Digitale
Bildgebungsverfahren spielen in der medizinischen Diagnostik und
Intervention inzwischen eine entscheidende Rolle. Während in
diagnostischen Verfahren wie z.B. in der Computertomographie, der
Magnetresonanz, dem Ultraschall und in Verfahren der Nuklearmedizin
digitale Techniken von Beginn an eingesetzt wurden, findet derzeit
in „konventionellen" Röntgenverfahren,
wie der Mammographie, Angiographie oder Kardiologie der Übergang zur
digitalen Bildgebung in hohem Maße statt. Seit Jahren verändern somit
digitale Röntgendetektoren die
klassische Radiographie. Verschiedenste Technologien sind entweder
schon länger
im Einsatz oder kurz vor der Marktreife. Zu diesen digitalen Technologien
zählen
unter anderem Bildverstärker-Kamerasysteme,
basierend auf Fernseh- oder
CCD-Kameras (charged coupled devices), Speicherfoliensysteme mit
integrierter oder externer Ausleseeinheit, Systeme mit optischer
Ankopplung der Konverterfolie an CCD's oder CMOS-Chips, Selen-basierte Detektoren mit
elektrostatischer Auslesung oder Festkörperdetektoren mit aktiven
Auslesematrizen und direkter oder indirekter Konversion der Röntgenstrahlung. Insbesondere
die letztgenannten Festkörperdetektoren
(FD) erfahren seit den letzten Jahren umfangreiche Entwicklungen
für den
Einsatz in der digitalen Röntgenbildgebung.
Einen Überblick über verschiedene
Systeme bzw. die generelle Funktionsweise von direkt oder indirekt
arbeitenden Festkörperdetektoren
sind ausführlich
beschrieben in „Flachbilddetektoren
in der Röntgendiagnostik", Radiologe 43 (2003)
S. 340-350).
Aus
der Anwenderpraxis ergibt sich permanent die Forderung nach einer
immer besseren Aufbereitung des digitalen Bildes, um den eigentlichen diagnostischen
Inhalt optimal darzustellen und um so die Diagnose zu erleichtern
bzw. zu beschleunigen. Ferner ist ein wesentliches Ziel der digitalen
Bildverarbeitung die Aufbereitung der Röntgenbilder zur Verringerung
der Strahlenbelastung des Patienten und des Untersuchenden. Dabei
fungiert die Bildverarbeitung als Mittler in den Fällen, in
denen eine Bildinformation in einer Form vorliegt, die dem Auge
aufgrund physiologischer Eigenschaften des menschlichen Sehens unzugänglich ist.
Zwei wesentliche Parameter für
eine optimale Bildeinstellung sind neben der Auflösung der
Pegel und der Kontrast. Dabei stellt die sogenannte Fensterung ein
Hilfsmittel dar, die auf ca. 27-28 Graustufen begrenzte Kontrastfähigkeit
des Auges auszugleichen, indem eine Spreizung von Bildteilbereichen
auf den gesamten Leuchtdichtebereich des Betrachtungsmediums erfolgt
und somit seine volle Dynamik ausnutzt. Die Parameter für die Fensterung
gewinnen mit der heute schon üblichen
hohen digitalen Auflösung
von bis zu 14 Bits und den damit 16384 Graustufen noch an Bedeutung.
Wird zu eng gefenstert oder ist der Pegel nicht optimal gewählt verschwinden
Bildinhalte, wird zu weit gefenstert wird das Bild zu kontrastarm
und Details sind schlechter erkennbar. Wie eingangs bereits erwähnt wird
zum anderen bei Röntgengeräten mit nahezu
verzögerungsfreier
Digitalisierung wie z.B. bei Röntgengeräten mit
Flachdetektoren die Bildverarbeitung dazu eingesetzt, eine Dosisregelung
(z.B. bei fluoroskopischen Untersuchungen mit hohen Bildraten von
ca. 30 Bildern/s) zu ermöglichen.
Dabei wird der Bildinhalt automatisch analysiert und daraus die
Generator-Einstellungen
(z.B. Hochspannung, Röhrenstrom,
Filter) für
nachfolgende Bildreihen abgeleitet. An dieser Stelle muss diese
Regelungsaufgabe sogar von digitalen Bildverarbeitung geleistet werden,
da anders als bei älteren
Technologien von Bildverstärkern,
hier kein separates optisches Signal abgeleitet werden kann, welches
für Regelaufgaben zu
benutzen wäre.
