DE102006032664A1

DE102006032664A1 - Verfahren und Vorrichtung zur Erzeugung eines Mehrfachauflösungsrahmens zur Verbesserung eines medizinischen Bildgebungsablaufs

Info

Publication number: DE102006032664A1
Application number: DE102006032664A
Authority: DE
Inventors: Saad Ahmet Pewaukee Sirohey; Gopal B. New Berlin Avinash
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2005-07-13
Filing date: 2006-07-13
Publication date: 2007-01-25
Also published as: US20070014480A1; US7489825B2; JP5014694B2; CN102984511A; CN1979509A; JP2007021212A

Abstract

Ein Verfahren und eine Vorrichtung zur Handhabung von Daten weist eine Dekomposition (278) von Daten in mehrere Auflösungsstufen (150) unter Verwendung einer Integer-Wavelet-Dekomposition auf. Ein Transformationsmodul (18) kann dazu verwendet werden, Vorwärts- und Rücktransformationen an mehrdimensionalen Daten unter Verwendung von Integer-Wavelet-Transformationen vorzunehmen. Es wird ein Datenstrom (260) zusammengestellt, der mehrere Auflösungsstufen (150) in einer vorbestimmten Reihenfolge aufweist. Wenigstens eine Auflösungsstufe der mehreren Auflösungsstufen, die einer Workflow-Anwendung zugeordnet sind, wird durch einen Prozessor (12) abgerufen, und die Workflow-Anwendung wird an der wenigstens einen Auflösungsstufe ausgeführt.

Description

HINTERGRUND ZU DER ERFINDUNG
Die vorliegende Erfindung betrifft allgemein den Empfang, die Handhabung und Speicherung von Bilddatenmengen und insbesondere die Speicherung von Bilddatenmengen in einem verlustlosen Format, das für Anwendungen ohne weiteres verwendbar ist.

Mit der Verbesserung medizinischer Bildgebungstechnologie steigt auch die Menge akquirierter Patientendaten. Gegenwärtig werden komplette Datensätze, die Volumina repräsentieren, abgespeichert und übertragen. Die vollständigen Datensätze können alternativ komprimiert oder dezimiert sein, um Speicherplatz einzusparen und die Geschwindigkeit bei der Übermittlung der Daten zu erhöhen, wobei jedoch ein Teil der ursprünglichen Information in dem Komprimierungsprozess verloren geht. Ferner steigt auch mit größerer Menge der Bilddaten die zum Zugriff auf die Daten, zu deren Verarbeitung und Anzeige erforderliche Zeitdauer.

Beispielsweise liest eine erste Anwendung einen kompletten Datensatz aus, dezimiert die Daten auf eine gewünschte Stufe und verarbeitet anschließend die Daten. Dieser Prozess wird durch jede nachfolgende Anwendung, die auf den Datensatz zugreift, wiederholt. Somit wird jedes Mal, wenn neue Ansichten erwünscht sind, der Prozess der Dezimierung der Daten wiederholt. Ferner können Daten auf einer Stufe verarbeitet werden, die die Anzeige nicht unterstützen kann, was einen Zeitverlust und eine Verschwendung der Verarbeitungsleistung darstellt.

Außerdem wird bei einer Datenübermittlung, beispielsweise von einem Akquisitionssystem zu einer entfernt befindlichen Ansichts- und Verarbeitungsstation, der gesamte Datensatz übertragen. Dies ist zeitaufwendig und erfordert eine große Menge an Bandbreite und Speicherplatz an der Verarbeitungsstation.

Deshalb existiert ein Bedarf nach einer effizienteren Weise, in der Datenmengen abgespeichert und gehandhabt werden können. Bestimmte Ausführungsformen der vorliegenden Erfindung sind dazu vorgesehen, diesen Bedarf zu decken und weitere Aufgaben zu lösen, die sich aus der Beschreibung und den Zeichnungen erschließen, wie sie nachstehend dargelegt sind.

KURZBESCHREIBUNG DER ERFINDUNG

In einer Ausführungsform weist ein Verfahren zur Handhabung von Daten eine Dekomposition von Daten in mehrere Auflösungsstufen unter Verwendung einer Integer-Wavelet-Dekomposition auf. Es wird ein Datenstrom kompiliert bzw. erstellt, der die mehreren Auflösungsstufen in einer vorbestimmten Reihenfolge aufweist. Es wird auf wenigstens eine Auflösungsstufe der mehreren Auflösungsstufen, die einer Arbeitsablaufanwendung (Workflow-Anwendung) zugeordnet sind, zugegriffen, wobei die Arbeitsablaufanwendung auf der wenigstens einen Auflösungsstufe durchgeführt wird.

In einer weiteren Ausführungsform weist ein System zur Handhabung von Bilddaten ein Transformationsmodul zur Durchführung von Vorwärts- und Rücktransformationen an mehrdimensionalen Daten unter Verwendung ganzzahliger bzw. Integer-Wavelet-Transformationen auf. Die Vorwärtstransformation erzeugt mehrere Auflösungsstufen. Ein Prozessor stellt einen Datenstrom zusammen, der mehrere Auflösungsstufen in einer vorbestimmten Reihenfolge aufweist, und ein Speicher speichert den Datenstrom ab. Der Prozessor ruft wenigstens eine Auflösungsstufe aus den mehreren Auflösungsstufen basierend auf einer Arbeitsablaufanwendung ab.

In einer weiteren Ausführungsform weist ein Verfahren zur Bildung eines Mehrfachauflösungs-Datenrahmens bzw. Frameworks eine Dekomposition von Daten in mehrere Auflösungsstufen unter Verwendung einer ganzzahligen bzw. Integer-Wavelet-Dekomposition auf. Die Daten weisen wenigstens drei Dimensionen auf, und jede der Auflösungsstufen weist Datenblöcke auf, die eine Datenmenge bzw. ein Datenvolumen repräsentieren. Es wird ein Datenstrom erstellt, der die Datenblöcke aufweist, die in einer Reihenfolge basierend auf der Auflösungsstufe angeordnet sind. Auf einen ersten Satz von Datenblöcken in dem Datenstrom wird bei einer vorbestimmten Auflösungsstufe zugegriffen, die einer Arbeitsablaufanwendung zugeordnet ist. Die Arbeitsablaufanwendung wird an dem ersten Satz Datenblöcke durchgeführt.

KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 veranschaulicht ein Blockschaltbild eines Computer- bzw. Rechnersystems gemäß einer Ausführungsform der vorliegenden Erfindung.
2 veranschaulicht ein Blockschaltbild eines CT-Bildgebungssystems gemäß einer Ausführungsform der vorliegenden Erfindung.
3 veranschaulicht ein Datenvolumen, das gemäß einer Ausführungsform der vorliegenden Erfindung gebildet ist.
4 veranschaulicht einen Vorwärtstransformationsprozess unter Verwendung einer Integer-Wavelet-Dekomposition gemäß einer Ausführungsform der vorliegenden Erfindung.
5 veranschaulicht einen Rücktransformationsprozess gemäß einer Ausführungsform der vorliegenden Erfindung.
6 veranschaulicht die Neuorganisation von Daten für eine mehrstufige Dekomposition eines dreidimensionalen volumetrischen Datensatzes unter Verwendung der IWMR (Integer-Wavelet-Mehrfachauflösung) gemäß einer Ausführungsform der vorliegenden Erfindung.
7 veranschaulicht einen Datenstrom, der drei Mehrfachauflösungsstufen gemäß einer Ausführungsform der vorliegenden Erfindung aufweist.
8 veranschaulicht ein Flussdiagramm eines Verfahrens, das die Integer-Wavelet-Dekomposition verwendet, gemäß einer Ausführungsform der vorliegenden Erfindung.
9 veranschaulicht eine Matrix von Arbeitsablauf- bzw. Workflow-Anwendungen, die von der Verwendung von Daten profitieren, die unter Verwendung des IWMR-Rahmens gemäß einer Ausführungsform der vorliegenden Erfindung verarbeitet und gespeichert werden.
10 veranschaulicht einen CAD-Prozess gemäß einer Ausführungsform der vorliegenden Erfindung.
11 veranschaulicht ein Flussdiagramm eines Segmentierungsprozesses für Daten gemäß einer Ausführungsform der vorliegenden Erfindung.
12 veranschaulicht einen Merkmalsextraktionsprozess gemäß einer Ausführungsform der vorliegenden Erfindung.
13 veranschaulicht einen im Vorfeld trainierten bzw. geschulten Klassifizierungsalgorithmus, der während des Merkmalklassifizierungsprozesses entsprechend einer Ausführungsform der vorliegenden Erfindung verwendet werden kann.
Die vorstehende Kurzbeschreibung sowie die folgende detaillierte Beschreibung bestimmter Ausführungsformen der vorliegenden Erfindung werden besser verständlich, wenn sie in Verbindung mit den beigefügten Zeichnungen gelesen werden. Es sollte verständlich sein, dass die vorliegende Erfindung nicht auf die in den beigefügten Zeichnungen veranschaulichten Anordnungen und Mittel beschränkt ist.
DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
1 veranschaulicht ein Blockschaltbild eines Computer- bzw. Rechnersystems 10 gemäß einer Ausführungsform der vorliegenden Erfindung. Nur um ein Beispiel anzugeben, kann das Computersystem 10 ein PACS oder eine sonstige Verarbeitungsstation darstellen. Das Computersystem 10 weist Komponenten, beispielsweise einen Computer oder Rechner 12, auf, der mit einem Speicher 14 und einer Anzeige 16 verbunden ist. Der Computer 12 kommuniziert über eine Eingabe/Ausgabe-Schnittstelle 20, um Informationen und Daten mit anderen Computern, Verarbeitungsstationen und Datenakquisitionssystemen, beispielsweise medizinischen Diagnosesystemen, zu teilen bzw. auszutauschen. Die Schnittstelle 20 kann beispielsweise mit einem LAN, WAN oder dem Internet verbunden sein. Ein Transformationsmodul 18 kann mit dem Computer 12 integral ausgebildet oder verbunden sein. Das Transformationsmodul 18 führt Integer-Wavelet-Vorwärts- und/oder -Rück-Transformationen an Datensätzen durch, um Datensätze mit mehrfachen Auflösungen zu erzeugen. Die Mehrfachauflösungs-Datensätze werden in der nachstehend beschriebenen Weise geordnet und in einem Datenstrom gespeichert, wodurch sie einen Integer-Wavelet-Mehrfachauflösungs-Rahmen (IWMR-Framework, Integer Wavelet Multi-Resolution Framework) bilden, der in dem Speicher 14 gespeichert werden kann. Eine gewünschte Stufe der Mehrfachauflösungs-Datensätze kann durch den Computer 12 abgerufen und verarbeitet und anschließend auf der Anzeige 16 ausgegeben werden.
2 veranschaulicht ein Blockschaltbild eines CT-Bildgebungssystems 50 gemäß einer Ausführungsform der vorliegenden Erfindung. Es sollte verständlich sein, dass das CT-Bildgebungssystem 50 nur als ein Beispiel angegeben ist und dass andere Datenakquisitionssysteme, wie beispielsweise MR-Bildgebungs-, Ultraschall- und Nuklearmedizinsysteme, ebenso verwendet werden können. Das Steuerungsteilsystem des CT-Bildgebungssystems 50 weist einer Gantry zugeordnete Steuermodule 52 auf, zu denen gehören: eine Röntgensteuerungseinrichtung 54, die Leistungs- und Zeitsteuerungssignale für eine Röntgenquelle 56 liefert, und eine Gantrymotorsteuerungseinrichtung 58, die die Drehzahl und Stellung der Gantry 60 steuert. Ein Datenakquisitionsmodul 62 empfängt Projektionsdaten von einem Detektorarray 64 und wandelt die Daten in eine digitale Form zur späteren Computerverarbeitung um. Ein Dekompositionsmodul 66 kann die Daten von dem Datenakquisitionsmodul 62 oder dem Computer 68 entgegennehmen und eine ganzzahlige bzw. Integer-Wavelet-Transformation verwenden, um die Daten in Mehrfachauflösungs-Datensätze zu dekomponieren, wie dies nachstehend weiter beschrieben ist. Die Röntgensteuerungseinrichtung 54, die Gantrymotorsteuerungseinrichtung 58, das Datenakquisitionsmodul 62 und das Dekompositionsmodul 66 sind mit dem Computer 68 verbunden. Es sollte verständlich sein, dass die Funktionalität des Dekompositionsmoduls 66 mit dem Computer 68 bewerkstelligt werden kann.
Der Computer 68 bestimmt auch den Betrieb einer Tischmotorsteuerung 70, die einen Motor ansteuert, der einen Patiententisch 72 entlang der z-Achse 74 bewegt. Der Computer 68 kann mit einer Bildrekonstruktionseinrichtung 76 verbunden sein, die eine Hochgeschwindigkeits-Bildrekonstruktion gemäß aus dem Stand der Technik allgemein bekannten Verfahren durchführt.
Der Computer 68 empfängt Befehle und Scannparameter über eine Bedienerkonsole 78, die im Allgemeinen durch eine Bildschirmanzeige und eine Tastatur gebildet ist, die einem Bediener ermöglicht, Parameter für den CT-Scann einzugeben und das rekonstruierte Bild anzuzeigen. Eine Massenspeichervorrichtung 80 stellt eine Einrichtung zur Speicherung von Betriebsprogrammen bereit.
Während einer Datenakquisition kann das CT-Bildgebungssystem 50 wie ein herkömmliches Konusstrahlsystem zur Erfassung von Daten dienen. In einem Schritt-und-Aufnahme-Akquisitionsverfahren wird der Tisch ortsfest gehalten, während die Röntgenquelle 56 und das Detektorarray 64 eine vollständige Umdrehung um die Gantry 60 herum um die z-Achse 74, die innerhalb eines Patienten 84 angeordnet ist, vollführen. Bei jeder Position von mehreren Winkelpositionen werden die Abschwächungsdaten von Detektoren 82, die das Detektorarray 64 aufweisen, durch das Datenakquisitionsmodul 62 empfangen. Bei einer Vollendung einer ganzen Umdrehung befiehlt der Computer 68 der Tischmotorsteuerung 70, den Tisch 72 zu einer weiteren Position entlang der z-Achse 74 zu befördern oder vorzurücken, und es wird ein weiterer Drehscann des Patienten 84 ausgeführt. Dieser Prozess wird wiederholt, bis der gewünschte Abschnitt des Patienten 84 vollständig gescannt worden ist. Alternativ kann das CT-Bildgebungssystem 50 Daten in einem Spiralakquisitionsmodus akquirieren, in dem die Tischmotorsteuerung 70 den Tisch 72 vorwärts schiebt, während die Röntgenquelle 56 und das Detektorarray 64 gedreht und Scanndaten akquiriert werden. In dem Spiralakquisitionsmodus werden die Scanndaten mittels einer Schleifringtechnologie übertragen. Das Dekompositionsmodul 66 dekomponiert die dreidimensionalen Scann daten in mehrere Auflösungsstufen unter Verwendung der Integer-Wavelet-Dekomposition.
3 veranschaulicht ein Volumen 100 von Daten, die gemäß einer beispielhaften Ausführungsform der vorliegenden Erfindung gebildet werden. Das Volumen 100 dient lediglich repräsentativen Zwecken. Es sollte verständlich sein, dass die Daten, beispielsweise Bilddaten, in Form einer Folge von Werten gespeichert sein können, die Voxel in Datenblöcken repräsentieren. Das Volumen 100 ist logisch in acht Teilsätze von Daten unterteilt, die durch die Buchstaben a-h angezeigt sind. Wenn das Volumen 100 Bilddaten aufweist, repräsentiert jeder Datenteilsatz a – h einen Teil eines interessierenden Objektes, beispielsweise einen Abschnitt des Patienten 84.
Die ganzzahlige bzw. Integer-Wavelet-Dekomposition umfasst einen dyadischen Filterungs- und Unterabtastungsprozess, der einen hierarchischen Satz von Teilbändern erzeugt. Eine Einzelstufendekomposition ergibt ein einzelnes Niederfrequenzteilband gemeinsam mit drei Hochfrequenzteilbändern. Gewöhnlich sind Wavelettransformation reale Filter (im Floating Point Format), so dass die Ergebnisse ebenfalls reale Werte sind. Bis vor kurzem ergab lediglich die S-Transformation (ein modifiziertes Haar-Wavelet) eine Integer basierte Transformation und Rekonstruktion. Wie aus der Art der Transformation offensichtlich, ist es sehr schwierig, mit Floating-Point-Operationen eine Genauigkeit aufrechtzuerhalten. Kürzlich wurde von Calderbank et al. eine als „Lifting" bezeichnete Methode vorgeschlagen, die auf eine beliebige Wavelet-Transformation angewandt werden kann, um sie zu einer Integer basierten Transformation mit voller Umkehrbarkeit zu machen.
Eine einstufige Wavelet-Vorwärtstransformation in einer einzigen Dimension basiert auf den folgenden Gleichungen: L(n) = ⌊(C(2n) + C(2n + 1))/2⌋, für n ∊ [0, N/2 – 1];und H(n) = C(2n) – C(2n + 1),wobei C (i) für i ∊ [0, N – 1] das Eingangsdatum kennzeichnet, L und H die dekomponierten Nieder- und Hochfrequenzkomponenten darstellen und C das Eingangsdatum ist. Die „⌊...⌋"-Operation erzeugt die größte ganze Zahl (Integer-Zahl), die kleiner ist als die Operanden, wobei „N" die Größe bzw. den Umfang der Eingangsdaten darstellt. Die Umkehrung zu der einstufigen Wavelet-Vorwärtstransformation ist die einstufige inverse Wavelet-Transformation oder Wavelet-Rücktransformation, die durch die folgenden Gleichungen beschrieben ist: C(2n) = L(n) + ⌊(H(n) + 1)/2⌋;und C(2n + 1) = C(2n) – H(n).
In den obigen Gleichungen wird implizit angenommen, dass die Datengröße „n" gerade ist. Obwohl diese Annahme für eine theoretische Analyse und Beschreibung gültig ist, genügt sie nicht den unzähligen Datensätzen, die in der Realität auftreten. Deshalb wird eine Berücksichtigung der ungeraden und geraden Größen der Eingangsdaten gemeinsam mit einer Erweiterung der eindimensionalen Transformation zu einer zweidimensionalen Transformation (2D-Transformation) angegangen.
Die vorstehend beschriebenen Gleichungen für die Wavelet-Vorwärts- und -Rücktransformationen gelten für eine eindimensionale einstufige Transformation. Eine Rekursion einer einstufigen Wavelet-Transformation wird an der „LL"-Komponente auf jeder Stufe durchgeführt. Die Anzahl von Stufen für die Transformation ist durch Festlegung der Zeilen- und/oder Spaltengröße der geringsten Auflösung bestimmt. Dieser Stufenwert ist durch die Schritte bestimmt, die erforderlich sind, um das Maximum der Zeilen- oder Spaltengröße des ursprünglichen Bildes auf die gewünschte kleinste Auflösungsgröße zu dekomponieren. Falls „n" diese Stufenvariable darstellt, wird die folgende Gleichung verwendet: n = log2(max(Zeilen, Spalten) – log2(dGröße)wobei „n" die Anzahl von Dekompositionsstufen darstellt, Zeilen und Spalten die ursprünglichen Bilddimensionen darstellen, log₂ den Logarithmus zur Basis 2 und d_Größe die konfigurierbare Größe des Bildes mit der geringsten Auflösung darstellt.
Es wird eine spezielle Handhabung der ungeraden Zeilen oder Spalten bei jeder Stufe vorgenommen. Die ungerade Zeile oder die ungerade Spalte wird mit dem Ziel, zu erzwingen, dass sie gerade ist, repliziert, so dass der Algorithmus für die Wavelet-Transformation eine nahtlose Einheit bildet. Diese Addition kommt noch zu der Größe des Bildspeichers hinzu, wobei jedoch die Additionen vernachlässigbar sind, wenn eine Komprimierung durchgeführt wird, weil die Hochfrequenzteilbänder in diesen Zeilen oder Spalten überall Nullen aufweisen werden.
