增强图像数据/剂量减小下文总体涉及增强图像数据，诸如将较低剂量图像数据的图像质量增
强（减小噪声）到与较高剂量图像数据的图像质量基本相同，并且本发明
尤其适用于计算机断层摄影（CT）。然而，本发明还适用于其他医学成像应
用和非医学成像应用。
多切片计算机断层摄影（CT）扫描器包括安装在可旋转扫描架上的X
射线管，可旋转扫描架关于纵轴或z轴绕检查区域旋转。X射线管发射辐
射，辐射贯穿检查区域和其中的受检者或对象。二维探测器阵列与X射线
管相对，在检查区域的对侧延伸一角度弧。探测器阵列包括相对彼此对准
并且沿z轴延伸的多排探测器。探测器探测贯穿检查区域和其中的受检者
或对象的辐射并生成指示其的投影数据。重建器处理投影数据并重建指示
其的三维（3D）体积图像数据。处理体积图像数据以生成检查区域的一幅
或多幅图像，检查区域包括设置于其中的受检者或对象的部分。
文献指出，2007年美国进行了估计68.7百万次CT流程。遗憾的是，
CT扫描器会发射致电离辐射，并从而使患者暴露于致电离辐射。患者体内
沉积的辐射剂量取决于多种因素，包括，但不限于，管电流（mA）、管电
压（kVp）、间距/曝光时间（对于螺旋扫描）、切片厚度和间隔（对于轴向
扫描）、研究中的扫描次数和患者体格。可以通过减小管电流、管电压和/
或扫描次数，和/或增大间距、切片厚度和/或切片间隔，来减小患者体内沉
积的剂量。然而，图像噪声与辐射剂量成反比，并且因此减小辐射剂量不
仅减少了患者体内沉积的剂量，而且增大了图像噪声，这降低了图像质量
（例如，图像分辨率），也可能降低了流程的诊断价值。
本申请的各方面解决了上述问题和其他问题。
根据一个方面，一种方法包括基于较低剂量图像数据和预定图像质量
阈值生成增强图像数据，其中，增强图像数据的图像质量与较高剂量图像
数据的图像质量基本相似。
根据另一方面，一种系统包括图像质量增强器，其基于较低剂量图像
数据和预定图像质量阈值生成增强图像数据，其中，增强图像数据的图像
质量与较高剂量图像数据的图像质量基本相似。
根据另一方面，一种方法包括基于噪声标准偏差和全局算法确定图像
数据的噪声标准偏差、图像数据中的第一组离群值（outlier），并基于以第
一组离群值为基础确定的一组正常值（inlier）确定噪声分布。
根据另一方面，一种方法包括将一个或多个模型拟合到图像数据；识
别所述一个或多个模型中能够从图像数据去除噪声，同时保留图像数据中
表示被扫描对象或受检者的结构的模型；以及采用所识别的模型从所述图
像数据去除噪声并生成噪声减小的图像数据。
根据另一方面，一种方法包括获得较低剂量图像数据；获得噪声减小
的图像数据，其中，基于较低剂量图像数据或用于生成较低剂量图像数据
的投影数据来生成噪声减小的图像数据；以及基于较低剂量图像数据和噪
声减小的图像数据来生成增强图像质量的图像数据。
本发明可以采用各种部件和部件布置，以及各种步骤和步骤安排的形
式。附图仅用于图示说明优选实施例，而不应被解释为限制本发明。
图1图示了成像系统和图像质量增强器。
图2图示了基于图像数据生成增强图像数据的图像质量增强器的范例。
图3图示了图像质量增强器的噪声建模器。
图4图示了图像质量增强器的噪声去除器。
图5针对满剂量、减小的剂量和利用增强扫描的减小的剂量图解示出
了梯度幅度曲线。
图6图示了基于投影数据生成增强图像数据的图像质量增强器的范例。
图7-11图示了各种方法。
下文总体涉及基于预定图像质量（噪声）阈值增强较低剂量图像数据
或减少其中的噪声，使得经增强的较低剂量图像数据的图像质量与较高剂
量图像数据的图像质量基本相似。这样能够减少患者剂量，同时保持图像
质量。
图1图示了诸如计算机断层摄影（CT）扫描器的成像系统100。成像
系统100包括一般静止的扫描架102和旋转扫描架104。旋转扫描架104由
静止扫描架102可旋转地支撑并关于纵轴或z轴108绕检查区域106旋转。
