用于提供输出数据组的计算机实现的方法
阅读说明：本技术 用于提供输出数据组的计算机实现的方法 (Computer-implemented method for providing an output data set ) 是由 B.斯托瓦瑟 于 2020-11-05 设计创作，主要内容包括：一种用于依据通过医学成像方法所确定的输入数据组提供输出数据组的计算机实现的方法,包括步骤：-将用于减少图像噪声的算法(36)应用到输入数据组或依据输入数据组所确定的中间数据组(35),以确定噪声减少的信号数据组(38),-将噪声数据组(39)确定为输入数据组或中间数据组与信号数据组之间的差,-通过将噪声处理算法(41)应用到噪声数据组来确定修改后的噪声数据组(43),和/或通过将信号处理算法(40)应用到信号数据组来确定修改后的信号数据组,以及-通过将修改后的噪声数据组与信号数据组或修改后的信号数据组(42)相加或者通过将噪声数据组与修改后的信号数据组相加来确定输出数据组。(A computer-implemented method for providing an output data set from an input data set determined by a medical imaging method, comprising the steps of: -applying an algorithm (36) for reducing image noise to the input data set or to an intermediate data set (35) determined from the input data set to determine a noise-reduced signal data set (38), -determining a noise data set (39) as a difference between the input data set or the intermediate data set and the signal data set, -determining a modified noise data set (43) by applying a noise processing algorithm (41) to the noise data set and/or determining a modified signal data set by applying a signal processing algorithm (40) to the signal data set, and-determining an output data set by adding the modified noise data set to the signal data set or the modified signal data set (42) or by adding the noise data set to the modified signal data set.)
技术领域
本发明涉及一种用于依据通过医学成像方法所确定的输入数据组提供输出数据组的计算机实现的方法。此外，本发明涉及一种用于在医学减影成像的范围内进行数据处理的计算机实现的方法、一种提供装置、一种医学成像装置、一种计算机程序和一种计算机可读的数据载体。
背景技术
在医学成像方法的图像数据中，由于多种因素(例如取决于所成像的检查对象、具体执行的检查，成像的参数等)，可能出现明显不同的对比度和噪声幅度，这些明显不同的对比度和噪声幅度可能使对图像数据的分析更加困难。尤其在用于剂量调节的现代方法中可能出现该问题，在这些方法中，依据针对特定对象的对比度-噪声比，对X射线参数(即，例如管电压、管电流、曝光时间以及光圈参数和/或聚焦参数)进行调节。在此，作为附加的参数例如可以考虑水当量、在空间频率方面相关的对象的大小、测量速度和对象的材料。
尽管通过所描述的程序可以减少对检查对象的辐射负荷。但是图像噪声(该图像噪声尤其取决于剂量)和对象对比度(该对象对比度尤其取决于管电压)不再是恒量，而是例如随水当量的变化而变化。在此，水当量表示与患者厚度相关的剂量调节的参数，并且可以理解为针对等效水层的量度。图像中的图像噪声附加地取决于检测器上的剂量分布，其中，在局部可能出现非常大的差异。
从用户的角度来看，不仅在图像内部(即，不仅在吸收率低的区域而且也在吸收率高的区域中)期望恒定的噪声，而且在不同图像之间、例如在不同患者的图像中或针对不同角度的图像中也期望恒定的噪声。在某些情况下，还期望进行对比度匹配，以便在相同材料的相同对象厚度下实现相同的对比度，这使得对图像数据的分析更容易。
原理上，在现有技术中已知减少图像噪声，特别是通过滤波来减少图像噪声。在此，例如可以通过低通滤波器或高斯核(Gauβkernel)来进行对空间频率的滤波或者对高频的时间滤波。
例如在CERCIELLO，T.等人的载于Biomedical Signal Processing and Control(生物医学信号处理与控制)，2012年，第7卷，第550-559页的公开文献“A comparison ofdenoising methods for X-ray fluoroscopic images(用于X射线透视图像的去噪方法的比较)”中，讨论了用于在X射线图像中减少噪声的不同方法。在此，为了减少噪声，使用了两类算法。一类用于抑制取决于信号的噪声，而另一类用于消除独立于信号的噪声。在此，已经确定，用于去除取决于信号的噪声的算法总的来说提供了更好的结果。
