将射线照相图像分解为不同类型的子图像的方法与流程

将射线照相（radiographic）图像分解为不同类型的子图像的方法。

本发明处于数字射线照相的领域中。

更特别地，本发明涉及一种将射线照相图像的数字表示分解为不同类型的子图像的方法，所述不同类型的子图像可以被不同地处理或不同地分类。

背景技术：

由于它们的投影性质，x射线图像难以分析。

与常规的摄影图像相反，透射图像（例如x射线图像）中的图像像素包含关于由x射线在穿过患者到图像检测器上时遇到的所有不同结构的信息。在人类的辐射图像的情况下遇到的这样的结构和不同材料的示例是骨骼、软组织、空气、金属植入物、用于阻挡辐射的部分的准直器（collimator）等。

由于这些结构在x射线投影图像中被投影在彼此之上，因此直接的边缘检测通常不足以分割成像的患者或对象的不同部分。

与通常包含不透明对象的常规摄影或视频图像相比，结构的该叠加也给图像处理（例如给直方图分析）带来了附加的困难。

本发明的一方面是提供一种将射线照相图像分解成不同类型的子图像的增强方法。

技术实现要素：

通过具有权利要求1中阐述的具体步骤的方法来实现上述方面。

从属权利要求中阐述了本发明的另外的实施例。

根据以下描述和附图，本发明的优点和进一步的实施例将变得显而易见。

在本发明中，投影图像被视为不同类型的不同子图像的总和。

在本发明的上下文中，其中概念‘类型’指代在投影图像中叠加的不同项，因为它们被用于生成射线照相图像的辐射的束相继遇到。

示例是准直由x射线的源、骨骼、软组织、植入物图像……发射的辐射的准直器。

由x射线成像过程的特性产生的效应（诸如辐射散射、噪声、足跟效应（heeleffect）、植入物图像……）也被认为是子图像的类型。

因此，可以将图像描述为这样的子图像的总和。

例如：

将表示为子图像的总和可以直观地证明是合理的（justified），因为由beerlambert定律描述了穿过不同材料时x射线束的衰减：

其中i是在检测器处测量的未衰减x射线强度，i0是在穿过具有衰减系数μ的不同材料后在检测器处的测量的x射线强度，并且x是沿着x射线束的位置。

在对数变换后，公式（1）可以被写为

其中对数变换和强度校正的图像表示遇到的组织的不同衰减值的总和。

将图像分解成不同图像分量的目标是针对设计更有效的图像处理p，即处理可以适于子图像中的每个。

这样的图像处理p的示例是减小im_noise、im_scatter、im_heel_effect的权重，并且因此获得的噪声降低版本。

在另一个示例中，可以将特定对比度改善应用于im_bone，这不影响im_soft组织（即，在其中引入伪影（artifacts））。

在又一个示例中，可以对子图像应用分析以操纵（steer）图像处理。

通常，内容特定处理pi可以被应用于不同的子图像，从而产生图像的最优处理p：

将图像分解成不同的子图像的第二个潜在好处是促进检测、分割或分类任务d。

自动检测任务di可以在不同的子图像上更优地执行，而不受其他子图像的不相关内容的阻碍（hinder）。

作为示例，软组织异常的自动检测可以受益于图像中没有骨骼或植入物。

本发明的方法通常以计算机程序产品的形式实现，当在计算机上运行时，该计算机程序产品适于执行本发明的方法步骤。计算机程序产品通常被存储在计算机可读载体介质中，该计算机可读载体介质诸如dvd、硬盘或诸如此类。替代地，计算机程序产品采取电信号的形式，并且可以通过电子通信与用户通信。

