CN101466302A - 为动态分子成像过程个性化动力学参数估计的方法 - Google Patents
为动态分子成像过程个性化动力学参数估计的方法 Download PDFInfo
- Publication number
- CN101466302A CN101466302A CNA2007800100722A CN200780010072A CN101466302A CN 101466302 A CN101466302 A CN 101466302A CN A2007800100722 A CNA2007800100722 A CN A2007800100722A CN 200780010072 A CN200780010072 A CN 200780010072A CN 101466302 A CN101466302 A CN 101466302A
- Authority
- CN
- China
- Prior art keywords
- parameter
- variance
- beta
- target
- image acquisition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0275—Measuring blood flow using tracers, e.g. dye dilution
- A61B5/02755—Radioactive tracers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Hematology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种动态分子成像中的方法,包括动态地估计描述了所施予的示踪剂生物分布的活度函数的第一参数(β(x))和第二参数(k(x))。更具体地,该方法包括分别指定活度函数的第一参数(β(x))和第二参数(k(x))的第一目标方差(σβ,T(x))和第二目标方差(σk,T(x));启动图像采集;重建第一参数(β(x))和第二参数(k(x));分别重建第一参数(β(x))和第二参数(k(x))的第一关联方差(σβ(x))和第二关联方差(σk(x));并且重复图像采集以及重建步骤,直到第一关联方差(σβ(x))和第二关联方差(σk(x))分别等于或小于第一目标方差(σβ,T(x))和第二目标方差(σk,T(x)),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。该方法能够实现分子成像中的特异性患者自适应方案。
Description
本发明通常涉及分子成像领域。具体而言,本发明涉及将用于动态分子成像过程的动力学参数估计适配于个别的患者解剖结构和病情。
在医学领域广泛使用分子成像作为一种对(特别是在体内)各种靶点或路径成像的技术。起探针作用的示踪剂促进了成像并与其周围环境进行化学作用,并且反过来根据发生在感兴趣区域内的分子变化来改变图像。分子成像可应用于许多不同的感兴趣区域,例如对在疾病的典型症状的发生或检测之前发生的病前状态或分子状态的确定。其他应用包括在体内基因表达的成像以及新型示踪剂或生物标志物的发展。
为了实现分子成像,目前有几种不同的分子成像系统和设备可以利用,例如SPECT(单光子发射计算机断层摄影)系统和PET(正电子发射断层摄影)系统。后者是在对例如脑内的生理活动进行成像时,或者在确定体内流路时的重要技术。典型分子成像设备连续地对列表模式的患者数据进行抽样,其中,列表模式数据意指用时间戳记录SPECT中的单个事件或PET中的符合事件。随后将列表模式数据进行分箱(bin)、重建,并且利用药代动力学建模技术估计基本的动力学参数。或者,利用直接参数估计技术绕过分箱和重建步骤,将列表模式数据直接馈送至动力学建模引擎。
随着新近多模态(multi-model)成像装备和新型靶向示踪剂的发展,已经使客观地探查分子过程变得可行,所述分子过程是理解基本的疾病机制和对治疗反应的早期评价的关键。临床上正在越来越多地使用动态分子成像方案,并且正在发展动力学建模工具以改进对相关分子参数的估计。这样的分子参数例如为示踪剂通过组织或血液的流速,示踪剂的俘获、清除和进入组织的吸收率,甚至示踪剂经历化学修饰的反应速率。
基本上有三种主要的创建参数图像的方法:“间接方法”、“半直接方法”以及“直接方法”,在下文中将对此做出详细描述。
间接方法涉及首先针对每个测量时间重建所记录的图像,然后估计每个体素的动力学参数。该方法具有对于每个体素而言时间活度曲线的信噪比低的缺点,这使得难以精确估计参数。
半直接方法试图通过经由信号子空间或样条对每个体素可能选择的时间进程进行约束来提高信噪比。基于样条的方法在处理列表模式数据时具有一定的计算优势。然而,这是一个首先计算样条系数、然后计算动力学参数的两步过程,其导致了最优性的缺失,特别是在样条系数的数量大于动力学参数的数量时。
直接方法涉及动力学参数重建的直接方式。在例如D.Snyder的“Parameter estimation for dynamic studies in emission-tomography systemshaving list-mode data”IEEE Trans Nucl Sci 31(1984)第925-931页;或Kamasak ME等人的“Direct reconstruction of kinetic parameter images fromdynamic PET data”IEEE Trans Med Imaging(2005)五月24(5):第636-650页中描述了不同的直接估计算法,其以引用方式并入本文中。
