專利名稱：計算關于局部血液流量循環(huán)指數(shù)的方法和裝置的制作方法
技術領域：
本發(fā)明涉及一種關于腦組織中局部血液流量循環(huán)指數(shù)的計算方法和裝置。
背景技術：
在X射線CT檢查中，從簡單CT圖像中構造信息，和通過對比CT，在動態(tài)掃描中可以得到疾病位置周圍的血液流量循環(huán)信息作為可視信息。近幾年，通過多切片的高速掃描變?yōu)榭赡芎驼J為對比CT動態(tài)掃描的使用范圍逐漸擴大。
一般地說，存在一種稱為CBP學習的方法用來計算關于腦組織中毛細管的血液流量循環(huán)指數(shù)。所述CBP學習包含得到指數(shù)例如CBP、CBV、WTT和Err，其量化表示組織中局部血液流量循環(huán)，也就是，局部組織中流經(jīng)毛細管的血液循環(huán)；和輸出這些指數(shù)圖。
CBP表示腦組織毛細管中每單位體積和時間的血液流速[ml/100ml/min]；CBV表示腦組織中每單位體積的血液量[ml/100ml]；MTT表示毛細管的血液平均通行時間[秒]；和Err表示調制轉換函數(shù)近似值中剩余誤差的和或剩余誤差的平方和的平方根。
CBP、CBV、MTT指數(shù)量化地表示了腦組織中毛細管的血液流量循環(huán)，與腦缺血性中風發(fā)展后的通行時間信息一起作為有用信息，用于區(qū)分缺血腦血管失調的病體，判斷毛細管出現(xiàn)/沒有擴張，或估計血液流速。例如，通常，在缺血腦血管失調中，提供的動脈血壓下降，和血管內(nèi)的流速降低。作為結果，甚至當CBV是常數(shù)時，MTT擴大和CBP降低。而且，在腦梗塞過急性階段中，通過血壓降低來補償血液流速的降低，存在一種用于擴張毛細管和增加血液流速CBP的自動調整。因此，由于MTT擴大，甚至隨著CBP下降、CBV增加，所述信息暗示毛細管的血管再形成的可能性。
在CBP學習中，不具有腦血管滲透性的造影劑，例如碘化造影劑用作示蹤劑。經(jīng)由肘脈注射碘化造影劑，例如通過注射器。通過注射器注射進靜脈的碘化造影劑經(jīng)由心臟和肺流進腦動脈。然后，造影劑經(jīng)過腦組織中的毛細管從腦動脈中流出到腦靜脈。碘化造影劑流經(jīng)正常腦組織中的毛細管而沒有任何血管外的泄漏。圖1簡要表示了這種狀態(tài)。
通過動態(tài)CT掃描造影劑的通行狀態(tài)，腦動脈上像素的時間-密度曲線Ca(t)、腦組織(毛細管)上像素的時間-密度曲線Ci(t)、和腦靜脈上像素的時間-密度曲線Csss(t)可從連續(xù)圖像中測量出。
這里，在CBP學習中，在腦動脈的時間-密度曲線Ca(t)和腦組織的時間-密度曲線Ci(t)之間建立的理想關系用作一種分析模型。假定如果就在腦組織之前經(jīng)由血管注射造影劑，腦組織的單位體積(一個像素)里的時間-密度曲線垂直上升，停在一常數(shù)值上，并隨后傾斜下降。這可以用矩形函數(shù)來近似(box-調制轉換函數(shù)方法box-MTF方法)。
也就是，腦動脈的時間-密度曲線Ca(t)用作輸入函數(shù)，用于腦組織的時間-密度曲線Ci(t)用作輸出函數(shù)，和通過矩形函數(shù)來近似輸入和輸出函數(shù)間的調制轉換函數(shù)。調制轉換函數(shù)表示示蹤劑經(jīng)過毛細管的通行過程CBP學習具有下列問題。
由于計算各個指數(shù)CBP、CBV、MTT和Err用于每個像素(x，y，z)，可以構造使用所述值作為像素值的圖像，和該圖像稱作為圖。例如，當?shù)玫絉類型的指數(shù)時，可以構造R個圖。用這種方式準備的R個圖可以看作為一幅圖(向量值圖)，其中每個像素具有一個向量值。也就是，所述圖可以表示如下。
Vk(x，y，z)＝<Pk，1(x，y，z)，Pk，2(x，y，z)，…，Pk，R(x，y，z)>
例如，可以用這種方式來構造CBP學習，就是假定典型地R＝4，Pk，1(x，y，z)表示CBP值，Pk，2(x，y，z)表示CBV值，Pk，3(x，y，z)表示MTT值，Pk，4(x，y，z)表示剩余錯誤誤差Err值。
這個向量值圖Vk準備用于所述參考腦動脈的每個時間-密度曲線Ca(t)k。例如，假定從左和右半球的中間、前和后腦動脈中得到時間-密度曲線。在這種情況下，K＝6。而且，假定從影響區(qū)域的外圍中動脈的幾個部分中得到腦動脈的時間-密度曲線，K＝約10-15。
當腦動脈的時間-密度曲線Ca(t)k的數(shù)量K大(K＝1，2，…，K)時，作為結果得到的向量值圖的數(shù)量Vk(K＝1，2，…，K)是大的，因此這是便于觀察的。也就是，當所述圖看作為正?；叶燃増D像或彩色級圖像時，一個圖由R個圖像構成，存在K個圖，和因此總共K×R個圖像必須進行比較。而且，由動脈滋養(yǎng)的部分和所述動脈不必顯出，和必須使用解剖知識來判斷每個區(qū)域的要觀察的圖Vk(k＝1，2，…k)。尤其是在大腦血管失調發(fā)展的情況下，例如大腦梗塞，基于組織的動脈判斷與解剖知識不一致，并且異常依賴關系頻繁可見。這些缺陷產(chǎn)生的問題是難以解釋向量值圖的射線照相。
而且，在由多切片或量CT掃描的動態(tài)CT圖像中，進一步觀察到大量的動脈。這是因為在多個切片中可以觀察到相同的動脈。如果腦動脈的時間-密度曲線準備用于這些動脈的所有X射線斷層攝影圖像，曲線的數(shù)量變得非常龐大。
而且CBP學習也有下列問題。由于經(jīng)由肘脈進行丸藥注射，對于用CT觀察的對比增加效果來說，血液CT數(shù)上升到最大幾百個HU(當不執(zhí)行對比成像時，幾十個HU)。然而，為了有效地分析腦血液流量，對比增強效果必須僅用幾個百分點或更少誤差進行測量。也就是，甚至當對比增強效果(CT數(shù)上升)約為20-40HU，必須檢測對比增加效果。
單位體積的腦組織中毛細管的體積比最大約為3-4％。因此，當血液CT數(shù)上升20-40HU時，腦組織的平均CT數(shù)只上升約為0.5-1.5HU。
在CT圖像中，噪聲的標準偏差(sd)與X射線輻射劑量的平方根成反比，和在典型的輻射條件下，sd例如約為5-10HU。因此，為了檢測0.5HU的對比增強效果，X射線輻射劑量必須增加約10-100倍，這意味著患者的曝光劑量相當大。而且，由于在動態(tài)CT中同一位置掃描幾十次，掃描位置中的皮膚曝光量是正常曝光量的幾百到幾千倍，和考慮到輻射問題例如炎癥、禿頭癥、壞死和致癌，這是不現(xiàn)實的。
而在動態(tài)CT中，與正常掃描相比，X射線輻射劑量必須減少。通常，每次掃描的X射線輻射劑量減少到例如約為正常劑量的1/2-1/10。因此，與正常一次CT掃描相比，只產(chǎn)生約幾倍到20倍的X射線曝光量，不會出現(xiàn)任何輻射問題。然而，在CT圖像中，其中X射線輻射劑量減少，sd例如約為15-20HU，幾乎檢測不到約0.5-1.5HU的對比增強效果。
因此，抑制圖像的噪聲成分是CBP學習中的重要問題之一。為此，1)增加切片厚度，2)平均相鄰像素，和3)對圖像進行濾波處理是通常采取的措施。然而，這些具有下列問題。
為了“增加切片厚度”，在掃描期間，切片厚度設定為大，或將連續(xù)薄切片的圖像數(shù)量進行平均和產(chǎn)生厚切片圖像。由于每個像素的X射線輻射劑量與切片厚度成比例地增加，因此圖象噪音的sd與切片厚度成比例地減小。然而，當切片厚度增加時，產(chǎn)生部分體積效果。也就是，一個像素不表示相同腦組織，像素表示許多組織(白色物質、灰色物質、血管、腦溝、腦室等等)的平均CT數(shù)的概率是錯誤的，和作為分析結果得到的腦血液流速值變得不準確。
特別地，不可能正常分析包括血管影響的像素。因此，由于增加的切片厚度，只能得到包括許多像素的非常低質量結果，其不能用于分析。
通過對相鄰的像素進行平均，空間分辨率受到一定程度的損失。例如得到正方形區(qū)域(包括n×n像素)的平均值作為整個正方形的平均CT數(shù)，正方形一邊包括n個像素，該正方形看作為像素，和布置這些正方形來構成一個“像素捆綁圖像”。例如，假定原始圖像在一邊包括512個像素(包括512×512個圖像)，和n＝2，“像素捆綁圖像”在一邊由(512/2)個像素構成(該圖像包括256×256個像素)。根據(jù)這種方法，與n成反比減少噪聲。而且，作為分析目標的像素數(shù)量通過1/(n×n)的因數(shù)來增加，和因此具有計算量減少的優(yōu)點。
然而，當n增加時，空間分辨率降低，并因此出現(xiàn)部分體積效果。也就是，一個像素不表示相同的腦組織，像素表示許多組織(白色物質、灰色物質、血管、腦溝、腦室等等)的平均CT數(shù)的概率變得不準確，和作為分析結果得到的腦血液流速值變得不準確。特別地，不可能正常分析包括血管影響的像素。因此，由于增加的n，空間分辨率低，和因此，只能得到包括許多像素的不準確和非常低質量的結果，其不能用于分析。因此，在實際使用中，n＝約2-4是極限，只使用這個措施，不能得到充分的噪聲抑制效果。
而且，當圖像被平滑時，也就是當使用對每個CT圖像進行二維空間濾波和濾波所述圖像的方法，得到充分的噪聲抑制效果時，但是空間分辨率明顯削弱。特別地，存在厚血管(動脈/靜脈)的區(qū)域附近中的像素受到對比增加效果的影響，其產(chǎn)生在厚血管中，這些像素的時間-密度曲線是不準確的。因此，只能略微地執(zhí)行濾波。這里，在只執(zhí)行輕微濾波中，重要的是顯著地減少圖像濾波器的尺寸，例如，約為3×3。當使用3×3平滑濾波器得到最大圖像噪聲抑制效果時，上限是減少噪聲sd到1/3，和不可能進一步抑制噪聲。因此，不能得到充分的噪聲抑制效果。
另一方面，當沿著時間軸濾波時，也就是，使用把為每個像素得到的時間-密度曲線看作為一個曲線和用一維濾波器濾波所述曲線的方法，和得到充分的噪聲抑制效果，時間分辨率明顯削弱。在CBP學習中，通過在短采樣周期內(nèi)初次執(zhí)行動態(tài)CT來得到高時間分辨率，和精確地測量時間-密度曲線的微小和快速變化(尤其是產(chǎn)生于生理結構的濾波效果程度)，和隨時間濾波是不適當?shù)摹?br>
發(fā)明內(nèi)容
本發(fā)明的一個目的是提高通過CBP學習得到的圖的診斷效率。
本發(fā)明的另一個目的是抑制噪聲而不降低空間和時間分辨率，和由此提高CBP學習的分析精度。
根據(jù)本發(fā)明的第一方面，提供一種方法從涉及注射有造影劑的受試者特定區(qū)域的許多連續(xù)圖像中，準備關于特定區(qū)域中動脈的第一時間-密度曲線和關于特定區(qū)域中組織的第二時間-密度曲線；通過曲線擬合來計算調制轉換函數(shù)，其表示組織中關于動脈的局部血液流量循環(huán)，由此最小化第二時間-密度曲線關于調制轉換函數(shù)與第一時間-密度曲線卷積的剩余誤差；從調制轉換函數(shù)中計算關于各個動脈的局部血液流量循環(huán)的指數(shù)；準備用于所述動脈的指數(shù)圖；和根據(jù)第一時間-密度曲線的剩余誤差，把所述指數(shù)圖合成為一個圖。
根據(jù)本發(fā)明的第二方面，提供一種方法從涉及注射有造影劑的受試者特定區(qū)域的許多連續(xù)圖像中，準備關于特定區(qū)域中動脈的第一時間-密度曲線和關于特定區(qū)域中組織的第二時間-密度曲線；選擇一個與各個第二時間-密度曲線最相稱的第一時間-密度曲線，來指定一根動脈，其具有最高可能性就是所述組織中每個局部血液流量循環(huán)是依賴的；和為每個組織準備一張圖，來根據(jù)指定的一根動脈來區(qū)分動脈的非獨立區(qū)。
