HU231302B1 - Eljárás és rendszer, valamint tárolóeszköz kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján - Google Patents
Eljárás és rendszer, valamint tárolóeszköz kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján Download PDFInfo
- Publication number
- HU231302B1 HU231302B1 HU1700010A HUP1700010A HU231302B1 HU 231302 B1 HU231302 B1 HU 231302B1 HU 1700010 A HU1700010 A HU 1700010A HU P1700010 A HUP1700010 A HU P1700010A HU 231302 B1 HU231302 B1 HU 231302B1
- Authority
- HU
- Hungary
- Prior art keywords
- image
- imaging
- imaging position
- bed
- projection data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 53
- 238000003384 imaging method Methods 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 23
- 238000013499 data model Methods 0.000 claims description 16
- 238000002591 computed tomography Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000002600 positron emission tomography Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012633 nuclear imaging Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/04—Positioning of patients; Tiltable beds or the like
- A61B6/0407—Supports, e.g. tables or beds, for the body or parts of the body
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4266—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a plurality of detector units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/432—Truncation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Description
715565/MK
Eljárás és rendszer, valamint tárolóeszköz kép rekonstrukció végrehajtására egy térfogathoz projekciős adathalmaz alapján
Műszaki terület
A találmány képalkotó eljárásra, képalkotó rendszerre és tárolóeszközre vonatkozik.
A találmány változatai általában kép rekonstrukcióm vonatkoznak egy térfogathoz projekció® adatok alapján, ezen belül pedig olyan kép rekonstrukcióra, amelynek eredményeként javított minőségű és mennyiségileg pontosabb, illetve más szempontból előnyösebb képeket kapunk a hagyományos képalkotási folyamatokhoz képest.
Műszaki háttér
Az objektumokkal kapcsolatos képalkotás számos összefüggésben hasznos. Az orvosi összefüggésben a betegekkel kapcsolatos képalkotás fontos szerepet játszik számos területen. A betegben a metabolikus és biokémiai aktivitással kapcsolatos képalkotás funkcionális képalkotásként ismert. A funkcionális képalkotási technikák közé tartozik például a nukleáris képalkotás, például a pozitron emissziós tomográfia (PÉT), az egyfotonos komputertomográfia (SPECT), a funkcionális mágneses rezonancia képalkotás (fMRI) és a funkcionális komputertomográfra (fCT). A SPECT, PÉT rendszer áttekintése, ezek kombinációja a komputertomográfiás (CT) rendszerekkel, valamint az iteratív kép rekonstrukció az emissziós tomográfiában megtalálható M. Wernick és J. Aarsvold, Emission tomography: the fundamentals of PET and SPECT, Elsevier Academic Press, 2004 publikáció 7, 11, és 21. fejezetében, amelynek tartalmára a leírás részeként hivatkozunk.
Az orvosi képalkotás egyik példájaként a SPECT képalkotás gamma kamera alkalmazásával hajtható végre több projekció begyűjtésére egy térben (pl. 2D térben) és utána egy számítógépet használnak a tomográfia kép rekonstrukciójára és egy magasabb dlmenziójú (pl. 3D vagy 4D) térben egy kép előállítására. Például gamma foton-sugárzó radlolzotóp vihető be a beteg testébe és többféle technika bármelyike használható a radíoízotóp megkötésére a test vizsgált területén. A beteg egy ágyon fekszik, amely egy adott ágyhelyzetben helyezkedik el. Egy vagy több gamma kamera tartókerethez van rögzítve, ahol a tartókeret forog és/vagy eltolódik, miközben a gamma kamerá(ka)t forgatja és/vagy eltolja a beteghez képest. A gamma kamer(a/ák) protekciós adatokat gyűjt(enek) minden irányból a radíoizotóp által kisugárzott gamma fotonok detektálásával, aminek eredményeként létrejön egy projekcíós adathalmaz az adott ágyhelyzetben.
Ily módon beteg testének egy részéről (pl. a szívéről) képet lehet készíteni, ami pi. egy 3D vagy 4D (pl. három térbeli dimenzió és az Idő dimenzió) kép nyerhető, amely többféle módon kijelezhető, pi> különböző projekciók bemutatásával, az operátor igényének megfelelően. Ha a test egy másik részéről (pl. a hasról) is képet kell alkotni, szükség lehet a beteget alátámasztó ágynak egy új ágyheiyzetbe mozgatására úgy, hogy most a test egy másik részét lehessen leképezni. Erre a célra több-ágyas képalkotást használnak. Szokásosan a több-ágyas képalkotásnál a projekcíós adatokat egy első ágyheiyzetben lévő ágyon fekvő betegről gyűjtik, és a projekcíós adatok használatává! tomográfiái rekonstrukciót hajtanak végre egy első kép előállításához. Ezután az ágyat egy második helyzetbe mozgatják. Az egyszerűség kedvéért erre egy második ágyként hivatkozhatunk, noha nyilvánvaló, hogy ugyanazt az ágyat mozgatták egy új helyzetbe. Az első és második ágyhelyzetre első és második képalkotó helyzetként is hivatkozhatunk, mert a képalkotáshoz használt projekcíós adatokat ezekben a helyzetekben kapjuk.
A második ágynál (azaz a második képalkotó helyzetben) új projekcíós adatokat gyűjtenek, és a második kép előállításához az új projekcíós adatokat használják. A tengelyirányú végen általában inkonzisztencia tapasztalható, amikor a kollímátor a 3D (axíálís és tranzaxiális) pont válaszfüggvényével a látómezőn (FOV) kívülről is kaphat beütésszámokat. Ez az inkonzisztencia a képen zajként jelenik meg. Az ilyen zajok kezelésére az egyik technika a hasznos tengelyirányú FOV korlátozása, vagy olyan technikák alkalmazása, amely csak a tengelyirányú vég zaját csökkenti. Amikor a több ágyhelyzetbői leképeznek egy térfogatot, például a fent leírt első és második ágyheiyzetben, a kép térfogatok átfedik egymást. Az átfedés! függvény lehet élesen levágott vagy részben interpolált.
A hagyományos több-ágyas képalkotás egyik hátránya az, hogy amikor két 3D-s képet a fent leírt módon kombinálják egymással, gyakran keletkezik inkonzisztencia, mind a vizuálisan mind mennyiségileg, a beteg testének határfelületein az adott ágynak megfelelően.
