有關聯邦贊助研究和開發的聲明
本發明根據由國土安全部授予的合同號hshqdc-14-c-b0048，在政府支持的情況下完成。政府具有本發明的某些權利。
背景技術：
本文中公開的主題涉及斷層攝影重構，并且具體地說，涉及字典學習算法的使用。
非侵入式成像技術允許獲得患者/對象的內部結構/特征的圖像而不在患者/對象上執行侵入式規程。具體而言，此類非侵入式成像技術依賴各種物理原理（例如通過目標體積的x射線的差分傳送、在體積內聲波的反射、體積內不同組織和材料的順磁屬性、身體內目標放射性核的分解等等）來采集數據和構建圖像或以其它方式表示患者/對象的觀察到的內部特征。
所有重構算法遭受諸如條紋和噪聲的重構偽影。為減少這些偽影，已引入基于正則化的方法。然而，在計算效率、劑量、掃描速率與圖像質量之間經常存在折衷。因此，存在用于改進的重構技術，特別是在低信號噪聲比(snr)成像上下文中的需要。
技術實現要素：
下面概述在范圍上與原來要求保護的主題相符的某些實施例。這些實施例不意圖限制要求保護的主題的范圍，但是而是這些實施例僅意圖提供可能實施例的簡單總結。實際上，本發明可囊括與下面所闡述實施例類似或不同的多種形式。
在一個實現中，提供了一種構建負字典的方法。根據此方法，訪問一個或更多個圖像。從一個或更多個圖像采樣多個圖像分塊。識別對應于有害圖像特征或圖案的圖像分塊的子集。使用圖像分塊的子集來填充負字典。
在另外實現中，提供了一種重構方法。根據此方法，為被成像體積采集測量集。使用負字典，執行測量集的重構。負字典包括對應于在重構期間主動抑制或負加權的有害圖像特征或圖案的圖像分塊。將重構的圖像生成為重構的輸出。
在另一實現中，提供了一種圖像處理系統。根據此實現，圖像處理系統包含存儲一個或更多個例程的存儲器和配置成訪問先前或同時采集的測量數據并且運行在存儲器中存儲的一個或更多個例程的處理組件。一個或更多個例程在由處理組件運行時：使用負字典來執行測量集的重構，其中負字典包括對應于在重構期間主動抑制或負加權的有害圖像特征或圖案的圖像分塊；以及將重構的圖像生成為重構的輸出。
本發明提供一組技術方案,如下:
1.一種構建負字典的方法，包括：
訪問一個或更多個圖像；
對來自所述一個或更多個圖像的多個圖像分塊進行采樣；
識別對應于有害圖像特征或圖案的所述圖像分塊的子集；以及
使用圖像分塊的所述子集來填充所述負字典。
2.如技術方案1所述的方法，其中所述有害特征或圖案對應于偽影圖案、條紋圖案、噪聲圖案、環狀偽影、模糊邊界或脈沖的一項或更多項。
3.如技術方案1所述的方法，其中：
訪問所述一個或更多個圖像包括訪問一個或更多個含噪圖像；以及
對所述多個圖像進行采樣和識別圖像分塊的所述子集包括從所述含噪圖像提取偽影圖案或噪聲圖案中的一個或兩者。
4.如技術方案3所述的方法，其中從所述含噪圖像提取偽影圖案或噪聲圖案中的一個或兩者包括采用可操縱濾波或機器學習中的一個或兩者來提取所述偽影圖案或噪聲圖案。
5.如技術方案3所述的方法，其中從所述含噪圖像提取偽影圖案或噪聲圖案中的一個或兩者包括將所述含噪圖像的一個或更多個分成分量圖像，每個分量圖像對應于某個類型的偽影圖案或噪聲圖案。
6.如技術方案1所述的方法，還包括：
模擬不同噪聲圖案和偽影圖案；
生成所述一個或更多個圖像以包含所述噪聲圖案和偽影圖案。
7.如技術方案6所述的方法，其中基于不同掃描幾何和掃描協議，模擬所述不同噪聲和偽影圖案。
8.如技術方案1所述的方法，還包括：
將噪聲圖案或偽影圖案中的一個或兩者添加到一個或更多個初始圖像以生成加噪圖像，或者添加到一個或更多個初始測量，其被重構以生成所述一個或更多個加噪圖像；
