确定主获取参数的方法和获取主x射线图像的方法

摘要

本发明提供了确定主获取参数的方法和获取主x射线图像的方法。至少一个主获取参数确定在使用x射线发射器和x射线探测器的主图像获取期间要从x射线发射器发射的x射线的剂量，该x射线用于在医学图像获取期间对对象进行成像；第一预备图像的第一图像数据被评估以确定是否满足重复条件以及/或者确定主获取参数和/或至少一个第二预备获取参数；第一预备图像是使用用于控制x射线发射器的至少一个第一预备获取参数由x射线探测器获取的图像；在所有情况下或仅在满足重复条件时，根据第二预备图像的第二图像数据确定主获取参数，第二预备图像是当至少一个第二预备获取参数被用于控制x射线发射器时在第一预备图像之后通过x射线探测器获取的图像。

说明书

技术领域

本发明涉及一种用于确定至少一个主获取参数的计算机实现的方法，所述至少一个主获取参数确定在使用x射线发射器和x射线探测器的主图像获取期间要从x射线发射器发射以用于在医学图像获取期间对对象特别是患者进行成像的x射线的剂量。另外，本发明涉及一种用于获取主x射线图像的方法、处理单元、计算机程序和计算机可读存储介质。

背景技术

在x射线成像中，特别是在医学x射线成像中，在医学图像获取期间使用相对低剂量的x射线来照射被研究对象特别是患者是有利的。用于限制暴露于x射线的已知方法是降低暴露的总时间、降低被提供至x射线发射器例如x射线管的电流以及/或者限制施加至x射线发射器的电压。

然而，问题是对使用的剂量的过度限制可能使图像质量降低到不再可能对获得的图像进行可靠评估的程度，因而需要另外的图像获取，并且因此需要使对象或患者另外暴露于更高剂量的x射线。

已知的是使用其他所谓的“自动暴露控制(AEC)传感器”例如固态传感器——其直接被放置在x射线探测器的前方——以确定患者的透射剂量并且在达到给定阈值时停止x射线暴露。替选地，可以在如例如在文献US 2019/0269377 A中讨论的扁平面板探测器中的标准像素元件中包括用于暴露控制的快速读出像素元件。这两种方法都增加了系统的硬件的复杂性，可能导致额外的部件生命周期成本。因为剂量的一部分可能会被附加的传感器吸收，所以附加的传感器电子设备也可能使必需的剂量增加。

在乳腺x线照相术的背景下，研究具有相似特性的对象，即包括软组织的对象，并且使用在23kV至35kV的发射器电压的有限范围内的x射线。对于这样的情况，从文献DE 102010 034 680 A1和DE 10 2005 036 514 A1中已知一种不同的方法。在这些文献中，根据研究的对象的低剂量x射线预先暴露图像来计算目标剂量。这些方法的问题是：当在更一般的用例中使用这些方法时，它们将需要其他先验知识以提供对最终图像所需剂量的可靠预测。即使在乳腺x线照相术的背景下，在被研究对象的属性变化不大的情况下，引用的文献使用关于受压乳房的厚度或其他先验知识的其他信息。因此，可能不容易将这些方法转移到可能对患者的不同区域进行成像的更一般的用例。

发明内容

因此，本发明的目的是提供一种用于确定在主图像获取期间控制要从x射线发射器发射的x射线的剂量的至少一个主获取参数的方法，即使当预料到被成像对象的变化性大以及/或者没有或仅有有限的关于对象的先验知识时，该方法也允许可靠地确定该参数。

该问题通过一种计算机实现的方法来解决，该方法用于确定至少一个主获取参数，所述至少一个主获取参数确定在使用x射线发射器和x射线探测器的主图像获取期间要从x射线发射器发射的x射线的剂量，所述x射线用于在医学图像获取期间对对象特别是患者进行成像。

第一预备图像的第一图像数据被评估以确定是否满足重复条件以及/或者确定主获取参数和/或至少一个第二预备获取参数，其中，第一预备图像是使用用于控制x射线发射器的至少一个第一预备获取参数通过x射线探测器获取的图像。

在所有情况下或者仅当满足重复条件时，根据第二预备图像的第二图像数据来确定主获取参数，该第二预备图像是当至少一个第二预备获取参数被用于控制x射线发射器时在第一预备图像之后通过x射线探测器获取的图像。

本发明基于以下思想：在所有情况下或者至少在满足重复条件的情况下，不仅一个而且两个或甚至更多个预备图像被评估以确定主获取参数。这允许当存在被研究对象时收集关于所使用的发射器和探测器的特性的附加信息。为简单起见，主要针对两个预备图像的使用来详细讨论这些特征。如果多于两个预备图像被使用，则第一预备图像和第二预备图像可以是任何一对预备图像，但是优选地，可以使用一对连续获取的预备图像作为第一预备图像和第二预备图像。可以例如评估每个预备图像或至少一些预备图像的相应图像数据，以检查该图像数据是否满足重复条件，并且仅在满足重复条件时才获取或评估其他预备图像。当对于特定的预备图像不满足重复条件时，可以例如基于不满足重复条件的预备图像和/或基于其他先前评估的和/或获取的预备图像来确定主获取参数。

如果多个先前图像被获取和/或被评估，则主获取参数可以取决于这些预备图像中的全部或一些的图像数据。另外地或替选地，在相应预备图像的获取期间被用于控制x射线发射器的相应获取参数可以取决于至少一个先前获取的和/或评估的预备图像的图像数据。

如果多个预备图像被获取，则也可以对至少一些预备图像的图像数据求平均或求和以生成中间图像。针对其他预备图像的获取而确定重复条件的满足和/或主获取参数和/或相应的预备获取参数然后可以取决于中间图像的图像数据。可以例如基于第一预备图像和其他预备图像来确定中间图像，然后基于中间图像的图像数据来确定第二预备获取参数。也可以例如对第一预备图像和第二预备图像求和，并且也可以基于该和来确定主获取参数。在这种情况下，主获取参数取决于第一预备图像和第二预备图像的图像数据。

主图像获取尤其可以是单个x射线图像的获取或有限数量例如少于10或100个x射线图像的获取。在快速连续地获取大量x射线图像的获取中，例如在荧光透视(fluoroscopy)中，不同的剂量控制方法可能是有利的。

两个或更多个单独图像的可能获取尤其允许将非常低的x射线剂量用于获取第一预备图像。在相当低的剂量足以进行主图像获取的成像情况下，可以从第一预备图像中认识到：第二预备图像的获取对于确定主获取参数可能不是必需的。在这种情况下，可能无法满足重复条件，并且可能仅使用一个预备图像获取。

另一方面，第一预备图像可以被用于修改第二预备图像的获取，例如来以如下方式选择至少一个第二预备获取参数：可以根据需要选择更高的发射的剂量来用于获取第二预备图像。另外地或替选地，可以基于第一图像数据针对第二预备图像来改变发射器电压，例如以实现对象对x射线的较低吸收。如果使用多于两个的预备图像，则该教导可以应用于所有对或至少一对连续获取的预备图像。

如将在下面更详细地讨论的，可以以非常低的剂量来获取第一预备图像，因此限制了不可避免的预备图像剂量。第一预备图像所需的非常低的剂量还允许非常快速的暴露，这甚至可以在x射线发射器例如x射线管仍然准备用于主获取——例如通过使阳极旋转和/或加热阴极——时被执行。因此，可以将本发明的方法集成到普通的图像获取工作流中，而无需或只需极少的附加时间，同时仍然确保在主图像获取期间进行可靠的暴露控制，同时保持施加的剂量较低。