载于Signal Processing(信号处理)，2009年，第89卷，No.12，第2609-2639页的FOI,A.的公开文献“Clipped noisy images:Heteroskedastic modeling and practicaldenoising(裁剪的噪点图像：异方差建模和实用降噪)”教导了一种用于减少噪声的两阶段方法。在此，首先对图像数据应用方差稳定化变换，然后将滤波器用于独立于信号的噪声，以便执行噪声抑制。随后进行逆变换，以便消除方差稳定化。
然而，噪声减少被设置了窄的限制，因为过强的噪声减少可能导致不自然的图像观感并且可能歪曲图像数据或生成伪影。这可以使随后的诊断更加困难。
更加困难的是，每个对比度匹配(例如，用于补偿由于剂量调节而引起的对比度改变)导致噪声谱的改变，这对为已经利用剂量调节尤其是在不同的患者处或针对不同的角度而记录到的图像提供相似的图像观感设置了窄的限制。因此，为了避免在一个图像内部或在比较不同图像时强烈变化的图像观感，可能需要限制剂量调节，从而不可能在所有情况下都将实际上最有效的剂量调节用于特定的成像任务。
发明内容
因此，本发明要解决的技术问题是，提供一种用于处理医学成像方法的图像数据的改进的方法，特别是相对于纯噪声减少，该方法即使在成像参数强烈变化的情况下也能够实现在观察者中更相似的图像观感。
根据本发明，该技术问题通过用于依据通过医学成像方法所确定的输入数据组提供输出数据组的计算机实现的方法来解决，该方法包括以下步骤：
-将用于减少图像噪声的算法应用到输入数据组或依据输入数据组所确定的中间数据组，以确定噪声减少的信号数据组，
-将噪声数据组确定为输入数据组或中间数据组与信号数据组之间的差，
-通过将噪声处理算法应用到噪声数据组来确定修改后的噪声数据组，和/或通过将信号处理算法应用到信号数据组来确定修改后的信号数据组，以及
-通过将修改后的噪声数据组与信号数据组或修改后的信号数据组相加或者通过将噪声数据组与修改后的信号数据组相加，来确定输出数据组。
本发明基于以下思路：对输入数据组或根据该输入数据组通过预处理所确定的中间数据组的噪声分量和信号分量进行分开的处理，并且在分开的处理之后再次将其组合在一起。借此，使得能够至少近似地独立于彼此地一方面改变信号数据组以及由此特别是改变对比度，另一方面改变信号噪声，由此尽管开辟了用于剂量调节的附加自由度，也可以更详细地获得所期望的图像观感或者对此可以继续实现所期望的图像观感。
在此，例如可以固定地预先给定所期望的图像观感、即例如噪声的强度、噪声的频谱组成、图像中出现的对比度等，或者也可以按照特定用户、例如进行分析的医生的偏好来对其进行设置。由此，一方面，根据本发明的方法在分析医学成像方法的图像数据时对分析者进行支持，因为例如可以实现图像内部更均匀的图像观感，和/或可以实现不同的图像的更佳的可比性，例如已经针对不同的检查对象或从不同的角度记录了这些不同的图像。同时，另一方面，可以潜在地减少检查对象的负荷，因为还可以允许剂量调节，该剂量调节在不使用根据本发明的方法的情况下将导致过分不均匀的图像观感，并且由此将不可能做出对图像数据的有意义的分析或者至少强烈地使对图像数据的有意义的分析更加困难。
信号处理周期和/或噪声处理算法可以取决于成像的具体参数。一方面，其可以取决于检查对象的对象参数，例如取决于检查对象的重量和/或水当量和/或大小。补充地或替换地，其可以取决于剂量调节的输出参量或成像参数，即，例如取决于管电压、管电流、曝光时间和/或光圈设置和/或聚焦设置。
输入数据尤其可以是X射线图像，其例如可以通过平板检测器来记录。输入数据组可以描述二维或三维图像数据。以下示例性地主要将X射线成像作为医学成像方法来讨论，因为根据本发明的方法在此可以特别有利地与所使用的剂量调节结合使用。然而，原理上，在医学成像的其他领域中，即，例如针对磁共振断层成像数据、正电子发射断层成像数据等，也可以合适地使用根据本发明的方法。在X射线成像的范围内，根据本发明的方法可以用于处理二维图像数据。在此，原理上，其也可以是计算机断层成像的各个投影图像，这些投影图像被组合成三维的图像示图。
在根据本发明的方法的特别有利的变形中，对输入数据组进行处理，该输入数据组包括多个顺序记录的图像数据组。这使得用于减少图像噪声的算法能够一起处理多个这些图像数据组，以便例如执行时间上的滤波，以及因此例如通过时间上的低通滤波器或高斯滤波器来抑制时间上高频的噪声。独立于输入数据组是否包括多个顺序记录的图像数据组，用于减少图像噪声的算法尤其可以例如利用低通滤波器或高斯核来执行对空间频率的滤波。为了减少图像噪声，可以使用本身已知的算法、例如在开头提到的公开文献中提及的算法。然而，如随后还将说明的，也可以通过机器学习方法来训练算法。
噪声处理算法可以包括对噪声数据组的缩放或者对噪声数据组的不同频率分量的不同缩放或者对噪声数据组的滤波。通过所提及的措施，可以在噪声方面设置均匀的、所期望的图像观感。通过以对不同频率分量的不同缩放或滤波来改变噪声的频率组成，实现噪声整形，由此例如可以实现对噪声的所期望的染色或者对噪声的脱色。
如上所述，如果输入数据组包括多个顺序采集的图像数据组，则对不同频率分量的缩放或对噪声数据组的滤波可以与噪声的时间频率组成相关。独立于此，也可以通过对空间频率的不同频率分量进行对应的滤波或缩放来在空间频率方面改变噪声数据组的组成。
例如，可以通过对噪声数据组进行傅立叶变换，并且随后乘以频率空间中的包络，来实现对不同频率分量的不同缩放。替换地，将包络逆变换回位置空间并在那里执行卷积。然而可以更有效的是，通过应用不同大小的高斯核以及在得到的数据之间形成差，来构建高斯-拉普拉斯金字塔，其各个层与不同的频率分量对应。
可以固定地预先给定或者也可以通过用户或服务技术人员来设置缩放系数或不同的缩放系数或针对滤波的滤波器参数。然而有利地，如还将在随后更详细地阐述的，这些参量可以取决于成像的上述参数，或者特别有利地取决于输入数据组的图像数据本身。