根據(jù)本發(fā)明的第三方面，提供一種方法根據(jù)像素間的類似性使用權來對許多圖像進行濾波，來減少來自涉及注射有造影劑的受試者特定區(qū)域的多個連續(xù)圖像的噪聲；從具有減少噪聲的許多連續(xù)圖像中，準備關于特定區(qū)域中動脈的第一時間-密度曲線和關于特定區(qū)域中組織的第二時間-密度曲線；通過曲線擬合來計算調制轉換函數(shù)，其表示組織中關于各個動脈的局部血液流量循環(huán)，由此最小化第二時間-密度曲線關于調制轉換函數(shù)與第一時間-密度曲線卷積的剩余誤差；和從調制轉換函數(shù)中計算關于各個動脈的局部血液流量循環(huán)的指數(shù)。
本發(fā)明的其它目的和優(yōu)點將在其后的說明書中闡述，和在說明書中部分將是顯而易見的，或可以通過本發(fā)明的實踐來獲知。依靠下文中提出的手段和結合可以實現(xiàn)和得到本發(fā)明的目的和優(yōu)點。


與說明書組合并構成說明書的一部分的這些附圖，圖解了本發(fā)明目前優(yōu)選實施例，和與上文給出的概括說明和下文給出的優(yōu)選實施例的詳細說明一起，用來解釋本發(fā)明的原理。
圖1是CBP學習的原理說明圖；圖2是表示根據(jù)本發(fā)明實施例關于腦組織中毛細管的血液流量循環(huán)的指數(shù)計算裝置構造的框圖；圖3A、3B、3C是由本發(fā)明的相干濾波器執(zhí)行的圖像處理的說明圖；圖4A、4B是表示由本發(fā)明中相干濾波器執(zhí)行的噪聲抑制流程的流程圖；圖5是本實施例中整個指數(shù)計算處理前半段的流程圖；圖6是本實施例中整個指數(shù)計算處理后半段的流程圖；圖7是表示圖5步驟S3劃分線的一個實例的圖；圖8是表示在Voronoy圖上每根腦動脈的影響范圍的圖，用于減少圖6步驟S12的處理步驟的數(shù)量；圖9A、9B、9C表示圖5步驟S4的AT、PT和TT圖；圖10是表示圖5步驟S4的AT、PT、TT的曲線圖；圖11是表示腦動脈ROI的曲線圖，在圖5步驟S6中的切片中相同；圖12是表示在圖5步驟S7中設置的上縱向竇性靜脈ROI的圖；圖13是關于圖5步驟S10的腦動脈的時間-密度曲線修正的補充圖；圖14A、14B表示在圖5步驟S10、S11中準備的腦動脈的時間-密度曲線Ca(t)和用于腦組織的時間-密度曲線Ci(t)的一個實施例；圖15是圖6步驟S12的box-MTF方法的原理說明圖；圖16是圖6步驟S12的box-MTF處理的說明圖；圖17表示設定圖6步驟S14的每個指數(shù)的屏幕輸出范圍的一個實例；圖18A至18D是表示在圖6步驟S16中準備的每個CBP、CBV、MTT、Err圖的一個實例的圖；
圖19表示在圖6步驟S16中準備用于每根腦動脈的一列CBP、CBV、MTT和Err圖；圖20是圖6步驟S17的圖譜合成方法的說明圖；圖21A至21D是表示在圖6步驟S19中計算的平均值顯示實例的圖；圖22表示圖(控制圖)的產(chǎn)生方法，其中在圖6步驟S17中具有高優(yōu)勢可能性的腦動脈(ACA、MCA、PCA)由每個像素(局部組織)的標簽來識別；圖23是表示由圖22的產(chǎn)生方法產(chǎn)生的控制圖的實例圖；和圖24A至24C表示使用控制圖過濾的CBP圖。
具體實施例方式
下文中將參考附圖描述本發(fā)明的優(yōu)選實施例。
本實施例的特征在于一種方法把許多指數(shù)圖合成一個圖，指數(shù)圖通過CBP學習而產(chǎn)生，由此提高了CBP學習的診斷效率；并進一步使用相干濾波器來減少噪聲和禁止空間與時間分辨率的降低以便提高指數(shù)的精確度。
而且，本實施例涉及一種方法和裝置，其中從多個圖像中計算表示局部血液流量循環(huán)的指數(shù)，該圖像是關于物體的特殊區(qū)域并和時間有關，和產(chǎn)生多個圖像作為目標的形式不局限于一個專門裝置。該裝置的實例包括X射線計算機斷層照相術裝置(X射線CT裝置)、單光子發(fā)射照相術裝置(SPECT)、正電子發(fā)射照相術裝置(PET)、和磁共振照相裝置(MRI)。這里，作為實例將描述X射線CT裝置。
(裝置構造)圖2表示根據(jù)本實施例X射線CT裝置的構連X射線CT裝置由一構臺部件10和計算機裝置20構成。構臺部件10包括一X射線管101、高壓發(fā)生裝置101a、X射線檢測器102和數(shù)據(jù)獲得系統(tǒng)(DAS)103。X射線管101和X射線檢測器102經(jīng)由物體P相互相對布置在旋轉環(huán)(未示)上，旋轉環(huán)連續(xù)高速旋轉。
計算機裝置20包括圖像處理裝置30、圖像顯示部件107和輸入部件109。圖像處理裝置30包括一控制部件108作為中央單元，和還包括一預處理部件104用于通過修正處理，把從數(shù)據(jù)獲得系統(tǒng)103中輸出的原始數(shù)據(jù)轉換成投影數(shù)據(jù)；一內(nèi)存部件105用于保存投影數(shù)據(jù)；一圖像重新構成部件106用于從投影數(shù)據(jù)中重新組成CT圖像數(shù)據(jù)；一存儲裝置10M用于保存CT圖像數(shù)據(jù)；一相干濾波處理部件110用于執(zhí)行關于CT圖像數(shù)據(jù)的相干濾波處理；和一CBP學習處理部件120用于使用進行了相干濾波處理的CT圖像數(shù)據(jù)來執(zhí)行CBP學習處理。
相干濾波處理部件110包括一離散值估計部件111、加權函數(shù)計算部件112和像素值計算部件(相干濾波部件)113。在下文相干濾波處理的詳細說明中將描述這些離散值估計部件111、加權函數(shù)計算部件112和像素值計算部件113的功能。
CBP學習處理部件120包括一ROI設定支持部件121、時間-密度曲線預備部件122、腦動脈時間-密度曲線修正部件123、MTF處理部件124、指數(shù)計算部件125、圖預備部件126和圖合成部件127。
ROI設定支持部件121準備和提供信息(用于腦動脈ROI的AT、PT和TT圖)用于支持在CT圖像上設定關于腦動脈和靜脈的ROI興趣區(qū)域。
而且，腦動脈ROI分散設定在左腦和右腦區(qū)域，例如，關于前腦動脈(ACA)、中間腦動脈(MCA)、和后腦動脈(PCA)作為目標。因此，在該實例中，每側三個，也就是，總共設定六個腦動脈ROI。而且，為了修正腦動脈的時間-密度曲線Ca(t)，使用另一個時間-密度曲線Csss(t)。該時間-密度曲線Csss(t)相對于設定在足夠厚血管上的ROI來準備，在該血管中存在不包括部分體積的像素。設定Csss(t)的ROI，例如，在腦動脈中的最厚的上縱向竇性靜脈。
時間-密度曲線預備部件122從保存在存儲裝置10M中的動態(tài)CT圖像數(shù)據(jù)(多個時間連續(xù)圖像數(shù)據(jù))中準備關于腦動脈、大腦靜脈和腦組織(毛細管)的時間-密度曲線。而且，分開準備腦動脈的時間-密度曲線Ca(t)，例如，用于六套腦動脈ROI中的每套。相對于設定在上縱向竇性靜脈中的大腦靜脈ROI，準備時間-密度曲線Csss(t)。而且，為腦組織上的所有像素中的每個準備腦組織的時間-密度曲線Ci(t)作為目標。
為了消除噪聲影響和部分體積影響，腦動脈時間-密度曲線修正部件123根據(jù)上縱向竇性靜脈的時間-密度曲線Csss(t)來校正腦動脈的時間-密度曲線Ca(t)。后面將描述該修正方法。MTF處理部件124根據(jù)通過box-MTF方法修正的腦動脈的時間-密度曲線Ca(t)和腦組織的時間-密度曲線Ci(t)來計算調制傳遞功能MTF，用于腦組織區(qū)域中所有像素中的每個作為目標。
指數(shù)計算部件125從調制傳遞功能MTF中計算表示血液流量循環(huán)的指數(shù)(CBP、CBV、MTF、Err)，用于腦組織區(qū)域中所有像素中的每個作為目標。圖預備部件126產(chǎn)生計算的指數(shù)的圖用于每根腦動脈(ACA、MCA、PCA)。關于每個切片，通過指數(shù)的類型(＝4)X腦動脈的數(shù)量(3，包括ACA、MCA、PCA)＝12種類型，來準備圖，在多切片中，準備切片數(shù)量乘以圖的類型。布置圖合成部件127通過合成處理來減少圖的巨大數(shù)量，并提高診斷效率。
在下文中將依次描述相干濾波處理和CBP學習處理。
以下簡要描述相干濾波器的原理。例如，3×3相鄰的局部像素被加權平均，和這個加權平均值用作局部中心像素值。根據(jù)中心像素和外圍像素之間的類似性來改變外圍像素的權。這里，類似性是一種表示可能性程度的指數(shù)，即在相同腦動脈的控制下，在解剖學上像素接近組織，具體地是腦組織(毛細管)。把高加權給具有高類似性的像素，和相反把接近零的低加權給具有低類似性的像素，由此抑制了噪聲，空間分辨率的降低得到抑制。而且，在下文中，類似性可以適當?shù)赜帽Ｕ娑然蝻L險率來代替。
在本實施例中，在、本課題的大腦，其中造影劑不具有大腦血管通透性，例如，注射(靜脈注射)的碘化造影劑用作掃描目標，和多個連續(xù)獲得的CT圖像(動態(tài)CT圖像)用來通過比較各個像素的時間-密度曲線來計算類似性。因此，類似性的確定依賴于和由采樣頻率、每單位時間里的圖像數(shù)量和采樣數(shù)量也就是所有圖像的數(shù)量來確定。因此，有效的是把掃描間隔減少到例如0.5秒。
(相干濾波器)(相干濾波器的概述)(像素值V(X))通常，經(jīng)由掃描設備例如照相機和CT掃描儀獲得的數(shù)字圖像由多個像素構成(或圖像可以被認為是一組像素)。在下面說明中，像素的位置表示為向量X(也就是，一個坐標值的向量)，且像素X的值(也就是，表示暗紋、CT數(shù)HU的數(shù)字值)被表示為K維向量。對于二維圖像，像素X是表示代表圖像位置的坐標值(x，y)的二維向量。關于某一像素X定義的“像素值v(x)”表示如下v(x)＝(v1(x)，v2(x)， …，vk(x))…(1)其中在方程式(1)右側中的v1(x)，v2(x)，…，vk(x)在下文中將稱為關于像素X的“標量值”。
例如，當圖像是“彩色圖像”時，每個像素具有三個主要顏色(紅、綠、藍)的亮度，和因此每個像素的像素值v(x)可以看作為K＝3維向量。也就是，方程式(1)右側中的下標與例如“紅”、“綠”、“藍”相關。而且，例如，當圖像是由K靜態(tài)圖像構成的動態(tài)圖像時，和第n個圖像的像素具有標量值vn(x)，由相同公共點(相同坐標)的像素X擁有的像素值(標量值)布置在K靜態(tài)圖像上來構成K維向量值vn(x)＝(v1(x)，v2(x)，…，vk(x))，和這個值是像素值作為下文中描述的向量值。
(類似性(保真度或風險率)和加權)一組N(x)適當?shù)耐鈬袼乇徽J為是關于像素X的(該組N(x)包括像素X)。因此，認為外圍像素Y的權w(p(x，y))作為關于中心像素X的N(x)元素。這個權w(p(x，y))具有下列特性。
(類似性p(x，y))首先，將描述影響權w(p(x，y))值的函數(shù)p(x，y)的意義。該p(x，y)的意義是用于量化本實施例中提到的“類似性”。通常，這個值表示一個代表中心像素X和外圍像素YεN(x)之間某種意義上的類似性程度的具體數(shù)字值。(例如，兩個像素x和y的像素值v(x)和v(y)之間的公認的統(tǒng)計差程度)。
更具體地，例如，對于表示大值的p(x，y)來說，像素x和y具有“統(tǒng)計上非顯著性差異(也就是高類似性)”和相互類似的可能性認為是高的。對于表示小值的p(x，y)來說，認為像素x和y“具有統(tǒng)計上顯著性差異(也就是低類似性)”。
而且，像素值v(x)和v(y)(或標量值v1(x)，…，vk(x)和v1(y)，…，vk(y))必然包括噪聲。例如，假定圖像由CCD圖像獲得裝置獲取，裝置中的暗電流產(chǎn)生的噪聲和從外界入射的光量的不規(guī)則波動存在于構成圖像的各個像素。