现今,主要通过试错法来完成动态成像方案的设计。一旦根据经验识别出好的候选方案,则不考虑任何患者间变异性,以无差别的方式对所有患者使用该方案。这些方案通常在启动扫描之前指定用于图像采集的抽样方案,以及将要施予的示踪剂的活度的量。然而,示踪剂的生物动力学在很大程度上依赖于在图像质量和所估计的动力学参数的方差上导致患者间变异性的个别患者解剖结构和疾病类型。此外,测量所估计的动力学参数的质量的一致灵敏值是不可缺少的,并且是建立质量保证程序的绝对先决条件。
因此,需要一种机制策略,该策略自适应地考虑个别患者的解剖结构和病情。此外,可以预见到的是,最佳适应的动态成像方案相对于标准程序,允许增加的灵活性、时间和成本效率,从而降低了错误的参数设置和不良诊断结果的风险。
因此,人们期望提供一种在分子成像内的有利方法,例如提供特异性患者自适应方案。
因此,本发明优选单个地或以任何组合的方式缓解、减轻或消除本领域内上述识别的不足和缺点中的一个或多个,并且通过提供根据本专利权利要求书所述的方法、装置、系统、计算机可读介质以及该装置的用途来至少解决上述问题。
根据本发明的一个方面,提供了一种在动态分子成像中的方法,包括动态地估计描述了所施予的示踪剂生物分布的活度函数的第一参数β(x)和第二参数k(x)。该方法包括分别指定活度函数的第一参数β(x)和第二参数k(x)的第一目标方差σβ,T(x)和第二目标方差σk,T(x)。该方法还包括启动图像采集;重建第一参数β(x)和第二参数k(x);分别重建第一参数β(x)和第二参数k(x)的第一关联方差σβ(x)和第二关联方差σk(x)。此外,该方法包括重复图像采集以及第一参数β(x)和第二参数k(x)与第一关联方差σβ(x)和第二关联方差σk(x)的重建步骤,直到该第一关联方差σβ(x)和第二关联方差σk(x)分别等于或小于第一目标方差σβ,T(x)和第二目标方差σk,T(x),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
根据本发明的另一方面,提供了一种在动态分子成像中设置为动态地估计描述了所施予的示踪剂生物分布的活度函数的第一参数β(x)和第二参数k(x)的装置。该装置包括用于分别指定活度函数的第一参数β(x)和第二参数k(x)的第一目标方差σβ,T(x)和第二目标方差σk,T(x)的指定工具。该装置还包括用于启动图像采集的启动工具;用于重建第一参数β(x)和第二参数k(x)的第一重建工具;用于分别重建第一参数β(x)和第二参数k(x)的第一关联方差σβ(x)和第二关联方差σk(x)的第二重建工具;以及重复工具,其用于重复图像采集以及第一参数β(x)和第二参数k(x)与第一关联方差σβ(x)和第二关联方差σk(x)的重建步骤,直到该第一关联方差σβ(x)和第二关联方差σk(x)分别等于或小于第一目标方差σβ,T(x)和第二目标方差σk,T(x),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
根据本发明的又一方面,提供了一种分子成像系统,该系统包括根据本发明的上述方面的装置。
根据本发明的还有一个方面,提供了一种计算机可读介质,该介质具有收录在其上的由计算机进行处理的计算机程序。该计算机程序包括用于分别指定活度函数的第一参数β(x)和第二参数k(x)的第一目标方差σβ,T(x)和第二目标方差σk,T(x)的指定代码段;用于启动图像采集的启动代码段;用于重建第一参数β(x)和第二参数k(x)的第一重建代码段;用于分别重建第一参数β(x)和第二参数k(x)的第一关联方差σβ(x)和第二关联方差σk(x)的第二重建代码段;以及重复代码段,其用于重复图像采集以及第一参数β(x)和第二参数k(x)与第一关联方差σβ(x)和第二关联方差σk(x)的重建步骤,直到该第一关联方差σβ(x)和第二关联方差σk(x)分别等于或小于第一目标方差σβ,T(x)和第二目标方差σk,T(x),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
根据本发明的还有又一方面,提供了根据本发明一方面的方法的使用。更准确地,使用该方法来确定在可检测到疾病的典型症状之前发生的病前状态或分子状态。
本发明能够实现的这些以及其他方面、特征和优势将从下面参照附图对本发明各实施方式的描述中显而易见并加以阐述,在附图中:
图1是包括组织室和血液室的药代动力学二室模型的示意图;
图2是药代动力学多室模型的示意图;
图3是举例说明本发明方法的实施方式的过程流程图;
图4是举例说明本发明装置的实施方式的示意图;
图5是示出了举例说明本发明的另一实施方式的计算机程序流程图的示意图。
以下描述集中在可应用于动态分子成像内的特定应用的本发明的实施方式上。然而,应当领会到的是,本发明不局限于这些特定应用或实现方式,而是可以应用于分子成像领域内的许多其他应用。
本发明提供了改进对相关分子参数的估计的有利方式,这些参数可以是示踪剂通过组织或血液的流速,示踪剂的俘获、清除和进入组织的吸收率,甚至示踪剂经历化学修饰的反应速率。
而且,本发明提供了建立质量保证程序的方便简单方式,该方式考虑了导致在图像质量和所估计的参数的方差上的患者间变异性的个别患者解剖结构和疾病类型。
