地，计算机可读指令中的至少一个能够由载波、信号和 /或其他瞬态介质来承载。
[0035] 图2示意性地图示了处理系统126的范例。如所示，处理系统126接收4D数据集 作为输入。
[0036] 掩膜生成器200生成权重的掩膜以对包围当前正被分析的感兴趣体素（或体素的 区域）的体素值进行加权，并且掩膜施加器202将掩膜施加到正被分析的体素。图3示出 了具有向其施加的3D高斯掩膜306的体素304的体积302。掩膜306具有离体素308特定 半径距离中的定义的西格玛值（或宽度）和定义的界限。与体素308相邻的体素的部分被 利用接近一（1)的值进行加权，并且加权的值随一体素到体素308的距离而下降。本文中 还预期其他加权函数（例如，二进制、线性、指数、阶梯等）。
[0037] 参考图2和图3,直方图生成器204基于掩膜306来生成针对体素304中的一个 或多个和一个或多个时间帧（例如，体素304和/或时间帧中的每个或子集）的加权直方 图310。在范例直方图310中，将每个体素304的贡献乘以来自掩膜306的对应权重之后， X轴312表示指示图像信息（例如，CT图像中的亨斯菲尔德（Hounsfield)单位）的值，并 且y轴314表示指示针对每个HU值的体素的数目的值。出于清楚和简要的目的，图3仅示 出了体素304中的两个的加权贡献和一个时间帧。
[0038] 对于掩膜306,如果体素304离感兴趣体素308相对远，则体素对y轴314中的直 方图贡献将成比例地减小，但是它对X轴312的贡献不变。以这种方式，与特定的空间位置 相对应的直方图310的形状将不是非常敏感于扫描的相继的时间帧之间任何组织的未对 准，所述未对准是由运动和/或其他方式导致的。另外，在中心体素之外逐渐减小的加权模 式将对更一致的灌注图做出贡献。一般地，直方图表示包围经分析的体素的加权图像信息。
[0039] 通过更加具体的范例的方式，非限制性的合适的3D高斯掩膜306能够被定义为 K1OVM) = cxp(-(/_2 _/:,2+_/2 _/:2+A2 _/:2)/2/#2)，其中，[rx, ry, rj 是图像体积中的方向性的 _/像素缩放，[i, j, k]是Wtl高于确定的阈值的指数（在感兴趣体素[0, 0, 0]周围）。经归 一化的加权掩膜W能够被导出以满足SW= 1。高斯宽度ξ (mm)确定了直方图的"群组长 度"。相关的亨斯菲尔德单位（HU)范围中的直方图分箱分区是预定义的。在由掩膜覆盖的 每个体素（在感兴趣体素附近）将对应的掩膜权重添加到包括图像体素 HU值的直方图分 箱的高度的过程中构建加权直方图。以这样的方式，在中心体素之外逐渐减小的加权模式 将对平滑且更一致的灌注图做出贡献。
[0040] 关于图2,直方图评估器206对加权直方图进行评估，并且针对每个组织成分确定 代表性值。在该范例中，组织成分的数目是预定义的，并且被存储在组织类别存储器208 中。在另一实例中，经由指示识别组织成分的期望数目的用户输入的信号来识别组织成分 的数目，基于4D数据集（例如，基于经扫描的组织、成像协议等）来自动地确定组织成分的 数目等。出于简要和清楚的目的，以下将描述组织成分的数目是二（2)的范例。
[0041] 图4不出了分别表不针对三个不同时间帧的相同体素的三个范例直方图402、404 和406。参考图2和图4,直方图评估器206包括直方图划分器210,所述直方图划分器210 将每个直方图划分成与成分数目相等的若干段或范围。如所示，直方图402被划分成具有 相等的宽度并且较高地重叠（>50%的重叠）的段408和410,直方图404被划分成具有相 等的宽度并且较低地重叠（〈50%的重叠）的段412和414,并且直方图406被划分成具有 相等的宽度并且不重叠（包括间隔）的段416和418。
[0042] 在另一实例中，范围中的至少两个具有不同的宽度。直方图估计器206还包括直 方图代表性值确定器212,所述直方图代表性值确定器212针对段408-418中的每个确定代 表性值。在该范例中，直方图代表性值确定器212通过确定段408-418中的每段周围的势 头（例如一阶、二阶或高阶的）来确定代表性值。宽度还能够定义权重以用于计算所述势 头。本文中还预期其他方法。
