借助于机器学习对多种材料进行分类的方法和系统与流程

本发明涉及一种创建用于对光谱医学图像记录中的多种材料的进行自动分类分类单元的方法、和/或分类单元、以及用于此目的的学习计算设备。此外，本发明包括用于使用这种分类单元对光谱医学图像记录中的多种材料的进行自动分类的分类方法、用于控制医学成像系统的控制设备以及对应的医学成像系统。在本发明的范围内，图像记录是数字图像，因此图像记录包括图像数据和/或由图像数据组成。

背景技术：

医学中的成像方法通常依赖于单个测量变量的评估和/或单个物理测量原理，来创建图像记录的每个像素。因此，例如，计算机断层摄影(“ct”)检测患者的局部x射线衰减作为唯一的测量变量。例如，由于不同浓度而具有相同局部x射线衰减的、化学上不同的多种材料在ct图像中被示出为具有相同的ct值(通常以亨斯菲尔德(hounsfield)单位hu)，因此这些材料在图像中不能彼此区分。

这在许多ct应用中都是有问题的。一个示例是在ct血管造影中分离骨骼和由造影剂填充的血管。血液中的碘可以具有与周围骨骼相同的x射线吸收，使得特别是在复杂的解剖学情况下，例如在颅骨的基部中，血管和骨骼难以单独和分离地被示出。另一个示例是肾结石的更精确表征。含有钙的结石和含有尿酸的结石可以显示相同的x射线吸收。因此，它们在ct图像中无法区分，但它们具有不同的治疗选项。另一个示例是痛风结晶与关节上其他沉积物的区别。

有时，使用两个或更多个能量范围内的辐射来对组织中的多种不同物质(“多种材料”)进行分类。例如，具有两种或更多种不同x射线能量的ct图像的记录(“双能量ct”、“光谱ct”)可以用于区分多种不同的材料。

在典型的ct的x射线的能量范围(30-150kev)中，在身体中发现的多种材料的x射线吸收由两种物理机制决定，即光电和康普顿效应。这些机制具有不同的能量相关性，并且它们在总x射线吸收中的相对份额取决于相应的材料，更准确地说取决于其原子序数和密度。

由于存在两种具有不同能量相关性的物理效应，可以通过具有两种或更多种不同x射线能量的记录来区分两种材料。如果添加具有在相关能量范围内的k边缘的附加材料，例如钆、金或铁，则也可以使用具有两个以上x射线能量的记录来分离两种以上的材料。

可以利用例如，使用操作具有不同电压的两个管的双源ct设备、具有管电压切换的单源ct设备、具有分离的预过滤的ct设备(“双光束”)、具有双层检测器的ct设备或具有光子计数检测器的ct设备来记录具有不同x射线能量的ct图像。然而，不基于计算机断层摄影原理的其他医学成像设备也可以使用两种记录能量来进行材料分类。

通常，分离基于“光谱变量”的确定，该“光谱变量”表征在具有不同x射线能量的，x射线吸收中依赖于材料的变化。这样的光谱变量例如是所谓的双能量比，其是低x射线能量a处的x射线衰减值除以较高能量b处的x射线衰减值。如果不存在光谱效应，双能量比将等于1。对于相应材料的光谱效应越明显，双能量比越偏离1。通常，光谱变量的某个恒定极限值用于两种材料a和b的材料分离。探索ct图像中的每个像素是否低于这个点处的极限值，当它是材料a时，低于该极限值。如果光谱变量高于极限值，则它是材料b。

现有技术的缺点是具有若干能量的记录中的材料分离质量受到某些误差源的影响。因此，例如，图像是有噪声的，并且由于存在图像噪声，各个像素可能表现出光谱变量的假值，这样可能导致错误的材料分类。例如，在从ct血管造影图像中自动移除骨骼的应用中就是这种情况，其中骨骼区域被错误地分类为造影剂，并因此被保留在图像中，而血管区域，特别是具有较低造影剂密度或小血管直径的血管区域，被错误地归类为骨骼，因此从图像中移除。

此外，材料分离的质量取决于光谱变量的形式，这继而对于用于记录光谱图像的各个ct技术而言可能变化很大。特别地，对于具有分离的预过滤的ct设备或具有双层检测器的ct设备，仅获得较低的光谱效应，使得无法总是确保干净的材料分离。