图1示出了包括组织室和血液室的已知药代动力学室模型。如果,例如使用具有99mTc-teboroxime的动态SPECT测量来估计心肌灌注,根据标准方案,在示踪剂注射后的17分钟内采集SPECT投影。在图1中,CP表示血液室内的示踪剂浓度,而CT表示组织室内的浓度。在药代动力学二室模型中,用活度函数A(x,t)=[1-β(x)]·CP+β(x)·CT描述每个时间点t所测量的总活度,其涉及与感兴趣区域的或在位置x处的单独体素的各室相关联的各个浓度的加权和。因此该活度函数A(x,t)描述了示踪剂的生物分布。这里,参数β(x)表示在感兴趣区域内位置x处的血液室和组织室的划分。感兴趣区域例如可以是诸如心脏的人类器官。组织室内的浓度CT由从具有相应的示踪剂浓度CP(由输入函数指定的)的容器以速率k的流入和以相同速率k的示踪剂流出组成。在数学术语上,这通过输入函数与该组织室的“系统函数”的卷积 给出的,并因此
这里,CP是已知的输入函数,例如是从动脉或静脉血液中抽样的,或者从分子图像中提取的。为了能够确定感兴趣区域内示踪剂的活度或浓度,需要估计参数β(x)和k(x)。在运行最优化(例如间接、半直接或直接最优化)之后,获得β(x)和k(x)的空间分布或参数图。
对于间接、半直接或直接方法,最优化过程可以以稍微不同的方式进行。间接方法的特征是基于列表模式数据给出A(x,t)估计;选择β(x)和k(x)以使在所估计的A(x,t)和根据方程式1中描述的室模型的A(x,t)理论(真实)值之间的差(例如平方和的差)最小化。
直接方法涉及更多,并且包括选择β(x)和k(x)以创建理论活度函数A(x,t),该函数很可能已经创建了所记录的列表模式数据(更详细的描述参见例如D.Snyder的“Parameter estimation for dynamic studies inemission-tomography systems having list-mode data”IEEE Trans Nucl Sci 31(1984)第925-931页;或Kamasak ME等人的“Direct reconstruction of kineticparameter images from dynamic PET data”IEEE Trans Med Imaging(2005)May;24(5):第636-650页)
可以在同一过程中获得方差σβ(x)和σk(x),并且其取决于模拟的A(x,t)对实际记录的拟合有多强,即已记录的A(x,t)与适应的之间的差或者给出列表模式数据的情况下模拟的A(x,t)的似然,当β(x)和k(x)在其最优值附近变化时,方差σβ(x)和σk(x)变差。
包括参数β(x)和k(x)的活度函数描述了所施予的示踪剂的活度,并且因此间接地描述了所施予的示踪剂的浓度。该活度函数随着所选择的室模型变化,并且因此参数也随着所选择的室模型变化。图2示出了示范性药代动力学多室模型,其中k1、k2、k3和k4描述了各室之间的示踪剂交换率。CP描述了血浆中示踪剂的摩尔浓度,CF描述了游离示踪剂的摩尔浓度,并且CB描述了已代谢或结合示踪剂的摩尔浓度。
在用发射断层摄影列表模式数据系统的动态示踪研究中普遍使用的步骤是:
(a)收集连续时间帧的数据;
(b)重建每个间隔或时间帧的图像,因此提供所估计的作为时间的函数的空间活度分布;
(c)在每幅图像中识别感兴趣区域用于动态研究;
(d)在结合整个感兴趣区域上的每幅图像之前,用说明它对感兴趣区域的贡献的因子对每个列表模式数据点加权,以得到在每帧内感兴趣区域中的累积活度;以及
(e)根据在步骤(d)中生成的所重建的活度图像估计参数。在使用直接参数估计的情况下,这意指将列表模式数据直接重建成动力学参数,使用用于某一临床任务(例如对心肌灌注成像)的标准采集方案,该方案并不适应于患者特异性,例如体重和大小以及其他个别属性。现有技术的缺点是扫描时间和/或所施予的活度并未在个性化的基础上适应各种情况,因此,所估计的参数在可信度上具有很大变化。
以下描述集中在可应用于动态分子成像系统的本发明的实施方式上,其中使用扫描时间作为将要在个性化的基础上进行适应性修改的参数。这样,有可能通过适应性改变所涉及的动力学参数来个性化动力学参数估计。
室模型的选择取决于所研究的过程。对于灌注过程而言,需要非常特异性的室模型,该模型包括血液室和组织室,用单个动力学参数k描述其中的示踪剂交换。在其中使用二室模型的一般应用中,描述了各室间转运的动力学参数可以变化,因此需要引入动力学参数k1和k2。为简单起见,可以特意选择上述灌注室模型,这是因为对于室模型而言,只用两个自由参数描述临床相关应用是最简单的情况。然而,本发明的构思可应用于任何室拓扑结构以及任何数量的自由参数,并且因此不局限于上述灌注室模型。
现今提供的扫描器系统(例如SPECT和PET)的空间分辨率使得在像素或体素中总存在组织和血液子室的混合,并且因此参数β(x)将保留在目前一般使用的二室或多室模型中。然而,可以想象到的是,随着将来的分子图像采集系统提供更高的分辨率,将废弃参数β(x)。
根据图3,本发明的实施方式涉及到用于在个性化基础上估计动力学参数的方法。
在以下步骤中概述了该方法,其中第一步骤31包括为方案所必需的参数指定目标置信区间(对二室模型来说是σβ,T(x)和σk,T(x)),或者局部地,例如对组织的很小区域或指定的感兴趣区域,或者全局地,与对每个体素位置x都相同。
