JP2014520295A - 反復画像再構成においてpixon写像を決定する方法 - Google Patents
反復画像再構成においてpixon写像を決定する方法 Download PDFInfo
- Publication number
- JP2014520295A JP2014520295A JP2014505411A JP2014505411A JP2014520295A JP 2014520295 A JP2014520295 A JP 2014520295A JP 2014505411 A JP2014505411 A JP 2014505411A JP 2014505411 A JP2014505411 A JP 2014505411A JP 2014520295 A JP2014520295 A JP 2014520295A
- Authority
- JP
- Japan
- Prior art keywords
- pixon
- data
- update variable
- image
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 238000013507 mapping Methods 0.000 title claims abstract description 17
- 238000009499 grossing Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 20
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 17
- 238000013499 data model Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000003325 tomography Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000002939 conjugate gradient method Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000005305 interferometry Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 43
- 239000011159 matrix material Substances 0.000 description 18
- 238000001228 spectrum Methods 0.000 description 15
- 238000003384 imaging method Methods 0.000 description 11
- 239000000243 solution Substances 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000005672 electromagnetic field Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000003446 ligand Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000005415 magnetization Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 201000006417 multiple sclerosis Diseases 0.000 description 2
- 238000012633 nuclear imaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- CDFKCKUONRRKJD-UHFFFAOYSA-N 1-(3-chlorophenoxy)-3-[2-[[3-(3-chlorophenoxy)-2-hydroxypropyl]amino]ethylamino]propan-2-ol;methanesulfonic acid Chemical compound CS(O)(=O)=O.CS(O)(=O)=O.C=1C=CC(Cl)=CC=1OCC(O)CNCCNCC(O)COC1=CC=CC(Cl)=C1 CDFKCKUONRRKJD-UHFFFAOYSA-N 0.000 description 1
- 241001093575 Alma Species 0.000 description 1
- 235000007119 Ananas comosus Nutrition 0.000 description 1
- 244000099147 Ananas comosus Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000656145 Thyrsites atun Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 210000002808 connective tissue Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000002287 radioligand Substances 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06T2207/30016—Brain
Abstract
pixon法を使用して、雑音を含む信号を反復的に再構成するための方法は、反復において画像の更新に使用された変数からpixon写像を決定する。更新変数は、最適化されたメリット関数に基づき、反復の間、更新変数を平滑化する。更新画像はまた、場合により、反復の間に決定されたpixon写像を使用して、反復終了時にさらに平滑化されてもよい。
【選択図】図4
【選択図】図4
Description
関連出願の相互参照
本出願は、2011年4月15日に出願された米国仮特許出願第61/476,012号明細書の優先権を主張し、その開示は、その全体が参照により本明細書に組み込まれる。
本出願は、2011年4月15日に出願された米国仮特許出願第61/476,012号明細書の優先権を主張し、その開示は、その全体が参照により本明細書に組み込まれる。
本発明は、信号再構成および強調のための方法に関し、より具体的には、入力物体における雑音を適応的に低減するための方法に関する。
信号内に含まれるデータの最適な抽出は、雑音や機器上の制限などの欠陥の除去を必要とする。データの最適化された抽出および再構成が求められる重要な領域は、画像強調の分野である。事実上、雑音がないように機器を仕上げることができるときでさえ、有限空間、スペクトルまたは時間分解能に関連する機器シグネチャを抱えたままである。現段階では、機器シグネチャを除去するには、画像再構成が必要とされる。画像強調の応用ならびにデータ抽出に悪影響を及ぼし得る雑音源および他の要因は広範囲にわたり、それは、発信元がかすかなものであり得、大気干渉が雑音や歪みを発生させる天体観測および惑星探査や、光が微弱なものであり得、対象物の急激な移動がコントラストを低くし、不鮮明にする軍事偵察および安全監視や、明瞭さの欠如にしばしば悩まされる医用画像処理や、伝送および機器の制限ならびにリアルタイム応答の必要性が画像鮮鋭度および画像詳細に悪影響を及ぼし得るビデオ画像を含む。
様々なセンサによって収集された不鮮明で雑音を伴うデータの高品質でロバストな再構成を提供するため、デジタル画像処理が開発されている。本分野は、測定雑音による破損を受けない鮮明な像を一貫して生成する撮像機器の構築が不可能なため存在する。それにもかかわらず、現実世界の機器から得られた非理想的なデータから基本的な画像を数学的に再構成することは可能であり、その結果、存在するがデータ内に隠されている情報をより鮮明で雑音が少ない状態で抽出することができる。そのような多くの方法は、予測モデルが構築され、データと比較されて、モデルとデータとの適合精度が評価されるプロセスを利用する。
この書面による明細全体にわたり、「データ」は、画像再構成のプロセスを通じてそこから未知の「画像」が推定される、いかなる測定数量も指す。画像という用語は、観測データを生じさせる推定解または真の基本的な画像の何れかを示す。論考により、通常、どちらの文脈が当てはまるかが明確となり、曖昧性が生じる可能性がある場合は、「画像モデル」を使用して推定解を示す。データと画像は、同様なものである必要はなく、異なる次元性を有するものであり得る(例えば、断層撮影画像再構成は、投影された2Dデータからの3D画像の決定に努める)ことに留意されたい。画像に対する代替の用語は、「物体」であり、モデルの方が画像より一般的である場合があるという考えを伝える。以下、2つの用語は、同義語として使用される。
統計学者は、長い間、適合の解釈および予測精度を改良するため、データとの適合に使用されるパラメータを制限することに努めてきた。標準の技法は、パラメータのいくつかは重要でないものとして見出され、適合から除外される、部分集合の選択(例えば、Miller 2002)、および、適合において使用されるメリット関数に正則化項を追加することによってパラメータの値が制約される、リッジ回帰(例えば、Tikhonov 1963)である。Tibshirani(1996)は、2つの方法を、最小絶対収縮および選択演算子(LASSO:Least Absolute Shrinkage and Selection Operator)として知られる技法に組み合わせた。
適合におけるパラメータの数を制限する必要性は、パラメータの数がデータポイントの数より大きいかまたはそれに匹敵する劣決定問題または不完全決定問題に不可欠である。最小二乗法(Gauss 1809)および最尤法(Fisher 1912、1922)の統計的方法の発案者によって既に強調されているように、これらの方法は、データポイントの数が適合パラメータの数をはるかに超える漸近極限でのみ有効である。この漸近極限から離れると、雑音は信号として組み込まれ、この組み込みにより、適合は、その解釈力および予測力を失う。
Puetter er al(2005)は、画像モデルをデータに反復的に適合させる反復画像再構成方法を含む、現在の使用における多くの再構成アルゴリズムを再検討している。最尤解に収束するように設計された多くの従来の技術の反復スキームは、過剰適合を回避するために早期に終了されるときでさえ、ゆっくりと収束する。収束は、変数に対してメリット関数の二次偏導関数のヘッセ行列を使用することによって、より早く達成することができる(Hesse 1876)。残念ながら、この手法を使用しても、ヘッセ行列は、例えば、画像がかなりの放射を伴う大多数の画素を含む場合の画像再構成においてしばしば遭遇する大規模問題に対処する際は、大きすぎて計算できない。そのような事例では、行列要素は、数兆個にも達し得る。このサイズの行列は、単純には、今日のコンピュータで処理することも、ましてやメモリに格納することさえもできない。
今日ではスパーシティ(sparsity)と呼ばれる、劣決定問題または不完全決定問題におけるパラメータの数を制限することへの希望は、最小限の複雑度のより抽象的な概念(Solomonoff 1964、Kolmogorov 1965、Chaitin 1966)に基づき、思考節約の原理(parsimony of postulate)を主張したOckhamのWilliamの中世の研究に遡る。簡単に言えば、他の条件が同じであれば、簡単な説明の方が複雑な説明よりも優れているということである。
例えば、l0ノルム正則化項をメリット関数に追加することによってスパース解を見出すことは、NP困難問題であり、その計算量は、パラメータの数において、いかなる多項式よりも急激に増加する。これは、l0ノルムをl1ノルムと置き換える結果へと導き(Chen,Donoho & Saunders 1999)、その結果、パラメータに対する適合の最適化は、可解の凸問題となる。Candes,Romberg & Tao(2004)は、さらに一歩先を行き、圧縮センシング法として知られる技法であるインコヒーレント性の条件の下、適合に必要とされるデータ量をランダムに減少させる方法を示した。Donoho(2006)は、パラメータ化に使用される基底関数の中、同様のインコヒーレント性の条件の下、最小l1ノルム解は最もスパースな解でもあることを示した。
l1ノルム法の欠点は2つある。第1に、多くの対象問題は、単純にはインコヒーレント性の条件を満たさず、l1ノルム法に不適切である。第2に、対象問題がインコヒーレント性の条件を満たすときでさえ、大規模問題は、過度の計算量を必要とする。したがって、それらは、凸問題であり、原理上可解ではあるが、実際には、数百万以上のパラメータを伴う今日の問題(従来の統計的方法を悪化させることにもなる問題)に適用することはできない。Donoho et al(2006)は、l1ノルムを使用することなく、そのような大規模問題により効率的にランダム性を適用する方法について論じている。
pixon法は、厳密なスパーシティを要求することなく、l1ノルムを利用する方法で必要とされるインコヒーレント性の条件なしで、画素ベースのデータ(大規模問題を含む)の複雑解を最小限度で得る、効率的な技法である(例えば、その開示が参照により本明細書に組み込まれる、Pina & Puetter 1993、Puetter & Yahil 1999、Puetter,Gosnell & Yahil 2005および米国特許第5,912,993号明細書、第6,353,688号明細書、第6,490,374号明細書、第6,895,125号明細書、第6,993,204号明細書、第7,863,574号明細書、第7,928,727号明細書、第8,014,580号明細書、第8,026,846号明細書、第8,058,601号明細書、第8,058,625号明細書、第8,086,011号明細書、第8,090,179号明細書、第8,094,898号明細書、第8,103,487号明細書を参照)。したがって、pixon法は、画像再構成またはスペクトル分析などの大規模な劣決定逆問題または不完全決定逆問題に有益である。最小限の複雑度は、カーネルのライブラリの中で最も広いカーネルによって各画素位置で適応的に平滑化することによって達成され、その結果、このカーネルおよびより狭いすべてのカーネルでの平滑化は、検討中の画素のデータフットプリントへの適切な適合を提供する。各画素でどのカーネルを使用するかを指定する写像は、pixon写像と呼ばれる。
