HU231354B1 - Több nézetű tomográfiai rekonstrukció - Google Patents
Több nézetű tomográfiai rekonstrukció Download PDFInfo
- Publication number
- HU231354B1 HU231354B1 HUP1700011A HUP1700011A HU231354B1 HU 231354 B1 HU231354 B1 HU 231354B1 HU P1700011 A HUP1700011 A HU P1700011A HU P1700011 A HUP1700011 A HU P1700011A HU 231354 B1 HU231354 B1 HU 231354B1
- Authority
- HU
- Hungary
- Prior art keywords
- image
- view
- given
- mlem
- update
- Prior art date
Links
- 238000000034 method Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 29
- 238000013499 data model Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000012633 nuclear imaging Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004907 flux 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
- 238000003672 processing method Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- 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
- G06T2211/436—Limited angle
Description
Több nézetű tomográfiái rekonstrukció
Hivatkozás kapcsolódó bejelentésre
Ez a bejelentés a 35 U.S.C. § 119(e) alapján igényeli a 2014. június 16-án 62/012,445 számon bejelentett U.S. szabadalmi bejelentés elsőbbségét, amire teljes egészében a jelen bejelentés részeként hivatkozunk.
Műszaki terület
A találmány egyes változatai általában orvosi képalkotásra, ezen belül pedig 3D képek javított egyfotonos emissziós komputertomográfia (SPECT) rekonstrukciójára vonatkoznak.
Háttér
A betegben a metabolikus és biokémiai aktivitással kapcsolatos képalkotás funkcionális képalkotásként ismert. A funkcionális képalkotási technikák közé tartozik például a nukleáris képalkotás, mint például a pozitron emissziós tomográfia (PET), az egyfotonos komputertomográfia (SPECT), a funkcionális mágneses rezonancia képalkotás (fMRI) és a funkcionális komputertomográfia (fCT). A SPECT, PET 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.
A SPECT képalkotáshoz általában gamma kamerát használnak több kétdimenziós (2D) projekció begyűjtéséhez és egy számítógépet használnak a tomográfiai kép rekonstrukció végrehajtására egy háromdimenziós (3D) kép előállításához. Például gamma fotonsugárzó radioizotóp vihető be a beteg testébe és többféle technika bármelyike használható a radioizotóp megkötésére a test vizsgált területén. A beteg egy ágyon fekszik, és egy vagy több gamma kamera tartókerethez van rögzítve, amely forog, és a gamma kamerá(ka)t forgatja a beteg körül. A gamma kamer(a/ák) detektorai projekciós adatokat gyűjt(enek) minden irányból a radioizotóp által kisugárzott gamma fotonok detektálásával.
A SPECT képalkotó berendezések általában fel vannak szerelve egy kollimátorral, például egy párhuzamos lyukú, legyezőnyalábos, kúpos nyalábú vagy kódolt nyílású (CA) kollimátorral. A párhuzamos lyukú kollimátor esetén a pont válaszfüggvény egy kis területre fókuszál úgy, hogy a detektor pixelek főleg a bejövő gamma foton nyaláb fotonjait veszik normál (azaz merőleges) irányban. CA kollimáció esetén a detektor felületével párhuzamosan elhelyeznek egy vékony pajzsot, amely adott minta szerinti számos fúrt lyukat (nyílást) tartalmaz. A CA kollimálással a detektor pixelek fényáramot kapnak különböző helyekről, ezért a forrás különböző területeiről érkező projekciók átfednek, ami komplex problémákat vet fel a tomográfiai kép rekonstrukció során.
Összefoglalás
A találmány néhány kiviteli példájánál a háromdimenziós (3D) képek előállítási eljárása során projekciós adatokat kapunk a beteg testének egy részéről, több nézetben egy vagy több detektor használatával, ahol a projekciós adatok több kétdimenziós (2D) projekciót tartalmaznak. A 3D képet inicializáljuk. A több nézet mindegyik nézetében a 3D képet az adott nézetnek megfelelő nézet transzformáció alkalmazásával transzformáljuk az adott nézetnek megfelelő kezdeti transzformált kép előállításához, és egy MLEM folyamat több iterációját hajtjuk végre legalább a kezdeti transzformált kép és a projekciós adatok alapján. Az MLEM folyamat a kezdeti transzformált képpel inicializálható. A 3D képet az MLEM folyamat kimenete alapján frissítjük.