诸如X射线管的辐射源110由旋转扫描架104支撑。辐射源110从焦
斑发射辐射，并且辐射贯穿检查区域106。源控制器112控制源110，包括
控制源电流和/或电压。
源准直器114包括准直构件，其准直辐射以形成大致为锥形、楔形、
扇形或其他形状的辐射束。准直器控制器116控制源准直器114，包括控制
构件的相对位置，这便于界定x和/或z轴辐射束宽度。
二维辐射敏感探测器阵列118跨检查区域106与辐射源110相对的延
伸一角度弧。探测器阵列118包括沿着z轴108方向延伸的多排探测器。
探测器阵列118探测贯穿检查区域106的辐射并生成指示其的投影数据。
重建器120重建投影数据并生成指示其的三维（3D）体积图像数据。
重建器120可以采用常规3D滤波反向投影重建、锥形射束算法、迭代算法
和/或其他算法。
患者支撑物122，诸如卧榻，在检查区域106中支撑着诸如人类患者的
对象或受检者。患者支撑物控制器124控制患者支撑物122，包括在扫描期
间控制患者支撑物122通过检查区域106移动的速度。
通用计算系统或计算机充当操作员控制台126。控制台126的处理器执
行在控制台126上的计算机可读指令，其允许操作员控制系统100的操作，
诸如选择低剂量扫描规程；设置扫描参数，诸如源电流、源电压、射束宽
度、间距、切片厚度、扫描类型（例如，轴向或螺线/螺旋）和扫描次数；
启动扫描等。
系统100可以用于执行满剂量扫描和较低或降低剂量的扫描。
图像质量增强器128增强由成像系统100（或其他成像系统）生成的图
像数据，诸如来自较低剂量扫描的图像数据。在一个实施例中，基于预定
图像质量阈值，诸如图像噪声阈值，来增强图像数据。如下文更为详细的
描述，这可以包括从用于生成图像数据的投影数据确定图像数据的噪声标
准偏差或噪声方差分布，并基于初始较低剂量图像数据和利用噪声标准偏
差或噪声方差分布生成的噪声降低的图像数据来生成增强图像数据。
结果，图像增强器128能够用于将较低剂量扫描的图像数据的图像质
量增强到与等价较高剂量或满剂量扫描中的图像质量大致相同或基本相
似。因此，能够减小患者剂量，同时保持预定水平的图像质量，并保留被
扫描对象的基本结构。图像增强器128还能够被配置成增强特定感兴趣结
构（例如，边缘）和/或生成相对于一个或多个采集参数（例如，切片厚度）
基本不变的数据。
在图示的实施例中，图像增强器128是系统100的一部分，但与控制
台126分离。在另一实施例中，图像增强器128是控制台126的一部分。
在又一实施例中，图像增强器128远离系统100，例如，在系统100所在的
检查室外部的计算系统中，诸如在工作站中。图像增强器128还包括一个
或多个处理器，其执行在增强器128的计算机可读存储介质或其他部件中
存储或编码的一条或多条计算机可读和可执行指令，以执行本文所述的功
能。
图2图示了图像质量增强器128的范例。在本范例中，图像增强器128
被配置成基于从重建（图像）数据确定的噪声分布来增强图像数据。
图像增强器128包括采集参数分析器202，其分析用于扫描对象或受检
者并生成图像数据的一个或多个数据采集（扫描）参数。应当认识到，可
以从控制台126、存储器和/或其他部件获得和/或由用户手动输入采集参数。
采集参数分析器202自动从数据采集参数确定信息，并且在生成增强
图像数据时可以考虑该信息。例如，采集参数分析器202能够从数据采集
参数相关的切片厚度自动识别信息，并且可以将这一信息用于生成相对于
采集切片厚度基本不变的增强图像数据。
在确定下文（例如，在方程2中）定义的空间内核权重时可以考虑该
信息并将其用于去除噪声，并且所述信息包括，但不限于，针对滤波内核
的最小数量的空间权重和中央空间权重。这两个参数可以便于平衡相邻体
素在噪声去除内核中的相对影响，同时保持滤波内核相对于研究切片厚度
