重建图像数据

摘要

本发明公开了重建图像数据，具体介绍了一种方法，其包括用于使用多处理器单元确定可用重建算法的最优加权执行序列的技术。该介绍的方法包括在图像数据的代表性切片上执行一系列最优加权执行序列候选项，并且比较它们的结果以便将这些候选项之一选为最优加权执行序列。

权利要求

1.一种用于重建图像数据的系统，该系统包括：

多处理器单元，其被配置为：

接收处理图像数据的请求；

基于所述请求选择要对所述图像数据执行的一种或更多种重建算法；以及确定所述一种或更多种重建算法的最优加权执行序列，其中所述最优加权执行序列包括用于每种所述重建算法的权重以及用于所述一种或更多种重建算法的执行序列。

2.如权利要求1所述的系统，其中所述多处理器单元进一步被配置为依照所述最优加权执行序列执行所述重建算法。

3.如权利要求1所述的系统，进一步包括成像设备，该成像设备通信地耦合到所述多处理器单元并且被配置为生成所述图像数据并将所述图像数据传输至所述多处理器单元。

4.如权利要求3所述的系统，其中所述成像设备为位于所述多处理器单元的远处的远程成像设备。

5.如权利要求3所述的系统，其中所述成像设备为与所述多处理器单元共同位于服务器中的本地成像设备。

6.如权利要求1所述的系统，其中所述最优加权执行序列基于以下中的至少一个来确定：资源约束；所述图像数据的特性；所述重建算法的特性；优选处理参数；或者患者特性。

7.如权利要求6所述的系统，其中所述优选处理参数包括优选性能参数或者优选视觉参数中的一个或更多个。

8.如权利要求6所述的系统，其中所述重建算法的所述特性包括以下中的至少一个：所述重建算法涉及的处理参数，所述重建算法的迭代次数，所述重建算法的收益递减点，或者所述重建算法的覆盖范围。

9.如权利要求6所述的系统，其中所述图像数据的所述特性包括以下中的至少一个：所述图像数据涉及的模式，或者所述图像数据的分辨率。

10.如权利要求6所述的系统，其中所述患者特性包括以下中的至少一个：正被治疗的病症或疾病，正被治疗的人体的器官或区域，或者所述图像数据与之关联的患者的治疗史。

11.如权利要求6所述的系统，其中所述请求包括所述图像数据、所述优选处理参数以及所述重建算法。

12.如权利要求1所述的系统，其中所述最优加权执行序列使用机器学习模型来确定。

13.如权利要求6所述的系统，所述最优加权执行序列通过以下方式来确定：基于其中一些所述患者特性确定所述图像数据的代表性部分；

确定所述重建算法的多个加权执行序列；

依照所述加权执行序列对所述代表性部分并行地执行所述重建算法；以及选择所述加权执行序列中为所述优选处理参数提供最佳品质因数(FOM)的一个加权执行序列作为所述最优加权执行序列。

14.如权利要求13所述的系统，其中在并行执行时,所述加权执行序列中的每一个由所述多处理器单元的不同处理器执行。

15.一种用于处理图像数据的方法，所述方法包括：

接收处理图像数据的请求；

基于所述请求选择要被执行以处理所述图像数据的一种或更多种重建算法；以及确定所述重建算法的最优加权执行序列，其中所述最优加权执行序列包括用于每种所述重建算法的权重以及用于所述一种或更多种重建算法的执行序列。

16.如权利要求15所述的方法，进一步包括依照所述最优加权执行序列执行所述重建算法。

17.如权利要求15所述的方法，其中所述请求接收自成像设备，所述成像设备通信地耦合到执行所述方法的多处理器单元。

18.如权利要求15所述的方法，其中所述最优加权执行序列基于以下中的至少一个来确定：资源约束；所述图像数据的特性；所述重建算法的特性；优选处理参数；或者患者特性。

