用于處理選通圖像數據的方法和系統的制作方法

專利名稱：用于處理選通圖像數據的方法和系統的制作方法
技術領域：
本公開涉及處理圖像數據的方法和系統。
背景技術：
在正電子發射斷層攝影(PET)成像和單正電子發射計算機斷層攝影(SPECT)成像中,對患者施予放射性藥物。典型地選擇放射性藥物以便放射性藥物基于身體中的生理或生物化學過程優先地或區別地分布在身體中。例如，可選擇由腫瘤組織優先處理或吸收的放射性藥物。在這樣的示例中，該放射性藥物將典型地采用較大濃度設置在患者內的腫瘤組織周圍。在PET成像的環境中，放射性藥物典型地在患者內分解或衰變，從而在該過程中 釋放一對在相反方向上移動的伽馬射線。在SPECT成像中，當放射性藥物在患者內分解或衰變時產生單伽馬射線。這些伽馬射線與相應PET或SPECT掃描儀內的檢測機構(其允許定位衰變事件)相互作用，由此提供放射性藥物分布在患者中哪些地方的視圖。采用該方式，護理者可以觀察放射性藥物在患者中哪些地方不相稱地分布，并且可由此識別具有診斷意義的生理結構和/或生物化學過程位于患者內哪里。PET或SPECT檢查可在相對長的時間間隔中，例如在二十五至三十分鐘的歷程中實行。即，與放射性藥物關聯的衰變過程可在一段時間中發生，在此期間收集測量并且在此期間患者必須保持相對靜止。然而，對于患者可能難以在這樣的檢查所牽涉的時間段期間保持理想地靜止。此外，即使不考慮患者可能進行的有意或可控運動，例如患者的呼吸和/或心跳等各種生理過程必然在所述時間間隔中將運動引入檢查過程。這樣的運動(有意或以別的方式)可在所得的可視化中引起偽像和/或其他偏差，這可減少或限制護理者或其他醫學專業人士隔離患者中聚集放射性藥物的位點或感興趣位點的能力。

發明內容
在一個實施例中，提供用于生成圖像的方法。根據該方法，使用第一成像模態采集第一圖像數據集。將該第一圖像數據集被分選至多個選通門中來生成多個選通數據集。每個選通數據集被重建來生成每個選通數據集的相應選通圖像。配準這些相應選通圖像來生成多個配準圖像。從該多個配準圖像生成中值圖像。該中值圖像的每個體素是該多個配準圖像的對應體素的相應中值。還提供對應的計算機可讀介質和系統實施例。在一個實施例中，提供用于生成圖像的方法。根據該方法，使用第一成像模態采集第一圖像數據集。該第一圖像數據集被分選至多個選通門中來生成多個選通數據集。每個選通數據集被重建來生成每個選通數據集的相應選通圖像。配準這些相應選通圖像來生成多個配準圖像。從該多個配準圖像生成平均圖像或加權平均圖像。該平均圖像或加權平均圖像使用關于異常數據在統計上是魯棒的估計器生成。還提供對應的計算機可讀介質和系統實施例。在一個實施例中，提供用于生成圖像的方法。根據該方法，使用第一成像模態采集第一圖像數據集。該第一圖像數據集被分選至多個選通門中來生成多個選通數據集。每個選通數據集被重建來生成每個選通數據集的相應選通圖像。配準這些相應選通圖像來生成多個配準圖像。從該多個配準圖像生成平均圖像或加權平均圖像。該平均圖像或加權平均圖像使用識別該多個配準圖像中的異常值，并且丟棄識別的異常值或降低其權重的估計器生成。還提供對應的計算機可讀介質和系統實施例。


當下列詳細描述參照附圖(其中所有圖中同樣符號代表同樣部件)閱讀時，本發明的實施例的這些和其他的特征和方面將變得更好理解，其中 圖I是根據本公開的方面的PET成像系統的圖解表示；
圖2是描繪根據本公開的一個實施例的用于生成中值圖像的圖像處理步驟的流程圖；圖3是描繪根據本公開的一個實施例的用于生成平均圖像的圖像處理步驟的流程圖；圖4是描繪根據本公開的一個實施例的用于生成加權平均圖像的圖像處理步驟的流程 圖5描繪概率密度函數，其描述使用模擬數據導出的中值和平均值；
