DE102015210912A1

DE102015210912A1 - Rekonstruktion eines Ergebnisbildes unter Berücksichtigung von Kontur-Signifikanz-Daten

Info

Publication number: DE102015210912A1
Application number: DE102015210912.7A
Authority: DE
Inventors: Rainer Raupach
Original assignee: Siemens Healthcare GmbH
Current assignee: Siemens Healthineers Ag De
Priority date: 2015-06-15
Filing date: 2015-06-15
Publication date: 2016-12-15
Also published as: CN106251295A; US9947117B2; US20160364889A1

Abstract

Die Erfindung betrifft ein Verfahren zur Rekonstruktion von Ergebnisbilddaten eines Untersuchungsobjektes aus Messdaten, die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, mit den Schritten: Rekonstruieren von initialen Bilddaten aus den Messdaten, Ableiten von Konturdaten aus den initialen Bilddaten, Berechnen von Kontur-Signifikanz-Daten aus den Messdaten und/oder den initialen Bilddaten und Berechnen der Ergebnisbilddaten unter Verwendung der Konturdaten und der Kontur-Signifikanz-Daten. Die Erfindung betrifft weiter ein entsprechendes Computerprogramm, entsprechenden Datenträger, entsprechende Steuer- und Recheneinheit sowie entsprechendes Röntgenbildaufnahmesystem.

Description

Die Erfindung betrifft ein Verfahren zur Rekonstruktion von Ergebnisbilddaten eines Untersuchungsobjektes aus Messdaten, ein entsprechendes Computerprogramm, einen entsprechenden Datenträger, eine entsprechende Steuer- und Recheneinheit sowie ein entsprechendes Röntgenbildaufnahmesystem.
Medizinische Bildgebungssysteme zeichnen sich dadurch aus, dass innere Strukturen eines Untersuchungsobjektes oder Patienten untersucht werden können, ohne dabei operative Eingriffe an diesem durchführen zu müssen.
Beispiele für solche bildgebenden Systeme bzw. Bildgebungseinrichtungen sind Ultraschallsysteme, Röntgengeräte, Röntgen-Computertomographie(CT)-Systeme, Positronen-Emissionstomographie(PET)-Systeme, Single-Photon-Emissionstomographie(SPECT)-Systeme oder Magnetresonanz(MR)-Systeme.
Insbesondere Röntgenbildaufnahmevorrichtungen ermöglichen eine tomographische Bilderzeugung, wobei von dem zu untersuchenden Objekt eine Anzahl von Projektionen aus verschiedenen Winkeln aufgenommen wird. Aus diesen Projektionen lässt sich ein zweidimensionales Schnittbild oder ein dreidimensionales Volumenbild des Untersuchungsobjektes berechnen.
Ein Beispiel für ein solches tomographisches Bildgebungsverfahren ist die oben erwähnte Röntgen-CT. Verfahren zur Abtastung eines Untersuchungsobjektes mit einem CT-System sind allgemein bekannt. Hierbei werden beispielsweise Kreisabtastungen, sequentielle Kreisabtastungen mit Vorschub oder Spiralabtastungen verwendet. Auch andersartige Abtastungen, die nicht auf Kreisbewegungen beruhen, sind möglich, so z.B. Scans mit linearen Segmenten. Es werden mit Hilfe mindestens einer Röntgenquelle und mindestens eines gegenüberliegenden Detektors Röntgen-Abschwächungsdaten des Untersuchungsobjektes aus unterschiedlichen Aufnahmewinkeln aufgenommen und diese so gesammelten Abschwächungsdaten bzw. Projektionen mittels entsprechender Rekonstruktionsverfahren zu Schnittbildern oder Volumenbildern durch das Untersuchungsobjekt verrechnet.
Aufgrund ihrer nicht-invasiven Funktionsweise nehmen medizinische Bildgebungsgeräte bereits heute eine bedeutende Rolle bei der Untersuchung von Patienten ein. Die von den bildgebenden Systemen erzeugten Darstellungen der inneren Organe und Strukturen eines Patienten werden für verschiedenste Anwendungen herangezogen, beispielsweise für vorbeugende Untersuchungen (Screening), bei der Gewebeentnahme (Biopsie), für die Diagnose von Krankheitsursachen, zur Planung und Durchführung von Operationen oder zur Vorbereitung von therapeutischen Maßnahmen. In der Strahlentherapie werden beispielsweise radiologische Daten dazu benötigt, um die Bestrahlung im Hinblick auf die Verteilung der Dosis zu planen. Dabei soll die Dosis im zu therapierenden Gebiet über einer Schwelle liegen, im umgebenden Gewebe, insbesondere in sensitiven Organen, jedoch so niedrig wie möglich sein, um Sekundärschäden zu vermeiden.
Dafür und für viele andere der oben genannten Anwendungen bzw. Aufgaben ist die Segmentierung bestimmter Zielstrukturen sinnvoll oder sogar erforderlich. Solche Zielstrukturen können beispielsweise definierte Knochenstrukturen, bestimmte Organe, Gefäßstrukturen oder auch Defekte oder Läsionen wie z.B. Tumore sein, die zunächst identifiziert und ggf. aus den Bilddaten extrahiert werden müssen.
