本發(fā)明實施例涉及醫(yī)學(xué)圖像處理技術(shù),尤其涉及一種圖像迭代重建方法及裝置。
背景技術(shù):
目前的計算機斷層掃描(Computed Tomography,CT)系統(tǒng)中所用的X射線不是理想的單色源,而是具有一定頻譜寬度的X射線源,這就使得X射線投影值與X射線經(jīng)過物體的長度之間不再滿足線性關(guān)系,進(jìn)而導(dǎo)致重建的圖像中出現(xiàn)X射線硬化偽影。
通常在圖像重建之前會對原始投影數(shù)據(jù)進(jìn)行基于水模的射線硬化校正,即水硬化校正,水硬化校正會將軟組織的X射線硬化現(xiàn)象消除,但無法消除由于人體骨頭引起的射線硬化偽影,即骨硬化偽影。
現(xiàn)有的骨硬化偽影校正方法大致有兩種。一種方法是圖像預(yù)處理方法,即預(yù)骨硬化校正方法,這種方法類似于水硬化校正方法,是在進(jìn)行圖像迭代重建之前從原始數(shù)據(jù)中剔除骨硬化數(shù)據(jù),如此,迭代重建模型的輸入數(shù)據(jù)就是經(jīng)過骨硬化校正的投影數(shù)據(jù),從而達(dá)到消除骨硬化偽影的目的。另一種方法是圖像后處理方法,即后骨硬化校正方法,這種方法先從初始重建的圖像中分割出只包含骨頭信息的圖像,然后對骨頭圖像進(jìn)行正投影及多項式擬合變換,得到骨頭的投影誤差數(shù)據(jù),再對骨頭投影誤差數(shù)據(jù)進(jìn)行反投影,得到骨硬化偽影圖像,最后從初始重建的圖像中減去骨硬化偽影圖像,獲得骨硬化校正圖像。但是上述第一種方法可能從原始投影數(shù)據(jù)中錯誤地剔除有用目標(biāo)物信息,造成信息丟失;而第二種方法無法完全消除骨硬化偽影,還可能在校正的過程中引入其他偽影。
技術(shù)實現(xiàn)要素:
本發(fā)明實施例提供一種圖像迭代重建方法及裝置,以實現(xiàn)更好地去除重建圖像中的骨硬化偽影,保證重建圖像的質(zhì)量。
第一方面,本發(fā)明實施例提供了一種圖像迭代重建方法,包括以下步驟:
獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣;
依據(jù)所述初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣;
依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
可選地,獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣包括:對所述目標(biāo)對象進(jìn)行射線掃描獲得原始投影數(shù)據(jù),并利用水模型校正算法對所述原始投影數(shù)據(jù)進(jìn)行水硬化校正,獲得經(jīng)過水硬化校正的投影數(shù)據(jù);對所述投影數(shù)據(jù)進(jìn)行圖像重建,獲得所述目標(biāo)對象的所述初始重建圖像;對所述投影數(shù)據(jù)進(jìn)行噪聲估計,獲得所述噪聲權(quán)重矩陣。
可選地,依據(jù)所述初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣包括:依據(jù)臨床測試數(shù)據(jù),獲得所述初始重建圖像的初始正則化懲罰因子;對所述初始重建圖像進(jìn)行閾值分割,獲得所述初始骨圖像分割矩陣。
可選地,上述骨硬化迭代重建模型通過如下方式預(yù)先建立:
構(gòu)建骨硬化迭代重建模型的目標(biāo)函數(shù)如下:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XBC是骨硬化校正后的重建圖像,F(xiàn)P(XBC)是骨硬化校正后的重建圖像的投影數(shù)據(jù),f是是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),f(FP(mask·XBC))是理想投影數(shù)據(jù)與骨硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),R是正則化懲罰因子;
利用優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù),作為所述骨硬化迭代重建模型。
其中,利用優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù)包括:利用牛頓優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù)。
可選地,依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像包括:依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
其中,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像包括:先利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,先利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,交替利用一次所述常規(guī)迭代重建模型及一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像;或,交替利用一次所述骨硬化迭代重建模型及一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像。
第二方面,本發(fā)明實施例還提供了一種圖像迭代重建裝置,該裝置包括:
第一初始數(shù)據(jù)獲取模塊,用于獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣;
第二初始數(shù)據(jù)獲取模塊,用于依據(jù)所述初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣;