本发明的方法可以以不同的方式被实现。在优选的方法中，通过实现对重复条件的评估的算法，第一图像数据或从第一图像数据得出的数据中的至少一些被处理为输入。如果不满足重复条件，则可以使用第一图像数据或从该数据得出的数据的至少一部分作为用于确定主获取参数的算法的输入。如果满足重复条件，则可以使用第二图像数据或从第二图像数据得出的数据的至少一部分作为用于确定主获取参数的算法或其他算法的输入数据。在有利的实施方式中，仅当满足重复条件时才执行第二图像的获取。所讨论的过程可以例如被重复以评估和/或获取其他预备图像，直到不再满足重复条件或一些其他终止标准使评估和/或获取停止为止。

用于确定主获取参数的一个或多个算法和用于评估重复条件的算法都可以可选地取决于附加输入数据，例如，患者数据、来自相机的图像数据或来自用于捕获对象的图像的3D深度相机的3D数据等。

还可以根据第一图像数据和第二图像数据一起来确定主获取参数。这可能是有利的，原因在于：即使第一图像数据本身不足以确定该参数，它仍然可以提高获取参数的确定的质量。

在本发明的方法的另一实施方式中，必须使用来自第二预备图像获取的第二图像数据，即，当不使用重复条件时，第二图像数据始终被用作用于确定主获取参数的算法的输入数据。在最简单的情况下，例如通过针对获取使用独立的和/或不同的暴露设置，第一图像数据和第二图像数据的获取可以基本上彼此独立，并且用于确定主获取参数的算法可以取决于两个数据集。

预备图像不仅可以用于确定主获取参数。如将在下面更详细地讨论的，当对在主图像获取期间获取的图像进行评估时，使用这些图像例如以支持对该图像的图像内容的分割或分类可能是有利的。

x射线发射器可以是x射线管。然而，x射线发射器也可以包括可以影响剂量的其他部件例如遮蔽物或准直器，这些附加部件可以被控制以改变照射到对象上的剂量。

有利地，用于获取第二预备图像的第二预备获取参数与用于在获取第一预备图像期间控制x射线发射器的第一预备获取参数不同。例如，可以例如通过使用较长的暴露时间和/或较高的发射器电流在第二预备图像的获取期间使用较高剂量的发射的x射线。替选地或另外地，可以改变特别是增加发射器电压，以潜在地降低对象对x射线的吸收并从而降低吸收的剂量。

在该文献中，提到了依赖于其他参数确定的多个参数。可以通过使用如下算法来实现这种依赖性，所述算法输出一个或多个输出参数并使用所述一个或多个输出参数所依赖的一个或多个参数作为输入。实现这样的算法的一种方法是通过使用查找表。也可以将这样的算法实现为分析功能、复杂程序等。在某些情况下，使用机器学习来训练算法以计算所提到的参数也可能是有利的。

一个或多个主获取参数可以例如描述在主图像获取期间使用的发射器电压和/或发射器电流和/或发射器电荷以及/或者在主图像获取期间从x射线发射器发射的和/或被对象吸收的x射线的剂量。

第一预备图像可以是使用小于65kV的第一发射器电压和/或小于15mA的第一发射器电流和/或小于75ms的第一暴露时间和/或小于750μAs的第一发射器电荷和/或小于10Hz的x射线发射器的阳极的第一旋转速度作为第一预备获取参数而获取的图像。在示例中，可以使用例如40kV的发射器电压。发射器电流可以例如为10mA，暴露时间可以例如在10ms和50ms之间。给定的发射器电流和暴露时间会导致发射器电荷在100μAs和500μAs之间。给定的参数值是示例性的，并且可以例如从给定值变化高达20％或高达50％。

关于暴露时间，使用相对长的暴露时间例如至少10ms或至少20ms以确保所限定的发射器电压条件和电流条件并消除由于布线而引起的发射器电压随时间的损耗可能是有利的。太短的暴露时间可能会导致预期成像条件的误差，从而导致当推断图像获取以确定主获取参数和/或第二预备获取参数时以及/或者当评估重复条件的满足时的误差。

所讨论的参数范围特别地允许在x射线发射器例如x射线管尚未完全准备好进行主图像获取时获取第一预备图像。所需的低发射器电流可以例如在x射线发射器的阴极完全被加热之前已经被提供。由于相对低的电流和电压被使用，因此阳极的加热也受到限制。因此，可以在旋转阳极达到其全部运转速度之前执行第一预备图像的获取。例如，可以当阳极至少在图像获取开始时静止不动或以相当低的速度旋转时获取第一预备图像。

发射器电荷例如管电荷通常被定义为发射器电流和暴露时间的乘积。如果针对暴露应该使用可变电流，则可以通过在暴露时间内对发射器电流求积分来计算发射器电荷。

第一预备获取参数或第一预备获取参数中的至少一个可以描述在第一预备图像的获取期间从x射线发射器发射的和/或被对象吸收的第一x射线剂量以及/或者在第一预备图像的获取期间使用的x射线发射器的第一发射器电压和/或第一发射器电流和/或第一暴露时间和/或第一发射器电荷和/或阳极的第一旋转速度。第二预备获取参数或第二预备获取参数中的至少一个可以描述在第二预备图像的获取期间从x射线发射器发射的和/或被对象吸收的第二x射线剂量以及/或者在第二预备图像的获取期间所使用的x射线发射器的第二发射器电压和/或第二发射器电流和/或第二暴露时间和/或第二发射器电荷和/或阳极的第二旋转速度。第一预备图像和第二预备图像可以是以如下方式获取的图像：第二x射线剂量大于第一x射线剂量以及/或者第二发射器电压大于第一发射器电压以及/或者第二发射器电流大于第一发射器电流以及/或者第二暴露时间大于第一暴露时间以及/或者第二发射器电荷大于第一发射器电荷以及/或者第二旋转速度大于第一旋转速度。

增加用于第二预备图像的获取的发射器电流、暴露时间或所产生的发射器电荷倾向于：相对于第一预备图像的图像质量，改进第二预备图像的图像质量。仅当满足重复条件时才获取第二预备图像时，该方法可能特别有利。在第一预备图像的图像质量已经足够的情况下，可以以非常低的发射的x射线剂量来实现主获取参数的确定。然而，如果质量不够，则可以获取质量有所提高的第二预备图像，以允许更可靠地确定主获取参数。

如前所述，可以在发射器还没有完全准备好进行主图像获取时，例如在阳极仍在旋转时以及/或者在阴极仍然没有处于其最佳温度时，获取第一预备图像，优选地还获取第二预备图像。在相对低的阴极温度下，仅可以提供有限的发射器电流。因此，例如可以在相对低的阴极温度下并因此以相对低的发射器电流来获取第一预备图像，并且在第一预备图像获取期间或在第一预备图像获取与第二预备图像获取之间增加阴极温度，从而允许在第二预备图像获取期间较大的发射器电流。类似地，阳极的较低旋转速度可能需要限制在第一预备图像获取和/或第二预备图像获取期间在阳极上耗散的功率，因此限制可用的发射器电压和/或发射器电流。

发现使用比第一发射器电荷大大约十倍的第二发射器电荷是有利的。然而，在某些情况下，使用如下第二发射器电荷可能也是有利的，所述第二发射器电荷是第一发射器电荷的至少三倍、至少五倍或至少十五倍。可以通过增加发射器电流和/或暴露时间来增加发射器电荷。

如已经讨论的，可以使用并且特别地获取多于两个预备图像。作为示例，下面将讨论第三预备图像的使用。相同的讨论适用于其他预备图像，例如，第四、第五等预备图像。在这种情况下，可以使用任何一对先前获取的预备图像——特别是一对连续获取的预备图像——来代替第一预备图像和第二预备图像，以确定用于获取和/或评估相应的其他预备图像的相应重复条件是否被满足以及/或者确定用于该其他预备图像获取的其他预备获取参数等。

