数据中选择参考投影和/或图像数据集；根据所选择的参考投影和 /或图像数据集来确定噪声模型；基于所述噪声模型根据参考数据集来估计潜在的局部目 标结构；并且将所估计的潜在的局部目标结构传播通过输入的投影数据和/或图像数据； 恢复投影数据和/或图像数据。
[0030] 任选的，所估计的潜在的局部目标结构能够被用作对恢复的约束。另外，移除的纹 理和/或噪声中的一些能够被添加回。应当理解，（一个或多个）结构传播恢复指令126通 过移除噪声和/或伪影来改进谱数据的质量，同时保留潜在的目标结构和谱信息。
[0031] 所恢复的投影数据和/或所恢复的图像数据能够被进一步处理、经由显示监视器 被显示、被制成胶片、被存储在数据储存库中（例如，影像存储与传输系统或PACS、电子病 历或EMR、辐射信息系统或RIS、医院信息系统或HIS、等等）、和/或以其他方式被利用。
[0032]图2示意性地图示了（一个或多个）结构传播恢复指令126的各范例模块200。
[0033] 参考结构选择器202从输入的投影数据和/或图像数据中选择局部参考数据集， 所述输入的投影数据和/或图像数据能够由成像系统1〇〇 (图1)和/或其他系统生成。针 对参考数据集选择的标准包括能够根据其导出或估计潜在的局部目标结构的参考数据。
[0034] 合适的参考图像数据的范例包括但不限于：特定单色图像（例如，70keV)，因为噪 声在各个材料之间是反相关的并且存在其中对比噪声比（CNR)为最优的特定单色图像；非 谱（或常规）CT图像，组合的谱/非谱图像，例如基于所有能量或全谱的非谱CT图像，其可 以允许更准确地提取结构；仅基于部分谱的低能量图像和/或高能量图像；和/或其他参 考图像。
[0035] 合适的参考投影数据的范例包括但不限于：特定单色正弦图（例如，70keV)，因为 噪声在各个材料之间是反相关的；以及非谱（或常规）CT正弦图，组合的谱/非谱正弦图， 例如，基于所有能量或全谱的没有材料分解的非谱CT正弦图；仅基于部分谱的没有材料分 解的低能量正弦图和/或高能量正弦图；和/或其他参考投影数据。
[0036] 在一个实例中，利用全局方法来选择参考数据。对于该方法，能够针对全部接收到 的投影数据和/或图像数据来选择单个参考数据集。所述选择能够基于以下标准中的一个 或多个：最小总体变分（totalvariation);最小熵；在图像/正弦图的局部标准偏差上的 最小中值；局部噪声估计的最小平均值；基于两个R0I的输入的CNR图像，等等。在方程1 中示出了单色图像中的总体变分选择标准的范例：
[0037]方程1
[0038]
[0039] 其中，e是单色能量并且 是参考图像R中的i，j像素。
[0040] 在另一实例中，利用局部方法来选择参考数据。对于该方法，针对每个像素，选择 最优参考数据集片（或投影数据和/或图像数据的子集）。所述片能够在来自潜在的参考 数据集中的一个中的像素的位置附近选择。该方法利用以下事实：输入的投影数据和/或 图像数据中的不同区域可能具有针对局部结构偏差的不同的最优参考数据集。
[0041] 噪声建模器204对所选择的参数数据集的噪声模型进行建模。合适的建模方法 的范例包括但不限于：蒙特卡罗估计、解析法、直接提取和/或其他方法。所获得的噪声 模式或模型被利用于估计局部结构参考数据集。范例解析方法被描述在Wunderlich的 "ImageCovarianceandLesionDetectabilityinDirectFan-BeamX-RayComputed Tomography"（Phys.Med.Biol.53 (2〇〇8)，第 2472 至 2的3 页）中。
[0042] 直接提取方法的范例被描述在于2009年11月25日提交的并且题为"ENHANCED IMAGEDATA/D0SEREDUCTION"的申请序列号为61/264340的专利申请中，通过引用将其 整体并入本文中；并且被描述在于2009年12月15日提交的并且题为"ENHANCEDIMAGE DATA/D0SEREDUCTION"的申请序列号为61/286477的专利申请中，通过引用将其整体并入 本文中。在本文中也预见到其他方法。
