JP6275287B2 - 鮮明度駆動型正則化パラメータを用いる反復画像再構成 - Google Patents

鮮明度駆動型正則化パラメータを用いる反復画像再構成 Download PDF

Info

Publication number
JP6275287B2
JP6275287B2 JP2016571341A JP2016571341A JP6275287B2 JP 6275287 B2 JP6275287 B2 JP 6275287B2 JP 2016571341 A JP2016571341 A JP 2016571341A JP 2016571341 A JP2016571341 A JP 2016571341A JP 6275287 B2 JP6275287 B2 JP 6275287B2
Authority
JP
Japan
Prior art keywords
spectral
image
regularization parameter
sharpness
spectral image
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.)
Active
Application number
JP2016571341A
Other languages
English (en)
Other versions
JP2017521124A (ja
Inventor
トーマス ケーラー
トーマス ケーラー
ローランド プロクサ
ローランド プロクサ
ミカエル グラス
ミカエル グラス
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of JP2017521124A publication Critical patent/JP2017521124A/ja
Application granted granted Critical
Publication of JP6275287B2 publication Critical patent/JP6275287B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/408—Dual energy
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Data Mining & Analysis (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Description

以下は、概して、鮮明度によって駆動される正則化を用いる反復画像再構成に関し、コンピュータ断層撮影（ＣＴ）に特に応用される。以下は更に、他のイメージングモダリティにも適している。
ＣＴスキャナは、ｚ軸の周りの検査領域の周囲を回転する回転式ガントリ上に取り付けられるＸ線管を含む。検出器アレイは、ｘ線管から検査領域の反対側の円弧を成す。ｘ線管は、検査領域を横断する放射線を放出する。検出器アレイは、検査領域を横断する放射線を検出し、放射線を示す投影データを生成する。再構成器が、反復又は非反復再構成アルゴリズムを使用して、投影データを処理し、検査領域を示すボリュメトリック画像データを生成する。ボリュメトリック画像データは、スペクトル特性を反映しない。これは、検出器アレイによって出力される信号は、エネルギースペクトルに亘って積分されるエネルギーフルエンスに比例するからである。
スペクトルＣＴ用に構成されたＣＴスキャナは、単一の広域スペクトルＸ線管と、エネルギー分解検出器（例えば光子計数検出器、異なるスペクトル感度を有する少なくとも２つのセットのフォトダイオード等）及びディスクリート電子部品を有するエネルギー分解検出器アレイとを内蔵し、単一のｘ線管が、走査中、少なくとも２つの異なる放出電圧（例えば８０ｋＶｐ及び１４０ｋＶｐ）間で切り替わるように構成されるか、又は、２つ以上のｘ線管が、異なる平均スペクトルを有する放射線を放出するように構成される。信号分解器が、エネルギー分解された信号を、様々なエネルギー依存成分に分解し、再構成器が、個々の成分を再構成して、スペクトル特性を反映するボリュメトリック画像データが生成される。
再構成技術には、フィルタ逆投影、統計反復画像再構成等が含まれる。例示的な統計反復画像再構成アルゴリズムは、データ忠実性項及び画像雑音ペナルティ項を含む費用関数に基づいてきている。このような費用関数の一般的な公式化は、Ｃｏｓｔ（ｘ）＝−Ｌ（Ａｘ｜ｙ）＋β・Ｒ（ｘ）であり、ただし、Ｃｏｓｔ（ｘ）は、費用関数を表し、Ｌ（Ａｘ｜ｙ）は、順投影された画像（Ａｘ、ただし、Ａは、順投影演算子であり、ｘは、画像である）を測定データ（ｙ）と比較する尤度項を表し、Ｒ（ｘ）は、再構成された画像（ｘ）における雑音（即ち、「粗度」）にペナルティを科す粗度ペナルティ項を表し、βは、正則化の強度を制御する正則化項を表す。
上記反復画像再構成公式化では、特に、粗度ペナルティが、ボクセル値の線形項又は二次項しか含まない場合、はっきりとしたエッジ（例えば骨）及び低コントラストの構造（例えば軟組織）を表すボクセルは、同様に平滑化される。例えば最先端の技術のアプローチでは、通常、最終画像雑音レベルが使用されて、画像全体の雑音の均一の減少（例えば３０％ずつ画像雑音を減少する）を提供する正則化パラメータβが決定される。スペクトル画像は、別々に再構成され、その次に、線形結合を介して組み合わされ、表示用の画像が生成される。上記反復画像再構成公式化では、スペクトル画像は同様の雑音を有するかも知れないが、これらの画像が、同様の空間分解能を有する保障はなく、また、不運なことに、異なる空間分解能を有するスペクトル画像の線形結合は、アーチファクトをもたらす及び／又は間違った定量値を有する。
本明細書に説明される態様が、上記問題等に対処する。
一態様では、方法は、反復再構成アルゴリズム、開始光電画像、開始コンプトン散乱画像、初期光電正則化パラメータ及び初期コンプトン散乱正則化パラメータを使用して、中間光電画像及び中間コンプトン散乱画像が生成される反復再構成の第１パスを行うステップを含む。方法は更に、少なくとも、中間光電画像及び中間コンプトン散乱画像の一方の鮮明度に基づいて、初期光電正則化パラメータ又は初期コンプトン散乱正則化パラメータの少なくとも１つを更新し、これにより、更新された光電正則化パラメータ又は更新されたコンプトン散乱正則化パラメータを作成するステップを含む。方法は更に、反復再構成アルゴリズム、中間光電画像、中間コンプトン散乱、更新された光電正則化パラメータ及び更新されたコンプトン散乱正則化パラメータを使用して、更新された中間光電画像及び更新されたコンプトン散乱画像が生成される反復再構成の後続パスを行うステップを含む。
