处理由计算机断层扫描仪产生的投影域数据
文献发布时间:2024-04-18 19:58:30
技术领域
本发明涉及计算机断层扫描(CT)领域,尤其涉及处理CT扫描过程中产生的投影域数据。
背景技术
为了帮助评估和诊断患者/受试者,CT成像正成为医学成像过程中的主要手段。
传统的CT扫描仪包括安装在可旋转的门架上的X射线发生器,其与一个或多个积分式检测器相对。X射线发生器围绕位于X射线发生器和一个或多个检测器之间的检查区域旋转,并发射(至少)X射线辐射,其穿过检查区域和设置在检查区域内的受试者和/或物体。一个或多个检测器检测穿过检查区域的辐射,并生成指示检查区域和设置在其中的受试者和/或物体的信号(被称为投影域数据或简称为投影数据)。投影域数据指的是原始检测器数据,且可用于形成正弦图,后者是由检测器捕获的投影域数据的可视化表示。
通常还使用重建器来处理投影域数据并重建受试者或物体的体积图像,即生成图像域数据。体积图像由多个横截面图像切片组成,每个切片都是通过断层扫描重建过程(如通过应用滤波反投影算法)根据投影域数据生成的。重建的图像数据实际上是原始投影域数据的逆拉东变换(inverse Radon transform)。
人们一直希望改进CT扫描仪的操作,尤其是改善由CT扫描仪生成的图像的质量。
发明内容
根据本发明的一个方面的示例,提供了一种处理由CT扫描仪生成的投影域数据的计算机实现的方法。
该计算机实现的方法包括:获得第一输入数据集,其包含由CT扫描仪在期望的成像角度下生成的投影域数据,其中CT扫描仪被配置成在扫描操作中在关于检查区域的不同的成像角度下生成投影域数据;获得至少一个另外的输入数据集,每个另外的输入数据集包含由CT扫描仪在相应的至少一个另外的成像角度下生成的投影域数据,其中期望的成像角度和每个相应的另外的成像角度之间的差值是预定的;将第一输入数据集和至少一个另外的输入数据集输入到机器学习算法中,其中机器学习算法被配置成处理第一输入数据集和至少一个另外的输入数据集以生成输出数据集,其中输出数据集不同于第一输入数据集,并且包含在关于检查区域的期望的成像角度下的投影域数据;以及使用机器学习算法处理第一输入数据集和至少一个另外的输入数据集,以生成输出数据集。
因此,本发明提出先处理投影域数据,即原始检测器数据,然后再将其重建为图像数据。具体而言,使用机器学习方法处理在关于检查区域的多个成像角度下获得的输入投影域数据,以提供在单个成像角度(即期望的成像角度)下的输出投影域数据。
输入投影域数据包含:第一输入数据集,其包含在期望的成像角度下获得的投影域数据;以及一个或多个(即至少一个)另外的输入数据集,其包含在关于期望的成像角度的预定成像角度下获得的投影域数据。这有助于为机器学习方法提供一致的输入。
本发明构思的基本认知是,在不同的成像角度下获得的投影域数据可以提供有用的空间信息或附加信息,以用于处理在具体的、期望的角度下获得的投影域数据,例如减少噪声。例如,不同的成像角度仍可对受试者或检查区域的相同区域/体积成像,这意味着对于具体视角有更多的可用信息。这样允许利用自然存在的信息来增加机器学习算法的数据量,且没有附加成本,即附加的图像获取。
因此,提出了一种用于机器学习方法的多通道输入的构思,其中每个通道提供在不同成像角度下获得的投影域数据。
成像角度可被定义为CT扫描仪的辐射源在检查区域内发射辐射的角度,例如关于检查区域的中心。具体地,对于辐射源安装在旋转门架上的传统CT扫描仪,成像角度可被定义为辐射源与穿过旋转门架的旋转中心的水平面所形成的角度。
在具体示例中,每个数据集可包含投影体积的具体部分的投影域数据,投影体积是在扫描操作的具体实例期间被CT扫描仪照射的检查区域的体积。至少一个(即一个或多个)另外的输入数据集的投影体积的一部分可以至少与第一输入数据集的投影体积的一部分局部重叠。
该计算机实现的方法的步骤可由处理装置或处理电路执行。机器学习算法可由处理装置或处理电路托管。至少一个另外的输入数据集可包含单个另外的输入数据集或多个另外的输入数据集,例如两个或更多个另外的输入数据集。如果另外的输入数据集包含多个另外的输入数据集,则对于每个另外的输入数据集,期望的成像角度与每个相应的另外的成像角度之间的预定角度可不同。
显然,期望的成像角度与每个另外的成像角度之间的差值为非零。
在一些实施例中,该方法还包括使用机器学习算法,以基于第一输入数据集和至少一个另外的输入数据集,减少第一输入数据集的投影域数据中的噪声和伪影中的至少一种,从而生成输出数据集。因此,机器学习方法可被配置成使用第一输入数据集和一个或多个另外的输入数据集,减少第一输入数据集的投影域数据中的噪声和/或伪影,从而生成输出数据集。当用于减少投影域数据中的噪声/伪影时,所提出的构思是有利的。这是因为第一输入数据集中的缺失或错误数据可以使用在一个或多个另外的输入数据集(其可提供例如关于受试者的相同体积的信息)中发现的数据进行补充或校正。
在一些示例中,该方法还包括使用机器学习算法,以基于第一输入数据集和至少一个另外的输入数据集,对第一输入数据集的投影域数据执行光谱滤波(spectralfiltering)。因此,机器学习方法可被配置成使用第一输入数据集和一个或多个另外的输入数据集,对在期望的成像角度下的投影域数据执行光谱滤波,从而生成输出数据集。