在圖像減影過程中使用所述加噪圖像以生成所述一個或更多個圖像。
9.一種用于重構圖像的方法，包括：
采集用于被成像體積的測量集；
使用負字典來執行所述測量集的重構，其中所述負字典包括對應于在所述重構期間主動抑制或負加權的有害圖像特征或圖案的圖像分塊；以及
將重構的圖像生成為所述重構的輸出。
10.如技術方案9所述的方法，其中所述有害圖像特征或圖案對應于偽影圖案、條紋圖案、噪聲圖案、環狀偽影、模糊邊界或脈沖的一項或更多項。
11.如技術方案9所述的方法，其中所述重構包括基于模型的迭代重構。
12.如技術方案11所述的方法，其中所述重構包括更新步驟，其引導所述基于模型的迭代重構遠離在所述負字典中存在的所述圖像分塊中表示的所述有害圖像特征或圖案。
13.如技術方案11所述的方法，其中所述重構使用所述負字典作為基于模型的迭代重構的數據擬合項的一部分。
14.如技術方案13所述的方法，其中所述重構基于在所述數據擬合項中負字典的使用，將重構的圖像分成偽影項和圖像項。
15.如技術方案9所述的方法，其中所述重構使用所述負字典作為成本函數中的項。
16.如技術方案15所述的方法，其中基于所述負字典的所述項具有與基于常規以前項的項相反的符號。
17.一種圖像處理系統，包括：
存儲器，存儲一個或更多個例程；以及
處理組件，配置成訪問以前或同時采集的測量數據，并且運行在所述存儲器中存儲的所述一個或更多個例程，其中所述一個或更多個例程在由所述處理組件運行時：
使用負字典來執行測量集的重構，其中所述負字典包括對應于在所述重構期間主動抑制或負加權的有害圖像特征或圖案的圖像分塊；以及
將重構的圖像生成為所述重構的輸出。
18.如技術方案17所述的圖像處理系統，其中所述重構包括基于模型的迭代重構的更新步驟，其引導所述基于模型的迭代重構遠離在所述負字典中存在的所述圖像分塊中表示的所述有害圖像特征或圖案。
19.如技術方案17所述的圖像處理系統，其中所述重構使用所述負字典作為基于模型的迭代重構的數據擬合項的一部分。
20.如技術方案17所述的圖像處理系統，其中所述重構使用所述負字典作為成本函數中的項。
附圖說明
在參照附圖閱讀以下詳細描述時，本發明的這些和其它特征、方面和優點將變得更好理解，附圖中相似的字符在圖形通篇中表示相似的部分，其中：
圖1是根據本公開的方面，描繪計算機斷層攝影(ct)成像系統的組件的框圖；
圖2根據本公開的方面，描繪供在字典學習方式中使用的字典的示例；
圖3根據本公開的方面，描繪用于通過其估計稀疏表示系數的稀疏編碼過程的過程流程；
圖4根據本公開的方面，描繪字典訓練過程流程；
圖5描繪字典學習圖像重構方式的現有技術過程流程；
圖6根據本公開的方面，描繪使用負字典的字典學習圖像重構方式的過程流程；
圖7描繪初始體模圖像的示例；
圖8描繪在添加噪聲、偽影和模糊后圖7的圖像；以及
圖9根據本公開的方面，描繪在基于負字典，使用字典學習方式的圖像處理后圖8的圖像。
具體實施方式
下文將描述一個或更多個特定實施例。致力于提供這些實施例的簡潔描述，在說明書中未描述實際實現的所有特征。應領會，如在任何工程或設計項目中一樣，在任何此種實際實現的開發中，必須做出許多實現特定的判定以實現開發者的特定目標，例如符合系統有關和業務有關的約束，這些目標將從一個實現變化到另一個。此外，應領會，此種開發努力可能復雜的并且耗時的，但仍將是從本公開受益的本領域技術人員的設計、制作和制造的例行任務。