Ross S. és tsaí A method of overlap correction for fully 3D OSEM reconstruction of PET Data című, 2004 IEEE PISCATAWAY, NJ, USA, vol. 6., 2004. október 16-án megjelent tanulmányában, a 3497-3500 oldalon ismertetnek egy eljárást, amelyből megismerhetők a föigénypontok tárgyi körének jellemzői. Az ismért megoldásnál nem határoznak meg egy preköndídonálót és ebből adódóan arra sincs lehetőség, hogy egy ilyen prekondicianálót használjanak az iteratív rekonstruckdó sorén.
Összefoglalás
A találmány szerinti képalkotási eljárás során:
projekciós adathalmazokat hozunk létre első térfogat halmaz megfelelő elemeihez;
a projekdós adathalmazokat N képalkotási helyzetben hozzuk létre az egyes képalkotási helyzetekhez tartozó kép maszk előállításával, ahol N egész szám;
készítünk egy kezdeti képet egy második térfogathoz, amely nagyobb mint az első térfogatok egyes térfogatai;
legalább a kezdeti kép és a projekdós adathalmazok alapján rekonstruálunk egy képet a második térfogathoz egyetlen iteratív rekonstrukdós folyamat több iterációja sarán; ahol a találmány szerint kiszámítunk egy q prekondicionálót az η - képlet alapján, ahol k 1 és N között van, a k-adA képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és k-adik kép maszkot jelöli;
és az iteratív rekonstrukciós eljárás során az egyes képalkotási helyzetekhez tartozó vissza vetített visszacsatolásokat a prekondicionáló használatával kombináljuk,
A találmány szerinti, projekdós adathalmaz alapján egy térfogathoz kép rekonstrukció végrehajtására alkalmas képalkotó rendszer tartalmaz:
tartókerettel összekötött detektorokat;
beteg alátámasztására alkalmas ágyat;
számítógéppel olvasható nem átmeneti tárolóeszközt; és a detektorokkal összekötött és azokkal kommunikációs kapcsolatban lévő processzort, ahol a számítógéppel olvasható nem átmeneti tárolóeszköz számítógéppel végrehajtható utasításokkal van kódolva úgy, hogy a számítógéppel végrehajtható utasítások végrehajtásakor a processzor az alábbi műveleteket végzi el:
több ágyhelyzet mindegyikében,, projekciós adathalmazt gyűjt az ágyon fekvő beteg testének egy részéről, ahol a projekciós adathalmazok több detektorral gyűjthetők, a projekdós adathalmazokat N képalkotási helyzetben gyűjti az egyes képalkotási helyzetekhez tartozó kép maszk előállításával, ahol N egész szám.
A találmány szerinti eljárás végrehajtására alkalmas berendezés úgy van kialakítva, hogy kezdeti képet állít elő egy térfogathoz, amely tartalmazza betegnél legalább a projekciós adathalmazoknak megfelelő testrészt;
legalább a kezdeti kép és a projekcióé adathalmazok alapján rekonstruál egy képet a térfogathoz egyetlen iteratív rekonstrukciós folyamat több iterációja során; a találmány szerint kiszámít egy η prekondicionálót az η = képlet alapján, ahol k 1 és N között van, Hk a k-adik képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és Mk a k-adik kép maszkot jelöli; és az iteratív rekonstrukciós eljárás során az egyes képalkotási helyzetekhez tartozó visszavetített visszacsatolásokat a prekondicionáló használatával kombinálja.
Ezenkívül javasolunk egy számítógéppel olvasható nem átmeneti tárolóeszközt, amely eltárolva tartalmaz processzorral végrehajtható utasításokat kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján, amelyek hatására a rendszer részét képező processzor végrehajtja az alábbi műveleteket:
projekciós adathalmazokat hoz létre első térfogat halmaz megfelelő elemeihez;
a projekciós adathalmazokat N képalkotási helyzetben gyűjti az egyes képalkotási helyzetekhez tartozó kép maszk előállításával, ahol N egész szám;
egy kezdeti képet készít egy második térfogathoz, amely nagyobb mint az első térfogatok egyes térfogatai;
legalább a kezdeti kép és a projekciós adathalmazok alapján rekonstruál egy képet a második térfogathoz egyetlen iteratív rekonstrukciós folyamat több iterációja során a találmány szerint kiszámít egy η prekondicionálót az n « i/(^^Hk !WkHKMk) képlet alapján, ahoí k 1 és N között van, Hk a k-adik képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és Mk a k-adik kép maszkot jelöli; és az iteratív rekonstrukciós eljárás során az egyes képalkotási helyzetekhez tartozó vissza veti tett visszacsatolásokat a prekondicionáló használatával kombinálja.
A találmány szerinti eljárás, képalkotó rendszer és tárolóeszköz alkalmazása több -ágyas képalkotás esetén is biztosítja, hogy 3D-s képek kombinálásakor nem keletkezik inkonzisztencia, sem vizuálisan sem mennyiségileg, a beteg testének határfelületein az adott ágynak megfelelően.
Az ábrák rövid ismertetése
A továbbiakban a rajzok alapján ismertetjük a találmányt, ahol a rajzok csupán a szemléltetést szolgálják, és nem szükségszerűen arányosak.
Az 1, ábra egy SPECT szkenner rendszer rajza a leírás néhány kiviteli példájának megfelelően.
A 2. ábra néhány kiviteli példa szerinti eljárás folyamatábrája.
A 3. ábra az inicializálás alatti feldolgozást szemlélteti néhány kiviteli példának megfelelően.
A 4. ábra egy példaképpen! CT kép, amely használható az inicializáláshoz néhány kiviteli példának megfelelően.
Az 5A-5B ábra képmaszkokat mutat két ágyhelyzethez néhány kiviteli példának megfelelően.
A 6A-6B begyűjtött nukleáris adatokat mutat két ágyhoz néhány kiviteli példának megfelelően.
A 7. ábra az iteratív kép rekonstrukció folyamatábrája néhány kiviteli példának megfelelően.
A 8. ábra egy példaképpen! helyreállított 3D kép néhány kiviteli példának megfelelően. A 9. ábra néhány kiviteli példa szerinti eljárás folyamatábrája.
Részletes leírás
A példaképpen! kiviteli alakok leírása a mellékelt rajzokkal együtt olvasható, és azt a teljes leírás részének tekintjük.