別の態様では、画像再構成器は、反復再構成アルゴリズム、開始光電画像、開始コンプトン散乱画像、初期光電正則化パラメータ及び初期コンプトン散乱正則化パラメータを使用して、中間光電画像及び中間コンプトン散乱画像が生成される反復再構成の第１パスを行う再構成プロセッサを含む。画像再構成器は更に、少なくとも、中間光電画像及び中間コンプトン散乱画像の一方の鮮明度に基づいて、初期光電正則化パラメータ又は初期コンプトン散乱正則化パラメータの少なくとも１つを更新する更新器であって、これにより、更新された光電正則化パラメータ又は更新されたコンプトン散乱正則化パラメータを作成する、更新器を含む。再構成プロセッサは、反復再構成アルゴリズム、中間光電画像、中間コンプトン散乱画像、更新された光電正則化パラメータ及び更新されたコンプトン散乱正則化パラメータを使用して、更新された中間光電画像及び更新された中間コンプトン散乱画像が生成される反復再構成の後続パスを行う。
別の態様では、コンピュータ可読記憶媒体は、プロセッサによって実行されると、当該プロセッサに、反復再構成アルゴリズム、開始光電画像、開始コンプトン散乱画像、初期光電正則化パラメータ及び初期コンプトン散乱正則化パラメータを使用して、中間光電画像及び中間コンプトン散乱画像が生成される反復再構成の第１パスを行わせ、少なくとも、中間光電画像及び中間コンプトン散乱画像の一方の鮮明度に基づいて、初期光電正則化パラメータ又は初期コンプトン散乱正則化パラメータの少なくとも１つを更新させ、これにより、更新された光電正則化パラメータ又は更新されたコンプトン散乱正則化パラメータを作成し、反復再構成アルゴリズム、中間光電画像、中間コンプトン散乱画像、更新された光電正則化パラメータ及び更新されたコンプトン散乱正則化パラメータを使用して、更新された中間光電画像及び更新された中間コンプトン散乱画像が生成される反復再構成の後続パスを行わせるコンピュータ可読命令がエンコードされる。
本発明は、様々なコンポーネント及びコンポーネントの配置、並びに、様々なステップ及びステップの配置の形を取る。図面は、好適な実施形態を例示するためだけのものであり、本発明を限定すると解釈されるべきではない。
図１は、鮮明度に依存する正則化パラメータを用いる統計反復画像再構成アルゴリズムを使用する再構成器を含む例示的なイメージングシステムを概略的に示す。 図２は、統計反復画像再構成アルゴリズムの一例を概略的に示す。 図３は、他の画像に基づいて、光電画像又はコンプトン散乱画像のうちの１つに対する正則化パラメータを駆動する例示的な方法を示す。 図４は、所定の鮮明度に基づいて、光電画像又はコンプトン散乱画像の正則化パラメータを独立して駆動する例示的な方法を示す。
以下は、統計反復再構成において、組織に依存する統計反復再構成更新項を使用するアプローチについて説明する。
図１は、例えばコンピュータ断層撮影（ＣＴ）システムといった例示的なイメージングシステム１００を示す。
イメージングシステム１００は、固定ガントリ１０２と、固定ガントリ１０２によって回転可能に支持される回転ガントリ１０４とを含む。回転ガントリ１０４は、長手軸又はｚ軸「Ｚ」の周りの検査領域１０６の周囲を回転する。
例えばｘ線管といった放射線源１１０が、回転ガントリ１０４によって回転可能に支持され、回転ガントリ１０４と共に回転し、検査領域１０６を横断するｘ線放射線を放出する。一例では、放射線源１１０は、積分期間等の間に２つ以上の放出電圧（例えば８０及び１４０ｋＶｐ、１００及び１２０ｋＶｐ等）間で放出電圧を切り替える。変形態様では、イメージングシステム１００は、異なる放出電圧で放射線を放出する複数の放射線源１１０を含む。別の変形態様では、放射線源１１０は、単一の広域スペクトルｘ線管を含む。
検出器アレイ１１２が、放射線源１１０に対して検査領域１０６の反対側の円弧を成す。検出器アレイ１１２は、検査領域１０６を横断する放射線を検出し、放射線を示す信号を生成する。放射線源電圧が少なくとも２つの放出電圧間で切り替えられる及び／又は２つ以上のｘ線管が２つの異なる放出電圧において放射線を放出する場合、検出器アレイ１１２は、各放射線源電圧に対して信号を生成する。単一の広域スペクトルｘ線管では、検出器アレイ１１２は、信号を生成するエネルギー分解検出器（例えば多層シンチレータ／フォトダイオード、直接変換光子計数等）を含む。
信号分解器１１４が、信号を、エネルギー依存成分に分解する。例えば信号は、光電成分、コンプトン散乱成分及び／又は１つ以上の他のエネルギー依存（例えばＫエッジ）成分に分解可能である。
再構成器１１６が、エネルギー依存成分を再構成し、各成分に対して、ボリュメトリック画像データが生成される。この例では、再構成器１１６は、再構成アルゴリズムメモリ１２０から鮮明度駆動型正則化１１８を用いる反復画像再構成アルゴリズムを使用する。以下により詳細に説明されるように、適切な反復画像再構成アルゴリズムは、例えば光電及び／又はコンプトン散乱画像、高及び／又は低ｋＶｐ画像等といった複数の独立して再構成された様々なスペクトル画像の少なくとも１つに対する更新項における空間分解能（即ち、鮮明度）駆動型正則化パラメータを含む。
したがって、反復再構成は、再構成されたスペクトル成分画像が、同じ空間分解能、又は、互いの所定許容誤差内の同じ空間分解能を有するように再構成されるように駆動可能である。一例では、これは、正則化パラメータが空間分解能に依存しない構造で生じうるスペクトル成分画像間の空間分解能の不一致を軽減する。結果として、分解能の不一致によって生じうるアーチファクト及び／又は間違った定量値が軽減される。
当然のことながら、再構成器１１６は、１つ以上のプロセッサを介して実現可能である。このようなプロセッサの例として、中央処理演算ユニット（ＣＰＵ）、マイクロプロセッサ及び／又は他のプロセッサが挙げられる。１つ以上のプロセッサは、一時的媒体は含まず、物理メモリ及び／又は他の非一時的媒体を含むコンピュータ可読記憶媒体上に埋め込まれる又はエンコードされる１つ以上のコンピュータ実行可能命令を実行する。変形態様では、コンピュータ実行可能な命令は、例えば搬送波、信号及び／又は他の一時的媒体といった一時的媒体によって担持され、プロセッサがコンピュータ実行可能命令を実行する。
コンピュータが、操作者コンソール１２２としての機能を果たす。操作者コンソール１２２は、例えばモニタといった人間が読み取り可能な出力デバイスと、例えばキーボード、マウス等といった入力デバイスとを含む。コンソール１２２内のソフトウェアによって、操作者が、グラフィカルユーザインターフェース（ＧＵＩ）等を介して、スキャナ１００とインタラクトし、及び／又は、スキャナ１００を操作することが可能となる。例えばコンソール１２２によって、操作者は、鮮明度に依存する正則化パラメータを用いる反復画像再構成アルゴリズム１１８を選択し、線形結合を介してスペクトル画像を組み合わせることにより、スペクトル画像の後処理を行うこと等を可能にする。