在一些示例中,至少一个另外的输入数据集包含至少第一另外的输入数据集,其包含由CT扫描仪在第一成像角度下生成的投影域数据,期望的成像角度与第一成像角度之间的差值等于π。
在至少一个示例中,对于每个另外的输入数据集,期望的成像角度与相应的另外的成像角度之间的差值是第一预定角度的倍数。第一预定角度可等于在扫描操作过程中由CT扫描仪实施的成像角度中的最小变化。该实施例利用了投影域数据中的自然相关性,该投影域数据是在彼此紧密靠近的情况下(即在最接近的可用成像角度下)捕获的,例如按照顺序捕获的。
然而,技术人员应理解,任何预定角度都可适用于本发明,例如小于0.5π或更优选小于0.1π的任何角度。
至少一个另外的输入数据集可包含:第二另外的输入数据集,其包含由CT扫描仪在第二成像角度下生成的投影域数据,其中期望的成像角度与第二成像角度之间的差值为第一预定角度;以及第三另外的输入数据集,其包含由CT扫描仪在第三成像角度下生成的投影域数据,其中第三成像角度与期望的成像角度之间的差值为第一预定角度。第三成像角度与第二成像角度不同。例如,如果期望的成像角度是θ,那么第二成像角度可以是θ+Δθ(或θ+π+Δθ),而第三成像角度可以是θ-Δθ(或θ+π-Δθ)。在这两种情况下,第二/第三成像角度与期望的角度之间的差值相同,但成像角度不同。
至少一个另外的输入数据集可包含:第四另外的输入数据集,其包含由CT扫描仪在第四成像角度下生成的投影域数据,其中期望的成像角度与第四成像角度之间的差值为第二预定角度,其中第二预定角度大于第一预定角度;以及第五另外的输入数据集,其包含由CT扫描仪在第五成像角度下生成的投影域数据,其中第五成像角度与期望的成像角度之间的差值为第二预定角度。
优选地,第二预定角度的大小是第一预定角度的大小的两倍。
在一些示例中,至少一个另外的输入数据集包含不多于十个另外的输入数据集。为了有助于使来自第一输入数据集和一个或多个另外的输入数据集的投影域数据中的相关性保持足够大,例如为了确保由机器学习算法进行的准确处理,将输入的最大数量限制在限制数量内是有用的。
任选地,CT扫描仪被配置成针对关于受试者的投影体积的多个不同部分中的每一个生成投影域数据,其中投影体积是检查区域的体积,且至少一个另外的输入数据集中的每一个被配置成包含具有投影体积的一部分的投影域数据,该一部分至少与第一输入数据集的投影域数据的投影体积的一部分局部重叠。
这种方法尤其适用于螺旋扫描轨迹,其中在不同角度下获得的投影域数据的相关性会随着获取轨迹间距的增加而降低。通过考虑投影体积的与投影域数据的每个实例相关的部分,可以将这种变化考虑在内。在具体示例中,可以通过使用关于螺旋扫描轨迹的几何知识(包括关于患者的运动的知识,例如在支撑件上的运动)和轨迹间距来考虑这种变化。
该方法还可包括,对于至少一个另外的输入数据集中的每一个,在将第一输入数据集和至少一个另外的输入数据集输入到机器学习算法中之前:处理另外的输入数据集,以移除另外的输入数据集的投影域数据中与另外的输入数据集的投影域数据的投影体积的不与第一输入数据集的投影体积重叠的部分相对应的任何部分。
换句话说,可以使用零填充方法从一个或多个另外的输入数据集中移除与在第一输入数据集中发现的任何投影域数据不相关的投影域数据,即另外的输入数据集中的与在第一输入数据集的投影域数据的获取期间未被照射的检查区域或受试者的体积相对应的投影域数据。
任选地,CT扫描仪包括围绕旋转中心旋转的旋转门架、可旋转地支撑在旋转门架上并被配置成随旋转门架旋转并发射穿过检查区域的辐射的辐射源,以及可旋转地支撑在旋转门架上并被配置成随旋转门架旋转并生成响应于由辐射源发射的穿过检查区域的辐射的投影域数据的检测器阵列,其中成像角度是辐射源相对于水平面所形成的角度。
水平面可穿过旋转门架的旋转中心,例如检查区域的中心。
还提出了一种计算机程序产品,其包含计算机程序代码模块,当计算机程序代码模块被在具有处理系统的计算设备上执行时,致使处理系统执行本文所述的任何方法的所有步骤。一种计算机可读介质可包含嵌入其中的计算机程序或可执行指令。
还提出了一种设备,其被配置成处理由CT扫描仪生成的投影域数据。
该设备包括处理电路或处理装置以及包含指令的存储器,当指令被处理电路或处理装置执行时,将处理电路或处理装置配置成获得第一输入数据集,其包含由CT扫描仪在期望的成像角度下生成的投影域数据,其中CT扫描仪被配置成在扫描操作中在关于检查区域的不同成像角度下生成投影域数据;获得至少一个另外的输入数据集,每个另外的输入数据集包含由CT扫描仪在相应的至少一个另外的成像角度下生成的投影域数据,其中期望的成像角度和每个相应的另外的成像角度之间的差值是预定的;将第一输入数据集和至少一个另外的输入数据集输入到机器学习算法中,其中机器学习算法被配置成处理第一输入数据集和至少一个另外的输入数据集以生成输出数据集,其中输出数据集不同于第一输入数据集并且包含在关于检查区域的期望的成像角度下的投影域数据;以及使用机器学习算法处理第一输入数据集和至少一个另外的输入数据集以生成输出数据集。
还提出了一种CT系统,其包括该设备和该CT扫描仪。CT扫描仪可包括围绕旋转中心旋转的旋转门架、可旋转地支撑在旋转门架上并被配置成随旋转门架旋转并发射穿过检查区域的辐射的辐射源,以及可旋转地支撑在旋转门架上并被配置成随旋转门架旋转并生成响应于由辐射源发射的穿过检查区域的辐射的投影域数据的检测器阵列,其中成像角度是辐射源相对于水平面所形成的角度。
该设备可被配置成执行本文所述的任何方法,反之亦然。类似地,计算机程序产品可被配置成在被运行时执行本文所述的任何方法,反之亦然。技术人员将能够相应地适当修改该设备、该方法和/或该计算机程序产品。
本发明的这些方面和其他方面将从下文描述的实施例中变得明显,并通过参考这些实施例得到阐释。
附图说明
为了更好地理解本发明,并更清楚地展示如何实施本发明,现在仅以举例的方式参照附图,其中:
图1示出了一种包括CT扫描仪的成像系统;
图2从概念上示出了用于成像系统的CT扫描仪的不同成像角度;
图3和图4示出了本公开的概念性概览图;
图5示出了使用投影域数据生成的示例图像;
图6是示出了一种方法的流程图;以及
图7示出了一种处理装置。
具体实施方式
本发明将参照附图进行描述。
应当理解的是,详细描述和具体示例虽然指示了本发明的装置、系统和方法的示例性实施例,但其目的仅旨在例示说明,而不旨在限制本发明的范围。通过以下描述、所附权利要求和附图,本发明的装置、系统和方法的这些和其他特征、方面和优点将得到更好的理解。应当理解的是,附图仅为示意图,并未按比例绘制。还应理解的是,在整个附图中使用相同的附图标记来指示相同或相似的部件。
本发明提供了一种用于生成输出数据集的方法,该输出数据集包含针对期望的/目标成像角度的投影域数据。机器学习算法处理输入数据集,其包含在期望的/目标成像角度下捕获/获得的投影域数据,以及在一个或多个另外的预定成像角度下捕获/获得的投影域数据,以生成输出数据集。
实施例可被用于在CT投影域数据的投影域空间中执行噪声/伪影减少。
图1示出了一种成像系统,尤其是一种CT成像系统100,其中可以采用本发明的实施例。
CT成像系统100包括CT扫描仪101和处理界面111,该处理界面111使用由CT扫描仪101生成的数据进行处理和执行操作。
CT扫描仪101包括大致固定的固定门架102和旋转门架104。旋转门架104由固定门架102可旋转地支撑,并围绕检查区域绕纵轴或Z轴旋转。
患者支撑件120(例如诊察台)支撑位于检查区域内的物体或受试者(如人类患者)。支撑件120被配置成移动物体或受试者,以便装载、扫描和/或卸载物体或受试者。
辐射源108(例如X射线管)被旋转门架104可旋转地支撑。辐射源108随旋转门架104旋转,且发射穿过检查区域106的辐射。
辐射敏感检测器阵列110对着在检查区域106上与辐射源108相对的角弧。检测器阵列110包括沿Z轴方向延伸的一排或多排检测器,检测穿过检查区域106的辐射,并生成指示辐射的投影域数据。例如,投影域数据可以是锥束投影数据。
因此,CT扫描仪101能够生成/捕获投影域数据。当旋转门架104围绕检查区域106旋转时,CT扫描仪101关于检查区域的成像角度变化。从概念上讲,这可被理解为辐射源108发出辐射的方向随着旋转门架104旋转而改变。在CT扫描过程中,由CT扫描仪101在多个成像角度中的每一个下生成投影域数据。因此,生成多个数据集,每个数据集包含在不同时间点获得的投影域数据,在时间上相邻的数据集是在不同的成像角度下生成的。
在CT扫描过程中,患者支撑件120可沿纵轴z移动。这可以在多个步骤阶段内完成。旋转门架104可在患者支撑件120的每次移动之间完成2π的旋转,这一过程被称为“圆形扫描轨迹”方法或“停止和拍摄(stop and shoot)”方法。
另一种成像方法是“螺旋扫描轨迹”方法或螺旋CT扫描。在这种方法中,投影域数据是在门架连续旋转和患者支撑件同时平移的过程中获得的。
“投影体积”是指在CT扫描过程中被成像的检查区域的总体积。由CT扫描仪生成的每个数据集包含在具体的成像角度下取得的且表示投影体积的具体部分(例如表示投影体积的被照射部分)的投影域数据。通常,投影体积的在具体的成像角度下被捕获的一部分呈锥形或锥体形状。
通用计算系统或计算机作为操作员控制台112,且包括输入设备114(如鼠标、键盘和/或类似设备)和输出设备116(如显示监视器或类似设备)。操作台112允许操作员控制系统100的运行。
重建装置118处理投影域数据并重建体积图像数据。数据可通过输出设备116的一个或多个显示监视器来显示。
重建装置118可采用滤波反投影(FBP)重建、图像域和/或投影域降噪重建算法(例如迭代重建)和/或其他算法。应理解的是,重建装置118可以通过至少一个处理器来实施,该处理器执行被编码或嵌入在计算机可读存储介质(如物理存储器和其他非暂时性介质)上的计算机可读指令。此外或替代性地,一个或多个处理器还可以执行由载波、信号和其他暂时性或非暂时性介质承载的计算机可读指令。
本发明涉及对由CT扫描仪101生成的投影域数据的处理,例如通过比如处理装置119等设备。技术人员应理解,这些投影域数据可以直接从CT扫描仪获得,或者可以通过一个或多个其他电路元件(例如临时、半永久和/或永久地存储投影域数据的存储器或缓冲器(未示出))获得。
图2从概念上示出了旋转门架104的横截面,以展示用于CT扫描仪101的不同成像角度,如在穿过旋转等中心的水平面上所示。
具体地,图2示出了CT扫描仪如何能够在关于检查区域的多个不同的成像角度下获得投影域数据。图2展示了旋转门架旋转时辐射源的示例位置201、202、203、204、205和206。技术人员应理解,这些位置只是示例性的,辐射源还可被定位在其他角度下,例如根据CT扫描仪的能力和CT扫描过程。在相应位置处生成的投影域数据指的是在不同成像角度下生成相应投影域数据。
图2还示出了对于辐射源的每个位置,使用箭头指示的成像角度是如何变化的。在所示的示例中,CT扫描仪101围绕旋转中心210旋转,例如穿过CT扫描仪的中心-进入/离开页面的轴线。因此,在所示的示例中,成像角度是关于CT扫描仪101的旋转中心的角度。换句话说,成像角度表示辐射源的关于旋转门架的横截面的位置。
具体地,成像角度可以是由辐射源提供的辐射发射的中心方向与水平面220之间的角度,在该横截面视图中水平面220穿过旋转中心210。通常,成像角度是穿过辐射源、旋转中心210的假想线和水平面220之间的角度。
通常,当辐射源位于一个具体位置处时,如位于位置201处时,辐射敏感检测器阵列110则被定位于横截面视图的相对位置处,如位置206处。如前面所解释的,它可以对着与辐射源108相对的角弧。
本发明提出使用来自期望的成像角度和一个或多个另外的成像角度的投影域数据,针对期望的成像角度(例如角度θ)生成增强的、改进的或修改的投影域数据。期望的成像角度和每个另外的成像角度之间的差值是预定的。
图3和图4在概念上示出了由各实施例采用的概览图300。一种方法包括使用机器学习算法320处理一些输入数据集310(包含投影域数据),以生成输出数据集330。因此,机器学习算法在投影域中运行。
输出数据集330包含在期望的成像角度下的经处理和/或修改的投影域数据。输入数据集310包含第一输入数据集311(其包含在期望的成像角度下的投影域数据)和一个或多个另外的输入数据集312、313、314,例如图3所示的单个另外的输入数据集312或图4所示的多个另外的输入数据集312、313、314。每个另外的输入数据集包含在另外的成像角度下的投影域数据,其中期望的成像角度和另外的成像角度之间的角度是预定的。
每个输入数据集包含由CT扫描仪捕获的投影域数据,其可经过预处理,例如滤除一定的预定频率等。输出数据集包含经过机器学习算法处理的投影域数据。
因此,不是简单地处理仅在期望的成像角度下的投影域数据来生成输出数据集,而是机器学习算法的输入通过使用在一个或多个不同角度下获得的投影域数据来增强/补充。换句话说,机器学习算法接收在期望的成像角度下和一个或多个其他成像角度下的“原始”投影域数据作为输入,并生成在期望的成像角度下的经处理和/或修改的投影域数据作为输出。
如下文更详细描述的那样,机器学习算法320可被配置成通过在修改在期望的成像角度下的投影域数据时使用在其他成像角度下获得的投影域数据,来改善使用在期望的成像角度下的投影域数据随后生成的任何图像的成像特性。成像特性可包括例如噪声量、伪影数量、分辨率、均匀性、信噪比和/或对比度。
具体地,机器学习算法可被配置成对投影域数据执行噪声和/或伪影减少。
在一些示例中,机器学习算法可被配置成对在期望的成像角度下的投影域数据执行光谱滤波。通过使用在另外的成像角度下的投影域数据,可以改进这一过程,例如保留要素。
例如,机器学习算法可被配置成接收低剂量投影域数据,并输出模拟的高剂量投影域数据,即噪声水平等于高剂量投影域数据的低噪声投影域数据。
在尤其有利的实施例中,对于一个或多个另外的输入数据集中的至少一个,另外的成像角度与期望的成像角度之间的差值为π,即180°。该实施例认识到,只要在两个成像角度下被照射的体积的部分至少局部重叠,由辐射源在这两个成像角度中的任一个下发出的辐射(即射线)的至少一些部分将受到来自定位于检查区域内的要素的相同衰减。因此,在这两个角度下生成的投影域数据将包含类似的信息,该信息可用于增强在这些角度中的一个下获得的投影域数据。
通过说明性示例的方式,进一步回过来参照图2,第一输入数据集311可包含在辐射源位于位置201时获得的投影域数据,而第一另外的输入数据集312可包含在辐射源位于位置206时获得的投影域数据。
作为具体的工作示例,一个或多个另外的输入数据集可只包含单个另外的输入数据集312,例如如图3所示,其具有在另外的成像角度下获得的投影域数据,其中另外的成像角度与期望的成像角度之间的差值为π。在其他示例中,一个或多个另外的输入数据集可包含不止一个另外的输入数据集,例如如图4所示,或者其中的至少一个与前面描述的单个另外的输入数据集类似。
在一些示例中,对于一个或多个另外的输入数据集312、313、314中的至少一个,另外的成像角度与期望的成像角度之间的差值是预定角度Δθ的倍数,即等于k·Δθ。因此,一个或多个另外的输入数据集的投影图像数据可以在成像角度θ±Δθ、θ±2Δθ、...、θ±k·Δθ下获得。
在一些示例中,优选的是,一个或多个另外的输入数据集包含不多于20个另外的输入数据集,例如使得k不大于20,或更优选地不多于10个另外的输入数据集,例如使得k不大于10,或甚至更优选地不多于5个另外的输入数据集,例如使得k不大于5。这有助于保持相应投影域数据中的相关性足够大,从而改善机器学习算法的性能。
在一些示例中,一个或多个另外的输入数据集可包含至少四个数据集:第一输入数据集、第二输入数据集、第三输入数据集和第四输入数据集。第一输入数据集和第二输入数据集可包含分别在θ+Δθ和θ-Δθ的成像角度下获得的投影域数据,其中θ是期望的成像角度,Δθ是预定角度。第三输入数据集和第四输入数据集可包含分别在θ+2·Δθ和θ-2·Δθ的成像角度下获得的投影域数据。
例如,预定角度Δθ可等于由CT扫描仪在扫描操作过程中实施的成像角度中的最小变化。例如,这种最小变化可以由CT扫描仪本身来限定,即根据一些预先安排和/或预定的扫描操作。因此,预定角度Δθ可等于CT扫描仪在扫描操作过程中的旋转的固定或预定的角度增量。
通过说明性示例的方式,进一步回过来参照图2,第一输入数据集311可包含在辐射源108位于位置201时获得的投影域数据,第一另外的输入数据集312可包含在辐射源位于位置202时获得的投影域数据,第二另外的输入数据集313可包含在辐射源位于位置203时获得的投影域数据。
在一些示例中,Δθ的值等于π。如果在CT扫描过程中,在期望的成像角度下和/或在与期望的成像角度相对(即具有为π的差值)的成像角度下进行多次测量,例如在灌注测量等过程中,就会出现这种情况。
在优选示例中,至少一个另外的输入数据集包含在与第一输入数据集的投影成像数据不同的成像角度下获得的投影成像数据。
在一些示例中,对于一个或多个另外的输入数据集中的至少一个,另外的成像角度与期望的成像角度之间的差值等于π与预定角度Δθ的倍数之和。因此,另外的输入数据集的投影域数据的成像角度与第一输入数据集的投影域数据的期望的成像角度之间的差值可以是π±k·Δθ。
当然,也可以使用任何其他形式的预定角度。例如,可以有不止一个预定角度,如Δθ1、Δθ2......Δθk,其中至少一个优选地(但不是必需地)等于π和/或π的倍数。
可以使用前面识别的预定角度的任意组合。如前面所解释的,如果一个或多个另外的输入数据集包含其投影域数据是在与第一输入数据集的投影域数据的成像角度偏移了π的成像角度下获得/捕获的至少一个另外的输入数据集,则尤其有利。
如图3和图4所示,输入数据集可以级联(concatenated)或以其他方式组合在一起,以形成单个数据集319,其可作为机器学习方法的输入。
图3和图4所示的用于机器学习算法的输入数据集的总数只是示例性的,且可以使用任意数量的合适的输入数据集。
机器学习算法被配置成处理输入数据集310,以提供包含在期望的成像角度下的经处理的投影域数据的输出数据集作为输出。与第一输入数据集所包含的成像数据相比,经处理的投影域数据可具有改进的成像特性,例如前面描述的那些特性,并且/或者被配准、变换和/或转换到一些预定的坐标系。
由机器学习算法执行的过程f(.)可被建模如下:
其中,p(.)表示在具体角度下的输入数据集的投影域数据,θ表示期望的成像角度,Δθ1,...,Δθk表示成像角度中的不同差值,
机器学习算法由处理装置托管。
因此,本发明的各实施例利用机器学习算法处理输入数据集,以生成输出数据集。机器学习方法能够执行所需的特征配准任务,例如将不同输入数据集的特征相互映射,以便生成输出数据集。
机器学习算法是处理输入数据以便生成或预测输出数据的任何自我训练算法。根据本发明的实施例,输入数据包含输入数据集,其包含第一输入数据集和一个或多个另外的输入数据集,且输出数据包含前面描述的输出数据集。
对于技术人员来说,本发明中使用的合适的机器学习算法是明显的。合适的机器学习算法的示例包括决策树算法和人工神经网络。诸如逻辑回归、支持向量机或奈夫贝叶斯模型的其他机器学习算法也是合适的替代方案。
人工神经网络(或简称“神经网络”)的结构受到人脑的启发。神经网络包括多个层,每层包括多个神经元。每个神经元包括数学运算。尤其是,每个神经元可包括单个类型的变换的不同加权组合(例如,相同类型的变换、sigmoid等,但权重不同)。在处理输入数据的过程中,对输入数据执行每个神经元的数学运算以产生数值输出,神经网络中的每一层的输出被依次输入下一层。最后一层提供输出。
训练机器学习算法的方法是众所周知的。通常,这种方法包括获得训练数据集,其包含训练输入数据条目和相应的训练输出数据条目。对每个输入数据条目应用初始化的机器学习算法,以生成预测的输出数据条目。预测的输出数据条目与相应的训练输出数据条目之间的误差被用于修改机器学习算法。这一过程可重复进行,直到误差收敛,且预测的输出数据条目与训练输出数据条目足够相似(如±1%)。这通常被称为监督学习技术。
例如,当机器学习算法由神经网络形成时,可以修改每个神经元的数学运算的权重,直到误差收敛为止。已知的神经网络修改方法包括梯度下降、反向传播算法等。
训练输入数据条目与示例输入数据集相对应。训练输出数据条目与示例输出数据集相对应。
作为工作示例,考虑这样的情形,即训练机器学习算法来对一些投影域数据进行去噪,例如生成去噪的投影域数据。对于这种情形,输出数据集将是去噪的投影域数据,而输入数据集包含在期望的成像角度和至少一个其他成像角度下的投影域数据。
在这种情形中,训练数据集的训练输入数据条目和训练输出数据条目可通过首先获取已知在被处理时会产生一个或多个高质量图像的投影域数据来生成,例如通过人工干预/选择和/或自动质量处理方法。投影域数据应包含在期望的成像角度和每个另外的成像角度下的投影域数据。然后,可在投影域数据中加入噪声,如白噪声或粉红噪声,以生成模拟的低质量投影域数据。通过选择在期望的/目标成像角度下的模拟的低质量投影域数据和在另外的成像角度下的一个或多个其他投影域数据,生成训练输入数据条目。
用于训练机器学习网络的“另外的成像角度”不需要是在以后的推断期间(例如,在执行根据一个实施例的方法时)使用的完全相同的另外的成像角度。然而,为了改善性能,优选的是训练期间使用的另外的成像角度和推断期间使用的另外的成像角度是相同的。
例如,机器学习网络可以是卷积神经网络(CNN),其使用U-Net、ResNet或深度前馈神经网络架构。因此,机器学习网络可以是基于CNN的机器学习框架,其包括流行的前馈、编码器-解码器(U-Nets)或其他流行的CNN架构,其由密集-或残差-网构建模块的各种组合组成。
根据前述内容,应理解的是,所提出的方法包括输入在不同成像角度下获得的投影域数据,并输出具有改进特性的在目标/期望的成像角度下的投影域数据。输入数据集包括在目标/期望的成像角度下的投影域数据,使得所提出的方法可有效改善该投影域数据的特性。
输入数据集(即输入通道)的数量可影响第一卷积层中的特征图的数量。具体地,输入数据集的数量越多,特征图的数量就越多。特征图的数量越多,提供的网络容量就越大,且原则上也有助于从训练数据分布中学习更复杂的表征。
图5示出了本发明的各实施例的效果/影响。图5提供了三幅图像,其绘示了患者的同一部分:冠状截面的下部分。每幅图像都是通过处理多组投影域数据生成的,每组投影域数据都是在具体的成像角度下。使用对该组投影域数据进行去噪的机器学习方法,每组投影域数据已经过去噪处理。
对于第一图像510,每组投影域数据都由机器学习方法处理,该机器学习方法接收仅在该组投影域数据的成像角度下获得的投影域数据作为输入。
对于第二图像520,每组投影域数据都根据本发明的各实施例进行处理。具体地,每组投影域数据由机器学习方法处理,该机器学习方法接收包含在该组投影域数据的成像角度(即θ)下获得的投影域数据的第一输入数据集和包含在相对的成像角度(即θ+π)下获得的投影域数据的另外的输入数据集作为输入,该相对的成像角度与该组投影域数据的成像角度具有预定关系。
对于第三图像530,使用本发明的另一个实施例处理每组投影域数据。具体地,每组投影域数据由机器学习方法处理,该机器学习方法接收包含在该组投影域数据的成像角度(即θ)下获得的投影域数据的第一输入数据集以及包含在与角度θ相等地间隔的两个相应的另外的成像角度下(即在角度θ±Δθ下)的投影域数据的两个输入数据集作为输入。Δθ的值可以等于CT扫描仪在CT扫描过程中执行的最小角度变化。
如图5所示,与仅使用在期望的成像角度下获得的投影域数据相比,使用在不止一个成像角度下获得的投影域数据来处理在该投影域中的一些具体投影域数据,有利于改善去噪。这种效果在第二图像520中最为明显,该第二图像是使用在期望的角度和相对的角度下获得的投影域数据生成的。然而,在第三图像530中也看到对第一图像510的改进。
前面已经解释了由CT扫描仪生成的每个数据集如何可包含在投影体积的具体部分处的投影域数据。本公开已认识到,一个数据集的投影体积的一部分可至少与另一个数据集的投影体积的一部分局部重叠。
为了改善机器学习算法的性能,在优选示例中,一个或多个另外的输入数据集中的每一个的投影体积的一部分至少与第一输入数据集的投影体积局部重叠。换句话说,另外的输入数据集中的每一个的投影域数据可表示由第一输入数据集的投影域数据表示(即由第一输入数据集的投影域数据包含其信息)的投影体积部分的至少一部分。
由投影域数据的具体数据集表示的投影体积的一部分可以基于例如患者支撑件的平移和旋转门架的旋转容易地确定。
在一些示例中,在将第一输入数据集和一个或多个另外的输入数据集输入到机器学习算法中之前,可以对每个另外的输入数据集进行处理,以移除另外的输入数据集的投影域数据的与另外的输入数据集的投影域数据的投影体积的不与第一输入数据集的投影体积重叠的部分相对应的任何部分。
作为一个示例,投影域数据的不与投影体积的与第一输入数据集的投影体积重叠的部分相对应的部分可被“归零”,即经历零填充。对于技术人员来说,其他方法也是明显的,例如用1而不是0替换数值。
对于每一个另外的输入数据集,可以基于投影域数据集的元数据,例如识别成像角度中的差异和/或患者支撑件沿Z轴的位置变化(即患者支撑件的平移)的数据,来识别该另外的数据集的投影域数据的表示投影体积的与第一输入数据集的投影体积的一部分重叠的一部分的部分。
