RU2629432C2 - Устранение шума в области изображения - Google Patents
Устранение шума в области изображения Download PDFInfo
- Publication number
- RU2629432C2 RU2629432C2 RU2014125247A RU2014125247A RU2629432C2 RU 2629432 C2 RU2629432 C2 RU 2629432C2 RU 2014125247 A RU2014125247 A RU 2014125247A RU 2014125247 A RU2014125247 A RU 2014125247A RU 2629432 C2 RU2629432 C2 RU 2629432C2
- Authority
- RU
- Russia
- Prior art keywords
- noise
- image data
- parameter
- voxel
- processing element
- Prior art date
Links
- 230000008030 elimination Effects 0.000 claims abstract description 34
- 238000003379 elimination reaction Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000014509 gene expression Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
Изобретение относится к области устранения шума в данных изображения. Технический результат – обеспечение устранения шума в данных изображения. Элемент обработки данных восстановленного объемного изображения от формирующего изображение сканера содержит: память алгоритмов, включающую в себя один или более итерационных алгоритмов устранения шума только в области изображения на основании минимизации штрафной функции Хьюбера; процессор, устраняющий шум в данных восстановленного объемного изображения исключительно в области изображения на основании одного из алгоритмов итерационной минимизации штрафной функции Хьюбера, который включает в себя первый параметр, который является свободной переменной и в первом выражении определяет уровень устранения шума, и второй параметр, который является свободной переменной и во втором выражении определяет однородность устранения шума; при этом алгоритм включает в себя первое выражение, которое основано на минимизации штрафной функции Хьюбера и которое включает в себя произведение первого параметра и взвешенной суммы соседних вокселей по отношению к вокселю, отрегулированному в отношении размера, который определяет уровень устранения шума. 2 н. и 12 з.п. ф-лы, 5 ил.
Description
Нижеследующее описание относится в общем к устранению шума в данных восстановленного изображения, которое имеет конкретное применение в сканере для компьютерной томографии (CT), но также пригодно и для других сканеров, например, для гибридной PET/CT системы, цифровой рентгеновской системы и/или для другого визуализирующего сканера.
Сканер многосрезовой компьютерной томографии (CT) включает в себя рентгеновскую трубку, установленную на поворотном гентри, который поворачивается вокруг обследуемой области относительно продольной оси, или оси Z. Рентгеновская трубка испускает излучение, которое проходит через обследуемую область и, соответственно, через субъекта или предмет. Двумерная детекторная матрица опоясывает угловую дугу, находящуюся на противоположной стороне обследуемой области относительно рентгеновской трубки. Детекторная матрица включает в себя множество рядов детекторов, которые выровнены относительно друг друга и вытянуты вдоль оси Z. Детекторы регистрируют излучение, которое проходит через обследуемую область и соответствующего субъекта или предмет, и создают характеризующие его проекционные данные. Устройство восстановления изображения обрабатывает проекционные данные и восстанавливает характеризующие его данные объемного изображения.
Обычно данные изображения включают в себя некоторый уровень шума изображения, например, вследствие установленных параметров получения изображений и/или из-за детектора системы сбора данных и/или из-за другой электроники. Такой шум может ухудшить диагностическое значение данных изображения и, таким образом, процедуру визуализации, подвергая субъекта ионизирующему излучению, которое может в том числе увеличить риск онкологического заболевания для субъекта. Итерационная реконструкция (IR) была предложена для улучшения качества изображения как традиционное фильтрование реконструкции обратной проекции (FBP) и может быть использована для снижения дозы, подаваемой субъекту и/или для повышения ясности данных изображения для данной дозы.
Некоторые IR алгоритмы нацелены на то, чтобы максимизировать функцию стоимости, которая включает в себя вероятностное выражение, с которым сравниваются измеренные данные, и выражение штрафной функции, которое основано на функции Хьюбера. Примеры таких IR алгоритмов включают в себя H. Erdogan, J.A. Fessler, “Monotonic algorithms for transmission tomography”, IEEE Trans. Med. Imag., vol. 18, no. 9, pp. 801-814, 1999 и J.A. Fessler, “Statistical Imaging Reconstruction Methods”, в “Handbook of Medical Imaging Vol. 2: Medical Imaging Processing and Analysis”, SPIE 2000. К сожалению, такие IR алгоритмы в вычислительном отношении дороги вследствие переключения назад и вперед между областью изображения и проекционной областью при каждой итерации алгоритма реконструкции.