根据下面的描述，本发明的另外的优点和实施例将变得显而易见。

具体实施方式

在本发明中，图像被分解成不同的子图像，使得

其中ε是允许容错的常数，并且0<i<n，其中n是子图像的数量。

公式2中的约束也可以被写成

在这种情况下不容错。

对于每个子图像，可以设计专门的图像处理任务pi或分类任务di，其可能比处理（workingon）原始图像的其对应物（counterpart）p和d执行得更好。

如在公式（2）中定义的逆问题是高度不确定的。

可以生成无限数量的正确但随机的图像，所述图像的总和产生。

为了保证每个子图像对应于图像的目标子种类（例如，骨骼图像），创建了成本函数li，该成本函数li表示针对给定子图像（例如，典型的骨骼图像的特性）的先验知识。

li的示例可以是平滑度约束、总变化约束、与先前图像的相似性度量等。

逆问题因此可以被写成：

其中第一项测量与原始图像的一致性，并且第二项用权重对不同的子图像的成本函数求和。

成本函数li的设计。

成本函数li描述子图像适合（fitinto）期望的类别i有多好。

至关重要的是，成本函数li有效地描述期望的类别，因为否则的分解将产生无意义的子图像。

例如，如果应表示准直器，则对应的li可以实施（enforce）分段恒定图像，其仅由2个强度（对应于金属和空气）组成。

用于表示的值应该属于j值aj（其中）的离散集合的可能的成本函数是

，其中

aj表示基于先验知识预期的图像中的值。

作为示例，在表示准直器的情况下，a0可以是0，并且a1可以被设置为等于预定义值。用于导出a1的可能的方法可以是获取包含准直器形状的代表性平场曝光（flatfieldexposure）。在图像的对数变换之后，a1可以例如被导出为图像的非准直和准直区域中的平均像素值之间的差。

在另一个实现中，可以基于本身的图像统计来导出aj。例如，每个aj表示中发生最多的像素值之一。在表示准直器的情况下，a0可以被设置为0，并且a1将表示基于的直方图分析具有最高发生率的像素值。

用于在成本函数中表示分段恒常性（constancy）的另一种方式是

或者，

使用范数（norm），

。

可以被添加到大多数成本函数的另一个项是的所有像素值都应该为正的先验知识。这可以例如被表示为

通常，对于期望的类别中的任何类别，成本函数li可以手工制作（handcrafted）。

获得合适的成本函数li的另一种方法是使用神经网络。

近年来，在人工智能的领域中已经取得很大的进步。强大的卷积网络（cnn）如今能够对各种各样的主题的图像进行分类。

可以训练cnn以将图像分类为子图像的不同种类。

该cnn的最终结果可以是维度为n+1的矢量，其中每个元素表示针对子类别i的匹配分数，并且最后的元素表示针对不属于n个类别中的任何类别的分数。

因此，li可以在该cnn的得到的输出矢量的函数中被写成：

可以用不同子类别的相关示例来训练cnn。用于获得这些图像的方法是实验地获取它们，例如在没有任何对象曝光的情况下获取图像以获得相关的电子噪声图像，或者仅用准直器获得图像，或者使用仅由来自特定子种类的材料组成的体模（phantom）获得图像。

用于获得用于该cnn的训练图像的另一种方法是虚拟地生成投影图像，例如使用现有患者/对象的ct扫描虚拟地生成投影图像。

用于ct扫描中组织类型的分割的现有算法可以被用于首先分割ct扫描。由于没有不同结构的重叠（诸如在x射线投影图像中），因此这些分割算法通常更易于开发。

随后，可以根据ct扫描模拟不同子种类的x射线投影图像，其中每次模拟仅保留相关的组织类型i。

在另一个实施例中，可以使用自动编码器将先验知识整合到成本函数中。可以训练去噪自动编码器来表示图像的子种类，例如一组准直图像、骨骼图像等。随后可以计算原始和自动编码器的输出之间的距离度量，假设如果图像真正属于在其上训练自动编码器的子种类，则距离将是低的。该距离可以被用作成本函数li。

优化

一旦定义了成本函数li，则可以求解公式（3）中的逆问题以获得。可以遵循不同的策略来求解该逆问题。

在第一实施例中，生成初始估计imi,0。该初始估计可以是随机图像、空白（零）图像、原始图像的低通滤波版本、另一图像分解算法（诸如将图像分割成骨骼和软组织图像的虚拟双能量算法）的结果、训练神经网络等。通过选择β=0，我们可以保持对一些子图像的初始猜测。

然后，迭代地计算不同的图像，其中在每个迭代n中，使用先前的估计imi,n和偏导数图像di,n计算新的估计imi,n+1：

其中为权重。然而，随着n增长（progress），子图像的总和

将很可能开始偏离初始图像。

因此，需要图像一致性操作以确保子图像的总和再次产生初始图像。

这可以以各种方式来实现，例如通过将差异重新分配在不同分量上来实现：

用于确保一致性的另一种方法是添加附加的子图像，该子图像被定义为

。

优化问题因此简化为

，其中ln可以是简单的范数，或误差的另一度量。

已经详细描述了本发明的优选实施例，现在对于本领域技术人员将显而易见的是，在不脱离如所附权利要求中限定的本发明的范围的情况下，可以在其中进行多种修改。