用于在能谱CT和MR中突出相关材料转变的局部能谱协方差或局部能谱协方差亏损计算和显示的制作方法

用于在能谱ct和mr中突出相关材料转变的局部能谱协方差或局部能谱协方差亏损计算和显示
技术领域
1.本发明总体上涉及多能谱成像，并且具体地涉及用于处理包括从不同能谱通道采集的至少两幅单能量图像的感兴趣对象的图像数据的两种备选装置和方法、医学成像系统以及计算机程序单元。


背景技术：

2.由于计算机技术的快速发展和越来越多的文献展现出优于常规单能量成像的巨大优势，多能谱成像在临床实践中变得越来越普遍。例如，能谱ct针对低能量水平到高能量水平生成多个能谱通道，其由康普顿效应和光电效应控制到不同程度。能谱通道也可以被转换成具有纯康普顿图像、纯光电图像和纯(伪/虚拟)单能量图像的各种表示。典型的双层或双能量ct扫描器生成两个独立的能谱通道，而光子计数ct扫描器或mr扫描器或超声(us)探头可以生成n个独立的能谱通道。
3.然而，由能谱图像提供的每个体素的丰富的多能谱信息可能难以压缩到一个视图中以进行高效读取。此外，由于现有的阅读习惯和积累的专业知识，对于查看通常可能偏好常规图像。


技术实现要素：

4.可能需要将多能谱信息压缩成单幅图像。
5.本发明的目的通过独立权利要求的主题来解决，其中，在从属权利要求中并入了另外的实施例。应当注意，本发明的以下描述的方面也适用于两个备选装置和方法、医学成像系统以及计算机程序单元。
6.根据本发明的第一方面，提供了一种用于处理感兴趣对象的图像数据的装置，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像。所述装置包括输入模块、计算模块、绘制模块和输出模块。所述输入模块被配置用于接收所述感兴趣对象的所述图像数据。所述计算模块被配置用于确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵。每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。所述绘制模块被配置用于将所述多个图像位置处的局部方差和/或局部协方差的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加。所述出模块被配置用于提供叠加结果。
7.在示例中，图像数据可以由双能量ct扫描器或多能量ct扫描器采集。例如，在双能量ct中，利用第二x射线能谱(即，第二“能量”)获得另外的衰减测量，从而允许区分多种材料。备选地，这允许对具有已知元素组成的混合物中的两种或三种材料的质量密度进行定量。
8.在另一示例中，图像数据可以通过多参数磁共振成像(mri)来采集，其包括以下序列：t1-加权图像、t2-加权图像、扩散加权图像(dwi)和动态对比增强成像(dcei)。
9.在另一示例中，可以通过一组超声(us)模式，诸如a/b/c/m模式或谐波模式的集合，来采集图像数据。
10.确定第一单能量图像和第二单能量图像中的多个图像位置(诸如像素位置或体素位置)处的局部协方差矩阵。每个局部协方差矩阵是第一单能量图像和第二单能量图像中的多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。对于每个图像位置，可以使用相邻像素或体素的图像块来计算局部方差和协方差。“图像块”是指具有与图像相对应的特定大小、形状和位置的像素或体素的块或组。例如，图像块可以具有预定的像素宽度/高度(例如，7
×
7、9
×
9、11
×
11等)，并且可以基于一个或多个中心像素或体素来定义每个图像块的位置。
11.局部方差和协方差是正定数，并且在材料转变的位置处达到其最高值。多通道图像的强度的方差和/或协方差的局部最大值可以用于定位材料转变。这些材料转变可以由造影剂引起并且指示血液灌注。
12.协方差矩阵值表征某些材料转变类型，例如脂肪组织、肌肉组织、空气、造影剂标记的材料等。例如，图2a-2c表明
‘
光电’图像和
‘
散射’图像中的能谱局部方差敏感地响应于浸没在造影剂标记的粪便残余物中的结肠褶皱，而能谱局部协方差特别地表示标记到空气的材料转变。
13.多个图像位置处的局部方差和/或局部协方差的值可以与第一单能量图像和/或第二单能量图像叠加，以生成第一单能量图像和/或第二单能量图像的叠加呈现。第一单能量图像和/或第二单能量图像的叠加呈现可以在显示器上可视化。
14.局部方差和/或协方差可以仅针对特定转变类型(例如，空气和组织之间的转变)离散地选择，并且矩阵的迹线可以用作针对显示的权重。备选地，可以针对应用特异性相关性连续地对局部方差和/或协方差进行加权。
15.在示例中，局部方差和/或局部协方差的值可以利用颜色编码叠加在标准切片图像上。
16.在另一示例中，可以使用灰度值(诸如逐渐的黑到白颜色)来传达材料转变的提示，这确保了与常规图像一样的熟悉的查看体验、以及在广泛分布的黑白监测器上的可能部署。叠加的不存在/存在和权重可以由操作者(本文中称为“用户”)交互地控制或切换。
17.另一可视化选项是将局部方差幅度或回归值三维(3d)绘制到虚拟显示中，该虚拟显示可以是可交互旋转的。
18.换句话说，相关的材料转变可以以颜色或灰度值的方式叠加，从而传达附加的能谱信息。以这种方式，用户可以仅评估一种图像类型，即一个能谱带，而不必读取两个或甚至整个系列的不同图像表示。某些材料转变在常规图像中可能是不可辨别的，而是在能谱图像通道中是可辨别的。此外，由于仅标记转变线(而不是整个区域)，因此标准图像不会由于逐区域遮挡叠加而杂乱，并且不必改变标准阅读专业知识。
19.根据本发明的实施例，所述计算模块被配置为通过高斯卷积操作来计算每个局部方差矩阵。
20.换句话说，局部方差和协方差可以通过高斯卷积操作(即平滑操作)来计算。可以针对对应于尺度空间的各种核宽度计算高斯滤波，并且因此可以针对协方差尺度空间张量的各种值计算协方差矩阵的整个向量。
21.根据本发明的实施例，所述计算模块还被配置为确定所述局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，以用于确定在其之间发生材料转变的材料的量。
22.换句话说，计算模块还被配置为确定局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，并且基于特征值的数量将局部协方差矩阵中的至少一个局部协方差矩阵分类到n个材料之间的材料转变，其中，n大于或等于2。