可以确定至少一个针对输入数据组或中间数据组或噪声数据组中的噪声的量度，其中，噪声处理算法取决于针对噪声的量度。在根据本发明的方法的范围内，特别应当将噪声设置为预定的目标观感。因此，有利的是，量化噪声并且然后对其进行修改，从而实现噪声的预期特性。
如果在所观察的数据组中基本上仅存在噪声(特别是对于噪声数据组可以实现这一点)，则可以将图像数据的幅度或者例如还有图像数据的标准偏差考虑作为针对噪声的量度。
然而，如果所分析的图像数据既包括信号分量又包括噪声分量，例如，如果直接分析输入数据组或者(特别是方差稳定化的)中间数据组，则有利的是，在确定针对噪声的量度的范围内尝试至少尽可能地分离信号分量。为此，例如可以分析图像数据的直方图，并且例如可以基于该直方图的重心或最大值，仅考虑位于预定的范围内的值。例如可以依据标准偏差来预先给定预定的范围，该标准偏差同样可以根据直方图或者根据图像数据来确定。例如，可以考虑其距直方图的重心或最大值的距离最大相应于标准偏差的五倍的所有值。如果针对这种值，例如计算距重心或距最大值的距离的标准偏差，或者还计算针对该偏差的另外的量度、特别是范数，则如预先试验已得出的，这表示良好的针对所观察的图像数据组中的噪声的量度。
特别地，可以考虑针对噪声的量度，以便参数化上述缩放、取决于频率的缩放或滤波。可以依据至少一个针对噪声的量度来确定针对噪声数据组的缩放的缩放系数或者针对频率分量的缩放的缩放系数和/或滤波的参数。
例如，这使得能够将噪声的幅度或噪声的各个频率分量设置为预期值，从而在噪声方面可以实现所期望的图像观感。如果参数化滤波或缩放多个频率分量，则尤其可以确定多个针对噪声的量度，其中，尤其针对噪声的不同频率分量计算单独的量度。替换地，例如，通过除了噪声的强度之外还确定噪声的颜色，还可以不同地考虑噪声的频率分布。然后，可以通过对频率分量的对应的滤波或加权来补偿该噪声的颜色，或者可以设置所期望的染色。
可以通过预定的关系，例如通过查找表(Look-up-Tabelle)或目标函数，来定义一个或多个针对噪声的量度与一个或多个缩放系数或滤波的参数之间的关系。特别地，可以预先给定该关系，使得至少一个针对噪声数据组中的噪声的量度被至少近似地设置为预定的值。该关系、特别是查找表可以考虑附加的参数，以便例如考虑X射线成像的参数、检查对象的参数或用户设置和/或用户偏好。例如，可以附加地考虑针对患者的水当量或可由用户进行选择的图像观感。
通过将方差稳定化变换应用到输入数据，可以确定中间数据组，其中，信号处理算法是或包括相关联的逆变换。在此，特别可能的是，不对噪声数据组执行逆变换，由此，输出数据组中的噪声尤其可以基本上保持独立于信号幅度。
如在开头已经阐述的，在X射线成像中，应当在独立于信号的噪声与取决于信号的噪声之间进行区分，所述独立于信号的噪声尤其是通过测量电子器件的噪声而引起的，所述取决于信号的噪声是由于入射光子的量子行为而出现的。在此，在大多数情况下，取决于信号的、尤其是泊松分布的噪声分量占主导。通过应用方差稳定化变换(例如方差不变性变换Anscombe-Transformation)或者还通过将平方根应用到图像数据，可以至少近似地消除噪声的信号依赖性，并且可以实现噪声的信号独立性。
一方面，这使得用于减少图像噪声的算法能够被设计为减少独立于信号的噪声。由此可以应用大量已知的算法，并且还潜在地可以更简单地构建例如通过机器学习所训练的新的算法。同时，由此可以实现，在噪声数据组中并且因此最终还在输出数据组中实现了独立于信号的噪声，这通常被对应的数据组的分析者认为是更受欢迎的，或者使得分析更容易。特别地，由此避免了在具有强吸收和低吸收的区域中成像出截然不同的噪声。
通过在信号处理算法的范围内应用逆变换，实现了在信号方面不会由于该方差稳定化变换而歪曲了修改后的信号数据组以及还因此歪曲了输出数据组。原理上，已知方差稳定化变换和逆变换，并且因此不应详细地阐述。示例性地，在这方面参考已经在开头引用的A.Foi的公开文献。
特别地，信号处理算法可以包括灰度变换。特别地，在信号处理算法的范围内，可以将非线性函数、特别是对数函数应用到信号数据组的图像数据或处理结果的图像数据，该处理结果在信号处理算法内部的预处理的范围内依据信号数据组确定。预处理例如可以是上述的针对方差稳定化变换的逆变换。
应用对数函数是合适的，因为据此基于在X射线成像中指数的衰减规律，检查对象中相同材料下的相同对象厚度差异导致相同的对比度差异。这极大地使对图像数据的分析更容易。然而，在某些情况下，例如针对特别低或特别高的强度，偏离对数函数也可能是有利的。此外，如随后还将阐述的，可以进行散射辐射校正。
非线性函数例如可以被预先给定为查找表，或者也可以被预先给定为解析函数。此外，非线性函数可以取决于另外的参数。例如，可以考虑剂量调节或者说通常X射线成像的参数、检查对象的参数或用户侧的设置。
有利地，预测在采集输入数据组时出现的散射辐射对信号数据组或处理结果的图像数据的贡献，其中，非线性函数取决于所预测的贡献，或者其中，在应用非线性函数之前依据所预测的贡献校正信号数据组或中间结果。该贡献尤其可以是为了修改非线性函数在应用非线性函数之前从信号数据组或者从处理结果中所减去或所使用的偏移。
当使用根据本发明的方法来生成应当彼此直接比较的图像数据时，或者当应当根据输出数据组或多个输出数据组的二维图像数据来重建三维图像数据时，考虑散射辐射尤其重要。由于散射辐射的不同贡献以及因此例如不同的偏移潜在地出现在多个图像中，可能在重建三维图像数据时形成伪影，或者可能使对二维或三维图像数据组的比较变得困难。如果将该方法应用到唯一一个图像数据组，则考虑散射辐射还是可能是有利的，因为例如可以实现不同检查的更佳的可比性。
