生成训练数据的方法

技术领域

本发明涉及一种用于生成训练数据以训练用来估计X光成像系统的成像设备的定位偏差的算法的计算机执行的方法。此外，本发明还涉及一种相应的计算机执行的方法，其用于训练用来估计X光成像系统的成像设备的定位偏差的算法；一种用于X光成像的方法；一种数据处理设备和计算机程序产品。

背景技术

在X光图像生成中，当X光成像系统的成像设备、也即成像部件(例如X光源或X光辐射器和X光探测器)相对于待成像物体的定位出现偏差时，会降低诊断数据的可达到的分辨率和/或会形成造成干扰的伪影。

这在建立并进一步处理多个X光图像、尤其二维X光图像中、例如在减法图像计算中是尤为重要的，其中，在具有和不具有造影剂使用的情况下生成多个图片并将其相互清算。在此，在各个图像中定位的偏差会导致伪影和模糊或者说降低的分辨率。而且在用于三维图片重建的方法(其中在成像设备相对于待成像物体的不同位置处生成多个二维X光图像并随后为了三维重建而相互组合)中，当成像设备的实际轨迹与额定轨迹存在偏差时，会形成模糊和干扰伪影。

所述偏差可能归咎于例如X光成像系统的运动轴线的误差或游隙，或者归咎于在达到位置后的晃动，或者甚至归咎于物体的运动等。

为了克服这种问题，在相应敏感的用于X光成像的方法中使用具有极高强度的台座和具有极低误差的驱动部件或导引系统，以便实现高定位准确度。这导致的结果在于，台座在制造中非常复杂且昂贵并且具有极高重量。

基本上、然而尤其当这种台座不应被使用时，就有必要能够尽可能准确地估计出已形成的定位偏差，以便在图片重建中能够对此加以考虑。

发明内容

本发明所要解决的技术问题在于，能够以尽可能高的准确度估计X光成像系统的成像设备的定位偏差。

该技术问题通过独立权利要求的技术方案解决。有利的扩展设计和优选实施方式是从属权利要求的技术方案。

本发明所基于的思路在于，提供训练数据，利用所述训练数据能够训练用于估计X光成像系统的成像设备的定位偏差的算法。为此，生成带注释的训练数据集，所述训练数据集包含两个或更多个模拟的X光图像，所述X光图像根据与额定定位数据具有预定定位偏差的干扰定位数据模拟而成。定位偏差用作模拟X光图像的注释。由此生成的训练数据能够用于训练相应的算法，并且经训练的算法可以在实际生成X光图像中用于定位偏差的估计。

根据本发明的一个方面，规定了一种计算机执行的方法，其用于训练用来估计X光成像系统的成像设备的定位偏差的算法。在此，预先规定了用于成像设备的额定定位数据，并且根据上述额定定位数据计算干扰定位数据，所述干扰定位数据与额定定位数据具有至少一个预定的定位偏差。模拟成像方法，以便生成两个或更多个模拟的X光图像、尤其二维的X光图像，其中，根据干扰定位数据模拟成像设备的定位。生成并存储带注释的训练数据集。带注释的训练数据集包含两个或更多个模拟的X光图像，并且包含至少一个定位偏差作为两个或更多个模拟的X光图像的注释。

只要未另作说明，所述计算机执行的方法的所有步骤都可以通过至少一个计算单元实施，所述计算单元也可以被称作数据处理设备。所述数据处理设备尤其包括至少一个处理电路，其设计或者适合用于实施计算机执行的方法的步骤。为此，在数据处理设备中尤其可以存储计算机程序，所述计算机程序包括指令，所述指令在通过数据处理设备、尤其至少一个处理电路实施时允许数据处理设备实施所述计算机执行的方法。

成像设备尤其包括X光探测器或X光传感器以及X光辐射源或X光辐射器。例如X光辐射源相对于X光探测器是固定的，因此在成像设备的定位变化中，X光探测器相对于X光辐射源的位置和定向不发生改变。例如成像设备可以固定在支架或者说台座上，所述台座可以被称作机器人台座，并且成像设备能够相对于待成像物体参照一个或多个平移和/或旋转自由度、也称作运动轴、尤其平移轴或旋转轴运动并定位。台座可以是移动式的台座或可安装在壁或壳体盖上的台座。例如可以涉及C形臂台座。

X光成像设备也可以包括病床或手术台等，患者或其他待成像物体能够安置在所述病床或手术台上。

X光成像设备可以尤其包括驱动设备，以便控制台座的不同的运动轴，并且由此使成像设备相应地在参比坐标系中运动并定位。参比坐标系可以例如与病床或手术台或者与台座所处的地面固定地关联。只要未另作说明，成像设备的位置或定位尤其可以始终被理解为在参比坐标系中、也即例如相对于病床的位置或定位。

在此并在以下将“定位”的概念理解为：其并非仅仅是指狭义上的位置，而且还涉及定向或位置和定向的组合，也就是说成像设备在参比坐标系中的姿态或方位。也就是说定位可以被理解为位置和/或定向的设置。定位数据可以例如包括台座的各个运动轴的位置。在不同的实施方式中，X光成像系统可以具有另外的用于病床的驱动设备。由此可以与台座的定位无关地影响病床的位置和/或定向。由此还可以影响成像设备的定位。

通过表明台座的所有运动轴和(如果存在的话)病床的运动轴的相应的轴位置，可以单义地确定成像设备的定位，其中，这并不排除轴位置的不同组合能够导致成像设备的同一定位。

例如用于X光成像系统的每个运动轴的额定定位数据可以包括用于相应轴位置的相应的额定值。所述额定值可以在两个或更多个时刻给出，其中，两个或更多个模拟的X光图像中的每个都与两个或更多个时刻中的一个相匹配。在真实的X光成像中会针对两个或更多个时刻中的每一个都拍摄相应的X光图像。当不同时刻的额定值相互不同时，这可以理解为在通过各个轴的轴位置形成的空间中、必要情况下多维空间中的轨迹。然而作为备选，额定定位数据也可以直接包含成像设备在参比坐标系中的位置和/或定向。

相应地，至少一个定位偏差包含例如有关X光成像系统的一个或多个轴位置与一个或多个时刻的相应额定值或相应额定位置的偏差，额定定位数据针对所述一个或多个时刻给出。作为备选，通过至少一个预定的定位偏差必要时还可以直接表明成像设备在参比坐标系中的定向和/或位置的偏差。

“预定了额定定位数据”可以被理解为例如额定定位数据以计算机可读的形式存储在X光成像系统中的数据载体中。至少一个定位偏差同样可以预先存储或根据预定规则在实施所述方法时被确定。预定的偏差可以例如随机地或以统计方式或根据预定的统计学分布被确定，从而使定位偏差的实际值不必一定是事先已知的，只要用于确定所述至少一个定位偏差的规则是已知且预定的即可。

也就是说额定定位数据针对两个或更多个时刻分别定义了成像设备的额定定位。根据应用场景的不同，额定定位可以在不同时刻是相互不同的，例如当额定定位数据描述轨迹以实现三维图片重建时，或者也可以不是相互不同的，例如当应在同一额定定位生成不同的X光图像，例如用于减法血管造影。

通过类似方式，针对两个或更多个时刻的每一个的干扰的定位数据定义成像设备的定位。通过干扰的定位数据所定义的定位可以与额定定位部分匹配。然而至少针对由干扰的定位数据所定义的定位中的某一个存在与相同时刻的相应额定定位的偏差，该偏差通过至少一个预定的定位偏差确定。作为备选或补充，该偏差也可以通过两个或更多个时刻之间的时间偏差给出。

为模拟成像方法，为两个或更多个时刻中的每一个生成模拟的X光图像，从而形成两个或更多个模拟的X光图像。为此，针对两个或更多个时刻中的每一个都认为，成像设备根据相应的通过干扰定位数据所定义的定位相对于测试物体、尤其虚拟的测试物体进行定位。虚拟的测试物体在此尤其通过衰减系数、尤其X光射线衰减系数的空间分布定义。

此外，还可以预定X光剂量或X光射线形状或剂量曲线或射线形状的曲线。此外，还可以规定光学系统、尤其射线导引光学系统等的其他性质。根据这些数据和假设则可以模拟或计算出测试物体的X光图像在给定条件下、尤其在相应的定位中表现如何。通过该方式生成两个或更多个模拟的X光图像。此外，模拟也可以基于已知的辐射光学模型或X光成像模型。也就是说模拟尤其可以包括机械、驱动技术和X光成像的联合模拟。

两个或更多个模拟的X光图像与为生成所述模拟的X光图像所使用的相应的干扰定位数据相结合，能够作为带注释的训练数据集被用于训练可借助机器学习训练的算法。所述用于生成带注释的训练数据集的步骤可以例如多次重复，其中，至少一个预定的定位偏差在每次重复时改变。通过该方式能够生成大量带注释的训练数据集，所述训练数据集则能够用于算法的相应训练。

作为在不同重复中改变至少一个定位偏差的备选或补充，还可以在不同的重复中改变额定定位数据。

用于估计定位偏差的算法可以通过多样的方式执行。在此始终都涉及依据训练数据或者带注释的训练数据集根据本身已知的用于机器学习的方法被训练的算法，该方法基于带注释的训练数据工作。为此，可以例如基于模拟的X光图像借助所述算法预测定位偏差，并且该预测与训练数据集的注释、也即预定的定位偏差相结算，以便计算或评估错误函数或成本函数等。据此能够调整并由此训练算法。

例如该算法包括一个或多个人工神经网络、例如折叠人工神经网络，CNN(英文：“卷积神经网络”)。已知的是，神经网络、尤其CNN非常适合且非常高效地用于二维成像、也即X光图像的固有参数或特征的预测。还可行的是，使用递归神经网络RNN，例如LSTM(“长短期记忆”)，以便能够利用训练数据集中的两个或更多个X光图像的时间标记来进行预测。然而算法的架构并不是本发明的主题。

通过例如多次应用根据本发明的计算机执行的用于生成训练数据的方法，提供了一种训练定位偏差、特别是成像设备的定位或路径引导中的不精确性的方法。

由此，能够因此在生成X光图像、特别是二维X光图像时考虑这种定位偏差，并且可以校正这些X光图像。校正的X光图像能够清算，例如用于三维的图片重建或用于减法成像，从而能够减少在最终结果中的伪影或模糊或者说降低的分辨率。作为备选或补充，还可以直接在图片重建中考虑所述偏差。

由此可行的是，降低对X光成像系统、尤其台座的定位准确性和轨道忠实度的要求。由此能够尤其使用具有较小重量或较低刚度的台座，而不会明显损害X光成像的最终结果的品质。作为备选，在使用更高刚度和更重的台座时，进一步降低在最终结果中的伪影和模糊。

根据计算机执行的方法的至少一个实施方式，额定定位数据确定了用于成像设备的额定轨迹，并且干扰的定位数据确定了用于成像设备的干扰的轨迹。

换言之，针对两个或更多个时刻的额定定位在额定定位数据方面是不同的。成像设备的定位的模拟也就相当于沿被干扰的轨迹的运动的模拟。在此，该轨迹可以尤其在X光成像系统的所有运动轴的空间中或在参比坐标系中给出。

这种实施方式尤其有利于在三维图片重建等中估计定位偏差。

例如额定轨迹为成像设备的额定定位设定了额定时刻，并且干扰轨迹为成像设备的额定定位设定了干扰时刻，所述干扰时刻与额定时刻相差的与至少一个定位偏差相应。

换言之，定位偏差不仅能够定义为额定定位的偏差，而是如在相应的实施方式中那样定义为相应的时刻的偏差。由此考虑的情形在于，鉴于公差或干扰等，成像设备从一个定位至下一个定位的运动比预定的更迅速或不太快地进行。这种定位偏差能够通过训练数据被相应考虑。

根据至少一种实施方式，针对根据额定定位数据的两个或更多个模拟X光图像的第一模拟X光图像的成像设备的第一额定定位与针对根据额定定位数据的两个或更多个模拟X光图像的第二模拟X光图像的成像设备的第二额定定位是不同的。区别尤其通过额定相对姿态给出。针对根据干扰定位数据的第一模拟X光图像的成像设备的第一干扰定位与针对干扰定位数据的第二模拟X光图像的成像设备的第二干扰定位的区别相应于与额定相对姿态不同的干扰相对姿态。

通过第一额定定位和第二额定定位分别定义了成像设备的额定姿态。参照根据第二额定定位的额定姿态，通过根据第一额定定位的额定姿态给出所述额定相对姿态，并且反之亦然。

相应内容也类似地适用于干扰的相对姿态。在此，干扰的相对姿态尤其根据至少一个预定的定位偏差与额定相对姿态相偏离。

也即在这种实施方式中，例如成像设备为生成第一和第二X光图像的额定位置之间的区别不同于在根据干扰定位数据的位置中的相应的区别。作为备选或补充，相应的区别也可以在定向中给出。

这种偏差可以例如通过X光成像系统的各个轴的偏差(也称为轴间隙或游隙)或台座的晃动引起。而且这种定位偏差尤其对于3D重建是重要的。

根据至少一种实施方式，针对根据额定定位数据的两个或更多个模拟X光图像的第三模拟X光图像的成像设备的第三额定定位与针对根据额定定位数据的两个或更多个模拟X光图像的第四模拟X光图像的成像设备的第四额定定位一致。针对根据干扰定位数据的第三模拟X光图像的成像设备的第三干扰定位与针对根据干扰定位数据的第四模拟X光图像的成像设备的第四干扰定位是不同的。

换言之，针对第三和第四X光图像的定位应该是相同的，例如以便将其例如在减法重建或减法评估范围内相互清算。然而，干扰定位数据则具有偏差。

而且这种定位偏差可以通过轴的公差或台座的晃动引起。

根据至少一种实施方式，根据预定模型、例如预定统计模型针对成像设备的定位确定至少一个定位偏差。

通过该方式，基于在预定的公差范围的预期分布的实际的定位偏差等能够作为生成训练数据的基础，由此能够改进对算法的训练。

例如成像设备的定位通过X光成像系统的运动轴的各个轴位置设定。该模型包含针对其中一个运动轴的符合预定的轴间隙的统计学位置分布。至少一个定位偏差根据统计学的位置分布确定。

相应地，至少一个定位偏差随机地根据定位分布确定，以便由此真实再现或考虑X光成像系统的运动轴的轴间隙。

定位分布可以例如通过具有根据相应轴间隙的预定宽度的高斯分布给出。由此能够模拟出对定位偏差简单但却现实的估计。

根据至少一种实施方式，干扰定位数据的计算、成像方法的模拟和带注释训练数据集的生成和存储被多次重复，其中，在每次重复时至少一个定位偏差根据统计学位置分布被重新确定。

通过该方式，生成的训练数据包括根据不同的统计学重要的定位偏差的大量带注释的训练数据集。

根据至少一种实施方式，模型包括针对两个或更多个运动轴的第二轴的减幅震荡特性，并且至少一个定位偏差至少部分通过该减幅震荡特性确定。

在此，该减幅震荡特性可以尤其描述在朝向目标定位的定位改变之后，实际的定位如何围绕目标定位震荡。尤其可以将震荡的振幅或衰减特性包含在减幅震荡特性中。通过该方式通常能够真实估计预期的定位偏差。

根据至少一种实施方式，预定了额定剂量数据，并且根据额定剂量数据计算干扰剂量数据，所述干扰剂量数据与额定剂量数据相差至少一个剂量偏差。在模拟成像方法时，根据干扰剂量数据模拟X光辐射的发射。带注释的训练数据集包括所述至少一个剂量偏差作为两个或更多个模拟X光图像的另外的注释。

通过该方式，通过训练数据不仅能够考虑定位偏差，而且还能够考虑在生成X光图像时所使用的X光辐射剂量的剂量波动，并且训练相应用于预测定位偏差以及剂量波动的算法，并且在训练后相应地使用该算法。

通过将对剂量波动和定位偏差的预测相结合，能够进一步有效地补偿或避免伪影和模糊。

根据至少一种实施方式，至少一个剂量偏差根据预定的统计学剂量分布确定。

所述剂量分布也即相当于剂量围绕预定的剂量额定值的概率分布。该分部可以例如同样是预定宽度的高斯分布。

剂量分布也可以针对不同时刻并且相应地针对两个或更多个X光图像中不同的X光图像是不同的。

如在重复时改变至少一个定位偏差那样，也可以在改变至少一个剂量偏差的情况下重复相应的步骤，以便由此生成大量具有不同剂量偏差的相应的训练数据集。

根据本发明的另一个方面，规定了一种计算机执行的方法，其用于训练用来估计X光成像系统的成像设备的定位偏差的算法。在此，根据本发明的计算机执行的方法实施用于生成训练数据。通过在两个或更多个模拟X光图像上使用算法来预测至少一个定位偏差。该算法根据至少一个预测的定位偏差和带注释的训练数据集的至少一个定位偏差调整。

例如可以根据至少一个预测的定位偏差和至少一个定位偏差评估预定的成本函数，尤其是根据相应数值的差来评估。根据成本函数的评估结果，随后可以调整算法，以对其进行训练。

在一个或多个神经网络的情况下例如可以使用反向传播算法(英文：“BackPropagation Algorithm”)进行训练。可以针对不同的带注释的训练数据集重复相应的步骤，以便逐步改进对算法的训练，或者说逐步改进训练状态，直至实现预定的终止标准，并且该算法相应地得到充分训练。

根据本发明的另一方面提供一种用于X光成像的方法。在此，待成像物体的两个或更多个X光图像、尤其二维的X光图像借助X光成像系统生成，其中，根据预定的额定定位数据定位成像设备，尤其借助驱动设备和/或X光成像系统的其他驱动设备进行定位。通过算法在两个或更多个生成的X光图像上的应用来估计至少一个定位偏差，其中，按照根据本发明的计算机执行的方法训练所述算法，用于训练用来估计X光成像系统的成像设备的定位偏差的算法。两个或更多个生成的X光图像根据至少一个估计的定位偏差被校正。

校正的X光图像可以随后被有利地用于重建，例如用于三维X光图像重建或用于减法血管造影，其中，通过本发明减少或避免在重建成果中的伪影和/或模糊。

计算机执行的用于算法训练的方法的实施也可以是用于X光成像的方法的一部分。

按照根据本发明的用于X光成像的方法的至少一种实施方式，待成像物体的三维重建基于校正的两个或更多个X光图像生成，和/或待成像物体的至少一个减法血管造影成像基于校正的两个或更多个X光图像生成。

针对能够在所述方法中给定并且在此不作详细描述的应用场景或应用情况，可以规定，根据所述方法发出错误报告和/或用于输入用户反馈的请求，和/或调整标准设置和/或预定的初始状态。

根据本发明的另一个方面，给出带有至少一个处理电路的数据处理设备，所述处理电路适用于实施根据本发明的计算机执行的用于生成训练数据方法和/或实施根据本发明的计算机执行的用于训练算法的方法。数据处理设备例如相当于一个或多个计算单元。

计算单元尤其可以理解为包含处理电路的数据处理装置。计算单元尤其可以处理用于实施计算操作的数据。还包括用于实施对数据结构、例如查找表LUT(英文：“look-uptable”)的检索访问的操作。

计算单元能够尤其包括一个或多个计算机、一个或多个微处理器和/或一个或多个集成电路，例如一个或多个现场可编程门阵列FPGA和/或一个或多个单片机系统SOC(英文：“system on a chip”)的一个或多个专用集成电路ASIC(英文：“application-specificintegrated circuit”)。计算单元还可以包括一个或多个处理器，例如一个或多个微处理器、一个或多个中央处理单元CPU(英文：“central processing unit”)、一个或多个图形处理单元GPU(英文：“graphics processing unit”)和/或一个或多个信号处理器、尤其一个或多个数字信号处理器DSP。计算单元还可以包括计算机或其他所述单元的实体的或虚拟的复合体。

在不同的实施方式中，计算单元包括一个或多个硬件和/或软件接口和/或一个或多个存储器单元。

根据本发明的另一个方面提供了一种X光成像系统，其包括根据本发明的数据处理设备。X光成像系统具有成像设备、台座和如上所述的驱动设备。

借助根据本发明的X光成像系统，可以执行根据本发明的用于X光成像的方法。

根据本发明的另一方面提供一种具有指令的计算机程序。当借助数据处理设备、尤其根据本发明的数据处理设备执行所述指令时，所述指令允许数据处理设备实施根据本发明的计算机执行的用于生成训练数据的方法和/或实施根据本发明的计算机执行的用于训练用来估计定位偏差的算法的方法。

根据本发明的另一个方面提供了一种计算机可读的存储介质，其存储根据本发明的计算机程序。

根据本发明的计算机程序以及根据本发明的计算机可读的存储介质可以理解为具有指令的相应的计算机程序产品。

附图说明

在附图中：

图1示出根据本发明的X光成像系统和数据处理设备的示例性实施方式的示意图以及根据本发明的用于训练用来估计X光成像系统的成像设备的定位偏差的算法的方法的示例性实施方式的示意性流程图；

图2示出具有伪影的减法血管造影成像的示意图；和

图3示出另一减法血管造影成像的示意图。

具体实施方式

图1示出了X光成像系统1和数据处理设备14的示意图。

借助数据处理设备14，能够实施根据本发明的计算机执行的方法的一种示例性实施方式，所述方法用于训练用来估计X光成像系统1的成像设备的定位偏差的算法18，所述成像设备具有例如X光源3和X光探测器2。具有所述方法的步骤S1至S5的示意性流程图同样示出在图1中，其中，步骤S1至S3表示根据本发明的计算机执行的用于生成训练数据的方法的示例性实施方式，该训练数据用于训练算法18。

图1中示例性示出X光成像系统1，其作为具有病床9的天花板安装的C形臂设备。然而本发明并不局限于X光成像系统1的这种设计方式。

X光成像系统1的台座具有例如主臂7，该主臂能够固定在天花板8上，在一些实施方式中是可以旋转的。那么主臂7并且进而整个台座能够例如围绕垂直于天花板8的轴线旋转。中间臂6通过可旋转的连接固定在主臂7上。C形臂4通过滑块5固定在中间臂6上。在C形臂4上还固定有X光源3和X光探测器2。

当主臂7旋转时，整个台座尤其、尤其C形臂4被带动旋转。C形臂4可以连同中间臂6围绕另一轴线旋转，其中，所述主臂7保持固定。C形臂4通过滑块5固定在中间臂6上，滑块因此能够与C形臂4以及中间臂6的旋转运动无关地沿中间臂6滑动，从而使旋转形成另一轴线，该旋转也被称作C形臂4的轨道旋转运动。该C形臂的轨道旋转运动可以与中间臂6和/或主臂7的运动无关地实施。

台座的部件的每个运动都可以概括成X光成像系统1的相应运动轴的定位，通过所述定位能够实现X光源3和X光探测器2参照待成像物体、例如参照病床的定位。

根据计算机执行的用于生成训练数据的方法，针对成像设备预定了额定定位数据，并且在步骤S1中根据额定定位数据计算出干扰定位数据15，所述干扰定位数据与额定定位数据相差至少一个预定的定位偏差。为此，例如可以根据统计学定位分布、例如高斯分布针对一个或多个运动轴的相应的轴间隙设定偏差。

在步骤S2中模拟成像方法，以便生成两个或更多个模拟的X光图像16，其中，根据干扰定位数据15模拟成像设备的定位。在步骤S3中生成并存储带注释的训练数据集17，所述训练数据集包括两个或更多个模拟的X光图像16并且包括至少一个定位偏差作为两个或更多个X光图像16的注释。

步骤S1至S3可以例如多次重复，其中，在每次重复时都根据统计学定位分布重新确定至少一个定位偏差。由此会生成大量带注释的训练数据集17。

此外，还可以预定初始化的或者预训练的算法18，用于基于X光图像估计X光成像系统的成像设备的定位偏差。算法18包括尤其一个或多个人工神经网络、例如CNN。在步骤S4中在两个或更多个模拟的X光图像16上应用算法18，以便预测至少一个定位偏差。在步骤S5中，基于至少一个预测的定位偏差与至少一个作为注释包含在训练数据集17中的定位偏差之间的差值评估预定的成本函数，并且据此例如在神经网络的情况下通过反向传播调整算法18。步骤S4和S5同样能够针对不同的或所有的训练数据集17重复。

图2示意性示出已经基于两个X光图像生成的血管树11的减法血管造影图10’，其中，其中一个X光图像采用造影剂拍摄，并且其中一个X光图像未采用造影剂拍摄。由此，在合成的减法血管造影图10’中的血管树11特别清楚地凸显，其中，未被造影剂影响的区域被抑制。然而在减法血管造影图10’中，识别出骨骼结构12和导管13的轮廓。这可能归咎于在拍摄两个X光图像时的定位偏差。

为了避免或减少这一点，可以在已经借助X光成像系统1根据预定的额定定位数据所拍摄的两个或更多个X光图像中使用经训练的算法18。作为结果，确定估计的定位偏差。两个或更多个X光图像根据估计的定位偏差被校正，并且基于校正的X光图像生成另一如图3示意性示出的减法血管造影图10。在其中骨骼结构12和导管13的轮廓被抑制。

根据本发明，识别X光图像中作为干扰的图像伪影、例如血管造影中的骨架结构和低分辨率的区域或模糊区域，并且相应地校正X光图像。

在一些实施方式中，确定定位偏差的原因和/或定位偏差的程度，以便有针对性地校正X光图像。

为了根据本发明生成训练数据，基于对成像方法的模拟，无需实施真正的测量，从而能够减少患者和/或工作人员的辐射负担。在不同的实施方式中，所述模拟可以包括组合式的模拟或者X光成像系统的机械和驱动技术以及X光成像的联合模拟。