Az 1. ábra egy 110 képalkotó rendszer rajza a leírás néhány kiviteli példájának megfelelően. A 110 képalkotó rendszer például egy SPECT szkenner rendszer lehet. Az egyszerűbb magyarázhatóság kedvéért egy SPECT szkenner rendszert ismertetünk, noha néhány kiviteli példánál olyan képalkotó rendszer is használható, amely nem a nukleáris orvosi képalkotáson alapul vagy ahol a beteg nem egy ágyon fekszik. A SPECT 110 képalkotó rendszerhez tartozik egy 120 tartókeret, amelyhez egy vagy több gamma kamera van rögzítve. Az 1. ábrán két gamma kamerával megvalósított 130a, 130b detektor (együtt 130 detektorok) látható, de ettől eltérő számú detektor is használható. A gamma kamerákban lévő detektorok detektálják a 150 ágyon fekvő 145 beteg testében lévő radioizotóp által kibocsátott 140 gamma fotonokat. A gamma kamerák működését 151 számítógép vezérelheti, A 150 ágy egy elmozdulási A tengely mentén elmozdítható. Egy adott ágyhelyzetben a 145 beteg testének egy része a 130 detektorok között van, és ennélfogva kép készíthető róla. Az adott ágyhelyzetekre képalkotási helyzetként Is hivatkozhatunk.
A 130 detektorok a beteg teste körül forognak. Néhány kiviteli példánál ez a forgás egy 3D forgás, amelyhez az eltolás is hozzátartozhat. A projekciós adatokat a forgatás során megadott pontokon gyűjtjük és eltároljuk a 151 számítógép 158 tárolójában. A 151 é számítógép ezenkívül tartalmazhat 152 processzort, számítógéppel olvasható nemátmeneti 154 tárolóeszközt, és 156 kijelzőt. A 152 processzor végrehajtja a 154 tárolóeszközön eltárolt (későbbiekben részletesebben leírt) utasításokat, és kezeli a 158 tárolóban eltárolt adatokat, a begyűjtött projekciós adatokból a 3D kép rekonstrukciójához. A rekonstruált 3D kép kijelezhető a 156 kijelzőn,
A hagyományos megközelítéssel ellentétben az egyes ágyhelyzeteknek megfelelő kép térfogat rekonstrukciója után az egyes térfogatokat utó-rekonstrukció során egyesítik, míg a találmány különböző kiviteli példáinál egyetlen kép térfogatot rekonstruálunk egy egyképes rekonstrukciós folyamatban, a többágyas méréssel kapott projekciós adathalmazokat felhasználva, miáltal a rekonstrukció során optimálisan állítható elő egy kép térfogat a többágyas adatokból. Mivel néhány kiviteli példánál a projekciós művelet teljesen 3D-s, a rekonstrukciós folyamat az egyes ágyaknál a 3D forgatásokat/eltolásokat optimalizálhatja, aminek eredményeként egy egységes kép térfogatot kapunk több ágy adataival. A képminőség és a kvantitatív pontosság javul a hagyományos eljáráshoz képest, ahol az egyes térfogatokat az utó-rekonstrukció során egyesítik. Ezenkívül a FQV maximalizálható a hagyományos megközelítéshez képest, ahol a tengelyirányú FOV korlátozott a széleken jelentkező zaj minimalizálása érdekében.
A 2. ábrán egy 200 eljárás folyamatábrája látható néhány kiviteli példának megfelelően. A 210 és 220 lépés számításai elvégezhetők a 152 processzorral. A 210 lépésben végrehajtott iniciaiizálási folyamat tartalmaz egy kép (pi. 3D vagy 4D kép) és néhány paraméter iniciaiizálást, amelyekre szükség lehet az iteratív rekonstrukció során. A 3. ábra a 210 iépésben végrehajtott iniciaiizálás részleteit tartalmazza néhány kiviteli példának megfelelően. Az iniciaiizálás alatti feldolgozás iépései a 3. ábrán megadott sorrendtől eltérően az alábbi példák szerint is végrehajthatók. A 210 lépésben végrehajtott iniciaiizálás részeként a 310 lépésben leképezzük a beteg testének egy részét, pl. komputertomográfia (CT) alkalmazásával, és egy következő 320 lépésben kiszámítunk egy csillapítás térképet. A 330 iépésben projekciós adathalmazokat gyűjtünk több (N>1) képalkotási helyzethez, pl. ágyheiyzethez. Például a 150 ágy egy első pi ágyheiyzetbe helyezhető, és a 130 detektorokkal begyűjthetö egy Di projekciós adathalmaz, amint azt korábban már leírtuk. Az ágyat egymás után különböző ágyhelyzetekbe mozgatjuk, miközben mindegyik Pk ágyhelyzetben egy-egy projekciós adathalmazt gyűjtünk. Tehát Di, .... projekciós adathalmazokat gyűjtünk, miközben az ágyhelyzeteket változtatjuk. A Dj,... DN projekciós adathalmazok az első térfogatoknál az egyes térfogatok projekcióinak felelnek meg. Az általánosság elvesztése nélkül, iegyen N~2 az egyszerűség kedvéért, ahol Dj és D2 projekciós adathalmazt kapunk. A z
Di projekciós adathalmaz példaként! képe a 6Á ábrán látható,, míg a Ö2 projekciós adathalmaz példaként! képe a 6B ábrán látható.
Az egyes p* ágyhelyzetekben (általánosabban az egyes képalkotási helyzetekben) a rendszer mátrixokat szabványos technikákkal határozzuk meg. A kép rekonstrukcióhoz általában a rendszer mátrixon keresztül kapcsolatba hozzuk egymással a tárgyteret és az adatteret. A szakterületen általános jártassággal rendelkező szakember felismeri, hogy a rendszer mátrix figyelembe vesz különböző tényezőket, ilyenek pl. a PRF (Point Response Function (pont-váiasz-függvény), amely megegyezik minden ágyheiyzetnéi, és amely mérhető egy kezdeti kalibrációs eljárás során), a csillapítás térkép és a szórás becslés. A projekclós műveletek bármelyikénél lehet használni a megfelelő rendszer mátrixot és annak transzponálhat az objektumok transzformációjához az objektumtér és az adattér között. Az előrevetítésnél áitaiában a megfelelő rendszer mátrixot alkalmazzuk egy objektumra az objektum térben. Az előrevetítés eredménye egy kivetített objektum az adattérben. A nukleáris képalkotásnál említhető példában az előrevetítés egy lineáris művelet, amely transzformálja a funkcionális aktivitás sűrűséget az előrejelzett detektálási esemény teljes adatmodelijébe. Az előrevetítésnek megfelelően a hátravetítés az adattérből az objektumtérbe a megfejelő rendszer mátrix transzponálásaként írható le.
