用于投影图像的图像分解的系统和方法与流程

本发明涉及用于投影图像的分析的系统和方法。更具体而言，本发明涉及用于使用预定义的分类对投影图像进行分解的系统和方法。

背景技术：

投影放射照相术是医学诊断中广泛采用的技术。其依赖于从患者获取的投影图像。使用x射线辐射来生成投影图像，x射线辐射由x射线辐射源发射并且穿过患者的身体部分。x射线辐射通过与身体部分的不同组织类型和骨骼的交互而衰减。探测器相对于x射线辐射源被布置在身体部分的后面。探测器吸收残留在患者身后的x射线辐射，并将其转换为指示由患者引起的x射线衰减的投影图像。

当分析x射线图像时出现的典型问题是：待检查的人体的解剖结构或功能部分的投影图像通常由于图像中的其他对象(诸如骨骼)而被遮挡。这使得图像分析更加困难，通常需要深厚的专业知识和经验。举例来说，在使用x射线成像进行结节检测的上下文中，放射科医生通常必须考虑图像中结节的外观会受到肋骨、脊柱、脉管系统和其他解剖结构的图像贡献的影响。

鉴于该问题，x射线计算机断层摄影技术的发展已经为基于x射线的诊断带来了重大进展。计算机断层摄影成像系统通常包括电动桌台，该电动桌台使患者移动通过旋转机架，在旋转机架上安装有放射源和探测器系统。从单个ct成像流程获取的数据通常包含多个连续扫描或者一个螺旋扫描。使用重建算法，能够从cd成像数据中获得通过内部器官和组织的解剖结构或截面图像(“切片”)的体积(3d)表示。

然而，已经表明，与在获取单幅x射线投影图像时递送的药剂相比，ct扫描会递送高100至1000倍的剂量。

文献us2017/0178378a1涉及一种被配置为对在射线照片中先前被抑制的图像结构进行可视化的装置。图形指示符被叠加在射线照片上，以指示被抑制的图像结构。该装置被配置为允许切换进出图形指示符或者在其不同的图形绘制之间切换。

因此，需要允许基于医学投影图像进行更有效诊断的系统和方法。

独立权利要求的主题满足了这种需求。

技术实现要素：

本公开的实施例提供了一种用于解剖投影图像的图像分解的系统，所述系统包括实现分解算法的数据处理系统。所述分解算法被配置为：读取表示通过利用成像辐射来辐照对象而生成的投影图像的投影图像数据。对象的被辐照的身体部分是成像辐射的衰减的三维衰减结构。所述衰减结构表示分解算法的预定义分类的衰减结构的成员，由此表示衰减结构的分类。所述数据处理系统还被配置为：使用衰减结构的分类来分解投影图像。投影图像的分解在分类的身体部分对投影图像的贡献与对象的另外的身体部分对投影图像的贡献之间进行分解。所述另外的身体部分与分类的身体部分在投影图像中至少部分地重叠。

由此，基于诸如x射线投影图像的投影图像，能够获得诸如心脏的身体部分的分解图像，其中，由于诸如肋骨架的其他身体部分所引起的遮挡效果被抑制或甚至消除。值得注意的是，在x射线分析的领域中，这允许基于低剂量投影放射学的医学诊断，而无需进行复杂且昂贵的3dx射线重建流程。这样的3dx射线重建流程需要复杂的ct扫描器，既耗时又给患者带来大量的辐射暴露。

因此，所提出的系统允许将2d投影图像分解为功能上有意义的组成部分。

所述数据处理系统可以包括处理器，所述处理器被配置为执行用于执行分离算法所需的操作。所述数据处理系统可以是独立数据处理系统，诸如独立计算机，也可以是分布式数据处理系统。

可以使用投影成像来生成投影图像。为了执行投影成像，可以提供辐射源，所述辐射源基本上是点源，并且在入射到被配置为探测成像辐射的辐射探测器上之前发射穿过对象的身体的部分的成像辐射。能设想到的是，诸如在闪烁扫描术中提供多于一个点源。探测器上的每个图像点的强度可以取决于沿着入射射线的路径的局部衰减系数的线积分。所述线积分可以表示成像辐射的吸收率。因此，投影图像可以指示二维吸收率分布。入射射线可以在点源与探测器之间基本上不偏转地行进。辐射源可以基本上是点源。能设想到的是，诸如在闪烁扫描术中辐射源位于对象的身体内。