重建圖像獲取模塊,用于依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
可選地,第一初始數(shù)據(jù)獲取模塊具體用于:對所述目標(biāo)對象進(jìn)行射線掃描獲得原始投影數(shù)據(jù),并利用水模型校正算法對所述原始投影數(shù)據(jù)進(jìn)行水硬化校正,獲得經(jīng)過水硬化校正的投影數(shù)據(jù);對所述投影數(shù)據(jù)進(jìn)行圖像重建,獲得所述目標(biāo)對象的所述初始重建圖像;對所述投影數(shù)據(jù)進(jìn)行噪聲估計,獲得所述噪聲權(quán)重矩陣。
可選地,第二初始數(shù)據(jù)獲取模塊具體用于:依據(jù)臨床測試數(shù)據(jù),獲得所述初始重建圖像的初始正則化懲罰因子;對所述初始重建圖像進(jìn)行閾值分割,獲得所述初始骨圖像分割矩陣。
可選地,在上述裝置的基礎(chǔ)上,上述裝置還包括:骨硬化迭代重建模型建立模塊,用于預(yù)先建立骨硬化迭代重建模型;
上述骨硬化迭代重建模型建立模塊包括:
目標(biāo)函數(shù)構(gòu)建子模塊,用于構(gòu)建骨硬化迭代重建模型的目標(biāo)函數(shù)如下:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XBC是骨硬化校正后的重建圖像,F(xiàn)P(XBC)是骨硬化校正后的重建圖像的投影數(shù)據(jù),f是是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),f(FP(mask·XBC))是理想投影數(shù)據(jù)與骨硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),R是正則化懲罰因子;
骨硬化迭代重建模型獲取子模塊,用于利用優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù),作為所述骨硬化迭代重建模型。
進(jìn)一步地,骨硬化迭代重建模型獲取子模塊具體用于:利用牛頓優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù)。
可選地,重建圖像獲取模塊包括:重建圖像獲取子模塊,用于依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
進(jìn)一步地,上述重建圖像獲取子模塊具體用于:先利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,先利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,交替利用一次所述常規(guī)迭代重建模型及一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像;或,交替利用一次所述骨硬化迭代重建模型及一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像。
根據(jù)本發(fā)明的一個方面,還公開了一種圖像迭代重建方法,包括:獲取目標(biāo)對象的經(jīng)過水硬化校正的投影數(shù)據(jù);依據(jù)所述投影數(shù)據(jù)對目標(biāo)對象的圖像進(jìn)行迭代重建,其中,迭代重建的過程中包含骨硬化校正。
根據(jù)本發(fā)明的另一個方面,還公開了一種圖像迭代重建方法。該圖像迭代重建方法包括:獲取目標(biāo)對象的原始投影數(shù)據(jù);基于所述原始投影數(shù)據(jù)進(jìn)行初始圖像重建,以獲取對應(yīng)的初始重建圖像;基于所述原始投影數(shù)據(jù)進(jìn)行噪聲估計,以獲得對應(yīng)的噪聲權(quán)重數(shù)據(jù);將所述原始投影數(shù)據(jù)經(jīng)過水硬化校正的投影數(shù)據(jù)、所述初始重建圖像和所述噪聲權(quán)重數(shù)據(jù)輸入到迭代重建模型中,以生成最終的重建圖像;其中,在所述迭代重建模型中至少包括骨硬化迭代重建模型,所述骨硬化迭代重建模型的目標(biāo)函數(shù)如下:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XBC是骨硬化校正后的重建圖像,F(xiàn)P(XBC)是骨硬化校正后的重建圖像的投影數(shù)據(jù),f是是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),f(FP(mask·XBC))是理想投影數(shù)據(jù)與骨硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),R是正則化懲罰因子。
根據(jù)本發(fā)明的再一個方面,還公開了一種圖像迭代重建方法。該圖像迭代重建包括:獲取目標(biāo)對象的原始投影數(shù)據(jù);對所述原始投影數(shù)據(jù)進(jìn)行水硬化校正,獲得經(jīng)過水硬化校正的投影數(shù)據(jù);基于所述經(jīng)過水硬化校正的投影數(shù)據(jù),獲得所述目標(biāo)對象的初始重建圖像;基于所述原始投影數(shù)據(jù)或者所述經(jīng)過水硬化校正的投影數(shù)據(jù),獲得所述目標(biāo)對象的噪聲權(quán)重數(shù)據(jù);基于所述經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像和所述噪聲權(quán)重數(shù)據(jù),迭代獲得所述目標(biāo)對象的經(jīng)過骨硬化校正的投影數(shù)據(jù);基于經(jīng)過骨硬化校正的投影數(shù)據(jù),重建獲得所述目標(biāo)對象的經(jīng)過骨硬化校正的圖像。