Néhány kiviteli példánál az ágy eihajiást egy mérés sorozat alapján modellezzük a beteg súly és az ágyhelyzet függvényében. Az elhajlás mérés beépíthető a HK rendszer mátrixokba a megfelelő pu ágyhelyzeteknek megfelelően.
Amint azt az alábbiakban részletesebben is kifejtjük, egy kezdeti képet készítünk egy második térfogatban, amely nagyobb mint az első térfogatok egyes térfogatai. Azután legalább a kezdeti kép és a projekclós adathalmazok aíapján rekonstruálunk egy képet a második térfogathoz egyetlen Iteratív rekonstrukciós folyamat több iterációja során. Ily módon a kisebb térfogatoknak megfelelően egy nagyobb térfogat (itt a második térfogat) rekonstruálható a projekclós adathalmazok alapján hatékonyan, pontosan és jó minőséggel, A hagyományos megközelítésekkel ellentétben nincs szükség a kijelzendő térfogat méretének csökkentésére. Ehelyett az egyes térfogatoknak megfelelő, külön begyűjtött projekclós adathalmazok használhatók egyetlen rekonstrukciós folyamatban a nagyobb második térfogat előállításához.
Egy lehetséges megvalósítás részlteit egy példán mutatjuk be, de nem korlátozó értelemben. Az egyik példaként! megvalósításnál a 340 lépésben egy kép maszkot generálunk minden egyes pk ágyhelyzethez (általánosabban mindegyik képalkotási helyzethez) néhány kiviteli példánál A kép maszkok az előzőleg kiszámított 3D kép, például 4. ábrán látható CT kép alapján generálhatók. Az 5A és 5B ábrán az egyes ágyakhoz (Hl. az egyes ágyhelyzetekben lévő ágyhoz) tartozó kép maszkok láthatók. Az 5A-5B ábra szerinti kép maszkok egy CT kép részhalmaz kiválasztásával generálhatók a nukleáris adatokkal meghatározott tartományban (függőleges méret az 5A-5B ábrán), HL az adott ágynak megfelelő tartományban, amelyhez a nukleáris adatok, a 6A vagy 6B ábrán láthatók. A kép maszkhoz használt CT kép adatok feldolgozhatok például a testen belüli voxelekhez egy érték és a testen kívüli voxelekhez. egy másik érték generálásához az 5A-5B ábra szerint. Ily módon a voxel (térbeli pixel) értékek a kép maszkon megkülönböztetik egymástól a beteg testén belüli voxeleket és a beteg testén kívüli voxeleket.
Néhány kiviteli példánál a 350 lépésben az egyes Mk kép maszkokat előrevetítjük a megfelelő H; rendszer mátrixszal a pk ágyhelyzethex tartozó Pk projekciós maszk generálásához a k-adík ágy (általánosabban a k-adik képalkotási helyzet) számára, a következő kifejezésnek megfelelően:
Pk = HkMk (1) ahol Pk projekciós maszkot, Hk rendszer mátrixot és kép maszkot jelöl. Az Mk kép maszk előrevetíthető vagy hátravetíthető egy prekondicionáló generálásához, a következő kifejezésnek megfelelően a 360 lépésben:
Π - l/(£kHk TWkHkMk) (2)
A (2) egyenletben Wk egy súlyozó függvény a k-adík ágyhoz (általánosabban a k-adik képalkotási helyzethez). Bármely ismert súlyozó függvény használható, és a súlyozó függvény az optimalizáláshoz hasznait merít függvény része, így különböző merit függvények is használhatók. Például néhány kiviteli példa módosított chi-négyzetgamma statisztikát hasznai, ami megtalálható K. X Migheíl, Parameter estimation in astronomy with Poisson-distributed data. I. The χγ2 statistic, Astrophys. J., 1999, 518: 380-393 és K. J. Migheli, ^Parameter estimation in astronomy with Poisson-distributed data. Π. The modified chi-square gamma statistic, 2000, arXiv:astro-ph/0007328 publikációkban, amelyek tartalmát a hivatkozással a leírás részének tekintjük.
Néhány kiviteli példánál az η prekondicionáló dimenziója megegyezik a rekonstrukciós folyamat által kiadott végleges képével.
A Pk projekcíós maszk és az η prekondfcíonáló használható az iteratív rekonstrukció során, amint azt később még részletesebben kifejtjük,
Visszautalva a 2. ábrára, a 210 lépés szerinti inicialízálás után egyetlen Iteratív 220 lépés szerinti rekonstrukciós folyamatot hajtunk végre a több ágy számára. A kezdeti 710z lépésben végrehajtott aktuális I kép becslést követően különböző feldolgozást hajtunk végre a visszacsatoló hurokban, amint az a 7. ábrán látható többszörös iterációhoz, Az I kép becslés inicializálható az 5A-5B 3D CT kép adatokból származtatott kép maszk alapján. Az Iteratív rekonstrukciós hurok egyik iterációs lépésének leírása következik. Az aktuális I kép becslést előrevetítjük a Hk rendszer mátrixszal a k-adik ágynak (Hl, mindegyik ágyhelyzetnek) megfelelően, a 720-1,..., 720-N lépésben D'k adat modell halmaz generálásához. Ezek az előrevetítések az alábbi formában fejezhetők ki:
D'k HJ (3)
Az előrevetítések tehát az ágyfüggő rendszer mátrixokat (általánosabban képalkotás helyzetfüggő rendszer mátrixokat) használó transzformációk, amelyek viszont figyelembe vesznek tényezőket, mint például a csillapítás térképet és a szórás becslést.
A 730*1, 730-N lépésben egy adat modellt összehasonlítunk a projekcíós adatokkal az adott ágyhoz (általánosabban az adott képalkotási helyzethez), és az összehasonlítás eredményét visszavetítjük az objektum térbe. Az összehasonlítás elvégezhető például gradiens számítással is, például az alábbi képlettel:
Gk - H.MWDk) (4) ahol Gk a k-adik gradiens, Hk rendszer matrix, Wk súlyozó függvény és Dk és Dk az alkalmazott adat modell.
