用于确定分解的谱图像数据的装置的制作方法

1.本发明涉及一种用于确定对象的分解的谱图像数据的装置、方法和计算机程序。


背景技术：

2.谱x射线成像是一种可以使用的成像技术，例如，在对于人体解剖结构和功能的良好表征而言是重要的应用中。在谱成像中，利用至少两种不同的辐射谱来采集对象的图像数据，例如，利用包括第一波长的x射线辐射和包括第二波长的x射线辐射。因此，谱图像数据包括在至少两个不同的辐射谱处采集的多个衰减值。该多个衰减值可以用于计算谱图像数据的基分解。基分解根据对象的每个部分(例如，每个体素)的至少两个不同辐射谱处的多个衰减值来确定至少两个基函数对对象的该部分中发现的材料的总体质量衰减系数的贡献。基函数的示例是描述康普顿散射效应和/或光电效应对辐射能量的依赖性的函数。基函数中的每个基函数对对象的部分的材料的质量衰减系数的贡献可以视为在质量衰减系数的数学表示中对基函数进行加权的权重。权重然后可以被视为分解的谱图像数据，并且可以以多种不同的方式组合以生成不同的谱图像，如康普顿散射图像、光电图像、单能量图像、虚拟非造影图像等。特别是，图像可以从在谱图像数据采集期间存在的造影剂与周围组织之间具有非常高的对比度的分解的谱图像数据导出。然而，在谱图像数据的分解过程期间，次优过程、图像采集不准确以及数值不准确都会导致谱图像数据的不准确分解。这样的不准确分解相对于造影剂尤其明显，并导致对造影剂在对象的感兴趣区域中的分布的不准确计算。由于对于临床应用来说造影剂的分布可以由用户(如医师)准确地确定是很重要的，这些不准确会妨碍谱图像数据的临床利用。


技术实现要素：

3.本发明的目的是提供一种允许以提高的准确度确定分解的谱图像数据的装置、方法和计算机程序。
4.在本发明的第一方面中，提出了一种用于确定对象的分解的谱图像数据的装置，其中，所述装置包括：a)谱图像数据提供单元，其被配置为提供已经注射有造影剂的所述对象的谱图像数据，其中，所述对象的所述谱图像数据已经使用谱x射线成像装置采集；b)谱图像数据分解单元，其被配置为计算针对所述谱图像数据的基分解，其中，所述基分解得到分解的谱图像数据，其中，所述分解的谱图像数据指示被提供给所述谱图像数据的至少两个基函数的权重；c)虚拟非造影图像生成单元，其被配置为基于所述分解的谱图像数据来生成虚拟非造影图像，其中，造影剂贡献被从所述图像数据中去除；以及d)造影剂残留识别单元，其被配置为基于所述造影剂残留的预期结构特性来识别所述虚拟非造影图像中包括造影剂残留的残留区域，其中，所述造影剂残留是所述造影剂对由所述虚拟非造影图像的图像值表示的衰减的贡献，其中，所述谱图像数据分解单元被配置为：确定针对所述残留区域的残留量度，其中，所述残留测量指示所述残留区域的所述造影剂残留的强度，并且通过基于所述残留量度重新计算被提供给所述残留区域中的所述谱图像数据的所述基函数的
所述权重来计算所述残留区域中的新的基分解，使得所述造影剂残留得以减少。
5.由于造影剂残留识别单元适于基于造影剂残留的预期结构特性来识别所述虚拟非造影图像中包括造影剂残留的残留区域，可以考虑造影剂在对象的感兴趣区域中的预期分布的预先知识。这允许非常准确地确定包括造影剂残留的区域，其指示该区域中的谱图像数据的不准确分解。换句话说，由造影剂残留识别单元识别的所述造影剂残留的存在指示在所述区域中的谱图像数据的不准确分解。由于谱图像数据分解单元然后被配置为通过重新计算被提供给残留区域中的基函数的权重来计算残留区域中的新的基分解，使得减少造影剂残留，对谱图像数据的分解的校正基于非常精确确定的残留区域，使得校正可以聚焦在这些区域上，并且可以提高谱图像数据的分解的校正的准确度。因此，可以提供具有提高的准确度的分解的谱图像数据。
6.谱图像数据被采集的对象可以是任何可以用谱x射线成像装置成像的对象。优选地，对象是指医学应用中的患者，其中，患者可以是人或动物。在通过使用谱x射线成像装置采集谱图像数据之前，向对象注射造影剂。造影剂可以是可用于谱图像数据的预期医学应用的任何造影剂。在优选实施例中，造影剂是指碘基造影剂。然而，造影剂也可以是指钡基造影剂。
7.也可以视为谱图像数据提供者的谱图像数据提供单元被配置为提供对象的谱图像数据，特别是向谱图像数据分解单元提供谱图像数据。谱图像数据提供单元可以是存储单元，对象的谱图像数据被存储在所述存储单元中，并且可以从所述存储单元中检索谱图像数据以提供其。所述谱图像数据提供单元也可以是接收单元，所述接收单元用于接收所述对象的谱图像数据并且用于提供接收到的谱图像数据。谱图像数据可以例如直接从谱x射线成像装置接收或从谱x射线成像装置的存储设备接收。此外，所述谱图像数据提供单元还可以被视为包括谱x射线成像装置或作为谱x射线成像装置的部分。
8.例如，谱x射线成像装置可以基于双源技术、快速kv切换技术、光子计数探测器技术等。利用谱x射线成像装置采集的谱图像数据提供利用至少两个不同的辐射谱采集的对象的图像数据，并且因此指示对象的被成像部分关于至少两个不同的辐射谱的衰减。
9.也可以视为谱图像数据分解器的谱图像数据分解单元被配置为计算针对谱图像数据的基分解，以便提供分解的谱图像数据作为基分解的结果。在谱图像数据的基分解期间，至少两个不同的预定基函数对对象的部分(优选地，体素)的总体质量衰减系数的贡献以对总体质量衰减系数的数学表示中的基函数进行加权的权重的形式确定。权重取决于在对象的感兴趣区域的每个部分中所发现的材料，并且因此尤其是取决于该区域中的当前材料组成而在对象的不同部分之间不同。优选地，对于感兴趣区域的每个体素，每个基函数的权重由谱图像数据分解单元确定。所确定的权重形成分解的谱图像数据。基于分解的谱图像数据，可以通过利用分解的谱图像数据的不同组合导出多幅不同的图像。谱图像数据的分解和基于分解的谱图像数据的不同谱图像的生成的概述可以更详细地例如在n.rassouli等人的文章“detector-based spectral ct with a novel dual-layer technology:principles and applications”(insights into imaging，第8卷，第589-598页(2017年))中找到。