可以使用电磁辐射(诸如x射线辐射和/或伽马辐射)来生成投影图像。当使用x射线射线照相术和/或闪烁扫描术进行成像时，被成像的身体部分可以衰减用于生成投影图像的电磁辐射。还能设想到的是，使用声辐射作为成像辐射，特别是超声辐射，来生成投影图像。超声辐射的频率可以在0.02ghz与1ghz之间的范围之内，特别是在mhz1与500mhz之间的范围之内。可以使用声学换能器，诸如压电换能器，来生成成像辐射。

所述衰减结构可以被定义为身体部分，其中，在所述身体部分之内，局部吸收率与围绕衰减结构的相邻身体部分相比是可检测地不同的。所述衰减结构可以通过衰减对比度来定义。举例来说，在衰减结构内的每个点处，局部衰减超过围绕衰减结构的相邻身体部分的局部衰减大于1.1倍或大于1.2倍。进一步举例来说，在衰减结构内的每个点处，局部衰减比相邻身体部分的局部衰小小于0.9倍或小于0.8倍。

所述数据处理系统可以被配置为对身体部分进行分类以获得分类。所述数据处理系统可以被配置为使用投影图像来生成一幅或多幅分解图像。所述分解图像可以表示将投影图像分解为不同身体部分对投影图像的贡献。不同的身体部分可以表示不同的分类。每幅分解图像可以示出身体部分的贡献，其中，一个或多个其他身体部分的贡献被抑制或消除。

根据实施例，所述身体部分是身体的解剖学和/或功能上定义的部分。身体的解剖学定义的部分可以是身体的骨骼结构和/或组织结构。身体的功能上定义的部分可以是执行解剖功能的身体部分。

根据另外的实施例，对所述投影图像的分解包括：为所述投影图像确定指示分类的身体部分对投影图像的贡献的贡献图像。所述贡献图像可以表示身体部分对成像强度的衰减的贡献。

根据实施例，所述投影图像的分解包括生成多幅分解图像，每幅分解图像指示成像辐射的二维吸收率分布，其可以在投影图像的图像平面中被测量。对于图像平面中的每个点，所述分解图像的吸收率分布的加和可以在预定义的准确度之内对应于投影图像的吸收率分布。所述数据处理系统可以被配置为检查所述加和是否在预定义的准确度之内对应于吸收率分布。

根据另外的实施例，所述分解算法包括机器学习算法，用于使用身体部分的分类来执行对投影图像的分解。所述机器学习算法可以被配置用于监督的或无监督的机器学习。具体地，所述数据处理系统可以被配置用于用户交互式监督的机器学习。

根据另外的实施例，所述分解算法包括最近邻分类器。所述最近邻分类器可以是基于补丁的。

根据实施例，所述数据处理系统被配置为使用体积图像数据来训练所述机器学习算法。所述体积图像数据可以使用x射线计算机断层摄影来获取。

根据实施例，所述机器学习算法包括人工神经网络(ann)。所述ann可以包括输入层、输出层以及一个或多个中间层。ann可以包括多于5个、多于10个、或者多于100个的中间层。中间层的数量可以小于500。

根据实施例，所述数据处理系统被配置用于对所述体积图像数据的部分的半自动或自动分割。经分割的部分可以表示待分类的身体部分。所述数据处理系统可以被配置为使用体积图像数据来计算对象的被辐照部分的模拟投影图像和/或体积图像数据的经分割的部分的模拟投影图像。可以使用射线投射算法来计算模拟投影图像。半自动分割可以是用户交互式的。可以基于与投影图像相比的点源和探测器的相同位置和/或取向来模拟所述模拟投影图像。

根据另外的实施例，所述数据处理系统还被配置为取决于一幅或多幅另外的投影图像来分解投影图像。每幅另外的投影图像可以是示出分类的身体部分的投影图像。所述投影图像可以具有彼此不同的投影轴。

实施例提供了一种用于使用数据处理系统对解剖投影图像进行图像分解的方法。所述数据处理系统实现分解算法。所述方法包括：读取表示通过利用成像辐射辐照对象而生成的投影图像的投影图像数据。对象的被辐照的身体部分是成像辐射的衰减的三维衰减结构。所述衰减结构是分解算法的预定义分类的衰减结构的成员，由此表示衰减结构的分类。所述方法还包括使用衰减结构的分类来分解所述投影图像。所述投影图像的分解在分类的身体部分对投影图像的贡献与对象的另外的身体部分对投影图像的贡献之间进行分解。所述另外的身体部分与分类的身体部分在投影图像中至少部分地重叠。