Unter einer Segmentierung ist dabei im Allgemeinen die Erzeugung von inhaltlich zusammenhängenden Regionen durch Zusammenfassung benachbarter Bildpunkte entsprechend eines bestimmten Kriteriums zu verstehen. Dieses Kriterium kann beispielsweise die Zugehörigkeit zu einer bestimmten Struktur sein. Die zur Struktur gehörigen Bilddaten können dann beispielsweise markiert und/oder von den restlichen Bilddaten virtuell getrennt und separat betrachtet werden oder für weitere Analysen zur Verfügung gestellt werden.
Eine zuverlässige und hinreichend genaue räumliche Abgrenzung der Segmentierung von Strukturen ist für viele Anwendungen essentiell.
Organe oder Läsionen werden durch manuelle Konturierung oder durch automatische Segmentierung ermittelt. Manuelle Konturierung, bei der ein Bediener während einer Betrachtung der Bilddaten auf einem Bildschirm mit Hilfe einer graphischen Benutzerschnittstelle Grenzlinien oder Grenzpunkte einzeichnet, auf deren Basis dann die Segmentierung erfolgt, ist im Hinblick auf die Genauigkeit der Zuordnung von Bildpunkten zu Strukturen zuverlässigerer und gilt deshalb nach wie vor als Referenz. Jedoch ist der dafür benötigte Zeitaufwand enorm hoch, da die Markierungen schichtweise durch den Bediener gesetzt werden müssen.
Automatische Segmentierungsalgorithmen ermöglichen grundsätzlich, den Zeit- und Personalaufwand zu verringern und gleichzeitig die Objektivität der Segmentierung zu erhöhen. Neben primitiven Algorithmen mit linearen Kantendetektoren (Sobel-/Scharr-Operator), berücksichtigen erweiterte Algorithmen die statistische Signifikanz von Konturen, d.h., die Segmentierung gewichtet die lineare Kantenantwort mit dem Hintergrundrauschen. Jedoch sind die Auflösungs- und statistischen Eigenschaften in tomographischen Bilddatensätzen nicht-trivial, sprich das Rauschen ist nicht-stationär und anisotrop und die Auflösung ist abhängig von der Position im Messfeld und der Richtung. Daher gelingt diese Berücksichtigung auf Basis der Bilddaten ohne zusätzliche Information über die Datenakquisition nur bedingt. Ergebnisse der automatischen Segmentierung werden daher regelmäßig manuell korrigiert.
Demgegenüber ist es Aufgabe der vorliegenden Erfindung, verbesserte, aus tomographischen Messdaten rekonstruierte Bilddaten bereitzustellen, die sich für eine stabile, automatische Segmentierung mittels einfacher, linearer Kantendetektion eignen.
Diese Aufgabe wird erfindungsgemäß gelöst durch ein Verfahren zur Rekonstruktion von Ergebnisbilddaten, ein entsprechendes Computerprogramm, einen entsprechenden maschinenlesbaren Datenträger, eine Steuer- und Recheneinheit zur Rekonstruktion von Ergebnisbilddaten sowie ein entsprechendes Röntgenbildaufnahmesystem gemäß den nebengeordneten Ansprüchen.
Nachstehend wird die erfindungsgemäße Lösung der Aufgabe in Bezug auf das beanspruchte Verfahren als auch in Bezug auf die beanspruchte Vorrichtung beschrieben. Hierbei erwähnte Merkmale, Vorteile oder alternative Ausführungsformen sind ebenso auch auf die anderen beanspruchten Gegenstände zu übertragen und umgekehrt. Mit anderen Worten können gegenständliche Ansprüche (die beispielsweise auf eine Vorrichtung gerichtet sind) auch mit Merkmalen, die in Zusammenhang mit einem Verfahren beschrieben oder beansprucht sind, weitergebildet sein. Die entsprechenden funktionalen Merkmale des Verfahrens werden dabei durch entsprechende gegenständliche Module oder Einheiten ausgebildet.
Die Erfindung beruht auf der Überlegung, dass durch eine geeignete Manipulation von Bilddaten im Rahmen der Bildrekonstruktion eine anschließende, automatische Segmentierung erheblich vereinfacht werden und dadurch verlässlicher gestaltet werden kann. Dies gelingt, indem statistische Eigenschaften der Bilddaten nicht erst im Rahmen der Segmentierung als zusätzliche Information Berücksichtigung finden, sondern schon in die Rekonstruktion der Bilddaten aus den Messdaten bzw. Rohdaten mit einfließen. Mit anderen Worten haben die Erfinder erkannt, dass der Informationsgehalt von rekonstruierten Bilddaten hinsichtlich dargestellter Konturen für einen sich anschließenden Segmentierungsschritt verbessert werden kann, indem in den Bilddaten enthaltene Konturen entsprechend ihrer statistischen Signifikanz in einem Ergebnisbild verstärkt dargestellt werden. Die anschließende Segmentierung kann dadurch auf Zusatzinformation oder Mehrwissen über beispielsweise die Datenakquisition oder Bildrekonstruktion verzichten.
Entsprechend betrifft die Erfindung ein Verfahren zur Rekonstruktion von Ergebnisbilddaten eines Untersuchungsobjektes aus Messdaten, die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, umfassend folgende Schritte:

– Rekonstruieren von initialen Bilddaten aus den Messdaten,
– Ableiten von Konturdaten aus den initialen Bilddaten,
– Berechnen von Kontur-Signifikanz-Daten aus den Messdaten und/oder den initialen Bilddaten,
– Berechnen der Ergebnisbilddaten unter Verwendung der Konturdaten und der Kontur-Signifikanz-Daten.

Die Messdaten entsprechen den mittels Röntgendetektor erfassten Rohdaten oder Röntgenprojektionen. Aus ihnen werden mittels einer sogenannten ‚neutralen‘ Rekonstruktion initiale Bilddaten erzeugt. Die initialen Bilddaten können ein zweidimensionaler oder ein dreidimensionaler Bilddatensatz sein. Die ‚neutrale‘ Rekonstruktion entspricht einem herkömmlichen, bekannten Rekonstruktionsverfahren, welches bei einer Rekonstruktion für diagnostische Zwecke einsetzbar ist. Das Rekonstruktionsverfahren kann so gewählt werden, dass die initialen Bilddaten neutral im Hinblick auf die enthaltene Konturinformation sind. Das heißt, dass die enthaltenen Konturen beispielsweise nicht durch die Rekonstruktion verstärkt oder, allgemeiner ausgedrückt, manipuliert werden. Aus den initialen Bilddaten lassen sich anschließend Konturdaten ableiten. Diese repräsentieren alle in den initialen Bilddaten abgebildeten Kanten bzw. Konturen gemäß ihrer Position und Richtung. Unter Ableiten ist dabei jede Analyse, Manipulation oder Auswertung der initialen Bilddaten zu verstehen, die geeignet ist, die Konturdaten zu ermitteln. In einem weiteren Schritt des Verfahrens werden Kontur-Signifikanz-Daten berechnet. Der Erfinder hat erkannt, dass diese zum einen aus den initialen Bilddaten, zum anderen aber auch direkt aus den Messdaten ermittelt werden können. Sowohl die Konturdaten als auch die Kontur-Signifikanz-Daten gehen anschließend in die Berechnung der Ergebnisbilddaten ein.
Sofern nicht durch das erfindungsgemäße Verfahren vorgegeben, ist die Reihenfolge der umfassten Schritte beliebig und variabel.
Die Berechnung der Kontur-Signifikanz-Daten als Schritt einer Bildrekonstruktion liefert vollständige Kenntnis über die Auflösung sowie die statistischen Eigenschaften der Bilddaten. Insbesondere können derart auch anisotrope bzw. gerichtete Rauscheffekte schon im Rahmen der Rekonstruktion berücksichtigt werden, was die Zuverlässigkeit der Signifikanz detektierter Strukturen deutlich erhöht.
Gemäß einem Aspekt der Erfindung umfasst das Berechnen der Kontur-Signifikanz-Daten ein Berechnen von lokaler Konturinformation aus den initialen Bilddaten. Der Ausdruck ‚lokal‘ bringt dabei zum Ausdruck, dass die Konturinformation jeweils individuell für einzelne Bildbereiche oder Bildteile betrachtet wird. Ein Bildbereich kann beispielsweise ein Bildelement, also ein Pixel oder Voxel sein, aber auch ein Areal im Bild, welches durch mehrere, beispielsweise benachbarte oder zumindest zusammenhängende Bildelemente gebildet wird.
Gemäß einem weiteren Aspekt umfasst die lokale Konturinformation die Konturamplitude und/oder die Konturrichtung.
Diese Konturinformation kann beispielsweise gewonnen werden, indem ein einfacher Kantendetektor auf die initialen Bilddaten angewandt wird. Der Detektionsfilter betrachtet und identifiziert Intensitätsänderungen in den initialen Bilddaten und erzeugt daraus die Konturinformation derart, dass Bildelemente oder Bildbereiche mit starker Intensitätsänderung als Kontur in den initialen Bilddaten erkannt und beispielsweise mit einem der Intensitätsänderung entsprechend hohen Intensitätswert neu belegt werden. Beispielsweise entspricht der Kantendetektor einer Faltung der initialen Bilddaten mit einer Filtermatrix. Beispielsweise kann der Kantendetektor ein Operator aus der Klasse ‚Identität minus Tiefpassfilter‘ sein, insbesondere ein Scharr- oder Sobel-Operator. Die Konturamplitude entspricht dabei nicht der Filterung direkt, sondern stellt ein skalares Maß für den Betrag der richtungsabhängigen Beiträge dar. Die Konturrichtung ergibt sich beispielsweise aus den Richtungskomponenten des Kantendetektors, die jeweils die Änderung in einer bestimmten Raumrichtung beschreiben, beispielsweise K_x(x, y, z), K_y(x, y, z), K_z(x, y, z) als Änderung entlang der kartesischen Achsen, oder kompakter als Vektor geschrieben, K ⇀(x, y, z) = (K_x(x, y, z), K_y(x, y, z), K_z(x, y, z)) . Die Konturamplitude ergibt sich als Betrag dieses Vektors, also
wobei die Ortsabhängigkeit wegen der Übersichtlichkeit weggelassen wurde.
Gemäß einem weiteren Aspekt umfasst das Berechnen der Kontur-Signifikanz-Daten ein Berechnen von lokaler, statistischer Information in den initialen Bilddaten. Der Ausdruck ‚lokal‘ bezeichnet auch bezüglich der statistischen Information einzelne Bildbereiche oder Bildteile bzw. allgemeiner die Lage im Raum. Ein Bildbereich kann auch hier beispielsweise ein Bildelement, also ein Pixel oder Voxel sein, aber auch ein Areal im Bild, welches durch mehrere, beispielsweise benachbarte oder zumindest zusammenhängende Bildelemente, gebildet wird. Zusätzlich bezeichnet der Ausdruck ‚lokal‘ in diesem Zusammenhang auch die Richtungsabhängigkeit der statistischen Information. Dadurch kann der Anisotropie des Rauschens in den initialen Bilddaten Rechnung getragen werden. Durch die Ermittlung statistischer Information finden statistische Eigenschaften schon im Rahmen der Rekonstruktion Berücksichtigung.
Gemäß einem weiteren Aspekt ist die lokale statistische Information die lokale Standardabweichung des Rauschens. Zu deren Bestimmung stehen einerseits bildbasierte Ansätze zur Verfügung, wie beispielsweise in den Patentanmeldungen DE 10 2004 008 979 oder DE 10 2005 038 940 beschrieben, deren Offenbarung ausdrücklich vollumfänglich in die hiesige Anmeldung übernommen wird. Alternativ kann die Varianz der Messdaten analysiert und daraus die lokale Standardabweichung abgeleitet werden. Dazu steht beispielsweise das in Proc. SPIE 6510, Medical Imaging 2007: Physics of Medical Imaging, 651023 (March 14, 2007; doi: 10.1117 / 12.713692) beschriebene Verfahren zur Verfügung, welches ebenfalls ausdrücklich und vollumfänglich in die hiesige Anmeldung übernommen wird. Insbesondere die Auswertung der Messdaten zur Bestimmung der lokalen Standardabweichung des Rauschens ermöglicht es, die Richtungsabhängigkeit des Rauschens zu berücksichtigen. Alternativ zur lokalen Standardabweichung können im Rahmen der Erfindung auch die Varianz des Rauschens als statistische Information oder daraus ableitbare Größen, wie beispielsweise Perzentilen, herangezogen werden.