对于其他预备图像的获取，可以继续所讨论的第一预备图像的获取与第二预备图像的获取之间的获取参数的变化。例如，发射的和/或吸收的剂量和/或发射器电压和/或发射器电流和/或暴露时间和/或发射器电荷和/或阳极的旋转速度可以随着每次预备图像获取而连续增加。然而，这是可选的，而且并非在所有情况下都是必需的或期望的。

第二图像数据可以被评估以确定是否满足其他重复条件，其中，当满足其他重复条件时，根据第三预备图像的第三图像数据来确定主获取参数，其中，第三预备图像是当至少一个第三预备获取参数被用于控制x射线发射器时在第二预备图像之后通过x射线探测器获取的图像。以下可能是有利的：使发射器电压和/或发射器电流和/或暴露时间和/或发射器电荷和/或阳极的旋转速度进一步增加超过用于第二预备图像获取的值。例如，用于第三预备图像获取的第三发射器电荷可以比第二发射器电荷大十倍。

虽然使用第一预备图像和第二预备图像通常足以可靠地确定主获取参数，但是在必要时允许第三预备图像获取可能有利于允许可靠地确定主获取参数以用于甚至更多用例。例如，当对肥胖患者或主要包含强的x射线吸收材料的区域(例如，骨骼)进行成像时，仅使用两个预备图像获取就可以可靠地确定主获取参数对于这两个获取可能需要相对高的x射线剂量。因此，以下可能是有利的：针对第一预备图像获取和第二预备图像获取使用较低的剂量，并且在必要时允许第三图像获取。

重复条件的满足和/或主获取参数和/或第二预备参数可以取决于从第一预备图像的相应图段确定的至少一个灰度值，其中优选地，相应图段在第一预备图像中的位置是固定的或由用户选择或通过分割算法确定；以及/或者重复条件的满足和/或主获取参数和/或第二预备参数可以取决于第一图像数据或第一图像数据的一部分的直方图和/或第一图像数据或第一图像数据的一部分的信号差异噪声比。

用于获取第三预备图像的其他重复条件的满足和/或主获取参数和/或第三预备获取参数可以取决于从第二预备图像的相应图段确定的至少一个灰度值，其中优选地，相应图段在第二预备图像中的位置是固定的或由用户选择或通过分割算法确定；以及/或者用于获取第三预备图像的其他重复条件的满足和/或主获取参数和/或第三预备获取参数可以取决于第二图像数据或第二图像数据的一部分的直方图和/或第二图像数据或第二图像数据的一部分的信号差异噪声比。

如果第三预备图像被使用，则主获取参数可以取决于从第三预备图像的相应图段确定的至少一个灰度值，其中优选地，相应图段在第三预备图像中的位置是固定的或由用户选择或通过分割算法确定；以及/或者主获取参数可以取决于第三图像数据或第三图像数据的一部分的直方图和/或第三图像数据或第三图像数据的一部分的信号差异噪声比。

在简单的情况下，可以使用固定的或用户定义的分割来实现与众所周知的自动暴露控制器的传感器类似的特性。如在引言中已经讨论的，这样的自动暴露控制器测量x射线探测器的某些固定区域中的强度。这可以通过以下操作被仿真：在相应的预备图像中分割固定的或用户可选择的区域，然后例如确定此图段的平均灰度值或中值灰度值。替选地或另外地，对相应图像中的已知结构例如某些器官、骨骼等进行分割以确定这些结构的灰度值可能也是有利的。

确定单个灰度值并且从该单个灰度值确定重复条件和/或其他重复条件的满足、主获取参数和/或第二预备获取参数和/或第三预备获取参数可能是足够的。然而，如果在相应图像的灰度值中存在偏移，则这可能导致误差。因此，以下可能是有利的：从至少两个图段确定灰度值，然后例如使用这些灰度值的差来确定所提到的参数或所提到的条件的满足。例如，用于随后的获取特别是主获取的发射器电荷可以与如下商成比例，所述商是灰度值的目标值与从相应图像的图段确定的灰度值的商。替选地，该发射器电荷可以与如下商成比例，所述商是相应图像中的不同图段的两个灰度值之间的差与两个灰度值之间的差的目标值的商。

对以相对低的剂量获取的预备图像中的感兴趣的特定区域进行分割可能具有挑战性。为了提高分割的可靠性，可以主要使用两种方法。作为第一种方法，可以使用合并(binning)来将x射线探测器的多个探测器元素组合为超像素。这可以在探测器本身上被实现；或者一旦图像被获取，就可以例如通过将超像素内的各个像素的所有灰度值求平均或相加以生成较低分辨率的图像来执行超像素生成。这样的合并明显降低了较低x射线剂量下的噪声，因此可以改进分割和确定主获取参数所需的其他处理。它还有利地减少了确定主获取参数所需的计算资源。

用于改进分割的第二种方法可以是使用附加数据，特别是使用附加输入图像，附加数据可以例如通过光学相机、红外相机和/或太赫兹相机被获取。从这样的图像可以生成身体轮廓，当相机的坐标系被配准或者可以被配准至x射线探测器的坐标系时，该身体轮廓可以被用于对象的分割。

由于先前提到的在用于确定主获取参数的方法中的分割的目的主要是确定图像中的典型灰度值或典型灰度值之间的对比度，因此使用直方图控制的灰度值搜索也可能是有利的。当如上所述使用合并时，关于相应图像或超像素的各个像素的直方图可以被用于识别相似灰度值的簇。然后，这些簇中的每一个可以与特定的吸收特性相关联，并且例如可以选择这些簇中的一个或多个并且确定簇的典型灰度值，例如平均灰度值或中值灰度值，然后可以如上所述处理典型灰度值。

通常期望不仅基于所获得的灰度值或对比度来控制剂量，而且还要考虑图像噪声。因此，计算相应图像的图像数据或该图像数据的一部分例如图像的特定图段的信号差异噪声比可能是有利的。用于在医学成像中确定信号差异噪声比的方法在现有技术中是众所周知的，因此将不进行详细讨论。所确定的信号差异噪声比可以直接用于确定相应的参数或者确定是否满足该重复条件或其他重复条件。用于随后的图像获取例如用于主图像获取的剂量或发射器电荷可以例如与以下商成比例，所述商是信号差异噪声比的期望值与所确定的信号差异噪声比的商。

所讨论的参数的确定和/或重复条件或其他重复条件的满足也可以通过如下算法被执行，所述算法通过机器学习被训练。该算法可以例如采用相应的输入图像或输入图像的经处理版本——例如，通过合并或直方图生成的低分辨率版本——作为输入数据，并且直接生成一个或多个所需参数和/或确定是否满足相应条件。稍后将讨论用于训练这样的算法的方法。

如先前论述的，可以通过对多个探测器元素或像素进行合并以生成超像素来确定第一预备图像和/或第二预备图像和/或第三预备图像的图像数据。替选地，可以对图像本身执行合并以降低分辨率，并且可以使用分辨率降低的图像来执行以下处理步骤中的至少一些。当使用合并时，将多个相邻探测器元素或像素的x射线强度或所得到的灰度值相加或求平均，以生成超像素(superpixel)的接收的强度或灰度值。合并可以由x射线探测器直接执行，其中，合并可以在模拟域中例如在探测器元素读出期间被执行，或者合并可以在检测到的值被数字化之后在数字域中被执行。替选地，可以以较高的分辨率提供图像，在其他处理期间可以仅通过合并来降低分辨率。

