JP2018503436A - 反相関ノイズフィルタ - Google Patents
反相関ノイズフィルタ Download PDFInfo
- Publication number
- JP2018503436A JP2018503436A JP2017533564A JP2017533564A JP2018503436A JP 2018503436 A JP2018503436 A JP 2018503436A JP 2017533564 A JP2017533564 A JP 2017533564A JP 2017533564 A JP2017533564 A JP 2017533564A JP 2018503436 A JP2018503436 A JP 2018503436A
- Authority
- JP
- Japan
- Prior art keywords
- outside
- image
- noise
- filtered
- filter
- 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.)
- Withdrawn
Links
Images
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/408—Dual energy
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Measurement Of Radiation (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
画像化システム(100)は、第1の部分(116)と第2の部分(118)とからノイズを同時にフィルタリングするように構成され、第1の部分(116)と第2の部分(118)とは反相関ノイズを含む、反相関ノイズフィルタ(120)を有する。
Description
以下の説明は概して、画像データのフィルタリングに関し、スペクトルコンピュータ断層撮影法(CT)に具体的に応用することができるが、他のイメージング処理システムにも適用可能である。
コンピュータ断層撮影(CT)スキャナは、放射線を放射するX線管を含む。放射された放射線は、被検者または対象物がある検査領域を通り、X線管の反対側の検出器アレイによって検出される。検出器アレイは、検査領域およびその中に位置する被検者を通る放射線を検出し、生の検出器データなどの投影データまたは投影画像を生成する。再構成器は、投影データを処理し、被験者または対象物のボリューム画像を再構成する。
スペクトルCTスキャナは、高エネルギースペクトルおよび低エネルギースペクトルのX線を放出する少なくとも1つのX線管を含む。このX線は、生成される投影データにおいて被験者または対象物の異なる構造およびスペクトル特性を引き出す。すなわち、使用されるエネルギーに応じて、被検者または対象物の物質が減衰する。
フィルタを使用して、投影データおよび/または再構成画像のノイズを低減または抑制することができる。投影データ(例えば投影空間)のノイズ、又は再構成画像又は画像データ(例えば、画像空間)のノイズを低減することにより、画像の画質を改善することができ、例えば、被験者または対象物の構造および/またはスペクトル特性がより見やすくなる。フィルタリングは、ノイズをフィルタリングしながら画像の特性を変更することもでき、一般的に、特性を保存するためのパラメータまたは制約を含む。フィルタは、各画像またはデータに対して独立して動作する。特に困難なのは、実際の構造のような低周波に存在する対象物または被験者の特性を保存しつつ、低周波ノイズをフィルタリングすることである。
ノイズは、データを取得するために使用されるデバイスによって生じる。例えば、X線放射を検出し、投影データを生成するために使用されるイメージングデバイスまたはスキャナは、ノイズを生じる。ノイズは、データの処理においても生じることがある。基礎的分解処理は、投影データおよび/または画像データを、スペクトルまたはエネルギー依存成分または基本材料(basic material)に分割または分割する。分解されたスペクトルCT投影または画像データの例には、光電吸収およびコンプトン散乱成分、水およびヨウ素成分、水およびカルシウム成分、アセタールホモポリマー樹脂(例えば、Delrin(登録商標))およびスズ成分、および/または他の成分(単なるペアではなく、3つ以上の基本材料を含むもの)が含まれる。分解プロセスは、反相関ノイズ(anti−correlated noise)として知られるペアのノイズを生じる。反相関ノイズは、共通画像または共通投影データセットから得られた2つの画像または2つの投影データセットの間に生じる。反相関ノイズは、画像ペアまたはデータセットペアの間で負の相関があり、ペアが結合されると、ノイズはキャンセルされるか存在しなくなる。言い換えると、各画像またはデータセットに生じるノイズは、大きさが同じであり、符号が異なる。
ここに説明する態様は、上記の問題等を解決する。
以下では、スペクトル投影データセットまたは画像データセットから反相関ノイズをフィルタリングするアプローチを説明する。このアプローチでは、反復アルゴリズムを使用して、データセットを同時に処理して、投影データセットまたは画像データセットのそれぞれにおける反相関ノイズを低減または抑制しつつ、構造および/またはスペクトルの側面を保存する。このアプローチは、他のフィルタリングまたは画像処理を含むことができる。一例では、アプローチは投影データセットをフィルタリングする。他の一例では、アプローチは画像データセットをフィルタリングする。
一態様では、画像化システムは、第1の部分と第2の部分とから反相関ノイズを同時にフィルタリングするように構成され、前記第1の部分と第2の部分とは反相関ノイズを含む、反相関ノイズフィルタを有する。
他の一態様では、画像データをフィルタリングする方法は、第1の部分と第2の部分とからノイズを同時にフィルタリングするステップであって、前記第1の部分と第2の部分とは反相関ノイズを含む、ステップを含む。
他の一態様では、プロセッサにより実行された時に、前記プロセッサに、第1の部分と第2の部分とからノイズを同時にフィルタリングすることであって、前記第1の部分と第2の部分とは反相関ノイズを含み、ことをさせるコンピュータ読み取り可能命令をエンコードされた非一時的コンピュータ読み取り可能媒体である。前記フィルタは、次の関数のうち少なくとも1つによって反復的に動作する:
[外1]
ここで、R(p)およびR(s)はそれぞれ、pとsそれぞれの粗さペナルティーであり、u0は、相関ノイズが最初に分解された部分p0及びs0と最大限に相殺する画像ボリュームであり、例えば、u0=p0+s0であり、p及びsは、フィルタされた画像ボリュームであり、λu、λp及びλsは、加重である、または、
1.sとpはそれぞれs0とp0から負の相関をしている推定ノイズを除去することにより得られる、
2.モノクローム画像
[外2]
は変更されない、及び
3.帯域周波数の外側の画像周波数は変更されない、
との制約の下で、
[外3]
ここで、R(p)およびR(s)はそれぞれ、pおよびsの粗さペナルティー又は正規化項であり、