10.在优选实施例中，用于谱图像数据的分解的基函数至少指示定义衰减对康普顿散射效应的能量依赖性的函数和定义衰减对光电效应的能量依赖性的函数。然而，其他基函
数也可以替代地或额外地用于谱图像分解。例如，作为康普顿散射效应函数和光电效应函数的替代或补充，还可以使用指示衰减对材料的碘含量的能量依赖性的碘基函数和/或指示衰减对材料的水含量的能量依赖性的水基函数作为基函数。
11.也可以被视为虚拟非造影图像生成器的虚拟非造影图像生成单元被配置为基于分解的谱图像数据来生成虚拟非造影图像。特别地，虚拟非造影图像生成单元适于基于分解的谱图像数据的预定义组合来生成虚拟非造影图像。虚拟非造影图像是指以下图像：其中，去除了造影剂(诸如碘)对形成分解的谱图像的部分的基函数(诸如光电和康普顿散射分量)的贡献，并且通常不应该包括造影剂对由虚拟非造影图像的图像值表示的对象的部分的衰减的任何贡献。因此，可以认为虚拟非造影图像实质上是指将已经在不使用造影剂的情况下采集的x射线图像。用于根据分解的谱图像数据确定虚拟非造影图像的方法的详细描述可以例如在goshen等人的文章“an iodine-calcium separation analysis and virtually non-contrasted image generation obtained with single source dual energy mdct”(ieee nuclear science symposium conference record，第3868-3870页(2008年))中找到。所生成的虚拟非造影图像可以是基于由谱成像装置采集的谱图像数据的2d、3d或4d图像。通常，在下文中，在图像的背景下，术语体素被用于表示包括一个图像值的图像的图像元素。因此，例如，在2d图像的背景下，当引用像素时也使用了术语体素。因此，术语体素并不将对应的图像限制为3d图像表示。
12.可以被视为造影剂残留标识符的造影剂残留识别单元被配置为基于造影剂残留的预期结构特性识别虚拟非造影剂图像中包括造影剂残留的残留区域，其中，从中去除了总体造影剂贡献。由于根据虚拟非造影图像的一般原理，该图像不应该包括造影剂对由虚拟非造影图像的图像值所表示的衰减的任何贡献，包括这种贡献(即造影剂残留)的任何区域(即体素)指示在谱图像数据分解中可能的不准确性。利用对造影剂残留的至少一个预期结构特性的预先了解允许非常有效和准确地搜索包含造影剂残留的区域。可以用于确定残留区域的造影剂残留的预期结构特性可以涉及任何种类的结构特性，例如虚拟非造影图像中的造影剂残留的预期形状、造影剂残留的预期周围、造影剂残留的预期位置、造影剂残留的预期强度分布等。预期结构特性可以被确定，例如基于对造影剂在由谱x射线成像装置成像的对象的感兴趣区域中的预期分布的知识。此外，预期结构特性可以额外地或替代地相对于先前的情况，即先前的谱图像数据来确定，先前的情况涉及相似的情况，例如关于当前情况的相似的对象、相似的感兴趣区域、相似的医学指示、相似的造影剂等。预期结构特性可以例如基于所使用的造影剂进行预定义，或者可以由用户(如医师)选择，例如，通过向用户提供多个可能的结构特性，其中，用户然后可以选择他/她对于当前情况预期的结构特性。造影剂残留识别单元可以使用任何类型的滤波器、分割算法或形状确定算法来寻找虚拟非造影图像中的结构特性，并且因此寻找残留区域。
13.在优选实施例中，预期结构特性是指管状形状，并且造影剂残留识别单元适于通过对虚拟非造影图像应用血管性滤波器来识别残留区域。造影剂残留物的管状形状特别预期用于碘基造影剂，其用于强调感兴趣区域中的血管结构。然而，其他用于强调感兴趣区域中的血管结构的造影剂也能够导致造影剂残留的预期管状形状。对虚拟非造影图像应用血管性滤波器允许非常有效地识别虚拟非造影图像中包括管状形状的结构。由于虚拟非造影图像通常不应该详细示出脉管系统(因为总体造影剂贡献是从分解的谱图像数据的组合中
去除)，因此由血管性滤波器识别的管状形状可以被视为涉及造影剂残留。然而，在其他情况下，也可以使用其他的结构特性。例如，在造影剂特别地在癌症结节内找到的情况下，预期结构特性可以是指这样的癌症结节的预期形状，例如，基本上是圆形或椭圆形或者圆形或椭圆形的部分。然后，造影剂残留识别单元可以被配置为使用对应的滤波器或分割算法来找到与该形状对应的结构。
14.优选地，残留区域仅包括造影剂残留。然而，残留区域也可以包括围绕潜在造影剂残留的区的至少部分，例如，可以包括围绕潜在造影剂残留的一个或两个体素的边缘。
15.在实施例中，造影剂残留识别单元被配置为将基于机器学习的分类算法应用于虚拟非造影图像，以用于检测残留区域。优选地，基于机器学习的分类算法是指深度神经网络架构。基于机器学习的分类算法，特别是深度神经网络架构，如果在训练阶段正确地被训练，则特别适合于在图像中找到预定义的结构特性。针对训练阶段，可以向基于机器学习的分类算法提供多幅训练谱图像，特别是已经识别出造影剂残留的训练虚拟非造影图像。在训练谱图像中，造影剂残留可以例如由经验丰富的用户(如经验丰富的放射科医师)识别，或可以由任何其他已知的结构识别算法(例如血管性滤波器)识别。然后，包含识别的造影剂残留的残留区域可以与训练虚拟非造影图像一起提供给基于机器学习的分类算法。在训练阶段期间，基于机器学习的分类算法然后学习识别虚拟非造影图像中的造影剂残留。在训练之后，可以将基于机器学习的分类算法应用于新的虚拟非造影图像，即并非训练虚拟非造影图像的部分的虚拟非造影图像。基于机器学习的分类算法然后提供一个或多个残留区域作为结果。在该实施例中，可以认为通过选择训练数据将用于识别残留区域的结构特性并入到基于机器学习的分类算法中。