Die 2D-Vorwärtstransformation ist durch die folgenden Gleichungen geregelt: ll = ⌊(⌊(a + b)/2)⌋ + ⌊(c + d)/2⌋)/2⌋; hl = ⌊((a – b) + (c – d))/2⌋; lh = ⌊(a + b)/2⌋ – ⌊(c + d)/2⌋;und hh = (a – b) – (c – d).
Der inverse Transformationsprozess funktioniert, indem das „LL"-Band mit der geringsten Auflösung genommen und dieses mit seinem zugehörigen „HL"-, „LH" und „HH"-Band kombiniert wird, um die nächste höhere Auflösung zu erzeugen. Dieser Prozess wird wiederholt, bis entweder die volle Auflösung des Bildes erreicht oder eine vorgegebene Auflösungsstufe erzielt ist.
Die 2D-Rücktransformation ist durch den folgenden Satz von Gleichungen geregelt: a = ll + ⌊(hl + 1)/2⌋ + ⌊(lh + ⌊(hh + 1)/2⌋) + 1)/2⌋; b = ll + ⌊(hl + 1)/2⌋ + ⌊((lh + ⌊(hh + 1)/2⌋) + 1)/2⌋ – (lh + (hh + 1)/2⌋); c = ll + ⌊(hl + 1)/2⌋ – hl + ⌊(lh + ⌊(hh + 1)/2⌋ – hh + 1)/2⌋;und d = (ll + ⌊(hl + 1)/2⌋ – hl + ⌊(lh + ⌊(hh + 1)/2⌋ – hh + 1)/2⌋) – ((lh + ⌊(hh + 1)/2⌋) – hh).
Die Rücktransformation ist in Bezug auf eine Einzelstufenrekonstruktion modular, wodurch Benutzern ermöglicht wird, eine gewünschte Stufe von der geringsten Auflösung bis zu der vollen Auflösung für eine Rekonstruktion zu spezifizieren.
4 veranschaulicht einen dreidimensionalen (3D) Vorwärtstransformationsprozess unter Verwendung einer Integer-Wavelet-Dekomposition gemäß einer Ausführungsform der vorliegenden Erfindung. Die Transformation kann in einer beliebigen Reihenfolge durchgeführt werden, solange die Vorwärts- und die Rücktransformation in der umgekehrten Reihenfolge in Bezug aufeinander durchgeführt werden. Beispielsweise führt das Transformationsmodul 18 oder das Dekompositionsmodul 66 den Vorwärts-Transformationsprozess an dem Volumen 100 in 3 in der Z-, X- und anschließend der Y-Dimension unter Verwendung eines Integer-Wavelet-Transformationsprozesses durch, was eine Transformation 102 erster Stufe (3) ergibt. Die Eingangsdaten 104 sind für acht Teilsätze von Daten a – h des Volumens 100 kennzeichnend. Die dreidimensionale Transformation in der Z-Dimension, die an den Eingangsdaten 104 angewandt wird und Zwischenergebnisse 106 liefert, kann durch die folgenden Gleichungen bewerkstelligt werden: L1 = ⌊(a + e)/2)⌋; H1 = a – e; L3 = ⌊(c + g)/2)⌋; H3 = c – g; L2 = ⌊(b + f)/2)⌋; H2 = b – f; L4 = ⌊(d + h)/2)⌋;und H4 = d – h.
Die 3D-Transformation in der X-Dimension, die an den Zwischenergebnissen 106 angewandt wird und zu Zwischener gebnissen 108 führt kann durch die folgenden Gleichungen bewerkstelligt werden: LLU = ⌊(L1 + L2)/2)⌋; HLU = L1 – L2; LLL = ⌊(L3 + L4)/2)⌋; HLL = L3 – L4 LHU = ⌊(H1 + H2)/2)⌋; HHU = H1 – H2; LHL = ⌊(H3 + H4)/2)⌋;und HHL = H3 – H4.
Die 3D-Transformation in der Y-Dimension, die auf die Zwischenergebnisse 108 angewandt wird und zu Zwischenergebnissen 110 führt, kann durch die folgenden Gleichungen bewerkstelligt werden: LLL = ⌊(LLU + LLL)/2)⌋; HLL = LLU – LLL; LHL = ⌊(HLU + HLL)/2)⌋; HHL = HLU – HLL; LLH = ⌊(LHU + LHL)/2)⌋; HLH = LHU – LHL; LHH = ⌊(HHU + HHL)/2)⌋;und HHH = HHU – HHL.
Die Zwischenergebnisse 110 repräsentieren eine erste Stufe der Dekomposition (1, 1, 1), die bildhaft als die Erststufentransformation 102 (3) veranschaulicht ist. Die Vorwärtstransformation nach 4 kann für weitere Dekompositionsstufen wiederholt werden, wodurch der Integer-Wavelet-Mehrfachauflösungs-Rahmen (IWMR-Rahmen, IWMR- Framework) erleichtert wird. Beispielsweise kann der LLL-Block wie bei dem Volumen nach 3 logisch in a – h unterteilt werden. Das Dekompositionsmodul 66 nimmt die Vorwärtstransformation an dem Volumen LLL in der Z-, X- und Y-Dimension unter Verwendung des Integer-Wavelet-Vorwärtstransformationsprozesses vor, was zu einer zweiten Stufe der Dekomposition (2, 2, 2) führt.
5 veranschaulicht einen 3D-Rücktransformationsprozess gemäß einer Ausführungsform der vorliegenden Erfindung. Die Transformation erfolgt in der umgekehrten Reihenfolge in Bezug auf die Vorwärtstransformation. Das Dekompositionsmodul 66 führt die inverse Transformation in der umgekehrten Reihenfolge in Bezug auf die Vorwärtstransformation, beginnend mit den Zwischenergebnissen 110 nach 4 in der Y-Dimension und anschließend in den X- und Z-Dimensionen durch. Die 3D-Transformation in der Y-Dimension, die auf die Zwischenergebnisse 110 angewandt wird und zu Zwischenergebnissen 112 führt, kann durch die folgenden Gleichungen bewerkstelligt werden: LLU = LLL + ⌊(HLL + 1)/2)⌋; LLL = LLU – HLL; HLU = LHL + ⌊(HHL + 1)/2)⌋; HLL = HLU – HHL; LHU = LLH + ⌊(HLH + 1)/2)⌋; LHL = LHU – HLH; HHU = LHH + ⌊(HHH + 1)/2)⌋;und HHL = HHU – HHH.
Die 3D-Rücktransformation in der X-Dimension, die auf die Zwischenergebnisse 112 angewandt wird und zu Zwischen ergebnissen 114 führt, kann durch die folgenden Gleichungen bewerkstelligt werden: L1 = LLU + ⌊(HLU + 1)/2)⌋; L2 = L1 – HLU; L3 = LLL + ⌊(HLL + 1)/2)⌋; L4 = L3 – HLL; H1 = LHU + ⌊(HHU + 1)/2)⌋; H2 = H1 – HHU; H3 = LHL + ⌊(HHL + 1)/2)⌋;und H4 = H3 – HHL.
Die 3D-Rücktransformation in der Z-Dimension, die auf die Zwischenergebnisse 114 angewandt und zu Zwischenergebnissen 116 führt, die den Eingangsdaten 104 nach 4 entsprechen, kann durch die folgenden Gleichungen bewerkstelligt werden: a = L1 + ⌊(H1 + 1)/2)⌋; e = a – H1; c = L3 + ⌊(H3 + 1)/2)⌋; g = c – H3; b = L2 + ⌊(H2 + 1)/2)⌋; f = b – H2; d = L4 + ⌊(H4 + 1)/2)⌋;und h = d – H4.
6 veranschaulicht die Neuorganisation von Daten für eine mehrstufige Dekomposition eines volumetrischen 3D-Datensatzes unter Verwendung der IWMR gemäß einer Ausführungsform der vorliegenden Erfindung. Es sind mehrere Auflösungsstufen 150 veranschaulicht. Lediglich zu Beispiels zwecken kann das Volumen 100 in einer Mehrfachauflösungsstruktur oder einem Mehrfachauflösungsrahmen (Multi-Resolution Framework) organisiert sein, die bzw. der drei Dekompositionsstufen aufweist, wobei die Größe der kleinsten Niederfrequenzkomponente
beträgt, wobei x, y und z die ursprüngliche Größe der Daten und n, m und k die Stufen der dyadischen Dekompositionen in jeder Dimension darstellen. In diesem Beispiel gilt n = m = k = 3, was bedeutet, dass der volumetrische Datensatz in allen Dimensionen zu der gleichen Anzahl von Stufen dekomponiert worden ist.
In diesem Beispiel ist das Volumen 100 unter Verwendung der Gleichungen nach 4 dekomponiert worden, um die erste Dekompositionsstufe (1, 1, 1) zu bilden. In ähnlicher Weise ist die Untermenge LLL (1, 1, 1) dekomponiert worden, um eine zweite Dekompositionsstufe (2, 2, 2) zu bilden, wobei anschließend die Untermenge LLL (2, 2, 2) dekomponiert worden ist, was die dritte Dekompositionsstufe (3, 3, 3) ergibt. Aus Übersichtlichkeitsgründen sind nicht alle der Untermengen oder Teilsätze in 6 veranschaulicht.
Der Mehrfachauflösungsrahmen nach 6 hat den technischen Effekt, dass er eine Lösung für das Problem der Handhabung sehr großer Datenmengen bietet und die vollständige Reversibilität des Integer-Wavelets als den grundlegenden Baublock verwendet. Die dimensionsmäßige Trennbarkeit und modulare Natur der Integer-Wavelet-Transformation ermöglicht die Erweiterung des Rahmens bzw. Frameworks auf eine beliebige Anzahl von Dimensionen. Ferner ermöglicht der Rahmen die Neuordnung beliebiger mehrdimensionaler Daten zu einem Mehrfachauflösungsrahmen bzw. -framework.
In dem folgenden Beispiel wird ein gewöhnlicher Satz von Dimensionen einer CT-Untersuchung verwendet, wobei x = 512, y = 512 und z = 2048 (wobei 2048 zur Vereinfachung der dyadischen Berechnungen verwendet wird). Wenn ein volumetrisches Rendering des gesamten Volumens eine der Aufgaben einer Anwendung bildet, dann bräuchte das RAM bei einem zwei mal 16 Bit großen Wert 512·512·2048·2 = 1 GB. Gewöhnlich ist es aus Gründen der Effizienz und Geschwindigkeit (sowie des verfügbaren visuellen Raums auf der Anzeigevorrichtung) nicht möglich, das gesamte Volumen anzuzeigen. Deshalb werden Prozesse, wie die Dezimierung, dazu verwendet, die Daten zu reduzieren und anschließend ein reduziertes Bild des gesamten Volumens anzuzeigen. Alternativ, wenn die Daten bereits in einer reduzierten Form, beispielsweise einer 2-Stufen-Komposition, vorliegen, bräuchten die Daten zur Visualisierung lediglich 512/4·512/4·2048/4·2 = 128·128·512·2 = 16 MB. Dies stellt effektiv eine Reduktion von zwei Größenordnungen im Vergleich zu dem ursprünglichen 1 GB an Daten dar. Es sollte verständlich sein, dass die Daten nur neu geordnet sind und dass aufgrund der vollständigen Umkehrbarkeit der Integer-Wavelet-Transformation die vollständigen 512 × 512 × 2048 CT-Untersuchungsdaten stets zur Verfügung stehen.
Außerdem kann in der vorstehend beschriebenen Weise ein anisotropisches Datenvolumen transformiert und/oder dekomponiert werden. Im Allgemeinen können höher abgetastete Dimensionen dekomponiert werden, bis ein Anisotropieverhältnis für die niedriger abgetasteten Dimensionen einen Wert von weniger als oder gleich 1,5 erreicht. Beispielsweise kann ein Volumen die Voxel-Dimensionen von 1:1:5 aufweisen, somit ist es isotropisch in der X- und Y-Dimension und anisotropisch in der Z-Dimension. Es wird eine erste Dekomposition in der X- und Y-Dimension durchgeführt, die dazu führt, dass die Voxel-Verhältnisse nun 2:2:5 werden. Es wird eine zweite Dekomposition in der X- und Y-Dimension durchgeführt, die die Voxel-Verhältnisse 4:4:5 bildet. Eine dritte Dekomposition und nachfolgende Dekompositionen würde bzw. würden in der gleichen Weise wie im Falle eines isotropischen Volumens durchgeführt werden, wodurch das Verhältnis von 1:1:1,25 erhalten wird.
7 veranschaulicht einen Datenstrom 260, der drei Mehrfachauflösungsstufen aufweist, gemäß einer Ausführungsform der vorliegenden Erfindung. Die kleinste Auflösung n, die dritte Auflösungsstufe 268, in diesem Beispiel (3, 3, 3), ist in dem Datenstrom 260 die erste, gefolgt von der n-1, der zweiten Auflösungsstufe 267, oder (2,2,2), gefolgt von der n-2, der ersten Auflösungsstufe (266), oder (1, 1, 1). Wie veranschaulicht, beginnt ein erster Datenblock 264 mit dem LLL (3, 3, 3)-Block. Deshalb werden die Daten in Form von Volumendatenblöcken gespeichert, die miteinander verkettet oder verbunden sind, um einen Mehrfachauflösungs-Datenstrom zu bilden, der zunehmend die volle Auflösung erreicht.
Beispielsweise kann der Datenstrom 260 geordnet werden, um die Methodik oder das Format des DICOM-Multiframe-Formats zu erhalten, in dem ein globaler Dateikopf (File Header) verwendet wird, dem die Daten von den mehreren Bildern im Rohdatenformat folgen. Beispielsweise kann nach dem Dateikopf das erste Datenelement der Datei das erste Voxel der ersten Schicht sein, die in einer Zeile bis zu dem letzten Voxel der ersten Schicht sortiert bzw. angeordnet ist. Das erste Voxel der zweiten Schicht wird dann an das letzte Voxel der ersten Schicht angehängt, wobei die zweite Schicht in einer Zeile bis zu dem letzten Voxel der zweiten Schicht sortiert bzw. angeordnet wird, und so weiter.
Bezugnehmend ferner auf 6 kann der Datenstrom 260 durch eine Kombination des DICOM-Multiframe-Formats und der IWMR gebildet sein. Ein Kopf oder Header 262 weist eine Information über jeden Volumendatenblock auf. Der Kopf 63 kann eine Information, wie beispielsweise die Variante des Mehrfachauflösungsschemas, die Art der Vorwärtstransformation, die Anzahl von Stufen der Wavelet-Dekomposition, die Zeilen- und Spaltenwerte jeder Teilbandstufe (Auflösung) und die komprimierten Größen aller Teilbänder von dem kleinsten bis zu dem größten, enthalten.
Deshalb besteht ein Volumen im realen Raum, beispielsweise LLL(3, 3, 3) nach 6, aus einem Teilsatz von Datenblöcken von einem Mehrfachauflösungsrahmen (Framework) des Volumens, beispielsweise des Volumens 100 nach 3. Um ein bestimmtes interessierendes Volumen zu rekonstruieren, muss nur auf einen Teil der Datenblöcke und nicht auf alle Datenblöcke zugegriffen werden. Der Teil hängt von dem beabsichtigten Zweck, beispielsweise der gewünschten Auflösungsstufe, die durch den Verarbeitungsalgorithmus, das Auflösungsvermögen der Anzeige oder einen definierten ROI (Region of Interrest) festgelegt ist. Deshalb können Daten schneller „gepackt" und „entpackt" werden als Daten, die nur in dem DICOM-Multiframe-Format abgespeichert sind. Ferner müssen lediglich die Daten der gewünschten Auflösung abgerufen werden, anstatt auf die Daten bei der vollen Auflösung zuzugreifen und anschließend die Daten zu dezimieren oder all die Daten zu verarbeiten, wenn dies nicht erwünscht oder erforderlich ist, was eine größere Zeitdauer und Verarbeitungsleistung erfordert. Bei dem IWMF-Rahmen ist es einfach, eine skalierte Version der Bilddaten, die der Benutzer wünscht, anzuzeigen und/oder anzurufen. Wenn der Benutzer ein anzuzeigendes Bild wählt, zeigt das System folglich auf der Basis der Leistungsfähigkeit der Anzeige eine skalierte Version an. Selbst bei der Akquisition der Daten kann gleichzeitig eine skalierte Version angezeigt werden. Es gehen jedoch keine Daten verloren, wie dies bei den vorherigen Komprimierungsverfahren der Fall ist.