A találmány néhány kiviteli példájánál a képfeldolgozási eljárás magába foglal egy első 3D kép transzformálást egy nézetnek megfelelő nézet transzformáció alkalmazásával egy transzformált kép előállításához. A transzformált képpel egy második 3D képet inicializálunk. Az N iteráció során mindegyik iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végzünk. Az iteratív MLEM feldolgozás finomítja a második 3D képet, miközben: előrevetítjük a második 3D képet egy adatmodell előállításához; összehasonlítjuk az adatmodellt az adott nézetnek megfelelő két dimenziós (2D) projekciós adathalmazzal, és az adott nézetnek megfelelő korrekciós tényezőt állítunk elő; az adott nézetnek megfelelő korrekciós tényezőt visszavetítjük és normalizáló tényezőt alkalmazunk a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához, és frissítjük a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával. A feldolgozási folyamat áttér a következő iterációra.
Néhány kiviteli példánál egy géppel olvasható tárolóeszköz fizikailag tartalmaz egy program utasítássorozatot, amely végrehajtható egy processzorral, miközben a processzor végrehajtja fent leírt kép feldolgozási / kép előállítási eljárás műveleteit.
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 110 SPECT szkenner rendszer rajza a leírás néhány kiviteli példájának megfelelően.
A 2. ábra egy gamma fotonok szűrésére alkalmas maszk oldalnézeti képe néhány kiviteli példának megfelelően.
A 3. ábra egy 300 kódolt nyílású lemez példaképpeni kialakításának elölnézeti rajza.
A 4. ábra egy tomográfiai kép rekonstrukciós 400 eljárás folyamatábrája néhány kiviteli példának megfelelően.
Az 5. ábra egy eljárás folyamatábrája néhány kiviteli példának megfelelően.
A 6. ábra egy eljárás folyamatábrája néhány kiviteli példának megfelelően.
Részletes leírás
A példaképpeni kiviteli alakok leírása a mellékelt rajzokkal együtt olvasható, és azt a teljes leírás részének tekintjük.
Az 1. ábra egy 110 SPECT szkenner rendszer rajza a leírás néhány kiviteli példájának megfelelően. A 110 SPECT szkenner rendszerhez tartozik egy 120 tartókeret, amelyhez egy vagy több 130 gamma kamera van rögzítve. Az 1. ábrán két 130a, 130b gamma kamera (együtt 130 gamma kamerák) látható, de ettől eltérő számú gamma kamera is használható. A 130 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 145 beteg testének egy része a 130 gamma kamerák között van, és ennélfogva kép készíthető róla. A 130 gamma kamerák a beteg teste körül forgathatók, amint azt az ívelt nyíl jelzi az 1. ábrán. A 2D projekciós adatokat a forgatás során megadott pontokon gyűjtjük és eltároljuk a 151 számítógép 158 tárolójában. A 151 számítógép ezenkívül tartalmazhat 152 processzort, számítógéppel olvasható nem-átmeneti 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 2. ábrán, néhány kiviteli példának megfelelően egy nyílásokkal (lyukakkal) ellátott 210 lemez van elhelyezve a 220 detektor felülete előtt, azzal párhuzamosan, ahol a detektor a 110 SPECT szkenner rendszer bármelyik detektora lehet. A 210 lemez egy maszkot képez, amely szűri a pontszerű 200 forrás által kibocsátott beérkező 140 gamma fotonokat. A 2. ábrán a 210 lemez és a 220 detektor az éle felől, ill. oldalról látható. A 3. ábrán egy kódolt nyílású 300 lemez példaképpeni kialakításának elölnézeti rajza látható. Egy 3D objektum a detektorra merőleges irányú kép szeletek sorozataként kezelhető. A projekció végrehajtásakor az egyes szeletek megfelelnek egy mélységfüggő kódolt apertúra mátrixnak. A mélységet a 2. ábrán z jelöli és változtatható a 220 detektor helyzetének állításával. A végleges projekció az összes szelet projekció összege, azaz az egyes mélység projekciók összege. A különböző nézetek létrehozhatók a 120 tartókerethez rögzített 130 gamma kamerák megfelelő állításával (például forgatásával és/vagy eltolásával).