その現在の形式では、pixon再構成は、3つのステップからなる。第1に、それは、いかなるpixon制約もない状態で、「疑似画像」を再構成する。第2に、この疑似画像を使用して、pixon写像を決定する。第3に、pixon写像によって導かれた制約された再構成によって最終画像を得る。第2および第3のステップは、幾度か繰り返すことができるが、第1のステップで合理的な疑似画像が得られれば、通常、これは実際には必要ではない。pixon法およびその応用についてのより完全な論考については、Puetter & Yahil(1999)、Puetter et al (2005)および米国特許第5,912,993号明細書、第6,353,688号明細書、第6,490,374号明細書、第6,895,125号明細書、第6,993,204号明細書、第7,863,574号明細書、第7,928,727号明細書、第8,014,580号明細書、第8,058,601号明細書、第8,058,625号明細書、第8,086,011号明細書、第8,090,179号明細書、第8,094,898号明細書、第8,103,487号明細書を参照されたい。
図2は、画像検出器210と、pixon再構成ユニット220とを備えた一般的な撮像システム200を示す。再構成は、pixon再構成アルゴリズム230と相互作用するpixon写像Pを使用するpixon法に基づく。pixon法は、pixon平滑化の基礎として、各物体ポイントに形状またはボリュームを割り当てることによって、物体空間の各ポイント(以下、「物体ポイント」)を平滑化する方法を指す。物体空間は、画像再構成の結果が定義され、撮像システム200を使用して画像化されたドメインに相当する空間である(「画像空間」は「物体空間」の同義語であり、2つの用語は以下で交換可能に用いられることに留意されたい)。対応するデータ空間は、画像検出器210で測定されたデータポイントによって与えられる。
pixon法は、データ空間の測定データセットdから物体空間の画像物体Iの高品質の再構成を提供する。空間的に適応型の再構成方法として、pixon法は、データ誘導平滑化演算をあらゆる物体ポイントに適用する。その際、pixon法は、平滑化演算の基礎であるpixonカーネル関数をあらゆる物体ポイントに割り当てる際に最小限の複雑度の原理を使用する。pixon再構成ユニット220内では、pixon写像Pは、どのpixonカーネル関数が物体ポイントの各々に割り当てられるかを定義する。
撮像システム200では、画像検出器210は、測定データセットdを検出し、pixon再構成ユニット220に伝達する。pixon再構成ユニット220は、特別に適応させたpixon再構成アルゴリズム230を使用して、取得したデータセットdを画像物体Iに再構成する。その際、pixon再構成アルゴリズム230は、システム行列Hを使用して、撮像システム200の特性について記述し、画像物体Iの基礎であるデータモデルを調整することによって反復的に改良された画像物体を推定する。画像物体Iは、例えば、周知のレンダリング技法を使用して、ディスプレイ240上に表示される。
あらゆる物体ポイントに対し、pixon写像Pは、最小限の複雑度方法に基づいて決定されるpixonカーネル関数を提供する。このpixonカーネル関数は、物体空間に適用されるpixon平滑化演算に使用される。
また、pixon法は、データが得られた画素よりも微細な画素を有する画像を再構成するため、画像の非負性および最小限の複雑度を利用して、超解像度形式で圧縮センシング法を可能にすることができる。これは、非負性および最小限の複雑度の追加の条件のため、Nyquist(1928)およびShanon(1949)による標本化定理に対する違反ではない(例えば、Puetter et al 2005)。回折限界を超える空間周波数は、データにおいて切り捨てられ、画像において同様に再構成することができる。
図3は、pixon法の例示的なプロセスフローを示す。Pixon平滑化は、標準の再構成アルゴリズムに連続して適用される。
標準の再構成アルゴリズムを使用することで、入力画像を測定データセットdに適合させる(ステップ300)。上記で論じられるpixonカーネル作用素Kの使用によれば、結果として生じる画像の推定は、疑似画像と呼ばれる。pixon写像Pは、疑似画像および測定データセットdを使用して決定される(ステップ310)。疑似画像は、pixon平滑化演算(ステップ320)の初期の物体でもある。pixon平滑化演算の間(ステップ320)、疑似画像の各物体ポイントは、pixonカーネル関数を通じて平滑化される(既存のpixon法のいくつかの変形形態では、pixon写像は、各反復において、更新画像から計算することによって更新することもできる。
反復画像再構成方法は、画像モデルを測定データに反復的に適合させ、したがって、最終画像上の雑音の影響を最小限に抑える。再構成アルゴリズムの結果は、アルゴリズムの規則に従って、測定データセットdに適合させた近似画像である。
pixon法では、近似画像は、pixon平滑化、pixon再構成およびpixon写像の決定のための入力物体として使用することができる。
pixon法は、物体と測定データセットdとの適切な適合をともにサポートする、物体空間の各ポイントでの最大限広範なpixonカーネル関数の検索を含む。具体的には、pixon写像は、特定のpixonカーネル関数を各物体ポイントに割り当てる。
そこからpixon写像を決定することができる疑似画像を計算する第1のステップには欠点があり得る。このプロセスは、より多くの計算を必要とし、アーチファクトを疑似画像に導入するというリスクを冒し、それにより、pixon写像ひいては最終画像再構成にバイアスが付加され得る。その上、物体空間からデータ空間への変換が非局所的であれば、pixon写像の決定はあまりうまくいかない(Bhatnagar & Cornwell 2004)。例えば、干渉法および磁気共鳴画像法では、データは、画像(雑音が加わる)のフーリエ変換であり、各フーリエ波(画像の基底関数)は、画像全体に広がっている。別の例は、断層撮影における部分的に非局所的な変換である。データは、3D画像の2D投影(雑音が加わる)であり、投影方向に直角には局所的だが、投影方向に沿って非局所的である変換である。
前述を考慮すると、pixon法内でpixon写像を決定するための改良された方法の必要性が存在する。
本明細書の発明によれば、3段階pixon法の上述の困難は、反復の間、pixon写像を計算して更新することによって回避される。改良された手法は、反復において画像の更新に使用される変数、すなわち、「更新変数」からpixon写像を決定し、反復の間、この更新変数を平滑化する。また、更新画像は、通常、反復の間に決定されたpixon写像を使用して、反復終了時にさらなる平滑化も行われる。対照的に、既存のpixon法は、更新された後に画像からpixon写像を決定し、そのpixon写像を用いて画像の平滑化へと進む。
本発明によれば、更新変数は、再構成方法に依存するが、通常、メリット関数の勾配または乗法更新係数である(例えば、Puetter et al 2005)。この更新変数は、pixonカーネルによって平滑化され、各画像位置で選択されるカーネルは、平滑化による更新変数の変化の二乗と更新変数の分散との比率がそれおよびより狭いすべてのカーネルに対する既定の閾値よりも小さい最も広いカーネルである。次いで、通常、同じカーネルを使用して、次の反復に進む前に、その位置での更新画像の平滑化も行われる。さらなる改善により、「補間カーネル」が可能になる。本発明の一態様では、物理的なプロセスから得られたデータセットから物体モデルを再構成するための方法において、データセットは雑音を含む、方法は、データ空間で定義されたデータセットを受信するステップと、物体空間に物体モデルを構築するステップにおいて、物体モデルは複数の物体ポイントを含む、ステップと、物体空間からデータ空間への物体モデルの変換を考案してデータモデルをもたらすステップにおいて、変換はそれによりデータセットが得られる物理的なプロセスに相当する、ステップと、データモデルとデータセットとの適合を決定するためにメリット関数を選択するステップと、メリット関数に基づいて、物体空間の物体モデルの更新変数を決定するステップと、複数のpixonカーネルの各々を用いて更新変数を畳み込み積分すること、および、入力物体の各物体ポイントに対して、既定の最低基準を満たす最大サイズを有するpixonカーネルを選択することによって、更新変数を平滑化して、平滑化された更新変数を決定するステップと、選択されたpixonカーネルに対応する入力物体の各物体ポイントでインデックスを割り当てることによって、pixon写像を生成するステップと、pixon写像内のインデックスに基づいて実質的に脱雑音された物体モデルを含む出力を生成するステップとを含む。一実施形態では、メリット関数は、共役勾配法を使用して決定され、更新変数は、負勾配(negradient)である。
本発明の別の態様では、ソフトウェアを含む非一時的なコンピュータ可読媒体は、物理的なプロセスから得られたデータセットから物体モデルを再構成するための命令において、データセットは雑音を含む、命令を含み、命令は、データ空間で定義されたデータセットを受信するステップと、物体空間に物体モデルを構築するステップにおいて、物体モデルは複数の物体ポイントを含む、ステップと、物体空間からデータ空間への物体モデルの変換を考案してデータモデルをもたらすステップにおいて、変換はそれによりデータセットが得られる物理的なプロセスに相当する、ステップと、データモデルとデータセットとの適合を決定するためにメリット関数を選択するステップと、メリット関数に基づいて、物体空間の物体モデルの更新変数を決定するステップと、複数のpixonカーネルの各々を用いて更新変数を畳み込み積分すること、および、入力物体の各物体ポイントに対して、既定の最低基準を満たす最大サイズを有するpixonカーネルを選択することによって、更新変数を平滑化して、平滑化された更新変数を決定するステップと、選択されたpixonカーネルに対応する入力物体の各物体ポイントでインデックスを割り当てることによって、pixon写像を生成するステップとを含む。例示的な実施形態では、メリット関数は、共役勾配法を使用して決定され、更新変数は、負勾配である。
本発明の態様について説明する前に、本発明を実装することができる適切なコンピューティングシステム環境100(図1)について簡単に説明することは有益であり得る。コンピューティングシステム環境100は、適切なコンピューティング環境の単なる一例であり、本発明の使用範囲または機能性に対していかなる限定も示唆することを意図しない。例示的な動作環境100に示されるコンポーネントのうちの何れか1つもしくはその組合せに関連する依存関係を有するものとして、または、それに関連する要件を有するものとしての何れにも、コンピューティング環境100を解釈してはならない。
本発明は、他の多くの一般用途または特殊用途のコンピューティングシステム環境または構成で動作可能である。本発明との使用に適し得る周知のコンピューティングシステム、環境および/または構成の例は、これらに限定されないが、パーソナルコンピュータ、サーバコンピュータ、ハンドヘルドまたはラップトップデバイス、マルチプロセッサシステム、マイクロプロセッサベースのシステム、セットトップボックス、プログラム可能家庭用電化製品、ネットワークPC、ミニコンピュータ、メインフレームコンピュータ、電話システム、上記のシステムまたはデバイスの何れかを含む分散コンピューティング環境および同様のものを含む。
本発明は、コンピュータによって実行される、プログラムモジュールなどのコンピュータ実行可能命令の一般的状況において説明することができる。一般に、プログラムモジュールは、特定のタスクを実行するか、または、特定の抽象データタイプを実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。当業者は、コンピュータ実行可能命令として本明細書の説明および/または図を実装することができ、コンピュータ実行可能命令は、以下で論じられるコンピュータ可読媒体のいかなる形式上でも実体化することができる。
また、本発明は、通信ネットワークを通じてリンクされるリモート処理デバイスによってタスクが実行される分散コンピューティング環境で実践することができる。分散コンピューティング環境では、プログラムモジュールは、メモリ記憶装置を含むローカルコンピュータ記憶媒体とリモートコンピュータ記憶媒体の両方に位置し得る。
図1を参照すると、本発明を実装するための例示的なシステムは、コンピュータ110の形式の一般用途のコンピューティングデバイスを含む。コンピュータ110のコンポーネントは、これらに限定されないが、処理ユニット120と、システムメモリ130と、システムメモリを含む様々なシステムコンポーネントを処理ユニット120と結合するシステムバス121とを含み得る。システムバス121は、様々なバスアーキテクチャの何れかを使用した、メモリバスまたはメモリコントローラ、周辺機器用バスおよびローカルバスを含む、いくつかのタイプのバス構造の何れでもあり得る。制限ではなく、例示として、そのようなアーキテクチャは、業界標準アーキテクチャ(ISA)バス、マイクロチャネルアーキテクチャ(MCA)バス、拡張ISA(EISA)バス、ビデオ電子機器規格協会(VESA:Video Electronics Standards Association)ローカルバスおよびメザニン(Mezzanine)バスとしても知られる周辺機器相互接続(PCI)バスを含む。
コンピュータ110は、通常、様々なコンピュータ可読媒体を含む。コンピュータ可読媒体は、コンピュータ110からアクセスすることができる任意の利用可能な媒体であり得、揮発性媒体と不揮発性媒体の両方とも、着脱可能な媒体と着脱不能な媒体の両方とも含む。制限ではなく、例示として、コンピュータ可読媒体は、コンピュータ記憶媒体および通信媒体を備え得る。コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュールまたは他のデータなどの情報の格納のための任意の方法または技術で実装される揮発性媒体と不揮発性媒体の両方とも、着脱可能な媒体と着脱不能な媒体の両方とも含む。コンピュータ記憶媒体は、これらに限定されないが、RAM、ROM、EEPROM、フラッシュメモリもしくは他のメモリ技術や、CD−ROM、デジタル多用途ディスク(DVD)もしくは他の光ディスク記憶装置や、磁気カセット、磁気テープ、磁気ディスク記憶装置もしくは他の磁気記憶装置や、所望の情報の格納に使用することができ、コンピュータ110からアクセスすることができる他の任意の媒体を含む。通信媒体は、通常、コンピュータ可読命令、データ構造、プログラムモジュール、または、搬送波もしくは他の輸送メカニズムなどの変調データ信号の他のデータを実体化し、任意の情報搬送媒体を含む。「変調データ信号」という用語は、信号の情報を符号化するように設定または変更されたその特性の1つまたは複数を有する信号を意味する。制限ではなく、例示として、通信媒体は、有線ネットワークまたは有線直結接続などの有線媒体や、音響、RF、赤外線および他の無線媒体などの無線媒体を含む。また、上記の何れの組合せも、コンピュータ可読媒体の範囲内に含めるべきである。