[0043] 图5图示了另一范例。对于该范例，描述了针对两个组织成分的单直方图500分 析。
[0044] 参考图2和图5,直方图划分器210将下阈值502确定为高于来自较低的HU范围 的直方图数据点的HU值，在所图示的实施例中，所述较低的HU范围表示低于总面积的5% (或其他百分数）的面积，并且将上阈值504确定为低于来自较高的HU范围的直方图数据 点的HU值，在所图示的实施例中，所述较高的HU范围表示低于总面积的5% (或其他百分 数）的面积。直方图代表性值确定器212计算总直方图500的"重心"506,例如（ΣΧ?ι)/ (Σ')，其中， yi是直方图分箱高度，并且Xi是分箱位置的HU值。直方图代表性值确定器 212计算502与506之间的直方图500的HU范围508,并且计算506与504之间的直方图 500的HU范围510。
[0045] 如果508的长度小于预定的模型参数，则508根据模型参数与长度之间的差向右 侧延伸（或者如果它较窄，则直到直方图的右边界）。在所图示的范例中，508的长度小于 模型参数，并且因此向右延伸。长度508还向直方图的较低HU边界延伸，创建范围512。如 果510的长度小于模型参数，则510根据模型参数与长度之间的差向左侧延伸（或者如果 它较窄，则直到直方图的左边界）。在所图示的范例中，不对此做出要求，这是因为510的长 度大于模型参数。长度510还向直方图500的较高HU边界504延伸，创建范围514。
[0046] 直方图代表性值确定器212针对范围512计算"重心"516。为此，由512和514两 者覆盖的数据点（在范例中是两个点）将它们的值的一半贡献给512范围的"重心"计算， 确定516。直方图代表性值确定器212针对范围514计算"重心"518。为此，由512和514 两者覆盖的数据点（在范例中是两个点）将它们的值的一半贡献给514范围的"重心"计 算，确定518。HU值516和518是该位置和时间帧中的两个组织成分的代表性分布值。
[0047] 关于图2,参数确定器214根据直方图确定一个或多个参数。例如，在一个实例中， 任选的参数确定器214基于直方图来确定不同成分的相对体积之间的关系。组织类别的相 对体积能够被确定为直方图的相关段中的加权面积。参数关系能够被确定为例如组织成分 的相对体积之间的比率（或其他类似的函数）。本文中还预期其他的参数关系。
[0048] 通过其他范例的方式，结合图2和图5,参数确定器214计算范围512的直方图值 下由总直方图面积划分的总面积，并且计算范围514的直方图值下由总直方图面积划分的 总面积。对于全部两种情况，由512和514两者覆盖的数据点（在范例中是两个点）将它 们的值的一半贡献给512和514中的值的和。在所图示的范例中，针对第一相对体积的结 果是66. 3%，并且针对第二相对体积的结果是33. 7%。
[0049] 关于图2,时间活动曲线（TAC)生成器216基于直方图的段来生成针对体素304 的时间活动曲线（TAC)。利用两个组织类别继续以上的范例，针对每个直方图生成两个TAC 点，针对每个段有一个TAC点。图6示出了针对沿着被测时间帧的每个直方图的两个段的 集合的两个TAC 602和604的范例。为了确定两个TAC 602和604, TAC生成器216采用找 出（特定时间帧的）数据点中的哪个属于组织类别中的每个的算法。为此，相关的假定组 织中的血流模式的模型能够用于促进对该信息进行确定。
[0050] 图7和图8示出了这样的模型的范例。在图7中，模型（例如，基于关于器官的先 验知识来）假设单个循环流是相关的（例如，只有动脉流）。这样，范例划分模式是主要包 含血管并具有较高的对比度增强的一个组织类别（轮廓线702)，以及诸如具有较低对比度 增强的实质性器官的第二组织类别（轮廓线704)。在图8中，假设了两个不同的循环流，第 一组织类别（轮廓线802)中的第一流和第二组织类别（轮廓线804)中的第二流。在该范 例中，两条轮廓线802和804在806处交叉。
[0051] 参考图5和图9,在另一范例中，一对TAC值中的成对点属于两个组织类别中的每 个。遵循图5,对于每个时间帧存在两个数据点。TAC生成器216首先确定每个时间帧中的 两个数据点中的哪个属于第一组织成分而哪个属于第二组织成分。一般地，能够预测