为了允许使用低x射线剂量，可以使用快速图像获取、低转移时间和低处理开销、合并探测器模式，其中，x射线探测器可以在传输分辨率降低的图像之前已经将例如2×2、3×3或4×4的像素或探测器元素的相邻组的阵列合并以进行进一步处理。

特别地，由于所应用的合并，第一预备图像和/或第二预备图像和/或第三预备图像的分辨率可以低于在主图像获取期间获取的图像的分辨率。

重复条件和/或其他重复条件的满足和/或主获取参数和/或第一预备获取参数和/或第二预备获取参数和/或第三预备获取参数以及/或者第一预备图像和/或第二预备图像和/或第三预备图像的分割可以取决于描绘对象的附加输入图像，其中，附加输入图像是通过光学相机或红外相机或太赫兹相机获取的图像；以及/或者可以取决于关于对象的先验知识。附加输入图像、先验知识和/或通过处理附加输入图像和/或先验知识而生成的数据可以被用作确定是否满足所提到的条件和/或参数和/或分割的算法的附加输入。当通过机器学习来训练算法时，这可能尤其有利，原因是使用这样的附加输入可以显著地改进训练过程。当使用经典算法、查找表或类似方法时，例如使用若干不同的算法或查找表并且基于附加输入图像和/或先验知识来选择所使用的算法和/或查找表可能是有利的。替选地或另外地，可以将其他输入参数添加到算法中以及/或者可以将另一个维度添加到查找表中以考虑附加信息。

先验知识可以例如涉及对象的重量例如患者的体重、所描绘的区域例如所描绘的器官、关于患者的先前手术的信息例如在相关区域中存在人造对象特别是金属等。这样的先验知识可以例如用于选择某个确定中使用的若干算法之一和/或对算法进一步参数化。另外地或替选地，先验知识可以包括关于至少一个先验图像获取特别是x射线图像的先验获取的知识。先验知识可以例如包括在先验图像获取中使用的至少一个获取参数，以控制x射线发射器和/或所得到的图像和/或与所得到的图像的图像质量有关的信息。

例如可以利用附加输入图像的使用来确定对象的轮廓，例如患者的身体的轮廓。用于从附加图像确定身体轮廓和其他信息的可能方法例如在文献WO 2018/035814 A1中进行了讨论。可以使用众所周知的图像处理方法——例如，基于边检测的分割——来提取图像平面内的轮廓。使用先验知识或附加图像，可以提取三维人体轮廓。

光学相机和/或红外相机通常出现在医学成像设备中或者可以以低成本被添加。这样的图像通常已经足以收集关于患者的四肢和/或头部的位置、粗略的尺寸和/或体重估计等的粗略信息。由于患者可能至少部分地被布例如无菌盖覆盖，因此在执行成像时，使用太赫兹相机(THz-camera)可能是有利的，原因是即使这些相机被布覆盖，此类相机仍然可以描绘身体轮廓。

可以使用通过机器学习训练的算法来确定主获取参数和/或第二预备获取参数和/或第三预备获取参数以及/或者重复条件和/或其他重复条件的满足。尽管训练可以是计算机实现的方法的一部分，但是有利地使用预训练的算法，使得算法的使用仅是计算机实现的方法的一部分。通常，通过机器学习训练的算法可以模仿人类与其他人类思想相关联的认知功能。特别地，通过基于训练数据的训练，经训练的算法能够适应新的情况并且检测和推断模式。

通常，可以借助于训练来调整算法的参数。特别地，可以使用监督训练、半监督训练、无监督训练、强化学习和/或主动学习。此外，可以使用也被称为特征学习的表示学习。特别地，可以通过若干训练步骤来迭代地调整算法的参数。

特别地，算法可以由神经网络、支持向量机、决策树和/或贝叶斯网络组成或者包括神经网络、支持向量机、决策树和/或贝叶斯网络。算法也可以基于k均值聚类、Q学习、遗传算法和/或关联规则。特别地，神经网络可以是深度神经网络、卷积神经网络或卷积深度神经网络。此外，神经网络可以是对抗网络、深度对抗网络和/或生成式对抗网络。

经训练的算法可以使用第一图像数据和/或第二图像数据和/或第三图像数据或该图像数据的一部分或从该数据得出的数据——例如，预备图像中的至少一个预备图像或预备图像中的至少一个预备图像的一部分的直方图数据——作为输入数据。先前提到的先验知识和/或附加输入图像以及/或者从附加输入图像和/或先验知识得出的数据可以被用作附加输入数据。如果满足重复条件和/或其他重复条件，则经训练的算法的输出可以是一个或多个相应的获取参数和/或决策。

在示例中，训练可以基于监督学习。可以提供多个训练数据集，每个训练数据集包括先前描述的输入数据和相应输出数据的期望值。该算法可以通过多个参数被参数化。参数可以例如是人工神经网络中的人工神经元的输入权重。参数的初始值可以例如是随机选择的。然后可以将具有其初始参数化的算法应用于训练数据集的子集的输入数据。然后，成本函数可以估计该算法针对由特定训练数据集提供的输入数据的输出与由该训练数据集给出的一个或多个输出参数的期望值之间的差异。然后通过在训练期间改变算法的参数来使该成本函数最小化。这可以通过众所周知的机器学习方法例如误差的反向传播来实现。

对于每个训练数据集，可以例如手动地提供应该由经训练的算法生成的获取参数的期望值。然而，也可以监督获取参数的正常选择，然后允许关于所得到的图像的质量或者通过计算关于图像的质量度量例如信号差异噪声比而自动确定的这样的质量的用户反馈。然后可以选择在使用低剂量的同时实现高质量的获取，以提供训练数据集。

机器学习还可以被用于减少在给定情况下可靠地确定一个或多个主获取参数所必需的预备图像的必要数量。例如，以下可能是必要的：当第一参数化被用于经训练的算法时，在某些图像情况下使用两个或三个预备图像。然后，可以例如通过以下操作来改进训练：使用包括期望的输出值的训练数据集来训练算法，所述期望的输出值是基于先前图像获取的第二预备图像或第三预备图像而确定的；同时仅向算法提供这些获取的第一预备图像或第二预备图像作为输入数据。在许多情况下，即使当使用较少数量的预备图像来确定一个或多个主获取参数时，也可以改进训练以产生类似质量的最终结果。

如前所述，用于确定主获取参数和/或第二预备获取参数和/或第三预备获取参数以及/或者重复条件和/或其他重复条件的满足的算法的训练可以作为单独的方法被执行。因此，本发明还涉及一种用于训练如下算法的方法，所述算法可用于在上面讨论的计算机实现的方法中确定主获取参数和/或第二预备获取参数和/或第三预备获取参数以及/或者重复条件和/或其他重复条件的满足。

本发明还涉及一种训练系统，该训练系统包括：第一训练接口，其被配置成用于接收输入训练数据，例如上面讨论的输入数据；第二接口，其被配置成用于接收输出训练数据，例如上面讨论的一个或多个相应获取参数的期望值，其中，输入训练数据与输出训练数据有关；训练计算单元，其被配置成用于基于输入训练数据和输出训练数据来训练算法；以及第三训练接口，其被配置成用于提供经训练的算法。

另外，本发明涉及一种包括指令的计算机程序，当由计算机执行程序时，所述指令使计算机执行算法的训练。本发明还涉及一种包括先前讨论的计算机程序的指令的计算机可读介质。

本发明还涉及经训练的算法或对给定算法进行参数化以提供这样的经训练的算法的任何参数集。特别地，可以通过用于训练算法的先前讨论的方法和/或通过先前讨论的训练系统来提供经训练的算法和/或参数集。因此，本发明还涉及一种包括这样的参数集或经训练的算法的计算机可读存储介质。