23.在示例中，局部方差矩阵的单个特征值可以表示双材料转变(例如，在空气与软组织之间)。
24.在示例中，局部方差矩阵的两个特征值可以表示三材料转变(例如，在空气、软组织和造影剂标记的材料之间)。
25.根据本发明的实施例，所述装置还包括分类器模块，所述分类器模块被配置用于应用预先训练的分类器以将所述局部协方差矩阵中的每一个局部协方差矩阵分类到材料转变类型。
26.分类器的示例可以包括但不限于线性、最大似然、随机森林、支持向量机或人工神经网络，可以用于将任何位置处的协方差分类到材料转变类型。
27.分类的结果可以是从每个局部协方差矩阵或协方差尺度空间张量输出的一个或若干个类型特异性标量值。
28.根据本发明的实施例，预先训练的分类器包括以下中的至少一个：人工神经网络、支持向量机、最大似然或随机森林。
29.根据本发明的实施例，所述多个图像位置包括材料转变的位置。
30.可以基于边缘检测来识别材料转变的位置。边缘检测是一组数学方法的名称，其旨在识别数字图像中的图像亮度急剧变化或更正式地具有不连续性的点。图像亮度急剧变化的点通常被组织成一组称为边缘的曲线段。各种技术可以用于边缘检测，诸如prewitt边缘检测、laplacian边缘检测、log边缘检测、canny边缘检测等。
31.以这种方式，仅在材料转变的位置处计算局部协方差矩阵，以用于识别相关的多能谱材料转变。因此，可以减少计算工作量。
32.根据本发明的实施例，所述装置还包括显示设备，所述显示设备被配置用于显示所述叠加结果。
33.在示例中，图像数据包括通过能谱计算机断层摄影(ct)采集的图像数据或通过能谱磁共振成像(mri)采集的图像数据中的至少一种。
34.根据本发明的第二方面，提供了一种用于处理感兴趣对象的图像数据的装置，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像。所述装置包括输入模块、计算模块和输出模块。所述输入模块被配置用于接收所述感兴趣对象的所述图像数据。所述计算模块被配置用于确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，并且基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定局部协方差亏损。每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。所述输出模块被配置用于提供所述局部协方差亏损，所述局部协方差亏损优选地用于借助于图形提示与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加，并且/或者作为用于执行材料分类的机器学习特征。
35.换句话说，提出了一种用于处理图像数据的备选方法。与本发明的第一方面中指定的确定局部方差和/或局部协方差的方法不同，本发明的第二方面中的备选方法执行通道间协方差亏损的逐体素或逐像素计算。多能谱协方差亏损可以被映射到个体能谱通道上的颜色叠加或所谓的常规切片图像中。备选地或另外地，通道间协方差亏损可以用作用于执行材料分类的机器学习特征。
36.所提出的方法与跨图像体积的空间漂移无关。如下文将讨论的，它还可以允许利用标准滤波器的快速计算，这可以适合于例如在gpu上的大规模并行处理。在该备选方法中，不需要本征值或奇异值分解。
37.根据本发明的实施例，所述装置还包括绘制模块，所述绘制模块被配置用于将所述多个图像位置处的局部协方差亏损的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加。
38.多能谱协方差亏损可以借助于图形提示(例如，逐切片颜色叠加、最大强度投影(mip)、直接体积绘制(dvr)、三维纹理映射等)传达给读者。
39.通过将局部协方差亏损的值与一幅或多幅单能量图像叠加，可以识别并导航到例如由光子计数ct生成的多能谱图像体积中的能谱显著位置。因此，用户可以仅评估一种图像类型，即一个能谱带，并且节省分别读取所有通道图像体积的时间。此外，当各种协方差亏损根据幅度与不同的颜色色调和不透明度叠加时，则这允许在消失方差的平滑区域上的未遮挡视图，同时标记不同的材料转变。因此，尽管不同能谱通道之间的差异可能是细微的并且可能被多能谱通道(所提出的叠加图像)的不同总体动态缩放和偏移进一步遮挡，但是用户仍然能够识别叠加图像中的不同材料转变。特别地，用户可以能够识别指示局部血液灌注差异的所注射的造影剂的细微变化。
40.根据本发明的实施例，所述装置还包括显示设备，所述显示设备被配置用于显示所述叠加结果。
41.根据本发明的实施例，所述装置还包括分类器模块，所述分类器模块被配置用于应用预先训练的分类器以基于所述局部协方差亏损在所述多个图像位置中的一个或多个图像位置处执行材料分类。
42.预先训练的分类器的示例可以包括但不限于基于线性判别分析的分类器(lda)、支持向量机(svm)、随机森林分类器和卷积神经网络(cnn)。
43.可以通过添加局部协方差亏损来增加分类的准确性。对于两个能谱通道，逐体素或逐像素材料分类可以依赖于每个体素/像素的两个单能量值以及局部协方差亏损的值，从而产生每体素/像素的三个特征。对于能谱多频带图像，局部协方差亏损可以是梯度幅度和相关性的计算有效的概况。
44.根据本发明的实施例，所述计算模块被配置为确定图像空间或投影空间中的局部协方差亏损。
45.根据本发明的第三方面，提供了一种医学成像系统。所述医学成像系统包括扫描器和根据第一方面和任何相关示例或根据第二方面和任何相关示例的装置。所述扫描器被配置用于扫描感兴趣对象以采集所述感兴趣对象的图像数据。所述装置被配置用于处理所述感兴趣对象的图像数据。
46.根据本发明的第四方面，提供了一种用于处理感兴趣对象的图像数据的计算机实
施的方法，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像。所述计算机实施的方法包括：
[0047]-接收所述感兴趣对象的所述图像数据；
[0048]-确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；
