KR20200074891A - 통계적 반복 재구성 및 물질 분해용 시스템 및 방법 - Google Patents

통계적 반복 재구성 및 물질 분해용 시스템 및 방법 Download PDF

Info

Publication number
KR20200074891A
KR20200074891A KR1020190167685A KR20190167685A KR20200074891A KR 20200074891 A KR20200074891 A KR 20200074891A KR 1020190167685 A KR1020190167685 A KR 1020190167685A KR 20190167685 A KR20190167685 A KR 20190167685A KR 20200074891 A KR20200074891 A KR 20200074891A
Authority
KR
South Korea
Prior art keywords
detector
model
noise
statistical
estimated
Prior art date
Application number
KR1020190167685A
Other languages
English (en)
Other versions
KR102330564B1 (ko
Inventor
데이비드 야노프 브라이언
우 밍예
푸 린
마이클 에딕 피터
루이 슈
푸 젱
진 야난
그론버그 프레드릭
Original Assignee
제너럴 일렉트릭 캄파니
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 제너럴 일렉트릭 캄파니 filed Critical 제너럴 일렉트릭 캄파니
Publication of KR20200074891A publication Critical patent/KR20200074891A/ko
Application granted granted Critical
Publication of KR102330564B1 publication Critical patent/KR102330564B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/005Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/006Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03Computed tomography [CT]
    • A61B6/032Transmission computed tomography [CT]
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4233Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using matrix detectors
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4266Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a plurality of detector units
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01TMEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16Measuring radiation intensity
    • G01T1/161Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/164Scintigraphy
    • G01T1/166Scintigraphy involving relative movement between detector and subject
    • G01T1/1663Processing methods of scan data, e.g. involving contrast enhancement, background reduction, smoothing, motion correction, dual radio-isotope scanning, computer processing ; Ancillary equipment
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01TMEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16Measuring radiation intensity
    • G01T1/17Circuit arrangements not adapted to a particular type of detector
    • G01T1/171Compensation of dead-time counting losses
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01TMEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16Measuring radiation intensity
    • G01T1/24Measuring radiation intensity with semiconductor detectors
    • G01T1/249Measuring radiation intensity with semiconductor detectors specially adapted for use in SPECT or PET
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01TMEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/36Measuring spectral distribution of X-rays or of nuclear radiation spectrometry
    • G01T1/366Measuring spectral distribution of X-rays or of nuclear radiation spectrometry with semi-conductor detectors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/03Investigating materials by wave or particle radiation by transmission
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/10Different kinds of radiation or particles
    • G01N2223/101Different kinds of radiation or particles electromagnetic radiation
    • G01N2223/1016X-ray
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/40Imaging
    • G01N2223/401Imaging image processing
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00Investigating materials by wave or particle radiation
    • G01N2223/40Imaging
    • G01N2223/419Imaging computed tomograph
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography
    • G06T2211/408Dual energy
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00Image generation
    • G06T2211/40Computed tomography
    • G06T2211/424Iterative

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

재구성될 객체를 이미징하기 위한 방법은 객체에 대응하는 투영 데이터를 획득하는 단계를 포함한다. 또한, 본 방법은 획득된 투영 데이터에 기초하여 측정된 사이노그램을 생성하는 단계, 및 이미징 시스템의 특성을 표현하는 순방향 모델을 공식화하는 단계를 포함한다. 또한, 본 방법은 객체의 추정된 이미지 및 순방향 모델에 기초하여 추정된 사이노그램을 생성하는 단계, 및 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들 중 적어도 하나에 기초하여 통계 모델을 공식화하는 단계를 포함한다. 또한, 본 방법은 통계 모델, 측정된 사이노그램, 및 추정된 사이노그램에 기초하여 추정된 이미지에 대응하는 업데이트를 결정하는 단계, 및 결정된 업데이트에 기초하여 추정된 이미지를 업데이트하여 객체의 업데이트된 이미지를 생성하는 단계를 포함한다. 추가로, 본 방법은 객체의 최종 이미지를 출력하는 단계를 포함한다.

