CN102783966A - 用于运动校正的医学图像的方法和器件 - Google Patents
用于运动校正的医学图像的方法和器件 Download PDFInfo
- Publication number
- CN102783966A CN102783966A CN2012102640319A CN201210264031A CN102783966A CN 102783966 A CN102783966 A CN 102783966A CN 2012102640319 A CN2012102640319 A CN 2012102640319A CN 201210264031 A CN201210264031 A CN 201210264031A CN 102783966 A CN102783966 A CN 102783966A
- Authority
- CN
- China
- Prior art keywords
- image
- computer
- movable information
- generate
- casees
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title abstract description 45
- 238000000491 multivariate analysis Methods 0.000 claims abstract description 13
- 238000002591 computed tomography Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 40
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 12
- 238000012879 PET imaging Methods 0.000 description 11
- 230000029058 respiratory gaseous exchange Effects 0.000 description 11
- 239000000470 constituent Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000241 respiratory effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000013170 computed tomography imaging Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 244000188472 Ilex paraguariensis Species 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000000297 inotrophic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000005258 radioactive decay Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/44—Constructional features of apparatus for radiation diagnosis
- A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5288—Devices using data or image processing specially adapted for radiation diagnosis involving retrospective matching to a physiological signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/508—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for non-human patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明的名称是：“用于运动校正的医学图像的方法和器件”。提供一种用于减少图像中的运动相关的成像伪影的方法，包含获取感兴趣的区域的图像数据集(14)，使用图像数据集生成多个中间图像(150)，将多变量数据分析技术应用到多个中间图像来生成运动信息(250)，基于运动信息将中间图像(150)分类为多个箱(300)，以及使用多个箱中的至少一个来生成感兴趣的区域的图像(500)。
Description
技术领域
本文公开的主题通常涉及成像系统，并且更特别地涉及用于运动校正的医学图像的器件和方法。
背景技术
存在使用不同模态(modality)扫描的多模态成像系统，例如，计算机断层照相(Computed Tomography，CT)、磁共振成像(MagneticResonance Imaging，MRI)、正电子发射断层照相(Positron EmissionTomography，PET)、以及单光子发射计算机断层照相(Single PhotonEmission Computed Tomography，SPECT)。在操作期间，常规的成像系统的图像质量可能受正在成像的对象的运动影响。特别地，成像对象的运动可能降低图像质量。更具体地，在图像采集期间由对象的运动产生图像伪影(image artifact)。呼吸运动是在医学成像系统中遇到的哺乳动物(例如，人和动物)中的非自愿的运动的公共来源。在图像检查期间(例如当内科医生确定损伤的尺寸、确定损伤的位置、或量化损伤时)，呼吸运动可能带来误差。