原理上，在现有技术中已知对散射辐射贡献的预测，并且不应详细地阐述。特别地，所出现的散射辐射取决于患者特性，患者特性可以根据详细的患者模型或者还通过一个或多个单个的参数、例如水当量或重量来考虑。此外，成像参数、即特别是剂量调节参数是相关的。可以通过预先试验确定对应的关系，并且例如统计地采集对应的关系。然后，例如可以将这些关系保存在查找表中，或者可以例如通过回归分析来确定所考虑的参数与预计出现的散射辐射或由此形成的对图像数据的贡献之间的函数关系。
在信号处理算法的范围内，可以将用于对比度匹配的函数应用到信号数据组的图像数据或者处理结果或另外的处理结果的图像数据，该处理结果或另外的处理结果在信号处理算法内部的预处理的范围内依据信号数据组确定。在此，处理结果可以是将非线性函数或逆变换应用到信号数据组的结果。如果在前已经既将逆变换又将非线性函数应用到信号数据组，则特别地可以进一步处理另外的处理结果。
原理上在现有技术中已知用于在图像数据组中进行对比度匹配的方法，因此以下仅简要讨论几个示例。在此，在根据本发明的方法中，与通常的方法的显著区别在于，在信号处理算法的范围内进行对比度匹配，并且因此基本上独立于输入数据组的噪声分量地进行对比度匹配。通过随后添加噪声数据组或修改后的噪声数据组，实现了输出数据组的噪声分量至少近似地独立于对比度匹配，由此相对于通常的方法实现了以下优点：对比度匹配不导致对噪声的整形或染色，对噪声的整形或染色可能干扰或歪曲图像观感。
用于对比度匹配的函数可以包括灰度变换，和/或不同强度地加权了信号数据组或者处理结果或另外的处理结果的不同的频率分量。例如，可以强调或抑制高频分量，以便突出或抑制精细的结构。
可以固定地预先给定用于对比度匹配的函数，然而，该用于对比度匹配的函数可以优选地取决于成像的参数、特别是取决于在X射线成像的范围内所使用的参数(诸如管电压、管电流、曝光时间和/或对光圈或聚焦的设置)。补充地或替换地，用于对比度匹配的函数可以取决于用户设置，以便将对比度与用户、特别是图像分析者的期望匹配。还可以考虑与检查对象有关的参数，例如水当量、处理后的数据组的图像内容和/或检查类型，以便预先给定或参数化函数。
在根据本发明的方法中，可以依据在医学成像方法的范围内所使用的剂量调节的至少一个输入参数和/或至少一个输出参量来将信号处理算法和/或噪声处理算法参数化。可以直接由成像装置提供输入参数或输出参量。如果在首次筛分测量数据或直接分析的范围内应当已经使用了计算机实现的方法，则这例如可以是有利的。然而，也可以将至少一个输入参数或至少一个输出参量与输入数据组一起存储在例如图像数据库中，或者以其他方式与输入数据组一起提供，以通过计算机实现的方法来进行处理。因此，在该情况下，计算机实现的方法也可以与测量数据采集分开地例如还在单独的装置上或者通过另外的服务提供商来执行。
剂量调节的输入参数尤其可以是检查对象的参数，即，例如患者的参数(诸如水当量、重量、尺寸等)。补充地或替换地，可以考虑在采集输入数据组期间所采集到的测量数据，例如当前所采集到的剂量、对比度和/或图像噪声、尤其是针对特定对象的对比度-噪声比等。
例如，可以将管电流、管电压、曝光时间和/或滤波设置、光圈设置和/或聚焦设置考虑为输出参量。
在前已经阐述了噪声处理算法或信号处理算法或可以在这些算法的范围内执行的处理步骤的不同参数。
可以将通过机器学习方法所训练的算法用作用于减少图像噪声的算法。这种算法例如可以是或包括神经网络、支持向量机、决策树和/或贝叶斯网络。替换地或补充地，经训练的算法也可以基于k均值算法、Q学习、遗传算法和/或关联规则。神经网络尤其可以是深度神经网络、卷积神经网络或卷积深度神经网络。补充地或替换地，神经网络可以是对抗网络、深度对抗网络和/或生成式对抗网络。
可以通过监督学习、部分监督学习、强化学习、主动学习和/或无监督学习来训练算法。
例如，可以使用训练数据组来训练算法，训练数据组分别包括第一图像数据组和第二图像数据组，该第一图像数据组和第二图像数据组优选地已经在相同的检查对象上以相同的采集参数来采集。为了训练算法，可以最小化成本函数，该成本函数取决于针对第一图像数据组中的噪声的量度与针对总和数据组中的噪声的量度之间的差，其中，通过将待训练的算法应用到第二图像数据组，并且将形成的结果数据组与第一图像数据组相加，来确定总和数据组。可以通过改变待训练的算法的参数来进行对成本函数的最小化，为此，例如可以使用本身已知的误差反馈。
所描述的用于训练用于减少图像噪声的算法的方法利用了以下事实：不同图像中的图像噪声彼此独立，因此由噪声引起的方差至少近似地相加。如果实现了针对总和图像中的噪声的量度(例如方差)与针对第一图像数据组中的噪声的量度相同，则这表明算法的应用已基本上完全消除了第二图像数据组中的噪声。
尽管对算法的训练原理上可以是根据本发明的方法的一部分，然而，在根据本发明的方法中，特别优选地使用在开始根据本发明的方法之前已经训练了的用于减少图像噪声的算法。因此，本发明还涉及一种用于训练用于减少图像噪声的算法的方法。此外，本发明涉及一种设计为用于执行该方法的训练设备、一种在数据处理装置上实施时执行该方法的步骤的程序以及一种存储这种程序的计算机可读的数据载体。此外，本发明涉及一种经训练的用于减少图像噪声的算法或者参数数据组，该参数数据组参数化了预定的用于提供该算法的算法，或者涉及一种计算机可读的数据载体，其存储了算法或算法的参数。特别地，作为所阐述的训练方法的结果，可以提供算法或算法的参数以及因此还提供数据载体。
除了用于提供输出数据组的计算机实现的方法，本发明还涉及一种用于在医学减影成像的范围内进行数据处理的计算机实现的方法，其中，对分别由医学成像方法在相同检查对象上确定的两个输入数据组进行处理。方法包括以下步骤：
-将根据本发明的用于提供输出数据组的计算机实现的方法应用到输入数据组，以便确定相应的输出数据组，
-输出数据组彼此相减，以便提供减影数据组，以及
-将用于对比度匹配的函数应用到减影数据组的图像数据。