Description

통계적 반복 재구성 및 물질 분해용 시스템 및 방법{SYSTEM AND METHOD FOR STATISTICAL ITERATIVE RECONSTRUCTION AND MATERIAL DECOMPOSITION}
본 명세서의 실시예들은 대체적으로 광자 카운팅 컴퓨터 단층 촬영(photon-counting computed tomography, PCCT) 이미징 시스템들에 관한 것으로, 더 구체적으로는, X-선 파일업(pile-up)의 고유한 통계적 속성들을 포함하는 모델의 사용을 통해 광자 카운팅 컴퓨터 단층 촬영 시스템들에서 이미지 품질을 향상시키기 위한 시스템 및 방법에 관한 것이다.
객체들의 내부 태양들을 관찰하기 위해 X-선 및 컴퓨터 단층 촬영(CT) 시스템들과 같은 방사선 촬영 이미징 시스템들이 채용되어 왔다. 전형적으로, 이미징 시스템들은 환자, 워크 피스(work piece), 소포체(parcel), 수하물 등과 같은 관심 객체를 향해 X-선들을 방출하도록 구성된 X-선 소스를 포함한다. 방사선 검출기들의 어레이와 같은 검출 디바이스가 객체의 반대편 상에 위치되고, 객체를 통해 투과된 X-선들을 검출하도록 구성된다.
이해되는 바와 같이, CT 스캔은 환자 또는 객체 주위의 많은 상이한 각도들로부터 일련의 투영 측정치들을 측정함으로써 이행된다. 이러한 측정치들은 다수의 뷰들로부터의 투영 데이터를 단일 데이터 세트에 수집하는 사이노그램(sinogram)으로 조합된다. 재구성 알고리즘은 환자 또는 객체를 표현하는 이미지를 생성하도록 사이노그램을 프로세싱하는 데 사용된다. 현재, 이미지 재구성을 위한 다수의 방법들이 존재한다. 최근에, 통계적 반복 재구성(statistical iterative reconstruction, SIR) 방법들이 요구되는 방사선 선량을 감소시키면서 매우 높은 품질의 이미지들을 생성하는 데 사용되어 왔다.
SIR 방법을 이용하여, CT 스캔으로부터 수집된 측정된 사이노그램들의 세트에 가장 잘 매칭되는 추정된 사이노그램들을 초래할 재구성된 이미지들을 생성하는 것이 목적이다. SIR 방법의 각각의 반복 시에, 재구성된 이미지, 및 CT 시스템의 공지의 기하구조 및 다른 특성들은 재구성된 이미지에 의해 생성될 추정된 사이노그램을 계산하기 위해 순방향 모델에 의해 사용된다. 순방향 모델은, 본질적으로, 재구성된 이미지들에 의해 표현되는 바와 같이, X-선들이 X-선 소스로부터 환자를 통하여 CT 시스템의 검출기로 전달됨에 따른 X-선들의 감쇠를 시뮬레이션한다.
후속으로, 추정된 사이노그램은 CT 스캔으로부터의 측정된 사이노그램과 비교된다. 이러한 비교에 기초하여, 순방향 모델에 의해 추정되는 사이노그램이 후속 반복에서의 측정되는 사이노그램과 더 유사해지게 하도록 구성된 업데이트된 재구성된 이미지가 계산된다. 전형적으로, 업데이트 단계는 목적 함수의 최적화로서 수행된다.
종래의 CT 및 다른 방사선 촬영 이미징 시스템들은 소정 기간에 걸쳐서 통합된 방사선 촬영 에너지를, 궁극적으로 디지털화되는 전류 신호들로 변환하는 검출기들을 활용한다. 그러나, 그러한 검출기들의 단점은 검출된 광자들의 수 및/또는 에너지에 관한 데이터 또는 피드백을 제공할 수 없다는 그들의 무능력이다. 소정 기간 동안 검출된 X-선들을 카운팅할 수 있고 검출된 각각의 X-선의 에너지 레벨의 측정을 제공할 수 있는 에너지 식별용 직접 변환 검출기들이 프로토타입 CT 시스템들에 채용되었다. 그러나, 이러한 직접 변환 반도체 검출기들의 단점은 종래의 CT 시스템들에서 전형적으로 직면하는 X-선 광자 플럭스 레이트들에서 카운팅할 수 없다는 그들의 무능력이다.
광자 카운팅 CT 시스템들은 광자들이 검출기에 도달할 때 개별 X-선 광자들을 기록한다. 불리하게도, 광자 카운팅 CT 시스템들은 시간적으로 서로 너무 가깝게 도달하는 X-선들을 효율적으로 카운팅할 수 없다. 이는, 전형적으로, 높은 X-선 플럭스에서의 그리고/또는 환자 및/또는 X-선 소스 예비 환자 필터(보타이(bowtie))를 통한 감쇠를 거의 포함하지 않는 사이노그램의 영역들에서의 측정에 대한 문제이다. 광자 카운팅 CT 시스템이 파일업을 처리하게 하는 특정 기법들은, 추정된 사이노그램과 측정된 사이노그램을 비교하기 전에, 측정된 사이노그램들을 보정하는 것을 수반한다.
그러나, 기록된 카운트들의 수에 영향을 주는 것에 더하여, 파일업은 또한 CT 투영 데이터 내의 잡음에 영향을 준다. 투영 측정치들 내의 잡음은 전형적으로 X-선 플럭스에 따라 증가하며, 이는 근사적으로 Poisson 분포를 추종한다. 불리하게도, 파일업이 발생할 때, 카운트들의 수 및 카운트들의 변동 둘 모두가 감소된다.
또한, 매우 높은 X-선 광자 플럭스 레이트는, 궁극적으로 검출기 포화로 이어지는 특정 직접 변환 디바이스들에서의 파일업 및 분극화를 야기하는 것으로 알려져 있다. "파일업"은 검출기에 입사하는 X-선 플럭스가, 2개 이상의 X-선 광자들이 하나의 전하 통합 사이클 동안 단일 픽셀("광자 파일업')에서 또는 이웃 픽셀들("패턴 파일업")에서 직접 변환 센서와 상호작용하고 전하 패킷들을 축적할 무시할 수 없는 가능성이 있을 정도로 높을 때 발생하는 현상이다. 그러한 경우에, 이러한 이벤트들은 개별 광자 에너지들의 합을 갖는 하나의 단일 이벤트로서 인식된다. 이것이 충분히 자주 발생하는 경우, 파일업 이벤트들이 스펙트럼에서 더 높은 에너지들로 시프트될 때, 검출된 스펙트럼의 유의한 왜곡이 초래될 수 있다. 또한, 파일업은 더 낮은 감쇠를 포함하는 투영 영역에서 더 많은 또는 더 적은 현저한 효율 저하로 이어져서, 플럭스 검출 손실을 초래한다. 특히, 이러한 검출기들은 전형적으로 비교적 낮은 X-선 플럭스 레벨들에서 포화된다. 이러한 레벨들 초과에서, 검출기 응답은 덜 예측가능하고, 선량 이용을 저하시켰다. 즉, 일단 픽셀이 포화되면(측정된 광자 카운트들에서의 더 높은 값에 대응함), 추가적인 방사선이 측정 시에 유용한 정보를 생성하지 않을 것이다.
당업계에 공지된 바와 같이, 에너지 식별용 광자 검출 시스템들은 X-선들을 하나 이상의 에너지 빈(bin)에 배치한다. 최적 에너지 가중화(Optimal Energy Weighting, OEW)로 지칭되는, 에너지 빈 값들의 하나의 타입의 프로세싱은 에너지 통합 프로세스(획득 간격 동안 축적되는 총 에너지가 합산됨)를 채용하는 종래의 CT 시스템에 비해 콘트라스트-대-잡음비를 향상시킬 수 있다. 다수의 에너지 빈 데이터의 다른 타입의 프로세싱은 물질 분해(Material Decomposition)로 지칭되며, 다수의 에너지 빈으로부터의 데이터를 프로세싱함으로써, 충분한 광자 통계치들이 존재하는 경우에, 정량적 조직 조성 정보를 추출하도록 구성된다. 특히, 광자 카운팅 검출기들은 이미지 품질을 개선할 수 있게 하고, 종래의 에너지 통합 시스템들보다 새로운 종류의 조직 조성 정보를 제공할 수 있다.
또한, 이해되는 바와 같이, 검출기 포화는 이미징 정보의 손상으로 이어지고, 그 결과, X-선 투영 데이터 및 재구성된 CT 이미지들에 잡음 및 아티팩트(artifact)들을 초래한다. 광자 카운팅 직접 변환 검출기들은 주로 검출기 파일업으로 인해 높은 카운트 레이트들에서 감소된 검출기 양자 효율(detector quantum efficiency, DQE)을 겪는 것으로 알려져 있다. 특히, 광자 카운팅 직접 변환 검출기는 각각의 X-선 광자 이벤트와 연관된 진성 전하 수집 시간(즉, 데드 타임(dead time))으로 인해 파일업을 초래한다. 상기에 나타낸 바와 같이, 포화는, 궁극적으로, 특히 각각의 픽셀에 대한 X-선 광자 흡수율이 대략 이러한 전하 수집 시간의 역인 경우에, 종종 펄스 파일업으로 인한 것이다. 전하 수집 시간의 역수는 최대 주기 레이트(maximum periodic rate, MPR)로 지칭된다. 검출기 상에 입사하는 정확한 평균 X-선 카운트 레이트가 최대 주기 레이트와 동일할 때, 기록된 카운트들은 입력 검출 카운트들의 절반이고 출력 카운트 레이트는 MPR의 절반일 뿐이다. 감소된 DQE는 감소된 이미지 품질, 즉, 잡음이 더 많은 이미지를 초래한다. 또한, 히스테리시스 및 다른 비선형 효과들이 검출기 포화 근처의 그리고 그를 초과한 플럭스 레벨들에서 발생하고, 추가적인 이미지 아티팩트들을 야기한다.
또한, 정확한 신호와 측정된 신호 사이의 관계는 비선형적으로 되어, 카운트 레이트가 증가됨에 따라 감소를 보여준다. 이러한 파일업 효과는, 안정적인 경우에, 교정 및 보정되어, 이에 의해, 더 높은 잡음의 패널티에도 불구하고 검출기의 유효 카운트 레이트 능력을 증가시킬 수 있다. 그러나, 정확한 신호와 측정된 신호 사이의 관계가 비-단조가 되는 지점으로 카운트 레이트가 증가되는 경우 - 이는 무효화가능(paralyzable) 전자기기의 특성임 -, 이러한 비-단조 관계의 보정은 더 이상 실용적이지 않을 수도 있다. 특히, 검출기가 오버레인지될 때, 기록된 카운트 레이트는 무효화가능 전자기기에 대한 플럭스 레이트를 증가시키기 위해 비-단조적일 수 있거나, 또는 비-무효화가능 전자기기에 대한 최대 달성가능 카운트 레이트가 된다.
높은 X-선 플럭스 레이트들에서 광자 카운팅을 가능하게 하기 위한 이전에 고안된 해결책들은 보타이 형상의 필터들을 사용하여 검출기에서의 플럭스 레이트를 사전조정하여 환자 형상을 보상하는 것을 포함한다. 또한, 픽셀을 다수의 서브픽셀들 - 각각의 서브픽셀은 자신의 사전증폭기 및 연관된 전자기기에 접속됨 - 로 세분하는 것이 제안되었다. 직접 변환 서브픽셀의 영역을 감소시킴으로써, 플럭스 레이트 능력은 획득 간격 동안 더 작은 영역에서 더 적은 광자들이 수집됨에 따라 증가될 수 있다. 그러나, 생성된 신호의 신호대잡음비는 감소될 수 있고, 이웃 검출기 픽셀들 사이의 축적된 전하 및 광자들 양자 모두의 관점에서의 누화의 레벨은 서브픽셀들 사이의 증가된 주연부로 인해 불리하게도 유의해질 수 있다.
본 명세서의 태양들에 따르면, 재구성될 객체를 이미징하기 위한 방법이 제시된다. 본 방법은 이미징 시스템을 통해, 재구성될 객체에 대응하는 투영 데이터를 획득하는 단계를 포함한다. 또한, 본 방법은 상기 획득된 투영 데이터에 기초하여 측정된 사이노그램을 생성하는 단계를 포함한다. 또한, 본 방법은 이미징 시스템의 특성을 표현하는 순방향 모델을 공식화(formulate)하는 단계를 포함한다. 추가로, 본 방법은 객체 및 순방향 모델의 추정된 이미지에 기초하여 추정된 사이노그램을 생성하는 단계를 포함한다. 또한, 본 방법은, 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들 중 적어도 하나에 기초하여 통계 모델을 공식화하는 단계를 포함한다. 더욱이, 본 방법은 통계 모델, 측정된 사이노그램, 및 추정된 사이노그램에 기초하여 추정된 이미지에 대응하는 업데이트를 결정하는 단계를 포함한다. 또한, 본 방법은 결정된 업데이트에 기초하여 추정된 이미지를 업데이트하여 객체의 업데이트된 이미지를 생성하는 단계를 포함한다. 추가로, 본 방법은 객체의 최종 이미지를 출력하는 단계를 포함한다.
본 명세서의 다른 태양에 따르면, 시스템이 제시된다. 본 시스템은 재구성될 객체에 대응하는 투영 데이터에 기초하여 측정된 사이노그램을 생성하도록, 이미징 시스템의 하나 이상의 특성들을 표현하는 순방향 모델을 공식화하도록, 추정된 이미지, 순방향 모델, 또는 추정된 이미지와 순방향 모델 양측 모두에 기초하여 추정된 사이노그램을 생성하도록, 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들 중 적어도 하나에 기초하여 통계 모델을 공식화하도록, 통계 모델 및 추정된 사이노그램에 기초하여 추정된 이미지에 대응하는 업데이트를 결정하도록, 결정된 업데이트에 기초하여 추정된 이미지를 업데이트하여 객체의 업데이트된 이미지를 생성하도록, 그리고 객체의 최종 이미지를 출력하도록 구성된 잡음 보정 플랫폼을 포함한다.
본 명세서의 또 다른 태양에 따르면, 객체를 이미징하기 위한 이미징 시스템이 제시된다. 본 시스템은 객체에 대응하는 투영 데이터를 획득하도록 구성된 획득 서브시스템을 포함한다. 또한, 본 시스템은, 획득 서브시스템과 동작가능하게 연관되고 잡음 보정 플랫폼을 포함하는 프로세싱 서브시스템을 포함하고, 여기서 잡음 보정 플랫폼은 객체에 대응하는 투영 데이터에 기초하여 측정된 사이노그램을 생성하도록, 이미징 시스템의 특성을 표현하는 순방향 모델을 공식화하도록, 추정된 이미지, 순방향 모델, 또는 추정된 이미지와 순방향 모델 양측 모두에 기초하여 추정된 사이노그램을 생성하도록, 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들 중 적어도 하나에 기초하여 통계 모델을 공식화하도록, 통계 모델 및 추정된 사이노그램에 기초하여 추정된 이미지에 대응하는 업데이트를 결정하도록, 결정된 업데이트에 기초하여 추정된 이미지를 업데이트하여 객체의 업데이트된 이미지를 생성하도록, 그리고 객체의 최종 이미지를 출력하도록 구성된다. 추가로, 본 시스템은 최종 이미지, 업데이트된 이미지, 측정된 사이노그램, 추정된 사이노그램, 또는 이들의 조합들 중 적어도 하나를 시각화하도록 구성된 디스플레이를 포함한다.
본 발명의 이들 및 다른 특징부들, 태양들 및 이점들은 첨부 도면을 참조하여 하기의 상세한 설명을 읽을 때 더 잘 이해될 것이며, 첨부 도면에서 유사한 부호들은 도면 전체에 걸쳐서 유사한 부분들을 표현한다.
도 1은 본 명세서의 태양들에 따른, 이미징을 위한 시스템의 개략도이다.
도 2는 도 1의 예시적인 시스템에서 사용하기 위한 CT 이미징 시스템의 형태의 예시적인 이미징 시스템의 블록도이다.
도 3은 도 2의 CT 시스템의 물리적 구현예의 블록도이다.
도 4는 본 명세서의 태양들에 따른, 이미징의 방법의 흐름도이다.
도 5는 본 명세서의 태양들에 따른, 이미징을 위한 다른 예시적인 방법을 도시한 흐름도를 도시한다.
도 6은 본 명세서의 태양들에 따른, 도 4의 방법에서 사용하기 위한 순방향 모델을 공식화하기 위한 예시적인 방법을 도시한 흐름도를 도시한다.
도 7은 본 명세서의 태양들에 따른, 도 5의 방법에서 사용하기 위한 순방향 모델을 공식화하기 위한 다른 예시적인 방법을 도시한 흐름도를 도시한다.
도 8은 본 명세서의 태양들에 따른, 도 4 및 도 5의 방법들에서 사용하기 위한 통계 모델을 공식화하기 위한 예시적인 방법을 도시한 흐름도를 도시한다.
도 9는 본 명세서의 태양들에 따른, 도 4 및 도 5의 방법들에서 사용하기 위한 통계 모델을 공식화하기 위한 다른 예시적인 방법을 도시한 흐름도를 도시한다.
도 10은 본 명세서의 태양들에 따른, 도 4 및 도 5의 방법들에서 사용하기 위한 통계 모델을 공식화하기 위한 또 다른 예시적인 방법을 도시한 흐름도를 도시한다.
도 11은 본 명세서의 태양들에 따른, 도 4 및 도 5의 방법들에서 사용하기 위한 추정된 이미지에 대한 업데이트들을 결정하기 위한 예시적인 방법을 도시한 흐름도를 도시한다.
도 12는 본 명세서의 태양들에 따른, 파일업 비(ratio)의 그래프 표현을 도시한다.
도 13은 본 명세서의 태양들에 따른, 잡음 파일업 보정 인자의 일 실시예의 그래프 표현을 도시한다.
이해되는 바와 같이, 광자 카운팅 컴퓨터 단층 촬영(PCCT)을 사용하여 관심 객체를 이미징하는 동안, 개별 X-선 광자들이 검출되고, 그들이 검출기와 상호작용할 때 기록된다. 그러나, PCCT 시스템들은 시간적으로 서로 너무 가깝게 도달하는 X-선들의 불완전한 카운팅을 겪을 수 있다. 이는, 전형적으로, 높은 X-선 플럭스, 및/또는 환자 및/또는 X-선 소스 예비 환자 필터(보타이)를 통한 감쇠를 거의 갖지 않는 사이노그램의 영역들에서의 측정에 대한 문제이다. 따라서, 이제까지 관리불가능한 의료용 및 산업용 응용물들에서 플럭스 레이트 능력을 연장하고 효율적인 광자 카운팅을 허용하기 위해 연관된 잡음을 고려하여, 유리하게도 광자 카운팅 검출기로부터의 정보를 최적의 방식으로 조합하는 설계가 필요한데, 그 이유는 입사하는 플럭스 레이트 또는 동적 범위 요건들이 너무 높기 때문이다. 추가로, 파일업 및 픽셀 오버레인지와 같은 공지의 유해 효과들에 대한 보정 알고리즘들이 특별히 필요하다. 또한, 통계적으로 유의한 조직 조성 정보를 보장하기 위해 하나 이상의 에너지 빈에서 이미지 품질을 향상시키고 충분한 광자 카운트 통계치들을 제공하는 CT 시스템이 필요하다.
이하에서 상세히 기술되는 바와 같이, 통계적 반복 재구성 및/또는 물질 분해를 위한 시스템들 및 방법들의 다양한 실시예들이 제시된다. 본 명세서에서 제시되는 시스템들 및 방법들은 잡음 모델의 사용을 수반하며, 여기서 X-선 파일업의 고유한 통계적 속성들이 PCCT 이미징을 위해 통계적 이미지 재구성 또는 물질 분해를 위한 반복 알고리즘의 잡음 모델 내에 통합된다. 특히, 파일업을 갖는 검출기의 통계적 거동의 예시적인 잡음 모델은 반복 알고리즘의 최적화 단계에서 목적 함수에 통합되어, 이에 의해, 각각의 측정치들에서의 통계적 불확실성을 처리함으로써 잡음을 최적화하는 것 및 재구성된 이미지 내의 아티팩트들을 감소시키는 것 중 적어도 하나를 수행한다. 용어들 "잡음 모델", "통계 모델" 및 "통계 잡음 모델"은 상호교환가능하게 사용될 수 있다는 것이 주목될 수 있다.
달리 정의되지 않는다면, 본 명세서에서 사용되는 기술 및 과학 용어들은 당업자에 의해 보편적으로 이해되는 것과 동일한 의미를 갖는다. 본 명세서에서 사용되는 바와 같이, 용어들 "제1", "제2" 등은 임의의 순서, 양 또는 중요성을 나타내는 것이 아니라, 오히려 하나의 요소를 다른 요소와 구별하는 데 사용된다. 또한, 단수의 표현("a", "an")은 양의 제한을 나타내는 것이 아니라, 오히려 언급된 항목들 중 적어도 하나의 존재를 나타낸다. 용어 "또는"은 포괄적이고, 열거된 항목들 중 하나, 일부, 또는 전부를 의미하고자 한다. 본 명세서에서의 "포함하는(including, comprising)" 또는 "갖는(having)" 및 이들의 변형들의 사용은 이후에 열거되는 항목들 및 이들의 등가물뿐만 아니라 추가 항목들을 포함하고자 한다. 용어들 "접속된(connected)" 및 "커플링된(coupled)"은 물리적 또는 기계적 접속들 또는 커플링들로 제한되지 않으며, 직접적이든 간접적이든, 전기 접속들 또는 커플링들을 포함할 수 있다. 또한, 용어들 "회로" 및 "회로부" 및 "제어기"는 단일 컴포넌트 또는 복수의 컴포넌트들 중 어느 하나를 포함할 수 있으며, 이들은 능동형 및/또는 수동형 중 어느 하나이고 기술되는 기능을 제공하기 위해 함께 접속되거나 달리 커플링된다.
명료성을 위해, 본 시스템들 및 방법들의 예시적인 실시예들이 컴퓨터 단층 촬영(CT) 이미징 시스템과 관련하여 기술된다. 그러나, 다양한 다른 이미징 응용물들 및 시스템들에서 본 시스템들 및 방법들의 사용이 또한 고려된다는 것이 이해될 것이다. 이러한 시스템들 중 일부는, 예를 들어, 단일 광자 방출 컴퓨터 단층 촬영(single photon emission computed tomography, SPECT) 시스템, 양전자 방출 단층 촬영(positron emission tomography, PET) 시스템, X-선 이미징 시스템, 및/또는 광학 이미징 시스템을 포함할 수 있다. 본 시스템 및 방법들의 다양한 구현들을 실시하기에 적합한 예시적인 환경이 도 1 내지 도 3을 참조하여 하기의 섹션들에서 논의된다.
이제 도면을 참조하면, 도 1은 본 명세서의 태양들에 따른, 진단 이미징에서 사용하기 위한 예시적인 시스템(100)의 블록도이다. 특히, 시스템(100)은 재구성될 객체에 대응하는 하나 이상의 이미지들을 생성하도록 구성된다. 예로서, 시스템(100)은 환자/대상 또는 비생물학적 객체와 같은 객체(102)의 타깃 볼륨 및/또는 내부 구조들에 대응하는 이미지들을 생성하도록 구성될 수 있다. 더 구체적으로, 시스템(100)은 통계적 이미지 재구성 또는 물질 분해를 위한 반복 알고리즘을 갖는 잡음 모델의 사용을 통해 이미징의 품질을 향상시키도록 구성된다.
시스템(100)은 환자(102)와 같은 재구성될 객체에 대응하는 이미지 데이터를 획득하도록 구성된다. 일례에서, 시스템(100)은 환자(102)의 원하는 이미지들을 생성하는 데 사용하기 위한 투영 데이터를 획득하도록 구성된 의료 이미징 시스템(108)을 포함한다. 이하에서 설명되는 예시적인 실시예들이 의료 이미징 시스템의 맥락에서 기술되어 있지만, 다른 이미징 시스템들 및 응용예들, 예컨대 산업용 이미징 시스템들 및 비파괴 평가 및 검사 시스템들, 예컨대 파이프라인 검사 시스템들, 폭발물 검출 시스템, 및 액체 반응기 검사 시스템들이 또한 고려된다는 것에 유의해야 한다. 추가로, 이하에서 도시되고 기술되는 예시적인 실시예들은 다른 이미징 양식들, 예를 들어 SPECT, PET, X-선, 광학 이미징 시스템들, 위치 추적 시스템들, 또는 다른 센서 시스템들과 함께 CT 이미징을 채용하는 다중 양식 이미징 시스템들에서의 응용예를 발견할 수 있다.
현재 고려되는 구성에서, 의료 이미징 시스템(108)은 획득 서브시스템(110) 및 프로세싱 서브시스템(112)을 포함한다. 의료 이미징 시스템(108)의 획득 서브시스템(110)은 환자(102) 내의 하나 이상의 해부학적 관심 영역을 표현하는 투영 데이터를 획득하도록 구성된다. 데이터 획득 서브시스템(110)은 하나 이상의 획득 간격들 동안 하나 이상의 에너지 빈에서 검출된 광자 카운트들을 측정한다는 것이 주목될 수 있다. 이러한 데이터는 프로세싱 서브시스템(112)으로 직접 전달되거나 프로세싱 서브시스템(112)으로 이송되기 전에 추가로 프로세싱될 수 있다. 예를 들어, 검출된 광자 카운트들은 X-선 소스와 검출기 요소 사이에 위치된 물질들의 선형 감쇠 계수들의 선적분들에 대응하는 투영 데이터를 생성하도록 프로세싱될 수 있다. 검출된 카운트들 및/또는 프로세싱되는 검출된 카운트들 양측 모두를 포함하는 데이터는 총괄적으로 투영 데이터로 지칭된다는 것이 주목될 수 있다. 또한, 환자(102)로부터 획득된 투영 데이터는 환자(102) 내의 해부학적 관심 영역들에 대응하는 이미지들을 생성하도록 프로세싱 서브시스템(112)에 의해 프로세싱된다.
프로세싱 서브시스템(112)은, 예를 들어, 하나 이상의 애플리케이션 특정 프로세서, 그래픽 프로세싱 유닛, 디지털 신호 프로세서, 마이크로컴퓨터, 마이크로제어기, 주문형 집적 회로(Application Specific Integrated Circuit, ASIC), 필드 프로그래밍가능 게이트 어레이(Field Programmable Gate Array, FPGA), 프로그래밍가능 로직 어레이(Programmable Logic Array, PLA), 및/또는 다른 적합한 프로세싱 디바이스를 포함할 수 있다. 추가로 또는 대안으로, 프로세싱 서브시스템(112)은 추후 사용을 위해 획득된 투영 데이터 및/또는 사용자 입력을 데이터 저장소(116)에 저장하도록 구성될 수 있다. 일 실시예에서, 데이터 저장소(116)는, 예를 들어, 하드 디스크 드라이브, 플로피 디스크 드라이브, CD-R/W(compact disk-read/write) 드라이브, DVD(Digital Versatile Disc) 드라이브, 플래시 드라이브, 및/또는 솔리드 스테이트 저장 디바이스를 포함할 수 있다.