例えばカウチといった被検体サポート１２４は、検査領域１０６内で人間若しくは動物の被検体又は物体を支える。被検体サポート１２４は、走査と協調して移動可能であり、これにより、検査領域１０６に対して、人間若しくは動物の被検体又は物体を、ローディング、走査及び／又はアンローディングのために、走査の前、走査中及び／又は走査後に案内する。
図２は、再構成器１１６の一例を示す。
開始画像生成器２０２が、分解されたスペクトル成分（例えば光電成分、コンプトン散乱成分等）を受信し、少なくとも、各スペクトル成分に対して、開始又は初期スペクトル成分画像を生成する。一例では、開始スペクトル成分画像は、フィルタ逆投影（ＦＢＰ）再構成アルゴリズムを使用して生成される。ＦＢＰ再構成アルゴリズムを使用することにより、開始スペクトル成分画像は、同じ空間分解能を有することになる。
変形態様では、開始画像生成器２０２は、開始スペクトル成分画像を、異なる再構成アルゴリズムを使用して、シミュレーション等を介して生成する。幾つかの実施形態では、開始画像生成器２０２は更に、組み合わせ（非スペクトル）画像も生成する。このために、例えば、分解されたスペクトル成分が組み合わされ、その後、ＦＢＰ再構成アルゴリズム、シミュレーション等を介して再構成され、組み合わせ画像が生成される。開始スペクトル成分画像は、少なくとも、光電画像及びコンプトン散乱画像を含む。
再構成プロセッサ２０４が、開始スペクトル成分画像を受信し、デフォルトであっても、経験的に決定されてもよい初期正則化パラメータβＰＥ又はβＣＳを使用して、反復再構成（ＩＲ）アルゴリズムを用いる初回パスの再構成を行い、中間スペクトル成分画像を生成する。光電画像に関して、適切な費用関数は、−Ｌ（Ａｘ｜ｙ）＋βＰＥ・Ｒ（ｘ）であり、コンプトン散乱画像に関して、適切な費用関数は、−Ｌ（Ａｘ｜ｙ）＋βＣＳ・Ｒ（ｘ）である。
例示的なＩＲアルゴリズムが、Ｓｃｈｉｒｒａ他による「Ｓｔａｔｉｓｔｉｃａｌ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｏｆ Ｍａｔｅｒｉａｌ Ｄｅｃｏｍｐｏｓｅｄ Ｄａｔａ ｉｎ Ｓｐｅｃｔｒａｌ ＣＴ」（ＩＥＥＥ Ｔｒａｎｓ．Ｍｅｄ．Ｉｍａｇ．、３２（７）：１２４９−１２５７、２０１３）及び２０１２年１２月４日に出願され、「Ａｕｔｏｍａｔｉｃ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｆａｃｔｏｒ ｆｏｒ Ｉｔｅｒａｔｉｖｅ Ｉｍａｇｅ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ ａｎｄ／ｏｒ Ｉｍａｇｅ Ｄｅ−Ｎｏｉｓｉｎｇ」という名称の国際出願番号ＰＣＴ／ＩＢ２０１２／０５６９２９に説明されており、これらの全体は、参照により、本明細書に援用される。本明細書では、他のアルゴリズムも考えられる。
ＩＲアルゴリズムは、各反復について更新される更新項を含む。例示的な更新項
は、式１に示される。
ただし、ｎは、反復指数を表し、ａは、画像を表す指数、即ち、ＰＥ又はＣＳであり、
は、前の項を表し、ｉは、投影値指数を表し、Ｎは、測定された線積分の総数を表し、ｊは、ボクセル指数を表し、ｃｉｊは、システム行列の要素を表し（即ち、ｃｉｊは、画像ボクセルｊの検出器画素ｉに対する影響
を表し、ただし、Ａａｉは、データセットａの測定された線積分値を表す）、ｌは、関数の独立変数を表し（式１では、関数は、順投影画像において評価される）、
は、サンプルＡａｉの分散を表し、
は、（測定された検出器画素ｉに対する）素材画像ａの順投影を記述し、
、Ｃ１は、ユニティ画像の順投影を表し、［Ｃ１］ｉは、順投影のｉ番目の要素を表し、ｘａは、素材の密度関数を表し、βａは、どの画像が再構成されているのかに応じて、正則化パラメータβＰＥ又はβＣＳを表し、Ｒは、二次ペナルティ
の形を取りうる粗度ペナルティを表し、ただし、Ｍｊは、画像ボクセルｊの近傍であり、ｗｋは、例えばボクセルｊとｋとの間のユークリッド距離の逆数である幾何学的重みである。他のペナルティも考えられる。
測定基準決定器２０６が、少なくとも、中間スペクトル成分画像と、一例では、開始スペクトル画像及び／又は組み合わせ画像とを受信し、そこから、測定基準を生成する。測定基準決定器２０６は、マスク生成器２０８を含む。マスク生成器２０８は、雑音及び／又は鮮明度の推定値が取られる１つ以上の部分領域を特定するために使用される雑音マスク及び／又は鮮明度マスクを生成する。他の実施形態では、マスク生成器２０８は省略される。
雑音マスクに関して、マスク生成器２０８は、開始コンプトン散乱画像内に、１つ以上の平坦領域（即ち、均一領域又はエッジのない領域）を特定し、それに基づいて、雑音マスクを生成する。平坦領域を特定する例示的なアプローチが、Ｂｅｒｇｎｅｒ他による「Ｒｏｂｕｓｔ Ａｕｔｏｍａｔｅｄ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｆａｃｔｏｒ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｓｔａｔｉｓｔｉｃａｌ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ」（Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ｆｏｒｍａｔｉｏｎ ｉｎ Ｘ−ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ、ソルトレイクシティ、アメリカ、２０１２年６月２４−２７日）に説明されている。
鮮明度マスクに関して、マスク生成器２０８は、まず、組み合わせ画像内の１つ以上のエッジを特定する。マスク生成器２０８は、キャニー（Ｃａｎｎｙ）フィルタ及び／又はこれらのエッジを特定する他のアプローチを適用する。マスク生成器２０８は、一例では、所定の閾値よりも大きいエッジのセットのみを抽出するように、閾値化することにより、鮮明度マスクを生成する。結果として得られるマスクは、バイナリ｛０，１｝エッジ画像である。包囲、平滑化を得る、及び、エッジアーチファクトを回避するために、拡張が使用されてもよい。
本明細書では、雑音マスク及び／又は鮮明度マスクを作成する他のアプローチも考えられる。
測定基準決定器２０６は更に、中間スペクトル成分画像の雑音推定値を決定する雑音推定器２１０を含む。これには、雑音マスクを、中間コンプトン散乱画像に適用することにより、開始コンプトン散乱画像内の１つ以上の平坦領域に対応する中間コンプトン散乱画像の１つ以上の部分領域における雑音レベルを推定することが含まれる。雑音レベル推定は、二乗平均平方根を決定することを含んでもよい。