16.谱图像数据分解单元被配置为通过重新计算提供给残留区域中的谱图像数据的基函数的权重来计算残留区域中的新的基分解，使得减少造影剂残留。识别的造影剂残留的存在指示在残留区域中形成分解的谱图像的基函数的权重的不准确确定。因此，可以调整谱图像数据分解单元，以便减少造影剂残留，优选地，去除造影剂残留，以校正残留区域中的基函数的权重。谱图像数据分解单元可适于基于校正值来重新计算基分解。特别地，谱图像数据分解单元可以适于例如通过从基函数中的至少一个的权重添加或减去校正值来校正权重，并且然后根据分解原理来重新计算剩余基函数的权重，即，使得加权基函数产生残留区域的部分的质量衰减系数。该校正值可以是任意值或预定值。特别地，可以基于预期造影剂残留的知识和/或基于所利用的分解算法的知识来预先确定校正值。例如，如果使用分解算法和造影剂，针对其，已知该组合能够导致一些区域中的一个基函数的权重的高估，从而导致这些区域中的造影剂残留；则校正值可以根据该知识来选择，并且可以从相应基函数的权重中减去以用于重新计算基分解。
17.在优选实施例中，谱图像数据分解单元被配置为确定指示残留区域的造影剂残留的强度的残留区域的残留量度，并且基于所述残留量度来重新计算分解的谱图像数据。优选地，针对残留区域的每个部分(例如每个体素)确定残留量度，并且基于该部分的残留量度来确定每个部分的校正值。然后，谱图像数据分解单元优选地被配置为基于残留量度，例如基于指示校正值对残留量度的依赖性的数学函数来确定校正值。然后，例如，可以从基函数的权重中的至少一个中添加或减去校正值，以便重新计算基分解。在一些实施例中，可以将校正值确定为等于残留量度，使得残留量度直接用于校正基函数的权重。
18.优选地，该装置被配置为重新计算基分解，特别地，以迭代的方式校正残留区域的基函数的权重。特别地，在谱图像数据分解单元已经计算出新的基分解之后，谱图像数据分解单元适于将新的分解的谱图像数据再次提供给虚拟非造影图像生成单元。然后，虚拟非造影图像生成单元被配置为基于新的分解的谱图像数据来生成新的虚拟非造影图像。然后，该造影剂残留识别单元被配置为识别该残留区域是否仍然存在，其中，该谱图像数据分解单元然后再次重新计算针对该仍然存在的残留区域的基分解。例如，谱图像数据分解单元可适于再次向至少一个基函数的权重添加校正值或从至少一个基函数的权重中减去校正值。校正值可以与先前迭代步骤相同，或者可以针对每个迭代步骤进行确定，例如基于残留量度。特别地，在该实施例中，校正值可以是任意的小值，使得利用每个迭代步骤依次校正权重。此外，对新的基分解的计算以及基函数的权重的修改可以基于残留区域的图像值与在先前迭代步骤期间的残留区域的图像值之间的比较。例如，可以基于该差异来确定校正值。
19.如果满足预定停止准则，优选地，如果造影剂残留识别单元不再能够识别残留区域(指示从经校正的分解的谱图像数据中完全去除了造影剂残留)，则迭代可以停止。然而，也可以利用其他技术上合理的停止准则，例如，基于确定的校值。例如，如果残留量度低于预定阈值，则也可以停止迭代。此外，迭代还可以以半自动的方式利用，其中，在每个步骤中向用户呈现由分解的谱图像数据产生的图像，例如虚拟非造影图像，其中，用户然后可以决定是否可以停止迭代。
20.替代地，对于迭代方法，该装置还可以被配置为利用直接方法来校正残留区域中的基分解的权重，以确定新的基分解。在这种情况下，谱图像数据分解单元被配置为直接重新计算基分解，而无需进一步将得到的新的分解的谱图像数据再次提供给虚拟非造影图像生成单元。在下面中，优选的实施例被描述用于计算新的分解的谱图像数据，即用于计算新的基分解，其可以用作迭代方法的部分，但也可用作直接方法的部分。
21.在实施例中，所述谱图像数据分解单元被配置用于计算所述新的基分解以定义所述虚拟非造影图像中包含所述残留区域的残留区，其中，还基于定义的残留区来计算新的分解的谱图像数据。定义的残留区可以是指在残留区域周围定义并完全包含残留区域的具有预定形状的区。例如，残留区可以是指围绕残留区域的具有圆形、椭圆形或矩形的区。因此，残留区可能大于残留区域。以这种方式，残留区包含残留区域的(紧邻)周围，从而提供了关于残留区域的额外的背景。考虑到残留区以及因此关于残留区域的周围的信息，谱图像数据分解单元可以使用该额外的信息来计算新的基分解，特别是校正分解的谱图像数据。优选地，谱图像数据分解单元适于基于残留区来确定残留量度。例如，残留区的平均图像值可以用作完整残留区中的虚拟非造影图像的期望图像值，并且可以基于与残留区域中的图像值进行比较的期望图像值来确定残留量度。然后可以基于残留量度来确定校正值，然后可以相应地校正残留区中的权重。在示例中，残留区域的部分的残留量度可以被确定为指示这样的期望图像值与残留区域的该部分的实际图像值之间的差异。在这种情况下，优选的是，校正值被确定为等于残留量度。然而，也可以使用其他数学方法来重新计算权重，使得它们实质上涉及期望图像值。
22.在实施例中，所述谱图像数据分解单元被配置用于计算所述新的基分解以针对所述残留区来确定由所述残留区内的每个区域的图像值定义的直方图，并且基于所述直方图