在具体实施的方法的第二步骤32,启动图像采集,同时进行数据采集34,以便为使用直接参数估计算法35对所描述的区域估计参数β(x)和k(x),并且分别为参数β(x)和k(x)估计关联方差σβ(x)和σk(x)(见下文定义),见下文推导。图像采集连续地收集图像数据,例如以列表模式。例如可以通过PET或SPECT扫描器以本领域技术人员已知的方式“扫描”图像来执行图像采集。
在具体实施的方法的第三步骤,如果σβ(x)>σβ,T(x)或σk(x)>σk,T(x),则在直接参数估计算法的迭代步骤之后,将从数据采集34新采集的数据增加到列表模式数据中,并且在下一迭代步骤39,直接参数估计算法重新估计参数β(x)和k(x)以及相应的关联方差σβ(x)和σk(x)。
最后,在具体实施的方法的第四步骤33,当关联方差σβ(x)和σk(x)已分别达到目标方差σβ,T(x)和σk,T(x)时,即当σβ(x)≤σβ,T(x)和σk(x)≤σk,T(x)时,终止数据采集。在这一最终状态37,所估计的参数β(x)和k(x)具有与患者间变异性无关的足够精确度,以便生成感兴趣区域的高质量分子图像。
用于直接估计的大部分程序基于将似然函数P(β(x),k(x)|D)最大化,其中P表示给出所观测到的列表模式数据的情况下参数β(x)和k(x)的概率分布。由于活度函数的非线性特性,以及在表达式P(β(x),k(x)|D)中出现的进一步非线性特性,该概率分布P不具有标准Gaussian或Gamma形式中的一个。在这些情况下的标准方法是用Gaussian分布近似这一复杂的概率分布。该分布的意义在于:[β′(x),k′(x)]=argmax(P(β(x),k(x)|D))。
在本发明的一种实施方式中,用Gaussian分布近似概率分布P。该实施方式在计算上的需求较少。
在本发明的另一种实施方式中,用Gamma分布近似概率分布P。该实施方式在计算上的需求较少。
根据本发明的一种实施方式,关联方差σβ(x)和σk(x)被定义为:
上述关联方差表达式代表关于动力学参数的精确概率分布在其最大值处取得的二阶导数。如本发明的方法中那样,这两个参量给出了实际方差的良好近似值,并且因此可以用作置信区间。
在本发明的另一种实施方式中,参数β(x)和k(x)以及关联方差σβ(x)和σk(x)可以是任何与分子成像相关的参数,例如动力学或非动力学参数。
在本发明的另一种实施方式中,参数β(x)和k(x)中的至少一个是动力学参数。
在本发明的另一种实施方式中,该方法应用于任意的药代动力学室模型,例如药代动力学二室模型或药代动力学多室模型或用于确定相应的动力学参数的任何其他模型。
根据本发明的另一种实施方式,可以使用任何最优化算法,例如用于估计活度函数的参数、并且因此估计示踪剂的生物分布的直接、间接或半直接参数估计算法。
根据本发明的一种实施方式,根据图4,装置40在动态分子成像内设置为动态地估计描述了所施予的示踪剂生物分布的活度函数的第一参数β(x)和第二参数k(x),其中,该装置包括指定工具41、启动工具42、第一重建工具43、第二重建工具44以及重复工具45。指定工具41设置为分别指定活度函数的第一参数β(x)和第二参数k(x)的第一目标方差σβ,T(x)和第二目标方差σk,T(x)。如上述所解释的,可以根据精确概率分布的二阶导数计算这些目标方差。启动工具42设置为启动图像采集,其中连续记录图像数据。将启动工具42连接到第一重建工具43,其设置为基于到目前为止由图像采集工具41收集的所采集的图像数据集,重建第一参数β(x)和第二参数k(x)。同样将启动工具42连接到第二重建工具44,其设置为基于到目前为止由图像采集工具收集的所采集的相同图像数据集,分别重建第一参数β(x)和第二参数k(x)的第一关联方差σβ(x)和第二关联方差σk(x)。重复工具45设置为决定当分别将其与目标方差σβ,T(x)和σk,T(x)相比较时,是否可接受关联方差σβ(x)和σk(x)。如果σβ(x)>σβ,T(x)或σk(x)>σk,T(x),则重复工具45设置为向启动工具42和第一重建工具43以及第二重建工具44发送重复信号以重复参数估计。如果σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x),则该重复工具设置为终止参数估计。
在本发明的一种实施方式中,提供一种装置以执行本发明的方法。
根据本发明的另一种实施方式,提供一种用于分子成像的装置,通过估计分子参数,该装置提供了对在疾病的典型症状的检测之前发生的病前状态或分子状态的确定。
根据本发明的一种实施方式,该装置包括在PET系统或SPECT系统中,这些系统包括与用于启动图像采集的启动工具相连接的分子图像采集工具。
根据本发明的一种实施方式,该装置是医学工作站。
在本发明的一种实施方式中,提供了包括根据本发明的装置的系统。
在本发明的一种实施方式中,根据图5,提供了一种计算机可读介质,该介质具有收录在其上的由计算机进行处理的计算机程序50,其中计算机程序50包括指定代码段51、启动代码段52、第一重建代码段53、第二重建代码段54以及重复代码段55。指定代码段51能够分别指定活度函数的第一参数β(x)和第二参数k(x)的第一目标方差σβ,T(x)和第二目标方差σk,T(x)。启动代码段52能够启动图像采集。第一重建代码段53能够重建第一参数β(x)和第二参数k(x)。第二重建代码段54能够分别重建第一参数β(x)和第二参数k(x)的第一关联方差σβ(x)和第二关联方差σk(x)。重复代码段55能够重复图像采集和重建步骤,直到第一关联方差σβ(x)和第二关联方差σk(x)分别等于或小于第一目标方差σβ,T(x)和第二目标方差σk,T(x),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