[外4]
は、keV単位のエネルギーレベルパラメータであり、αはアルゴリズム制御パラメータである、又は、
[外5]
ここで、
[外6]
[外7]
[外8]
[外9]
[外10]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1及びλ2は加重であり、
[外11]
は推定された反相関ノイズ画像であり、Aは搬送間ノイズ画像の事前推定であり、
[外12]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである、又は、
[外13]
ここで、
[外14]
[外15]
[外16]
[外17]
[外18]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1、λ2及びλ3は加重であり、
[外19]
は推定された反相関ノイズ画像であり、Aは反相関ノイズ画像の事前推定であり、
[外20]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータであり、nは推定ノイズマップであり、
[外21]
であり、ここで、σ(x)は画像xのローカル標準偏差である。
[外1]
ここで、R(p)およびR(s)はそれぞれ、pとsそれぞれの粗さペナルティーであり、u0は、相関ノイズが最初に分解された部分p0及びs0と最大限に相殺する画像ボリュームであり、例えば、u0=p0+s0であり、p及びsは、フィルタされた画像ボリュームであり、λu、λp及びλsは、加重である、または、
1.sとpはそれぞれs0とp0から負の相関をしている推定ノイズを除去することにより得られる、
2.モノクローム画像
[外2]
は変更されない、及び
3.帯域周波数の外側の画像周波数は変更されない、
との制約の下で、
[外3]
ここで、R(p)およびR(s)はそれぞれ、pおよびsの粗さペナルティー又は正規化項であり、
[外4]
は、keV単位のエネルギーレベルパラメータであり、αはアルゴリズム制御パラメータである、又は、
[外5]
ここで、
[外6]
[外7]
[外8]
[外9]
[外10]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1及びλ2は加重であり、
[外11]
は推定された反相関ノイズ画像であり、Aは搬送間ノイズ画像の事前推定であり、
[外12]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである、又は、
[外13]
ここで、
[外14]
[外15]
[外16]
[外17]
[外18]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1、λ2及びλ3は加重であり、
[外19]
は推定された反相関ノイズ画像であり、Aは反相関ノイズ画像の事前推定であり、
[外20]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータであり、nは推定ノイズマップであり、
[外21]
であり、ここで、σ(x)は画像xのローカル標準偏差である。
本発明は、様々なコンポーネントとその構成、及び様々なステップとその構成の形を取る。図面は好ましい実施形態を例示することのみを目的とし、本発明を限定するものと解してはならない。
反相関ノイズフィルタを備えた例示的なコンピューティングシステムを示す概略図である。
反相関ノイズフィルタおよび第1のアルゴリズムによるスペクトルデータ操作およびフィルタリングの例を示す概略図である。
反相関ノイズフィルタおよび第2のアルゴリズムによるスペクトルデータ操作およびフィルタリングの例を示す概略図である。
画像ペアにおいて反相関ノイズをフィルタリングする方法を示すフローチャートである。
投影データセットペアにおいて反相関ノイズをフィルタリングする方法を示すフローチャートである。
最初に図1を参照する。イメージングシステム100、コンピュータ断層撮影(CT)スキャナ102のようなイメージングスキャナーを含む。スキャナは、反相関部分に分解される投影データおよび/または画像を生成するように構成される。スキャナ102は、X線管のような1つ以上の放射線源104を含み、これは検査領域106を通る放射線を放射する。一例では、放射線源104の平均またはピーク放射電圧は、2つ以上の放射電圧(例えば、80および140kVp、100および120kVpなど)のうちの間で切り替えられる。別の変形例では、放射線源104は、単一の広域スペクトルX線管を含む。
放射線源104に対向する検出器アレイ108は、検査領域106を通る放射された放射線を検出し、検査領域106における対象物または被験者を示す投影データ110を生成する。放射線源電圧が少なくとも2つの放射電圧の間で切り替えられ、及び/又は2つ以上のX線管が2つの異なる放射電圧で放射線を放射する場合、検出器アレイ108は、放射線源電圧のそれぞれについての投影データ110を生成する。単一の広域スペクトルX線管の場合、検出器アレイ108は、スペクトル投影データ110を生成するエネルギー分解検出器(例えば、多層、光子計数器など)を含む。
投影データ110は、投影画像、サイノグラムなどとして表すことができる。投影データ110は、ファイルおよび/またはデータセット組織、データベース組織、オブジェクトおよび/または要素定義などのデータ組織(data organization)を含むことができる。投影データ110は、コンピュータメモリ、ローカルメモリ、サーバメモリ、クラウドストレージ、サーバストレージ、ローカルストレージ、ソリッドステートストレージ、フラッシュストレージなどのランダムアクセスメモリに格納することができる。1つの例では、投影データ110は、画像保管通信システム(PACS)112、放射線情報システム(RIS)、病院情報システム(HIS)、電子医療記録(EMR)またはシステム100に通信可能に接続された他のシステム又はデバイスに格納される。
分解ユニット114は、投影データを、少なくともデータセットまたはデータ構造のペアなどの第1の部分116および第2の部分118に分解する。各部分はノイズを含み、これは他の部分のノイズと反相関(anti−correlated)している。例えば、分解ユニット114は、スペクトル投影データを、光電及びコンプトン散乱成分、水及びヨウ素成分、水及びカルシウム成分、又はアセタールホモポリマー樹脂(例えば、Delrin(登録商標))及びスズ成分、および/または他の基本材料セットを含む。
反相関ノイズフィルタ120は、第1の部分116と第2の部分118を共に処理(jointly processes)する。反相関ノイズフィルタ120は、第1の部分116と第2の部分118を繰り返しフィルタリングする。反相関ノイズフィルタ120は、2つの投影データセット又は画像データセットを入力として受け取り、2つの反相関ノイズフィルタリングされた投影データセットまたは画像データセットを出力する。反復は、所定の反復回数、所定の経過時間、入力ペアと出力ペアとの間の差が所定の差を満たすこと、それらの組み合わせなどの停止基準に達するまで実行することができる。以下でより詳細に説明するように、反相関ノイズフィルタ120は、第1のアルゴリズムの機能または第2のアルゴリズムの機能に従って、同時フィルタリング(jointly filters)する。これにより反相関ノイズを最小化する。この機能は、出力投影データセットまたは画像データセット内の反相関ノイズをフィルタリングする1つまたは複数の方法によって実現される。