특정 실시예들에서, 프로세싱 서브시스템(112)은 환자(102)에 대응하는 타깃 볼륨의 이미지들을 재구성하기 위해 데이터 저장소(116)로부터 투영 데이터 및/또는 임의의 사용자 입력을 검색하도록 구성될 수 있다. 추가로 또는 선택적으로, 일 실시예에서, 프로세싱 서브시스템(112)은 타깃 볼륨을 이미징하기 위해 시스템(100)에 의해 채용되는 특정 물리적 원리들에 기초하여 재구성 및/또는 모션 보정을 위해 획득된 투영 데이터를 사전프로세싱하도록 구성될 수 있다. 예를 들어, 시스템 의료 이미징 시스템(108)이 CT 이미징 시스템에 대응하는 경우에, 프로세싱 서브시스템(116)은 타깃 볼륨의 원하는 이미지들을 재구성함에 있어서 하운스필드 단위(Hounsfield Unit)들을 생성하기 위해 동적 범위 정규화를 수행하도록 구성될 수 있다.
이해되는 바와 같이, 종래의 광자 카운팅 이미징 시스템들에서 사용되는 검출기들의 단점은 CT 시스템들에서 전형적으로 직면하는 X-선 광자 플럭스 레이트들에서 카운팅할 수 없다는 그들의 무능력이다. 특히, 매우 높은 X-선 광자 플럭스 레이트에 의해 야기되는 파일업 및 분극화는 검출기들의 검출기 포화, 플럭스 손실, 및 예측 불가능한 거동으로 이어진다. 또한, 검출기 포화는 이미징 정보의 손실로 이어지고, 그 결과, X-선 투영 및 CT 이미지들에 잡음 및 아티팩트들을 초래한다. 광자 카운팅 직접 변환 검출기들은 주로 검출기 파일업으로 인해 높은 카운트 레이트들에서 감소된 검출기 양자 효율(DQE)을 겪어서, 이에 의해, 감소된 이미지 품질, 즉 잡음이 더 많은 이미지를 초래할 수 있다. 또한, 히스테리시스 및 다른 비선형 효과들이 검출기 포화 부근의 플럭스 레벨들뿐만 아니라 검출기 포화 초과의 플럭스 레벨들에서 발생하여, 이미지 아티팩트들을 초래한다.
본 명세서의 예시적인 태양들에 따르면, 프로세싱 서브시스템(112)은 파일업 및 픽셀 오버레인지와 같은 공지의 유해한 영향들의 보정을 돕도록 구성된 잡음 보정 플랫폼(114)을 포함할 수 있다. 더 구체적으로, 잡음 보정 플랫폼(114)은 재구성된 이미지들에서의 잡음의 감소를 용이하게 하도록 구성된다. 구체적으로, 잡음 보정 플랫폼(114)은 잡음의 통계적 속성들을 포함하는 잡음 모델을 통해 획득된 투영 데이터를 프로세싱하여, 이에 의해, 재구성된 이미지들에서 잡음의 감소를 용이하게 하도록 구성된다. 예시적인 잡음 보정 플랫폼(114)은, 객체에 대응하는 투영 데이터에 기초하여 측정된 사이노그램을 생성하도록, 이미징 시스템의 거동/하나 이상의 특성들을 표현하는 순방향 모델을 공식화하도록, 추정된 이미지, 순방향 모델, 또는 추정된 이미지와 순방향 모델 양측 모두에 기초하여 추정된 사이노그램을 생성하도록, 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들에 기초하여 통계 모델을 공식화하도록, 통계 모델 및 추정된 사이노그램에 기초하여 추정된 이미지에 대응하는 이미지 업데이트를 결정하도록, 결정된 업데이트에 기초하여 추정된 이미지를 업데이트하여 감소된 잡음을 갖는 업데이트된 이미지를 생성하도록, 그리고 객체/환자(102)의 적어도 최종 이미지를 출력하도록 구성된다. 객체의 최종 이미지는 환자(102)의 최종 재구성된 이미지를 포함할 수 있다. 또한, 일례에서, 최종 재구성된 이미지는 디스플레이(118)와 같은 디스플레이 상에 시각화의 형태로 출력될 수 있다. 특정 실시예들에서, 최종 재구성된 이미지는 단색성 에너지 이미지들 또는 기저 물질 이미지들을 포함할 수 있다. 잡음 보정 플랫폼(114)은 도 4 내지 도 13을 참조하여 더 상세히 기술될 것이다.
또한, 도 1에 도시된 현재 고려되는 구성에서, 프로세싱 서브시스템(112)은 잡음 보정 플랫폼(114)을 포함하는 것으로 도시되어 있다. 그러나, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 또한, 프로세싱 서브시스템(112) 및 의료 이미징 시스템(108)으로부터 물리적으로 분리된 독립형 유닛으로서 사용될 수 있다. 예로서, 잡음 보정 플랫폼(114)은 의료 이미징 시스템(108)의 외부에 있고 그에 동작가능하게 커플링될 수 있다.
특정 실시예들에서, 프로세싱 서브시스템(112)은 데이터 저장소(116)와 같은 저장 시스템에 추가로 커플링될 수 있다. 데이터 저장소(116)는 이미지 데이터를 수신하고/하거나 저장하도록 구성된다.
또한, 도 1에 도시된 바와 같이, 의료 이미징 시스템(108)은 디스플레이(118) 및 사용자 인터페이스(120)를 포함할 수 있다. 그러나, 터치 스크린에서와 같은 특정 실시예들에서, 디스플레이(118)와 사용자 인터페이스(120)는 중첩될 수 있다. 또한, 일부 실시예들에서, 디스플레이(118) 및 사용자 인터페이스(120)는 공통 영역을 포함할 수 있다. 본 명세서의 태양들에 따르면, 의료 이미징 시스템(108)의 디스플레이(118)는 잡음 보정 플랫폼(114)에 의해 획득 및 프로세싱된 투영 데이터에 기초하여 의료 이미징 시스템(108)에 의해 생성된 이미지를 디스플레이하도록 구성될 수 있다. 추가로, 의료 이미징 시스템(108)에 의해 생성된 재구성된 이미지들은, 질병 상태들을 식별하고/하거나 치료에 대한 필요성을 평가하고/하거나 적합한 치료 옵션들을 결정하고/하거나 질환 상태들에 대한 치료의 효과를 모니터링하는 데 있어서 임상의를 돕기 위해 채용될 수 있다. 용어들 "치료" 및 "테라피"는 상호교환가능하게 사용될 수 있다는 것이 주목될 수 있다.
또한, 의료 이미징 시스템(108)의 사용자 인터페이스(120)는 임상의가 디스플레이(118) 상에 디스플레이된 이미지 데이터를 조작하는 데 있어서 용이하게 하도록 구성된 인간 인터페이스 디바이스(도시되지 않음)를 포함할 수 있다. 인간 인터페이스 디바이스는 임상의가 테라피를 필요로 하는 하나 이상의 관심 영역들을 식별하는 것을 용이하게 하도록 구성된 마우스 타입 디바이스, 트랙볼, 조이스틱, 스타일러스, 또는 터치 스크린을 포함할 수 있다. 그러나, 이해되는 바와 같이, 터치 스크린과 같은 그러나 이로 제한되지 않는 다른 인간 인터페이스 디바이스들이 또한 채용될 수 있다. 또한, 본 명세서의 태양들에 따르면, 사용자 인터페이스(120)는 임상의가 의료 이미징 시스템(108)에 의해 생성된 이미지를 통해 내비게이션하는 것을 돕도록 구성될 수 있다.
도 1을 참조하여 이전에 언급된 바와 같이, 의료 이미징 시스템(108)은 CT 이미징 시스템을 포함할 수 있다. 도 2는 본 명세서에 따른, 이미지 데이터를 획득 및 프로세싱하기 위한 이미징 시스템(200)을 도시한 블록도이다. 도시된 실시예에서, 시스템(200)은, X-선 투영 데이터를 획득하도록, 투영 데이터를 이미지로 재구성하도록, 그리고 본 명세서에 따른 디스플레이 및 분석을 위해 이미지 데이터를 프로세싱하도록 설계된 CT 이미징 시스템이다. 도 2에 도시된 실시예에서, 이미징 시스템(200)은 X-선 방사선의 소스(202)를 포함한다. 일 실시예에서, X-선 방사선의 소스(200)는 X-선 튜브를 포함할 수 있다. X-선 방사선의 소스(202)는 X-선들을 생성하기 위해 애노드에서 지향된 열전자 또는 솔리드 스테이트 전자 방출기들, 또는 실제로, 원하는 객체를 이미징하는 데 유용한 스펙트럼 및 에너지를 갖는 X-선을 생성할 수 있는 임의의 다른 방출기를 포함할 수 있다. 적합한 전자 방출기들의 예들은 텅스텐 필라멘트, 텅스텐 플레이트, 전계 방출기, 열 전계 방출기(thermal field emitter), 분배기 캐소드, 열전자 캐소드, 광방출기(photo-emitter), 및 강유전체 캐소드를 포함한다.
방사선의 소스(202)는 방사선의 소스(202)에 의해 방출되는 방사선의 스트림(206)을 형상화하도록 구성될 수 있는 시준기(204) 근처에 위치될 수 있다. 방사선의 스트림(206)은 환자(102)(도 1 참조)와 같이 이미징될 대상(208)을 포함하는 이미징 볼륨 내로 전달된다. 방사선의 스트림(206)은 검출기 어레이의 구성뿐만 아니라 원하는 데이터 획득 방법에 따라 일반적으로 팬 형상화 또는 원추 형상화될 수 있다. 방사선의 일부분(210)은 대상(208)을 통해 또는 그 주변을 통과하고, 일반적으로 도면 부호 212로 표현되는 검출기 어레이에 충돌한다. 검출기 또는 검출기 어레이(212)의 검출기 요소들은 입사 X-선 빔의 세기 또는 하나 이상의 에너지 빈에서 획득 간격 동안 검출된 광자들의 카운트들을 표현하는 전기 신호들을 생성한다. 이러한 신호들은 획득되어 대상(208) 내의 특징부들의 이미지를 재구성하도록 프로세싱된다.
방사선 소스(202)는 시스템 제어기(214)에 의해 제어되는데, 이는 CT 검사 시퀀스들을 위한 전력 및 제어 신호들 양측 모두를 제공한다. 또한, 검출기(212)는 검출기(212)에서 생성된 신호들의 획득을 명령하는 시스템 제어기(214)에 커플링된다. 시스템 제어기(214)는 또한, 예컨대 동적 범위들의 초기 조정, 디지털 이미지 데이터의 인터리빙 등을 위해, 다양한 신호 프로세싱 및 필터링 기능들을 실행할 수 있다. 일반적으로, 시스템 제어기(214)는 검사 프로토콜들을 실행하고 획득된 데이터를 프로세싱하도록 이미징 시스템(200)의 동작을 명령한다. 본 맥락에서, 시스템 제어기(214)는, 또한, 전형적으로 범용 또는 주문형 디지털 컴퓨터에 기초하는 신호 프로세싱 회로부, 컴퓨터에 의해 실행되는 프로그램들 및 루틴들뿐만 아니라 구성 파라미터들 및 이미지 데이터를 저장하기 위한 연관된 메모리 회로부, 인터페이스 회로들 등을 포함한다.
도 2에 도시된 실시예에서, 시스템 제어기(214)는 모터 제어기(222)를 통해 회전 서브시스템(216) 및 선형 포지셔닝 서브시스템(218)에 커플링된다. 일 실시예에서, 회전 서브시스템(216)은 X-선 소스(202), 시준기(204) 및 검출기(212)가 환자(208) 둘레를 1회 또는 다수회 회전되는 것을 가능하게 한다. 다른 실시예들에서, 회전 서브시스템(216)은 소스(202) 또는 검출기(212) 중 하나만을 회전시키거나 또는 다양한 정지된 전자 방출기들을 별도로 활성화시켜서 이미징 볼륨을 중심으로 하여 링으로 배열되는 X-선 방사선 및/또는 검출기 요소들을 생성할 수 있다. 소스(202) 및/또는 검출기(212)가 회전되는 실시예들에서, 회전 서브시스템(216)은 갠트리(도 2에 도시되지 않음)를 포함할 수 있다. 따라서, 시스템 제어기(214)는 갠트리를 동작시키는 데 활용될 수 있다. 선형 포지셔닝 서브시스템(218)은 환자(208), 또는 더 구체적으로, 환자 테이블(도 2에 도시되지 않음)이 선형으로 변위되는 것을 가능하게 한다. 따라서, 환자 테이블은 환자(208)의 특정 영역들의 이미지들을 생성하도록 하기 위해 갠트리 내에서 선형으로 이동될 수 있다.
추가로, 당업자에 의해 이해되는 바와 같이, 방사선 소스(202)는 시스템 제어기(214) 내에 배치된 X-선 제어기(220)에 의해 제어될 수 있다. 특히, X-선 제어기(220)는 X-선 소스(202)에 전력 및 타이밍 신호들을 제공하도록 구성된다.
추가로, 시스템 제어기(214)는, 또한, 데이터 획득 시스템(224)을 포함하는 것으로 도시되어 있다. 이러한 실시예에서, 검출기(212)는 시스템 제어기(214)에, 더 구체적으로는 데이터 획득 시스템(224)에 커플링된다. 데이터 획득 시스템(224)은 검출기(212)의 독출 전자기기에 의해 수집된 데이터를 수신한다. 데이터 획득 시스템(224)은, 전형적으로, 검출기(212)로부터 샘플링된 아날로그 신호들을 수신하고, 컴퓨터(226)에 의한 후속 프로세싱을 위해 데이터를 디지털 신호들로 변환한다.
컴퓨터(226)는, 전형적으로, 시스템 제어기(214)에 커플링되거나 그를 포함한다. 데이터 획득 시스템(224)에 의해 수집된 데이터는 후속 프로세싱 및 재구성을 위해 컴퓨터(226)로 전송될 수 있다. 컴퓨터(226)는, 컴퓨터(226)에 의해 프로세싱된 데이터 또는 컴퓨터(226)에 의해 프로세싱될 데이터를 저장할 수 있는 메모리(228)를 포함할 수 있거나 또는 그와 통신할 수 있다. 다량의 데이터를 저장하도록 구성된 임의의 타입의 메모리가 시스템(200)에 의해 활용될 수 있다는 것이 주목될 수 있다. 또한, 메모리(228)는 획득 시스템에 위치될 수 있거나, 또는 이하에서 기술되는 기법들을 구현하기 위한 데이터, 프로세싱 파라미터들, 및/또는 루틴들을 저장하기 위한, 네트워크 액세스가능 메모리 매체와 같은 원격 컴포넌트들을 포함할 수 있다.
컴퓨터(226)는, 또한, 시스템 제어기(214)에 의해 인에이블될 수 있는 스캐닝 동작들 및 데이터 획득과 같은 특징들을 제어하도록 구성될 수 있다. 게다가, 컴퓨터(226)는, 전형적으로 키보드 및 다른 입력 디바이스들(도시되지 않음)을 갖춘 조작자 워크스테이션(230)을 통해 조작자로부터 커맨드들 및 스캐닝 파라미터들을 수신하도록 구성될 수 있다. 조작자 워크스테이션(230)이, 특정 실시예들에서, 사용자 인터페이스(120)(도 1 참조)를 포함할 수 있다는 것이 주목될 수 있다. 이에 의해, 임상의 또는 기술자와 같은 조작자가 입력 디바이스들을 통해 시스템(200)을 제어할 수 있다. 따라서, 임상의 또는 기술자는 컴퓨터(226)로부터 시스템(200)에 관련된 재구성된 이미지 및 다른 데이터를 관찰할 수 있고, 이미징을 개시할 수 있고, 등등을 할 수 있다.
조작자 워크스테이션(230)에 커플링된 디스플레이(232)는 재구성된 이미지들을 관찰하는 데 활용될 수 있다. 디스플레이(232)가, 특정 실시예들에서, 디스플레이(118)(도 1 참조)일 수 있다는 것이 주목될 수 있다. 추가로, 스캐닝된 이미지는, 또한, 조작자 워크스테이션(230)에 커플링될 수 있는 프린터(234)에 의해 프린트될 수 있다. 디스플레이(232) 및 프린터(234)는 또한, 직접적으로 또는 조작자 워크스테이션(230)을 통해 컴퓨터(226)에 접속될 수 있다. 조작자 워크스테이션(230)은, 또한, PACS(picture archiving and communications system)(236)에 커플링될 수 있다. PACS(236)는 RIS(radiology department information system), HIS(hospital information system)와 같은 원격 시스템(238)에, 또는 내부 또는 외부 네트워크에 커플링되어, 상이한 위치들에 있는 다른 임상의들이 이미지 데이터에 액세스할 수 있게 할 수 있다는 것에 유의해야 한다.
또한, 컴퓨터(226) 및 조작자 워크스테이션(230)은 표준 또는 특수 목적 컴퓨터 모니터들 및 연관된 프로세싱 회로부를 포함할 수 있는 다른 출력 디바이스들에 커플링될 수 있다는 것에 유의해야 한다. 하나 이상의 조작자 워크스테이션들(230)이, 시스템 파라미터들을 출력하고, 검사를 요청하고, 이미지들을 보고, 등등을 하기 위해 시스템에 추가로 링크될 수 있다. 일반적으로, 시스템(200) 내에 공급되는 디스플레이, 프린터, 워크스테이션, 및 유사한 디바이스는 데이터 획득 컴포넌트에 대해 국부적일 수 있거나, 또는 이러한 컴포넌트들로부터 원격으로, 예컨대, 인터넷, 가상 사설망 등과 같은 하나 이상의 구성가능한 네트워크들을 통해 이미지 획득 시스템에 링크된, 기관 또는 병원 내의 어딘가 다른 곳 또는 전체적으로 상이한 위치에 있을 수 있다.
위에서 언급된 바와 같이, 본 실시예에서 활용되는 예시적인 이미징 시스템은, 도 3에서 더 상세히 도시된 바와 같이, CT 스캐닝 시스템(300)일 수 있다. CT 스캐닝 시스템(300)은 넓은 어레이의 축방향 커버리지, 갠트리의 높은 회전 속도, 및 높은 공간 해상도를 제공하는 다중 슬라이스 CT(multi-slice CT, MSCT) 시스템일 수 있다. 대안으로, CT 스캐닝 시스템(300)은 높은 또는 낮은 갠트리 회전 속도에서 대상의 전체 내부 기관과 같은 볼륨의 이미징을 허용하도록 원추형 빔 기하구조 및 영역 검출기를 활용하는 볼륨 CT(volumetric CT, VCT)일 수 있다. CT 스캐닝 시스템(300)은 환자(102)(도 1 참조)와 같은 환자가 통과하여 이동될 수 있는 개구(306)를 갖는 갠트리(304) 및 프레임(302)을 갖는 것으로 도시되어 있다. 환자 테이블(308)은, 전형적으로 선형 포지셔닝 서브시스템(218)(도 2 참조)에 의한 테이블(308)의 선형 변위를 통해, 환자(102)의 이동을 용이하게 하도록 프레임(302) 및 갠트리(304)의 개구(306) 내에 위치될 수 있다. 갠트리(304)는 하나 이상의 초점들(312)로부터 X-선 방사선을 방출하는 X-선 튜브와 같은 방사선의 소스(310)를 갖는 것으로 도시되어 있다. 심장 이미징화의 예에서, 방사선의 스트림은 심장을 포함하는 환자(102)의 단면을 향해 지향된다.
전형적인 동작에서, X-선 소스(310)는 초점(312)으로부터 검출기 어레이(314)를 향해 X-선 빔을 투영한다. 납 또는 텅스텐 셔터와 같은 시준기(204)(도 2 참조)는, 전형적으로, X-선 소스(310)로부터 나오는 X-선 빔의 크기 및 형상을 한정한다. 검출기(314)는, 일반적으로, 복수의 검출기 요소들에 의해 형성되며, 이는 심장 또는 흉부와 같은 환자(102) 내의 관심 영역을 통해 그리고 그 주변을 통과하는 X-선들을 검출한다. 각각의 검출기 요소는 빔이 검출기에 충돌하는 시간 동안 요소의 위치에서 X-선 빔의 세기를 표현하는 전기 신호를 생성한다. 대안으로, 에너지 식별용 광자 카운팅 CT 시스템에서, 각각의 검출기 요소는 하나 이상의 에너지 빈에서 획득 간격 동안 검출된 광자들의 카운트를 생성한다. 갠트리(304)는 복수의 방사선 촬영 뷰들이 컴퓨터(226)(도 2 참조)에 의해 수집될 수 있도록 관심 환자(102) 둘레에서 회전된다.
따라서, X-선 소스(310) 및 검출기(314)가 회전함에 따라, 검출기(314)는 감쇠된 X-선 빔들에 관련된 데이터를 수집한다. 이어서, 검출기(314)로부터 수집된 데이터는 스캐닝된 객체들의 감쇠 계수들의 선적분을 표현하도록 데이터를 조정하기 위해 사전프로세싱 및 교정을 겪는다. 이어서, 통상적으로 투영물 또는 투영 데이터로 지칭되는 프로세싱된 데이터는 스캐닝된 영역의 이미지를 공식화하도록 필터링 및 역투영될 수 있다. 공식화된 이미지는, 특정 모드들에서, 갠트리(304)의 360도 미만 또는 초과의 회전에 대한 투영 데이터를 포함할 수 있다.
일단 재구성되면, 도 2 및 도 3의 시스템들에 의해 생성된 이미지는 환자(102)의 내부 특징부들(316)을 드러낸다. 질병 상태들, 및 보다 일반적으로는, 의학적 질환들 또는 이벤트들의 진단을 위한 전통적인 접근법에서, 방사선학자 또는 의사는, 전형적으로, 재구성된 이미지(318)를 고려하여 특유의 관심 특징부들을 파악한다. 심장 이미징에서, 그러한 특징부들(316)은 관심 관상 동맥 또는 관심 협착 병변, 및 다른 특징부들을 포함하는데, 이들은 개별 의사의 숙련도 및 지식에 기초하여 이미지에서 식별가능할 것이다. 다른 분석들은, 일반적으로 컴퓨터-보조 검출 또는 컴퓨터-보조 진단(computer-aided detection 또는 computer-aided diagnosis, CAD) 알고리즘들로 지칭되는 알고리즘들을 포함하는 다양한 알고리즘들의 능력들에 기초할 수 있다.
특히, 시스템(100)(도 1 참조) 및 잡음 보정 플랫폼(114)(도 1 참조)의 작업은 도 4 내지 도 11에 도시된 예시적인 로직을 참조하면 더 잘 이해될 수 있다.
본 명세서에서, 도 4 내지 도 11의 예시적인 방법들의 실시예들은 컴퓨팅 시스템 또는 프로세서 상에서의 컴퓨터 실행가능 명령어들의 일반적인 맥락에서 기술될 수 있다. 일반적으로, 컴퓨터 실행가능 명령어들은, 특정 기능들을 수행하거나 특정 추상적 데이터 타입들을 구현하는 루틴, 프로그램, 객체, 컴포넌트, 데이터 구조, 절차, 모듈, 기능 등을 포함할 수 있다.
추가로, 도 4 내지 도 11의 예시적인 방법들의 실시예들은, 또한, 유선 및/또는 무선 통신 네트워크를 통해 링크되는 원격 프로세싱 디바이스들에 의해 최적화 기능들이 수행되는 분산형 컴퓨팅 환경에서 실시될 수 있다. 분산형 컴퓨팅 환경에서, 컴퓨터 실행가능 명령어들은 메모리 저장 디바이스들을 포함하는 로컬 및 원격 컴퓨터 저장 매체 양측 모두에 위치될 수 있다.
또한, 도 4 내지 도 11에서, 예시적인 방법들은 하드웨어, 소프트웨어, 또는 이들의 조합들로 구현될 수 있는 동작들을 표현하는 논리 흐름도에서 블록들의 집합으로서 도시되어 있다. 수행되는 기능들을 예시하기 위해 블록들에 다양한 동작들이 도시된다. 소프트웨어의 맥락에서, 블록들은, 하나 이상의 프로세싱 서브시스템들에 의해 실행될 때, 언급된 동작들을 수행하는 컴퓨터 명령어들을 표현한다.
도 4 내지 도 11의 예시적인 방법들이 기술되는 순서는 제한으로 해석되도록 하고자 함이 아니며, 임의의 수의 설명되는 블록들은 본 명세서에서 개시되는 예시적인 방법들, 또는 등가의 대안의 방법들을 구현하기 위해 임의의 순서로 조합될 수 있다. 추가로, 특정 블록들은 예시적인 방법들로부터 삭제될 수 있거나, 또는 본 명세서에서 기술되는 주제의 사상 및 범주로부터 벗어남이 없이 추가된 기능을 갖는 추가 블록들에 의해 증강될 수 있다. 이하에서 예시되는 예시적인 실시예들이 의료 이미징 시스템의 맥락에서 기술되지만, 산업적 응용예들에서의 시스템들 및 방법들의 사용이 본 명세서와 함께 또한 고려된다는 것이 이해될 것이다.
이제 도 4를 참조하면, 이미징 방법을 위한 예시적인 로직(400)의 흐름도가 도시되어 있다. 본 명세서의 예시적인 태양들에 따르면, X-선 파일업의 고유한 통계적 속성들을 포함하는 모델의 사용을 통해 PCCT 시스템들에서 이미지 품질을 향상시키기 위한 방법이 제시된다. 방법(400)은 도 1 내지 도 3의 컴포넌트들을 참조하여 기술된다. 또한, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 방법(400)의 단계들을 수행하기 위해 채용될 수 있다.
