图像数据92和这组完整的低能图像数据78输入后重构分解104，然后可对所得的基础材料图像106进行选择性的后处理并显示给观测者。

在选择实施例中，这组完整的高能投影数据98和这组完整的低能投影数据84输入108到预重构MECT分解算法110，然后进行重构112。然后可对所得的基础材料图像106进行选择性的后处理并显示给观测者。

对于图像重构，如果图像重构过程是线性的，例如FBP算法，则由此可见分别从奇数和偶数投影中重构的图像的结合等价于组合奇数和偶数采样的投影而后重构完整数据组。

图5显示了便于利用减少伪影的基于投影的方法的方法120的另一种实施例。虽然方法120是以双能CT的概念描述，但是方法120可延伸到包括利用三个或多个能谱的应用的MECT应用。方法120包括采集隔行扫描的双能投影数据122从而分别在高和低能量下得到偶数和奇数的视图。要注意对偶数和奇数的视图的高和低能量分配可以不用影响算法地进行颠倒。此外，如上所述，隔行扫描不必每隔一个视图地进行。通常，隔行扫描可以每隔n个视图地进行，其中n大于或等于一，且小于所获视图的总数的一半。应当注意置于用在半扫描和全扫描图像重构技术的非kV隔行扫描的投影设置上所建立的最小角度范围需要仍应用于kV隔行扫描的投影设置。利用可适用的kV相关校准在投影数据集上进行标准增益、偏移、余辉、探测器温度、主射线束强度以及其他决定性误差的校正。利用扇形或锥形射线束几何、门控的(预期地或回顾地)或非门控的，可以以螺旋或轴向式采集这些数据。

方法120可选择地包括插入124投影数据122的缺失视图，可选择地将扇形射线束投影数据集重新装入126为等价的平行射线束投影数据集。方法120还包括分别利用视图混叠的低和高能量投影数据130和131进行的光谱移位补偿128，其中可以运用任何数的光谱移位补偿算法。光谱移位补偿算法包括基于校准的方法或可以利用任何数的单程或迭代的射线束硬化算法，包括多能量基础的能量分解。该步骤的目的在于利用双能投影数据以确定在用于采集高和低能数据集的能量下的有效衰减。一旦确定了在任何所需能量下的有效衰减，低能投影数据(在奇数投影处)就转化成高能投影数据131(在奇数投影处)。类似地，高能投影数据(在偶数投影处)转化成低能投影数据130(在偶数投影处)。因此，获得以全部投影角度采样的低和高能投影数据。

在一种实施例中，方法120包括重构132偶数低能投影数据和原始的奇数低能投影数据以产生在奇数投影134下的低能图像和在偶数投影136下的低能图像，并结合138在偶数投影136下的低能图像和在奇数投影134下的低能图像以产生一组完整的低能图像数据140。重构132利用已知的重构技术进行。例如，可以利用滤波反向投影(FBP)、代数重构技术(ART)和/或同时代数重构技术(SART)。一般，ART算法用来重构有限的视图投影集，但容易造成计算效率低。可以运用半扫描或全扫描重构。由于图像134和136是利用不完整的视图集来进行重构132的，因此会出现混叠的伪影，尤其在扫描视场(SFOV)的外围。

在变型实施例中，方法120包括结合142偶数的低能投影数据和原始的奇数低能投影数据以生成一组完整的(既有奇数又有偶数的投影)在低能量下的视图混叠伪影补偿的投影数据144。在一种实施例中，作为方法步骤138的替换，对这组完整的低能投影数据144进行图像重构146从而生成这组完整的低能图像数据140。方法120可以选择性地包括对这组完整的低能图像数据140执行后处理148，例如但不局限于噪声减弱和边缘增强。

在一种实施例中，方法120包括重构150奇数的高能投影数据和原始的偶数高能投影数据以产生在奇数投影152下的高能图像和在偶数投影154下的高能图像，并结合156在偶数投影154下的高能图像和在奇数投影152下的高能图像以产生一组完整的高能图像数据158。重构150利用已知的重构技术进行。例如，可以利用滤波反向投影(FBP)、代数重构技术(ART)和/或同时代数重构技术(SART)。一般，ART算法用来重构有限的视图投影集，但容易造成计算效率低。可以运用半扫描或全扫描重构。由于图像152和154是利用不完整的视图集来进行重构150的，因此会出现混叠的伪影，尤其在视图扫描域(SFOV)的外围。

在变型实施例中，方法120包括结合160奇数的高能投影数据和原始的偶数高能投影数据以生成一组完整的(既有奇数又有偶数的投影)在高能量下的视图混叠伪影补偿的投影数据162。在一种实施例中，作为方法步骤156的替换，对这组完整的高能投影数据162进行图像重构164从而生成这组完整的高能图像数据158。方法120可以选择性地包括在这组完整的高能图像数据158上执行后处理166，例如但不局限于噪声减弱和边缘增强。在一种实施例中，然后将这组完整的高能图像数据158和这组完整的低能图像数据140输入到后重构分解168，然后可对所得的基础材料图像170进行选择性的后处理并显示给观测者。