システムメモリ130は、読み取り専用メモリ(ROM)131およびランダムアクセスメモリ(RAM)132などの揮発性および/または不揮発性メモリの形式のコンピュータ記憶媒体を含む。起動中になど、コンピュータ110内の要素間での情報の転送を支援する基本的なルーチンを含む、基本的な入力/出力システム133(BIOS)は、通常、ROM 131に格納される。RAM 132は、通常、処理ユニット120からの速やかなアクセスが可能なおよび/または処理ユニット120上で現在動作中のデータおよび/またはプログラムモジュールを含む。制限ではなく、例示として、図1は、オペレーティングシステム134、アプリケーションプログラム135、他のプログラムモジュール136およびプログラムデータ137を示す。
また、コンピュータ110は、他の着脱可能/着脱不能な揮発性/不揮発性のコンピュータ記憶媒体も含み得る。単なる例示として、図1は、着脱不能な不揮発性の磁気媒体から読み取るかまたは同磁気媒体へ書き込むハードディスクドライブ141や、着脱可能な不揮発性の磁気ディスク152から読み取るかまたは同磁気ディスク152へ書き込む磁気ディスクドライブ151や、CD−ROMまたは他の光学媒体などの着脱可能な不揮発性の光ディスク156から読み取るかまたは同光ディスク156へ書き込む光ディスクドライブ155を示す。例示的な動作環境で使用することができる他の着脱可能/着脱不能な揮発性/不揮発性のコンピュータ記憶媒体は、これらに限定されないが、磁気カセットテープ、フラッシュメモリカード、デジタル多用途ディスク、デジタルビデオテープ、ソリッドステートRAM、ソリッドステートROMおよび同様のものを含む。ハードディスクドライブ141は、通常、インターフェース140などの着脱不能なメモリインターフェースを通じてシステムバス121に接続され、磁気ディスクドライブ151および光ディスクドライブ155は、通常、インターフェース150などの着脱可能なメモリインターフェースによってシステムバス121に接続される。
上記で論じられ、図1に示されるドライブおよびそれらの関連コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュールおよびコンピュータ110のための他のデータの格納を提供する。図1では、例えば、ハードディスクドライブ141は、オペレーティングシステム144、アプリケーションプログラム145、他のプログラムモジュール146およびプログラムデータ147を格納するものとして示されている。これらのコンポーネントは、オペレーティングシステム134、アプリケーションプログラム135、他のプログラムモジュール136およびプログラムデータ137と同じであっても異なるものであってもよいことに留意されたい。ここでは、オペレーティングシステム144、アプリケーションプログラム145、他のプログラムモジュール146およびプログラムデータ147には、最低でもそれらが異なるコピーであることを示すために異なる番号が与えられている。
ユーザは、キーボード162や、マイクロホン163(電話を通じて提供される入力も表し得る)や、マウス、トラックボールまたはタッチパッドなどのポインティングデバイス161などの入力デバイスを通じて、コマンドおよび情報をコンピュータ110に入力することができる。他の入力デバイス(図示せず)は、ジョイスティック、ゲームパッド、衛星放送受信アンテナ、スキャナまたは同様のものを含み得る。これらのおよび他の入力デバイスは、しばしば、システムバスと結合されたユーザ入力インターフェース160を通じて処理ユニット120に接続されるが、パラレルポート、ゲームポートまたはユニバーサルシリアルバス(USB)などの他のインターフェースおよびバス構造によって接続することもできる。また、モニタ191または他のタイプのディスプレイデバイスも、ビデオインターフェース190などのインターフェースを介してシステムバス121に接続される。モニタに加えて、コンピュータは、スピーカ197およびプリンタ196などの他の周辺出力デバイスも含み得、これらは、出力周辺インターフェース195を通じて接続することができる。
コンピュータ110は、リモートコンピュータ180などの1つまたは複数のリモートコンピュータへの論理接続を使用して、ネットワーク接続環境で動作することができる。リモートコンピュータ180は、パーソナルコンピュータ、ハンドヘルドデバイス、サーバ、ルータ、ネットワークPC、ピアデバイスまたは他の共通のネットワークノードであり得、通常、コンピュータ110に関連して上記で説明される要素の多くまたはすべてを含む。図1に描写される論理接続は、ローカルエリアネットワーク(LAN)171および広域ネットワーク(WAN)173を含むが、他のネットワークも含み得る。そのようなネットワーク環境は、オフィス、企業規模のコンピュータネットワーク、イントラネットおよびインターネットではありふれたものである。
LANネットワーク環境で使用される場合、コンピュータ110は、ネットワークインターフェースまたはアダプタ170を通じてLAN 171に接続される。WANネットワーク環境で使用される場合、コンピュータ110は、通常、インターネットなどのWAN 173上での通信を確立するためのモデム172または他の手段を含む。内蔵型でも外付け型でもあり得るモデム172は、ユーザ入力インターフェース160を介してシステムバス121に、または、他の適切なメカニズムに接続することができる。ネットワーク接続環境では、コンピュータ110に関連して描写されるプログラムモジュールまたはその部分は、リモートメモリ記憶装置に格納することができる。制限ではなく、例示として、図1は、リモートコンピュータ180上に存在するものとしてリモートアプリケーションプログラム185を示す。示されるネットワーク接続は例示的なものであり、コンピュータ間で通信リンクを確立する他の手段を使用することができることが理解されよう。
この出願内では、「pixon」を使用して、米国特許第5,912,993号明細書、第6,895,125号明細書および他の関連特許で説明されているような、pixon法、すなわち、画像物体を平滑化する際の物体ポイント特有の形状の使用について言及する用語、方法、目的などを示す。例えば、割り当てられる形状は、pixonカーネル関数によって定義され、pixon写像Pは、どのpixonカーネル関数が各物体ポイントに割り当てられるかについての情報を格納する。
データへの適合は、雑音を伴う逆問題の解である。データは以下の通りモデル化される。
d=H(I)+ε (1)
式中、dは、測定データを含むアレイであり、Iは、適合パラメータを含むアレイであり、Hは、パラメータ空間からデータ空間への変換関数であり、εは、データへの雑音寄与を含むアレイである。例示の目的で、画像再構成に適切な表記法が数1で使用される、すなわち、dは、画素データであり、Iは、再構成画像である。しかし、本明細書の発明は、pixon法を使用して解くことができる任意の雑音を伴う逆問題への広範な応用を有するため、この例は、限定することを意図しない。
d=H(I)+ε (1)
式中、dは、測定データを含むアレイであり、Iは、適合パラメータを含むアレイであり、Hは、パラメータ空間からデータ空間への変換関数であり、εは、データへの雑音寄与を含むアレイである。例示の目的で、画像再構成に適切な表記法が数1で使用される、すなわち、dは、画素データであり、Iは、再構成画像である。しかし、本明細書の発明は、pixon法を使用して解くことができる任意の雑音を伴う逆問題への広範な応用を有するため、この例は、限定することを意図しない。
多くの応用に対し、変換Hは線形であり、数1は以下の通り記載することができる。
d=HI+ε (2)
式中、dおよびIはベクトルとして、Hは行列として(システム行列として知られる)扱われる。以下の論考は、数2が線形の場合に制限されるが、線形化することによって、すなわち、H(I)がほぼ線形である制限された画像ドメインを考慮することによって、非線形問題に一般化することができる。
d=HI+ε (2)
式中、dおよびIはベクトルとして、Hは行列として(システム行列として知られる)扱われる。以下の論考は、数2が線形の場合に制限されるが、線形化することによって、すなわち、H(I)がほぼ線形である制限された画像ドメインを考慮することによって、非線形問題に一般化することができる。
実際には、dおよびIは、多次元であり得、同じ次元性(例えば、断層撮影において)を有することさえ必要ないことに留意されたい。しかし、長ベクトルとして多次元の画素を常に配列することができ、Hを行列と見なすことができる。以下のデータモデルは、雑音がないデータの信号部分である。
m=HI=d−ε (3)
また、データの期待値でもある。
m=E(d) (4)
その理由は、雑音の期待値は、一般性を失うことなく、すべてのデータのポイントに対して同様にゼロに設定することができるためである。
E(ε)=0 (5)
雑音の共分散行列は、一般に、ゼロではなく、位置(画素位置)および/またはデータモデル値の関数であり得る。
V(ε)=V(m) (6)
通常、データポイントは独立しており、したがって、Vは対角行列であるが、相関データも存在し得、その場合、Vはゼロではない非対角要素である。
m=HI=d−ε (3)
また、データの期待値でもある。
m=E(d) (4)
その理由は、雑音の期待値は、一般性を失うことなく、すべてのデータのポイントに対して同様にゼロに設定することができるためである。
E(ε)=0 (5)
雑音の共分散行列は、一般に、ゼロではなく、位置(画素位置)および/またはデータモデル値の関数であり得る。
V(ε)=V(m) (6)
通常、データポイントは独立しており、したがって、Vは対角行列であるが、相関データも存在し得、その場合、Vはゼロではない非対角要素である。
画像再構成は、データd、システム行列Hおよび雑音εの統計モデルを考慮して、画像Iに対して数2(または、より一般的には、数1)を解く逆問題である。以下のデータモデルを考慮して、データのメリット関数を最適化することによってそれを解く。
メリット関数の選択は、雑音統計に依存する。通常、対数尤度関数(LLF)となるように選択され、最尤法に関連する(例えば、Puetter et al 2005)。
メリット関数の選択は、雑音統計に依存する。通常、対数尤度関数(LLF)となるように選択され、最尤法に関連する(例えば、Puetter et al 2005)。
ガウス雑音の場合、LLFは、χ2まで減少する。
式中、iの総和は、データ画素の範囲を移動し、αの総和は、画像画素の範囲を移動し、σiは、画素iの雑音のガウス標準偏差である。ガウスLLFは、画像Iにおいて二次であるという利点を有し、したがって、Iに対するその勾配は、Iにおいて線形である。
式中、iの総和は、データ画素の範囲を移動し、αの総和は、画像画素の範囲を移動し、σiは、画素iの雑音のガウス標準偏差である。ガウスLLFは、画像Iにおいて二次であるという利点を有し、したがって、Iに対するその勾配は、Iにおいて線形である。
ポアソン雑音の場合、LLFは、より複雑な非線形関数である。
上記関数は、非線形最適化(例えば、Press et all 2007)によって、または、代理関数(Lange,Hunter & Yang 1999)を使用することによって解くことができる。Mighell(1999)は、代わりに、ポアソンLLFに二次近似を使用することを推奨し、それにより、低カウントの極限でさえも、バイアスのないデータモデルが生じる。
メリット関数を最適化するための多くの方法が存在するが、システム行列Hおよびその転置行列HTが大きくなり過ぎて、スパース行列技法を使用したとしても、計算も格納もできず、作用素としてのみ適用することができるため、適切な大規模問題はほとんどない。これにより、基本的には、期待値最大化(EM)法(Richardson 1972、Lucy 1974、Dempster,Laird & Rubin 1977、Shepp & Vardi 1982)または共役勾配(CG)法(Fox,Huskey & Wilkinson 1948、Hestenes & Stiefel 1952、Press et al 2007)の2つの方法に委ねられる。順序部分集合期待値最小化(OSEM:Ordered−subsets expectation minimization)は、EMの加速変形態であり、各反復においてデータの部分集合のみを使用する(Hudson & Larkin 1994)。同じ手順をCGにも適用することができる。
上記関数は、非線形最適化(例えば、Press et all 2007)によって、または、代理関数(Lange,Hunter & Yang 1999)を使用することによって解くことができる。Mighell(1999)は、代わりに、ポアソンLLFに二次近似を使用することを推奨し、それにより、低カウントの極限でさえも、バイアスのないデータモデルが生じる。
メリット関数を最適化するための多くの方法が存在するが、システム行列Hおよびその転置行列HTが大きくなり過ぎて、スパース行列技法を使用したとしても、計算も格納もできず、作用素としてのみ適用することができるため、適切な大規模問題はほとんどない。これにより、基本的には、期待値最大化(EM)法(Richardson 1972、Lucy 1974、Dempster,Laird & Rubin 1977、Shepp & Vardi 1982)または共役勾配(CG)法(Fox,Huskey & Wilkinson 1948、Hestenes & Stiefel 1952、Press et al 2007)の2つの方法に委ねられる。順序部分集合期待値最小化(OSEM:Ordered−subsets expectation minimization)は、EMの加速変形態であり、各反復においてデータの部分集合のみを使用する(Hudson & Larkin 1994)。同じ手順をCGにも適用することができる。
CG法は、メリット関数の逐次最小下り勾配を見出すことによって進める。より正確には、CG法は、勾配の線形結合である共役勾配方向を使用する(例えば、Press et al 2007)。有用な概念は、負勾配の概念であり、それは、画像に対するメリット関数の負の勾配の半分として定義される。数8のガウスメリット関数の場合、負勾配は以下の通りである。
ベクトル行列表記法では、数11は以下の通り記載することができる。
G=HTV−1r (12)
式中、以下が当てはまる。
r=d−m=d−HI (13)
数13は残差であり、雑音の分散は以下の通りである。
V=Diag(σ2)(ガウス雑音分散) (14)
式中、Diag(σ2)は、対角要素がσ2(標準偏差の二乗)である対角行列を示す。
ベクトル行列表記法では、数11は以下の通り記載することができる。