Für die Einstellung
der richtigen Fensterwerte sind aus dem Stand der Technik verschiedene Möglichkeiten
bekannt. So beschreibt US-A-4,827,492 eine Vorrichtung für eine manuelle Grauwertfensterung
bei der mit einem Bedienelement die Fensterbreite und mit einem
anderen Bedienelement die Fenstermitte, die obere oder die untere Fenstergrenze
eingestellt wird. Wünschenswert
sind allerdings automatisch ablaufende Verfahren, die im klinischen
Betrieb Zeit und Kosten sparen.
Eine
andere weit verbreitete Möglichkeit
zur automatischen Fensterung bei Röntgensystemen ist die ausschließliche Benutzung
so genannter Organtasten, die einen voreingestellten, empirisch
ermittelten Parametersatz für
den jeweiligen Aufnahmebereich benutzen. Als nachteilig erweist
sich hierbei, der hohe Bedienaufwand durch die Organtasten. Ferner
bleiben die durch die vorher festgelegten Parameter individuell
unterschiedlich Aufnahmebedingungen unberücksichtigt, die eingestellten
Parameter können
also nur einen Kompromiss darstellen.
In
der US-A 5,351,306 ist ein Verfahren beschrieben, bei dem durch
Ermittlung statistischer Parameter in lang gestreckten, parallel
zum Bildrand angeordneten Auswertefeldern die Lage von Einblendungen
gefunden werden kann. Dadurch, dass Überstrahlungen unberücksichtigt
bleiben und gedrehte Einblendungen nicht erkannte werden können, erhält man mit
einer derartigen Fensterung nicht immer optimale Ergebnisse.
Aus
der US-A5,150,421 ist ein Verfahren bekannt, bei dem der in der
Literatur beschriebene und allgemein bekannte Histogrammausgleich
(Gleichverteilung der Grauwerte) in etwas modifizierter Form durchgeführt wird.
Bei dieser nichtlinearen Grauwertetransformation ist aber auch eine
Beschränkung auf
den relevanten Bildbereich notwendig. Dies wird durch unterschiedliche
Gewichtung der einzelnen Pixel gelöst. Es wird vorausgesetzt,
dass Einblendungen und Überstrahlungen
extrem hell oder dunkel sind, sowie hauptsächlich an den Bildrändern zu
finden sind. Pixel nahe am Bildrand sowie mit extremen Grauwerten
werden also für
den Histogrammausgleich geringer gewichtet als solche, die näher zur Bildmitte
liegen oder die weniger extreme Grauwerte haben. Des Weiteren wird
eine Objektkonturerkennung vorgeschlagen, die auf Detektion von
großen Grauwertänderungen
im Bild basieren. Ein derartiges Verfahren weist die Nachteile auf,
dass diese nichtlineare Grauwerttransformation den Bildcharakter
verändert.
Weiterhin trifft die Annahme nicht immer zu, dass relevante Bildbereiche
immer in der Nähe
der Bildmitte liegen sowie keine extremen Grauwerte besitzen. Außerdem lassen
sich Einblendungen durch eine Objektkonturenerkennung allein durch
Detektion von großen
Grauwertänderungen
im Bild ohne weitere Maßnahmen
nicht zuverlässig
erkennen.
Aus
der DE-A1-197 42 152 ist ein Verfahren zur gefensterten Darstellung
von medizinischen Bildern bekannt, bei dem Einblendungen und/oder Überstrahlungen
erkannt und extrahiert werden und nur für die so erfassten bildrelevanten
Teile durch Ermittlung ihrer Minimal- und Maximalwerte ihre Fenstergrenzen
bestimmt werden. Dabei werden Überstrahlung
und/oder Einblendungen durch das Erkennen geometrischer Strukturen
vollständig
extrahiert, was auch das Entfernen von Pixel im Randbereich der
bildrelevanten Teile bewirkt. Ferner wird ein Verfahren beschrieben,
durch das, ausgehend von den Randbereichen, Einblendungen, hervorgerufen durch
eine Blende, extrahiert werden. Dabei werden schrittweise zur Bildmitte
hin Pixel auf Überschreitung
eines Schwellwertes hinsichtlich ihres Grauwertes untersucht. Die
hier beschriebenen Ansätze
gehen auf das Erkennen von geometrischen Strukturen, Kanten, Konturen
zurück.