不变的空间分量的大小和强度。这种平衡实现了相对于采集切片厚度接近
不变的结果。一旦设置了空间加权内核，就从其导出切片厚度相关的算法
参数。
应当理解，此外或备选地，可以从数据采集参数获得其他信息并将其
用于产生增强图像数据。此外，在另一实施例中，省去了采集参数分析器
202。在这样的实施例中，以其他方式确定特定信息并将其传输到图像质量
增强器128或在确定增强图像数据时不使用。
图像增强器128还包括噪声建模器204，其基于图像数据对噪声分布进
行建模或计算。在图3中图示了这种噪声建模器的范例。
如图3所示，噪声建模器204包括噪声标准偏差（STD）确定器302，
其针对图像数据中体素的子部分确定噪声标准偏差。通常，在子部分跨图
像体积变化时，体素子部分的标准偏差表现为具有混合密度分布的随机变
量。这些子部分包括与不均匀区域相对应的离群值（边缘）的子部分和包
括与均匀区域相对应的正常值（非边缘）的子部分。
全局离群值标识器304基于全局算法和噪声标准偏差标识图像数据中
的离群值。在一种非限制性情况中，这包括相对图像数据的其余部分分割
被扫描的对象或受检者。可以通过阈值化，随后通过区域生长技术或其他
技术来实现分割。分割数据可以便于减少接下来将处理的体素数量，从而
减少处理时间。
全局离群值标识器304然后分析所分割的数据。在一种情况下，全局
分析包括使用被扫描对象或受检者的小区域的局部STD的直方图，其中，
直方图表示图像数据中局部STD的分布。可以利用这种直方图识别疑似离
群值上的局部STD，例如，根据信号值超出了分布的固定百分比或以其他
方式进行识别。
正常值处理器306处理正常值（从离群值确定的）并生成针对图像数
据的噪声STD分布。在图示的实施例中，正常值处理器306基于平滑化算
法处理正常值，所述平滑化算法诸如是在局部STD图像数据上应用的宽度
二维（2D）中值滤波器算法。在图示的实施例中，所得STD矩阵中的被指
定为离群值的值被忽略，并利用内插（例如，线性、样条等）填充新噪声
水平中任何剩余离群值。
在备选实施例中，利用多分辨率技术估计宽度中值。利用近似可以便
于减少处理时间。在另一备选实施例中，利用包括局部STD分布的两个极
值的重复模式（pattern）替换离群值局部STD值，并且该模式与多分辨率
计算同步。这种替换允许针对每个独立分辨率在图像中的区域上计算常规
中值。可以选择具体的替换模式，使得近似结果非常接近规则中值计算的
结果。
判决部件308确定是否细化噪声STD分布。在图示的实施例中，这种
判决至少部分基于预定判决准则310，预定判决准则可以存储在本地或远程
存储器中。在一种情况下，所述准则包括最大数量的迭代。此外或备选地，
该准则基于两次迭代结果之间的差异和预定差异范围，其中，如果差异在
预定差异范围之内，不执行连续迭代。此外或备选地，该准则基于预定时
间段，其中，在过去该时间段之后，不执行连续迭代。
对于其中要细化噪声STD分布的情况，局部离群值和/或正常值标识器
312基于局部算法从正常值识别一组离群值。在一种情况下，这包括基于初
始图像数据的局部标准偏差和新噪声水平估计之间的比较来调节该组离群
值。可以通过仅在其值显著高于其对应的局部噪声水平估计时才将原始图
像中的局部标准偏差识别为离群值来实现这一目的。然后如上所述针对局
部噪声水平确定新的估计。
噪声建模器204输出指示噪声STD分布的信号。
图像质量增强器128还包括噪声去除器206，其基于噪声STD分布从
图像数据去除噪声。图4中示出了噪声去除器206的范例。
如图4中所示，噪声去除器206包括模型拟合器402，其将来自模型库
406的各种局部结构模型404拟合到图像数据。在一个实施例中，这包括将
一个或多个局部结构模型拟合到每个体素及其三维（3D）邻域。
噪声去除器206还包括模型选择器408，其从能够从图像数据去除噪声
的拟合的模型来选择模型，同时保留图像数据中表示被扫描对象或受检者