再構成器122は、フィルタリングされた第1の部分116および第2の部分118を、それぞれ画像および/または合成画像に再構成する。一例では、再構成器122は、フィルタリングされた第1の部分116およびフィルタリングされた第2の部分118のそれぞれを別々の画像に再構成する。別々の画像を合成して、表示装置124に表示される合成画像を形成することができる。別の例では、フィルタリングされた第1の部分116およびフィルタリングされた第2の部分118は、投影空間で合成され、1つの画像として再構成される。この画像は、表示装置124に表示および/またはPACS112などに格納される。
一例において、再構成器122は、第1の部分116および第2の部分118を例えば、投影空間から画像に(例えば、画像空間に)再構成する。反相関ノイズフィルタ120は、再構成された第1の部分116および再構成された第2の部分118の再構成画像を同時フィルタリング(jointly filters)する。フィルタリングされ再構成された第1の部分116およびフィルタリングされ再構成された第2の部分118は、1つの画像に合成でき、さもなければ操作される。合成された画像は、表示装置124に表示されるか、及び/又はPACS112に記憶される。
分解ユニット114、反相関ノイズフィルタ120および再構成器122は、電子的データプロセッサ、マイクロプロセッサ、デジタルプロセッサ、光学プロセッサなどのようなデータプロセッサ126であって、非一時的なコンピュータ可読記憶媒体またはコンピュータ可読メモリに格納されたコンピュータ可読命令(例えば、ソフトウェア)を実行するように構成されたものによって適切に具現化される。
プロセッサ126は、搬送波、信号または他の一時的媒体によって搬送されるコンピュータ可読命令を実行して、開示された技術を実行することもできる。プロセッサ126は、キーボード、マウス、タッチスクリーン、マイクロフォンなどのような1つ以上の入力装置128によりパラメータを受け取ることができる。プロセッサ126、表示装置124および入力装置128は、デスクトップコンピュータ、ラップトップ、スマートフォン、身体装着型装置、サーバおよび通信可能に接続されたピアまたはクライアントコンピュータなどの分散接続されたコンピューティング装置などのコンピューティング装置130を含み得る。
図2を参照する。反相関ノイズフィルタおよび第1のアルゴリズムによるスペクトルデータ200の操作およびフィルタリングの一例が概略的に示されている。スペクトルデータ200は、投影データ110または再構成画像データのいずれかを含むことができる。分解ユニット114は、スペクトルデータ200を、コンプトン散乱または散乱のような第1の部分116と、光電または写真のような第2の部分118とに分解する。
構造伝搬(SP)フィルタ202を使用して、分解された部分を個別に最初にフィルタリングすることができる。SPフィルタ202は、合成画像200のエッジまたは重み付けされた組み合わせに関する情報を使用するバイラテラルフィルタであってもよい。出力は、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206である。変形例では、SPフィルタ202は省略される。
反相関ノイズフィルタ120は、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206を、反復的にフィルタリングする。一例では、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206は、第1の部分116および第2の部分118であり、例えば、SPフィルタ202は使用されていない。反相関ノイズフィルタ120は、第1のアルゴリズムにおける最小化関数を使用して、合成された投影データまたは画像ボリュームから、分解された画像ボリュームペアs0 204およびp0 206を反復的にフィルタリングする。例示的な最小化関数を数1に示す:
式1
ここで、R(p)およびR(s)は、pとsそれぞれの粗さペナルティーまたは正規化項であり、u0は、それぞれ相関ノイズが最初に分解された部分p0とs0と最大限に相殺する画像ボリュームであり、例えば、u0=p0+s0であり、pとsは、フィルタされた画像ボリュームであり、λu、λp及びλsは、重みである。一例では、粗さペナルティーは、R(p)=∫hδ(∇p)などのHuberペナルティーを含み、ここで、
[外22]
であり、δはHuberパラメータである。R(s)は、同様に構成される。別の例では、R(p)は、R(p)=∫|∇p|などの総変動ペナルティーである。この制約λu(p+s−u0)は、元の最小雑音(和)画像ボリュームu0においてエッジが維持されることを保証する一方で、制約λp(p−p0)とλs(s−s0)は、および画像ボリュームpとs間のクロストークの量を低減する。ラムダによって提供される重みを調整して、スムージングとエッジ保存との間の異なるトレードオフを提供することができ、画像ボリュームごとに変化することができる。最初の画像ボリュームp0とs0内のノイズが完全に反相関していない場合、画像ボリュームは、両部分をb1p0とb2s0のようにスケーリングすることによって、バランスさせることができる。ここで、b1とb2はスケーリングファクタであり、反相関ノイズが合計u0=b1p0+b2s0において完全に打ち消されるように取られる。
[外22]
であり、δはHuberパラメータである。R(s)は、同様に構成される。別の例では、R(p)は、R(p)=∫|∇p|などの総変動ペナルティーである。この制約λu(p+s−u0)は、元の最小雑音(和)画像ボリュームu0においてエッジが維持されることを保証する一方で、制約λp(p−p0)とλs(s−s0)は、および画像ボリュームpとs間のクロストークの量を低減する。ラムダによって提供される重みを調整して、スムージングとエッジ保存との間の異なるトレードオフを提供することができ、画像ボリュームごとに変化することができる。最初の画像ボリュームp0とs0内のノイズが完全に反相関していない場合、画像ボリュームは、両部分をb1p0とb2s0のようにスケーリングすることによって、バランスさせることができる。ここで、b1とb2はスケーリングファクタであり、反相関ノイズが合計u0=b1p0+b2s0において完全に打ち消されるように取られる。
数1の最小化関数は、式2および式3に示す反復更新関数によって実現することができる。
式3
ここで、λu、λp及びλsは加重であり、u0は初期合成画像又は投影データであり、p0とs0は初期入力画像又は投影データであり、pnとsnはn回目の反復の現在値であり、pn+1とsn+1は次の反復のフィルタリングされた投影データ又は画像であり、Dは{E(ast),W(est),S(outh),N(orth),U(p)、および(d)O(wn))}の各直交方向の集合を含み、i、j、kは、投影空間ボリュームにおける画像または位置における現在ボクセルを表し、δはHuberパラメータである。E(東)のような、各方向に対するsの加重σ、およびpの加重φは、式4および式5によって与えられる。