19.如权利要求18所述的方法，其中所述优选处理参数包括优选性能参数或者优选视觉参数中的一个或更多个。

20.如权利要求18所述的方法，其中所述重建算法的所述特性包括以下中的至少一个：所述重建算法涉及的处理参数，所述重建算法的迭代次数，所述重建算法的收益递减点，或者所述重建算法的覆盖范围。

21.如权利要求18所述的方法，其中所述图像数据的所述特性包括以下中的至少一个：所述图像数据涉及的模式，或者所述图像数据的分辨率。

22.如权利要求18所述的方法，其中所述患者特性包括以下中的至少一个：正被治疗的病症或疾病，正被治疗的人体的器官或区域，或者所述图像数据与之关联的患者的治疗史。

23.如权利要求18所述的方法，其中所述请求包括所述图像数据、所述优选处理参数以及所述重建算法。

24.如权利要求15所述的方法，其中所述最优加权执行序列使用机器学习模型来确定。

25.如权利要求18所述的方法，所述最优加权执行序列通过以下方式来确定：基于其中一些所述患者特性确定所述图像数据的代表性部分；

确定所述重建算法的多个加权执行序列；

依照所述加权执行序列对所述代表性部分并行地执行所述重建算法；以及选择所述加权执行序列中为所述优选处理参数提供最佳品质因数(FOM)的一个加权执行序列作为所述最优加权执行序列。

26.如权利要求25所述的方法，其中所述FOM使用以下中的至少一个来确定：人工/自动ROI检测，基于模型的评估，或者基于多个用户的投票机制。

27.如权利要求15所述的方法，其中基于所述各自权重并且顺序地基于所述执行序列对所述图像数据迭代地执行每种所述重建算法。

说明书

重建图像数据

[0001] 相关申请的交叉引用

[0002] 本申请要求Shekhar Dwivedi于2018年8月22日提交的、题为“用于图像重建的算法加权系统(Algorithm Weighting System for Image

[0003] Reconstruction)”、与本申请共同转让并且通过引用合并于此的美国临时申请No.62/721,517的权益。

技术领域

[0004] 本申请总体上涉及数据成像。更具体地，本申请涉及一种用于图像重建的加权和排序重建算法的系统和方法。

背景技术

[0005] 数据成像是由各行各业利用的一种重要技术。取决于领域，任何特定行业在成像操作中的习惯可能是使用一种或更多种成像模式产生一幅或更多幅多维图像。在医疗成像中，例如，可以使用包括X射线、MRI、CT扫描和超声在内的一系列模式产生图像。基于X射线的成像也用在安全、石油和天然气行业中。

发明内容

[0006] 在一个方面，描述了一种用于重建图像数据的系统。该系统包括多处理器单元，其被配置为：接收可视化图像数据的请求；基于该请求选择要对图像数据执行的一种或更多种重建算法；以及确定重建算法的最优加权执行序列。该最优加权执行序列包括用于每种重建算法的权重以及用于这些重建算法的执行序列。

[0007] 在另一方面，描述了一种用于重建图像数据的方法。该方法包括：接收可视化图像数据的请求；基于该请求选择要被执行以处理图像数据的一种或更多种重建算法；以及确定重建算法的最优加权执行序列，其中该最优加权执行序列包括用于每种重建算法的权重以及用于这些重建算法的执行序列。

附图说明

[0008] 现在，结合附图参考以下描述，在附图中：

[0009] 图1示出依照本公开原理构建的一种用于重建图像数据的系统的实施例；

[0010] 图2示出依照本公开原理构建的一种多处理器单元的实施例；

[0011] 图3示出依照本公开原理实施的一种用于重建图像数据的方法的实施例的流程图；以及

[0012] 图4示出重建的图像的示例。

[0013] 详细描述

[0014] 图像重建是一种从来自成像设备——例如传感器的数据生成图像的技术。文献和实践中存在许多不同的重建算法，并且每种算法为最终图像的质量提供不同的效益。这些重建算法的排序和加权可能对于最终图像质量具有重大影响，并且算法序列和权重的独特“配方”可能是产生最优图像所必需的。