技术实现要素：

本发明的目的是提供一种备选的、更方便的分类方法和一种对应的分类单元、一种用于医学成像系统的自动控制的控制设备，利用本发明可以避免或至少减少上述缺点，并且可以自动化并且可靠地检测多种不同的材料。同样，这种分类单元的创建和对应的计算设备是本发明的目的。

该目的通过以下来实现：根据权利要求1所述的方法，根据权利要求6所述的分类单元，根据权利要求7所述的学习计算设备，根据权利要求8所述的分类方法，根据权利要求12所述的控制设备和根据权利要求13所述的医学成像系统。

上述问题的解决方案非常复杂，并且多种材料的分类不可能以简单的方式来进行。根据本发明的分类单元也不能以简单的方式来产生。因此，本发明不仅包括分类单元和/或用该分类单元对多种材料进行分类的方法，还包括该分类单元的产生和相关联的计算设备。同时，分类还提供了控制成像医学设备以及消除材料的机会，使得当检测到错误的材料分类时，成像医学设备立即利用多个其他记录参数进行第二图像记录，以获得多种不同材料的正确分类。这也是本发明的一部分。

根据本发明的方法用于创建分类单元，该分类单元用于对对象的光谱医学图像记录中的多种材料进行自动分类。光谱图像记录在医学的背景下是已知的，并且是指利用至少两种记录能量产生的图像记录。光谱图像记录通常包括两个部分图像的图像数据，针对第一接收能量的部分图像和针对第二接收能量的部分图像。这些部分图像通常根据x射线源处、用于调节接收能量的电压被称为“高kv”(高千伏，有时也称为“高kev”：高千伏电压)和“低kv”(低千伏；和/或“低kev”)。

所重建的记录以及原始数据集二者都可以用于图像记录，例如，光谱ct原始数据集或从其重建的ct图像。

该方法包括以下步骤：

-提供学习计算设备。

下面更详细地描述这种学习计算设备。该学习计算设备被设计为借助于一种算法(也称为“识别算法”)来检测图像记录中的图形元素和/或图像记录的图像数据中的图形元素。这里，图形元素被理解为表示例如图案、图形基元和/或相干区域或结构等。这些还可以包括例如更复杂的结构，例如器官、骨骼、血管等。

-提供起始分类单元。

然而，该起始分类单元是尚未经过训练和/或尚未被最佳训练的后续分类单元。在学习计算设备上提供起始分类单元，并且被设计为借助于机器学习(借助于计算设备)进行训练。识别算法也可以是例如(起始)分类单元本身的一部分。

-提供参考记录集。

可以借助于图像数据库提供该参考记录集，该图像数据库也可以称为“参考库”。参考记录集包括光谱参考图像，该光谱参考图像可以是成像医学系统的真实图像或人工生成的图像。参考图像是图像记录，因此包括图像数据和/或由图像数据组成。例如，图像数据库可以是具有一组参考图像的数据库，该参考图像通过数据技术连接到学习计算设备。用于记录光谱参考记录的合适的医学成像系统可以是例如计算机断层摄影仪(“ct”)。

在参考图像中，有利地注释要分类的多种材料以及(如果适用的话)多种对象分类，例如对象分类“肾结石”。参考图像也关于材料而被“标记”。例如，在参考图像中，可以存在骨骼和血管的注释，或者包括结石的类型的结石的注释，或者痛风结晶的正确注释。

-训练分类单元。

基于对图像数据库的参考记录集的参考图像的材料的识别、根据机器学习的原理训练分类单元。识别借助于识别算法进行。

上文和下文使用的术语“(医学成像系统的)图像记录的”在此理解为表示对象(例如，患者的器官、身体部位和/或区域(也称为“图案”))的图像记录，该图像记录通过医学成像系统产生。这可以涉及二维图像和/或图像数据、体积图像数据或多个图像数据的图像数据集，例如，二维图像数据的堆叠。

由于具有特定材料的图像区域通常不能被计算机理解，因此该说明通过名称“数据对象”来强调。“数据对象”是可以由计算机识别为特定材料的图像区域。

一种根据本发明的、用于对对象的光谱医学图像记录中的多种材料进行自动分类的分类单元的特征在于，它使用根据本发明的方法而产生，对象的光谱医学图像记录通常借助于医学成像系统而被记录。因此，根据本发明的分类单元根据来自起始分类单元的机器学习的原理而产生，其中训练是基于在所提供的参考记录集的参考图像中的多种材料的识别。借助于识别算法、通过所提供的学习计算设备进行识别，该学习计算设备具有经训练的起始分类单元。