式5
ここで、sとpは対応する現在ボクセル、例えば
[外23]
と
[外24]
であり、下付き文字E、N、NE、S、SE、U、EU、O、EOは現在ボクセルまたはピクセルのそれぞれ東、北、北東、南、南東、上、東上、下、または東下のボクセル又はピクセルを指し、例えば、直交する隣接ボクセルのうちのボクセル、例えば、E、N、S、U、およびO(これは反対でもなく西でもない)、および現在ボクセルの東にある2つの追加のボクセルは、NEとSEのように、直交していなくて同じ方向にあり、dxは画像ボリュームにおける北/南方向におけるボクセル距離であり、dyは画像ボリュームにおける東/西方向におけるボクセル距離であり、dzは画像ボリュームにおける上/下方向におけるボクセル距離である。加重は残りの各方向に対して同様に求められる。各方向D∈(E,W,N,S,U,O)において、加重σD,1とφD,1は調整され
[外25]
と
[外26]
となり、更新の式2と式3において用いられる。ここで、dS,dN=dx、dE,dW=dy、及びdU,dO=dzである。
[外23]
と
[外24]
であり、下付き文字E、N、NE、S、SE、U、EU、O、EOは現在ボクセルまたはピクセルのそれぞれ東、北、北東、南、南東、上、東上、下、または東下のボクセル又はピクセルを指し、例えば、直交する隣接ボクセルのうちのボクセル、例えば、E、N、S、U、およびO(これは反対でもなく西でもない)、および現在ボクセルの東にある2つの追加のボクセルは、NEとSEのように、直交していなくて同じ方向にあり、dxは画像ボリュームにおける北/南方向におけるボクセル距離であり、dyは画像ボリュームにおける東/西方向におけるボクセル距離であり、dzは画像ボリュームにおける上/下方向におけるボクセル距離である。加重は残りの各方向に対して同様に求められる。各方向D∈(E,W,N,S,U,O)において、加重σD,1とφD,1は調整され
[外25]
と
[外26]
となり、更新の式2と式3において用いられる。ここで、dS,dN=dx、dE,dW=dy、及びdU,dO=dzである。
各反復の出力は、反相関ノイズフィルタリングされた第1の部分208と、反相関された第2の部分210であり、例えばsn+1及びpn+1投影データまたは画像ボリュームである。出力は次の反復で入力として使用される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、投影データとして、別々の画像に再構成され、その後、反相関フィルタリング画像212として合成される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、再構成画像として、反相関フィルタリング画像212として合成されることもできる。
図3を参照する。反相関ノイズフィルタ120および第2のアルゴリズムによるスペクトルデータの操作およびフィルタリングの一例が概略的に示されている。スペクトルデータ200は、投影データ110または画像データのいずれかを含むことができる。分解ユニット114は、スペクトルデータ200を、コンプトン散乱または散乱のような第1の部分116と、光電または写真のような第2の部分118とに分解する。
ノイズ除去(denoising)構造伝搬(SP)フィルタ202を使用して、分解された部分を個別に最初にフィルタリングすることができる。1つの例では、SPフィルタは省略される。出力は、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206である。反相関ノイズフィルタ120は、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206を、反復的にフィルタリングする。一例では、最初にフィルタリングされた第1の部分204および最初にフィルタリングされた第2の部分206は、第1の部分116および第2の部分118であり、例えば、SPフィルタ202は使用されていない。反相関ノイズフィルタ120は、第2のアルゴリズムにおける最小化関数を使用して、合成された投影データまたは画像から、分解された画像ペアs0 204およびp0 206を反復的にフィルタリングする。第2のアルゴリズムの制約された最小化関数の例を式6に示す。
式6
1.sとpはそれぞれs0とp0から負の相関をしている推定ノイズを除去することにより得られる、
2.モノクローム画像は変更されない、及び
3.帯域周波数の外側の画像周波数は変更されない
との制約の下で、
ここで、R(p)およびR(s)はそれぞれpおよびsの粗さペナルティー項または規格化項であり、例えば、R(x)=∫|∇x|であり、
[外27]
はkeV単位のエネルギーレベルパラメータであり、αは、0.5に等しいなどのデフォルト値を有するアルゴリズム制御パラメータである。
1.sとpはそれぞれs0とp0から負の相関をしている推定ノイズを除去することにより得られる、
2.モノクローム画像は変更されない、及び
3.帯域周波数の外側の画像周波数は変更されない
との制約の下で、
[外27]
はkeV単位のエネルギーレベルパラメータであり、αは、0.5に等しいなどのデフォルト値を有するアルゴリズム制御パラメータである。
エネルギー
[外28]
を有する仮想モノクローム画像または投影データが変化しないという条件によって制約される最小化。エネルギー
[外29]
300は、その反相関ノイズが最小になるように選択される。一例では、
[外30]
は式7により定義される。
[外28]
を有する仮想モノクローム画像または投影データが変化しないという条件によって制約される最小化。エネルギー
[外29]
300は、その反相関ノイズが最小になるように選択される。一例では、
[外30]
は式7により定義される。
別の例では、スペクトル仮想モノクローム画像
[外31]
は、−200HUのような所定の閾値を用いて合成スペクトルデータ200の選択領域を定義することによって検出される。結合されたスペクトルデータ200のサイズneの近傍について、ローカル標準偏差が計算される。選択領域に位置するr個の最小ローカル標準偏差の集合qが作成され、
[外32]
の例が式8で定義される。
[外31]
は、−200HUのような所定の閾値を用いて合成スペクトルデータ200の選択領域を定義することによって検出される。結合されたスペクトルデータ200のサイズneの近傍について、ローカル標準偏差が計算される。選択領域に位置するr個の最小ローカル標準偏差の集合qが作成され、
[外32]
の例が式8で定義される。
式(6)の最小化関数は、周波数帯域内でのみ画像周波数を処理するように制約されている。これは、以下のようにして得られる:入力pおよび画像sは、倍率dでダウンスケーリングされる(down scaled by a factor of d)。dの範囲は(0,1]であり、1はスケーリングなし、0.5は倍率2によるスケーリング、0.25は倍率4によるスケーリングなどである。画像のスケールダウンにより、ピクセルは平均及び/又は補間により結合される。例えば、遅れ拡散率固定小数点反復アルゴリズムを使用して、以下の最適化、すなわち式9が実行される。