本發(fā)明實施例首先獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),然后依據(jù)該投影數(shù)據(jù)生成初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣,之后再將上述投影數(shù)據(jù)、初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣作為預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得目標(biāo)對象的經(jīng)過骨硬化校正的重建圖像,能夠在圖像迭代重建的過程中逐步進(jìn)行骨硬化偽影的消除,解決了前骨硬化校正方法中難以識別并正確去除骨硬化偽影的問題,以及后骨硬化校正方法中難以消除逐步累積的骨硬化偽影的問題,有效減少了迭代重建圖像中的骨硬化偽影,保證了迭代重建圖像的質(zhì)量。
附圖說明
圖1為現(xiàn)有技術(shù)中常規(guī)迭代重建圖像的流程圖;
圖2是本發(fā)明實施例一中的一種圖像迭代重建方法的流程圖;
圖3a是本發(fā)明實施例一中的包含帶狀骨硬化偽影的頭部CT圖像;
圖3b是本發(fā)明實施例一中的包含模糊邊界的骨硬化偽影的頭部CT圖像;
圖3c是本發(fā)明實施例一中的利用后骨硬化校正模型對常規(guī)迭代重建模型獲得的重建圖像進(jìn)行骨硬化校正后的頭部CT圖像;
圖3d是本發(fā)明實施例一中的利用骨硬化迭代重建模型進(jìn)行骨硬化校正后的頭部CT圖像;
圖4是本發(fā)明實施例三中的一種圖像迭代重建方法的流程圖;
圖5是本發(fā)明實施例三中的常規(guī)迭代重建模型和骨硬化迭代重建模型綜合應(yīng)用的迭代重建過程示意圖;
圖6是本發(fā)明實施例四中的一種圖像迭代重建裝置的結(jié)構(gòu)示意圖。
具體實施方式
下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步的詳細(xì)說明??梢岳斫獾氖?,此處所描述的具體實施例僅僅用于解釋本發(fā)明,而非對本發(fā)明的限定。另外還需要說明的是,為了便于描述,附圖中僅示出了與本發(fā)明相關(guān)的部分而非全部結(jié)構(gòu)。
通常情況下,利用常規(guī)迭代重建模型(即通常所用的迭代重建模型)獲取迭代重建圖像的過程如圖1所示。首先,對目標(biāo)對象進(jìn)行射線掃描,獲得原始投影數(shù)據(jù)101,該原始投影數(shù)據(jù)可以經(jīng)過諸如空氣校正、水硬化校正等預(yù)處理。然后,對原始投影數(shù)據(jù)進(jìn)行初次反投影圖像重建,獲得初始重建圖像102,之后執(zhí)行上述迭代重建過程103,即將初始重建圖像102作為中間的重建圖像104,并判斷迭代是否結(jié)束。如果迭代過程未結(jié)束,那么對中間的重建圖像104進(jìn)行正則化計算,獲得懲罰因子105。同時,對中間的重建圖像104進(jìn)行正投影,獲得相應(yīng)的估計的投影數(shù)據(jù)106,將該估計的投影數(shù)據(jù)106與原始投影數(shù)據(jù)101進(jìn)行比較,獲得投影誤差數(shù)據(jù)107??紤]到原始投影數(shù)據(jù)獲取過程中的諸如X射線量子噪聲及儀器電子噪聲等的影響,對原始投影數(shù)據(jù)進(jìn)行噪聲估計,獲得噪聲權(quán)重矩陣108,然后利用該噪聲權(quán)重矩陣對之前獲得的投影誤差數(shù)據(jù)進(jìn)行噪聲加權(quán),以獲得噪聲加權(quán)投影誤差數(shù)據(jù)109。對噪聲加權(quán)投影誤差數(shù)據(jù)109進(jìn)行反投影計算,獲得投影誤差圖像110。然后利用該投影誤差圖像110及懲罰因子105對中間的重建圖像104進(jìn)行圖像更新,獲得新的中間的重建圖像,之后再判斷迭代是否結(jié)束,如果迭代過程仍未結(jié)束,那么繼續(xù)執(zhí)行上述迭代重建過程103,直至判斷迭代過程結(jié)束,將最后獲得的中間的重建圖像作為最終的重建圖像111,結(jié)束整個迭代圖像重建過程。
實施例一
圖2為本發(fā)明實施例一提供的一種圖像迭代重建方法的流程圖,該方法可以由圖像迭代重建裝置來執(zhí)行,該裝置可以由軟件和/或硬件的方式實現(xiàn),該裝置可以集成在任何需要進(jìn)行醫(yī)學(xué)圖像重建的設(shè)備中,例如典型的是醫(yī)學(xué)三維掃描設(shè)備,比如常規(guī)CT掃描儀、螺旋CT掃描儀或核磁共振掃描儀等。具體包括如下步驟:
S210、獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣。
通常骨硬化偽影有兩類表現(xiàn),一類是致密物體之間和骨的延長線方向的暗色條帶,如圖3a所示的帶狀的骨硬化偽影301,這是由于穿過骨組織較多的射線和穿過骨組織較少的射線的差異造成的;另一類是退化的骨邊界,在軟組織和骨組織邊界處的像素點的CT值(CT值代表X射線穿過組織被吸收后的衰減值)會被抬高,產(chǎn)生一個模糊的邊界,如圖3b所示的邊界模糊的第一骨硬化偽影303和第二骨硬化偽影304,這些骨硬化偽影的存在會影響重建圖像的質(zhì)量,進(jìn)而影響到疾病診斷。
根據(jù)上述常規(guī)迭代重建圖像的過程描述可以得知,常規(guī)迭代重建圖像的過程中并不進(jìn)行骨硬化偽影的校正,反而是不斷地將中間的重建圖像的正投影數(shù)據(jù)趨近于包含骨硬化效應(yīng)的原始投影數(shù)據(jù),這樣骨硬化效應(yīng)會通過多次的正投影和反投影而被不斷累積,使得最終的迭代重建圖像中的骨硬化偽影更加明顯。所以,利用迭代重建模型獲取的重建圖像必須進(jìn)行骨硬化偽影的去除,即骨硬化校正?,F(xiàn)有的骨硬化校正方法分別對應(yīng)于在迭代重建過程之前及之后進(jìn)行骨硬化偽影的去除,即預(yù)骨硬化校正方法和后骨硬化校正方法,兩者均不對迭代重建模型進(jìn)行任何改變,難以有效去除迭代重建圖像中不斷累積的骨硬化偽影。本實施例中,為了有效去除迭代重建過程中的骨硬化偽影,對常規(guī)迭代重建模型進(jìn)行模型的改進(jìn),以將骨硬化效應(yīng)當(dāng)作一個誤差因子在每一次迭代的過程中進(jìn)行逐步地消除。