對于所有像素來說，噪聲通常具有各種值。因此，即使像素x和y反映相同的物體(在外界)，某些情況下在實際觀察的圖像上的像素具有不相同的值。相反，假定在反映同一物體的像素x和y中，環(huán)境遠離各個噪聲，這些顯示(＝公認為這樣)在作為同一物體表示的圖像上，或二者實質上具有相同(非常接近)像素值。
然后，考慮到上述噪聲特性，和使用在統(tǒng)計檢查方法中公知的“虛假設”觀念。然后，這個像素p(x，y)具體表示如下。也就是，虛假設H“當消除各個噪聲時，像素x和y具有相同像素值”，換句話說“v(x)＝v(y)，這里消除了產(chǎn)生于兩個像素噪聲的差”(也就是，當確立了這個建議時，假定“像素x和y之間的類似性假定是高的(保真度大)。然后，當否決虛假設H時，函數(shù)p(x，y)可以構成為風險率(或顯著水平)(在這種情況下，p(x，y)定義為一個函數(shù)，使得值范圍是
(p(x，y)ε
))。
因此，當風險率p(x，y)大時，也就是，具有高風險率的拒絕是錯誤的，虛假設H滿足的可能性高。然而，相反，當風險率小時，也就是，具有低風險率的拒絕是錯誤的，虛假設H不能滿足的可能性高(應當注意，由于統(tǒng)計確認中公知的問題，甚至具有沒有“拒絕”的虛假設H，這并不意味著虛假設是“真實的”。在這種情況下，這只意味著由虛假設H表示的建議不能被否決)。
(權w(p(x，y)))由于權w(p(x，y))表示方法是顯而易見的，如上所述權w(p(x，y))是風險率p(x，y)的函數(shù)。通常，權是保真度的函數(shù)。假定保真度是p(x，y)，函數(shù)可以構成為w(ρ(x，y))。而且，通常來講，作用于風險率p(x，y)的權函數(shù)W具有實現(xiàn)“拒絕”的作用，為了得到權w(p(x，y))，關于x和y的組合得到風險率p(x，y)。相反，當風險率p(x，y)大時，權函數(shù)W，也就是權w(p(x，y))表示大的正值。在相反情況下，調整函數(shù)具有小正值(或“0”)。將在下文中描述權函數(shù)W的具體形式。也就是，當像素x和y滿足由假設H表示的命題時，權w(p(x，y))表示大值。在相反的情況下，權具有小值。作為一個實例，可以顯著地構成W表示兩個值；“0”；和不同于“0”的常數(shù)值。
進一步地，將概述上述的假設H、風險率p(x，y)和權w(p(x，y))間的關系。當虛假設H具有正確的高可能性，類似性P也增加，和提高了給像素的權W。另一方面，虛假設H是正確的可能性低，因而類似性P是低的，和降低了給像素的權W。當根據(jù)類似性以這種方式改變加權平均值的貢獻(權)時，抑制分辨率的降低和有效抑制噪聲是可能的。而且，通常，權函數(shù)w(t)可以是“由tε
定義的正/負單調增函數(shù)”，和w(t)可以滿足至少上述特性。
(相干濾波處理)通過上文說明，得到“相干濾波器”如下。也就是，首先關于構成圖像的某一像素X來計算組N(x)元素的所有像素的上述權w(p(x，y))。因此，在下面方程式(2)中，使用這些權w(p(x， y))來計算構成像素X的新標量值V′k(x)。v′K(x)=Σy∈N(x)vk(y)w(p(x,y))Σy∈N(x)w(p(x,y))---(2)]]>
其中k＝1，2，…，k。因此由該公式得到的V′k(x)用來構成像素x的修改的像素值(新像素值)V′(X)如下。
V′(X)＝(V′1(x)，V′2(x)，…，V′k(x)) …(3)這里，用于轉換像素值V(y)＝(V1(y)，V2(y)，…，Vk(y))(包括y＝x的情況)為V′(X)＝(V′1(x)，V′2(x)，…， V′k(x))的濾波器是“相干濾波器”的形式。該公式顯而易見，這表示構成像素值的標量值Vk(y)的加權平均值。
該處理產(chǎn)生下列結果。也就是，這表示由加權平均值V′k(x)構成的向量，V′k(x)具有升高的像素y貢獻，像素y似乎確實具有與像素x的像素值V′(X)相同的像素值，像素x的噪聲消除(＝其具有滿足假設H命題的高可能性)。而且，如果存在足夠數(shù)量的像素y，像素值V′(X)具有不降低分辨率的值，而不偏離由像素x實質處理的真實值，并通過上述平均作用來抑制噪聲。
進一步地，甚至當風險率p(x，y)小時，因此“拒絕”虛假設H，和減少權w(p(x，y))，正如從上面說明中所看到的，假設不是必須完全“拒絕”。這依賴于下文描述的權函數(shù)w的具體形式，但是甚至當風險率p(x，y)接近“0”時(＝0％)，可以設定w(p(x，y))≠0。然而，與p(x，y)接近“1”相比，權具有更小的正值。應當注意p(x，y)＝1相應于下文描述的v(x)＝v(y)。
也就是，可以承認小貢獻，而不是完全拒絕該假設。應當注意，在這種情況下，w(p(x，y))＝0具有與完全拒絕相同的意義。
該處理通常進行如下。也就是，當存在構成某一圖像的多個像素時，具有某一任意像素y(在上面說明中設定設定y∈N(x))的該像素x的保真度p(x，y)得到量化。此時量化上述h。當保真度大時，在使用像素值v(y)的加權平均處理中承認像素Y的大貢獻。當保真度小時，只承認小貢獻。因此，可以是在圖像處理方法中有效抑制像素X的噪聲。當像素x和y是所謂的“相互類似”時，允許像素y進一步進行平均處理。換句話說，當像素是“非相互類似”時，全部或幾乎忽略像素y(權設定為零或近似值)。
當整個圖像進行該處理時，圖像的模糊，也就是空間分辨率的降低幾乎不出現(xiàn)，和可以實現(xiàn)顯著高的噪聲抑制效果。而且，該使用不局限于噪聲抑制。例如，甚至在圖案識別領域中，以更好的具體形式來設定權函數(shù)或相干濾波。然后，可以實現(xiàn)更好的效果。
這里，上述“動態(tài)CT”掃描是一種掃描系統(tǒng)，其中X射線管101和X射線檢測器102重復掃描物體P的相同部分(經(jīng)常通過重復掃描中的連續(xù)旋轉和連續(xù)旋轉CT裝置來進行重復掃描)來連續(xù)獲得投影數(shù)據(jù)，根據(jù)投影數(shù)據(jù)連續(xù)執(zhí)行還原處理，和獲得序列圖像。在這種情況下，圖像顯示部件107的圖像顯示受到控制，例如，通過計數(shù)器(未圖示)，由此在掃描開始或終點之后，執(zhí)行恒定時間的顯示以用于收集投影數(shù)據(jù)作為原始圖像。
因此，以這種方式獲得/顯示的圖像是所謂的動態(tài)圖像，其包括類似于電影中的多個序列靜態(tài)圖像。應當注意這種掃描系統(tǒng)典型地用于把造影劑注入進物體P，觀察/分析隨時間消逝的變化，和分析受影響區(qū)域的病理狀態(tài)，例如組織中的狹窄和閉塞。而且，甚至在使用造影劑之前和之后，僅執(zhí)行兩次相同部分的CT掃描的系統(tǒng)認為是廣泛的動態(tài)CT掃描。
而且，在傳統(tǒng)技術中，在上述“動態(tài)CT”掃描期間，例如，當物體P在K次掃描操作期間具有某些變化時(例如，通?？紤]到的是造影劑的濃度變化或呼吸操作)，為了抑制圖像噪聲而不損失空間分辨率，在時間方向上必須執(zhí)行濾波。因此，損失時間分辨率的問題不能避免。
然而，由動態(tài)CT掃描獲得的圖像是如上所述的動態(tài)圖像，并被掃描用于詳細觀察隨時間變化的目的。因此，時間分辨率的損失實質上不是優(yōu)選的情形。
由于使用相干濾波器，可以執(zhí)行下面的動態(tài)相干濾波處理，其中不損失時間分辨率和可以從所有K靜態(tài)圖像(多個圖像)中抑制噪聲。
首先，對于像素X來說，其關于K靜態(tài)圖像定義為得到的如上所述的動態(tài)圖像的，下式可以構成為如上所述的像素值v(x)。
v(X)＝(v1(x)，v2(x)，…，vk(x)) …(1)這里，在右側項中的下標1，2，…，k是K靜態(tài)圖像的序號。
接下來，權函數(shù)w1的具體形式在這種情形下例如，用下面方程式(4)表示。wl(p(x,y))=exp[-{Σk=1k{vk(x)-vk(y)}2K(2σK)2}C]---(4)]]>其中y∈N(x)，和這個組N(x)可以關于像素x(＝也可以通過任何標準來設定)任意設定。然而，事實上，通過像素x和遠離像素x的像素y滿足假設“v(x)＝v(y)，這里由兩個像素噪聲產(chǎn)生的差得到消除”的可能性通常可能是低的。因此，在假設基礎上限定組N(x)，假設組N(x)是一組布置在像素x附近的像素，具有例如計算速度的提高的實際意義。
因此，這里，作為一個實例，假定組N(x)是一組包括在以像素x為中心的矩形外圍區(qū)域里的像素。更具體地，例如，對于組N(x)來說，當128×128個像素整體構成一個顯著靜態(tài)圖像時，定義用于以像素x為中心的3×3像素區(qū)域。而且，當512×512個像素構成靜態(tài)圖像時，可以定義用于以像素x為中心的13×13像素區(qū)域。
而且，上面方程式(4)中的σk是在假設每個K圖像具有恒定的普通程度的噪聲的基礎上，所估計的噪聲的標準偏差，假設另一方面，C是一個可調節(jié)參數(shù)，其確定分配給上面方程式(4)的權w1(p(x，y))的作用。在下文中依次描述σk和C。
首先，將描述方程式(4)中的σk(下文中描述為散布的σk2)。如上所述，這個σk2是由K靜態(tài)圖像上每個像素的標量值所擁有的散布噪聲組份。而且，上面方程式(4)中散布的σk2在假設基礎上得到估計，假設K圖像上每個像素的標量值包括具有恒值散布σk2的噪聲。通常，這個假設在下列背景中具有充分的合理性。
當受試者P的尺寸和X射線管101、X射線檢測器102和重構部件106的結構不變，和X射線的輻射能設定為常數(shù)，CT圖像的噪聲由X射線輻射劑量來確定，也就是，X射線管101的管電流和發(fā)光時間的乘積成比例關系(所謂的電流時間乘積(mA·s))。
另一方面，CT圖像的噪聲是附加的和實質上遵循高斯分布也是公知的。也就是，假定實際值(該值具有消除的噪聲貢獻)是Vn0(x)，關于構成某一像素x的像素值v(x)的任意標量值Vn(x)(n＝1，2，…，k)，Vn(x)-Vn0(x)的差值實質上遵循高斯分布，具有0和σk2的中間值。應當注意X射線劑量或電流時間乘積mAs實質上與噪聲的散布σk2成反比。
而且，散布σk2依賴于像素x的位置(例如，如上所述每個坐標值x＝(x，y))。在正常的X射線CT掃描儀100中，用于調節(jié)X射線輻射劑量的物理X射線濾波器(例如，稱為“楔”或“X射線濾波器”，由銅箔或固體金屬片形成)布置在X射線管101和X射線檢測器102之間。因此可以忽略散布。楔具有以下功能，物體P用實質上與水的密度相同的材料制造，和遞歸一部分X射線輻射劑量，由此在任何X射線檢測器102中檢測到相同程度的X射線輻射劑量。因此，根據(jù)該楔，作為結果，產(chǎn)生的效果是噪聲的散布σk2實質上具有恒值，不管像素x的位置。通常，布置該楔是為了有效地使用X射線檢測器102的動態(tài)范圍的基本目的。
如上所述，它是適當?shù)木褪窃谕ㄟ^動態(tài)CT掃描獲得的K靜態(tài)圖像中估計散布σk2實質上關于K靜態(tài)圖像上所有像素是恒定的。當然，很容易想到擴展本實施例用于每個像素的散布差。
進一步地，為了具體計算上面方程式(4)，分配給散布σk2的數(shù)字值是一個問題。這是因為通常可以假定噪聲分布的形式(上面是高斯分布)，但是在許多情況下散布σk2的具體值是不清楚的。
而且，通常，每次掃描可以改變輻射劑量(X射線管電流X輻射時間(mAs))。當用這種方式進行掃描時，在這種情況下，散布σk2與每個圖像不一致。