的结构。所图示的模型选择器408基于一种或多种算法410选择模型，诸
如算法库412中的统计学习或其他机器学习算法。
噪声去除器206还包括模型应用器414，其向图像数据应用所选择的模
型以去除噪声。从对应的模型值确定体素的新估计值。模型应用器414的
输出是无噪声图像数据。
下文描述了拟合模型、选择模型和应用所选择的模型的非限制性范例。
对于本范例，给定具有索引i、j和k的体素的3D图像体积V，可以基于方
程1发现距有噪声图像V的子体积Vi+i′，j+j′,k+k′的加权欧几里得距离最小的无
噪声结构M：
方程1：
p ^ = arg min p Σ i ′ = - n n Σ j ′ = - n n Σ k ′ = - n n ( V i + i ′ , j + j ′ , k + k ′ - M i ′ , j ′ , k ′ ( p ) ) 2 w 2 i ′ , j ′ , k ′ , ]]>
其中，对于正整数n，索引i′、j′和k′取从-n到n的值，p代表自由参数矢
量，Mi′，j′，k′(p)代表体积中(i+i′,j+j′,k+k′)体素的模型值，wi′，j′，k′代表权重因子，
而代表自由参数的最佳值。
可以基于方程2确定权重因子：
方程2：
wi′，j′，k′=w空间i′，j′，k′wHUi′，j′，k′，
其中，w空间i′,j′，k′代表根据它们与Vi,j，k的空间距离用于相邻体素的权重，而
wHUi′，j′，k′代表根据它们与HU（Hounsfield单位）空间中的Vi,j，k的空间距离用
于相邻体素的权重。
可以基于方程3确定w空间i′，j′，k′：
方程3：
其中，dx是像素的大小（例如，单位为毫米或mm），dz是切片宽度（例如，
单位为mm），而σ空间是控制权重的侵蚀度的算法参数。
可以基于方程4确定wHUi′，j′，k′：
方程4：
w HU i ′ , j ′ , k ′ = exp ( - ( V i , j , k - V i + i ′ , j + j ′ , k + k ′ ) 2 2 ( n ^ i , j , k mult ) 2 ) , ]]>
其中，是体素Vi,j，k的局部噪声水平估计，mult是控制权重的侵蚀度的算
法参数。具体的定位加权指导拟合模型以保持体积的局部结构。
出于解释性的目的，假设模型库406包括两个模型404，常数模型
Mi′,j′，k′(c)=c和二次多项式模型当然，本文
也想到了其他模型。
对于常数模型，该模型拟合作为方程5所示的函数与加权平均重合：
方程5：
V ^ 1 i , j , k = Σ i ′ = - n n Σ j ′ = - n n Σ k ′ = - n n V i + i ′ , j + j ′ , k + k ′ w 2 i ′ , j ′ , k ′ Σ i ′ = - n n Σ j ′ = - n n Σ k ′ = - n n w 2 i ′ , j ′ , k ′ , ]]>
其中，代表针对体素Vi,j，k的新无噪声估计。可以利用标准最小化技术，
例如，通过发现成本函数上第一导数的零点来获得方程5。
对于二阶多项式模型，该模拟拟合与方程6中表示的过度确定的线性
系统的最小平方解重合：
方程6：
A x → = b → , ]]>
其中，矩阵A是(2n+1)3×4矩阵，对于固定的整数三元组(i′,j′,k′)，行为
1 ( i ′ n ) 2 ( j ′ n ) 2 ( k ′ n ) 2 w i ′ , j ′ , k ′ , ]]>矢量b是长度为2n+1的矢量，具有针对每个固
定的整数三元组(i′,j′,k′)对应项Vi+i′，j+j′,k+k′wi′，j′，k′。可以基于方程7找到方程6
的最小平方解：
方程7：
x → = ( A T A ) - 1 A T b → . ]]>
可以利用各种矩阵求逆算法找到逆矩阵ATA。
