[发明专利]用于迭代重建的方法和设备

说明书

技术领域

本文公开的主题一般来说涉及成像系统，并且更具体地，涉及用于使用迭代技术重建图像的方法和设备。

背景技术

传统地，使用例如滤波反向投影（FBP）或卷积反向投影（CBP）的直接重建算法来从计算机断层摄影（CT）数据重建图像。近来，基于模型的迭代重建（MBIR）算法已经在商业上用于重建CT图像。MBIR算法的一个优势是MBIR算法可以更准确地对从CT系统获得的测量建模。这对于具有多片检测器的螺旋CT系统尤其真实，因为螺旋CT系统产生斜穿过二维（2D）重建图像平面的投影测量，并且采集的数据固有地是有噪的。通过更准确地对这些投影建模，MBIR算法可以产生具有较高质量（例如，分辨率）、较低噪声和较少伪像的重建。因此，MBIR算法可以用作用于明显降低CT扫描中的剂量同时维持诊断图像质量的工具。

然而，MBIR的主要挑战是完成重建所需要的计算时间和计算资源。MBIR算法典型地通过首先形成目标函数（其包含准确的系统模型、统计噪声模型和先验模型）来重建图像。利用手中的目标函数，然后通过计算使目标函数最小化的估计来重建图像，其典型地使用迭代优化算法来执行。这样的迭代优化算法中的一些的示例包括迭代坐标下降（ICD）、预期最大化（EM）的变化、共轭梯度（CG）和有序子集（OS）。然而，因为MBIR目标函数和关联的迭代解的复杂性，一些迭代算法可需要相对高数量的迭代来获得最后的估计。因此，对MBIR目标函数求解的已知迭代算法可能需要相对大量的时间来重建图像。

发明内容

在一个实施例中，提供用于迭代地重建对象的图像的方法。该方法包括访问与该图像关联的测量数据并且使用同时算法来重建图像。使用同时算法来重建图像包括确定标度因子（其是体素依赖的）并且将该体素依赖的标度因子应用于目标函数的梯度来重建图像。

在另一个实施例中，成像系统包括检测器阵列和耦合于该检测器阵列的计算机。该计算机配置成访问与对象的图像关联的测量数据并且使用同时算法来重建图像。该计算机配置成使用该同时算法以通过以下来重建图像：确定标度因子（其是体素依赖的）并且将该体素依赖的标度因子应用于目标函数的梯度来重建图像。

在另一个实施例中，提供用于迭代地重建对象的图像的方法。该方法包括访问与该图像关联的测量数据并且使用同时算法来重建图像。同时算法包括计算正则化矩阵函数的梯度。使用同时算法来重建图像包括将多个样本梯度值存储在查找表中、访问查找表中的样本梯度值以及使用样本梯度值来计算近似实际梯度值。

在另一个实施例中，提供用于迭代地重建对象的图像的方法。该方法包括访问与该图像关联的测量数据并且使用同时算法来重建图像。同时算法包括计算正则化矩阵函数的梯度。使用同时算法来重建图像包括计算图像重建迭代处的实际梯度、将补偿项添加到该实际梯度以及使用该实际梯度和补偿项作为图像重建的后续迭代的梯度。

提供一种用于迭代地重建对象的图像的方法，所述方法包括：

访问与所述图像关联的测量数据；以及

使用同时算法来重建所述图像，其中使用所述同时算法来重建所述图像包括：

确定是体素依赖的标度因子；并且

将所述体素依赖的标度因子应用于目标函数的梯度来重建所述图像。

优选的，确定是体素依赖的标度因子包括基于采集几何形状直接计算所述标度因子。

优选的，确定是体素依赖的标度因子包括基于采集几何形状直接计算所述标度因子，采用三维（3D）采集几何形状非均匀地对所述测量数据采样。

优选的，确定是体素依赖的标度因子包括生成系数图并且使用所述系数图来计算体素依赖的标度因子。

优选的，生成系数图包括变换从至少两个迭代或至少两个子迭代中的一个的差获得的更新。

优选的，生成系数图包括生成局部平滑并且能够被低通滤波的系数图。

优选的，生成系数图包括从初始图像获得所述系数图。

优选的，生成系数图包括用关于初始图像的先验信息、当前图像的特征或采集几何形状中的至少一个来使所述系数图扩大。

优选的，将所述体素依赖的标度因子应用于目标函数的梯度来重建所述图像包括使用所述体素依赖的标度因子来标度所述梯度。

优选的，所述标度是以下中的至少一个：使用A^TWA获得的或与子集对每一个体素的贡献联系起来的。