Die
Erfindung geht von der Aufgabe aus, ein weiterentwickeltes Verfahren
anzugeben, welches auf einfache und robuste Art und Weise diagnostische
Inhalte von Röntgenbildern
von nicht-diagnostischen
Inhalten trennt, um eine optimale Bildwidergabe und Fensterung zu
erreichen. Dabei sind insbesondere Direktstrahlungsbereiche oder
Bereiche, die durch röhrenseitige Blenden
abgedeckt werden sowie Übergangs-
oder Randbereiche von den bildtechnisch relevanten Bereichen mit
diagnostischem Inhalt, dem Objektbereich, zu trennen. Ferner ist
es Aufgabe der Erfindung die verbleibenden diagnostischen Bildbereiche
so zu bestimmen, dass sie zur Regelung der Strahlendosis verwendet
werden können.
Die
Aufgabe wird gelöst
durch ein Bildverarbeitungsverfahren für die Ermittlung und Einstellung einer
optimierten Fensterung und/oder Dosisregelung insbesondere von Bildern
einer medizinischen Diagnostikeinrichtung basierend auf Röntgenstrahlung,
wobei das aus einer Anzahl von Pixel bestehende digitalisierte Bild
einer ursprünglichen
durch einen Röntgendetektor,
insbesondere Flachbilddetektor erzeugten Detektor-Bilddatenmatrix B
durch folgenden Schritte verarbeitet wird:
- 1.
Objektbereichsbestimmung durch:
1a) Bildung einer Eingangs-Bilddatenmatrix
B1 ausgehend von der ursprünglichen
Detektor-Bilddatenmatrix
B
1b) Zusammenfassung mehrerer Pixel der Eingangs-Bilddatenmatrix B1
zu interessierenden Bereichen und Erzeugung einer ROI-Bilddatenmatrix
B2 bestehend aus diesen ROI-Bilddatenelementen , wobei jedes Pixel
der Eingangs-Bilddatenmatrix nur einmal an der Bildung eines ROI-Bilddatenelements
beteiligt ist.
1c) Analyse der einzelnen ROI-Bilddatenelemente
der ROI-Bilddatenmatrix B2
1d) Auswahl der ROI-Bilddatenelemente
des Objektbereichs
- 2. Signalauswertung der ROI-Bilddatenelemente des Objektbereichs
Dabei
ist die ursprüngliche
Detektor-Bilddatenmatrix B die im Wesentlichen direkt über den Röntgendetektor
abgebildete Bilddatenmatrix, welche im Folgenden reduziert und vereinfacht
und hinsichtlich ihres interessierenden Objektbereichs untersucht
wird. In Abhängigkeit
von Detektorgröße, -auflösung und
-intelligenz entsteht nach einem möglichen ersten Iterationsschritt
eine komprimierte Eingangs-Bilddatenmatrix
B1 und nach einem zweiten Iterationsschritt eine ROI-Bilddatenmatrix
B2, die als Elemente so genannte ROI-Bilddatenelemte (ROI = Region
of Interest) beinhalten. Dadurch werden vorteilhaft sowohl die Anzahl
der Daten minimiert, welche Eingang in die weitere Analyse finden
als auch eine gewisse Glättung
der Ausgangsdaten erreicht. Mit der Analyse der ROI-Bilddatenelemente
werden diese nunmehr clusterbar und in verschiedene Bereiche einteilbar.
Durch Einteilung in die Bereiche wird darüber entschieden, ob die ROI-Bilddatenelemente einem
im Weiteren interessierenden Objektbereich angehören und in die weitere Betrachtung
einbezogen oder ob sie verworfen werden. Nach Extrahierung von interessierenden
ROI-Bilddatenelementen schließen
sich Einstellungen zur Objektbereichsbestimmung an. In weitergehenden
Auswertungen können
die Daten aus dem Objektbereich auch zur Regulierung der Strahlendosis
insbesondere bei sequentiellen Mehrfachaufnahmen verwendet werden. Das
Verfahren basiert im Wesentlichen darauf, dass klinische Objekte
im Allgemeinen Strukturen d.h. Kanten bzw. Grauwertänderungen
aufweisen (Knochen, Gefäße etc.).