雑音を推定する別の例示的なアプローチが、Ｂｅｒｇｎｅｒ他による「Ｒｏｂｕｓｔ Ａｕｔｏｍａｔｅｄ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｆａｃｔｏｒ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｓｔａｔｉｓｔｉｃａｌ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ」（Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ｆｏｒｍａｔｉｏｎ ｉｎ Ｘ−ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ、ソルトレイクシティ、アメリカ、２０１２年６月２４−２７日）に説明されている。本明細書では、他のアプローチも考えられる。これには、中間コンプトン散乱画像の全体及び／又は中間コンプトン散乱画像の他の部分領域について雑音を推定することが含まれる。
測定基準決定器２０６は更に、鮮明度推定器２１２を含む。鮮明度推定器２１２は、開始及び／若しくは中間コンプトン散乱画像並びに／又は開始及び／若しくは中間光電スペクトル画像の鮮明度（即ち、空間分解能）推定値を決定する。一例では、これには、鮮明度マスクを、コンプトン散乱画像及び／又は光電スペクトル画像に適用し、マスクによって特定された１つ以上の部分領域内の鮮明度を決定することが含まれる。
鮮明度を推定する例示的なアプローチが、Ｗｅｅ他による「Ｍｅａｓｕｒｅ ｏｆ ｉｍａｇｅ ｓｈａｒｐｎｅｓｓ ｕｓｉｎｇ ｅｉｇｅｎｖａｌｕｅｓ」（Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ １７７（２００７）、２５３３−２５５２）に説明されている。このようなアプローチは、階調レベル値の分散、画像のｌ１ノルム又は画像勾配の二次導関数、画像のラプラスのエネルギー、高域通過帯域のエネルギーから低域通過帯域のエネルギー、基準画像に対する画像の類似性等を決定することを含む。本明細書では、他の鮮明度推定アプローチも考えられる。
ロジック部２１４が、次のパスが行われたかどうかを決定する。停止基準には、関心の分解能（例えばスペクトル成分画像間で（許容誤差内の）同じ分解能）又は関心の雑音レベルを達成すること、最大反復数に到達すること、所定の時間間隔の経過及び／又は他の基準が含まれるが、これらに限定されない。停止基準が満たされると、ロジック部２１４は、中間スペクトル成分画像を、最終スペクトル成分画像として出力する。停止基準が満たされない場合、ロジック部２１４は、次の再構成パスを起動する。
正則化パラメータ（β）更新器２１６は、停止基準が満たされず、ロジック部２１４が、次の再構成パスを起動したことに反応して、２つの正則化パラメータβＰＥ又はβＣＳの少なくとも１つを更新する。ターゲット雑音に基づいて、非スペクトルデータを更新するアプローチが、Ｂｅｒｇｎｅｒ他による「Ｒｏｂｕｓｔ Ａｕｔｏｍａｔｅｄ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ Ｆａｃｔｏｒ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｓｔａｔｉｓｔｉｃａｌ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ」（Ｓｅｃｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｅ Ｆｏｒｍａｔｉｏｎ ｉｎ Ｘ−ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ、ソルトレイクシティ、アメリカ、２０１２年６月２４−２７日）に説明されている。Ｂｅｒｇｎｅｒ他によるアプローチは、比例‐積分‐微分（ＰＩＤ）制御に基づいている。
本明細書における制御も、ＰＩＤ制御に基づいてもよい。この場合、雑音に関しては、正則化パラメータ（β）は、中間画像の推定雑音とターゲット雑音レベルとの差に基づいて更新される。鮮明度に関しては、正則化パラメータ（β）は、中間スペクトル画像の鮮明度と開始画像の鮮明度との差、又は、２つの中間スペクトル画像間の鮮明度差に基づいて更新される。開始スペクトル画像を生成するために、ＦＢＰが使用される場合、開始スペクトル画像の鮮明度は、（許容誤差内で）同じである。
一例では、βＰＥ及びβＣＳは共に、例えば開始画像の鮮明度及び／又は他の鮮明度といった絶対鮮明度尺度に基づいて、独立して駆動される。別の一例では、βＰＥ又はβＣＳの一方は、例えば他のスペクトル画像の鮮明度に基づいて、鮮明度によって駆動され、これにより、光電画像とコンプトン散乱画像との間で同じ分解能に到達する。この例では、βＰＥ又はβＣＳのもう一方は、例えばターゲット雑音等に基づいて、雑音によって駆動されてよい。
上記は、投影領域アプローチについて説明している。本明細書では、画像領域における素材分解も考えられる。このために、上記反復アプローチは、光電画像及びコンプトン散乱画像の代わりに、デュアルｋＶｐ収集のための高及び低ｋＶｐ画像に対して（又は二重層検出器を用いる収集のために上下検出器層によって収集される投影データに対して）反復される。画像領域アプローチの例示的な更新項は、式２
に示され、ただし、ｉは、投影空間における画素の指数であり、ｊ、ｊ’及びｋは、画像空間における画素の指数であり、ａは、画像の指数（高ｋＶ、低ｋＶ又は上層、下層）であり、μｎは、ｎ番目の反復における画像値を表し、ｃは、システム行列の要素を表し、ｙは、測定された投影値（即ち、測定された光子計数）を表し、Ｎｊは、画素ｊの近傍の画素を表し、ｗは、２つの画素間の差に重み付けする重みを表し、βは、画像ａの正則化パラメータであり、どの画像が再構成されているかに依存する。
図３は、所定の鮮明度に基づいて、コンプトン散乱画像又は光電画像の一方に対して、正則化パラメータを駆動する例示的な方法を示す。
当然ながら、本明細書において説明される方法のステップの順序は、限定的ではない。したがって、本明細書では、他の順序も考えられる。更に、１つ以上のステップが省略されても及び／又は１つ以上の追加のステップが含まれてもよい。
ステップ３０２において、スペクトル投影データから開始画像が生成される。本明細書において説明されるように、これには、開始光電画像、開始コンプトン散乱画像、及び、任意選択的に、開始組み合わせ画像を生成することが含まれる。
ステップ３０４において、開始画像、反復画像再構成アルゴリズム及び初期正則化パラメータに基づいて、中間光電画像及び中間コンプトン散乱画像が生成される。