[0049]-将所述多个图像位置处的局部方差和/或局部协方差的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加；以及
[0050]-提供叠加结果。
[0051]
在示例中，确定局部协方差矩阵的步骤还包括通过高斯卷积操作计算每个局部方差矩阵的步骤。
[0052]
在示例中，确定局部协方差矩阵的步骤还包括确定所述局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，以用于确定在其之间发生材料转变的材料的量。
[0053]
在示例中，所述方法还包括应用预先训练的分类器以将所述局部协方差矩阵中的每一个局部协方差矩阵分类到材料转变类型的步骤。
[0054]
根据本发明的第五方面，提供了一种用于处理感兴趣对象的图像数据的计算机实施的方法，所述图像数据包括在不同能量下从不同能谱通道采集的至少两幅单能量图像，所述计算机实施的方法包括：
[0055]-接收所述感兴趣对象的所述图像数据；
[0056]-确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；
[0057]-基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定局部多能谱协方差亏损；以及
[0058]-提供所述局部协方差亏损，所述局部协方差亏损优选地用于借助于图形提示来传达和/或作为机器学习特征。
[0059]
在示例中，所述计算机实施的方法还包括将所述多个图像位置处的局部协方差亏损的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加。
[0060]
在示例中，所述计算机实施的方法还包括显示叠加结果。
[0061]
在示例中，所述计算机实施的方法还包括应用预先训练的分类器以基于所述局部协方差亏损在所述多个图像位置中的一个或多个图像位置处执行材料分类。
[0062]
在示例中，所述计算机实施的方法还包括确定图像空间或投影空间中的局部协方差亏损。
[0063]
根据本发明的另一方面，提供了一种计算机程序单元，其被配置为在运行期间执行第三方面和任何相关联的示例的方法步骤。
[0064]
在示例中，提供了一种包括所述计算机程序单元的计算机可读介质。
[0065]
有利地，由任何上述方面提供的益处同样适用于所有其他方面，并且反之亦然。
[0066]
如本文所使用的，在机器学习的背景下的术语“学习”是指识别和训练合适的算法以完成感兴趣的任务。术语“学习”包括但不限于关联学习、分类学习、聚类和数字预测。
[0067]
如本文所使用的，术语“机器学习”是指研究能够从过去的经验中推导模式、规则或准则以开发对未来数据的适当响应或以某种有意义的方式描述数据的计算机程序的设计的计算机科学领域。
[0068]
如本文所使用的，在机器学习的背景下的术语“数据驱动模型”是指基于适当的训练数据进行学习的合适算法。
[0069]
如本文所使用的，术语“模型”可以指代专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或群组)和/或存储器(共享、专用或群组)、组合逻辑电路和/或提供所描述的功能的其他合适部件，可以是它们的一部分，或可以包括它们。
[0070]
应当理解，以下更详细地讨论的前述概念和附加概念的所有组合(假设这些概念不相互不一致)被预期为是本文公开的发明主题的一部分。具体地，出现在本公开的结尾处的所要求保护的主题的所有组合被预期为是本文公开的发明主题的一部分。
[0071]
本发明的这些和其他方面将参考下文描述的(一个或多个)实施例变得显而易见并将参考下文描述的(一个或多个)实施例得以阐述。
附图说明
[0072]
在附图中，相似的附图标记贯穿不同的视图通常指代相同的部分。而且，附图不一定按比例绘制，而是通常将重点放在图示本发明的原理上。
[0073]
图1示出了计算机实施的方法的流程图。
[0074]
图2a示出了叠加有局部方差幅度的示例性
‘
光电’图像。
[0075]
图2b示出了叠加有局部方差幅度的示例性
‘
散射’图像。
[0076]
图2c示出了叠加有局部协方差幅度的示例性
‘
散射’图像。
[0077]
图3a示出了具有局部方差幅度的
‘
光电’图像和
‘
散射’图像的示例性合成图像。
[0078]
图3b示出了通过从图3a的示例性合成图像中减去能谱局部协方差的另一示例性合成图像。
[0079]
图4示出了备选的计算机实施的方法的流程图。
[0080]
图5a示出了示例性协方差亏损图像体积，其中，多能谱协方差亏损借助于3d文本映射来叠加。
[0081]
图5b示出了示例性协方差亏损图像体积，其中，使用旋转最大强度投影(mip)来表示多能谱协方差亏损。
[0082]
图6示意性地示出了装置的示例。
[0083]
图7示意性地示出了装置的备选示例。
[0084]
图8示意性地示出了医学成像系统的示例。
具体实施方式
[0085]
在下文中，该方法结合结肠中具有造影剂标记的粪便残留物的腹部能谱ct扫描来进行描述。尽管出于说明的目的使用ct虚拟结肠镜检查的应用描述了以下详细描述，但是本领域技术人员将理解，上面和下面描述的方法、装置和医学成像系统可以适用于其他感兴趣对象(例如血管壁)和其他成像模态(例如mri)。因此，阐述了以下描述的示例，而不失
一般性，并且不对要求保护的发明施加限制。
[0086]
图1示出了根据本公开的一些实施例的计算机实施的方法200的流程图。提出了用于处理感兴趣对象的图像数据的计算机实施的方法200，所述图像数据包括至少两幅单能量图像，诸如在第一能量下采集的第一单能量图像和在不同于第一能量的第二能量下采集的第二单能量图像。
[0087]
计算机实施的方法200可以被实施为存储在非瞬态机器或计算机可读存储介质(诸如随机存取存储器(ram)、只读存储器(rom)、可编程rom(prom)、固件、闪存存储等)中、存储在可配置逻辑(例如可编程逻辑阵列(pla)、现场可编程门阵列(fpga)、复杂可编程逻辑设备(cpld))中、存储在使用电路技术的固定功能硬件逻辑(例如专用集成电路(asic)、互补金属氧化物半导体(cmos)或晶体管-晶体管逻辑(ttl)技术或其任何组合)中的一组逻辑指令中的设备、模块或相关部件。例如，执行方法200中所示的操作的计算机程序代码可以以一种或多种编程语言(包括诸如java、smalltalk、c++、python等的面向对象的编程语言以及诸如“c”编程语言或类似编程语言的常规程序编程语言)的任何组合来编写。