在本发明的另一种实施方式中,提供了一种计算机可读介质,该介质具有收录在其上的由计算机进行处理的计算机程序,其中该计算机程序能够执行本发明的方法。
可以以任何合适的形式实现本发明,所述形式包括硬件、软件、固件或其任意组合。然而,优选地,本发明被实现为在一个以上数据处理器和/或数字信号处理器上运行的计算机软件。可以以任何合适的方式在物理上、功能上和逻辑上实现本发明的实施方式的元件和组件。当然,可以在单个单元中、在多个单元中或作为其他功能单元的一部分来实现该功能性。同样地,可以在单个单元中实现本发明,或者本发明可以从物理上和功能上分布在不同的单元和处理器之间。
尽管在上文已经参考具体实施方式描述了本发明,但是并不意欲将本发明限制为本文所述的具体形式。相反,本发明只受到权利要求书的限制,并且在权利要求书的范围内,例如对于不同于上述应用的不同应用领域,不同于上述具体实施方式的实施方式同样是可能的。
在权利要求中,术语“包括”不排除存在其他的元件或步骤。此外,尽管是单独列举的,但是多个工具、元件或方法步骤可以通过例如单个单元或处理器来实现。另外,尽管在不同的权利要求中可能包括各自的特征,但是这些特征可能会有利地进行组合,并且包括在不同的权利要求中并不暗示特征的组合不可行和/或有利。另外,单数附图标记不排除复数。术语“一个”、“一”、“第一”、“第二”等不排除多个。在权利要求中提供的附图标记仅作为说明示例,不应该以任何方式解释为对权利要求范围的限制。
Claims (17)
1、一种在动态分子成像中的方法,包括动态估计描述所施予的示踪剂的生物分布的活度函数的第一参数(β(x))和第二参数(k(x)),所述方法包括:
-分别指定所述活度函数的所述第一参数(β(x))和所述第二参数(k(x))的第一目标方差(σβ,T(x))和第二目标方差(σk,T(x));
-启动图像采集;
-重建所述第一参数(β(x))和所述第二参数(k(x));
-分别重建所述第一参数(β(x))和所述第二参数(k(x))的第一关联方差(σβ(x))和第二关联方差(σk(x));
-以及重复所述图像采集以及所述第一参数(β(x))和所述第二参数(k(x))与所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))的所述重建的步骤,直到所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))分别等于或小于所述第一目标方差(σβ,T(x))和所述第二目标方差(σk,T(x)),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
2、如权利要求1所述的方法,其中,如果所述第一关联方差(σβ(x))大于所述第一目标方差(σβ,T(x)),即σβ(x)>σβ,T(x),或者所述第二关联方差(σk(x))大于所述第二目标方差(σk,T(x)),即σk(x)>σk,T(x),则在分别重建所述第一参数(β(x))和所述第二参数(k(x))的第一关联方差(σβ(x))和第二关联方差(σk(x))之后,重复所述图像采集。
3、如权利要求1或2所述的方法,其中,对所述第一参数(β(x))和所述第二参数(k(x))的所述重建步骤使用直接参数估计算法。
4、如权利要求3所述的方法,其中,所述直接参数估计算法基于表达式P(β(x),k(x)|D),其中P表示给出了所观测到的列表模式数据D的情况下所述第一参数(β(x))和所述第二参数(k(x))的概率分布。
5、如权利要求4所述的方法,其中,所述第一关联方差和所述第二关联方差被分别定义为:
6、如权利要求4或5中任一项所述的方法,其中,用Gaussian或Gamma分布近似所述概率分布P。
7、如权利要求3-6中任一项所述的方法,其中,使用适应于二室模型的所述直接参数估计算法来确定所述第一和第二参数。
8、如权利要求3-6中任一项所述的方法,其中,使用适应于多室模型的所述直接参数估计算法来确定所述第一和第二参数。
9、如权利要求1所述的方法,其中,对于二室模型定义所述活度函数(A(x,t))为:
其中,CP为已知的输入函数。
10、如前述权利要求中的任一项所述的方法,其中,所述第一参数(β(x))和所述第二参数(k(x))为动力学参数。
11、一种在动态分子成像中设置为动态地估计描述了所施予的示踪剂的生物分布的活度函数的第一参数(β(x))和第二参数(k(x))的装置(40),所述装置包括:
-指定工具(41),用于分别指定所述活度函数的所述第一参数(β(x))和所述第二参数(k(x))的第一目标方差(σβ,T(x))和第二目标方差(σk,T(x));
-启动工具(42),用于启动图像采集;
-第一重建工具(43),用于重建所述第一参数(β(x))和所述第二参数(k(x));
-第二重建工具(44),用于分别重建所述第一参数(β(x))和所述第二参数(k(x))的第一关联方差(σβ(x))和第二关联方差(σk(x));以及