一种根据本发明的学习计算设备包括处理器和具有多个指令的数据存储设备，在这些指令的执行期间，这些指令使该处理器能够收集对计算设备可用的多个参考图像，以检测这些个参考图像中的多种材料(作为计算机可理解的数据对象)，并根据本发明的方法来训练起始分类单元。

一种根据本发明的、用于对光谱医学图像记录中多种材料进行分类的分类方法，光谱医学图像记录特别是ct记录或投影数据，例如双能量拓扑图，包括以下步骤：

-提供分类单元。

如上所述训练该分类单元。在这种情况下，特别地，首先还可以执行起始分类单元的训练。

-提供图像记录。

该图像记录是光谱医学图像记录，其例如已经借助于医学成像系统记录。例如，该图像记录包括双能量ct的高kv和低kv数据，以原始数据或重建图像数据的形式。

-多种材料分类。

图像记录中的多种材料分类借助于分类单元来进行。

–标识多种分类材料。

可以使用多个标记简单地标识多种材料。然而，也可以在多个相关位置插入多个材料对象，并将计算机可理解的多个元素添加到结果图像中。标识可以直接在图像记录中进行，或者在附加的表示中进行，例如附加图像平面的附加标识。

备选地或附加地，可以执行图像记录的特定于材料的处理，例如，消除所确定的材料或至少减少所确定的材料。例如，可以执行从ct血管造影图像中骨材料的自动移除。

以这种方式，例如，通过利用大量适当的数据集训练分类单元，可以减少由图像噪声引起的误差源，从而将材料分离的质量提高到超出用纯光谱方法实现的正常水平。

一种根据本发明的、用于医学成像系统的控制设备被设计为执行根据本发明的分类方法。

一种根据本发明的医学成像系统包括根据本发明的控制设备。

大多数上述组件，特别是分类单元，可以完全或部分地以相应控制设备或计算系统的处理器中的软件模块的形式来实现。基本上基于软件的实现具有以下优点：已经在使用的多个控制设备和/或多个计算系统也可以借助于软件更新而容易地升级，以便以根据本发明的方式操作。在这方面，该目的还通过具有计算机程序的对应计算机程序产品来实现，计算机程序可以被直接加载到控制设备和/或计算系统的存储设备中，计算机程序具有多个程序段，用于当执行程序时，多个程序段执行根据本发明的方法的所有步骤。除了计算机程序之外，这样的计算机程序产品可以可选地包括附加组件，例如文档和/或多个附加组件以及多个硬件组件，例如，用于软件的使用的硬件密钥(加密狗等)。

用于传输到控制设备和/或计算系统，和/或用于在控制设备和/或计算系统上或其中存储，可以使用机器可读介质，例如记忆棒、硬盘或其他便携式或集成式数据载体，在该机器可读介质上存储可以由处理器单元读入和执行的计算机程序的多个程序段。处理器单元可以例如具有一个或多个协作微处理器等。

因此，一种计算机程序产品形式的分类单元也优选具有计算机程序，该计算机程序可以直接加载到医学成像系统的计算系统的存储设备或医学成像系统的控制设备的存储设备中，计算机程序具有多个程序段，当计算机程序在计算系统或控制设备中执行时，多个程序段执行根据本发明的分类方法的所有步骤。

一种优选机器可读介质形式的分类单元，其上存储可以由处理器单元读取和执行的多个程序段，以便当多个程序段由该处理器单元执行时执行根据本发明的分类方法的所有步骤。以该机器可读介质的形式，分类单元也可以作为硬件存在，例如，作为经编程的eprom。

本发明的另外的、特别有利的实施例和发展将从从属权利要求和随后的描述中显现，其中一类权利要求的权利要求也可以类似于针对另一类权利要求的权利要求和说明书的部分来开发，并且特别地，还可以组合各种示例性实施例和/或新的示例性实施例的变型和/或变型的各个特征。特别地，根据本发明的分类单元也可以类似于从属方法权利要求或说明书的部分来变型。