8 veranschaulicht ein Flussdiagramm eines Verfahrens unter Verwendung einer Integer-Wavelet-Dekomposition gemäß einer Ausführungsform der vorliegenden Erfindung. In Schritt 270 wird ein Akquisitionsprotokoll gestartet. Es sollte verständlich sein, dass viele unterschiedliche Protokolle verwendet werden können, so dass Daten in Bezug auf eine spezielle Anatomie oder Funktion in dem Körper akquiriert werden. In 8 wird ein CT-Scanner, beispielsweise das CT-Bildgebungssystem 50, als ein Beispiel verwendet, wobei jedoch verständlich sein sollte, dass ein anderes Datenakquisitionssystem eingesetzt werden kann und dass die Daten nicht auf Bilddaten beschränkt sind.
In Schritt 272 werden Daten durch das Datenakquisitionsmodul 62 akquiriert. Nur um ein Beispiel anzugeben, können die Bilddaten in Form von Voxeln akquiriert werden, um durch einen Helikal- oder Spiral-CT-Scann Schichten zu bilden, die drei Dimensionen, beispielsweise X, Y und Z, aufweisen. Zusätzlich kann eine vierte Dimension der Zeit und eine fünfte Dimension einer Intensität und/oder Funktion, beispielsweise einer Änderungsrate des Kontrastes, akquiriert werden. Optional können die Daten Nichtbilddaten, wie beispielsweise EKG- oder sonstige Patientenüberwachungsdaten, sein oder enthalten.
In Schritt 274 werden die Daten in einem eindimensionalen (1D) Datenstrom, beispielsweise als ein Sinograph, zu dem Computer 68 übertragen. Optional können die Daten zu dem Dekompositionsmodul 66 strömen.
In Schritt 276 kann das Datensignal unter Verwendung einer Rückprojektion in eine Matrix umgewandelt werden, um ein Datenvolumen zu erzeugen. In Schritt 278 wird das Datenvolumen durch das Dekompositionsmodul 66 unter Verwendung der Integer-Wavelet-Vorwärtstransformation in 3D-, 4D- oder allgemein n-dimensionale (nD) Daten dekomponiert, soweit dies geeignet oder erforderlich ist. Optional können die Schritte 276 und 278 im Ganzen oder zum Teil vor dem Schritt 274 ausgeführt werden, wodurch die Bandbreite des Signals reduziert wird, um mehr Daten zu ermöglichen, innerhalb einer Zeitspanne durch die CT-Schleifringe zu fließen, wie dies weiter unten im Zusammenhang mit der Akquisitionsbeschleunigung beschrieben ist.
In Schritt 280 bildet der Computer 68 den Datenstrom 260, einschließlich des Headers 262. In Schritt 282 wird der Datenstrom 260 beispielsweise in der Massenspeichervorrichtung 80 gespeichert und/oder einem anderen Computer oder Rechner oder einer Verarbeitungsstation, beispielsweise dem Computersystem 10, übermittelt. Folglich können die gewünschten Teilsätze oder Untermengen des Datenstroms 260, beispielsweise die einem ROI bei einer speziellen Unterauflösungsstufe entsprechenden Daten, unmittelbar abgerufen werden.
9 veranschaulicht eine Matrix 200 von Arbeitsablaufanwendungen (Workflow-Anwendungen), die von der Nutzung von Daten profitieren, die unter Verwendung des IWMR-Rahmens gemäß einer Ausführungsform der vorliegenden Erfindung verarbeitet und gespeichert werden. Die Matrix 200 ist in verschiedene funktionelle Domänen bzw. Funktionsbereiche, beispielsweise die Akquisition 202, Verarbeitung 212, Analyse 224, Anzeige 234, Archiv/Abfrage 242, Konnektivität 248 und „Über 3D Hinaus" 254 unterteilt. Der Funktionsbereich „Über 3D hinaus" 254 weist Arbeitsablaufanwendungen auf, die eine oder mehrere über X, Y und Z hinausgehende Dimensionen, beispielsweise einen zeitlichen und einen Mehrfachenergiezustand, aufweisen. Es sollte verständlich sein, dass die Matrix 200 die Verwendung der Mehrfachauflösungsstufendaten nicht auf die angezeigten Funktionsbereiche und Arbeitsablaufanwendungen beschränkt, sondern dass die Matrix 200 lediglich zur Veranschaulichung beispielhafter Arbeitsablaufanwendungen dient, die verwendet werden können.
Eine Dekomposition von Daten in Mehrfachauflösungsstufen unterstützt das Konzept des Skalenraumes, bei dem ein Datensatz bei unterschiedlichen Skalen oder Einteilungen (oder Auflösungsniveaus) eine unterschiedliche Information liefern kann. In Abhängigkeit von dem vorgesehenen Zweck kann ein Technologe wünschen, zum Heranzoomen oder Herauszoomen in unterschiedlichen Skalen zu arbeiten. Bisher ist die Verarbeitung mit einer Dezimierung vorgenommen worden, die nicht das Konzept eines skalierten Raumes ergibt und einfach eine Datenreduktion darstellt. Die IWMR stellt keine Datenreduktion dar, sondern stellt für den Benutzer Daten mit der richtigen, gewünschten Skala zur Verfügung. Deshalb werden Daten nur im Hinblick auf das, was angezeigt wird, reduziert, nicht die Daten selbst, mit denen gearbeitet wird.
In dem Funktionsbereich der Akquisition 202 stellen Schnelle Vorschau, Qualitätskontrolle, Computergestützte Detektion (CAD, Computer-Aided-Detektion), Artefaktreduktion und Akquisitionsbeschleunigung allesamt Beispiele für Arbeitsablaufanwendungen dar. Gewöhnlich verwendet ein Akquisitionssystem verschiedene Verarbeitungsalgorithmen, bevor ein sichtbares Bild erhalten wird. Beispielsweise werden in der Computer-Radiographie (CR) und der digitalen Radiographie (DR) die akquirierten Rohdaten mit verschiedenen Bildfilterungs- und -verfeinerungsalgorithmen verarbeitet. In der CT werden die Ansichtsdaten (Projektionsraumdaten) zu topografischen Bildsätzen rekonstruiert. Diese Verarbeitung stellt für den Qualitätssicherungs-/Qualitätskontrolltechniker eine zeitaufwendige Aufgabe dar, die von der Wartezeit herrührt, die durch die Verarbeitungszeit der Algorithmen bei der Verarbeitung der gewöhnlich großen Datensätze (2000 × 2500 Pixel) für die CR und DR und mehr als 3000 Schichten (jede mit 512 × 512 Pixeln) in der CT eingeführt wird (aufgrund der enormen Zunahme von Schichten bei Verbesserungen der Scann-Auflösungen, beispielsweise bei der virtuellen Computertomographie (VCT)).
Ein Beispiel für das Merkmal Schnelle Vorschau stellt die ultradynamische Bereichsfilterung (UDR, Ultra Dynamic Range Filtering) dar, die CR/DR-Bilder verstärkt oder verbessert. Bei einem typischen CR-Bild der vollen Größe beträgt die Verarbeitungszeit (Speicher-zu-Speicher) ungefähr 1,7 Sekunden auf einem Pentium 3750 MHz oder einem Sun Blade UltraSparc III Prozessor basierten System. Durch Verwendung von Daten, die von dem vorstehend beschriebenen Inte ger-Wavelet basierten Kompressionsprozess erzeugt werden, des IWMR-Rahmens, und durch Anwendung der UDR auf die Unterauflösungsbilder bei einer vernünftigerweise sichtbaren Stufe auf einem 21 Zoll-Monitor (mit ungefähr 625 × 512 Pixeln) erfolgt die UDR-Verarbeitung in Echtzeit, was ungefähr 50 Millisekunden andauert, also eine Zeitdauer, die durch einen externen Zeitmesser nicht messbar ist. Somit wird ein Bild mit einem verarbeiteten Aussehen angezeigt, dass das endgültige maßstäbliche verarbeitete Bild passend wiedergibt. Beispielsweise kann ein bei Stufe 3 (313 × 256 Pixel) rekonstruiertes Bild mit einer und ohne eine UDR-Verarbeitung erzeugt werden. Alternativ können die gleichen anatomischen Daten in einem Bild auf der Stufe 4 (625 × 512 Pixel) mit einer UDR-Verarbeitung unter Verwendung der gleichen Parameter angezeigt werden.
Die Unterauflösungs-IWMR kann mit der UDR gemeinsam verwendet werden, um CR/DR-Bilder zu verbessern, wodurch für den Technologen eine schnelle Vorschau darüber bereitgestellt wird, wie das endgültige (maßstäbliche, Vollskalen) verarbeitete Bild aussehen wird. Die UDR-Verarbeitung weist die Eigenschaft auf, dass das verarbeitete Aussehen für die gleiche Parametereinstellung über einem großen Skalen- oder Maßstabsraum für die Wahrnehmung ähnlich ist. Andere Verarbeitungsmethoden können eine Abbildung ihrer Parameter in den dyadischen Skalenraum der IWMR-Transformationen erfordern. Eine ähnliche Erweiterung kann auf die volumetrischen 3D-Datensätze vorgenommen werden, so dass Rekonstruktionsalgorithmen oder sonstige Filterungsmethoden in einer Vorschau in dem Unterauflösungs-IWMR-Bereich im Vorfeld passend gesichtet werden können.
Die Qualitätskontrolle greift auf eine Unterauflösungsstufe zu, um dem Technologen ein Bild zur schnellen Verifikation der Akquisitionsparameter, die gerade akquirierten oder bereits akquirierten Ansichten des Patienten und dergleichen zur Verfügung zu stellen. Somit können die Daten hinsichtlich ihrer Qualität überprüft werden, wenn sie akquiriert werden oder unmittelbar nach einer Akquisition und ohne eine längere Verarbeitungszeit abwarten zu müssen, wie dies beispielsweise erforderlich sein kann, um ein Bild mit voller Auflösung zu verarbeiten oder einen kompletten Datensatz auf die gewünschten Auflösungsstufen zu dezimieren.
Die Computer unterstützte Detektion (CAD) profitiert von der IWMF in vielen verschiedenen Funktionsbereichen und ist nachstehend im Zusammenhang mit 10-13 beschrieben. Bezugnehmend auf die Artefaktreduktion, stellen Artefakte, beispielsweise vertikale oder horizontale Strukturen in dem Bildakquistionsprozess, für Bildverarbeitungsalgorithmen ein wesentliches Problem oder eine wesentliche Herausforderung dar. Um Artefakte zu reduzieren, können die IWMR-Daten bei unterschiedlichen Skalen oder Maßstäben abgerufen werden, wodurch ermöglicht wird, dass die Artefakte auf einfache Weise identifiziert und korrigiert werden.
Außerdem weisen Akquisitionssysteme einen Datendurchsatzengpass, beispielsweise in Form eines CT-Schleifrings, wie vorstehend beschrieben, auf, der die Datenakquisitionsgeschwindigkeit und Zeit zur Patientenerfassung begrenzt. Für eine Akquisitionsbeschleunigung können die IWMF-Daten gemeinsam mit einem verlustlosen Komprimierungsalgorithmus (z.B. TruRez) verwendet werden, um die Bandbreite des Signals deutlich zu reduzieren oder umgekehrt einen Durchfluss mehrerer Daten durch die Schleifringe in der gleichen Zeitmenge zu ermöglichen, wodurch die Akquisition schneller gestaltet wird.
In dem Funktionsbereich Verarbeitung 212 profitieren viele Arten von Arbeitsablaufanwendungen von der IWMF. Die Rauschreduktion kombiniert die Redundanznutzung von auf Mehrfachauflösung basierenden Methoden mit der räumlichen Verbindbarkeit Segmentierung basierter Techniken, um unter Verwendung einer recheneffizienten Implementierung eine starke Rauschreduktion zu erzielen. Beispielsweise sind zur Abschwächung des weißen Rauschens viele Rauschreduktionsfilter vorgeschlagen worden, die eine Mehrfachauflösungsdekomposition (zum Beispiel Wavelet basierte Techniken) verwenden, um das Bild in verschiedene Frequenzbänder zu dekomponieren. Jedes Band wird gesondert verarbeitet, wobei anschließend all die Frequenzbänder gemeinsam umgruppiert oder umorganisiert werden, um das Bild wiederherzustellen. Diese Methodenklasse weist den Vorteil auf, dass ein spezielles räumliches Frequenzband des Bildes modifiziert wird. Eine allgemein bekannte Folge dieser Methoden bei der Bildkompression besteht darin, dass im wesentlichen alle Redundanzen bei einer gegebenen Skala ausgenutzt werden, um hohe Komprimierungsverhältnisse ohne Verluste bei der Komprimierungsqualität in diesen Bildern zu erreichen. Eine weitere Klasse von Filtern ist Segmentierung basiert. Diese Klasse von Techniken dekomponiert das Bild auf der Basis von Strukturen und Nichtstrukturen, Prozessstrukturen und Prozess-Nichtstrukturen gesondert voneinander und kombiniert die verarbeiteten Strukturen und Nichtstrukturen anschließend neu, um das endgültige gefilterte Bild zu erzeugen. Anders als in dem vorherigen Fall nutzt diese Methodenklasse die räumliche Verbindbarkeit von Strukturen aus, um im Wesentlichen unterschiedliche Operationen an Strukturen und an Nichtstrukturen vorzunehmen.
