ES2896954T3

ES2896954T3 - Reducción de ruido en datos de imagen

Info

Publication number: ES2896954T3
Application number: ES17722486T
Authority: ES
Inventors: Ewoud Joris Smit; Wolfgang Mathias Prokop
Original assignee: Stichting Radboud Universitair Medisch Centrum
Current assignee: Stichting Radboud Universitair Medisch Centrum
Priority date: 2016-05-13
Filing date: 2017-05-15
Publication date: 2022-02-28
Anticipated expiration: 2037-05-15
Also published as: EP3455824A1; US20190180419A1; CN109716388B; JP7122301B2; EP3455824B1; WO2017194787A1; EP3455824B8; LT3455824T; PL3455824T3; EP3244368A1; JP2019518296A; US10902562B2; CN109716388A

Abstract

Sistema para filtrar un conjunto de datos de imagen de entrada, donde el conjunto de datos de entrada comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde los puntos de muestreo i corresponden a puntos de tiempo o donde los puntos de muestreo i representan una secuencia de mediciones, donde cada secuencia I(x,1), I(x,2),...,I(x,n), para un número entero positivo n, corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i, donde el atributo es una ubicación o una frecuencia y el punto de muestreo i representa un índice en la secuencia I(x,1), I(x,2),...,I(x,n), donde el sistema comprende al menos un procesador (4) configurado para controlar el cálculo de un valor de señal de salida I*(x,i) correspondiente a un punto de muestreo i y un atributo x, donde el cálculo comprende, para un punto de muestreo particular i y para cada uno de una pluralidad de M atributos diferentes yk, donde k=1,...,M, del conjunto de atributos, asociar un peso w(x,yk,i) a un valor de señal de entrada I(yk,i) basado en una similitud Si(x,yk) entre los valores de señal I(x,j) e I(yk,j) para una pluralidad de los puntos de muestreo j excluyendo el punto de muestreo i, y calcular una suma ponderada basada en los valores de señal de entrada I(yk,i) y los pesos w(x,yk,i), donde k=1,...,M.

Description

DESCRIPCIÓN

Reducción de ruido en datos de imagen

CAMPO DE LA INVENCIÓN

[0001] La invención se refiere al filtrado de un conjunto de datos de imagen de entrada. La invención se refiere, además, a la reducción de ruido, en particular a la reducción de ruido en datos de imagen, tales como datos de imagen médicas.

ANTECEDENTES DE LA INVENCIÓN

[0002] Dado que la radiación de rayos X aumenta el riesgo de inducir cáncer, la exploración por tomografía computarizada (TC) de rayos X está limitada por una compensación entre la calidad de la imagen y la cantidad de exposición a la radiación del paciente. En general, la dosis de radiación debería mantenerse tan baja como sea razonablemente posible (ALARA). Esto es especialmente importante para las exploraciones de TC de perfusión (PTC) 4D, que consisten en múltiples TC 3D secuenciales a lo largo del tiempo después de la inyección de material de contraste. Por lo tanto, la cantidad de dosis de radiación que se pueden usar por exploración secuencial es limitada, lo que da como resultado un alto nivel de ruido.

[0003] Las exploraciones de perfusión por tomografía computarizada cerebral (PTC) se adquieren para detectar áreas de perfusión anormal en pacientes con enfermedades cerebrovasculares, como accidente cerebrovascular agudo, hemorragia subaracnoidea o enfermedad oclusiva carotídea. Estas exploraciones de PTC 4D consisten en múltiples exploraciones de TC 3D secuenciales a lo largo del tiempo. Por lo tanto, para reducir la exposición del paciente a la radiación, la cantidad de radiación de rayos X que se puede usar por exploración secuencial es limitada, lo que da como resultado un alto nivel de ruido. Para detectar áreas de perfusión anormal, los parámetros de perfusión se derivan de los datos de PTC, como el volumen sanguíneo cerebral (VSC), el tiempo medio de tránsito (TTM) y el flujo sanguíneo cerebral (FSC). Los algoritmos para determinar los parámetros de perfusión, especialmente la descomposición de valores singulares, son muy sensibles al ruido. Para obtener resultados más sólidos, se utiliza un umbral de ruido global para la descomposición de valor singular estándar (SVD) y la SVD circulante en bloque usa un índice de oscilación. Sin embargo, incluso cuando se usa el índice de oscilación, la calidad de los mapas de FSC disminuye drásticamente al aumentar el nivel de ruido. Por lo tanto, la reducción de ruido es un paso previo al procesamiento importante para el análisis de PTC. En los datos de perfusión 4D, los diferentes tipos de tejido se caracterizan por diferencias en los perfiles de tiempo-intensidad (cuarta dimensión). Por ejemplo, el tejido sano tiene un perfil de tiempo-intensidad diferente, captación de contraste y lavado fuera de un área con riesgo de infarto, y los perfiles de tiempo-intensidad de la sustancia blanca son diferentes de los de la sustancia gris. Por lo tanto, uno de los objetivos de la reducción de ruido en los datos de perfusión es reducir el ruido conservando los perfiles de tiempo-intensidad que son importantes para determinar los parámetros de perfusión.

[0004] El artículo "TIPS bilateral noise reduction in 4D CT perfusion scans produces high-quality cerebral blood flow maps", que apareció en Phys. Med. Biol. 56 (2011) 3857-3872; doi:10.1088/0031-9155/56/13/008, divulga un filtro bilateral de similitud de perfil de tiempo-intensidad (TIPS) para reducir el ruido en las exploraciones de PTC 4D, al tiempo que conserva los perfiles de tiempo-intensidad (cuarta dimensión) que se utilizan para determinar los parámetros de perfusión.

[0005] Cada valor de píxel en la imagen se reemplaza por un promedio ponderado de valores de píxel similares y cercanos. La función de cercanía gaussiana c (^,x) se define como

[0006] Se utiliza un núcleo de promediado ponderado 3D, en el que los pesos se basan en la distancia euclidiana 3D y la similitud de la cuarta dimensión. La función TIPS (p(^,x)) se define como

(Ecuación 2)

donde Z(^ , x) es la suma de la medida de las diferencias cuadradas (SSD) entre el perfil de tiempo-intensidad en el vóxel x y un vóxel vecino .^ La variable ^ctZ es un parámetro de filtro que afecta a la fuerza de filtro al determinar la pendiente de la función de similitud p. La medida SSD se define como

donde T es el tamaño de la dimensión temporal, I(x(x, y, z, t)) es el valor de intensidad de vóxel x(x, y, z) en el punto de tiempo t e I(^(x, y, z, t)) es el valor de intensidad de un vóxel vecino ^(x, y, z) en el punto de tiempo T.

[0007] Para cada vóxel x en el conjunto de datos 4D, la ecuación de filtrado bilateral se define de la siguiente manera:

donde m, n y o son los tamaños de la mitad del núcleo en las direcciones x, y, y z, respectivamente, cfá, x) es la función de proximidad definida por la ecuación 1, pfá, x) es la función TIPS definida por la ecuación 2, y n(x) es el factor de normalización definido como

[0008] EL filtro TIPS funciona bien bajo ciertas condiciones, dados los parámetros de filtro elegidos de manera óptima CTd, ^ctZ y la mitad del tamaño de núcleo m, n, y o. Sin embargo, existe una limitación intrínseca causada por la medida de similitud p que favorece aquellos perfiles de tiempo-intensidad de vóxeles vecinos ^que son más similares al perfil de tiempo-intensidad del vóxel x. Como resultado, el perfil de tiempo-intensidad después del filtrado TIPS puede seguir siendo demasiado similar al perfil original del vóxel x, lo que provocará una reducción de ruido subóptima. Además, existe una restricción espacial para encontrar perfiles similares dados por los tamaños de la mitad de núcleo m, n, y o. En el caso de que no haya suficientemente vóxeles con perfiles de tiempo-intensidad similares dentro del núcleo del filtro, se usarán muy pocos perfiles para filtrar para crear una supresión de ruido efectiva.