[0015] 加权和排序高度依赖于手头的问题、应用和若干其他因素。因此，利用不同的权重和序列测试每一种组合几乎是不可能的。正因为如此，图像重建传统上通过以下方式执行：要么通过使用仅仅一种算法——该算法通常在相同图像数据上通过若干次迭代应用，有时数百次迭代，要么通过在预处理或者后处理阶段期间应用与重建期间使用的算法不同的算法以增强最终图像质量。

[0016] 然而，重建期间算法被应用的迭代次数经常是静态的，而不管为之/在其上执行的数据集重建或具体任务如何。情况往往是这样的，应用的迭代的次数远远超过收益递减点(point of diminishing returns)，即，每次附加迭代的效益不再胜过应用该迭代的成本的点。而且，在预处理或者后处理期间应用不同的算法需要延长预处理和后处理的时间，这通常由于缺乏时间和计算资源而难于适应。正因为如此，常规的方法在遭受显著减少的收益的同时导致了微不足道的或者难以察觉的效益。

[0017] 本公开介绍了一种使用多处理器单元生成可用重建算法的最优加权执行序列的技术。该介绍的技术可以参数化以便生成加权序列，该加权序列在给定时间和计算资源的情况下提供最佳重建图像。应当理解，“最优加权执行序列”表示加权重建算法的执行序列，处理单元依照该序列对给定图像数据执行某些重建算法，以便在给定时间约束下从中重建超过一个或更多个质量偏好基准/阈值的图像。最优加权执行序列包括重建算法应当以其运行的序列/顺序以及每种重建算法应当利用其运行以便重建图像数据的各权重(或者迭代或时间百分比)。

[0018] 在一个实施例中，介绍的技术通过在重建期间测试出多个加权序列并且选择最佳序列而动态地确定用于两种或更多算法的最优加权序列。介绍的技术对来自图像数据的代表性部分测试加权序列，而不是对全体图像数据测试加权序列。介绍的技术使用多处理器单元的并行处理能力并行地测试多个加权序列。正因为如此，介绍的技术可以通过利用高级硬件处理器(诸如一个或更多个GPU)的并行处理能力使用与常规方法相比少得多的时间量和计算资源测试多个加权序列。介绍的技术也可以显著减少花费的时间和计算资源，因为需要较少的预处理和后处理。此外，由于加权序列确定过程可以与实际的重建分离，因而如果需要的话，介绍的技术可以在重建之前向用户提供加权序列以供进一步修改。

[0019] 图1示出依照本公开原理构建的一种用于可视化图像数据的系统100的实施例。在图示的实施例中，系统100包括多处理器单元110、本地成像/计算设备120以及远程成像/计算设备130。多处理器单元110可以与本地设备120共同位于用于本地计算的数据中心或服务器150中，或者位于用于云计算的远程成像/计算设备130的远处。多处理器单元110可以基于设备120、130的位置通过局域网、广域网、数据总线和/或无线数据协议通信地连接到设备120、130。

[0020] 在图示的实施例中，多处理器单元110被配置为确定用于处理来自诸如120和130之类的设备中的一个或更多个设备的图像数据的重建算法的最优加权执行序列。多处理器单元110可以是能够进行并行处理的任何处理单元，诸如图形处理单元(GPU)、中央处理单元(CPU)或者CPU和GPU二者的组合。

[0021] 在图示的实施例中，设备120、130中的每一个可以是成像设备，其被配置为生成对象——例如患者的器官——的图像数据。设备120、130可以是射线照相成像设备、磁共振成像(MRI)设备、核医学成像设备、超声成像设备、超声波扫描术成像设备、弹性成像设备、光声成像设备、断层成像设备、超声心动图成像设备、功能性近红外光谱成像设备以及磁粉成像设备。设备120、130中的每一个也可以是计算设备，其被配置为向连接的多处理器单元——例如110——发出请求，以确定最优加权执行序列并且使用该最优加权执行序列最优地可视化图像数据。

[0022] 图2示出依照本公开原理构建的一种多处理器单元200的实施例，诸如图1中的110。多处理器200包括使用常规方式彼此互连的多个处理器210、存储器220、网络接口卡(NIC)230和输入/输出(I/O)接口235。

