RU2612575C2

RU2612575C2 - Обработка изображений для спектральной компьютерной томографии

Info

Publication number: RU2612575C2
Application number: RU2014105565A
Authority: RU
Inventors: Лиран ГОШЕН
Original assignee: Конинклейке Филипс Н.В.
Priority date: 2011-07-15
Filing date: 2012-07-10
Publication date: 2017-03-09
Also published as: CN103649990A; WO2013011418A3; US9547889B2; JP2014522693A; EP2732431A2; US20140133729A1; WO2013011418A2; EP2732431B1; RU2014105565A; US20170124686A1; CN103649990B; JP6100772B2; US10147168B2

Abstract

Изобретение относится к области спектральной компьютерной томографии. Технический результат заключается в снижении дозы облучения для заданного качества изображения. Технический результат достигается за счет того, что оценивают локальное шумовое значение для одного или более вокселов спектрального изображения из набора спектральных изображений, соответствующих различным энергетическим диапазонам, создавая шумовую модель для спектрального изображения, и удаляют шум воксела, основываясь на выбранной модели локальной структуры, посредством замены значения воксела на значение, оцененное, основываясь на выбранной модели локальной структуры, причем для множества вокселов множества спектральных изображений из набора спектральных изображений удаляется шум за счет того, что создается набор спектральных изображений с удаленным шумом. 2 н. и 8 з.п. ф-лы, 15 ил.

Description

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

Нижеследующее, в целом, относится к компьютерной томографии (CT) и, более конкретно, к спектральной CT.

УРОВЕНЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

Сканер CT обычно содержит рентгеновскую трубку, излучающую ионизирующее излучение, которое проходит через область исследования и участок объекта или субъекта в ней и освещает детекторную матрицу, расположенную после области исследования напротив рентгеновской трубки. Детектор создает проекционные данные, показывающие обнаруженное излучение. Данные могут быть реконструированы для формирования объемных данных изображения, показывающих участок объекта или субъекта. При спектральной CT проекционные данные содержат сигналы, получаемые одновременно и которые соответствуют различным диапазонам энергии фотонов. Существуют несколько подходов к выполнению спектральной CT. Например, сканер CT может содержать два или более источников, по меньшей мере один источник, выполненный с возможностью переключения по меньшей мере между двумя различными пиковыми напряжениями (kVp), и/или детекторную матрицу с детекторами с разрешающей способностью по энергии.

Для спектральной CT два полученных сигнала могут использоваться для определения вкладов, даваемых фототоком и эффектом Комптона для каждого сигнала, и идентификации неизвестного вещества по значению его вкладов, даваемых фототоком и эффектом Комптона. Обычно, поскольку любые две линейно независимые суммы двух основных функций перекрывают все пространство коэффициента затухания, любое вещество может быть представлено линейной комбинацией двух базисных веществ. Это работает особенно хорошо для таких веществ, как йод, у которых энергия k-края близка к среднему значению диагностического энергетического диапазона. Кроме того, дополнительная спектральная информация улучшает количественную информацию, которая может быть определена в отношении сканированного объекта и составляющих его веществ. Базисное вещество также позволяет формировать монохроматическое изображение, изображение с удаленным веществом, изображение с эффективным атомным номером и изображение электронной плотности.

Также, сканеры СТ излучают ионизирующее излучение. К сожалению, ионизирующее излучение может повреждать или убивать клетки и/или увеличить риск рака. В литературе указывается, что уровни дозы от CT обычно превышают уровни дозы от стандартной радиографии и рентгеноскопии. Однако, доза облучения для конкретной процедуры получения изображения не может быть просто понижена, поскольку более низкая доза приводит к повышенному шуму изображения и, таким образом, более расплывчатому или нечеткому изображению. Кроме того, спектральные СТ-изображения уже по своей сути являются более зашумленными по сравнению со стандартными неспектральными изображениями. Например, при исследовании с двумя энергиями каждое изображение основано примерно на половинной дозе излучения, соответствующей неспектральному традиционному сканированию. Дополнительно, оценка разложения материала основывается на проекциях между двумя векторами с малым углом между ними. Комбинация этих двух факторов, то есть, большой шум и малый угол, значительно усиливают шум разложения оцениваемого вещества.

Исследования с контрастно улучшенной CT захватывают транзит введенного радиоконтрастного вещества через сосудистую ткань. Обычно, для контрастно улучшенной CT болюс радиоконтрастного материала вводится пациенту внутривенно и интересующая область пациента, которая содержит интересующую сосудистую ткань, сканируется. Радиоконтрастное вещество заставляет рентгеновскую плотность в интересующей сосудистой ткани временно увеличиваться по мере того, как радиоконтрастное вещество протекает через сосудистую ткань, приводя в результате к улучшенным данным. Однако, после введения контрастного вещества некоторые пациенты испытывают идиосинкратические эффекты, а некоторые пациенты могут испытывать тяжелые и потенциально опасные для жизни аллергические реакции. Контрастное вещество может также вызывать повреждение почек, а у некоторых пациентов развивалось острое ухудшение их почечной функции. В целом, больший объем контрастного вещества приводит в результате к изображению c более высоким отношением контраста к шуму (CNR), в то время как более низкий объем ведет к снижению CNR изображения. К сожалению, увеличение объема контрастного вещества приводит к увеличению связанных с ним рисков.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Аспекты настоящей заявки обращены к упомянутым выше вопросам и прочему.

