CN102804228B - 功能图像数据增强和/或增强器 - Google Patents

Abstract

一种用于增强功能图像数据的方法，其包括：获得功能图像数据；获得对应于所述功能图像数据的解剖学图像数据；以及通过在所述功能图像数据和解剖学图像数据的基础上使所述功能图像数据扩散而生成增强的功能图像数据。

Description

功能图像数据增强和/或增强器

技术领域

以下总体涉及功能成像数据的增强，将借助对多模态成像系统的特定应用来对其进行描述，其中，所述多模态成像系统的一个成像系统主要提供功能信息，所述多模态成像系统的另一个成像系统主要提供解剖学信息。这里也可以设想单独的功能成像系统和解剖学成像系统。

背景技术

就例如PET-CT、SPECT-CT和PET-MRI等双模态成像系统而言，PET或SPECT成像数据主要提供功能信息，而CT或MRI成像数据则主要提供解剖学信息。除了常用的几何配准、辐射衰减校正和融合可视化之外，在两个信息集之间几乎不采用算法交互。例如，曾经有人演示过一些尝试，试图利用更加高级的交互作用进行患者运动校正以及功能图像的协同增强。

就协同增强而言，有文献公开了试图提高PET空间解析度，增强图像对比度，校正分体积效应，降低图像噪声，以及向功能图像添加可能出现在解剖学图像中的精细结构的技术。这些技术主要以小波分解、隐马尔可夫树和正则化迭代解卷积这些数学技术为基础。这些方案中的一些，例如，隐马尔可夫树非常复杂，而且难以优化。此外，所公布的结果只表明了部分改善，其可能不足以实现可靠的临床使用。

所公开的其他针对双模态成像的相关技术采用独特的定靶CT造影剂材料和PET放射示踪剂的相关联的生理分布。借助这种技术，CT图像还将提供功能信息。其他的一些技术则尝试采用解剖学数据校正功能核成像数据中的运动伪像。还有其他的一些技术对肺结节的PET图像施行校正，其前提是能够在CT图像上准确地检测到结节。

从上文来看，存在一种有待解决的需求，即，需要新的并且不明显的使用功能成像数据和解剖学成像数据的系统和/或方法。

发明内容

本申请的各个方面解决了上述和其他问题。

根据一个方面，一种用于增强功能图像数据的方法包括：获得功能图像数据；获得对应于所述功能图像数据的解剖学图像数据；以及通过在所述功能图像数据和解剖学图像数据的基础上扩散所述功能图像数据而生成增强的功能图像数据。

根据另一方面，一种功能图像数据增强器包括处理器，该处理器通过对功能图像数据应用非线性扩散算法而生成增强的功能图像数据。

根据另一方面，一种计算机可读存储介质编码有指令，所述指令在通过计算机执行时使所述计算机的处理器执行下述步骤：生成经调适的功能图像数据，其中，基于所述功能图像数据和所述解剖学图像数据中的结构之间的相关性对功能图像数据中的结构进行调适，使之适应于解剖学图像数据中的结构。

本发明可以采取各种部件和部件布置的形式，以及各种步骤和步骤布置的形式。附图的用途仅在于对优选实施例进行图示，而不应理解为对本发明构成限制。

附图说明

图1示出了一种包括用于采集功能图像数据的成像系统和用于采集解剖学图像数据的成像系统的示范性多模态成像系统以及被配置为基于所述功能图像数据和解剖学图像数据增强功能图像数据的计算部件。

图2示出了一种包括功能图像数据增强处理部件的示范性功能图像数据增强器。

图3示出了一种示范性功能图像数据增强处理部件。

图4示出了一种示范性功能图像数据增强工作流程。

图5示出了一种功能图像数据增强的示范性方法，其包括对功能图像数据进行调适和平滑处理。

图6示出了一种用于对功能图像数据进行调适和平滑处理的示范性方法。

具体实施方式

下文涉及基于功能图像数据和解剖学图像数据来增强功能图像数据。在一个例子中，其包括采用相关非线性扩散方案增强功能图像数据，在所述方案中，通过某种方式改变功能图像数据的结构，使它们的流类似于解剖学图像数据的结构。一般而言，只要是在所述功能和解剖学图像数据中的对应形态相关的情况下都可以存在这种处理，并且两种图像数据集之间的调适的程度是可选择的。