换言之，在输入数据组进行减影之前，将根据本发明的用于提供输出数据组的方法分开地应用到这些输入数据组，在该方法中分开地处理噪声数据组和信号数据组。在进行减影之后，执行对比度匹配。特别地，在对输入数据组的预处理的范围内，即在信号处理算法的范围内，最初可能不进行对比度匹配，因为在确定减影数据组时，该对比度匹配可能潜在地导致在相关区域中发生偏移等。例如，在信号数据处理的范围内，如果在前已经进行了方差稳定化，则最初可以仅应用逆变换，并且可选地可以应用非线性函数、例如对数函数。
后续的对减影数据组的图像数据的对比度匹配可以以与在前已经在信号数据处理的范围内关于对比度匹配所阐述的相同的方式进行，和/或取决于在此方面提及的参数。通过将对比度匹配移至处理的较晚的时间点，在该时间点，噪声数据组或修改后的噪声数据组与信号数据组或修改后的信号数据组已再次被组合，虽然对比度匹配不仅会影响信号分量，而且还会影响图像数据的噪声分量。但是，如果仅进行相对温和的对比度匹配，则这可以被接受。通过将对信号分量的改变的部分移至信号处理算法中、特别是移至应用对数的信号处理算法中(通过应用对数显著改变信号分量)，仍然可以实现与连续地共同处理噪声分量和信号分量的情况相比，对噪声分量的更小的影响。
除了所阐述的计算机实现的方法，本发明还涉及一种提供装置，其被设计为用于执行根据本发明的用于提供输出数据组的计算机实现的方法和/或用于在医学减影成像的范围中进行数据处理的计算机实现的方法。特别地，提供装置可以包括用于接收一个或多个输入数据组的输入接口，以及用于输出输出数据组或经对比度匹配的减影数据组的输出接口。该提供装置可以被构建为数据处理装置，该数据处理装置被设计为用于执行为该方法所阐述的数据处理。例如可以通过相应编程的处理器(例如微处理器、微控制器、FPGA、DSP等)进行数据处理，或者也可以分布式地通过大量处理器(例如通过云)进行数据处理。
为根据本发明的计算机实现的方法所阐述的特征可以与所提及的优点一并转用到根据本发明的提供装置，反之亦然。
此外，本发明涉及一种医学成像装置、特别是X射线装置，其包括根据本发明的提供装置。由此，尤其使得可以直接在采集一个或多个输入数据组时或者接着该采集、即例如已经在针对操作人员的第一可视化期间，通过根据本发明的计算机实现的方法来再处理一个或多个输入数据组。然而，作为集成到医学成像装置中的替换，提供装置还可以是单独的装置，其例如经由网络、数据库或尤其是可更换的数据载体来获得输入数据和/或输出输出数据。
此外，本发明涉及一种用于数据处理装置的计算机程序，其具有程序指令，该程序指令在数据处理装置上执行时执行根据本发明的用于提供输出数据组的计算机实现的方法和/或根据本发明的用于在医学减影成像的范围内进行数据处理的计算机实现的方法。
此外，本发明涉及一种计算机可读的数据载体，其包括根据本发明的计算机程序。
附图说明
从下面的实施例以及相关附图中得出本发明的其他优点和细节。在此示意性地：
图1示出了根据本发明的用于提供输出数据组的计算机实现的方法的实施例的流程图；
图2示出了在图1中所示出的方法的范围内所使用的算法和数据结构；
图3示出了根据本发明的提供装置的实施例与医学成像装置的相互作用；
图4示出了在根据本发明的用于在医学减影成像的范围内进行数据处理的计算机实现的方法的实施例的范围内所使用的算法和数据结构；
图5示出了用于通过机器学习方法来训练用于减少图像噪声的算法的训练方法的实施例，该算法可以在根据本发明的计算机实现的方法的范围内使用；以及
图6和图7示出了算法的示例性结构，可以对这些算法进行训练以减少图像噪声。
具体实施方式
图1示出了用于依据通过医学成像方法所确定的输入数据组提供输出数据组的计算机实现的方法的流程图。下面附加地参考图2来阐述该方法，图2示意性地示出了在该方法的范围内所使用的算法和数据结构。为清楚起见，分别将二维的各个图像数据组表示为输入数据组或处理结果。然而，所描述的方法也适用于处理三维图像数据组。还可能的是，输入数据组包括时间上依次记录的多个图像数据组，从而处理结果也可以对应地包括多个图像数据组。为清楚起见，这也未示出。
在步骤S1中，首先提供输入数据组33，该输入数据组已经通过医学成像方法、特别是作为X射线记录例如利用平板检测器来确定。特别地，可以在上游步骤中独立于所阐述的计算机实现的方法地进行对输入数据组的图像数据的采集。但是，原理上也可以将采集集成到该方法中。
在步骤S2中，将方差稳定化变换34应用到输入数据组33，以便生成中间数据组35。方差稳定化变换34用于修改输入数据组的噪声分量，使得噪声基本上独立于测量信号，即，例如将噪声从泊松分布转换为高斯分布。为了进行方差稳定化可以使用本身已知的不同方法。例如，可以将根函数或方差不变性变换应用到输入数据组33的图像数据。
在步骤S3中，将用于减少图像噪声的算法36应用到中间数据组35，以便确定噪声减少的信号数据组38。基于上游的方差稳定化，可以使用适用于减少独立于信号的噪声的任何算法36。如随后还将阐述的，可以特别地通过机器学习来训练算法36。为此，算法36可以具有在训练的范围内学习到的大量的自由参数37。随后，还参考图5阐述用于训练这种算法36的一种可能性，并且随后还参考图6和图7阐述针对对应的算法的可能的结构。
在步骤S4中，通过从中间数据组35中减去信号数据组38来确定噪声数据组。该噪声数据组基本上描绘了中间数据组35中的噪声或输入数据组33中的方差稳定化的噪声。
随后，在步骤S5中通过噪声处理算法41对噪声数据组39并且在步骤S6和S7中对信号数据组38进行并行处理，其中，在步骤S5中通过噪声处理算法41对噪声数据组39进行处理，以便提供修改后的噪声数据组43，在步骤S6和S7中对信号数据组38进行处理，以便提供修改后的信号数据组42。在步骤S8中，随后将修改后的信号数据组42与修改后的噪声数据组43相加，以便提供输出数据组44。