В соответствии с одним из аспектов, способ содержит этапы, на которых оценивают локальное шумовое значение для одного или более вокселов спектрального изображения из набора спектральных изображений, соответствующих различным энергетическим диапазонам, создают шумовую модель изображения, оценивают модели локальных структур для воксела спектрального изображения, основываясь на соответствующей шумовой модели, подгоняют набор моделей локальных структур к трехмерному окружению вокселов в изображении вокруг воксела в изображении, выбирают одну из моделей локальных структур для воксела, основываясь на подгонке и заданных критериях выбора модели, и удаляют шум воксела, основываясь на выбранной модели локальной структуры, заменяя значение воксела значением, оцененным на основе выбранной модели локальной структуры, причем из множества вокселов множества спектральных изображений из набора спектральных изображений удаляется шум, создавая набор спектральных изображений с удаленным шумом.

В другом аспекте вычислительное устройство содержит блок оценки шума, который оценивает шумовую структуру спектрального изображения набора спектральных изображений, соответствующих различным энергетическим диапазонам, причем шумовая структура используется для оценки моделей локальных структур для воксела спектрального изображения, блок подгонки модели, который подгоняет набор моделей локальных структур к трехмерному окружению вокселов в изображении вокруг воксела в изображении, и селектор модели, который выбирает одну из моделей локальных структур для воксела, основываясь на подгонке и заданных критериях выбора модели.

В другом аспекте способ содержит этапы, на которых формируют карту вероятности кальция, основываясь на вероятностном разложении спектральных изображений с удаленным шумом, улучшают карту вероятности кальция, выполняя общую вариационную функциональную минимизацию карты вероятности кальция, и формируют двоичную маску, представляющую сегментацию костей и кальция, основываясь на улучшенной карте вероятности кальция и заданном пороге.

В другом аспекте способ содержит этапы, на которых формируют одну или более карт распределения йода, основываясь на векторном разложении спектральных изображений с удаленным шумом, и оценивают карту йода, основываясь на одной или более картах распределения йода и двоичной маске, представляющей сегментацию кальция и костей.

В другом аспекте способ содержит этапы, на которых формируют виртуальное контрастно улучшенное промежуточное изображение для каждого энергетического изображения набора спектральных изображений, соответствующих различным энергетическим диапазонам, основываясь на спектральных изображениях с удаленным шумом, разложенных спектральных изображениях с удаленным шумом, карте йода и коэффициенте улучшения контраста, и формируют конечные виртуальные контрастно улучшенные изображения, вводя имитируемый эффект парциального объема с промежуточными виртуальными контрастно улучшенными изображениями.

В другом аспекте способ содержит этапы, на которых формируют виртуальное неконтрастное промежуточное изображение для каждого энергетического изображения набора спектральных изображений, соответствующих различным энергетическим диапазонам, основываясь на спектральных изображениях с удаленным шумом, разложенных спектральных изображениях с удаленным шумом и карте йода, и формируют окончательные виртуальные неконтрастные изображения, вводя имитируемый эффект парциального объема с промежуточными виртуальными контрастно улучшенными изображениями.

Другие дополнительные варианты настоящего изобретения станут понятны специалистам в данной области техники после прочтения и понимания последующего подробного описания.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Изобретение может принимать форму различных компонент и компоновок компонент и различных этапов и структур этапов. Чертежи предназначаются только для целей иллюстрации предпочтительных вариантов осуществления и не должны рассматриваться как ограничение изобретения.

Фиг.1 схематично показывает систему формирования изображений, соединенную с блоком подавления шума и процессором изображений.

Фиг.2 схематично показывает пример блока удаления шума.

Фиг.3 схематично показывает пример блока удаления спектрального шума блока удаления шума.

Фиг.4 схематично показывает пример процессора изображений.

Фиг.5 показывает пример графика энергетической карты/ энергетического разброса для исследования с двумя энергиями и нескольких векторов отклика вещества.

Фиг.6 показывает два вектора отклика вещества на энергетической карте и более короткие расстояния от точки измерения до двух векторов.

Фиг.7 схематично показывает пример блока сегментации процессора изображений.

Фиг.8 схематично показывает пример генератора карты вещества процессора изображений.

Фиг.9 схематично показывает пример генератора виртуального контрастно улучшенного изображения процессора изображений.

Фиг.10 схематично показывает пример генератора виртуального неконтрастного изображения процессора изображений.

Фиг.11 показывает пример способа для удаления шума спектральных изображений.

Фиг.12 показывает пример способа определения двоичной маски сегментации костей и кальция для спектральных изображений с удаленным шумом.

Фиг.13 показывает пример способа определения карты йода для спектральных изображений с удаленным шумом.

Фиг.14 показывает пример способа для определения виртуальных неконтрастных изображений, основываясь на спектральных изображениях с удаленным шумом.

Фиг.15 показывает пример способа определения виртуальных контрастно улучшенных изображений, основываясь на спектральных изображениях с удаленным шумом.

ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ

На Фиг.1 представлена система 100 формирования изображений, такая как сканер для компьютерной томографии (CT), выполненный с возможностью формирования изображений спектральной CT. Система 100 формирования изображений содержит неподвижный гентри 102 и вращающийся гентри 104, который с возможностью вращения поддерживается неподвижным гентри 102. Вращающийся гентри 104 вращается вокруг области 106 исследования относительно продольной оси или оси Z.

Система 100 содержит по меньшей мере один источник 108 излучения, такой как рентгеновская трубка, которая поддерживается вращающимся гентри 104 и которая вращается вместе с вращающимся гентри 104 вокруг области 106 исследования. Существует по меньшей мере один источник 108 излучения, излучение которого проходит через область 106 исследования. Когда существуют по меньшей мере два источника 108 излучения, каждый источник может быть выполнен с возможностью излучения, имеющего в среднем различный средний спектр излучения. Дополнительно или альтернативно, один или более из по меньшей мере двух источников 108 может быть выполнен с возможностью управляемого переключения по меньшей мере между двумя различными напряжениями (kVp) излучения во время сканирования. Многочисленные источники и/или переключение между пиковыми напряжениями могут использоваться для получения результатов спектральной CT.

Чувствительная к излучению детекторная матрица 110 располагается напротив по меньшей мере одного источника 108 излучения через область 106 исследования. Чувствительная к излучению детекторная матрица 110 содержит матрицу пикселей детектора, которые обнаруживают излучение, проходящее через область 106 исследования, и формируют показывающие его проекционные данные. Чувствительная к излучению детекторная матрица 110 может содержать стандартные детекторы и/или детекторы с разрешающей способностью по энергии, такие как детекторы с прямым преобразованием и/или мультиспектральный детектор на основе сцинтиллятора, который содержит по меньшей мере два сцинтиллятора с различной чувствительностью к рентгеновской энергии относительно оптически прикрепленных по меньшей мере двух фотодатчиков с соответствующей оптической чувствительностью (например, двухуровневый детектор или детектор слоя). Детекторы с разрешающей способностью по энергии могут использоваться для получения спектральных CT.

Реконструктор 112 реконструирует проекционные данные и формирует объемные данные изображения, указывающие область 106 исследования и участок объекта или субъекта в ней. Там, где спектральные данные получены (например, когда проекционные данные содержат по меньшей мере два результата измерения, полученных одновременно и соответствующих различным энергетическим диапазонам, с помощью многочисленных источников, переключения пикового напряжения и/или детекторов с разрешающей способностью по энергии), реконструктор 112 может реконструировать индивидуальные спектральные изображения для каждого из различных энергетических диапазонов и/или комбинационных изображений, основываясь на отдельных спектральных изображениях, соответствующих двум или более различным энергетическим диапазонам. Реконструктор 112 может также использовать традиционные неспектральные алгоритмы реконструкции.

Опора 114 для субъекта, такая как кушетка, поддерживает субъекта (например, человека или животное) или объект в области 106 исследования и может использоваться для расположения субъекта относительно оси x, y и/или z области 106 исследования до, во время и/или после сканирования. Универсальная вычислительная система служит в качестве консоли 116 оператора и содержит устройство вывода данных, такое как дисплей, и устройство ввода данных, такое как клавиатура, мышь и/или что-либо подобное. Программное обеспечение, постоянно присутствующее на консоли 116, позволяет оператору управлять работой системы 100, например, разрешая оператору выбирать протокол обработки спектральных изображений, инициировать сканирование и т.д.

Вычислительное устройство 118 содержит один или более процессоров, которые выполняют одну или более исполняемых компьютером команд, зашитых или закодированных на считываемом компьютером носителе, таком как блок физической памяти. Дополнительно или альтернативно, одна или более исполняемых компьютером команд могут переноситься с помощью сигнала или несущей и исполняться посредством одного или более процессоров. В представленном на чертеже варианте осуществления исполняемые компьютером команды содержат команды для реализации блока 120 удаления шума и/или процессора 122 изображений. В другом варианте осуществления блока 120 удаления шума и/или процессор 122 изображений реализуются через консоль 116 и/или другое устройство.

Блок 120 удаления шума выполнен с возможностью удаления спектрального шума из реконструированных спектральных изображений, удаляя или уменьшая их спектральный шум, и создания реконструированных спектральных изображений с удаленным шумом. Как описано ниже более подробно, в одном случае блок 120 удаления шума удаляет или уменьшает спектральный шум, сохраняя базовую спектральную информацию и структуру объекта. В одном из случаев, это позволяет снижать дозу облучения для заданного качества изображения. Альтернативно, для данной дозы качество изображения может быть улучшено. Альтернативно, может быть достигнута комбинация снижения дозы и повышения качества изображения. Дополнительно или альтернативно, блок 120 удаления шума может уменьшать шум в оцененных монохроматических изображениях, которые могут быть имитированы, чтобы оценить любое килоэлектронвольт-изображение, используя соответствующую комбинацию компонент фототока и эффекта Комптона.