Gemäß einem weiteren Aspekt umfasst das Berechnen der Kontur-Signifikanz-Daten das Ermitteln eines Kontur-zu-Rausch-Verhältnisses. Dieses ergibt sich beispielsweise als Quotient aus der lokalen Konturinformation und der lokalen, statistischen Information. Das Kontur-zu-Rausch-Verhältnis entspricht einem Signal-zu-Rausch-Verhältnis und setzt die lokale Konturinformation mit der lokalen, statistischen Information in Beziehung. Mit anderen Worten normiert das Kontur-zu-Rausch-Verhältnis das Kantensignal in den Bilddaten auf das Rauschen.
Gemäß einem weiteren Aspekt der Erfindung umfasst das Berechnen der Kontur-Signifikanz-Daten ein Abbilden des Kontur-zu-Rausch-Verhältnisses mittels einer beschränkten Signifikanz-Funktion auf einen Wert zwischen 0 und 1. Mittels dieses Schrittes diskriminiert das erfindungsgemäße Verfahren zwischen Konturen in den Bilddaten, die gegenüber dem Rauschen signifikant oder insignifikant sind, indem es das Kontur-zu-Rausch-Verhältnis auf eine Signifikanz zwischen 0 und 1 abbildet. Signifikante Konturen sind im Hintergrundrauschen sichtbar, wohingegen nicht signifikante Konturen sich nicht aus dem Rauschsignal abheben. Die Signifikanz-Funktion f(t) ist in dem Sinne beschränkt, dass f(0) = 0 und lim_t→∞f(t) = 1.
Gemäß einem weiteren Aspekt ist die Signifikanz-Funktion f(t) als stetige Funktion oder als Stufen-Funktion ausgebildet. Die Signifikanz-Funktion f(t) in Form einer Stufen-Funktion entscheidet mittels ihrer Schwelle hart über die Relevanz einer Kontur.
Gemäß einem weiteren Aspekt der Erfindung nimmt die Signifikanz-Funktion f(t) folgende Form an: f(t) = 1 – exp(–(t/c)²), wobei der Parameter c den Übergang zwischen signifikant und insignifikant bestimmt. Daneben sind beliebige andere Funktionen denkbar.
Gemäß einem weiteren Aspekt umfasst das Ableiten der Konturdaten eine Hochpass-Filterung der initialen Bilddaten. Die Hochpass-gefilterten Bilddaten repräsentieren ein differentielles Signal entsprechend der Richtung bzw. Orientierung einer Kante bzw. Kontur. Sprich, überall dort, wo sich in den initialen Bilddaten eine Kante befindet, sorgt die Hochpass-Filterung für eine Hervorhebung dieser Kante in den Konturdaten. Charakteristisch für die Konturdaten ist der sogenannte ‚Hell-Dunkel-Saum‘ entlang des Verlaufs einer Kontur.
Gemäß einem weiteren Aspekt der Erfindung weist die Hochpass-Filterung einen Frequenzgang auf, dessen Übertragung bei der Ortsfrequenz 0 verschwindet und mit größer werdender Ortsfrequenz Werte größer 1 annimmt. Mit anderen Worten werden geringe Ortsfrequenzen durch den Hochpassfilter eliminiert oder unterdrückt, während höhere Ortsfrequenzen, also auch Kanten- bzw. Konturinformation in den initialen Bilddaten verstärkt werden. Die Hochpass-Filterung sorgt folglich für eine Hervorhebung von Konturen in den Konturdaten.
Gemäß einem weiteren Aspekt der Erfindung werden die Ergebnisbilddaten basierend auf dem Produkt aus den Konturdaten und den Kontur-Signifikanz-Daten gebildet. Dieses Vorgehen entspricht der Berechnung eines mit den Kontur-Signifikanz-Daten gewichteten Konturbildes. Die Multiplikation erfolgt beispielsweise jeweils pro Bildelement oder pro Bildbereich.
Gemäß einem alternativen Aspekt werden die Ergebnisbilddaten basierend auf der Summe der initialen Bilddaten und dem Produkt aus den Konturdaten und den Kontur-Signifikanz-Daten gebildet. Gemäß diesem Aspekt entsprechen die Ergebnisbilddaten einem Konturbild, welches abhängig von der lokalen Signifikanz betonte Konturen aufweist. Im Gegensatz zu dem hiesigen Konturbild ist das vorherige entsprechend der Signifikanz gewichtete Konturbild aufgrund seiner erheblichen Abweichung der Bildeigenschaften zu den initialen Bilddaten nur noch bedingt für diagnostische Zwecke verwendbar. Im Hinblick auf den sich anschließenden Segmentierungsalgorithmus liefern die Ergebnisbilddaten beider Alternativen jedoch vergleichbare Verbesserungen, denn beide liefern bei der Analyse von differentiellen Signalen, beispielsweise durch einfache Kantendetektoren, dieselbe Information. Die Segmentierung im Rahmen des Post-Processing kann nun vereinfacht werden. Dies gelingt, da Information bezüglich der Signifikanz von Strukturen bereits in Form einer selektiven Kantenverstärkung in den Ergebnisbilddaten enthalten ist. Ein Kantendetektion kann nun leicht, mittels eines linearen Kantendetektors und einer dazugehörigen Schwelle anhand der Ergebnisbilddaten erfolgen.
Gemäß einem weiteren Aspekt wird das erfindungsgemäße Verfahren iterativ ausgeführt. Dabei werden in jedem Iterationsschritt die mit der Signifikanz gewichteten Konturdaten oder ein Bruchteil davon entsprechend der Zahl der Iterationen den Ergebnisbilddaten des vorherigen Iterationsschritts als Korrekturterm hinzugefügt. Die Iteration kann beispielsweise nach einer vorab festgelegten Anzahl an Iterationsschritten abgebrochen werden oder alternativ dann, wenn ein vorab festgelegtes Abbruchkriterium erfüllt ist, beispielsweise, wenn die Abweichung zwischen den Ergebnisbilddaten der letzten und vorletzten Iteration einen vorab festgelegten Wert unterschreitet. In jedem Iterationsschritt können die initialen Bilddaten einfließen, beispielsweise, um Abweichungen des aktuellen Ergebnisses dazu zu bestimmen.
Die Erfindung betrifft ferner ein Computerprogramm mit Programmcode zur Durchführung aller Verfahrensschritte gemäß dem erfindungsgemäßen Verfahren, wenn das Programm in einem Computer ausgeführt wird. Dadurch ist das Verfahren reproduzierbar und wenig fehleranfällig auf unterschiedlichen Computern durchführbar.
Die Erfindung betrifft auch einen maschinenlesbaren Datenträger, auf dem das zuvor beschriebene Computerprogramm gespeichert ist.
Die Erfindung betrifft weiter eine Steuer- und Recheneinheit zur Rekonstruktion von Ergebnisbilddaten eines Untersuchungsobjektes aus Messdaten, die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, umfassend einen Programmspeicher zur Speicherung von Programmcode, wobei in dem Programmspeicher Programmcode vorliegt, der ein Verfahren gemäß dem erfindungsgemäßen Verfahren durchführt.
Die Erfindung betrifft auch eine Steuer- und Recheneinheit zur Rekonstruktion von Ergebnisbilddaten eines Untersuchungsobjektes aus Messdaten, die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, umfassend