G=HTV−1r (12)
式中、以下が当てはまる。
r=d−m=d−HI (13)
数13は残差であり、雑音の分散は以下の通りである。
V=Diag(σ2)(ガウス雑音分散) (14)
式中、Diag(σ2)は、対角要素がσ2(標準偏差の二乗)である対角行列を示す。
ポアソン雑音の場合、Mighell(1999)
メリット関数の負勾配は、以下の通りである。
Mighellポアソン負勾配もまた、画像Iにおいて線形であり、数12のコンパクトなベクトル行列表記法で記載することができる。式中、残差は以下の通りである。
r=d+Min(d、1)−m=d+Min(d、1)−HI(Mighell残差) (16)
雑音分散は以下の通りである。
V=Diag(d+1)(Mighell雑音分散) (17)
CG法は、プレコンディショナを追加し(例えば、Golub & Van Loan 1996、Saad 2003)、メリット関数の勾配を数18で置き換えることによって大いに加速することができる。
G=P−1HTV−1r(プレコンディショナ付き負勾配) (18)
Px=b (19)
式中、数19の線形方程式は、容易に解くことができる。結果として生じる方法は、前処理付き共役勾配(PCG)法として知られている。
メリット関数の負勾配は、以下の通りである。
Mighellポアソン負勾配もまた、画像Iにおいて線形であり、数12のコンパクトなベクトル行列表記法で記載することができる。式中、残差は以下の通りである。
r=d+Min(d、1)−m=d+Min(d、1)−HI(Mighell残差) (16)
雑音分散は以下の通りである。
V=Diag(d+1)(Mighell雑音分散) (17)
CG法は、プレコンディショナを追加し(例えば、Golub & Van Loan 1996、Saad 2003)、メリット関数の勾配を数18で置き換えることによって大いに加速することができる。
G=P−1HTV−1r(プレコンディショナ付き負勾配) (18)
Px=b (19)
式中、数19の線形方程式は、容易に解くことができる。結果として生じる方法は、前処理付き共役勾配(PCG)法として知られている。
また、制約は、しばしば、凸集合への射影方法によって取り扱うことができる(Biemond,Lagendijk & Mersereau 1990)。例えば、非負性I≧0は、単に画像の負の成分のゼロ未満を切り捨て、まるで切り捨てを行わなかったかのように続行することによって各反復後に課すことができる(Puetter et al.2005)。また、各反復において、その反復時にゼロ画像値を有する画素でのいかなる負の共役勾配成分もゼロに設定することも有益である。これは、最小化の終了時に結果として生じる負の画像値のゼロ未満が切り捨てられるのを見るためだけにこれらの画素が最小化に加わるのを防ぐ。
本明細書の発明では、pixon写像は、更新された後の画像からではなく、更新変数から決定され、更新変数は、このpixon写像に従って平滑化される。これは、各反復において、pixon写像が更新され、更新変数が平滑化されるため、初期の疑似画像を計算する必要性を除去する。
CG法の場合、更新変数は、負勾配(数12)と捉えられる(前処理付き負勾配(数18)は、類似した様式で取り扱われる)。負勾配は、pixonカーネルライブラリのカーネルによって平滑化され、各画像位置で選択されるカーネルは、平滑化による負勾配の変化の二乗と負勾配の分散との比率がそれおよびより狭いすべてのカーネルに対する既定の閾値よりも小さい最も広いカーネルである。
具体的には、カーネル関数のライブラリは、物体空間上で選択され、定義される。
K(j)(τ)j=1,...,J (20)
カーネル関数の第0および第1のモーメントは以下の通り設定される。
そして、第2のモーメントは、低い方から順に配列される。
式中、積分は、実際には、画素の総和で近似される。第2のモーメントは、通常、マルチスケール画像構造の最適特性化のための上昇等比級数を形成するように設計される。数21〜23では次元性が重要であり、したがって、以前に使用された1D画像画素インデックスαはベクトルインデックスτおよびxで置き換えられることに留意されたい。
K(j)(τ)j=1,...,J (20)
カーネル関数の第0および第1のモーメントは以下の通り設定される。
そして、第2のモーメントは、低い方から順に配列される。
式中、積分は、実際には、画素の総和で近似される。第2のモーメントは、通常、マルチスケール画像構造の最適特性化のための上昇等比級数を形成するように設計される。数21〜23では次元性が重要であり、したがって、以前に使用された1D画像画素インデックスαはベクトルインデックスτおよびxで置き換えられることに留意されたい。
次いで、一連の平滑化された負勾配の変化ΔG(j)は、カーネルの各々を用いて順に負勾配を畳み込み積分し、元の負勾配を減ずることによって得られる。
次いで、pixon写像は、各画素で、選択されたインデックスが、各画素の平滑化された負勾配の変化の二乗が負勾配のp2の倍数以下である最大のものであるような、インデックスの画像である。
式中、pは、以下で論じられるpixon係数である。平滑化された負勾配は、そのpixonインデックスに対応する平滑化された負勾配の変化を各画像画素での負勾配に加えることによって得られる。
次いで、pixon写像は、各画素で、選択されたインデックスが、各画素の平滑化された負勾配の変化の二乗が負勾配のp2の倍数以下である最大のものであるような、インデックスの画像である。
式中、pは、以下で論じられるpixon係数である。平滑化された負勾配は、そのpixonインデックスに対応する平滑化された負勾配の変化を各画像画素での負勾配に加えることによって得られる。
ユーザが調整可能なpixon係数pがpixon平滑化の強度を制御することは、数25から容易に理解されよう。pが大きい程、いかなる画素xでも数25を満たすことができるjは大きくなり、それにより、M(x)の値が増加する。その結果、負勾配は、より強く平滑化される(数26)。対照的に、pが小さい程、jをより小さい値に制限することができ、それにより、M(x)の値が減少し、より弱く平滑化される。結論として、ユーザは、pを調整し、雑音と平滑化との間のトレードオフを設定することができる。pが大きい程、分解能のいくらかの損失を犠牲にして、雑音をより良く抑える一方で、pが小さい程、高雑音レベルを犠牲にして、より良い分解能を保つ。
図4は、画像再構成プロセスでpixon写像を決定するための改良された方法を用いた例示的なフローチャートを示す。ステップ400では、画像再構成は、数7のデータモデルを考慮してデータdのメリット関数を最適化することによって開始する。例示的な実施形態では、共役勾配(CG)法が使用される。ステップ402では、CG法は、負勾配の決定に使用され、負勾配は、更新変数(UV)として使用される。ステップ404では、負勾配は、UVを平滑化するため、pixonカーネルライブラリ406からのカーネルの各々を用いて畳み込み積分される。各画像位置で選択されるカーネルは、平滑化による更新変数の変化の二乗と更新変数の分散との比率がそれおよびより狭いすべてのカーネルに対する既定の閾値よりも小さい最も広いカーネルである。pixon写像410は、選択されたカーネルのインデックスの画像を使用して形成される。また、通常、次の反復に進む前のその同じ位置での更新画像408の平滑化には、同じカーネルが使用される。既存のpixon法ごとに、反復的に改良された画像は、出力画像Iの基礎であり、ディスプレイ上に表示する、および/または、メモリ媒体に格納することができる。
以前に述べた通り、画像再構成への例示的な応用は、限定することを意図せず、改良された方法は、pixon法を使用するいかなる信号再構成プロセスにも適用可能である。カーネル関数は、非局所的なものに一般化することが可能であり、それにより、より複雑な平滑化を実行する。例えば、多くの同一の窓を含むアパートの画像では、単一の非連続カーネルを使用して、画像のすべての窓をまとめて平滑化することが可能である。あるいは、データは、例えば、株価など、幾何学的意味を全く有さない場合があり、その場合、画素化は、株のための何らかのインデックススキームと置き換えられる。畳み込み積分(数24)は、そのようなシステムに対して、より一般的な関係で置き換えられる。
通常、数21と同様の正規化条件を維持することが有益である。
しかし、数22〜23はもはや重要ではなく、問題特有の条件で置き換えなければならない。重要な点は、pixon法に関する限り、数25〜26が重要なままであり続けるように、カーネル関数が望ましい順を維持することである。
通常、数21と同様の正規化条件を維持することが有益である。
しかし、数22〜23はもはや重要ではなく、問題特有の条件で置き換えなければならない。重要な点は、pixon法に関する限り、数25〜26が重要なままであり続けるように、カーネル関数が望ましい順を維持することである。
さらなる改善は、試験的な負勾配間に補間することによって、「分数インデックス」および「中間カーネル」を用いて連続pixon写像を形成することである。これは、負勾配をさらに平滑化する、および/または、より少ないカーネル関数の使用を可能にする。中間pixonインデックスは、M(x)+δ(x)と定義され、式中、M(x)は、数25によって指定される整数pixonインデックスであり、δ(x)は、ΔG(x)2/V(G(x))をp2に線形補間する増分である。
そして、数26は数30で置き換えられる。
これは、補間カーネルの使用に相当する。
反復CG法は、平滑化された負勾配が元の平滑化されていない負勾配を置き換えた状態で、通常通り進める(例えば、Press et al 2007)。
そして、数26は数30で置き換えられる。
これは、補間カーネルの使用に相当する。
反復CG法は、平滑化された負勾配が元の平滑化されていない負勾配を置き換えた状態で、通常通り進める(例えば、Press et al 2007)。
また、それ自体が数31の補間カーネルを使用した状態で、連続pixon写像M(x)+δ(x)を平滑化することも有益である。この背後にある論拠は、pixon写像が、画像の各位置で、その位置でのpixonインデックスに適切なpixonカーネルの幅の規模で、平滑であるべきであるということである。したがって、それ自体でのpixon写像の平滑化は、有意な追加の平滑化を画像に導入してはならないが、アーチファクトを平滑化する場合があり、pixon写像を計算するプロセスに導入されている場合がある。
更新画像は通常、補間カーネル(数31)によって反復後にさらに平滑化される。しかし、負勾配を適正に平滑化するカーネルは全画像を過度に平滑化する傾向にあるため、追加の平滑化は、反復での解の何らかの振動につながり得る。振動を抑える簡単な方法は、現行のおよび前回の反復で決定されたカーネルの平均を用いて画像を平滑化することである(第1の反復に対し、「前回の」カーネルは、デルタ関数である)。
図5は、補間カーネルを使用して、画像再構成プロセスでpixon写像を決定するための改良された方法を用いた例示的なフローチャートを示す。ステップ500では、画像再構成は、数7のデータモデルを考慮してデータdのメリット関数を最適化することによって開始する。例示的な実施形態では、共役勾配(CG)法が使用される。ステップ502では、CG法は、負勾配の決定に使用され、負勾配は、更新変数(UV)として使用される。ステップ504では、負勾配は、UVを平滑化するため、pixonカーネルライブラリ506からのカーネルの各々を用いて畳み込み積分される。各画像位置で選択されるカーネルは、更新変数の変化の二乗と更新変数の分散との比率がそれおよびより狭いすべてのカーネルに対する既定の閾値よりも小さい最も広いカーネルである。pixon写像510は、選択されたカーネルのインデックスの画像を使用して形成される。pixonカーネルライブラリからのカーネルを用いた畳み込み積分が完了すると、ステップ508において、補間カーネルを生成して、pixon写像の作成に使用されるUVをさらに平滑化することができる。次の反復に進む前のその位置での更新画像512の平滑化には、同じ補間カーネルを使用することができる。既存のpixon法ごとに、反復的に改良された画像は、出力画像Iの基礎であり、ディスプレイ上に表示する、および/または、メモリ媒体に格納することができる。
pixon写像の決定に極めて重要な負勾配の分散は、データが統計的に独立している場合であっても、システム行列の転置行列HT(数12)が画像画素間で相関を生み出すため、慎重に計算しなければならない。いくつかの事例では、例えば、HTがフーリエ変換であれば、負勾配の分散は、分析的に計算することができる。他の事例では、大規模問題に対する分散を計算するための便利なモンテカルロ法は、データを多くの非重複データ部分集合に分割し、残差rを雑音εのランダム実現と置き換えて、各部分集合に対して、数12から負勾配Gを計算するためのものである。
G(s)=HTV−1ε(s)(部分集合勾配) (32)
式中、上付き文字sは、部分集合を指定する。
G(s)=HTV−1ε(s)(部分集合勾配) (32)
式中、上付き文字sは、部分集合を指定する。
雑音の期待値は各画素においてゼロであるため(数5)、各部分集合勾配の期待値もまたゼロである。
E(G(s))=0 (33)
したがって、大多数の部分集合の極限では、負勾配の分散は、部分集合勾配の二乗の和に近似され得る。
分散のモンテカルロ推定の相対誤差は以下の通りである。
Δ(V(G)/V(G)〜S−1/2 (35)
式中、Sは、部分集合の数である。
E(G(s))=0 (33)
したがって、大多数の部分集合の極限では、負勾配の分散は、部分集合勾配の二乗の和に近似され得る。
分散のモンテカルロ推定の相対誤差は以下の通りである。
Δ(V(G)/V(G)〜S−1/2 (35)
式中、Sは、部分集合の数である。
ガウス雑音の場合、負勾配の分散は、雑音の標準偏差σのみに依存し、データにも画像にも依存しないことに留意されたい。したがって、負勾配の分散は、反復とともには変化せず、画像再構成の開始時に一度計算すれば十分である。
数15の項[di+1]−1は複雑で非線形的な方法で雑音を伴うデータに依存するため、Mighell
のポアソン負勾配については厳密には同じことは言えない。しかし、実践により、これらの項の分散は、残差
V(r)≒ d (ポアソン残差の分散)(36)
の分散ほど重要ではないことが示されており、データから近似され得る。
したがって、数36の残差の近似分散は、データに依存する一方で、画像には依存しない。したがって、反復とともに変化することもなく、また、画像再構成の開始時に一度計算することができる。
のポアソン負勾配については厳密には同じことは言えない。しかし、実践により、これらの項の分散は、残差
V(r)≒ d (ポアソン残差の分散)(36)