[0009] Li Zhoubo et al.: "A robust noise reduction technique for time resolved CT", Medical Physics, Vol. 43, n° 1,29, diciembre 2015, páginas 347-359, divulga un método de reducción de ruido llamado PATEN. En este método, se utilizan perfiles temporales parciales para determinar la similitud (o el peso) entre píxeles, y la búsqueda de similitud utiliza información espacial y temporal.

RESUMEN DE LA INVENCIÓN

[0010] Sería ventajoso tener un filtro mejorado para filtrar un conjunto de datos que comprenda datos de medición.

[0011] La invención se expone en el conjunto de reivindicaciones adjuntas.

[0012] Según un aspecto de la presente descripción, se proporciona un sistema para filtrar un conjunto de datos de imagen de entrada. El sistema está configurado para procesar un conjunto de datos de entrada que comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a puntos de muestreo i, donde cada secuencia corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i. El sistema comprende al menos un procesador configurado para controlar el cálculo de un valor de señal de salida I*(x,i) correspondiente a un punto de muestreo i y un atributo x, donde el cálculo comprende,

• para un punto de muestreo particular i y para cada uno de una pluralidad de M atributos diferentes yk (=y1,...,yM) del conjunto de atributos, asociar un peso w(x,yk,i) a un valor de señal de entrada I(yk,i) basado en una similitud Si(x,yk) entre los valores de señal I(x,j) e I(yk,j) para una pluralidad de puntos de muestreo j excluyendo el punto de muestreo i, y

• calcular una suma ponderada basada en los valores de señal de entrada I(yk,i) y los pesos w(x,yk,i), para yk (=y1,...,yM).

[0013] Los valores de señal de entrada I(x,i) contienen errores aleatorios debido al ruido. Debido a la suma ponderada, el ruido aleatorio en los valores de señal de salida se reduce en comparación con los valores de señal de entrada. Sin embargo, las características en la secuencia de señal de entrada se conservan en los valores de señal de salida y no se pierden en el paso de promediado ponderado, porque los pesos que están asociados con cada atributo yk se basan en la similitud entre la secuencia de valores de señal de yk y la secuencia de valores de señal del atributo x. Un peso mayor se asigna para una mayor similitud entre las secuencias de valores de señal de entrada de yk y x. Al excluir el punto de muestreo filtrado i del cálculo de la medida de similitud, el ruido aleatorio en el punto de muestreo i no influye en la señal de salida. Por lo tanto, el ruido en el punto de muestreo i se desvincula del ruido en todos los demás puntos de muestreo. Esto hace que el filtro sea mucho menos vulnerable al ruido en el punto de muestreo i.

[0014] El atributo es una ubicación o una frecuencia. Una ubicación puede ser una región volumétrica, como un vóxel, o una región bidimensional, como un píxel, por ejemplo. Una frecuencia puede ser una frecuencia o un rango de frecuencias, por ejemplo, cuando los valores de señal se expresan en un dominio de frecuencia.

[0015] El peso w(x,yk,i) puede ser independiente de una diferencia entre el atributo x y el atributo yk. Al elegir el peso independiente de la diferencia entre estos atributos, se pueden usar más valores de señal de entrada para contribuir al cálculo del valor de señal de salida I*(x,i). De esta manera, se pueden identificar atributos con valores de señal de entrada I(y,i) similares, lo que da lugar a mejores resultados de filtro. Por ejemplo, los tipos de tejido similares pueden dar como resultado los valores de señal similares, independientemente de la distancia entre los vóxeles donde están presentes los tipos de tejido. Los valores de señal del mismo tipo de tejido se pueden promediar para reducir el ruido sin perder información sobre los tejidos representados en el conjunto de datos. Además, la medida de similitud Si(x,yk) puede ser independiente de una diferencia entre los atributos x e yk.

[0016] Por ejemplo, cuando el atributo es una ubicación, el peso w(x,yk,i) se puede determinar independientemente de una distancia entre la ubicación x y la ubicación yk. Además, la medida de similitud Si(x,yk) puede ser independiente de una diferencia entre las ubicaciones x e yk.

[0017] El procesador se puede configurar para seleccionar la pluralidad de diferentes atributos yk, para k = 1,...,M, entre los atributos y del conjunto de atributos para los que la similitud Si(x,y) satisface una restricción predeterminada. De esta manera, al hacer una selección, el sistema puede calcular los resultados del filtro de manera más eficiente desde el punto de vista computacional. Al seleccionar los atributos y usando la similitud Si(x,y), el resultado del filtro sigue siendo bueno.

[0018] El procesador se puede configurar para seleccionar la pluralidad de diferentes atributos yk como una selección aleatoria de los atributos y para los que la similitud Si(x,y) satisface la restricción predeterminada. Una selección aleatoria ha dado buenos resultados en los experimentos.

[0019] En determinadas aplicaciones, la restricción predeterminada no impone una restricción en la diferencia entre el atributo x y el atributo yk. De esta manera, la selección de los atributos que se usan en el promedio ponderado no está limitada por la diferencia entre los atributos. Por ejemplo, cuando el atributo representa una ubicación, la diferencia puede ser la distancia. Esta distancia no tiene que jugar un papel en la selección de vóxeles.

[0020] Los puntos de muestreo i pueden corresponder a puntos de tiempo. Por lo tanto, la secuencia de valores de señal de entrada asociados a un atributo x pueden representar una señal de tiempo.

[0021] Los puntos de muestreo i pueden representar una secuencia de mediciones. Por ejemplo, se puede realizar una secuencia de mediciones para capturar un movimiento o un cambio en el tiempo. Esto se puede aplicar, por ejemplo, en estudios de perfusión.

[0022] Las ubicaciones pueden representar ubicaciones de vóxeles dentro de un conjunto de datos de volumen o ubicaciones de píxeles dentro de un conjunto de datos de imagen.

[0023] Las ubicaciones pueden representar posiciones en un detector montado sobre un pórtico y posiciones de pórtico. Por lo tanto, los valores de señal pueden ser los valores del sensor de los sensores en el pórtico, antes de que se lleve a cabo cualquier reconstrucción tomográfica.

[0024] El procesador se puede configurar para realizar compensación de movimiento en el conjunto de datos de entrada y para calcular los valores de señal de salida en base a los valores de señal de entrada con compensación de movimiento. De esta manera, la secuencia de valores de señal de entrada corresponde con mayor precisión a una ubicación fija, lo que mejora el resultado del filtro.

[0025] Los valores de señal de entrada pueden comprender al menos uno de: datos de tomografía computarizada (TC), datos de perfusión por tomografía computarizada (PTC), datos de formación de imágenes por resonancia magnética (IRM), datos de tomografía computarizada por emisión de fotón único (TCEFU) y datos de tomografía por emisión de positrones (TEP).

[0026] El sistema puede comprender un dispositivo de visualización configurado para mostrar una imagen basada en el conjunto de datos de salida. Esto permite ver una imagen en la que se ha eliminado mucho ruido.

[0027] El sistema puede comprender un aparato de formación de imágenes médicas que comprende al menos un sensor para generar el conjunto de datos de entrada.

[0028] Según otro aspecto de la invención, se proporciona un método de filtrado de un conjunto de datos de imagen de entrada. El conjunto de datos de entrada comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde cada secuencia corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i. El método comprende

calcular un valor de señal de salida I*(x,i) correspondiente a un punto de muestreo i y un atributo x, donde el cálculo comprende,

para un punto de muestreo particular i y para cada uno de una pluralidad de M atributos diferentes yk(=yi,...,yM) del conjunto de atributos, asociar un peso w(x,yk,i) a un valor de señal de entrada I(yk,i) basado en una similitud Si(x,yk) entre los valores de señal I(x,j) e I(yk,j) para una pluralidad de puntos de muestreo j excluyendo el punto de muestreo i, y

calcular una suma ponderada basada en los valores de señal de entrada I(yk,i) y los pesos w(x,yk,i), para yk(=y1,...,yM).

[0029] El método se puede implementar en forma de un producto de programa informático que comprende instrucciones para hacer que un sistema procesador realice los pasos del método establecido.