Также предлагались алгоритмы устранения шума только в области изображения. Такие алгоритмы были нацелены на улучшение качества изображения, удаляя шум из данных изображения, не возвращаясь к проекционной области. Такие алгоритмы устранения шума в области изображения обычно намного быстрее, чем вышеупомянутые IR алгоритмы, но они не обязательно предоставляют результаты, которые по меньшей мере согласуются с таковыми для IR алгоритмов. Например, часто используемый алгоритм снижения шума на двумерных изображениях представляет собой алгоритм минимизации с полной вариацией, описанный в главе 4.5.5. учебного пособия T. Chan, J. Shen, “Image Processing And Analysis” SIAM 2005). Этот алгоритм эффективен при удалении шума из объема изображения при сохранении краев, но результаты ограничены в соответствии с ограничением полной вариации штрафной функции.
Описываемые здесь аспекты направлены на вышеупомянутые и другие проблемы. В одном аспекте элемент обработки данных изображения включает в себя устройство памяти алгоритма, включающего в себя один или более итерационных алгоритмов устранения шума только в областях изображения на основании минимизации штрафной функции Хьюбера, и процессор, который устраняет шум в данных восстановленного изображения исключительно в области изображения на основании по меньшей мере одного из алгоритмов итерационной минимизации штрафной функции Хьюбера.
В другом аспекте способ включает в себя устранение шума, исключительно в области изображения посредством процессора, в восстановленных данных изображения итерационным алгоритмом устранения шума только в области изображения, который основан на минимизации штрафной функции Хьюбера.
В другом аспекте машиночитаемый носитель данных включает в себя закодированные или загружаемые машиночитаемые команды, которые при выполнении процессором вычислительной системы побуждают процессор: устранять шум посредством процессора и исключительно в области изображения, в данных восстановленного изображения с итерационным алгоритмом устранения шума, который основан на минимизации штрафной функции Хьюбера.
Изобретение может быть реализовано в различных элементах и конфигурациях элементов и в различных этапах и конфигурациях этапов. Чертежи приводятся лишь в целях демонстрации предпочтительных вариантов выполнения и не должны рассматриваться как ограничение изобретения.
Фиг. 1 схематично изображает пример системы визуализации в соединении с элементом обработки данных изображения.
Фиг. 2 - схема примера элемента обработки данных изображения.
Фиг. 3 и 4 - схема блока вокселя, включающая в себя воксель, в котором устраняют шум, и соседние воксели, используемые для устранения шума в вокселе.
Фиг. 5 - способ устранения шума в данных восстановленного изображения на основании на штрафной функции Хьюбера.
На Фиг. 1 схематично показана система 100 визуализации, подобная компьютерному томографическому (CT) сканеру. Система 100 визуализации включает в себя в общем стационарный гентри 102 и вращающийся гентри 104. Вращающийся гентри 104 имеет возможность поворота при поддержке стационарного гентри 102 и поворачивается относительно обследуемой области 106 вокруг продольной оси, или оси Z.
Источник 110 излучения, такой как рентгеновская трубка, поддерживается при вращении, и вращается с вращающимся гентри 104, и испускает излучение, которое пересекает обследуемую область 106. Одно- или двумерная чувствительная к излучению детекторная матрица 112 стягивает угловую дугу напротив источника 110 излучения поперек обследуемой области 106 и детектирует излучение, пересекающее обследуемую область 106, создавая характеризующие ее проекционные данные.
Устройство 116 восстановления изображения восстанавливает проекционные данные и создает характерные трехмерные (3D) данные объемного изображения. Устройство 116 восстановления изображения может использовать обычный алгоритм восстановления фильтрованной обратной проекции, алгоритм восстановления конического луча, алгоритм итерационного восстановления и/или другой алгоритм восстановления. Поддержка 118 пациента, например кушетка, поддерживает предмет или субъекта, например пациента, в обследуемой области 106.
Универсальная вычислительная система или компьютер служат операторской консолью 120. Процессор консоли 120 выполняет машиночитаемые команды на консоли 126, что позволяет оператору управлять работой системы 100, например, выбором протокола визуализации, включающего в себя протокол радиологического обследования полной дозы или низкой дозы, активизируя устранения шума в данных изображения, инициализируя сканирование, и т.д.
Элемент 122 обработки данных изображения обрабатывает данные восстановленного изображения. Как описано подробнее ниже, в одном случае, элемент 122 использует алгоритм, который итерационно устраняет шум в данных восстановленного изображения в области изображения (то есть без непосредственного проецирования данных изображения в проекционную область), на основании штрафной функции Хьюбера. Это может позволить снижение шума изображения в данных изображения, относительно не затратное в вычислительном отношении, по сравнению с IR алгоритмом с выражением регуляризации Хьюбера, который находит оптимальный объем изображения посредством переключения назад и вперед между проекцией и областями изображения для каждой итерации. Когда проекционные данные первыми очищаются от шума в проекционной области, прежде чем быть восстановленными, очищенные от шума данные восстановленного изображения могут быть близким приближением к объему изображения, произведенному с использованием IR алгоритма с регуляризацией Хьюбера. Следует отметить, что в отличие от алгоритма снижения шума T. Chan, J. Shen, рассмотренного вначале, который является полной вариационной (TV) минимизацией для двумерных (2D) изображений, элемент 122 обработки данных изображения использует трехмерный (3D) алгоритм, который содержит в себе штрафную функцию Хьюбера из IR алгоритмов (а не полную вариационную штрафную функцию).