방법은 단계(402)에서 시작되며, 여기서 환자(102, 208)와 같은 환자의 CT 스캔이 수행되고, 환자(208) 내의 하나 이상의 해부학적 관심 영역들에 대응하는 CT 투영 데이터가 획득된다. 예로서, 의료 이미징 시스템(200)은 X-선 감쇠 데이터를 획득하도록 구성되는데, 여기서 X-선 감쇠 데이터는 프로세싱 및/또는 재구성을 위해 사용된다. 획득된 투영 데이터는 환자(208)와 같은 대상 내의 타깃 영역에 대응하는 데이터를 나타낸다. X-선 소스(202, 310)는 X-선 튜브, 분산형 X-선 소스(예컨대, 솔리드 스테이트 또는 열전자 X-선 소스), 또는 의학적 또는 다른 이미지들의 획득에 적합한 X-선 방사선의 임의의 다른 소스일 수 있다는 것이 주목될 수 있다. 소스(202)에 의해 생성된 X-선들(206)은 이미징 또는 진단 절차 동안 환자(208)가 위치되어 있는 영역을 횡단한다. 일례에서, X-선(206)은 그 시준기(204)를 통해 시준되어 빔(206)을 형성할 수 있다. 이러한 빔(206)은 이미징된 볼륨을 통과할 수 있다. X-선 방사선(206)의 일부분(210)은 환자(208)(또는 다른 관심 대상)를 통해 또는 그 주변을 통과하고, 일반적으로 검출기(212)로 표현된 검출기 어레이에 충돌한다. 검출기(212)의 검출기 요소들은 입사 X-선들(210)의 일부분의 세기를 표현하는 전기 신호들을 생성한다. 이러한 신호들은 획득되어 환자(208) 내의 특징부들의 이미지들을 표현하도록 프로세싱된다. 또한, 이러한 이미지들은 일반적으로 "투영 이미지들" 또는 "투영 뷰들"로 지칭되고, 환자(208)에 대한 X-선 소스(202) 및 검출기(212)의 많은 상이한 회전각에서 획득된 투영 데이터에 대응한다. 반대로, 산업용 CT 시스템에서, X-선 소스(202) 및 검출기(212)는 고정된 상태로 유지되고, 객체는 회전되어 투영 뷰들을 생성한다. 더욱이, 이러한 투영 이미지들은 사이노그램으로 조합되는데, 여기서 사이노그램은 다수의 뷰들을 단일 데이터 세트로 수집한다. 도면 부호 404는 일반적으로 단계(402)에서 획득된 측정된 사이노그램 데이터를 표현한다.
또한, 단계(406)에서, 순방향 모델(408)이 공식화되거나 생성된다. 특히, 순방향 모델(408)은 이미징 시스템(100, 200)의 거동 또는 하나 이상의 특성들을 표현한다. 구체적으로, 통계적 반복 재구성(SIR) 알고리즘의 각각의 반복 동안, 순방향 모델(408)은 재구성된 이미지를 프로세싱하여 추정된 사이노그램을 생성하도록 채용된다.
따라서, 이미징 시스템(100, 200), 및 더 구체적으로, 잡음 보정 플랫폼(114)은 이미징 시스템(200)의 검출기(212)의 파일업 특성들 및 데드 타임 특성들을 획득하도록 구성된다. 또한, 잡음 보정 플랫폼(114)은, 또한, 이미징 시스템(200)의 시스템 특성들을 획득하도록 구성된다. 일 실시예에서, 순방향 모델(408)은 시스템 특성들에 기초하여 이미징 시스템(100, 200)의 거동을 모델링함으로써 생성된다. 순방향 모델(408)의 이러한 실시예의 공식화는 도 6을 참조하여 더 상세히 기술될 것이다. 특정의 다른 실시예들에서, 순방향 모델(408)은, 예를 들어, 파일업 특성들, 데드 타임 특성들, 시스템 특성들, 측정된 시스템 거동, 또는 이들의 조합들에 기초하여 이미징 시스템(100, 200)의 거동을 모델링함으로써 생성된다. 순방향 모델(408)의 이러한 실시예의 공식화는 도 7을 참조하여 더 상세히 기술될 것이다.
또한, 추정된 이미지는 단계(410)에 의해 나타낸 바와 같이 초기화될 수 있다. 일 실시예에서, 추정된 이미지는 모든 픽셀들을 "1"로 설정함으로써 초기화될 수 있다. 다른 실시예들에서, 추정된 이미지를 초기화하는 데 필터링된 역투영 이미지가 사용될 수 있다. 도면 부호 412는 일반적으로, 추정된 이미지를 표현할 수 있다. 후속으로, 단계(414)에서, 추정된 이미지(412) 및 순방향 모델(408)에 기초하여 추정된 사이노그램(416)이 생성된다.
이해되는 바와 같이, 추정된 사이노그램(416)은 재구성된 이미지를 생성하기 위해 채용된다. SIR 프로세스에서, 재구성이 완료될 때 생성된 재구성된 이미지는 고품질 이미지인 것이 바람직하다. 따라서, 추정된 사이노그램(416)은 고품질의 재구성된 이미지의 생성을 용이하게 하기 위해 측정된 사이노그램(404)에 직접 비교할 만한 것이 바람직하다. 따라서, 추정된 사이노그램(416)은 측정된 사이노그램(404)과 비교된다. 이러한 비교에 기초하여, 추정된 사이노그램(416)이 후속 반복에서의 측정된 사이노그램(404)과 더 유사하게 되는 것을 도울 업데이트된 추정/재구성된 이미지를 계산하는 것이 바람직할 수 있다.
따라서, 단계(418)에 의해 나타낸 바와 같이, 추정된 이미지(412)에 대한 하나 이상의 이미지 업데이트들(424)이 계산된다. 그를 위해, 추정된 사이노그램(416)은 측정된 사이노그램(404)에 비교된다. 특히, 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이가 결정된다. 일 실시예에서, 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이를 결정하기 위해 통계 모델이 채용된다. 후속으로, 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이에 기초하여 추정된 이미지(412)에 대한 업데이트가 계산된다.
위에서 언급된 바와 같이, 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이를 결정하기 위해 통계 모델이 채용된다. 따라서, 단계(420)에 의해 나타낸 바와 같이, 통계 잡음 모델이 생성된다. 일 실시예에서, 통계 잡음 모델은 이미징 시스템(200)의 검출기(212)의 통계적 거동 및 인가된 X-선 세기(206)에 기초하여 생성된다. 특정 예들에서, 통계 모델은 파일업을 갖는 검출기의 데드 타임 특성들 및 파일업 특성들에 기초하여 생성된다. 또한, 통계 모델은 검출기(212)의 펄스 응답(들)에 기초할 수 있다.
더욱이, 특정 실시예들에서, 통계 모델의 적어도 하나의 파라미터는 2개 이상의 이웃 검출기 채널들에 대응하는 검출기 측정치들, 둘 이상의 에너지 빈에 대응하는 검출기 측정치들, 또는 이들의 조합에 기초하여 추정된다. 특정의 다른 실시예들에서, 통계 모델의 적어도 하나의 파라미터는 반복적으로 추정될 수 있다. 또한, 또 다른 실시예에서, 통계 모델의 적어도 하나의 파라미터는 잡음제거 기법, 분산 감소 기법, 심층 신경망, 또는 이들의 조합들에 기초하여 추정될 수 있다.
이해되는 바와 같이, 반복 프로세스에서, 사이노그램이 추정되고 측정된 사이노그램에 비교된다. 추가로, 가중치들은 추정된 사이노그램과 측정된 사이노그램 사이의 차이들에 기초하여 이미지들을 업데이트하는 방법을 결정하는 데 사용된다. 특히, 추정된 사이노그램과 측정된 사이노그램 사이의 차이들은 모두 동일하게 중요하지는 않다. 높은 카운트들을 갖는 픽셀은 낮은 카운트들을 갖는 픽셀보다 더 높은 신호대잡음비를 갖는다. 따라서, 높은 카운트의 픽셀이 이미지에 더 중요하다. 따라서, 높은 카운트의 픽셀에는 비교 시에 더 높은 가중치가 부여된다. 구체적으로, 통계 모델은 각각의 픽셀에 얼마나 많은 가중치가 부여될 필요가 있는지 결정하기 위해 채용된다. 더욱이, 파일업의 존재 시에, 잡음 모델은 Poisson 분포가 아니게 된다. 따라서, 특정 검출기의 파일업 거동에 기초하여 측정된 주어진 수의 카운트들에 대한 정확한 잡음을 계산하는 것이 바람직하다.
본 명세서의 태양들에 따르면, 통계 모델은 검출기(212)의 측정된 카운트들의 평균 및 분산의 보정을 제공하도록 구성된다. 잡음이 종래의 Binomial 잡음, Poisson 잡음, 또는 Gaussian 잡음에 대한 보정으로서 모델링된다는 것이 또한 주목될 수 있다.
또한, 통계 잡음 모델은 하나 이상의 통계 가중화 인자(statistical weighting factor)들(422)을 포함한다. 이러한 통계 가중화 인자들(422)은 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이를 결정하기 위해 채용된다. 단계(420)의 통계 모델의 생성은 도 8 내지 도 10을 참조하여 더 상세히 기술될 것이다.
또한, 본 명세서의 태양들에 따르면, X-선 파일업의 고유한 통계적 속성들이 PCCT 이미징을 위해 통계적 이미지 재구성 또는 물질 분해를 위한 반복 알고리즘의 통계 잡음 모델 내에 통합된다. 특히, 파일업을 갖는 검출기의 통계적 거동의 예시적인 잡음 모델은 SIR 알고리즘의 최적화 단계에서 목적 함수에 통합되어, 이에 의해, 잡음을 최적화하는 것 및 재구성된 이미지 내의 아티팩트들을 감소시키는 것 중 적어도 하나를 수행한다. 업데이트(들)를 결정하는 단계는, 전형적으로, 목적 함수의 최적화, 예를 들어, 가중된 최소 제곱 비용 함수 또는 로그 우도 함수로서 수행된다. 추정된 사이노그램(416)이 측정된 사이노그램(404)과 더 긴밀하게 매칭될수록, 목적 함수는 그의 최적치에 근접하고 있다는 것이 주목될 수 있다.
특정 실시예들에서, 통계 가중화 인자들(422)은 목적 함수를 계산하는 데 사용되는 가중화 인자들의 세트와 함께 포함될 수 있다. 이러한 가중치들은 모델 및 측정치들이 서로 비교될 수 있는 상이한 특징부들을 표현한다. 상이한 인자들을 비용 함수에 통합하고 가중치 인자(weight factor)들을 최적화함으로써, 생성된 이미지는 원하는 이미지 품질을 생성하도록 최적화될 수 있다. 최적화 단계 동안 통계 잡음 모델을 목적 함수에 포함시키는 것은 각각의 측정에서의 통계적 불확실성을 처리함으로써 잡음을 최적화하는 것 및 재구성된 이미지 내의 아티팩트들을 감소시키는 것 중 적어도 하나의 효과를 에뮬레이트한다. 또한, 일 실시예에서, 파일업 보정은 측정된 사이노그램(404)에 적용될 수 있다. 다른 실시예들에서, 파일업 보정은 순방향 모델(408) 내에 직접 통합될 수 있다. 대안의 실시예에서, 통계 가중화 인자들(422)은 데이터의 충실도에 관련되는 가중치들로 대체될 수 있다. 예를 들어, 가중치들은 측정 시의 파일업의 양 - 더 낮은 가중치들은 더 높은 양의 파일업에 대한 것이고, 더 높은 가중치들은 더 낮은 양의 파일업에 대한 것임 - 을 나타낼 수 있다.
통계 잡음 모델 또는 통계 가중화 인자들(422)을 통한 단계(418)의 프로세싱 전에, 하나 이상의 이미지 업데이트들(424)이 생성된다. 위에서 언급된 바와 같이, 이미지 업데이트(들)(424)는 추정된 사이노그램(416)과 측정된 사이노그램(404) 사이의 통계적으로 가중된 차이에 기초하여 결정된다. 이미지 업데이트들(424)을 결정하는 것은 도 11을 참조하여 더 상세히 기술될 것이다.
일단 이미지 업데이트들(424)이 결정되면, 추정된 이미지(412)는 결정된 업데이트(들)(424)에 기초하여 업데이트되어 업데이트된 추정된 이미지를 생성한다. 추정된 이미지를 업데이트하기 전에, 단계(426)에 의해 나타낸 바와 같이, 결정된 이미지 업데이트(424)가 수렴했는지의 여부를 검증하기 위해 검사가 수행된다. 일례에서, 이미지 업데이트(424)의 수렴은 결정된 이미지 업데이트(424) 또는 그의 함수들을 결정된 임계치와 비교함으로써 검증될 수 있다.
단계(426)에서, 이미지 업데이트(424)가 수렴하지 않은 것으로 결정되는 경우에, 추정된 이미지(412)는, 단계(428)에 의해 나타낸 바와 같이, 결정된 이미지 업데이트(424)의 사용을 통해 업데이트되어 업데이트된 추정된 이미지를 생성한다. 이어서, 제어가 단계(414)로 전달된다.
단계(414) 내지 단계(428)는 결정된 이미지 업데이트(424)가 수렴할 때까지 되풀이하여 반복될 수 있다. 제1 반복 시에, 추정된 이미지(412)는 단계(414) 내지 단계(428)의 반복 프로세스에 대한 입력으로서의 역할을 하고, 업데이트된 추정된 이미지는 단계(414) 내지 단계(428)의 반복 프로세스에 대한 출력으로서 생성된다는 것이 주목될 수 있다. 따라서, 후속 반복을 위해, 업데이트된 추정된 이미지는 단계(414) 내지 단계(428)의 반복 프로세스에 대한 입력으로서의 역할을 한다.
그러나, 단계(426)에서, 이미지 업데이트(424)가 수렴한 것으로 결정되는 경우에, 추정된 이미지(412)는 업데이트되지 않는다. 또한, 단계(430)에서, 추정된 이미지(412)는 최종 재구성된 이미지로서 출력될 수 있다. 일례에서, 최종 재구성된 이미지는 도 1의 디스플레이(118)와 같은 디스플레이 상에서 시각화될 수 있다. 그렇게 생성된 추정된 이미지는 측정된 사이노그램(404)과 추정된 사이노그램(416)의 최상의 매칭을 제공하는 최종 재구성된 이미지를 표현한다. 또한, 이러한 재구성된 이미지는 잡음 및/또는 이미지 아티팩트들의 효과가 예시적인 통계 잡음 모델의 사용을 통해 최적화/감소된 향상된 품질의 이미지를 표현한다. 임상의는 이러한 재구성된 이미지를 사용하여, 환자(208)에게 대한 진단을 제공하고/하거나 치료 계획을 환자(208)에게 제안하고/하거나 진행 중인 치료 계획의 효능을 연구할 수 있다.
도 5는 이미징의 다른 방법을 위한 예시적인 로직의 흐름도(500)를 나타낸다. 본 명세서의 예시적인 태양들에 따르면, X-선 파일업의 고유한 통계적 속성들을 포함하는 모델의 사용을 통해 PCCT 시스템들에서 이미지 품질을 향상시키기 위한 다른 방법이 제시된다. 도 5의 방법(500)은 도 4에 도시된 방법(400)과 실질적으로 유사하다. 그러나, 방법(500)에서, 측정된 사이노그램이 파일업 모델에 기초하여 파일업에 대해 보정되고, 파일업 보정된 측정된 사이노그램이 추정된 이미지에 대한 업데이트들을 계산하는 데 사용된다. 방법(500)은 도 1 내지 도 3의 컴포넌트들을 참조하여 기술된다. 추가로, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 방법(500)의 단계들을 수행하기 위해 채용될 수 있다.
방법(500)은 환자(208)의 CT 스캔이 수행되어 환자(102, 208)와 같은 환자 내의 하나 이상의 해부학적 관심 영역들에 대응하는 CT 투영 데이터를 획득하는 단계(502)에서 시작한다. 획득된 투영 이미지들은 측정된 사이노그램(504)을 형성하도록 조합된다.
더욱이, 도 5의 방법(500)에서는, 단계(506)에서, 측정된 사이노그램(504)이 파일업에 대해 보정된다. 일 실시예에서, 파일업 모델(508)이 사용되어 측정된 사이노그램(504)에서의 임의의 파일업 효과들을 보정하여 파일업 보정된 사이노그램(510)을 생성한다.
또한, 단계(512)에서, 순방향 모델(514)이 공식화되거나 마련된다. 앞서 언급된 바와 같이, 잡음 보정 플랫폼(114)은 이미징 시스템(200)의 검출기(212)의 파일업 특성들 및 데드 타임 특성들, 및 이미징 시스템(200)의 시스템 특성들을 획득하도록 구성된다. 또한, 일 실시예에서, 순방향 모델(514)은 시스템 특성들에 기초하여 이미징 시스템(200)의 거동을 모델링함으로써 생성되는 반면, 다른 실시예들에서, 순방향 모델(514)은 파일업 특성들, 데드 타임 특성들, 시스템 특성들, 측정된 시스템 거동, 또는 이들의 조합들과 같은, 그러나 이로 제한되지 않는, 시스템 고려사항들에 기초하여 이미징 시스템(200)의 거동을 모델링함으로써 생성된다.
또한, 추정된 이미지(518)는 단계(516)에 의해 나타낸 바와 같이 초기화될 수 있다. 일 실시예에서, 추정된 이미지(518)는 모든 픽셀들을 "1"로 설정함으로써 초기화될 수 있다. 다른 실시예들에서, 추정된 이미지(518)를 초기화하는 데 필터링된 역투영 이미지가 사용될 수 있다. 또한, 단계(520)에서, 추정된 이미지(518) 및 순방향 모델(514)에 기초하여 추정된 사이노그램(522)이 생성된다.
도 4를 참조하여 앞서 언급된 바와 같이, 추정된 사이노그램(522)은 재구성된 이미지를 생성하기 위해 채용된다. 따라서, 추정된 사이노그램(522)은 고품질의 재구성된 이미지의 생성을 용이하게 하기 위해 파일업 보정된 사이노그램(510)에 직접 비교할 만한 것이 바람직하다. 따라서, 특정 상황들에서, 추정 이미지(518)에 대한 하나 이상의 업데이트들을 결정하는 것이 바람직할 수 있다.
따라서, 단계(524)에 의해 나타낸 바와 같이, 추정된 이미지(518)에 대한 하나 이상의 업데이트들은 통계 모델 및 측정된 파일업 보정된 사이노그램(510)에 기초하여 계산된다. 이를 위해, 방법(500)의 예에서, 추정된 사이노그램(522)은 측정된 파일업 보정된 사이노그램(510)에 비교된다. 특히, 추정된 사이노그램(522)과 측정된 파일업 보정된 사이노그램(510) 사이의 통계적으로 가중된 차이가 결정된다.
따라서, 단계(526)에서, 통계 모델이 생성되고, 통계 모델은 추정된 사이노그램(522)과 측정된 파일업 보정된 사이노그램(510) 사이의 통계적으로 가중된 차이를 결정하는 데 사용된다. 통계 모델은 하나 이상의 통계 가중화 인자들(528)을 포함하는데, 여기서 통계 가중화 인자들(528)은 추정된 사이노그램(522)과 측정된 파일업 보정된 사이노그램(510) 사이의 통계적으로 가중된 차이를 결정하기 위해 채용된다. 도 4를 참조하여 앞서 언급된 바와 같이, 통계 모델은 이미징 시스템(200)의 검출기(212)의 통계적 거동에 기초하여 생성된다. 특정 예들에서, 통계 모델은 파일업을 갖는 검출기의 데드 타임 특성들 및 파일업 특성들에 기초하여 생성된다.
도 4를 참조하여 앞서 언급된 바와 같이, X-선 파일업의 고유한 통계적 속성들은 PCCT 이미징을 위해 통계적 이미지 재구성 또는 물질 분해를 위한 반복 알고리즘의 통계 잡음 모델 내에 통합된다. 특히, 파일업을 갖는 검출기의 통계적 거동의 예시적인 통계 잡음 모델은 SIR 알고리즘의 최적화 단계에서 목적 함수에 통합되어, 이에 의해, 잡음을 최적화하는 것 및 재구성된 이미지 내의 아티팩트들을 감소시키는 것 중 적어도 하나를 수행한다. 업데이트(들)를 결정하는 단계는, 전형적으로, 목적 함수의 최적화, 예를 들어, 가중된 최소 제곱 비용 함수 또는 로그 우도 함수로서 수행된다. 추정된 사이노그램(522)이 파일업 보정된 사이노그램(510)과 더 긴밀하게 매칭될수록, 목적 함수는 그의 최적치에 더 가깝다는 것이 주목될 수 있다.
특정 실시예들에서, 통계 가중화 인자들(528)은 목적 함수를 계산하는 데 사용되는 가중화 인자들의 세트와 함께 포함될 수 있다. 이러한 가중치들은 모델 및 측정치들이 서로 비교될 수 있는 상이한 특징부들을 표현한다. 상이한 인자들을 비용 함수에 통합하고 가중치 인자들을 최적화함으로써, 생성된 이미지는 원하는 이미지 품질을 생성하도록 최적화될 수 있다. 최적화 단계 동안 통계 잡음 모델을 목적 함수에 포함시키는 것은 각각의 측정에서의 통계적 불확실성을 처리함으로써 재구성된 이미지에서의 잡음을 최적화하는 효과를 에뮬레이트한다.
더욱이, 추정된 이미지(518)에 대한 업데이트는 추정된 사이노그램(522)과 파일업 보정된 사이노그램(510) 사이의 통계적으로 가중된 차이에 기초하여 계산된다. 통계 모델 또는 통계 가중화 인자들(528)을 통한 단계(524)의 프로세싱에 후속하여, 하나 이상의 이미지 업데이트들(530)이 생성된다.
일단 이미지 업데이트들(530)이 결정되면, 현재 추정된 이미지(518)는 결정된 업데이트(들)(530)에 기초하여 업데이트되어 업데이트된 추정된 이미지(518)를 생성한다. 추정된 이미지를 업데이트하기 전에, 단계(532)에서, 결정된 이미지 업데이트(530)가 수렴했는지의 여부를 검증하기 위해 검사가 수행된다. 일례에서, 이미지 업데이트(530)의 수렴은 결정된 이미지 업데이트(530) 또는 그의 함수들을 결정된 임계치와 비교함으로써 결정될 수 있다.
단계(532)에서, 이미지 업데이트(530)가 수렴하지 않은 것으로 결정되는 경우에, 추정된 이미지(518)는, 단계(534)에 의해 나타낸 바와 같이, 결정된 이미지 업데이트(530)의 사용을 통해 업데이트되어 업데이트된 추정된 이미지를 생성한다. 또한, 제어는 단계(520)로 전달된다.
단계(518) 내지 단계(534)는 결정된 이미지 업데이트(530)가 수렴할 때까지 되풀이하여 반복될 수 있다. 앞서 언급된 바와 같이, 제1 반복 시에, 추정된 이미지(518)는 단계(518) 내지 단계(534)의 반복 프로세스에 대한 입력으로서의 역할을 하고, 업데이트된 추정된 이미지는 단계(518) 내지 단계(534)의 반복 프로세스에 대한 출력으로서 생성된다. 따라서, 후속 반복을 위해, 업데이트된 추정된 이미지는 단계(518) 내지 단계(534)의 반복 프로세스에 대한 입력으로서의 역할을 한다.
그러나, 단계(532)에서, 이미지 업데이트(530)가 수렴한 것으로 결정되는 경우에, 단계(536)에 의해 나타낸 바와 같이, 추정된 이미지는 최종 재구성된 이미지로서 출력될 수 있다. 일례에서, 최종 재구성된 이미지는 도 1의 디스플레이(118)와 같은 디스플레이 상에서 시각화될 수 있다. 그렇게 생성된 추정된 이미지는 파일업 보정된 사이노그램(510)과의 최상의 매칭을 제공하는 재구성된 이미지를 표현한다. 이러한 재구성된 이미지는 잡음 및 이미지 아티팩트들 중 적어도 하나의 효과들이 통계 잡음 모델의 사용을 통해 최적화된/감소된 향상된 품질의 이미지를 표현한다. 임상의는 이러한 재구성된 이미지를 사용하여, 환자(208)에게 대한 진단을 제공하고/하거나 치료 계획을 환자(208)에게 제안하고/하거나 진행 중인 치료 계획의 효능을 연구할 수 있다.
도 4 및 도 5를 참조하여 위에서 언급된 바와 같이, 순방향 모델(408, 514)과 같은 순방향 모델이 단계(406) 및 단계(512)에서 각각 생성된다. 도 6 및 도 7은 도 4 및 도 5의 방법들에서 사용하기 위한 순방향 모델을 생성하는 2개의 방법들을 도시한다.
이해되는 바와 같이, 획득된 이미지 데이터를 SIR 알고리즘을 통해 프로세싱하는 것은 재구성된 이미지들을 생성하는 것을 수반하여, 이러한 재구성된 이미지들이 CT 스캔에 대응하는 측정된 사이노그램들의 세트와 가장 잘 매칭되는 추정된 사이노그램들을 초래하게 한다. 일례에서, 이러한 재구성된 이미지들이 SIR 동안 사용된 통계 모델에 기초하여 CT 스캔에 대응하는 측정된 사이노그램들의 세트에 통계적으로 가장 잘 매칭되는 추정된 사이노그램들을 초래하도록 재구성된 이미지들을 생성하는 것이 바람직하다. 특히, SIR 알고리즘의 각각의 반복 동안, 재구성된 이미지는 추정된 사이노그램을 생성하도록 순방향 모델을 통해 프로세싱된다. 순방향 모델은 이미징 시스템(100)의 공지의 기하구조 및 다른 특성들을 포함한다. 더 구체적으로, 순방향 모델은 X-선들이 X-선 소스로부터 환자를 통과하고 CT 이미징 시스템의 검출기에 부딪힘에 따른 X-선들의 감쇠를 시뮬레이션한다.