图6示出了处理由CT扫描仪生成的投影域数据的计算机实现的方法600。方法600可以由比如图1中的处理装置119的设备执行。
该方法包括获得第一输入数据集605的步骤610,该第一输入数据集包含由CT扫描仪在期望的成像角度下生成的投影域数据。CT扫描仪被配置成在扫描操作期间在关于检查区域的不同成像角度下生成投影域数据。前面已经参照图1描述了合适的CT扫描仪的示例,但对于技术人员来说,其他示例也是明显的。
方法600还包括获得一个或多个另外的输入数据集607的步骤620,每个另外的输入数据集包含由CT扫描仪在相应的一个或多个另外的成像角度下生成的投影域数据,其中期望的成像角度与每个相应的另外的成像角度之间的差值是预定的。
另外的输入数据集的示例已在前面描述,且可在方法600中使用。
方法600还包括将第一输入数据集和一个或多个另外的输入数据集输入到机器学习算法中的步骤630。机器学习算法被配置成处理第一输入数据集和一个或多个另外的输入数据集,以生成不同于第一输入数据集的输出数据集,该输出数据集包含在关于检查区域的期望的成像角度下的投影域数据。
方法600还包括处理第一输入数据集和另外的输入数据集以生成输出数据集的步骤640。
在本发明的一些实施例中,方法600还包括输出输出数据集的步骤650,即从处理装置输出输出数据集。输出数据集可以例如提供给重建装置,例如用于根据输出数据集的投影域数据重建一个或多个图像,和/或提供给存储器,例如用于存储投影域数据以供以后处理。对于技术人员来说,用于投影域数据的其他方法和目的也是明显的。
步骤630、640和650形成生成和输出投影域数据的整体过程。
通过进一步的示例,图7示出了设备70或处理装置的示例,其中可以使用实施例的一个或多个部分。上文讨论的各种操作可利用设备70的能力。例如,用于利用CNN处理图像的系统的一个或多个部分可被并入本文讨论的任何元件、模块、应用程序和/或部件中。在这方面,应理解的是,系统功能模块可以在单个计算机上运行,或可以分布在多个计算机和位置(例如通过互联网连接)上。
设备70包括但不限于以下中的至少一种:处理器、PC、工作站、笔记本电脑、PDA、掌上设备、服务器、存储装置、云计算设备和分布式处理系统。一般来说,就硬件架构而言,设备70可包括一个或多个处理电路71、存储器72和一个或多个I/O设备73,它们通过本地接口通信联接。本地接口可以是(例如但不限于)一个或多个总线或其他有线或无线连接,这在本领域是已知的。本地接口可具有附加元件,如控制器、缓冲器(缓存)、驱动器、中继器和接收器,以能够实现通信。此外,本地接口还可包括地址、控制和/或数据连接,以能够实现上述部件之间的适当通信。
处理电路71是用于执行可被存储在存储器72中的软件的硬件设备。处理电路71几乎可以是任何定制的或市售的处理电路、中央处理单元(CPU)、数字信号处理电路(DSP)或与设备70相关联的多种处理装置中的辅助处理电路,且处理电路71可以是微芯片形式的基于半导体的微处理电路。
存储器72可包括易失性存储器元件(例如随机存取存储器(RAM),如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等)和非易失性存储器元件(例如ROM、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁带、光盘只读存储器(CD-ROM)、磁盘、软盘、盒带或类似物等等)中的任一种或组合。此外,存储器72还可包含电子、磁性、光学和/或其他类型的存储介质。存储器72可具有分布式架构,其中各个部件被设置成彼此相距遥远,但可以被处理电路71访问。
存储器72中的软件可包含一个或多个单独的程序,每个程序包含用于实现逻辑功能的可执行指令的有序列表。根据示例性实施例,存储器72中的软件包括合适的操作系统(O/S)75、编译器74、源代码73和一个或多个应用程序76。如图所示,应用程序76包含用于实施示例性实施例的功能和操作的多个功能组件。根据示例性实施例,设备70的应用程序76可表示各种应用程序、计算单元、逻辑、功能单元、过程、操作、虚拟实体和/或模块,但应用程序76并不意味着是限制。
O/S 75控制其他计算机程序的执行,并提供调度、输入输出控制、文件和数据管理、内存管理、通信控制和相关服务。本发明人设想到用于实施示例性实施例的应用程序76可适用于所有市售操作系统上。
应用程序76可以是源程序、可执行程序(目标代码)、脚本或任何其他包含待执行的一组指令的实体(entity)。在是源程序时,则通常会通过编译器(如编译器74、汇编器、解释器等)对程序进行翻译,该编译器可被包含在存储器72中,或可不包含在存储器72中,以便与O/S 75一起正常运行。此外,应用程序76可被编写成具有数据和方法类的面向对象的编程语言,或具有例程、子例程和/或函数的过程编程语言,例如但不限于C、C++、C#、Pascal、BASIC、API调用、HTML、XHTML、XML、ASP脚本、JavaScript、FORTRAN、COBOL、Perl、Java、ADA、.NET等。