圖6描繪圖5的中值和平均值的聯合分布函數；
圖7描繪概率密度函數，其描述使用包括模擬異常值的模擬數據導出的中值和平均
值；
圖8描繪另一個概率密度函數，其描述使用包括模擬異常值的模擬數據導出的中值和平均值；并且
圖9描繪根據本公開的用于生成平均或加權平均圖像的一個合適的成本函數的示例。
具體實施例方式本文公開的實施例提供用于處理采集的圖像數據和從使用成像模態(例如PET或SPECT成像模態、計算機斷層攝影(CT)或磁共振成像(MRI)成像模態等)和/或組合成像模態(例如PET/CT或SPECT/CT成像系統等)收集的數據重建圖像的算法。在一個實施例中，選通采集的圖像數據使得在同樣運動時期或同樣時間間隔期間采集的圖像數據分箱在一起(例如，基于時間/階段或位移信息)。圖像可從采集的圖像數據重建并且這些重建的圖像可配準到參考圖像。在某些實施例中，可將這些配準圖像平均，而在其他實施例中可對這些配準的圖像確定中值圖像。在其中確定該中值圖像的實現中，異常值對計算的中值圖像的影響由于計算中值所采用的方式(即，通過將測量值排序并且將最中心的測量或將兩個最中心測量的平均指定為中值)而可簡單地忽略。基于這些方式，生成具有比采用單個選通門的實例中更好的噪聲性質的輸出圖像。在其他實施例中，可采用步驟來解決異常數據測量的存在，該異常數據測量可能是錯誤的和/或其可使圖像配準過程扭曲或引起配準過程失敗。在一個這樣的實施例中，可識別并且排除數據異常值(例如通過自動化算法的運算)。在其他實施例中，可利用合適的成本函數來操縱異常值的處理以便達到有用數據測量相對于可妨礙配準過程和有用輸出圖像的生成的測量的排除的合適平衡。考慮前述并且現在轉向附圖，圖I描繪根據本公開的某些方面操作的PET或SPECT系統10。如將意識到的，在其他實現中相應成像系統可對應于另一個類型的成像模態，例如CT或MRI成像系統等。僅僅描繪和論述圖I的PET或SPECT成像系統來便于在特別的環境中解釋目前公開的圖像處理方式使得可更容易意識到該方式的方面。現在回到圖1，描繪的PET或SPECT系統10包括檢測器組件12、數據采集電路14和圖像重建與處理電路16。PET或SPECT系統10的檢測器組件12典型地包括圍繞成像體積設置的許多檢測器模塊(一般由標號18指代)，如在圖I中描繪的。描繪的PET或SPECT系統10還包括操作者工作站26和圖像顯示工作站28。另外，根據一個實施例，描繪運動傳感器20 (例如，運動跟蹤器)和運動采集電路22。在一個這樣的實施例中，該運動傳感器20和該運動采集電路22可提供為獨立于PET或SPECT系統10，例如心電圖儀(或用于監測心臟和/或呼吸運動的其他電機構)、包括適合監測呼吸的流量表或流量計的呼吸電路、和/或適合監測呼吸和/或心臟運動的一個或多個加速計、應變表或壓力傳感器等。在其他實施例中，該運動采集電路22可使用原始或處理的圖像數據監測患者的心臟和/或呼吸狀態，這些數據例如可由PET或SPECT系統10或 由與PET或SPECT系統10結合使用的單獨成像模態(例如由計算機斷層攝影(CT)或其他基于X射線的成像模態或由可見光或紅外拍攝裝置等)提供。為了便于解釋和論述PET或SPECT系統10的操作，檢測器采集電路14和圖像重建與處理電路16與其他圖示的部件(例如，檢測器組件12、操作者工作站26和圖像顯示工作站28)獨立示出。然而，在某些實現中，這些電路中的一些或全部可提供為檢測器組件12、操作者工作站26和/或圖像顯示工作站28的部分。例如，在圖像重建與處理電路16上執行或提供為其的部分(不管提供為檢測器組件12、操作者工作站26以及/或圖像顯示工作站28的部分)的硬件、軟件和/或固件可用于進行本文描述的各種圖像處理動作。