[0023] 在图示的实施例中，NIC 230和I/O接口235被配置为接收可视化图像数据的请求。该请求可以接收自诸如图1中的120、130之类的任何通信地连接的计算/成像设备，或者接收自诸如(但不限于)键盘、鼠标或者触摸屏之类的直接连接的输入设备。该请求可以包括：
要可视化的图像数据；要被执行以处理图像数据的重建算法；以及请求者的一个或更多个优选处理参数。

[0024] NIC 230和I/O接口235还被配置为从存储器220接收处理结果并且将它们传输至诸如(但不限于)监视器或显示器之类的输出设备，或者传输至其他计算设备。处理结果可以包括可视化图像和/或所选择的重建算法的加权序列。

[0025] 在图示的实施例中，存储器220为被配置为存储各种数据的非暂时性介质。存储器220可以存储接收的请求和输入以及这些请求和输入的处理结果。存储器220也可以存储一系列指令，这些指令在被执行时将处理器210配置为执行用于处理图像数据的方法，该方法的一个实施例在下面利用图3进行描述。

[0026] 处理器210被配置为选择要以最优加权执行序列执行的重建算法。使用所有可用的算法用于排序可能增加工作量，并且可能不是所有的应用和传入的数据集都是需要的。用于排序的算法的有指导的或者策划的选择是必不可少的。重建算法的选择可以在来自用户的输入中或者请求中指定。当未指定这些算法时处理器210可以基于若干因素从可用重建算法中选择它们，这些因素诸如：图像数据的特性，例如图像数据涉及的模式以及图像数据的分辨率；可用重建算法的特性，例如算法增强/削弱的处理参数、算法的迭代次数、算法的收益递减点(每种重建算法在其迭代一定次数时效果如何)以及算法的覆盖范围，例如本地或者全局(给定算法是仅仅影响图像的某一区块还是影响整个图像)；患者的特性，例如正在治疗的疾病/器官和患者的治疗史；以及优选处理参数。应当理解，列出的因素不是排他性的，并且可以包括有关的或者可从列出的因素导出的其他因素。

[0027] 在一个实施例中，重建算法的选择可以使用机器学习模型执行。可以设计一种回归或分类算法。所有可用的算法都用作标签集。真实值(ground truth)通过使用每种算法确定用于每个训练集的品质因数(figure of merit)而创建，于是，创建高于/低于某个阈值的品质因数的所有算法都被认为可用于该训练集。可以从图像数据特性、患者/数据特性、品质因数特性以及时间和计算约束中提取特征集。对于任何新的传入数据，提取特征，并且针对每种可用算法评估机器学习模型以便提出用于新数据的最优算法集。

[0028] 类似于重建算法，所述优选处理参数可以在请求中指定。这些优选处理参数指的是请求者想要在重建期间强调的参数。优选处理参数可以包括以下中的至少一个：诸如用于重建的优选时间量或计算资源之类的优选性能参数，或者诸如信噪比(SNR)、器官对比度、边界处的图像清晰度、峰值SNR、SSIM(结构相似性指数)之类的优选视觉参数，或者功能成像(例如SPECT和PET成像)中的SUV(标准摄取值)。应理解，列出的参数不是排他性的，并且可以包括有关的或者可从列出的参数中导出的其他参数。

[0029] 处理器210进一步被配置为确定选择的重建算法的最优加权执行序列。该最优加权执行序列包括用于每种选择的重建算法的权重以及用于这些选择的重建算法的执行顺序。

[0030] 在一个实施例中，处理器210使用代表性切片(slice)技术确定最优加权执行序列。使用切片技术，处理器210首先选择图像数据的代表性部分，例如包含关于感兴趣区域或器官的最多信息的切片。该部分可以基于诸如(但不限于)正被治疗的疾病/病症、正被治疗的一个或更多个器官和患者的治疗史之类的患者特性进行选择。例如，对于与肺癌患者有关的图像数据，以肺为中心并且因此包含关于肺的最多信息的图像数据的部分——例如一个或更多个切片将被选择。