在一些功能成像模态中，通过成像系统能够检测到的适当的示踪剂、标记、造影剂材料等的摄入水平来表示生理功能。然而，在其他功能成像模态中，通过例如在测量身体的电磁信号的MEG和EEG中直接测量生物学信号来表示功能信息。应当认识到，此处采用的摄入一词通常描述任何相关的功能图像信息。

应当认识到所述功能和解剖学图像数据可以来自于多模态成像系统，例如，PET-CT、SPECT-CT、PET-MRI和具有光学成像的临床前CT，并且/或者可以来自于单独的成像系统。其他适当的成像模态包括US、x射线放射照相术、功能MRI、磁性粒子成像（MPI）、红外成像、脑磁波描记（MEG）、脑电波描记（EEG）和/或其他成像系统。

图1示出了一种示范性系统100。所述系统包括至少一个成像系统102。所示出的成像系统102包括至少两个子成像系统，即，至少生成功能图像数据的第一成像系统104和至少生成解剖学图像数据的第二成像系统106。在另一实施例中，第一成像系统104反过来或者另外又生成解剖学图像数据，并且/或者第二成像系统106反过来或者另外又生成功能图像数据。在又一实施例中，所述第一和第二成像系统104和106是分开的单独的系统。

系统100还包括计算部件108，例如，工作站、台式计算机、膝上型电脑、手持计算设备等。所述计算系统包括一个或多个处理器110和存储器112，例如，所述存储器是采用数据114和/或指令116对其进行编码的计算机可读介质，在通过处理器110执行时，所述数据和/或指令将使计算系统108执行各种操作。至少采用功能图像数据增强指令118对所示出的存储器112进行了编码。输入/输出120提供了用于接收诸如算法参数的输入和/或将诸如受到增强的功能图像数据传送至（例如）一个或多个远程装置122的接口。

适当的远程装置122的例子包括但不限于显示器、计算机、数据库、图片存档及通信系统（PACS）和/或其他装置。受到增强的功能图像数据能够通过联系初始功能图像数据、解剖学图像数据和/或其他图像数据来进行可视化和/或做进一步处理。或者或此外，所述功能图像数据增强指令118能够通过第一或第二成像系统104或106、另一成像系统、PACS系统、其他计算部件和/或其他系统的至少其中之一来存储和/或实施。

以下进行更详细的描述，在一个例子中，所述功能图像数据增强指令118使所述功能图像数据中的结构适合于所述解剖学图像数据中的结构，例如，至少在对应的模态相关的地方是这样。其结果是，相对于省略了功能图像数据增强指令的配置，获得了功能信息和解剖学信息之间的更好的调适。此外，其可以在（例如）背景摄入未发生变化的地方以更高的信噪比（SNR）实现功能图像数据的图像锐化。

因而，能够实现功能图像数据中的形态结构的更好的描绘，与此同时获得更加准确的功能图像值。就作为功能模态的一个代表实例的核医学而言，这样做可以得到改进的临床应用，例如，对小的转移的检测和功能评估、勾勒肿瘤轮廓以用于放射治疗规划和后续措施以及对放射示踪剂摄入的定量评估。其还可以促进扫描时间和/或放射示踪剂剂量的降低。

图2示出了基于解剖学图像数据而增强功能图像数据的功能图像数据增强器202。功能图像数据增强器202能够通过处理器110（图1）执行功能图像数据增强指令118（图1）的和/或其他方式来执行。所示出的功能图像数据增强器202接收功能图像数据、解剖学图像数据以及任选的一个或多个参数。所述功能图像数据和/或解剖学图像数据可以包括重构的图像数据。在一个例子中，对所述重构的图像数据应用诸如衰减校正、空间配准等的各种处理。

所述功能图像数据增强器202包括对所述功能和/或解剖学图像数据进行预处理的相关增强前处理部件204。例如，在一个非限制性例子中，所述相关增强前处理部件204对所述功能和/或解剖学图像数据进行重新采样。例如，在一个例子中，其可以包括对功能图像数据（或解剖学图像数据）重新采样，以使其适合所述解剖学图像数据（或所述功能图像数据）相同的体素大小和位置（例如，沿x、y和/或z方向）。在一个例子中，对具有相对较为粗略的采样网格的图像数据进行预处理，从而使其图像数据适合具有相对较为精细的采样网格的图像的采样网格。在另一个例子中，对两种图像数据集都重新采样。在又一个例子中，对两种图像数据集都不重新采样。