优选一种方法，其中确定或提供具有位置相关的材料索引值的材料索引卡，特别是作为参考记录。这些材料索引卡包括针对所记录的对象的不同区域的特定材料索引值mi。

基本上，可以以许多不同方式从光谱数据计算适当的材料索引值。以下将优选选项描述为示例。

例如，如果存在对象的高kv记录和低kv记录，则可以根据公式mi＝(hv-lv)/(hv+lv)来计算各个区域(例如，像素)的材料索引值，其中“hv”是高kv记录中的相关图像区域(例如，像素)的值，并且“lv”是相应的低kv记录中的相关图像区域(例如，像素的值)。用于计算材料索引值和/或材料索引图的光谱输入数据自然不限于高kv和低kv记录，而是也可以使用其他光谱图像数据，其本身仅借助于从所记录的数据的计算来产生，换句话说，例如，针对各种能量的伪单能图像。

因此，根据材料索引值产生材料索引图，其中材料索引值mi具有每个区域的特定数值。因此，材料索引值mi还可以具有关于对象中区域的位置的位置信息。材料索引值mi可以例如形成mi(x，y，z)形式的域，其将构成优选的材料索引图。

在这种情况下，分类单元将被训练，优选地根据机器学习的原理被训练，分类单元通过使用位置相关的材料索引卡被训练和/或这种卡可以在训练的上下文中形成。如果针对一系列参考记录产生多个相同的对象材料索引卡，则在平均之后，例如，可以获得单个材料索引图，该单个材料索引图具有针对对象的所有部分的、经过误差校正的、位置相关的多个材料索引值。因此，从多个光谱参考记录确定的、位置相关的多个材料索引值被包括作为用于材料分类的基于学习的一种算法(“分类单元”)中的参数。

参考记录集的光谱参考记录优选地包括以下记录：

-具有至少两种不同记录能量的对象的记录，例如，高kv，低kv，特别是以双光谱记录或多能量计算机断层摄影记录的形式，和/或

-特定于材料的分解的记录，例如，双材料分解、三材料分解，和/或

-混合图像，特别是被提供有材料信息，和/或

-具有位置相关的材料索引值(mi)的材料索引卡(mk)，和/或

-具有由用户根据要分离的各种材料进行的对象的分类的记录，例如，基于用户的医学知识或多个其他参数，例如，肾结石或痛风分类的实验室结果，在下文中称为“分类黄金标准”，对计算机断层扫描图像中的所有骨骼和所有血管的标识。

优选地，除了多种材料的注释之外，在至少一个参考记录中注释至少一个对象分类。

优选地，参考记录包括钙、碘、水和尿酸这一组中的材料的注释和/或包括以下组中的至少一个对象分类：含钙和含碘造影剂、钙化斑、痛风结晶、尿酸结晶和结石类型、例如含钙结石或含尿酸结石。

这具有优点，因为ct血管造影记录中钙和碘的分离已经被建立，作为具有两个或更多个x射线能量的ct记录的材料分离的临床应用，例如，用于从ct血管造影图像中自动移除骨骼或用于从造影剂填充的血管中自动移除钙化斑块。此外，这具有优点，因为临床可以用于例如肾结石的分类，例如在含钙的结石或含尿酸的结石中，或者用于在关节中的沉积物的表征，例如，痛风、尿酸结晶或其他多种沉积物。

在根据本发明的前述方法的上下文中，还优选使用材料索引图进行分类。优选地，为光谱图像记录的图像区域计算光谱变量sg，例如，根据公式sg＝(hv-lv)/(hv+lv)，其中再次，“hv”是相关图像区域(例如，像素)针对高kv记录的值，并且“lv”是相关图像区域(例如，像素)针对对应的低kv记录的值。可以将计算出的光谱变量sg与对应的图像区域中的材料索引图的材料索引值进行比较。这里材料索引值可以作为限制值。如果光谱变量sg高于此值(sg>mi)，则被分类为与sg低于此值(sg<mi)时的材料不同的材料。

材料索引值的位置相关在此是一个很大的优点，因为光谱变量可以取决于检查对象中图像像素的位置。例如，多个腹部记录可能需要不同的极限值，这取决于是否观察到腹部中心或周边。极大地依赖于检查对象、其变量、形状等的光谱变量的、位置相关的极限值对于干净的材料分离是有利的。

作为根据本发明的分类方法的前述实施例的另一优选的实施例，包括钙、碘、水、尿酸、软组织和铁的这一组中的多种材料进行分类。

优选进行对象分类(如果需要，附加地)，通过将分类对象归类到包括以下各项的组中来执行对象分类：含钙和含碘造影剂、钙化斑块、痛风结晶、尿酸结晶以及多种结石类型，例如含钙结石或含尿酸结石。