– eine Rekonstruktionseinheit, die eingerichtet ist, initiale Bilddaten aus den Messdaten zu rekonstruieren,
– eine Ableitungseinheit, die eingerichtet ist, Konturdaten aus den initialen Bilddaten abzuleiten,
– eine erste Berechnungseinheit, die eingerichtet ist, Kontur-Signifikanz-Daten aus den Messdaten und/oder den initialen Bilddaten zu berechnen, und
– eine zweite Berechnungseinheit, die eingerichtet ist, die Ergebnisbilddaten unter Verwendung der Konturdaten und der Kontur-Signifikanz-Daten zu berechnen.

Letztlich betrifft die Erfindung ein Röntgenbildaufnahmesystem mit einer erfindungsgemäßen Steuer- und Recheneinheit.
Im Folgenden wird die Erfindung anhand der in den Figuren dargestellten Ausführungsbeispiele näher beschrieben und erläutert. Es zeigen:
1 eine Röntgenbildaufnahmevorrichtung gemäß einem Ausführungsbeispiel der Erfindung,
2 das erfindungsgemäße Verfahren als Blockdiagramm gemäß einem Ausführungsbeispiel der Erfindung,
3 ein Ablaufschema des erfindungsgemäßen Verfahrens gemäß einem Ausführungsbeispiel der Erfindung,
4 einen exemplarischen Frequenzgang eines Hochpass-Filters, der in einem Ausführungsbeispiel der Erfindung zum Einsatz kommt, und
5 eine exemplarische Gegenüberstellung von gemäß dem Stand der Technik und erfindungsgemäß rekonstruierten Bilddaten.
1 zeigt eine Röntgenbildaufnahmevorrichtung am Beispiel eines Röntgen-Computertomographen. Der hier gezeigte Computertomograph verfügt über eine Aufnahmeeinheit 17, umfassend eine Strahlungsquelle 8 in Form einer Röntgenquelle sowie einen Strahlungsdetektor 9 in Form eines Röntgendetektors. Die Aufnahmeeinheit 17 rotiert während der Aufnahme von Röntgenprojektionen um eine Systemachse 5, und die Röntgenquelle emittiert während der Aufnahme Strahlen 2 in Form von Röntgenstrahlen. Bei der Röntgenquelle handelt es sich um eine Röntgenröhre. Bei dem Röntgendetektor handelt es sich um einen Zeilendetektor mit mehreren Zeilen.
Das Untersuchungsobjekt 3, hier ein Patient, liegt bei der Aufnahme von Projektionen auf einer Patientenliege 6. Die Patientenliege 6 ist so mit einem Liegensockel 4 verbunden, dass er die Patientenliege 6 mit dem Patienten 3 trägt. Die Patientenliege 6 ist dazu ausgelegt, den Patienten 3 entlang einer Aufnahmerichtung durch die Öffnung 10 der Aufnahmeeinheit 17 zu bewegen. Die Aufnahmerichtung ist in der Regel durch die Systemachse 5 gegeben, um die die Aufnahmeeinheit 17 bei der Aufnahme von Röntgenprojektionen rotiert. Bei einer Spiral-Aufnahme wird die Patientenliege 6 kontinuierlich durch die Öffnung 10 bewegt, während die Aufnahmeeinheit 17 um den Patienten 3 rotiert und Projektionsdaten aufnimmt. Damit beschreiben die Röntgenstrahlen auf der Oberfläche des Patienten 3 eine Spirale.
Die Röntgenbildaufnahmevorrichtung verfügt über ein Computersystem 12 in Form eines Computers, welches mit einer Anzeigeeinheit 11, beispielsweise zur graphischen Anzeige von rekonstruierten Röntgenbildaufnahmen, beispielsweise eines rekonstruierten Bilddatensatzes, sowie einer Eingabeeinheit 7 verbunden ist. Bei der Anzeigeeinheit 11 kann es sich beispielsweise um einen LCD-, Plasma- oder OLED-Bildschirm handeln. Es kann sich weiterhin um einen berührungsempfindlichen Bildschirm handeln, welcher auch als Eingabeeinheit 7 ausgebildet ist. Ein solcher berührungsempfindlicher Bildschirm kann in das bildgebende Gerät integriert oder als Teil eines mobilen Geräts ausgebildet sein. Bei der Eingabeeinheit 7 handelt es sich beispielsweise um eine Tastatur, eine Maus, einen sogenannten „Touch-Screen“ oder auch um ein Mikrofon zur Spracheingabe. Die Eingabeeinheit 7 kann auch eingerichtet sein, um Bewegungen eines Benutzers zu erkennen und in entsprechende Befehle zu übersetzen.
Das Computersystem 12 steht mit der drehbaren Aufnahmeeinheit 17 zum Datenaustausch in Verbindung. Über eine Schnittstelleneinheit 21 sowie die Verbindung 14 werden einerseits Steuersignale für die Röntgenbildaufnahme vom Computersystem 12 an die Aufnahmeeinheit 17 übertragen. Dazu können verschiedene, jeweils auf eine Untersuchungsart abgestimmte Scan-Protokolle in einem Speicher 24 hinterlegt sein und durch den Benutzer vor der Projektionsdaten-Aufnahme ausgewählt werden. Die Ansteuerung der Aufnahmeeinheit 17 erfolgt entsprechend des ausgewählten Scan-Protokolls. Andererseits werden aufgenommene Messdaten MD in Form von Projektionsdaten für eine Weiterverarbeitung in einer weiter unten näher beschriebenen Steuer- und Recheneinheit 16 oder die entsprechenden Einzelkomponenten durch die Schnittstelleneinheit 21 erfasst. Die Verbindung 14 ist in bekannter Weise kabelgebunden oder kabellos realisiert.
Das Computersystem 12 umfasst eine Rekonstruktionseinheit 23, die dazu eingerichtet ist, nach bekannten Rekonstruktionsverfahren aus den Messdaten MD initiale Bilddaten IBD in Form eines Bilddatensatzes zu rekonstruieren. Ein oder mehrere Rekonstruktionsalgorithmen können zu diesem Zweck in einem Speicher 24 des Computersystems 12 für die Rekonstruktionseinheit 23 zum Abruf bzw. zur Auswahl durch die Rekonstruktionseinheit 23 hinterlegt sein.
Das Computersystem 12 umfasst eine Ableitungseinheit 22, die die initialen Bilddaten IBD derart verarbeitet, dass sie Kontur-Daten KD aus denselben erzeugt. Zu diesem Zweck wendet die Ableitungseinheit 22 beispielsweise einen geeigneten Hochpass-Filter H auf die initialen Bilddaten IBD an, wie weiter unten näher erläutert wird. Zur Bereitstellung der initialen Bilddaten IBD steht die Ableitungseinheit 22 mit der Rekonstruktionseinheit 23 in Datenverbindung.
Das Computersystem 12 umfasst auch eine erste Berechnungseinheit 20, die ausgestaltet ist, Kontur-Signifikanz-Daten KSD aus den initialen Bilddaten IBD und/oder den Messdaten MD zu berechnen. Dazu steht die erste Berechnungseinheit 20 mit der Schnittstelleneinheit 21 zum Erhalt der Messdaten MD und mit der Rekonstruktionseinheit 23 zum Erhalt der initialen Bilddaten IBD in Datenverbindung. Die erste Berechnungseinheit 20 ist eingerichtet, zum einen lokale Konturinformation LKI beispielswiese in Form der Konturamplitude und/oder Konturrichtung, zu ermitteln und zum anderen lokale statistische Information LSI, beispielsweise in Form der lokalen Standardabweichung des Rauschens, zu ermitteln. Dazu wendet die erste Recheneinheit 20 erforderliche Daten- oder Bildverarbeitungsschritte entweder auf die initialen Bilddaten IBD oder die Messdaten MD an, wie weiter unten näher beschrieben wird. Ferner ist die erste Berechnungseinheit 20 auch eingerichtet, ein Kontur-zu-Rausch-Verhältnis KNSR aus der berechneten lokalen Konturinformation LKI und der berechneten lokalen, statistischen Information LSI zu berechnen und dieses mittels einer Signifikanz-Funktion f(t) auf einen Signifikanz-Wert zwischen 0 und 1 abzubilden. Dazu steht die erste Berechnungseinheit 20 mit dem Speicher 24 in Verbindung, in dem verschiedene mögliche Signifikanz-Funktionen f(t) zum Aufruf durch die erste Berechnungseinheit 20 hinterlegt sind. Je nach Anwendungsfall besteht so die Möglichkeit, die Signifikanz-Funktion f(t) anzupassen.