通过在步骤S5中应用噪声处理算法41，对噪声的缩放或整形应当优选地实现为使得实际的噪声谱近似于所期望的噪声谱。在最简单的情况下，可以对整个噪声数据组进行缩放。然而，优选地，对噪声数据组7的不同频率分量进行不同的缩放，或者对噪声数据组39进行滤波，以便使噪声频谱与所期望的形状相适应。例如，可以消除由于所使用的测量电子器件而产生的噪声的染色等。
在该示例中，为此，将不同的缩放系数53用于对频率分量的缩放。例如可以经由傅立叶变换或者通过构造高斯-拉普拉斯金字塔(Gauβ-Laplace Pyramide)来实现将噪声数据组39划分为频率分量，在该高斯-拉普拉斯金字塔中在不同位置应用不同大小的高斯滤波器，之后相邻位置之间的差异与不同的频率分量对应。
为了匹配噪声，优选地在中间数据组35中或者替换地还在输入数据组33中或在噪声数据组39中确定至少一个针对噪声的量度51。例如，可以为不同的频率分量确定噪声幅度。在说明书的发明内容部分中已经讨论了用于确定这种量度51的方法。
附加地，缩放系数53或使噪声处理算法41参数化的另外的参数可以取决于附加信息52，这些附加信息例如可以涉及用户定义的用于噪声匹配的函数、针对检查对象的水当量或者与成像或对图像数据的分析有关的另外的参数，并且已经在上面讨论了这些附加信息。例如可以依据提到的参数从查找表中获取缩放系数53或噪声处理算法41的参数。
在步骤S6中，首先在信号处理算法40的范围内执行针对方差稳定化变换34的逆变换45。方差稳定化变换34实现了中间数据组35中的噪声基本上与频率无关。然而在此，方差稳定化变换歪曲了信号分量。通过应用逆变换45对此进行补偿，对此中间结果46基本上与输入数据组33的信号分量对应。
在替换的设计方案中，也可以省去步骤S2和S6，即，省去方差稳定化变换34和逆变换45。在该情况下，代替中间数据组35，将分别使用输入数据组33；并且代替中间结果46，步骤S7中的处理将直接处理信号数据组38。
在步骤S7中，对中间结果46进行对比度处理，或者如果省去了方差稳定化，则对信号数据组38进行对比度处理。在此，例如可以应用灰度变换和空间频率运算。例如，可以使用查找表、带通滤波器、多标量滤波器等。在所示出的示例中，依次进行对非线性函数47的应用，以便确定另外的中间结果49，并且随后将用于对比度匹配的函数50应用到另外的中间结果49，以确定修改后的信号数据组42。
特别地，依据所预测的散射辐射对信号数据组38或处理结果46的图像数据的贡献48来修改非线性函数47。这尤其用于补偿由于这些散射辐射而引起的信号数据组38或中间结果46的偏移。替换地，也可以在应用非线性函数15之前修改中间结果46。对非线性函数、特别是对数函数的应用可以用于确保相同材质下的成像对象的相同厚度差异始终导致相同的对比度改变，这可以显著地使得对图像数据的分析更容易。
用于对比度匹配的函数50尤其可以取决于参数54，该参数例如可以取决于在医学成像方法的范围内所使用的剂量调节的输出参量55。为了确定参数54，例如可以使用查找表、预定的函数关系等。
特别地，函数50可以对另外的中间结果中的不同的频率分量进行不同的加权，以便例如突出精细的结构等。
在参考图1和图2所讨论的示例中，在相加为输出数据组44之前，信号数据组38以及噪声数据组39都被修改。原理上，也可以仅修改这些数据组中的一个，而让另一个不变。
图3示出了医学成像装置56、特别是X射线装置，通过该医学成像装置，可以采集在先前所阐述的方法中成像了检查对象57的输入数据组33。控制装置58控制成像装置56的运行。特别地，控制装置58可以实施剂量调节65，该剂量调节65依据所采集的测量数据、特别是依据针对所定义的对象的对比度-噪声比来控制入射到检查对象57上的X射线剂量。
控制装置58原理上可以例如经由网络59直接将所确定的输入数据组提供给分析装置60、例如工作站计算机。然而在此，特别是由于所使用的剂量调节65，对于不同的检查对象、不同的角度角等，在所出现的对比度或所出现的噪声方面可能存在显著的差异，从而能够显著地使对图像数据的分析变得困难。
因此，首先将所采集的输入数据组33传输到提供装置61，该提供装置实现上面参考图1和图2所阐述的方法。这例如可以通过由对应的计算机程序对数据处理装置62进行对应的编程来实现。随后，例如可以将所形成的输出数据组44提供给分析装置60。
输入数据组33或输出数据组44也可以首先临时存储在数据库63中，从而使所描述的数据处理能够独立于通过医学成像装置56的测量数据采集而进行。总的来看，在此，如上所述，如果考虑医学成像装置56的运行参数、特别是剂量调节65的参数，则可以将这些参数与输入数据组33一起保存在数据库63中。
对与医学成像装置56分开构建的提供装置61的所示出的使用例如能够实现将所阐述的方法提供为服务。然而，在某些情况下，代替单独的提供装置61，使用集成到医学成像装置56中的提供装置64也可以是有利的，其例如可以通过控制装置58来实现。这能够实现独立于外部装置地使用所阐述的方法的优点。
图4示出了用于在医学减影成像的范围中进行数据处理的计算机实现的方法的实施例。在此，分别通过已经参考图1和图2进行阐述的方法68处理两个输入数据组66、67，以提供相应的输出数据组69，70。随后，将输出数据组69、70彼此相减，以便提供减影数据组71。随后，将用于对比度匹配的函数72应用到减影数据组71的图像数据，以便提供经对比度匹配的减影数据组73。
在方法68中，与图2中所示出的变形不同，优选地在步骤S7中不应用用于对比度匹配的函数50，而是取而代之使用用于对比度匹配的函数72，在已经将输出数据组69、70彼此相减之后才应用该用于对比度匹配的函数72。由此可以避免由于函数50对输出数据组69、70的不同影响而歪曲减影数据组71。在此，可以接受的是，在图4中所示出的实施例中，用于对比度匹配的函数72在对比度匹配的范围内还一起改变了减影图像71的噪声分量。