A kép rekonstrukcióhoz a rendszer mátrixon keresztül kapcsolatba hozzuk egymással az objektum teret és az adat teret. A projekciós műveletek bármelyikénél lehet használni a megfelelő rendszer mátrixot és annak transzponáltját az objektumok transzformációjához az objektum tér és az adat tér között. Az előrevetítésnél általában a megfelelő rendszer mátrixot alkalmazzuk egy objektumra az objektum térben. Az előrevetítés eredménye egy kivetített objektum az adat térben. A nukleáris képalkotásnál említhető példában az előrevetítés egy lineáris művelet, amely transzformálja a funkcionális aktivitás sűrűséget az előrejelzett detektálási esemény teljes adatmodelljébe. Az előrevetítésnek megfelelően a hátravetítés az adat térből az objektum térbe a megfelelő rendszer mátrix transzponálásaként írható le.
Néhány kiviteli példánál a projekciós adatokat a 145 beteg testének egy részéről több nézetben, pl. M nézetben gyűjtjük be a 130 detektor(ok) használatával. Mindegyik nézet megfelel a 120 tartókerethez rögzített detektor bizonyos elforgatásának és/vagy eltolásának. A projekciós adatok több 2D projekciót tartalmaznak.
A 4. ábrán egy tomográfiai kép rekonstrukciós 400 eljárás folyamatábrája látható néhány kiviteli példának megfelelően. A 410 lépésben egy 3D képet (I-vel jelölve) inicializálunk. Néhány kiviteli példánál az I kép inicializálása a beteg testének körvonalát meghatározó 3D kép maszk alapján történik. A kép maszk például a 3D CT képalkotás alapján állítható elő. Egyetlen érték (pl. 1-es érték) rendelhető hozzá I kép mindegyik voxeléhez (térbeli pontjához) a kép maszkon belül. Az M nézetből kiválasztunk egy első nézetet. Az I képet transzformáljuk az első nézetnek megfelelő nézet transzformációval és előállítjuk az első nézetnek megfelelő kezdeti transzformált képet, például a következők szerint:
Jv0 = TVI (1)
Az (1) képletben Jv 0 a kezdeti transzformált kép és Tv az első nézetnek megfelelő nézet transzformáció. Mivel a Jv0 és Tv kifejezésben a v alsó index a nézet index, és mivel az első nézet lett kiválasztva, v értéke ebben az esetben 1.
Egy maximális valószínűség várakozás maximalizálás (MLEM) 430 eljárás során több iterációt, például N iterációt hajtunk végre. Az MLEM leírása megtalálható L. A. Shepp és Y. Vardi Maximum Likelihood Reconstruction for Emission Tomography, IEEE Transactions on Medical Imaging, 1. szám, 113-122. oldal (1982), publikációjában, amelynek egész tartalmát a leírás részének tekintjük a hivatkozás alapján. A 430 MLEM eljárás során a J 3D képet inicializáljuk (432 lépés) a kezdeti transzformált képpel, azaz:
J = Jv0 (2)
Az MLEM hurokban az N iterációból az első iteráció során, amint az a 4. ábrán látható, a J 3D képet előrevetítjük (434 lépés) és az aktuális nézetnek megfelelő adatmodellt generálunk, ahol v=1. Ez az előrevetítés az alábbi kifejezéssel írható le:
qv = HvJ (3)
A (3) képletben qv az aktuális nézetnek megfelelő adatmodellt jelenti, és Hv az aktuális nézetnek megfelelő rendszer mátrix. .
A 436 lépésben aktuális nézetnek megfelelő adatmodellt (v=1) összehasonlítjuk az aktuális nézetnek megfelelő projekciós adatokkal, és előállítjuk az aktuális nézetnek megfelelő korrekciós tényezőt. Az összehasonlítást az adat térben végezhetjük pixelenként, például az adatmodell és a projekciós adatok közötti arány számításával az alábbiak szerint:
rv = pv/qv (4)
A (4) képletben pv az aktuális nézetnek megfelelő projekciós adatokat jelenti, rv pedig az aktuális nézetnek megfelelő korrekciós tényezőt jelenti.
A 438 lépésben az aktuális nézetnek megfelelő korrekciós tényezőt visszavetítjük a 3D kép térbe, és végrehajtunk egy normalizálást, egy kép frissítési tényező előállításához az adott nézetnek és adott iterációnak megfelelően, pl. a következők szerint:
Fv = HvT rv/Nv (5)
Az (5) képletben Fv a kép frissítési tényező, Hv T a Hv transzponáltja és Nv a normalizálási tényező, például az aktuális nézettől függő állandó. Az egyszerűség kedvéért az Fv szimbólumban az iteráció nincs jelölve.