根據(jù)常規(guī)迭代重建圖像的過程描述可知,進(jìn)行圖像的迭代重建通常需要原始投影數(shù)據(jù)(或經(jīng)過水硬化校正的投影數(shù)據(jù))、初始重建圖像、正則化懲罰因子及噪聲權(quán)重矩陣共四種迭代重建模型輸入數(shù)據(jù)。本實施例中至少還需要初始骨圖像分割矩陣,用于從初始重建圖像中分割出骨頭圖像,獲得骨誤差投影數(shù)據(jù),并進(jìn)一步地在迭代重建過程中對其進(jìn)行校正。
示例性地,獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣包括:對所述目標(biāo)對象進(jìn)行射線掃描獲得原始投影數(shù)據(jù),并利用水模型校正算法對所述原始投影數(shù)據(jù)進(jìn)行水硬化校正,獲得經(jīng)過水硬化校正的投影數(shù)據(jù);對所述投影數(shù)據(jù)進(jìn)行圖像重建,獲得所述目標(biāo)對象的所述初始重建圖像;對所述投影數(shù)據(jù)進(jìn)行噪聲估計,獲得所述噪聲權(quán)重矩陣。
具體地,利用醫(yī)學(xué)三維掃描設(shè)備對目標(biāo)對象進(jìn)行射線掃描,獲得目標(biāo)對象的原始投影數(shù)據(jù),然后利用水模型校正算法對原始投影數(shù)據(jù)進(jìn)行水硬化校正,消除軟組織的射線硬化效應(yīng),獲得包含骨硬化效應(yīng)的投影數(shù)據(jù),即經(jīng)過水硬化校正的投影數(shù)據(jù)。
然后,對該投影數(shù)據(jù)進(jìn)行射束重排以及重建參數(shù)選擇等處理,并采用圖像重建算法進(jìn)行圖像重建,獲得該投影數(shù)據(jù)的初始重建圖像,該初始重建圖像中包含骨硬化效應(yīng)。其中,射束重排可以是利用不同方法進(jìn)行角向重排或徑向重排,以獲得等間距的平行X射線;重建參數(shù)的選擇通常是臨床選用的重建參數(shù),比如重建卷積核選擇為標(biāo)準(zhǔn)卷積核;圖像重建算法可以是濾波反投影算法,也可以是常規(guī)迭代重建算法,還可以是本實施例的改進(jìn)的迭代重建算法(即預(yù)先建立的骨硬化迭代重建算法)等。
之后,再對投影數(shù)據(jù)(也稱強度域信號)取對數(shù)以獲取衰減域信號,基于該衰減域信號和強度域噪聲方差得到衰減域噪聲方差,對該衰減域噪聲方差進(jìn)行縮減處理獲得縮減噪聲方差,即噪聲權(quán)重矩陣。其中,強度域噪聲主要包括X射線的量子噪聲和檢測器本身所具有的電子噪聲。
S220、依據(jù)所述初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣。
示例性地,步驟S120可以具體為:依據(jù)臨床測試數(shù)據(jù),獲得所述初始重建圖像的初始正則化懲罰因子;對所述初始重建圖像進(jìn)行閾值分割,獲得所述初始骨圖像分割矩陣。
具體地,在對迭代重建模型進(jìn)行改進(jìn)的過程中,進(jìn)行大量的臨床實驗,獲得大量臨床測試數(shù)據(jù),依據(jù)這些臨床測試數(shù)據(jù)經(jīng)驗性設(shè)定初始正則化懲罰因子。
然后根據(jù)骨頭成分對應(yīng)的經(jīng)驗性的圖像CT值范圍,確定出從初始重建圖像中分割骨頭圖像的分割閾值,利用該分割閾值從初始重建圖像中確定出骨頭所在的像素,然后生成初始骨圖像分割矩陣。比如,可以先生成一個與初始重建圖像維度相同的單位矩陣,然后利用分割閾值及初始重建圖像對該單位矩陣中的每個像素進(jìn)行重新賦值,也就是說,單位矩陣中對應(yīng)于初始重建圖像CT值落在分割閾值范圍內(nèi)的像素,不改變其像素值(即1),而對于單位矩陣中對應(yīng)于初始重建圖像CT值未落入分割閾值范圍內(nèi)的像素,則像素值賦值為0,如此便可以得到初始骨圖像分割矩陣。
S230、依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
其中,骨硬化迭代重建模型是對常規(guī)迭代重建模型進(jìn)行改進(jìn)后獲得的可以在迭代重建的過程中進(jìn)行骨硬化校正的改進(jìn)的迭代重建模型,該模型的構(gòu)建中加入了骨硬化模型,即每次迭代都進(jìn)行骨硬化模型的計算,以實現(xiàn)骨硬化偽影的逐步消除。
具體地,將上述步驟中獲得的經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、初始骨圖像分割矩陣、噪聲權(quán)重矩陣及初始正則化懲罰因子作為模型輸入數(shù)據(jù),利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得經(jīng)過骨硬化校正的重建圖像。當(dāng)然,上述過程中除了利用預(yù)先建立的骨硬化迭代重建模型之外,還可以綜合利用常規(guī)迭代重建模型,以實現(xiàn)快速、有效地進(jìn)行圖像的迭代重建。