Процессор 122 изображений обрабатывает реконструированные спектральные изображения с удаленным шумом и/или монохроматические изображения. Как описано ниже более подробно, это содержит выполнение одного или более из сегментации костей и/или кальция, создания карты йода для количественного распределения йода в исследовании, формирования виртуального контрастно улучшенного (VCE) изображения и/или формирования виртуального неконтрастного (VNC) изображения. Такая сегментация костей и кальцификации может интенсивно использовать дополнительную количественную спектральную информацию, использоваться в пределах алгоритма коррекции увеличения жесткости излучения, использоваться с алгоритмом реконструкции монохроматического изображения и т.д. Карта йода обеспечивает улучшенное количественное распределение йода в исследовании.

Виртуальное улучшение контраста позволяет уменьшить количество контрастного вещества, вводимого пациенту для заданного качества изображения. Альтернативно, это позволяет сохранить исследование, в котором синхронизация сканирования от момента введения отсутствовала и результирующее изображение имеет субоптимальное качество изображения, которое может привести в результате к повторному сканированию и дополнительному введению контрастного вещества. Альтернативно, это позволяет клиническому врачу вручную настраивать параметры обработки изображений через мышь, клавиатуру и т.п., чтобы исследовать изображения в режиме реального времени и получать требуемый результат визуализации. Изображение VNC может избавить от необходимости неконтрастного сканирования, что может уменьшать радиоактивное облучение, сэкономить время и увеличить срок службы трубки.

Вычислительное устройство 118 также содержит интерфейс 124 пользователя, позволяющий пользователю взаимодействовать с вычислительным устройством 118. В одном случае он содержит разрешение клиническому врачу выбрать, какой из упомянутых выше признаков обработки изображений (то есть сегментация костей и кальция, формирование карты йода, формирование изображения VNC и/или формирование изображения VCE) использовать для данного исследования. Интерфейс 124 пользователя также позволяет клиническому врачу устанавливать и/или изменять различные параметры обработки изображений. Например, клинический врач может использовать интерфейс 124 пользователя для изменения объема удаления шума при исследовании. Это может быть сделано динамически в режиме реального времени с результатами, представляемыми в реальном времени.

То есть клинический врач, просматривая результаты, может изменить параметр, который в ответ побуждает вычислительное устройство обработать реконструированные спектральные изображения с удаленным шумом, основываясь на измененном параметре, и визуально представить результаты. Другие параметры, которые могут конфигурироваться пользователем, содержат, без ограничения, коэффициент повышения контраста для обработки изображений VCE, параметры, влияющие на агрессивность имитированного эффекта парциального объема для формирования изображения VCE и VNC, пороги для выбора делокализованных моделей структуры для удаления шума, масштабные коэффициенты для сегментации костей и кальция, весовые коэффициенты для подгонки моделей локальных структур к вокселам и т.д.

Хранилище 126 данных может использоваться для хранения реконструированных изображений, реконструированных изображений с удаленным шумом и/или обработанных реконструированных изображений и/или реконструированных изображений с удаленным шумом и к нему может получать доступ одна или более консолей 116, процессор 122 изображений, блок 120 удаления шума и/или другое устройство. Хранилище 126 данных может быть локальным для системы 100, удаленным от системы 100, распределенным и т.д. Хранилище 126 данных может содержать базу данных, сервер, архивирование изображений и систему (PACS) связи, информационную систему рентгенологии (RI), больничную информационную систему (HIS), электронный медицинский отчет (EMR) и/или другое электронный блок хранения или блок памяти.

На Фиг.2 схематично показан пример блока 120 удаления шума. Обычно в этом варианте осуществления блок 120 удаления шума выполнен с возможностью определения шумовой структуры спектрального изображения в наборе спектральных изображений, соответствующих различным энергетическим диапазонам, и уменьшения спектрального шума спектральных изображений, основываясь на структуре шума. Показанный блок 120 удаления шума принимает в качестве входных данных набор спектральных изображений, которые могут содержать набор реконструированных спектральных изображений от сканера 100, хранилища 126 и/или другого места и/или набора предполагаемых монохроматических изображений.

Блок 202 оценки шума оценивает локальное значение шума для каждого воксела спектрального изображения и формирует шумовую модель или структуру для спектрального изображения, основываясь на локальных шумовых значениях, и шумовая модель используется, чтобы оценить структуры в спектральном изображении. Для оценки шума блок 202 оценки шума может использовать известные и/или другие подходы. Соответствующие подходы содержат, в частности, оценку Монте-Карло, аналитический подход, который обсуждался в работе авторов Wunderlich и Noo, Phys. Med. Biol. 53 (2008), 2472-2493, подход на основе изображения, такой как описан в заявке на патент PCT с номером PCT/IB2009/054913, поданной 29 октября 2010 г. под названием "ENHANCED IMAGE DATA/DOSE REDUCTION", которые посредством ссылки включены сюда полностью, и/или другой подход.

Блок 204 удаления спектрального шума удаляет спектральный шум изображения из спектральных изображений, основываясь на предполагаемой шумовой модели, формируя спектральные изображения с удаленным шумом, в то же время сохраняя базовую спектральную информацию и/или анатомическую структуру в различных энергетических изображениях, улучшая, таким образом, отношение "сигнал/шум" спектральных изображений. Пример этого описывается в сочетании с Фиг.3, где блок 204 удаления спектрального шума содержит блок 302 подгонки модели, которая соответствует локальным моделям структуры, определяемым, основываясь на оцененной шумовой структуре, под трехмерную область или окружение вокселов вокруг воксела для одного или более вокселов в спектральном изображении.