此外，在多模态系统(例如集成PET/CT系统)中，PET和CT图像应该彼此配准。然而，由于CT图像典型地是在短时间段期间采集的，由CT图像生成的衰减图表示在没有呼吸运动的完全呼气期间患者的衰减特性。与此相反，PET图像典型地是在相对长的时间段之上采集的，该时间段中由于长的采集时间而允许患者自由呼吸。两个数据采集模式之间的失配可能导致衰减校正的PET图像中的图像伪影。
一种用于减少图像伪影的已知方法是将多个呼吸阶段的CT图像(或最大强度CT图像)平均来模仿在多个呼吸循环上收集的PET采集的效果。另一种用于减少图像伪影的已知方法是使用呼吸门控CT采集来生成衰减校正图，其更好地匹配呼吸门控PET采集的呼吸特性。还有一种方法可以包含请求患者在扫描期间屏住呼吸。然而，因为可能在几分钟之上采集PET数据，所以患者典型地必须在PET采集期间呼吸数次，其导致图像伪影。
发明内容
在一个实施例中，提供了一种用于减少图像中的运动相关的成像伪影的方法。该方法包含获取感兴趣的区域的图像数据集，将多变量数据分析技术应用到图像数据集来生成运动信息，基于运动信息将图像数据集分类为多个箱(bin)，以及使用多个箱中的至少一个来生成感兴趣的区域的图像。
在另一实施例中，提供了一种包含扫描仪和操作地耦合到该扫描仪的计算机的医学成像系统。编程计算机以使用扫描仪采集对象的成像数据集，使用图像数据集生成多个中间图像，将多变量数据分析技术应用到多个中间图像来生成运动信息，基于运动信息将中间图像分类为多个箱，以及使用多个箱的至少一个生成感兴趣的区域的图像。
在另外的实施例中，提供了一种非暂时性计算机可读介质。提供了采用程序编码的计算机可读介质，该程序编程以指导计算机。为使用扫描仪来采集对象的成像数据集，使用图像数据集生成多个中间图像，将多变量数据分析技术应用到多个中间图像来生成运动信息，基于运动信息将中间图像分类为多个箱，以及使用多个箱的至少一个生成感兴趣的区域的图像。
附图说明
图1是根据各种实施例形成的示范性成像系统的简化概略图示。
图2是图示根据各种实施例的用于减少运动相关的成像伪影的方法的流程图。
图3是图示根据各种实施例形成的示范性正弦图的简化框图。
图4是表示根据各种实施例可以生成的平均信息的示范性图像。
图5是表示根据各种实施例可以生成的运动信息的示范性图像。
图6是根据各种实施例可以生成的示范性运动信息。
图7是表示根据各种实施例可以生成的运动信息的另一示范性图像。
图8是根据各种实施例可以生成的示范性运动信号。
图9是根据各种实施例可以生成的示范性图像。
图10是表示根据各种实施例可以生成的运动信息的另一示范性图像。
图11是根据各种实施例可以生成的示范性运动信息。
图12是表示根据各种实施例可以生成的运动信息的另一示范性图像。
图13是根据各种实施例可以生成的示范性运动信息。
图14是根据各种实施例形成的示范性成像系统的图解图示。
具体实施方式
当结合附图来阅读时，将更好地理解上文概要以及下文各种实施例的详细描述。就图示各种实施例的功能块的图表的程度而言，功能块不必要指示硬件电路之间的划分。从而，例如，可用单件硬件(例如，通用信号处理器或随机存取存储器块、硬盘等)或多件硬件来实现一个或多个功能块(例如，处理器或存储器)。类似地，程序可以是独立程序，可以作为子程序并入操作系统中，可以是安装的软件包中的功能等。应理解，各种实施例不限于附图中所示的排列和工具。
如本文所使用的，以单数叙述并冠以词语“一”的元件或步骤应该理解为不排除多个所述元件或步骤，除非明确声明这样的排除。此外，参照本发明的“一个实施例”并不旨在解释为排除也并入所叙述的特征的额外的实施例的存在。此外，除非明确地相反声明，否则“包括”或“具有”具有特定的性质的元件或多个元件的实施例可以包含不具有那种性质的额外的元件。
还如本文所使用的，短语“重建图像”不旨在排除在其中生成表示图像而不是可视图像的数据的本发明的实施例。因此，如本文所使用的术语“图像”泛指可视图像和表示可视图像的数据两者。然而，许多实施例生成或配置为生成至少一个可视图像。
图1是示范性正电子发射断层照相(PET)成像系统10的简化框图。PET成像系统10可以包含PET扫描仪12，可操作PET扫描仪12来生成患者16的四维(four-dimensional，4D)发射数据集(emissiondataset)14。4D发射数据集14表示三个空间维度和时间。4D发射数据集14可以存储在存储器装置20中。存储器装置20可以包含存储器电路的任何组合，包含电、磁性、和/或光学系统。存储器装置20可以包含例如只读存储器(ROM)22、随机存取存储器(RAM)24、和/或大容量存储器26。
存储器装置20可在其中存储由处理器30执行的程序指令。程序指令可以以任何相配合适的计算机语言来书写，例如Matlab。处理器30可以是相配合适的处理系统的任何一个或其组合，其中例如微处理器、数字信号处理器、以及现场可编程逻辑阵列、等等。处理系统可以实施为任何相配合适的计算装置，例如计算机、个人数字助理(PDA)、膝上型计算机、笔记本计算机、基于硬驱动的装置，或者可以接收、送出和存储数据的任何装置。可以提供输入/输出(I/O)装置32用于接收用户输入和/或用于提供输出给用户。I/O装置32还可以是通信链路，其使数据能传送到其它装置和/或从其它装置传送，例如通过网络。I/O装置32可以包含用于显示PET图像的显示装置(未示出)。I/O装置32可以包含用于接收来自用户的输入的装置。例如，该装置可以包含鼠标、跟踪球、或触敏接口。成像系统10还包含运动特性化模块50，适配其以识别发射数据集14内的运动，并且利用所识别的运动来将发射数据集14分割为多个箱，其中箱的至少一个然后用来重建患者16的至少一个图像，如以下更详细地讨论的。在示范性实施例中，发射数据集14是4D发射数据集，并且运动特性化模块安装在处理器30中。运动特性化模块可以实现为硬件装置、软件或其组合。