根据另外的实施例，所述方法包括：训练所述分解算法。对所述分解算法的所述训练可以使用体积图像数据来执行。

根据另外的实施例，所述方法包括：从所述体积图像数据中分割待分类的身体部分。所述方法还包括：计算或模拟经分割的身体部分的投影图像。

本公开的实施例提供了一种用于解剖投影图像的图像分解的程序单元，所述程序单元当由处理器运行时适于执行以下操作：读取表示通过利用成像辐射辐照对象而生成的投影图像的投影图像数据。对象的被辐照的身体部分表示三维衰减结构，其是分解算法的预定义分类的衰减结构的成员，由此表示衰减结构的分类。所述程序单元还适于执行以下操作：使用衰减结构的分类来分解所述投影图像。所述投影图像的所述分解在分类的身体部分对投影图像的贡献与对象的另外的身体部分对投影图像的贡献之间进行分解。所述另外的身体部分与分类的身体部分在投影图像中至少部分地重叠。

本公开的实施例提供一种计算机可读介质，其存储了先前描述的程序单元的计算机程序单元。

参考下文所描述的实施例，本发明的这些和其他方面将变得显而易见并得以阐明。

附图说明

图1是根据第一示例性实施例的获取由数据分析处理系统处理的投影射线照片的示例性场景的示意图；

图2是在图1的场景中获得的示例性投影射线照片；

图3是根据示例性实施例的使用分解算法对在图2中所示的保护射线照片进行分解的示意图；

图4a示意性图示了示例性分解算法的人工神经网络(ann)的层结构；

图4b示意性图示了用于训练示例性分解算法的示例性过程；

图5a示意性图示了获得用于训练示例性分解算法的模拟投影射线照片的示例性过程；

图5b示意性图示了用于获得用于训练示例性分解算法的模拟分解图像的示例性方法；

图6是根据第二示例性实施例的获取用于数据分析处理系统的多个投影射线照片的示例性场景的示意图；并且

图7是图示了用于解剖投影图像的图像分解的示例性方法的流程图。

具体实施方式

图1是投影x射线胸部射线照片检查的示意图。提供了x射线源1，其是管状组件。x射线源1向待检查的患者4发射x射线2，以便辐照患者的胸部3。x射线源1从直径小于10毫米或小于5毫米的小发射区域14发射x射线，这远小于患者的成像部分的范围。因此，x射线源是点辐射源的良好近似。胸部3被布置在x射线源1与x射线探测器5之间，x射线探测器5被配置为生成指示入射在x射线探测器5上的x射线的强度分布的图像。所述x射线探测器可以是模拟探测器(诸如胶片)或数字x射线探测器。

能想到的是，本公开的各方面和技术能够与产生投影图像的其他成像技术(诸如平面闪烁扫描术)结合应用。

图2示出了示例性的投影图像，所述投影图像是使用在图1中所图示的系统获取的。如从图2能够看到的，保护图像示出了多个二维结构，每个二维结构表示作为使成像x射线辐射衰减的衰减结构的身体部分。换言之，在这些身体部分中，衰减与相邻的身体部分显著不同，从而允许使用x射线对其进行检查。

举例来说，图2的投影图像示出了二维结构，所述二维结构表示心脏9、主动脉弓11、肺的左叶7和右叶8、肋骨架10、隔膜12和心脏起搏器13。一些二维结构在投影图像中重叠。具体而言，待被检查的身体的功能部分的解剖结构(诸如心脏9)由于投影图像中的其他对象(诸如肋骨架10)而被遮挡。这使得图像分析变得困难，通常需要深厚的专业知识和经验，以便获得可靠的诊断。

然而，已经表明，能够分解在身体部分之间的投影图像。由此，例如，能够获得示出单个身体部分对投影图像的贡献的贡献图像，其中，在所述贡献图像中，大部分或全部其余身体部分的贡献被抑制或者甚至被消除。

为了执行分解，提供了执行分解算法的数据处理系统6(在图1中所示的)。所述分解算法被配置为分解所述投影图像。

如稍后将详细解释的，分解算法使用一类或多类三维衰减结构。对于所图示的示例性实施例，针对这样的分类的示例包括但不限于表示心脏的衰减结构、表示肋骨架的衰减结构以及表示肺部的一个或两个肺叶的衰减结构。