本发明还涉及一种用于在使用x射线发射器和x射线探测器以在医学图像获取期间对对象特别是患者进行成像的主图像获取期间获取主x射线图像的方法，

-其中，使用用于控制x射线发射器的至少一个第一预备获取参数通过x射线探测器来获取第一预备图像，

-其中，在所有情况下或当满足重复条件时，使用用于控制x射线发射器的至少一个第二预备获取参数通过x射线探测器来获取第二预备图像；

-其中，使用如下主获取参数来获取主x射线图像，所述主获取参数在主图像获取期间控制x射线发射器以确定在主图像获取期间要从x射线发射器发射的x射线的剂量，

-其中，第一预备图像的第一图像数据被评估以确定是否满足重复条件以及/或者确定主获取参数和/或第二预备获取参数，以及

-其中，在所有情况下或当满足重复条件时，根据第二预备图像的第二图像数据来确定主获取参数。

所讨论的用于获取主x射线图像的方法可以包括先前讨论的用于确定至少一个主获取参数的计算机实现的方法。另外地或替选地，关于计算机实现的方法讨论的各个特征可以被转移到所要求保护的具有所讨论的优点的用于获取主x射线图像的方法。如上所述，特别地，可以获取任意数量的预备图像。可以例如在获取每个预备图像之后测试重复条件的满足，并且当满足重复条件时才获取其他预备图像。换言之，可以仅获取在上面已经详细讨论的确定主图像参数期间也被处理的预备图像。

x射线发射器的阴极的温度和/或x射线发射器的阳极的旋转速度可以在第一预备图像和/或第二预备图像的获取期间以及/或者在第一预备图像的获取与第二预备图像的获取之间以及/或者在第二预备图像的获取与主图像获取之间被增加。如上所述，如果使用第三预备图像或使用多个其他预备图像，则替选地或另外地，旋转速度和/或温度可以在该第三预备图像或相应的其他预备图像的相应获取期间以及/或者该获取之前和/或之后被增加。

如先前所讨论的，这允许在x射线发射器通过增加阴极温度和/或阳极的旋转速度而准备进行主图像获取时获取第一预备图像和/或第二预备图像和/或第三预备图像和/或其他预备图像。因此，预备图像的获取不一定会使获取主图像所需的时间增加。

第一预备图像和第二预备图像或第一预备图像、第二预备图像和第三预备图像或多于三个预备图像可以在一秒内被获取。优选地，可以在650ms之内获取这两个或三个图像。因此，可以在如下时间期间执行预备图像的图像获取，所述时间通常对于针对主图像获取而准备x射线发射器——例如通过使阳极旋转以及/或者对阴极进行加热——是必需的。因此，可以避免成像工作流的延迟。

可以基于第一图像数据和/或第二图像数据来确定关于x射线发射器的位置和/或准直器对所发射的x射线的准直的至少一个附加参数，其中，基于此附加参数来调整x射线发射器的位置或准直器的配置。另外地或替选地，可以基于第一图像数据和/或第二图像数据来执行异物检测，其中，如果检测到异物，则向用户输出警告消息。在一些情况下，在以正常x射线获取进行图像获取之后才能识别x射线发射器未对准或准直器配置错误或者存在干扰成像的对象例如包含金属的珠宝。这通常需要重复完整的图像获取，因此导致所施加的x射线剂量的增加和成像工作流的延迟。因此，已经建议基于第一预备图像和/或第二预备图像的图像数据来检测和校正或警告关于可能引起图像劣化。如果因此检测到所讨论的特征之一，则仅需要重复预备成像，这比完全成像需要显著更少的x射线剂量和时间。

第一图像数据和/或第二图像数据的至少一部分或从该图像数据得出的数据可以由算法特别是由通过机器学习训练的算法来处理，以确定对象的特征。另外地或作为替选，可以使用显然来自其他预备图像例如第三预备图像的图像数据。先前已经讨论了关于机器学习和此类算法的训练的一般概念。优选地，该算法是使用在主图像获取期间获取的图像或其图像数据的至少一部分作为输入数据的算法。通过使用第一图像数据和/或第二图像数据的至少一部分作为附加输入数据，可以提供附加信息以例如增加特征确定的可靠性。所确定的特征可以例如是图像中的某个特征的分割和/或分类。这可以例如用于支持执行诊断的医疗人员。例如，可以对病变进行检测和/或分类。

除了本发明的方法之外，本发明还涉及一种处理单元，特别是医学成像设备的处理单元，该处理单元被配置成执行根据本发明的方法中的至少一个。

另外，本发明涉及一种包括这样的处理单元的成像设备，特别是用于医学成像的成像设备。成像设备可以包括x射线发射器和x射线探测器，处理单元可以可选地被配置成控制成像。处理单元尤其可以被配置成：根据至少一个主获取参数来控制主图像获取；根据至少一个第一预备获取参数来控制第一预备图像的获取；以及/或者根据至少一个第二预备获取参数来控制第二预备图像的获取。

替选地，处理单元可以是与任何成像设备分开的设备。处理单元可以例如是本地工作站或服务器、通过网络连接的服务器，或者可以被实现为分布式解决方案，例如在云中。

可以在x射线探测器的探测器硬件中至少部分地执行用于执行根据本发明的计算机实现的方法所必需的计算。特别地，可以在探测器硬件中执行若干像素到超像素的合并以及/或者确定至少一个灰度值和/或直方图生成和/或信号差异噪声比的计算，以减少所需的数据传输，从而潜在地加速图像获取。

本发明还涉及一种计算机程序，该计算机程序可以被直接加载到处理单元特别是医学成像设备的处理单元的存储器单元中，该计算机程序包括用于当程序在处理单元中被执行时执行根据本发明的方法中的至少一个的步骤的指令。

本发明还涉及一种计算机可读存储介质，该计算机可读存储介质包含电子可读指令，该电子可读指令包括根据本发明的计算机程序。

在本申请中，关于所要求保护的处理单元以及关于所要求保护的方法讨论了最初提到的问题的解决方案。本文中的特征、优点或替选实施方式可以被分配给其他要求保护的对象，反之亦然。换言之，可以利用在所述方法的上下文中描述或要求保护的特征来改进关于处理单元的权利要求，反之亦然。在这种情况下，方法的功能特征由处理单元的目标单元实现。

另外，就通过机器学习训练的算法而言，在利用经训练的算法的方法和系统的上下文中以及在用于训练这样的算法的方法和系统的上下文中讨论了本发明的特征。本文中的特征、优点或替选实施方式可以被分配给其他要求保护的对象，反之亦然。换言之，可以使用在用于利用经训练的算法的方法和系统的上下文中描述或要求保护的特征来改进用于训练算法的方法和系统的权利要求，反之亦然。

至于讨论经训练的算法的输入数据和/或输出数据，当在本发明的方法中被使用时，关于在算法的训练期间使用的输入数据和输出数据的特征和优点也可以有利地被转移到经训练的算法的输入数据和输出数据，反之亦然。