在另一非限制性实施例中，相关增强前处理部件204对所述图像数据集的至少其中之一，例如，对所述功能图像数据集应用锐化算法。适当的锐化算法包括图像解卷积技术，例如，Lucy-Ri chardson解卷积或者其他基于MLEM的解卷积。可以通过2D-轴体层的锐化和/或1D轴向锐化或者完全的3D锐化来应用锐化。也可以设想其他算法。在一个例子中，所述锐化在只增加适度的噪声的情况下使功能图像数据显著锐化。可以将所述锐化算法等同地应用于整个功能图像数据体或其预定部分。

在另一实施例中，省略相关增强前处理部件204。

所述功能图像数据增强器202还包括相关增强处理部件206。在图示的实施例中，相关增强处理部件206基于解剖学图像数据对经过预处理的功能图像数据应用相关非线性扩散算法。在一个例子中，其可以包括按照非线性的方式对经过预处理的功能图像数据进行平滑处理、边缘增强或形变处理中的一者或多者，其中，所述功能图像数据的梯度和所述解剖学图像数据的梯度控制所述平滑处理/边缘增强/形变。

出于（例如）增强算法的内部迭代的目的，可以按照一种不同的方式或者按照类似的方式使解剖学图像数据平滑。所述相关非线性扩散算法可以是（例如）具有预定次数的迭代的单迭代或多迭代算法。方程1示出了这样的算法的非限制性例子：

方程1：

$\frac{\∂I_{\mathrm{functional}}}{\∂t}=\▿\·(g\left(\right|\▿I_{\mathrm{anatomical}}\left|\right)\·\▿I_{\mathrm{functional}}),$

其中，I对应于图像数据的值，t表示算法迭代进程，g是非线性函数，del算子确定图像梯度，del-dot算子确定发散。

采用方程1，在图像数据处理过程中，生理功能信息既作为解剖学信息的空间梯度的函数又作为功能信息的空间梯度的函数而以迭代的方式发生变化。所述迭代变化通过这样一种方式发生，即，使得所述功能信息的形态结构倾向于适应解剖学信息的相关形态结构。这种适配趋势随着结构相关性的增大而增大。

在图示的实施例中，将各种输入参数用于图像数据增强。例如，一个适当的参数包括锐度参数。这样的参数可以界定功能图像数据锐化的水平以及对具有满足预定摄入范围的摄入的小的图案的相关强度校正。另一个适当的参数包括调适参数。这一参数可以确定功能图像数据到解剖学图像数据的取决于相关性的形态调适的水平。

因而，这一参数控制赋予解剖学形态的相对重要性（或权重）。另一个适当的参数包括背景参数。这一参数能够用来界定功能图像数据内的被看作是不应受到增强的背景摄入的强度范围。这里也可以设想额外的和/或替代的参数。在一个非限制性实施例中，对于至少一个所述参数而言，用户可以将参数设定为，或者可以采用默认文件将参数设定为开启或关闭、低、中、高或其他。

功能图像数据增强器202还包括相关增强后处理部件208。其中，相关增强前处理部件204对所述图像数据进行上采样和/或尺寸重设，可以采用相关增强后处理部件208在初始图像数据体素尺寸和/或位置的基础上对图像数据进行下采样和/或尺寸重设。在一个例子中，采用反走样算法对所述图像数据进行重新采样和/或尺寸重设。

功能图像数据增强器202的输出至少包括增强的功能图像数据。如文中讨论的，可以采用初始功能图像数据、解剖学图像数据和/或其他图像数据使增强的功能图像数据可视化和/或对其做进一步处理。

应当认识到，如果局部功能图像数据形态与对应的解剖学图像数据形态相似或者与之相关，那么使功能图像数据增强的概率就高。然而，如果不存在这样的局部相关性，那么也不会使所述局部功能图像数据劣化。在缺少相关性的情况下，例如，在表现功能的生理特征不具有对应的显著解剖学形态的情况下，这一特点可能是有利的，而且其还能够缓解由患者运动或者功能形态与解剖学形态之间的不准确空间配准导致的伪像。