除了在该方法中的不同时间点使用用于对比度匹配的函数72之外，该用于对比度匹配的函数还可以与已经参考图2所讨论的用于对比度匹配的函数50对应。对应地，如已经对于图2和函数50所阐述的，也可以依据成像参数或另外的参数来改变函数72的参数。
图5示出了用于通过机器学习方法训练用于减少图像噪声的算法36的示例性的训练方法，可以在根据本发明的计算机实现的方法的范围内使用该算法。为了训练算法，使用训练数据组74，这些训练数据组分别包括第一图像数据组和第二图像数据组75、76。在相同的检查对象上已经以相同的采集参数采集了图像数据组75、76。
为了训练算法36，通过改变算法36的参数37来最小化成本函数80，该成本函数取决于针对第二图像数据组76中的噪声的量度79与针对总和数据组77中的噪声的量度78之间的差。通过将待训练的算法36应用到第一图像数据组75，并且将形成的结果数据组与第二图像数据组76相加，来确定总和数据组77。例如可以通过本身已知的误差反馈来进行算法36的参数37的改变。
参考图6和图7，下面在神经网络或卷积神经网络的示例中阐述可通过机器学习来训练的算法的结构，以便提供用于减少图像噪声的算法36。分别在简单的示例中描述了结构，可以针对真实的应用来对应地扩展这些示例。
图6示出了人工神经网络1的实施例。针对人工神经网络1的英语表述是“artificial neural network(人工神经网络)”、“neural network(神经网络)”、“artificial neural net(人工神经网)”或“neural net(神经网)”。
人工神经网络1包括节点(node)6至18和边缘(edge)19至21，其中，每个边缘19至21是从第一节点6至18到第二节点6至18的定向连接。通常，第一节点6至18和第二节点6至18是不同的节点6至18，然而，也可以想到第一节点6至18与第二节点6至18是相同的。例如，在图6中，边缘19是从节点6到节点9的定向连接，并且边缘21是从节点16到节点18的定向连接。从第一节点6至18到第二节点6至18的边缘19至21被称为针对第二节点6至18的输入边缘(“ingoing edge”)，并且被称为针对第一节点6至18的输出边缘(“outgoing edge”)。
在该实施例中，人工神经网络1的节点6至18可以布置在层(layer)2至5中，其中，层2至5可以具有固有顺序，通过节点6之间的边缘19至21来引入该固有顺序。特别地，边缘19至21仅能够设置在节点的相邻的层之间。在所示出的实施例中，存在输入层2，其仅具有节点6、7、8，各个节点没有输入边缘。输出层5仅包括节点17、18，各个节点没有输出边缘，其中此外，隐藏层3和4位于输入层2与输出层5之间。在通常情况下，可以任意选择隐藏层3、4的数量。输入层2中的节点6、7、8的数量通常与到神经网络1中的输入值的数量对应，并且输出层5中的节点17、18的数量通常与神经网络1的输出值的数量对应。
特别地，可以将神经网络1的节点6至18与(实)数相关联。在此，x(n) i表示第n层2至5中的第i个节点6至18的值。输入层2中的节点6、7、8的值等于神经网络1的输入值，而输出层113中的节点17、18的值等于神经网络1的输出值。此外，可以将每个边缘19、20、21与实数形式的权重相关联。特别地，权重是区间[-1，1]中或区间[0，1]中的实数。在此，w(m,n) i,j表示第m层2至5中的第i个节点6至18与第n层2至5中的第j个节点6至18之间的边缘的权重。此外，定义了针对权重的简称
为了计算神经网络1的输出值，输入值通过神经网络1来传播。特别地，可以基于第n层2至5的节点6至18的值，通过以下等式来计算第(n+1)层2至5的节点6至18的值：
在此，f是传递函数，该传递函数也可以称为激活函数。已知的传递函数是阶跃函数、S形函数(例如，逻辑函数、广义逻辑函数、双曲正切、反正切、误差函数、平滑步长函数)或整流函数(rectifier)。传递函数基本上用于标准化目的。
特别地，值通过神经网络1逐层传播，其中，通过神经网络1的输入数据给出输入层2的值。可以基于神经网络1的输入层2的值来计算第一隐藏层3的值，可以基于第一隐藏层3中的值来计算第二隐藏层4的值，等等。
为了能够确定针对边缘19至21的值必须在使用训练数据的情况下训练神经网络1。特别地，训练数据包括训练输入数据和训练输出数据，其以下被表示为ti。对于训练步骤，将神经网络1应用到训练输入数据，以便确定计算出的输出数据。特别地，训练输出数据和计算出的输出数据包括数个值，其中数量被确定为输出层5中的节点17、18的数量。
特别地，使用计算出的输出数据与训练输出数据之间的比较，以便递归地匹配神经网络1内部的权重(反向传播算法“，back propagation algorithm”)。特别地，可以与以下等式对应地改变权重，
其中，γ是学习率，并且如果第(n+1)层不是输出层5，则基于可以将数字递归地计算为
并且如果第(n+1)层是输出层5，则可以将数字递归地计算为
其中，f'是激活函数的一阶导数，并且是针对输出层5中的第j个节点17、18的比较训练值。
以下鉴于图7，还给出了针对卷积神经网络(CNN)的示例。在此，应当注意的是，此处与针对传统的神经网络的层略有不同地使用表述“层”(“Layer”)。对于传统的神经网络，表述“层”仅指形成层的一组节点，因此仅指特定代的节点。对于卷积神经网络，表述“层”通常被用作主动改变数据的对象，换言之，被用作相同代的一组节点以及要么是一组输入边缘要么是一组输出边缘。