Die IWMF verbessert auch Arbeitsablaufanwendungen, beispielsweise die Artefaktreduktion, Bildverfeinerung und Bildrekonstruktion, während der Verarbeitung. Da die unverarbeiteten Daten in dem IWMF-Format abgespeichert sind, kann auf die Mehrfachauflösungsstufen für eine künftige Verarbeitung ohne weiteres zugegriffen werden.
Die Arbeitsablaufanwendungen bei der Analyse 224 verbessern die Fähigkeit des Technikers, die Daten zu analysieren. Die Anwendungen umfassen solche Bereiche wie CAD, Segmentierung, CADx, Mustererkennung und Registrierung. Die CAD (Computer gestützte Detektion) betrifft die Technik der Erfassung von Merkmalen, wie dies nachstehend im Zusammenhang mit 10 beschrieben ist. Die CADx ist eine Computer gestützte Diagnose, wobei eine notwendige Entscheidung über das Merkmal getroffen wird, indem dieses in eine von möglicherweise sehr vielen unterschiedlichen Kategorien, wie beispielsweise bösartig oder gutartig, klassifiziert wird. Die Segmentierung, Mustererkennung und Registrierung sind nachstehend im Zusammenhang mit der CAD in größeren Einzelheiten beschrieben.
Die Arbeitsablaufanwendungen bei der Anzeige 234 umfassen Volumenrendering, Rendering eines interessierenden Volumens (VOI, Volume of Interrest) und CAD-Ergebnisse-Referenzierung. Der Ausdruck Volumenrendering wird dazu verwendet, Techniken zu beschreiben, die die Visualisierung dreidimensionaler Daten ermöglichen. Volumenrendering ist eine Technik zur Visualisierung abgetasteter Funktionen mit drei räumlichen Dimensionen durch Berechnung von 2D- Projektionen eines teiltransparenten Volumens. Mit der CAD-Ergebnisse-Referenzierung ermöglicht die IWMF den Zugriff auf Unterauflösungsdatensätze, die verwendet werden können, um Ergebnisse und Befunde eines CAD-Algorithmus anzuzeigen, ohne eine zusätzliche Verarbeitung durchführen zu müssen.
Große Volumendatensätze legen der Volumenrenderingmaschine Verarbeitungs- und Speicherbeschränkungen auf, die es schwieriger machen, eine interaktive Benutzererfahrung mit den gerenderten Datensätzen zu haben. Ein herkömmliches Verfahren zur Erzielung einer nutzbaren Interaktivität umfasst eine Volumendezimierung, die konsistent Datenelemente eliminiert und eine zeitverzögerte volle Auflösung verwendet, um die vollständig gerenderte Ansicht anzuzeigen. Dies ist unerwünscht, da nicht alle verfügbare Daten verwendet werden und die Daten jedes Mal, wenn die Anwendung läuft, dezimiert werden müssen. Im Unterschied hierzu ermöglicht das IWMF-Format den Zugriff auf Mehrfachauflösungsdatensätze für das Volumenrendering ohne eine Dezimierung durch Verwendung einer Tiefpassfilterung, die dazu dient, die beste Darstellung der Daten bei der niedrigen Skala zu erhalten. Dies verringert die Verarbeitungszeit und verbessert die Bildqualität selbst bei einer Echtzeit-Bildmanipulation. Ferner können durch Verwendung des Datenformats der IWMF sowohl eine Segmentierung gestützte VOI-Visualisierung als auch eine ortsgestützte VOI-Visualisierung in einer hinsichtlich der Verarbeitung und des Speichers effizienten Weise durchgeführt werden. Deshalb ist durch Verwendung der IWMF das Volumenrendering interaktiv und praktisch nutzbar und ermöglicht eine Verarbeitung lediglich für Anzeigezwecke. Aufgrund der Art und Weise, in der die Daten gepackt sind, ist eine Verarbeitung bei niedrigerer Auflösung möglich, indem die Daten unmittelbar aus der ge wünschten Auflösungsstufe oder den gewünschten Auflösungsstufen abgerufen werden.
Volumenrendering wird momentan dazu verwendet, Volumendaten von CT-Bildgebungssystemen 50 zu verarbeiten, die dreidimensionale Stapel paralleler Ebenenbilder erzeugen, von denen jedes aus einem Feld von Röntgenabsorptionskoeffizienten besteht. Gewöhnlich weisen die CT-Bilder eine Auflösung von 512 × 512 × 12 Bits mit bis zu 500 Schichten in einem Stapel auf. In dem 2D-Bereich können diese Schichten in einem Zeitpunkt jeweils einzeln gesichtet werden. Der Vorteil der CT-Bilder gegenüber herkömmlichen Röntgenbildern liegt darin, dass die CT-Bilder Informationen von einer einzelnen Ebene enthalten. Ein herkömmliches Röntgenbild enthält auf der anderen Seite Informationen von sämtlichen Ebenen, was eine Akkumulation von Schatten zur Folge hat, die eine Funktion der Dichte von allem, was die Röntgenstrahlen absorbiert, wie beispielsweise Gewebe, Knochen und Organen, sind.
Es gibt viele unterschiedliche Verfahren, die zur Volumenvisualisierung verwendet werden, wie beispielsweise Rendering von Voxeln in einem binär partitionierten Raum, den Marching Cubes Algorithmus und das Ray Casting. Beim Rendering von Voxeln in einem binär partitionierten Raum wird eine Auswahl für das gesamte Voxel getroffen. Unglücklicherweise kann dies ein „blockhaftes" Bild erzeugen. Es weist ferner einen Mangel an Dynamikbereich in den berechneten Oberflächennormalen auf, was Bilder mit verhältnismäßig schlechter Schattierung oder Tönung ergibt.
Die Marching Cubes Methode löst das vorstehende Problem, führt jedoch andere Probleme herbei. Der größte Nach teil besteht darin, dass die Marching Cubes Methode die Vornahme einer binären Entscheidung an der Position der dazwischen befindlichen Fläche, die extrahiert und gerendert wird, erfordert. Ferner kann eine Extraktion einer Zwischenstruktur zu falschen Positiven (Artefakte, die nicht existieren) und falschen Negativen (Verwerfung kleiner oder schlecht definierter Merkmale) führen.
Ray Casting ermöglicht die beste Nutzung der 3D-Daten und versucht nicht, den 3D-Daten irgendeine geometrische Struktur aufzuerlegen. Ray Casting löst eine der wichtigsten Beschränkungen von Oberflächenextraktionstechniken, nämlich die Art und Weise, in der eine Projektion einer dünnen Haut oder Hülle in dem Akquisitionsraum angezeigt wird, Oberflächenextraktionstechniken berücksichtigen nicht, dass die Daten, insbesondere in medizinischer Bildgebung, von einem Fluid oder sonstigen Materialien herrühren können, die teilweise transparent sein können und als solche modelliert werden sollten. Ray Casting leidet nicht an dieser Beschränkung.
Ein weiterer Funktionsbereich der Arbeitsablaufanwendungen ist das Archiv/die Abfrage 242, der die Fähigkeit des Technologen verbessert, nur auf den Teil der Daten auf der gewünschten Auflösungsstufe zuzugreifen, mit denen er zu arbeiten wünscht. Die Anwendungen Dateiformat und Komprimierung für drei oder mehr Dimensionen sind wie vorstehend im Hinblick auf 7 erläutert. Ein Zugriff auf den interessierenden Bereich kann in 2D (einem Teil eines großen Bildes), 2D plus Zeit (Funktionsmerkmal, das eine 2D-Region betrifft, beispielsweise eine Blutströmung durch eine Vene in einer Ebene), 3D (eine Untermenge des gesamten Datenvolumens), 3D plus Zeit (Funktionsmerkmal einer volu metrischen Region, beispielsweise Kontrast-/Stoffwechselaufnahme in einem Volumenraum eines Tumors) oder Multispektral-, Multiphasen- und Multitracer(Sucher)-Datensätzen erfolgen.
Die Konnektivität 248 ist der nächste Funktionsbereich in der Matrix 200. In der Vergangenheit speicherte DICOM Header- bzw. Kopfinformationen für jede Schicht jedes Bildes. Bei dem DICOM-Multiframe-Standardformat weist ein globaler Fileheader oder Dateikopf all die erforderlichen Kopfinformationen auf, und die mehreren Bilder werden im Rohdatenformat abgespeichert. Durch Kombination der IWMF mit dem DICOM-Multiframe-Format, kann das Dateiformat der IWMF-Rahmen den vorhandenen DICOM-Multiframe-Standard nutzen und unter Verwendung des vorstehend beschriebenen Dateiformats anderen Vorrichtungen, beispielsweise anderen Bildgebungssystemen, übermitteln. Außerdem sind die mehrdimensionalen Daten in dem IWMF-Format derart angeordnet, dass die Daten mit kleinster Auflösung stets die ersten sind, auf die zugegriffen wird. Dies ermöglicht eine wahrnehmend graduelle Dekodierung der Daten bis zu höheren (größeren) Auflösungen, ohne dass der Benutzer oder die Algorithmuskomponente die Verfügbarkeit der vollständigen Daten abwarten muss.
Der nächste Funktionsbereich ist Über 3D Hinaus 254, der solche Arbeitsablaufanwendungen wie Dynamische 3D-Bewegung, Mehrfache Spektren, Mehrfache Tracer (Sucher) und Mehrfache Phasen ermöglicht. Das IWMF-Format lässt sich ohne weiteres erweitern, um eine dynamische 3D-Bewegung oder volumetrischen Daten, die im Laufe der Zeit in einem Multiphasenformat aufgenommen werden, zum Beispiel durch die Atmung getriggerte CT-Bilder, Hirnperfusionsbilder, Herzbil der und dergleichen, wiederzugeben. Eine Visualisierung volumetrischer Daten über der Zeit oder über anatomischen Zyklen umfasst eine Verarbeitung und Anzeige einer großen Menge von Daten, was über das Leistungsvermögen momentaner Computer hinausgeht. Eine Dezimierung der Daten zu kleineren Sätzen erfordert eine Verarbeitung mehrerer Volumina und ist einer Echtzeitvisualisierung nicht förderlich. Jedoch liefert die IWMF ein Format für den Zugriff auf Unterauflösungsdaten ohne die Notwendigkeit einer Echtzeitverarbeitung, was es möglich macht, derartige Datensätze in interaktiver Weise zu visualisieren. Deshalb lässt sich eine 3D-Datenverarbeitung unter Verwendung der IWMF ohne weiteres auf Dimensionen, die über 3D hinausgehen, erweitern. Um ein weiteres Beispiel anzugeben, kann eine dynamische anatomische Bewegung mit in Echtzeit arbeitenden 3D-Akquisitionssystemen (zum Beispiel 4D-Ultraschall) unter Verwendung des IWMF-Formats dargestellt werden, um den Durchsatz zu verbessern und Datenengpässe zu beseitigen. In ähnlicher Weise ist das IWMF-Format auf Multispektraldaten, zum Beispiel eine Doppelenergie-Röntgen- oder -CT-Bildgebung, erweiterbar. Eine Multispektral-Bildgebung weist mehrfach Energiedatensätze auf, die unter Verwendung unterschiedlicher Akquisitionsparameter, beispielsweise Energiestufen und Wellenlängen, akquiriert werden. Bei der Multispektral-Bildgebung werden räumlich korrelierte Daten bei mehreren Energien akquiriert und rekonstruiert, um dekomponierte Bilder, beispielsweise Weichgewebe- und Knochenbilder, zu erhalten. Deshalb kann der Technologe wählen, nur die bei einer bestimmten Anwendung interessierende Spektralinformation durchzusehen bzw. zu überprüfen. Als ein weiteres Beispiel kann der IWMF-Rahmen auf einen oder mehrere Tracer-Datensätze erweitert werden, die mit einer oder mehreren Bildgebungsmodalitäten akquiriert werden. Beispielsweise kann eine Anwendung Datensätze eines ersten, zweiten und dritten Tracers akquirieren, wobei sie jedoch nur an einem speziellen ROI und der Art und Weise, in der die Tracer mit dem ROI wechselwirken, interessiert sein kann. Der IWMF-Rahmen ist auch für Multiphasenuntersuchungen nützlich. Beispielsweise akquiriert eine 3-Phasen-Leberuntersuchung unter Verwendung eines Kontrastmittels drei Sätze von 3D-Bildern, wobei die Sätze während der arteriellen Phase, den verzögerten arteriellen und Portal-/Venusphasen akquiriert werden können.
Der IWMF-Rahmen ist besonders gut geeignet für Mehrskalen- und Einzel- oder Mehrmodalitätsbildregistrierungsprobleme (die auch bei der Registrierung in der Analyse 224 Anwendung finden). Anstatt zunächst die Hierarchie bilden zu müssen, lässt das Rahmendatenformat eine direkte hierarchische Registrierungsmethode zu, die in Abhängigkeit von der Benutzerabsicht eine grobe bis feine Registrierung ermöglichen kann. Eine Registrierung kann unter Verwendung einer Multi-Skalen-, Multi-Regionen-Pyramidenmethode implemetiert werden. In dieser Methode können unterschiedliche Kostenfunktionen, die Änderungen hervorheben bzw. aufzeigen, bei jeder Skala optimiert werden. Derartige Kostenfunktionen können Korrelationsverfahren, wie beispielsweise eine mathematische Korrelation und eine Vorzeichenwechselerfassung, oder statistische Methoden, wie beispielsweise Entropiemessungen und gegenseitige Informationen, sein. Bilder werden bei einer gegebenen Skala neu abgetastet und anschließend in mehrere Regionen unterteilt. Für unterschiedliche Regionen werden gesonderte Verschiebungsvektoren berechnet. Die Verschiebungsvektoren werden interpoliert, um eine glatte Verschiebungstransformation zu erzeugen, die angewandt wird, um eines der Bilder zu verzerren. Die Bilder werden neu abgetastet und der verzerrte Registrierungsprozess bei der nächst höheren Skala wiederholt, bis die vorbestimmte Endskala erreicht ist.