도 6 및 도 7은 도 4 및 도 5의 이미징 방법들(400, 500)에서 사용하기 위한 순방향 모델을 생성하는 방법들을 제시한다. 일 실시예에서, 파일업 보정은 파일업 모델의 사용을 통해 측정된 사이노그램에 적용될 수 있다. 이러한 예에서, 순방향 모델을 생성하는 방법은 파일업 모델을 포함하지 않는다. 특정의 다른 실시예들에서, 파일업 모델은 순방향 모델 내에 통합될 수 있다.
이제 도 6을 참조하면, 도 4의 단계 (406)의 순방향 모델을 생성하는 방법을 도시한 흐름도(600)가 제시된다. 방법(600)은 도 1 내지 도 5의 컴포넌트들을 참조하여 기술된다. 추가로, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 방법(600)의 단계들을 수행하기 위해 채용될 수 있다.
방법(600)은 이미징 시스템(100)에 대응하는 시스템 특성들(604)이 수집되는 단계(602)에서 시작한다. 시스템 특성들(604)의 일부 비제한적 예들은 소스-검출기 거리, 예비-환자 여과, X-선 소스 튜브 전류 및 전압, 기하 효율, 검출기 재료들 및 치수들, 검출기 전자기기 특성, 다양한 물질들 및 치수들의 객체들을 통한 X-선 투과 등을 포함한다.
또한, 단계(606)에서, 이미징 시스템(100)의 거동이 시스템 특성들(604)에 기초하여 모델링된다. 도면 부호 608은 일반적으로 이미징 시스템(100)의 모델링된 시스템 거동을 표현한다. 또한, 이미징 시스템(100)의 거동은 단계(610)에 의해 도시된 바와 같이 측정되어 측정된 시스템 거동(612)을 생성할 수 있다. 일례에서, 시스템 특성들(604)의 함수로서 X-선 카운트 레이트와 같은 이미징 시스템(100)의 거동은, 시스템 제어 설정들(예컨대, 튜브 전류 및 전압)을 대표적 값들로 조정하고, 이미징 시스템(100)을 실행시켜서 이미징 시스템(100)으로부터의 투영 데이터를 수집하고, 시스템 제어 설정들과 투영 데이터 사이의 관계를 정량화함으로써 측정될 수 있다. 환자(102), 소위 이미징 팬텀(imaging phantom)들의 역할을 하기 위해 다양한 객체들이 이미징 시스템(100)에서 사용될 수 있다. 이러한 이미징 팬텀들은 시스템 거동을 특성화하는 것을 용이하게 하도록 특수하게 설계될 수 있다. 유사하게, 이미징 시스템(100)의 거동은, 또한, 상이한 설정들 및 객체 특성들을 갖는 이미징 시스템(100)의 응답을 예측하기 위해 다양한 분석 및 수치 방법들을 이용하여 모델링될 수 있다. 예를 들어, 소정의 두께 및 물질 조성의 환자(102)를 통한 X-선 투과는 물질들에 대한 X-선 감쇠 계수들의 주지의 값들 및 X-선 에너지 스펙트럼을 사용하여 모델링될 수 있다. X-선 스펙트럼 자체는 모델의 결과일 수 있거나, 또는 X-선 소스(202)와 같은 실제 X-선 소스의 출력으로부터 적합한 기구들을 사용하여 측정될 수 있다는 것이 또한 주목될 수 있다. 유사한 방법들은 검출기(212)에서의 X-선의 흡수, 축적된 에너지로부터의 신호들의 생성, 이러한 신호들의 디지털 데이터로의 변환, 및 디지털 데이터의 후속 프로세싱을 모델링하는 데 사용될 수 있다.
이어서, 단계 (614)에서, 모델링된 시스템 거동(608) 및 측정된 시스템 거동(612) 중 적어도 하나에 기초하여 순방향 모델(616)이 생성될 수 있다. 일부 실시예들에서, 순방향 모델(616)은 객체 속성들 및 시스템 특성들의 입력 세트에 기초하여 이미징 시스템(100)의 예측된 출력을 계산하기 위한 컴퓨터 명령어들의 세트를 포함한다. 더 구체적으로, 일 실시예에서, 출력은 검출기(212)의 각각의 픽셀에서 검출된 예측된 수의 X-선들이며, 특정 X-선 소스 설정들, 시스템 기하구조뿐만 아니라 환자 자료들 및 치수들의 입력들에 응답하여, 검출기 전자기기의 에너지 빈에 의해 한정되는 펄스 높이 또는 에너지의 범위들에 속한다. 모델링된 시스템 거동(608) 및 측정된 시스템 거동(612)은 입력들에 기초하여 출력들을 예측하도록 조합될 수 있다. 이렇게 생성된 순방향 모델(616)은, 파일업이 순방향 모델에 대한 입력으로서 사용되지 않는 상황들에서 채용될 수 있다. 예를 들어, 순방향 모델(616)은 도 4의 방법(400)에서 순방향 모델(408)로서 사용될 수 있다.
도 7은 도 5의 단계(512)의 순방향 모델(514)과 같은 순방향 모델을 생성하는 방법을 도시한 흐름도(700)이다. 방법(700)은 도 1 내지 도 6의 컴포넌트들을 참조하여 기술된다. 또한, 일 실시예에서, 잡음 보정 플랫폼(114)이 방법(700)의 단계들을 수행하기 위해 채용될 수 있다.
방법(700)은 이미징 시스템(100)에 대응하는 시스템 특성들(704)이 수집되는 단계(702)에서 시작한다. 일례에서, 시스템 특성들(704)은 소스-검출기 거리, 예비-환자 여과, X-선 소스 튜브 전류 및 전압, 기하 효율, 검출기 재료들 및 치수들, 검출기 전자기기 특성, 다양한 물질들 및 치수들의 객체들을 통한 X-선 투과 등을 포함한다.
또한, 단계(706)에서, 검출기 특성들(708)이 수집된다. 특정 실시예들에서, 검출기 특성들(708)은 시스템 특성들(704)의 일부로서 수집될 수 있다는 것이 주목될 수 있다. 검출기 특성들(708)은 검출기(212)의 파일업 거동에 영향을 주는 특성들, 예컨대 기하 효율, 픽셀 크기, 물질 조성 및 상응하는 에너지 흡수, 전하 발생 및 수송, 전하 펄스 형상, 전자기기 대역폭, 전자기기 트리거링, 데드 타임 특성 등을 포함한다.
또한, 단계 (710)에서, 이미징 시스템(100)의 거동이 시스템 특성(704) 및 검출기 특성(708)에 기초하여 모델링된다. 도면 부호 712는 일반적으로 이미징 시스템(100)의 모델링된 시스템 거동을 표현한다. 추가로, 이미징 시스템(100)의 거동은 단계(714)에 의해 도시된 바와 같이 측정되어 측정된 시스템 거동(716)을 생성할 수 있다. 일례에서, 시스템 특성들(704)의 함수로서 X-선 카운트 레이트와 같은 이미징 시스템(100)의 거동은, 시스템 제어 설정들(예컨대, 튜브 전류 및 전압)을 대표적 값들로 조정하고, 이미징 시스템(100)을 실행시켜서 이미징 시스템(100)으로부터의 투영 데이터를 수집하고, 시스템 제어 설정들과 투영 데이터 사이의 관계를 정량화함으로써 측정될 수 있다. 환자(102), 소위 이미징 팬텀들의 역할을 하기 위해 다양한 객체들이 이미징 시스템(100)에서 사용될 수 있다. 이러한 이미징 팬텀들은 시스템 거동을 특성화하는 것을 용이하게 하도록 특수하게 설계될 수 있다. 유사하게, 이미징 시스템(100)의 거동은, 또한, 상이한 설정들 및 객체 특성들을 갖는 이미징 시스템(100)의 응답을 예측하기 위해 다양한 분석 및 수치 방법들을 이용하여 모델링될 수 있다. 예를 들어, 소정의 두께 및 물질 조성의 환자(102)를 통한 X-선 투과는 물질들에 대한 X-선 감쇠 계수들의 주지의 값들 및 X-선 에너지 스펙트럼을 사용하여 모델링될 수 있다. X-선 스펙트럼 자체는 모델의 결과일 수 있거나, 또는 X-선 소스(202)와 같은 실제 X-선 소스의 출력으로부터 적합한 기구들을 사용하여 측정될 수 있다는 것이 또한 주목될 수 있다. 유사한 방법들은 검출기(212)에서의 X-선의 흡수, 축적된 에너지로부터의 신호들의 생성, 이러한 신호들의 디지털 데이터로의 변환, 및 디지털 데이터의 후속 프로세싱을 모델링하는 데 사용될 수 있다.
이어서, 단계 (718)에서, 모델링된 시스템 거동(712) 및 측정된 시스템 거동(716) 중 적어도 하나에 기초하여 순방향 모델(720)이 생성된다. 일부 실시예들에서, 순방향 모델(720)은 객체 속성들 및 시스템 특성들의 입력 세트에 기초하여 이미징 시스템(100)의 예측된 출력을 계산하기 위한 컴퓨터 명령어들의 세트를 포함한다. 더 구체적으로, 일 실시예에서, 출력은 검출기(212)의 각각의 픽셀에서 검출된 예측된 수의 X-선들이며, 특정 X-선 소스 설정들, 시스템 기하구조뿐만 아니라 환자 자료들 및 치수들의 입력들에 응답하여, 검출기 전자기기의 에너지 빈에 의해 한정되는 펄스 높이 또는 에너지의 범위들에 속한다. 모델링된 시스템 거동(712) 및 측정된 시스템 거동(716)은 입력들에 기초하여 출력들을 예측하도록 조합될 수 있다. 이렇게 생성된 순방향 모델(720)은, 파일업이 순방향 모델에 대한 입력으로서 사용되는 상황들에서 채용될 수 있다. 예를 들어, 순방향 모델(720)은 도 5의 방법(500)에서 순방향 모델(514)로서 사용될 수 있다.
도 4 및 도 5를 참조하여 전술된 바와 같이, 통계 모델이 추정된 사이노그램과 측정된 사이노그램, 또는 파일업 보정된 사이노그램 사이의 통계적으로 가중된 차이를 결정하기 위해 채용되고, 여기서 그렇게 결정된 통계적으로 가중된 차이는 추정된 이미지에 대한 업데이트를 결정하기 위해 채용된다. 또한, 통계 모델은 하나 이상의 통계 가중화 인자들을 포함한다. 특정 예들에서, 통계 모델은 파일업을 갖는 검출기의 데드 타임 특성들 및 파일업 특성들에 기초하여 생성된다. 대안의 실시예에서, 통계 가중화 인자들은 데이터의 충실도에 관련되는 가중치들로 대체될 수 있다. 예를 들어, 가중치들은 측정 시의 파일업의 양 - 더 낮은 가중치들은 더 높은 양의 파일업에 대한 것이고, 더 높은 가중치들은 더 낮은 양의 파일업에 대한 것임 - 을 나타낼 수 있다. 도 8 내지 도 10은 통계 모델을 생성하는 다양한 방법들을 제시한다. 특히, 단계(420)(도 4 참조) 및 단계(526)(도 5 참조)의 통계 모델의 공식화는 도 8 내지 도 10을 참조하여 기술된다.
이제 도 8을 참조하면, 통계 모델을 공식화하는 하나의 방법의 흐름도(800)가 제시되어 있다. 방법(800)은 도 1 내지 도 7의 컴포넌트들을 참조하여 기술된다. 또한, 일 실시예에서, 잡음 보정 플랫폼(114)이 방법(800)의 단계들을 수행하기 위해 채용될 수 있다.
방법은 이미징 시스템(200)의 검출기(212)의 파일업 특성들 및 데드 타임 특성들이 수집되는 단계(802)에서 시작한다. 도면 부호 804는 일반적으로 검출기(212)의 파일업 특성들 및 데드 타임 특성들을 표현한다. 앞서 언급된 바와 같이, 검출기(212)의 파일업 특성들 및 데드 타임 특성들(804)은 센서 출력 펄스 형상, 전자기기 펄스 응답 특성들, 전자기기 트리거링 로직 및 타이밍, 전자기기 트리거 아밍(arming)(데드 타임) 로직 및 타이밍 등을 포함할 수 있다.
또한, 단계(806)에 의해 도시된 바와 같이, 검출기(212)의 응답 거동이 모델링된다. 또한, 단계(808)에서, 검출기(212)의 응답 거동이 측정된다. 일례에서, 시스템 특성들의 함수로서 X-선 카운트 레이트와 같은 이미징 시스템(100)의 거동은, 시스템 제어 설정들(예컨대, 튜브 전류 및 전압)을 대표적 값들로 조정하고, 이미징 시스템(100)을 실행시켜서 이미징 시스템(100)으로부터의 투영 데이터를 수집하고, 시스템 제어 설정들과 투영 데이터 사이의 관계를 정량화함으로써 측정될 수 있다. 환자(102), 소위 이미징 팬텀들의 역할을 하기 위해 다양한 객체들이 이미징 시스템(100)에서 사용될 수 있다. 이러한 이미징 팬텀들은 시스템 거동을 특성화하는 것을 용이하게 하도록 특수하게 설계될 수 있다. 유사하게, 이미징 시스템(100)의 거동은, 또한, 상이한 설정들 및 객체 특성들을 갖는 이미징 시스템(100)의 응답을 예측하기 위해 다양한 분석 및 수치 방법들을 이용하여 모델링될 수 있다. 예를 들어, 소정의 두께 및 물질 조성의 환자(102)를 통한 X-선 투과는 물질들에 대한 X-선 감쇠 계수들의 주지의 값들 및 X-선 에너지 스펙트럼을 사용하여 모델링될 수 있다. X-선 스펙트럼 자체는 모델의 결과일 수 있거나, 또는 X-선 소스(202)와 같은 실제 X-선 소스의 출력으로부터 적합한 기구들을 사용하여 측정될 수 있다는 것이 또한 주목될 수 있다. 유사한 방법들은 검출기(212)에서의 X-선의 흡수, 축적된 에너지로부터의 신호들의 생성, 이러한 신호들의 디지털 데이터로의 변환, 및 디지털 데이터의 후속 프로세싱을 모델링하는 데 사용될 수 있다.
현재, 측정된 카운트들의 함수로서 잡음에 대한 반복 프로세스들에서 사용하기 위한 잡음 모델들이 이용가능하다. 현재 이용가능한 잡음 모델의 일례에서, 검출기의 파일업 거동은 교정 절차를 통해 특성화될 수 있으며, 여기서 검출기는 X-선 빔 내의 물질 조성들의 다양한 조합들에 대해 전체 동작 범위를 커버하는 대표적인 플럭스 조건들에 노출된다.
또한, 각각의 조건에서, 카운트들에서의 평균 및 분산은 표로 만들어지고 하기와 같이 함수 형태로 표현될 수 있다:
Figure pat00001
(1)
여기서 m은 카운트들의 측정된 수이고, n은 뷰 시간, X-선 소스 ㎸p 및 mA, 시준 등과 같은 파라미터들 p에 의해 지정된 특정 조건들에 대한 카운트들의 정확한 입사 수이다.
더욱이, m개의 측정된 카운트들을 갖는 픽셀에 대한 정확한 카운트 값 및 예상되는 잡음을 결정하기 위해, 수학식 1의 함수를 반전시켜서 다음을 획득함으로써 역 룩업 테이블이 생성될 수 있다:
Figure pat00002
(2)
여기서
Figure pat00003
은 정확한 카운트 값의 추정치이다.
이 역 룩업 테이블은 선형 또는 비선형 내삽, 또는 다른 방법들에 의해, 곡선 피팅(curve fitting)으로 데이터를 파라미터화함으로써 구현될 수 있다.
다른 예에서, 각각의 에너지 빈 k에 대해 그리고 각각의 검출기 채널 c에 대해 공칭 카운트 n_k, 측정된 카운트 m_k, 및 분산 v_k로 이루어지는 교정 데이터의 세트를 획득하기 위해 교정 실험이 수행될 수 있다. 또한, 소정의 검출기 채널에 대한 이러한 교정 데이터는 룩업 테이블, 다항식과 같은 분석 식, 또는 신경 네트워크의 사용을 통해 에너지 빈 측정치들의 실제 세트 {M_k}를 보정된 측정치들의 세트 {c_k} 및 분산들의 세트 {v_k}로 변환하는 데 사용될 수 있다.
정확한 카운트 값
Figure pat00004
및 그의 분산
Figure pat00005
이 상기에 언급된 변환 방법들에 기초하여 측정된 카운트 값
Figure pat00006
으로부터 추정될 수 있지만, 실제 응용들에서의 그러한 추정들은 단지 단일 잡음 측정으로부터 이루어질 수 있다는 것이 주목될 수 있다. 결과적으로, 추정된 카운트 값
Figure pat00007
과 추정된 분산
Figure pat00008
은 또한 통계 잡음의 대상이 된다. 추정된 카운트 값
Figure pat00009
에서의 통계 잡음과 보통, 고도로 상관되는 추정된 분산
Figure pat00010
에서의 잡음은 반복적으로 재구성된 이미지들에서 규칙적인 바이어스(bias)를 초래할 수 있다. 이러한 문제는 모든 CT 시스템들에 대해 존재하고 PCCT 시스템들의 경우에 더 두드러질 수 있는데, 그 이유는 각각의 개별 에너지 빈에서 검출된 X-선 광자들의 수가 유사한 플럭스 레벨에서 동작하는 종래의 에너지-통합 시스템에서의 것보다 더 낮을 것이기 때문이다.
본 명세서의 태양들에 따르면, 검출기 거동 모델(812)이 단계(810)에서 생성되며, 여기서 검출기 거동 모델(812)은 현재 이용가능한 기법들의 단점들을 피하도록 구성된다. 검출기 거동 모델(812)은 모델링된 검출기 응답 거동, 측정된 검출기 응답 거동, 검출기의 파일업 특성들, 검출기의 데드 타임 특성들, 또는 이들의 조합들 중 적어도 하나에 기초하여 생성된다. 검출기 거동 모델(812)이 추정된 분산
Figure pat00011
의 정밀도를 개선하는 데 도움이 된다는 것이 주목될 수 있다.
또한, 본 명세서의 추가 태양들에 따르면, 파일업을 갖는 검출기의 통계적 거동의 모델(검출기 거동 모델(812))이 생성될 수 있고, SIR 프로세스와 같은 반복 알고리즘의 최적화 단계에서 목적 함수에 통합될 수 있다. 최적화 단계에서 목적 함수 내에 파일업을 갖는 검출기의 검출기 거동 모델을 통합하는 것은 각각의 측정들에서 통계적 불확실성을 처리함으로써 재구성된 이미지에서 잡음을 최적화하고 아티팩트들을 감소시키는 것 중 적어도 하나를 돕는다.
이해되는 바와 같이, 전통적으로, 분산
Figure pat00012
은 단일 측정치
Figure pat00013
으로부터 추정된다. 본 명세서의 태양들에 따르면, 일 실시예에서, 분산
Figure pat00014
은 다수의 이웃 검출기 채널들로부터 다음과 같이 추정된다:
Figure pat00015
(3)
여기서
Figure pat00016
는 검출기 셀 인덱스를 나타내고
Figure pat00017
는 추정자이며, 파라미터들 p는 수학식 1에 열거된 것들과 유사하다.
또한, 추정자
Figure pat00018
는 분산
Figure pat00019
을 추정하기 전에 잡음제거 필터들(예컨대, 유개차(box car) 필터, Gaussian 필터, 또는 다른 더 고급의 필터들) 또는 신경망을 측정된 데이터
Figure pat00020
에 적용할 수 있다. 그 결과, 추정된 분산
Figure pat00021
에서의 잡음은 감소될 수 있고, 추정된 카운트 값
Figure pat00022
에서의 잡음과의 상관성이 또한 감소될 수 있다. 추정자
Figure pat00023
는 공간 적응적일 수 있고, 비교적 균일한 사이노그램 영역들에서 더 강한 잡음제거 강도를 적용하도록 구성될 수 있다.
본 명세서의 다른 실시예에 따르면, 단일 측정치
Figure pat00024
으로부터 분산
Figure pat00025
을 추정하는 대신에, 분산
Figure pat00026
은 주어진 픽셀에 대한 다수의 에너지 빈으로부터 다음과 같이 추정될 수 있다:
Figure pat00027
(4)
여기서
Figure pat00028
는 에너지 빈 인덱스를 나타내고,
Figure pat00029
는 추정자이고, 파라미터들 p는 수학식(1)에 열거된 것들과 유사하다.
또한, 추정자
Figure pat00030
는 멀티-에너지 벡터(multi-energy vector)를, CT 시스템 내에 존재하는 물질들 및 연관된 기저 물질 물리적 특성에 관한 사전 지식을 통합하는 더 낮은 차원의 주요 컴포넌트들에 피팅함으로써, 측정치들
Figure pat00031
에서의 잡음을 감소시킬 수 있다. 에너지 스펙트럼 도메인 방법은 또한 공간 도메인 방법과 조합될 수 있다.
통상적으로, 분산
Figure pat00032
은 측정된 사이노그램으로부터 추정된다. 본 명세서의 또 다른 실시예에 따르면, 분산
Figure pat00033
은 반복 재구성 프로세스에 의해 생성되는 추정된 사이노그램으로부터 다음과 같이 추정될 수 있다:
Figure pat00034
(5)
여기서
Figure pat00035
n번째 반복에서 반복 재구성 프로세스에 의해 생성된 추정된 사이노그램을 나타낸다.
따라서, 검출기 거동 모델(812)은 더 큰 정밀도로 추정된 분산의 추정을 용이하게 한다. 그러한 추정은 재구성된 이미지의 추정과 함께 되풀이하여 반복될 수 있다. 유사하게, 통계 가중화 인자들은, 또한, 통계 가중화 인자들의 정밀도를 개선하고 최종 재구성된 이미지에서의 바이어스를 감소시키기 위해 새롭게 추정된 분산
Figure pat00036
에 기초하여 업데이트될 수 있다.
가중화 인자들의 세트가 SIR 알고리즘의 목적 함수를 정의하는 데 사용될 수 있다는 것이 주목될 수 있다. 이러한 가중치들 또는 가중화 인자들은 모델 및 측정치들이 서로 비교될 수 있게 하는 메트릭을 표현한다. 가중화 인자들을 비용 함수 내에 통합하고 비용 함수를 최적화함으로써, 생성된 재구성된 이미지는 잡음 및/또는 이미지 아티팩트들의 감소의 관점에서 더 바람직한 이미지 품질을 제공할 수 있다.
비용 함수에 통합된 인자의 일례는 측정치들의 잡음 분산에 기초한 가중화 항이다. 이러한 인자는 각각의 측정치들에서의 불확실성의 레벨을 고려함으로써 재구성된 이미지들에서의 잡음 또는 잡음 유도 아티팩트들을 감소시키는 것을 돕는다. 더욱이, 검출기 거동 모델(812)의 사용은 재구성된 이미지들에서의 잡음을 추가로 감소시키는 것을 돕는다.
이해되는 바와 같이, PCCT 이미징 시스템들에서, 개별 X-선 광자들은 광자들이 검출기와 상호작용할 때 기록된다. 불리하게도, PCCT 이미징 시스템들은, 특히 높은 X-선 플럭스에서의, 그리고/또는 환자 및 X-선 소스 예비 환자 필터(보타이)를 통한 감쇠가 거의 없는 사이노그램의 영역들에서의 측정을 위해, 시간적으로 서로 너무 가깝게 도달하는 X-선들의 불완전한 카운팅을 겪는다.
기록된 카운트들의 수에 대한 그의 영향에 더하여, 파일업은 또한 CT 투영에서의 잡음에 영향을 준다. CT 투영 데이터에서의 잡음은, 전형적으로, Poisson 분포를 근사적으로 추종하는 X-선 플럭스에 따라 증가하며, 이는 X-선들의 수의 분산(
Figure pat00037
)이 X-선들의 예상된 수와 동일하거나, 또는 더 일반적으로, 측정치들에 대한 분산이 각각의 측정치들의 예상되는 값에 비례함을 의미한다. 파일업이 발생할 때, 카운트들의 수 및 카운트들의 변동 양측 모두가 감소된다. 추가로, 파일업이 발생할 때, 잡음은 더 이상 Poisson 분포를 추종하지 않는다.
극단적인 파일업을 표현하는 일례에서, 비-무효화가능 검출기에 대해, 모든 픽셀들은 포화되어 동일한 수의 카운트들을 생성하는 경향이 있다. 이 경우에, 잡음 분산은 정확히 0일 것이다. 또한, 이 예에서, 검출기 신호는 임의의 의미있는 세기 정보를 어디에도 전달하지 못한다. 더 일반적으로, X-선 플럭스가 파일업을 갖는 비-무효화가능 검출기에서 증가함에 따라, 잡음은 처음에 증가하고, 최대치에 도달하고, 이어서 점진적으로 0으로 감소한다.
따라서, 단계(814)에서, 하나 이상의 잡음 보정 인자들(816)이 검출기 거동 모델(812)에 기초하여 결정된다. 잡음 보정 인자들(816)은 측정치들의 잡음 분산에 기초하여 가중화 항으로서 비용 함수에 통합되는 인자를 표현한다. 특히, 잡음 보정 인자들(816)은 각각의 측정치들에서의 불확실성의 레벨을 고려함으로써 재구성된 이미지들에서의 잡음을 감소시키는 것을 돕도록 구성된다. 구체적으로, 잡음은 잡음 보정 인자(816)와 곱해져서 잡음의 보정된 추정치를 제공한다. 잡음 보정 인자들(816)은 상이한 입력들, 상이한 픽셀들, 상이한 에너지들, 및 상이한 카운트 레이트들에 대해 상이한 값을 가질 수 있다는 것이 주목될 수 있다. 일 실시예에서, 잡음 보정 인자(816)는 카운트 레이트와 같은 입력들의 함수이고, 전자기기 데드 타임과 비슷한, 이미징 시스템(100)의 특성들과 같은 다수의 파라미터들을 가지며, 이들은 소정의 카운트 레이트에서 발생하는 파일업의 양을 결정한다.
파일업 비의 함수로서 잡음 보정 인자(816)의 일반 거동의 그래프 표현이 도 13에 도시되어 있다. 특정 실시예들에서, 잡음 보정 인자(816)는 최저 카운트 레이트에 대해 1(unity)이라는 값을 갖는다. 또한, 잡음 보정 인자(816)는 높은 카운트 레이트들에서 근사적으로 점근적인 방식으로 0 값에 근접한다.