[0043] 恢复器206恢复投影数据和/或图像数据。所图示的恢复器206包括结构导出器 208和结构传播器210。
[0044] 结构导出器208根据参考数据集来估计潜在的局部结构。所述估计可以改进参考 数据集的局部CNR，这有助于估计数据集并且使得能够进行非常准确的结构估计。结构导出 器208利用由噪声建模器204生成的噪声模型作为引导，这有助于在噪声与潜在的目标结 构之间进行区分。
[0045] 对于估计，结构导出器208可以利用各种算法，例如双边滤波、扩散滤波、全变差 去噪、均值漂移等。通过非限制性举例的方式，下文描述了一种使用双边算法来估计局部结 构的方法。该范例包括任选的尖峰噪声抑制。
[0046] 对于参考数据集R中的每个体素R^k，结构导出器208执行以下：
[0047] 1、提取体素民,k周围的n个体素的子体积；
[0048] 2、基于方程2来计算核:
[0049] 方程 2 :
[0050]
[0051] 其中，a是控制权重的竞争力的参数并且是在以上讨论的噪声建模中估计的 对&0的局部噪声水平估计；
[0052] 3、将局部核乘以空间核 其中，能够基于方程3来确定 具有标准偏差的三维（3D)空间高斯核；
[0053] 方程 3 :
[0054]
[0055]其中，dx是像素的尺寸（例如，以毫米或mm为单位），dz是切片宽度（例如，以mm为单位），并且〇 是控制权重的竞争力的参数；
[0056] 4、将wnk，归一化以使和等于一；
[0057] 5、应用尖峰噪声抑制如下：如果中心权重界1，」，,15，>界阈值并且€ [〈€[最大，则€[= a*ault并且返回步骤2;并且
[0058] 6、基于方程4来估计目标结构：
[0059]方程 4:
[0060]
[0061] 结构传播器210将所估计的结构传播到输入的投影数据和/或图像数据，任选地， 所述估计被利用作为对恢复的额外的约束。移除的纹理和/或噪声中的一些在恢复期间能 够被添加回。这可以有助于控制最终图像外观。
[0062] 为此，结构传播器210根据结构导出器208的输出来导出局部结构，并且根据噪声 建模器204的输出来定义结构水平。该方法的强处在于其利用具有改进的CNR的非常良好 地定义的局部结构。由于处理是在投影数据和/或图像数据上进行的，所以投影数据和/ 或图像数据的强度值非常准确地被保留。
[0063] 通过非限制性举例的方式，在一个实例中，结构传播器210针对投影数据和/或图 像数据中的每个体素\ 执行以下的N次迭代：
[0064] 1、提取体素Vi,k周围的n个体素的子体积；
[0065] 2、基于方程4来计算局部核:
[0066]方程 4:
[0067] V
~J
[0068] 其中，0是输入参数；
[0069] 3、将局部核乘以空间丰！
[0070] 4、将卸,k，归一化以便和等i-一 ；
[0071] 5、处理投影数据和/或图像数据，如方程5中所示：
[0072] 方程 5 :
[0073]
[0074]其中，f#是输入的目标数据集并且Iter是当前迭代的索引。
[0075] 在步骤5中，图像纹理和/或噪声中的一些能够被添加回所述目标数据集以控制 其最终外观。存在针对纹理和/或噪声的两个任选的源：参考投影数据和/或图像数据或 者目标投影数据和/或图像数据。
[0076] 获得最终的恢复，如方程6或方程7中所示：
[0077] 方程 6:
[0078]
[0079] 或者
[0080] 方程 7 :
[0081]
[0082] 其中，S是输入参数。
[0083] 图3-8结合在没有恢复的情况下生成的图像示出了恢复的范例结果。
[0084] 对于第一组投影数据和/或图像数据，图3表示现有技术图像300,其中，未利用 (一个或多个）结构传播恢复指令