在某些實現中，圖像重建與處理電路16可包括專門編程的硬件、存儲器或處理器(例如，專用集成電路(ASIC))用于進行如本文論述的圖像處理步驟(例如，圖像數據選通、圖像配準、平均和/或中值的計算、體素值、運動估計、成本函數優化等)。相似地，這些圖像處理步驟中的全部或部分可使用一個或多個通用或專用處理器和配置成在這樣的處理器上執行的存儲代碼或算法進行。同樣，專用硬件和/或電路的組合可與配置成執行存儲的代碼的一個或多個處理器結合使用來實現本文論述的步驟。這樣的圖像處理步驟的結果可在操作者工作站26或單獨的圖像顯示工作站28 (如果存在的話)中的一個或兩者上顯示。記住上文論述的PET或SPECT系統10的示例，或其他類型的合適成像系統的對應部件，提供這樣的系統的一個示例的簡短描述來便于本方式的進一步解釋。通過示例，PET成像主要用于測量在組織和器官中發生的代謝活動，并且特別地用于定位反常代謝活動。在PET成像中，患者典型地被注入包含放射性示蹤劑的溶液。該溶液在身體中不同程度地分布和吸收，其取決于采用的示蹤劑和器官與組織的功能。例如，腫瘤典型地比相同類型的健康組織處理更多葡萄糖。因此，包含放射性示蹤劑的葡萄糖溶液可由腫瘤不相稱地代謝，允許腫瘤通過放射性發射來定位和可視化。特別地，放射性示蹤劑發射正電子，其與互補電子相互作用并且湮滅互補電子來產生伽馬射線對。在每個湮滅反應中，發射在相反方向上傳播的兩個伽馬射線。在PET成像系統10中，該對伽馬射線由檢測器組件12檢測，檢測器組件12配置成確定在時間上充分近地檢測到的兩個伽馬射線由相同湮滅反應來生成。由于湮滅反應的性質，這樣的一對伽馬射線的檢測可用于確定伽馬射線在撞擊檢測器之前傳播所沿的響應線，從而允許湮滅事件到該線的定位。通過檢測許多這樣的伽馬射線對并且計算由這些對傳播的對應線，可估計放射性示蹤劑在身體的不同部分中的濃度并且由此可檢測腫瘤。因此，伽馬射線的準確檢測和定位構成PET系統10的基本和最重要目標。鑒于這些注解，并且現在返回圖I，檢測器采集電路14適應于讀出響應于來自檢測器組件12的檢測器模塊18的伽馬射線所生成的信號。由檢測器采集電路14采集的這些信號提供給圖像重建與處理電路16。圖像重建與處理電路基于導出的伽馬射線發射位點來生成圖像。操作者工作站20由系統操作者利用來提供控制指令給描述的部件中的一些或全部并且用于配置輔助數據采集和圖像生成的各種操作參數。操作者工作站20還可顯示該生成的圖像。備選地，該生成的圖像可在遠程查看工作站顯示，例如圖像顯示工作站
99坐乙乙 -Tjj O在某些實例中，被生成圖像的感興趣區域可能易于運動(有意或無意的)。例如，在 心臟和/或肺附近生成的圖像可能易受呼吸和/或心臟運動影響。這樣的運動可不利地影響對于這些區域生成的圖像的診斷值。同樣，由于運動引起的圖像數據異常值和/或其他圖像采集偽像(例如由于衰減錯配和/或發散估計問題等)可防止反常圖像數據的適當配準并且導致配準步驟引入誤差。在某些實現中，涉及導致運動的生理事件的數據(如可由運動采集電路22采集的)也可提供給圖像重建和處理電路16來進行運動補償、校正或識另U。這樣的方式的示例在2010年8月31日提交的名為“MOTION COMPENSATION IN IMAGEPROCESSING (圖像處理中的運動補償)”的美國專利申請序列號12/873039中論述，其為所有目的通過引用全文結合于此。此外，在某些實施例中，異常或反常數據測量可通過使用關于這樣的異常事件是魯棒的中值體素或圖像計算和/或通過使用在圖像優化過程中使用的合適的成本函數來解決。