Im Folgenden sind zusätzliche Informationen für die CAD-Arbeitsablaufanwendungen angegeben. 10 veranschaulicht ein Flussdiagramm eines CAD-Prozesses 300 gemäß einer Ausführungsform der vorliegenden Erfindung. Eine CAD wies bisher die Komplikation einer inhärenten Skalenraumdimension auf, wobei z.B. zur Auffindung sphärischer Knoten in der Lunge erforderlich sein kann, dass der Detektionsalgorithmus Merkmale in der Größenordnung von 2 mm bis 30 mm detektieren muss. Gewöhnlich arbeiteten Algorithmen nach dem Stand der Technik bei unterschiedlichen Skalen entweder durch Veränderung der Merkmalsdetektionskomponente oder durch Unterabtastung der Daten, um eine Detektion von Merkmalen über einem Skalenbereich zu bewerkstelligen. Mit der IWMF sind die Daten bereits transformiert und in einem Format abgespeichert, der einen unmittelbaren Zugriff auf unterschiedliche Skalen für die Detektionskomponente des CAD-Algorithmus ermöglicht, wodurch der gesamte CAD-Algorithmus beschleunigt abläuft.
In Schritt 302 kann die CAD akquirierte Daten von einer Kombination einer oder mehrerer der folgenden Quellen verwenden: Bildakquisitionssysteminformation von einer tomographischen Datenquelle, diagnostische Tomographiedaten (z.B. Rohdaten im Projektions- oder Radonbereich, einzelne oder mehrfache rekonstruierte 2D-Bilder („Schichten" des Patienten) eines 3D-rekonstruierten volumetrischen Bilddatensatzes und Nichtbildinformationsdatenbanken (z.B. Patientenhistorie)). Es sollte verständlich sein, dass andere Datenquellen verwendet werden können.
Die Segmentierung (Schritt 304) ist im Zusammenhang mit 11 näher beschrieben. 11 veranschaulicht ein Flussdiagramm eines Segmentierungsprozesses 320 für die Daten gemäß einer Ausführungsform der vorliegenden Erfindung. Die Segmentierung kann als der Prozess zur Festlegung eines Teils oder all der Daten, die bearbeitet werden sollen, definiert werden. In Schritt 322 werden Tomographiedaten empfangen oder abgerufen. Dies kann durch den Computer 68 des CT-Bildgebungssystems 50 oder durch ein Verarbeitungssystem, beispielsweise den Computer 12, bewerkstelligt werden. In Schritt 324 wird eine Vorverarbeitung der Daten vorgenommen.
Bei der Segmentierung kann beispielsweise ein interessierender Bereich (ROI) definiert werden, um Merkmale in den Tomographiedaten zu berechnen. Der ROI kann auf unterschiedliche Weise, beispielsweise unter Verwendung des gesamten Datensatzes oder unter Verwendung eines Teils der Daten, beispielsweise einer Kandidatenregion in einer bestimmten Region, definiert werden. Es können verschiedene Techniken oder Kombinationen von Techniken zu diesem Zweck eingesetzt werden, wozu eine iterative Schwellenfilterung, k-means-Segmentierung, Kantendetektion, Kantenverbindung, Curve Fitting (Kurveneinpassung), Curve Smoothing (Kurvenglättung), morphologische 2D/3D-Filtelrung, Region Growing (Bereichswachstum), Fuzzy Clustering, Bild/Volumenmessungen, heuristische, wissensbasierte Regeln, Entscheidungsbäume und neuronale Netzwerke auch, jedoch nicht ausschließlich gehören.
Die Segmentierung eines ROI kann in manueller Weise (Schritt 328) und/oder automatisch (326) durchgeführt wer den. Bei der manuellen Segmentierung wählt der Technologe ein Protokoll aus, das zur Anzeige der Daten bei ein oder mehreren vordefinierten Auflösungsstufen bestimmt ist. Der Benutzer grenzt dann den ROI unter Verwendung einer Maus oder einer beliebigen sonstigen geeigneten Schnittstelle (z.B. Berührungsbildschirm, Augenverfolgung, Sprachbefehle) ab. Bei der automatisierten Segmentierung kann ein Algorithmus vorheriges Wissen, wie beispielsweise die Gestalt und Größe einer Masse, verwenden, um den ROI automatisch abzugrenzen. Das vorherige Wissen kann durch den Technologen basierend auf einem frühen Scann eingegeben und kann in Patientenidentifikationsdaten gespeichert sein. Außerdem kann ein teilautomatisiertes Verfahren, das die Kombination der Schritte 326 und 328 darstellt, verwendet werden. Wenn die Segmentierung abgeschlossen ist, führt der Computer 68 in Schritt 330 eine Nachverarbeitung in der gewünschten Weise aus.
Zurückkehrend auf 10 können in den Schritten 314 und 316 Akquisitionsparameter und Patienten basierte Informationen in die Segmentierungsverarbeitung nach Schritt 304 eingeschlossen werden. Beispiele für Akquisitionsparameter sind kVp und die Dosis, und Beispiele für Patienten basierte Informationen können Alter, Geschlecht, Rauchergeschichte, Familiengeschichte für die Neigung zu einer Erkrankung und dergleichen sein.
Vor einer Merkmalsextraktion in Schritt 306 und Klassifizierung in Schritt 308 wird in Schritt 312 ein vorheriges Wissen aus einem Training mit einbezogen. Die Trainingsphase umfasst die Berechnung mehrerer Kandidatenmerkmale anhand bekannter Proben normaler und abnormaler Läsionen. Anschließend wird ein Merkmalsselektionsalgorithmus angewandt, um die Kandidatenmerkmale durchzusehen und lediglich die sinnvollen auszuwählen sowie diejenigen zu entfernen, die keine Information oder eine redundante Information liefern. Diese Entscheidung basiert auf Klassifizierungsergebnissen mit unterschiedlichen Kombinationen von Kandidatenmerkmalen. Der Merkmalsselektionsalgorithmus wird ferner dazu verwendet, die Dimensionalität aus einem praktischen Gesichtspunkt heraus zu reduzieren, da die Rechenzeit enorm groß sein würde, wenn die Anzahl von zu berechnenden Merkmalen groß ist. Somit wird ein Merkmalsatz abgeleitet, der eine normale Läsion von einer abnormalen Läsion optimal unterscheiden kann. Dieser optimale Merkmalsatz wird in dem CAD-System aus den interessierenden Regionen extrahiert. Eine optimale Merkmalselektion kann unter Verwendung einer allgemein bekannten Abstandsmessung, einschließlich einer Divergenzmessung, eines Bhattacharya-Abstandes, Mahalanobis-Abstandes und dergleichen, vorgenommen werden.
Zurückkehrend zum Schritt 306 veranschaulicht 12 ein Flussdiagramm eines Merkmalextraktionsprozesses 340 gemäß einer Ausführungsform der vorliegenden Erfindung. In 12 werden Berechnungen an den Datenquellen durchgeführt.
In Schritt 342 können mehrere Merkmalsmaße aus bildbasierten Daten, beispielsweise aus Tomographiebildern, unter Verwendung einer ROI-Statistik, beispielsweise der Gestalt, Größe, Struktur, Intensität, des Gradienten, der Kantenstärke, -lage, -nähe, des Histogramms, der Symmetrie, Exzentrizität, Orientierung, Grenzen, Momenten, fraktalen Dimensionen, Entropie und dergleichen, extrahiert werden. Für Projektionsraumdaten können aus dem Datensatz Merkmale, wie die Lage, Gestalt oder Größe einer Merkmalsprojektion in einer Ansicht oder Lagekonsistenz von Ansicht zu Ansicht, extrahiert werden. Bei akquistionsbasierten und patientenbasierten Daten können die Daten selbst als die Merkmale, beispielsweise als Patientenhistorie (zum Beispiel Alter, Geschlecht, Raucherhistorie) und Akquisitionsdaten (zum Beispiel kVp, Dosis) dienen.
In Schritt 344 werden die in Schritt 342 extrahierten Merkmale anhand der Fähigkeit, die verschiedenen Klassifizierungsgruppen unter Verwendung bekannter Abstandskriterien, beispielsweise der Divergenz, des Bhattacharya-Abstandes und des Mahalanobis-Abstandes, zu separieren, ausgewertet. In Schritt 346 werden die Merkmale auf der Basis des Abstandskriteriums in einen Rang eingereiht bzw. eingestuft. In Schritt 348 wird eine Dimensionalitätsreduktion durch Elimination korrelierter Merkmale bewerkstelligt. In Schritt 350 wird das im Rang höchste Merkmal ausgewählt, und Merkmale werden zu diesem addiert (basierend auf einer abnehmenden Rangfolge), bis sich das Verhalten nicht mehr verbessert. In Schritt 352 wird der optimale Satz Merkmale ausgegeben.
Zurückkommend auf 10 geht der Ablauf zum Schritt 308 zur Merkmalsklassifizierung über. Wie vorstehend in den Schritten 314 und 316 beschrieben, können in der Merkmalsklassifizierung ein oder mehrere Akquisitionsparameter und patientenbasierte Informationen mit einbezogen werden. 13 veranschaulicht ein Flussdiagramm eines im Vorfeld trainierten Klassifizierungsalgorithmus 360, der während des Merkmalsklassifizierungsprozesses gemäß einer Ausführungsform der vorliegenden Erfindung eingesetzt werden kann. Die Schritte nach 13 werden dazu verwendet, ein oder meh rere Merkmale oder ROIs in normale und abnormale Lektionen einzustufen.
In Schritt 362 werden Merkmale durch Anwendung mehrerer relevanter Merkmalsmaße aus Tomographiebildern auf die Daten bei der geeigneten Auflösungsstufe ausgewählt. Die Maße können Gestalt, Größe, Struktur bzw. Beschaffenheit, Intensität, Gradient, Kantenstärke, -lage, -nähe, Histogramm, Symmetrie, Exzentrizität, Orientierung, Grenzen, Momente, fraktale Dimensionen, Entropie und dergleichen sein.
In Schritt 364 werden die Merkmalsmaße in Bezug auf Merkmalsmaße normiert, die von einer Datenbank bekannter normaler und abnormaler interessierender Fälle, beispielsweise durch Einbeziehung vorherigen Wissens aus einem Training (Schritt 312 nach 10), abgeleitet werden. In Schritt 366 werden die Merkmale unter Verwendung bekannter Methoden nach dem Stand der Technik klassifiziert. Für die Klassifizierung können Entscheidungsbaumanalyse, Diskriminantenfunktionsanalyse, Bayes'sche Klassifizierer, Bayes'sche Minimum-Risk-Methode, Clustering-Techniken, Ähnlichkeitsmessmethoden, neuronale Netzwerke, regelbasierte Verfahren, Fuzzy Logic und dergleichen verwendet werden.
In Schritt 368 werden die Merkmale und/oder Merkmalscluster be- bzw. gekennzeichnet. Nach der Identifizierung und Klassifizierung einer verdächtigen Kandidatenläsion müssen ihre Lage und charakteristischen Eigenschaften der Person, die die Daten überprüft, angezeigt werden. In bestimmten CAD-Anwendungen geschieht dies durch Überlagerung einer Markierung (zum Beispiel eines Pfeils oder Kreises) in der Nähe der verdächtigen Lässion oder um diese herum. In anderen Fällen unterstützt die CAD die Möglichkeit, com putererfasste (und gegebenenfalls diagnostizierte) Markierungen an beliebigen der mehreren Daten anzuzeigen. Auf diese Weise kann die Prüfperson nur ein einzelnes Datum sichten, auf dem Ergebnisse einer Gruppe von CRD-Operationen überlagert sein können (die durch eine einheitliche Segmentierung (ROI), Merkmalsextraktion und Klassifizierungsprozedur definiert sind), was einen einheitlichen Markierungsstil (zum Beispiel verschiedene Farbe) ergibt. In Schritt 370 wird eine gekennzeichnete Ausgabe zur Verfügung gestellt.
Der Ablauf kehrt zu 10 und Schritt 310 zur Visualisierung der Daten zurück. Beispielsweise können Tomographiebilddaten durch eine menschliche Person oder durch maschinelle Beobachter überprüft werden. CAD-Methoden können mit einem oder all den Daten arbeiten und die Ergebnisse mit jeder Art von Daten anzeigen oder die Ergebnisse für eine Anzeige zu einem einzelnen Datum synthetisieren. Dies ergibt den Vorteil eines verbesserten CAD-Verhaltens durch Vereinfachung des Segmentierungsprozesses, während die Menge oder Art der durchzusehenden bzw. zu überprüfenden Daten nicht erhöht wird.
Es sollte verständlich sein, dass die CAD einmal durch Einbeziehung von Merkmalen aus sämtlichen Daten durchgeführt oder in paralleler Weise durchgeführt werden kann. Die parallele Arbeitsweise umfasst eine Durchführung der CAD-Operationen einzeln an jedem Datum und eine Kombination der Ergebnisse aus sämtlichen CAD-Operationen (UND-, ODER-Operation oder eine Kombination aus beiden). Außerdem können CAD-Operationen zur Erfassung mehrerer Krankheiten in serieller oder paralleler Weise durchgeführt werden.
Während die Erfindung anhand verschiedener spezieller Ausführungsformen beschrieben worden ist, wird ein Fachmann erkennen, dass die Erfindung in der Praxis in dem Rahmen und Schutzumfang der Ansprüche mit Modifikationen ausgeführt werden kann.