I/O设备73可包括输入设备,例如但不限于鼠标、键盘、扫描仪、麦克风、摄像头等。此外,I/O设备73还可包括输出设备,例如但不限于打印机、显示器等。最后,I/O设备73还可包括连通输入和输出两者的设备,例如但不限于用于访问远程设备、其他文件、设备、系统或网络的调制器/解调器、射频(RF)或其他收发器、电话接口、网桥、路由器等。I/O设备73还包括用于通过各种网络(如互联网或内部网)进行通信的部件。
如果设备70是PC、工作站、智能设备或类似设备,存储器72中的软件还可包含基本输入输出系统(BIOS)。BIOS是一套基本的软件例程,其在启动时初始化和测试硬件、启动O/S 75并支持硬件设备之间的数据传输。BIOS存储在某种类型的只读存储器中,如ROM、PROM、EPROM、EEPROM或类似存储器,使得BIOS在设备70被激活时执行。
当设备70处于运行中时,处理电路71被配置成执行存储在存储器72中的软件/可执行指令、向和从存储器72传送数据以及根据软件/可执行指令在总体上控制设备70的操作。应用程序76和O/S 75被处理电路71全部或部分地读取,在可能的情况下在处理电路71中缓冲,然后执行。
当应用程序76以软件形式实施时,应注意的是,应用程序76几乎可以存储在任何计算机可读介质上,以供任何计算机相关系统或方法使用或与之相关地使用。在本文的情形中,计算机可读介质可以是可包含或存储计算机程序的电子、磁性、光学或其他物理设备或装置,以供计算机相关系统或方法使用或与之相关地使用。
应用程序76可以体现在任何计算机可读介质中,以供指令执行系统、装置或设备使用或与之相关地使用,如基于计算机的系统、包含处理电路的系统或其他系统,这些系统可以从指令执行系统、装置或设备获取指令并执行指令。在本文的情形中,“计算机可读介质”可以是可存储、传送、传播或传输程序以供指令执行系统、装置或设备使用或与之相关地使用的任何装置。例如,计算机可读介质可以是但不限于电子、磁性、光学、电磁、红外或半导体系统、装置、设备或传播介质。
在本公开的情形中,I/O设备73可被配置成接收来自医疗成像设备100的输入数据集。在另一个示例中,输入数据集是从存储装置或单元(未示出)中获得的。
I/O设备73可被配置成向用户界面111提供输出数据集。用户界面111可被配置成提供输出数据集的可视化表示,例如显示与包含在输出数据集内的医学成像数据相对应的一个图像(或多个图像)。
技术人员将能够容易地开发出具有用于执行本文所述的任何方法的处理电路的设备。因此,流程图中的每个步骤可表示由设备的处理电路执行的不同操作,并可由设备的处理电路的相应模块执行。
因此,实施例可使用一种设备。该设备可利用软件和/或硬件以多种方式实施,以执行所需的各种功能。处理器是使用一个或多个微处理器的设备的一个示例,该一个或多个微处理器可使用软件(如微码)被编程以执行所需的功能。然而,设备可在采用或不采用处理器的情况下实施,且还可被实施为执行一些功能的专用硬件和执行其他功能的处理器(例如,一个或多个经编程的微处理器及相关电路)的组合。
在本公开的各种实施例中可使用的设备部件的示例包括但不限于传统的微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实施方式中,处理器或设备可与一个或多个存储介质相关联,如易失性和非易失性计算机存储器,如RAM、PROM、EPROM和EEPROM。存储介质可被编码有一个或多个程序,该一个或多个程序被在处理电路上执行时执行所需的功能。各种存储介质可固定在处理器或设备中,或者可以是可传输的,使得存储在其上的一个或多个程序可被加载到处理器或设备中。
应理解的是,所公开的方法是计算机实现的方法。因此,还提出了计算机程序的构思,该计算机程序包含在所述程序于包含处理电路的设备(如计算机)上运行时用于实现任何所述的方法的代码模块。因此,根据一个实施例的计算机程序的不同部分、行或代码块可由设备或计算机执行,以执行本文所述的任何方法。在一些替代性实施方式中,框图或流程图中的功能可以不按附图中的顺序出现。例如,相继显示的两个块实际上可以基本上同时执行,或者根据所包含的功能,这些块有时可以以相反的顺序执行。
通过对附图、本公开和所附权利要求的研究,本领域技术人员在实施所要求保护的本发明时可理解并实现所公开的实施例的各种变化。在权利要求中,术语“包括”并不排除其他要素或步骤,不定冠词“一”或“一个”也不排除多个。单个处理器或其他单元可实现权利要求中记载的多项的功能。在相互不同的从属权利要求中记载了一定的措施,但这一事实并不表示这些措施的组合不能发挥优势。如果上面讨论了计算机程序,则其可存储/发布在合适的介质上(例如与其他硬件一起提供或作为其一部分提供的光存储介质或固态介质),但也可以以其他形式发布,例如通过互联网或其他有线或无线电信系统。如果在权利要求或描述中使用了术语“适于”,则应注意的是该术语“适于”旨在等同于术语“被配置为”。权利要求中的任何附图标记不应被理解为对范围的限制。
- 计算机断层扫描仪和借助于其产生图像的方法
- 计算机断层扫描仪和借助于其产生图像的方法