雖然以下論述的方面在醫療成像的上下文中提供，但應領會，本技術不限于此類醫療上下文。實際上，在此種醫療上下文中示例和解釋的提供只是要通過提供現實世界實現和應用的實例來便于解釋。然而，本方式也可在其它上下文中利用，例如制造的部件或商品的無損檢查（即，質量控制或質量審查應用）和/或包裝、盒、行李等的非侵入式檢查（即，安全或篩選應用）。通常，在其中包含但不限于圖像重構的高分辨率圖像處理是期望的任何成像或篩選上下文中，本方式可以是期望的。
此外，雖然ct示例主要經由示例提供，但應理解，本方式可在其它成像模態上下文中使用。例如，當前描述的方式也適合供與其它類型的斷層攝影掃描儀一起使用，其它類型的斷層攝影掃描儀包含但不限于正電子發射斷層攝影(pet)、單光子發射計算斷層攝影(spect)和磁共振成像(mri)或通常的圖像恢復或去噪。
ct成像中所使用的一種圖像重構技術是迭代重構。對于多種原因，迭代重構技術的使用（與分析方法形成對比）可以是期望的。迭代重構算法能夠在為掃描采集的物理學建模（以及對其補償），為測量的統計學建模以改進圖像質量和合并以前的信息方面提供優勢。例如，此類迭代重構方法可基于離散成像模型，并且可逼真地為系統光學、掃描幾何和噪聲統計學建模。使用馬爾可夫隨機場鄰域正則化、高斯混合先驗、字典學習技術等，可將以前的信息合并到迭代重構中。
因此，迭代重構技術因此經常實現卓越的圖像質量，雖然是以較高的計算成本來實現。例如，基于模型的迭代重構(mbir)是從測量中迭代估計圖像體積的衰減系數的空間分布和值的重構技術。mbir基于優化問題，由此通過求解包含數據擬合和正則化矩陣項兩者的目標函數，計算重構的圖像體積，數據擬合和正則化矩陣組合控制在數據保真度與圖像質量之間的折衷。數據擬合（即，數據保真度）項根據將噪聲考慮在內的準確模型，最小化在重構的結果與采集的數據之間的誤差。正則化矩陣項采用圖像的以前知識（例如，在小的鄰域內類似的衰減系數）以降低可能的偽影，例如條紋和噪聲。因此，mbir容忍噪聲，并且即使在低劑量的情況下也執行良好。
近來，字典學習(dl)方式由于此方式用來保持局部結構和降低噪聲的能力而已被應用為用于低劑量ct重構的正則化矩陣。例如，在重構函數的圖像以前項中，可采用字典學習公式而不是基于成對相鄰交互的常規函數。因此，在此種情形中，重構函數將具有數據保真度項和基于字典學習的以前建模項。
如本文中討論的，描述了基于特定字典學習的方式。本文中稱為“負”字典學習的此方式通過添加約束以主動抑制（例如，負加權或懲罰）某些字典圖案，有助于改進以前信息的使用，例如以便為更具體的。也就是說，采用了不感興趣的圖像質量或實際上對其有害的圖案的“負”字典。雖然重構技術在本文中作為示例描述，但應領會，本負或減去字典學習方式可更常在其它圖像處理上下文中使用，而不只是在重構中使用。也就是說，本方式可在任何圖像處理上下文中使用，其中，字典學習的使用作為處理的一部分（例如，作為圖像或項正則化矩陣，作為數據擬合項，或作為成本函數分量）是適合的。類似地，雖然在本文中主要描述三維(3d)或體積成像以提供適合的上下文和示例，但本方式在其它維上下文中在圖像處理或重構中同樣是可適用的。例如，本方式可適合供在二維上下文和四維（即，隨時間變化的3d）上下文以及作為示例提供的三維上下文中使用。
鑒于前述的介紹評注，本文中描述的方式可適合供與采用字典學習作為所運行的算法的一部分的一系列圖像處理或重構系統一起使用。為便于解釋，本公開將主要在一個特定上下文中，ct系統的那個上下文中討論本方式。然而，應理解，下面討論也可以可適用于其它圖像模態和系統以及非醫療上下文或其中字典學習適合供在圖像處理或重構上下文中使用的任何上下文。