另外，假定在第k個圖像(k＝1，2，…，k)中每個像素標量值的噪聲散布是σk2和在第k個圖像的掃描中使用的輻射劑量是Rk，σk2與Rk成比例。因此，當關于至少一個k＝k0指定σk02時，關于另一個k也可精確地估計σk2如下。σk2=σk02RkRk0---(5)]]>在本實施例中，通過下面方法，可以關于至少一個k估計σk2的具體數(shù)字值。
該方法是有效的，就是使用N個圖像(1＜N≤k)，假定該圖象在K次掃描操作中物體P幾乎不變化，和通過實際測量得到關于散布σk2的期望值E[σk2]。為了簡化下面的說明，在N個圖像中的輻射劑量是相同的。因此，假定σk2關于k＝1，2，…，N是常數(shù)(寫成σ2)。期望包括在各自的標量值v1(xf)，v2(xf)，…，vk(xf)中的噪聲遵循高斯分布，具有如上所述的0和σ2散布的平均值，標量值構成這些N個圖像中某一像素的像素值v(xf)。使用下面方程式(6)得到平均值v*(xf)=1NΣK=1Nvk(xf)---(6)]]>然后，關于實際散布σ2可以得到期望值E[σ2]如下。E[σ2]=1N-1ΣK=1N{vk(xf)-v*(xf)}2---(7)]]>而且，可以認為如上所述散布的期望值E[σ2]關于所有K靜態(tài)圖像上的所有像素x是適當?shù)?。期望值用于替代實際散布σ2可能性通過不小于常數(shù)程度得到保證。因此，在上面方程式(4)的實際計算中，這個E[σ2]可以指定給方程式(4)的σ2。
進一步說，通過實際測量可以得到更具體的E[σ2]，例如，根據(jù)K靜態(tài)圖像中的第一和第二靜態(tài)圖像，這符合在上面方程式(6)和(7)中的N＝1的假設。而且，對于在上面方程式(6)和(7)的實際計算中使用的像素xf，來說，例如，只可以設計選擇適當像素xf，其排斥一部分，在該部分中掃描了空氣和骨頭。當選擇多個像素時，平均所有得到的E[σ2]值。而且，通常，通過物體P的移動也可以設計更好地抑制影響。
甚至由于這些N個圖像掃描中的易變的輻射劑量，很容易推斷σk2對Rk的比例用來準確地估計σk2。
隨后，將描述上面方程式(4)中的參數(shù)C。首先，在方程式(4)中，在上述平常方式中的風險率p(x，y)的概念包括如下。也就是，在方程式(4)的右側分子中的根號里面與假定遵循所謂的X平方分布的X2值一致，并除以(2σ)2。整個圓括號放在e的肩部，和該值是風險率p1(x，y)。也就是，下面方程式的結果。p1(x,y)=Aexp{-ΣK=1K{vk(x)-vk(y)}2K(2σk)2}---(8)]]>而且，上面方程式(4)轉換為關于p1(x，y)并表示在方程式(8)中的下列方程式。w1(p(x,y))={p1(x,y)}C2---(9)]]>其中A是標準化的常數(shù)，由此p1表示一個值(0至1)。
最后，在方程式(4)中，上面以正常模式描述的風險率p(x，y)沒有肯定地顯示，但是如上所述，權w1(p(x，y))的模式的確可以看作為風險率(＝p1(x，y))的函數(shù)(方程式(9))，也就是，模式是“保真度函數(shù)”。如上所述，風險率和保真度是這樣一種關系就是隨著它們中的一個增加，另一個也增加。
而且，如從上面方程式(9)中所看到的，參數(shù)C有效地確定權w1(p(x，y))對風險率p1(x，y)的靈敏反作用程度。也就是，當C增加時，p1(x，y)輕微增加，和w1(p(x，y))接近0。進一步說，當C減少時，可以抑制這種靈敏反作用。而且，C可以具體設定約為1-10，和優(yōu)選地C設定為3。
在本實施例中，可判斷中心像素x和外圍像素y之間的類似性。換句話說，通過一種所謂的上文中顯而易見的X平方檢查方法(統(tǒng)計檢查方法)，根據(jù)風險率p1(x，y)來確定關于兩個像素x和y的上述虛假設H的否定。
而且，正如從上面方程式(4)中所看到的，在本發(fā)明中，不是必須執(zhí)行計算關于各個x，y組合的風險率p(x，y)和隨后得到權w(p(x，y))的程序。沒有具體得到風險率p(x，y)時，在構造中可以直接計算綜合功能(wop)。
如上所述，當估計散布σ2時(例如方程式(7)的E[σ2])，和適當?shù)卮_定參數(shù)C(例如C＝3)，可以使用方程式(4)得到關于所有像素y的具體權w1(p(x，y))，像素y包括在關于某一像素x定義的組N(x)中(例如上述以像素x為中心的3×3像素區(qū)域)。然后，在方程式(2)中代替w(p(x，y))，可以使用這個w1(p(x，y))來執(zhí)行相干濾波器的具體數(shù)字值計算。而且，作為結果，沒有削弱時間分辨率以及空間分辨率，像素值具有強抑制噪聲V′(X)＝(V′1(x)，V′2(x)，…，V′k(x))(＝方程式(3))，也就是，可以得到具有強抑制噪聲的K靜態(tài)或動態(tài)圖像。
為了便于理解，在圖3A-3C中示意性地表示這個圖像處理。也就是，首先在圖3A中，在1，2，…，k靜態(tài)圖像中，關于某一像素x，假設以像素x為中心的3×3像素的矩形區(qū)域N3×3(x)。假設在矩形區(qū)域N3×3(x)的左角上的像素是y1，像素y1具有像素值v(y1)。
而且，通過構成像素值v(y1)的標量值V1(y1)，V2(y2)，…，Vk(y1)和像素值v(x)中的標量值V1(x)，V2(x)，…，Vk(x)，根據(jù)上面方程式(4)(圖3B)來計算權w1(p(x，y1))。而且，關于矩形區(qū)域3X3(x)的剩余像素y2，…y8，最后如圖3B所示，可以類似地得到w1(p(x，y1))，…，w1(p(x，y8))和w1(p(x，x))。在這種情況下，從方程式(8)中得出，風險率p(x，y)是“1”，和因此從方程式(9)中得出，權w1(p(x，y)也是“1”(＝應用最大權)。
隨后，用這種方式得到的權w1(p(x，y1))，…，w1(p(x，y8))和w1(p(x，x))與第k個圖像中相應像素的標量值Vk(y1)，Vk(y2)，…，Vk(y8)，Vk(x)相乘得到總和(與上面方程式(2)的分子相對應)。該和除以關于矩形區(qū)域N3×3(x)的權w1的和(類似地對應于上面方程式(2)的分母)。然后，關于第k個圖像中的像素x，可以得到具有抑制噪聲的標量值V′k(x)(圖3C)。而且，關于所有圖像k＝1，2，…，k，使用相同的權w1(p(x，y1))，…，w1(p(x，y8))和w1(p(x，x))得到具有抑制噪聲的標量值V′k(x)，和由此得到像素x中具有抑制噪聲的像素值V′k(x)＝(V′1(x)，V′2(x)，…，V′k(x))。當關于所有像素x重復上面的計算時，得到具有抑制噪聲的K圖像。
在由用相干濾波計算的像素值V′(x)構成的圖像中，在原始圖像中可見的隨機噪聲得到有效抑制。
而且，可以執(zhí)行上述步驟，例如，參考圖4A、4B中所示的流程。而且，為了在實際的X射線CT掃描儀100上實現(xiàn)各個步驟的計算和圖像顯示，例如，如圖2所示，可以布置包括分散值評價部件111、權計算部件112和像素值計算部件113的圖像處理部件110來執(zhí)行這些步驟。
在這種情況下，配置權計算部件112直接從如上所述的像素值v(x)和v(y)中得到權w1(p(x，y))。因此，計算部件112是一種直接得到權而不具體得到風險率p1(x，y)的裝置。此外，代替上述構造，一種構造可以由風險率計算部件(保真度量化部件)來執(zhí)行兩步驟的程序，用于具體得到風險率p1(x，y)的值，和權計算部件用于根據(jù)風險率計算部件的輸出得到權w1(p(x，y))。在任何情況下，權計算部件112使用散布σ2、v(x)、v(y)來計算權w1(p(x，y))，散布σ2由分散值評價部件111來估計。
而且，像素值計算部件113使用像素值v(x)和v(y)和權w1(p(x，y))來計算像素值v′(x)，權w1(p(x，y))的數(shù)字值由權計算部件112來計算。也就是，計算部件113實際上執(zhí)行抑制原始圖像噪聲的步驟，也就是，應用相干濾波器(下文中稱為“應用相干濾波器”)。
當相干濾波器被應用到動態(tài)圖像中時，包括上述動態(tài)相干濾波處理中的K靜態(tài)圖像，圖像處理部件110中的處理可以包括首先還原所有靜態(tài)圖像；隨后把圖像保存在存儲裝置10M中；和把相干濾波器應用到所述圖像作為后處理。然而，本發(fā)明不局限于這種模式。在上述的連續(xù)掃描、連續(xù)投影數(shù)據(jù)收集、連續(xù)還原和連續(xù)顯示的流程中，可以實時執(zhí)行應用相干濾波器的步驟(下文中稱為“實時相干濾波處理”)。
在實時相干濾波處理的一個優(yōu)選實施例中，每當掃描和還原新圖像時，執(zhí)行下面處理。在第一所獲圖像(圖像號為1)到最后的圖像(圖像號為M)中，公共相同點(相同坐標)的像素x的像素值(標量值)排列在具有圖像號M，M-1，…，M-K+1的靜態(tài)圖像上，來構造K維向量值v(x)＝(Vm(x)Vm-1(x)，…，Vm-k+1(x))。照這樣，能夠以與上述“動態(tài)相干濾波處理”相同的方式應用相干濾波器。實際上，像素值計算部件113根據(jù)最近圖像(圖像號為M)只計算標量值v′m(x)，代替計算所有元素的像素值v′(x)。作為結果，由于提高了計算速度，可以實時顯示具有抑制噪聲的最近圖像。
作為“實時相干濾波處理”的另一優(yōu)選實施例，其構造可以包括以和上述相同的方式應用相干濾波器得到某一時間上的V1′(x)，…，Vk′(x)，在該時間首先得到K圖像；隨后通過v(x)＝(Vm(x)，vm-1(x)，…，vm-k+1(x))，使用具有圖像號M，M-1，…，M-K+1的K靜態(tài)圖像來構造K維向量值；和關于該值應用上述實時相干濾波處理。另外，在實時相干濾波處理期間，像素值向量維數(shù)K可以通過手動或自動設定按照需要而改變，并且這種構造是方便的。
以這種方式，通過相干濾波器，使用CT圖像來執(zhí)行CBP學習、組織中局部血液流量循環(huán)，也就是，流經(jīng)局部組織中毛細管的血液流量循環(huán)得到量化分析，CT圖像中僅僅有效抑制了噪聲而不惡化空間或時間分辨率，和得到表示局部血液流量循環(huán)的指數(shù)(CBP、CBV、MTT、Err)，由此可以期望精確度和可靠性的增加。
如上所述，關于所述圖像執(zhí)行CBP學習處理，在該圖像中抑制了分辨率的降低和消除了噪聲。
(CBP學習)如上所述，CBP學習包括獲得CBP、CBV、MTT和Err指數(shù)，這些指數(shù)量化地表示了腦組織中“流經(jīng)毛細管的血液流量”的循環(huán)；以及，輸出表示這些指數(shù)空間分布的圖CBP腦組織毛細管中每單位體積和時間的血液流速[ml/100ml/min]；CBV腦組織中每單位體積的血液量[ml/100ml]；MTT毛細管的血液平均通行時間[秒]；和Err實際測量值與分析模型的偏差剩余錯誤誤差指數(shù)。
而且，當剩余錯誤誤差Err低時，意味著依賴參考腦動脈的高的可能性。相反，當剩余錯誤誤差Err高時，意味著依賴參考腦動脈的低的可能性。
在CBP學習中，采用不具有大腦血管滲透性的造影劑，例如碘化造影劑作為示蹤劑。經(jīng)由肘脈通過注射器快速注入的碘化造影劑經(jīng)由心臟和肺流進腦動脈。而且，造影劑經(jīng)由腦組織中的毛細管從腦動脈中流出到肘脈。在這種情況下，造影劑不具有大腦血管滲透性，例如碘化造影劑流經(jīng)正常腦組織中的毛細管而沒有任何血管外的泄漏。
通過動態(tài)CT，連續(xù)地掃描造影劑的流經(jīng)狀態(tài)，和從連續(xù)圖像中測量腦動脈上像素的時間-密度曲線Ca(t)、包括毛細管的腦組織上像素的時間-密度曲線Ci(t)、和大腦靜脈上像素的時間-密度曲線Csss(t)。