来计算所述新的分解的谱图像数据。优选地，所述残留区内的区域是指残留区内的体素，使得直方图由残留区的每个体素的图像值定义。特别地，直方图表示分别在预定义的图像值分箱中包括图像值(即衰减值)的多个区域，特别地，体素。然后，谱图像数据分解单元可以被配置为基于直方图来确定强度量度和/或校正值。例如，体素的强度量度可以是指高于预定阈值的体素的图像值。特别地，谱图像数据分解单元可以适应于根据直方图来确定阈值，例如，基于直方图的曲率来确定阈值。优选地，确定阈值，使得直方图示出在阈值的区域中的体素量的急剧减少。然后，可以基于强度量度来确定校正值，例如，通过将具有高于阈值的图像值的体素与低于阈值的体素的图像值进行比较。
23.此外，谱图像数据分解单元优选地被配置为计算新的基分解，使得从直方图中去除所有高于阈值的图像值。优选地，针对包括高于阈值的图像值的区域修改分解的谱图像数据的权重，使得该图像值从一个基函数的权重转移到另一个基函数的权重。例如，如果基函数是指指示康普顿散射效应的函数和指示光电效应的函数，则直方图中高于阈值的体素的图像值从指示康普顿散射效应的函数的权重转移到指示光电效应的函数的权重。
24.在实施例中，所述谱图像数据分解单元被配置用于计算所述新的基分解以确定针对所述残留区的所述虚拟非造影图像中的相似区，其中，如果一个区中的所述虚拟非造影图像的图像特性与所述残留区中的所述图像特性相似，则所述区与所述残留区相似；并且以基于所述相似区与所述残留区的所述图像值的比较来计算所述新的分解的谱图像数据。优选地，所述谱图像数据分解单元被配置用于通过以下方式来计算新的基分解来确定相似区：通过经由应用预定义的距离范数将残留区的图像值与多个候选区的图像值进行比较并基于预定义的距离范数将最近的候选区确定为相似区。距离范数可以是，例如，l2范数，但也可以是任何其他合适的距离范数，如l1范数、互信息量度、总变异量度等。基于距离范数，在应用预定义的距离范数后将相似区确定为具有最小值(即最小距离)的候选区。特别地，应用距离范数的结果可以被视为残留区与候选区之间的相似度量度，并且可以基于该相似度量度来确定相似区。谱图像数据分解单元可以适于使用相似区作为当应用正确的分解图像数据时残留区应该如何的模型。因此，谱图像数据分解单元可以配置为计算新的基分解，使得残留区实质上对应于相似区，以便减少造影剂残留。例如，谱图像数据分解单元可适于基于在该相似区和在该残留区域中的该部分的图像值的比较来确定该残留区域的部分的校正值。然而，也可以考虑其他的可能性，例如，基于相似区的平均图像值来确定校正值，等。
25.在优选实施例中，所述谱图像数据分解单元被配置用于计算所述新的基分解以通过确定每个图像值与所述残留区的空间对应的图像值之间的差异来将所述相似区与所述残留区进行比较，并且基于所确定的差异来计算所述新的分解的图像数据。所确定的差异可以被确定为残留量度，其中，在这种情况下，优选的是，校正值被确定为等于残留量度。特别地，谱图像数据分解单元可以被配置为将确定的差异作为校正值添加到一个基函数的权重，并相应地重新计算其他基函数的权重。如果基函数是指指示康普顿散射效应的函数和指示光电效应的函数，则谱图像数据分解单元优选地适于从指示康普顿散射效应的函数的权重中去除差异，并将该差异添加到指示光电效应的函数的权重。
26.在实施例中，所述谱图像数据分解单元被配置用于计算所述新的基分解以确定针对所述残留区的多于一个相似区，并且确定所有确定的相似区的加权平均值，其中，将所述
残留区与所述相似区的所述加权平均值进行比较。特别地，相似区的加权平均值可以被定义为相似区。多于一个的相似区可以被确定为包括指示高于预定义的阈值的相似度的相似度量度的候选区。替代地，可以通过将预定义数量的候选区确定为相似区来确定多于一个的相似区，其中，所确定的候选区包括与所有其他候选区相比的最高相似度。加权平均的权重可以是预定权重，可以基于先前的相似情况(例如具有相同感兴趣区域的情况)自动选择，或者可以由用户选择和/或改变。然后，权重可以基于例如在谱图像数据的不同成像区域中的图像值的可靠性的知识。
27.在实施例中，谱图像数据分解单元被配置用于计算新的基分解以：将残留区域定义为缺失数据区域；使用图像修复算法来估计缺失数据区域中的信息；并且基于估计的信息计算残留量度。例如，如a.crinisi等人的文章“region filling and object removal by exemplar-based image inpainting”(ieee trans.image process.,(2004年))中公开的图像修复算法或者如r.yeh等人的文章“semantic image inpainting with perceptual and contextual losses”(ieee conf.on computer vision and pattern recognition,(2017年))中公开的基于深度学习的图像修复算法可以用于对虚拟非造影图像中的残留区域进行图像修复，其中，经图像修复的虚拟非造影图像可以用作计算新的基分解的基础，特别地，以校正残留区域中的基函数的权重。例如，可以确定权重，使得基于新的分解的谱图像数据生成的虚拟非造影图像与经图像修复的虚拟非造影图像实质上相似。为了实现这一点，该装置可以被配置为利用当新的虚拟非造影图像(即，基于最后迭代步骤的分解的谱图像数据生成的虚拟非造影图像)与经图像修复的虚拟非造影图像之间差异低于预定阈值时停止的迭代方法。额外地或替代地，残留量度可以基于经图像修复的虚拟非造影图像来确定，例如通过确定残留区域的图像值与对应部分的经图像修复的虚拟非造影图像的图像值之间的差异来确定。在这种情况下，优选的是，将校正值确定为等于残留量度。