在其他實例中，預期伽馬射線發射的定位和/或觀察到的水平隨時間變化，這例如是由于生理過程(例如，代謝過程)和/或放射劑的衰變率造成的。在這樣的動態場景中，描述注射或吞下的藥劑的動力行為的時間模型可在關于該模型評估隨時間采集的測量中使用。在這樣的實現中，運動可能是因素。因此，在某些實施例中，當生成動態圖像時涉及導致運動的生理事件的數據可相似地提供給圖像重建與處理電路。轉向圖2，提供用于使用例如在圖I中描繪的成像系統生成圖像的方法40的示例。根據該示例，描繪方法40用于識別或補償例如由于描述的患者運動引起的圖像數據中的差別。根據該示例，生成(框42)或以別的方式采集一組圖像數據44。在一個實施例中，與該圖像數據44結合采集(框46)—組例如呼吸或心臟運動數據的對應的運動數據48。在描繪的該示例中，使用一組運動數據48來將該圖像數據44選通(框50)或分箱進入不同階段的同樣數據，例如選通數據52。在其他實施例中，運動數據48可不存在并且該圖像數據44可相反基于與采集過程關聯的時間索引或間隔來選通。例如，在這樣的實施例中，每個選通門或箱可包含兩分鐘間隔中采集的數據，使得在十分鐘檢查期間，可生成五個兩分鐘選通門，檢查的每個相繼的兩分鐘間隔對應一個這樣的選通門。不管選通過程是基于運動、時間還是運動及時間，可處理選通圖像數據52來生成(框54)對應于每個相應選通門的相應圖像56。即，重建與每個選通門關聯的圖像數據52來生成對應于每個相應選通門的相應圖像56。一旦生成選通圖像56，這些選通圖像56彼此配準或配準到一個或多個規定的參考圖像62 (框60)，例如使用基于參考的可變形配準過程等。該配準過程可以是剛性的或是非剛性的并且起作用來基于識別或分段特征變換每個配準的圖像64以對應于具有相同特征的參考圖像62。盡管在圖中單獨描繪來便于解釋，在某些實施例中該參考圖像62可以是配準的圖像64中的一個或配準的圖像64的一些或全部的總和。在其他實施例中，參考圖像62可以是標準化圖像(例如來自圖集或使用動力模型生成的圖像等)或通過其他技術((例如計算機斷層攝影(CT)或磁共振成像(MRI)等))采集的結構圖像。在存在第二成像模態的某些實現(例如兩個成像模態提供在組合系統中或作為單獨和不同的成像模態的PET/CT或PET/MRI等)中，由兩個模態采集的數據可獨立選通使得選通門之間的運動對于每個模態相對應。例如，在第一模態是PET系統并且第二模態是CT或MRI系統的一個實施例中，由PET和CT或MRI系統兩者采集的數據可選通使得兩個模態的選通數據集包括受到對應運動的數據。在一個這樣的實現中，兩個數據集可基于時間索引選通使得相同的時間索引數據被分配或分選進入單獨數據集的對應選通門。由不同成像模態采集的數據的選通門的相應數目可相同或不同。在選通門的數目關于由不同成像模態采集的數據不同的實例中，可使用由一個模態(例如CT系統等)采集的數據導出運動模型， 并且該導出的運動模型然后可擬合至由另一個模態(例如PET系統等)采集的選通數據。在一個這樣的實施例中，可重建第二組選通圖像數據(例如,上文的示例中的CT或MRI圖像數據)來生成相應選通圖像，將其配準來導出每個選通圖像的相應運動場，如本文關于主圖像數據集(例如，上文示例中的PET圖像數據)論述的。通過將第二模態(例如，CT或MRI)的選通圖像配準導出的運動場然后可用于對選通主模態(例如，PET )圖像數據中的運動進行校正。可與本文論述的各種方式中的每個一起來采用這樣方式，其中使用由第二圖像模態采集的數據來導出用于進一步處理由第一模態采集的圖像數據的運動場。即，就本文中論述運動數據或運動場的導出或使用(例如用于對運動校正，進行選通圖像的配準和/或識別異常值等)來說，運動數據或場可從由主圖像模態(對于其來重建圖像數據)采集的圖像數據或從由第二圖像模態采集的圖像數據來導出。配準過程60生成一組配準的圖像64，其在變換以對應于相應參考圖像或多個圖像后對應于選通圖像56。在描繪的示例中，這些配準的圖像64可用于生成(框68)中值圖像70。例如，在其中生成中值圖像70的實施例中，該中值圖像70可根據以下(在每個體素)在選通門方面上計算