ステップ３０６において、中間光電画像に関して鮮明度推定値が決定される。本明細書において説明されるように、鮮明度推定値は、例えば鮮明度マスクによって特定された組み合わせ画像の部分領域に対応する部分領域といった所定の関心部分領域について決定される。
ステップ３０８において、中間コンプトン散乱画像の雑音推定値が決定される。本明細書において説明されるように、雑音推定値は、例えば雑音マスクによって特定された開始コンプトン散乱画像の均一領域に対応する部分領域といった所定の関心部分領域について決定される。
ステップ３１０において、停止基準が満たされたかどうかが決定される。この例では、適切な停止基準には、中間光電画像の鮮明度推定値が、中間コンプトン散乱画像の鮮明度の許容誤差内であること、中間コンプトン散乱画像の雑音推定値が、所定のターゲット雑音レベルを満たすこと及び／又は他の基準が含まれる。
停止基準が満たされたことが決定されると、追加の反復は不要であり、ステップ３１２において、中間光電画像及び中間コンプトン散乱画像が、最終光電画像及び最終コンプトン散乱画像として出力される。
停止基準が満たされていないことが決定されると、追加の反復が必要であり、ステップ３１４において、光電画像及びコンプトン散乱画像の正則化パラメータが更新され、ステップ３０４乃至３１０が繰り返される。本明細書において説明されるように、これには、中間光電画像の鮮明度と中間コンプトン散乱画像の鮮明度との差に基づいて、光電画像の正則化パラメータを更新することと、中間コンプトン散乱画像の雑音推定値とターゲット雑音との差に基づいて、コンプトン散乱画像の正則化パラメータを更新することとが含まれる。
図４は、所定の鮮明度に基づいて、コンプトン散乱画像の正則化パラメータと、光電画像の正則化パラメータとを独立して駆動する例示的な方法を示す。
当然ながら、本明細書において説明される方法のステップの順序は、限定的ではない。したがって、本明細書では、他の順序も考えられる。更に、１つ以上のステップが省略されても及び／又は１つ以上の追加のステップが含まれてもよい。
ステップ４０２において、スペクトル投影データから開始画像が生成される。本明細書において説明されるように、これには、開始光電画像、開始コンプトン散乱画像、及び、任意選択的に、開始組み合わせ画像を生成することが含まれる。
ステップ４０４において、開始画像、反復画像再構成アルゴリズム及び初期正則化パラメータに基づいて、中間光電画像及び中間コンプトン散乱画像が生成される。
ステップ４０６において、中間光電画像及び中間コンプトン散乱画像に関して、鮮明度推定値が決定される。本明細書において説明されるように、鮮明度推定値は、例えば鮮明度マスクによって特定された組み合わせ画像の部分領域に対応する部分領域といった所定の関心部分領域について決定される。
ステップ４０８において、停止基準が満たされたかどうかが決定される。この例では、適切な停止基準には、中間スペクトル画像の鮮明度が、所定の鮮明度（又は互い）の誤差範囲内にあるかどうかが含まれる。
停止基準が満たされたことが決定されると、追加の反復は不要であり、ステップ４１０において、中間光電画像及び中間コンプトン散乱画像が、最終光電画像及び最終コンプトン散乱画像として出力される。
停止基準が満たされていないことが決定されると、追加の反復が必要であり、ステップ４１２において、光電画像及びコンプトン散乱画像の正則化パラメータが更新され、ステップ４０４乃至４０８が繰り返される。本明細書において説明されるように、正則化パラメータの更新は、中間スペクトル画像の鮮明度と所定の関心分解能との差又は互いの差に基づいている。
上記は、コンピュータ可読記憶媒体にエンコードされる又は埋め込まれ、コンピュータプロセッサによって実行されると、当該プロセッサに、上記ステップを行わせるコンピュータ可読命令によって実施可能である。これに加えて又は追加して、コンピュータ可読命令の少なくとも１つは、信号、搬送波又は他の一時的媒体によって担持される。
本明細書において説明されるアプローチは、例えば、Ｐｆｅｉｆｆｅｒ他による「Ｈａｒｄ Ｘ−ｒａｙ Ｐｈａｓｅ Ｔｏｍｏｇｒａｐｈｙ ｗｉｔｈ Ｌｏｗ−Ｂｒｉｌｌｉａｎｃｅ Ｓｏｕｒｃｅｓ」（Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｌｅｔｔｅｒｓ ９８、１０８１０５、（２００７））、及び、Ｚａｎｅｔｔｅ他による「Ｔｒｉｍｏｄａｌ ｌｏｗ−ｄｏｓｅ Ｘ−ｒａｙ ｔｏｍｏｇｒａｐｈｙ」（ＰＮＡＳ、１０９（２６）１０１９９−１０２０４（２０１２））に記載されるような格子ベースの位相コントラストＣＴである他の応用にも適用可能である。幾つかの追加の格子を、ビーム経路に挿入することにより、ｘ線減衰に加えて、ビーム屈折及び小角散乱（暗視野イメージングとも知られる）が測定可能である。これらの信号成分は、通常、格子の様々な相対位置に向けて送信された強度の測定結果から取り出し可能である。これは、コンプトン散乱及び光電吸収の信号成分が、様々なシステム構造に向けて送信された強度の測定結果（即ち、ビームフィルトレーション又は管電圧）から取り出し可能であるスペクトルイメージングと、概念上同じである。
信号は、通常、Ｗｅｂｅｒ他による「Ｎｏｉｓｅ ｉｎ ｘ−ｒａｙ ｇｒａｔｉｎｇ ｂａｓｅｄ ｐｈａｓｅ−ｃｏｎｔｒａｓｔ ｉｍａｇｉｎｇ」（Ｍｅｄｉｃａｌ Ｐｈｙｓｉｃｓ ３８（７）、４１３３−４１４０（２０１１））に記載されているように、二次統計に従うことを前提としている。したがって、数学的な必要条件が、デュアルエネルギーＣＴに関しては、式１に記載されるように、同じであるため、即ち、信号は、元になっている画像に線形に依存し、雑音は、ガウス雑音であるため、個々の信号から減衰画像、位相画像及び暗視野画像を再構成するために、まったく同じ更新式を使用することができる。ただし、位相画像に関しては、順方向演算子は、差別的である必要がある。これは、Ｋｏｅｈｌｅｒ他による「Ｉｔｅｒａｔｉｖｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｆｏｒ ｄｉｆｆｅｒｅｎｔｉａｌ ｐｈａｓｅ ｃｏｎｔｒａｓｔ ｉｍａｇｉｎｇ ｕｓｉｎｇ ｓｐｈｅｒｉｃａｌｌｙ ｓｙｍｍｅｔｒｉｃ ｂａｓｉｃ ｆｕｎｃｔｉｏｎｓ」（Ｍｅｄｉｃａｌ Ｐｈｙｓｉｃｓ、３８（８）、４５４２−４５４５、（２０１１））に記載されている。したがって、コンプトン散乱画像又は光電画像ではなく、減衰、位相又は暗視野画像を用いて指数ａを特定することにより、デュアルエネルギーＣＴについて上記された同じ概念を適用することができる。
本発明は、好適な実施形態を参照して説明されている。上記詳細な説明を読み、理解した者は、修正態様及び変更態様を思いつくであろう。本発明は、これらの修正態様及び変更態様もすべて、それらが添付の請求項又はその等価物の範囲に該当する限り、含むとして解釈されることを意図している。