-重复工具(45),用于重复所述图像采集以及所述第一参数(β(x))和所述第二参数(k(x))与所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))的所述重建的步骤,直到所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))分别等于或小于所述第一目标方差(σβ,T(x))和所述第二目标方差(σk,T(x)),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
12、如权利要求11所述的装置,其中,所述装置包括在PET系统或SPECT系统中,所述系统包括与用于启动图像采集的所述启动工具相连接的分子图像采集工具。
13、如权利要求11所述的装置,其中,所述装置为医学工作站。
14、一种分子成像系统,包括如权利要求11-13中任一项所述的装置。
15、一种计算机可读介质,所述介质具有收录在其上的用于由计算机进行处理的计算机程序,所述计算机程序包括:
-指定代码段,用于分别指定所述活度函数的所述第一参数(β(x))和所述第二参数(k(x))的第一目标方差(σβ,T(x))和第二目标方差(σk,T(x));
-启动代码段,用于启动图像采集;
-第一重建代码段,用于重建所述第一参数(β(x))和所述第二参数(k(x));
-第二重建代码段,用于分别重建所述第一参数(β(x))和所述第二参数(k(x))的第一关联方差(σβ(x))和第二关联方差(σk(x));以及
-重复代码段,用于重复所述图像采集以及所述第一参数(β(x))和所述第二参数(k(x))与所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))的所述重建的步骤,直到所述第一关联方差(σβ(x))和所述第二关联方差(σk(x))分别等于或小于所述第一目标方差(σβ,T(x))和所述第二目标方差(σk,T(x)),即σβ(x)≤σβ,T(x)且σk(x)≤σk,T(x)为止。
16、如权利要求15所述的计算机程序,其能够执行如权利要求1-10中任一项所述的方法。
17、如权利要求1-10中任一项所述的方法的使用,用于确定在可检测到疾病的典型症状之前发生的病前状态或分子状态。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP06111614.1 | 2006-03-23 | ||
EP06111614 | 2006-03-23 | ||
PCT/IB2007/050942 WO2007107946A2 (en) | 2006-03-23 | 2007-03-19 | A method to individualize kinetic parameter estimation for dynamic molecular imaging procedures |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101466302A true CN101466302A (zh) | 2009-06-24 |
CN101466302B CN101466302B (zh) | 2013-06-26 |
Family
ID=38421550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2007800100722A Expired - Fee Related CN101466302B (zh) | 2006-03-23 | 2007-03-19 | 为动态分子成像过程个性化动力学参数估计的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8280130B2 (zh) |
EP (1) | EP2002398A2 (zh) |
JP (1) | JP5081224B2 (zh) |
CN (1) | CN101466302B (zh) |
WO (1) | WO2007107946A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510744A (zh) * | 2016-04-27 | 2017-03-22 | 上海联影医疗科技有限公司 | Pet扫描中多示踪剂动态参数的估计方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8787521B2 (en) * | 2009-12-23 | 2014-07-22 | General Electric Company | System and method of iterative image reconstruction for computed tomography |
AU2012261799B2 (en) * | 2011-06-03 | 2017-03-23 | Bayer Healthcare, Llc | System and method for rapid quantitative dynamic molecular imaging scans |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4301140A (en) * | 1979-12-14 | 1981-11-17 | G. D. Searle & Co. | Radiopharmaceutical method for monitoring kidneys |