Устройство 204 удаления шума также содержит селектор 304 модели, который выбирает модель локальной структуры для каждого воксела в изображении, основываясь на заданных критериях выбора, хранящихся в памяти 306 критериев. Когда модель выбрана для каждого воксела, она используется устройством 204 удаления шума, чтобы удалить шум в спектральных изображениях, где новое расчетное значение воксела является значением, определяемым выбранной моделью, и заменяет первоначальное значение воксела. Результирующие спектральные изображения содержат спектральные изображения с удаленным шумом или спектральное изображение с улучшенным качеством изображения для различных энергетических диапазонов.

Со ссылкой на Фиг.1, 2 и 3 приводится пример подхода удаления шума для устройства 120 удаления шума. Для этого примера,

представляет воксел в объеме

, где объем получен посредством энергии

. Уравнение 1 содержит подход с наименьшими квадратами, который может использоваться для подгонки моделей локальных структур.

Уравнение 1:

где

является значением модели для (i+i’ j+j’, k+k’)-го воксела в объеме и w_{i’,j’, k’}являются весовыми коэффициентами. Весовые коэффициенты могут считать ядром локализации, которая является умножением двух весовых функций, как показано в уравнении 2.

Уравнение 2:

,

где

представляет веса для соседей согласно их пространственному расстоянию до воксела, и

представляет веса соседям в соответствии с их интенсивностью-расстоянием до воксела в пространстве блока Хоунсфилда (HU).

Функция

может быть определена на основе уравнения 3.

Уравнение 3:

где dx - размер пикселя в миллиметрах (мм), dz - ширина среза в мм, и σ_spatial - параметр алгоритма, который управляет агрессивностью весов.

Функция

может быть определена на основе уравнения 4.

Уравнение 4:

где m - параметр алгоритма, который управляет агрессивностью весов и

- оценка локального уровня шума воксела v_i,j,k, который оценивается блоком 202 оценки шума, как описано выше.

Соответствующие модели содержат, в частности, постоянную модель (то есть M_{i’,j’,k’}(c)=c), которая моделирует однородные области, и полиномную модель второго порядка, которая моделирует неоднородные области (то есть, области, содержащие кривизну). Другие модели могут использоваться дополнительно или альтернативно. Селектор 304 модели может использовать различные известные и/или другие классификаторы, чтобы выбрать соответствующую модель. В этом примере представленный селектор 304 модели использует неравенство 1.

Неравенство 1:

где

- бесшумный оцененный воксел первой модели, и порог соответствует критериям, хранящимся в памяти 306 критериев. В этом примере, если неравенство 1 удовлетворяется, удаление шума выполняется, используя второй параметр модели.

Когда модель выбрана, блок 204 удаления спектрального шума применяет модель к спектральным изображениям с удаленным шумом, формируя, таким образом, спектральные изображения с удаленным шумом. В одном случае, тот же самый тип модели шума и те же самые веса подгонки используются для всех различных энергетических изображений. Это позволяет удалить шум, в то же время сохраняя соответствующие результаты в спектральных изображениях для различных энергетических диапазонов. В другом случае, различные типы модели шума и/или веса подгонки используются для одного или более различных энергетических изображений.

На Фиг.4 схематично показан пример процессора изображений 120. В этом варианте осуществления видеопроцессор 120 содержит анализатор 402 вещества, блок 404 памяти для алгоритмов разложения, блок 406 сегментации, генератор 408 карты, генератор 410 виртуального контрастно улучшенного (VCE) изображения и генератор 412 виртуального неконтрастного (VNC) изображения.

Анализатор 402 вещества раскладывает на части спектральные изображения с шумом удаленным посредством блока 118 удаления шума и/или другие спектральные изображения с удаленным шумом согласно различным базам веществ, поскольку каждое вещество имеет уникальную спектральную характеристику затухания, то есть, каждое вещество обладает уникальным вектором реакции вещества на энергетической карте, основанной на изображении. Сканер, использующий две энергии способен, в принципе, делать различие между тканями или веществом переменной плотности с большей разрешающей способностью, чем традиционный CT-сканер. Это показано в сочетании с Фиг.5, где демонстрируется пример графика энергетической карты/энергетического разброса в исследовании с двумя энергиями и для нескольких векторов реакции веществ.

Анализатор 402 вещества раскладывает реконструированные спектральные изображения с удаленным шумом, анализируемые на основе различных известных и/или других алгоритмов разложения, таких как один или более алгоритмов разложения, хранящихся в блоке 404 памяти для алгоритмов разложения. Примеры не ограничивающих алгоритмов разложения дополнительно обсуждаются здесь далее. Один из приемлемых алгоритмов разложения основан на подходе с векторным разложением.

Например, анализатор 402 веществ может оценить карты распределения веществ, решая линейные уравнения для уравнения 5.