(I)
I=medianf^, r2’, )
其中Ifedian是中值圖像，&是配準的圖像，#是選通門的數目，并且^是體素索引。即，在每個相應體素索引處的中值圖像70通過將所有選通門的數據排序并且選擇中點作為體素值而計算。在存在偶數個數據點的實例中，可使用兩個最中間的點的平均作為中點。采用該方式，可生成中值圖像70，其中每個體素處的值是從配準的圖像確定的跨選通門的該體素的中值。如將意識到的，中值運算減少或消除異常數據點的影響并且不要求規定任何參數。此外，在統計意義上，中值的分解點是50%，其意味差不多一半觀察值在中值估計分解前可能被潛在破壞。一旦生成，中值圖像70可由訓練人員查看供評價。轉向圖3，在另一個實施例中，描繪其中將配準的圖像64平均(框82)來生成平均圖像84的方法80。例如，在其中采用平均過程的實施例中，該平均圖像84可通過根據以下(在每個體素)在選通門方面上計算平均而獲得
⑵
l>f ffj
其中I，是平均圖像，對應于給定配準的圖像中的給定體素的體素值，Λ/是選通門的數目，^是選通門索引，并且r是體素索引。該平均圖像84可由訓練人員查看供評價。備選地，轉向圖4，在另外的實施例中，描繪其中配準的圖像64經歷加權平均運算(框92)來生成加權平均圖像96的方法90。基于從配準過程導出的信息(例如，運動估計、變換矢量等等)生成在描繪的實施例中采用的權重因子94，這些信息可用于在加權的配準的圖像64內的個體體素或體素區域中提供置信度的某種估計或置信度的缺少。在一個實現中，加權平均圖像96可根據以下導出
M/ M·
(3)
g-1 I I-I
其中是加權平均圖像，^是選通門索引^指示圖像內的相應體素位置或體素索引對應于給定配準選通圖像中的給定體素的加權因子對應于給定配準圖像中的給定體素的體素值。在一個實現中，加權因子#局部地基于配準的成功的估計，但也可采用其他加權方案。關于可采用的加權方案，在一個實施例中，權重因子94可基于運動分析，如從配準過程確定的。例如，在一個這樣的實施例中，配準圖像&通過在變形網格&上插入原始選通圖像Ig獲得，其中Dg是估計的變形場(給出每個體素中的3D矢量，規定該體素位于參考圖像中哪里)。在這樣的實現中，方程(3)中的權重因子#可(局部地)基于估計配準有多么成功來確定。可使用不同的度量來確定權重例如，如果體素/選通門中估計的變形根據現有知識太大，它的權重可設置為零，例如
“、—J1 對 Ib I <4cot
另外，在一個實現中，變形場的3x3雅可比矩陣的行列式值/可用作度量。對于連續變形場久雅可比行列式可計算為
(BDi \
(5)/ = cbt ^
其中i和從I到3。在一個實現中，雅可比行列式/可使用離散變形場&的第I階差分計算。如果為負，它指示不可逆變換，并且對應的權重可設置為零。此外，非常大的雅可比行列式可指示大的膨脹或運動，其可以指示醫學圖像環境中身體上不太可能(或不可能)的事。因此，一個簡單的加權方案可如下
J | if O <J <5
(6)Wj =ip
p 10otherwise
在出現非常大的運動使得選通門和參考選通門中的特征之間沒有重疊的情況下，配準算法可錯誤地返回微小變形(大概因為它被限于局部最小值)。該情況在前面的加權方案中可能未被檢測到。因此在一個實現中，可包含檢查配準后圖像值是否接近的度量。例如當使用參考選通門辦時，這樣的檢查可根據以下進行