US5459769A (en) * | 1994-11-09 | 1995-10-17 | General Electric Company | Procedure for monitoring contrast agent application in a CT imaging system |
US5687208A (en) * | 1995-10-06 | 1997-11-11 | Bhb General Partnership | Method of and apparatus for predicting computed tomography contrast enhancement with feedback |
FR2778467B1 (fr) * | 1998-05-11 | 2000-06-16 | Christian Jeanguillaume | Perfectionnement du systeme de gamma camera a haute sensibilite |
US6728583B2 (en) * | 2001-06-27 | 2004-04-27 | Koninklijke Philips Electronics N.V. | User interface for a gamma camera which acquires multiple simultaneous data sets |
WO2005044311A2 (en) * | 2003-11-11 | 2005-05-19 | Philips Intellectual Property & Standards Gmbh | Device and method for determining the concentration of a tracer in blood |
US7127095B2 (en) * | 2004-10-15 | 2006-10-24 | The Brigham And Women's Hospital, Inc. | Factor analysis in medical imaging |
FR2886433B1 (fr) * | 2005-05-30 | 2007-09-07 | Commissariat Energie Atomique | Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie. |
EP1933706A2 (en) * | 2005-10-05 | 2008-06-25 | Koninklijke Philips Electronics N.V. | Method and apparatus for predicting enhancement in angiography |
US7848557B2 (en) * | 2007-03-23 | 2010-12-07 | University Of Utah Research Foundation | Rapid multi-tracer PET imaging systems and methods |
-
2007
- 2007-03-19 EP EP07735168A patent/EP2002398A2/en not_active Withdrawn
- 2007-03-19 CN CN2007800100722A patent/CN101466302B/zh not_active Expired - Fee Related
- 2007-03-19 US US12/293,614 patent/US8280130B2/en not_active Expired - Fee Related
- 2007-03-19 JP JP2009500997A patent/JP5081224B2/ja not_active Expired - Fee Related
- 2007-03-19 WO PCT/IB2007/050942 patent/WO2007107946A2/en active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106510744A (zh) * | 2016-04-27 | 2017-03-22 | 上海联影医疗科技有限公司 | Pet扫描中多示踪剂动态参数的估计方法 |
Also Published As
Publication number | Publication date |
---|---|
US8280130B2 (en) | 2012-10-02 |
US20100232662A1 (en) | 2010-09-16 |
WO2007107946A2 (en) | 2007-09-27 |
JP5081224B2 (ja) | 2012-11-28 |
CN101466302B (zh) | 2013-06-26 |
EP2002398A2 (en) | 2008-12-17 |
JP2009530636A (ja) | 2009-08-27 |