또한, 하나 이상의 통계 가중화 인자들(822)이 단계(820)에 의해 나타낸 바와 같이 결정된다. 특히, 통계 가중화 인자들(822)은 잡음 보정 인자들(816) 및 광자 통계 모델(818)에 기초하여 결정된다. 전형적으로, 광자 도달 통계치들은 Binomial, Poisson, 또는 Gaussian 랜덤 프로세스로서 모델링된다. 이러한 통계 가중화 인자들(822)은 추정된 이미지에 대한 업데이트를 계산하여, 이에 의해, 측정치들의 통계적 가변성을 고려하기 위해 사용된다. 통계 가중화 인자들을 결정하는 일례가 도 9의 단계(914)를 참조하여 더 상세히 기술될 것이다.
도 9는 통계 모델을 공식화하기 위한 다른 방법을 도시한 흐름도(900)를 제시한다. 방법(900)은 도 1 내지 도 8의 컴포넌트들을 참조하여 기술된다. 또한, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 방법(900)을 수행하기 위해 채용될 수 있다.
방법(900)은 이미징 시스템(200)의 검출기(212)의 파일업 특성들 및 데드 타임 특성들이 수집되는 단계(902)에서 시작한다. 도면 부호 904는 일반적으로 검출기(212)의 파일업 특성들 및 데드 타임 특성들을 표현한다. 앞서 언급된 바와 같이, 검출기(212)의 파일업 특성들 및 데드 타임 특성들(904)은 센서 출력 펄스 형상, 전자기기 펄스 응답 특성들, 전자기기 트리거링 로직 및 타이밍, 전자기기 트리거 아밍(데드 타임) 로직 및 타이밍 등을 포함할 수 있다.
또한, 단계(906)에서, 검출기(212)의 파일업 특성들 및 데드 타임 특성들(904)은 검출기의 픽셀들에서 측정된 카운트들에서의 시뮬레이션된 잡음을 결정하기 위해 채용된다. 시뮬레이션된 잡음은 잡음의 실측자료(ground truth)로서의 역할을 한다. 특히, 시뮬레이션된 잡음 모델은 파일업 특성들 및 데드 타임 특성들(904)에 기초하여 결정될 수 있다. 또한, 이미징 시스템(100)의 하나 이상의 구성들에 대응하는 잡음은 시뮬레이션된 잡음 모델에 기초하여 시뮬레이션될 수 있다. 비제한적인 예로서, 이미징 시스템(100)의 잡음 거동은 임상 환경에서 직면하게 되는 튜브 전류, ㎸p, 환자 크기 등과 같은 상이한 파라미터들에 대해 시뮬레이션될 수 있다.
더욱이, 단계(908)에 의해 나타낸 바와 같이, 측정된 카운트들에서의 잡음은 종래의 잡음 모델의 사용을 통해 측정될 수 있다. 종래의 잡음 모델의 일부 예들은 Poisson 모델 또는 Gaussian 모델을 포함한다. 종래의 잡음 모델은 파일업 특성들 및/또는 데드 타임 특성들을 포함하지 않는다는 것이 주목될 수 있다.
후속으로, 단계(910)에서, 시뮬레이션된 잡음은 하나 이상의 잡음 보정 인자들(912)을 결정하기 위해 측정된 잡음과 비교된다. 일례에서, 룩업 테이블이 잡음 보정 인자들(912)을 결정하는 데 사용될 수 있다. 또한, 단계(914)에서, 하나 이상의 통계 가중화 인자들(918)이 잡음 보정 인자들(912) 및 종래의 잡음 모델(916)에 기초하여 결정된다.
본 명세서의 태양들에 따르면, 잡음 보정 인자(912)는 잡음의 "보정된" 값을 생성하는 데 사용된다. 따라서, 잡음 보정 인자(912)는 잡음의 보정된 값을 결정하기 위해 측정된 잡음을 보정하는 데 사용될 수 있다. 예로서,
정확한 잡음=(잡음의 종래의 모델)*(잡음 보정 인자) (6)
앞서 언급된 바와 같이, 잡음 보정 인자(912)는 상이한 입력들, 상이한 픽셀들, 상이한 에너지들, 및 상이한 카운트 레이트들에 대해 상이한 수이다. 더 구체적으로, 잡음 보정 인자(912)는 카운트 레이트와 같은 입력들의 함수이고, 전자기기 데드 타임과 같은 이미징 시스템(100)의 특성들과 같은 다수의 파라미터들을 가지며, 이들은 소정의 카운트 레이트에서 얼마나 많은 파일업이 발생하는지를 결정하는 데 도움을 준다.
유리하게는, 잡음 보정 인자들(912)은 정확한 잡음 모델의 더 콤팩트한 표현이다. 또한, 현재 이용가능한 반복 재구성 방법들이 이미 종래의 잡음 모델을 사용하므로, 종래의 잡음 모델에 대한 보정들은 더 정확한 결과를 생성하기 위해 매우 최소한의 변화들을 갖고서 추가될 수 있다.
광자 카운팅 CT 검출기들의 경우에, 검출기에 도달하는 X-선 광자 플럭스가 높을 때, 검출기로부터의 신호는 검출기 신호의 파일업으로 인해 왜곡될 수 있다. 통상적으로, 물리적 모델 기반 보정 알고리즘들이 왜곡된 신호들을 보정하기 위해 적용되어 왔다. 그러나, 물리적 모델은 전형적으로 많은 가정을 가지며, 특히 복잡한 시스템에 적용될 때 잔류 아티팩트들을 초래할 수 있다. 모델 기반 반복 재구성(model-based iterative reconstruction, MBIR) 기법들이 또한 재구성된 이미지들을 생성하기 위해 채용되어 왔다.
일례에서, 통계 가중화 인자들(918)은 파일업 효과를 겪는 투영 광선들을 하방 가중하기 위해 MBIR 알고리즘에서 사용된다. 전형적으로, MBIR에서, 신호의 충실도로서 해석될 수 있는 통계 가중화 인자들이 각각의 투영 광선에 대해 적용된다. 본 명세서의 태양들에 따르면, 최종 재구성된 이미지들에 대한 대응하는 영향을 감소시키기 위해 강한 파일업 신호를 포함하는 픽셀들이 의도적으로 하방 가중된다.
흡수된 X-선 세기는 수학식 7에 의해 나타낸 바와 같이 Poisson 분포를 추종한다:
Figure pat00038
(7)
여기서
Figure pat00039
는 투영 광선(또는 픽셀) i에서의 흡수된 X-선들의 수이고, I i 는 입사 X-선들의 세기이고, y i 는 투영 광선(또는 픽셀) i에서의 X-선 투영 값(감쇠 계수-길이 곱의 적분)이다.
또한, 재구성 문제는 패널티를 부여받은 로그 우도 함수를 최대화하는 것으로서 표현될 수 있다:
Figure pat00040
(8)
여기서
Figure pat00041
는 Poisson 잡음이 가정되는 경우에 검출기 카운트들에 비례하는 통계 가중화 인자들을 표현하고, y는 투영 데이터이고, A는 시스템 행렬이고, x는 추정된 이미지 데이터이고, U는 이미지 정규화 함수이다.
신호가 파일업에 의해 손상될 때, 물리적 모델 기반 파일업 보정이 파일업 신호를 처음 보정하는 데 사용될 수 있다. 물리적 모델 기반 파일업 보정의 일부 예들이 수학식 9 및 수학식 10에 제시되어 있다.
Figure pat00042
(9)
Figure pat00043
(10)
후속으로, 문제는 다음과 같이 공식화될 수 있다:
Figure pat00044
(11)
또한, 손상된 투영 광선들로부터의 기여를 추가로 감소시키기 위해 변조 함수가 가중치들에 대해 적용될 수 있다. 따라서, 파일업 잔류물들은 감소될 수 있다. 변조 함수의 일부 예들이 수학식 12 및 수학식 13에서 제시된다.
Figure pat00045
(12)
Figure pat00046
(13)
더욱이, 본 명세서의 추가 태양들에 따르면, 통계 가중화 인자들은 임의의 측정에 적합하도록 적응적으로 조정될 수 있다. 이해되는 바와 같이, 광자 카운트들의 증가는 파일업 효과의 심각도(severity)의 증가를 초래한다. 본 명세서의 태양들에 따르면, 이러한 투영 광선들에 대한 통계 가중화 인자들은 이러한 광선들에 대한 가중화를 감소시키기 위해 감소될 수 있다. 특히, 스케일링 함수는 검출된 신호 레벨에 기초하여 결정될 수 있다. 또한, 이러한 스케일링 함수는 재구성된 이미지들에서 파일업 아티팩트들을 억제하기 위한 측정에 기초하여 통계 가중화 인자들을 적응적으로 조정하는 데 사용될 수 있다.
비제한적인 일례에서, 수학식 14 및 수학식 15의 스케일링 함수들이 사용될 수 있다. 수학식 14 및 수학식 15가 임계치를 일정한 값으로 제시하지만, 임계치는 데드 타임에 기초하여 결정될 수 있고 그에 따라 최적화될 수 있다는 것이 주목될 수 있다.
Figure pat00047
의 경우에;
Figure pat00048
(14)
Figure pat00049
의 경우에;
Figure pat00050
(15)
그러나, 다른 스케일링 함수들이 또한 사용될 수 있다. 더욱이, 극단적인 경우에, 파일업 손상된 투영 광선들의 가중치들이 완전히 포기될 수 있다. 또한, 파일업에 의해 오염되지 않은 투영 광선들에 대한 통계 가중화 인자들은 아티팩트들을 추가로 억제하도록 의도적으로 부스트될 수 있다. 또한, 상이한 검출기 아키텍처들에 대한 파일업 거동은 상이할 수 있다는 것이 주목될 수 있다. 따라서, 임계치는 상이한 이미징 시스템들에 대해 조정될 수 있다.
또한, 특정 실시예들에서, 투영 광선들에 대한 통계 가중화 인자들의 추가 조정을 용이하게 하기 위해 전이점이 결정될 수 있다. 또한, 스케일링 함수들은 결정된 전이점 위와 아래에서 상이하게 설계될 수 있다. 특정 실시예들에서, 통계 가중화 인자들은 데이터의 충실도와 관련되는 가중치들로 대체될 수 있다. 예를 들어, 가중치는 측정 시의 파일업의 양 - 더 낮은 가중치들은 더 높은 양의 파일업에 대한 것이고, 더 높은 가중치들은 더 낮은 양의 파일업에 대한 것임 - 을 나타낼 수 있다.
이제 도 10을 참조하면, 통계 모델을 공식화하기 위한 또 다른 방법을 도시한 흐름도(1000)가 제시된다. 방법(1000)은 도 1 내지 도 9의 컴포넌트들을 참조하여 기술된다. 또한, 특정 실시예들에서, 잡음 보정 플랫폼(114)이 방법(1000)을 수행하기 위해 채용될 수 있다.
방법은 이미징 시스템(200)의 검출기(212)의 파일업 특성들 및 데드 타임 특성들이 수집되는 단계(1002)에서 시작한다. 도면 부호 1004는 일반적으로 검출기(212)의 파일업 특성들 및 데드 타임 특성들을 표현한다. 앞서 언급된 바와 같이, 검출기(212)의 파일업 특성들 및 데드 타임 특성들은 센서 출력 펄스 형상, 전자기기 펄스 응답 특성들, 전자기기 트리거링 로직 및 타이밍, 전자기기 트리거 아밍(데드 타임) 로직 및 타이밍 등을 포함할 수 있다.
또한, 단계(1006)에서, 검출기(212)의 파일업 특성들 및 데드 타임 특성들은 검출기(212)의 파일업 프로세스를 시뮬레이션 또는 측정하기 위해 채용된다. 일례에서, 파일업은 X-선 흡수 이벤트에 의한 전하의 발생 및 수집 전극으로의 발생된 전하의 수송을 시뮬레이션함으로써 시뮬레이션될 수 있다. 또한, 독출 전자기기의 응답은 다수의 X-선들이 시간적으로 서로 가깝게 도달할 때 이미징 시스템(100)이 응답을 어떻게 기록할 것인지를 결정하는 데 사용될 수 있다. 이러한 프로세스는 상이한 추정된 카운트 레이트들에 대해 수행될 수 있다. 실제 시스템의 파일업 프로세스는, X-선 플럭스의 증가하는 레벨들에서 시스템을 동작시키고 출력을 기록 또는 특성화함으로써 측정될 수 있다.
또한, 하나 이상의 파일업 보정 메트릭들(1012)이 단계(1008)에서 결정된다. 특히, 파일업 보정 메트릭들(1012)은 검출기 신호(1010)에 기초하여 결정된다. 하나 이상의 파일업 보정 메트릭들(1012)의 일부 비제한적인 예들은 파일업 비, 파일업에 대해 보정된 신호, 파일업에 대응하는 결핍(deficiency) 신호, 또는 이들의 조합들을 포함한다. 또한, 일례에서, 룩업 테이블은 검출기 신호(1010)에 기초하여 파일업 보정 메트릭들(1012)을 결정하는 데 사용될 수 있다. 후속으로, 단계(1014)에서, 적어도 하나 이상의 파일업 보정 메트릭들에 기초하여 하나 이상의 통계 가중화 인자들(1016)이 결정된다(1014).
본 명세서의 태양들에 따르면, 도 8 내지 도 10을 참조하여 기술된 통계 잡음 모델을 결정하는 다른 방법들에 더하여, 통계 잡음 모델은 또한 측정된 카운트들의 함수로서 결정될 수 있다. 특히, 통계 잡음 모델은 파일업의 물리적 특성에 기초하여 파라미터 통계 모델을 도출함으로써 결정될 수 있다. 비-무효화가능 검출기들의 경우에, 카운트들의 평균 수를 잡음 레벨에 관련시키는 고유한 맵핑이 존재한다. 이러한 맵핑은 측정된 카운트들과 대응하는 잡음 레벨들 사이의 관계를 제공하는 룩업 테이블로서 구현될 수 있다. 이어서, 픽셀에 대한 모델 파라미터들은 교정 측정치로부터 파일업 모델로의 데이터의 파라미터 피팅을 수행함으로써 결정될 수 있다.
더욱이, 이러한 파라미터 모델은 PCCT 이미징 시스템의 검출기의 실제 거동을 정확하게 기술하는 것이 바람직하다. 보편적으로 사용되는 이상적인 비-무효화가능 검출기 모델인 파일업의 간단한 모델은 광자 상호작용들이 시간적으로 0의 범위를 갖는 검출기 전자기기에서의 펄스들로 변환된다는 가정에 기초한다. 그러나, 이러한 접근법은 낮은 카운트 레이트 및 높은 카운트 레이트 양측 모두에 대한 실제 광자 카운팅 검출기들의 거동을 정확하게 예측하기에는 너무 단순하다.
본 명세서의 태양들에 따르면, 펄스들이 유한한 지속기간을 갖는 것으로 가정함으로써 더 정확한 모델이 도출될 수 있다. 이러한 예에서, 측정된 카운트들의 평균 μ 및 분산
Figure pat00051
는 하기에 의해 주어진다:
Figure pat00052
(16)
Figure pat00053
(17)
여기서 λ는 정확한 카운트 레이트를 나타내고, t는 측정 시간을 나타내고, τ는 카운터의 데드 타임을 나타내고, τ s 는 새로운 이벤트가 연속 데드 시간이 트리거되게 할 수 있는 데드 타임 τ의 분율(fraction)을 나타낸다.
도 4 및 도 5를 참조하여 앞서 기술된 바와 같이, 추정된 이미지에 대한 업데이트는 통계 모델 및 추정된 사이노그램에 기초하여 계산/결정된다. 도 11은 통계 모델 및 추정된 사이노그램에 기초하여 추정된 이미지에 대한 업데이트를 결정/계산하는 방법을 제공한다. 특히, 단계(418)(도 4 참조) 및 단계(524)(도 5 참조)의 통계 모델에 기초하여 추정된 이미지에 대한 업데이트를 결정하는 것이 도 11을 참조하여 기술된다.
도 11은 추정된 이미지에 대한 하나 이상의 업데이트들을 계산하기 위한 방법을 도시한 흐름도(1100)이다. 방법(1100)은 도 1 내지 도 10의 컴포넌트들을 참조하여 기술된다. 또한, 특정 실시예들에서, 잡음 보정 플랫폼(114)은 방법(1100)을 수행하기 위해 채용될 수 있다.
이해되는 바와 같이, SIR 프로세스 동안, 추정된 사이노그램이 측정된 사이노그램에 비교된다. 또한, 이러한 비교에 기초하여, 추정된 이미지에 대한 업데이트를 계산하는 것이 바람직할 수 있다. 이어서, 계산된 업데이트는 업데이트된 재구성된 이미지를 생성하는 데 사용된다. 이러한 업데이트된 재구성된 이미지는, 이어서, 반복 프로세스의 후속 반복 동안 측정된 사이노그램과 더 잘 매칭되는 업데이트된 추정된 사이노그램을 생성하는 데 사용된다.
따라서, 방법(1100)은 단계(1106)에서 시작되며, 여기서 추정된 사이노그램(1102)이 측정된 사이노그램(1104)과 비교된다. 추정된 사이노그램(1102)과 측정된 사이노그램(1104) 사이의 통계적으로 가중된 차이들(1112)이, 단계(1108)에 의해 나타낸 바와 같이, 계산된다. 더 구체적으로, 통계적으로 가중된 차이들(1112)은 통계 가중화 인자들(1110)에 기초하여 결정된다. 앞서 언급된 바와 같이, 통계적으로 가중된 차이들(1112)을 계산하기 위해 하나 이상의 통계 가중화 인자들(1110)을 갖는 통계 모델이 사용된다.
후속으로, 추정된 이미지에 대한 적어도 하나의 이미지 업데이트(1116)는, 단계(1114)에 의해 나타낸 바와 같이, 통계적으로 가중된 차이들(1112)에 기초하여 계산된다. 이러한 업데이트 단계는 전형적으로 목적 함수의 최적화로서 수행된다. 예를 들어, 목적 함수는 가중된 최소 제곱 비용 함수 또는 로그 우도 함수를 포함할 수 있다. 반복적 SIR 프로세스 동안, 추정된 사이노그램이 측정된 사이노그램과 더 긴밀하게 매칭될수록, 목적 함수는 그의 최적치에 더 근접한다는 것이 주목될 수 있다.
이제 도 12를 참조하면, 파일업 비의 그래프 표현(1200)이 도시되어 있다. 도면 부호 1202는 X-축을 표현하는 한편, Y-축은 도면 부호 1204로 표현된다. 또한, 도면 부호 1206은 일반적으로 입력 카운트 레이트에 대한 파일업 비의 의존성을 그래프로 표현한다. 파일업 비는 출력 카운트들 또는 카운트 레이트를 입력 카운트들 또는 카운트 레이트로 나눈 비이다. 또한, 파일업 비는 파일업 잡음 보정을 콤팩트하게 파라미터화하는 유용한 값이다.
일 실시예에서, 파일업 비는 출력 카운트들의 수를 입력 카운트들의 수로 나눈 것으로서 계산되거나 측정된다. 낮은 플럭스에서, 출력 카운트들은 입력 카운트들과 동일하며, 따라서, 파일업 비는 1이다. 카운트 레이트가 증가하고 파일업이 발생함에 따라, 일부 카운트들이 손실되고 파일업 비가 떨어진다. 극히 높은 카운트 레이트들에서, 출력은 포화되거나 0으로 떨어지고, 따라서, 파일업 비는 0으로 된다. 파일업 비가 가중치들을 생성하는 데 사용될 수 있으며, 이는, 이어서, 도 4 및 도 5에서 특성화된 프로세스들에서 추정된 이미지에 대한 업데이트들을 생성하는 데 사용될 수 있다는 것이 주목될 수 있다.
도 13은 파일업 비의 함수로서의 잡음 파일업 보정 인자의 그래프 표현(1300)이다. X-축은 도면 부호 1302로 표현되고 파일업 비를 나타내는 한편, Y-축은 도면 부호 1304로 표현되고 잡음 보정 인자와 같은 보정 인자의 진폭을 나타낸다. 또한, 도면 부호 1306은 일반적으로 파일업 보정 인자를 표현한다. 또한, 도면 부호 1308은 파일업 비가 0에 근접함에 따른 보정 인자의 선형 거동을 도시하기 위해 파일업 보정 인자의 선형 외삽을 표현한다. 특정 실시예에서, 각각의 픽셀로부터의 투영 데이터는 해당 픽셀에서의 파일업 비에 기초하여 그래프 표현(1300)에 예시되는 값을 갖는 파일업 보정 인자와 곱해진다.
도 13에 도시된 바와 같이, 파일업 보정 인자는 파일업 비가 0인 경우 1과 동일하다. 측정된 카운트들 또는 잡음을 1에 곱하여 원래의 값을 제공한다. 따라서, 낮은 파일업 비에 대한 보정은 카운트들 또는 잡음을 변화시키지 않은 상태로 둔다. 이어서, 보정은 근사적으로 선형인 거동으로 떨어진다. 매우 높은 파일업 비에서, 보정 인자는 0에 근접하여, 이에 의해, 보정된 값이 0에 근접함을 나타낸다. 이러한 극단들 사이에서, 보정 인자는 더 많거나 더 적은 다항식-유사 거동(polynomial-like behavior)으로 평탄하게 변화한다.
본 명세서의 추가 태양들에 따르면, 반복적 이미지 재구성의 맥락에서 기술되는 도 4 내지 도 11의 방법들은 또한 기저 물질 분해의 상황에 적용될 수 있다. 기저 물질 분해의 예에서, 다수의 에너지 빈 측정치들 또는 사이노그램들로부터 다수의 기저 물질 사이노그램들(또는 대안으로 단색성 사이노그램들)을 추정하는 것이 바람직하다. 에너지 빈 측정치들은 파일업에 대해 사전보정될 수 있거나, 또는 파일업이 물질 분해(MD) 모델들에 통합될 수 있다. 기저 물질 사이노그램들의 추정된 세트를 사용하여, 순방향 MD 모델이 에너지 빈 사이노그램들의 추정된 세트를 계산하도록 구성된다. 이러한 추정된 에너지 빈 사이노그램들은 측정된 에너지 빈 사이노그램들에 비교된다. 가중된 최소 제곱 비용 함수와 같은 목적 함수가 반복적 업데이트 단계를 정의하는 데 사용된다.
따라서, 본 명세서의 실시예들은, 정확한 통계 모델들을 순방향 투영 및/또는 통계 가중화에 적용함으로써 PCCT 이미징 시스템들에 대한 반복적 재구성 및/또는 물질 분해의 이미지 품질을 향상시키는 이미징을 위한 시스템들 및 방법들을 제공한다. 특히, 전술된 이미징을 위한 시스템들 및 방법들에서, X-선 파일업의 고유한 통계적 속성들은 PCCT 이미징 시스템들에 대한 통계적 이미지 재구성 또는 물질 분해를 위한 반복 알고리즘의 잡음 모델 내에 통합된다.
또한, 본 시스템들 및 방법들은 파일업 영향을 받는 투영 광선들을 선택적으로 하방 가중화하여 PCCT 이미징 시스템들에 의해 생성되는 최종 재구성된 이미지들에서 이미지 아티팩트들을 감소시키는 한편, 파일업이 없는 투영 광선들이 상대적으로 부스트되도록 구성된다. 또한, 통계 가중화 인자들은 파일업 보정을 위해 적응적으로 조정되어, 이에 의해, PCCT 이미징 시스템들에 의해 생성된 이미지들에서의 이미지 아티팩트들의 감소를 촉진시킬 수 있다. 시스템들 및 방법들은 PCCT 이미징 시스템들에서 파일업 손상된 신호들을 효과적으로 보정하도록 구성된다. 개시된 방법들은 총 검출된 카운트들, 하나 이상의 에너지 빈에서의 카운트들, 하나 이상의 에너지 빈에서의 검출된 카운트들의 가중된 합계들, 및 물질 분해 방법들 및/또는 단일 에너지(mono-energetic) 프로세싱 방법들이 적용될 때 발생하는 것들과 같은 프로세싱된 카운트들 중 하나 이상에 대응하는 투영 데이터를 제공하는 PCCT 시스템들에 적용될 수 있다. 본 시스템들 및 방법들에 의해 제공되는 개선된 이미지 품질은 PCCT 이미징 시스템들의 증가되는 사용을 가능하게 할 것이다.
전술한 예들, 설명들, 및 본 시스템들의 특정 컴포넌트들에 의해, 예를 들어 특히 프로세싱 서브시스템(112) 및 잡음 보정 플랫폼(114)에 의해 수행될 수 있는 프로세스 단계들은 프로세서 기반 시스템 상의 적합한 코드에 의해 구현될 수 있다는 것이 주목될 수 있다. 프로세서 기반 시스템은, 예를 들어, 범용 또는 특수 목적 컴퓨터를 포함할 수 있다. 또한, 본 명세서의 상이한 구현예들이 본 명세서에 기술된 단계들 중 일부 또는 전부를 상이한 순서들로 또는 실질적으로 동시에 수행할 수 있다는 것이 주목될 수 있다.
추가로, 기능들은 Ruby, PHP(Hypertext Preprocessor), Perl, Delphi, Python, C, C++, 또는 Java를 포함하지만 이들로 제한되지 않는 다양한 프로그래밍 언어들로 구현될 수 있다. 그러한 코드는 하나 이상의 유형적(tangible) 기계 판독가능 매체 상에, 예컨대 데이터 저장소 칩, 로컬 또는 원격 하드 디스크, 광 디스크(즉, CD 또는 DVD), 솔리드 스테이트 드라이브, 또는 저장된 코드를 실행할 프로세서 기반 시스템에 의해 액세스될 수 있는 다른 매체 상에 저장되거나 그에 저장하기 위해 구성될 수 있다.
본 명세서의 실시예들의 특정 특징부들이 일부 도면들에 도시되고/되거나 그와 관련하여 기술되고 다른 도면들에는 그렇지 않을 수 있지만, 이는 단지 편의를 위한 것이다. 도면들에 도시되고 본 명세서에 기술된 설명된 특징들, 구조들, 및/또는 특성들은 다양한 실시예들에서 임의의 적합한 방식으로 상호교환가능하게 조합되고/되거나 사용되어, 예를 들어, 진단 이미징에서 사용하기 위한 추가 조립체들 및 방법들을 구성할 수 있다는 것을 이해해야 한다.
본 명세서의 특정 특징부들만이 본 명세서에 도시되고 기술되었지만, 많은 변형 및 변경이 당업자에게 떠오를 것이다. 따라서, 첨부된 청구범위는 본 발명의 진정한 사상 내에 속하는 바와 같은 모든 그러한 변형 및 변경을 커버하도록 의도된다는 것이 이해되어야 한다.