[0031] 然后，处理器210确定用于该代表性切片的多个加权执行序列。这些加权执行序列表示最优加权执行序列的候选项。这些加权执行序列基于各种因素而确定，这些因素诸如(但不限于)优选处理参数、所选择的重建算法的特性、图像数据的特性以及时间和计算约束。时间和计算约束表示可用来完成所述请求的资源、计算时间要求和可用处理能力。应当理解，列出的约束不是排他性的，并且可以包括有关的或者可从列出的约束中导出的其他约束。

[0032] 当确定了加权执行序列时，依照这些加权执行序列对代表性数据执行所选择的算法。这些加权执行序列使用多处理器单元200的多个处理器210并行地执行以获得最大的效率和速度。这些加权执行序列中的每一个可以在多处理器单元200的不同处理器210上执行，或者这些加权执行序列可以使用全部所述多个处理器210一次一个地执行。

[0033] 基于重建图像的比较，选择加权序列中为优选处理参数提供最佳品质因数(FOM)的一个加权序列作为最优加权执行序列。加权执行序列的FOM可以使用若干机制进行比较，这些机制例如(但不限于)：人工/自动ROI检测，其人工地或者自动地检测重建图像中的感兴趣区域并且比较该区域中的某些处理参数/值；基于模型的评估，其使用预定义模型以评估重建图像的某个区域；以及基于多个用户的投票机制，其中多个用户就哪个为最佳重建图像进行投票。

[0034] 在一个实施例中，最优加权执行序列可以使用预定模板确定。该预定模板是用于为某个数据图像和某些患者特性确定最优加权执行序列而定制的固定模板。例如，可能存在用于与某种模式和某种疾病/病症相应的某一分辨率的图像数据的预定模板。该预定模板可以是从先前的重建结果生成的传递函数。

[0035] 在另一个实施例中，最优加权执行序列可以使用机器学习模型来确定。将用于给定应用的最优加权执行序列看作标签集，机器学习算法(例如分类、决策树/随机森林、神经网络等)可以被设计为计算用于给定输入数据集的“最佳”加权序列。用于学习算法的参数可以提取自手头的应用，例如(但不限于)图像数据特性、患者/对象特性、时间和计算约束、涉及的算法的特性以及品质因数特性。真实值通过利用来自可用加权序列列表的最优加权序列给每个训练集加标签而生成。真实值在根据标签集对所有加权序列检查用于每个训练集的品质因数之后由专家生成。可以使用诸如(但不限于)人工神经网络和/或回归模型之类的机器学习模型。

[0036] 一旦确定了最优加权执行序列，处理器210可以依照该最优加权序列执行选择的重建算法。基于各自权重并且也顺序地基于执行顺序对图像数据迭代地执行每种选择的重建算法。

[0037] 代替本地执行的是，也可以将最优加权序列导出到不同的计算系统。该最优加权序列可以首先存储在存储器220中并且然后经由NIC 230传输至另一个计算系统。

[0038] 图3示出依照本公开原理实施的一种用于可视化图像数据的方法300的实施例的流程图。方法300可以由诸如图2中的200之类的多处理器单元执行。方法300开始于步骤305。

[0039] 在步骤310处，接收最优地处理图像数据或者确定最优加权执行序列的请求。该请求可以接收自本地或者远程设备，例如图1中的120和130，或者接收自输入设备，例如(但不限于)键盘、鼠标或者触摸屏，其通信地连接到正在执行方法300的多处理器单元。如上面利用图2所讨论的，该请求可以包括：要处理的图像数据；要被执行以处理图像数据的重建算法；以及一个或更多个优选处理参数。

[0040] 在一个示例中，在执行图像重建的多处理器单元处接收重建原始正弦图数据的请求。该请求包括原始正弦图数据并且将最少噪声量和最大器官对比度指定为优选处理参数。正弦图数据可以经由无线数据协议接收自远程成像设备。