鑒于此，圖1中提供了設計成圍繞患者在多個視域采集x射線衰減數據，并且適合用于使用mbir技術執行圖像重構的計算機斷層攝影(ct)成像系統10的示例。在圖1中圖示的實施例中，成像系統10包含與準直儀14相鄰定位的x射線輻射源12。x射線源12可以是x射線管、分布式x射線源（例如固態或熱電子x射線源）或適合用于醫療或其它圖像的采集的x射線輻射的任何其它源。
準直儀14將進入其中患者/對象18被定位的區域的x射線16的射束成形或者對其進行限制。在所描繪的示例中，x射線16準直成通過被成像的體積的錐形射束，即，錐形束。一部分x射線輻射20通過或圍繞患者/對象18（或其它感興趣的受檢者），并且撞擊以參考數字22一般表示的檢測器陣列。陣列的檢測器元素產生表示入射x射線20的強度的電信號。這些信號被采集和處理以重構患者/對象18內特征的圖像。
源12由系統控制器24控制，其供應功率和控制信號用于ct檢查序列，包含用來為隨后掃描協議識別患者/對象內感興趣解剖結構的二維定位器或偵察圖像的采集。在所描繪的實施例中，系統控制器24經由可以是系統控制器24的組件的x射線控制器26來控制源12。在此種實施例中，x射線控制器26可配置成提供功率和定時信號到x射線源12。
此外，檢測器22耦合到控制在檢測器22中生成的信號的采集的系統控制器24。在所描繪的實施例中，系統控制器24使用數據采集系統28采集由檢測器生成的信號。數據采集系統28接收由檢測器22的讀出電子器件收集的數據。數據采集系統28可接收來自檢測器22的采樣的模擬信號，并且將數據轉換成數字信號用于通過下面討論的處理器30的隨后處理。備選地，在其它實施例中，數模轉換可由在檢測器22本身上提供的電路系統執行。系統控制器24也可運行關于采集的圖像信號的各種信號處理和濾波功能，例如用于動態范圍的初始調整、數字圖像數據的交錯等等。
在圖1中圖示的實施例中，系統控制器24耦合到旋轉子系統32和線性定位子系統34。旋轉子系統32使x射線源12、準直器14和檢測器22能夠圍繞患者/對象18旋轉一周或多周，例如主要在繞患者在x,y平面中旋轉。應注意的是，旋轉子系統32可能包含機架，相應x射線發射和檢測組件設置在機架上。因此，在此種實施例中，系統控制器24可用來操作機架。
線性定位子系統34可使患者/對象18或更具體地說支承患者的工作臺能夠例如相對于機架的旋轉在z方向上在ct系統10的膛內移位。因此，工作臺可在機架內線性移動（以連續或逐步方式）以生成患者18的特定區的圖像。在所描繪的實施例中，系統控制器24經由馬達控制器36控制旋轉子系統32和/或線性定位子系統34的移動。
通常，系統控制器24命令成像系統10的操作（例如經由上述源12、檢測器22和定位系統的操作）以運行檢查協議和處理采集的數據。例如，經由上述系統和控制器，系統控制器24可繞感興趣的受檢者旋轉支承源12和檢測器22的機架，使得可在相對于患者的一個或更多個視域獲得x射線衰減數據。在本上下文中，系統控制器24也可包含信號處理電路系統、用于存儲由計算機運行的程序和例程（例如用于運行本文中描述的圖像處理技術的例程）及配置參數、圖像數據等的關聯存儲器電路系統。
在所描繪的實施例中，將由系統控制器24采集和處理的圖像信號提供到處理組件30用于根據當前公開算法的圖像的重構。處理組件30可以是一個或更多個通用或應用特定微處理器。由數據采集系統28收集的數據可直接或在存儲器28中存儲后傳送到處理組件30。適合用于存儲數據的任何類型的存儲器可能由此種示范系統10利用。例如，存儲器38可包含一個或更多個光學、磁性和/或固態存儲器存儲結構。此外，存儲器38可位于采集系統點處，和/或可包含如下所述的用于存儲用于圖像重構的數據、處理參數和/或例程的遠程存儲裝置。