[0088]
在步骤210(即，步骤a))中，接收感兴趣对象的图像数据。
[0089]
医学图像可以是包括图像像素数据的二维图像或包括图像体素数据的三维图像。
[0090]
在示例中，感兴趣对象是结肠。在示例中，感兴趣对象是脉管系统的管腔。
[0091]
在示例中，图像数据可以通过能谱ct来采集。例如，ct中的双能量成像的基本思想是在低能量水平和高能量水平下采集两个数据集，并且使用成对的数据集来推断关于患者的附加信息。双能量成像的物理基础包括在从30kev到140kev的临床相关诊断能量范围内x射线与物质相互作用的两种主要机制，并且两种相互作用是光电吸收和康普顿散射，每个都具有其自身对x射线能量的函数依赖性。光电吸收是用于生成
‘
光电’图像的能量的快速减小函数，而康普顿散射是用于生成
‘
散射’图像的能量的温和函数。
[0092]
在另一示例中，可以通过多参数mri采集图像数据。
[0093]
在步骤220(即，步骤b))中，在第一单能量图像和第二单能量图像中的多个图像位置处确定局部协方差矩阵。每个局部协方差矩阵是第一单能量图像和第二单能量图像中的多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。对于每个像素或体素位置处的局部方差，我们使用相邻像素或体素的小块(其也被称为图像块)的统计。每个图像块表示二维医学图像中的一个或一组像素，或三维医学图像中的一个或一组体素。例如，图像块可以具有预定像素宽度/高度(例如，7
×
7、8
×
8、9
×
9等)，并且可以基于一个或多个中心像素或体素来定义每个图像块的位置。
[0094]
在示例中，对于两个能谱通道，局部协方差矩阵具有2
×
2协方差矩阵，其中，三个是独立的。
[0095]
在示例中，对于n(n》2)个能谱通道，局部协方差矩阵具有n
×
n个协方差矩阵。
[0096]
可选地，局部方差和协方差可以通过高斯卷积操作来计算：
[0097]
var
ii
(x)＝g
σ
*(ii(x)
·ii
(x))-(g
σ
*(ii(x)
·
g*(ii(x))
[0098]
cov
ik
(x)＝g
σ
*(ii(x)
·
ik(x))-(g
σ
*(ii(x)
·
g*(ik(x))
[0099]
其中g
σ
是高斯卷积，并且σ是高斯滤波器的核宽度，ii(x)是在能谱带i处的某个图像位置x处的图像强度，并且ik(x)是在能谱带k处在某个图像位置x处的图像强度。
[0100]
高斯滤波器g
σ
可以针对对应于尺度空间的各种核宽度σ而计算，并且因此可以针
对σ的各种值计算协方差矩阵的整个向量以获得协方差尺度空间张量。
[0101]
局部方差和协方差是正定数，并且在材料转变的位置处达到其最高值。滤波器响应的软度受高斯滤波器宽度σ的影响。
[0102]
与梯度矢量相比，局部方差不是有向的并且不易受噪声影响。
[0103]
可选地，该方法还包括以下步骤：确定局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，以用于确定在其之间发生材料转变的材料的量。
[0104]
例如，对于双能量ct，两个能谱带(
‘
光电’图像和
‘
散射’图像)产生2
×
2局部协方差矩阵。局部协方差矩阵的单个特征值表示双材料转变，而两个特征值表示三材料转变。
[0105]
在步骤230(即，步骤c))中，将多个图像位置处的局部方差和/或局部协方差的值与第一单能量图像和/或第二单能量图像叠加。
[0106]
在示例中，局部方差和/或局部协方差的值可以利用颜色编码叠加在标准切片图像上。
[0107]
另一可视化选项是将局部方差幅度或回归值3d绘制到可交互旋转的虚拟显示中。
[0108]
作为另一选项，可以使用灰度值(逐渐的黑到白颜色，而不是颜色叠加)来传达转变的提示，这确保了与常规图像一样的熟悉的查看体验、以及在广泛分布的黑白监视器上的可能部署。叠加的不存在/存在和权重可以由用户交互地控制/切换。
[0109]
例如，图2a至2c示出了在结肠中具有造影剂标记的粪便残留物的腹部能谱ct扫描中具有两个能谱带(
‘
光电’图像和
‘
散射’图像)的示例。
[0110]
特别地，图2a示出了被示出为更亮轮廓的叠加有局部方差幅度的示例性
‘
光电’图像。该图像表明，
‘
光电’图像中的能谱局部方差敏感地响应于浸没在造影剂标记的粪便残余物中的结肠褶皱。
[0111]
图2b示出了被示出为更亮轮廓的叠加有局部方差幅度的示例性
‘
散射’图像。该图像表明，
[0112]
‘
散射’图像中的能谱局部方差也敏感地响应于浸没在造影剂标记的粪便残余物中的结肠褶皱。
[0113]
图2c示出了被示出为更亮轮廓的叠加有局部协方差幅度的示例性
‘
散射’图像。该图像表明，能谱局部协方差特别地表示标记到空气的材料转变。
[0114]
由于
‘
光电’图像和
‘
散射’图像中的能谱局部方差都敏感地响应于浸没在造影剂标记的粪便残留物中的结肠褶皱，因此这两种图像可以被合成为突出浸没在造影剂标记的粪便残留物中的结肠褶皱。在图3a中图示了示例性合成图像。
[0115]
另外，通过从图3a中的合成图像中减去特别地表示标记到空气的材料转变的能谱局部协方差，可以进一步突出浸没在造影剂标记的粪便残留物中的结肠褶皱的轮廓。在图3b中图示了示例性相减结果。
[0116]
返回到图1，在步骤240(即步骤d))中，将叠加结果提供给例如显示器(例如，内置屏幕、所连接的监视器或投影仪)或文件存储设备(例如，硬盘驱动器或固态驱动器)。
[0117]
还应当理解，除非明确相反地指出，否则在本文要求保护的包括多于一个步骤或动作的任何方法中，该方法的步骤或动作的顺序不一定限于描述该方法的步骤或动作的顺序。
[0118]
利用所提出的方法，用户可以仅评估一种图像类型，即一个能谱带，而不必读取两
个或甚至整个系列的不同图像表示。另外，相关的材料转变可以以颜色或灰度值的方式叠加，从而传达附加的能谱信息。某些材料转变在常规图像中可能是不可辨别的，而是在能谱图像通道中是可辨别的。此外，由于仅标记转变线(而不是整个区域)，因此标准图像不会由于逐区域遮挡叠加而杂乱，并且不必改变标准阅读专业知识。