式9
ここで、αはアルゴリズム制御パラメータであり、Rは粗さペナルティーまたは正規化項であり、
[外33]
と
[外34]
はそれぞれダウンスケールされた画像sdとpdの係数であり、これによりアルゴリズムはエネルギー
[外35]
keVのモノクローム画像を取得し、dは縮小率(downscaling factor)であり、
[外36]
は反相関ノイズ画像の推定値である。ノイズ除去されダウンスケーリングされたsおよびp画像は、式10および式11で定義される。
[外33]
と
[外34]
はそれぞれダウンスケールされた画像sdとpdの係数であり、これによりアルゴリズムはエネルギー
[外35]
keVのモノクローム画像を取得し、dは縮小率(downscaling factor)であり、
[外36]
は反相関ノイズ画像の推定値である。ノイズ除去されダウンスケーリングされたsおよびp画像は、式10および式11で定義される。
式12
ノイズ除去されダウンスケーリングされたモノクローム画像は、スケールアップされ、出力画像
[外38]
と
[外39]
を生成する。このとき、周波数帯域内の画像周波数のみが処理される。ノイズ除去されダウンスケーリングされたモノクローム画像をアップスケーリングする例を、式13−16に示す:
[外38]
と
[外39]
を生成する。このとき、周波数帯域内の画像周波数のみが処理される。ノイズ除去されダウンスケーリングされたモノクローム画像をアップスケーリングする例を、式13−16に示す:
式15と式16
及び
ここで、uは、u=1/16などのスケーリングファクタパラメータ(scale factor parameter)である。演算子su=ScaleUp(s,u)は、画像sの1/u倍のサイズである画像suを返し、演算子sd=ScaleDown(s,d)は、画像sのd倍のサイズである画像sdを返す。留意点として、stとptは画像の高周波が保存される中間結果を表し、すなわち画像の高周波stとptは、入力画像sとpの高周波および画像の高周波にそれぞれ非常に類似する。
各反復の出力は、反相関ノイズフィルタリングされた第1の部分208と、反相関された第2の部分210であり、例えば
[外40]
及び
[外41]
投影データまたは画像である。出力は次の反復で入力として使用される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、投影データとして、別々の画像に再構成され、その後、反相関フィルタリング画像212として合成される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、再構成画像として、反相関フィルタリング画像212として合成されることもできる。別の例では、フィルタは、以下の2つの汎関数(functionals)の最小化を含む。
[外40]
及び
[外41]
投影データまたは画像である。出力は次の反復で入力として使用される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、投影データとして、別々の画像に再構成され、その後、反相関フィルタリング画像212として合成される。反相関ノイズフィルタリングされた第1の部分208および反相関された第2の部分210は、再構成画像として、反相関フィルタリング画像212として合成されることもできる。別の例では、フィルタは、以下の2つの汎関数(functionals)の最小化を含む。
式17と式18
及び
ここで、R(・)は粗さペナルティーまたは正規化項であり、λ1とλ2は重みであり、
[外42]
は推定された反相関ノイズ画像であり、
[外43]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである。式17は、例えば、式19による遅れ拡散率固定点反復アルゴリズム(lagged diffusivity fixed point iteration algorithm)を用いて、画像p0およびs0に適用される。
[外42]
は推定された反相関ノイズ画像であり、
[外43]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである。式17は、例えば、式19による遅れ拡散率固定点反復アルゴリズム(lagged diffusivity fixed point iteration algorithm)を用いて、画像p0およびs0に適用される。
式19
式18は、例えば、式20による遅れ拡散率固定点反復アルゴリズム(lagged diffusivity fixed point iteration algorithm)を用いて、画像p0およびs0に適用される。
第3のアルゴリズムは、推定されたノイズマップを使用し、式22で定義されるような最小化関数で反相関ノイズをフィルタリングする。推定ノイズマップnの推定は、モンテカルロ推定などのノイズモデリング法を用いて、WunderlichおよびNooによる「Image Covariance and Lesion Detectability in Direct Fan−Beam X−Ray Computed Tomorgraph」のような分析方法により、または例えば米国特許第8,938,110号に記載されている直接抽出法により行われる。
式22
ここで、
[外49]
は推定された反相関ノイズ画像であり、
[外50]
と
[外51]
はそれぞれノイズ除去された写真画像と散乱画像であり、p0とs0はそれぞれ初期の又は入力された写真画像と散乱画像であり、dはスケールパラメータであり、
[外52]
と
[外53]
はそれぞれ式23と式24により定義される。
[外49]
は推定された反相関ノイズ画像であり、
[外50]
と
[外51]
はそれぞれノイズ除去された写真画像と散乱画像であり、p0とs0はそれぞれ初期の又は入力された写真画像と散乱画像であり、dはスケールパラメータであり、
[外52]
と
[外53]
はそれぞれ式23と式24により定義される。
式23
ここで、Rは、∫hδ(|∇p|)などの粗さペナルティーまたは正規化項であり、Aは画像であり、nは推定ノイズマップであり、λ1は加重であり、
[外54]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである。式23は、例えば、式24による遅れ拡散率固定点反復アルゴリズム(lagged diffusivity fixed point iteration algorithm)を用いて、画像p0およびs0に適用される。
[外54]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである。式23は、例えば、式24による遅れ拡散率固定点反復アルゴリズム(lagged diffusivity fixed point iteration algorithm)を用いて、画像p0およびs0に適用される。