Уравнение 5:

где

- вектор вещества, связанный с веществом m,

- объем, связанный с энергией e, полученной после удаления шума посредством блока 118 удаления шума, n - количество энергетических уровней, и a^m - оценочная карта распределения вещества, связанная с веществом m. Другой подходящий алгоритм разложения основан на подходе с вероятностным разложением. Например, анализатор 402 вещества может оценить карты распределения вещества, основываясь на уравнении 6.

Уравнение 6:

где f(p_i|M_m) является функцией плотности вероятности точки p_i, которая должна содержать вещество M_m, и d_i,m является самым коротким расстоянием на энергетической карте между точкой p_iи вектором вещества, связанным с веществом M_m. Это можно видеть на Фиг.6, где показаны два вектора 602 и 604 реакции вещества на энергетической карте 606 и более короткие расстояния 608 и 610 от точки измерений p_i 612 до этих двух векторов 602 и 604.

Оценка карты вероятности вещества может быть определена на основе уравнения 7.

Уравнение 7:

где P_m - карта вероятности вещества M_m. Обычно этот подход использует распределение расстояний на энергетической карте вокселов в векторах реакции вещества как вероятностную модель смеси из нескольких веществ. Результат этого разложения содержит вероятностные карты веществ, которые представляют вероятность каждого воксела, содержащего конкретное вещество.

Возвращаясь к Фиг.4 и обращаясь к Фиг.7, блок 406 сегментации выполнен с возможностью по меньшей мере сегментации костей и кальцификаций, основываясь на разложенных спектральных изображениях с удаленным шумом.

Как показано на Фиг.7, блок 406 сегментации принимает в качестве входных данных карту P_m вероятности кальция, которая оценивается анализатором 402 веществ, основываясь на кальции, йоде и мягкой ткани и/или других веществах, используя вероятностный алгоритм разложения веществ (Уравнения 6 и 7) из блока 404 памяти.

Усиливающий блок 704 усиливает вероятностное разложение вещества, используя полную вариационную функциональную минимизацию или другой подход. В этом примере усиливающий блок 702 выполняет полную вариационную функциональную минимизацию, основываясь на уравнении 8.

Уравнение 8:

где λ - положительный параметр, управляющий масштабом решения для сегментации. Параметр λ может быть значением по умолчанию или указываемым пользователем значением. Для решения уравнения 8 могут использоваться различные подходы. Подход, не создающий ограничений, можно найти в работе авторов Tony F. Chan, Jianhong Shen, «Image Processing and Analysis», SIAM Books 2005.

Блок 406 сегментации дополнительно содержит блок 704 оценки маски, который оценивает двоичную карту изображения, представляющую сегментацию костей и кальцификации. В этом примере блок 706 оценки маски формирует карту В, основываясь на Уравнении 9.

Уравнение 9:

β = û>Порог

Как замечено выше, результирующая сегментация костей и кальцификации может в высокой степени использовать дополнительную количественную спектральную информацию, использоваться в алгоритме коррекции увеличения жесткости излучения, использоваться с алгоритмом реконструкции монохроматического изображения, и т.д.

Возвращаясь к Фиг.4 и обращаясь к Фиг.8, показанный генератор 408 карт выполнен с возможностью формирования карты йода. Обычно генератор 408 карт выполняется с возможностью оценки карты йода, основываясь на разложенных спектральных изображениях с удаленным шумом и на маске кальция и костей. Для этого примера карта йода содержит кальций, жир, мягкую ткань и йод. В другом варианте осуществления может использоваться больше, меньше веществ и/или другие вещества.

Как показано на Фиг.8, генератор 408 карт принимает в качестве входных данных карты распределения йода, сформированные на основе векторного разложения (уравнение 5) анализатора 402 вещества и карты костей и кальцификации от блока 406 сегментации. В этом примере с двумя энергиями генератор 408 карт принимает первую карту распределения йода,

, основанную на йоде и мягкой ткани, и вторую карту распределения йода

, основанную на йоде и жире. В случаях с тремя или больше различными энергетическими диапазонами может быть сформирована единая карта йода для йода, мягкой ткани и жира и/или может быть сформировано больше карт для йода.

Блок 802 оценки карты йода оценивает карту йода, IM, основываясь на уравнении 10.

Уравнение 10:

где q - постоянный масштабный коэффициент, зависящий от требуемого количественного блока. Как замечено выше, окончательная карта IM йода обеспечивает улучшенное количественное распределение йода в исследовании.

Возвращаясь к Фиг.4 и обращаясь к Фиг.9, показанный генератор 410 VCE-изображения выполнен с возможностью компенсации уменьшения контрастного вещества посредством виртуального улучшения спектральных изображений. Генератор 410 VCE-изображения принимает в качестве входных спектральных изображений с удаленным шумом разложенные спектральные изображения с удаленным шумом и карту йода, сформированную генератором 408 карт.

Промежуточное VCE-изображение 902 формирует для каждой энергии, e, предварительное VCE-изображение, основываясь на уравнении 11.