の分散ほど重要ではないことが示されており、データから近似され得る。
したがって、数36の残差の近似分散は、データに依存する一方で、画像には依存しない。したがって、反復とともに変化することもなく、また、画像再構成の開始時に一度計算することができる。
また、類似のpixon法は、EM再構成にも適用することができる。しかし、そこには、乗法更新係数の分散(Richardson 1972、Lucy 1974、Shepp & Vardi 1982)は、反復とともに変化し、各反復において再度計算する必要があるという問題が存在する。これは、EM法の周知のより遅い分解能回復に加えて、計算量をかなり増加させ、同程度の分解能回復にかなり多くの反復を必要とする。統合すると、これらの考慮事項は、EM法よりもCG法を使用することに賛成する根拠を示す。
pixon法を使用した入力信号の再構成への本発明の方法の応用の以下の実施例。これらの実施例は、単なる例示であり、限定することを意図しない。
実施例1:開口合成法
開口合成法は、望遠鏡のアレイからの信号を混合して、全アレイサイズの機器と同じ角分解能を有する画像を生成する一種の干渉法である。各距離間隔および方位において、干渉計のローブパターンは、観測された物体の輝度の空間分布のフーリエ変換の一成分である出力を生成する。発信元の画像(または「写像」)は、これらの測定値から生成される。開口合成法は、入力信号の振幅と位相の両方とも各望遠鏡によって測定される場合にのみ可能である。電波の場合、これは、電子機器によって可能である一方で、可視光線の場合、電磁場を直接測定してソフトウェアで相関させることはできないが、感度の高い光学機器によって伝播され、光学的に干渉されなければならない。
開口合成法は、望遠鏡のアレイからの信号を混合して、全アレイサイズの機器と同じ角分解能を有する画像を生成する一種の干渉法である。各距離間隔および方位において、干渉計のローブパターンは、観測された物体の輝度の空間分布のフーリエ変換の一成分である出力を生成する。発信元の画像(または「写像」)は、これらの測定値から生成される。開口合成法は、入力信号の振幅と位相の両方とも各望遠鏡によって測定される場合にのみ可能である。電波の場合、これは、電子機器によって可能である一方で、可視光線の場合、電磁場を直接測定してソフトウェアで相関させることはできないが、感度の高い光学機器によって伝播され、光学的に干渉されなければならない。
高品質の画像を生成するため、異なる望遠鏡間の複数の異なる距離間隔が必要とされる(電波源から見える任意の2つの顕微鏡間の投影された距離間隔は基線と呼ばれる)、すなわち、良質の画像を得るため、できる限り多くの異なる基線が必要とされる。n個の望遠鏡のアレイに対する基線の数(nb)は、nb=(n2−n)/2によって得られる。例えば、天体用の電波望遠鏡の中で、超大型電波干渉計(VLA)は、27個の望遠鏡を有し、一度に351個の独立した基線を与える一方で、アタカマ大口径ミリ波/サブミリ波合成電波望遠鏡(ALMA)が現在建設中であり、完成すると、66個の望遠鏡を有し、2145個の独立した基線を与えることになる。大抵の開口合成干渉計は、地球の回転を使用して、観測に含まれる基線方位の数を増加する。地球の回転が望遠鏡を新しい基線に移動させるため、追加の望遠鏡を購入する必要も、手動で望遠鏡を動かす必要もなく、異なる時間にデータを取ることにより、異なる望遠鏡距離間隔および角度を有する測定値が提供される。さらに、個々の望遠鏡の異なる構成への移動を可能にすることによって、柔軟性が提供され、それにより、強力で可変の「ズーム」がアレイに提供される。
開口合成法の他の応用は、干渉合成開口レーダ(IfSARまたはInSAR)、合成開口レーダ(SAR)および逆合成開口レーダ(ISAR)、合成開口ソーナー、ビーム形成および合成開口磁気測定を含む。
元々は、ある最大限までは、本質的にはあらゆる基線長および方位で、測定を行うことが必要であると考えられ、そのような完全に抽出されたフーリエ変換は、正式には、最大基線と等しい開口直径を有する従来の望遠鏡からの画像と全く等しい情報を含むため、開口合成という名が付けられている。多くの事例において、有用な画像は、非線形画像再構成方法を利用して、比較的スパースな不規則な基線セットで作成できることはすぐに発見された。
pixon法は、そのような強力な非線形画像再構成方法の1つであるが、その使用は、フーリエ変換の非局所的な性質によって妨げられた(Bhatnagar & Cornwell 2004)。本明細書の発明におけるpixon写像を決定する新しい方法は、この障害を克服することができる。
実施例2:磁気共鳴画像法
磁気共鳴画像法(MRI)は、詳細な内部構造を可視化するために放射線学で使用される医用画像技法である。MRIは、核磁気共鳴の特性を利用して、人体内の原子核を画像化する。MRIマシンは、強力な磁場を使用して人体の何らかの原子核の磁化を整合し、高周波磁場を使用してこの磁化の整合を系統的に変更する。これにより、核は、スキャナで検出可能な回転磁場を生成し、この情報は、人体のスキャンエリアの画像を構築するために記録される。磁場勾配により、異なる位置の核は、異なる速度で回転する。異なる方向に勾配を使用することで、2D画像または3Dボリュームを任意の向きで得ることができる。MRIは、人体のあらゆる部分の画像化に使用され、脳、筋肉、結合組織およびほとんどの腫瘍など、多くの水素核を有し、密度コントラストがほとんどない組織に対して特に有益である。
磁気共鳴画像法(MRI)は、詳細な内部構造を可視化するために放射線学で使用される医用画像技法である。MRIは、核磁気共鳴の特性を利用して、人体内の原子核を画像化する。MRIマシンは、強力な磁場を使用して人体の何らかの原子核の磁化を整合し、高周波磁場を使用してこの磁化の整合を系統的に変更する。これにより、核は、スキャナで検出可能な回転磁場を生成し、この情報は、人体のスキャンエリアの画像を構築するために記録される。磁場勾配により、異なる位置の核は、異なる速度で回転する。異なる方向に勾配を使用することで、2D画像または3Dボリュームを任意の向きで得ることができる。MRIは、人体のあらゆる部分の画像化に使用され、脳、筋肉、結合組織およびほとんどの腫瘍など、多くの水素核を有し、密度コントラストがほとんどない組織に対して特に有益である。
人体は、主に、水分子で構成されている。各水分子は、2つの水素核または陽子を有する。ある人物がスキャナの強力な磁場の中にいる場合、多くの陽子の平均磁気モーメントは、磁場の方向と整合することになる。高周波送信機が短時間オンにされ、変動電磁場が生成される。この電磁場は、吸収、磁場での陽子のスピンの反転にまさに適切な、共鳴周波数として知られる周波数を有する。電磁場がオフにされた後、陽子のスピンは熱力学的平衡に戻り、バルク磁化は静磁場と再度整合されるようになる。この緩和の間、高周波信号が生成され、高周波信号は受信コイルで測定することができる。異なる組織の陽子は、異なる緩和率でその平衡状態に戻る。スピン密度、T1およびT2緩和時間、フローおよびスペクトルシフトを含む異なる組織変数を使用して画像を構築することができる。スキャナの設定を変えることにより、この効果を使用して、機能的MRI(fMRI)および拡散MRIと同様に、異なるタイプの人体組織間または他の特性間のコントラストを作成することができる。
3D空間における信号の起源についての情報は、スキャン中に追加の磁場を印加することによって学習することができる。勾配磁場コイル中に電流を通すことによって生成されるこれらの磁場は、磁石内の位置に応じて磁場の強度を変動させる。これはまた、予測できる方法で、放出された電波信号の周波数をその起源に依存させるため、通常、逆フーリエ変換を使用することによって、数学的に信号から人体の陽子の分布を回復することができる。
MRIの主な限度はスキャンの持続時間であり、それは、患者の苦痛を増やし、患者スループットを低下させる。MRIスキャンは、2つの方法のうちの1つでまたはそれらの組合せで速度を上げることができる。各高周波でのスキャンの持続時間を短縮することができる、および/または、スキャンされる高周波の数を減少することができる。前者は、雑音の増加へとつながり、後者は、不完全な周波数適用範囲をもたらし、開口合成法と同様の技法が必要とされる。非線形pixon画像再構成は、以下に示されるように、雑音の低減を支援し、紛失しているフーリエデータを補うことができる。
残念ながら、in vivoで得られたMRIデータの分析のための「グラウンドトゥルース(ground truth)」も究極の判断基準も存在しない。したがって、シミュレートされた脳のデータベース(SBD)は、McGill Universityで構築された(www.bic.mni.mcgill.ca/brainwebで公的に利用可能なデータベース、Kwan,Evans & Pike 1999)。SBDは、MRIシミュレータによって生成された現実的なMRIデータ量セットを含む。神経画像コミュニティでこれらのデータを使用して、真実が知られている設定での様々な画像分析方法の性能を評価することができる。
現在、SBDは、健常者および多発性硬化症(MS)患者の2つの解剖学的モデルに基づくシミュレートされた脳のMRIデータを含む。これらの両者とも、3つのシーケンス(T1強調、T2強調および陽子密度(PD)強調)ならびに様々なスライス厚、雑音レベルおよび強度不均一性レベルを使用して、完全な三次元データ量がシミュレートされた。これらのデータは、三面図(横断面、矢状面および冠状面)での閲覧やダウンロードに利用可能である。SBDの作成についてのさらなる詳細は、公的資源を通じて利用可能である。
図6は、雑音なしの、正常な、陽子密度(PD)SBDの「真の」脳の画像を示し、図7は、データ空間へのその変換の絶対値の対数(底10)を示す。両図において、上側のパネルは、冠状スライス(左側のパネル)および矢状スライス(右側のパネル)を示す。下側のパネルは、横断スライスである。物体空間からデータ空間への変換は、2Dフーリエ変換からなり、一度に一横断スライスずつ行われ、ゼロ周波数を中心に表示するため、そのディスプレイは、横方向に周期的にシフトされた。図8は、最も明るい画像ボクセルの3%の標準偏差でランダムな(白色)ガウス雑音が画像に追加された図6の画像を示す。図9は、データ空間への図8のフーリエ変換を示す。雑音は高周波でデータを支配しているように見える(データ表示の横方向周辺)。図10は、高周波が切り捨てられ、利用可能な周波数の3分の1に制限された周波数適用範囲に相当する図9と同じデータを示す。図10のデータは、画像の再構成への入力を含む。
図11は、データの単純な逆フーリエ変換を示し、2種類のアーチファクトを示す。第1に、雑音は画像全体にわたって明確に見られ、データの遮断周波数のため、それは、もはや無相関の白色雑音ではない。第2に、Gibbs(1898、1899)によって最初に説明された現象のため、鋭い縁の隣にリンギングが見られる。データ(図示せず)に適合する非負の最小二乗法(NNLS)は、本質的には、正逆フーリエ変換と同一である。それらの画像の違いは、体外バックグラウンドでのみ現れ、その関心は薄く、とにかく非常に小さい。より有意な画像改良は図12〜14で見られ、pixon係数0.3、0.5および1.0でのpixon再構成の結果をそれぞれ示す。すべての再構成が雑音およびGibbsリンギングをかなり低減しているが、同じ量ではない。数25〜26の文脈で上記で説明されるように、雑音と平滑化との間のトレードオフが存在し、これは、pixon係数pを用いてユーザが制御することができる。pが大きい程、分解能のいくらかの損失を犠牲にして、雑音をより良く抑える一方で、pが小さい程、高雑音レベルを犠牲にして、より良い分解能を保つ。このトレードオフは、図12〜14で明白であり、結果として生じる分解能のいくらかの損失を伴いながら、pの増加とともに次第に強くなる平滑化を示す。
実施例3:コンピュータ断層撮影法
コンピュータ断層撮影法(CT)は、患者または試験対象物の内部構造は、プロセスにおいて、患者に外科手術を行う必要も、試験対象物に損傷を与える必要もなく検査できるということを活用して、医療および試験工学用の診断および測定方法を提供する。この場合、様々な角度から記録された検査すべき物体の多くの投影が存在し、そこから、物体の3D記述を計算することが可能である。
コンピュータ断層撮影法(CT)は、患者または試験対象物の内部構造は、プロセスにおいて、患者に外科手術を行う必要も、試験対象物に損傷を与える必要もなく検査できるということを活用して、医療および試験工学用の診断および測定方法を提供する。この場合、様々な角度から記録された検査すべき物体の多くの投影が存在し、そこから、物体の3D記述を計算することが可能である。
断層画像は、観測された投影(データ)を画像に変換することによって生成される。例えば、x線CT画像法では、x線ビームは物体に向けられ、物体内の異なる構造のため、ビームは様々な数量によって減衰する。物体の反対側では、減衰したビームが検出器で測定される。そのような投影は、物体の周りで、多くの異なる角度で生成される。これらの測定値が雑音を伴うばかりでなく、相対雑音レベルは減衰量に依存する。骨および特に金属などの高密度物質を通じての投影は、新鮮な水または他の低密度物質を通じての投影よりも低い信号対雑音比を有する。検出された光子の数における大きく空間的な様々な変動への対処には、しばしば、画像を改良するための統計的な平滑化技法が必要とされる。
統計的な画像再構成手法では、物理的モデルおよび統計的モデル(恐らく非線形の)に従って、測定値に最良適合する画像を見出す際に問題を引き起こす。適正な統計的なモデル化は、低雑音画像につながり得、それにより、患者へのX線量の減少を可能にする。
実施例4:放出断層撮影法
放出断層撮影法は、CTで使用されるものと同様の断層撮影技法を使用して、人体の機能的プロセスの3D画像を生成する核医療画像技法である。その違いは、ガンマ放出または陽電子放出放射性同位元素(核種と呼ばれる)が患者の血流に注入されることである。ガンマ放出核種は単一光子を放出し、画像法は、単一光子放出コンピュータ断層撮影法(SPECTまたは時折SPET)として知られる。対照的に、放出たれた陽電子は、人体で電子とともに消滅し、反対方向に移動する2つの光子を形成し、それらは同時に検出される。その画像法は、陽電子放出断層撮影法(PET)として知られる。
放出断層撮影法は、CTで使用されるものと同様の断層撮影技法を使用して、人体の機能的プロセスの3D画像を生成する核医療画像技法である。その違いは、ガンマ放出または陽電子放出放射性同位元素(核種と呼ばれる)が患者の血流に注入されることである。ガンマ放出核種は単一光子を放出し、画像法は、単一光子放出コンピュータ断層撮影法(SPECTまたは時折SPET)として知られる。対照的に、放出たれた陽電子は、人体で電子とともに消滅し、反対方向に移動する2つの光子を形成し、それらは同時に検出される。その画像法は、陽電子放出断層撮影法(PET)として知られる。