[0030] Además, las modificaciones y variaciones descritas con respecto al sistema también se pueden aplicar al método y al producto del programa informático, y las modificaciones y variaciones descritas con respecto al método también se pueden aplicar al sistema y al producto del programa informático.

BREVE DESCRIPCIÓN DE LOS DIBUJOS

[0031] A continuación, se aclararán aspectos de la invención mediante ejemplos, con referencia a los dibujos. Los dibujos son esquemáticos y no pueden estar dibujados a escala.

La figura 1 muestra un sistema de formación de imágenes que incluye un sistema para filtrar un conjunto de datos de imagen de entrada.

La figura 2 muestra un método para filtrar un conjunto de datos de imagen de entrada.

La figura 3 ilustra una aplicación de ejemplo del filtro de similitud en la formación de imágenes por TC dinámica del cerebro.

La figura 4 ilustra una aplicación de ejemplo del filtro de similitud en la formación de imágenes de TEP dinámica del pecho.

DESCRIPCIÓN DETALLADA DE FORMAS DE REALIZACIÓN

[0032] En la siguiente descripción detallada, las características de la invención se describirán con más detalle. Los detalles descritos aquí están destinados a ayudar a la persona experta en la comprensión de la presente descripción. Sin embargo, los ejemplos detallados no están destinados a limitar el alcance de la presente descripción. En cambio, muchas modificaciones y variantes de la presente descripción pueden resultar evidentes para el experto en la técnica, dentro del alcance de la presente invención, tal y como se define en las reivindicaciones adjuntas.

[0033] Según un aspecto de la presente descripción, se proporciona un filtro de similitud mejorado. Según un aspecto adicional de la invención, se proporciona un filtro de similitud que emplea una medida de similitud para comparar el comportamiento dependiente del tiempo de un vóxel con el comportamiento dependiente del tiempo de otro vóxel para determinar una similitud entre los dos vóxeles.

[0034] Según un aspecto adicional de la presente descripción, se proporciona un filtro de similitud de perfil de tiempo-intensidad (TIPS) para reducir el ruido en las exploraciones de perfusión de tomografía computarizada (PTC) 4D, mientras se preservan los perfiles de tiempo-intensidad (la cuarta dimensión) para determinar los parámetros de perfusión.

[0035] Según un aspecto adicional de la presente descripción, se proporciona un método para reducir el ruido aleatorio en datos pixelados (temporalmente) variables (n-dimensionales) que se muestrean en múltiples veces.

[0036] Según un aspecto adicional, se describe un filtro para la reducción de ruido, que es más eficaz para reducir el ruido para cada medición usando no solo las mediciones de corriente (o unos pocos vecinos) para estimar un valor de vóxel, sino, si se desea, (casi) el conjunto completo de mediciones para la reducción de ruido.

[0037] Según un aspecto adicional, un filtro se basa en la similitud entre vóxeles en términos de propiedades con cada punto de muestreo. Aquí, cada punto de muestreo puede representar un momento en el tiempo o una frecuencia, por ejemplo.

[0038] Según un aspecto adicional, la similitud entre vóxeles se puede determinar localmente (alrededor del vóxel que se va a filtrar), pero también globalmente comparando el vóxel que se va a filtrar con cualquier vóxel en el conjunto de datos).

[0039] Según un aspecto adicional, se hace uso de la suposición de que, si los datos medidos son similares para todos los puntos de muestreo, excepto un cierto punto de muestreo i, entonces es posible que los vóxeles tengan propiedades similares, y, por lo tanto, tengan un comportamiento similar también para el punto de muestreo i.

[0040] La figura 1 ilustra un sistema de formación de imágenes. El sistema de formación de imágenes comprende un escáner 1. El escáner puede ser un escáner de formación de imágenes médicas u otro tipo de escáner. En determinadas aplicaciones, el escáner produce una pluralidad de mediciones, estas mediciones forman un valor de señal de entrada para el sistema de filtro de similitud 7. Dicho valor de señal de entrada puede estar asociado a un atributo. Por ejemplo, se proporcionan una pluralidad de sensores y el atributo puede comprender un índice del sensor que generó la medición que dio como resultado el valor de señal de entrada. Alternativa o adicionalmente, el atributo puede comprender un parámetro de la medición realizada para generar el valor de señal de entrada, como un ángulo de rotación del pórtico o un gradiente aplicado o una frecuencia. En determinadas formas de realización, las mediciones de diferentes sensores se combinan para formar un conjunto de datos bidimensional o tridimensional. Los píxeles o los vóxeles de dichos conjuntos de datos pueden formar los valores de señal de entrada, y los atributos pueden comprender una representación de la ubicación correspondiente a cada vóxel. Además, para cada uno de los atributos, se puede generar una secuencia de valores de señal de entrada. Esta secuencia de mediciones se puede denominar aquí como puntos de muestreo. La secuencia puede ser una secuencia temporal, por ejemplo, una serie de mediciones realizadas en sucesión, para capturar los cambios a lo largo del tiempo. Alternativamente, la secuencia puede capturar una variación de una característica basada en otro parámetro, por ejemplo, los puntos de muestreo pueden corresponder a diferentes frecuencias en un espectro medido. En determinadas formas de realización, el escáner 1 comprende un escáner de tomografía computarizada o un escáner de IRM. También se pueden usar otros tipos de escáneres, tales como escáneres de TEP y TCEFU en determinadas formas de realización. Por ejemplo, la perfusión se puede capturar adquiriendo varios conjuntos de datos volumétricos en sucesión durante la entrada de un agente de contraste en un sujeto. Los puntos de muestreo pueden corresponder a los sucesivos conjuntos de datos volumétricos.

[0041] El conjunto de datos creado con el sistema de formación de imágenes puede contener ruido. Dicho ruido puede deberse a errores de medición. Estos errores de medición pueden ser desviaciones aleatorias del valor medido del valor "real" subyacente de la propiedad que se mide. En una pluralidad de mediciones en el conjunto de datos, el ruido promedio puede ser cero. Dicho ruido se puede distinguir de, por ejemplo, una tendencia, que es una desviación sistemática de valores de medición del valor "real".

[0042] El sistema de formación de imágenes también puede comprender un sistema de almacenamiento externo 2, como un sistema de información de un hospital o un servidor de archivos simple. Los valores de señal de entrada y los valores de señal de salida se pueden almacenar y recuperar desde el sistema de almacenamiento externo 2.

[0043] El sistema de formación de imágenes también puede comprender un dispositivo de visualización 6, para visualizar valores de señal filtrados y/o no filtrados. Este dispositivo puede tener la forma de una representación gráfica de los valores de señal.

[0044] El sistema de filtro de similitud 7 puede comprender un módulo de comunicación 3, que está configurado para recibir valores de señal de entrada del escáner 2 o del sistema de almacenamiento externo 2 o de otra fuente. Además, el módulo de comunicación 3 se puede configurar para exportar y almacenar los valores de señal de salida en el dispositivo de almacenamiento externo 2 o enviar los valores de señal de salida a otro dispositivo adecuado.

[0045] El sistema de filtro de similitud 7 puede comprender, además, una memoria 5, que se puede configurar para almacenar datos 20, tales como valores de señal de entrada, valores de señal de salida y resultados intermedios de cálculos. Además, la memoria 7 se puede configurar para almacenar parámetros configurables del sistema de filtro 7. En determinadas formas de realización, la memoria 7 está configurada para almacenar un programa informático 10-13 con instrucciones para hacer que el procesador 4 realice un método de filtrado de los valores de señal de entrada, como se establece en la presente descripción. El procesador 4 puede ser cualquier procesador de ordenador adecuado, como un microprocesador, un controlador, o una FPGA. Alternativamente, se pueden proporcionar circuitos electrónicos dedicados para implementar las operaciones de filtro.

[0046] El programa informático se puede dividir en unidades funcionales. En la presente descripción se presenta un ejemplo de división de un programa informático en unidades, pero esto solo es un ejemplo. Otras implementaciones pueden comprender una división diferente de la funcionalidad en unidades.