Direktstrahlungsbereiche oder eingeblendete Regionen sind dagegen
sehr homogen, weisen keine solchen Strukturen auf und haben darüber hinaus
entweder sehr hohe Signale (Direktstrahlung) oder sehr niedrige
Signale (Blendenbereich).
Es
hat sich als vorteilhaft erwiesen, dass die Bildung der Eingangs-Bilddatenmatrix
B1 durch Reduzierung der Pixelanzahl erfolgt. Bei heutigen Flachdetektoren
einer Größe von 40 × 40cm ergeben sich
in der ersten Detektor-Bilddatenmatrix B bei einer Pixelgröße von ca.
150 μm über 7 Millionen
Pixel. Eine erste Reduzierung dieser Datenmengen erscheint, insbesondere
zur Gewährleistung
von Untersuchungen mit hohen Bildraten (z.B. 30 Bildern/s) auf Grund
von sich ergebenen Einschränkungen
in der Performance sinnvoll.
In
einer vorteilhaften Ausführungsvariante erfolgt
die Reduzierung der Pixelanzahl zur Bildung der Eingangs-Bilddatenmatrix B1
durch so genannte Unterabtastung der ursprünglichen Detektor-Bilddatenmatrix
B. Dabei wird die ursprüngliche
Detektor-Bilddatenmatrix B in Unterbereiche gerastert, wobei diese
zuvor festgelegten und in der Regel statischen, gleich großen und
sich nicht überlappenden Unterbereiche
aus einer bestimmten Menge von Pixel der ursprünglichen Detektor-Bilddatenmatrix
B zusammengesetzt werden. Aus diesen Unterbereichen wird nun ein
beliebiges oder ein immer an der gleichen Position im Unterbereich
liegendes Pixel stellvertretend zur Erzeugung der Eingangs-Bilddatenmatrix
B1 verwendet. Die Summe der einzelnen aus den Unterbereichen entnommenen
Pixel bildet die Eingangs-Bilddatenmatrix B1. Diese Ausführungsvariante
stellt ein sehr einfaches und performantes gleichsam aber oft ausreichendes
Verfahren zur ersten Reduzierung der ursprünglichen Bilddatenmenge dar.
In
einer weiteren vorteilhaften Ausgestaltungsform wird eine Reduzierung
der Pixelanzahl zur Bildung der Eingangs-Bilddatenmatrix B1 durch so genanntes
Binning erzeugt. Dabei wird aus den vorbeschriebenen Unterbereichen
wiederum ein Pixel zur Bildung der Eingangs-Bilddatenmatrix B1 gewonnen.
Diesmal wird jedoch das Pixel der Eingangs-Bilddatenmatrix B1 aus
den Signalpegeln (Grauwerte) aller Pixel des jeweiligen Unterbereichs errechnet.
Die Summe der für
den jeweiligen Unterbereich errechneten Pixel bildet die Eingangs-Bilddatenmatrix B1
für den
weiteren Algorithmus. Für
die Berechnung des jeweiligen den Unterbereich repräsentierenden
Pixel sind verschiedene Möglichkeiten denkbar,
wodurch eine unterschiedliche Wichtung der dem Unterbereich angehörenden Pixel
ermöglicht
wird. Vorteil dieser Ausführungsform
ist eine Verbesserung der Datenbasis für den weiteren Algorithmus,
da keine Pixel verworfen, sondern alle Pixel in die Bildung der
Eingangs-Bilddatenmatrix eingehen.
In
einer weiteren vorteilhaften Ausgestaltung der Erfindung wird vorgeschlagen,
das Pixel des Unterbereichs, welches der Erzeugung der Eingangs-Bilddatenmatrix
B1 dient, durch Mittelwertbildung der Signalpegel aller Pixel des
jeweiligen Unterbereichs zu errechnen. Eine solche Mittelwertbildung kann
sehr schnell durchgeführt
werden und bildet den Unterbereich für den weiteren Algorithmus
mit hinreichender Qualität
ab.
In
einer vorteilhaften Ausgestaltung der Erfindung hat es sich als
ausreichend und vorteilhaft erwiesen, dass der Unterbereich eine
Größe von 3 × 3 Pixel
bis 15 × 15
aufweist. Damit kann auf der einen Seite die Anzahl der Pixel um
den Faktor 9 -225 merklich minimiert werden, ohne das auf der anderen Seite
wichtige Informationen verloren gehen. Ferner lässt sich damit eine gute Anpassung
des Algorithmus an die verfügbare
Rechenleistung erreichen.