28.在本发明的另一方面中，提出了一种用于确定对象的分解的谱图像数据的方法，其中，所述方法包括：a)提供已经注射有造影剂的所述对象的谱图像数据，其中，所述对象的所述谱图像数据已经使用谱x射线成像装置采集；b)计算针对所述谱图像数据的基分解，其中，所述基分解得到分解的谱图像数据，其中，所述分解的谱图像数据指示被提供给所述谱图像数据的至少两个基函数的权重；c)基于所述分解的谱图像数据的预定义组合来生成虚拟非造影图像，其中，造影剂贡献被从所述图像数据中去除；d)基于所述造影剂残留的预期结构特性来识别所述虚拟非造影图像中包括造影剂残留的残留区域，其中，所述造影剂残留是所述造影剂对由所述虚拟非造影图像的图像值表示的衰减的贡献；e)确定所述残留区域的残留量度，其中，所述残留量度指示所述残留区域的所述造影剂残留的强度；并且f)通过基于所述残留量度重新计算被提供给所述残留区域中的谱图像数据的基函数的权重来计算所述残留区域中的新的基分解，使得所述造影剂残留得以减少。
29.在本发明的另一方面中，提出了一种用于校正对象的分解的谱图像数据的计算机程序，其中，所述计算机程序包括程序代码模块，所述程序代码模块用于当由如上所述的装置运行计算机程序时使所述装置执行如上所述的方法的步骤。
30.应当理解，根据权利要求1所述的装置、根据权利要求14所述的方法和根据权利要求15所述的计算机程序具有相似和/或相同的优选实施例，特别是如从属权利要求中定义的。
31.应当理解，本发明的优选实施例也可以是从属权利要求或上述实施例与相应的独立权利要求的任何组合。
32.本发明的这些和其他方面将根据下文描述的实施例而显而易见，并且将参考下文描述的实施例得到阐述。
附图说明
33.在以下附图中：
34.图1示意性并且示例性地示出了包括用于确定对象的分解的谱图像数据的装置的谱成像系统的实施例，
35.图2示出了图示用于确定对象的分解的谱图像数据的方法的流程图，并且
36.图3和图4图示了基于分解的谱图像数据生成的图像的示例性结果。
具体实施方式
37.图1示意性并且示例性地示出了包括用于确定对象的分解的谱图像数据的装置的谱成像系统的实施例。在该实施例中，谱成像系统100包括谱成像单元120，例如，双能量x射线ct成像单元，以用于采集位于患者台122上的患者121的感兴趣区域的谱图像数据。在采集谱图像数据之前，向患者121注射了造影剂，例如，碘造影剂。谱成像系统100包括用于确定患者的分解的谱图像数据的装置110。
38.该装置110包括谱图像数据提供单元111、谱图像数据分解单元112、虚拟非造影图像生成单元113和造影剂残留识别单元114。此外，装置110可以包括输入单元115(如，鼠标和键盘)和/或显示单元116，例如，用于显示基于分解的谱图像数据生成的虚拟非造影图像或其他谱图像。
39.在该示例中，谱图像数据提供单元111被配置为接收由谱成像单元120获取的谱图像数据。谱图像数据提供单元111然后可以将谱图像数据提供给谱图像数据分解单元112以进行进一步处理。
40.谱图像数据分解单元112被配置为计算谱图像数据的基分解，其中，基分解产生分解的谱图像数据。分解的谱图像数据指示被提供给谱图像数据的至少两个基函数的权重。优选地，基函数之一指的是指示对材料的衰减的康普顿散射效应的函数，而第二基函数指示对材料的衰减的光电效应。在这种情况下，可以调整谱图像数据分解单元，例如，以遵循用于根据谱图像数据的基分解来计算分解的谱图像数据的以下原则。
41.谱或多能量ct成像得到至少两个不同辐射能量处采集的每个体素的至少两个衰减值，其中，每个体素的衰减值形成谱图像数据。谱图像数据可以用于确定对材料的衰减的贡献或不同的基函数。优选地，光电效应、康普顿散射效应和其他效应(例如，一个或多个k边缘的效应)对材料的质量衰减系数的贡献是在谱图像数据的基分解中确定的。得到的分解的谱图像数据允许重建虚拟单色图像、碘浓度图、虚拟非造影图像等，以及常规ct图像。
42.一种可能的基分解基于作为基函数的指示光电效应和康普顿散射效应的能量依赖性的函数的贡献。在这种情况下，材料的能量依赖性衰减可以通过以下方程在水中近似为对两个函数(即光电效应和康普顿散射效应的衰减曲线)的贡献的线性组合：
[0043][0044]
在权重和中找到光电效应和康普顿散射效应的贡献，其中，针对该示例，针对被成像对象的每个部分，特别是针对被成像对象的图像表示的每个体素i，的权重和形成分解的谱图像数据。分解的谱图像数据可以根据对应的谱图像数据来重建，例如，根据指示和的线积分l
p
和ls来重建。如果谱图像数据包含来自两个不同能量谱fh和f
l
(l＝低能量和h＝高能量)的衰减值，则可以通过以下公式从谱图像数据中获得线积分：
[0045][0046]
此处，p
h/l
指的是分别针对高和低能量谱的谱图像数据，针对对象的每个部分，e是能量并且项f
h/l
(e)是高和低谱的通量，其是通过对从上射束向探测器像素发射的通量和探测器响应进行建模获得的。这两个谱之间的差异可以产生于例如，管调制或两个探测器层。项l
p/s
是水中的光电和散射等效路径，并且是这两种机制的能量相关的衰减系数，即表示光电效应和康普顿散射效应的基函数。l
p
和ls可以通过将上述方程反转来求解，其相当于从p
l
和ph的域到pd和p
p
的域的映射函数：
[0047]
ps，p
p
＝d(p
l
，ph)
[0048]
此处，通过将pd和p
p
与固定标量衰减系数相乘从l
p/s
获得ps和p
p