此外，所述增强不需要任何分割或复杂的形态分析，因为通过图像梯度反映了形态相关性。因而，可以按照相同的方式对整个体积应用所述增强而不必识别具体的结构。此外，内部和/或用户参数未强加锐利的边界或阈值，从而允许灵活直观的调整。

图3示出了图2的相关增强处理部件206的示范性实施例。主处理块302包括调适处理块304和平滑处理块306，以及处理块参数设置器308。所述处理块参数设置器308包括指示所述主块302、调适处理块304和/或平滑处理块306的迭代次数的参数。

在图示的实施例中，处理块参数设置器308伴随主块302的每次迭代更新所述调适处理块304和/或平滑处理块306的一个或多个参数。在一个例子中，所述处理块参数设置器308可以相对于主块302的前一次迭代提高主块302的每次迭代中的所述块304的迭代的次数。处理块参数设置器308还可以相对于302的前一次迭代更新302的每次迭代当中的304的非线性扩散算子中的非线性项，以降低扩散通量具有正斜率的梯度范围。这一受到调节的参数更新可以实现随梯度幅度的降低而执行相对更强的扩散。其可以促进针对锐化和针对平滑的调适作用的均衡。其还可以避免增强过程中的伪（spurious）分段效应。

调适处理块304包括解剖学图像数据（AID）梯度确定器310、功能图像数据（FID）扩散器312和解剖学图像数据（AID）扩散器314。调适处理块304调适功能图像数据形态，使之适合解剖学图像数据形态。调适处理块304进行预定次数的迭代运算，例如，所述次数是由处理块参数设置器308确定的，所述迭代次数随着主块302的每次迭代而增大。

AID梯度确定器310确定解剖学图像数据的梯度。采用所述梯度控制功能图像数据和解剖学图像数据二者的扩散。功能图像数据扩散器312基于所述梯度使所述功能图像数据扩散。在一个非限制性实例中，在与所述解剖学图像数据的扩散相关的情况下使所述功能图像数据扩散。所述解剖学图像数据扩散器314基于所述梯度使所述解剖学图像数据扩散。在一个非限制性实例中，还通过非线性方式使所述解剖学图像平滑。调适处理块304的输出是中间增强功能图像数据。

平滑处理块306包括功能图像数据（FID）梯度确定器316和功能图像数据（FID）扩散器318。在图示的实施例中，平滑处理块306基于一种非线性方案使所述中间功能图像数据平滑或使其模糊。在所示的例子中，使平滑处理块306进行预定次数的迭代运算，例如，所述次数是由处理块参数设置器308确定的，所述迭代次数随着主块302的每次迭代而增大。

处理块参数设置器308还可以相对于302的前一次迭代而更新302的每次迭代当中的306的非线性扩散算子中的非线性项，以降低扩散通量具有正斜率的梯度范围。这一受到调节的参数更新可以实现：（例如）根据调适块304的扩散处理，随着梯度幅度的降低而执行相对更强的扩散。

在一个例子中，所述平滑处理有助于在不引入过多的噪声和/或对解剖学图像数据的看起来过于像伪像的调适的情况下创建所述功能图像数据的更加逼真的外观。FID梯度确定器316确定调适块304输出的功能图像数据（中间增强功能图像数据）的梯度。采用所述梯度控制受到调适的功能解剖学图像数据的扩散。功能图像数据扩散器318基于所述梯度使所述增强的功能图像数据扩散。

主块302通常进行多次迭代，对于主块302的每次迭代，调适处理块304和/或平滑处理块306都进行多次迭代。在所有的迭代之后，主块302的输出是增强的功能图像数据。

如上文指出的，计算部件108（图1）应用相关非线性扩散算法来增强功能图像数据。下文提供了适当的相关非线性扩散算法的非限制性例子。

在方程2中示出了所述非线性扩散方案的一般微分方程：

方程2：

$\frac{\∂I}{\∂t}=\▿\·(g\left(\right|\▿I\left|\right)\·\▿I),$

其中，I是图像像素值的阵列，t与迭代相关，g的定义可以如方程3中所示：

方程3：

$g\left(\right|\▿I|,\mathrm{\λ})=1-\exp (-\mathrm{Cm}/{\left(\right|\▿I|/\mathrm{\λ})}^m),$