In
einer anderen Variante kann eine erste Komprimierung der ursprünglichen
Detektor-Bilddatenmatrix B bereits durch Algorithmen im Detektor und
damit durch den Detektor selbst erfolgen. Im Fall, in dem der Detektor
nur eine komprimierte Detektor-Bilddatenmatrix zur Verfügung stellt,
wird diese direkt zur Eingangs-Bilddatenmatrix B1 für die nachfolgenden
Verfahrensschritte. In einem solchen Falle könnte der Verfahrensschritt
zur Bildung der Eingangs-Bilddatenmatrix B1 im nachgeschalteten
digitalen Bildverarbeitungssystem durch 1:1 Beziehungen zwischen
Unterbereich und Pixel der komprimierten Detektor-Bilddatenmatrix
quasi inaktiv geschaltet und es ändert
sich an den Algorithmen selbst nichts. Eine Steuerung und Anpassung
an die Vorkomprimierung durch den Detektor erfolgt in diesem Falle
dann ausschließlich über die
versorgten Parameter.
In
einer weiteren vorteilhaften Variante wird ein ROI-Bilddatenelement
aus der Zusammenlegung von 5 × 5
bis 50 × 50,
vorzugsweise 10 × 10
bis 30 × 30
Pixel der Eingangs-Bilddatenmatrix
B1 gebildet. Damit ergibt sich beispielsweise mit den vorgenannten
Detektordaten und Unterbereichen von 3 × 3 Pixel ein Spektrum von
ca. 300 bis 30.000 ROI-Bilddatenelementen.
Die genaue Anzahl der ROI- Bilddatenelemente
richtet sich nach Parametern wie Komplexität, Auflösung oder Kontrast des Bildes.
In
einer vorteilhaften Ausprägung
der Erfindung erfolgt die Analyse der einzelnen ROI-Bilddatenelemente
der ROI-Bilddatenmatrix
durch Auswertung ihres Frequenzspektrums. Dazu werden jeweils die
ROI-Bilddatenelemente, die im Zeit- oder Orts-Raum als Folge von
Grauwerten dargestellt sind, in den so genannten Frequenzraum überführt, in
welchem nun nicht mehr die Grauwerte selbst, sondern die Frequenz-
und Phasenanteile der zugrunde liegenden Folgen von Grauwerten abgebildet werden.
Für jede
ROI entsteht somit ein Frequenzbild, wie es im Allgemeinen aus dem
Stand der Technik bekannt ist. Dabei werden hohe Sprünge in den Grauwertsequenzen über hohe
Frequenzen abgebildet, weichen Grauwertübergängen stehen niedrige Frequenzen
gegenüber.
Ferner lassen sich Beugungserscheinungen, wie sie im Blendenbereich zwangsläufig auftreten
beispielsweise unmittelbar als Intensitätsverteilung der Fouriertransformierten
interpretieren. Somit kann durch die Auswertung des Frequenzspektrums
auf Randbereiche hervorgerufen durch Blenden rückgeschlossen werden. Als ein möglicher
Algorithmus zur Durchführung
der Fouriertransformation soll die FFT (Fast Fourier Transformation)
stellvertretend genannt werden. Andere, dem Fachmann bekannte Algorithmen
wären denkbar.
Eine
weitere Ausgestaltungsform ergibt sich dann, wenn die Auswertung
des Frequenzspektrums auf Unter- bzw. Überschreitung von Schwellwerten erfolgt.
Die Frequenzanalyse kann darüber
hinaus zusätzlich
durch die Kenntnis des zu untersuchenden Organs optimiert werden.
Beispielsweise werden Knochenstrukturen (z.B. Knie, Fuß, Hand
etc.) deutlich mehr hochfrequente Anteile enthalten als Weichteilgewebe
(Abdomen). Der vorgenannte beispielhafte Detektor kann mit einer
Pixelgröße von 150 μm idealer
Weise und ohne Aliasing-Effekte Ortsfrequenzen von bis zu 3,3 lp/mm
(Linienpaare pro Millimeter) auflösen. Ein betrachtetes Organ
mit Knochenstrukturen, wie beispielsweise ein Knie, wird typisch
Ortsfrequenzen von bis zu 3 lp/mm oder mehr aufweisen. Diese Ortsfrequenzen
entsprechen dann dem Objektbereich, wohingegen Direktstrahlungs-
oder Blendenbereiche nur sehr kleine Ortsfregenzen (nahe 0 lp/mm)
aufweisen werden. Weiterentwickelte, hochauflösende Detektoren mit Pixelgrößen von
beispielsweise bis zu 50μm,
wie sie vorzugsweise in der Mammographie eingesetzt würden, bedürfen natürlich andere
Schwellwertparameter. Auf diese Weise ist die Zuordnung der einzelnen
analysierten ROI-Bilddatenelemente
zu vordefinierten Bereichen leicht möglich.