Claims (20)

  1. 反復画像再構成アルゴリズム、開始第１スペクトル画像、開始第２スペクトル画像、初期第１スペクトル正則化パラメータ及び初期第２スペクトル正則化パラメータを使用して、中間第１スペクトル画像及び中間第２スペクトル画像が生成される反復画像再構成の第１パスを行うステップと、
    少なくとも、前記中間第１スペクトル画像及び前記中間第２スペクトル画像の一方の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータ又は前記初期第２スペクトル正則化パラメータの少なくとも１つを更新し、これにより、更新された第１スペクトル正則化パラメータ又は更新された第２スペクトル正則化パラメータを作成するステップと、
    前記反復画像再構成アルゴリズム、前記中間第１スペクトル画像、前記中間第２スペクトル画像、前記更新された第１スペクトル正則化パラメータ及び前記更新された第２スペクトル正則化パラメータを使用して、更新された中間第１スペクトル画像及び更新された中間第２スペクトル画像が生成される前記反復画像再構成の後続パスを行うステップと、
    を含む、方法。
  2. スペクトル投影データを受信するステップと、
    前記スペクトル投影データを、第１スペクトル成分及び第２スペクトル成分に分解するステップと、
    前記第１スペクトル成分を再構成することによって前記開始第１スペクトル画像を、前記第２スペクトル成分を再構成することによって前記開始第２スペクトル画像を生成するステップと、
    を更に含む、請求項１に記載の方法。
  3. 前記中間第２スペクトル画像の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータを更新し、これにより、前記更新された第１スペクトル正則化パラメータを作成するステップと、
    少なくとも、所定のターゲット雑音に基づいて、前記初期第２スペクトル正則化パラメータを更新し、これにより、前記更新された第２スペクトル正則化パラメータを作成するステップと、
    を更に含む、請求項１又は２に記載の方法。
  4. 前記中間第１スペクトル画像の鮮明度と、前記中間第２スペクトル画像の鮮明度との差に基づいて、前記初期第１スペクトル正則化パラメータを更新し、これにより、前記更新された第１スペクトル正則化パラメータを作成するステップを更に含む、請求項３に記載の方法。
  5. 前記第１スペクトル成分と前記第２スペクトル成分とを組み合わせ、これにより、組み合わせデータを作成するステップと、
    前記組み合わせデータを再構成することによって、組み合わせ画像を生成するステップと、
    前記組み合わせ画像内のエッジを検出するステップと、
    前記エッジを含む前記組み合わせ画像内の１つ以上の部分領域を特定する鮮明度マスクを作成するステップと、
    前記鮮明度マスクを、前記中間第１スペクトル画像に適用するステップと、
    マスキングされた前記１つ以上の部分領域内の前記中間第１スペクトル画像の鮮明度を決定するステップと、
    を更に含む、請求項３又は４に記載の方法。
  6. 前記中間第１スペクトル画像の前記鮮明度と、前記中間第２スペクトル画像の前記鮮明度との差を決定するステップと、
    前記差が、所定の許容誤差内であることに反応して、前記中間第１スペクトル画像及び前記中間第２スペクトル画像を、最終第１スペクトル画像及び最終第２スペクトル画像として出力するステップと、
    前記差が、前記所定の許容誤差外であることに反応して、前記反復画像再構成の別のパスを行うステップと、
    を更に含む、請求項５に記載の方法。
  7. 前記開始第２スペクトル画像内の１つ以上の均一領域を特定するステップと、
    前記１つ以上の均一領域の雑音マスクを作成するステップと、
    前記雑音マスクを、前記中間第２スペクトル画像に適用するステップと、
    マスキングされた前記１つ以上の部分領域内の前記中間第１スペクトル画像の雑音を決定するステップと、
    を更に含む、請求項３乃至６の何れか一項に記載の方法。
  8. 前記決定された雑音と前記所定のターゲット雑音との差を決定するステップと、
    前記差が、前記所定のターゲット雑音の所定の許容誤差内であることに反応して、前記中間第１スペクトル画像及び前記中間第２スペクトル画像を、最終第１スペクトル画像及び最終第２スペクトル画像として出力するステップと、
    前記差が、前記所定のターゲット雑音の前記所定の許容誤差外であることに反応して、前記反復画像再構成の別のパスを行うステップと、
    を更に含む、請求項７に記載の方法。
  9. 少なくとも、所定の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータ及び前記初期第２スペクトル正則化パラメータを独立して更新し、これにより、前記更新された第１スペクトル正則化パラメータ及び前記更新された第２スペクトル正則化パラメータを作成するステップを更に含む、請求項１乃至８の何れか一項に記載の方法。
  10. 前記第１スペクトル成分と前記第２スペクトル成分とを組み合わせ、これにより、組み合わせデータを作成するステップと、
    前記組み合わせデータを再構成することによって、組み合わせ画像を生成するステップと、
    前記組み合わせ画像内のエッジを検出するステップと、
    前記エッジを含む前記組み合わせ画像内の１つ以上の部分領域を特定する鮮明度マスクを作成するステップと、
    前記鮮明度マスクを、前記中間第１スペクトル画像に適用するステップと、
    マスキングされた前記１つ以上の部分領域内の前記中間第１スペクトル画像及び前記第２スペクトル画像の鮮明度を決定するステップと、
    を更に含む、請求項９に記載の方法。
  11. 前記中間第１スペクトル画像の前記鮮明度と所定の鮮明度との差と、前記第２スペクトル画像と前記所定の鮮明度との差とを決定するステップと、
    前記差が、所定の許容誤差内であることに反応して、前記中間第１スペクトル画像及び前記中間第２スペクトル画像を、最終第１スペクトル画像及び最終第２スペクトル画像として出力するステップと、
    前記差が、前記所定の許容誤差外であることに反応して、前記反復画像再構成の別のパスを行うステップと、
    を更に含む、請求項１乃至９の何れか一項に記載の方法。
  12. 位置−積分−微分制御に基づいて、前記初期第１スペクトル正則化パラメータ又は前記初期第２スペクトル正則化パラメータの前記少なくとも１つを更新するステップを更に含む、請求項１乃至１１の何れか一項に記載の方法。
  13. 反復再構成アルゴリズム、開始第１スペクトル画像、開始第２スペクトル画像、初期第１スペクトル正則化パラメータ及び初期第２スペクトル正則化パラメータを使用して、中間第１スペクトル画像及び中間第２スペクトル画像が生成される反復再構成の第１パスを行う再構成プロセッサと、
    少なくとも、前記中間第１スペクトル画像及び前記中間第２スペクトル画像の一方の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータ又は前記初期第２スペクトル正則化パラメータの少なくとも１つを更新する更新器であって、これにより、更新された第１スペクトル正則化パラメータ又は更新された第２スペクトル正則化パラメータを作成する、前記更新器と、
    を含み、
    前記再構成プロセッサは、前記反復再構成アルゴリズム、前記中間第１スペクトル画像、前記中間第２スペクトル画像、前記更新された第１スペクトル正則化パラメータ及び前記更新された第２スペクトル正則化パラメータを使用して、更新された中間第１スペクトル画像及び更新された中間第２スペクトル画像が生成される前記反復再構成の後続パスを行う、画像再構成器。
  14. スペクトル投影データを受信し、前記スペクトル投影データを、第１スペクトル成分及び第２スペクトル成分に分解し、前記第１スペクトル成分を再構成することによって前記開始第１スペクトル画像を生成し、前記第２スペクトル成分を再構成することによって前記開始第２スペクトル画像を生成する開始画像生成器を更に含む、請求項１３に記載の再構成器。
  15. 前記更新器は、前記中間第２スペクトル画像の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータを更新し、前記更新された第１スペクトル正則化パラメータを作成し、また、少なくとも、所定のターゲット雑音に基づいて、前記初期第２スペクトル正則化パラメータを更新し、前記更新された第２スペクトル正則化パラメータを作成する、請求項１３又は１４に記載の再構成器。
  16. 前記開始第２スペクトル画像内の１つ以上の均一領域を特定し、前記１つ以上の均一領域の雑音マスクを作成するマスク生成器と、
    前記雑音マスクを、前記中間第２スペクトル画像に適用し、マスキングされた前記１つ以上の部分領域内の前記中間第１スペクトル画像の雑音を決定する雑音推定器と、
    を更に含む、請求項１５に記載の再構成器。
  17. 前記更新器は、少なくとも、所定の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータ及び前記初期第２スペクトル正則化パラメータを独立して更新し、前記更新された第１スペクトル正則化パラメータ及び前記更新された第２スペクトル正則化パラメータを作成する、請求項１４に記載の再構成器。
  18. 前記第１スペクトル成分と前記第２スペクトル成分とを組み合わせ、これにより、組み合わせデータを作成し、前記組み合わせデータを再構成することによって、組み合わせ画像を生成し、前記組み合わせ画像内のエッジを検出し、前記エッジを含む前記組み合わせ画像内の１つ以上の部分領域を特定する鮮明度マスクを作成するマスク生成器と、
    前記鮮明度マスクを、前記中間第１スペクトル画像に適用し、マスキングされた前記１つ以上の部分領域内の前記中間第１スペクトル画像の鮮明度を決定する鮮明度推定器と、
    を更に含む、請求項１７に記載の再構成器。
  19. 前記中間第１スペクトル画像の前記鮮明度と、前記中間第２スペクトル画像の鮮明度及び所定の関心鮮明度の一方との差を決定し、前記差が、所定の許容誤差内であることに反応して、前記中間第１スペクトル画像及び前記中間第２スペクトル画像を、最終第１スペクトル画像及び最終第２スペクトル画像として出力するか、又は、前記差が、前記所定の許容誤差外であることに反応して、前記反復再構成の別のパスを行うように前記再構成プロセッサを起動するロジック部を更に含む、請求項１３乃至１８の何れか一項に記載の再構成器。
  20. プロセッサによって実行されると、前記プロセッサに、
    反復再構成アルゴリズム、開始第１スペクトル画像、開始第２スペクトル画像、初期第１スペクトル正則化パラメータ及び初期第２スペクトル正則化パラメータを使用して、中間第１スペクトル画像及び中間第２スペクトル画像が生成される反復再構成の第１パスを行わせ、
    少なくとも、前記中間第１スペクトル画像及び前記中間第２スペクトル画像の一方の鮮明度に基づいて、前記初期第１スペクトル正則化パラメータ又は前記初期第２スペクトル正則化パラメータの少なくとも１つを更新させ、これにより、更新された第１スペクトル正則化パラメータ又は更新された第２スペクトル正則化パラメータを作成し、
    前記反復再構成アルゴリズム、前記中間第１スペクトル画像、前記中間第２スペクトル画像、前記更新された第１スペクトル正則化パラメータ及び前記更新された第２スペクトル正則化パラメータを使用して、更新された中間第１スペクトル画像及び更新された中間第２スペクトル画像が生成される前記反復再構成の後続パスを行わせる、コンピュータ可読命令がエンコードされたコンピュータ可読記憶媒体。
JP2016571341A 2014-09-15 2015-09-15 鮮明度駆動型正則化パラメータを用いる反復画像再構成 Active JP6275287B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462050402P 2014-09-15 2014-09-15
US62/050,402 2014-09-15
PCT/IB2015/057072 WO2016042466A2 (en) 2014-09-15 2015-09-15 Iterative image reconstruction with a sharpness driven regularization parameter