Ezután a feldolgozás folyamatában a 432 lépés következik, ahol a J képet frissítjük a kép frissítési tényező alkalmazásával az aktuális nézetnek és az aktuális iterációnak megfelelően, voxelenként, pl. az alábbiak szerint:
Jnew = FvJ (6)
Ezután a feldolgozási folyamat áttér a 430 MLEM hurokban a következő iterációra. Ily módon a 430 MLEM hurokban N iterációt hajtunk végre a J kép finomításához.
A 430 MLEM hurokban N iteráció végrehajtása után az aktuális nézethez generálunk egy végleges kép frissítési tényezőt, pl. a következők szerint:
F_finalv = Jnew/Jv0 (7)
Más szóval a végleges kép frissítési tényező az egyes nézetekben kiszámítható voxelenként a J kép végleges változatának arányaként (pl. a 430 MLEM folyamatban N iteráció után) a J kép kezdeti változatához képest.
Ezután kiválasztjuk a következő nézetet és a folyamat folytatódik a 420 lépésben. Ennek megfelelően a fent leírtak szerint hasonló feldolgozást végzünk az M nézet mindegyikéhez. Miután az Mik nézethez a 440 lépést végrehajtottuk, az összes nézetnek megfelelő kép frissítési tényezőt kombináljuk a 450 lépésben, pl. az alábbiak szerint:
Fall = (ΣvTTvF_finalv)/Naιι (8)
A (8) képletben Nall egy állandó, amely normalizálási tényezőként használható. Ez a normalizálás egy lehetséges megvalósítása, de a normalizáláshoz más technikák is használhatók.
A folyamat a 410 lépéssel folytatódik, ahol az I képet frissítjük, pl. voxelenként a következők szerint:
Inew = Fall I (9)
Ezért az I képet a legkülső hurokban finomítjuk (4. ábra) és az I kép további finomítása további iterációkkal érhető el a legkülső hurokban, pl. 50-200 iterációval néhány kiviteli példánál. A legkülső hurok önmagában az MLEM megvalósítása. Ezért a rekonstrukciós 400 eljárás tartalmaz egy külső MLEM hurkot és egy belső MLEM hurkot. A belső 430 MLEM hurokban mindegyik nézethez N iterációt hajtunk végre. A hagyományos rekonstrukciós megközelítésnél egy adott nézethez csak egyszer hajtották végre az MLEM eljárást, és nem hajtottak végre többször (N-szer) egynézetes MLEM eljárást az eredmény összegzése előtt, amint az a találmány különböző kiviteli példáinál megfigyelhető. A hagyományos rekonstrukciós megközelítések nem használták a külső MLEM hurok és a belső MLEM hurok kombinációját sem. Különböző kiviteli példáknál a mélység információ jobban használható, mint a korábbi rekonstrukciós technikáknál, pl. a 4. ábrán látható 430 belső hurok miatt, amely iteratívan végrehajtja az MLEM lépéseket mindegyik nézethez. Különösen egy kódolási és dekódolási séma használható a kódolt apertúrával összefüggésben, és a különböző kiviteli példáknál több mélység információ használható (pl. különböző kép szeleteket lehet használni különböző mélységekben) a párhuzamos lyukú kollimátorokhoz képest.
Az 5. ábrán egy 500 eljárás folyamatábrája látható néhány kiviteli példának megfelelően. Az 500 eljárás során projekciós adatokat kapunk (510 lépés) a beteg testének egy részéről, több nézetben egy vagy több detektor használatával, ahol a projekciós adatok több kétdimenziós (2D) projekciót tartalmaznak. A 3D képet inicializáljuk (520 lépés). Az 530 lépésben több nézet mindegyik nézetében a 3D képet az adott nézetnek megfelelő nézet transzformáció alkalmazásával transzformáljuk az adott nézetnek megfelelő kezdeti transzformált kép előállításához, és egy MLEM eljárás több iterációját hajtjuk végre legalább a kezdeti transzformált kép és a projekciós adatok alapján. Az MLEM eljárás a kezdeti transzformált képpel inicializálható. A 3D képet az MLEM eljárás kimenete alapján frissítjük (540 lépés).