[0119]
可选地，可以应用预先训练的分类器以将每个局部协方差矩阵分类到材料转变类型。
[0120]
在示例中，分类器是预先训练的机器学习模型。机器学习模型已经在从来自相同医院或其他医院的图像存储库可检索的历史患者数据上预先训练。优选地，使用监督学习方案，其中，历史影像由有经验的临床医生预先标记。标记可以提供包括多幅图像的多个图像位置处的局部协方差矩阵和对应的分类的材料转变类型(例如，空气-组织、组织内容物试剂标记的材料等之间的转变)的数据。
[0121]
分类器的训练可以包括以下步骤：在一次或多次迭代中，接收训练数据，将分类器应用于训练数据。作为该应用的结果，然后获得预先训练的分类器，然后可以在部署中使用该分类器。在部署中，可以将新的图像数据应用于预先训练的分类器，以获得针对该新数据的分类结果。
[0122]
例如，神经网络模型(也称为人工神经网络(ann))可以用作分类器的示例。然而，可以使用诸如支持向量机、最大似然、随机森林等的其他机器学习技术来代替神经网络。
[0123]
经训练的分类器尝试近似局部协方差矩阵与材料转变类型之间的相关性。可以在学习或训练过程中实现近似，其中，在优化方案中基于训练数据调整本身形成高维空间的参数。
[0124]
更详细地，分类器可以被实现为人工神经网络(“ann”)。ann可在两种模式下操作:“训练模式/阶段”和“部署模式/阶段”。在训练模式中，基于一组训练数据来训练ann的初始模型以产生经训练的ann模型。在部署模式中，预先训练的ann模型被馈送有非训练的新数据，以在正常使用期间操作。训练模式可以是一次性操作，或其在重复的训练阶段中继续以增强性能。到目前为止关于两种模式所述的所有内容都适用于任何种类的机器学习算法，并且不限于ann。
[0125]
ann包括按层组织的一组互连节点。ann包括输出层和输入层。输入层可以是其大小(行和列)与训练输入局部协方差矩阵的大小匹配的矩阵。输出层可以是具有与为材料转变类型选择的大小匹配的大小的矢量或矩阵。
[0126]
ann优选地具有深度学习架构，即，在输出层和输入层之间存在至少一个、优选地两个或更多个隐藏层。
[0127]
节点与称为“权重”的数字相关联，其表示节点如何响应来自前一层中的更早节点的输入。
[0128]
所有权重的集合定义ann的配置。在学习阶段中，使用诸如前向-后向(“fb”)-传播或其他优化方案或其他梯度下降方法的学习算法基于训练数据来调整初始配置。关于目标函数的参数获取梯度。
[0129]
训练模式优选地是监督的，即，基于注释的训练数据。注释的训练数据包括成对的训练数据项目。对于每一对，一个项目是训练输入数据，而另一个项目是先验已知与其训练输入数据项目正确相关联的目标训练数据。该关联定义了注释，并且优选地由人类专家提
供。训练对包括作为训练输入的局部协方差矩阵，并且与作为输出的材料转变类型相关联。
[0130]
在训练模式中，优选地，将多个这样的对应用于输入层以传播通过ann，直到输出出现在输出层处。最初，输出通常不同于目标。在优化期间，重新调整初始配置，以便实现所有对的输入训练数据与其相应目标之间的良好匹配。通过相似性度量来对匹配进行度量，该相似性度量可以根据目标函数或成本函数来公式化。目的是调整参数以产生低成本，即良好的匹配。
[0131]
训练数据集被应用于初始配置的ann，并且然后根据学习算法(诸如如前所述的fb-传播算法)进行处理。在训练阶段结束时，然后可以在部署阶段中使用如此预先训练的ann来计算针对新数据(即，不存在于训练数据中的新采集的图像)的材料转变类型。
[0132]
分类的结果可以是从每个局部协方差矩阵或协方差尺度空间张量输出的一个或若干个类型特异性标量值。
[0133]
在示例中，可以仅针对特定转变类型离散地选择局部方差，并且矩阵的迹线可以用作用于显示的权重。
[0134]
作为“硬”分类的备选方案，对于应用特异性相关性，可以连续地对局部方差和/或协方差进行加权，例如通过回归而不是分类。
[0135]
图4图示了用于处理感兴趣对象的图像数据的计算机实施的方法400的备选实施例的流程图，所述图像数据包括在不同能量下从不同能谱通道采集的至少两幅单能量图像。
[0136]
在步骤410中，接收感兴趣对象的图像数据。
[0137]
在步骤420中，在第一单能量图像和第二单能量图像中的多个图像位置处确定局部协方差矩阵。每个局部协方差矩阵是第一单能量图像和第二单能量图像中的多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。可以根据上面关于图1中的步骤220描述的方法来确定局部协方差矩阵。
[0138]
在步骤430中，基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定局部多能谱协方差亏损。
[0139]
如上所述，局部方差和协方差可以通过使用空间对称高斯或二项卷积滤波器(或傅里叶空间中的乘法)来计算。
[0140]
对于两个能谱通道i和k，可以通过以下高斯卷积操作来计算局部方差和协方差：
[0141]
var
ii
(x)＝g
σ
*(ii(x)
·ii
(x))-(g
σ
*(ii(x)
·
g*(ii(x))
[0142]
cov
ik
(x)＝g
σ
*(ii(x)
·
ik(x))-(g
σ
*(ii(x)
·
g*(ik(x))
[0143]
其中g
σ
是高斯卷积，并且σ是高斯滤波器的核宽度，ii(x)是在能谱带i处的某个图像位置x处的图像强度，并且ik(x)是在能谱带k处在某个图像位置x处的图像强度。
[0144]
两个能谱通道之间的相关性亏损可以被定义为：
[0145]
相关性亏损＝1-(cov
ik
(x)
·
cov
ik
(x))/(var
ii
(x)
·
var
kk
(x))
[0146]
然而，当分母接近零时，相关性亏损对于局部消失方差在数值上是不稳定的。
[0147]
因此，本公开提出考虑局部协方差亏损，其是半正定的。在某个图像位置x处的局部协方差亏损可以被定义为
[0148]
协方差亏损＝cov
ik
(x)
·
cov
ik
(x)-var
ii
(x)
·
var
kk
(x)≥0
[0149]
可选地，可以将相互协方差的符号相乘以产生以下带符号的协方差亏损：
[0150]