[0041] 在步骤320处，从可用重建算法中选择要执行的重建算法。步骤310处接收的请求可以指示要执行哪些重建算法。一些通常可用的重建算法包括：同时迭代重建技术(SIRT)；同时代数重建技术(SART)；共轭梯度最小二乘(CGLS)；有序子集期望最大化(OSEM)，其是MLEM的优化版本，其中在迭代过程中使用数据子集；以及最大似然期望最大化(MLEM)，其对于图像中的每个像素执行计算。诸如(但不限于)滤波反投影(FBP)之类的非迭代分析算法也可以用于选择。

[0042] 当未指定算法时，它们可以基于若干因素进行选择，这些因素诸如：图像数据的特性，例如图像数据涉及的模式以及图像数据的分辨率；可用重建算法的特性，例如算法增强的处理参数和算法的迭代次数；患者的特性，例如正在治疗的疾病/器官和患者的治疗史；以及优选处理参数。应当理解，列出的因素不是排他性的，并且可以包括未列出的但是可相关的或者可从列出的因素导出的其他因素。

[0043] 继续上面的示例，所述请求没有指定要使用的重建算法。正因为如此，考虑1)患者具有肺癌治疗史(患者的特性)，2)图像数据是原始声波图数据(图像数据的特性)，以及3)SIRT、SART和CGLS解决了SNR和器官对比度问题(可用算法的特性)，多处理器单元选择SART、CGLS和SIRT用于重建。

[0044] 在步骤330-360中，确定所选择的算法的最优加权执行序列。该最优加权执行序列包括用于每种所选择的重建算法的权重以及用于这些选择的重建算法的执行顺序。该最优加权执行序列表示这样的加权执行序列，其在每种选择的算法基于它们各自的权重和该加权执行序列的顺序执行时在给定时间段下提供优选处理参数的最佳FOM。

[0045] 在步骤330处，确定代表图像数据的图像数据的部分(代表性切片)。该代表性部分可以基于诸如(但不限于)正被治疗的疾病/病症、正被治疗的一个或更多个器官和患者的治疗史之类的患者特性进行选择。在上面的示例中，基于患者是具有肺癌治疗史的肺癌患者的患者特性，将捕获肺(以其为中心)的图像数据的切片选为代表性部分。

[0046] 在步骤340处，确定所选择的重建算法的多个加权执行序列。由于每个所述加权执行序列表示最优加权执行序列的候选项，每个加权执行序列包括用于每种重建算法的执行顺序和权重(迭代次数)。用于每个所述加权执行序列的权重和序列基于各种因素而确定。

[0047] 这些因素包括优选处理参数、所选择的重建算法的特性、时间和计算约束以及图像数据的特性。优选处理参数可以在来自用户的输入中或者所述请求中指定。如上面所公开的，优选处理参数可以包括以下中的至少一个：诸如用于重建的优选时间量或计算资源之类的优选性能参数，或者诸如SNR、器官对比度、边界处的图像清晰度、峰值SNR、SSIM之类的优选视觉参数，或者功能性成像中的SUV。应当理解，列出的参数不是排他性的，并且可以包括未列出的但是可相关的或者可从列出的参数中导出的其他参数。

[0048] 所选择的算法的特性表示算法的性能特性，例如(但不限于)算法涉及的优选处理参数、算法的迭代次数、算法的收益递减点以及算法的覆盖范围(给定算法是仅仅影响图像的某一区域还是影响整个图像)。时间和计算约束表示可用来完成所述请求的资源，例如(但不限于)可用时间和处理能力。图像数据的特性可以包括与图像数据相对应的模式以及图像数据的分辨率。应当理解，列出的特性/约束不是排他性的，并且可以包括未列出的但是可相关的或者可从列出的特性/约束中导出的其他特性/约束。