Уравнение 11:

где γ - коэффициент улучшения. В одном случае, γ = 1/х - 1, чтобы компенсировать снижение объема контрастного вещества на коэффициент x. В других случаях, γ может иметь другое значение, такое как значение по умолчанию или определяемое пользователем значение. Блок 904 окончательной оценки VCE-изображения оценивает окончательное изображение, основываясь на промежуточном изображении, и имитированный эффект парциального объема, основываясь на уравнении 12.

Уравнение 12:

где LPF - фильтр низких частот для изображения и β и δ - параметры, управляющие агрессивностью имитированного эффекта парциального объема.

Как замечено выше, фактическое улучшение контраста позволяет уменьшить количество контрастного вещества, вводимого пациенту для заданного качества изображения. Альтернативно, оно позволяет сохранить исследование, в котором время сканирования после введения пропускается, и результирующее изображение имеет субоптимальное качество изображения, которое может привести в результате к повторному сканированию и дополнительному использованию контрастного вещества. Альтернативно, это позволяет клиническому врачу вручную настраивать параметры обработки изображений через мышь, клавиатуру и т.п., чтобы исследовать изображения в режиме реального времени и получить требуемый результат визуализации.

Возвращаясь к Фиг.4 и со ссылкой на Фиг.10, генератор 412 VNC-изображения выполнен с возможностью оценки VNC-изображений. Генератор 412 VNC-изображений принимает в качестве входных данных разложенные данные, сформированные анализатором 402 веществ, и карту йода, IM, сформированную генератором 408 карт.

Промежуточный генератор 1002 VNC-изображения формирует для каждой энергии, e, предварительное VNC-изображение, как следует из уравнения 13.

Уравнение 13:

Блок 1004 оценки конечного VNC-изображения оценивает конечное изображение, основываясь на промежуточном изображении, и имитированный эффект парциального объема, основываясь на уравнении 14.

Уравнение 14:

где LPF - фильтр низких частот для изображения и β и δ - параметры, управляющие агрессивностью имитированного эффекта парциального объема. VNC-изображение может избавить от необходимости неконтрастного сканирования, что может уменьшить воздействие, сэкономить время и продлить срок службы трубки.

На Фиг.11, 12, 13, 14 и 15 показаны различные способы обработки набора реконструированных спектральных CT-изображений и/или ряда оцененных монохроматических изображений.

Следует понимать, что порядок перечисленных ниже действий служит для целей объяснения, но не ограничения. Также, здесь подразумеваются и другие порядки. Кроме того, одно или более действий может быть пропущено и/или может быть введено одно или более других действий.

Снова обратимся к Фиг.11, где показан способ удаления шума спектральных изображений.

На этапе 1102 получают набор спектральных изображений.

На этапе 1104 шумовая модель оценивается для спектрального изображения из набора спектральных изображений.

На этапе 1106 структуры в изображении оцениваются на основе шумовой модели, создавая модели локальных структур.

На этапе 1108 набор моделей локальных структур, соответствующих вокселу в изображении, подгоняется к трехмерному окружению вокселов вокруг воксела.

На этапе 1110 модель структуры из набора моделей локальных структур выбирается для воксела, основываясь на подгонке и заданных критериях выбора.

На этапе 1112 из воксела удаляется шум, основываясь на выбранной модели, в которой значение воксела заменяется значением, определенным выбранной моделью.

Вышесказанное может быть повторено для одного или более других вокселов одного или более других спектральных изображений, создавая спектральные изображения с удаленным шумом для различных энергетических диапазонов.

На Фиг.12 показан примерный способ формирования сегментации костей и кальция для спектральных изображений.

На этапе 1202 формируется карта вероятности кальция, основываясь на вероятностном разложении спектральных изображений с удаленным шумом.

На этапе 1204 карта вероятности кальция улучшается, выполняя полную функциональную вариационную минимизацию карты вероятности кальция.

На этапе 1206 определяется двоичная карта, представляющая сегментацию костей и кальция, основываясь на улучшенной карте вероятности кальция и заданном пороге.

Затем на Фиг.13 показан пример способа формирования карты йода для спектральных изображений.

На этапе 1302 формируются одна или более карт распределения йода, основываясь на векторном разложении спектральных изображений с удаленным шумом.

На этапе 1304 формируется двоичная маска сегментации костей и кальция, например, как описано в связи с Фиг.12.

На этапе 1306 карта йода оценивается, основываясь на картах распределения йода и двоичной маске сегментации костей и кальция.

На Фиг.14 показан примерный способ формирования виртуального неконтрастного (VNC) изображения для спектральных изображений.

На этапе 1402 карта йода оценивается, например, как описано в связи с Фиг.13.

На этапе 1404 промежуточные VNC-изображения оцениваются для каждой энергии, основываясь на изображении с удаленным шумом, векторно разложенных изображений с удаленным шумом и карте йода.

На этапе 1406 формируются окончательные VNC-изображения посредством имитированного эффекта парциального объема с помощью промежуточных VNC-изображений.

На Фиг.15 представлен пример способа для формирования виртуальных контрастно улучшенных (VCE) изображений для спектральных изображений.

На этапе 1502 оценивается карта йода, например, как описано в связи с Фиг.13.

На этапе 1504 получают коэффициент улучшения контрастности.