下面参考图3描述了分解的示例。所述分解算法提供了至少两个分类，其包括用于表示心脏9的衰减结构的第一分类，以及用于表示肋骨架10的衰减结构的第二分类。所述分解算法使用胸部的投影图像作为输入图像15，并且取决于输入图像15生成第一分解图像16和第二分解图像17。第一分解图像16和第二分解图像17表示两个分类之间的分解。具体而言，第一分解图像16示出了肋骨架10对输入图像15的贡献，其中，心脏9的贡献被抑制或消除。此外，第二分解图像17示出了心脏9对输入图像15的贡献，其中，肋骨架10的贡献被抑制或消除。第一分解图像16和第二分解图像17中的一者或者这两者可以示出来自其他组织部分18的进一步贡献，所述其他组织部分可以与表示心脏9或肋骨架10的贡献的二维结构重叠。这样的组织贡献是可接受的，特别是在其贡献与感兴趣身体部分的贡献相比较弱时。

能设想到的是，所述分解算法仅提供一个分类，诸如针对心脏的衰减结构的分类，或者提供两个以上的分类。此外，所述分解算法可以为患者的被辐照部分的其余组织部分提供分类，其未被其他分类表示。由此，分类可以覆盖患者的被成像部分的所有身体部分。

在示例性实施例中，所述分解算法包括用于执行对保护图像的分解的机器学习算法。所述机器学习算法使用一个或多个被成像身体部分的衰减结构的分类。在示例性实施例中，所述机器学习算法是使用人工神经网络(ann)来实现的。然而，能设想到的是，所述分解不是机器学习算法。所述机器学习可以通过监督的或无监督的学习来执行。另外地或替代地，能设想到所述分解算法包括最近邻分类器。所述最近邻分类器可以是基于补丁的。

图4a是ann19的示意图。ann19包括多个神经处理单元20a、20b、…24b。神经处理单元20a、20b、…、24b经由多个连接18(每个连接具有连接权重)连接以形成网络。每个连接18将ann19的第一层的神经处理单元连接到ann19的第二层的神经处理单元，所述第二层紧接在第一层之后或之前。由此，人工神经网络具有包括输入层21、至少一个中间层23(也被称为隐藏层)和输出层25的层结构。在图4a中，示意性地仅图示了中间层23之一。ann19可以包括多于5个，或者多于10个或多于100个中间层。

已经表明，使用ann19，能够有效且可靠地对在投影图像中可见的三维衰减结构进行分类。

图4b是示例性训练过程100的图示。训练过程100导致与ann的连接18(在图4a中所示的)相关联的连接权重的权重校正。如在图4b中所图示的，训练过程100是迭代的。在训练过程100的第一迭代中，连接权重被初始化为小的随机值。提供样本图像110作为对ann的输入。ann分解所述样本图像以生成一幅或多幅分解图像。举例来说，第一分解图像可以示出肋骨架的贡献，其中，其他身体部分(诸如心脏)的贡献被抑制或消除。第二贡献图像示出了心脏的贡献，其中，其他身体部分(诸如肋骨架)的贡献被抑制或消除。一幅或每幅分解图像可以示出来自其他组织部分的贡献。

ann分解120样本输入图像。取决于在分解图像与参考分解图像之间的比较，来确定由ann确定的分解是否具有所需的准确度水平。如果已经以足够的准确度实现了分解(150：是)，则训练过程100结束130。如果尚未以足够的准确度实现分解(150：否)，则调整140所述连接权重。在调整连接权重之后，执行对相同或不同样本输入图像的进一步分解作为下一迭代。

下面参考图5a和图5b描述了生成样本输入图像以及其对应的分解图像的示例性过程。

如在图5a中所图示的，所述示例性方法使用了包括多个体素27的体积图像数据集26。体积图像数据集26例如可以借助于使用x射线的计算机断层摄影来生成。具体地，体积图像数据集26可以表示数字重建射线照片(drr)。

由于在示例性实施例中，x射线被用于生成体积图像数据集26，因此所述体积图像数据示出了x射线衰减的三维衰减结构，诸如衰减结构28(在图5a中所示的)，其表示患者的心脏。体积图像数据集26的每个体素27是针对在相应体素27处的局部衰减系数的量度。因此，能够通过针对探测器上的每个点px,y来计算沿着在探测器上点源的位置p0与点px,y之间的x射线路径的局部衰减系数μ(l)(其是线性衰减系数)的线积分，来模拟患者胸部的投影射线图像：