處理組件30可配置成經由通常配有鍵盤和/或其它輸入裝置的操作員工作站40接收來自操作員的命令和掃描參數。操作員可經由操作員工作站40控制系統10。因此，操作員可觀察重構的圖像和/或使用操作員工作站40以其它方式操作系統10。例如，耦合到操作員工作站40的顯示器42可用來觀察重構的圖像和控制成像。另外，圖像也可由可耦合到操作員工作站40的打印機44打印。
此外，處理組件30和操作員工作站40可耦合到其它輸出裝置，其可包含標準或專用計算機監測器和關聯處理電路系統。一個或更多個操作員工作站40可還在系統中鏈接用于輸出系統參數，請求檢查，查看圖像等等。通常，在系統內供應的顯示器、打印機、工作站及類似裝置可在數據采集組件的本地，或者可遠離這些組件，例如在機構或醫院內的別處，或者在完全不同的位置中，經由諸如因特網、虛擬專用網等等一個或更多個可配置網絡鏈接到圖像采集系統。
還應注意的是，操作員工作站40也可耦合到圖片存檔與通信系統(pacs)46。pacs46可又耦合到遠程客戶端48、放射科信息系統(ris)、醫院信息系統(his)或內部或外部網絡，使得在其它位置處的其它人可獲得對原始或處理的圖像數據的訪問權。
雖然前述的討論已單獨處理成像系統10的各種示范組件，但這些各種組件可在共用平臺內或在互連平臺中提供。例如，處理組件30、存儲器38和操作員工作站40可集體提供作為配置成根據本公開的方面操作的通用或專用計算機或工作站。在此類實施例中，通用或專用計算機可相對于系統10的數據采集組件作為單獨的組件提供，或者可在具有此類組件的共用平臺中提供。同樣，系統控制器24可作為此種計算機或工作站的一部分提供，或者作為專用于圖像采集的單獨系統的一部分提供。
圖1的系統可用來對于繞患者的感興趣區域的多個視域采集x射線投影數據，以使用投影數據重構被成像區域的圖像。具體而言，可使用如本文中討論的基于“負”字典學習的迭代重構，迭代重構由諸如成像系統10的系統采集的投影數據，或以其它方式對其進行重構后處理。
在常規字典學習方式中，使用代表性圖像分塊（即，“原子”）的數據庫（即，“字典”），執行圖像重構。鼓勵進行重構過程以生成與數據庫中的圖案/分塊具有一些類似性或看上去象來自字典的圖案的重疊的圖像。也就是說，圖像重構過程使用字典圖像作為在迭代圖像重構過程中要強調和強化的期望的結構或目標。
相反，本文中討論的本“負”字典方式包括不合需要的圖像分塊或圖案。負字典中可表示的不合需要的特征或結構的示例包含但不限于與差圖像質量關聯的特征或結構，包含噪聲和/或偽影。因此，不同于常規字典，負字典在迭代重構過程中用來主動抑制或不再強調（例如，減去，負加權等等）在負字典中存在的結構或圖案，這在最終圖像中不再強調或消除了此類結構。例如，在一個實現中，可在重構過程中對負字典中發現的圖案進行懲罰或負加權。相比之下，這與其它方式形成對比，其中，在同時主動強調良好或預期的圖像分塊的同時，在字典學習方式中識別的差或不合需要的圖像分塊只具有應用到（即，不強調或鈍化）相應圖案給定圖案的零權重。
如本文中所使用的，如下更詳細討論的一樣，字典是“原子”的集合，其中，每個原子是學習的圖像分塊。圖2中示出字典70的示例。字典70由原子72的集合組成。每個原子72是字典70中的列，并且用來學習此種字典70的圖像分塊能夠由此類原子72的線性組合表示，其中少量的原子具有非零系數。此種上下文中的圖像分塊是較小圖像，比如例如8x8圖像。為了學習字典70（如下更詳細討論的一樣），能夠從原患者/對象圖像或從諸如參考圖像的其它源采樣圖像分塊。