In
einer weiteren vorteilhaften Ausführung erfolgt die Analyse der
einzelnen ROI-Bilddatenelemente der ROI-Bilddatenmatrix durch Auswertung ihrer
Signalpegel im Vergleich zur Histogrammverteilung der Eingangs-Bilddatenmatrix
B1. Das Histogramm bildet in seinem von der digitalen Grauwertauflösung des
Detektors (Analog-Digital-Wandler) abhängigen Wertebereichs alle Grauwerte
von Schwarz bis Weiß ab.
Jede ROI-Bilddatenelement wird nunmehr daraufhin analysiert, in
welchen Wertebereich sie fällt.
Ein relativ enger unterer Wertebereich wird dem Blendenbereich,
ein relativ enger oberer Wertebereich wird dem Direktstrahlungsbereich entsprechen.
Die Übergangsbereiche
schließen
sich direkt an Blenden- und
Direktstrahlungsbereich an. Der interessierende Objektbereich liegt
somit zwischen den Übergangsbereichen.
In
einer besonders bevorzugten Ausführungsform
erfolgt die Auswertung der Signalpegel im Vergleich zur Histogrammverteilung
derart, dass die Signalpegel der ROI-Bilddatenelemente, welche sich aus
dem arithmetischen Mittelwert der einzelnen an der Bildung der ROI-Bilddatenelemente
beteiligten Pixel, der Eingangs-Bilddatenmatrix B1 bilden und die
im Wertebereich von 10-70% des Histogramm liegen dem Objektbereich
zugeordnet werden. In einer weiteren Unterteilung wird ein unterer
Bereich des Histogramms von 0-5% dem Blendenbereich zugeordnet,
ein oberer Bereich des Histogramms von 95-100% dem Direktstrahlungsbereich.
Die Bereiche von 5-10% sowie von 70 bis 95% zählen zu den Übergangsbereichen.
Auf diese Weise lassen sich ROI-Bilddatenelemente auf einfache und
performan te Weise einem Objektbereich sehr einfach und schnell zuordnen.
In weiteren Ausgestaltungen sind diese Bereichsgrenzen zudem variable
einstellbar.
In
einer weiteren vorteilhaften Ausführungsform erfolgt die Analyse
der einzelnen ROI-Bilddatenelemente durch ROI-Bilddatenmatrix B2 durch die Auswertung
ihrer Signal-Breiten Funktion. Dabei wird das Signal eines ROI-Bilddatenelements,
im Ausführungsbeispiel
also sein mittlerer Grauwert, mit der Breite des ROI-Bildddatenelements,
welche sich aus der Differenz des maximalen und des minimalem Signals
innerhalb dieses ROI-Bilddatenelements definiert, verknüpft. ROI-Bilddatenelemente
in Blendenbereichen werden sowohl geringe Breiten als auch geringe
Signalwerte aufweisen, ROI-Bilddatenelemente
in Direktstrahlungsbereichen lassen ebenfalls geringe Breiten aber
hohe Signalwerte erwarten. ROI-Bilddatenelemente
in Übergangsbereiche
insbesondere zwischen Blenden und Direktstrahlungsbereich werden
wiederum hohe Breiten bei mittlerem Signal aufweisen. Aus der Lage
der einzelnen ROI-Bilddatenelemente im Signal-Breiten Diagram lassen
sich also Zuordnungen zu typisierten Bereichen treffen. Für die Bestimmung
des Signalwertes und/oder der Breite der ROI-Bilddatenelemente sind jedoch auch andere
Berechnungsmöglichkeiten möglich. So
kann beispielsweise ein Signalwert, gebildet aus dem Median berechnet
werden, oder die Breite ergibt sich aus Standardabweichung σ, der Wurzel
aus der Varianz, also des zweiten zentralen Moments. Die so ermittelten
Werte für
Signalpegel und Breite können
ebenso Basis für
die Auswertung der Signal-Breiten-Funktion sein. Allen vorgenannten Analyseverfahren
ist gemeinsam, dass diese auf einfache Art und weise zur Clusterung
von ROI-Bilddatenelementen und damit zur Extrahierung der für die weitere
Betrachtung relevanten Bildinhalten dienen.