[0047] El módulo de comunicación 3 se puede configurar para recibir el conjunto de datos de entrada del escáner 1 o del almacenamiento externo 2. El conjunto de datos de entrada puede comprender una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde cada secuencia corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo I.

[0048] El sistema de filtro 7 puede comprender una unidad de similitud 10 configurada para calcular una similitud Si(x,yk) entre los valores de señal I(x j) e I(yk,j) para una pluralidad de los puntos de muestreo j, excluyendo el punto de muestreo i. Es decir, se determina una medida de similitud general entre la secuencia de valores de señal de entrada asociados a un primer atributo x y la secuencia de valores de señal de entrada asociados a un segundo atributo yk. Aquí, se ignora el punto de muestreo i de ambas secuencias. Es decir, las secuencias están indexadas de modo que un punto de muestreo i del atributo x corresponde a un punto de muestreo i del atributo yk. La similitud Si(x,yk) se calcula para una pluralidad de segundos atributos diferentes yk, k=1,...,K. De esta manera, se pueden identificar atributos cuyos valores de señal de entrada son similares a los valores de señal de entrada del primer atributo x. En determinadas formas de realización, la unidad de similitud 10 está configurada para realizar su operación para cada atributo x para el que se desea un valor de señal de salida. Además, la unidad de similitud 10 se puede configurar para realizar su operación repetidamente para el mismo atributo x, excluyendo cada vez un punto de muestreo diferente i de la evaluación de similitud Si(x,yk).

[0049] El sistema de filtro de similitud 7 puede comprender, además, una unidad de selección 11. La unidad de selección 11 selecciona una pluralidad de los segundos atributos yk, basándose en la medida de similitud Si(x,yk). El número de atributos seleccionados se indica aquí como M. Aquí, M <= K. La selección se puede realizar de muchas formas diferentes, pero en cualquier caso se seleccionan M atributos yk de los cuales la medida de similitud Si(x,yk) indica un alto grado de similitud. Por ejemplo, si M es un número predeterminado, se pueden seleccionar los M atributos yk que tienen la mayor similitud Si(x,yk) con el atributo x. Alternativamente, se puede establecer un umbral mínimo en la similitud, y se pueden seleccionar M atributos entre los segundos atributos para los que la similitud Si(x,yk) tiene un valor por encima del umbral. Dicha selección puede ser una selección aleatoria. Alternativamente, se pueden seleccionar atributos elegibles que estén más cerca del atributo x. Por ejemplo, si x es una ubicación, se pueden seleccionar M ubicaciones yk que estén más cerca de la ubiacación x. Las posibilidades de selección alternativa se describen en otra parte aquí. A continuación, por conveniencia, los segundos atributos se vuelven a enumerar de manera que los segundos atributos seleccionados se denominan yk = y1,...,yM. En determinadas formas de realización, la unidad de selección 11 está configurada para realizar su operación para cada primer atributo x para el que se desea un valor de señal de salida. Además, la unidad selecta 11 se puede configurar para realizar su operación para cada punto de muestreo i para el que se calculó la similitud Si(x,yk).

[0050] El sistema de filtro de similitud 7 puede comprender, además, un peso de unidad 12 para asociar un peso a cada uno de los segundos atributos seleccionados yk = y1,...,yM de un primer atributo particular x. Como se ha indicado anteriormente, uno de los puntos de muestreo i no se tuvo en cuenta en el cálculo de la similitud Si(x,yk) y/o para la selección del M segundos atributos. La unidad de peso asocia un valor de peso w(x,yk,i) a una combinación del primer atributo x, el segundo atributo yk, y el punto de muestreo excluido i. En determinadas formas de realización, el peso es una función del valor de similitud Si(x,yk). En determinadas formas de realización, una diferencia entre los dos atributos x e yk no se tiene en cuenta en el cálculo del valor de peso w(x,yk,i). En general, un mayor peso w(x,yk,i) está asociado a combinaciones cuya la similitud Si(x,yk) es grande. El peso de unidad 12 se puede configurar para repetir sus operaciones para los diferentes primeros atributos x, los segundos atributos correspondientes yk, k=1,...,M, y los diferentes puntos de muestreo excluidos i.

[0051] El sistema de filtro de similitud 7 puede comprender, además, una unidad de suma 13. La unidad de suma 13 está configurada para calcular una suma ponderada de una pluralidad de los valores de señal de entrada, usando la selección de los segundos atributos hechos por la unidad de selección y los pesos determinados por la unidad de peso. Es decir, la unidad de suma calcula una suma ponderada de los valores de señal de entrada I(yk,i) para cada uno de los atributos seleccionados yk=y1,...,yM. Los valores de señal de entrada correspondientes al punto de muestreo i, que fue excluido en la determinación de la función de similitud Si(x,yk) y en la selección de los segundos atributos yk, se añaden para formar la suma ponderada. Por ejemplo, la suma ponderada se puede calcular como:

Aquí, el operador, puede denotar multiplicación, por ejemplo. La unidad de suma 13 se puede configurar para repetir sus operaciones para los primeros atributos diferentes x, los segundos atributos seleccionados correspondientes yk, k = 1,...,M, y los diferentes puntos de muestreo i.

[0052] Los valores de señal de salida, que pueden ser emitidos por el módulo de comunicación 3 o almacenados alternativamente como datos 20 en la memoria 5, se basan en esta suma ponderada. En determinadas formas de realización, los valores de señal de salida son la salida I*(x,i) de la unidad de suma 13. Alternativamente, se pueden realizar uno o más pasos de posprocesamiento, de modo que los valores de señal de salida se basen en las sumas ponderadas I*(x,i).

[0053] Como se mencionó anteriormente, el atributo es una ubicación o una frecuencia.

[0054] En determinadas formas de realización, el peso w(x,yk,i) es independiente de una diferencia entre el atributo x y el atributo yk. Por lo tanto, el peso se determina en base a la similitud de las secuencias de valores de señal de entrada del atributo x y del atributo yk, excluyendo el punto de muestreo i. Asimismo, en el caso de que el atributo sea una ubicación, el peso w(x,yk,i) puede ser independiente de una distancia entre la ubicación x y la ubicación yk. Sin embargo, en determinadas formas de realización, esta diferencia también se puede tener en cuenta, por ejemplo dando un mayor peso a los atributos yk donde la diferencia con el atributo x es menor.

[0055] El procesador se puede configurar para seleccionar la pluralidad de diferentes atributos yk, para k = 1,...,M, entre los atributos y del conjunto de atributos disponibles para los cuales la similitud Si(x,y) satisface una restricción predeterminada, como la restricción de que la similitud esta por encima de un umbral dado, o que la similitud se encuentra entre las M similitudes de clasificación más altas. El procesador se puede configurar para seleccionar la pluralidad de atributos diferentes yk como una selección aleatoria de los atributos y para los que la similitud Si(x,y) satisface la restricción predeterminada. En determinadas formas de realización, la restricción predeterminada no impone una restricción sobre la diferencia entre el atributo x y el atributo yk. Los puntos de muestreo i pueden corresponder a puntos de tiempo cuando se realizaron mediciones, o el punto de muestreo i puede representar un índice de una secuencia de mediciones.

[0056] Un ejemplo de una situación en la que el atributo comprende una ubicación es la situación en la que los valores de señal de entrada representan un conjunto de datos espaciales, donde las ubicaciones representan ubicaciones de vóxeles dentro de un conjunto de datos de volumen o ubicaciones de píxeles dentro de un conjunto de datos de imagen bidimensionales. Alternativamente, las ubicaciones pueden representar posiciones en un detector montado sobre un pórtico y posiciones de pórtico. Es decir, la posición del sensor en el pórtico, así como la posición del pórtico, determinan en conjunto la "ubicación". Aquí, la "posición del pórtico" puede comprender un ángulo de rotación del pórtico.