így előrevetítést és gradiens számítást végzünk minden egyes ágyhoz egy egyetlen iteratív rekonstrukciós folyamat szerint (azaz az egyetlen 3D 1 kép becslés finomításához), ellentétben a hagyományos megközelítéssel, ahol mindegyik ágyhelyzethez külön rekonstruált képet állítanak elő és azt követően megpróbálják kombinálni az egyes rekonstruált képeket.
Néhány kiviteli példánál a 720-1 és 730-i lépésekben (mindegyik í-nél) a Pk projekcíós maszkot alkalmazzuk a megfelelő Dk adat modellhez. Más szóval a Pk projekcíós maszkokat megszorozzuk a megfelelő adat modellekkel a projekció» térben az aktuális kép becslés előrevetítése után a megfelelő rendszer mátrixszal és a gradiens számítás előtt.
Néhány kiviteli példánál a 740 lépésben a 730*1, 730-N lépésben kapott visszavetített visszacsatolást kombináljuk. Például a különböző ágyaknak megfelelő gradiens adatok kombinálhatok, és az η prekondicionáló kiszámítható a 210 lépés szerinti inicializáíás során, a G kombinált adat meghatározásához. Az egyik megvalósítási példánál a 740 lépésben elvégzett számítás kifejezhető mint:
G » r^Gk (5)
Ezért az egyes ágyakhoz (általánosabban az egyes képalkotási helyzetekhez) tartozó visszavetített visszacsatolásokat az η prekondicionáló használatává! kombináljuk. A szakterületen általános jártassággal rendelkező szakember felismeri, hogy az itt megadott matematikai kifejezésekben használt aritmetikai műveletek többféleképpen is megvalósíthatók. Példád az η prekondicíonáióval végzett szorzás használható a G kombinált adatok előállításához a 740 lépésben a számítás (5) részeként vagy külön is elvégezhető.
A simítás a 7S0 iépésben alkalmazható, pl, pixon vagy Gauss-simítássai, A 760 lépésben frissítést számítunk, pl. a következő kifejezés szerint, ahol a változóknál a felső indexben “old és new” a korábbi és a jelenlegi iterációkat jeizi a rekonstrukciós hurokban:
Knew yKs!ö + G(6)
A szakember felismeri, hogy a frissítéshez más megvalósítások is használhatók. Knsw és K'^rnz I képpel azonos dimenziójú mátrix. K inicializálható a G kombinált adatókkal. A (6) egyenletben a y korrekciós tényező az alábbiak szerint számítható:
y - (G^-G^G8* / 11GcidH2(7)
A ö lépés méret az alábbi kifejezéssel számítható ki:
δ - / 2d ΙΗ,Κ^Π2(8)
A 770 lépésben a kép becsíést az alábbiak szerint frissítjük:
Γ®” pid + δ K„e«
Az iteratív rekonstrukciós hurokban több iterációt hajtunk végre. Néhány kiviteli példánál rögzített számú iterációt, péidául N-24 vagy 48 iterációt hajtunk végre. Más kiviteli példáknál az iterációk száma a konvergencia feltételen alapulhat. Miután a 220 lépésben az iteratív rekonstrukciós folyamatot befejeztük, végrehajtható a végleges I kép becslés utófeldolgozása. Péidául ismételt izotróp mintavételezés és utósímítás végezhető, A 8. ábrán egy példaképpen! eredő kimeneti 3D kép 2D projekciója látható, A 3D kép különböző módon jeleníthető meg a 156 kijelzőn. Ezenkívül a rekonstrukció eredménye 4D kép is lehet, amely a 156 kijelzőn például képek sorozataként jeleníthető meg.
Ezért több ágynak megfelelő egyetlen kép iteratív kép rekonstrukciója is megvalósítható néhány kiviteli példánál. A különböző kiviteli példák szerinti rekonstrukció hatékonyabb, és jobb minőségű képet eredményez, kevesebb vizuális és kvantitatív inkonzisztenciával, mint a korábbi megközelítések. Noha a fentiekben egy bizonyos megvalósítást részleteztünk az ínicializálással és az iteratív kép rekonstrukcióval kapcsolatban, más megvalósítások is használhatók. Például projekciós adatokat ismertettünk a példákban, amelyek megfelelnek az adott ágyhelyzeteknek, általánosabban a projekciós adatok adott képalkotási helyzetekben is megkaphatók bármely projekciós technikával és bármely alkalmas projekciós készülékkel. Néhány kiviteli példánál például olyan projekciós technika is használható, amely nem használ nukleáris képalkotási elveket. Néhány kiviteli példánál az ágyat nem kell egy tengely mentén mozgatni, vagy egyáltalán nincs is ágy.
A 9. ábrán egy eljárás folyamatábrája látható néhány kiviteli példának megfelelően. A 900 eljárás során, a 910 lépésben több projekciós adathalmazt hozunk létre az első térfogat halmaz elemeihez. A projekciós adathalmazok adott képalkotási helyzetekben, pl. a beteget alátámasztó ágy ágyhelyzeteiben hozhatók létre. A 920 lépésben egy kezdeti képet készítünk egy második térfogathoz, amely nagyobb mint az eiső térfogatok egyes térfogatai. Végül a 930 lépésben legalább a kezdeti kép és a projekciós adathalmazok alapján rekonstruálunk egy képet a második térfogathoz egyetlen iteratív rekonstrukciós folyamat több iterációja során, A második térfogat rekonstruált képe 3D vagy 4D kép (pi. 3D vagy 4D SPECT kép) lehet és kijelezhető a 156 kijelzőn.
Néhány kiviteii példánál a 154 tárolóeszköz fizikailag tartalmaz egy 152 processzorral végrehajtható utasításokat tartalmazó programot, amelynek hatására a 152 processzor végrehajtja a 900 eljárás műveleteit és különböző más itt leírt feldolgozást is.
A szakember számára nyilvánvaló, hogy az itt leírt technikák megvalósíthatók hardverrel, firmware-rel vagy számítógéppel olvasható nem-átmeneti tárolóeszközön kódolt szoftverrel (pl. egy processzorral végrehajtható utasításokkal).
A berendezés és az eljárás nem korlátozódik az itt leírt konkrét kiviteli példákra. Ezenkívül az egyes berendezések és eljárások külön és az itt leírt egyéb komponensektől és eljárásoktól függetlenül is alkalmazhatók.