，以便为了方便以后处理无量纲准备值。可以例如通过多项式函数或查找表来求解d(pl，ph)。可以由谱图像数据分解单元112利用的分解的谱图像数据的进一步细节可以在alvarez等人的文章“energy-selective reconstructions in x-ray computerized tomography.”，physics in medicine&biology 21.5(1976)中找到。该数学过程是示例，可以如何获得分解的谱图像数据。对于基函数的其他组合，也可以利用类似的原理。
[0049]
在实践中，分解过程通常是次优的，主要是由于在探测器处将通量的次优分离包括到高能和低能光子中以及分解函数d(p
l
，ph)的非线性等引起的。这导致了不准确的造影剂浓度估计，以及虚拟单色图像中的可见图像伪影，这可能会阻碍谱ct的临床应用。
[0050]
然后，虚拟非造影图像生成单元113被配置为基于分解的谱图像数据生成虚拟非造影图像，其中，从所述图像数据中去除了总体造影剂贡献。如果基函数至少包括指示衰减上的光电效应的函数和指示衰减上的康普顿效应的函数，则这两个函数的权重(即贡献)形成分解的谱图像数据的部分，并且可以以光电图像和康普顿散射图像的形式表示。虚拟非造影图像生成单元113可以被配置为例如通过去除造影剂对光电和康普顿散射图像的贡献，基于光电和康普顿散射图像，即基于分解的谱图像数据来生成虚拟非造影图像。从虚拟非造影图像生成单元113可以使用的分解的谱图像数据生成虚拟非造影图像的方法的详细描述可以例如在文章“an iodine-calcium separation analysis and virtually non-contrasted image generation obtained with single source dual energy mdct”(goshen等人，ieee nuclear science symposium conference record，第3868-3870页(2008))中找到。
[0051]
造影剂残留识别单元114然后被配置为基于造影剂残留的预期结构特性来识别虚拟非造影剂图像中包括潜在造影剂残留的残留区域。如果分解的谱图像数据的预定义组合(对于每个体素，对在对象的该部分中发现的材料的总质量衰减系数的至少两个基函数的
贡献)以对所述图像谱图像数据的较不准确分解来执行，则虚拟非造影图像将具有包括造影剂的剩余贡献的残留区域，所述剩余贡献通常应该在生成虚拟非造影图像时已经被去除。造影剂残留识别单元114可以被配置为向用户提供所应用的造影剂的选择，其中，然后基于所选的造影剂，可以预先确定预期结构特性。然而，造影剂残留识别单元114也可以适于向用户呈现不同的预期结构特性，其中，用户然后可以选择当前情况下的造影剂残留的最预期结构特性。在下面的示例中，假定造影剂是碘基造影剂，并且特别用于增强患者121的血管结构的可见性。然而，在其他示例中，造影剂可以是任何其他造影剂，并且可用于增强患者121的其他解剖结构。
[0052]
在优选的示例中，用于增强患者121的感兴趣区域内的血管结构的碘基造影剂残留最有可能导致具有管状形状的造影剂残留。在这种情况下，造影剂残留识别单元114可以被配置为对虚拟非造影图像应用血管性滤波器，使得能够识别包括管状结构的虚拟非造影图像的区域。这些识别的区域被认为是包括造影剂残留的残留区域。
[0053]
替代地，造影剂残留识别单元114可以配置为将基于机器学习的分类算法，优选是基于深度学习的分类算法用于虚拟非造影图像，以识别虚拟非造影图像中的残留区域。优选地，使用具有u-net形架构的神经网络。可以由造影剂残留识别单元114使用以识别残留区域的深度神经网络架构的示例可以文章“fully convolutional networks for semantic segmentation”(long等人，在proceedings of the ieee conference on computervision and pattern recognition，第3431-3440页(2015年)中)中找到。
[0054]
这种网络或血管性滤波器的结果可以是，例如，增强属于造影剂残留的虚拟非造影图像的体素的掩模。因此，基于对残留区域的识别，知晓包括造影剂残留的虚拟非造影图像的部分。
[0055]
基于残留区域，谱图像数据分解单元112被配置为通过重新计算至少在残留区域中提供给基函数的权重来计算至少针对残留区域的新的基分解，使得可以减少造影剂残留。在优选实施例中，谱图像数据分解单元112被配置为定义包含所述虚拟非造影图像中的残留区域的残留区。例如，谱图像数据分解单元112可以适于将围绕在残留区域周围的椭圆形、圆形、矩形或任意形状的区定义为残留区。因此，残留区可能大于残留区域。以这种方式，残留区包含残留区域的(紧邻)周围，从而提供关于残留区域的额外的背景。基于该定义的残留区，谱图像数据分解单元112优选适于基于残留区来确定指示残留区域的造影残留的强度的残留量度。残留量度也可以被认为指示残留区的材料分解的不准确水平。
[0056]
为了确定残留量度并且还为了减少或尽可能去除造影剂残留，谱图像数据分解单元112可以适于为残留区确定直方图。直方图被定义为为多个图像值分箱提供落入这些分箱中的残留区中的体素数，即，包括分别落入这些分箱中的图像值。然后，谱图像数据分解单元112可以适于利用图像值阈值来基于高于该阈值的图像值来确定残留量度。阈值可以预先确定，或者可以基于直方图来确定，使得高于阈值的图像值属于直方图的“右尾”。“右尾”指的是跟随直方图曲率在较高图像值的方向上的急剧下降的图像值。然后，可以为包括高于阈值的图像值的每个体素确定残留量度，使得去除这些体素的图像值。例如，残留量度可以等于在阈值之上找到的图像值。在这种情况下，包括高于阈值的图像值的每个体素的校正值可以被确定为等于残留量度，并且可以从指示康普顿散射效应的函数的权重转移到指示光电效应的函数的权重。
