的图谱CT图像、W及使用导出的图谱CT图像来导出患者CT图像的示例性实施例。
[0026] 图13描绘了用于执行W实现图12的实施例的示例性过程流。
[0027] 图14描绘了关于生成导出的图谱CT图像的图13的过程流的示例性实施例。
[002引图15描绘了图谱MR图像的示例性块。
[0029] 图16描绘了作为图14的过程流的一部分的、可W如何将来自图15的示例性图谱 MR图像块与图谱CT图像的块进行比较的示例。
[0030] 图17描绘了基于要比较的块的特征向量的示例性块比较技术。
[0031] 图18描绘了用于相对于一个块来计算特征向量的示例性布置。
【具体实施方式】：
[0032] 图1描绘了本发明的示例性实施例。如图1所示，处理器100可W被配置成实现 处理逻辑104,从而使用图谱图像106(类型1)和图谱图像108(类型2)将第一类型（类型 1)的第一图像110转换为第二类型（类型2)的导出的图像112。应该理解，图像可W是二 维（20)图像或者S维（3D)图像。对于2D图像，图像数据点可被称为像素。对于3D图像， 图像数据点可被称为立体像素（voxel)。
[0033] 处理器100可W是具有足够的计算能力W实现此处所描述的特征的任何处理器。 应该理解，处理器100可W包括多个处理器，它们可选地经由网络分布。用于实现处理逻辑 104的编程指令可W驻留在非暂态的计算机可读取的存储介质（例如，存储器102)上，用于 由处理器100访问和执行。应该理解，存储器102可W包括多个存储器设备，可选地为多个 分布式存储器设备和/或不同类型的存储器设备。
[0034] 图2描绘了处理逻辑104的示例性过程流。在步骤200,处理器比较新图像110的 块与类型1图谱图像106的块。在步骤202,处理器基于该些块比较计算多个相似度指标。 每个相似度指标可W表示新图像110的给定块相对于类型1图谱图像106的给定块如何相 似。处理器可W从该些相似度指标计算权重因子（步骤204)。该些权重因子可W控制类型 2图谱图像的给定数据点将对导出的类型2图像112的新数据点的计算具有多少影响。在 步骤206,处理器基于权重因子、与来自图谱类型2图像108的数据相结合地计算导出的类 型2图像112数据。
[0035] 图3描绘了处理逻辑104被配置成执行伪CT生成的示例性实施例。如此，参考图 1的示例性实施例，类型1成像模态可W是磁共振（MR)，而类型2成像模态可W是计算层析 成像（CT)。如此，对于图3实施例，要变换的图像是患者MR图像304。图谱图像将是图谱 MR图像300和图谱CT图像302。优选地，该些图谱图像300和302彼此配准。在图3中， 处理逻辑104将对该些图像300、302和304进行操作，W生成导出的患者CT图像306。尽 管此处所描述的各实施例使用来自MR图像的伪CT生成，但是应该理解，也可W使用其他图 像类型/模态。例如，医生可W使用此处所描述的技术从MR或CT图像导出超声图像。
[0036] 图4描绘了图3的处理逻辑104的示例性过程流。在步骤400,将患者MR图像304 与图谱MR图像300配准。可W使用多种配准技术中的任何一种。例如可W使用可变形的配 准（OIR)。由Andersson等人在"Evaluationof14nonlineardeformationalgorithms appliedtohumanbrainMRIregistration"(Neuroimage46:786-802, 2009)中描述了 可W使用的图像配准技术的额外的示例，其全部公开内容通过引用合并于此。作为额外的 不例，还可W使用由Avants等人在"Symmetricdiffeomorphicimageregistrationwith cross-correlation:evaluatingautomatedlabelingofelderlyandneurogenerative brain" (Med,ImageAnal. 12, 26-41, 2008)中!^及Liao等人在"!^aturebasednonrigid brainMRimageregistrationwithsymmetricalphastablefilters"（IEEETrans. Med.Imag. , 29 (I) : 106-119, 2010)中所描述的图像配准技术，其全部公开内容通过引用合 并于此。作为此配准过程的结果，患者MR图像300的每个数据点Xi将具有图谱MR图像的 对应的数据点X/。
[0037] 在步骤402,处理器初始化变量i和j。变量i将用来标识患者MR图像304的数 据点。变量j将用来控制相对于患者MR图像304的给定点Xi执行多少次块比较。