[0057] En determinadas formas de realización, el procesador está configurado para realizar compensación de movimiento en el conjunto de datos de entrada, y para calcular los valores de señal de salida basados en valores de señal de entrada con compensación de movimiento. De esta manera, se evalúa mejor la similitud de las secuencias de valores de señal de entrada a lo largo del tiempo, y el filtro puede funcionar mejor.

[0058] Los valores de señal de entrada pueden comprender, por ejemplo, datos de tomografía computarizada (TC), datos de perfusión de tomografía computarizada (PTC), datos de formación de imágenes por resonancia magnética (IRM), datos de tomografía computarizada por emisión de fotón único (TCEFU) y/o datos de tomografía por emisión de positrones (TEP).

[0059] La figura 2 muestra un diagrama de flujo de un método de filtrado de un conjunto de datos de imagen de entrada. En el paso 201, se identifica un conjunto de datos de entrada. Por ejemplo, el conjunto de datos de entrada se recibe de otro dispositivo, como un dispositivo de escáner. Aquí, el conjunto de datos de entrada comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde cada secuencia corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i.

[0060] En el paso 202, la similitud Si(x,y) se determina entre las secuencias de valores de señal de entrada de pares de atributos x e y. Aquí, cada vez que al menos un punto de muestreo i se excluye de la determinación de similitud. Esta similitud se calcula para muchos atributos x e y, y puntos de muestreo diferentes i.

[0061] En el paso 203, para un primer atributo x dado y un punto de muestreo i, se selecciona un conjunto de los segundos atributos yk, que tienen una similitud Si(x,yk) relativamente grande. Los criterios para seleccionar estos atributos yk se han descrito en otra parte de esta divulgación. Esta selección puede realizarse para cada primer atributo x y para cada punto de muestreo i, para el que se desea un valor de señal de salida.

[0062] En el paso 204, con respecto a cada primer atributo x y punto de muestreo i para el que se desea un valor de señal de salida, los pesos w(x,yk,i) se asocian con los segundos atributos yk. Los pesos se basan en las similitudes Si(x,y).

[0063] En el paso 205, con respecto a cada primer atributo x y punto de muestreo para el que se desea un valor de señal de salida, se calcula la suma ponderada del punto de muestreo i de los segundos atributos yk seleccionados, usando los pesos w(x,yk,i). En determinadas formas de realización, la suma ponderada es un promedio ponderado.

[0064] En el paso 206, se determinan los valores de señal de salida I*(x,i) correspondientes a un punto de muestreo i y un atributo x. Estos valores de señal de salida se basan en las sumas ponderadas.

[0065] La figura 3 muestra un ejemplo del filtro de similitud cuando se aplica a la formación de imágenes por tomografía computarizada (TC) dinámica del cerebro. En la TC dinámica se realizan múltiples exploraciones a lo largo del tiempo. Como se ilustra, las porciones 301 y 311 corresponden a una exploración en el punto de tiempo, las porciones 302 y 312 corresponden a una exploración en el punto de tiempo fe y las porciones 303 y 313 corresponden a una exploración en el punto de tiempo fe. En el dibujo solo se muestran algunas de las porciones adquiridas en diferentes puntos de tiempo t de una medición de TC dinámica. A partir de estas exploraciones, se pueden calcular mapas de perfusión, como el volumen de sangre cerebral que se muestra en los mapas de perfusión 304 y 314. La fila superior de la figura 3 muestra los datos a medida que se obtienen del escáner (es decir, las porciones no filtradas 301, 302, 303) y el mapa de perfusión 304 calculado a partir de las porciones no filtradas 301, 302, 303. En estas imágenes no filtradas, las estructuras anatómicas son difícilmente visibles. La fila inferior de la figura 3 muestra los resultados después del filtrado por similitud, es decir, las porciones filtradas 311, 312, 313 y el mapa de perfusión 314 calculado a partir de las porciones filtradas 311, 312, 313. En estas imágenes filtradas, las estructuras anatómicas son visibles con un nivel de detalle muy alto.

[0066] La figura 4 muestra un ejemplo del filtro por similitud cuando se aplica a la obtención de imágenes de tomografía por emisión de positrones (TEP) dinámica del pecho. La imagen de la izquierda 401 muestra la fase arterial de la serie dinámica obtenida del escáner en la que la estructura anatómica y un tumor en el pulmón derecho (lado izquierdo de la imagen) son apenas visibles. La imagen de la derecha 402 muestra el resultado después de un filtrado por similitud en la que los pulmones, incluido el tumor en el pulmón derecho, son claramente visibles y están marcadamente marginales.

[0067] Una implementación de ejemplo del algoritmo usado para filtrar el conjunto de datos se puede describir de la siguiente manera.

[0068] En primer lugar, se proporciona un conjunto de datos que tiene un gran número de vóxeles. Cada vóxel representa un elemento de un espacio n-dimensional. Una característica de cada vóxel se mide una pluralidad de veces, por ejemplo m veces, donde m es un número entero mayor que uno. La característica medida puede ser una señal, por ejemplo una propiedad física de una sustancia en el vóxel, como un número de TC o un tiempo de relajación. Dicha propiedad física puede cambiar a lo largo del tiempo, por ejemplo debido a cambios de la sustancia en el vóxel. Es decir, por ejemplo, el caso en el que un agente de contraste fluye a través del vóxel durante las mediciones. Sin embargo, también se pueden procesar otros tipos de datos de vóxel usando los métodos de la presente divulgación. En una forma de realización alternativa, los datos de cada vóxel pueden comprender un vector que representa un espectro de frecuencia, donde cada componente del vector representa una frecuencia diferente.

[0069] Si los datos son ruidosos, los valores medidos en un determinado punto de muestreo i pueden variar sustancialmente entre vóxeles que muestran un comportamiento similar en los otros puntos de muestreo. Al promediar el punto de muestreo correspondiente i de un número suficientemente grande de tales vóxeles de comportamiento similar, se puede descubrir una estimación mejorada de la verdadera intensidad de vóxeles de estos vóxeles en el punto de muestreo i.

[0070] Se puede descubrir vóxeles que se comporten de manera similar definiendo una medida de distancia entre el vector de característica del vóxel que se va a filtrar y los vectores de característica de los otros vóxeles en el conjunto de datos. Aquí, un vector de característica es un vector que contiene los puntos de muestreo de un vóxel particular.

[0071] El filtro descrito aquí puede ser particularmente útil para datos que son espacialmente consistentes en el sentido de que la secuencia de puntos de muestreo para un atributo o una ubicación particulares describen la misma entidad física (por ejemplo, la misma porción de un tejido). Cuando este no es el caso, se puede aplicar una técnica de pretratamiento, conocida en la técnica per se, como la compensación de movimiento, para crear un conjunto de datos que sea consistente. Además, el filtro es particularmente eficaz cuando el ruido en el conjunto de datos no está correlacionado, de modo que el ruido se cancela al sumar o promediar los datos de varios puntos de muestreo y atributos (o ubicaciones). Además, preferiblemente hay un gran número de atributos (por ejemplo, muchos vóxeles), que tienen un comportamiento similar. Para obtener el mejor rendimiento, el ruido de la imagen por punto de muestreo debería ser similar. Esto se puede conseguir usando un paso de normalización, que se conoce en la técnica per se. Cabe señalar que estas situaciones preferidas no son limitaciones del filtro descrito. Más bien, se hace referencia a indicar algunos dominios de aplicación en los que el filtro pueden ser particularmente eficaz. En otras situaciones, el filtro también puede proporcionar resultados satisfactorios.

[0072] En la siguiente descripción, se supone que el conjunto de datos tiene un ruido similar para cada punto de muestreo (por ejemplo, para cada punto de tiempo). Para lograr esto, se puede realizar un paso de normalización opcional. Alternativamente, la cantidad de ruido en cada punto de muestreo se puede tener en cuenta en la medida de distancia y/o en los otros pasos computacionales.

[0073] La siguiente tabla enumera los símbolos que se usan en el resto de esta divulgación.

Tabla 1:

[0074] En algunas formas de realización, la función de peso f puede ser dependiente del número de vóxeles elegibles, y puede ser asimétrica.