其中，x和y是在探测器上的坐标，ix,y是在坐标x和y处的强度，并且i0是入射在患者身体上的强度。等式1假设波束扩展的影响可忽略不计。等式1能够适用于波束扩展的影响不可忽略的配置。由此，探测器上的线积分μs(x,y)的值表示投影图像的图像平面中的吸收率分布。这样，基于体积图像数据，能够使用射线投射算法从体积图像数据集26获得模拟投影图像。

如在图5b中所图示的，能够通过使用体积图像数据集26的三维散射结构28以类似的方式来模拟示出心脏的贡献的分解图像，该三维散射结构28对应于心脏，而没有表示其余身体部分的周围体素。衰减结构28的体素相对于点源30和探测器平面31的位置处在与在图5a中所示的相同的位置和取向，即，当模拟胸部的保护射线照片时。由此，以与参考等式1所描述的类似方式，能够获得表示心脏的图像平面中的吸收率分布。

三维散射结构28的体素可以使用体积图像数据集26的分割来确定。所述分割可以是自动的或半自动的。具体地，所述数据处理系统(在图1中利用附图标记6表示)可以被配置用于用户交互的半自动分割。所述数据处理系统可以被配置为接收用户输入并使用所述用户输入来执行分割。可以使用基于模型的分割算法和/或使用基于图谱的分割算法来执行分割。

此外，以类似的方式，能够获得诸如肋骨架和肺叶等多个另外的身体部位的模拟分解图像。除了这些分解图像之外，还可以生成与身体的所有其余部分有关的另外的分解图像，从而获得多幅分解图像，这些分解图像覆盖了已经被x射线遍历的体积数据集26中的每个体素。

因此，对于探测器屏幕上的每个点x、y，模拟的分解图像的吸收率分布的像素加和μs,i(x,y)(i＝1，...n)产生胸部的模拟的射线照片的吸收率分布μs(x,y)：

在图4b中所图示的过程100中，为了训练所述机器学习算法，已经如结合图5a所描述地计算的胸部的模拟投影射线照片被用作所述分解算法的样本输入图像(图4b中的步骤110)。在分解算法已经基于样本输入图像计算出分解图像之后(图4b中的步骤120)，能够将由分解算法确定出的分解图像与基于体积图像数据集模拟的分解图像进行比较，如结合图5b所描述的。这允许确定由所述分解算法执行的分解是否具有所需的准确度(图4b中的步骤110)。

对所述样本输入图像的分解(图4b中的步骤120)包括生成也已经基于体积数据集被模拟(即，以结合图5b所描述的方式)的身体部分的分解图像。除了这些身体部分的分解图像之外，所述分解算法还生成与身体的所有其余部分有关的分解图像。由此，还对于通过分解算法基于样本输入图像确定出的分解图像，如果分解在理想情况下是准确的，则吸收率分布μd,i(x,y)(i＝1，...n)对应于通过对样本输入图像的分解而获得的分解图像，总计为胸部的模拟射线照片的吸收率值μs(x,y)：

然而，在图4b的步骤150中的准确度评估中，由等式3定义的条件的偏差小于预设水平仍然能够被认为是可接受的。为了获得针对偏差的量度，所述数据处理系统可以被配置为确定在胸部的模拟射线照片的吸收率分布(即，等式3的左手侧)与分解图像的吸收率分布的加和(即，等式3的右手侧)之间的l1-范数和/或l2-范数。这样，l1-范数和/或l2-范数可以表示用于训练机器学习算法(特别是ann)的成本函数。

另外地或替代地，可以根据另外的标准来确定分解的准确度是否可接受(图4b中的步骤150)。具体地，用于训练所述机器学习算法的成本函数可以取决于这些另外的标准中的一个或多个标准。这样的标准可以包括在基于体积图像数据集确定出的身体部分的分解图像(特别是分解图像的吸收率分布)与基于样本输入图像确定出的身体部分的对应的分解图像(特别是分解图像的吸收率分布)之间的l1范数和/或l2范数。多个身体部分的l1和/或l2范数可以被加和。

图6图示了根据第二示例性实施例的在数据处理系统中实施的分解算法。如在第一示例性实施例的分解算法中一样，同样在本实施例中，所述分解算法被配置为使用衰减结构的分类来分解投影图像，从而所获得的保护图像的分解基本上将衰减结构的身体部分与对象的与保护图像中的身体部分重叠的另外的身体部分分开。