Az 6. ábrán egy 600 eljárás folyamatábrája látható néhány kiviteli példának megfelelően. A 600 eljárás magába foglal egy első 3D kép transzformálást (610 lépés) egy nézetnek megfelelő nézet transzformáció alkalmazásával egy transzformált kép előállításához. A transzformált képpel egy második 3D képet inicializálunk (620 lépés). Az N iteráció során mindegyik iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végzünk. Az iteratív megvalósítás a 6. ábrán látható 630 lépéssel (számláló inicializálás) és 640 lépéssel (hurok feltétel tesztelés), de más megvalósítások is használhatók. Az iteratív MLEM feldolgozás finomítja a második 3D képet, miközben: előrevetítjük a második 3D képet egy adatmodell előállításához (650 lépés); összehasonlítjuk az adatmodellt az adott nézetnek megfelelő két dimenziós (2D) projekciós adathalmazzal, és az adott nézetnek megfelelő korrekciós tényezőt állítunk elő (660 lépés); az adott nézetnek megfelelő korrekciós tényezőt visszavetítjük és normalizáló tényezőt alkalmazunk a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához (670 lépés); és frissítjük a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával (680 lépés). A feldolgozási folyamat áttér a következő iterációra, amint az a 6. ábrán látható.
Néhány kiviteli példánál a 154 tárolóeszköz fizikailag tartalmaz egy 152 processzorral végrehajtható utasításokat tartalmazó programot, amelynek hatására a 152 processzor végrehajtja az 500 és 600 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 elemei külön és az itt leírt egyéb elemektől 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 itt 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 (20)
- Szabadalmi igénypontok1. Eljárás háromdimenziós (3D) kép előállítására, ahol az eljárás során:projekciós adatokat gyűjtünk (510) a beteg (145) testének egy részéről, több nézetben egy vagy több detektor (220) használatával, ahol a projekciós adatok több kétdimenziós (2D) projekciót tartalmaznak;inicializáljuk (410; 520) a 3D képet;a több nézet mindegyik nézetében a 3D képet az adott nézetnek megfelelő nézet transzformáció alkalmazásával transzformáljuk (420) az adott nézetnek megfelelő kezdeti transzformált kép előállításához, és egy maximális valószínűség várakozás maximalizálási (MLEM) eljárás több iterációját hajtjuk végre (430; 530) legalább a kezdeti transzformált kép és a projekciós adatok alapján, ahol az MLEM eljárást inicializáljuk a kezdeti transzformált képpel, és a 3D képet az MLEM eljárás kimenete alapján frissítjük (410; 540).
- 2. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy az MLEM eljárás mindegyik iterációjával frissített transzformált képet állítunk elő, ahol az eljárás során ezenkívül: mindegyik nézethez, a frissített transzformált kép és az adott nézetnek megfelelő kezdeti transzformált kép alapján kiszámítunk egy az adott nézetnek megfelelő kép frissítési tényezőt (440).
- 3. A 2. igénypont szerinti eljárás, azzal jellemezve, hogy a 3D kép frissítése során a3D képet a több nézet egy-egy nézetének megfelelő kép frissítési tényező alapján frissítjük (410; 540).
- 4. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy egy vagy több detektor (220) van rögzítve egy tartókerethez (120), és mindegyik nézet megfelel a tartókeret (120) megfelelő forgási helyzetének.
- 5. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy az egyes nézetekben a 3D kép transzformálása során, az egyes nézetekben az MLEM eljárás több iterációját (430; 530) és a 3D kép frissítését (410; 540) többször végrehajtjuk, és ezáltal egymást követően finomítjuk a 3D képet.
- 6. Az 1. igénypont szerinti eljárás, azzal jellemezve, hogy a 3D kép egy első 3D kép, és az MLEM eljárás során mindegyik nézetben:inicializálunk (620) egy második 3D képet az adott nézetnek megfelelő kezdeti transzformált képpel; és mindegyik N iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végzünk a 3D kép finomítására, miközben: előrevetítjük a második 3D képet az adott nézetnek megfelelő adatmodell előállításához (650);összehasonlítjuk az adott nézetnek megfelelő adatmodellt az adott nézetnek megfelelő projekciós adatokkal, és az adott nézetnek megfelelő korrekciós tényezőt állítunk elő (660);az adott nézetnek megfelelő korrekciós tényezőt visszavetítjük és normalizáló tényezőt alkalmazunk a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához (670); és frissítjük a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával (680).