(7)w^ = e^{-(rp-lj/2a2)
其中σ從已知噪聲因子或可允許的圖像差別來確定。實際上，上文的權重可對平滑圖像計算來減少噪聲的影響。另外，可采用基于關于掃描或選通門的外部信息的權重。在一個示例中，圖像的DICOM首部通常包含關于估計的發散分數的信息。對于大多數PET應用，預期該發散分數對于不同的選通門是合理地相似。因此，有用的置信度測量將由發散分數之間的差別關于例如參考選通門的遞減函數或基于群體的測量來給出。在一個實施例中，一組最終權重可基于上文的加權方式中的兩個或更多的乘積確定，例如
/八\sme J yal
(8)Wgv = Wsv
在一個實現中，選通圖像56中的一個可充當圖像配準過程中的剩余選通圖像的參考選通門。在這樣的實施例中，該參考選通門的變形場從而(通過假定)是理想的并且參考選通門的所有權重可設置為I。這確保每個體素總是具有至少一個對加權平均圖像96有貢獻的選通門。應該意識到找到適當加權因子的其他方法可以是有用的。這樣的方式的示例在2010 年八月 31 日提交的名為“MOTION COMPENSATION IN IMAGE PROCESSING (圖像處理中的運動補償)”的美國專利申請序列號12/873039中論述，其為所有目的通過引用全文結合于此。考慮中值圖像70、平均圖像84和加權平均圖像96的計算和使用的先前論述，提供下列統計上模擬的比較來說明這些不同方式的相對優點。在一個這樣的比較中，MonteCarlo方式用于從分選(即，分箱)進入6個選通門的抽樣數據的1，800, 000個運行中獲得平均值和中值，其中數據點基于標準正態分布(即，平均值為O以及標準偏差為I)來生成。該模擬相當于研究在空間上與其他體素無關的單個體素。在圖5中描繪這些平均值和中值的概率密度函數。在該模擬中，平均和中值估計器兩者無偏，但中值具有稍稍變寬的分布，如在圖5中描繪的。在圖6中描繪模擬數據集的聯合分布。如在圖6中描繪的，分布幾乎沿對角線集中。這基本意味平均和中值估計沒有彼此偏離(當不存在異常值時)。從而，在沒有異常數據點時，平均和中值估計器表現得相當。盡管圖5和6描繪在相應選通門之間沒有異常數據的情況下的概率密度和聯合分布函數，圖7和8描繪模擬了異常數據集(即，選通門)的情況下的概率密度函數。特別地，圖7和8基于從具有6個樣本數據選通門與I個異常值選通門的1，800, 000個運行中獲得的模擬數據。所有樣本基于具有I的相同標準偏差的正態分布。圖7描繪其中樣本集中的五個具有O的平均值而一個樣本集具有2. 5的平均值的模擬。圖8描繪其中樣本集中的五個具有O的平均值而一個樣本集具有5. 5的平均值的模擬。如在圖7和8中描繪的，中值估計器保持相對無偏，而平均估計器具有偏向異常數據的平均值。鑒于上文提到的模擬的研究以及其中比較平均圖像84和中值圖像70的使用的臨床研究，認為中值圖像70的使用幫助減輕可歸因于配準過程的偽像并且增加最終估計的魯棒性。考慮生成平均圖像84或加權平均圖像96的先前論述，可意識到統計表征由配準步驟60引入的誤差可能是困難的。這進而可影響真實像素值基于給定數目的數據測量和給定數目的選通門(例如，六個)的估計。因此采用對于異常值的存在更魯棒的用于估計真實像素值的方法可以是有用的。如上文論述的在配準選通門方面上估計平均或加權平均等同于使用如下的(加權)最小二乘成本函數