其中，λ是变量，Cm通过方程4获得：

方程4：

Cm=root(1-exp(-x)-m·x·exp(-x))。

其中，m可以是常数参数。就这一形式的g而言：F=0，其中：F=最大值，其中：并且，F→0，其中：并且所述通量为：

$F=g\left(\right|\▿I\left|\right)\·\▿I.$

就一种方案而言，相关非线性扩散使得一幅图像中的变化与第二幅图像中的梯度相关。作为方程5的函数，其实现了第一幅图像到第二幅图像的调适：

方程5：

$\frac{\∂I_1}{\∂t}=\▿\·(g\left(\right|\▿I_2|,\mathrm{\λ})\·\▿I_1).$

为了使功能图像数据适合于解剖学图像数据的图案，将功能图像数据用于I₁，将解剖学图像数据用于I₂。

表1示出了用于所述扩散的示范性伪码。

表1

第1行中的表达式定义了输入功能图像数据和解剖学图像数据。第2行开始了所述主块302的迭代（图3）。第3行开始所述调适处理块304的内部相关扩散迭代。第4行涉及解剖学图像数据的作为其自身的梯度的函数的扩散。第5行涉及功能图像数据的作为解剖学图像数据梯度的函数的扩散。第7行将中间增强功能图像定义为向所述平滑处理块306的输入。

第8行开始所述平滑处理块306的内部扩散迭代。第9行涉及功能图像数据的作为功能图像数据梯度的函数的扩散。第11行指示了用于块302的下一外部迭代的两图像值。第12行描述了更新内部迭代的次数和非线性参数（λ）的趋势。第14行指示了新的功能图像数据的最终结果。（第4、5、9行内的）因数s为增量因数（例如，常数s=0.2）。

图4示出了功能图像数据增强的示范性工作流程。在402中，诸如医生、放射科医师、技师等的经授权的用户选择功能图像数据和解剖学图像数据，例如，PET图像数据和对应的CT图像数据。若不然也可以自动选择输入数据。

在404中，获得一个或多个处理参数。如文中讨论的，适当的参数包括锐度、调适和背景。锐度参数决定功能图像数据的锐化水平，调适参数定义功能图像数据到解剖学图像数据的取决于相关性的形态调适的水平，背景参数定义功能图像数据中被看作是背景摄入的强度的粗略范围。如文中所述，这些参数可以包括默认的和/或用户定义的参数。

在406中，基于所述解剖学图像数据和所述参数增强所述功能图像数据。增强的功能图像数据可以包括将所述图像数据标识为增强的功能图像数据的标记。在一个例子中，其有助于区分初始图像数据与增强的图像数据。

在408中，对增强的功能图像数据进行显示和/或否则对其进行处理。可以联系初始功能图像数据、解剖学图像数据和/或其他图像数据对所述增强的功能图像数据进行显示和/或否则对其进行处理。

图5示出了例如与图4的操作406有关的功能图像数据增强的示范性方法。

在502中，对功能图像数据和/或解剖学图像数据进行重新采样和/或尺寸重设，以使其适合相同的体素大小和位置。

在504中，对经处理的功能图像数据的整体或者预定子集（例如，等同地）应用锐化算法。

在506中，对经锐化的功能图像数据应用相关非线性扩散，以生成增强的功能图像数据。在一个例子中，其包括对功能图像数据进行调适和平滑处理，例如，如下文结合图6所述，或者采取其他方式。