带符号的协方差亏损＝sign(cov
ik
(x))
·
协方差亏损
[0151]
协方差亏损是半正定的，并且在消失的局部方差处平滑地消失而没有奇点。
[0152]
对于n(n》2)个能谱通道，我们考虑以下协方差的二次矩阵：
[0153]
c＝{[ii(x)-mi]
·
[ik(x)-mk]
t
}
[0154]
其中，ii(x)是n个能谱通道中的能谱带i处的某个图像位置x处的图像强度，ik(x)是n个能谱通道中的能谱带k处的某个图像位置x处的图像强度，mi是能谱带i处的局部平均值，并且mk是能谱带k处的局部平均值。
[0155]
这产生加起来为多能谱协方差亏损的n(n-1)/2个独立协方差亏损项，其独立于哪个能谱通道示出所添加的信息而进行响应。
[0156]
协方差亏损可以被定义为
[0157]
协方差亏损＝1
t
(diag(c)
·
diag(c)
t-c
⊙
c)1
[0158]
其中，
⊙
是hadamard矩阵乘积，并且其中，diag算子提取矩阵的主对角线，并且1表示全是一的向量。
[0159]
作为备选公式，我们考虑kronecker乘积即，二次协方差矩阵c的外矩阵乘积，并且比较迹线tr：
[0160][0161]
其中，第二项对应于c的平方frobenius矩阵范数。
[0162]
在一些实施方式中，可以有效地直接与高斯卷积操作交错地进行求和，例如，使用重叠相加方案来利用固有的并行性和小的存储器占用。因此，计算工作量为o(n
2 m)运行时间和o(m)存储器，其中，m是图像中的体素的数量。
[0163]
在上述示例中，在图像空间中执行多能谱协方差亏损的计算。备选地，可以在重建图像体积之前在投影空间中执行多能谱协方差亏损的计算。在这种情况下，可以通过经适配的非各向同性平滑滤波器形状来计算局部方差和协方差。最后，投影协方差亏损被重建到图像空间中。
[0164]
在步骤440中，局部协方差亏损优选地被提供用于与至少两幅单能量图像中的一幅或多幅单能量图像叠加和/或作为用于执行材料分类的机器学习特征。
[0165]
在一个选项中，多个图像位置处的局部协方差亏损的值可以与至少两幅单能量图像中的一幅或多幅单能量图像叠加。例如，多能谱协方差亏损可以借助于图形提示(例如，逐切片颜色叠加、最大强度投影(mip)、直接体积绘制(dvr)、三维纹理映射等)来叠加。
[0166]
特别感兴趣的是将多能谱协方差亏损映射到各个能谱通道上的颜色叠加或所谓的常规切片图像中。通过构造，协方差亏损在材料转变的位置处最高。因此，当各种协方差亏损根据幅度与不同的颜色色调和不透明度叠加时，则这允许在消失方差的平滑区域上的未遮挡视图，同时标记不同的材料转变。
[0167]
图5a和5b示出了使用9
×9×
9二项平滑核的两个示例性协方差亏损图像体积。
[0168]
在图5a所示的示例中，多能谱协方差亏损借助于3d文本映射来叠加。图5a中的深灰色区域对应于蓝色，其表示消失的协方差亏损。图5a中的浅灰色区域对应于黄色，其表示对应于添加的多能谱信息的显著协方差亏损。
[0169]
在图5b所示的示例中，使用旋转最大强度投影(mip)来表示协方差亏损。
[0170]
对于某些应用，仅在选定的感兴趣区域(例如心肌)中评估或呈现协方差亏损可能
是有益的。例如，可以利用器官形状模型来执行增强。
[0171]
在另一选项中，可以应用预先训练的分类器(例如，svm、cnn等)以基于局部协方差亏损在多个图像位置中的一个或多个图像位置处执行材料分类。局部协方差亏损可以添加能谱信息以增加分类的准确性。例如，分类可以依赖于每个像素/体素的单能量值(例如，针对双通道能谱ct的两个单能量值)和局部协方差亏损的值，从而产生每个像素的多个特征。当然，可以将一个或多个其他特征添加到每个像素/体素，诸如局部平均值、局部协方差矩阵等。
[0172]
图6示意性地示出了用于处理感兴趣对象的图像数据的装置100的示例，所述图像数据包括在第一能量下采集的第一单能量图像和在不同于所述第一能量的第二能量下采集的第二单能量图像。
[0173]
装置100包括输入模块110、计算模块120、绘制模块130和输出模块140。每个模块可以是专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或群组)和/或存储器(共享、专用或群组)、组合逻辑电路和/或提供所描述的功能的其他合适部件的一部分，或包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或群组)和/或存储器(共享、专用或群组)、组合逻辑电路和/或提供所描述的功能的其他合适部件。
[0174]
装置100可以是适合于处理图像数据的任何计算设备，诸如移动设备、膝上型和台式计算机、可穿戴计算设备和其他计算设备。
[0175]
输入模块110被配置用于接收感兴趣对象的图像数据。医学图像可以是包括图像像素数据的二维图像或包括图像体素数据的三维图像。成像模态的示例可以包括但不限于能谱ct或多参数mri。
[0176]
计算模块120被配置用于确定第一单能量图像和第二单能量图像中的多个图像位置处的局部协方差矩阵。多个图像位置包括材料转变的位置。每个局部协方差矩阵是第一单能量图像和第二单能量图像中的多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。对于每个像素或体素位置处的局部方差，相邻像素或体素的小块(即图像块)的统计可以用于计算。
[0177]
可选地，计算模块120可以被配置为通过高斯卷积操作来计算每个局部方差矩阵。
[0178]
可选地，计算模块120还可以被配置为确定局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，以用于确定在其之间发生材料转变的材料的量。
[0179]
在示例中，局部方差矩阵的单个特征值可以表示例如空气与软组织之间的双材料转变。
[0180]
在示例中，局部方差矩阵的两个特征值可以表示例如在空气、软组织和造影剂标记的材料之间的三材料转变。
[0181]
绘制模块130被配置用于将多个图像位置处的局部方差和/或局部协变量的值(例如，以彩色或灰度值)与第一单能量图像和/或第二单能量图像叠加。在图2a-2c和图3a-3c中示出了示例性叠加结果。
[0182]