10: Computersystem
12: Computer
14: Speicher
16: Anzeige
18: Transformationsmodul
20: Eingabe/Ausgabe-Schnittstelle
21: sichtbare Stufe
50: CT-Bildgebungssystem
52: der Gantry zugeordnete Steuerungsmodule
54: Röntgensteuerungseinrichtung
56: Röntgenquelle
58: Gantrymotorsteuerungseinrichtung
60: Stellung der Gantry
62: Datenakquisitionsmodul
64: Detektorarray
66: Dekompositionsmodul
68: Computer
70: Tischmotorsteuerungseinrichtung
72: Patiententisch
74: z-Achse
76: Bildrekonstruktionseinrichtung
78: Bedienerkonscle
80: Massenspeichervorrichtung
82: Abschwächungsdaten von Detektoren
84: Patient
100: Volumen
102: Erststufentransformation
104: Eingangsdaten
106: Zwischenergebnisse
108: Zwischenergebnisse
110: Zwischenergebnisse
112: Zwischenergebnisse
114: Zwischenergebnisse
116: Zwischenergebnisse
150: mehrere Auflösungsstufen
200: Matrix
202: Akquisition
212: Verarbeitung
224: Arbeitsablaufanwendungen bei der Analyse
234: Arbeitablaufanwendungen bei der Anzeige
242: Archiv/Abruf
248: Konnektivität
254: Über-3D-Hinaus
260: Datenstrom
262: Header, Kopf
264: erster Datenblock
266: erste Auflösungsstufe
267: zweite Auflösungsstufe
268: dritte Auflösungsstufe
270: Akquisitionsprotokollstart, Schritt
272: Datenakquisition
274: 1D-Datenstrom-Übertragung
276: Signal-Matrix-Konvertierung
278: Datumsvolumendekomposition mit Integer-Wavelet-Transformation in 3D oder 4D
280: Datenstromerzeugung
282: Datenstromspeicherung
300: CAD-Prozess
302: Datenakquisition in Schritt
304: Segmentierung in Schritt
306: Merkmalsextraktion in Schritt
308: Klassifizierungsschritt
310: Visualisierungsschritt
312: Training
314: Akquisitionsparameter
316: Patientenbasierte Information
320: Segmentierungsprozess
322: Tomographiedaten
324: Vorverarbeitung
326: automatische Segmentierung
328: manuelle Segmentierung
330: Nachverarbeitung
340: Merkmalsextraktionsprozess
342: Merkmalsextraktion
344: Merkmalsauswertung
346: Merkmalseinstufung
348: Dimensionalitätsreduktion
350: Merkmalsselektion
352: Ausgabe
360: trainierter Klassifizierungsalgorithmus
362: Merkmalsselektion
364: Merkmalsnormalisierung
366: Merkmalsklassifizierung
368: Merkmalskennzeichnung
370: Ausgabe

