[发明专利]用于处理机器学习方法的参数的方法以及重建方法

说明书

一种用于处理机器学习方法(L)的参数(P)的方法，所述机器处理方法用于提供在记录CT图像数据集时运动的对象(2)的CT图像数据集(CB)的运动校正的校正数据集(KD)，其中提供具有多个参考图像数据集(RD)的训练数据集(T)，用于导入机器学习方法(L)中，其中执行迭代(110)，其中在其每个迭代步骤中，借助于机器学习方法(L)为每个参考图像数据集(RD)确定校正数据集(KD)，并且求出与在该迭代步骤中确定的校正数据集(KD)有关的成本函数(CF)的结果(E)，和其中根据成本函数(CF)的结果(E)结束迭代(110)或改变机器学习方法(L)的参数(P)。此外，涉及一种重建方法，所述重建方法使用经处理的机器学习方法(L)。

技术领域

本发明涉及一种用于处理机器学习方法的参数的方法，所述机器学习 方法用于提供在记录CT图像数据集时运动的对象的CT图像数据集的运 动校正的校正数据集。此外，本发明涉及一种使用经处理的机器学习方法 的重建方法，以及一种设备。

背景技术

在借助于计算机断层扫描仪(CT扫描仪)成像时，X射线源和/或探 测器相对于待检查的对象在预定的轨道上、特别是在圆形或螺旋形轨道上 移动。在此，从不同的(记录)角度记录(CT)图像数据集。尤其是， 在检查患者的器官、例如心脏的医学诊断的领域中，在此用于所有待记录 的角度范围的CT图像数据集的记录时间相对大，使得器官或器官的至少 一部分在记录CT图像数据集期间运动。

因此，在从CT图像数据集重建的(重建)图像数据集中显现出运动 的对象的运动伪影。由于这种运动伪影不利的是，可靠的诊断变得困难。 这样，运动伪影是在诊断时的误差源。例如，由于心脏在记录CT图像数 据集期间的运动，心脏动脉的结构在作为图像视图(图像)示出的重建图 像数据集中看不清楚，尤其不清晰地、畸变地和/或变形地示出。

已知与硬件有关的解决方案，如例如使用第二探测器和第二X射线 源和提高承载X射线源和探测器的转环(机架)的转动速度。然而，这种 解决方案相对昂贵。

此外，已知如下方法，所述方法确定用于所记录的CT图像数据集的 校正数据集，以便减小运动伪影。这样，例如在J.Hahn等人的“Motion compensation in the region ofthe coronary arteries based on partial angle reconstruction from short scandata”(“Medical Physics”，2017年11月，第 44(11)卷，第5795-5813页)中公开了一种用于减小重建冠状动脉的运 动伪影的方法。在此情况下，借助于运动矢量场对沿着相应的冠状动脉的 中线的运动进行建模，该运动矢量场的参数借助于成本函数来估计。

例如，在R.Bhagalia等人的“Nonrigid registration-based coronary arterymotion correction for cardiac computed tomography”(“Medical Physics”， 2012年7月，第39(7)卷，第4245-4254页)中还公开了，冠状动脉的 运动补偿根据所估计的运动矢量场借助于一系列部分重建的三维变形 (“warping，翘曲”)来实现。

此外，在A.A.Isola等人的“Cardiac motion corrected iterative cone-beamCT reconstruction using a semi-automatic minimum cost path-based coronarycenterline extraction”(“Computerized medical imaging and graphics”，2012年4月，第36(3)卷，第215-226页)中已知一种 方法，使用运动矢量场来产生冠状动脉的没有运动伪影的重建，所述运动 矢量场从相应的冠状动脉的多个中线中确定。