附图说明

通过以下结合附图考虑的详细描述，本发明的其他目的和特征将变得明显。然而，附图仅是仅出于说明目的的原理示意图设计并且不限制本发明。附图示出：

图1是根据本发明的用于确定至少一个主获取参数的计算机实现的方法的示例性实施方式的流程图；

图2选择了在图1的计算机实现的方法中使用的相关算法和数据结构；

图3是根据本发明的用于获取主x射线图像的方法的示例性实施方式的流程图；

图4是用于通过机器学习来训练在根据本发明的方法中可使用的算法的方法的示例；

图5是根据本发明的包括处理单元的示例性实施方式的医学成像设备的示例性实施方式；

图6是在图5中所示的医学成像设备中使用的x射线发射器的详细视图；以及

图7和图8是通过机器学习训练的算法的示例性结构，所述算法的示例性结构可用于根据本发明的方法。

具体实施方式

图1示出了用于确定至少一个主获取参数的计算机实现的方法的流程图，所述至少一个主获取参数确定在使用x射线发射器和x射线探测器的主图像获取期间要从x射线发射器发射以用于在医学图像获取期间描绘对象特别是患者的x射线的剂量。将结合图2来讨论该流程图，图2示出了在该方法的示例性实施方式中所选择的相关使用的数据结构和算法。

在步骤S1中，第一预备图像1的第一图像数据被接收。预备图像1是由在主图像获取期间使用的同一x射线探测器获取的图像。优选地，使用低x射线剂量来执行第一预备图像的获取。这可以通过在图像获取期间使用至少一个第一预备获取参数来控制与x射线探测器相关联的x射线发射器来实现。预备获取参数可以例如定义：发射器例如x射线管的发射器电压和/或电流；使用的暴露时间；或者发射器电荷，其可以被定义为在获取期间使用恒定电流时发射器电流与暴露时间的乘积。

第一预备图像的图像数据可以例如从数据库中被读取。然而，优选地，直接从探测器提供图像数据，当在获取的准备期间使用所讨论的计算机实现的方法来准实时地确定主获取参数时，这可能是有利的。

在步骤S2中，评估第一预备图像1的第一图像数据以确定是否满足重复条件。如果不是这种情况，则在步骤S3中，第一预备图像1的图像质量足以从第一图像数据立即确定主获取参数。

可以以多种方式执行第一图像数据的评估。为简单起见，将参照图2来讨论使用固定或用户定义的分割以及这些分割的灰度值的评估。在该方法中，通过分割算法2生成分割的图像3。在分割的图像3中，多个图段(segment)4至8被分割。分割的图像3中的图段4至8的位置和大小可以是固定的或由用户定义。然而，也可以基于图像1自身的图像数据来执行分割。例如，可以分割骨骼、器官或其他感兴趣的区域。

对于图段4至8中的每一个，例如通过对各个图段4至8内的灰度值求平均或通过从这些灰度值中选择中间灰度值来确定各自的灰度值9至13。然后，算法14决定灰度值9至13是否指示图像1的足够的图像质量以允许在步骤S3中基于灰度值9至13来立即确定主获取参数15，或者算法14决定是否满足重复条件并因此将需要在步骤S4中评估第二预备图像16的第二图像数据。

算法14可以例如是查找表或定义输入值与输出值之间的函数关系。在最简单的情况下，实际上仅使用灰度值9至13之一。在第一步骤中，算法可以例如从灰度值9至13中选择最高灰度值或中间灰度值。如果所选择的灰度值低于阈值，则可以假设用于获取第一预备图像的剂量太低，因此需要考虑第二预备图像16。如果不是这种情况，则主获取参数可以例如与如下商成比例，所述商是期望的灰度值与具有固定比例因子的所选灰度值的商。

虽然所讨论的过程非常有效，但是灰度值的偏移会严重影响结果。为了减小这种影响，可以选择多对灰度值9至13，并且可以例如基于至少一对值的差来确定主获取参数以消除偏移。在最简单的情况下，主获取参数例如所使用的剂量或发射器电荷可以与如下商成比例，所述商是该差的期望值与所计算的差的商。

尽管所讨论的用于评估第一图像数据的基于分割的方法允许使用多种现有算法来对图像进行分割，但是在没有明确分割的情况下，可以潜在地实现以例如确保达到一定的对比度或信号差异噪声比(signal difference to noise ratio)的这样的方式来选择主获取参数的主要目的。一种可能的方法是计算第一图像数据的直方图。特别当计算直方图时，使用图像数据的像素值的合并以降低第一预备图像1的图像分辨率可能是有利的。一旦生成直方图，就可以容易地确定相似灰度值的聚类，并且例如可以选择这些聚类中的两个来确定图像的对比度。如果对比度不足以可靠地确定主获取参数，则该方法可以分岔到步骤S4。否则，可以在步骤S3中基于对比度来确定主获取参数。

通常，不仅期望对于主图像获取达到某种对比度，而且期望对于噪声或信号差异噪声比达到某种对比度。因此，还可能的是，对第一图像数据的评估涉及对第一预备图像1或特定图段例如第一预备图像1的感兴趣区域的信号差异噪声比的计算。然后，可以根据信号差异噪声比来决定是否满足重复条件，如果不满足该条件，则确定主获取参数。

如果确定第一预备图像1的图像质量不足以允许立即确定主获取参数15，因此当在步骤S2中满足重复条件时，则在步骤S4中接收第二预备图像16的第二图像数据。如已经关于第一预备图像1讨论的那样，第二预备图像16可以是预先获取的并且例如可以从数据库中被读出。然而，当在步骤S2中满足重复条件时，从探测器直接接收第二预备图像16——特别是仅获取第二预备图像16——可能是有利的。如果已经可以从第一预备图像1中确定主获取参数，则这避免了对象另外暴露于x射线。

在步骤S5中，然后评估第二预备图像16的图像数据以确定主获取参数15。已经讨论了用于从第一预备图像1确定主获取参数15的该评估的不同方法，因此将不重复这些不同方法。

特别地，第二预备图像16是使用比第一预备图像1更高剂量或发射器电荷获得的图像。这可以通过使用更长的暴露时间和/或更高的发射器电流来实现。另外地或替选地，可以使用更高的发射器电压来例如增加图像的对比度。

例如可以使用例如40kV的低的x射线发射器电压和例如10mA的低的发射器电流来获取第一预备图像1。即使当使用例如10ms至50ms的相对长的暴露时间、相对低的发射器电荷时，也将产生一定剂量的x射线。

当使用相对低的发射器电流时，当发射器的阴极尚未完全被加热时，已经可以进行图像获取。相对低的发射器电压和电流也允许进行图像获取，而阳极则保持静止或以相对低的速度旋转。因此，可以例如在准备发射器例如x射线管以用于主图像获取的同时获取预备图像。

可以在阳极的较高旋转速度和/或阴极的较高温度下获取第二预备图像16，从而允许使用较高的电流和电压。

在所讨论的方法的进一步修改中，可以使用通过机器学习训练的算法来评估重复条件以及/或者执行从第一图像数据或第二图像数据确定主获取参数。将在后面参照图7和图8对可以训练的潜在算法进行讨论。稍后将参照图4来讨论训练这样的算法的示例。

图3示出了用于在如下主图像获取期间获取主x射线图像的方法的流程图，所述主图像获取在医学图像获取期间使用x射线发射器和x射线探测器来对对象特别是患者进行成像。在讨论该方法期间，将参照图5和图6，图5示出了可以用于实现所讨论的方法的示例性医学成像设备17，图6示出了在医学成像设备17中使用的x射线发射器18例如x射线管的示意性详细视图。

在步骤S6中，获取关于患者或另一个描绘对象19的先验知识。这样的信息可以例如从患者档案中被读出，并且例如描述患者的体重、应该被成像的区域的信息、关于患者体内的先前操作和/或已知人造对象的信息以及/或者图像或其他数据，例如来自先前的图像获取的使用的成像参数。