在508中，对经处理的功能图像数据进行下采样和/或将其尺寸重设至初始功能图像数据体素大小和/或位置。

在510中，对增强的功能图像数据加以显示和/或对其加以利用，例如，单独利用或者联系初始功能图像数据、解剖学图像数据和/或其他数据对其加以利用。

图6示出了例如结合图5的操作506对功能图像数据进行调适和平滑处理的示范性方法。

在602中，确定解剖学图像数据的梯度。

在604中，采用所述梯度使所述功能图像数据扩散（使之平滑和/或对其进行边缘增强和/或使之发生形变）。

在606中，判断是否针要对经扩散的功能图像数据重复操作602和604。

如果是，那么在608中，采用所述梯度使所述解剖学图像数据扩散，并利用经扩散的功能图像数据和经扩散的解剖学图像数据重复操作602-606。

如果否，那么在610中确定经扩散的功能图像数据的梯度。

在612中，采用所述梯度使经扩散的功能图像数据扩散。

在614中，判断是否要针对经扩散的功能图像数据重复操作610和612。同样地，能够预置迭代次数。

如果是，那么采用来自操作614的输出功能图像数据重复操作610-614。

如果否，那么在616中，采用来自上一步骤612的经处理的功能图像数据、来自上一步骤608的经处理的解剖学图像数据和更新后的处理参数来判断是否要重复操作602-614。

在618中输出增强的功能图像数据。

上述操作可以通过计算机可读指令来执行，在通过计算机处理器执行所述指令时，所述指令将使所述处理器执行文中描述的操作。在这种情况下，将所述指令存储在与相关计算机关联和/或能被其访问的诸如内存的计算机可读存储介质中。

已经参考优选实施例描述了本发明。在阅读并理解了前述详细说明后，本领域技术人员可以想到修改和变化。这意味着，应当将本发明构造为包括所有此类落在所附权利要求及其等同形式的范围内的修改和变化。

Claims (14)

1.一种用于增强功能图像数据的方法，包括：

获得功能图像数据；

获得对应于所述功能图像数据的解剖学图像数据；以及

通过使用相关非线性扩散算法使所述功能图像数据扩散，从而使得所述功能图像数据中的结构被调适以适合于所述解剖学图像数据中的结构，而生成增强的功能图像数据，其中，所述相关非线性扩散算法使用所述功能图像数据和所述解剖学图像数据。

2.根据权利要求1所述的方法，生成所述增强的功能图像数据包括：

基于所述功能图像数据和所述解剖学图像数据中的结构之间的相关性对所述功能图像数据中的结构进行调适，使之适合于所述解剖学图像数据中的结构。

3.根据权利要求1所述的方法，还包括：

以迭代的方式应用所述算法，其中，对于相继的迭代而言，相对于前一迭代以更高的强度对低梯度区域应用所述算法。

4.根据权利要求3所述的方法，其中，对于相继的迭代而言，相对于前一迭代，降低了用于区分低梯度区域和高梯度区域的梯度值。

5.根据权利要求1所述的方法，还包括：

在增强所述功能图像数据之前使所述功能图像数据锐化。

6.根据权利要求5所述的方法，其中，对所述功能图像数据均匀地应用锐化。

7.根据权利要求1、3和4中的任何一项所述的方法，还包括：

调适功能图像数据形态，使之适合于解剖学图像数据形态。

8.根据权利要求7所述的方法，其中，调适包括：

a)确定用于所述解剖学图像数据的梯度；

b)基于所述梯度对所述解剖学图像数据进行平滑处理；以及

c)基于所述梯度和经平滑处理的解剖学图像数据，对所述功能图像数据进行平滑处理和/或边缘增强和/或使之发生形变。

9.根据权利要求8所述的方法，还包括：

采用经平滑处理的解剖学图像数据和经平滑处理的/边缘增强的/形变的功能图像数据对操作a)-c)进行预定次数的重复。

10.根据权利要求9所述的方法，还包括：

d)确定中间增强功能图像数据的梯度；以及

e)基于所述功能图像数据梯度对所述中间增强功能图像数据进行平滑处理。

11.根据权利要求10所述的方法，还包括：

采用经平滑处理的功能图像数据对d)-e)进行预定次数的重复。

12.根据权利要求11所述的方法，还包括：

在增强所述功能图像数据之前对所述功能图像数据或所述解剖学图像数据的至少其中之一进行上采样。

13.根据权利要求12所述的方法，还包括：

基于对初始功能图像数据的采样对所述增强的功能图像数据进行下采样。

14.一种功能图像数据增强器(202)，包括：

通过使用相关非线性扩散算法使功能图像数据扩散，从而使得所述功能图像数据中的结构被调适以适合于解剖学图像数据中的结构，而生成增强的功能图像数据的处理器(206)，其中，所述相关非线性扩散算法使用所述功能图像数据和所述解剖学图像数据。