Publications (2)

Publication Number Publication Date
JP2017521124A JP2017521124A (ja) 2017-08-03
JP6275287B2 true JP6275287B2 (ja) 2018-02-07

Family

ID=54292850

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016571341A Active JP6275287B2 (ja) 2014-09-15 2015-09-15 鮮明度駆動型正則化パラメータを用いる反復画像再構成

Country Status (5)

Country Link
US (1) US9959640B2 (ja)
EP (1) EP3195265B1 (ja)
JP (1) JP6275287B2 (ja)
CN (1) CN106462985B (ja)
WO (1) WO2016042466A2 (ja)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101725099B1 (ko) * 2014-12-05 2017-04-26 삼성전자주식회사 컴퓨터 단층 촬영장치 및 그 제어방법
US10732309B2 (en) * 2015-02-23 2020-08-04 Mayo Foundation For Medical Education And Research Methods for optimizing imaging technique parameters for photon-counting computed tomography
WO2016177588A1 (en) * 2015-05-06 2016-11-10 Koninklijke Philips N.V. Optimal energy weighting of dark field signal in differential phase contrast x-ray imaging
US9911208B2 (en) * 2016-04-11 2018-03-06 Toshiba Medical Systems Corporation Apparatus and method of iterative image reconstruction using regularization-parameter control
US11049230B2 (en) 2016-08-22 2021-06-29 Koninklijke Philips N.V. Feature-based image processing using feature images extracted from different iterations
US10403006B2 (en) * 2016-08-26 2019-09-03 General Electric Company Guided filter for multiple level energy computed tomography (CT)
US11049295B2 (en) * 2016-12-19 2021-06-29 Koninklijke Philips N.V. Detection and/or correction of residual iodine artifacts in spectral computed tomography (CT) imaging
US10692251B2 (en) * 2017-01-13 2020-06-23 Canon Medical Systems Corporation Efficient variance-reduced method and apparatus for model-based iterative CT image reconstruction
US10762603B2 (en) * 2017-05-19 2020-09-01 Shanghai United Imaging Healthcare Co., Ltd. System and method for image denoising
WO2018236748A1 (en) * 2017-06-19 2018-12-27 Washington University DIGITAL ASSISTED IMAGE RECONSTRUCTION FOR TOMOGRAPHIC IMAGING
US10866298B2 (en) * 2017-08-03 2020-12-15 Siemens Healthcare Gmbh Low rank and spatial regularization model for magnetic resonance fingerprinting
JP6932250B2 (ja) * 2017-09-14 2021-09-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 陽電子放出断層撮影における狭いエネルギー窓カウントから再構成された放出画像推定を使用した散乱補正
CN107638189B (zh) * 2017-10-25 2021-06-01 东软医疗系统股份有限公司 Ct成像方法和装置
WO2019090299A1 (en) 2017-11-06 2019-05-09 Rensselaer Polytechnic Institute Stationary in-vivo grating-enabled micro-ct architecture (sigma)
CN108549530B (zh) * 2018-04-17 2021-03-12 兰州理工大学 基于自然模式的Logo生成方法、智能Logo生成器
US11037339B2 (en) * 2019-04-17 2021-06-15 Uih America, Inc. Systems and methods for image reconstruction
CN110807821A (zh) * 2019-10-12 2020-02-18 上海联影医疗科技有限公司 一种图像重建方法和系统
EP3922183A1 (en) 2020-06-08 2021-12-15 Koninklijke Philips N.V. Apparatus for correction of collimator penumbra in an x-ray image
EP3922180A1 (en) 2020-06-09 2021-12-15 Koninklijke Philips N.V. Apparatus for processing data acquired by a dark-field and/or phase contrast x-ray imaging system
WO2022109928A1 (zh) * 2020-11-26 2022-06-02 深圳先进技术研究院 一种图像重建方法及应用
CN112489153B (zh) * 2020-11-26 2024-06-21 深圳先进技术研究院 一种图像重建方法及应用
WO2024206952A1 (en) * 2023-03-30 2024-10-03 California Institute Of Technology Angular ptychographic imaging with closed-form reconstruction