根据本发明的分类方法的实施例和/或改进也是优选的，其可以备选地或附加地用于控制医学成像系统。该实施例包括以下附加步骤：

-提供控制数据库。

用于医学成像系统的多个控制数据集被存储在该控制数据库中，这些控制数据集通过数据技术与错误的材料分类(例如，具有错误码)链接。这些控制数据集可以特别地被配置为：当使用控制数据集时，使得基于多个所产生的图像记录的材料错误分类的可能性被降低，优选地被最小化。

-选择控制数据集。

基于材料的错误分类来选择该控制数据集，特别是基于材料索引图的、位置相关的材料索引值和/或错误码。

例如，可以针对以下情况来生成错误码：在检查区域中不会出现的材料的分类，或者当分类具有由于图像错误(例如，图像噪声)而偏离区域中的预定极限值的值时。

借助于该错误码，可以选择特定的控制数据集，该控制数据集被配置为利用所确定的记录能量来执行记录，记录能量被专门设计用于解决发生的问题。然而，也可以选择允许从另一记录角度执行记录的控制数据集。然而，最后，也可以简单地选择以下控制数据记录，该控制数据记录以多个相同的记录参数来发起对相关区域的新记录，期望噪声仅仅是出于统计原因。

-使用所选择的控制数据集。

所选择的控制数据集用于重新记录所检查的图像记录的图案(和/或检查对象)。以这种方式，根据所选择的控制数据集再次记录在原始图像记录中记录的对象的区域，从而导致更新的、可能改进的图像记录。因此，归因于错误的图像记录而重复整个检查是不必要的，因为在检测到质量降低时，就立即使用优化的控制来记录图像。

附图说明

在下文中，参考基于示例性实施例的附图再次更详细地解释本发明。在各个附图中，相同的组件具有相同的附图标记。通常，这些附图不是按比例的。在附图中：

图1示出了根据本发明的方法的第一示例性实施例的示意图，该方法用于产生根据本发明的分类单元，

图2示出了根据本发明的方法的第二示例性实施例的示意图，该方法用于产生根据本发明的、具有位置相关的材料索引值的分类单元，

图3示出了优选学习计算设备的示例性实施例的示意图，

图4示出了根据本发明的、用于多种材料分类的方法的示例性实施例的可能顺序的流程图，

图5示出了医学成像系统的粗略示意图，该医学成像系统具有根据本发明的控制设备以及用于执行该方法的分类单元的示例性实施例。

具体实施方式

在以下说明中，假设医学成像系统和/或成像系统是计算机断层摄影系统。然而，原则上，该方法也可以用在其他多种成像系统中。

图1示出了根据本发明的、用于产生根据本发明的分类单元的方法的简单实施例的示意图。

在步骤i中，提供学习计算设备7，其中该学习计算设备7被设计为借助于一种算法(也参见图3)来检测多个图像记录和/或多个图像记录的图像数据中的多个图形元素。

在步骤ii中，提供起始分类单元6a，该起始分类单元6a被设计为借助于机器学习而被训练，并且基本上表示未经训练的分类单元6。该起始分类单元6a被提供在学习计算设备7上或学习计算设备7处，因此例如通过数据技术连接到该学习计算设备7作为数据库，如这里概述的，或者直接作为在该学习计算设备7中的数据结构。

在步骤iii中，提供图像数据库bb，该图像数据库bb包括来自多个光谱参考记录ra的参考记录集rs(这些光谱参考记录可以是借助于医学成像系统1产生的多个参考记录ra或人工生成的多个参考记录)，其中在多个参考记录ra中，注释了多种材料m1、m2、m3(参见，例如，图4)。

标记有i、ii和iii的三个箭头所指向的圆圈在这里是初始状态，该初始状态已经被提供有前三个方面。现在必须训练起始分类单元6a以产生分类单元6。

在步骤vi中，分类单元6的这种训练根据机器学习原理、基于对在多个参考记录ra中注释的多种材料m1、m2、m3的识别来进行。使用位置相关的多个材料索引值mi1、mi2、mi3的这种训练的示例在图2中描绘。