[0049] 按照上面的示例，多处理器单元确定所选择的算法可以以六个不同的序列排序：SART→CGLS→SIRT，SART→SIRT→CGLS，CGLS→SART→SIRT，CGLS→SIRT→SART，SIRT→CGLS→SART，SIRT→SART→CGLS。在这六个序列中，多处理器基于算法的覆盖范围以及时间和计算约束选择其中三个序列SART→CGLS→SIRT，SART→SIRT→CGLS，CGLS→SART→SIRT。
例如，选择的序列在本地工作的SIRT之前执行全局工作的SART。

[0050] 多处理器也确定可以使用用于选择的序列SART、CGLS、SIRT的四个不同权重集。例如，第一权重集具有用于SART、CGLS、SIRT的100次迭代、25次迭代和75次迭代的各个权重；第二权重集具有95次、20次、85次的各个迭代；第三权重集具有95次、35次、70次的各个迭代；第四权重集具有110次、20次、70次的各个迭代。这些权重基于以下事实如上选择：算法的收益递减点为110、40、80，并且时间约束为200次迭代。

[0051] 当确定了加权执行序列时，在步骤350处，依照加权执行序列对代表性数据并行地执行所选择的算法。为了获得最大效率，每个序列可以在可用处理器的每个不同处理器上执行，或者这些加权执行序列可以使用所有可用处理器一次一个地执行。在步骤360处，基于重建图像的比较，选择加权序列中为优选处理参数提供最佳品质因数(FOM)的一个加权序列作为最优加权执行序列。加权执行序列的FOM可以使用诸如(但不限于)人工/自动ROI检测、基于模型的评估以及基于多个用户的投票机制之类的机制进行比较。

[0052] 继续所述示例，由于存在三个具有四个不同权重集的序列，因而存在12种加权序列组合。这12种组合由多处理器单元的四个处理器在三个阶段中并行地执行。在执行之后，使用聚焦于肺周围的SNR和器官对比度的自动ROI检测，具有各个权重100次、25次、75次迭代的序列SART→CGLS→SIRT被计算为提供具有最高器官对比度的最低SNR，并且因此被选为最优加权执行序列。

[0053] 应当理解，代替步骤330-360的是，也可以使用预定模板或者机器学习模型确定最优加权执行序列。预定模板可以是对于某一数据图像和患者特性而言最佳的固定模板。例如，可能存在可用于与某种模式和/或某种疾病/病症相对应的某一分辨率的图像数据的预定模板。该预定模板可以是从先前的重建/处理结果生成的传递函数。应当理解，预定模板可以在“非高峰”时间生成，例如在夜间或者周末生成，和/或由其中更多计算资源可用的不在执行重建的“离线”服务器生成。

[0054] 对于采用机器学习模型以用于导出最优加权和排序的实施例而言，用于给定应用的最优加权执行序列被看作标签集。机器学习算法(例如分类、决策树/随机森林、神经网络等)可以被设计为计算用于给定输入数据集的“最佳”加权序列。用于学习算法的参数可以提取自手头的应用，例如(但不限于)图像数据特性、患者/对象特性、时间和计算约束、涉及的算法的特性以及品质因数特性。真实值通过利用来自可用加权序列列表的最优加权序列给每个训练集加标签而生成。真实值可以在根据标签集对所有加权序列检查针对每个训练集生成的品质因数之后由专家生成。可以使用诸如人工神经网络和/或回归模型之类的机器学习模型。

[0055] 在步骤370处，依照最优加权执行序列执行所选择的算法。基于各个权重并且也顺序地基于执行顺序对图像数据迭代地执行每种选择的重建算法。代替步骤370的是，方法300可以将该最优加权序列发送至不同的计算系统以供执行。最优加权序列可以首先存储在诸如图2中的220之类的存储器中并且然后使用诸如图2中的230之类的NIC传输至另一计算系统。

[0056] 在该示例中，所述请求指定图像数据的重建。正因为如此，依照最优加权执行序列对整个成像数据集执行所选择的算法，并且将得到的图像提供给请求者。如果所述请求指定最优加权执行序列的确定，则将选择的序列将提供给请求者。方法300结束于步骤375处。

[0057] 图4描绘了相同图像数据的三个不同地重建的图像410、420、430，以示出从使用单种重建算法与多种重建算法重建的图像之间的差异。图像数据由腹部CT正弦图数据重建。图像410、420、430示出脊柱和肾脏附近的腹部区域。