在包含負字典學習方式的字典學習方式中，通過學習的原子72的線性和來描述來自采集的圖像的局部圖像塊（包含或描繪基本結構元素或特征的圖像塊）。此線性表達式的系數稱為稀疏系數(αs)，因為只有稀疏數量的這些系數為非零的。在概念上，原子72構成字典70的字詞或基本圖案，作為正則化過程的一部分，迭代處理圖像中的區域與其進行比較或分解到其中。在這個意義上，字典學習采用了信號（即，圖像）的稀疏表示（如由稀疏表示系數αs所示）。使用構成圖像特征或分量的字典70（本文中表示為d），信號通過字典元素（即，原子72）的稀疏線性組合來描述，在負字典學習的情況下，這些元素可以是不合需要的結構或圖像特征，例如與只是應用零加權到此類區域形成對比在處理期間可被主動抑制或不再強調（例如，負加權或減去）的特征。
作為示例，在操作中，字典學習可嘗試最小化非零稀疏表示系數的數量和/或最小化在被采樣圖像的提取的局部分塊與對應負字典表示之間的擬合誤差，以便識別和抑制在負字典內發現的那些圖像分塊的出現。也就是說，在字典學習實現中，算法可嘗試最小化未匹配區域的數量和最小化建模的分塊的擬合誤差。圖3中示出通過其可使用字典(d)70為輸入圖像(x)74估計稀疏表示系數α的稀疏編碼的高級示例。在此示例中，提取局部圖像分塊rs76（例如，非重疊圖像分塊）并且從每個分塊76提取平均值(dc)（步驟78）。隨后，為每個分塊76做出變化是小于ε還是大于或等于ε的確定（判定框80）。如果小于ε，則稀疏系數αs為0（步驟82）（即，變化由dc值囊括）。如果大于或等于ε，則正交匹配追蹤(omp)用來（步驟84）根據下式獲得稀疏系數αs：
條件為：
其中，αs是稀疏表示系數，rs是在像素s提取的局部圖像分塊，d是字典，x是輸入圖像，以及ε是目標誤差。對于所有輸入分塊76，稀疏表示系數αs被確定（步驟86）。
如圖3中所示的那樣確定的稀疏表示系數αs可用作字典訓練過程的一部分，在此實例中，如圖4中所示，訓練可在本文中討論的基于負字典的重構中使用的負字典。如圖4中所示，作為字典學習過程的初始和/或在進行部分的一部分，可訓練（例如使用k-svd算法）如在本文中使用的字典d70。此訓練階段是基于所有分塊能夠由字典的列（原子）線性表示的假設,其中只有稀疏數量的原子具有非零系數。這在等式(3)中示出：
其中，參數
在圖4的所描繪的示例中，字典訓練過程涉及提供初始字典（離散余弦變換(dct)）90和已從其中提取均值(dc)的用于訓練的收集的圖像分塊92（例如，8x8圖像分塊）集兩者。在步驟94處，基于圖像分塊92和初始字典90，例如使用上述omp方法，更新稀疏碼αs。基于更新的αs，例如通過最小化下式，可逐一更新初始字典原子（步驟96）：
以生成更新的字典98。在本實現中，字典訓練過程用來訓練具有在迭代圖像重構期間要不再強調或去除的原子或圖像分塊的實例的負字典。鑒于上面所述，描述的稀疏編碼和字典學習方式可作為開發和/或更新采用的負字典的一部分，與本方式一起使用。
鑒于前述，本方式的某些實現在mbir上下文（例如在低劑量ct圖像重構上下文中）中利用基于負字典的算法，以從重構的圖像中降低或去除不合需要的特征。這與其中此類區域只給定零權重的常規方式形成對比。例如，圖5描繪用于以前技術的簡化過程流程，通過以前技術，不主動抑制或去除“差”圖像分塊。在此示例中，基于一個或更多個參考圖像，或者從由當前檢查導出的樣本圖像112，定義字典70（框110）。在此示例中，為了簡潔，字典70可被視為具有要強調的圖像分塊（即，“良好”圖像分塊）和在重構中要鈍化或不以其它方式主動強調的圖像分塊（即，“差”圖像分塊）。