図4を参照して、画像ペアにおいて反相関ノイズをフィルタリングする方法をフローチャートで示す。言うまでもなく、ステップ(act)の順序は限定ではない。このように、ここでは他の順序も想定できる。また、一以上のステップを削除したり、一以上の追加ステップを含めたりしてもよい。
ステップ400において、図2および図3を参照して説明したスペクトル画像データ200のようなスペクトル画像データが受け取られる。スペクトル画像データは、PACS112などのメモリから、または再構成器122から受け取ることができる。
スペクトル画像データは、ステップ402において分解され、コンプトン散乱のような第1の分解された部分と、光電吸収のような第2の分解された部分とに分解される。分解された第1および第2の部分は反相関ノイズを含む。
ステップ404において、分解された第1の部分および第2の部分のそれぞれを個別にフィルタリングすることができる。例えば、第1および第2の部分は、合成画像200またはスペクトル画像データからの情報を用いて、SPフィルタ202で別々にフィルタリングされる。
ステップ406において、ステップ402からの分解された画像ペアまたはステップ404からの個々のフィルタリングされたペアは、図1を参照して説明し、図2および3を参照して例として説明した反相関ノイズフィルタ120を用いて、ペアとして反復的にフィルタリングされる。反復アルゴリズムは、反復回数、経過時間、または入力画像と出力画像の特性との間の閾値変化、これらの組み合わせなどのような停止基準に達するまで、繰り返され得る。
ステップ408において、出力画像はメモリ内で合成される。出力画像は、合成する前に、他のフィルタリング、計算、セグメンテーションなど、さらに操作することができる。
合成画像はステップ410でディスプレイ装置124に表示される。ディスプレイは、出力画像、すなわち反相関ノイズフィルタリングされた画像を表示することを含むことができる。合成画像は、フィルムライター(filmer)などによってフィルムに出力することもできる。
上記は、コンピュータプロセッサで実行されると、そのプロセッサに上記の技術(techniques)を実行させる、非一時的コンピュータ読み取り可能記憶媒体にエンコードまたはエンベッドされた、コンピュータ読み取り可能命令により実施できる。追加的にまたは代替的に、コンピュータ読み取り可能命令の少なくとも一つは、信号、搬送波、その他の一時的媒体により担われる。
図5を参照して、投影データセットペアにおいて反相関ノイズをフィルタリングする方法をフローチャートで示す。ステップ500において、図2および図3を参照して説明したスペクトル画像データ200のようなスペクトル画像データが受け取られる。スペクトル画像データは、PACS112などのメモリから、またはCTスキャナ102などのイメージングスキャナーから受け取ることができる。
スペクトル画像データは、ステップ502において分解され、コンプトン散乱のような第1の分解された部分と、光電吸収のような第2の分解された部分とに分解される。分解された第1および第2の部分は反相関ノイズを含む。
ステップ504において、分解された第1の部分および第2の部分のそれぞれを個別にフィルタリングすることができる。例えば、第1および第2の部分は、合成画像200またはスペクトル画像データからの情報を用いて、SPフィルタ202で別々にフィルタリングされる。
ステップ506において、ステップ502からの分解された投影データセットのペアまたはステップ504からの個々のフィルタリングされたペアは、図1を参照して説明し、図2および3を参照して例として説明した反相関ノイズフィルタ120を用いて、ペアとして反復的にフィルタリングされる。反復アルゴリズムは、反復回数、経過時間、または入力画像と出力画像の特性との間の閾値変化、これらの組み合わせなどのような停止基準に達するまで、繰り返され得る。
ステップ508において、出力データセットはメモリ内で合成される。出力データセットは、合成する前に、他のフィルタリング、計算、セグメンテーションなど、さらに操作することができる。ステップ510において、合成された出力データセットは、再構成器122によって画像に再構成される。あるいは、ステップ510およびステップ508を逆転させることができ、出力データセットをそれぞれ画像に再構成し、2つの再構成画像を合成する。
合成画像はステップ512でディスプレイ装置124に表示される。ディスプレイは、出力画像、すなわち反相関ノイズフィルタリングされた画像を表示することを含むことができる。合成画像は、フィルムライター(filmer)などによってフィルムに出力することもできる。
上記は、コンピュータプロセッサで実行されると、そのプロセッサに上記の技術(techniques)を実行させる、非一時的コンピュータ読み取り可能記憶媒体にエンコードまたはエンベッドされた、コンピュータ読み取り可能命令により実施できる。追加的にまたは代替的に、コンピュータ読み取り可能命令の少なくとも一つは、信号、搬送波、その他の一時的媒体により担われる。
本発明を好ましい実施形態を参照して説明した。前述の詳細な説明を読んで理解すれば、修正と変更に想到することができる。本発明は、添付した請求項とその均等の範囲内に入るこのような修正案及び代替案をすべて含むものと解釈しなければならない。
Claims (26)
- 第1の部分と第2の部分とからノイズを同時にフィルタリングするように構成され、前記第1の部分と第2の部分とは反相関ノイズを含む、反相関ノイズフィルタを有する、イメージングシステム。
- 前記第1の部分と前記第2の部分は、
対象物または被験者の投影データ、または
対象物または被験者の画像データ、
のうち少なくとも1つの基本分解からのスペクトルCTデータを含む、
請求項1に記載のイメージングシステム。 - 前記反相関ノイズフィルタが同時にフィルタリングしたノイズは、
第1の部分と第2の部分の初期合成データと、フィルタリングされた第1の部分とフィルタリングされた第2の部分の和との間の加重差と、
前記フィルタリングされた第1の部分と前記フィルタリングされた第2の部分との加重合成を含むスペクトルモノクローム画像中のノイズを最小にするように選択された、前記フィルタリングされた第1の部分と前記フィルタリングされた第2の部分と、
のうち少なくとも1つに基づいて抑制される、
請求項1または2に記載のイメージングシステム。 - 前記反相関ノイズフィルタはさらに、
ここで、
[外16]
[外17]
[外18]
[外19]
[外20]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1、λ2及びλ3は加重であり、
[外21]
は推定された反相関ノイズ画像であり、Aは反相関ノイズ画像の事前推定であり、
[外22]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータであり、nは推定ノイズマップであり、
[外23]
であり、ここで、σ(x)は画像xのローカル標準偏差である、
請求項1ないし3いずれか一項に記載のイメージングシステム。 - 第1の部分と第2の部分は基本ペアであり、