大抵の場合、その放射性特性にのみ関心が持たれるマーカー放射性同位元素は、特異的リガンドと結合して放射性リガンドを生み出し、ある種の組織に対するその化学結合特性に関心が持たれる。この結合により、リガンドと放射性同位元素との組合せ(放射性医薬品)を人体の対象部位に運んで結合させることができ、次いで、それにより、リガンド濃度を画像化することができる(同位元素の直接または間接的なガンマ放出のため)。
核スキャンは、CTまたはMRIスキャンと並んでますます読み取られるようになっており、その組合せで、解剖学的情報と代謝情報の両方(すなわち、構造は何か、そして、生物学的に何をするか)が得られる。核画像法は解剖学的画像法と併せて最も有益であるため、現代の核スキャナは、現在、統合型高性能多列検出器CTスキャナまたはより最近ではMRIとともに利用可能である。2つのスキャンは、同じセッションの間、患者が2つのタイプのスキャン間で体位を変えない状態で、立て続けにも、ましてや同時にさえも実行できるため、2セットの画像はより正確に登録され、その結果、核画像上の異常エリアをCTまたはMRI画像上の構造とより完全に相関させることができる。これは、脳以外でよく見られる高頻度の解剖学的変異を有する運動器官または構造の詳細な図を示す際に非常に有益である。
コンピュータ断層撮影法(CT)の再構成とよく似た技法は、3D画像の生成に一般的に使用されるが、核画像法で収集されるデータセットはCTよりもはるかに少ない光子を有し、したがって、再構成技法はより難しい。次いで、Pixon処理を使用して、画像品質の向上および/または患者への注入量の低減を行うことができる。
実施例5:スペクトル分析
スペクトル分析器は、機器の全周波数範囲内の周波数に対する入力信号の大きさを測定する。主な用途は、既知および未知の信号のパワースペクトルを測定することである。スペクトル分析器が測定する入力信号は電気的なものであるが、音圧波および光波などの他の信号のスペクトル組成は、適切なトランスデューサの使用を通じて検討することができる。電気信号のスペクトルを分析することによって、時間領域波形では検出が容易ではない、優位周波数、パワー、歪み、高調波、帯域幅および他の信号のスペクトル成分を観測することができる。これらのパラメータは、無線送信機などの電子デバイスの特性化において有益である。
スペクトル分析器は、機器の全周波数範囲内の周波数に対する入力信号の大きさを測定する。主な用途は、既知および未知の信号のパワースペクトルを測定することである。スペクトル分析器が測定する入力信号は電気的なものであるが、音圧波および光波などの他の信号のスペクトル組成は、適切なトランスデューサの使用を通じて検討することができる。電気信号のスペクトルを分析することによって、時間領域波形では検出が容易ではない、優位周波数、パワー、歪み、高調波、帯域幅および他の信号のスペクトル成分を観測することができる。これらのパラメータは、無線送信機などの電子デバイスの特性化において有益である。
スペクトル分析器タイプは、信号のスペクトルの取得に使用される方法によって決定される。掃引同調スペクトル分析器と高速フーリエ変換(FFT)ベースのスペクトル分析器とがある。掃引同調スペクトル分析器は、スーパーヘテロダイン受信機を使用して、入力信号スペクトルの一部分を帯域通過フィルタの中心周波数に逓降変換する(電圧制御発振器および混合器を使用して)。スーパーヘテロダインアーキテクチャを用いることで、電圧制御発振器は、ある範囲の周波数を掃引し、機器の全周波数範囲の検討を可能にする。FFTスペクトル分析器は、高速フーリエ変換を計算し、それにより、入力信号をその周波数スペクトル成分に変換する。リアルタイムスペクトル分析器などの一部のスペクトル分析器は、ハイブリッド技法を使用し、ハイブリッド技法では、入力信号は、最初に、スーパーヘテロダイン技法を使用してより低い周波数に逓降変換され、次いで、FFT技法を使用して分析される。
これは1Dの例であり、スペクトル(「画像」)は、非局所的なフーリエ変換によって入力データに関連する。pixon法は、引用される他のフーリエの例に類似した様式で、そのようなデータに適用することができる。
参考文献
1.Bhatnagar S,Cornwell TJ.2004.Astron.Astrophys.426:747−754
2.Biemond J,Lagendijk RL,Mersereau RM.1990.Proc.IEEE 78:856−883
3.Candes EJ,Romberg J,Tao T.2004,IEEE Tans.Info.Thry.52:489−509
4.Chaitin GJ.1966.J.Assoc.Comput.Mach.13:547−569
5.Chen S,Donoho D,Saunders MA.1999.SIAM J.Sci.Comp.20:33−61
6.Dempster AP,Laird NM,Rubin DB.1977.J.R.Stat.Soc.B 39:1−38
7.Donoho DL 2006,Com.Pure Appl.Math.59:797−829
8.Donoho DL,Tsaig Y,Drori I,Starck JL.2006.“Sparse Solution of Underdetermined Linear Equations by Stagewise Orthogonal Matching Pursuit”,Stanford Technical Report
9.Fisher RA 1912.Messenger Math.41 :155cl60
10.Fisher RA 1922.Phil.Trans.Roy.Soc.A 222:309−368
11.Fox L,Huskey HD,Wilkinson JH.1948.Quart.J.Mech.Appl.Math.1:149−173
12.Gauss CF 1809.Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium,English translation,1963.Theory of Motion of the Heavenly Bodies (New York:Dover)
13.Gibbs JW.1898.Nature 59:200
14.Gibbs JW.1899.Nature 59:606
15.Golub GH,Van Loan CF.1996.Matrix Computations,3rd ed.(Baltimore:Johns Hopkins University Press)
16.Hesse LO.1876.Vorlesungen ueber Analytische Geometrie des Raumes,Insbesondere ueber Oberflaechen Zweiter Ordnung,(Leipzig:Teubner)
17.Hestenes MR,Stiefel E.1952.J.Res.Nat.Bur.Standards,49:409−436
18.Hudson HM,Larkin RS.1994.IEEE Trans.Med.Imag.13:601−609
19.Kolmogorov AN.1965.Problems Inf.Transm.1:4−7
20.Kwan RKS Evans AC Pike GB 1999.IEEE Trans.Med.Imag.18:1085−97
21.Lange K,Hunter DR,Yang I.2000.J.Comp.Graph.Statist.9:1−59
22.Lucy LB.1974.Astron.J.79:745−54
23.Mighell KJ.1999.Astrophys.J.518:380−393
24.Miller,A 2002,Subset Selection in Regression,第2版(Boca Raton:Chapman & Hall/CRC)
25.Nyquist H 1928.Trans.AIEE 47:617−644
26.Pina RK,Puetter RC.1993.Publ.Astron.Soc.Pac.105:630−637
27.Press WH,Teukolsky SA,Vetterling WT & Flannery BP.2007.Numerical Recipes,3rd ed.,(Cambridge:Cambridge University Press)
28.Puetter RC,Gosnell TR & Yahil A 2005.Annu.Rev.Astron.Astrophys.43:139− 194
29.Puetter RC,Yahil A.1999.Astron.Soc.Pac.Conf.Ser.172:307−316
30.Richardson W.1972.J.Opt.Soc.Am.62:55−59
31.Saad Y.2003.Iterative Methods for Sparse Linear Systems,第2版(Philadelphia:SIAM)
32.Shannon CE.1949.Proc.Institu.Radio Engineers.37:10−21
33.Shepp LA,Vardi Y.1982.IEEE Trans.Med.Imaging 1 :113−22
34.Solomonoff RJ.1964.Inf.Control 7:1−22
35.Tibshirani R 1996.J.R.Statist.Soc.B 58:267−288
36.Tikhonov AN.1963.Soviet Math.4:1035−1038
1.Bhatnagar S,Cornwell TJ.2004.Astron.Astrophys.426:747−754
2.Biemond J,Lagendijk RL,Mersereau RM.1990.Proc.IEEE 78:856−883
3.Candes EJ,Romberg J,Tao T.2004,IEEE Tans.Info.Thry.52:489−509
4.Chaitin GJ.1966.J.Assoc.Comput.Mach.13:547−569
5.Chen S,Donoho D,Saunders MA.1999.SIAM J.Sci.Comp.20:33−61
6.Dempster AP,Laird NM,Rubin DB.1977.J.R.Stat.Soc.B 39:1−38
7.Donoho DL 2006,Com.Pure Appl.Math.59:797−829
8.Donoho DL,Tsaig Y,Drori I,Starck JL.2006.“Sparse Solution of Underdetermined Linear Equations by Stagewise Orthogonal Matching Pursuit”,Stanford Technical Report
9.Fisher RA 1912.Messenger Math.41 :155cl60
10.Fisher RA 1922.Phil.Trans.Roy.Soc.A 222:309−368
11.Fox L,Huskey HD,Wilkinson JH.1948.Quart.J.Mech.Appl.Math.1:149−173
12.Gauss CF 1809.Theoria Motus Corporum Coelestium in sectionibus conicis solem ambientium,English translation,1963.Theory of Motion of the Heavenly Bodies (New York:Dover)
13.Gibbs JW.1898.Nature 59:200
14.Gibbs JW.1899.Nature 59:606
15.Golub GH,Van Loan CF.1996.Matrix Computations,3rd ed.(Baltimore:Johns Hopkins University Press)
16.Hesse LO.1876.Vorlesungen ueber Analytische Geometrie des Raumes,Insbesondere ueber Oberflaechen Zweiter Ordnung,(Leipzig:Teubner)
17.Hestenes MR,Stiefel E.1952.J.Res.Nat.Bur.Standards,49:409−436
18.Hudson HM,Larkin RS.1994.IEEE Trans.Med.Imag.13:601−609
19.Kolmogorov AN.1965.Problems Inf.Transm.1:4−7
20.Kwan RKS Evans AC Pike GB 1999.IEEE Trans.Med.Imag.18:1085−97
21.Lange K,Hunter DR,Yang I.2000.J.Comp.Graph.Statist.9:1−59
22.Lucy LB.1974.Astron.J.79:745−54
23.Mighell KJ.1999.Astrophys.J.518:380−393
24.Miller,A 2002,Subset Selection in Regression,第2版(Boca Raton:Chapman & Hall/CRC)
25.Nyquist H 1928.Trans.AIEE 47:617−644
26.Pina RK,Puetter RC.1993.Publ.Astron.Soc.Pac.105:630−637
27.Press WH,Teukolsky SA,Vetterling WT & Flannery BP.2007.Numerical Recipes,3rd ed.,(Cambridge:Cambridge University Press)
28.Puetter RC,Gosnell TR & Yahil A 2005.Annu.Rev.Astron.Astrophys.43:139− 194
29.Puetter RC,Yahil A.1999.Astron.Soc.Pac.Conf.Ser.172:307−316
30.Richardson W.1972.J.Opt.Soc.Am.62:55−59
31.Saad Y.2003.Iterative Methods for Sparse Linear Systems,第2版(Philadelphia:SIAM)
32.Shannon CE.1949.Proc.Institu.Radio Engineers.37:10−21
33.Shepp LA,Vardi Y.1982.IEEE Trans.Med.Imaging 1 :113−22
34.Solomonoff RJ.1964.Inf.Control 7:1−22