Zudem umfasst das Computersystem 12 auch eine zweite Berechnungseinheit 18, die eingerichtet ist, aus den Kontur-Daten KD sowie den Kontur-Signifikanz-Daten KSD Ergebnisbilddaten EBD zu berechnen. Diese zeichnen sich durch entsprechend der lokalen Kontur-Signifikanz betont dargestellte Konturen aus. Zweite und erste Berechnungseinheit 18 und 20 stehen ebenfalls in Datenverbindung.
Vorliegend sind die Rekonstruktionseinheit 23, die Ableitungseinheit 22 die erste und zweite Berechnungseinheit 20 und 18, als getrennte Module innerhalb des Computersystems 12 ausgestaltet, die, wo erforderlich, in Datenaustausch miteinander stehen. Alternativ können alle genannten Einheiten auch in die Steuer- und Recheneinheit 16 integriert sein, sei es in Form einer körperlichen oder funktionalen Integrität.
Das Computersystem 12 kann mit einem computerlesbaren Datenträger 13 zusammenwirken, insbesondere um durch ein Computerprogramm mit Programmcode ein erfindungsgemäßes Verfahren durchzuführen. Weiterhin kann das Computerprogramm auf dem maschinenlesbaren Träger abrufbar gespeichert sein. Insbesondere kann es sich bei dem maschinenlesbaren Träger um eine CD, DVD, Blu-Ray Disc, einen Memory-Stick oder eine Festplatte handeln. Die Rekonstruktionseinheit 23, die Ableitungseinheit 22, die erste und zweite Berechnungseinheit 20 und 18 bzw. die Steuer- und Recheneinheit 16 können in Form von Hard- oder in Form von Software ausgebildet sein. Beispielsweise ist die Steuer- und Recheneinheit 16 als ein sogenanntes FPGA (Akronym für das englischsprachige "Field Programmable Gate Array") ausgebildet oder umfasst eine arithmetische Logikeinheit.
In dem hier gezeigten Beispiel ist auf dem Speicher 24 des Computersystems 12 wenigstens ein Computerprogramm gespeichert, welches alle Verfahrensschritte des erfindungsgemäßen Verfahrens durchführt, wenn das Computerprogramm auf dem Computer ausgeführt wird. Das Computerprogramm zur Ausführung der Verfahrensschritte des erfindungsgemäßen Verfahrens umfasst Programmcode. Weiterhin kann das Computerprogramm als ausführbare Datei ausgebildet sein und/oder auf einem anderen Rechensystem als dem Computersystem 12 gespeichert sein. Beispielsweise kann die Röntgenbildaufnahmevorrichtung so ausgelegt sein, dass das Computersystem 12 das Computerprogramm zum Ausführen des erfindungsgemäßen Verfahrens über ein Intranet oder über das Internet in seinen internen Arbeitsspeicher lädt.
2 zeigt das erfindungsgemäße Verfahren in einem möglichen Ausführungsbeispiel in einem Blockdiagramm. Es liegen Messdaten MD in Form von einer Vielzahl von aus unterschiedlichen Richtungen erfassten Projektionen vor. Diese werden mittels eines bekannten Rekonstruktionsverfahrens, welches an sich keine Kantenverstärkung bewirkt, beispielsweise eine gefilterte Rückprojektion (FBP), in initiale Bilddaten IBD in Form eines Bilddatensatzes überführt. In den Messdaten MD sowie den initialen Bilddaten IBD sind Informationen bezüglich Auflösung und Statistik des Datensatzes enthalten, die im Rahmen einer herkömmlichen Rekonstruktion nicht berücksichtigt werden und dann für die Bild-Nachbearbeitung nicht mehr zur Verfügung stehen. Das erfindungsgemäße Verfahren berücksichtigt diese Informationen. Insbesondere berücksichtigt das Verfahren richtungsabhängige Effekte, d.h., gerichtetes Rauschen. Diese Informationen werden mit den folgenden Schritten des Verfahrens extrahiert und für Post-Processing-Schritte nutzbar gemacht. Auf den initialen Bilddatensatz IBD wird ein linearer Kantendetektor angewandt, um lokale Konturinformation LKI zu gewinnen. Aus dem initialen Bilddatensatz IBD oder aus den Messdaten MD wird zusätzlich lokale, statistische Information LSI gewonnen. Dabei handelt es sich in diesem Ausführungsbeispiel um die lokale Standardabweichung des Rauschens im Datensatz. Die lokale Konturinformation LKI wird dann auf die lokale statistische Information LSI genormt, sodass sich ein Kontur-zu-Rausch-Verhältnis KNSR ergibt, welches für die Ermittlung der lokalen Kontur-Signifikanz-Daten KSD verwendet wird. Die Kontur-Signifikanz-Daten KSD sind ein Maß dafür, ob sich eine Kontur bzw. Kante in den initialen Bilddaten IBD signifikant über das Rauschen in den Bilddaten abhebt oder darin verschwindet. Die initialen Bilddaten IBD werden auch herangezogen, um Kontur-Daten KD in Form eines Konturdatensatzes zu bestimmen. Dies geschieht durch Anwendung eines Hochpassfilters H auf die initialen Bilddaten IBD. Die Hochpassfilterung erzeugt ein differentielles Kantensignal. Demgegenüber repräsentiert die lokale Konturinformation LKI eine skalare Größe. Die Kontur-Daten KD werden zuletzt mit den Kontur-Signifikanz-Daten KSD gewichtet. Dadurch werden Ergebnisbilddaten EBD erzeugt, die Signifikanz-abhängig verstärkte Konturverläufe darstellen. Die Ergebnisbilddaten EBD sind daher in besonderem Maße dazu geeignet, einer einfachen, linearen Kantendetektion zugeführt zu werden.
3 zeigt das erfindungsgemäße Verfahren in einem Ausführungsbeispiel als Ablaufdiagramm. Der erste Schritt S1 rekonstruiert aus einer Vielzahl von Projektionen einer Bilddatenaufnahme einen neutralen dreidimensionalen Bilddatensatz I(x, y, z), wobei x, y, z die Koordinaten eines jeden Voxels im den Bilddaten kennzeichnen. Der Bilddatensatz ist neutral in dem Sinne, dass er durch die Rekonstruktion selbst keine Kantenaufsteilung erfahren hat. Wie bereits erwähnt, kann eine gefilterte Rückprojektion angewandt werden, andere Rekonstruktionsalgorithmen sind ebenfalls möglich. Mittels eines einfachen, linearen Kantendetektors, beispielsweise eines Sobel-Operators, wird in Schritt S2 die lokale Kantenamplitude K(x, y, z) und zusätzlich die lokale Richtung der Kante e ⇀_K(x, y, z) berechnet. Die Richtung der Kante ergibt sich beispielsweise aus der Richtungsselektivität des verwendeten Filters. So würde beim Sobel-Operator eine Filtermaske für horizontale, vertikale und/oder diagonale Kanten zum Einsatz kommen. Die Richtung der Kante e ⇀_K(x, y, z) wird beispielsweise für jedes Voxel vollständig