在步骤S7中，通过太赫兹相机20来获取附加输入图像。替选地，可以使用光学或红外相机来获取附加输入图像。优选地，所使用的相机被配准至x射线探测器21的坐标系，该x射线探测器21将在主图像获取期间用于获取图像。如果这样的配准是已知的或可以被确定，则附加输入图像可以例如便于获取的图像的分割。

在步骤S8中，确定至少一个第一预备获取参数以在第一预备图像获取期间控制x射线发射器18。先前已经讨论过的各种相关的第一预备获取参数例如发射器电荷可能基于由现有知识提供的患者体重和/或基于从附加输入图像确定的身体轮廓(body profile)而变化。替选地，对于一个或多个第一预备获取参数，可以使用固定值。

在步骤S9中，医学成像设备17的处理单元23根据一个或多个第一预备获取参数来控制x射线发射器18，以经由x射线探测器21获取第一预备图像1。

可以通过使用通用处理器24和相关联的存储器单元25，通过将实现所讨论的功能的计算机程序加载到存储器单元25中并且由处理器24执行所述计算机程序来实现处理单元23。可以以多种方式例如作为通用处理器、微控制器、FPGA等来实现处理器24。替选地，可以对某些或全部所讨论的功能进行硬连线。

优选地，处理单元23还实现与各种图像数据的处理有关的步骤。为了简单起见，处理单元23被示出为被集成在成像设备17内的限定位置处的紧凑单元。也可以使处理分布在整个成像设备17中，例如以在探测器21中执行图像处理的至少一部分，以限制在用于确定主获取参数的相对短的时间期间进行大量数据传输的必要性。这是有利的，原因是确定包括预备图像的获取的主获取参数应该可以在少于一秒内，例如在650ms内。

将参照图6来详细讨论x射线发射器18的控制，图6示出了示例性x射线发射器18，例如x射线管。发射器电压被施加在发射器18的阴极26与阳极27之间，以使电子从阴极26朝向阳极27加速，如箭头29所示。当快速电子撞击阳极27时，x射线30被发射。发射的x射线30的光谱取决于电子的速度，从而取决于发射器电压。为了获取第一预备图像1，优选地，使用相对软的x射线，从而使用例如40kV的相对低的发射器电压。针对快速预备的图像1使用相对低剂量的x射线也是有利的，原因是应当使用10ms至50ms的相对长的暴露时间，所以可以通过使用相对低的发射器电流例如10mA来限制剂量。

为了主图像获取而准备x射线发射器18，通常必需将阴极26加热到一定温度以允许足够高的发射器电流。由于使用相对低的发射器电流来获取第一预备图像1，因此可以在阴极26的较低温度下——例如，在仍然加热阴极26以用于主图像获取时——执行第一预备图像的获取。

在x射线成像中，针对主x射线获取可以使用相对高的发射器电压和发射器电流。因此，通过加速的电子在这些电子撞击阳极27的位置处沉积相对高的功率密度。因此，通常使用马达31以使阳极27绕轴28旋转，从而改变阳极27随着时间被电子撞击的面积。通常，需要数百ms来将阳极27加速到期望的旋转速度。由于以相对低的发射器电压和电流来记录第一预备图像1，因此可以在阳极27尚未旋转或以相对低的速度旋转时获取第一预备图像。特别地，可以在阳极27正加速时获取第一预备图像。这是允许第一预备图像和第二预备图像的获取在无论如何为主图像获取而准备x射线发射器18所需的时间范围内的另一个原因。

在步骤S10中，评估第一预备图像1的图像数据以确定将用于获取第二预备图像的第二预备获取参数。尽管第一预备图像的质量通常不足以直接确定一个或多个主获取参数，但是已经可以对其进行评估以确定第二预备获取参数。第一预备图像中的非常低的灰度值、对比度或信号差异噪声比可以例如指示：应该使用暴露时间、发射器电流和/或发射器电压的强烈增加来获取第二预备图像，反之亦然。原则上，也可以在步骤S10中检查第一预备图像的图像质量是否足以从该图像数据中直接确定主获取参数。这已经参照图2被讨论，为清楚起见没有被示出。

一个或多个第二预备获取参数的确定可以如已经参照图2讨论的那样被执行，以用于确定主获取参数。通常以如下方式选择第二预备获取参数：在第二预备图像的获取期间所使用的x射线剂量明显更高，例如，比在第一预备图像的获取期间使用的剂量高十倍。然而，它仍然明显低于在主图像获取期间使用的剂量。如果在为主图像获取而准备x射线发射器18期间获取预备图像，则阴极26的温度和/或阳极27的旋转速度通常将高于在第一预备图像的获取时阴极26的温度和/或阳极27的旋转速度。因此，可以容易地使用较高的发射器电压和/或电流。

如图3所示，步骤S10中的第二预备获取参数的确定可以另外取决于步骤S6中提供的先验知识和/或步骤S7中提供的附加输入图像。此信息可以例如如已经关于图2所讨论的那样被用于分割第一预备图像中的感兴趣区域。另一方面，当通过经过机器学习训练的算法来执行第二预备获取参数的确定时，使用此附加信息特别有用。使用附加输入数据可以改进学习过程的收敛性，并且产生更可靠的结果。

在步骤S11中，x射线探测器21使用在步骤S10中确定的一个或多个第二预备获取参数来获取第二预备图像。已经关于步骤S9讨论了该图像获取的原理。

然后在步骤S12中结合在步骤S6中提供的先验知识和在步骤S7中提供的附加输入图像来评估第二预备图像16的第二图像数据，以确定一个或多个主获取参数。已经关于步骤S10和图2讨论了用于该确定的可能方法。

在步骤S13中，使用在步骤S12中确定的主获取参数来获取主x射线图像，以在主图像获取期间控制x射线发射器18。因此，主获取参数控制在主图像获取期间要从x射线发射器18发射的x射线30的剂量。

然后，所获取的主x射线图像可以例如在步骤S14中被处理以允许自动分割、图像图段的分类等。例如，可以对病变进行分割和/或分类。用于自动分割、分类、诊断辅助等的若干方法在现有技术中是众所周知的，因此将不对其进行详细讨论。

为了提高所确定的特征的可靠性，可以使用附加信息。在所示的示例中，在步骤S7中确定的附加输入图像和在步骤S11中确定的第二预备图像被用作附加输入数据。另外地或替选地，在步骤S6中确定的先验知识和/或在步骤S9中确定的第一预备图像可以被用作附加输入数据。

以这种方式重新使用第一预备图像和/或第二预备图像可以改进结果的质量，而不会增加该过程中使用的x射线剂量。可以例如通过机器学习来训练在步骤S14中使用的算法。

如先前所讨论的，可以通过经过使用机器学习训练的算法来实现用于获取主x射线图像的方法的若干步骤，特别是确定主获取参数的方法的若干步骤。算法可以例如是神经网络，特别是卷积神经网络。将在后面参照图7和图8来讨论这种算法的结构。

将使用图4所示的监督学习的示例来说明这种算法的训练。在该示例中，算法37被训练成基于第二预备图像16的第二图像数据33、先验知识34和附加输入图像35来确定至少一个主获取参数40。为了降低算法37的复杂度，以下可能是有利的：针对第二图像数据33使用合并，将多个相邻像素组合成超像素并从而降低图像分辨率以及/或者对第二图像数据33的直方图而不是第二图像数据33本身进行处理。算法37具有多个参数38，例如神经网络的不同节点的输入权重。这些参数38可以被设置成初始值，例如算法的标准值或随机值。

多个训练数据集32被提供，每个训练数据集包括：如先前所讨论的第二图像数据33或从该数据得出的数据、先验知识34、附加输入图像35和至少一个主获取参数40的期望值36。

