X射线CT系统及方法技术方案

实施方式的X射线CT系统具备取得部及处理部。取得部取得第1图像和第2图像，第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，第2图像对应于离散的第2视图群，且为基于伴随着第2能量的X射线的照射而采集到的第2投影数据集的图像。处理部针对基于第1图像及第2图像来生成将第1图像中的条纹状伪影减少后的第3图像及将第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入第1图像及第2图像，从而生成第3图像及第4图像。

【技术实现步骤摘要】
X射线CT系统及方法
本专利技术的实施方式涉及X射线CT系统及方法。
技术介绍
计算机断层摄影(CT)系统及方法，尤其针对医用摄像及医用诊断，被广泛使用。CT系统一般而言制作与被检体的身体有关的一个或者多个截面性的切片的图像。X射线管等的放射源从一侧面对身体照射X射线。通过了该身体的放射线的衰减通过对从检测器收到的电信号进行处理来测定，该电信号被使用于通过执行逆拉东变换(逆Radon变换)(或者其等同的变换)来重构身体的图像。原来，为了测定CT投影数据而使用能量积分型检测器，但最近，光子计数检测器正在成为对于以往的能量积分型检测器的可执行的代替手段。光子计数检测器(photoncountingdetectors：PCDs)还包括具有执行光谱CT的能力，有很多的优点。为了获取被发送的X射线数据的光谱的本质，光子计数检测器将X射线束分割为其成分能量或者光谱窗口(bin)，并且计数各窗口中的光子的数量。光谱CT包括以两个以上的能级发送的X射线的检测，所以光谱CT如其名字那样，通常包括双能CT。光谱CT及双能CT之所以有利是因为，适于物质辨别的执行，由此能够从身体的软组织中区分出骨，能够对医师、医疗临床医生提供较多的临床的信息。各种各样的构成能够使用于CT中的光谱摄像。一般而言，光谱CT构成能够分类为两个类型。即(i)与能量积分型检测器组合而生成X射线源下的不同的能谱(例如，高速kVp(kilo－voltagepeak)切换、及双线源构成)，(ii)伴随能量识别/分解检测器的涉及范围广的能谱X射线源。更详细而言，实用意义上的光谱CT构成存在以下四种，即PCD光谱的分解检测器、双层检测器、双线源及检测器系统、及高速kVp切换。例如，上述的PCDs能够作为伴随涉及范围广的光谱X射线源的能量分解检测器而使用。能量分解检测器的另一个其他的类型，如滤波器执行将检测到的X射线分为不同的能带(例如，能够按能量将光子分离的双层)的功能那样、使用在独立的能量积分型检测器之前配置的各种各样的X射线能量滤波器。在第三光谱CT构成中，双X射线源一个一个地对置配置，形成其自身CT扫描系统的各个线源－检测器对互相不重叠或者不与其他相干涉(例如，以正确的角度配置)，并且各个线源－检测器对用与其他不同的X射线光谱来操作。以该配置，能够同时地执行使用两个不同的X射线光谱的两个CT扫描。在第四构成中，能够使用伴随着使用高速kVp－切换的X射线的、单一的积分型线源，该高速kVp－切换是随着绕患者旋转的CT扫描的视角而快速地切换高能量X射线光谱和低能量X射线光谱。但是，在针对光谱/双能CT的这四个代替手段各自中，有其独特的缺陷和短处。例如，光子计数检测器(PCDs)容易受脉冲堆积(pulsepileup，即，存在由单一的检测器产生的多重X射线检测事件在检测器的时间响应内的情况)的影响。