- 7. A 6. igénypont szerinti eljárás, azzal jellemezve, hogy az első 3D kép képet legalább a több nézet egy-egy nézetének megfelelő végleges kép frissítési tényezők alapján frissítjük (680).
- 8. Eljárás kép feldolgozására, ahol az eljárás során:(a) transzformálunk egy első 3D képet egy nézetnek megfelelő nézet transzformációval egy transzformált kép előállításához;(b) a transzformált képpel egy második 3D képet inicializálunk (620);(c) mindegyik N iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végzünk a második 3D kép finomítására, miközben:előrevetítjük a második 3D képet egy adatmodell előállításához (650), összehasonlítjuk az adatmodellt az adott nézetnek megfelelő két dimenziós (2D) projekciós adathalmazzal, és az adott nézetnek megfelelő korrekciós tényezőt állítunk elő (660), az adott nézetnek megfelelő korrekciós tényezőt visszavetítjük és normalizáló tényezőt alkalmazunk a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához (670), és frissítjük a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával (680).
- 9. A 8. igénypont szerinti eljárás, azzal jellemezve, hogy az eljárás során ezenkívül:(d) frissítjük az első 3D képet legalább az adott nézetnek megfelelő végleges kép frissítési tényező alkalmazásával.
- 10. A 8. igénypont szerinti eljárás, azzal jellemezve, hogy a nézet az M nézet közül az első nézet, ahol M egy egész szám, és az eljárás során végrehajtjuk az (a), (b) és (c) lépést a további M-1 nézethez.
- 11. A 10. igénypont szerinti eljárás, azzal jellemezve, hogy az eljárás során ezenkívül:(d) frissítjük az első 3D képet legalább az adott nézetnek megfelelő végleges kép frissítési tényezők alkalmazásával.
- 12. Géppel olvasható tárolóeszköz (154), amely fizikailag tartalmaz egy processzorral végrehajtható utasításokat tartalmazó programot, amelynek hatására a processzor (152) végrehajtja az alábbi műveleteket: projekciós adatokat gyűjt a beteg (145) testének egy részéről, több nézetben egy vagy több detektor (220) használatával, ahol a projekciós adatok több kétdimenziós (2D) projekciót tartalmaznak;inicializálja a 3D képet;a több nézet mindegyik nézetében a 3D képet az adott nézetnek megfelelő nézet transzformáció alkalmazásával transzformálja az adott nézetnek megfelelő kezdeti transzformált kép előállításához, és egy maximális valószínűség várakozás maximalizálási (MLEM) eljárás több iterációját hajtja végre legalább a kezdeti transzformált kép és a projekciós adatok alapján, ahol az MLEM eljárást inicializálja a kezdeti transzformált képpel, és a 3D képet az MLEM eljárás kimenete alapján frissíti.
- 13. A 12. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy az MLEM eljárás iterációinak végrehajtásakor frissített transzformált képet állítunk elő, és az utasítások végrehajtásakor a processzor (152) az alábbi műveleteket is végrehajtja: mindegyik nézethez, a frissített transzformált kép és az adott nézetnek megfelelő kezdeti transzformált kép alapján kiszámít egy az adott nézetnek megfelelő kép frissítési tényezőt.
- 14. A 13. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a tárolóeszköz a 3D kép frissítése során a 3D képet a több nézet egy-egy nézetének megfelelő kép frissítési tényező alapján frissíti.
- 15. A 12. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a processzorral végrehajtható utasítások hatására a processzor az egyes nézetekben a 3D képet transzformálja, az egyes nézetekben az MLEM eljárás több iterációját és a 3D képe frissítését többször végrehajtja, és ezáltal egymást követően finomítja a 3D képet.
- 16. A 12. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a 3D kép egy első 3D kép, és az MLEM eljárás során mindegyik nézetben:inicializálunk egy második 3D képet az adott nézetnek megfelelő kezdeti transzformált képpel; és mindegyik N iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végzünk a 3D kép finomítására, miközben: előrevetítjük a második 3D képet az adott nézetnek megfelelő adatmodell előállításához; összehasonlítjuk az adott nézetnek megfelelő adatmodellt az adott nézetnek megfelelő projekciós adatokkal, és az adott nézetnek megfelelő korrekciós tényezőt állítunk elő; az adott nézetnek megfelelő korrekciós tényezőt visszavetítjük és normalizáló tényezőt alkalmazunk a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához; és frissítjük a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával.