图7示出了卷积神经网络22的实施例。在所示出的实施例中，卷积神经网络22包括输入层23、卷积层24(Convolutional Layer)、池化层25、全连接层26和输出层27。在替换的设计方案中，卷积神经网络22可以包含多个卷积层24、多个池化层25和多个全连接层26，以及其他类型的层。可以任意选择层的顺序，其中，全连接层26通常形成输出层27之前的最后一层。
特别地，在卷积神经网络22内部，层23至27中的一个中的节点28至32可以被布置为d维矩阵或者被布置为d维图像。特别地，在二维的情况下，可以将第n层23至27中的具有下标i，j的节点28至32的值表示为x(n)[i,j]。应当注意，层23至27中的节点28至31的布置本身对卷积神经网络22内部的计算没有影响，因为该影响仅通过边缘的结构和权重来给出。
卷积层24的特征尤其在于，输入边缘的结构和权重形成基于特定数量的核的卷积运算。特别地，可以选择输入边缘的结构和权重，使得将卷积层24中的节点29的值确定为基于上一层23中的节点28的值x(n-1)的卷积其中，在二维的情况下可以将卷积*定义为
在这里，第k个核Kk是d维矩阵，在该实施例中是二维矩阵，相较于节点28至32的数量，该矩阵通常较小，例如是3×3矩阵或5×5矩阵。特别地，这意味着输入边缘的权重不是独立的，而是被选择为使得输入边缘的权重生成上述卷积等式。在针对形成3x3矩阵的核的示例中，无论对应的层23至27中的节点28至32的数量如何，仅存在九个独立的权重(其中，核矩阵中的每个条目与一个独立权重对应)。特别地，对于卷积层24，卷积层24中的节点29的数量等于上一层23中的节点28的数量乘以卷积核的数量。
如果将上一层23中的节点28布置为d维矩阵，则可以将对多个核的使用理解为添加了另外的维度，该另外的维度也被称为深度维度，使得卷积层24中的节点29被布置为(d+1)维矩阵。如果上一层23中的节点28已经被布置为具有深度维度的(d+1)维矩阵，则可以将对多个卷积核的使用理解为沿深度维度的扩展，使得卷积层221中的节点29同样被布置为(d+1)维矩阵，其中，(d+1)维矩阵在深度维度上的大小比在上一层23中大了通过核的数量而形成的系数。
使用卷积层24的优点在于，通过在相邻层中的节点之间创建了局部连接模式，特别是由于每个节点仅针对上一层中的节点的小区域具有连接，可以利用输入数据的空间局部相关性。
在所示出的实施例中，输入层23包括布置为二维6×6矩阵的36个节点28。卷积层24包括布置为两个二维6×6矩阵的72个节点29，其中，两个矩阵中的每一个是输入层23的值与卷积核的卷积的结果。以相同的方式，卷积层24中的节点29可以被理解为布置在三维6×6×2矩阵中，其中最后提到的维度是深度维度。
池化层25的特征在于，输入边缘的结构和权重以及它们的节点30的激活函数定义了基于非线性的池化函数(Pooling-Funktion)f的池化运算。例如，在二维情况下，可以基于上一层24中的节点29的值x(n+1)来将池化层25中的节点30的值x(n)计算为
x(n)[i,j]＝f(x(n-1)[id1,jd2],…,x(n-1)[id1+d1-1,jd2+d2-1])。
换言之，由于使用了池化层25，通过由单个节点30来代替上一层24中的相邻节点29的数量d1*d2，可以减少节点29、30的数量，该单个节点作为相邻节点29的所述数量的值的函数被计算出。特别地，池化函数f可以是最大值函数、平均值形成或L2范数。特别地，对于池化层25，可以确定输入边缘的权重，并且不通过训练来改变该输入边缘的权重。
使用池化层25的优点在于，减少了节点29、30的数量和参数的数量。这导致在卷积神经网络22内部所需的计算量的减少，并且因此导致对过拟合的抑制。
在所示出的实施例中，池化层25是最大池化层，该最大池化层中通过一个单个节点代替四个相邻的节点，由四个相邻的节点的值的最大值形成该单个节点的值。将最大池化应用到先前层的每个d维矩阵；在该实施例中，将最大池化应用到两个二维矩阵中的每一个，使得节点的数量从72个减少到18个。
全连接层26的特征在于，存在先前层25中的节点30与全连接层26中的节点31之间的多个边缘、尤其是全部的边缘，其中，可以单独匹配边缘中每一个的权重。在该实施例中，全连接层26之前的层25中的节点30既作为二维矩阵又作为未连通的节点(示出为一行节点，其中为了更佳的可示性，已减少节点的数量)示出。在该实施例中，全连接层26中的节点31的数量等于上一层25中的节点30的数量。在替换的实施方式中，节点30、31的数量可以不同。
此外，在该实施例中，通过将Softmax函数应用到上一层26中的节点31的值，确定输出层27中的节点32的值。通过应用Softmax函数，输出层27中所有节点32的值之和为1，并且输出层中所有节点32的所有值为0至1之间的实数。如果使用卷积神经网络22对输入数据进行分类，则特别地可以将输出层27的值解释为针对输入数据落入到不同类别中的一个中的概率。
卷积神经网络22也可以具有ReLU层，其中ReLU代表了针对“线性整流函数(rectified linear units)”的首字母缩写。特别地，ReLU层内部的节点的数量和节点的结构等于上一层中的节点的数量和节点的结构。尤其可以通过将整流函数(rectifierfunction)应用到上一层中对应节点的值来计算ReLU层中每个节点的值。针对整流函数的示例是f(x)＝max(0，x)、双曲正切或S型函数。
尤其可以基于反向传播算法来训练卷积神经网络22。为了避免过拟合(overfitting)，可以使用正则化方法，例如各个节点28到32的丢失、随机池化、人工数据的使用、基于L1范数或L2范数或最大范数限制的权重衰减。
尽管已经在细节上通过优选的实施例更详细地说明和描述了本发明，但是本发明不限于所公开的示例，并且本领域技术人员可以从中推导出其他变型方案，而不脱离本发明的保护范围。