In
einer weiteren sehr vorteilhaften Ausprägung sind die vorgenannten
Analyseverfahren nach dem Frequenzspektrum, nach dem Signalpegel
im Vergleich zur Histogrammverteilung und nach der Signal-Breiten-Funktion
beliebig miteinander kombinierbar. Dabei können zwei der o. g. Analyseverfahren
oder auch alle drei Analyseverfahren miteinander kombiniert werden.
Es wird durch die Kombination der Analyseverfahren die Genauigkeit
der getroffenen Aussagen weiter verbessert, da Nachteile der einzelnen
Verfahren auf diese Weise kompensiert werden können.
In
einer besonders bevorzugten Ausführungsform
bilden die Auswerteergebnisse zu den einzelnen ROI-Bilddatenelementen
aus Frequenzanalyse- und/oder Histogrammverteilungs- und/oder Signal-Breiten-Analyse
eine Anzahl von Eingangsknoten eines neuronalen Netzes. Der Ausgangsknoten dieses
neuronalen Netzes liefert dann Aussagen darüber zu welchem Bereich (Direktstrahlungs-,
Blenden-, Übergangs-,
oder Objektbereich) die ROI-Bilddatenelemente am wahrscheinlichsten
zuordenbar sind. Eingangsgrößen für die Eingangsknoten
des neuronalen Netzes stellen z.B. die Spitzenfrequenz der Fast
Fourier Transformation, oder der relative Signalpegel bezogen auf
das Histogramm oder die Signal-Breiten Funktion dar. Sollte die
Kenntnis des zu untersuchenden Organs mittels Organprogramm zusätzlich als
Eingabewert vorgesehen sein, so stellt das bekannte Organ eine weitere
Möglichkeit
zur Speisung eines Eingangsknoten dar.
In
einer weiteren Ausgestaltung der Erfindung werden die ROI-Bilddatenelemente
des erkannten Objektbereichs zur Ermittlung und Einstellung einer
optimierten Dosisleistung der Röntgenstrahlung
herangezogen. In einem ersten Schritt werden die arithmetischen
Mittelwerte der einzelnen ROI-Signalpegel des Objektbereiches gebildet,
der jeweilige Mittelwert repräsentiert
das ROI-Bilddatenelement mit einem Wert. Nach einigen Ausführungsformen
der Erfindung (z.B. Histogrammverteilungsanalyse) liegen dieser
Werte bereits vor und es kann auf diese zurückgegriffen werden. In einem
weiteren Schritt wird ein bestimmtes q-Quantil der nach ihrem Signalpegel
geordneten Reihe aus ROI-Bilddatenelementen bestimmt, so dass die
relative Häufigkeit der
darunter liegenden Werte mindestens q ist. Der Wert des Quantils
wird mit der Sensitivität
des Detektors bei dem verwendeten Röntgenspektrum abgeglichen.
Es hat sich beispielsweise als vorteilhaft erwiesen, das q-Quantil auf das 25
Prozent-Quantil einzustellen. Durch den Abgleich erhält man einen
Wert für die
am Detektor eingetroffene Systemdosis und es können in nachgeschalteten und
außerhalb
der Erfindung liegenden und deshalb hier nicht weiter erläuterten
Verfahren Generatoreinstellungen, wie z.B. Hochspannung, Röhrenstrom,
Filter abgeleitet werden.