- 17. A 16. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a tárolóeszköz a 3D kép frissítése során a 3D képet a több nézet egy-egy nézetének megfelelő végleges kép frissítési tényezők alapján frissíti.
- 18. Géppel olvasható tárolóeszköz (154), amely fizikailag tartalmaz egy processzorral végrehajtható utasításokat tartalmazó programot, amelynek hatására a processzor (152) végrehajtja az alábbi műveleteket:(a) transzformál egy első 3D képet egy nézetnek megfelelő nézet transzformációval egy transzformált kép előállításához;(b) a transzformált képpel egy második 3D képet inicializál;(c) mindegyik N iterációnál, ahol N egynél nagyobb egész szám, maximális valószínűség várakozás maximalizálás (MLEM) feldolgozást végez a második 3D kép finomítására, miközben:előrevetíti a második 3D képet egy adatmodell előállításához, összehasonlítja az adatmodellt az adott nézetnek megfelelő kétdimenziós (2D) projekciós adathalmazzal, és az adott nézetnek megfelelő korrekciós tényezőt állít elő, az adott nézetnek megfelelő korrekciós tényezőt visszavetíti és normalizáló tényezőt alkalmaz a kép térben, az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező előállításához, és frissíti a második 3D képet az adott nézetnek és adott iterációnak megfelelő kép frissítési tényező alkalmazásával.
- 19. A 18. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a processzorral végrehajtható utasítások végrehajtásakor a processzor (152) végrehajtja az alábbi műveleteket:(d) frissíti az első 3D képet legalább az adott nézetnek megfelelő végleges kép frissítési tényező alkalmazásával.
- 20. A 18. igénypont szerinti tárolóeszköz (154), azzal jellemezve, hogy a nézet az M nézet első nézete, ahol M egy egész szám, és a processzorral végrehajtható utasítások végrehajtásakor a processzor (152) végrehajtja az (a), (b) és (c) műveleteket a további M-1 nézethez.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462012445P | 2014-06-16 | 2014-06-16 | |
PCT/IB2015/054533 WO2015193802A1 (en) | 2014-06-16 | 2015-06-16 | Multi-view tomographic reconstruction |
Publications (2)
Publication Number | Publication Date |
---|---|
HUP1700011A2 HUP1700011A2 (en) | 2017-05-29 |
HU231354B1 true HU231354B1 (hu) | 2023-02-28 |
Family
ID=53525218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
HUP1700011A HU231354B1 (hu) | 2014-06-16 | 2015-06-16 | Több nézetű tomográfiai rekonstrukció |
Country Status (5)
Country | Link |
---|---|
US (1) | US10217250B2 (hu) |
CN (1) | CN106462988B (hu) |
DE (1) | DE112015002831B4 (hu) |
HU (1) | HU231354B1 (hu) |
WO (1) | WO2015193802A1 (hu) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106462987B (zh) * | 2014-06-13 | 2019-11-19 | 美国西门子医疗解决公司 | 基于投影数据集的用于体积的改进图像重构 |
US11348292B2 (en) | 2019-02-18 | 2022-05-31 | Argospect Technologies Inc. | Image reconstruction method for collimator and detector based medical imaging systems |
US11574184B2 (en) * | 2019-09-13 | 2023-02-07 | Siemens Medical Solutions Usa, Inc. | Multi-modal reconstruction network |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030190065A1 (en) * | 2002-03-26 | 2003-10-09 | Cti Pet Systems, Inc. | Fast iterative image reconstruction from linograms |
US7120283B2 (en) * | 2004-01-12 | 2006-10-10 | Mercury Computer Systems, Inc. | Methods and apparatus for back-projection and forward-projection |
HUP0400894A2 (en) | 2004-04-29 | 2006-08-28 | Lorant Szabo | Method and device 3d digital photograph drawing |
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 |
WO2006035358A1 (en) | 2004-09-28 | 2006-04-06 | Koninklijke Philips Electronics N.V. | Image processing apparatus and method |
US8086011B2 (en) * | 2007-10-31 | 2011-12-27 | Siemens Medical Solutions Usa, Inc. | Reconstructing a tomographic image |