Claims (17)

  1. 재구성될 객체를 이미징하기 위한 방법으로서,
    이미징 시스템을 통해, 재구성될 상기 객체에 대응하는 투영 데이터를 획득하는 단계;
    상기 획득된 투영 데이터에 기초하여 측정된 사이노그램(sinogram)을 생성하는 단계;
    상기 이미징 시스템의 특성을 표현하는 순방향 모델을 공식화(formulate)하는 단계;
    상기 객체 및 상기 순방향 모델의 추정된 이미지에 기초하여 추정된 사이노그램을 생성하는 단계;
    상기 이미징 시스템의 검출기의 파일업(pile-up) 특성들 및 데드 타임(dead time) 특성들 중 적어도 하나에 기초하여 통계 모델을 공식화하는 단계;
    상기 통계 모델, 상기 측정된 사이노그램, 및 상기 추정된 사이노그램에 기초하여 상기 추정된 이미지에 대응하는 업데이트를 결정하는 단계;
    상기 결정된 업데이트에 기초하여 상기 추정된 이미지를 업데이트하여 상기 객체의 업데이트된 이미지를 생성하는 단계; 및
    상기 객체의 최종 이미지를 출력하는 단계를 포함하는, 방법.
  2. 제1항에 있어서, 상기 이미징 시스템의 검출기의 파일업 특성들 및 데드 타임 특성들 중 적어도 하나 및 상기 이미징 시스템의 시스템 특성들을 획득하는 단계를 추가로 포함하는, 방법.
  3. 제2항에 있어서, 상기 순방향 모델을 공식화하는 단계는 상기 시스템 특성들에 기초하여 상기 이미징 시스템의 거동을 모델링하여 상기 순방향 모델을 생성하는 단계를 포함하는, 방법.
  4. 제1항에 있어서, 상기 순방향 모델을 공식화하는 단계는 상기 파일업 특성들, 상기 데드 타임 특성들, 또는 이들의 조합에 기초하여 상기 이미징 시스템의 거동을 모델링하는 단계를 포함하는, 방법.
  5. 제1항에 있어서, 상기 통계 모델은 상기 검출기의 펄스 응답들에 기초하고, 상기 통계 모델은 상기 검출기의 측정된 카운트들의 평균 및 분산의 파일업에 대한 보정을 포함하는, 방법.
  6. 제5항에 있어서, 2개 이상의 이웃 검출기 채널들에 대응하는 검출기 측정치들 및 2개 이상의 에너지 빈(bin)에 대응하는 검출기 측정치들 중 하나 이상에 기초하여 상기 통계 모델의 적어도 하나의 파라미터를 추정하는 단계를 추가로 포함하는, 방법.
  7. 제5항에 있어서, 상기 통계 모델의 적어도 하나의 파라미터를 반복적으로 추정하는 단계를 추가로 포함하는, 방법.
  8. 제5항에 있어서, 잡음제거 기법, 분산 감소 기법, 심층 신경망, 또는 이들의 조합들 중 적어도 하나에 기초하여 상기 통계 모델의 적어도 하나의 파라미터를 추정하는 단계를 추가로 포함하는, 방법.
  9. 제1항에 있어서, 상기 통계 모델을 공식화하는 단계는,
    상기 파일업 특성들, 상기 데드 타임 특성들, 측정된 검출기 거동, 또는 이들의 조합들 중 적어도 하나에 기초하여 상기 이미징 시스템의 검출기의 거동을 모델링하여 검출기 거동 모델을 생성하는 단계;
    상기 검출기 거동 모델에 기초하여 하나 이상의 잡음 보정 인자들을 결정하는 단계; 및
    적어도 상기 하나 이상의 잡음 보정 인자들에 기초하여 하나 이상의 통계 가중화 인자들을 결정하는 단계를 포함하는, 방법.
  10. 제9항에 있어서, 상기 하나 이상의 잡음 보정 인자들은 최저 카운트 레이트에 대해 1(unity)이라는 값을 갖고, 상기 하나 이상의 잡음 보정 인자들은 높은 카운트 레이트들에 대해 0 값에 점근적으로 근접하는, 방법.
  11. 제1항에 있어서, 상기 통계 모델을 공식화하는 단계는,
    상기 파일업 특성들 및 상기 데드 타임 특성들 중 적어도 하나에 기초하여 시뮬레이션된 잡음 모델을 결정하는 단계;
    상기 시뮬레이션된 잡음 모델을 사용하여 상기 이미징 시스템의 하나 이상의 구성들에 대응하는 잡음을 시뮬레이션하는 단계;
    종래의 잡음 모델을 사용하여 상기 이미징 시스템의 하나 이상의 구성들에 대응하는 잡음을 측정하는 단계;
    상기 시뮬레이션된 잡음을 상기 측정된 잡음과 비교하여 하나 이상의 잡음 보정 인자들을 결정하는 단계; 및
    적어도 상기 하나 이상의 잡음 보정 인자들에 기초하여 하나 이상의 통계 가중화 인자들을 결정하는 단계를 포함하는, 방법.
  12. 제11항에 있어서, 측정 신호의 파일업을 보상하기 위해 상기 하나 이상의 통계 가중화 인자들을 적응적으로 조정하는 단계를 추가로 포함하는, 방법.
  13. 제12항에 있어서, 상기 하나 이상의 통계 가중화 인자들을 적응적으로 조정하는 단계는 상기 측정 신호의 검출된 신호 레벨에 기초하여 스케일링 함수를 결정하는 단계를 포함하고, 상기 스케일링 함수는 상기 측정 신호에 기초하여 상기 하나 이상의 통계 가중화 인자들을 선택적으로 수정하도록 구성되는, 방법.
  14. 제1항에 있어서, 상기 통계 모델을 공식화하는 단계는 측정 신호의 파일업의 물리적 특성에 기초하여 파라미터 통계 모델을 도출하는 단계를 포함하는 방법.
  15. 제1항에 있어서, 상기 통계 모델을 공식화하는 단계는,
    상기 파일업 특성들 및 상기 데드 타임 특성들 중 적어도 하나에 기초하여 상기 검출기의 파일업 프로세스를 시뮬레이션 또는 측정하는 단계;
    검출기 신호에 기초하여 하나 이상의 파일업 보정 메트릭들을 결정하는 단계 - 상기 하나 이상의 파일업 보정 메트릭들은 파일업 비(ratio), 상기 파일업에 대해 보정된 신호, 상기 파일업에 대응하는 결핍(deficiency) 신호 중 하나 이상을 포함함 -; 및
    적어도 상기 하나 이상의 파일업 보정 메트릭들에 기초하여 하나 이상의 통계 가중화 인자들을 결정하는 단계를 포함하는, 방법.
  16. 제1항에 있어서, 상기 추정된 이미지에 대한 상기 업데이트를 결정하는 단계는,
    상기 하나 이상의 통계 가중화 인자들에 기초하여 상기 측정된 사이노그램과 상기 추정된 사이노그램 사이의 통계적으로 가중된 차이를 결정하는 단계; 및
    상기 측정된 사이노그램과 상기 추정된 사이노그램 사이의 상기 통계적으로 가중된 차이에 기초하여 상기 추정된 이미지에 대한 상기 업데이트를 계산하는 단계를 포함하는, 방법.
  17. 제1항에 있어서,
    파일업 모델에 기초하여 상기 측정된 사이노그램을 보정하여 파일업 보정된 사이노그램을 생성하는 단계;
    상기 통계 모델 및 상기 파일업 보정된 사이노그램에 기초하여 상기 추정된 이미지에 대한 상기 업데이트를 결정하는 단계; 및
    상기 결정된 업데이트에 기초하여 상기 추정된 이미지를 업데이트하여 업데이트된 이미지를 생성하는 단계를 추가로 포함하는, 방법.
KR1020190167685A 2018-12-17 2019-12-16 통계적 반복 재구성 및 물질 분해용 시스템 및 방법 KR102330564B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/221,606 US10679385B1 (en) 2018-12-17 2018-12-17 System and method for statistical iterative reconstruction and material decomposition
US16/221,606 2018-12-17