本實施例的技術(shù)方案,通過獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),然后依據(jù)該投影數(shù)據(jù)生成初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣,之后再將上述投影數(shù)據(jù)、初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣作為預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得目標(biāo)對象的經(jīng)過骨硬化校正的重建圖像,能夠在圖像迭代重建的過程中逐步進(jìn)行骨硬化偽影的消除,解決了前骨硬化校正方法中難以識別并正確去除骨硬化偽影的問題,以及后骨硬化校正方法中難以消除逐步累積的骨硬化偽影的問題,有效減少了迭代重建圖像中的骨硬化偽影,保證了迭代重建圖像的質(zhì)量。
實施例二
本實施例在上述各實施例的基礎(chǔ)上,對上述的骨硬化迭代重建模型進(jìn)行進(jìn)一步介紹。
根據(jù)上述實施例的說明可知,本發(fā)明實施例中所用的骨硬化迭代重建模型對常規(guī)迭代重建模型進(jìn)行了改進(jìn),在模型構(gòu)建過程中考慮了骨硬化模型。
首先,常規(guī)迭代重建模型的目標(biāo)函數(shù)是:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XWC是水硬化校正后的重建圖像,F(xiàn)P(XWC)是水硬化校正后的重建圖像的投影數(shù)據(jù),YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),該參數(shù)可以通過公式求解計算得到,也可以根據(jù)臨床實驗進(jìn)行經(jīng)驗性設(shè)定,R是正則化懲罰因子。
通過優(yōu)化求解算法,對上述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,就可以獲得迭代重建的更新函數(shù),比如,利用牛頓優(yōu)化算法對目標(biāo)函數(shù)(1)進(jìn)行優(yōu)化求解,得到更新函數(shù)如下:
其中,XWC(k+1)是待更新的重建圖像,XWC(k)是更新前的重建圖像,也稱為中間的迭代重建圖像;α是校正項調(diào)整參數(shù),該參數(shù)可以通過公式求解計算得到,也可以根據(jù)臨床實驗進(jìn)行經(jīng)驗性設(shè)定;BP是將投影域轉(zhuǎn)換至圖像域的反投影算子;和分別是正則化懲罰因子R的一階導(dǎo)數(shù)和二階導(dǎo)數(shù),也稱為正則化懲罰因子;I是與重建圖像相同維度的單位矩陣,F(xiàn)P(I)是單位矩陣I的投影數(shù)據(jù)。
利用該更新函數(shù)就可以求解出最終的迭代重建圖像XWC。
其次,模型改進(jìn)中的骨硬化模型來源于后骨硬化校正方法,基本的后骨硬化校正模型是:
XBC=XWC+FBP(f(FP(mask·XWC))) (3)
其中,XBC是骨硬化校正后的重建圖像,F(xiàn)BP是濾波反投影算子,f是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,f(FP(mask·XWC))是理想投影數(shù)據(jù)與水硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),理想投影數(shù)據(jù)是X射線為理想的單色源時經(jīng)過物體時的投影值,F(xiàn)BP(f(FP(mask·XWC)))是骨硬化誤差圖像。
上述后骨硬化校正的基本過程是,首先對經(jīng)過水硬化校正的迭代重建圖像進(jìn)行骨圖像分割,然后對分割后的骨圖像進(jìn)行正投影及多項式轉(zhuǎn)換,獲得骨硬化誤差投影數(shù)據(jù),進(jìn)一步對該骨硬化誤差投影數(shù)據(jù)進(jìn)行濾波反投影計算,獲得骨硬化誤差圖像,最后從之前的迭代重建圖像中去除該骨硬化誤差圖像,即可得到最后的骨硬化校正圖像。該方法不需要對迭代重建模型進(jìn)行任何改變,但是難以有效去除迭代重建圖像中不斷累積的骨硬化偽影。
綜合考慮常規(guī)迭代重建模型及后骨硬化校正模型,本實施例中對常規(guī)迭代重建模型(1)進(jìn)行改進(jìn),將后骨硬化校正模型(3)中的骨硬化模型融合到迭代重建模型的構(gòu)建之中,獲得了本發(fā)明實施例的骨硬化迭代重建模型,其目標(biāo)函數(shù)如下:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XBC是骨硬化校正后的重建圖像,F(xiàn)P(XBC)是骨硬化校正后的重建圖像的投影數(shù)據(jù),f是是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),f(FP(mask·XBC))是理想投影數(shù)據(jù)與骨硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),該參數(shù)可以通過公式求解計算得到,也可以根據(jù)臨床實驗進(jìn)行經(jīng)驗性設(shè)定,R是正則化懲罰因子。
從骨硬化迭代重建模型的目標(biāo)函數(shù)(4)可以看出,F(xiàn)P(XBC)是經(jīng)過骨硬化校正及水硬化校正(模型的輸入數(shù)據(jù)是經(jīng)過水硬化校正的投影數(shù)據(jù))的迭代重建圖像的投影數(shù)據(jù),f(FP(mask·XBC))是骨硬化校正后的誤差投影數(shù)據(jù),YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),從理論上分析,如果骨硬化校正和水硬化校正都比較完全,那么上述三種投影數(shù)據(jù)的差值就會非常接近于0,所以可以通過上述目標(biāo)函數(shù)進(jìn)行包含骨硬化校正的圖像迭代重建,以獲得更加有效地去除骨硬化偽影的迭代重建圖像。
同樣地,利用優(yōu)化求解算法對骨硬化迭代重建模型的目標(biāo)函數(shù)(4)進(jìn)行優(yōu)化求解,就可以得到迭代重建的更新函數(shù),進(jìn)而求解出最終的經(jīng)過骨硬化校正的迭代重建圖像XBC。其中的優(yōu)化求解算法可以是梯度下降法、牛頓法及拉格朗日乘數(shù)法等,此處不進(jìn)行限定。