并且，想要通过使横截面区域中的PCD更小从而抑制堆积这一尝试，由于针对电荷移动/分配(sharing)及k溢出(escape)更容易受到影响，通过折衷而受制约。在双层检测器方法中，闪烁器和光电倍增管的组合，苦于低能量噪声、以及想要实现频带外的能量抑制而不充分的最优化。并且，能量分离由于两个读出光谱间的严重的重复而恶化。双线源及双检测器构成苦于耗费成本和散射截面效应。由于与极超短波生成器和为了同时采集高能量投影数据和低能量投影数据而使用的同时数据采集系统(dataacquisitionsystems：DASs)相关联的、附加的成本，高速kVp切换构成也为高成本。因此，期望将关联方法中的上述所确定的缺陷消除的、更好的光谱CT方法。
技术实现思路
专利技术要解决的课题本专利技术要解决的课题在于，实现将针对光谱CT构成所确定的缺陷消除的光谱CT。用于解决课题的手段实施方式的X射线CT系统具备取得部及处理部。上述取得部，取得第1图像及第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像。上述处理部，针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。附图说明图1表示一个实施方式的、计算机断层摄影(CT)扫描中的X射线源及检测器的配置的概略性的图。图2A表示一个实施方式的、针对高速kVp切换的X射线源的视角/位置的例子。图2B表示一个实施方式的、作为针对高速kVp切换的时间函数的kV的峰值(kVp)的例子。图3A表示一个实施方式的、针对稀疏的kVp切换的X射线源的视角/位置的例子。图3B表示一个实施方式的、作为针对稀疏的kVp切换的时间函数的kVp值的例子。图4表示一个实施方式的、通过低及高kVp切换而放射的X射线的能谱有关的概率密度函数的曲线图。图5A表示一个实施方式的、使用迭代近似应用剂量降低(adaptiveiterativedosereduction：AIDR)三维(3D)重构法，根据针对80kVp的较低的kVp值的稀疏的kVp切换投影数据进行重构而重构出的图像。图5B表示一个实施方式的、使用AIDR－3D法，根据针对135kVp的较高的kVp值的稀疏的kVp切换投影数据进行重构而重构出的图像。图5C表示一个实施方式的、图5A及图5B中的图像的合计。图6表示一个实施方式的、为了校正稀疏的kVp切换投影数据中的伪影、而学习并且使用深度学习(DL)人工神经网络(artificialneuralnetwork：ANN)所用的流程图的例子。图7A表示一个实施方式的、针对用80kVp采集到的全视图投影数据与学习数据集中的图5A中的图像被设为成对这一情况的高画质图像的例子。图7B表示一个实施方式的、针对用135kVp采集到的全视图投影数据与学习数据集中的图5B中的图像被设为成对这一情况的高画质图像的例子。图8表示一个实施方式的、为了校正根据稀疏的kVp切换产生的稀疏的视图伪影、而使用低及高画质图像数据来学习的、双通道DL－ANN网络的例子。图9表示一个实施方式的、为了校正根据稀疏的kVp切换投影数据重构出的图像中产生的伪影、而学习并且使用DL－ANN所用的局部的流程图的例子。图10表示一个实施方式的、为了执行图像域物质辨别、而学习并且使用DL－ANN所用的流程图的例子。图11表示一个实施方式的、为了执行图像域物质辨别而学习的、双通道DL－ANN网络的例子。图12表示一个实施方式的、为了校正伪影并且执行图像域物质辨别、而分别学习并且使用两个不同的DL－ANN网络的流程图。图13表示一个实施方式的、将校本文档来自技高网...