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6898263B2 (en) * 2002-11-27 2005-05-24 Ge Medical Systems Global Technology Company, Llc Method and apparatus for soft-tissue volume visualization
US7760848B2 (en) 2006-09-08 2010-07-20 General Electric Company Method and system for generating a multi-spectral image of an object
DE102007020065A1 (de) * 2007-04-27 2008-10-30 Siemens Ag Verfahren für die Erstellung von Massenbelegungsbildern anhand von in unterschiedlichen Energiebereichen aufgenommenen Schwächungsbildern
US8233682B2 (en) * 2007-06-05 2012-07-31 General Electric Company Methods and systems for improving spatial and temporal resolution of computed images of moving objects
US8135186B2 (en) * 2008-01-25 2012-03-13 Purdue Research Foundation Method and system for image reconstruction
US8194961B2 (en) * 2008-04-21 2012-06-05 Kabushiki Kaisha Toshiba Method, apparatus, and computer-readable medium for pre-reconstruction decomposition and calibration in dual energy computed tomography
DE102009014723B4 (de) 2009-03-25 2012-10-25 Siemens Aktiengesellschaft Kontrastabhängige Regularisierungsstärke bei der iterativen Rekonstruktion von CT-Bildern
US8160206B2 (en) * 2009-12-23 2012-04-17 General Electric Company Dual-energy imaging at reduced sample rates
RU2571564C2 (ru) * 2010-06-21 2015-12-20 Конинклейке Филипс Электроникс Н.В. Способ и система для выполнения визуализации методом низкодозовой компьютерной томографии
CN103299345B (zh) * 2011-01-10 2016-10-19 皇家飞利浦电子股份有限公司 双能量断层摄影成像系统
RU2585790C2 (ru) * 2011-03-28 2016-06-10 Конинклейке Филипс Н.В. Изображение с зависящим от контрастности разрешением
DE102011086456A1 (de) * 2011-11-16 2013-05-16 Siemens Aktiengesellschaft Rekonstruktion von Bilddaten
EP2748798B1 (en) * 2011-12-13 2018-04-11 Koninklijke Philips N.V. Automatic determination of regularization factor for iterative image reconstruction with regularization and/or image de-noising
DE102012204977B4 (de) 2012-03-28 2017-05-18 Siemens Healthcare Gmbh Verfahren zur iterativen Bildrekonstruktion für Bi-Modale CT-Daten sowie entsprechende Recheneinheit, Computertomographiesystem, Computerprogramm und Datenträger
US8917922B2 (en) * 2012-06-15 2014-12-23 Kabushiki Kaisha Toshiba Concurrent update iterative reconstruction (IR) method and system
US20130336562A1 (en) 2012-06-15 2013-12-19 Toshiba Medical Systems Corporation Adaptively determined parameter values in iterative reconstruction method and system
US8923583B2 (en) * 2012-06-22 2014-12-30 General Electric Company Methods and systems for performing model-based iterative reconstruction
US9734601B2 (en) * 2014-04-04 2017-08-15 The Board Of Trustees Of The University Of Illinois Highly accelerated imaging and image reconstruction using adaptive sparsifying transforms

Also Published As

Publication number Publication date
CN106462985A (zh) 2017-02-22
JP2017521124A (ja) 2017-08-03
WO2016042466A2 (en) 2016-03-24
US20170186194A1 (en) 2017-06-29
WO2016042466A3 (en) 2016-05-12
EP3195265A2 (en) 2017-07-26
EP3195265B1 (en) 2018-08-22
CN106462985B (zh) 2018-09-21
US9959640B2 (en) 2018-05-01

Similar Documents

Publication Publication Date Title
JP6275287B2 (ja) 鮮明度駆動型正則化パラメータを用いる反復画像再構成
Wu et al. Low-dose spectral CT reconstruction using image gradient ℓ0–norm and tensor dictionary
JP7139119B2 (ja) 医用画像生成装置及び医用画像生成方法
US10274439B2 (en) System and method for spectral x-ray imaging
JP6100772B2 (ja) 画像処理方法及びコンピューティング装置
CN104903933B (zh) 投影数据降噪
JP6472088B2 (ja) スペクトルｃｔに関する構造伝播復元
Yan et al. Towards the clinical implementation of iterative low‐dose cone‐beam CT reconstruction in image‐guided radiation therapy: Cone/ring artifact correction and multiple GPU implementation
JP2017196404A (ja) 画像処理装置、ｘ線ｃｔ装置及び画像処理方法
CN110599559B (zh) 多能量金属伪影减少
Zeng et al. Penalized weighted least-squares approach for multienergy computed tomography image reconstruction via structure tensor total variation regularization
JP6793469B2 (ja) データ処理装置、ｘ線ｃｔ装置及びデータ処理方法
JP6158910B2 (ja) 正則化による反復画像再構成
CN105793894B (zh) 根据图像数据来进行骨骼分割
CN103229212A (zh) 具有基于恒定方差的加权因子的迭代重建算法
US8335358B2 (en) Method and system for reconstructing a medical image of an object
JP6878147B2 (ja) Ｘ線コンピュータ断層撮影装置及び医用画像処理装置
EP4295312B1 (en) Projection-domain material decomposition for spectral imaging
Ertas et al. Sparse tomographic image reconstruction method using total variation and non-local means
Meng Artifacts Reduction Techniques in X-Ray Cone-Beam Computed Tomography Reconstruction

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170126

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20170126

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20170712

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170724

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20171020

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20171211

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180109

R150 Certificate of patent or registration of utility model

Ref document number: 6275287

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250