示例性地,可以利用牛頓優(yōu)化算法對上述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得其對應(yīng)的更新函數(shù)如下:
其中,XBC(k+1)是待更新的骨硬化校正的重建圖像,XBC(k)是更新前的骨硬化校正的重建圖像,也稱為中間的迭代重建圖像;α是校正項調(diào)整參數(shù),該參數(shù)可以通過公式求解計算得到,也可以根據(jù)臨床實驗進(jìn)行經(jīng)驗性設(shè)定;BP是將投影域轉(zhuǎn)換至圖像域的反投影算子;W是噪聲權(quán)重矩陣;YWC是經(jīng)過水硬化校正的投影數(shù)據(jù);和分別是是多項式函數(shù)f的一階導(dǎo)數(shù)和二階導(dǎo)數(shù);和分別是正則化懲罰因子R的一階導(dǎo)數(shù)和二階導(dǎo)數(shù),也稱為正則化懲罰因子;β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),該參數(shù)可以通過公式求解計算得到,也可以根據(jù)臨床實驗進(jìn)行經(jīng)驗性設(shè)定;I是與重建圖像相同維度的單位矩陣,F(xiàn)P(I)是單位矩陣I的投影數(shù)據(jù);mask是與重建圖像具有相同維度的骨圖像分割矩陣,F(xiàn)P(mask·I)是骨圖像分割矩陣的投影數(shù)據(jù)。
具體地,可以將上述更新函數(shù)(5)作為骨硬化迭代重建模型,將經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、初始骨圖像分割矩陣、初始噪聲權(quán)重矩陣及初始正則化懲罰因子作為輸入數(shù)據(jù),進(jìn)行最終的骨硬化校正后的重建圖像的迭代重建。
由于常規(guī)迭代重建模型的更新函數(shù)(2)與本實施例中骨硬化迭代重建模型的更新函數(shù)(5)都是基于牛頓優(yōu)化算法得到,所以可以直接將兩者進(jìn)行比較,以展示本實施例中骨硬化迭代重建模型的改進(jìn)點:本實施例更新函數(shù)(5)中的正投影算子和反投影算子與常規(guī)迭代重建模型中的相應(yīng)算法相同,但是,正投影和反投影的操作次數(shù)增加至4次。另外,骨圖像分割矩陣mask、多項式函數(shù)f及其導(dǎo)數(shù)、正則化懲罰因子R及其導(dǎo)數(shù)均應(yīng)該在圖像更新之后進(jìn)行相應(yīng)的更新。所以在每一次圖像更新的迭代重建中,除了各為4次的正投影和反投影計算外,諸如閾值分割的骨圖像分割函數(shù)、多項式函數(shù)、正則化函數(shù)以及求導(dǎo)運算等也應(yīng)該被相應(yīng)地執(zhí)行。
分別利用常規(guī)迭代重建模型和后骨硬化校正模型及本實施例中的骨硬化迭代重建模型對圖3b所示的頭部CT圖像進(jìn)行迭代重建和骨硬化校正,獲得經(jīng)過骨硬化校正的迭代重建圖像,如圖3c和圖3d所示。分別將圖3c和圖3d與圖3b進(jìn)行比較,可以看出上述兩種方法都能夠在一定程度上消除第一骨硬化偽影303和第二骨硬化偽影304。再對比圖3c的第一后骨硬化校正骨圖像303′和圖3d的第一骨硬化迭代重建骨圖像303″,可以發(fā)現(xiàn),相較于后骨硬化校正方法,本實施例的骨硬化迭代重建模型可以更加有效地消除骨組織和軟組織之間邊界比較復(fù)雜的骨硬化偽影。對比圖3c的第二后骨硬化校正骨圖像304′和圖3d的第二骨硬化迭代重建骨圖像304″,可以發(fā)現(xiàn),對于骨組織和軟組織之間邊界比較簡單的骨硬化偽影,上述兩種骨硬化校正方法的校正效果基本相當(dāng)。所以,本實施例的骨硬化迭代重建模型可以更加全面、有效地消除骨硬化偽影。
本實施例的骨硬化迭代重建模型將后骨硬化校正模型中的骨硬化模型融合到迭代重建模型的構(gòu)建中,能夠在圖像迭代重建的過程中逐步進(jìn)行骨硬化偽影的消除,解決了前骨硬化校正方法中難以識別并正確去除骨硬化偽影的問題,以及后骨硬化校正方法中難以消除逐步累積的骨硬化偽影的問題,有效減少了迭代重建圖像中的骨硬化偽影,保證了迭代重建圖像的質(zhì)量。
實施例三
圖4為本發(fā)明實施例三提供的一種圖像迭代重建方法的流程圖,本實施例在上述實施例的基礎(chǔ)上進(jìn)行了具體說明和優(yōu)化。其中與上述實施例相同的步驟采用與其相應(yīng)的附圖標(biāo)記,與上述實施例相同或相應(yīng)的術(shù)語的解釋在此不再贅述。下面結(jié)合圖4對本發(fā)明實施例三提供的圖像重建方法進(jìn)行說明,本實施例的方法包括:
S210、獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣。
S220、依據(jù)所述初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣。
S231、依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
具體地,由于骨硬化迭代重建模型中每一次迭代中都會進(jìn)行骨硬化偽影的消除,所以其迭代計算過程相較于常規(guī)迭代重建模型的計算過程要復(fù)雜,所需時間也較長。為了能夠滿足各種實際應(yīng)用需求,比如圖像重建速率或圖像重建質(zhì)量等,本實施例中給出將骨硬化迭代重建模型及常規(guī)迭代重建模型綜合應(yīng)用的情況。也就是將上述步驟中獲得的經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、初始骨圖像分割矩陣、噪聲權(quán)重矩陣及初始正則化懲罰因子作為模型輸入數(shù)據(jù),利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型共同進(jìn)行圖像迭代重建,獲得經(jīng)過骨硬化校正的重建圖像。