In
einer weiteren Ausgestaltung der Erfindung werden die ROI-Bilddatenelemente
des erkannten Objektbereichs zur Ermittlung und Einstellung einer
optimierten Fensterung herangezogen. Danach werden wie vorbeschrieben
in einem ersten Schritt die arithmetischen Mittelwerte der einzelnen Signalpegel
der ROI-Bilddatenelemente
des Objektbereichs gebildet. Der untere Fensterwert ergibt sich nunmehr
aus einem im Wertebereich von 0-10% liegenden Wert des Histogramms,
der obere Fensterbereich aus einem im Wertebereich von 90-100% liegenden
Wert des Histogramms aller ROI's
des Objektbereiches. Dabei beziehen sich die vorgenannten Prozentangaben
von 0 und 100% nicht auf die volle Dynamik des Detektors, sondern
stellen als Unter- und Obergrenzen den tatsächlichen Graubereich des Objektbereichs
dar. Damit wird der Graubereich des identifizierten Objektbereichs
nochmals gespreizt, was eine nochmals verbesserte Bilddarstellung
im Objektbereich zur Folge hat. Es hat sich als vorteilhaft erwiesen,
den unteren Fensterbereich auf den Wert von 5%, den oberen Fensterbereich
auf den Wert von 95% einzustellen.
Im
Analyseverfahren, welches in 7 schematisiert
dargestellt ist, wird jedes der ROI-Bilddatenelemente 17 einer
Frequenzspektrumsanalyse 18, einer Histogrammverteilungsanalyse 19 und/oder einer
Signal-Breiten-Analyse 20 unterzogen. Jedes der Frequenzbilder 21 ist
aus einem ROI-Bilddatenelement 17 entstanden,
für welches
nun eine Zuordnung zu den jeweiligen Bereichen (Blenden, Direktstrahlung, Übergangs-
oder Objektbereich) getroffen werden kann. In einem anderen Analyseverfahren, der
Histogrammverteilungsanalyse 19 werden die Signalpegel
der ROI-Bilddatenelemente 17 im Vergleich zur Histogrammverteilung
der gesamten Pixelmatrix der Eingangs-Bilddatenmatrix B1 betrachtet. Dabei
wird auf der x-Achse der Signalwert und auf der y-Achse die Häufigkeit
abgetragen. Dazu wird der Signalpegel (z.B. arithmetischer Mittelwert
der Signalpegel der Bildelemente 15) jedes ROI-Bilddatenelements 17 gebildet
und verglichen, in welchen Wertebereich des Histogramms 26 der
Eingangs-Bilddatenmatrix B1 dieser Signalpegel fällt. Dabei bildet das Histogramm 26 im
Wertebereich von 0 und 100% nicht die volle Dynamik des Detektors
ab, sondern stellt als Unter- und Obergrenzen den tatsächlichen Graubereich
der Eingangs-Bilddatenmatrix B1 und damit nur einen reduzierten
Dynamikbereich des Detektors dar. Der Wertebereich zwischen 0 bis
5% sei dem Blendenbereich 22, der Wertebereich 95 bis 100%
dem Direktstrahlungsbereich 23, der Wertebereich von 10-30%
und 70-95% den Übergangsbereichen 24 und
der Wertebereich von 30-70% dem Objektbereich 25 zugeordnet.
Da die Absorption der Röntgenstrahlung
im Körper
des Patienten einer Exponentialfunktion folgt, beziehen sich die
vorgenannten beispielhaften Prozentwerte auf eine logarithmisch
geteilte Skala für
den Wertebereich. In einer anderen Variante wird die Bereichseinteilung
auf Basis von Berechnungen der Quantile realisiert, wonach unterhalb
des 5%-Quantiles
dem Blendenbereich 22 und überhalb des 95%-Quantiles dem Direktstrahlungsbereich 23 zugeordnet.
In einem dritten Analyseverfahren, der Signal-Breiten-Analyse 20 werden
die ROI-Bilddatenelemente 17 hinsichtlich ihrer Signal-Breiten-Werte analysiert.
Dabei wird auf der x-Achse der Signalwert und auf der y-Achse die Breite
abgetragen. Der Signalwert des ROI-Bilddatenelements 17 (z.B.
arithmetischer Mittelwert) und der Breitenwert des ROI-Bilddatenelements 17 (Abstand
zwischen minimalen und maximalen Signalpegel der Bildelemente 15 innerhalb
eines ROI-Bilddatenelements 17) werden errechnet und können grafisch,
wie im Signal-Breiten-Diagramm 27 beispielhaft
gezeigt, dargestellt werden. Damit lassen sich die ROI-Bilddatenelemente
den verschiedenen Bereichen zuordnen. Schematisch sind solche Grenzen im
Diagramm 27 als die Bereiche 22 (Blendenbereich), 23 (Direktstrahlungsbereich), 24 (Übergangsbereich)
bzw. 25 (Objektbereich) skizziert.