[0058] 第一个图像410描绘了由执行第一种算法(算法A)达200次迭代而重建的图像。该图像在近似130秒内重建。尽管第一种算法可能适合于移除背景噪声，但是第一个图像410的细节水平与第二个图像和第三个图像420、430相比是低的。例如，区域415和425不像其他两个图像420、430那样清楚地标记。在仔细检查时，可以观察到第一个图像410中的区域415和425内的某些细节不存在。

[0059] 第二个图像420描绘了由执行第二种算法(算法B)达200次迭代而重建的图像。该图像在近似60秒内重建。在该示例中，第二种算法可能适合于保持细节，但是对背景噪声有所妥协，因为区域415和425看起来比第一个图像和第三个图像410、430噪声更大。在仔细检查时，可以观察到区域415和425提供非常小的器官和细节的更佳的内部结构细节。

[0060] 第三个图像430描绘了由执行第一种算法达100次迭代并且接下来执行第二种算法达100次迭代而重建的图像。第三个图像430在大的程度上移除了背景噪声的同时保持了相对较高的细节水平。它的运行时间近似为75秒。所描绘的这些图像说明了对于甚至简单的加权执行序列，每种算法100次迭代(相等权重)的执行序列A→B如何可以改进图像重建过程。

[0061] 在解释本公开时，所有术语都应当以与上下文一致的最广泛的可能方式进行解释。特别地，术语“包括”和“包含”应当解释为以非排他性方式涉及元件、部件或者步骤，意味着所提及的元件、部件或者步骤可能存在，或者被利用，或者与未明确提及的其他元件、部件或者步骤结合。

[0062] 本申请所涉及领域的技术人员将会理解，可以对所描述的实施例做出其他的和进一步的添加、删除、替换和修改。也应当理解，本文使用的术语仅仅用于描述具体实施例的目的，并不意图是限制性的，因为本公开的范围将仅仅由权利要求书限制。除非另有定义，本文使用的所有技术和科学术语具有本公开所属领域的普通技术人员通常理解的相同含义。尽管与本文所述相似或者等效的任何方法和材料也可以用于本公开的实践或测试，但是有限数量的示例性方法和材料在本文进行了描述。

[0063] 应当指出，当在本文以及在所附权利要求书中使用时，单数形式“一”、“一个”和“该”包括复数指称物，除非上下文另有明确规定。

[0064] 上面描述的装置、系统或方法或者其至少一部分可以在诸如数字数据处理器或计算机之类的各种不同的处理器中实施或者由这些处理器执行，其中这些处理器被编程或者存储可执行程序或软件指令序列以执行所述方法的步骤或者所述装置或系统的功能中的一个或更多个。这样的程序的软件指令可以表示算法并且以机器可执行的形式编码到非暂时性数字数据存储介质(例如磁盘或光盘)、随机存取存储器(RAM)、磁性硬盘、闪存和/或只读存储器(ROM)，以使得各种不同类型的数字数据处理器或计算机能够执行一种或更多种上面所描述的方法的步骤或者本文描述的系统的功能中的一个、更多个或全部。

[0065] 本文公开的某些实施例或者其特征可以进一步涉及具有非暂时性计算机可读介质的计算机存储产品，所述介质之上具有程序代码以用于执行实施所述装置、系统的至少部分的各个不同的计算机实现的操作，或者实现或引导本文阐述的方法的步骤中的至少一些步骤。这里使用的非暂时性介质指的是除暂时性、传播信号之外的所有计算机可读介质。非暂时性计算机可读介质的示例包括但不限于：磁性介质，例如硬盘、软盘和磁带；光学介质，例如CD-ROM盘；磁光介质，例如软式光盘；以及特别地被配置为存储和执行程序代码的硬件设备，例如ROM和RAM设备。程序代码的示例包括诸如编译器产生的机器代码和包含可以由计算机使用解释器执行的较高级别代码的文件。