示例性地,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像具體可以為:
A、先利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
具體地,將經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、噪聲權(quán)重矩陣及初始正則化懲罰因子作為常規(guī)迭代重建模型的輸入數(shù)據(jù),通過至少一次的常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得中間的重建圖像。然后,將經(jīng)過水硬化校正的投影數(shù)據(jù)、上述中間的重建圖像、根據(jù)中間的重建圖像及骨圖像的分割閾值確定的骨圖像分割矩陣、噪聲權(quán)重矩陣及更新的正則化懲罰因子作為骨硬化迭代重建模型的輸入數(shù)據(jù),通過至少一次的骨硬化迭代重建模型再進(jìn)行圖像迭代重建,獲得最終的骨硬化校正后的重建圖像。
B、先利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
具體地,將經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、初始骨圖像分割矩陣、噪聲權(quán)重矩陣及初始正則化懲罰因子作為骨硬化迭代重建模型的輸入數(shù)據(jù),通過至少一次的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得中間的重建圖像。然后,將經(jīng)過水硬化校正的投影數(shù)據(jù)、上述中間的重建圖像、噪聲權(quán)重矩陣及更新的正則化懲罰因子作為常規(guī)迭代重建模型的輸入數(shù)據(jù),通過至少一次的常規(guī)迭代重建模型再進(jìn)行圖像迭代重建,獲得最終的骨硬化校正后的重建圖像。
C、交替利用一次所述常規(guī)迭代重建模型及一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像。
具體地,該步驟是一次常規(guī)迭代重建模型及一次骨硬化迭代重建模型交替重復(fù)利用的過程。也就是說,先將經(jīng)過水硬化校正的投影數(shù)據(jù)、初始重建圖像、噪聲權(quán)重矩陣及初始正則化懲罰因子作為常規(guī)迭代重建模型的輸入數(shù)據(jù),通過一次常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得第一個中間的重建圖像。然后,再將上述經(jīng)過水硬化校正的投影數(shù)據(jù)、上述第一個中間的重建圖像、根據(jù)第一個中間的重建圖像及骨圖像的分割閾值確定的骨圖像分割矩陣、噪聲權(quán)重矩陣及第一次更新的正則化懲罰因子作為骨硬化迭代重建模型的輸入數(shù)據(jù),通過一次骨硬化迭代重建模型再進(jìn)行圖像迭代重建,獲得第二個中間的重建圖像。之后,將經(jīng)過水硬化校正的投影數(shù)據(jù)、第二個中間的重建圖像、噪聲權(quán)重矩陣及第二次更新的正則化懲罰因子作為常規(guī)迭代重建模型的輸入數(shù)據(jù),通過一次常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得第三個中間的重建圖像。再將上述經(jīng)過水硬化校正的投影數(shù)據(jù)、上述第三個中間的重建圖像、根據(jù)第三個中間的重建圖像及骨圖像的分割閾值確定的骨圖像分割矩陣、噪聲權(quán)重矩陣及第三次更新的正則化懲罰因子作為骨硬化迭代重建模型的輸入數(shù)據(jù),通過一次骨硬化迭代重建模型再進(jìn)行圖像迭代重建,獲得第四個中間的重建圖像。以此類推,直至迭代過程結(jié)束,獲取最終的骨硬化校正后的重建圖像。
D、交替利用一次所述骨硬化迭代重建模型及一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像。
具體地,與步驟C恰好相反,該步驟是先執(zhí)行一次骨硬化迭代重建模型,再執(zhí)行一次常規(guī)迭代重建模型,如此交替重復(fù)執(zhí)行,直至迭代過程結(jié)束,獲取最終的骨硬化校正后的重建圖像。
應(yīng)當(dāng)理解的是,上述A-D四個步驟是并列執(zhí)行關(guān)系,即四個步驟中擇一執(zhí)行,其對應(yīng)的迭代重建過程示意圖如圖5所示。
本發(fā)明實施例的技術(shù)方案,通過獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),然后依據(jù)該投影數(shù)據(jù)生成初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣,之后再將上述投影數(shù)據(jù)、初始重建圖像、噪聲權(quán)重矩陣、初始正則化懲罰因子及初始骨圖像分割矩陣作為骨硬化迭代重建模型及常規(guī)迭代重建模型的輸入數(shù)據(jù),綜合利用上述兩種迭代重建模型進(jìn)行圖像迭代重建,獲得目標(biāo)對象的經(jīng)過骨硬化校正的重建圖像,能夠在滿足不同的實際應(yīng)用需求的情況下,在圖像迭代重建的過程中逐步進(jìn)行骨硬化偽影的消除,解決了前骨硬化校正方法中難以識別并正確去除骨硬化偽影的問題,以及后骨硬化校正方法中難以消除逐步累積的骨硬化偽影的問題,有效減少了迭代重建圖像中的骨硬化偽影,保證了迭代重建圖像的質(zhì)量。
實施例四
圖6為本發(fā)明實施例四提供的一種圖像迭代重建裝置的結(jié)構(gòu)示意圖,本實施例中與上述任意實施例相同或相應(yīng)的術(shù)語的解釋在此不再贅述。
該裝置可以包括:
第一初始數(shù)據(jù)獲取模塊610,用于獲取針對目標(biāo)對象進(jìn)行射線掃描后的經(jīng)過水硬化校正的投影數(shù)據(jù),并依據(jù)所述投影數(shù)據(jù)生成初始重建圖像及噪聲權(quán)重矩陣。
第二初始數(shù)據(jù)獲取模塊620,用于依據(jù)第一初始數(shù)據(jù)獲取模塊610獲取的初始重建圖像,獲得初始正則化懲罰因子及初始骨圖像分割矩陣。
重建圖像獲取模塊630,用于依據(jù)第一初始數(shù)據(jù)獲取模塊610及第二初始數(shù)據(jù)獲取模塊620獲取的投影數(shù)據(jù)、初始重建圖像、初始骨圖像分割矩陣、噪聲權(quán)重矩陣及初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
可選地,上述第一初始數(shù)據(jù)獲取模塊610具體用于:對所述目標(biāo)對象進(jìn)行射線掃描獲得原始投影數(shù)據(jù),并利用水模型校正算法對所述原始投影數(shù)據(jù)進(jìn)行水硬化校正,獲得經(jīng)過水硬化校正的投影數(shù)據(jù);對所述投影數(shù)據(jù)進(jìn)行圖像重建,獲得所述目標(biāo)對象的所述初始重建圖像;對所述投影數(shù)據(jù)進(jìn)行噪聲估計,獲得所述噪聲權(quán)重矩陣。
可選地,第二初始數(shù)據(jù)獲取模塊620具體用于:依據(jù)臨床測試數(shù)據(jù),獲得所述初始重建圖像的初始正則化懲罰因子;對所述初始重建圖像進(jìn)行閾值分割,獲得所述初始骨圖像分割矩陣。
可選地,在上述裝置的基礎(chǔ)上,該裝置還包括:骨硬化迭代重建模型建立模塊600,用于預(yù)先建立骨硬化迭代重建模型。該骨硬化迭代重建模型建立模塊600包括:
目標(biāo)函數(shù)構(gòu)建子模塊601,用于構(gòu)建骨硬化迭代重建模型的目標(biāo)函數(shù)如下:
其中,F(xiàn)P是將圖像域轉(zhuǎn)換至投影域的正投影算子,XBC是骨硬化校正后的重建圖像,F(xiàn)P(XBC)是骨硬化校正后的重建圖像的投影數(shù)據(jù),f是是對骨硬化投影數(shù)據(jù)進(jìn)行變換,以獲得骨硬化誤差投影數(shù)據(jù)的多項式函數(shù),mask是與重建圖像具有相同維度的骨圖像分割矩陣,YWC是經(jīng)過水硬化校正的投影數(shù)據(jù),f(FP(mask·XBC))是理想投影數(shù)據(jù)與骨硬化校正投影數(shù)據(jù)之間的誤差投影數(shù)據(jù),W是噪聲權(quán)重矩陣,β是控制數(shù)據(jù)相似性和圖像平滑性之間達(dá)到平衡的參數(shù),R是正則化懲罰因子;
骨硬化迭代重建模型獲取子模塊602,用于利用優(yōu)化算法對目標(biāo)函數(shù)構(gòu)建子模塊601構(gòu)建的目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù),作為所述骨硬化迭代重建模型。
應(yīng)當(dāng)注意的是,骨硬化迭代重建模型建立模塊600可以在第一初始數(shù)據(jù)獲取模塊610、第二初始數(shù)據(jù)獲取模塊620和重建圖像獲取模塊630中的任一模塊之前執(zhí)行。
進(jìn)一步地,骨硬化迭代重建模型獲取子模塊602具體用于:利用牛頓優(yōu)化算法對所述目標(biāo)函數(shù)進(jìn)行優(yōu)化求解,獲得所述目標(biāo)函數(shù)對應(yīng)的更新函數(shù)。
可選地,重建圖像獲取模塊630包括:重建圖像獲取子模塊,用于依據(jù)所述投影數(shù)據(jù)、所述初始重建圖像、所述初始骨圖像分割矩陣、所述噪聲權(quán)重矩陣及所述初始正則化懲罰因子,利用預(yù)先建立的骨硬化迭代重建模型和常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像。
進(jìn)一步地,上述重建圖像獲取子模塊具體用于:先利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,先利用至少一次所述骨硬化迭代重建模型進(jìn)行圖像重建,獲得中間重建圖像,再依據(jù)所述中間重建圖像,利用至少一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,獲得骨硬化校正后的重建圖像;或,交替利用一次所述常規(guī)迭代重建模型及一次所述骨硬化迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像;或,交替利用一次所述骨硬化迭代重建模型及一次所述常規(guī)迭代重建模型進(jìn)行圖像迭代重建,直至獲得骨硬化校正后的重建圖像。
通過本發(fā)明實施例四的一種圖像迭代重建裝置,實現(xiàn)了在圖像迭代重建的過程中逐步進(jìn)行骨硬化偽影的消除,解決了前骨硬化校正方法中難以識別并正確去除骨硬化偽影的問題,以及后骨硬化校正方法中難以消除逐步累積的骨硬化偽影的問題,有效減少了迭代重建圖像中的骨硬化偽影,保證了迭代重建圖像的質(zhì)量。
本發(fā)明實施例所提供的圖像迭代重建裝置可執(zhí)行本發(fā)明任意實施例所提供的圖像迭代重建方法,具備執(zhí)行方法相應(yīng)的功能模塊和有益效果。
注意,上述僅為本發(fā)明的較佳實施例及所運用技術(shù)原理。本領(lǐng)域技術(shù)人員會理解,本發(fā)明不限于這里所述的特定實施例,對本領(lǐng)域技術(shù)人員來說能夠進(jìn)行各種明顯的變化、重新調(diào)整和替代而不會脫離本發(fā)明的保護(hù)范圍。因此,雖然通過以上實施例對本發(fā)明進(jìn)行了較為詳細(xì)的說明,但是本發(fā)明不僅僅限于以上實施例,在不脫離本發(fā)明構(gòu)思的情況下,還可以包括更多其他等效實施例,而本發(fā)明的范圍由所附的權(quán)利要求范圍決定。