第二示例性实施例的分解算法被配置为取决于一幅或多幅另外的投影图像来执行沉积。第一投影图像以及一幅或多幅另外的投影图像具有彼此不同的成像投影轴。在图6中图示了在第二示例性实施例中用于获取投影图像的场景，其中，患者身体的纵轴被取向为垂直于纸平面。在第二示例性实施例中，利用第一成像投影轴p1来获取第一投影图像。使用相对于第一成像投影轴p1成角度的第二成像投影轴p2来获取另外的投影图像。可以限定投影轴以延伸通过点源，以便被取向为垂直于或基本垂直于探测器的有效表面。在图6中所图示的成像场景中，使用被配置为点源的第二辐射源来获取第二投影图像，以便提供从其发射x射线的第二发射区域26。此外，为了获取第二投影图像，提供了第二探测器27。这允许同时获取这两幅投影图像，由此减轻了使用第二投影图像中包含的信息来分解第一投影图像。

举例来说，第一成像投影轴p1和第二成像投影轴p2相对于彼此成大约10度的角度。在第一投影图像中，心脏的部分被肋骨遮挡，而在第二投影图像中，心脏的该部分没有被肋骨遮挡，从而允许对在第一投影图像中所示的被遮挡部分进行更精细的分析。

根据第二示例性实施例的投影图像的分解允许对第一投影图像的更可靠和更精确的分解。此外，尽管数据处理系统使用了多幅投影图像，但是与常规的ct扫描相比，仍然存在低得多的辐射剂量递送给患者。

还应当注意，如在图6中所示的，保护轴p1和p2的取向仅仅是示例性的，并不旨在限制本发明的应用范围。在其他实施例中，保护轴p1和p2以及所使用的投影图像的数量可以变化。举例来说，在保护轴p1与p2之间的角度可以大于5度、大于10度、大于15度、或大于20度。该角度可以小于180度或小于170度。

图7是示意性图示了使用执行分解算法的处理系统对解剖保护图像进行图像分解的示例性方法的流程图。获取210体积图像数据以便获得用于训练分解算法的数据，所述分解算法被配置为机器学习算法。可以使用x射线计算机断层摄影来获取体积图像数据集。具体地，所述体积图像数据集可以表示数字重建的射线照片(drr)。所述体积图像数据集示出了身体部分，随后使用x射线保护图像对其进行分析。所述方法还包括分割220体积图像数据。可以使用所述数据处理系统来执行分割。可以使用自动或半自动的分割来执行分割。可以取决于经由数据处理系统的接口接收到的用户输入来执行半自动分割。所述接口可以包括数据处理系统的图形用户界面。取决于分割的体积图像数据，计算230患者的被辐照部分的模拟投影图像以及被辐照部分之内的一个或多个身体部分的一幅或多幅模拟分解图像。可以使用射线投射算法来计算模拟图像。取决于模拟图像，训练240所述分解算法。在医学检查程序中已经获取所述保护图像之后，由数据处理系统读取250所述保护图像数据。然后，所述数据处理系统使用衰减结构的分类来分解260投影图像数据，所述衰减结构对应于患者的被辐照部分之内的身体部分。所述衰减结构的分类包括将衰减结构分配给分解算法的预定义的分类。对于每个身体部分，生成分解图像。所述分解图像对应于分离的图像，其中，相应身体部分与一个或多个另外的身体部分分离。举例来说，分解图像的身体部分对应于心脏，并且所述分解图像示出了心脏的贡献，其中，肋骨架的贡献被抑制或甚至消除。

已经表明，由此提供了一种系统和方法，其允许基于医学投影图像进行更有效的诊断。

本公开涉及以下实施例：

项目1：一种用于解剖投影图像的图像分解的系统，所述系统包括实施分解算法的数据处理系统(6)，所述数据处理系统被配置为：读取表示通过利用成像辐射来辐照对象的部分而生成的投影图像的投影图像数据；其中，在被辐照部分之内的身体部分是所述成像辐射的衰减的三维衰减结构，其中，所述衰减结构表示所述分解算法的预定义分类的衰减结构的成员，由此表示所述衰减结构的分类；其中，所述数据处理系统(6)还被配置为：使用所述衰减结构的所述分类来分解所述投影图像；并且其中，所述投影图像的所述分解在经分类的身体部分对所述投影图像的贡献与所述被辐照部分中的另外的身体部分对所述投影图像的贡献之间进行分解，其中，另外的身体部分与所述经分类的身体部分在所述投影图像中至少部分地重叠。