[0075] La señal de salida I*(x, i) se puede calcular como un promedio ponderado de las señales de entrada I(yj, i) de M vóxeles yj en el punto de muestreo correspondiente i, donde j = 1, ..., M. Para seleccionar estos M vóxeles yj, se pueden elegir vóxeles para los que la distancia ||I¡(x), I¡ (yj)|| satisface unas restricciones particulares. En particular, se pueden elegir vóxeles para los que esta distancia es relativamente pequeña. En determinadas formas de realización, el promedio ponderado se puede calcular basándose en la siguiente ecuación:

M M

T*(x, i) - S fC'Ii (x), I¡ (yj)l) 1(35, i) / Z W (*)> li (yj)l).

7=1 7=1

[0076] Aquí, yj, para cada j = 1,...,M, es uno de los M vóxeles que cumplen con una cierta condición de similitud. Los ejemplos de métodos para seleccionar estos M vóxeles incluyen los siguientes:

• los M vóxeles para los que ||I¡(x), I¡(yj)|| es el más pequeño;

• una selección aleatoria de M vóxeles para los que ||I¡(x), I¡(yj)M < k, donde k es un umbral predeterminado;

• una selección aleatoria de M vóxeles para los que f(||I¡(x), I¡(yj)||) > k, donde k es un umbral predeterminado;

• una selección aleatoria de M vóxeles para los que ||I¡(x), Ii(yj)|| tiene una distribución predefinida (por ejemplo, una distribución gaussiana).

El yj se puede buscar en el conjunto de datos n-dimensionales o en un subconjunto local alrededor del vóxel x.

[0077] La función de distancia ||I¡(x), I¡(y)|| puede ser cualquier función de distancia adecuada. Un primer ejemplo de una función de distancia adecuada es el siguiente:

n

lili ( i) , ii (y)ll = Z t M y l - i j W l 2

J=Uj*i

Esta función de distancia es la suma de los cuadrados de las diferencias de los componentes de los vectores x e y. Alternativamente, también es posible usar la raíz de esta suma de cuadrados como la medida de distancia. En otro ejemplo, se tiene en cuenta el ruido ct¡ de las mediciones:

lili

Esta distancia es la suma ponderada de cuadrados de las diferencias de los componentes, ponderada según el ruido para diferente i. Alternativamente, se puede usar la raíz de esta medida de distancia. Otra alternativa es la suma de la diferencia absoluta de cada componente de los vectores x e y:

En esta alternativa, la ponderación según el nivel de ruido CTi es nuevamente opcional. Además, se pueden usar otras medidas de distancia conocidas para reemplazar los ejemplos anteriores.

[0078] En las ecuaciones anteriores, se utilizó una función de ponderación f para ponderar los valores de medición al calcular el promedio ponderado del punto de muestreo i de los vóxeles seleccionados. A continuación, se darán algunos ejemplos de funciones de ponderación útiles f. Sin embargo, en su lugar se pueden utilizar otras funciones de ponderación.

[0079] En un primer ejemplo, no se realiza ninguna ponderación:

f(d) = d, para todas las d

[0080] En un segundo ejemplo, se realiza la ponderación homogénea dentro del núcleo c:

f(d) = 1, para d < c

f(d) = 0, para d > c

[0081] En un tercer ejemplo, se realiza un pesaje triangular dentro de un núcleo c, donde c es un número mayor que 0:

f(d) = 1, - d/c, para d < c

f(d) = 0, para d > c

[0082] En un cuarto ejemplo, se realiza una ponderación exponencial, usando un parámetro c mayor que 0:

f(d) = exp[- V (d/c)2, para todas las d.

[0083] Una aplicación de ejemplo práctico del método es la formación de imágenes de perfusión por tomografía computarizada (PTC). La PTC comprende la adquisición de una pluralidad de adquisiciones de datos de TC de la misma región corporal en serie, durante la inyección de material de contraste intravenoso.

El número de adquisiciones de datos de CT se indica aquí mediante n. A menudo, el cuadrado del ruido de la imagen es proporcional a 1/mAs. Dado que la dosis aplicada en mAs se conoce en muchas aplicaciones, la normalización se puede aplicar usando la estimación del ruido basada en la dosis instantánea. El punto de muestreo, i, para i = 1, ..., n, puede corresponder a un punto de tiempo de una adquisición de imagen. La carga del tubo del tubo de rayos X en el punto de tiempo i se indica con mAsi. I(x, i) representa el número de TC de un vóxel en la ubicación x y el punto de tiempo i. Ii(x) denota el vector de señal en la ubicación x para todos los puntos, excluyendo el punto de tiempo i. ||I¡(x), Ii(y)|| es la medida de distancia normalizada entre los vectores de señal Ii(x) e Ii(y). Por ejemplo,

n

lili (x), li (y)I = Ya [Ij (y) - Ij (x)]2- mAs,

M;j*¡

I*(x, i) es un número de CT de ruido reducido de un vóxel en la ubicación x y el punto de tiempo i. Por ejemplo,

1 A

] *(x’ ⁱ) = ^t M ^tS P !(yj. 0-Aquí, yj para j = 1, ..., M son los vóxeles que satisfacen el criterio aplicable (por ejemplo, ||I¡ (x), I¡(yj)ll es más pequeño (o "suficientemente pequeño")), y M es un parámetro seleccionable que representa el número de vóxeles que se promedian para calcular el valor de salida filtrado. Este parámetro se puede considerar intuitivamente como un "factor virtual de aumento de dosis". En determinadas formas de realización, el valor de M normalmente se puede seleccionar entre 30 y 300.

[0084] En la PTC conocida, normalmente se adquieren entre 10 y 30 conjuntos de datos de volumen de TC después de la inyección de agente de contraste, aunque el número de conjuntos de datos de volumen de TC puede ser mayor o menor. Cada conjunto de datos tiene una dosis de adquisición relativamente baja, ya que la dosis total administrada al paciente debe dividirse entre los conjuntos de datos de volumen de TC. Cada uno de estos 10-30 conjuntos de datos normalmente consiste en 32-320 secciones finas (0,5-1 mm), aunque son posibles otras cantidades de secciones y espesores de sección. Los datos se pueden registrar espacialmente antes del procesamiento con el filtro descrito anteriormente, para compensar movimiento del sujeto que está representado, por ejemplo. La dependencia de tiempo de la mejora del contraste del tejido cerebral se usa típicamente para calcular varios parámetros de perfusión. Para el ejemplo de PTC del cerebro, el flujo sanguíneo cerebral (FSC), el volumen sanguíneo cerebral (VSC) y el tiempo de tránsito medio (TTM) se calculan y se utilizan generalmente para distinguir tejido normal, hipoperfundido e infartado en pacientes con sospecha de accidente cerebrovascular.

[0085] Los datos de sección delgada no filtrada pueden sufrir un ruido de imagen muy alto, debido a la adquisición de baja dosis de cada conjunto de datos de volumen de TC. Debido a que se adquieren de 10 a 30 conjuntos de datos, la dosis de adquisición total sigue siendo mayor que la de la TC estándar. Al calcular imágenes de FSC, VSC y TTM, este ruido conduce a resultados inexactos. Por lo tanto, es necesario reducir el ruido de la imagen antes de calcular las imágenes de FSC, VSC y TTM. El ruido se puede reducir aumentando el grosor de las imágenes de perfusión a 5-10 mm y un filtrado en plano adicional (normalmente suavizado). Estas técnicas de reducción de ruido provocan los denominados efectos de volumen parcial y borrosidad, que crean problemas con pequeñas anomalías (por ejemplo, infartos lacunares) y artefactos debido a vasos que tienen un diámetro menor que el grosor de la sección.

[0086] Después de filtrar los datos de TC que usan el filtro de similitud propuesto de la presente descripción, se puede obtener una excelente calidad de imagen con bajo ruido y alta resolución espacial y de contraste, incluso para secciones Imm, a los niveles de dosis de radiación que se han utilizado en el pasado para PTC. Se puede reconstruir una angiografía de TC 4D dinámica de alta calidad a partir de estos datos filtrados. Las imágenes de PTC, (FSC, VSC y TTM) muestran una alta resolución y un bajo ruido de imagen. Estas pueden permitir detectar pequeñas anomalías, incluso en secciones de 1 mm.