输出模块140被配置用于将叠加结果例如提供给显示器(例如，内置屏幕、连接的监视器或投影仪)或文件存储设备(例如，硬盘驱动器或固态驱动器)。
[0183]
可选地，装置100还可以包括分类器模块，该分类器模块被配置用于应用预先训练
的分类器(诸如人工神经网络、支持向量机、最大似然或随机森林)以将局部协方差矩阵分类到材料转换类型。
[0184]
可选地，该装置可以包括被配置用于显示叠加结果的显示设备(未示出)。
[0185]
图7示意性地示出了装置500的备选实施例，其包括输入模块510、计算模块520和输出模块530。
[0186]
输入模块510可以在功能上基本上相当于图6中所示的输入模块110。
[0187]
计算模块520被配置用于确定第一单能量图像和第二单能量图像中的多个图像位置处的局部协方差矩阵。每个局部协方差矩阵是在所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵。局部协方差矩阵可以根据关于图1中的步骤220描述的方法来确定。
[0188]
计算模块520还被配置为基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定局部协方差亏损。局部协方差亏损可以根据关于图4中的步骤430描述的方法来确定。计算模块可以被配置为确定图像空间或投影空间中的局部协方差亏损。
[0189]
输出模块530被配置用于提供局部协方差亏损，所述局部协方差亏损优选地用于与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加和/或作为用于执行材料分类的机器学习特征。
[0190]
在一些示例中，装置500还可以包括绘制模块(未示出)，所述绘制模块被配置用于将所述多个图像位置处的局部协方差亏损的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加。在图5a-5b中示出了示例性叠加结果。装置500还可以包括用于显示叠加结果的显示器(未示出)。
[0191]
在一些示例中，装置500还可以包括分类器模块(未示出)，该分类器模块被配置用于应用预先训练的分类器以基于局部协方差亏损在多个图像位置中的一个或多个图像位置处执行材料分类。
[0192]
图8示意性地示出了根据本公开的一些实施例的医学成像系统300。
[0193]
医学成像系统300包括扫描器310，扫描器310被配置为扫描感兴趣对象以采集感兴趣对象的图像数据。扫描器310可以是能谱ct扫描器或mri扫描器。
[0194]
医学成像系统300还包括根据关于图6描述的示例或关于图7描述的示例的用于处理感兴趣对象的图像数据的装置100。
[0195]
如本文所定义和使用的所有定义应被理解为控制在字典定义、通过引用并入的文献中的定义和/或所定义的术语的普通含义上。
[0196]
如本文中在说明书和权利要求书中所使用的词语“一”和“一个”应被理解为意指“至少一个”，除非明确相反指示。
[0197]
如在本说明书和权利要求书中所使用的短语“和/或”应该被理解为是指如此联合的元素中的“任一个或两者”，即在一些情况下联合存在并且在其他情况下分离存在的元素。利用“和/或”列出的多个元素应该以相同的方式解释，即如此联合的元素中的“一个或多个”。除了由“和/或”子句特别识别的元素，其他元素可以任选地存在，不管与具体标识的那些元素相关还是不相关。
[0198]
如在本说明书和权利要求书中所使用的，“或”应当被理解为具有与上面所定义的“和/或”相同的含义。例如，当在列表中分离项目时，“或”或“和/或”应被解释为包含性的，即包括多个元素或元素列表以及任选的其他未列出项目中的至少一个元素，但也包括多于一个元素。仅清楚地指示为相反的术语，诸如“仅一个”或“确切地一个”，或者，当在权利要求中使用时，“由...组成”，将指包括多个元素或元素列表中的确切地一个元素。通常，如本文使用的术语“或”仅当前面有排他性术语(例如“任一个”，“其中之一”，“仅一个”，或者“确切地一个”)时才应解释为指示排他性备选(即，“一个或另一个但是并非两个”)。
[0199]
如本文中在说明书和权利要求书中所使用的，关于一个或多个元素的列表的短语“至少一个”应该被理解为是指选自元素列表中的元素中的任何一个或多个的至少一个元素，但是不必包括元素列表内具体列出的每一个元素或每个元素中的至少一个，并且不排除元素列表中的元素的任何组合。该定义还允许除了在短语“至少一个”涉及的元素列表内具体识别的元素之外元素可以任选地存在，而不管与具体识别的那些元素相关还是不相关。
[0200]
在权利要求以及上面的说明书中，所有过渡短语(例如，“包括”、“包含”、“携带”、“具有”、“含有”、“涉及”、“持有”、“带有”等)应当被理解为开放式的，即，意指包括但不限于。只有过渡短语“由
……
组成”和“基本上由
……
组成”应当分别为闭合或半闭合过渡短语。
[0201]
在本发明的另一示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于适于在适当系统上运行根据前述实施例中的一个所述的方法的方法步骤。
[0202]
计算机程序单元因此可以被存储在计算机单元上，所述计算机单元也可以是本发明的实施例的部分。该计算单元可以适于执行上述方法的步骤或诱导上述方法的步骤的执行。此外，其可以适于操作上面描述的装置的部件。计算单元能够适于自动操作和/或适于执行用户的命令。计算机程序可以被加载到数据处理器的工作存储器中。因此，数据处理器可以被装备为执行本发明的方法。
[0203]
本发明的该示例性实施例涵盖从最开始使用本发明的计算机程序和借助于更新将现有程序转变为使用本发明的程序的计算机程序两者。
[0204]
此外，计算机程序单元可以能够提供所有必要步骤，以履行如上面描述的方法的示例性实施例的流程。
[0205]
根据本发明的又一示例性实施例，提出了一种计算机可读介质，诸如cd-rom，其中，所述计算机可读介质具有被存储在其上的计算机程序单元，前述章节描述了所述计算机程序单元。
[0206]
计算机程序可以被存储和/或分布在适当的介质上，诸如与其他硬件一起被提供或作为其他硬件的部分被提供的光学存储介质或固态介质，但是所述计算机程序也可以以其他形式分布，诸如经由互联网或其他有线或无线远程通信系统分布。.