在常規方式中，在投影數據118的重構（框116）期間，使用字典70。具體而言，在重構過程中主動增強（框120）（例如，給定正加權）對應于良好圖像分塊的區域，而在重構過程中對應于差圖像分塊的區域是不活躍的（框122）（即，給定零權重或系數）。基于在重構過程中采用的此差分加權，生成重構的圖像124。
如本文中所述并且在圖6的過程流程圖中高級所示的本方式涵蓋除期望的結構圖像特征的正（即，“良好”）字典142（即，dgood）（實際上，負和正字典均可組合為單個字典）外的負（即，“差”）字典140（即，dbad）和在負字典中發現的那些原子的主動抑制的構建和使用。例如，如所示，基于一個或更多個參考圖像，或者從由當前檢查導出的樣本圖像112，可定義負字典140和正字典142（框110）。
在下面更詳細描述的本方式中，在投影數據118的重構（框116）期間使用正字典142和負字典140兩者。在重構過程中主動增強（框120）（例如，給定正加權）對應于在正字典142中發現的良好圖像分塊的區域。相反，并且不象上述常規方式，在重構過程中主動抑制（例如，給定負權重和/或以其它方式處理以去除或減去特征）對應于在負字典140中發現的差圖像分塊的區域（框144）。基于在重構過程期間負特征的此主動抑制和正特征的主動增強，生成重構的圖像124。這些方式也涉及通常在圖像重構或圖像處理中使用的成本函數或迭代算法的上下文中負字典140和正字典142的使用。
關于負字典140，可表示多種有害或不合需要的圖像特征或圖案。可表示的圖像特征的示例包含但不限于與以下所述關聯的圖像或圖像分量：偽影或條紋圖案；噪聲圖案；脈沖（即，隔離的高或低值）；環狀偽影；模糊邊界及其它二維、三維、二維（在不同方向上）或四維圖像圖案。
負字典140可使用多種方法構建。例如，在可視為圖像處理實現的一個實現中，通過圖像處理技術（例如經由可操縱濾波）和機器學習，從現有含噪圖像提取偽影和噪聲。作為示例，在一個實現中，將給定含噪圖像分解為多個分量圖像，其中分量對應于特定種類的偽影（例如，條紋、陰影等等）或噪聲。以此方式生成的分量圖像能夠很好地用來學習dbad140。
在可視為基于模擬的方法的另外實現中，可基于ct模擬為各種幾何和掃描協議模擬不同紋理的噪聲和不同類型的條紋。隨后，能夠從得到的模擬的含噪圖像中生成負字典dbad140。
在可視為噪聲插入方法的另一實現中，能夠將現實噪聲或條紋添加到測量或圖像的現有高質量數據（但則應執行某一形式的重構如果這是在測量上進行的話）。隨后，可從原始圖像中減去噪聲插入圖像，并且得到的差別圖像用來學習dbad140。
雖然上面孤立地描述了學習負字典的這些可能方式，但應領會，這些方式可組合以提供用于學習dbad140的混合或組合方式。
關于正（即，“良好”）字典dgood142，可直接從現有高質量圖像學習此字典，或者通過使用從其中先減去偽影和/或噪聲分量并且得到的差別圖像用來學習dgood142的圖像來學習此字典。以正字典的原子構成在最終重構的圖像124中通常預期（并且因此，在重構迭代期間強調或強化）的圖像結構或特征的理解，其它常規字典學習也可用來生成正字典142。