在选择实施例中，这组完整的高能投影数据162和这组完整的低能投影数据144输入172到预重构MECT分解算法174然后进行重构176。然后可对所得的基础材料图像170进行选择性的后处理并显示给观测者。

对于图像重构，如果图像重构过程是线性的，例如FBP算法，则认为组合分别从奇数和偶数投影中重构的图像等价于组合奇数和偶数采样的投影而后重构完整数据集。

应当注意方法60和方法120是结合隔行扫描的多能数据以执行射线束硬化和视图混叠的伪影的最小化的两种方式。这些或其他类似的方法、或这些方法的部分可以利用迭代技术予以扩展。

注意对方法60和方法120的选择要遵循对必需系统折中的合理估计，例如处理时间、存储器的要求以及算法特性和对成像或诊断任务的具体需要的考虑。例如，特定的诊断任务可能需要除了基础材料图像之外的CT图像的显示。对方法60和方法120的选择确定了直接可用性、样式和输出CT图像的品质。

注意上述技术还需要在获取的视图数量和使用的能量数量之间进行最优化。为了采集高空间分辨率的图像，人们期望在采集中视图混叠最小和能级的数量最小。为了最优化射线束硬化校正和组织特征化，人们需要尽量多的不同的能量采集。因此，可以采取相同的通用手段，但是可以对调制和校正方案进行改动以适于具体的成像或诊断任务的需要。

虽然已经参照各种具体实施例说明了本发明，但是本领域普通技术人员将理解在权利要求书的精神和范围内本发明可以在改动中进行实践。

Claims (12)

1.一种多能计算机断层成像(MECT)系统(10)，包括：

至少一个辐射源(14)；

至少一个辐射探测器(18)；以及

可操作地耦联到所述至少一个辐射源和所述至少一个辐射探测器的计算机(36)，设置所述计算机以：

接收关于对象(22)扫描的第一能谱数据；

接收关于对象扫描的第二能谱数据，其中所述第二能谱与所述第一能谱不同；

将所述第二能谱数据转换成转换的第一能谱数据；

利用所述第一能谱数据重构至少一个第一能量图像；

利用所述转换的第一能谱数据重构至少一个转换的第一能量图像；并

将至少一个第一能量图像与至少一个转换的第一能量图像相结合以产生至少一个结合的第一能量图像。

2.根据权利要求1的MECT系统(10)，其中进一步设置所述计算机(36)：

将所述第一能谱数据转换成转换的第二能谱数据；

利用所述第二能谱数据重构至少一个第二能量图像；

利用所述转换的第二能谱数据重构至少一个转换的第二能量图像；并

将至少一个第二能量图像与至少一个转换的第二能量图像相结合以产生至少一个结合的第二能量图像。

3.根据权利要求2的MECT系统(10)，其中进一步设置所述计算机(36)以分解结合的第二能量图像和结合的第一能量图像以产生至少一个定量的材料特征化图像。

4.根据权利要求3的MECT系统(10)，其中设置所述计算机(36)以利用康普顿和光电分解、基础材料分解(BMD)以及对数减法分解(LSD)中的至少一种来分解至少一个结合的第二能量图像。

5.一种多能计算机断层成像(MECT)系统(10)，包括：

至少一个辐射源(14)；

至少一个辐射探测器(18)；以及

可操作地耦联到所述至少一个辐射源和所述至少一个辐射探测器的计算机(36)，设置所述计算机以：

接收关于对象(22)扫描的第一能谱数据；

接收关于对象扫描的第二能谱数据，其中所述第二能谱与所述第一能谱不同；

将所述第二能谱数据转换成转换的第一能谱数据；并

将所述第一能谱数据与所述转换的第一能谱数据相结合以产生结合的第一能谱数据。

6.根据权利要求5的MECT系统(10)，其中进一步设置所述计算机(36)以：

将所述第一能谱数据转换成转换的第二能谱数据；并

将所述第二能谱数据与所述转换的第二能谱数据相结合以产生结合的第二能谱数据。

7.根据权利要求6的MECT系统(10)，其中进一步设置所述计算机(36)以：分解所述结合的第一能谱数据和所述结合的第二能谱数据以产生至少一个定量的材料特征化图像。

8.根据权利要求6的MECT系统(10)，其中进一步设置所述计算机(36)以利用所述结合的第一能谱数据重构至少一个结合的第一能量图像。

9.根据权利要求8的MECT系统(10)，其中进一步设置所述计算机(36)以利用所述结合的第二能谱数据重构至少一个结合的第二能量图像。

10.根据权利要求9的MECT系统(10)，其中进一步设置所述计算机(36)以分解所述结合的第一能量图像和所述结合的第二能量图像从而产生至少一个定量的材料特征化图像。

11.根据权利要求7的MECT系统(10)，设置所述计算机(36)以利用康普顿和光电分解、基础材料分解(BMD)和对数减法分解(LSD)中的至少一种来分解所述结合的第一和第二能谱数据。

12.根据权利要求10的MECT系统(10)，其中设置所述计算机(36)以利用康普顿和光电分解、基础材料分解(BMD)和对数减法分解(LSD)中的至少一种来分解所述结合的第一和第二能量图像。

Images