WO2007107946A3 (en) | 2009-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dangi et al. | A distance map regularized CNN for cardiac cine MR image segmentation | |
Xu et al. | A framework for callosal fiber distribution analysis | |
Reid et al. | A cross-modal, cross-species comparison of connectivity measures in the primate brain | |
US20180233227A1 (en) | Systems and methods of analyte measurement analysis | |
Wang et al. | Modeling dynamic characteristics of brain functional connectivity networks using resting-state functional MRI | |
CN104395933A (zh) | 运动参数估计 | |
Karakatsanis et al. | Quantitative whole-body parametric PET imaging incorporating a generalized Patlak model | |
Wong et al. | Physiological fusion of functional and structural images for cardiac deformation recovery | |
Reddy et al. | Video-based deep learning for automated assessment of left ventricular ejection fraction in pediatric patients | |
CN101466302B (zh) | 为动态分子成像过程个性化动力学参数估计的方法 | |
Mohebbian et al. | Classifying MRI motion severity using a stacked ensemble approach | |
Bowman et al. | Statistical approaches to functional neuroimaging data | |
Lee et al. | Group sparse dictionary learning and inference for resting-state fMRI analysis of Alzheimer's disease | |
GB2461991A (en) | Positron emission tomography data with time activity derived framing intervals. | |
Magni et al. | Nonparametric AUC estimation in population studies with incomplete sampling: a Bayesian approach | |
CN109480842B (zh) | 用于诊断功能性消化不良的系统及设备 | |
CN103514607A (zh) | 动态对比度增强核磁共振图像检测方法 | |
Korchiyne et al. | New Approach Based on Multifractal Spectrum Features for Detection of Osteoporosis | |
Paul et al. | EchoTrace: A 2D Echocardiography Deep Learning Approach for Left Ventricular Ejection Fraction Prediction | |
CN110507343B (zh) | 运动场获取方法及pet图像校正方法、装置和计算机设备 | |
Lee et al. | Comparative study of left ventricular low wall motion with scar tissue using 4d left ventricular cardiac images | |
CN113066145B (zh) | 基于深度学习的快速全身弥散加权成像方法及相关设备 | |
US11497412B2 (en) | Combined oxygen utilization, strain, and anatomic imaging with magnetic resonance imaging | |
CN117332707A (zh) | 基于流模型的动态增强对比磁共振成像中药代动力学参数分布估计方法及装置和应用 | |
Klein et al. | Tracking cardiac twist in gated PET imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130626 Termination date: 20150319 |
|
EXPY | Termination of patent right or utility model |