[0057]
替代地，谱图像数据分解单元112可以适于使新的基分解的计算基于相似区，即虚拟非造影图像中与残留区相似的区。在该实施例中，谱图像数据分解单元112被配置为搜索与不准确的残留区相似的区。然后，谱图像数据分解单元112被配置为将指示材料分解不准确水平的残留量度确定为残留区中的体素的图像值与类似区中的对应的体素的图像值之间的差异。
[0058]
例如，对于指示不准确的材料分解的给定残留区，谱图像数据分解单元112可以被配置为通过使用l2范数作为区之间的距离量度从根据虚拟非造影图像采样的一组候选区中找到最相似的区：
[0059][0060]
其中，除了被怀疑为不准确材料分解的体素外，χ
p
是针对所有体素等于1的指示函数。如下的候选区然后被确定为相似区：针对所述候选区，距离量度指示与所有其他候选区相比与残留区最相似。
[0061]
谱图像数据分解单元112然后可以被配置为将残留量度确定为残留区中的体素p(x)的图像值与相似区中的对应体素p
′
(x)的图像值之间的差异。在这种情况下，谱图像数据分解单元112可以配置为将残留量度确定为校正值，并且例如通过从虚拟非造影图像中的对应体素中减去残留区中的体素的校正值来校正残留区中的虚拟非造影图像的图像值：
[0062][0063]
然后可以基于经校正的虚拟非造影图像来计算新的基分解，例如，通过重新计算基函数的权重，使得在虚拟非造影图像中的残留区中，权重组合到经校正的图像值。此外，谱图像数据分解单元112可以被配置为直接将校正值应用于基函数的权重，即分解的谱数据。例如，可以通过将根据上述公式的校正值应用于康普顿散射图像ps来计算指示康普顿散射效应对衰减的贡献的权重的新值，即，康普顿散射图像的新图像值，并且可以如下地更新光电图像p
p
，即指示光电效应的贡献的权重：
[0064][0065]
然而，谱图像数据分解单元112也可以适于利用其他数学可能性来基于所确定的残留量度来校正所分解的谱图像数据。
[0066]
额外地或替代地，谱图像数据分解单元112还可以适于找到超过一个的相似区，而非仅一个相似区是最相似的候选区。例如，谱图像数据分解单元112可以适于基于所选择的距离范数来确定作为相似区的三个最相似的候选区。谱图像数据分解单元112然后可以被配置为估计残留量度，即不准确的材料分解，作为残留区的体素的图像值与最相似区的对应体素的图像值的加权平均值之间的差异。
[0067]
额外地或者替代地，为了确定残留区，谱图像数据分解单元112还可以适于将残留区域定义为缺失数据区域，并使用图像修复算法来计算新的分解的谱图像数据。例如，谱图像分解单元112可以简单地将属于包括造影剂残留的残留区域的所有体素，即潜在不准确的谱ct材料分解值，视为缺失体素。然后，谱图像数据分解单元112可以使用公知的图像修复算法来估计缺失体素中的信息。基于缺失体素中的估计信息，谱图像数据分解单元112然后可以被配置为确定新的基分解。例如，在应用图像修复算法之后，残留区域中的体素的图像值与该体素的图像值之间的差异也可以计算为残留量度，该残留量度也可以是指校正
值。校正值(此处，差异)可以用于校正分解的谱图像数据，即用于计算新的基分解。一种可能性是，针对这种情况，如果基分解是指指示康普顿散射效应的函数和指示光电效应的函数，则将差异添加到康普顿散射函数的权重和从光电函数的权重减去该差异。然而，也可以使用用于基于由图像修复算法提供的信息在分解期间校正基函数的权值的其他数学方法。
[0068]
上述用于减少造影剂残留并且因此校正分解的谱图像数据的实施例也可以全部用于迭代方法。在这样的迭代方法中，谱图像数据分解单元112适于应用上述方法中的至少一种，并将新的分解的谱图像数据再次提供给虚拟非造影图像生成单元113。基于新的生成的虚拟非造影图像，造影剂残留识别单元114再次能够在至少造影剂残留仍然存在于虚拟非造影图像中的情况下识别残留区域。然后，谱图像数据分解单元112再次可以应用上述方法之一来进一步减少造影剂残留。特别地，谱图像数据分解单元112可以应用与之前的迭代步骤相同或不同的方法。当造影剂残留识别单元114不能识别剩余的潜在造影剂残留时，或者例如，在剩余的潜在造影剂残留包括低于预定阈值的残留量度时，可以停止迭代。额外地或者替代地，由迭代的每个迭代步骤产生的虚拟非造影图像也可以使用例如显示单元116呈现给用户，如医师，其中，用户然后可以使用输入单元115来决定是否应该执行迭代或者是否可以停止迭代。
[0069]
所得到的经校正的分解的谱图像数据然后可以用于生成多幅谱图像，例如康普顿散射图像、光电图像、虚拟非造影图像、单能量图像等，其包括由于分解的谱图像数据的准确度的提高而造成的提高的准确度。此外，谱图像数据分解单元112可以适于直接基于残留量度来生成改进的虚拟非造影图像，例如，通过将从残留量度导出的校正值直接应用于虚拟非造影图像中的残留区域。然后，装置110可以适于在显示单元116上向用户(如医师)呈现生成的谱图像中的至少一幅。
[0070]
图2示意性地并且示例性地示出了用于确定在例如使用谱成像单元120采集谱图像数据之前已经注射有造影剂的对象的分解的谱图像数据方法的实施例。在第一步骤210中，方法200包括提供已经使用例如谱x射线成像单元120采集的对象的谱图像数据。在第二步骤220中，如上所述地计算针对谱图像数据的基分解。基于得到的分解的谱图像数据，在步骤230中生成虚拟非造影图像，其中，从中去除了造影剂对分解的谱图像的总体贡献。在虚拟非造影剂图像中，在步骤240中识别残留区域，其以剩余造影剂贡献为特征，其中，所述残留区域包括造影剂残留。残留区域特别是基于造影剂残留的预期结构特性来识别的。在步骤250中，然后通过计算残留区域中的新的基分解以使得造影剂残留减少来计算新的分解的谱图像数据。通过确定该残留区域的残留量度来计算新的分解的谱图像数据，其中，该残留量度指示该残留区域的造影剂残留的强度，并且基于该残留量度来重新计算提供给该残留区域中的谱图像数据的基函数的权重。任选地，该方法可以迭代使用，其中，在这种情况下，如箭头260所指示的，在步骤250之后，通过提供新的分解的谱图像数据作为生成新的虚拟非造影图像的基础，该方法再次转向步骤230。可以通过使用如上面所述的关于装置110的合适的停止准则来停止迭代。