US8094898B2 (en) * | 2008-07-16 | 2012-01-10 | Siemens Medical Solutions Usa, Inc. | Functional image quality assessment |
SG189284A1 (en) | 2010-10-07 | 2013-05-31 | Sungevity | Rapid 3d modeling |
JP6214128B2 (ja) | 2010-11-22 | 2017-10-18 | キヤノン株式会社 | 画像処理装置、画像処理方法、及び記憶媒体 |
CN102364524A (zh) * | 2011-10-26 | 2012-02-29 | 清华大学 | 一种基于变光照多视角间差采样的三维重建方法和装置 |
HUP1200013A2 (en) | 2012-01-06 | 2013-07-29 | Leonar3Do Internat Zrt | System and method for 3 dimension display |
WO2014063085A1 (en) * | 2012-10-18 | 2014-04-24 | Williams Mark B | System and method for expectation maximization reconstruction for gamma emission breast tomosynthesis |
US9001962B2 (en) * | 2012-12-20 | 2015-04-07 | Triple Ring Technologies, Inc. | Method and apparatus for multiple X-ray imaging applications |
-
2015
- 2015-06-16 DE DE112015002831.5T patent/DE112015002831B4/de active Active
- 2015-06-16 WO PCT/IB2015/054533 patent/WO2015193802A1/en active Application Filing
- 2015-06-16 US US15/315,719 patent/US10217250B2/en active Active
- 2015-06-16 CN CN201580032113.2A patent/CN106462988B/zh active Active
- 2015-06-16 HU HUP1700011A patent/HU231354B1/hu unknown
Also Published As
Publication number | Publication date |
---|---|
WO2015193802A1 (en) | 2015-12-23 |
HUP1700011A2 (en) | 2017-05-29 |
US10217250B2 (en) | 2019-02-26 |
US20170098316A1 (en) | 2017-04-06 |
CN106462988A (zh) | 2017-02-22 |
CN106462988B (zh) | 2019-08-20 |
DE112015002831B4 (de) | 2023-01-19 |
DE112015002831T5 (de) | 2017-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gong et al. | Iterative PET image reconstruction using convolutional neural network representation | |
US20230119427A1 (en) | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction | |
US9155514B2 (en) | Reconstruction with partially known attenuation information in time of flight positron emission tomography | |
US8457380B2 (en) | PET local tomography | |
US7680240B2 (en) | Iterative reconstruction of tomographic image data method and system | |
EP3067864B1 (en) | Iterative reconstruction with enhanced noise control filtering | |
US8897528B2 (en) | System and method for iterative image reconstruction | |
US8903152B2 (en) | Methods and systems for enhanced tomographic imaging | |
JP2011503570A (ja) | 減衰マップを形成するための装置及び方法 | |
CN106462987B (zh) | 基于投影数据集的用于体积的改进图像重构 | |
Bubba et al. | Tomographic X-ray data of carved cheese | |
US20170108596A1 (en) | Reconstruction with Multiple Photopeaks in Quantitative Single Photon Emission Computed Tomography | |
US8509504B2 (en) | Point spread function radial component implementation in Joseph's forward projector | |
US10217250B2 (en) | Multi-view tomographic reconstruction | |
US9916670B1 (en) | Fast, efficient, and list-mode compatible tomographic image reconstruction using a novel quadratic surrogate | |
US11164344B2 (en) | PET image reconstruction using TOF data and neural network | |
Galve et al. | Super-iterative image reconstruction in PET | |
KR101493683B1 (ko) | 콘-빔 기반 반응선 재구성을 이용한 초고해상도 pet 영상 재구성 장치 및 그 방법 | |
US10354417B2 (en) | Medical image processing apparatus and medical image diagnosis apparatus and medical image processing method | |
Taubmann et al. | Background Matters: A Correction Scheme for Dynamic Iterative CBCT with Limited Grid Size | |
Boudjelal et al. | The Effect of Regularization on the MAP-OSEM Algorithm for PET Reconstruction | |
Rakoczy | Adaptation of image reconstruction algorithms with time-of-flight for the J-PET tomography scanner | |
Mueller | Introduction to Medical Imaging Iterative Reconstruction with ML-EM | |
Bian et al. | Previous Normal Dose Scan Induced Nonlocal Means Gibbs Prior for Low Dose Computed Tomography Maximum A Posteriori Reconstruction | |
Alessio | Statistical modeling and reconstruction of rebinned PET measurements |