光電吸収成分とコンプトン散乱成分;
水成分とヨウ素成分;
水成分とカルシウム成分;または
アセタールホモポリマー樹脂成分とスズ成分、
のうち少なくとも1つを含む、
請求項1ないし10いずれか一項に記載のイメージングシステム。 - 前記反相関ノイズフィルタはさらに、停止基準に達するまで、前記第1の部分および前記第2の部分から、ノイズを反復的にフィルタリングするように構成される、
請求項1ないし3いずれか一項に記載のイメージングシステム。 - 前記反相関ノイズフィルタはさらに、構造伝搬(SP)フィルタで、前記第1の部分と前記第2の部分とを別々にフィルタリングしてから、SPフィルタリングされた第1の部分とSPフィルタリングされた第2の部分とから、反相関ノイズを同時にフィルタリングするように構成される、
請求項1ないし10いずれか一項に記載のイメージングシステム。 - 画像データをフィルタリングする方法であって、
第1の部分と第2の部分とからノイズを同時にフィルタリングするステップであって、前記第1の部分と第2の部分とは反相関ノイズを含む、ステップを含む、
方法。 - 前記第1の部分と前記第2の部分はスペクトルCTデータの基本分解から形成され、
対象物または被験者の投影データ、または
対象物または被験者のイメージングデータ、
のうち少なくとも1つを含む、
請求項14に記載の方法。 - 同時にフィルタリングするステップは、
第1の部分と第2の部分の初期合成データと、フィルタリングされた第1の部分とフィルタリングされた第2の部分の和との間の差を加重するステップ、及び
前記フィルタリングされた第1の部分と前記フィルタリングされた第2の部分との加重合成を含むスペクトルモノクローム画像中のノイズを最小にするように、前記フィルタリングされた第1の部分と前記フィルタリングされた第2の部分とを選択するステップ、
のうち少なくとも1つを含む、
請求項14または15に記載の方法。 - 前記第1の部分と前記第2の部分はCTスペクトルイメージングデータの基本分解から形成され、
光電吸収成分とコンプトン散乱成分;
水成分とヨウ素成分;
水成分とカルシウム成分;または
アセタールホモポリマー樹脂成分とスズ成分、
のうち少なくとも1つを含む基本ペアに分解される、
請求項14ないし22いずれか一項に記載の方法。 - フィルタリングするステップはさらに、
構造伝搬(SP)フィルタを使用して第1の部分および第2の部分を別々にフィルタリングしてから、SPフィルタリングされた第1の部分およびSPフィルタリングされた第2の部分から反相関ノイズを同時にフィルタリングするステップを含む、
請求項14ないし23いずれか一項に記載の方法。 - プロセッサにより実行された時に、前記プロセッサに、
第1の部分と第2の部分とからノイズを同時にフィルタリングすることであって、前記第1の部分と第2の部分とは反相関ノイズを含み、ことをさせるコンピュータ読み取り可能命令をエンコードされた非一時的コンピュータ読み取り可能媒体であって、フィルタは、次の関数のうち少なくとも1つによって反復的に動作する:
1.sとpはそれぞれs0とp0から負の相関をしている推定ノイズを除去することにより得られる、
2.モノクローム画像
[外47]
は変更されない、及び
3.帯域周波数の外側の画像周波数は変更されない、
との制約の下で、
[外48]
は、keV単位のエネルギーレベルパラメータであり、αはアルゴリズム制御パラメータである、又は、
[外49]
[外50]
[外51]
[外52]
[外53]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1及びλ2は加重であり、
[外54]
は推定された反相関ノイズ画像であり、Aは搬送間ノイズ画像の事前推定であり、
[外55]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータである、又は、
[外56]
[外57]
[外58]
[外59]
[外60]
dはスケーリングパラメータであり、R(・)は粗さペナルティー又は正規化項であり、λ1、λ2及びλ3は加重であり、
[外61]
は推定された反相関ノイズ画像であり、Aは反相関ノイズ画像の事前推定であり、
[外62]
は疑似Huberペナルティー関数であり、δは疑似Huberパラメータであり、nは推定ノイズマップであり、
[外63]
であり、ここで、σ(x)は画像xのローカル標準偏差である。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462095121P | 2014-12-22 | 2014-12-22 | |
US62/095,121 | 2014-12-22 | ||
US201562237262P | 2015-10-05 | 2015-10-05 | |
US62/237,262 | 2015-10-05 | ||
PCT/IB2015/059396 WO2016103088A1 (en) | 2014-12-22 | 2015-12-07 | Anti-correlated noise filter |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018503436A true JP2018503436A (ja) | 2018-02-08 |
Family
ID=54979883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017533564A Withdrawn JP2018503436A (ja) | 2014-12-22 | 2015-12-07 | 反相関ノイズフィルタ |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170372496A1 (ja) |
EP (1) | EP3238175A1 (ja) |
JP (1) | JP2018503436A (ja) |
CN (1) | CN107111887A (ja) |
WO (1) | WO2016103088A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018050462A1 (en) * | 2016-09-14 | 2018-03-22 | Koninklijke Philips N.V. | Edge noise reduction |
CN110574073B (zh) | 2016-12-19 | 2023-04-11 | 皇家飞利浦有限公司 | 能谱计算机断层摄影(ct)成像中的残余碘伪影的探测和/或校正 |
JP2021502842A (ja) * | 2017-11-14 | 2021-02-04 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 複数の異なるタイプの投影データのボクセル毎に1回のジオメトリ演算を行う単一のct逆投影器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011064683A2 (en) | 2009-11-25 | 2011-06-03 | Koninklijke Philips Electronics N.V. | Enhanced image data/dose reduction |