出于解释性的目的，假设矩阵ATA具有满秩的阶。还假设矢量（值d）
的第一分量是感兴趣分量，因为仅更新n邻域的中央像素，并且体素Vi，j,k的
估计无噪声值是 V ^ 2 i , j , k = M 0,0,0 ( x → ) = d . ]]>
在以上假设下，可以基于方程8确定无噪声估计：
方程8：
V ^ 2 i , j , k = C 11 C 21 C 31 C 41 · A ′ b | A ′ A | , ]]>
其中，C是矩阵A′A的(i,j)余子式，[C11C21C31C41]是由四个余子式构成
的1×4矩阵。
在一种情况下，首先将以上两种模型之一，诸如两种模型中的最简单
的，拟合到图像数据。在本范例中，首先拟合常数模型。然后针对所拟合
的模型确定度量。在方程9中描述了适当度量的范例：
方程9：
其中，是第一模型的所得的无噪声估计体积，V是原始未处理体积。
将该度量与预定阈值TH进行比较，例如，如方程10的不等式所示：
方程10：
可以利用蒙特卡罗技术，例如，在合成均匀噪声研究中估计阈值TH。例如，
可以基于大于50%的统计显著性，例如60%、80%、90%、95%、99%或其
他统计显著性，以各种方式设置阈值TH的默认值。
如果该度量满足阈值，那么选择并应用多项式模型。否则，选择并应
用常数模型。注意，方程10捕捉第一模型（在本范例中为常数模型）的有
效性。通常，如果第一模型不够有效，那么采用第二模型。
任选地，可以迭代地应用以上方法。利用迭代方式，将一次迭代的结
果用作后续迭代的输入。后续迭代可以进一步减少噪声。
图像质量增强器128任选地包括结构分量增强器208。在一种情况下，
结构分量增强器208提供自适应结构分量图像增强。在一个实施例中，结
构分量增强器208自适应地通过利用软阈值化技术并入噪声水平估计来锐
化图像数据以实现预定的审美图像清晰度。
可以利用拉普拉斯算子或其他方式实现锐化。利用拉普拉斯算子方式，
可以根据局部拉普拉斯算子、局部噪声水平和各种输入参数自适应地确定
锐化的水平。可以使用参数控制锐化的侵蚀和调整的量。
图像质量增强器128还包括增强图像生成器210。图示的增强图像生成
器210基于图像数据和噪声减小的图像数据生成增强的图像。在一种情况
下，增强图像生成器210通过基于逐体素地组合图像数据和噪声减小的图
像数据来生成增强的图像数据。可以基于线性或非线性混合算法组合数据。
在图示的实施例中，基于预定的IQ（噪声）准则212来组合数据。IQ
准则212是可调节的（例如，能够基于用户输入来设置和更改），这允许控
制增强图像数据中的噪声水平，其与采集剂量直接相关。这样一来，用户
能够设置噪声水平并生成增强的图像数据，并且然后针对一个或多个其他
噪声水平重复这一操作。在一种情况下，设置IQ准则212以允许保留噪声
功率谱。
下文描述了一种非限制性方法，其用于确定图像数据和噪声减小的图
像数据的混合比率。该算法取原始和滤波图像的标准偏差信号并形成另一
信号，这两个信号的比率。在丢弃离群值之后找到混合比率作为该比率的
中值。
在Istd是原始图像的局部标准偏差并且Istd2是降噪图像的局部标准偏差
时（两者都是利用盘半径r≥1确定的），可以基于方程11针对图像中的每对
像素索引(i,j)计算它们的比率：
方程11：
S ( i , j ) = I std 2 ( i , j ) I std ( i , j ) , ]]>
（或者其中，划分基于逐个元件）。第一层离群值来自矩阵O1，其
利用扩大半径d≥1被定义为矩阵B分类器的扩大版本，其中，B分类器是从方程10
中的条件导出的布尔矩阵：
矩阵S中的其他离群值被识别为大于一的那些。但并非丢弃它们，而是仅选
择它们的小数部分，如方程12中所示：
方程12：
S1={mod(S(i,j),1)|对于所有(i,j)使得O1(i,j)＝′假′}，