[0087] El filtro mejorado puede ayudar a mejorar sustancialmente la precisión diagnóstica, y permitir la evaluación de infartos más pequeños. El método también puede permitir otras aplicaciones nuevas. Alternativamente, será posible reducir la dosis de radiación sin perder la precisión del diagnóstico. Al permitir la PTC con una calidad excelente a niveles de dosis estándar, se puede eliminar el principal obstáculo actual para introducir la PTC en la práctica clínica. Incluso se podría imaginar que la PTC se convierta en el modo de exploración principal que se utilizará para la gran mayoría de los pacientes que padecen determinadas afecciones clínicas.

[0088] El filtro de similitud se puede aplicar a cualquier técnica de TC en la que se adquieran múltiples datos 3D (o 2D) a lo largo del tiempo y la atenuación de TC varía entre estas adquisiciones. En determinadas formas de realización, los datos deben registrarse espacialmente para asegurarse de que el mismo elemento de volumen (vóxel) siempre codifique el tejido idéntico.

[0089] En la formación de imágenes de ventilación, se pueden adquirir múltiples volúmenes de TC durante el ciclo respiratorio para detectar variaciones locales en la ventilación pulmonar o para analizar el movimiento pulmonar. Se espera que esto tenga uso diagnóstico para la evaluación del atrapamiento de aire local, el colapso bronquial o la evaluación de si un tumor está fijado al mediastino o la caja torácica. En determinadas formas de realización, los diversos volúmenes se registran entre sí sin corrección de densidad, después de lo cual se aplica el filtro de similitud para reducir el ruido. Esto permite analizar los cambios de densidad dinámica durante el ciclo respiratorio. Al aplicar inversamente el campo de deformación obtenido del proceso de registración, el movimiento se puede visualizar con alta calidad de imagen.

[0090] También es posible una evaluación combinada de movimiento y PTC. Una adquisición de PTC en un área que está sujeta a movimiento durante la adquisición se puede utilizar no solo para analizar la perfusión sino también el movimiento. Esto puede ser útil, por ejemplo, en pacientes que están previstos para radioterapia para comprender el movimiento del órgano diana y, al mismo tiempo, analizar la perfusión del tumor que se va a irradiar. En determinadas formas de realización, los diversos volúmenes se registran entre sí con corrección de densidad de los pulmones. Esto significa que se compensan los cambios en la densidad pulmonar debido a la compresión y expansión del tejido pulmonar. El filtro de similitud se utiliza a partir de entonces para reducir el ruido. Esto permite analizar los cambios de densidad dinámica para PTC. Al aplicar inversamente un campo de deformación del proceso de registración, también se puede visualizar el movimiento con alta calidad de imagen.

[0091] También es posible el análisis basado en datos sin procesar. La técnica descrita anteriormente se puede aplicar a datos 3D ya reconstruidos en el espacio de la imagen. Sin embargo, la misma técnica también se puede utilizar para filtrar los datos sin procesar (es decir, la lectura del detector) antes de la reconstrucción de la imagen. Esto tiene la ventaja de que los nuevos algoritmos avanzados de reconstrucción iterativa pueden aprovechar la reducción de ruido obtenida por el filtro de similitud para mejorar aun más la calidad de la imagen o reducir los requisitos de dosis de radiación. En determinadas formas de realización, se siguen los siguientes pasos para hacerlo. Primero, los volúmenes 3D se reconstruyen a partir de los datos sin procesar. A partir de entonces, estos volúmenes se registran espacialmente para compensar el movimiento. A continuación, los datos con corrección de movimiento se proyectan hacia atrás para crear un conjunto de datos sin procesar con corrección de movimiento. Opcionalmente, se pueden aplicar correcciones adicionales para compensar los detalles técnicos de escáneres específicos. El conjunto de datos sin procesar resultante se filtra mediante el filtro de similitud. Aquí, el ángulo del pórtico y la posición del sensor en el pórtico puede representar el vector de posición x, y las detecciones sucesivas para cada posición x pueden formar los puntos de muestreo i. Los datos sin procesar filtrados se pueden reconstituir posteriormente usando cualquier técnica de reconstrucción tomográfica computarizada adecuada, incluida la reconstrucción iterativa o la retroproyección.

[0092] Los datos de la formación de imágenes por resonancia magnética (IRM) también se pueden mejorar utilizando el filtro de similitud. En la IRM, el aumento de la resolución espacial requiere una duración de adquisición más prolongada o provoca un ruido de imagen sustancialmente mayor. Para evitar un tiempo de escáner demasiado largo, las adquisiciones de alta resolución se evitan normalmente en situaciones en las que se debe reconstruir una secuencia de tiempo de múltiples volúmenes. El filtro de similitud se puede usar para aumentar la resolución espacial o reducir la duración del escaneo, o una combinación de los mismos. De nuevo, en determinadas formas de realización, el registro espacial de la secuencia de conjuntos de datos de volumen se realiza antes de que se aplique el filtro de similitud.

[0093] La formación de imágenes de resonancia magnética mejoradas con contraste dinámico (DCE-MRI) se basan en principios similares a los de PTC: los datos 3D se adquieren varias veces, una tras otra, durante la inyección del material de contraste, de modo que se pueda estudiar el flujo del agente de contraste. El filtro de similitud se puede usar en las IRM mejoradas con contraste dinámico de diferentes maneras. En determinadas formas de realización, el filtro de similitud se usa sin cambiar los protocolos de adquisición, de una manera similar a la de PTC. Es decir, los conjuntos de datos de MRI volumétricos sucesivos se pueden filtrar usando las técnicas descritas anteriormente. Esto aumentará la calidad de la imagen al reducir el ruido, pero no aumentará la resolución espacial ni reducirá el tiempo de adquisición, ya que los dos últimos parámetros no se modifican. En algunas formas de realización, el tiempo de adquisición por conjunto de datos 3D se reduce en comparación con los protocolos de adquisición de datos de DCE-MRI existentes. De esta manera, se puede aumentar la resolución temporal y/o la resolución espacial, lo que puede a ayudar a analizar mejor la entrada de flujo arterial de contraste. En determinadas formas de realización, el tamaño de la matriz se incrementa, con o sin aumentar el tiempo de adquisición. Esto aumentará la resolución espacial.

[0094] La formación de imágenes ponderadas por difusión (IPD) se basa en múltiples adquisiciones de RM con un parámetro de adquisición variable (valor b). Este valor b representa el grado de ponderación de difusión aplicado. El filtro de similitud se puede usar de una forma similar a la DCE-MRI, con b como un parámetro en vez de tiempo. Nuevamente, la elección es entre mayor calidad de imagen, adquisiciones más rápidas, o mayor resolución espacial. El filtro de similitud puede mejorar uno o más o todos estos factores (calidad de imagen, velocidad de adquisición y resolución espacial), dependiendo de la elección del usuario.

[0095] El etiquetado de giro arterial (ASL) es una técnica que crea datos de resonancia magnética ruidosos y resueltos en el tiempo que reflejan la perfusión. El filtro de similitud se puede aplicar a dichos datos, en cierto modo similar al método para PTC o DCE-MRI.

[0096] Los exámenes dinámicos se realizan rara vez en medicina nuclear debido al alto ruido de imagen y la calidad de imagen insuficiente. El filtro de similitud se puede usar para recuperar la calidad de imagen en la escintigrafía dinámica, una técnica 2D, en la que se adquieren imágenes de múltiples proyecciones después de la inyección de un trazador, lo que demuestra la perfusión y captación del trazador en la región objetivo.