durch den Normalenvektor e ⇀_K = K ⇀/|K ⇀| definiert. Der Kantendetektor wirkt dabei wie ein Filter, der im Ortsraum durch eine Faltungsoperation auf ein Voxel und seine Nachbarvoxel angewandt wird. Die Größe der mit in die Filterung einbezogenen Umgebung des Voxels wird durch den Filter selbst bestimmt und kann sich dementsprechend ändern. Alternativ zum Ortsraum kann die Kantendetektion mittels Fourier-Transformation des gesamten Bildvolumens, Multiplikation mit der Frequenzdarstellung des Filters und inverser Fourier-Transformation auch im Frequenzraum ausgeführt werden. Das Vorgehen richtet sich in der Regel nach der Größe des Bildvolumens sowie der Ausgestaltung des Filters. In Schritt S3 des Verfahrens wird die lokale, zu erwartende Standardabweichung des Rauschens σ(e ⇀; x, y, z) ermittelt. Dazu kann entweder auf die Bilddaten I(x, y, z) zurückgegriffen werden, wobei beispielsweise, wie in DE 10 2004 008 979 A1 für zahlreiche, bevorzugt isotrop im Raum verteilte, Raumrichtungen eindimensionale Varianzen für ein jedes Voxel in einem bestimmten Raumbereich oder Radius R ausgehend vom betrachteten Voxel ermittelt werden, woraus sich die jeweilige Standardabweichung in bekannter Weise durch Wurzelbildung ableiten lässt. Alternativ erfolgt die Bestimmung der lokalen, richtungsabhängigen Standardabweichung σ(e ⇀; x, y, z) anhand der Projektionen. Alternativ wird σ(e ⇀; x, y, z) nur für grobe Richtungen e ⇀ bestimmt, wobei (x, y, z) ein gröberes Raster als das der Bilddaten beschreiben. Die Ermittlung von σ(e ⇀_K(x, y, z); x, y, z) , wie zur Berechnung der Signifikanz notwendig, würde dann durch Interpolation, beispielsweise multi-linear, der vorberechneten groben Stützstellen erfolgen. Diese Vorgehensweise erweist sich als erheblich schneller und speicherplatzsparender. In einem weiteren Schritt S4 wird die lokale Kontur-Signifikanz S(x, y, z) aus der lokalen Konturamplitude K(x, y, z) sowie der richtungsabhängigen lokalen Standardabweichung σ(e ⇀_K(x, y, z); x, y, z) zu
berechnet, wobei die Signifikanz-Funktion f(t) die Form f(t) = 1 – exp(–(t/c)² annimmt. Alternative Signifikanz-Funktionen mit einem Wertebereich zwischen 0 und 1 sind ebenfalls möglich. Die Kontur-Signifikanz S(x, y, z) berücksichtigt den Quotienten aus lokaler Konturamplitude K(x, y, z) und der richtungsabhängigen, lokalen Standardabweichung σ(e ⇀_K(x, y, z); x, y, z) . Dies entspricht einem Normungsschritt.
Mittels eines Hochpass-Filters H, wie er beispielsweise in 4 dargestellt ist, wird der Bilddatensatz I(x, y, z) in einem weiteren Schritt S5 in einen Konturdatensatz Δ(x, y, z) gemäß der Formel Δ(x, y, z) = H·I(x, y, z) überführt. Die Hochpassfilterung bewirkt eine Verstärkung von höherfrequenten Signalen, was durch die Steigung der Kurve in 4 über den Wert 1 dargestellt wird. Für niederfrequente Signale geht die Übertragung des Filters gegen 0, was bedeutet, dass niederfrequente Bildbestandteile im Konturdatensatz nicht oder nur unterdrückt abgebildet werden. Andere Hochpassfilter mit qualitativ ähnlichen Eigenschaften können gleichsam zum Einsatz kommen. In Schritt S6 erfolgt eine Multiplikation des Konturdatensatzes mit der lokalen Kontur-Signifikanz. Dieses Produkt entspricht dem Ergebnisbilddatensatz I'(x, y, z) gemäß I'(x, y, z) = Δ(x, y, z)·S(x, y, z).
Schritt S6 entspricht einer Signifikanz-Wichtung der Kontur-Daten. Dieser Schritt bewirkt, dass nur die hochfrequenten Signalanteile in den Bilddaten, die signifikant und folglich als Kontur identifiziert sind, verstärkt werden, nicht jedoch insignifikante hochfrequente Signalanteile, die beispielsweise durch Rauschen gebildet werden. Damit unterscheidet sich das hiesige Verfahren von einer einfachen linearen Kantenverstärkung, die ungeachtet der Herkunft alle Hochfrequenz-Anteile, also auch das Rauschen, verstärkt.
Gemäß einer alternativen Variante wird das oben beschriebene Produkt aus Konturdatensatz und lokaler Kontur-Signifikanz in Form eines Korrekturterms dem neutralen Bilddatensatz I'(x, y, z) hinzugefügt. Das Ergebnisbild ergibt sich dann gemäß I'(x, y, z) = I(x, y, z) + Δ(x, y, z)·S(x, y, z).
Gemäß einer weiteren Variante wird das oben beschriebene Produkt aus Konturdatensatz und lokaler Kontur-Signifikanz im Rahmen eines iterativen Rekonstruktionsalgorithmus als Zusatz zum Update-Term verwendet. Das Ergebnisbild ergibt sich dann gemäß I_j+1 = I_j + α[Λ(I_j – I₀) + βR(I_j) + γSΔ], wobei I_j+1 und I_j die Bilddatensätze der j + 1-ten bzw. der j-ten Iteration bezeichnen. α beschreibt einen konstanten Faktor, der die Stärke der Korrektur durch den Update-Term [Λ(I_j – I₀) + βR(I_j) + γSΔ] angibt. Dieser setzt sich in dieser Variante wie folgt zusammen: Λ ist ein geeigneter Faktor, der der Statistik der Bilddaten Rechnung trägt. R entspricht einer Regularisierung, die auf das Bild I_j der j-ten Iteration angewandt wird, um das Iterationsbedingte Ansteigen des Rauschens zu überdrücken. β steht dabei für einen konstanten Faktor, der die Beimischungsstärke der Regularisierung festlegt. γ steht für einen konstanten Faktor, der die Beimischungsstärke des erfindungsgemäßen Zusatzes bestimmt.
Das Ergebnisbild kann im Folgenden einer Segmentierung unterzogen werden, wobei ein einfacher, linearer Kantendetektor zum Einsatz kommen kann.
Die Reihenfolge der Schritte des erfindungsgemäßen Verfahrens, ist, wenn nicht durch die Erfindung selbst bedingt, beliebig und kann auch, ohne den Rahmen der Erfindung zu verlassen, verändert werden. Einzelne Schritte oder einzelne Aspekte der Ausführungsbespiele der Erfindung sind selbstverständlich, wo sinnvoll und im Sinne der Erfindung, untereinander austauschbar.
Beispielhaft sind in 5 zwei rekonstruierte Bilddatensätze A, B gegenübergestellt. Der Einfachheit halber erfolgt die Darstellung zweidimensional. Bild A entspricht beispielsweise einem Eingangsbilddatensatz I(x, y, z), welcher auf herkömmliche Weise rekonstruiert wurde. Bild B entspricht einem erfindungsgemäßen Ergebnisbilddatensatz I'(x, y, z). Bild B weist gegenüber Bild A deutlich verstärkten Kontrast an den Grenzflächen unterschiedlicher Gewebetypen auf. Charakteristisch ist dabei der Hell-Dunkel-Saum, der sich durch die Hochpass-gefilterten Konturdaten Δ(x, y, z) ergibt. Erkennbar ist gleichzeitig, dass die Bildqualität in Bild B im Vergleich zu Bild A beibehalten wird, da das erfindungsgemäße Verfahren bei der Verstärkung Kontur-Signal und Rausch-Signal diskriminiert.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102004008979 [0024]
DE 102005038940 [0024]
DE 102004008979 A1 [0057]