在伪代码记数法中可以将其写为S1=mod(S(~O1),1)。可以将估计因子f确定为
信号S1的中值或信号S1的模式。
给定目标噪声降低T，然后基于方程13从已处理图像的噪声方差等于
原始图像的方差乘以1-T的要求来确定第一混合比率估计：
方程13：
p 1 = 1 - 1 - 1 - T 1 - f . ]]>
在下一步骤中，基于方程14通过乘数k和偏置b校正混合比率p1：
方程14：
p2=k*p1+b。
然后，例如，基于方程15中的公式从其必须在预定范围0≤m1≤m2,≤1之
内的要求确定混合比率：
方程15：
如上所述，本文所述的图像质量增强器128可以用于增强较低剂量图
像数据，使得较低剂量图像数据的图像质量与满剂量图像数据的图像质量
相同或基本相似。
在图5中图解示出了这种情况，图5分别针对满（100%）剂量扫描、
50%剂量扫描和利用图像增强的50%剂量扫描示出了梯度幅度分布502、
504和506。幅度分布与图像质量成正比。如图所示，利用图像增强的50%
剂量扫描的梯度分布506与满（100%）剂量扫描的梯度分布502基本相似。
想到了各种变化。
在图2中，噪声建模器204基于用于生成增强的图像数据的图像数据
生成噪声STD分布。在备选实施例（图6）中，噪声建模器204基于用于
确定增强图像数据的投影数据生成噪声方差分布。
对于本范例而言，噪声建模器204处理投影数据中的线积分测量结果，
并生成针对投影数据的噪声方差分布。在一种情况下，可以如下实施这种
操作。首先，从投影数据生成方差正弦图。为此目的，对于每个线积分值
（或者正弦图中的每个样本），根据方程16计算测量结果的方差：
方程16：
1 ( NO ) · e ( - P ) ; ]]>
其中，NO是沿着电流射线到患者的输入光子的数量，P是沿电流射线的衰
减的线积分。
方程16考虑了光子发射的泊松性质。在其他实施例中，可以扩展方程
16，从而还考虑来自散射、射线束硬化、电子噪声和/或其他效应的噪声。
还考虑其他效应的模型范例包括Jens Wiegert 2007年博士论文“Scattered
radiation in cone-beam computed tomography：analysis,quantification and
compensation”中所描述的模型。
在备选实施例中，使用新的正弦图代替原始投影数据，可以通过2D或
3D重建图像体积正向投影来生成新正弦图。这样一来，即使在没有原始投
影数据或可以读取访问时，也能够生成噪声方差分布。
噪声建模器204处理噪声方差分布并生成噪声方差图像数据。噪声建
模器204能够采用与图1的重建器120所采用的算法相似的重建算法或不
同的重建算法，其能够针对重建器120生成的图像数据中的每个体素或体
素的选定子部分来确定噪声方差。
例如，在一种情况下，噪声建模器204以与常规滤波反向投影重建相
同或接近相同的方式重建数据，这需要两个卷积运算（而非仅一个），对于
3D反向投影，需要经修改的视图加权函数。
在沿角度方向和径向对投影进行内插（角度和径向重新分组）的情况
下，内插可能影响重建图像数据中的噪声。以上算法还与结合角度和径向
重新分组的效果的方法兼容，例如，将方差正弦图数据乘以在探测器空间
内变化的因子。
应当认识到，也可以将上述噪声方差图像数据用于其他应用。例如，
可以将噪声方差图像数据用于图像去噪算法以便于去除噪声。
在一种情况下，可以将这种噪声方差图像的平方根用于噪声去除步骤
206中而非噪声建模器204的结果（参见图2）。
在其他情况下，这包括采用Rudin/Osher/Fatemi噪声降低算法的应用。
例如，给定噪声图像f(x,y)，其域Ω和标量λ，可以使用这种算法获得成本
函数的最小化值作为无噪声图像u(x,y)：利用
这一成本函数，可以使用图像噪声方差改变正比于1/v的λ参数的强度，其
中，v是估计的图像方差（每个体素）。