A kiviteli példák fenti ismertetése azt a célt szolgálja, hogy annak alapján a szakember a találmány tárgyát megvalósíthassa. A megadott kiviteli példák egyéb változatai és módosításai nyilvánvalók a szakember számára, és az irt meghatározott általános elvek alkalmazhatók más kiviteli példák megalkotására további feltalálói tevékenység nélkül. A találmány nem korlátozódik az itt megadott kiviteli példákra, hanem a lehető legnagyobb oltalmi kör illeti meg az itt leírt elvekkel és új jellemzőkkel összhangban.
Claims (17)
1, Eljárás kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján, aho! az eljárás során:
egy lépésben (910) projekciós adathalmazokat hozunk létre első térfogat halmaz megfelelő elemeihez;
egy lépésben (330) a projekciós adathalmazokat N képalkotási helyzetben hozzuk létre egy lépésben (340) az egyes képalkotási helyzetekhez tartozó kép maszk előállításává!, ahol N egész szám;
egy lépésben (210, 920) készítünk egy kezdeti képet egy második térfogathoz, amely nagyobb mint az első térfogatok egyes térfogatai;
legalább a kezdeti kép és a projekciós adathalmazok alapján egy lépésben (220) rekonstruálunk egy képet a második térfogathoz egyetlen iteratív rekonstrukciós folyamat több iterációs lépése (930) során; azzal jellemezve, hogy egy lépésben (360) kiszámítunk egy η prekondicíonálót az η ~ képlet alapján, ahol k 1 és N között van, Hk a k-adik képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és Mr a k-adik kép maszkot jelöli;
és az iteratív rekonstrukciós lépés (220) során az egyes képalkotási helyzetekhez tartozó vissza vetített visszacsatolásokat a prekondicionáló használatával egy lépésben (740) kombináljuk.
2. Az 1. Igénypont szerinti eljárás, azzal jellemezve, hogy a rekonstrukciós lépés (220) során:
az N képalkotási helyzet mindegyik képalkotási helyzetében egy lépésben (720) előrevetítünk egy kép becslést az adott képalkotó helyzethez tartozó rendszer mátrixszal N adat modell előállításához.
3. A 2. igénypont szerinti eljárás, azzai jellemezve, hogy a rekonstrukciós lépés (220) során ezenkívül:
legalább egy adat modell, a projekciós adathalmazok és az. egyes képalkotási helyzetekhez tartozó rendszer mátrixok alapján egy lépésben (730) kiszámítjuk az egyes képalkotási helyzetekhez tartozó visszavetített visszacsatolást.
4. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy a kép maszkokat egy komputertomográfia (CT) kép alapján generáljuk egy lépésben (340), és mindegyik kép maszk átfed egy tartományban legalább egy másik kép maszkkal.
$ZT NH4 00216964
5. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy mindegyik kép maszknak van egy első értéke a második térfogaton belüli voxelekhez és egy második értéke a második térfogaton kívüli voxelekhez.
6. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy az eljárás során ezenkívül: az N képalkotási helyzet mindegyik képalkotási helyzetében egy lépésben (350) előrevetítjük megfelelő kép maszkot az adott képalkotó helyzethez tartozó rendszer mátrixszal N projekciós maszk előállításához.
7. A 6. igénypont szerinti eljárás, azzal jellemezve, hogy egy további lépésben:
az N képalkotási helyzet mindegyik képalkotási helyzetében egy lépésben (720) előrevetítünk egy kép becslést az adott képalkotó helyzethez tartozó rendszer mátrixszal N adat modell előállításához; és az N képalkotási helyzet mindegyik képalkotási helyzetében a megfelelő adat modellt megszorozzuk a megfelelő projekciós maszkkal.
8. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy egy további lépésben: az N képalkotási helyzet mindegyik képalkotási helyzetében egy lépésben (720) előrevetítünk egy kép becslést az adott képalkotó helyzethez tartozó rendszer mátrixszal N adat modell előállításához;
legalább az adat modell, a projekciós adathalmazok és a rendszer mátrixok alapján kiszámítjuk az adott képalkotási helyzethez tartozó visszavetitek visszacsatolást; és az adott képalkotási helyzethez tartozó visszavetített visszacsatolást egy lépésben (740) kombináljuk, kombinált adat generálásához, a G = η ZkGk, képlet alapján, ahol G a kombinált adat, k 1 és N közötti, Gk a k-adik képalkotási helyzethez tartozó visszavetített visszacsatolás.
9. Képalkotó rendszer (110) kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján, amely tartalmaz:
tartókerettel (120) összekötött detektorokat (130a, 130b);
beteg (145) alátámasztására alkalmas ágyat (150);
számítógéppel (151) olvasható nem átmeneti tárolóeszközt (154); és a detektorokkal (130a, 130b) összekötött és azokkal kommunikációs kapcsolatban lévő processzort (152), ahol a számítógéppel olvasható nem átmeneti tárolóeszköz (154) m számítógéppel végrehajtható utasításokkal van kódolva úgy, hogy a számítógéppel ró ró végrehajtható utasítások végrehajtásakor a processzor (152) az alábbi műveleteket végzi el;
több ágyhelyzet mindegyikében, egy lépésben (330) projekciós adathalmazt gyűjt az ágyon (150) fekvő beteg (145) testének egy részéről, ahol a projekciós adathalmazok több detektorral (130a, 130b) gyűjthetők, a projekciós adathalmazokat N képalkotási helyzetben gyűjti az egyes képalkotási helyzetekhez tartozó kép maszk előállításával, ahol N egész szám;
egy lépésben (210, 920) kezdeti képet állít elő egy térfogathoz, amely tartalmazza betegnél legalább a projekciós adathalmazoknak megfelelő testrészt;
legalább a kezdeti kép és a projekciós adathalmazok alapján egy lépésben (220) rekonstruál egy képet a térfogathoz egyetlen iteratív rekonstrukciós lépés (930) több iterációja során; azzal jellemezve, hogy egy lépésben (360) kiszámít egy η prekondicionálót az η - l/(ZkiHk TWkHkMk) képlet alapján, ahol k 1 és N között van, Hk a k-adik képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és Mk a k-adik kép maszkot jelöli; és az iteratív rekonstrukciós eljárási lépés (220) során az egyes képalkotási helyzetekhez tartozó visszavetített visszacsatolásokat a prekondicionáló használatával kombinálja egy lépésben (740).