[003引在步骤404,处理器相对于患者MR图像304的数据点Xi选择患者MR图像304中 的一个块。选定的患者MR图像块可W是来自患者MR图像304的在Xi附近的数据点的邻 近区域。例如，参考图5的示例，对于包括多个数据点500的患者MR图像304,选定的患者 MR图像块502可W是在Xi周围的多个数据点NI, N2,...。应该理解，如图5所示的块502 的大小与形状只是示例性的。医生可W定义块502的期望的大小和/或形状。例如，随着 块大小变得较小，相似度比较的可靠性会降低，因为小的块大小对图像噪声变得更敏感。相 比之下，随着块大小变得较大，可靠性会劣化，因为相似度比较对立体像素差异、或像素差 异变得不太敏感。大的块大小也将会负面地影响延迟，因为比较会花费比较长的时间来计 算。如此，鉴于该样的考虑，医生应该针对情况选择合适的块大小。通常，块形状定义了W 考虑中的立体像素（或像素）为中屯、的局部区域。至于形状，将方形或球形形状作为用于 实现的有效率的选择是期望的（例如，方形可W简单地通过其边长来指定，而球形可W简 单地通过其半径来指定）。
[0039] 在步骤406,处理器相对于图谱MR图像300的数据点X/选择图谱MR图像300中 的一个块。回想一下，数据点V是由于在步骤400的配准而对应于患者MR图像的数据点 Xi的图谱MR图像数据点。选定的图谱MR图像块可W是来自图谱MR图像300的在X/附 近的数据点的邻近区域。例如，参考图6(a)的示例，对于包括多个数据点600的图谱MR图 像300,选定的图谱MR图像块602可W是在V周围的多个数据点N/，也...。与图5相 同，应该理解，如图6所示的块602的大小与形状只是示例性的。医生可W定义块602的期 望的大小和/或形状。优选地，块602的大小与形状匹配块502的大小与形状。
[0040] 在步骤408,将选定的患者MR图像块（参见块502)与选定的图谱MR图像块（参 见块602)进行比较。该比较导致诸如相似度分数之类的相似度指标的计算（步骤410 ;也 参见图6 (a))。可W使用多种技术中的任何一种来比较块502与块602,W评估和量化相似 度。
[0041] 例如，可W使用各种技术来直接比较块502和602。作为示例，可W对块502和602 的数据点中存在的强度数据应用强度差平方和（SSO)，W量化它们的相似度。然而，本发明 人已发现更有用的直接比较技术是局部关联系数（Lee)比较技术。Lee比较技术可W根据 下列公式来计算相似度分数（LeC):
[0042]
[0043] 在该公式中；
[0044] ?S表示患者MR图像
[0045] ?A康示图谱MR图像
[0046] ?X表示考虑中的该点Xi
[0047] ?B(X)表示W点Xi为中屯、的点的块。相同的块大小和形状将用于患者MR图像和 图谱MR图像。
[0048] ?S表示B(X)内的S的局部平均，其中，S可W被计算为：
[0049]
[0050]-At表示8ex)内的Ai的局部平均，其中，At可W计算为：
[0化1]
[0052] 在该样的实施例中，LCC分数将呈现出[-1，1]的范围中的值。此外，还应该理解， #8(X)符号是指B中的点的数量。
[0化3] 作为另一个示例，可W使用从块502和602导出的特征向量数据来间接地比较块 502和602,下面参考图17和图18说明了其示例。
[0054] 另外，可W使用随机投影（randomprojection)技术来执行块比较。随机投影是 用于维度减缩的方法。用于使用随机投影来实现块比较的动机是为了提高计算速度。块是 信号，如果信号的维度或长度大（即，如果块大小为大），则计算它们的相似度（或者，相当 地，计算它们之间的距离，大距离意味着低相似度）慢。如Bin曲am等人所著的论文"Random projectionindimensionalityreduction:applicationstoimageandtextdata"（发 表于KnowledgeDiscoveryandDataMining,第 245-250 页，2001)所描述的（其全部公 开内容通过引用的方式合并于此），随机投影是作为用于维度减缩的强大方法而出现的。在 随机投影（RP)中，使用列具有单位长度的随机矩阵，将原始高维度数据投影到较低维度子 空间中。已发现RP是用于高维度数据组的维度减缩的在计算方面有效的、且充分准确的方 法。如此，当将RP应用到块比较时，可W将块投影到较低维度子空间，然后可W在该样的子 空间中执行相似度评估。
[0055] 如此，步骤410的结束将产生表示块502和块602之间的相似度的相似度分数。
[0化6] 在步骤412,处理器检查j是否等于M。M是由医生选择W定义相对