在CBP學習中，在腦組織附近的大腦血管血液濃度的時間曲線Ca(t)和毛細管血液濃度的時間曲線Ci(t)之間建立的關于造影劑血液濃度的理想關系用作分析模型。也就是，假定如果就在腦組織之前經(jīng)由血管注射造影劑，用于包括毛細管的腦組織的單位體積(一個像素)里的時間-密度曲線垂直上升，停在一常數(shù)值上，和稍微傾斜下落。這可以用矩形函數(shù)來近似(框-調制轉換函數(shù)方法box-MTF方法)。
腦動脈血液的時間-密度曲線Ca(t)被用作輸入函數(shù)，用于腦組織的時間-密度曲線Ci(t)被用作輸出函數(shù)，且可以得到作為調制轉換函數(shù)的流經(jīng)毛細管的過程特征，該函數(shù)用矩形函數(shù)來表示。
(具體過程)圖5和6表示根據(jù)本實施例CBP學習的典型程序。首先，執(zhí)行組織例如肘脈的大丸藥注射(造影劑只給予一次)，和在注射之后或之前立即執(zhí)行動態(tài)CT(重復掃描相同位置)。
作為一種最典型的方法，當執(zhí)行肘脈的大丸藥注射時，掃描被重復，例如，以0.5-2秒的間隔持續(xù)約20-40秒。通過動態(tài)CT得到的N個CT圖像中的j個圖像的每個像素(x，y)的CT號假定為(x，y，j)。這只是像素(x，y)中的時間-密度曲線(光滑曲線)f(t，x，y)的采樣值。
首先，在步驟S1中處理各個CT圖像時，外觀上可明顯判斷出對應于腦組織以外的組織的像素被從分析目標中排除。也就是，表示推斷為腦組織CT數(shù)(例如10-60HU的CT數(shù))的范圍之外的值的像素，是與空氣、骨頭或脂肪相應的像素，它們與固定量大腦血液流量無關，并可以忽略。該分析范圍設定為10-60HU作為默認值，但可以經(jīng)由輸入部件109任意設定。
而且，由于在步驟S2中的處理，差異增強效果被初始化。為了在每個像素中(CT數(shù)上升)得到差異增加效果，在造影劑到達對應于每個像素(x，y)的組織之前的圖像(通常獲得多個圖像)用序號1，2，…，k來表示和得到時間平均值如下。(Σj=1Kv(x,y,j))/K---(10)]]>該值設定為b(x，y)。而且，每個圖像j＝k+1，k+2，…，N的像素值v(x，y，j)計算如下。
q(x，y，j)＝v(x，y，j)-b(x，y)當j＜K時，可以設定下式。
q(x，y，j)＝0為了簡化處理，關于任何像素可以使用相同K。這樣得到的q(x，y，j)可以認為只是時間-密度曲線q(t，x，y)的采樣值，其作為t＝t1，t2…，tN中的光滑連續(xù)曲線。使用這個q(t，x，y)來執(zhí)行大腦血液流量的量化分析。
在量化分析中，首先在CT圖像上可以將右半球和左半球分開。在上述CBP學習中，得到毛細管血液流量循環(huán)的狀態(tài)，作為腦組織的時間-密度曲線Ci(t)關于腦動脈的時間-密度曲線Ca(t)的調制轉換函數(shù)MTF。因此，除非作為分析目標的腦組織依賴于參考曲線Ca(t)的腦動脈，計算是無用的。單個腦動脈時間-密度曲線Ca(t)至少用于左腦和右腦來單獨分析目標。也就是，左腦的腦動脈時間-密度曲線Ca(t)只在分析同一左腦的腦組織中使用。類似地，右腦的腦動脈時間-密度曲線Ca(t)只在分析同一右腦的腦組織中使用。這有效地減少了無效計算。
為了把大腦分成左半球和右半球，如圖7中所示，劃分線被添加和顯示在屏幕中的CT圖像上(S3)?？梢允紫葮嬙靹澐志€來顯示在圖像中間。操作員參考圖像，移動劃分線，移動構成劃分線的多個點，任意彎曲該線，和由此分成左和右區(qū)。
當大腦分成左和右半球且分析范圍被限定在各自區(qū)域中時，可以減少分析處理步驟的數(shù)量。也就是，左腦的腦動脈的時間-密度曲線Ca(t)(左ACA、MCA、PCA)只用來分析左腦區(qū)(調制轉換函數(shù)最優(yōu)化處理)。類似地，右腦的腦動脈的時間-密度曲線Ca(t)(右ACA、MCA、PCA)只用來分析同一右腦的腦組織。為了減少分析處理步驟的數(shù)量，左和右半球還分成區(qū)域，和分析處理可以限定在更窄區(qū)域。
為了劃分區(qū)域，可以使用幾何結構方法例如Voronoy方法。眾所周知，Voronoy方法是一種頻繁用于工廠最佳布置領域中的技術，例如醫(yī)院、商場和消防隊，和其特征在于根據(jù)布置在平面上的大量點(對應于商店、母線)距離把平面分成多個影響區(qū)域。
如圖8中所示，在本實施例中，把Voronoy方法單獨應用到左和右半球。左ACA、MCA、PCA用作三根母線把左腦區(qū)分成左ACA、MCA、PCA影響區(qū)域。Voronoy點設定在圓的中心，該圓經(jīng)過三根與左ACA、MCA、PCA相應的母線。以Voronoy點為中心，左ACA和MCA的兩根母線的垂直平分線、左MCA和PCA的兩根母線的垂直平分線、和左ACA和PCA的兩根母線的垂直平分線相互連接在一起。通過三根垂直平分線把左腦區(qū)分成三個影響區(qū)域。類似地，右ACA、MCA、PCA用作三根母線把右腦區(qū)分成右ACA、MCA、PCA影響區(qū)域。
腦組織的時間-密度曲線Ci(t)對左ACA的時間-密度曲線Ca(t)的調制轉換函數(shù)MTF限定到左ACA的影響區(qū)域，并得到用于每個像素。類似地，調制轉換函數(shù)MTF限定到關于左MCA和PCA、以及右ACA、MCA和PCA的影響區(qū)域，并得到用于每個像素。
當把左和右半球分成多個影響區(qū)域和分析范圍限定到每個影響區(qū)域時，可以進一步減少分析處理步驟的數(shù)量。
隨后，腦動脈ROI設定在CT圖像上的腦動脈上。為了增加設定的精確性和幫助所述設定，ROI設定支持部件121準備一張支持圖，和該圖從或在CT圖像(S4)中單獨顯示。如圖9A-9C所示，支持圖的實例包括出現(xiàn)時間圖(AT)、最高時間圖(PT)和通行時間圖(TT)。關于各個像素，如圖10所示，時間AT從反差成像之前的任意時間TO(例如數(shù)據(jù)收集啟動時間)直到造影劑濃度達到最高的幾個百分點(例如1％)，時間(最高時間)PT從時間TO直到造影劑濃度達到最高，或TT表示造影劑的移動時間，例如具有半值寬度，計算它們并產(chǎn)生和顯示為圖。缺省地，包括這些AT、PT和TT的所有類型得到產(chǎn)生和顯示，但是操作員可以任意選擇一種類型或兩種類型。
與腦動脈中其它組織相比，這些數(shù)值趨于出現(xiàn)大值。因此，由彩色顯示器經(jīng)過彩色查找表，設定查找表只顯示具有在該值中心的值的像素，很容易識別腦動脈位置，和可以準確設定腦動脈ROI(S5)。典型地，在每個左和右半球中，腦動脈ROI設定為前腦動脈(ACA)、中間腦動脈(MCA)和后腦動脈(PCA)三個位置。
而且，由于多切片掃描，例如，當相互相鄰布置的四個切片是分析目標時，如圖11所示，用于各個切片的各個腦動脈ROT的設定不僅在操作負擔中是巨大的，而且在執(zhí)行分析中是不必要的操作。因此，在某一任意切片中設定的腦動脈ROI也用于其它切片。而且，后面描述的相干遞歸方法也可以用于準備腦動脈的時間-密度曲線Ca(t)，其可以共有地用于所有切片。
隨后，時間-密度曲線準備部件122從連續(xù)圖像數(shù)據(jù)中通過關于每組腦動脈ROI的動態(tài)CT來準備時間-密度曲線Ca(t)(S6)。
這里，存在許多腦動脈，與像素大小進行比較，它們非常薄。另外，通常，腦動脈與CT切片不垂直相交。因此，圖像上的每個像素不能準確地表示動脈血液的CT數(shù)，由腦動脈和其它組織的混合存在構成一個像素，和因為大部分情況下的部分體積影響，因此只表示較低的對比增強效果。而且，在這些包括任意部分體積的像素中，圖像噪聲是巨大的。特別是在部分產(chǎn)生大腦梗塞的動脈中由于對比增強效果是顯著地小，噪聲的影響是非常巨大。通過上述的相干濾波器來抑制圖像噪聲，但是還保持部分體積效果的影響。
對于腦動脈的時間-密度曲線來說，代替在單個切片圖像中測量曲線，使用包括動脈的立體中的像素來應用后面描述的相干遞歸方法，由此可以解決問題。因此，代替上述相干濾波方法，在該階段可以應用相干遞歸方法。
而且，根據(jù)這種方法，得到與每個動脈相應的僅僅一個切片圖像的時間-密度曲線，和因此可以用于分析掃描容量里的所有切片中的任意部分。由此，關于特殊動脈，選擇切片，通過該切片非常清楚地得到腦動脈時間-密度曲線，腦動脈時間-密度曲線可以應用到所有切片，和可以減少腦動脈時間-密度曲線的數(shù)量。
(相干遞歸方法)當準備時間-密度曲線時，重要的是消除部分體積效果和任意噪聲的影響。首先，“時間-密度曲線”是一種表示動態(tài)CT圖像特殊部分中CT數(shù)(密度值)隨時間流失的變化的曲線。特別地，在上述的醫(yī)學圖像診斷裝置中，為了檢查局部血液流量循環(huán)和人體組織中新陳代謝功能的細節(jié)，人體特殊組織中的造影劑濃度隨時間的變化已經(jīng)測量為時間-密度曲線。而且，在天文觀察中，為了分析特殊天體的發(fā)光變化，使用時間-密度曲線。將更正式和清楚地描述該曲線。也就是，時間-密度曲線表示為一對序列{<tk，dk>(k＝1，2，…，K)}，這里某一部分在時間tk中的密度值是dk。而且，在時間-密度曲線的許多使用中，不需要要求dk的絕對值，和只得到增量(dk-d1)是相當足夠的，在增量中第一圖像1用作參考。進一步說，在許多使用中，只得到數(shù)據(jù)A(dk-d1)是充分的(這里A是一個未知常數(shù))，該數(shù)據(jù)與(dk-d1)成簡單比例。因此，在這種情況下，這對序列{<tk，A(dk-d1)>(k＝1，2，…，K)}是所需的時間-密度曲線。
為了得到時間-密度曲線，原理上，包括在部分中的像素x的標量值vk(x)可以用來構成這對序列{<tk，vk(x)>}或{<tk，A(vk(x)-v1(x))>}，在該部分中時間-密度曲線在構成動態(tài)CT圖像的各個圖像(k＝1，2，…，K)中進行測量。
然而，在實際使用中，由醫(yī)學圖像診斷裝置掃描的動態(tài)CT圖像包括隨機噪聲，和因此存在的問題是實質上測量的時間-密度曲線不能準確得到。
此外，在實際使用中，在這些動態(tài)CT圖像中，產(chǎn)生一種所謂的“部分體積效果”。部分體積效果是一種現(xiàn)象，其中物體中的微量材料的圖像由圖像上少量的像素來表示，但是少量像素也受到物體中鄰近材料的圖像的影響，和少量像素的像素值(本質上與要測量的密度值的波動成比例)只表示為一個相對小的波動。換句話說，少量像素的像素值只包括一個微小信號。因此，當產(chǎn)生部分體積效果時，對于任何像素x，這對序列{<tk，vk(x)>(k＝1，2，…，K)}具有非常低的信號電平，像素受到本質上沒有測量的組織中密度值變化的影響，和還存在隨機噪聲。因此存在的問題是實質要測量的時間-密度曲線{<tk，dk>}不能準確得到。
為了解決該問題，迄今已經(jīng)使用時間或空間濾波來抑制隨機噪聲。然而，由于時間平均，削弱了時間分辨率。而且，由于空間平均，存在的問題是實質要測量部分以外的部分密度隨時間的變化混合到測量值中。為了解決該問題和得到更準確的時間-密度曲線，使用相干濾波器。
首先，將描述在本實施例的相干濾波器中使用的虛假設。假設要測量部分中的實際時間-密度曲線是{<tk，dk>(k＝1，2，…，K)}，為了測量主要轉換{<tk，A(dk-d1)>(k＝1，2，…，K)}(這里A是一個未知系數(shù))，設定一組R實質與要測量部分相應的像素，關于作為組R元素的任意像素xεR，在條件Q下即“像素x準確反映上述實際時間-密度曲線和幾乎不受其它部分密度隨時間變化的影響”，關于像素值v(x)＝(v1(x)，v2(x)，…，vk(x))作為向量值，考慮到部分體積效果和任意噪聲的影響，可以假設建立下式。
Vk(x)＝p(x)dk+q(x)γk(x) …(11)