WO2011145040A1 (en) * | 2010-05-21 | 2011-11-24 | Koninklijke Philips Electronics N.V. | Edge-preserving noise filtering |
DE102011086456A1 (de) * | 2011-11-16 | 2013-05-16 | Siemens Aktiengesellschaft | Rekonstruktion von Bilddaten |
-
2015
- 2015-12-07 EP EP15813919.6A patent/EP3238175A1/en not_active Withdrawn
- 2015-12-07 WO PCT/IB2015/059396 patent/WO2016103088A1/en active Application Filing
- 2015-12-07 CN CN201580070178.6A patent/CN107111887A/zh active Pending
- 2015-12-07 JP JP2017533564A patent/JP2018503436A/ja not_active Withdrawn
- 2015-12-07 US US15/537,520 patent/US20170372496A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
CN107111887A (zh) | 2017-08-29 |
WO2016103088A1 (en) | 2016-06-30 |
US20170372496A1 (en) | 2017-12-28 |
EP3238175A1 (en) | 2017-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105025794B (zh) | 谱ct的结构传播恢复 | |
JP6223990B2 (ja) | イメージ領域のノイズ除去 | |
Zhao et al. | Using edge-preserving algorithm with non-local mean for significantly improved image-domain material decomposition in dual-energy CT | |
US9600866B2 (en) | Projection data de-noising | |
EP2992504B1 (en) | De-noised reconstructed image data edge improvement | |
Hashemi et al. | Adaptively tuned iterative low dose CT image denoising | |
US9978158B2 (en) | Spectral projection data de-noising with anti-correlation filter | |
CN106233327B (zh) | 去噪图像数据中对低对比度结构的恢复 | |
Maier et al. | GPU denoising for computed tomography | |
CN107430779B (zh) | 多能量(谱)图像数据处理 | |
Pathak et al. | Fourth-order partial differential equations based anisotropic diffusion model for low-dose CT images | |
JP2018503436A (ja) | 反相関ノイズフィルタ | |
Salehjahromi et al. | Iterative spectral CT reconstruction based on low rank and average-image-incorporated BM3D | |
Tracey et al. | Stabilizing dual-energy X-ray computed tomography reconstructions using patch-based regularization | |
Hao et al. | A wavelet transform-based photon starvation artifacts suppression algorithm in CT imaging | |
Shieh et al. | Improving thoracic four-dimensional cone-beam CT reconstruction with anatomical-adaptive image regularization (AAIR) | |
US20210282733A1 (en) | Edge noise reduction | |
Maia et al. | An algorithm for noise correction of dual-energy computed tomography material density images | |
US20220198651A1 (en) | Multi-phase filter | |
Heo et al. | Feasibility study of block-matching and 3D filtering denoising algorithm in multi-material decomposition technique for dual-energy computed tomography | |
Babaheidarian et al. | A randomized approach to reduce metal artifacts in x-ray computed tomography | |
Knaup et al. | Multi-dimensional tensor-based adaptive filter (TBAF) for low dose x-ray CT | |
KR101802035B1 (ko) | 단층 촬영 재구성 영상의 잡음 특성을 고려한 영상 잡음 감소 기법 | |
Ertas et al. | Sparse tomographic image reconstruction method using total variation and non-local means | |
WO2018050462A1 (en) | Edge noise reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170623 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181206 |
|
A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20190829 |