图2示出了根据本发明的、用于产生根据本发明的分类单元的方法的优选示例性实施例的示意图。该图表示图1的扩展，其中步骤i、ii和iii也在此处执行。除了根据图1的方法之外，位置相关的材料索引值mi1、mi2、mi3也包括在这里的学习过程中。例如，这些材料索引值可以在参考记录ra中直接获得，或者可以根据参考记录的图像数据来计算。

在步骤iii中，已经证实图像数据库bb的提供使得参考记录集rs具有光谱参考记录ra，其中除了多种材料m1、m2、m3之外，对象分类ok(例如，“肾结石”、“血管壁”等)也已经被注释。这里示出的对象分类ok可以是例如“颅壁”。

图2的圆圈示出了材料索引图mk，其可以从参考记录ra获得。除了在参考记录ra中注释的多种材料m1、m2、m3之外，参考记录ra还包含例如存在于其图像数据中的不同图像区域b1、b2、b3中的光多个谱变量。这些光谱变量可用于计算材料索引值mi1、mi2、mi3。

在一个简单的情况下，可以从针对图像区域b3的像素和区域的图像数据中的光谱变量sg(例如，可以根据上述公式计算)的注释的“碘”中得出：如果该变量具有该值sg，则碘存在于该图像区域b3中，并且该值sg可以以材料索引值mi1的形式被存储为碘的极限值。如果对多个不同图像区域b1、b2、b3中的多个参考图像进行此操作，则可以针对不同图像区域b1、b2、b3产生具有特定(通常不同)材料索引值mi1、mi2、mi3的图。

因此，多个初始计算值sg在材料索引图mk中产生多个材料索引值mi1、mi2、mi3，其可以用作后续分类中的多个极限值。可以在训练过程中针对不同的材料m1、m2、m3产生不同的材料索引卡mk。

在该示例中，步骤iv中的分类单元6的训练是基于一个或多个材料索引卡mk的产生。

图3示出了优选学习计算设备7的示意图。该学习计算设备7包括处理器8和数据存储设备9，在此示出为框。数据存储设备9包含多个指令，在多个指令的执行期间使该处理器8能够记录提供给计算设备的多个参考记录ra，以将多个参考记录ra(参见图2)中的经注释的多种材料m1、m2、m3检测为数据对象，并且，例如，根据如图1和图2所示的根据本发明的方法的实施例，在这些图像记录中对多种材料m1、m2、m3进行分类和/或产生材料索引卡mk，并训练起始分类单元6a。

图4示出了根据本发明的方法的可能顺序的流程图，该方法用于对当前待检查和/或待分析的医学图像记录b中的多种材料m1、m2、m3进行分类。例如，可以借助于如图5所示的医学成像系统1记录该图像记录b。

在步骤v中，提供分类单元6，其例如根据如图1或图2所示的方法而被产生。分类单元6中的材料索引图mk旨在阐明：分类单元6已经用位置相关的材料索引值mi1、mi2、mi3训练和/或配备有对应的材料索引图mk。除了呈现分类单元6之外，还放大了具有位置相关的材料索引值mi1、mi2、mi3的、用于ct切片图像的材料索引图mk。

在步骤vi中，提供当前要分析的对象的图像记录b。该图像记录b例如是借助于医学成像系统1产生的光谱记录。在这种情况下，图像记录b是透过人类头骨的断层摄影。

在步骤vii中，在光谱图像记录b中分类多种材料m1、m2、m3，其中在该示例中，使用材料索引图mk进行分类。在这种情况下，针对图像区域(b1、b2、b3)，例如每个单独的像素，计算光谱变量sg。例如，这可以在图像记录b包括高x射线能量(“高kv”)的记录和低x射线能量(“低kv”)的记录的情况下，通过计算公式sg＝(hv-lv)/(hv+lv)来进行，，其中如上所述，“hv”是相关像素在高kv记录处的值，并且“lv”是相关像素在低kv记录处的值。然而，光谱变量也可以以任何其他期望的方式来定义。然后将该光谱变量sg与来自材料索引图mk的材料索引值mi1、mi2、mi3进行比较，使得选择材料索引图mk中的对应于对象o中的图像记录b的像素位置的该区域的材料索引值mi1、mi2、mi3。