(k＝1，2，…，K)這里，p(x)和q(x)是未知系數(shù)，其隨每個像素x不同，但是不隨圖像數(shù)k而變化(也就是掃描時間tk)，和模擬部分體積效果。而且，γk(x)模擬隨機噪聲，該值隨每個像素x和圖像號k而不同，但是期望值是0，和統(tǒng)計分布不依賴于像素x或圖像號k。
根據(jù)上述假設，可以證明下式。如果關于兩個任意像素x，y建立命題“兩個像素x，y滿足上述條件Q”作為組R的元素，建立下列關系。
Vk(x)＝a1vk(y)+a2+ξk(k＝1，2，…，K)…(12)這里，a1和a2是未知系數(shù)，其隨每個像素組x，y而不同但是不隨圖像數(shù)k而變化(也就是掃描時間tk)。而且，ξk是隨機噪聲，該值隨每個像素x，y和圖像號k而不同，但是期望值是0。
得到方程式(12)如下。
Vk(y)＝p(y)dk+q(y)γk(y) …(13)也就是，當對通過給x賦值y得到的上述方程式進行修改時，得到下列方程式。dk=vk(y)-q(y)-γk(y)p(y)---(14)]]>當其賦值給方程式(20)時，得到下式。vk(x)=p(x)p(y)vk(y)+(q(x)-p(x)p(y)q(y))+(γk(x)-p(x)p(y)γk(y))---(15)]]>因此，使用下式，得到方程式(12)。a1=p(x)p(y)]]>a2=q(x)-p(x)p(y)---(16)]]>ξk=γk(x)-p(x)p(y)γk(y)]]>這里方程式(16)的a1和a2是表示部分體積效果的參數(shù)，和方程式(16)的ξk表示隨機噪聲。
上面已經(jīng)表示，命題“像素x，y都滿足條件Q”相當于虛假設H0′“Vk(x)＝a1vk(y)+a2+ξk(k＝1，2，…，K)”。
接下來將描述把虛假設H0 ′“Vk(x)＝a1vk(y)+a2+ξk(k＝1，2，…，K)”轉換為一種實質等價命題形式，其實際上可以得到檢驗。為了重新嚴格地數(shù)學表示虛假設，虛假設H0′表示“由于存在某些常數(shù)a1和a2，ξk＝Vk(x)-a1vk(y)-a2(k＝1，2，…，K)遵循正常分布，其具有0和散布σ2h(a1)的中間值”。這里，系數(shù)h(a1)如下。
h(a1)＝1+a12…(17)從表示a1和ξk定義的方程式(16)和關于自由變量的散布通常特性中迅速得到方程式(17)。而且，可以簡單地估計上述散布σ2的值充分用于實際使用中。
如上所述，如果可以確定常數(shù)a1和a2，檢驗上述虛假設H0′是可能的。而且，實際上，得到這些常數(shù)的最佳估計值a1-和a2-是足夠的。
同樣可以在計算常數(shù)a1和a2的最佳估計值中使用公知的擬合方法。然后，作為擬合方法的典型具體方法，將描述一種在線性化最小平方方法中使用的要點。為了把線性化最小平方方法應用到本實施例，假設虛假設ξk的平方和簡化為s(a)，定義如下。S(a)ΣK=1K{vk(x)-a1vk(y)-a2}2---(18)]]>s(a)的值依賴于常數(shù)向量a＝(a1，a2)，也就是，常數(shù)a1和a2的值。使用常數(shù)向量a的計算，其中s(a)表示最小值，在無偏估計意義中，可以得到關于常數(shù)a1和a2的最優(yōu)估計值a1-和a2-。而且，作為線性化最小平方方法的具體計算方法，可以使用各種已知的方法。另外，這些公知計算方法都是非常簡單，和需要的計算時間非常少。常數(shù)a1和a2的最優(yōu)估計值a1-和a2-用這種方式來計算。作為結果，由下式定義的剩余錯誤誤差可以得到具體計算。
rk-(x，y)＝vk(x)-a1-vk(y)-a2-…(19)因此，可以使用該剩余錯誤差rk-來改寫上述虛假設H0′作為實質等價的虛假設H0″“rk-(x，y)(k＝1，2，…，K)遵循具有0和散布(1+(a1-)2)σ2的中間值的正常分布”。這就是具體的命題，通過該命題可以實際執(zhí)行檢驗計算。
而且，引入向量的下列表示a-＝(a1-，a2-)ζ＝(r1～，…，rk～)…(20)其中向量a和ζ依賴于像素組x，y。
f(a～，v(y))＝a1～，v(y)+a2-…(21)而且，由上式定義的向量值函數(shù)f用來改寫虛假設H0′作為虛假設H0″“v(x)＝f(a～，v(y))+ζ(然而，ζ遵循具有0和散布(1+(a1-)2)σ2的中間值的正常分布”，和這是與上述虛假設HO的形式相同。也就是，顯而易見本實施例是相干濾波器的一個改進實例。這里，f(a～，v(y))意味著使用像素x的像素值v(x)，表示部分體積效果的參數(shù)a可以調整到最優(yōu)化和轉換像素y的像素值v(y)以便具有最高保真度。
接下來將描述通過本實施例中的相干濾波器使用虛假設H0″得到時間-密度曲線的方法。對于通常與要測量的部分對應的組R來說，關于包括在組R中的某一像素x∈R，關于作為組R的元素的所有像素y∈R執(zhí)行下列計算。也就是，使用上述方法來實際計算剩余錯誤誤差rk-(x，y)(k＝1，2，…，K)。隨后，具體計算風險率p(x，y)和權w(p(x，y))用于否決上面的虛假設H0″“rk-(x，y)(k＝1，2，…，K)遵循具有0和散布(1+(a1～)2)σ2的中間值的正常分布”。而且由下列方程式(22)和像素x中的時間-密度曲線{<tk，v′k(x)-v′1(x)>(k＝1，2，…，K)}來計算加權平均v′k(x)。v′(x)=Σy∈Rw(p(x,y)f(a~,-v(y))Σy∈Rw(p(x,y))---(22)]]>用這種方式得到的時間-密度曲線表示一個測量值，其近似于像素x{<tk，dk>}中的實際時間-密度曲線的初始轉換{tk，A(dk-d1)>}(其中A是未知系數(shù))。另外，通過加權平均的效果來抑制任意噪聲。而且，關于另一像素y的像素值向量，正如從方程式中顯而易見，使用所述曲線，在該曲線中部分體積效果的影響得到修正。而且，本發(fā)明具有相干濾波器的公共特征“不使用時間平均值，和根據(jù)具有像素x的保真度使用權來計算空間平均值”作為特性。因此，根據(jù)本實施例，可以得到時間-密度曲線，其中部分體積效果的影響得到抑制而不削弱時間分辨率和隨機噪聲得到抑制。而且，用這種方式得到時間-密度曲線的方法專門稱為“相干遞歸方法”。
接下來將具體描述在通過醫(yī)療X射線CT中的動態(tài)CT掃描得到的動態(tài)CT圖像中，時間-密度曲線的臨床使用的一個實例。在該應用實例中，當造影劑快速注射進組織中時，執(zhí)行掃描例如動態(tài)CT，測量存在于人體組織中的動脈圖像的密度變化作為時間-密度曲線，和組織中的血液流量循環(huán)得到診斷。
在該應用實例中，在許多情況下，由于人體組織中的動脈通常非常薄，出現(xiàn)在CT攝影圖像上的動脈圖像產(chǎn)生部分體積效果。而且，不用說，該圖像包含隨機噪聲。因此，在傳統(tǒng)方法中得到關于動脈的充分準確的時間-密度曲線是困難的。當強迫執(zhí)行測量時，僅僅得到測量值<tk，vk(x)-v1(x)>。該值近似于一定程度的像素值<tk，A(Dk-D1)>(這里Dk表示一組像素的像素值(作為標量值)，該組像素與時間tk k＝1，2，…，K中動脈圖像相對應)作為關于動脈的實際時間-密度曲線<tk，Dk>的主轉換。這個測量值包含隨機噪聲。而且，因為部分體積效果的影響，系數(shù)A保持未知。
然后，可能得到測量值<tk，(v′k(x)-v′1(x))>(k＝1，2，…，K)。其充分近似<tk，A(Dk-D1)>。另一方面，顯著厚的血管存在于這些血管中，在相同的攝影圖像上可以看到這些血管。因此，關于血管，在傳統(tǒng)的方法中，可以得到時間-密度曲線的足夠好的近似值<tk，(Jk-J1)>(k＝1，2，…，K)。這里Jk表示一組像素的像素值，其與時間tk中的血管圖像相對應。
而且，在關于血液循環(huán)的時間-密度曲線中，公知的是建立命題S“如果時間t1中血液中的造影劑濃度、關于任何血管d的任何時間-密度曲線<tk，(dk-d1)>在曲線(AUC)下的區(qū)域里相匹配”作為特性。這里，曲線下的區(qū)域意味著時間-密度曲線<tk，(dk-d1)>的關于時間t的積分。
因此，可以近似計算關于某一組織的時間-密度曲線<tk，(dk-d1)>的曲線(AUC)下的面積，例如，通過下列方程式。AUC(d)≈ΣK=1K-1{(dk+1-d1)+(dk-d1)}(tk+1-tk)2---(23)]]>因此，可以使用方程式(22)計算關于時間-密度曲線{tk，(Jk-J1)>}的曲線AUC(J)下的面積，在傳統(tǒng)方法中關于血管得到時間-密度曲線{tk，(Jk-J1)>}。J可以賦值給d。而且，如果關于動脈的時間-密度曲線{tk，(Dk-D1)>}是公知的，使用方程式(18)類似地計算曲線AUC(D)下的面積。另外，根據(jù)命題S，必須建立下式。
AUC(D)≌AUC(J) …(24)然而，實際上，由于時間-密度曲線{tk，(Dk-D1)>}是未知的，不能計算AUC(D)。
另一方面，在根據(jù)本實施例的方法中得到的時間-密度曲線<tk，(v′k(x)-v′1(x))>近似于<t k，A(Dk-D1)>，和后者包含未知系數(shù)A。因此，AUC(V′)下的面積必須是A與面積AUC(D)的乘積，使用方程式(23)從{<tk，(v′k(x)-v′1(x)>)}中可以具體計算AUC(V′)下的面積。也就是，下面結果。
AUC(V′)≌AUC(D)…(25)也就是，從方程式(24)和(25)中，建立下列關系。
A≌AUC(V′)/AUC(J)…(26)使用方程式(23)可以具體計算方程式(26)的右側，和因此可以具體確定未知系數(shù)A的值然后，當系數(shù)A的這個值用來構成時間-密度曲線<tk，(v′k(x)-v′1(x)>)/A>，這只是動脈的時間-密度曲線<tk，(Dk-D1)>的近似。使用曲線下的面積構成時間-密度曲線的方法稱作為“AUC方法”，該時間-密度曲線具有未知比例系數(shù)A的確定值。
因此，AUC方法還與相干遞歸方法相結合，其用于由動態(tài)CT掃描得到的動態(tài)CT圖像中的時間-密度曲線的臨床使用中，由此，消除了部分體積效果和隨機噪聲的影響，和甚至關于薄動脈的時間-密度曲線得到包括未知比例系數(shù)A的測量值。在傳統(tǒng)方法中曲線測量已經(jīng)是困難的或不可能。
而且，當然，AUC方法也可以應用到關于通過傳統(tǒng)方法單獨測量的動脈的時間-密度曲線<tk，(v′k(x)-v′1(x)>。不能消除部分體積效果和隨機噪聲的影響，但是可以構成時間-密度曲線，其具有未知比例系數(shù)A的確定值。
(使用上縱向竇性靜脈的時間密度曲線校正腦動脈的時間密度曲線(抑制部分體積效果的影響))為了抑制部分體積的影響，代替或排除相干遞歸，可以使用上縱向竇性靜脈的時間密度曲線Csss(t)校正腦動脈的時間密度曲線Ca(t)。
首先，在圖5的步驟S7中，如圖12所示，設定稍微大的上縱向竇性靜脈ROI以便包圍CT圖像上的上縱向竇性靜脈。與所述動脈相比，上縱向竇性靜脈是大的和其位置相對固定，容易設定上縱向竇性靜脈ROI。該稍微大的上縱向竇性靜脈ROI包括多個像素。
隨后，減少或處理所述上縱向竇性靜脈ROI以便上縱向竇性靜脈ROI的所有像素包括在整個區(qū)域上的上縱向竇性靜脈中(S8)。例如，減少處理包括首先關于上縱向竇性靜脈ROI中的每個像素執(zhí)行極限值處理(二進制化)；和在ROI中準備二進制圖(“0”，“1”)。所述極限值設定為一個值，該值把上縱向竇性靜脈的圖像從外圍組織和骨頭的圖像中分離。“1”表示上縱向竇性靜脈圖像上的像素，和“0”表示外圍組織和血液圖像上的像素。根據(jù)附近中的四個或八個像素的值來更換二進制圖的每個像素(中心像素)。只有當中心像素是“1”和所有附近中的四個或八個像素的值是“1”時，中心像素值保持在“1”。也就是，當然，當中心像素是“0”時，甚至當中心像素是“1”時，和所有附近中的四個或八個像素中任何一個也表示“0” 時，中心像素值用“0”取代。因此，與上縱向竇性靜脈圖像的外形相比，通過至少一個像素來減少上縱向竇性靜脈ROI。由此，受到減少處理的上縱向竇性靜脈ROI中所有像素是上縱向竇性靜脈圖像上的像素的條件，可以實現(xiàn)并具有很高程度確定性。