35.Tibshirani R 1996.J.R.Statist.Soc.B 58:267−288
36.Tikhonov AN.1963.Soviet Math.4:1035−1038
Claims (21)
- 物理的なプロセスから得られたデータセットから物体モデルを再構成するための方法において、前記データセットは雑音を含み、前記方法は、
データ空間で定義された前記データセットを受信するステップと、
物体空間に物体モデルを構築するステップであって、前記物体モデルは複数の物体ポイントを含む、ステップと、
物体空間からデータ空間への前記物体モデルの変換を考案してデータモデルをもたらすステップであって、前記変換は、前記物理的なプロセスであってそれにより前記データセットが得られる前記物理的なプロセスに相当する、ステップと、
データモデルと前記データセットとの適合を決定するためにメリット関数を選択するステップと、
前記メリット関数に基づいて、物体空間の前記物体モデルの更新変数を決定するステップと、
複数のpixonカーネルの各々を用いて前記更新変数を畳み込み積分すること、および、
前記入力物体の各物体ポイントに対して、既定の最低基準を満たす最大サイズを有するpixonカーネルを選択すること
によって、前記更新変数を平滑化して、平滑化された更新変数を決定するステップと、
前記選択されたpixonカーネルに対応する各物体ポイントでインデックスを割り当てることによって、pixon写像を生成するステップと、
前記pixon写像内の前記インデックスに基づいて実質的に脱雑音された物体モデルを含む出力を生成するステップと
を含むことを特徴とする方法。 - 請求項1に記載の方法において、前記pixon写像に従って前記選択されたpixonカーネルを用いて各物体ポイントで前記物体モデルを畳み込み積分することによって、前記物体モデルを平滑化するステップをさらに含むことを特徴とする方法。
- 請求項1に記載の方法において、前記メリット関数は、共役勾配法を使用して決定されることを特徴とする方法。
- 請求項3に記載の方法において、前記更新変数は、負勾配であることを特徴とする方法。
- 請求項3に記載の方法において、プレコンディショナを追加するステップをさらに含むことを特徴とする方法。
- 請求項1に記載の方法において、
前記更新変数を反復的に平滑化し、前記平滑化した更新変数に基づいて、前記メリット関数が最適化されるまで、前記pixon写像および前記物体モデルを更新するステップ
をさらに含むことを特徴とする方法。 - 請求項1に記載の方法において、前記更新変数を畳み込み積分する前記ステップの後に、前記更新変数を減じて更新変数の変化を決定するステップをさらに含むことを特徴とする方法。
- 請求項7に記載の方法において、前記既定の最低基準は、前記更新変数の変化の二乗と前記更新変数の分散との比率に基づくことを特徴とする方法。
- 請求項1に記載の方法において、前記データセットは、開口合成法、干渉合成開口レーダ(IfSARまたはInSAR)、合成開口レーダ(SAR)および逆合成開口レーダ(ISAR)、合成開口ソーナー、ビーム形成および合成開口磁気測定からなる群から選択される分析プロセスと併せて生成される干渉法データを含むことを特徴とする方法。
- 請求項1に記載の方法において、前記データセットは、磁気共鳴画像法データを含むことを特徴とする方法。
- 請求項1に記載の方法において、前記データセットは、コンピュータまたは放出断層撮影法データを含むことを特徴とする方法。
- 請求項1に記載の方法において、前記データセットは、スペクトル分析データを含むことを特徴とする方法。
- 請求項1に記載の方法において、前記データセットは、異なる機器からの複数の入力信号を含み、前記脱雑音された物体モデルは、前記入力信号の混合体に相当する単一の出力を含むことを特徴とする方法。
- 上にソフトウェアを含む非一時的なコンピュータ可読媒体において、前記ソフトウェアは、物理的なプロセスから得られたデータセットから物体モデルを再構成するための命令であって、前記データセットは雑音を含む、命令を含み、方法は、
データ空間で定義された前記データセットを受信するステップと、
物体空間に物体モデルを構築するステップであって、前記物体モデルは複数の物体ポイントを含む、ステップと、
物体空間からデータ空間への前記物体モデルの変換を考案してデータモデルをもたらすステップであって、前記変換は前記物理的なプロセスであってそれにより前記データセットが得られる前記物理的なプロセスに相当する、ステップと、
データモデルと前記データセットとの適合を決定するためにメリット関数を選択するステップと、
前記メリット関数に基づいて、物体空間の前記物体モデルの更新変数を決定するステップと、
複数のpixonカーネルの各々を用いて前記更新変数を畳み込み積分すること、および、
前記入力物体の各物体ポイントに対して、既定の最低基準を満たす最大サイズを有するpixonカーネルを選択すること
によって、前記更新変数を平滑化して、平滑化された更新変数を決定するステップと、
選択された前記pixonカーネルに対応する前記入力物体の各物体ポイントでインデックスを割り当てることによって、pixon写像を生成するステップと
を含む非一時的なコンピュータ可読媒体。 - 請求項14に記載の非一時的なコンピュータ可読媒体において、前記pixon写像に従って前記選択されたpixonカーネルを用いて各物体ポイントで前記物体モデルを畳み込み積分することによって、前記物体モデルを平滑化するステップをさらに含むことを特徴とする非一時的なコンピュータ可読媒体。
- 請求項14に記載の非一時的なコンピュータ可読媒体において、前記メリット関数は、共役勾配法を使用して最適化されることを特徴とする非一時的なコンピュータ可読媒体。
- 請求項16に記載の非一時的なコンピュータ可読媒体において、前記更新変数は、負勾配であることを特徴とする非一時的なコンピュータ可読媒体。
- 請求項17に記載の非一時的なコンピュータ可読媒体において、プレコンディショナを追加するステップをさらに含むことを特徴とする非一時的なコンピュータ可読媒体。
- 請求項14に記載の非一時的なコンピュータ可読媒体において、
前記更新変数を反復的に平滑化し、前記反復的に平滑化した更新変数に基づいて、前記メリット関数が最適化されるまで、前記pixon写像および物体モデルを更新するステップ
をさらに含むことを特徴とする非一時的なコンピュータ可読媒体。 - 請求項19に記載の非一時的なコンピュータ可読媒体において、前記更新変数を畳み込み積分する前記ステップの後に、前記更新変数を減じて更新変数の変化を決定するステップをさらに含むことを特徴とする非一時的なコンピュータ可読媒体。
- 請求項20に記載の非一時的なコンピュータ可読媒体において、前記既定の最低基準は、前記更新変数の変化の二乗と前記更新変数の分散との比率に基づくことを特徴とする非一時的なコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161476012P | 2011-04-15 | 2011-04-15 | |
US61/476,012 | 2011-04-15 | ||
PCT/US2012/033852 WO2012142624A1 (en) | 2011-04-15 | 2012-04-16 | Method to determine a pixon map in iterative image reconstruction |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2014520295A true JP2014520295A (ja) | 2014-08-21 |
Family
ID=47006426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014505411A Pending JP2014520295A (ja) | 2011-04-15 | 2012-04-16 | 反復画像再構成においてpixon写像を決定する方法 |
Country Status (13)
Country | Link |
---|---|
US (1) | US8675983B2 (ja) |
EP (1) | EP2697740B1 (ja) |
JP (1) | JP2014520295A (ja) |
KR (1) | KR101453711B1 (ja) |
CN (1) | CN103608825A (ja) |
AU (1) | AU2012242457A1 (ja) |
CA (1) | CA2832990A1 (ja) |
ES (1) | ES2697611T3 (ja) |
HU (1) | HUE040074T2 (ja) |
IL (1) | IL228823A0 (ja) |
RU (1) | RU2532704C1 (ja) |
SG (1) | SG194169A1 (ja) |
WO (1) | WO2012142624A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019519270A (ja) * | 2016-05-03 | 2019-07-11 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ベクトル値画像をノイズ除去する装置及び方法 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977519B2 (en) * | 2010-02-12 | 2015-03-10 | Test Equipment Plus, Inc | Spectrum analyzer using multiple intermediate frequencies and multiple clock configurations for residual, spurious and image signal reduction |
US9660855B2 (en) * | 2012-06-29 | 2017-05-23 | Cable Television Laboratories, Inc. | Orthogonal signal demodulation |
US9383478B2 (en) * | 2013-01-25 | 2016-07-05 | The United States Of America, As Represented By The Secretary Of The Navy | System and method for atmospheric parameter enhancement |
US9406154B2 (en) | 2013-06-14 | 2016-08-02 | General Electric Company | Iterative reconstruction in image formation |
EP3047391B1 (en) | 2013-09-18 | 2023-06-28 | Siemens Medical Solutions USA, Inc. | Method and system for statistical modeling of data using a quadratic likelihood functional |
US9801591B2 (en) * | 2013-11-01 | 2017-10-31 | Lickenbrock Technologies, LLC | Fast iterative algorithm for superresolving computed tomography with missing data |
JP6507512B2 (ja) * | 2014-07-25 | 2019-05-08 | 富士通株式会社 | 推定プログラム、推定方法および推定装置 |
US9727953B2 (en) * | 2015-06-30 | 2017-08-08 | General Electric Company | Method and apparatus for ring artifact repair of magnetic resonance images |
WO2017114473A1 (en) | 2015-12-31 | 2017-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
US10411816B2 (en) * | 2016-11-30 | 2019-09-10 | Rohde & Schwarz Gmbh & Co. Kg | Method for searching a spur in a signal received and device for searching a spur in a signal received |
WO2019060298A1 (en) | 2017-09-19 | 2019-03-28 | Neuroenhancement Lab, LLC | METHOD AND APPARATUS FOR NEURO-ACTIVATION |
CN109660854B (zh) * | 2017-10-10 | 2021-08-24 | 腾讯科技(深圳)有限公司 | 视频推荐方法、装置、设备和存储介质 |
US11717686B2 (en) | 2017-12-04 | 2023-08-08 | Neuroenhancement Lab, LLC | Method and apparatus for neuroenhancement to facilitate learning and performance |
CN109934042A (zh) * | 2017-12-15 | 2019-06-25 | 吉林大学 | 基于卷积神经网络的自适应视频对象行为轨迹分析方法 |
WO2019133997A1 (en) | 2017-12-31 | 2019-07-04 | Neuroenhancement Lab, LLC | System and method for neuroenhancement to enhance emotional response |
KR101894278B1 (ko) * | 2018-01-18 | 2018-09-04 | 주식회사 뷰노 | 일련의 슬라이스 영상을 재구성하는 방법 및 이를 이용한 장치 |
US11364361B2 (en) | 2018-04-20 | 2022-06-21 | Neuroenhancement Lab, LLC | System and method for inducing sleep by transplanting mental states |
KR20210025020A (ko) | 2018-07-02 | 2021-03-08 | 스토워스 인스티튜트 포 메디컬 리서치 | 의사 이미지들을 이용한 얼굴 이미지 인식 |