Дополнительный элемент 124 машинного обучения может быть использован для записи значений одного или более параметров, используемых элементом 122 обработки данных изображения, которые были введены и/или установлены радиологом, технологом и/или другим уполномоченным лицом, и использует эту информацию для рекомендации значений параметра для радиолога, технолога и/или другого уполномоченного лица, и/или для автоматической загрузки рекомендованных значений параметра в элемент 122 обработки данных визуализации для последующего устранения шума в данных изображения. Радиолог, технолог и/или другое уполномоченное лицо могут принять и/или модифицировать одно или более рекомендованных и/или автоматически загруженных значений параметра. Прошлые и/или текущие значения, и/или изменения значений параметров, могут быть визуально отображены, или представлены, например, через графический пользовательский интерфейс (GUI) или иначе, с монитором отображения консоли 120, элементом 122 обработки данных изображения, дополнительным элементом 124 машинного обучения и/или другим устройством. Обычно элемент 124 может использовать алгоритмы, которые позволяют элементу 124 анализировать данные с помощью индуктивного заключения, распознавания образа, классификации, статистики и т.д. из входных данных и предсказать будущие данные на этом основании.
На Фиг. 2 схематично показан пример элемента 122 обработки данных изображения.
Первое устройство 202 памяти используется для сохранения очищаемых от шума данных восстановленного изображения. В одном случае, такие данные изображения представляют собой данные изображения, которые еще не были очищены от шума элементом 122. В другом случае, такие данные изображения представляют собой данные изображения, которые были очищены от шума элементом 122 при одной или более итераций и снова очищаются от шума. В любом случае, в данных изображения может быть предварительно устранен шум в проекционной области и/или в приближении устранения шума в области изображения. Второе устройство 204 памяти используется для сохранения данных изображения, которые были очищены от шума элементом 122 при по меньшей мере одной итерации устранения шума. Следует отметить, что первое и второе устройства 202 и 204 памяти могут быть частью той же самой физической памяти или другой физической памяти.
Микропроцессор или устройство 206 устранения шума итерационно устраняет шум в данных изображения. Это включает в себя устранение шума в данных изображения, сохраняемых в первом устройстве 202 памяти, и сохранение этих очищенных от шума данных изображения во втором устройстве 204 памяти для итерации. Для последующей итерации устройство 206 устранения шума заменяет данные изображения в первом устройстве 202 памяти очищенными от шума данными изображения во втором устройстве 204 памяти и устраняет шум во вновь сохраненных данных изображения (то есть предварительно очищенных от шума данных изображения) в первом устройстве 202 памяти, сохраняя новые очищенные от шума данные изображения во втором устройстве 204 памяти. Когда дополнительные итерации устранения шума не выполняются, очищенные от шума данные изображения сохраняются, и/или переносятся, и/или извлекаются из второго устройства 204 памяти.
Модуль 208 памяти критерия остановки включает в себя один или более нескольких критериев 210 остановки для прекращения устранения шума устройством 206 устранения шума. Примеры подходящего критерия остановки включают в себя, не ограничиваясь, заданное число итераций, заданную допустимую ошибку между данными от последовательных итераций, заданную продолжительность времени и т.д. Такой критерий может быть значением по умолчанию и/или определяемым пользователем и может зависеть от протокола радиологического обследования, от пользователя, от читающего радиолога, от средства визуализации и/или от другой информации.
Модуль 212 памяти алгоритмов включает в себя один или более алгоритмов 214 устранения шума, которые используют устройство 206 устранения шума для устранения шума в данных изображения. Не ограничивающий пример подходящего алгоритма может быть получен из дифференциального уравнения в частных производных, которое показано в УРАВНЕНИИ 1:
где u представляет очищенный от шума объем изображения (то есть решение УРАВНЕНИЯ 1), u0 представляет начальные, очищаемые от шума, зашумленные данные изображения, w представляет статистическое взвешивание, и δ и β представляют подгоночные параметры, символ ∇ обозначает оператор градиента и div - оператор дивергенции. Обычно, выражение представляет собой выражение штрафной функции шума, которая соответствует штрафной функции Хьюбера, и выражение представляет ограничения на данные изображения.
Не ограничивающий пример подходящего статистического взвешивания w приведен в УРАВНЕНИИ 2:
УРАВНЕНИЕ 2:
где y0 представляет соответствующие проекционные данные, выраженные как число зарегистрированных рентгеновских фотонов, и bp(y0) представляет число обратно спроецированных зарегистрированных рентгеновских фотонов. В УРАВНЕНИИ 2, величина w обратно пропорциональна шуму в изображении, которое может быть получено распространением модели проекционных данных шума в область изображения, используя модифицированную отфильтрованную обратную проекцию или посредством измерения шума из данных изображения.
Обычно, w определяет энергичность устранения шума.
Подгоночные параметры δ и β представляют собой свободные переменные (которые являются строго положительными действительными скалярными величинами), которые могут быть установлены как значения по умолчанию и/или как определяемые пользователем значения, как значения, определяемые элементом 124 машинного обучения, и/или как другие значения, и в некоторых случаях могут быть изменены пользователем и/или компьютером. Параметр δ обычно определяет уровень устранения шума, и параметр β обычно определяет однородность устранения шума (то есть являются ли конечные, очищенные от шума, данные изображения более однородными или находящимися ближе к начальным зашумленным данным u0 изображения). Модуль 216 памяти параметра сохраняет один или более параметров 218, например одну или более переменных δ и β, и/или другой параметр(-ы).
Не ограничивающий пример устранения шума в вокселе данных CT изображения на основании УРАВНЕНИЯ 1 рассматривается ниже в связи с Фиг. 3 и 4.
Следует отметить, что устранение шума может быть распространено, последовательно и/или одновременно, на один или более других вокселей данных изображения. Объем изображения выбирается сеткой объемных элементов (вокселей), и каждый воксель имеет размер dx×dy×dz на единицу длины. На Фиг. 3 показан подблок три на три на три (3×3×3) (или трехмерный (3D)) вокселей 302 данных изображения, включающий в себя воксель 304, в котором устраняют шум, который на Фиг. 3 является вокселем, расположенным в центре подблока вокселей 302. Показанный пример использует подучасток вокселей подблока вокселей 302 при устранении шума в вокселе 304. В других вариантах реализации, воксели в дополнение к, и/или как альтернатива вокселям подблока вокселей 302, включающего в себя двумерный (2D) подблок вокселей, могут быть использованы для обновления вокселя 304 каждой итерации устранения шума.
На Фиг. 4 показано элементное изображение подблока вокселей 302. На Фиг. 4 воксель 304 обозначается v и имеет координаты ui,j,k, и соседние воксели, используемые в этом примере для устранения шума, идентифицированы как:
и где n, s, e, w, u и d представляют относительные положения, соответствующие северу, югу, востоку, западу, верху и низу относительно вокселя v. Поскольку обновленная схема может включать в себя воксели с индексами, которые выходят за пределы, воксели в этих местоположениях экстраполируются или заполняются. Угловые воксели 402 не используются в этом примере для устранения шума, но могут быть использованы в других вариантах реализации.
Для этого примера, УРАВНЕНИЕ 1 дискретизируется на основании УРАВНЕНИЯ 3:
УРАВНЕНИЕ 3:
УРАВНЕНИЕ 4:
где n+l представляет итерацию устранения шума (от n=0 до Niter, что является максимальным числом итераций), представляет воксель, в котором устраняется шум, δ и β таковы, как определено выше и, соответственно, представляют параметр степени устранения шума и параметр однородности устранения шума, =n, s, e, w, u и d, P представляют индекс, vP представляет соседние воксели, WP представляет веса для соседних вокселей, Wsum представляет сумму весов WP и dP представляет размер вокселя в данном направлении: dn и ds=dx, dw и de=dy и du и dd=dz.
Значение Wsum может быть определено так, как показано в УРАВНЕНИИ 5:
УРАВНЕНИЕ 5:
и WP может быть определено так, как показано в УРАВНЕНИИ 6:
УРАВНЕНИЕ 6:
DP может быть определено так, как показано в УРАВНЕНИЯХ 7-12:
УРАВНЕНИЕ 7:
УРАВНЕНИЕ 8:
УРАВНЕНИЕ 9:
УРАВНЕНИЕ 10:
УРАВНЕНИЕ 12:
УРАВНЕНИЕ 13:
Другие подходы к вычислению Wsum, WP и/или DP также предполагаются в настоящем документе.
Устройство 206 устранения шума использует УРАВНЕНИЕ 4 каждой итерации для устранения шума в вокселе 304. В этом примере устройство 206 устранения шума устраняет шум с использованием УРАВНЕНИЯ 4, пока не будет достигнуто значение Niter. Следует отметить, что устранение шума также может быть закончено на основании заданной ошибки между последовательными наборами данных изображения, истечения заданного времени, посредством ручного прерывания пользователем и/или иначе.
На Фиг. 5 показан примерный способ устранения шума в восстановленных данных изображения на основании минимизации штрафной функции Хьюбера.
Следует отметить, что порядок действий в описанных здесь способах не ограничен. Другие порядки действий также здесь предполагаются. Кроме того, одно или более действий могут быть опущены и/или одно или более дополнительных действий могут быть включены.
На этапе 502 получаются данные восстановленного изображения.
На этапе 504 данные восстановленного изображения загружаются в первое устройство 202 памяти.
На этапе 506 в данных восстановленного изображения в первом устройстве 202 памяти устраняют шум на основании УРАВНЕНИЯ 4, как описано здесь. Это может быть сделано на каждом вокселе, последовательно или параллельно.
На этапе 508 очищенные от шума данные изображения сохраняются во втором устройстве 204 памяти.
На этапе 510 определяется, выполняется ли другая итерация устранения шума. Как описано здесь, критерии остановки могут быть основанными на одном или более заданных числах итераций, истечении заданного периода времени и т.д.
Если так, то на этапе 512 очищенные от шума данные изображения во втором устройстве 204 памяти записываются поверх данных изображения в первом устройстве 202 памяти, и действия 506-510 повторяются.
Если нет, то на этапе 514 очищенные от шума данные изображения отображаются, переносятся на другое устройство, записываются на пленку, архивируются и т.д.
Все вышеупомянутое может быть осуществлено с помощью процессора, выполняющего одну или более машиночитаемых команд, закодированных или введенных в машиночитаемый носитель данных, например физическую память. Такой процессор может быть частью элемента 122 обработки данных изображения, консоли 120 и/или другого вычислительного устройства. В качестве дополнения или альтернативы процессор может выполнить по меньшей мере одну из машиночитаемых команд, переносимую несущим сигналом, сигналом или другим не машиночитаемым носителем данных, таким как среда переноса данных.
Изобретение было описано в отношении предпочтительных вариантов реализации. После чтения и понимания приведенного подробного описания могут быть предусмотрены изменения и вариации. Предполагается, что изобретение включает в себя все такие изменения и вариации, поскольку они находятся в пределах объема приложенной формулы изобретения или их эквивалентов.
Claims (23)
1. Элемент (122) обработки данных изображения для обработки данных восстановленного объемного изображения от формирующего изображение сканера, содержащий:
память (212) алгоритмов, включающую в себя один или более итерационных алгоритмов (214) устранения шума только в области изображения на основании минимизации штрафной функции Хьюбера;
процессор (206), который устраняет шум в данных восстановленного объемного изображения исключительно в области изображения на основании одного из алгоритмов итерационной минимизации штрафной функции Хьюбера, который включает в себя первый параметр, который является свободной переменной и в первом выражении определяет уровень устранения шума, и второй параметр, который является свободной переменной и во втором выражении определяет однородность устранения шума; и
при этом по меньшей мере один алгоритм включает в себя первое выражение, которое основано на минимизации штрафной функции Хьюбера и которое включает в себя произведение первого параметра и взвешенной суммы соседних вокселей по отношению к вокселю, отрегулированному в отношении размера, который определяет уровень устранения шума.
2. Элемент обработки данных изображения по п. 1, в котором значения первого параметра и второго параметра являются строго положительными скалярными величинами, определяемыми из пользовательского ввода.
3. Элемент обработки данных изображения по п. 1, в котором по меньшей мере один алгоритм одновременно устраняет шум в отдельных вокселях.
4. Элемент обработки данных изображения по п. 1, в котором по меньшей мере один алгоритм включает в себя функцию, которая устраняет шум в вокселе в данных восстановленного изображения посредством
где n+1 представляет итерацию устранения шума, представляет воксель, в котором устраняется шум, δ является первым параметром, β является вторым параметром, I = n, s, е, w, u и d, которые представляют трехмерные относительные положения по отношению к вокселю, в котором устраняется шум, wi,j,k представляет статистическое взвешивание, Р представляет индекс, vP представляет соседние воксели, WP представляет веса для соседних вокселей, Wsum представляет сумму весов WP и dP представляет размер вокселя в данном направлении: dn и ds=dx, dw и de=dy и du и dd=dz.
5. Элемент обработки данных изображения по п. 1, дополнительно включающий в себя элемент машинного обучения, который определяет по меньшей мере одно рекомендованное значение первого и второго параметров.
6. Элемент обработки данных изображения по п. 1, в котором по меньшей мере один алгоритм включает в себя суммирование первого и второго выражений и первое выражение является произведением первого параметра и взвешенной суммы соседних вокселей по отношению к вокселю, отрегулированному в отношении размера, и второе выражение является произведением второго параметра и предыдущего значения упомянутого вокселя.
7. Элемент обработки данных изображения по любому из пп. 1-3, в котором процессор итерационно устраняет шум в данных восстановленного объемного изображения, пока не будет достигнуто одно из заданных чисел итераций, не истечет заданный период времени или не будет удовлетворена заданная допустимая ошибка для разностного значения между данными, произведенными последовательными итерациями.
8. Элемент обработки данных изображения по любому из пп. 1-3, в котором упомянутый по меньшей мере один алгоритм не проецирует вперед данные восстановленного объемного изображения в проекционную область для любой итерации устранения шума.
9. Элемент обработки данных изображения по любому из пп. 1-3, в котором данные восстановленного объемного изображения создаются с проекционными данными, очищенными от шума исключительно в проекционной области.
10. Способ обработки данных изображения, содержащий этапы, на которых:
устраняют шум исключительно в области изображения посредством процессора (206) в данных восстановленного объемного изображения итерационным алгоритмом (214) устранения шума только в области изображения, который основан на минимизации штрафной функции Хьюбера, который включает в себя первый параметр, который является свободной переменной и в первом выражении определяет уровень устранения шума, и второй параметр, который является свободной переменной и во втором выражении определяет однородность устранения шума; и
при этом первое выражение включает в себя произведение первого параметра и взвешенной суммы соседних вокселей по отношению к вокселю, отрегулированному в отношении размера, который определяет уровень устранения шума.
11. Способ по п. 10, дополнительно содержащий этап, на котором устраняют шум в данных восстановленного изображения на основе отдельных вокселей.
12. Способ по п. 10, в котором по меньшей мере один алгоритм включает в себя функцию, которая устраняет шум в вокселе в данных восстановленного изображения посредством
где n+1 представляет итерацию устранения шума, представляет воксель, в котором устраняется шум, δ является первым параметром, β является вторым параметром, I=n, s, е, w, u и d, которые представляют трехмерные относительные положения по отношению к вокселю, в котором устраняется шум, wi,j,k представляет статистическое взвешивание, Р представляет индекс, vP представляет соседние воксели, WP представляет веса для соседних вокселей, Wsum представляет сумму весов WP и dP представляет размер вокселя в данном направлении: dn и ds=dx, dw и de=dy и du и dd=dz.
13. Способ по п. 11, дополнительно содержащий этап, на котором параллельно устраняют шум в двух или более из отдельных вокселей.
14. Способ по п. 11, дополнительно содержащий этап, на котором устраняют шум в упомянутом отдельном вокселе на основании заданного набора соседних вокселей.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161563078P | 2011-11-23 | 2011-11-23 | |
US61/563,078 | 2011-11-23 | ||
PCT/IB2012/056342 WO2013076613A1 (en) | 2011-11-23 | 2012-11-12 | Image domain de-noising |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2014125247A RU2014125247A (ru) | 2015-12-27 |
RU2629432C2 true RU2629432C2 (ru) | 2017-08-29 |
Family
ID=47427399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2014125247A RU2629432C2 (ru) | 2011-11-23 | 2012-11-12 | Устранение шума в области изображения |
Country Status (7)
Country | Link |
---|---|
US (1) | US9159122B2 (ru) |
EP (1) | EP2783344B1 (ru) |
JP (1) | JP6223990B2 (ru) |
CN (1) | CN103959329B (ru) |
BR (1) | BR112014012072A8 (ru) |
RU (1) | RU2629432C2 (ru) |
WO (1) | WO2013076613A1 (ru) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103299345B (zh) * | 2011-01-10 | 2016-10-19 | 皇家飞利浦电子股份有限公司 | 双能量断层摄影成像系统 |
RU2014143489A (ru) * | 2012-03-29 | 2016-05-27 | Конинклейке Филипс Н.В. | Итеративная реконструкция изображения с регуляризацией |
JP6312401B2 (ja) * | 2012-11-30 | 2018-04-18 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
US9836824B2 (en) | 2013-04-29 | 2017-12-05 | Koninklijke Philips N.V. | De-noised reconstructed image data edge improvement |
EP3134867B1 (en) | 2014-04-23 | 2019-09-11 | Koninklijke Philips N.V. | Restoration of low contrast structure in de-noise image data |
EP3209214B1 (en) * | 2014-10-20 | 2019-06-05 | Koninklijke Philips N.V. | Cardiac reconstruction for photon counting ct for heart and lung images |
CN105023245B (zh) * | 2015-05-05 | 2018-01-12 | 苏州大学 | 强度和梯度稀疏约束下的图像平滑方法 |
US10275859B2 (en) * | 2015-09-16 | 2019-04-30 | Koninklijke Philips N.V. | X-Ray imaging device for an object |
US10255696B2 (en) | 2015-12-11 | 2019-04-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
US10339634B2 (en) | 2015-12-11 | 2019-07-02 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
US20170221235A1 (en) * | 2016-02-01 | 2017-08-03 | General Electric Company | Negative dictionary learning |
US10984564B2 (en) | 2016-12-06 | 2021-04-20 | Koninklijke Philips N.V. | Image noise estimation using alternating negation |
EP3404615A1 (en) | 2017-05-17 | 2018-11-21 | Koninklijke Philips N.V. | Iterative image reconstruction/de-noising with artifact reduction |
CN107945121A (zh) * | 2017-11-06 | 2018-04-20 | 上海斐讯数据通信技术有限公司 | 一种基于全变分的图像复原方法及系统 |
EP3711026A1 (en) | 2017-11-14 | 2020-09-23 | Koninklijke Philips N.V. | Single ct backprojector with one geometry calculation per voxel for multiple different types of projection data |
CN109960975B (zh) * | 2017-12-23 | 2022-07-01 | 四川大学 | 一种基于人眼的人脸生成及其人脸识别方法 |
US10643319B2 (en) | 2018-01-30 | 2020-05-05 | Canon Medical Systems Corporation | Apparatus and method for context-oriented blending of reconstructed images |
CN110162711B (zh) * | 2019-05-28 | 2023-07-28 | 湖北大学 | 一种基于网络嵌入法的资源智能推荐方法及系统 |
WO2022052114A1 (zh) * | 2020-09-14 | 2022-03-17 | 深圳先进技术研究院 | 一种ct图像重建方法、系统、设备和介质 |
CN112990215B (zh) * | 2021-03-04 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 图像去噪方法、装置、设备及存储介质 |
CN117897722A (zh) | 2021-08-31 | 2024-04-16 | 皇家飞利浦有限公司 | 使用机器学习方法进行的医学图像去噪 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060002635A1 (en) * | 2004-06-30 | 2006-01-05 | Oscar Nestares | Computing a higher resolution image from multiple lower resolution images using model-based, robust bayesian estimation |
US20060215891A1 (en) * | 2005-03-23 | 2006-09-28 | General Electric Company | Method and system for controlling image reconstruction |
WO2008031461A1 (en) * | 2006-09-15 | 2008-03-20 | Sapheneia Commercial Products Ab | Method and arrangement for enhancing image quality in a computed tomography imaging system |
RU2365993C1 (ru) * | 2008-01-30 | 2009-08-27 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." | Способ адаптивного улучшения факсимильных изображений документов |
US20100165206A1 (en) * | 2008-12-30 | 2010-07-01 | Intel Corporation | Method and apparatus for noise reduction in video |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208763B1 (en) * | 1998-04-14 | 2001-03-27 | General Electric Company | Method and apparatus for enhancing discrete pixel images |
US6636645B1 (en) * | 2000-06-29 | 2003-10-21 | Eastman Kodak Company | Image processing method for reducing noise and blocking artifact in a digital image |
JP5091865B2 (ja) | 2005-09-26 | 2012-12-05 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 画像処理システム及び画像処理方法 |
US7982747B1 (en) * | 2005-12-19 | 2011-07-19 | Adobe Systems Incorporated | Displaying generated changes to an image file |
US8897528B2 (en) | 2006-06-26 | 2014-11-25 | General Electric Company | System and method for iterative image reconstruction |
DE102006055381A1 (de) | 2006-11-23 | 2008-05-29 | Siemens Ag | Verfahren und Einrichtung zur Rauschverminderung bei der Bildrekonstruktion von digitalen 2D- oder 3D-Bildern |
DE102009039987A1 (de) | 2009-09-03 | 2011-03-17 | Siemens Aktiengesellschaft | Iterativer CT-Bildfilter zur Rauschreduktion |
EP2504811B1 (en) | 2009-11-25 | 2014-06-18 | Koninklijke Philips N.V. | Enhanced image data/dose reduction |
DE102010011911B4 (de) | 2010-03-18 | 2019-09-26 | Siemens Healthcare Gmbh | Tomosyntheseverfahren mit einer iterativen Maximum-A-Posteriori-Rekonstruktion |
CN101894365B (zh) * | 2010-07-13 | 2012-06-13 | 武汉大学 | 一种自适应变分遥感影像融合方法 |
EP2633494B1 (en) | 2010-10-27 | 2019-12-11 | Koninklijke Philips N.V. | Low dose ct denoising |
-
2012
- 2012-11-12 EP EP12805529.0A patent/EP2783344B1/en active Active
- 2012-11-12 JP JP2014542960A patent/JP6223990B2/ja active Active
- 2012-11-12 WO PCT/IB2012/056342 patent/WO2013076613A1/en active Application Filing
- 2012-11-12 BR BR112014012072A patent/BR112014012072A8/pt not_active Application Discontinuation
- 2012-11-12 US US14/357,793 patent/US9159122B2/en active Active
- 2012-11-12 CN CN201280057678.2A patent/CN103959329B/zh active Active
- 2012-11-12 RU RU2014125247A patent/RU2629432C2/ru not_active IP Right Cessation
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060002635A1 (en) * | 2004-06-30 | 2006-01-05 | Oscar Nestares | Computing a higher resolution image from multiple lower resolution images using model-based, robust bayesian estimation |
US20060215891A1 (en) * | 2005-03-23 | 2006-09-28 | General Electric Company | Method and system for controlling image reconstruction |
WO2008031461A1 (en) * | 2006-09-15 | 2008-03-20 | Sapheneia Commercial Products Ab | Method and arrangement for enhancing image quality in a computed tomography imaging system |
RU2365993C1 (ru) * | 2008-01-30 | 2009-08-27 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." | Способ адаптивного улучшения факсимильных изображений документов |
US20100165206A1 (en) * | 2008-12-30 | 2010-07-01 | Intel Corporation | Method and apparatus for noise reduction in video |
Non-Patent Citations (1)
Title |
---|
ABDEL DOUIRI et al., "Enhanced detection in CT Colonoscopy using adaptive diffusion filtering", 2009, 5 c. * |
Also Published As
Publication number | Publication date |
---|---|
RU2014125247A (ru) | 2015-12-27 |
US9159122B2 (en) | 2015-10-13 |
BR112014012072A2 (pt) | 2017-06-13 |
JP2015500048A (ja) | 2015-01-05 |
JP6223990B2 (ja) | 2017-11-01 |
CN103959329B (zh) | 2017-10-24 |
EP2783344A1 (en) | 2014-10-01 |
WO2013076613A1 (en) | 2013-05-30 |
CN103959329A (zh) | 2014-07-30 |
US20140314331A1 (en) | 2014-10-23 |
BR112014012072A8 (pt) | 2017-06-20 |
EP2783344B1 (en) | 2017-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2629432C2 (ru) | Устранение шума в области изображения | |
JP7486983B2 (ja) | 医用装置 | |
Zhang et al. | Regularization strategies in statistical image reconstruction of low‐dose x‐ray CT: A review | |
US8611626B2 (en) | System and methods for fast implementation of equally-sloped tomography | |
JP2020168352A (ja) | 医用装置及びプログラム | |
JP6858664B2 (ja) | 医用画像処理装置及び医用画像診断装置 | |
US8600137B2 (en) | Iterative CT image reconstruction with a four-dimensional noise filter | |
EP2748791B1 (en) | Image data processing | |
EP2633498B1 (en) | Apparatus and method for hybrid reconstruction of an object from projection data. | |
JP2016152916A (ja) | X線コンピュータ断層撮像装置及び医用画像処理装置 | |
CN102376084B (zh) | 使用各向异性噪声模型对ct图像的迭代图像滤波 | |
KR20100133950A (ko) | 동적인 제약들에 따른 오브젝트 주변의 사용을 통한 단층 촬영에 있어서의 양 감소 및 이미지 강화 | |
Gong et al. | Image reconstruction model for limited-angle CT based on prior image induced relative total variation | |
JP6505513B2 (ja) | X線コンピュータ断層撮像装置及び医用画像処理装置 | |
Zhang et al. | PET image reconstruction using a cascading back-projection neural network | |
Liang et al. | Guest editorial low-dose CT: what has been done, and what challenges remain? | |
US20170172534A1 (en) | Thoracic imaging for cone beam computed tomography | |
Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
Xu et al. | Statistical iterative reconstruction to improve image quality for digital breast tomosynthesis | |
CN114387359A (zh) | 一种三维x射线低剂量成像方法及装置 | |
Friot et al. | Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging | |
JP7187131B2 (ja) | 画像生成装置、x線コンピュータ断層撮影装置及び画像生成方法 | |
Heil et al. | Metal artifact reduction in x-ray computed tomography: Inpainting versus missing value | |
Li et al. | Joint regularization-based image reconstruction by combining data-driven tight frame and total variation for low-dose computed tomography | |
CN117830187A (zh) | 医学图像处理方法、装置以及医疗设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20191113 |