Claims

Verfahren zur Handhabung von Daten, das aufweist: Dekomposition (278) von Daten in mehrere Auflösungsstufen (150) unter Verwendung einer Integer-Wavelet-Dekomposition; Zusammenstellen (280) eines Datenstroms (260), der mehrere Auflösungsstufen (150) in einer vorbestimmten Reihenfolge aufweist; Zugriff auf wenigstens eine Auflösungsstufe (266–268) der mehreren Auflösungsstufen (150), die einer Arbeitsablaufanwendung zugeordnet sind; und Ausführung der Arbeitsablaufanwendung auf der wenigstens einen Auflösungsstufe (266–268).
Verfahren nach Anspruch 1, das ferner aufweist: Identifizierung eines interessierenden Elementes in den Daten bei wenigstens einer der mehreren Auflösungsstufen (150); Identifizierung eines Datenblocks (264), der das interessierende Element repräsentiert; und Abrufen des Datenblocks (264) zur Durchführung einer Arbeitsablaufanwendung.
Verfahren nach Anspruch 1, wobei die Arbeitsablaufanwendung einen Funktionsbereich aus Akquisition (202), Verarbeitung (212), Analyse (224), Anzeige (234), Archiv/Abfrage (242), Konnektivität (248) und Über-3D-Hinaus (254) betrifft.
Verfahren nach Anspruch 3, das ferner aufweist Zugriff auf eine Unterauflösungsstufe in den mehreren Auflösungsstufen (150); Verarbeitung der Unterauflösungsstufe mit wenigstens einer Arbeitsablaufanwendung eines Anzeigen Funktionsbereiches (234), um ein dreidimensionales Bild zu erzeugen; und Anzeigen des dreidimensionalen Bildes auf einer Anzeige (16).
Verfahren nach Anspruch 1, wobei die Arbeitsablaufanwendung eine Unterauflösungsstufe abruft, wobei die Arbeitsablaufanwendung entweder ein Bild einer Schnellen Vorschau, das ein unter Verwendung einer höheren Auflösungsstufe erzeugtes Bild repräsentiert, oder ein Qualitätssteuerungsbild zur Verifikation wenigstens entweder der Akquisitionsparameter und/oder des Inhaltes der Daten bildet.
Verfahren nach Anspruch 1, das ferner aufweist: Akquisition (272) der Daten mit einem Computertomographie(CT)-Bildgebungssystem (50), das einen Schleifring zur Übertragung von Bilddaten aufweist; und Im Wesentlichen simultane Ausführung des Dekompositionsschritts (278) und Akquisitionsschritts (272), um die Bandbreite der durch den Schleifring übertragenen Daten zu reduzieren.
Verfahren nach Anspruch 1, das ferner aufweist: Identifizierung eines Teils der wenigstens einen Auflösungsstufe (266–268); und Analyse des Teils mit der Arbeitsablaufanwendung, wobei die Arbeitsablaufanwendung durch entweder eine Computer gestützte Detektion, Computer gestützte Diagnose, Segmentierung oder Mustererkennung gebildet ist.
Verfahren nach Anspruch 1, das ferner aufweist: Identifizierung eines interessierenden Bereiches (ROI) in den Daten, wobei der ROI entweder zwei Dimensionen von Bilddaten über der Zeit, drei Dimensionen von Bilddaten, drei Dimensionen von Bilddaten über der Zeit oder Bilddaten, die mehrere Energiestufen repräsentieren, aufweist; und Identifizierung wenigstens eines Datenblocks (264) in dem Datenstrom (260) der den ROI auf der wenigstens einen Auflösungsstufe (266–268) aufweist, wobei der Ausführungsschritt ferner aufweist, dass die Arbeitsablaufanwendung mit dem wenigstens einen Datenblock (264) arbeitet.
System zur Handhabung von Bilddaten, das aufweist: ein Transformationsmodul (18) zur Durchführung von Vorwärts- und Rücktransformationen an mehrdimensionalen Daten unter Verwendung von Integer-Wavelet-Transformationen, wobei die Vorwärtstransformation mehrere Auflösungsstufen (150) erzeugt; einen Prozessor (12) zur Zusammenstellung eines Datenstroms (260), der mehrere Auflösungsstufen (150) in einer vorbestimmten Reihenfolge aufweist; und einen Speicher (14) zur Speicherung des Datenstroms (260), wobei der Prozessor (12) auf wenigstens eine Auflösungsstufe (266–268) aus den mehreren Auflösungsstufen (150) basierend auf einer Arbeitsablaufanwendung zugreift.
System nach Anspruch 9, dadurch gekennzeichnet, dass: das Transformationsmodul (18) die Vorwärtstransformation an den mehrdimensionalen Daten ausführt, um eine erste Dekompositionsstufe zu bilden; der Prozessor (12) einen ersten Datenblock (264) in der ersten Dekompositionsstufe identifiziert, wobei der erste Datenblock (264) eine Untermenge der mehrdimensionalen Daten aufweist; und das Transformationsmodul (18) die Vorwärtstransformation an dem ersten Datenblock (264) ausführt, um eine zweite Dekompositionsstufe zu erzeugen.