而且，代替這種技術，可以使用時間-密度曲線的曲線AUC下的面積來修正所述上縱向竇性靜脈ROI。在這種情況下，使用稍微大的ROI作為搜索范圍，和在該范圍內(nèi)關于每個像素計算時間-密度曲線的曲線AUC下的面積。通過對比增加效果，與外圍像素值相比，上縱向竇性靜脈圖像上的像素的曲線AUC下的面積顯然表示一個高值。因此，當關于曲線AUC下的面積執(zhí)行極限值處理時，從ROI中能夠選擇的只有上縱向竇性靜脈圖像上的像素。
關于在很大程度肯定在上縱向竇性靜脈圖像上的多個像素，在這種方式中使用任何一種或兩種技術通過AND條件獲得所述圖像，平均每個像素的時間-密度曲線，和準備上縱向竇性靜脈的時間-密度曲線Csss(t)(S9)。這里，由于碘化造影劑不流經(jīng)血腦障礙，原理上，碘濃度隨腦動脈和靜脈不改變。也就是，上縱向竇性靜脈的時間-密度曲線Csss(t)的曲線AUC下的面積幾乎等于S6中準備的腦動脈的時間-密度曲線Ca(t)的曲線AUC下的面積。因此，如圖13所示，通過把S6中準備的腦動脈的時間-密度曲線Ca(t)的每個時間值與AUC(sss/AUCa)相乘來修正時間-密度曲線Ca(t)，由此S6中準備的腦動脈的時間-密度曲線Ca(t)的曲線AUCa下的面積幾乎等于上縱向竇性靜脈的時間-密度曲線Csss(t)的曲線AUCsss下的面積(S10)。
隨后，圖14A中所示的腦動脈的時間-密度曲線Ca(t)用來量化腦組織(毛細管)的血液流量循環(huán)，其中如上所述噪聲和部分體積效果得到抑制。為此，首先關于腦組織上的每個像素準備圖14B中表示的時間-密度曲線Ci(t)(S11)。
隨后，如S12所示，單個腦動脈時間-密度曲線Ca(t)用于左區(qū)和右區(qū)，和腦動脈時間-密度曲線Ca(t)用作每個像素的輸入函數(shù)和腦組織的時間-密度曲線Ci(t)用作每個像素的輸出函數(shù)，得到示蹤劑經(jīng)過毛細管的經(jīng)過過程特征，作為調制轉換函數(shù)MTF。也就是，關于左區(qū)腦組織的時間-密度曲線Ci(t)，使用相同區(qū)的腦動脈時間-密度曲線Ca(t)。而且，關于右區(qū)腦組織的時間-密度曲線Ci(t)，使用同一右區(qū)的腦動脈時間-密度曲線Ca(t)來得到調制轉換函數(shù)MTF。而且，由于如上所述為每個ACA、MCA、PCA準備腦動脈時間-密度曲線Ca(t)，每個Ca(t)重復計算調制轉換函數(shù)MTF。
這里，如圖15所示，在腦動脈時間-密度曲線Ca(t)和毛細管的時間-密度曲線Ci(t)之間建立的理想關系用作一種分析模型，其應用box-MTF方法。
圖16表示box-MTF方法的原理。該方法包括評估腦動脈時間-密度曲線Ca(t)與用矩形函數(shù)表示的調制轉換函數(shù)box-MTF的卷積和S11中準備的實際測量Ci(t)之間的剩余錯誤誤差；和校正調制轉換函數(shù)box-MTF以便減少剩余錯誤誤差的平方和。重復該步驟程序來最小化剩余錯誤誤差。
如圖14所示，根據(jù)調制轉換函數(shù)box-MTF來計算CBP、CBV、MTT，該函數(shù)最小化了剩余錯誤誤差(S13)，和在S12中最小化的剩余錯誤誤差平方和輸出為Err。嚴格地講，用下式執(zhí)行修正。
CBP＝CBPCBV＝(1-Ht)/(1-b*Ht)*CBV′MTT＝(1-Ht)/(1-b*Ht)*MTT′這里，Ht是主要血管的血球容積計值，和b*Ht是外圍血管的血球容積計值(通常b約為0.7)。
而且，由yi(x)-f(ti，x)給出剩余錯誤誤差。Yi(x)表示時間ti中的框細胞x的標量值，和與腦組織的時間-密度曲線一致。f(ti，x)表示一模型的時間ti中的標量值，該模型適合于框細胞x的向量像素值，和符合調制轉換函數(shù)與腦動脈時間-密度曲線的卷積。在近似調制轉換函數(shù)中Err是剩余錯誤誤差平方和的平方根，和計算，例如用下列方程式表示。Err=Σi=1N(yi(x)-f(ti,x))2(w(ti))2S]]>這里，S是常數(shù)，例如S＝N-p。p表示自由度，也就是包括在近似模型f中參數(shù)的數(shù)量。w(ti)是權系數(shù)，其確定時間ti-Err中剩余錯誤誤差的貢獻程度。例如，w(ti)不必要依賴于i，和可以具有固定值例如1。作為選擇，w(ti)＝αe-ti2/β是合意的，構造其使得權w隨著|ti|的增加適度地減少。隨著時間的流失，剩余錯誤誤差不必要作用到Err。
關于從調制轉換函數(shù)中計算的CBP、CBV、MTT、Err，在這種方式中通過box-MTF方法得到調制轉換函數(shù)，如圖17中所示，設定各個輸出范圍(適當范圍)(S14)。關于具有相應輸出范圍值的像素，保持該值。對于具有輸出范圍外值的像素來說，替換該值，例如，用與顯示器上黑色相應的值(S15)。
隨后，如圖1SA-18D所示，從經(jīng)過輸出最優(yōu)化的CBP、CBV、MTT、Err中產(chǎn)生各自圖(S16)。關于前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA，單獨計算用于各個切片的CBP、CBV、MTT、Err指數(shù)。因此，如圖19所示，甚至使用一個切片，得到4×3＝12個圖。當設定的腦動脈數(shù)量增加時，圖增加到動脈增加數(shù)量的4倍數(shù)量。通常估計這樣許多圖是不現(xiàn)實的。然后，為了減少圖的數(shù)量，合成這些圖(S17)。
如圖20所示，合成方法包括根據(jù)前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的剩余錯誤誤差Err來合成前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的CBP圖。例如，當從前腦動脈ACA的時間-密度曲線Ca(t)和用于控制下的腦組織的時間-密度曲線Ci(t)中得到調制轉換函數(shù)MTF時，剩余錯誤誤差Err相對小。相反，當從用于非控制下的腦組織的時間-密度曲線Ci(t)中得到調制轉換函數(shù)MTF時，剩余錯誤誤差Err相對大。也就是，剩余錯誤誤差Err表示每根腦動脈的控制可能性。
因此，對于每個像素來說，從前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的CBP值中，選擇與最低剩余錯誤誤差Err值相應的CBP值作為像素值。用這種方式合成的圖由腦組織的CBP值構成，其具有在前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的控制下的高可能性。這也可以應用到其它指數(shù)CBV、MTT的圖合成。
這里，下文中將詳細描述圖合成。從存在于動脈相應位置的像素中得到的時間-密度曲線反映動脈血液中造影劑濃度，和應用上述相干遞歸方法，由此可以得到修正的動脈血液造影劑濃度的時間-密度曲線?？梢詼蕚溥@種腦動脈時間-密度曲線用于每根動脈，和依賴血液循環(huán)狀態(tài)而變化。特別地，在大腦血管失調的情況下，有時差別是顯著的。例如，在K個位置動脈中得到的腦動脈時間-密度曲線表示為Ak(t)(k＝1，2，…，K)。
當某一組織的時間-密度曲線與滋養(yǎng)(控制)組織的動脈的腦動脈的時間-密度曲線相比時，可能得到指數(shù)例如CBP，其反映組織中的微循環(huán)(毛細管系統(tǒng)的結構、功能)。由于計算這些指數(shù)用于每個部分(x，y，z)，可以用作為像素值的值來構造該圖，和該圖是指數(shù)圖。例如，當?shù)玫絉類型指數(shù)(如上所述典型的是四種類型CBP、CBV、MTT、Err)時，可以構造R圖。用這種方式準備的R圖可以看作為一個圖(向量值圖)，其中每個像素具有一向量值。也就是，下列結果。
Vk(x，y，z)＝<Pk，1(x，y，z)，Pk，2(x，y，z)，…，Pk，R(x，y，z)，>例如，在CBP學習中，如上所述典型地設定為R＝4，和可以構造Pk，1(x，y，z)來表示CBP的值、構造Pk，2(x，y，z)來表示CBV的值、構造Pk，3(x，y，z)來表示MTT的值、和構造Pk，4(x，y，z)來表示剩余錯誤誤差Err的值。
在部分(x，y，z)中，從開始，作為分析目標，將顯然與內(nèi)部器官不相應的部分從分析目標中排除，和表示從分析目標中排除的特殊值可以分配給Pk，r(x，y)(步驟S14、S15)。使用絕對值大的負值作為該值是方便的。作為選擇，作為要增加到向量Vk(x，y，z)的另一元素，也可以準備圖Pk，R+1(x，y，z)＝(0當(x，y，z)從分析目標中排除時，否則1)。該圖稱為“掩模”。
為涉及的腦動脈的每個時間-密度曲線Ak準備這個向量值圖Vk。例如，如果從左和右中間、前、后腦動脈中得到的腦動脈時間-密度曲線時，K＝6。而且，當從影響區(qū)域的外圍中的幾根動脈中得到的腦動脈時間-密度曲線時，K＝約10-15。
因此，從右半球動脈中得到的腦動脈時間-密度曲線必須只用在分析屬于右半球的部分(x，y，z)中，然而從左半球動脈中得到的腦動脈時間-密度曲線必須只用在分析屬于左半球的部分(x，y，z)中。然后，操作員指定右和左半球的邊界(中線)為直線、曲線、彎線、平面或曲面，由此在構造中更好地準備圖用于每個半球。然而，腦動脈時間-密度曲線的數(shù)量是K＝約3-10，腦動脈還存在于每個半球中。
當腦動脈時間-密度曲線Ak(k＝1，2，…K)的數(shù)量K大時，作為結果得到的向量值圖Vk(k＝1，2，…K)的數(shù)量大，并且這不便于觀察。也就是，對于正常的灰度級圖像或彩色級圖像的觀察來說，一個圖由R個圖形構成，存在K個圖，和因此總共K×R個圖像必須相互比較。而且，由動脈滋養(yǎng)的部分和相應的動脈是不必要顯出的，和必須使用解剖知識來判斷每部分要觀察的圖Vk(k＝1，2，…K)。尤其是在大腦血管失調發(fā)展的情況下，例如大腦梗塞，控制組織的動脈判斷與解剖知識不一致，和異?？刂祁l繁可見。依據(jù)這些問題，存在的問題是難以解釋向量值圖的射線照相。
為解決所述問題，合成這些圖。也就是，剩余錯誤誤差圖用來把K個向量值圖Vk(k＝1，2，…K)放在一起組成一個向量值圖V。例如，當Pk，R(x，y，z)是剩余錯誤誤差圖時，V(x，y，z)＝Vk(x，y，z)，其中K是在k＝1，2，…k中的使Pk，R(x，y，z)|最小化的值。
而且，可以增加圖P0(x，y，z)＝(K，在k＝1，2，…k中使得|Pk，R(x，y，z)|最小化)來表示在k＝1，2，…k中每個部分中使用的K。
根據(jù)這種方法，也就是，在觀察普通的灰度級圖像或彩色級圖像期間，可以觀察到R或R+1個圖像。
根據(jù)該方法，存在可能性就是錯誤使用Ak的計算結果用在要實質計算的部分(x，y，z)中，其使用腦動脈時間-密度曲線Aj。然而，要犯這種錯誤，從V(x，y，z)的定義中看出，關系|Pk，R(x，y，z)|<|Pj，R(x，y，z)|是必要的。只有當Aj顯著類似于Ak時，才會建立這種關系。因此，認為在部分(x，y，z)中Vk(x，y，z)最初類似于Vj(x，y，z)，和在解釋Vk(x，y，z)中犯這種錯誤幾乎沒有可能。