其中在體素索引K處的圖像的真實值的估計通過對Z最小化該成本函數來獲得。然而，在其他實施例中，采用的估計器不是最小二乘估計器，并且反而是如果有可歸因于隨機異常值噪聲的異常值連同由配準過程引入的正則“高斯”誤差時魯棒的估計器。在這樣的實施例中，采用的成本函數適合甚至在僅存在少數樣本(例如，十個或更少選通門，例如六個選通門等)的實例中使用來魯棒地估計數據。存在兩個不同的方式來減少異常值的影響。在某些實施例中，成本函數適應于在沒有明確識別的情況下降低異常值的權重，而在其他實施例中，異常值可在估計過程期間被明確識別并且拒絕。存在多種成本函數，可采用其來在沒有明確識別的情況下減少異常值的影響，并且其在估計平均圖像或加權平均圖像中可以是適合的。在估計問題中，假設存在#個觀察Λ.，并且^是要估計的參數，成本函數可典型地限定如下
其中P是損失函數，并且該估計通過對Z最小化該成本函數獲得。這樣的估計器一般叫做M估計器。可采用來估計平均或加權平均圖像的估計器的一個示例是Huber損失函數，其限定為
(€%
I噬 C
(id pcm = { , 2 “
從上文的方程可以看出Huber損失函數在二次和非二次行為之間交替。特別地，當丨小于C時Huber損失函數是二次的，否則它隨丨線性升高。實際上，當C趨于O時，損失函數產生中值估計器，然而將它設置到非常大的值將導向平均，即平均值。在圖9中示出對于ε的不同值和C的三個不同值的Huber成本的標繪圖。在估計問題中，假設存在#個觀察Λ.，并且^是要估計的參數，Huber損失函數使用如下
(12) E(x) = lf=ipc 其中最小化對z完成。關于方程12的相應參數，參數σ可以認為是用于跨觀察規格化誤差的一種縮放常數。盡管在上文的表達中，這假設為對于所有數據點是恒定的，但不必如此。在最一般的情況下，該參數也可以隨樣本點變化。這叫做異方差性；其中條件方差隨觀察改變。O的值可以從測量過程先驗地知曉或從數據自身估計(例如使用樣本標準偏差或中值絕對偏差等)。為了跨配準選通門估計像素值，基于獨立因子改變O可以是有用的。例如，運動場的雅可比行列式是配準的正確性或準確性的良好來源。盡管誤配準也在像素值中反映，雅可比行列式提供另外的信息。例如，如上文論述的，雅可比行列式的非常大和小的值指示區域中的變形是不正常的。這樣的度量還可使用外部跟蹤器信息例如以便拒絕具有大的選通門內運動的選通門，或優選接近靜態階段的選通門。考慮到上文提到的加權平均和加權最小二乘估計器之間的關系，在合適的加權方案中使用以下是可能的
權利要求
1.一種用于生成圖像的方法，其包括 使用第一成像模態采集第一圖像數據集； 將所述第一圖像數據集分選至多個選通門中來生成多個選通數據集； 重建每個選通數據集來生成每個選通數據集的相應選通圖像； 配準所述相應選通圖像來生成多個配準圖像；以及 從所述多個配準圖像生成中值圖像，其中所述中值圖像的每個體素是所述多個配準圖像的對應體素的相應中值。
2.如權利要求I所述的方法，其中所述第一成像模態是正電子發射斷層攝影(PET)或單光子發射計算機斷層攝影(SPECT)中的ー個。
3.如權利要求I所述的方法，其中所述多個選通門包括預定數目的選通門。
4.如權利要求I所述的方法，其中所述第一圖像數據集基于時間或運動中的ー個或兩者被分選至所述多個選通門中。
5.如權利要求I所述的方法，其中所述相應選通圖像基于從對使用第二成像模態采集的第二圖像數據集進行的二次配準確定的運動場來配準。
6.如權利要求I所述的方法，其中所述相應選通圖像基于測量的心臟或呼吸運動數據來配準。
7.一個或多個非暫時性計算機可讀介質，其將ー個或多個例程編碼，所述例程當由處理器執行時引起處理器進行動作，所述動作包括 使用第一成像模態采集第一圖像數據集； 將所述第一圖像數據集分選至多個選通門中來生成多個選通數據集； 重建每個選通數據集來生成每個選通數據集的相應選通圖像； 配準所述相應選通圖像來生成多個配準圖像；以及 從所述多個配準圖像生成中值圖像，其中所述中值圖像的每個體素是所述多個配準圖像的對應體素的相應中值。