Zitierte Nicht-Patentliteratur

Proc. SPIE 6510, Medical Imaging 2007: Physics of Medical Imaging, 651023 (March 14, 2007; doi: 10.1117 / 12.713692 [0024]

Claims

Verfahren zur Rekonstruktion von Ergebnisbilddaten (EBD) eines Untersuchungsobjektes (3) aus Messdaten (MD), die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle (8) eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, mit folgenden Schritten: – Rekonstruieren (S1) von initialen Bilddaten (IBD) aus den Messdaten, – Ableiten (S5) von Konturdaten (KD) aus den initialen Bilddaten, – Berechnen (S4) von Kontur-Signifikanz-Daten (KSD) aus den Messdaten und/oder den initialen Bilddaten, und – Berechnen (S6) der Ergebnisbilddaten (EBD) unter Verwendung der Konturdaten und der Kontur-Signifikanz-Daten.
Verfahren nach Anspruch 1, wobei das Berechnen der Kontur-Signifikanz-Daten ein Berechnen (S2) von lokaler Konturinformation (LKI) aus den initialen Bilddaten umfasst.
Verfahren nach Anspruch 2, wobei die lokale Konturinformation die Konturamplitude K(x, y, z) und/oder die Konturrichtung e ⇀_K(x, y, z) umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Berechnen der Kontur-Signifikanz-Daten ein Berechnen (S3) von lokaler, statistischer Information (LSI) in den initialen Bilddaten umfasst.
Verfahren nach Anspruch 4, wobei die lokale statistische Information die lokale Standardabweichung σ(e ⇀_K(x, y, z); x, y, z) des Rauschens ist.
Verfahren nach einem der vorstehenden Ansprüche, wobei das Berechnen der Kontur-Signifikanz-Daten das Ermitteln eines Kontur-zu-Rausch-Verhältnisses (KSNR) umfasst.
Verfahren nach Anspruch 6, wobei das Berechnen der Kontur-Signifikanz-Daten ein Abbilden des Kontur-zu-Rausch-Verhältnisses mittels einer beschränkten Signifikanz-Funktion f(t) auf einen Wert zwischen 0 und 1 umfasst.
Verfahren nach Anspruch 7, wobei die Signifikanz-Funktion f(t) als stetige Funktion oder als Stufen-Funktion ausgebildet ist.
Verfahren nach Anspruch 7 oder 8, wobei die Signifikanz-Funktion f(t) folgende Form annimmt: f(t) = 1 – exp(–(t/c)².
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Ableiten der Konturdaten eine Hochpass-Filterung H der initialen Bilddaten umfasst.
Verfahren nach Anspruch 10, wobei die Hochpass-Filterung H einen Frequenzgang aufweist, dessen Übertragung bei der Ortsfrequenz 0 verschwindet und mit größer werdender Ortsfrequenz Werte größer 1 annimmt.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die Ergebnisbilddaten basierend auf dem Produkt aus den Konturdaten und den Kontur-Signifikanz-Daten gebildet werden.
Verfahren nach einem der Ansprüche 1 bis 12, wobei die Ergebnisbilddaten basierend auf der Summe der initialen Bilddaten und dem Produkt aus den Konturdaten und den Kontur-Signifikanz-Daten gebildet werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren iterativ ausgeführt wird.
Computerprogramm mit Programmcode zur Durchführung aller Verfahrensschritte gemäß einem der Ansprüche 1 bis 14, wenn das Programm in einem Computer ausgeführt wird.
Maschinenlesbarer Datenträger (13), auf dem das Computerprogramm nach Anspruch 15 gespeichert ist.
Steuer- und Recheneinheit (16) zur Rekonstruktion von Ergebnisbilddaten (EBD) eines Untersuchungsobjektes (3) aus Messdaten (MD), die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle (8) eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, umfassend einen Programmspeicher zur Speicherung von Programmcode, wobei in dem Programmspeicher Programmcode vorliegt, der ein Verfahren gemäß einem der Ansprüche 1 bis 14 durchführt.
Steuer- und Recheneinheit (16) zur Rekonstruktion von Ergebnisbilddaten (EBD) eines Untersuchungsobjektes (3) aus Messdaten (MD), die bei einer relativen Rotationsbewegung zwischen einer Strahlungsquelle (8) eines Röntgenbildaufnahmesystems und dem Untersuchungsobjekt erfasst wurden, umfassend – eine Rekonstruktionseinheit (23), die eingerichtet ist, initiale Bilddaten (IBD) aus den Messdaten (MD) zu rekonstruieren (S1), – eine Ableitungseinheit (22), die eingerichtet ist, Konturdaten (KD) aus den initialen Bilddaten abzuleiten (S5), – eine erste Berechnungseinheit (20), die eingerichtet ist, Kontur-Signifikanz-Daten (KSD) aus den Messdaten und/oder den initialen Bilddaten zu berechnen (S4), und – eine zweite Berechnungseinheit (18), die eingerichtet ist, die Ergebnisbilddaten unter Verwendung der Konturdaten und der Kontur-Signifikanz-Daten zu berechnen (S6).
Röntgenbildaufnahmesystem mit einer Steuer- und Recheneinheit (16) nach Anspruch 17 oder 18.