Publications (2)

Publication Number Publication Date
KR20200074891A true KR20200074891A (ko) 2020-06-25
KR102330564B1 KR102330564B1 (ko) 2021-11-25

Family

ID=68917483

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190167685A KR102330564B1 (ko) 2018-12-17 2019-12-16 통계적 반복 재구성 및 물질 분해용 시스템 및 방법

Country Status (5)

Country Link
US (1) US10679385B1 (ko)
EP (1) EP3671648B1 (ko)
JP (1) JP7175875B2 (ko)
KR (1) KR102330564B1 (ko)
CN (1) CN111323437B (ko)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070588B (zh) * 2019-04-24 2023-01-31 上海联影医疗科技股份有限公司 Pet图像重建方法、系统、可读存储介质和设备
WO2021007808A1 (en) * 2019-07-17 2021-01-21 Shanghai United Imaging Healthcare Co., Ltd. System and method for synthesizing a projection image
US11344266B2 (en) * 2019-09-16 2022-05-31 Redlen Technologies, Inc. Calibration methods for improving uniformity in X-ray photon counting detectors
CN112424835B (zh) * 2020-05-18 2023-11-24 上海联影医疗科技股份有限公司 用于图像重建的系统和方法
CN112053412B (zh) * 2020-08-31 2022-04-29 浙江大学 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法
CN112381741B (zh) * 2020-11-24 2021-07-16 佛山读图科技有限公司 基于spect数据采样与噪声特性的断层图像重建方法
US11944484B2 (en) 2021-03-31 2024-04-02 Canon Medical Systems Corporation Material decomposition calibration method and apparatus for a full size photon counting CT system
EP4134906A1 (en) * 2021-08-13 2023-02-15 Dotphoton AG Simultaneous and consistent handling of image data and associated noise model in image processing and image synthesis
US20230281888A1 (en) * 2022-03-02 2023-09-07 General Electric Company Computed tomography scatter and crosstalk correction
US12102471B2 (en) 2022-04-14 2024-10-01 Canon Medical Systems Corporation Iterative method for material decomposition calibration in a full size photon counting computed tomography system
WO2024062894A1 (ja) * 2022-09-22 2024-03-28 キヤノン株式会社 医用画像処理装置およびその制御方法、医用画像処理プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005172823A (ja) * 2003-12-08 2005-06-30 Siemens Ag 計数式放射線検出器の作動方法、計数式放射線検出器およびx線装置
WO2014171539A1 (ja) * 2013-04-19 2014-10-23 株式会社東芝 X線コンピュータ断層撮影装置及び補正方法
KR20150099384A (ko) * 2014-02-21 2015-08-31 삼성전자주식회사 단층 촬영 장치 및 그에 따른 단층 영상 복원 방법
WO2015197786A1 (en) * 2014-06-27 2015-12-30 Koninklijke Philips N.V. Spectral material decomposition for photon-counting applications
WO2018002226A1 (en) * 2016-06-29 2018-01-04 Koninklijke Philips N.V. Photon-counting computed tomography

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7129497B2 (en) 2004-05-11 2006-10-31 Scott David Wollenweber Method and system for normalization of a positron emission tomography system
US7386088B2 (en) * 2004-09-24 2008-06-10 General Electric Company Method and system for iterative image reconstruction
US20070076842A1 (en) * 2005-09-30 2007-04-05 Tkaczyk John E Adaptable energy discriminating computed tomography system
WO2008147416A1 (en) * 2007-05-31 2008-12-04 General Electric Company Methods and systems to facilitate correcting gain fluctuations in image
US7696483B2 (en) 2007-08-10 2010-04-13 General Electric Company High DQE photon counting detector using statistical recovery of pile-up events
US8378310B2 (en) 2009-02-11 2013-02-19 Prismatic Sensors Ab Image quality in photon counting-mode detector systems
JP5978429B2 (ja) 2011-04-28 2016-08-24 株式会社日立製作所 医用画像処理装置、医用画像処理方法
JP6200428B2 (ja) 2011-12-19 2017-09-20 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. X線検出器、x線装置、プロセッサ、コンピュータプログラム、及びその関連方法
CN103186882B (zh) * 2011-12-30 2015-09-30 沈阳东软派斯通医疗系统有限公司 Pet系统中图像的衰减校正方法及装置
CN104220900B (zh) 2012-03-27 2017-05-17 皇家飞利浦有限公司 高通量光子计数探测器电子器件
CN104220899A (zh) 2012-03-27 2014-12-17 皇家飞利浦有限公司 利用具有光子计数探测器的成像系统的常规成像
RU2015107549A (ru) 2012-08-13 2016-10-10 Конинклейке Филипс Н.В. Детектор рентгеновского излучения с функцией подсчета фотонов
US9501819B2 (en) * 2013-05-02 2016-11-22 Korea Advanced Institute Of Science And Technology Super-resolution apparatus and method
US9261467B2 (en) 2013-06-14 2016-02-16 General Electric Company System and method of iterative image reconstruction for computed tomography
US9292946B2 (en) 2013-12-20 2016-03-22 Kabushiki Kaisha Toshiba X ray computer tomography apparatus and image processing apparatus
CN106255994B (zh) * 2014-02-18 2019-09-17 皇家飞利浦有限公司 针对正电子发射断层摄影(pet)列表模式迭代重建的重建中滤波
JP6448917B2 (ja) 2014-05-28 2019-01-09 キヤノンメディカルシステムズ株式会社 フォトンカウンティングct装置
WO2016023782A1 (en) * 2014-08-13 2016-02-18 Koninklijke Philips N.V. Quantitative dark–field imaging in tomography
WO2016076767A1 (en) 2014-11-10 2016-05-19 Prismatic Sensors Ab X-ray imaging based on image data from a photon-counting multi bin x-ray detector
US9977140B2 (en) 2015-01-09 2018-05-22 Toshiba Medical Systems Corporation More efficient method and apparatus for detector response correction and material decomposition of projection data obtained using photon-counting detectors
US20160242721A1 (en) * 2015-02-20 2016-08-25 Kabushiki Kaisha Toshiba Apparatus and method for fast iterative reconstruction in computed tomography
KR101725891B1 (ko) * 2015-08-05 2017-04-11 삼성전자주식회사 단층 영상 장치 및 그에 따른 단층 영상 복원 방법
CN105046675B (zh) * 2015-08-24 2017-09-29 重庆邮电大学 基于mvct图像消除kvct图像中金属伪影的方法
EP3234919B1 (en) * 2015-12-11 2021-03-17 Shanghai United Imaging Healthcare Co., Ltd. System and method for image reconstruction
US10213176B2 (en) 2016-04-27 2019-02-26 Toshiba Medical Systems Corporation Apparatus and method for hybrid pre-log and post-log iterative image reconstruction for computed tomography
US10489940B2 (en) * 2017-09-05 2019-11-26 Cardiovascular Imaging Technolgies, L.L.C. System and computer-implemented method for improving image quality

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005172823A (ja) * 2003-12-08 2005-06-30 Siemens Ag 計数式放射線検出器の作動方法、計数式放射線検出器およびx線装置
WO2014171539A1 (ja) * 2013-04-19 2014-10-23 株式会社東芝 X線コンピュータ断層撮影装置及び補正方法
KR20150099384A (ko) * 2014-02-21 2015-08-31 삼성전자주식회사 단층 촬영 장치 및 그에 따른 단층 영상 복원 방법
WO2015197786A1 (en) * 2014-06-27 2015-12-30 Koninklijke Philips N.V. Spectral material decomposition for photon-counting applications
WO2018002226A1 (en) * 2016-06-29 2018-01-04 Koninklijke Philips N.V. Photon-counting computed tomography

Also Published As

Publication number Publication date
JP2020114379A (ja) 2020-07-30
US20200193654A1 (en) 2020-06-18
EP3671648B1 (en) 2024-04-17
JP7175875B2 (ja) 2022-11-21
CN111323437B (zh) 2023-06-23
EP3671648A1 (en) 2020-06-24
US10679385B1 (en) 2020-06-09
CN111323437A (zh) 2020-06-23
KR102330564B1 (ko) 2021-11-25

Similar Documents

Publication Publication Date Title
KR102330564B1 (ko) 통계적 반복 재구성 및 물질 분해용 시스템 및 방법
JP5336364B2 (ja) 散乱放射線の割合に応じたx線検出器の利得校正
CN106233335B (zh) X射线光谱成像方法与系统
RU2414724C2 (ru) Способ и устройство для спектральной компьютерной томографии
US7263167B2 (en) Direct conversion X-ray detector with over-range and pile-up correction
JP7065792B2 (ja) 光子カウントコンピュータ断層撮影
JP6482815B2 (ja) X線コンピュータ断層撮影装置及びリファレンス補正プログラム
JP2018506368A (ja) 光子計数コンピュータ断層撮影のための画像技術パラメータを最適化する方法
JPH05302979A (ja) 同時透過・放出型集束断層撮影法
US9589373B2 (en) Monte carlo modeling of field angle-dependent spectra for radiographic imaging systems
EP2652709B1 (en) Imaging system for imaging a region of interest
JP2017124149A (ja) データ処理装置、x線ct装置及びデータ処理方法
JP7475972B2 (ja) 装置、x線ct装置、方法及びプログラム
US11337671B2 (en) Methods and systems for improved spectral fidelity for material decomposition
CN112562025A (zh) X射线成像中的数据校正
JP6828061B2 (ja) スペクトルctデータからのカルシウム含有量の特定
JP2022113115A (ja) ビームハードニング補正方法、x線ct装置及びビームハードニング補正プログラム
JP2022013686A (ja) X線ct装置、データ処理方法及びプログラム
JP7061673B6 (ja) 対象物の関心領域のスペクトル画像を再構成するための装置、システム、方法及びコンピュータプログラム
US20230320688A1 (en) Systems and methods for image artifact mitigation with targeted modular calibration
JP7225307B2 (ja) 多材料分解のための方法およびシステム
JP2008267913A (ja) 核医学診断装置およびそれに用いられる診断システム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant