本发明涉及一种数据处理的方法，该方法具体应用于计算机断层摄影，更具体应用于谱计算机断层摄影，其中，信噪比优化限制对于该技术是固有的。
背景技术：
从ct图像和其他成像模态对解剖结构和生物结构的分割是许多诊断应用中的常用方法。能够从分割出的结构获益的、对疾病或临床状况的分析例如能够涉及自动骨骼和钙化提取、自动ct血管造影和血管形状测量、肿瘤病灶表征或者在诸如心脏、肝脏或肺等器官部分之间进行区分。
在更好的材料分离或量化添加超出常规ctx射线衰减值(亨氏单位)之外的相关信息的情况下，谱ct能够改善分割结果。谱ct的已知限制是：与常规ct图像相比，谱图像通常遭受高噪声或伪影。该问题有时导致应用强的非线性滤波或者其他相关的噪声减少算法。应用强的非线性滤波有时劣化空间分辨率或者为低的对比度分辨率，并且甚至可能留下伪影或者产生新的图像伪影。使用这样的图像来导出分割结果可能导致非最佳的诊断。
已经提出了若干种技术来改进对谱图像的噪声减少过程。这些技术主要基于与身体中不同组织和材料有关的先验信息。
例如，us2013/0053689描述了一种基于预定组织类型的已知谱特性来调节双能量ct中的谱滤波器的方法，但与任何器官或解剖学模型没有任何关系。us2008/0063135和us2014/0133729描述了本领域中的另外的相关背景技术。
wo2014/128595a1公开了一种方法，其中，基于根据以确定的噪声模式为基础的参考数据集而估计的基础结构来恢复谱投影数据。
wo2015/083065a1公开了一种用于谱图像数据的骨骼分割方法，其中，基于针对每个体素而确定的其表示骨骼结构的概率来提取骨骼结构。
技术实现要素：
本发明涉及一种基于解剖学模型来调节对谱结果的噪声减少过程的经改进的技术，使得将最优地支持和改善期望的分割。
关于本发明，高级分割算法常常包括例如基于人体解剖学图集或者关于相关组织的物理和机械属性的知识的专用于特定组织或器官类型的先验形状和结构模型。这些模型在对能够从有时含噪声和不完整的ct图像推断出的结构信息进行调整和细化方面是非常重要的。
更具体地，本发明是一种根据被成像区的谱图像数据集、被成像区的解剖学图像数据集以及解剖学模型的用于计算机断层摄影的数据处理的方法，包括：
a.向正则化方案分配值的初始集合，
b.对谱图像数据集执行噪声减少方案，其中，所述噪声减少方案是所述正则化方案的函数、所述谱图像数据集的函数以及所述解剖学图像数据集的函数，以便获得经处理的谱图像数据集，
c.使用所述解剖学数据集、所述经处理的谱图像数据集以及所述解剖学模型来执行对感兴趣结构的分割，以便获得分割结果，
d.基于所述分割结果来更新所述正则化方案，
e.重复步骤b至步骤e，
其中，所述方法还包括控制步骤，当步骤b和步骤c两者已经被执行至少一次时执行所述控制步骤，所述控制步骤包括检查结束循环标准，并且如果满足了所述结束循环标准，则输出以下中的至少一项：在步骤c的最后一次迭代中获得的所述分割结果，以及在步骤b的最后一次迭代中获得的所述经处理的谱图像数据集。
步骤a对正则化方案进行初始化。步骤b的噪声减少方案能够是旨在通过减少不需要的信息(诸如噪声或伪影)的量来改善图像的背景的任何方案或算法。
谱双能量重建算法通常包含两个主要步骤。首先，执行双基模型谱分解。在该步骤中，将每种材料的能量相关的衰减分布近似为双基的线性组合，例如，水中的光电效应和康普顿散射效应的衰减分布。在第二步骤中，执行材料量化和分类，并且创建最终的谱结果，例如，虚拟单色图像、碘图或vnc。
在谱双能量ct中，存在固有的噪声挑战，即，特定能量读数中的每个通常基于对应的非谱常规扫描读数的辐射剂量的大致一半。另外，谱分解是不适定问题，其中，噪声被显著放大。另外，所获得的噪声在基底之间高度负相关。
因此，需要专用的噪声移除算法来提供鲁棒和准确的结果。该算法利用包含以下分量的恢复成本函数：
第一分量是噪声模型，其对噪声准确地建模，包括负相关的噪声模式。一旦利用了准确的噪声模型，所述算法执行对底层目标结构的更好的恢复，这实现了更准确的重建。
第二分量是正则化。所述正则化使得所述算法能够通过惩罚图像的粗糙度来减少图像噪声。另外，所述正则化通过改善重建过程的数值稳定性来确保鲁棒的性能。
第三分量是与常规图像的谱梯度同步。在此的基本思想是：在基本图像中的大部分梯度位置中，在常规图像中也存在梯度。该观察被并入作为重建算法中的软约束。该额外的约束改善了所述算法的鲁棒性和准确性。
步骤b的所述噪声减少方案输出经处理的谱图像数据集。步骤b能够始终被应用于在每次迭代时未更新的相同的初始谱图像数据集，其中，在每次迭代时更新正则化方案。备选地，能够将步骤b应用于经更新的谱图像数据集，将最后一次迭代的经处理的谱图像数据集在每次迭代时重新注入到所述噪声减少算法中。所述经处理的谱图像数据集与所述解剖学数据集和所述解剖学模型一起使用以便获得分割结果。分割步骤包括从被成像区中分割不同的结构。能够使用任何已知的分割方法。通常，这些分割方法依赖于识别被成像区中的不连续，鉴于所述解剖学模型，所述不连续可能不是伪影或噪声。基于所述分割结果，能够细化所述正则化方案，因为所述分割结果给出了关于可能易受噪声减少伪影影响的位置的信息以及关于更可能含噪声的位置的信息。然后，能够使用这种经更新的正则化方案来产生新的经处理的谱图像数据集，这将允许更好的分割，这继而将导致更精细的正则化方案。这些步骤因此形成循环，只要需要就能够对其进行迭代。执行控制步骤，优选但是不一定每次迭代一次，以确定循环何时应当停止迭代。
步骤a至步骤e不需要按照后续次序执行。
所述控制步骤能够在步骤c与步骤d之间执行、在步骤d与步骤e之间执行、或者在步骤b与步骤c之间执行。亦即，所述控制步骤能够在基于最后的分割结果对所述正则化方案进行更新之前或之后来执行。在优选实施例中，所述控制步骤在步骤b与步骤c之间执行。这允许输出考虑最后的分割结果的经处理的谱图像数据集。然而，一旦最终的分割结果可用时，有兴趣输出所述最终的分割结果，在这种情况下，有兴趣在步骤c与步骤d之间执行所述控制步骤。
步骤d能够包括向被成像区的原始区域分配系数或数值权重，并且所述系数能够取决于与所述被成像区的至少一个接近区域相关联的分割结果的部分，其中所述至少一个接近区域与所述原始区域相接。具体而言，因为步骤d旨在对图像区的哪些部分需要经受噪声减少而进行加权，所以步骤d能够在需要很少或者不需要噪声减少的原始区域的情况下分配重要的——或者低的——系数。
如果所述噪声减少方案包含对周围区域的功能区域进行平均的平滑算法，则这能够是接近解剖学不连续的原始区域的情况。亦即，如果所述分割结果识别出与接近、相接的区域非常不同的原始区域，那么该差异应当被保留，并且“噪声减少方案”不应当将其擦除。为了实现这一点，能够向所述原始区域分配系数。所述系数也能够取决于被成像区的原始区域中和接近区域中的解剖学图像数据集所取的值、取决于解剖学模型和/或取决于感兴趣材料在所述初始区域中的存在。
所述分割结果能够是任何类型的分割结果。其例如能够包括以二元方式来确定区域是否属于感兴趣结构。这能够如下实现：向属于所述感兴趣结构的被成像区的区域分配诸如‘1’的值，并且向不属于所述感兴趣结构的区域分配诸如‘0’的另一值或者根本不分配任何值。也能够通过使用两个以上的不同值在若干感兴趣结构之间进行区分。例如，所述分割结果能够将值‘1’分配给属于血管壁的区域，将值‘2’分配给属于血管腔的区域，并且将值‘0’分配给不属于这些结构中的任意结构的区域。
已经被采用的通用术语“区域”能够指定任何大小和形状的区域。在优选实施例中，原始区域具有一个单体素的大小。这允许充分利用可用的分辨率。
取决于协议和可用的资源，能够使用不同的可能的结束循环标准。通常，如果已经执行了步骤c的至少两次迭代并且分割结果、经处理的成像数据集或正则化方案中的至少一个在最后两次迭代之间尚未超过(undergone)最小总差异的阈值，则满足了所述结束循环标准。备选地，如果步骤e或者任何其他步骤已经迭代了预定的次数，则满足了所述结束循环标准。
根据本发明的所述方法还能够包括：优选通过对被成像区的区域与所述感兴趣结构的边界之间的距离进行积分，来计算所述区域属于所述感兴趣结构的概率。这能够是一种巧妙的方式来细化对先前所提到的系数的计算，由此更细化地应用所述噪声减少方案。
本发明还涉及一种计算机断层摄影扫描器，其被配置为输出单次扫描中的解剖学图像数据集和谱图像数据集，所述解剖学图像数据集和所述谱图像数据集以被设计为由根据本发明的方法所使用的格式来提供。
最后，本发明还涉及一种编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令当由处理器运行时使所述处理器执行根据本发明的方法。
附图说明
通过阅读本发明的实施例的以下详细描述并且通过检查附图应当更好地理解本发明，在附图中：
-图1是根据本发明的方法的高级流程图，
-图2表示典型的计算机断层摄影扫描器，
-图3是根据本发明的方法的噪声/伪影减少部分的更详细的流程图，
-图4是根据本发明的方法的分割部分的更详细的流程图，并且
-图5是根据本发明的方法的正则化部分的更详细的流程图。
具体实施方式
图1示出了根据本发明的优选实施例的整体视图。使用三种类型的输入数据：
a)第一输入101是基于解剖学衰减的图像集，其与通过常规计算机断层摄影所获得的图像有关，或者与通常在谱计算机断层摄影中可用的虚拟单色图像有关。
b)第二输入102是能从多能量谱计算机断层摄影数据获得的基于材料特性谱的图像。存在若干种方式来得到这些图像，例如来自双x射线管电压采样，来自双检测层，或者来自能量分箱(energy-binned)的光子计数检测。对于谱图像通常使用导出的结果，诸如光子/散射对，或者使用针对不同单色能量而计算的两个图像集。
c)第三输入103是解剖学模型或器官模型，其包括关于相关形状和结构的先验信息，但是也能够包括与特定材料或组织以及其谱特性有关的先验信息。例如，模型能够包括关于骨骼和骨架的知识，包括倾向于构建骨骼的不同部分的生物材料。所述模型还可以包括关于血管结构和布置的知识，并且可以确定模型化的血管包括在相关协议中注入的碘。
根据本发明的方法的目的是获得对感兴趣器官或组织的最佳分割111，并且同时获得针对其他可能的临床应用的高质量的谱结果112。这些是根据本发明的方法的两个输出。
分割过程130基于全部三个输入101、102和103。出于该目的，能够使用已知的一般技术，诸如图形切割(用于图像分割的数学技术，通常包括使用关于所需的分割属性的一些先验知识)、k均值、活动轮廓(用于分割结构的方法，通常基于关于结构边界的一些平滑假设)、水平集方法等。在图4中进一步详述了分割过程130。
在图5中进一步详述的正则化方案140是由过程130的分割结果来执行的。所述正则化方案的目的是确定如何应用噪声减少过程120。
事实上，所述谱数据中包含了特别有价值的信息。这样，正确地应用噪声减少过程120是非常重要的，因为在实际临床条件下，所述谱计算机断层摄影中的谱图像通常非常含噪声的。所述谱图像中的伪影可能与计算机断层摄影中的已知效应有关，诸如条纹、光晕、射束硬化、锥形射束和低频模式。在图3中进一步详述了所述噪声减少步骤。
为了实现期望的目标，在包括特殊正则化方案140的迭代过程中执行对伪影/噪声减少120和计算出的分割的调节。在每次迭代中，所述正则化基于新近、临时的分割结果，并且将其应用于控制滤波器调节。其是在数次迭代之后收敛到足够的分割结果的过程。该迭代过程是比仅在单次运行之后使用非优化的滤波的谱图像来求解全局优化方程更加实用的解决方案，其更快并且需要更少的资源。
图2示意性图示了范例成像系统200，诸如通常用于获得根据本发明的方法的前两个输入101和102的计算机断层摄影(ct)扫描器。成像系统200包括旋转机架202和固定机架204。旋转机架202由固定机架204能旋转地支撑。旋转机架202被配置为关于纵轴或z轴围绕检查区域106旋转。成像系统200还包括对象支撑体207，对象支撑体207在扫描之前、期间和/或之后在检查区域206中支撑对象或目标。对象支撑体207还能够被用于将对象或目标加载到检查区域206中和/或从检查区域206中卸载。成像系统200还包括辐射源212，诸如x射线管，其由旋转机架202能旋转地支撑。辐射源212与旋转机架202一起围绕检查区域206旋转，并且被配置为生成并发射贯穿检查区域206的辐射。成像系统200还包括辐射源控制器214。辐射源控制器214被配置为调制所生成的辐射的通量。例如，辐射控制器214能够选择性地改变辐射源212的阴极加热电流、施加电荷以抑制辐射源212的电子流动、对所发射的辐射进行滤波等来调制所述通量。
成像系统200还包括辐射敏感检测器像素216的一维或二维阵列215。阵列215位于辐射源212的对面，跨检查区域206，检测贯穿检查区域206的辐射，并且生成指示所述辐射的电信号(投影数据)。
图3详述了图1中所呈现的方法的噪声减少步骤120。在该步骤中的输入信息是：谱图像数据集-v；解剖学图像数据集-c；以及空间定向正则化方案r。分别针对被表示为‘a’和‘p’的两个体素(分析的体素和接近的体素)中的每个来确定正则化项r。例如，在算法运行期间，所述方法将考虑指定体积中的所有被分析的体素，并且对于每个这样的体素，将确定一组邻近(即，相邻)的体素。在该范例中，所述正则化被确定为分析的体素和接近的体素(xa，xp)的空间坐标和新近的体积分割结果-s的函数h，-rap＝h(xa，xp，s)。例如，对于属于期望结构(可能是特定材料)的所有体素，分割表示可以给出值‘1’，对于不属于期望的结构的所有体素，可以给出值‘0’。
除了三个指定的输入之外，噪声/伪影减少算法被确定为：
va新＝f(wap1，…wapn，rap1，…rapn)，其中，va新是分析的体素的经更新的值，并且f是取决于与接近的体素(i＝1...n)中的每个相对应的正则化rap以及取决于计算出的权重wap(对于每个i＝1...n)的函数。权重可以被确定为以下函数—
wap＝g(xa，xp，va，vp，ca，cp)，其取决于分析的体素和接近的体素的值和坐标，并且其还可能取决于解剖学图像中的对应值(ca，cp)。
在噪声/伪影减少的过程中，将确定针对分析的体素中的每个的新的值va新，并且将生成特定图像数据的经更新的体积。
例如，函数f的简单可能形式可以是：sumi(wapi)，对于其中xa和xpi处在s中的相同节段(并且在对权重进行恰当的归一化之后)的所有那些i接近的体素。
另一选项例如是根据xa和/或xpi之间的距离而将权重wapi部分地修改为分割的结构的边界，以便产生组合的权重。
图4详述了执行图1的方法的分割步骤130的可能方式。
该流程图基于三个输入信息集来执行对期望的结构的分割。所输入的谱图像数据集由通过重复的迭代的选择性噪声和伪影减少而得到改善。
在每次迭代之后，生成新的分割体积。相对于先前的分割结果并且根据预定的收敛或停止条件来检查该结果。基于此，确定是否应停止迭代，并且最终输出最后的分割体积。例如，所述收敛条件可以基于相继迭代结果之间的最小总差异的阈值，或者其能够基于预定数量的迭代。
图5详述了在图1中所图示方法的正则化步骤140。
如在图3中所描述的，能够将空间定向正则化方案确定为rap＝h(xa，xp，s)，其中，针对分别被表示为a和p的两个体素(分析的体素和接近的体素)中的每个体素来确定正则化r。在该范例中，所述正则化被确定为分析的体素和接近的体素(xa，xp)的空间坐标以及新近的体积分割结果-s的函数h。
在此，‘正则化’的含义是在正则化为高的情况下(对应于体积中的位置和方向)以减小的强度来操作噪声/伪影减少步骤。换言之，高的正则化局部地抑制噪声减少操作。一个所得的效果是，保留了不同材料之间的大部分相关边缘和边界。
一般而言，如果两个体素(分析的或接近的)位于分割体积的两个不同的部分(例如，一个属于分割的结构，而第二个不属于分割的结构)，则正则化强度将更高。另外，如果在两个不同的分割部分中的两个体素距离分割边界相对较远(并且因此其确实属于不同部分的概率更高)，则正则化强度将更高。
备选地，如果分析的体素和接近的体素处于分割体积的相同部分之内，则正则化将为低或者为零。
在本发明的实施例中，通过在所有相关方向上将体素与分割的结构边缘之间的距离进行积分来计算体素(分析的或接近的)属于分割部分的概率。在分割的结构边缘高度弯曲或不均匀的情况下，这能够提供更高的准确性来确定定向正则化。
基于所述模型，所述正则化也可能与材料有关。例如，特定血管布置的模型(例如与特定器官有关)可能仅指代碘造影剂。以这样的方式，谱滤波器正则化将应用于被谱分析为包括碘的那些体素，并且将不被应用于包含其他材料的体素。例如，这种方法可以更好地描绘动脉中的小斑块区域。
该模型还能够包括与不同材料(例如，碘、钙、脂肪、软组织、空气、脑白质和灰质、肌腱和韧带、尿酸等)有关的不同结构。从谱图像导出的结构能够特别强化这样的建模的材料特异性结构的分割准确性。
尽管已经在附图和前述描述中详细说明和描述了本发明，但是这样的说明和描述被认为是说明性或示例性的，而非限制性的；本发明并不限于所讨论的实施例。
根据研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现所公开的实施例的其他变型。在权利要求中，词语“包括”不排除其他元素或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中所记载的若干项的功能。在相互不同的从属权利要求中记载了特定措施这一事实并不表示这些措施的组合不能被有利地使用。权利要求中的任何参考标记不应当被解释为限制范围。