US10430708B1 (en) * | 2018-08-17 | 2019-10-01 | Aivitae LLC | System and method for noise-based training of a prediction model |
EP3849410A4 (en) | 2018-09-14 | 2022-11-02 | Neuroenhancement Lab, LLC | SLEEP ENHANCEMENT SYSTEM AND METHOD |
CN110320265B (zh) * | 2019-06-18 | 2023-03-03 | 枣庄学院 | 一种提升机钢丝绳断丝检测实验系统及其检测方法 |
CN111047587B (zh) * | 2019-12-27 | 2023-05-02 | 超越科技股份有限公司 | 图像的噪声估计方法、计算机设备和存储介质 |
CN112560916B (zh) * | 2020-12-09 | 2022-11-01 | 甘肃靖远航天风力发电有限公司 | 基于倾角传感器信息的风电塔筒倾覆智能诊断方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5912993A (en) | 1993-06-08 | 1999-06-15 | Regents Of The University Of Calif. | Signal encoding and reconstruction using pixons |
US6353688B1 (en) | 1993-06-08 | 2002-03-05 | The Regents Of The University Of California | Accelerated signal encoding and reconstruction using pixon method |
US6993204B1 (en) * | 2002-01-04 | 2006-01-31 | Pixon Llc | High speed signal enhancement using pixons |
US20050104773A1 (en) | 2003-11-17 | 2005-05-19 | Clarke Christopher J.M. | Mobile radiation surveillance network |
EP2025145A4 (en) | 2006-05-24 | 2009-12-23 | Imagerecon Llc | CULTIVATING FILTERS FOR THE DESTRUCTION AND CONTROLLED SCRIMPTION OF PICTURES |
KR20100016272A (ko) * | 2007-04-25 | 2010-02-12 | 픽슨 이매징 엘엘씨 | Pixon 방법을 사용한 이미지 압축 및 압축 해제 |
US8184876B2 (en) * | 2007-04-25 | 2012-05-22 | Siemens Medical Solutions Usa, Inc. | NNLS image reconstruction |
US8014580B2 (en) | 2007-10-31 | 2011-09-06 | Siemens Medical Solution Usa, Inc. | Determining a pixon map for image reconstruction |
US8090179B2 (en) | 2007-10-31 | 2012-01-03 | Siemens Medical Solutions Usa, Inc. | External pixon smoothing for tomographic image reconstruction technical field |
US8103487B2 (en) * | 2007-10-31 | 2012-01-24 | Siemens Medical Solutions Usa, Inc. | Controlling the number of iterations in image reconstruction |
US8086011B2 (en) | 2007-10-31 | 2011-12-27 | Siemens Medical Solutions Usa, Inc. | Reconstructing a tomographic image |
US8058601B2 (en) | 2008-07-16 | 2011-11-15 | Siemens Medical Solutions Usa, Inc. | Determining a multimodal pixon map for tomographic-image reconstruction |
US8160340B2 (en) * | 2008-09-04 | 2012-04-17 | Siemens Medical Solutions Usa, Inc. | Reconstructing a tomographic image |
US8369313B2 (en) * | 2008-12-17 | 2013-02-05 | At&T Intellectual Property I, L.P. | IMS and method of multiple S-CSCF operation in support of single PUID |
US8058625B2 (en) | 2009-06-04 | 2011-11-15 | Siemens Medical Solutions Usa, Inc. | Limiting viewing angles in nuclear imaging |
US7928727B2 (en) | 2009-06-04 | 2011-04-19 | Siemens Medical Solutions Usa, Inc. | Adapting acquisition time in nuclear imaging |
-
2012
- 2012-04-16 WO PCT/US2012/033852 patent/WO2012142624A1/en active Application Filing
- 2012-04-16 RU RU2013150550/08A patent/RU2532704C1/ru not_active IP Right Cessation
- 2012-04-16 HU HUE12770973A patent/HUE040074T2/hu unknown
- 2012-04-16 JP JP2014505411A patent/JP2014520295A/ja active Pending
- 2012-04-16 CN CN201280025138.6A patent/CN103608825A/zh active Pending
- 2012-04-16 ES ES12770973T patent/ES2697611T3/es active Active
- 2012-04-16 US US13/448,363 patent/US8675983B2/en active Active
- 2012-04-16 CA CA2832990A patent/CA2832990A1/en not_active Abandoned
- 2012-04-16 AU AU2012242457A patent/AU2012242457A1/en not_active Abandoned
- 2012-04-16 SG SG2013075890A patent/SG194169A1/en unknown
- 2012-04-16 EP EP12770973.1A patent/EP2697740B1/en active Active
- 2012-04-16 KR KR1020137029753A patent/KR101453711B1/ko not_active IP Right Cessation
-
2013
- 2013-10-10 IL IL228823A patent/IL228823A0/en unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019519270A (ja) * | 2016-05-03 | 2019-07-11 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | ベクトル値画像をノイズ除去する装置及び方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20140024890A (ko) | 2014-03-03 |
KR101453711B1 (ko) | 2014-10-22 |
RU2532704C1 (ru) | 2014-11-10 |
CN103608825A (zh) | 2014-02-26 |
SG194169A1 (en) | 2013-11-29 |
AU2012242457A1 (en) | 2013-11-28 |
EP2697740A4 (en) | 2014-11-05 |
EP2697740B1 (en) | 2018-08-15 |
WO2012142624A1 (en) | 2012-10-18 |
EP2697740A1 (en) | 2014-02-19 |
CA2832990A1 (en) | 2012-10-18 |
HUE040074T2 (hu) | 2019-02-28 |
IL228823A0 (en) | 2013-12-31 |
US20120263393A1 (en) | 2012-10-18 |
US8675983B2 (en) | 2014-03-18 |
ES2697611T3 (es) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8675983B2 (en) | Method to determine a pixon map in iterative image reconstruction and spectral analysis | |
US9189871B2 (en) | Image reconstruction from limited or incomplete data | |
US8058601B2 (en) | Determining a multimodal pixon map for tomographic-image reconstruction | |
US11257191B2 (en) | Systems and methods for deblurring medical images using deep neural network | |
US8879852B2 (en) | Non-contrast-enhanced 4D MRA using compressed sensing reconstruction | |
CN113436290A (zh) | 用于使用深度神经网络从图像中选择性地去除条纹伪影和噪声的方法和系统 | |
Sudarshan et al. | Joint PET-MRI image reconstruction using a patch-based joint-dictionary prior | |
Nilchian et al. | Optimized Kaiser–Bessel window functions for computed tomography | |
US8184876B2 (en) | NNLS image reconstruction | |
Michailovich et al. | Deconvolution of medical images from microscopic to whole body images | |
Burger et al. | Inverse problems in imaging | |
Huerga et al. | Denoising of PET images by context modelling using local neighbourhood correlation | |
Malczewski | Super-Resolution with compressively sensed MR/PET signals at its input | |
Wang et al. | Quantitative evaluation of temporal regularizers in compressed sensing dynamic contrast enhanced MRI of the breast | |
Chandra et al. | Chaotic sensing | |
Okamoto et al. | Patch-based artifact reduction for three-dimensional volume projection data of sparse-view micro-computed tomography | |
Ding et al. | Dynamic SPECT reconstruction from few projections: a sparsity enforced matrix factorization approach | |
Baker | Investigation of sparsifying transforms in compressed sensing for magnetic resonance imaging with FastTestCS | |
Dolui | Variable splitting as a key to efficient image reconstruction | |
Gunjan et al. | Computational methods in molecular imaging technologies | |
Cho | Improving statistical image reconstruction for cardiac X-ray computed tomography | |
Bayford | Application of constrained optimisation techniques in electrical impedance tomography | |
Adhikari | Nonconvex sparse recovery methods | |
Jakhete et al. | Survey of Image De-Noising on Square Structure and Hexagonal Structure | |
Crozier | Chaotic Sensing |