在其他实施例中，使用其他算法来执行图像去噪声操作，例如，减小
图像噪声，同时保留实际结构的强梯度并向去噪声过程中结合噪声方差数
据的其他算法。作为另一个范例，可以将噪声方差图像数据用于优化噪声，
例如考虑剂量优化噪声的应用。在2009年10月22日提交的题为
“Acquisition Protocol Assessment Apparatus”的专利申请No.61/253881中
描述了这样的应用，在此通过引用将其全文并入。
图7-11描述了各种方法。应当认识到，动作的排序不是限制性的，一
个或多个动作可能以不同次序发生。此外，可以省去一个或多个动作和/或
可以增加一个或多个动作。
图7图示了用于增强图像数据的方法。如本文所论述的，这包括增强
低剂量图像数据，使得低剂量图像数据的图像质量与满剂量图像数据的图
像质量相同或基本相似。
在702，对噪声分布建模。在一种情况下，噪声分布是基于图像数据生
成的噪声STD分布。在另一种情况下，噪声分布是基于投影数据生成的噪
声方差分布。
在704，通过基于噪声STD分布或噪声方差分布从图像数据去除噪声
来生成噪声减小的图像数据。
在706，增强了噪声减小的图像数据中的结构。在另一实施例中，省去
了动作706。
在708，基于初始图像数据和噪声减小的图像数据，例如，通过如本文
所述的基于图像质量阈值来组合初始图像数据和噪声减小的图像数据，生
成增强的图像数据。
图8图示了用于对图像数据中的噪声建模的方法。
在802，针对图像数据确定噪声标准偏差。
在804，基于噪声标准偏差和全局算法在图像数据中识别第一组离群
值。
在806，基于一组正常值确定噪声减小的图像数据，正常值是基于第一
组离群值确定的。如上所述，可以通过在正常值上应用平滑滤波器来实现
这一目的。
如果确定应当细化噪声图像，那么在808，基于该组离群值识别后续组
的离群值，并基于后续组的正常值确定细化的噪声减小的图像数据，噪声
减小的图像是基于后续组的离群值确定的。
图9图示了用于对投影数据中的噪声建模的方法。
在902，基于投影数据生成方差分布。
在904，通过用第一滤波器对方差分布进行滤波来生成第一滤波方差图
像数据。范例第一滤波器是斜变平方滤波器。
在906，通过用第二滤波器对方差分布进行滤波来生成第二滤波方差图
像数据。范例第二滤波器是偏移斜变滤波器。
在908，组合第一和第二滤波方差数据。在一个非限制性范例中，利用
伸展组合算法，例如如下所示组合数据：
v(r,z)=w2v(r,s0)+(1-w)2v(r,s0+1)+2w(1-w)v(r,s0)。
在910，通过将组合数据进行反向投影来生成噪声方差图像数据。这可
以利用平方楔或其他权重或无权重来完成。
图10图示了用于从图像数据去除噪声并生成噪声减小的图像数据的方
法。
在1002，将一个或多个模型图像数据。
在1004，识别一个或多个模型中能够从图像数据去除噪声，同时保留
图像数据中表示被扫描对象或受检者的结构的一种模型。
在1006，将所识别的模型应用于图像数据以从图像数据去除噪声并生
成噪声减小的图像数据。
图11图示了用于生成增强的图像数据的方法。
在1102，获得初始图像数据。
在1104，获得噪声减小的图像数据。
在1106，基于初始图像数据和噪声减小的图像数据生成增强的图像数
据。如本文所论述的，对增强图像数据有贡献的初始图像数据和噪声减小
的图像数据的每个的百分比基于预定IQ准则。
可以利用计算机可读指令实施以上操作，当所述计算机可读指令在计
算机处理器执行时，令处理器执行所述动作。在这种情况下，将指令存储
在与相关计算机关联或以其他方式可被相关计算机访问的计算机可读存储
介质中。
本文已经参考各实施例描述了本发明。他人在阅读本文的描述之后可
能想到修改和变更。应当将本发明解释为包括所有这样的修改和变更，只
要它们在所附权利要求或其等价要件的范围之内。