На этапе 1506 промежуточные VCE-изображения оцениваются для каждой энергии, основываясь на изображениях с удаленным шумом, векторно разложенных изображениях с удаленным шумом, карте йода, и коэффициенте улучшения контраста.

На этапе 1508 конечные VCE-изображения формируются посредством имитированного эффекта парциального объема с помощью промежуточных VCE-изображений.

Вышесказанное может быть реализовано посредством одного или более процессоров, выполняющих одну или более считываемых компьютером команд, закодированных или сохраненных на считываемом компьютером носителе, таком как физическая память, которые предписывают одному или более процессорам совершать различные действия и/или другие функции и/или действия. Дополнительно или альтернативно, один или более процессоров могут исполнять команды, переносимые временным носителем, таким как сигнал или несущая волна.

Изобретение было здесь описано со ссылкой на различные варианты осуществления. После прочтения приведенного здесь описания специалисты в данной области техники могут внести модификации и изменения. Подразумевается, что изобретение рассматривается как содержащее в себе все такие модификации и изменения в той мере, в которой они попадают в объем приложенной формулы изобретения или ее эквивалентов.

Claims

1. Способ удаления шума изображения, содержащий этапы, на которых:

оценивают локальное шумовое значение для одного или более вокселов спектрального изображения из набора спектральных изображений, соответствующих различным энергетическим диапазонам, создавая шумовую модель для спектрального изображения;

оценивают модели локальных структур для воксела спектрального изображения, основываясь на соответствующей шумовой модели;

выбирают одну из моделей локальных структур для воксела, основываясь на заданных критериях выбора модели; и

удаляют шум воксела, основываясь на выбранной модели локальной структуры, заменяя значение воксела значением, оцененным на основе выбранной модели локальной структуры, в которой для множества вокселов множества спектральных изображений из набора спектральных изображений удален шум, создавая набор спектральных изображений с удаленным шумом.

2. Способ по п. 1, дополнительно содержащий этапы, выполняемые перед выбором одной из моделей локальных структур для воксела, основываясь на заданных критериях выбора модели, на которых:

подгоняют набор моделей локальных структур к трехмерному окружению вокселов в изображении вокруг воксела в изображении; и

выбирают одну из моделей локальных структур для воксела, основываясь на подгонке и заданных критериях выбора модели.

3. Способ по любому из пп. 1 и 2, в котором спектральные изображения формируются с использованием данных, полученных во время первого сканирования дозы, и удаление шума спектральных изображений создает набор изображений, которые имеют некоторое количество шума изображения, которое находится на том же самом уровне шума изображения, что и для спектральных изображений, сформированных с помощью данных, полученных во время второго сканирования дозы, причем доза для второго сканирования дозы выше, чем доза первого сканирования дозы.

4. Способ по любому из пп. 1 и 2, дополнительно содержащий этапы, на которых:

используют минимизацию методом наименьших квадратов для подгонки моделей; и

взвешивают минимизацию методом наименьших квадратов с весовым коэффициентом, причем весовой коэффициент содержит первый весовой компонент, который взвешивает трехмерное окружение вокселов вокруг воксела, основываясь на расстоянии интенсивности воксела между соседними вокселами и вокселом.

5. Способ по п. 4, в котором первый весовой компонент является функцией локального шумового значения воксела.

6. Способ по п. 4, в котором веса весовых коэффициентов содержат второй компонент взвешивания, который взвешивает трехмерное окружение вокруг воксела, основываясь на пространственном расстоянии между соседними вокселами и вокселом.

7. Способ по любому из пп. 1 и 2, в котором модели локальных структур содержат по меньшей мере две шумовых модели, в котором по меньшей мере две модели локальных структур содержат по меньшей мере постоянную модель, которая моделирует однородные области, и полиномную модель второго порядка, которая моделирует неоднородные области.

8. Способ по п. 6, дополнительно содержащий этап, на котором:

выбирают модель локальной структуры из числа подогнанных шумовых моделей для удаления шумов воксела, основываясь на заданном соотношении между отношением локальных стандартных отклонений по меньшей мере двух моделей локальных структур и заданным порогом.

9. Вычислительное устройство (118), содержащее:

блок (202) оценки шума, выполненный с возможностью оценки шумовой структуры спектрального изображения из набора спектральных изображений, соответствующих различным энергетическим диапазонам, причем шумовая структура используется для оценки моделей локальных структур воксела спектрального изображения;

селектор (304) модели, выполненный с возможностью выбирать одну из моделей локальных структур для воксела, основываясь на заданных критериях выбора модели; и

блок (204) удаления спектрального шума, выполненный с возможностью удалять шум воксела, основываясь на выбранной модели локальной структуры, посредством замены значения воксела на значение, оцененное, основываясь на выбранной модели локальной структуры, причем для множества вокселов множества спектральных изображений из набора спектральных изображений удаляется шум, создавая набор спектральных изображений с удаленным шумом.

10. Вычислительное устройство по п. 9, дополнительно содержащее:

блок (302) подгонки модели, выполненный с возможностью подгонять набор моделей локальных структур к трехмерному окружению вокселов в изображении вокруг воксела в изображении,

причем селектор модели выполнен с возможностью выбирать одну из моделей локальных структур для воксела, основываясь на подгонке и заданных критериях выбора модели.