10. A 9. igénypont szerinti képalkotó rendszer, azzal jellemezve, hogy az ágyhelyzetek N ágyhelyzetet tartalmaznak, és amikor a számítógéppel végrehajtható utasításokat a processzor (152) végrehajtja, a processzor ezenkívül végrehajtja az alábbi műveleteket:
egy lépésben (340) kép maszk generálás mindegyik N ágyhelyzethez, ahol mindegyik kép maszk több voxelt tartalmaz, olyan értékekkel, amelyek megkülönböztetik a beteg (145) testén belüli voxeleket a beteg (145) testén kívüli voxelektől;
ahol a kezdeti kép a kép maszk alapján generált kép.
11. A 9. igénypont szerinti képalkotó rendszer, azzal jellemezve, hogy az ágyhelyzetek N ágyhelyzetet tartalmaznak, és amikor a számítógéppel végrehajtható utasításokat a processzor (152) végrehajtja, a processzor végrehajtja az alábbi műveleteket:
az N ágyhelyzet mindegyik ágyhelyzetében egy lépésben (720) előrevetít egy kép becslést az adott ágyhelyzethez tartozó rendszer mátrixszal, az N adat modell generálásához.
12, All. igénypont szerinti képalkotó rendszer, azzal jellemezve, hogy amikor a számítógéppel végrehajtható utasításokat a processzor (152) végrehajtja, a processzor végrehajtja az alábbi műveleteket:
legalább egy adat modell, a projekciós adathalmazok és az egyes ágyhelyzetekhez tartozó rendszer mátrixok alapján egy lépésben (730) kiszámítja az egyes ágyhelyzetekhez tartozó vlsszavetített visszacsatolást.
13. A 12. igénypont szerinti képalkotó rendszer, azzal jellemezve, hogy amikor a számítógéppel végrehajtható utasításokat a processzor (152) végrehajtja, a processzor az egyes ágyhelyzetekhez tartozó vísszavetített visszacsatolást kombinálja egy lépésben (740),
14. Számítógéppel olvasható nem átmeneti tárolóeszköz (154), amely eltárolva tartalmaz processzorral végrehajtható utasításokat kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján, amelyek hatására a 9. igénypont szerinti rendszer részét képező processzor (152) végrehajtja az alábbi műveleteket:
projekciós adathalmazokat hoz létre egy lépésben (910) első térfogat halmaz megfelelő elemeihez;
a projekciós adathalmazokat N képalkotási helyzetben gyűjti egy lépésben (330) az egyes képalkotási helyzetekhez tartozó kép maszk előállításával egy lépésben (340), ahol N egész szám;
egy kezdeti képet készít egy lépésben (210, 920) egy második térfogathoz, amely nagyobb mint az első térfogatok egyes térfogatai;
legalább a kezdeti kép és a projekciós adathalmazok alapján egy lépésben (220) rekonstruál egy képet a második térfogathoz egyetlen iteratív rekonstrukciós lépés (930) több iterációja során, azzal jellemezve, hogy kiszámít egy lépésben (360) egy η prekondicionálót az η = l/(2kiHk TWkHkMk) képlet alapján, ahol k 1 és N között van, Hs a k-adik képalkotási helyzethez tartozó rendszer mátrixot jelöli, W egy súlyozó függvényt jelöl, és Mk a k-adik kép maszkot jelöli; és az iteratív rekonstrukciós eljárási lépés (220) során az egyes képalkotási helyzetekhez tartozó visszavetített visszacsatolásokat a prekondicionáló használatával kombinálja egy lépésben (740).
15, A 14. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy az utasítások végrehajtásakor a processzor (152) végrehajtja az alábbi műveleteket:
kép maszk generálás mindegyik N képalkotási helyzethez, ahol mindegyik kép maszk több voxelt tartalmaz, olyan értékekkel, amelyek megkülönböztetik a második térfogaton belüli voxeleket a második térfogaton kívüli voxeiektől;
ahol a kezdeti kép a kép maszk alapján generált kép.
16, A 14. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy az utasítások végrehajtásakor a processzor (152) végrehajtja az alábbi műveleteket:
az N képalkotási helyzet mindegyik képalkotási helyzetében egy lépésben (720) előrevetít egy kép becslést az adott képalkotó helyzethez tartozó rendszer mátrixszal N adat modell előállításához.
17. A 16. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy az utasítások végrehajtásakor a processzor (152) végrehajtja az alábbi műveleteket:
legalább egy adat modell, a projekciós adathalmazok és az egyes képalkotási helyzetekhez tartozó rendszer mátrixok alapján egy lépésben (730) kiszámítja az egyes képalkotási helyzetekhez tartozó visszavetített visszacsatolást.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201462011787P | 2014-06-13 | 2014-06-13 | |
| US62/011,787 | 2014-06-13 | ||
| PCT/IB2015/054451 WO2015189811A1 (en) | 2014-06-13 | 2015-06-12 | Improved image reconstruction for a volume based on projection data sets |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| HUP1700010A2 HUP1700010A2 (en) | 2017-05-29 |
| HU231302B1 true HU231302B1 (hu) | 2022-09-28 |
Family
ID=53719799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| HU1700010A HU231302B1 (hu) | 2014-06-13 | 2015-06-12 | Eljárás és rendszer, valamint tárolóeszköz kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US10064593B2 (hu) |
| CN (1) | CN106462987B (hu) |
| DE (1) | DE112015002802B4 (hu) |
| HU (1) | HU231302B1 (hu) |
| WO (1) | WO2015189811A1 (hu) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10368822B2 (en) * | 2015-08-31 | 2019-08-06 | General Electric Company | Iterative X-ray imaging optimization method and system |
| WO2017202712A1 (en) | 2016-05-24 | 2017-11-30 | Koninklijke Philips N.V. | Depth-enhanced tomosynthesis reconstruction |
| US11065475B2 (en) | 2017-12-05 | 2021-07-20 | Siemens Medical Solutions Usa, Inc. | Multi-cycle dosimetry and dose uncertainty estimation |
| CN109102553B (zh) * | 2018-06-27 | 2020-05-05 | 中国人民解放军战略支援部队航天工程大学 | 二维重构算法中极坐标系统矩阵计算方法和装置 |