當實際應用這種方法時，和只有當Aj顯著類似于Ak時，在表面上幾乎均勻的組織中，按照每個部分，P0(x，y，z)＝K或P0(x，y，z)＝j。在這種情況下，Pk，r(x，y，z)≡Pj，r(x，y，z)(r＝1，2，…R)?？梢钥吹缴踔潦褂萌我恢祹缀鯖]有差別。
相反，關于受到特殊動脈控制的組織，當相應腦動脈的時間-密度曲線Ak不類似于另一曲線時，通過使用本方法，在所述組織的部分(x，y，z)中幾乎安全地和自動地選擇Vk(x，y，z)。因此，當看到P0(x，y，z)時，可以觀察到組織中的控制和控制動脈而無需任何解剖知識。
這里，返回到圖6。如圖21A-21D中所示，關于如上所述的合成圖，或每個腦動脈中的單個CBP、CBV、MTT或Err圖，設定包括許多像素的影響ROI區(qū)域(S18)，計算ROI中的像素值(CBP、CBV、MTT、Err值)的平均值(CBP、CBV、MTT、Err平均值)(S19)，和有時該平均值用作診斷材料。在這個平均中，設定適當范圍用于步驟S14中的CBP、CBV、MTT、Err，保持該范圍內(nèi)的值，和該范圍外的值用最小值來取代，例如與黑色表示相應的值。因此，平均包括替代值的值，該平均值自然包括一個誤差。因此，對于平均處理來說，需要選擇只在適當范圍內(nèi)的值，或排除替代值，和執(zhí)行平均處理。
而且，為了設定影響ROI的區(qū)域用于平均，當在CBP、CBV、MTT、Err圖的任何圖上設定影響ROI的區(qū)域時，ROI可以共有地用于其它圖。簡化ROI設定操作，和也可能計算關于相同ROI(CBP、CBV、MTT、Err平均值)的平均值。
這里，如上所述，某一組織的時間-密度曲線關于某一腦動脈的時間-密度曲線的最小剩余錯誤誤差Err，表示組織中受腦動脈控制的程度，也就是，一定程度的血液流量通過腦動脈供應給組織。換句話說，所述誤差表示屬于腦動脈組織中的程度，也就是，從腦動脈供應給腦組織的一定程度的血液流量。與小剩余錯誤誤差Err相應的腦動脈表示關于所述像素的腦組織的高控制可能性，和與大剩余錯誤誤差Err相應的腦動脈表示關于所述像素的腦組織的低控制可能性。因此，可能產(chǎn)生一個圖，其使用每個像素的標簽從剩余錯誤誤差Err中識別具有高控制可能性的腦動脈，也就是，一個控制圖，其識別前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的具有高控制可能性的區(qū)域。
如圖22所示，關于腦子左和右區(qū)，前腦動脈ACA、中間腦動脈MCA和后腦動脈PCA的剩余錯誤差Err相互比較用于每個像素。指出表示最小剩余錯誤誤差Err的腦動脈(ACA、MCA或PCA)具有控制所述像素的腦組織的最高可能性。對于每個像素來說，指定具有最高控制可能性的腦動脈，也就是剩余錯誤誤差Err的最小值。相應于指定的腦動脈的標簽給每個像素。
圖23表示產(chǎn)生的控制圖實例。在這個控制圖中，用顏色和底紋來區(qū)分和顯示標簽。而且，當用任意標簽過濾指數(shù)圖時，如圖24A、24B、24C中所示，可能從指數(shù)圖中提取具有高控制可能性的區(qū)域用于每根腦動脈(ACA、MCA、或PCA)。
如上所述，根據(jù)本實施例，通過相干濾波或相干遞歸，抑制了空間和時間分辨率的降低，和抑制了噪聲，由此可以增加CBP學習的分析精度。
對于本領域技術人員來說，其它優(yōu)點和改良將容易發(fā)生。因此，本發(fā)明的方面不局限于本文中所表示和描述的詳細細節(jié)和典型實施例。因此，可以進行各種修改而不超出由附屬的權利要求和它們的等價物所限定的總的發(fā)明精神或范圍。
權利要求
1.一種指數(shù)計算方法，包括從有關注射有造影劑的受試者的一個特定區(qū)域的多個連續(xù)圖像，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；通過曲線擬合來計算表示組織中關于動脈的局部血液流循環(huán)的調制轉換函數(shù)，從而使第二時間-密度曲線的剩余誤差相對于所述調制轉換函數(shù)與第一時間-密度曲線的卷積得到最小化；從所述調制轉換函數(shù)計算相對于各個動脈的局部血液流量循環(huán)的指數(shù)；制備所述動脈的指數(shù)圖；和根據(jù)第一時間-密度曲線的所述剩余誤差，把所述指數(shù)圖合成為一個圖。
2.根據(jù)權利要求1所述的指數(shù)計算方法，其中特定區(qū)域是腦部。
3.根據(jù)權利要求2所述的指數(shù)計算方法，還包含計算腦組織的每單位體積和時間的血液流速、腦組織中每單位體積的血液量和腦組織的血液流量平均通行時間中至少一個作為所述指數(shù)。
4.根據(jù)權利要求2所述的指數(shù)計算方法，還包含分別計算腦部左和右區(qū)的調制轉換函數(shù)。
5.根據(jù)權利要求2所述的指數(shù)計算方法，還包含分別計算動脈影響區(qū)域的調制轉換函數(shù)，所述區(qū)域通過用幾何技術劃分腦部區(qū)域而得到。
6.根據(jù)權利要求5所述的指數(shù)計算方法，其中幾何技術是Voronoy技術。
7.根據(jù)權利要求2所述的指數(shù)計算方法，還包含根據(jù)從所述圖像中準備的關于靜脈的時間-密度曲線，修正關于所述動脈的第一時間-密度曲線。
8.根據(jù)權利要求7所述的指數(shù)計算方法，還包含修正第一時間-密度曲線，以使所述第一時間-密度曲線下的面積等于靜脈的時間-密度曲線下的面積。
9.根據(jù)權利要求7所述的指數(shù)計算方法，還包含從關于靜脈區(qū)域中的多個像素的平均密度中，準備上縱向竇性靜脈的時間-密度曲線。
10.根據(jù)權利要求1所述的指數(shù)計算方法，還包含計算構成所述圖像的多個像素的每個時間-密度曲線的特征值；和為了支持動脈設定顯示特征值圖。
11.根據(jù)權利要求10所述的指數(shù)計算方法，其中所述特征值是出現(xiàn)時間、最高峰時間或通行時間。
12.根據(jù)權利要求1所述的指數(shù)計算方法，還包含當所述指數(shù)值超出預定范圍時，用預定值來替換所述指數(shù)值，該預定值與近似黑色的顏色或射線照相解釋不使用的顏色相對應。
13.一種方法包含從有關注射有造影劑的受試者的一個特定區(qū)域的許多連續(xù)圖像，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；選擇所述第一時間-密度曲線中與相應的第二時間-密度曲線最擬合的一條第一時間密度曲線，以指定一根動脈，該動脈是所述組織中的每根動脈的局部血液流量循環(huán)所最可能依賴的；根據(jù)為每一組織指定的一條動脈，制備用于區(qū)分該動脈的一個依賴區(qū)的一個圖。
14.根據(jù)權利要求13所述的方法，還包含用顏色區(qū)分和顯示所述圖的動脈非獨立區(qū)。
15.根據(jù)權利要求13所述的方法，還包含根據(jù)所述圖合成關于指數(shù)的指數(shù)圖，所述指數(shù)表示相應動脈的局部血液流量循環(huán)。
16.一種指數(shù)計算方法，包含利用根據(jù)像素間的類似性的一個權來對多個圖像進行濾波，以減少來自涉及注射有造影劑的受試者的一個特定區(qū)域的該多個連續(xù)圖像的噪聲；從帶有被減少的噪聲的該多個連續(xù)圖像中，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；通過曲線擬合來計算表示組織中關于各個動脈的局部血液流量循環(huán)的調制轉換函數(shù)，從而使第二時間-密度曲線的剩余誤差相對于所述調制轉換函數(shù)與第一時間-密度曲線的卷積得到最小化；以及從所述調制轉換函數(shù)計算關于各個動脈的局部血液流量循環(huán)的指數(shù)，
17.根據(jù)權利要求16所述的方法，還包含根據(jù)所述像素間的時間-密度曲線的差別來確定所述像素間的類似性。
18.根據(jù)權利要求16所述的方法，還包含根據(jù)所述像素間的時間-密度曲線的差別和所述噪聲的散布期望值來確定所述像素間的類似性。
19.根據(jù)權利要求16所述的方法，還包含用一個外圍像素通過加權來更換所述像素的每個像素值，所述像素構成具有加權平均的圖像。
20.根據(jù)權利要求16所述的方法，其中所述調制轉換函數(shù)是一個矩形函數(shù)。
21.一種指數(shù)計算設備，包括時間-密度曲線準備部件，用于從有關注射有造影劑的受試者的一個特定區(qū)域的多個連續(xù)圖像，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；調制轉換函數(shù)計算部件，用于通過曲線擬合來計算表示組織中關于動脈的局部血液流量循環(huán)的調制轉換函數(shù)，從而使第二時間-密度曲線的剩余誤差相對于所述調制轉換函數(shù)與第一時間-密度曲線的卷積得到最小化；指數(shù)計算部件，用于從所述調制轉換函數(shù)中計算關于各個動脈的局部血液流量循環(huán)的指數(shù)；圖制備部件，用于制備所述動脈的指數(shù)圖；和圖合成部件，用于根據(jù)第一時間-密度曲線的剩余誤差，把所述指數(shù)圖合成為一個圖。
22.一種設備，包括時間-密度曲線準備部件，用于從有關注射有造影劑的受試者的一個特定區(qū)域的多個連續(xù)圖像，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；用于選擇所述第一時間-密度曲線中與相應的第二時間-密度曲線最擬合的一條第一時間-密度曲線以指定一根動脈的裝置，該被指定的動脈具有一個最高可能性，該動脈是所述組織中的每根動脈的局部血液流量循環(huán)所最可能依賴的；和圖準備部件，它根據(jù)為每個組織指定的一根動脈來制備用于區(qū)分該動脈的一個依賴區(qū)的一個圖。
23.一種指數(shù)計算設備，包含濾波器部件，它利用根據(jù)像素間的類似性的一個權來對多個圖像進行濾波，以減少來自涉及注射有造影劑的受試者的一個特定區(qū)域的該多個連續(xù)圖像的噪聲；時間-密度曲線準備部件，其從帶有被減少噪聲的該多個連續(xù)圖像中，制備關于該特定區(qū)域中的動脈的第一時間-密度曲線和關于該特定區(qū)域中的組織的第二時間-密度曲線；調制轉換函數(shù)計算部件，用于通過曲線擬合來計算表示組織中關于各個動脈的局部血液流量循環(huán)的調制轉換函數(shù)，從而使第二時間-密度曲線的剩余誤差相對于所述調制轉換函數(shù)與第一時間-密度曲線的卷積得到最小化；和一指數(shù)計算部件，用于從所述調制轉換函數(shù)計算關于各個動脈的局部血液流量循環(huán)的指數(shù)。
全文摘要
從涉及注射有造影劑的受試者特定區(qū)域的許多連續(xù)圖像中，準備關于特定區(qū)域中動脈的第一時間－密度曲線和關于特定區(qū)域中組織的第二時間－密度曲線。通過曲線擬合來計算調制轉換函數(shù)，其表示組織中關于動脈的局部血液流量循環(huán)，由此最小化第二時間－密度曲線關于調制轉換函數(shù)與第一時間－密度曲線卷積的剩余誤差。從調制轉換函數(shù)中計算關于各個動脈的局部血液流量循環(huán)的指數(shù)。準備所述動脈的指數(shù)圖，和根據(jù)第一時間－密度曲線的剩余誤差，把所述指數(shù)圖合成為一個圖。
文檔編號A61B6/00GK1413559SQ02154738
公開日2003年4月30日 申請日期2002年10月16日 優(yōu)先權日2001年10月16日
發(fā)明者南部恭二郎, 池田佳弘 申請人:株式會社東芝