在步骤viii中，进行对所确定的多种材料m1、m2、m3的自动识别(注释)，其中多个材料索引卡mk可用于分类多种不同的材料m1、m2、m3。

直到该步骤，呈现了用于对多种材料的纯分类的示例性方法。然而，在对多种材料m1、m2、m3进行自动分类的情况下，除了自动标识之外或者作为自动标识的备选，可以包括成像医学系统1的自动控制，如其他步骤所示。例如，可能的情况是，材料m1、m2、m3被分类在图像区域b1、b2、b3中，该材料根据预设指南不可能出现在相关区域或者检测到的对象分类ok中。

在以下(可选的)步骤ix中，提供一个控制数据库sb，其中存储用于医学成像系统1的控制数据集sd。这些控制数据集sd利用数据技术链接到分类单元6的多个结果，使得可以根据图像记录b的图像区域b1、b2、b3中的错误标识的材料m1、m2、m3来选择控制数据集。

在步骤x中，根据错误分类的材料m1、m2、m3和/或基于该错误分类生成的错误码来选择控制数据集sd。

在步骤xi中，所选择的控制数据集sd用于控制成像医学系统1，以重新记录所检查的图像记录b的图案。因此，新的图像记录b可以用多个新的参数记录，特定地选择这些新的参数来根据特定规格来记录相关对象的区域，以改进材料分类(例如，选择其他记录能量或其他记录角度，或简单地重新记录以补偿统计噪声)。

图5示出了具有控制设备10的双能量计算机断层摄影系统1的粗略示意图，该控制设备10被设计用于执行多种材料的分类，并且优选地还用于基于根据本发明的方法来执行学习过程。

计算机断层摄影系统1(ct)通常具有带有台架的扫描仪2，在该台架中x射线源3旋转，在每种情况下，x射线源3利用两个束能量来辐射患者p，患者p借助于床5被推送到台架的测量空间中，使得在每种情况下，辐射照射到与x射线源3相对的检测器4。明确指出，根据图5的示例性实施例仅是ct的示例，并且本发明还可以用于期望的任何其他ct。通常，例如，两个x射线源3用于两个射束能量(双源ct系统)。

同样，在控制设备10的情况下，仅示出了对于解释本发明必不可少的或有助于理解的组件。原则上，这样的多个ct系统和相关的多个控制设备对于本领域技术人员来说是已知的，因此不需要详细解释。

同样，本发明也可用于任何其他所需的多种医学成像系统。

这里控制设备10的核心组件是处理器11，在处理器11上以软件模块的形式实现不同的组件。此外，控制设备10具有终端接口14，终端20连接到终端接口14，用户可以通过该终端20操作控制设备10，并因此操作计算机断层摄影系统1。另一接口15是用于连接到数据总线21的网络接口，以便建立到ris和/或pacs的连接(ris：放射信息系统；pacs：图像存档和通信系统)。通过该总线21，例如，可以转发来自多个图像记录的图像数据或者传送数据(例如，多个参考记录集)。

通过控制接口13，扫描仪2可以由控制设备10控制，即，例如，机架的旋转速度、患者床5的位移和x射线源3本身被控制。通过采集接口12，从检测器4读出原始数据rd。

此外，控制设备10具有存储单元16，该存储单元16中存储了具有多个控制数据集sd的控制数据库sb。多个控制数据集sd尤其可以通过数据技术来与错误的材料分类和/或相关的错误码链接。

处理器11上的组件是图像数据重建单元18，利用该图像数据重建单元18从原始数据rd重建对象o的多个图像记录b的期望图像数据b，原始数据rd根据通过数据采集接口12而获得。该图像数据重建单元18将图像记录b的重建图像数据b转发到分类单元6，在分类单元6中，基于根据本发明的方法首先对多种材料m1、m2、m3(例如，参见图4)进行分类。

如果已经确定所分类的材料m1、m2、m3不可能出现在对象o中的该位置处(例如，肝脏中的肾结石)，则根据来自由存储单元16提供的控制数据库(sb)的至少一个预定分类错误码来选择控制数据集sd，并使用所选择的控制数据集sd，产生对象o的新图像记录b，其中优选地同样进行多种材料分类。以这种方式，可以自动产生图像记录集b，其中多种材料已被正确分类。

最后再次指出，先前详细描述的方法和所描绘的设备仅仅是示例性实施例，本领域技术人员可以以许多不同方式对其进行修改而不脱离本发明的范围。此外，使用不定冠词“一”和/或“一个”并不排除相关特征也多次出现。同样，术语“单元”和“模块”不排除由多个相互作用的部分组件组成的相关组件，这些部分组件也可以是空间分布式的。