8.如權利要求7所述的ー個或多個非暫時性計算機可讀介質，其中所述第一成像模態是正電子發射斷層攝影(PET)或單光子發射計算機斷層攝影(SPECT)中的ー個。
9.如權利要求7所述的ー個或多個非暫時性計算機可讀介質，其中所述多個選通門包括預定數目的選通門。
10.如權利要求7所述的ー個或多個非暫時性計算機可讀介質，其中所述第一圖像數據集基于時間或運動中的一個或兩者被分選至所述多個選通門中。
11.如權利要求7所述的ー個或多個非暫時性計算機可讀介質，其中所述相應選通圖像基于從對使用第二成像模態采集的第二圖像數據集進行的二次配準確定的運動場來配準。
12.如權利要求7所述的ー個或多個非暫時性計算機可讀介質，其中所述相應選通圖像基于測量的心臟或呼吸運動數據來配準。
13.—種圖像處理系統,其包括 存儲ー個或多個例程的存儲器，以及 處理部件，其配置成執行存儲在所述存儲器中的所述ー個或多個例程，其中所述ー個或多個例程當由所述處理部件執行時使用第一成像模態采集第一圖像數據集； 將所述第一圖像數據集分選至多個選通門中來生成多個選通數據集； 重建每個選通數據集來生成每個選通數據集的相應選通圖像； 配準所述相應選通圖像來生成多個配準圖像；以及 從所述多個配準圖像生成中值圖像，其中所述中值圖像的每個體素是所述多個配準圖像的對應體素的相應中值。
14.如權利要求13所述的圖像處理系統，其中所述第一成像模態是正電子發射斷層攝影(PET)或單光子發射計算機斷層攝影(SPECT)中的ー個。
15.如權利要求13所述的圖像處理系統，其中所述多個選通門包括預定數目的選通門。
16.如權利要求13所述的圖像處理系統，其中所述第一圖像數據集基于時間或運動中的一個或兩者被分選至所述多個選通門中。
17.如權利要求13所述的圖像處理系統，其中所述相應選通圖像基于從對使用第二成像模態采集的第二圖像數據集進行的二次配準確定的運動場來配準。
18.如權利要求13所述的圖像處理系統，其中所述相應選通圖像基于測量的心臟或呼吸運動數據來配準。
19.一種用于生成圖像的方法，其包括 使用成像模態采集第一圖像數據集； 將所述第一圖像數據集分選至多個選通門中來生成多個選通數據集； 重建每個選通數據集來生成每個選通數據集的相應選通圖像； 配準所述相應選通圖像來生成多個配準圖像；以及 從所述多個配準圖像生成平均圖像或加權平均圖像，其中所述平均圖像或加權平均圖像使用關于異常數據在統計上是魯棒的依賴運動的估計器生成。
20.一種用于生成圖像的方法，其包括 使用成像模態采集第一圖像數據集； 將所述第一圖像數據集分選至多個選通門中來生成多個選通數據集； 重建每個選通數據集來生成每個選通數據集的相應選通圖像； 配準所述相應選通圖像來生成多個配準圖像；以及 從所述多個配準圖像生成平均圖像或加權平均圖像，其中所述平均圖像或加權平均圖像使用識別所述多個配準圖像中的異常值并且丟棄所述識別的異常值或降低其權重的估計器生成。
全文摘要
本公開涉及用于處理選通圖像數據的方法和系統。描述用于處理一組圖像的方法和系統。根據該公開，重建選通圖像數據并且配準所得的圖像。在一個實施例中，基于這些配準的圖像生成中值圖像。在其他實施例中，平均圖像或加權平均圖像利用關于異常數據是魯棒的成本函數從這些配準的圖像生成。
文檔編號A61B6/00GK102846326SQ20121018037
公開日2013年1月2日 申請日期2012年6月4日 優先權日2011年6月3日
發明者S.蒂魯文卡丹, R.穆利克, K.F.J.J.蒂勒曼斯, S.維斯瓦納桑 申請人:通用電氣公司