[0207]
然而，计算机程序也可以被提供在如万维网的网络上并且能够从这样的网络下载到数据处理器的工作存储器中。根据本发明的又一示例性实施例，提供一种用于令计算机程序单元可用于下载的介质，所述计算机程序单元被布置为执行根据本发明的前面描述的实施例中的一个的方法。
[0208]
尽管已经在此描述和图示了多个本发明的实施例，但本领域技术人员将容易地想到用于执行功能和/或获得结果和/或本文描述的优点中的一个或多个的多种其他装置和/
或结构，并且每个这种变型和/或修改都应当被认为在本文描述的本发明实施例的范围内。更一般地，本领域技术人员将容易地认识到，本文描述的所有参数、尺寸、材料和构造都意味着是示例性的，并且实际的参数、尺寸、材料和/或构造将取决于本发明教导所使用的具体的一个或多个应用。本领域技术人员将认识到或仅仅使用常规实验就能够确定本文描述的具体发明实施例的很多等同形式。因此，应当理解的是，前面的实施例仅仅通过示例的方式提出，并且在所附权利要求及其等同形式的范围内，可以实现除具体描述和要求保护的实施例以外的其他本发明实施例。本公开的本发明实施例涉及本文描述的每个单独的特征、系统、物品、材料、套件和/或方法。此外，两个或更多这种特征、系统、物品、材料、套件和/或方法的任意组合(如果这些特征、系统、物品、材料、套件和/或方法不会相互不一致)都包括在本公开的发明范围内。

技术特征：
1.一种用于处理感兴趣对象的图像数据的装置(100)，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像，所述装置包括：输入模块(110)，其被配置用于接收所述感兴趣对象的所述图像数据；计算模块(120)，其被配置用于确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；绘制模块(130)，其被配置用于将所述多个图像位置处的局部方差和/或局部协方差的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加；以及输出模块(140)，其被配置用于提供叠加结果。2.根据权利要求1所述的装置，其中，所述计算模块被配置为通过高斯卷积操作来计算每个局部方差矩阵。3.根据权利要求1或2所述的装置，其中，所述计算模块还被配置为确定所述局部协方差矩阵中的至少一个局部协方差矩阵的特征值的数量，以用于确定在其之间发生材料转变的材料的量。4.根据前述权利要求中的任一项所述的装置，还包括：分类器模块，其被配置用于应用预先训练的分类器以将所述局部协方差矩阵中的每一个局部协方差矩阵分类到材料转变类型。5.根据前述权利要求中的任一项所述的装置，其中，所述多个图像位置包括材料转变的位置。6.根据前述权利要求中的任一项所述的装置，还包括：显示设备，其被配置用于显示所述叠加结果。7.一种用于处理感兴趣对象的图像数据的装置(500)，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像，所述装置包括：输入模块(510)，其被配置用于接收所述感兴趣对象的所述图像数据；计算模块(520)，其被配置用于确定所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，并且基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定局部协方差亏损，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；以及输出模块(530)，其被配置用于提供所述局部协方差亏损，所述局部协方差亏损优选地用于与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加，并且/或者作为用于执行材料分类的机器学习特征。8.根据权利要求7所述的装置，还包括：绘制模块，其被配置用于将所述多个图像位置处的局部协方差亏损的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加。9.根据权利要求8所述的装置，还包括：显示设备，其被配置用于显示叠加结果。10.根据权利要求7至9中的任一项所述的装置，还包括：分类器模块，其被配置用于应用预先训练的分类器以基于所述局部协方差亏损在所述
多个图像位置中的一个或多个图像位置处执行材料分类。11.根据权利要求7至10中的任一项所述的装置，其中，所述计算模块被配置为确定图像空间或投影空间中的所述局部协方差亏损。12.一种医学成像系统(300)，包括：扫描器，其被配置为扫描感兴趣对象以采集所述感兴趣对象的图像数据；以及根据权利要求1至6中的任一项所述的或根据权利要求7至11中的任一项所述的用于处理所述感兴趣对象的图像数据的装置。13.一种用于处理感兴趣对象的图像数据的计算机实施的方法(200)，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像，所述计算机实施的方法包括：接收(210)所述感兴趣对象的所述图像数据；确定(220)所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；将所述多个图像位置处的局部方差和/或局部协方差的值与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加(230)；以及提供(240)叠加结果。14.一种用于处理感兴趣对象的图像数据的计算机实施的方法(400)，所述图像数据包括从不同能谱通道采集的至少两幅单能量图像，所述计算机实施的方法包括：接收(410)所述感兴趣对象的所述图像数据；确定(420)所述至少两幅单能量图像中的多个图像位置处的局部协方差矩阵，其中，每个局部协方差矩阵是所述至少两幅单能量图像中的所述多个图像位置中的一个图像位置处的图像强度之间的局部方差和局部协方差的矩阵；基于通过所有能谱通道组合的局部方差的乘积与局部协方差的乘积之间的比较来确定(430)局部多能谱协方差亏损；以及提供(440)所述局部协方差亏损，所述局部协方差亏损优选地用于与所述至少两幅单能量图像中的一幅或多幅单能量图像叠加，并且/或者作为用于执行材料分类的机器学习特征。15.一种包括指令的计算机程序单元，所述指令在由处理单元运行时令所述处理单元执行根据权利要求13或14所述的方法的步骤。

技术总结
本发明涉及多能谱成像。为了改善对相关的多能谱材料转变(特别是由注射的造影剂引起的)的识别，提出了一种使用多通道图像的强度的方差和/或协方差的局部最大值来定位材料转变的装置。与梯度向量相比，局部方差不是定向的并且不易受噪声影响。提出了一种使用多通道图像的强度的局部协方差亏损来定位材料转变的备选装置。所提出的备选方法独立于跨图像体积的空间漂移。积的空间漂移。积的空间漂移。


技术研发人员：R
受保护的技术使用者：皇家飞利浦有限公司
技术研发日：2021.11.28
技术公布日：2023/9/7