【技术保护点】
1.一种X射线计算机断层摄影系统，具备：/n取得部，取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像；及/n处理部，针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。/n

【技术特征摘要】
20190717 JP 2019-132018;20181221 US 16/231,1891.一种X射线计算机断层摄影系统，具备：
取得部，取得第1图像和第2图像，该第1图像对应于离散的第1视图群，且为基于伴随着第1能量的X射线的照射而采集到的第1投影数据集的图像，该第2图像对应于与上述第1视图群不同的离散的第2视图群，且为基于伴随着与上述第1能量不同的第2能量的X射线的照射而采集到的第2投影数据集的图像；及
处理部，针对基于上述第1图像及上述第2图像而生成将上述第1图像中的条纹状伪影减少后的第3图像及将上述第2图像中的条纹状伪影减少后的第4图像的学习完毕模型，输入上述第1图像及上述第2图像，从而生成上述第3图像及上述第4图像。


2.如权利要求1所述的X射线计算机断层摄影系统，
与上述第3图像对应的第3视图群及与上述第4图像对应的第4视图群分别包括上述第1视图群及上述第2视图群。


3.如权利要求2所述的X射线计算机断层摄影系统，
上述第3视图群比上述第1视图群多，上述第4视图群比上述第2视图群多。


4.如权利要求1所述的X射线计算机断层摄影系统，
上述第1投影数据集及上述第2投影数据集分别是正弦图。


5.如权利要求1所述的X射线计算机断层摄影系统，
上述第3图像及上述第4图像分别是与图像重构所必要的全部的视图对应的计算机断层摄影图像。


6.如权利要求1所述的X射线计算机断层摄影系统，
上述取得部，
取得对多个检测器元件中的X射线放射的亮度进行表示的投影数据，该投影数据构成上述第1投影数据集及上述第2投影数据集，上述第1投影数据集表示使用对X射线源施加的第一电压而采集到的第一稀疏视图数据，上述第2投影数据集表示使用对上述X射线源施加的第二电压而采集到的第二稀疏视图数据，上述第二电压比上述第一电压大，上述第一稀疏视图数据通过与采集到上述第二稀疏视图数据的第2视图群不同的第1视图群而采集，
根据上述第一稀疏视图数据，重构上述第1图像即第一低能量图像，
根据上述第二稀疏视图数据，重构上述第2图像即第一高能量图像，
上述处理部构成为，
取得具有低能量图像用的一个输入通道和高能量图像用的另一个输入通道这两个通道的伪影减少神经网络，上述伪影减少神经网络是使用如下学习数据集进行学习而得到的上述学习完毕模型，该学习数据集包含输入图像和对象图像，该输入图像是具有互补的条纹状伪影的稀疏的视图重构出的图像的一个一个的对，该对象图像是上述条纹状伪影已被降低的对应的对象图像，
将上述第一低能量图像和上述第一高能量图像应用于上述伪影减少神经网络，以生成作为伪影减少图像的上述第3图像及上述第4图像。


7.如权利要求6所述的X射线计算机断层摄影系统，
上述伪影减少图像包含作为上述第3图像的第二低能量图像和作为上述第4图像的第二高能量图像，上述第二低能量图像表示上述条纹状伪影被降低后的上述第一低能量图像，并且上述第二高能量图像表示上述条纹状伪影被降低后的上述第一高能量图像。


8.如权利要求7所述的X射线计算机断层摄影系统，
上述处理部还构成为，
取得具有上述低能量图像用的一个输入通道和上述高能量图像用的另一个输入通道这两个通道的物质辨别神经网络，上述物质辨别神经网络在条纹状伪影被降低后的低能量图像与高能量图像的对被应用于上述物质辨别神经网络的情况下，以生成第一物质图像和第二物质图像的方式而学习，
将上述第二低能量图像和上述第二高能量图像应用于上述物质辨别神经网络，以生成被物质辨别后的图像。


9.如权利要求8所述的X射线计算机断层摄影系统，
上述物质辨别神经网络使用如下学习数据集而学习，该学习数据集为，被物质辨别后的对象图像包含针对射束硬化的校正、并且使为了生成上述对象图像而使用的X射线束中的空间的变动明显的学习数据集。


10.如权利要求6所述的X射线计算机断层摄影系统，
上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，对象图像基于使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而生成的学习数据集。


11.如权利要求6所述的X射线计算机断层摄影系统，
在稀疏的视图重构出的图像被应用于上述伪影减少神经网络的情况下，上述伪影减少神经网络也是作为综合处理而学习了降低条纹状伪影并且将光谱图像辨别为物质成分这两方的物质辨别神经网络。


12.如权利要求11所述的X射线计算机断层摄影系统，
上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，对象图像是从根据使用低能量X射线束而采集到的第一全视图投影数据和使用高能量X射线束而采集到的第二全视图投影数据而重构出的光谱图像中辨别出的物质图像的学习数据集，
上述输入图像是根据使用上述低能量X射线束而采集到的第一稀疏视图投影数据和使用上述高能量X射线束而采集到的第二稀疏视图投影数据而重构出的光谱图像，上述第一稀疏视图投影数据是与上述第二稀疏视图投影数据的投影视图不同的角度下的投影视图。


13.如权利要求6所述的X射线计算机断层摄影系统，
上述伪影减少神经网络使用如下学习数据集而学习，该学习数据集为，上述输入图像使用为了重构上述第一低能量图像和上述第一高能量图像而使用的重构法相同的重构法来重构的学习数据集。


14.如权利要求8所述的...

【专利技术属性】
技术研发人员：周健，刘研，余宙，
申请(专利权)人：佳能医疗系统株式会社，
类型：发明
国别省市：日本;JP