| EP3706081B1 (de) * | 2019-03-07 | 2021-04-28 | Siemens Healthcare GmbH | Verfahren zur ermittlung von korrigierten aufnahmegeometrien von projektionsbildern |
| US11574184B2 (en) | 2019-09-13 | 2023-02-07 | Siemens Medical Solutions Usa, Inc. | Multi-modal reconstruction network |
| CN114730476A (zh) | 2019-12-03 | 2022-07-08 | 美国西门子医疗系统股份有限公司 | 有限角度重建的网络确定 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5636334A (en) * | 1994-01-28 | 1997-06-03 | Casio Computer Co., Ltd. | Three-dimensional image creation devices |
| HU226835B1 (en) | 2004-09-20 | 2009-12-28 | Attila Dr Balogh | Method for 3 dimensional scanning of parts of human body and for electronic recording and playing back of scanned surface information |
| US8155415B2 (en) * | 2005-07-01 | 2012-04-10 | Siemens Medical Solutions Usa, Inc. | Extension of truncated CT images for use with emission tomography in multimodality medical images |
| US8478015B2 (en) * | 2005-07-01 | 2013-07-02 | Siemens Medical Solutions Usa, Inc. | Extension of truncated CT images for use with emission tomography in multimodality medical images |
| US7865005B2 (en) * | 2006-02-03 | 2011-01-04 | Koninklijke Philips Electronics N.V. | Iterative reconstruction of multiple-peak isotope images |
| DE102006025759A1 (de) * | 2006-05-31 | 2007-12-06 | Siemens Ag | Verfahren zur Bildrekonstruktion eines Objektes mit Projektionen und Vorrichtung zur Durchführung des Verfahrens |
| US20080095414A1 (en) * | 2006-09-12 | 2008-04-24 | Vladimir Desh | Correction of functional nuclear imaging data for motion artifacts using anatomical data |
| US7737406B2 (en) * | 2006-09-27 | 2010-06-15 | Siemens Medical Solutions Usa, Inc. | Compensating for truncated CT images for use as attenuation maps in emission tomography |
| US20100032575A1 (en) * | 2008-08-08 | 2010-02-11 | Andrei Iagaru | Methods and systems for pet/ct scanning for evaluation of malignancy |
| HU229842B1 (en) | 2009-09-22 | 2014-09-29 | Mediso Orvosi Berendezes Fejlesztoe Es Szerviz Kft | Image fusion controller as well as imaging system and method applying the same |
| US9271686B2 (en) * | 2013-03-14 | 2016-03-01 | West Virginia University | Endorectal prostate probe composed of a combined mini gamma camera and ultrasound sensor |
| US9655563B2 (en) * | 2013-09-25 | 2017-05-23 | Siemens Healthcare Gmbh | Early therapy response assessment of lesions |
| DE112015002831B4 (de) * | 2014-06-16 | 2023-01-19 | Siemens Medical Solutions Usa, Inc. | Tomographische rekonstruktion mehrerer ansichten |
| US10013779B2 (en) * | 2015-06-22 | 2018-07-03 | Toshiba Medical Systems Corporation | Metal artifact reduction for 3D-digtial subtraction angiography |
-
2015
- 2015-06-12 US US15/317,064 patent/US10064593B2/en active Active
- 2015-06-12 DE DE112015002802.1T patent/DE112015002802B4/de active Active
- 2015-06-12 CN CN201580031259.5A patent/CN106462987B/zh active Active
- 2015-06-12 HU HU1700010A patent/HU231302B1/hu unknown
- 2015-06-12 WO PCT/IB2015/054451 patent/WO2015189811A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN106462987A (zh) | 2017-02-22 |
| CN106462987B (zh) | 2019-11-19 |
| US10064593B2 (en) | 2018-09-04 |
| DE112015002802T5 (de) | 2017-03-16 |
| HUP1700010A2 (en) | 2017-05-29 |
| US20170105695A1 (en) | 2017-04-20 |
| DE112015002802B4 (de) | 2023-03-30 |
| WO2015189811A1 (en) | 2015-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230119427A1 (en) | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction | |
| JP6855223B2 (ja) | 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法 | |
| HU231302B1 (hu) | Eljárás és rendszer, valamint tárolóeszköz kép rekonstrukció végrehajtására egy térfogathoz projekciós adathalmaz alapján | |
| US8058601B2 (en) | Determining a multimodal pixon map for tomographic-image reconstruction | |
| US10395353B2 (en) | Model-based scatter in multi-modality multi-energy SPECT reconstruction | |
| US9495771B2 (en) | Systems and methods for motion correction in positron emission tomography imaging | |
| CN103198497B (zh) | 确定运动场和利用运动场进行运动补偿重建的方法和系统 | |
| US8774481B2 (en) | Atlas-assisted synthetic computed tomography using deformable image registration | |
| US9208588B2 (en) | Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique | |
| US20110268334A1 (en) | Apparatus for Improving Image Resolution and Apparatus for Super-Resolution Photography Using Wobble Motion and Point Spread Function (PSF), in Positron Emission Tomography | |
| US9317915B2 (en) | Computed-tomography system and method for determining volume information for a body | |
| CN103027705B (zh) | 产生运动补偿的ct 图像数据组的方法和系统 | |
| JP2020514720A (ja) | 陽電子放出断層撮影（ｐｅｔ）撮像における結果のロバスト性を向上させるための標準取込値（ｓｕｖ）誘導再構成制御 | |
| JP6118324B2 (ja) | 制限角度トモグラフィーにおけるフィルターバックプロジェクションのための画像再構成方法 | |
| US10863946B2 (en) | Respiratory motion estimation in projection domain in nuclear medical imaging | |
| US10049446B2 (en) | Accelerated statistical iterative reconstruction | |
| US8885906B2 (en) | Alignment of positron emission tomographs by virtual tomographs | |
| US20140185898A1 (en) | Image generation method and apparatus | |
| KR101207710B1 (ko) | 양전자 단층촬영에서 영상의 해상도를 향상시키는 해상도 향상 장치 및 방법 | |
| JP2021163493A (ja) | データ処理システム及び訓練済み機械学習ベースシステム作成方法 | |
| CN107810518B (zh) | 图像处理系统和方法 | |
| Jiao et al. | Fast PET reconstruction using multi-scale fully convolutional neural networks | |
| JP7459243B2 (ja) | １以上のニューラルネットワークとしての画像形成のモデル化による画像再構成 | |
| JP2024516611A (ja) | 反復画像再構成における機械学習ベースの改善 | |
| Massanes et al. | Motion compensated reconstruction of 4D SPECT using parallel computation and deformable content adaptive mesh |