如上討論的一樣，本方法合并作為迭代重構項的一部分的負字典140學習。作為示例，通過執行自組織更新步驟(其引導迭代圖像重構遠離（即，主動抑制或負加權）在負字典140中表示的對于其在重構的圖像中觀察到類似性的圖案)，能夠實現從負字典140的學習。在此種實現中，字典學習更新能夠與重構步驟同時執行，與重構步驟交替執行，或者在重構后作為后處理步驟執行。
作為示例，合并負字典的一個此種自組織更新步驟可表征為：
后面是：
其中：
以及：
其中，c1和c2對應于用于不同方向的成本函數，wi是統計權重，指數i是正弦圖指數，pi是測量的投影數據，lij是系統模型（例如，投影機-背投影機）系數，指數j是體素指數，指數p是圖像分塊指數，
在不同實現中，負字典140能夠用作在迭代重構過程中數據擬合項的一部分。在此種實現中，可使用負字典140將重構的圖像分成偽影項和圖像項。也就是說，負字典140能夠用作迭代重構目標函數的數據擬合方面的一部分，以識別可能是偽影或其它不合需要信號的圖像的那些方面，其能夠被分為與良好數據信號隨后不擬合的偽影分量。
作為示例，在數據擬合項中合并良好和差字典的懲罰加權最小二乘成本函數可表征為：
其中，
在另外實現中，負字典140可用作在圖像重構優化中使用的成本函數中的項。在此種方式中，基于負字典140的項可相對于傳統的以前項的符合具有相反的符號（例如，負(-)符號），其中，表示的圖像特征在重構期間是預期的并且得以強化。以這種方式，在圖像重構過程中可不再強調或減少在負字典140中表示的特征。
作為示例，合并具有用于差字典成本的相反符號的項的懲罰加權最小二乘成本函數可表征為：
其中，c1被最小化以確定α和β，并且c2被最小化以更新圖像估計μ。
備選地，成本函數實現的另一示例通過下式示出：
其中，在第一步驟中，μ、α和β被更新以便最小化成本函數c。在隨后步驟中，基于差字典類似性來更新μ。例如，可更新μ，使得：
此處，項
鑒于前述，并且轉到圖7-9，提供用來從圖像中去除噪聲和偽影的負字典學習方式的示例。在此示例中，圖7描繪使用已知大小、成分和放置的圓形體模162生成的初始圖像160。在其它因素不存在的情況下，體模生成具有已知屬性供在隨后操作中使用的干凈初始圖像。
轉到圖8，在此研究中，添加噪聲和模糊到初始圖像160以生成含噪圖像166。具體而言，如含噪圖像166中所示，處理初始圖像160以添加高斯模糊（基于圍繞3像素鄰域）、模擬的像素噪聲和水平與垂直條紋168。
隨后使用合并負字典140和在包含對應于垂直和水平條紋偽影168的圖像分塊的負字典140中發現的圖像分塊的主動抑制（例如，負加權）的迭代去模糊方式，處理含噪圖像166。如圖9所示，得到的處理的圖像170不再具有已基于在負字典140中定義的圖像分塊而被主動抑制（即，去除）的條紋偽影168。因此，使用本方式的偽影去除和/或抑制導致了圖像改進，包含但不限于偽影去除和/或抑制。
本發明的技術效果包含在諸如迭代圖像重構過程的圖像重構過程期間對要避免或不再強調的圖像圖案的數據庫（即，字典）的使用。此種字典可表征為負或“差”字典。負字典可用來約束圖像重構過程，以避免或最小化在負字典中存在的圖案的存在。技術效果還包含圖像質量的改進（引起改進的診斷值）和/或輻射劑量降低。
本書面描述使用包含最佳模式的示例來公開本發明，并且，還使本領域的技術人員能夠實施本發明，包含制作并使用任何裝置或系統和執行任何合并的方法。本發明的可取得的專利范圍由權利要求書定義，并且，可包含本領域的技術人員想到的其他示例。如果這類其他示例具有沒有不同于權利要求的文字語言的結構元件，或者如果它們包括具有與權利要求的文字語言的無實質差異的等效結構元件，則它們意圖處于權利要求書的范圍之內。