对于训练数据集32的子集，算法37被应用于相应的第二图像数据33、先验知识34和附加输入图像35，以确定至少一个主获取参数40的相应值。然后，通过改变参数38来使成本函数39最小化。成本函数39是针对相应训练数据集32确定的至少一个主获取参数40与该训练数据集32中的相应主获取参数的期望值36之差的量度之和。可以例如使用众所周知的误差反向传播方法来执行参数38的变化。可以利用训练数据集的不同子集来执行几轮训练。

现在将详细地讨论可以例如通过参照图5讨论的方法训练的算法的示例。为了清楚起见，仅示出了具有几个输入节点的小型神经网络。在实际应用中，可以使用显著较大的网络。

图7显示了人工神经网络41的实施方式。“人工神经网络(artificial neuralnetwork)”的替选术语是“神经网络(neural network)”、“人工神经网(artificial neuralnet)”或“神经网(neural net)”。

人工神经网络41包括节点46至58以及边59至61，其中，每个边59至61是从第一节点46至48到第二节点46至58的有向连接。通常，第一节点46至58和第二节点46至58是不同的节点46至58，第一节点46至58和第二节点46至58也可以是相同的。例如，在图1中，边59是从节点46到节点49的有向连接，边60是从节点47到节点49的有向连接。从第一节点46至58到第二节点46至58的边59至61也被表示为第二节点46至58的“进入边”，并且被表示为第一节点46至58的“离开边”。

在该实施方式中，人工神经网络41的节点46至58可以被布置在层42至45中，其中，层42至45可以包括由节点46至58之间的边59至61引入的固有顺序。特别地，边59至61仅可以存在于节点46至58的相邻层之间。在所显示的实施方式中，存在仅包括节点46至48而没有进入边的输入层42；仅包括节点57、58而没有离开边的输出层45；以及在输入层42与输出层45之间的隐藏层43、44。通常，可以任意地选择隐藏层43、44的数量。输入层42内的节点46至48的数量通常与神经网络的输入值的数量有关，而输出层45内的节点57、58的数量通常与神经网络的输出值的数量有关。

特别地，可以将(实)数作为值分配给神经网络31的每个节点46至58。在此，x

特别地，为了计算神经网络41的输出值，通过神经网络传播输入值。特别地，可以通过以下式子基于第n层42至45的节点46至58的值来计算第(n+1)层42至45的节点46至58的值：

在此，函数f是传递函数(其他术语是“激活函数”)。已知的传递函数是阶跃函数、sigmoid函数(例如，逻辑函数、广义逻辑函数、双曲正切、反正切函数、误差函数、平滑阶梯函数(smoothstep function))或整流函数。传递函数主要用于归一化目的。

特别地，这些值通过神经网络逐层传播，其中，输入层42的值由神经网络41的输入给定，其中，可以基于神经网络的输入层42的值来计算第一隐藏层43的值，其中，可以基于第一隐藏层43的值等来计算第二隐藏层44的值。

为了设置边的值w

特别地，所计算的输出数据与训练数据之间的比较被用于递归地调整神经网络41内的权重(反向传播算法)。特别地，根据以下式子来改变权重：

其中，γ是学习速率，并且可以基于δ

如果第(n+1)层不是输出层，并且

如果第(n+1)层是输出层45，其中，f`是激活函数的一阶导数，而y

图8显示了卷积神经网络62的实施方式。在所显示的实施方式中，卷积神经网络62包括输入层63、卷积层64、池化层65、全连接层66和输出层67。替选地，卷积神经网络62可以包括若干卷积层64、若干池化层65和若干全连接层66以及其他类型的层。可以任意地选择层的顺序，通常全连接层66被用作输出层67之前的最后的层。

特别地，在卷积神经网络62内，一个层63至67的节点68至72可以被认为被布置为d维矩阵或d维图像。特别地，在二维情况下，在第n层63至67中用i和j做索引的节点68至72的值可以被表示为x

特别地，卷积层64的特征在于进入边的结构和权重基于一定数量的内核形成卷积运算。特别地，进入边的结构和权重被选择成使得基于前一层63的节点68的值x

在此，第k内核K

如果前一层63的节点68被布置为d维矩阵，则使用多个内核可以被解释为增加其他维度(被表示为“深度”维度)，使得卷积层64的节点69被布置为(d+1)维矩阵。如果前一层63的节点68已经被布置为包括深度维度的(d+1)维矩阵，则使用多个内核可以被解释为沿着深度维度扩展，使得卷积层64的节点69也被布置为(d+1)维矩阵，其中，(d+1)维矩阵关于深度维度的大小是比前一层63更大的内核的数量的因数。

使用卷积层64的优点在于：可以通过在相邻层的节点之间实施局部连接模式——特别是通过仅连接至前一层的节点的小区域的每个节点——来利用输入数据的空间局部相关性。

在所显示的实施方式中，输入层63包括36个节点68，其被布置为二维6×6矩阵。卷积层64包括被布置为两个二维6×6矩阵的72个节点69，两个矩阵中的每一个都是输入层的值与内核的卷积的结果。同样，卷积层64的节点69可以被解释为被布置为三维6×6×2矩阵，其中，最后一个维度是深度维度。

池化层65的特征在于进入边的结构和权重以及其节点70的基于非线性池化函数f形成池化操作的激活函数。例如，在二维情况下，可以基于前一层64的节点69的值x

x

换言之，通过使用池化层65，可以通过利用根据池化层中的所述数量的相邻节点的值计算的单个节点70代替前一层64中的相邻节点69的数量d

使用池化层65的优点是减少了节点69、70的数量和参数的数量。这导致网络中的计算的量减少，并且导致对过拟合的控制。

在所显示的实施方式中，池化层65是用仅一个节点代替四个相邻节点的最大池化，该值是四个相邻节点的值中的最大值。最大池化被应用于上一层的每个d维矩阵；在此实施方式中，最大池化被应用于两个二维矩阵中的每一个，从而将节点的数量从72个减少到18个。

全连接层66的特征在于以下事实：存在前一层65的节点70与全连接层66的节点71之间的大多数，特别是所有边，并且其中，边中的每一个的权重可以单独地被调节。

在该实施方式中，全连接层66的前一层65的节点70既被显示为二维矩阵，又被另外地显示为不相关的节点(被表示为节点的线，其中，节点的数量被减少以用于更好的呈现性)。在该实施方式中，全连接层66中的节点71的数量等于前一层65中的节点70的数量。替选地，节点70、71的数量可以不同。

此外，在该实施方式中，通过将Softmax函数应用在前一层66的节点71的值上来确定输出层67的节点72的值。通过应用Softmax函数，输出层67的所有节点72的值之和是1，并且输出层67的所有节点72的所有值是0和1之间的实数。特别地，如果使用卷积神经网络62对输入数据进行分类，则输出层的值可以被解释为输入数据落入不同类别之一的可能性。

卷积神经网络200还可以包括ReLU(“整流线性单元”的首字母缩略词)层。特别地，包含在ReLU层中的节点的数量和节点的结构等于包含在前一层中的节点的数量和节点的结构。特别地，通过将整流函数应用于前一层的相应节点的值来计算ReLU层中的每个节点的值。整流函数的示例是f(x)＝max(0，x)、正切双曲线函数或sigmoid函数。

特别地，可以基于反向传播算法来训练卷积神经网络62。为了防止过拟合，可以使用正则化的方法，例如，节点68至72的丢失、随机池化、人工数据的使用、基于L1范数或L2范数的权重衰减或者最大范数约束。

尽管已经参考优选实施方式详细地描述了本发明，但是本发明不限于所公开的示例，技术人员能够在不脱离本发明的范围的情况下从所公开的示例中得出其他变型。