项目2：根据项目1所述的系统，其中，所述衰减结构是所述身体的解剖学和/或功能上定义的部分。

项目3：根据项目1或2所述的系统，其中，所述投影图像的所述分解包括：为所述投影图像确定指示经分类的身体部分对所述投影图像的所述贡献的贡献图像。

项目4：根据前述项目中的任一项所述的系统，其中，所述投影图像的所述分解包括生成多幅分解图像(16、17)，每幅分解图像指示所述成像辐射的二维吸收率分布；其中，对于所述图像平面中的每个点，所述分解图像的所述吸收率分布的加和对应于在预定义的准确度之内的所述投影图像的吸收率分布。

项目5：根据前述项目中的任一项所述的系统，其中，所述分解算法包括机器学习算法，用于使用所述身体部分的所述分类来执行对所述投影图像的所述分解。

项目6：根据项目5所述的系统，其中，所述机器学习算法包括人工神经网络(ann)。

项目7：根据项目5或6所述的系统，其中，所述数据处理系统被配置为使用体积图像数据来训练所述机器学习算法。

项目8：根据项目7所述的系统，其中，所述数据处理系统被配置用于从所述体积图像数据中对所述体积图像数据中的表示待分类的所述身体部分的部分的半自动或自动分割，并且计算所述体积图像数据的经分割的部分的模拟投影图像。

项目9：根据前述项目中的任一项所述的系统，其中，所述数据处理系统还被配置为：取决于一幅或多幅另外的投影图像来分解所述投影图像，每幅另外的投影图像是示出所述经分类的身体部分的投影图像；其中，所述投影图像具有相互不同的投影轴。

项目10：一种用于使用实施分解算法的数据处理系统(6)对解剖投影图像的图像分解的方法，所述方法包括：读取(250)表示通过利用成像辐射来辐照对象的部分而生成的投影图像的投影图像数据；其中，在被辐照部分之内的身体部分是所述成像辐射的衰减的三维衰减结构，其中，所述衰减结构表示所述分解算法的预定义分类的衰减结构的成员，由此表示所述衰减结构的分类；使用所述衰减结构的所述分类来分解(260)所述投影图像；其中，所述投影图像的所述分解在经分类的身体部分对所述投影图像的贡献与所述被辐照部分中的另外的身体部分对所述投影图像的贡献之间进行分解，其中，所述另外的身体部分与所述经分类的身体部分在所述投影图像中至少部分地重叠。

项目11：根据项目10所述的方法，还包括：训练(240)所述分解算法。

项目12：根据项目11所述的方法，其中，对所述分解算法的所述训练(240)是使用体积图像数据来执行的。

项目13：根据项目12所述的方法，还包括：从所述体积图像数据中分割(220)待分类的所述身体部分，并且计算(230)经分割的身体部分的投影图像。

项目14：一种用于解剖投影图像的图像分解的程序单元，所述程序单元当由处理器运行时适于执行以下操作：读取(250)表示通过利用成像辐射辐照对象的部分而生成的投影图像的投影图像数据；其中，在被辐照部分之内的身体部分是所述成像辐射的衰减的三维衰减结构，其中，所述衰减结构表示所述分解算法的预定义分类的衰减结构的成员，由此表示所述衰减结构的分类；使用所述衰减结构的所述分类来分解(260)所述投影图像；其中，所述投影图像的所述分解在经分类的身体部分对所述投影图像的贡献与被辐照部分中的另外的身体部分对所述投影图像的贡献之间进行分解，其中，所述另外的身体部分与所述经分类的身体部分在所述投影图像中至少部分地重叠。

项目15：一种存储有根据权利要求14所述的计算机程序单元的计算机可读介质。

所描述的以上实施例仅仅是示例性的，而并不旨在限制本发明的技术方案。尽管参考优选实施例详细描述了本发明，但是本领域技术人员将理解，在不背离本发明权利要求的保护范围的情况下，可以对本发明的技术方法进行修改或等同地替换。具体地，尽管已经基于投影射线照片描述了本发明，但是本发明能够被应用于产生投影图像的任何成像技术。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除多个。权利要求中的任何附图标记都不应当被解释为限制范围。