[0097] La tomografía computarizada por emisión de fotón único (TCEFU) dinámica aun no se ha desarrollado (suficientemente) debido a los largos tiempos de adquisición. En determinadas formas de realización, se pueden tomar los siguientes pasos para aplicar el filtro de similitud a TCEFU: El anillo de detector se mueve en un modo de rotación rápida (en principio lo más rápido posible, que suele ser más de 10 segundos por ronda) alrededor del paciente. Los datos de cada (media) rotación se utiliza para crear un conjunto de datos 3D (que normalmente sufrirá un ruido severo). Al reconstruir estos datos para las (medias) rotaciones realizadas durante un tiempo particular, por ejemplo, el tiempo regular completo usado para la adquisición de una TCEFU, se crea un conjunto de datos 4D resuelto en el tiempo que comprende múltiples adquisiciones 3D reconstruidas en varios puntos de tiempo.

[0098] Para mejorar la calidad, los datos pueden opcionalmente (además) ser controlados para la respiración y la pulsación del corazón para compensar el movimiento y permitir la corrección del movimiento.

[0099] El filtro de similitud puede proporcionar entonces una calidad de imagen que se acerca a la calidad de imagen de una TCEFU estándar, pero a diferencia de un examen de TCEFU estándar, para cada fase dinámica se obtiene una imagen volumétrica separada.

[0100] En la tomografía por emisión de positrones (TEP), puede producirse ruido debido a coincidencias aleatorias o dispersión. El filtro podría usarse para lograr, por ejemplo, la reducción de valores atípicos de TEP, de la siguiente manera. Primero, el tiempo total de adquisición se divide en m intervalos que se reconstruyen por separado. Usando el filtro de similitud en estos m conjuntos de datos como puntos de muestreo, eliminaría las inconsistencias de datos (dispersión, coincidencias aleatorias). Posteriormente, los conjuntos de datos adquiridos con cada uno de los m bins se pueden volver a combinar para producir una imagen final corregida. Como es el caso de la tomografía computarizada, la técnica de filtrado también se puede aplicar a los datos del sensor (sinogramas), utilizando la posición del sensor como la ubicación x y los bins como el punto de muestreo i.

[0101] Algunos o todos los aspectos de la invención pueden ser adecuados para ser implementados en forma de software, en particular un producto de programa informático. Dicho producto de programa informático puede comprender un medio de almacenamiento, como una memoria, en el que se almacena el software. Además, el programa informático puede estar representado por una señal, como una señal óptica o una señal electromagnética, transportada por un medio de transmisión, como un cable de fibra óptica o el aire. El programa informático puede tener, en parte o en su totalidad, la forma de código fuente, código objeto o pseudocódigo, adecuado para ser ejecutado por un sistema informático. Por ejemplo, el código puede ser ejecutable por uno o más procesadores.

[0102] Los ejemplos y las formas de realización descritos aquí sirven para ilustrar más que limitar la invención. El experto en la técnica podrá diseñar formas de realización alternativas sin apartarse del alcance de las reivindicaciones. Los signos de referencia colocados entre paréntesis en las reivindicaciones no se interpretarán como una limitación del alcance de las mismas. Los elementos descritos como entidades separadas en las reivindicaciones o la descripción pueden implementarse como un solo elemento de hardware o software que combine las características de los elementos descritos.

Claims

REIVINDICACIONES

1. Sistema para filtrar un conjunto de datos de imagen de entrada, donde el conjunto de datos de entrada comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde los puntos de muestreo i corresponden a puntos de tiempo o donde los puntos de muestreo i representan una secuencia de mediciones, donde cada secuencia I(x,1), I(x,2),...,I(x,n), para un número entero positivo n, corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i, donde el atributo es una ubicación o una frecuencia y el punto de muestreo i representa un índice en la secuencia I(x,1), I(x,2),...,I(x,n), donde el sistema comprende al menos un procesador (4) configurado para controlar el cálculo de un valor de señal de salida I*(x,i) correspondiente a un punto de muestreo i y un atributo x, donde el cálculo comprende,

para un punto de muestreo particular i y para cada uno de una pluralidad de M atributos diferentes yk, donde k=1,...,M, del conjunto de atributos, asociar un peso w(x,yk,i) a un valor de señal de entrada I(yk,i) basado en una similitud Si(x,yk) entre los valores de señal I(x,j) e I(yk,j) para una pluralidad de los puntos de muestreo j excluyendo el punto de muestreo i, y

calcular una suma ponderada basada en los valores de señal de entrada I(yk,i) y los pesos w(x,yk,i), donde k=1,...,M.

2. Sistema según la reivindicación 1, donde el peso w(x,yk,i) es independiente de una diferencia entre el atributo x y el atributo yk.

3. Sistema según la reivindicación 2, donde el atributo es una ubicación, y el peso w(x,yk,i) es independiente de una distancia entre la ubicación x y la ubicación yk.

4. Sistema según la reivindicación 1, donde el procesador (4) está configurado para seleccionar la pluralidad de diferentes atributos yk, para k = 1,...,M, entre los atributos y del conjunto de atributos para los que la similitud Si(x,y) satisface una restricción predeterminada.

5. Sistema según la reivindicación 4, donde el procesador (4) está configurado para seleccionar la pluralidad de diferentes atributos yk como una selección aleatoria de los atributos y para los que la similitud Si(x,y) satisface la restricción predeterminada.

6. Sistema según la reivindicación 4, donde la restricción predeterminada no impone una restricción en la diferencia entre el atributo x y el atributo yk.

7. Sistema según la reivindicación 1, donde las ubicaciones representan ubicaciones de vóxeles dentro de un conjunto de datos de volumen o ubicaciones de píxeles dentro de un conjunto de datos de imágenes.

8. Sistema según la reivindicación 1, donde las ubicaciones representan posiciones en un detector montado sobre un pórtico y posiciones de pórtico.

9. Sistema según la reivindicación 1, donde el procesador (4) está configurado para realizar compensación de movimiento en el conjunto de datos de entrada, y para calcular los valores de señal de salida basados en valores de señal de entrada con compensación de movimiento.

10. Sistema según la reivindicación 1, donde los valores de señal de entrada comprenden al menos uno de: datos de tomografía computarizada, TC, datos de perfusión de tomografía computarizada, PTC, datos de formación de imágenes por resonancia magnética (IRM), datos de tomografía computarizada por emisión de fotón único, TCEFU, datos de tomografía por emisión de positrones, TEP.

11. Sistema según la reivindicación 1, que comprende, además, un dispositivo de visualización (6) configurado para mostrar una imagen basada en el conjunto de datos de salida.

12. Sistema según la reivindicación 1, que comprende, además, un aparato de formación de imágenes médicas (1), que comprende al menos un sensor para generar el conjunto de datos de entrada.

13. Método de filtrado de un conjunto de datos de imagen de entrada, donde el conjunto de datos de entrada comprende una pluralidad de secuencias de valores de señal de entrada correspondientes a los puntos de muestreo i, donde los puntos de muestreo i corresponden a puntos de tiempo o donde los puntos de muestreo i representan una secuencia de mediciones, donde cada secuencia I(x,1), I(x,2),..., I(x,n), para un número entero positivo n, corresponde a un atributo x diferente de un conjunto de atributos, donde un valor de señal de entrada I(x,i) está asociado a un atributo x y un punto de muestreo i, donde el atributo es una ubicación o una frecuencia y el punto de muestreo i representa un índice en la secuencia I(x,1), I(x,2),..., I(x,n), donde el método comprende calcular (206) un valor de señal de salida I*(x,i) correspondiente a un punto de muestreo i y un atributo x, donde el cálculo comprende,

para un punto de muestreo particular i y para cada uno de una pluralidad de M atributos diferentes yk, donde k=1,...,M, del conjunto de atributos, asociar (204) un peso w(x,yk,i) a un valor de señal de entrada I(yk,i) basado en una similitud Si(x,yk) entre los valores de señal I(x,j) e I(yk,j) para una pluralidad de los puntos de muestreo j excluyendo el punto de muestreo i, y

calcular (205) una suma ponderada basada en los valores de señal de entrada I(yk,i) y los pesos w(x,yk,i), para yk, donde k=1,...,M.