[0071]
附图3和4图示了基于分解的谱图像数据生成的图像的示例性结果。特别地，图3提供了基于未校正的分解的谱图像数据生成的图像和已经基于经校正的分解的谱图像数据生成的图像之间的比较。面板310中的图像是指全切片图像，而面板320中的图像是指如在面板310的图像中识别的一个造影剂残留的放大视图。列341和343是指在没有造影剂残留
校正的情况下基于分解的谱图像数据生成的图像，并且列342和344是指由经校正的分解的谱图像数据生成的图像。第一行331是指康普顿散射图像，第二行332是指光电图像，并且最后行333是指虚拟非造影图像。面板310图像中所示的小矩形指示可以找到基于未校正的分解的谱图像数据的残留的图像的部分。在这些图像中可以示例地示出，造影剂残留(例如在基于未校正的分解的谱图像数据的虚拟非造影图像中可见)在基于经校正的分解的谱图像数据的虚拟非造影图像中消除。因此，很明显，根据上述实施例的校正后的谱图像数据分解更加准确。
[0072]
可以在图4的图像中示出相同的准确性增加。在图4中，左列410上的图像切片再次是指基于未校正的分解的谱图像数据的虚拟非造影图像，而右列420中的图像是指基于经校正的分解的谱图像数据生成的虚拟非造影图像。可以清楚地看到，在左列420的图像中消除了右侧图像中可见的造影剂残留。因此，这些图像也表明，在如上所述的本发明的应用之后，得到的分解的谱图像数据更加准确。
[0073]
谱ct被建议作为一种具有多种临床应用的更好地表征人体解剖结构和功能的技术。谱ct利用在多个不同光子能量处采集的多个衰减值来求解各种成分对材料的整体质量衰减系数的贡献。然而，可用的次优分解过程在材料分解中产生不准确性，从而导致不准确的造影剂浓度估计等。这些不准确性阻碍了谱ct的临床应用。
[0074]
例如，在本发明中，提出了一种用于谱ct材料分解的形状约束方法，其通过分析潜在残留的形状并且随后使用个性化的统计模型对分解(例如，对光电和康普顿散射分量)应用校正来减少材料分解不准确性的量。该方法提高了谱ct材料分解的准确度，从而导致更好质量的谱结果，诸如虚拟非造影图像。
[0075]
例如，采集具有允许谱分析的至少两个能量水平的谱图像数据。示例包括但不限于根据利用双层探测器系统采集的ct投影数据重建的感兴趣解剖结构的ct图像，该系统将探测器处的x射线通量分离为两个能量水平。还可以使用由光子计数扫描器采集的谱ct数据。材料分解不准确性然后可以通过分析虚拟非造影图像来检测，其应该没有任何造影剂贡献。然后，分解准确度可以直接在虚拟非造影图像和/或在光电和/或康普顿散射图像中进行校正，其涉及使用个性化的统计模型重新计算分解。
[0076]
尽管优选的是在采集谱图像之前向患者注射碘基造影剂，但也可以使用其他造影剂，如钡基造影剂。
[0077]
尽管在上述用于校正分解的谱图像数据的实施例中，谱图像数据分解单元适于确定残留量度并且基于残留量度来确定校正值，但在其他实施例中，谱图像数据分解单元也适于重新计算，特别是在不确定残留量度的情况下校正基分解。例如，谱图像数据分解单元可以适于将机器学习算法应用于已经被训练的残留区域以基于残留区域校正基分解。
[0078]
技术人员应理解，用于确定本发明的分解的谱图像的装置还可包括作为对象的谱图像数据的源的谱x射线成像装置120。
[0079]
本领域技术人员通过研究附图、公开内容以及权利要求，在实践请求保护的发明时能够理解并实现对所公开的实施例的其他变型。
[0080]
在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。
[0081]
单个单元或设备可以实现在权利要求中记载的若干项的功能。尽管某些措施被记
载在互不相同的从属权利要求中，但是这并不指示不能有利地使用这些措施的组合。
[0082]
由一个或几个单元或设备执行的如谱图像数据的提供、分解的谱图像数据的计算、虚拟非造影图像的生成、残留区域的识别等的流程可以由任何其他数量的单元或设备执行。这些流程可以作为计算机程序的程序代码模块和/或作为专用硬件来实施。
[0083]
计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是计算机程序也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统分布。
[0084]
权利要求中的任何附图标记都不应被解释为对范围的限制。
[0085]
本发明涉及一种具有提高的准确度的用于确定分解的谱图像数据的装置。该装置包括：谱图像数据提供单元，其用于提供谱图像数据；谱图像数据分解单元，其用于计算谱图像数据的基分解；虚拟非造影图像生成单元，共用于基于分解的谱图像数据生成虚拟非造影图像；以及造影剂残留识别单元，其用于基于造影剂残留的预期结构特性来识别虚拟非造影图像中包括造影剂残留的残留区域，其中，所述谱图像数据分解单元被配置为在所述残留区域中计算新的基分解。利用造影剂残留的结构特性允许非常准确地确定造影剂残留，并提高该区中的分解准确度。