图2是由在图1所示的PET成像系统10进行的示范性方法的框图。在示范性实施例中，可以使用运动特性化模块50来实现方法100。更具体地，方法100可以提供为具有在其上记录的指令的机器可读介质或多个介质，用于指引处理器30进行本文描述的方法的实施例。该介质或多个介质可以是任何类型的CD-ROM、DVD、软盘、硬盘、光盘、闪速RAM驱动，或其它类型的计算机可读介质的或其组合。
方法100在发射数据集14上提供运动特性化、或运动减小来解决对象16的运动。在操作中，方法100识别对象16的运动并且重新组织发射数据集14来使对象16的图像能重建。应该认识到，虽然相对于从PET成像系统10获取的发射数据集14来描述方法100，但是方法100还可以应用到从CT成像系统获取的传送数据集。此外，方法100可以应用到使用本文讨论的任何成像模态获取的任何图像数据集或正弦图数据，并且发射数据集14仅是示范性的。
在102，获取对象16的发射数据集14(每个在图1中示出)。在示范性实施例中，使用PET成像系统10(在图1中示出)获取发射数据集14。可以通过进行对象16的发射扫描而获取发射数据集14来产生发射数据集14。可选地，可以从在对象16的以前的扫描期间收集的数据来获取发射数据集14，其中发射数据集14已经存储在存储器中，例如存储器装置20(在图1中示出)。发射数据集14可以以任何格式存储，例如列表模式数据集。可以在患者16的实时扫描期间获取发射数据集14。例如，可以在患者16的实时检查期间从PET扫描仪12接收发射数据时，对发射数据进行本文描述的方法。
在104，利用发射数据集14来生成在时间上的多幅中间图像150。在示范性实施例中，中间图像150是正弦图150。可选地，中间图像可以是重建的图像。如图3中所示的，多个正弦图150可以包含在第一时间帧(例如300毫秒)之上采集的第一正弦图集150a。多个正弦图150可以包含在第一正弦图集150a后续的时间帧之上采集的第二正弦图集150b等。从而在扫描过程期间，对于每个时间帧(例如对于每个300ms的时间帧)生成正弦图集。生成的正弦图150的数量基于在成像系统10中安装的检测器的数量、期望的运动速度、在102进行的扫描的长度等。从而多个正弦图150可以包含在扫描过程中的连续时间帧之上采集的多个正弦图集(150a...150n)，例如可以对于整个扫描过程之上的每个300毫秒采集单个正弦图集。可以通过以正弦图模式操作系统10而生成正弦图150。正弦图模式通常是指在其中可选地具有同一飞行时间(Time-of-Flight，TOF)的湮没事件以(距离轴的半径、角度)格式存储在正弦图中的采集模式。响应的阵列已知为正弦图。应该认识到，其它方法和/或装置可以用于数据存储，并且本文描述的正弦图表示存储数据的一个这样的示范性方法。
在105，预处理在104生成的正弦图150来获取对应的集151。例如，可以通过这些来预处理正弦图150，即：1)在正弦图的不同元素(即，数据尺寸和噪声减小)之上求平均；2)移除正弦图的某些元素(例如，在期望发生运动的地方或在患者数据贡献高空间信息的地方应用掩蔽，例如排除仅意外的或分散的重合的区域)；3)对于时间上的已知的改变(例如，由于放射性衰变)的校正；4)对数据应用逐元素(element-wise)操作来转换数据为近似高斯分布，优选用统一的方差。例如，对于泊松分布的数据，适当的变换包含Anscombe变换、Freeman-Tukey变换、或简单地取平方根。平均和掩蔽两者可以依靠外部信息，例如，以前的扫描、和/或关于运动的主方向和位置的先验知识。例如，能由从以前CT扫描获取的图像确定患者轮廓或感兴趣的区域(例如膈膜)。然后可以使用PET扫描仪模型将此区域信息变换为正弦图。掩蔽还可以从平均数据自身(例如，基于阈值检测背景计数)导出。
在106，利用预处理的正弦图集151a...151n来生成时间平均信息152。例如，假设对于每个时间帧在104生成25个正弦图集150a...150n，然后在105，生成25个预处理的正弦图150a...150n，并且在106，对于150a中的每个正弦图中的每个元素计算25个对应元素的平均来生成平均信息152。
图4图示可以从正弦图集150a...150n生成的示范性平均信息152。对于正弦图集150a...150n生成的平均信息的视觉表示指代为图4中的PC0。如以上所讨论的，通过对于每个预处理的正弦图集150(在时间上)确定平均信息而采集平均信息152。例如，图4，例如PC0，图示通过扫描四个示范性统一对象160、162、164、以及166而采集平均信息，其中在此情况下，四个对象的每个的运动是在垂直方向上。如图4中所示的，四个对象160、162、164、以及166每个展现在每个对象的外边缘附近的平均像素强度的改变。此外，每个对象160、162、164、以及166分别的内部区域170、172、174、以及176，以及周围背景区180大体上是密实的，指示在时间上像素强度有很小的偏移或没有偏移。
在108，对于每个正弦图集151a...151n，从相应正弦图集150减去平均信息152以生成零均值(zero mean)信息，然后将其输入到PCA。因此，假设在示范性扫描期间有在时间上生成的25个正弦图集150，该方法包含对于25个正弦图集150的每个生成平均信息152，并且然后对于25个正弦图集150的每个生成零均值信息154。
在110，正弦图集154然后用作对于PCA方法的输入(我们将称预处理和PCA的组合为逐掩蔽体积PCA(Masked Volume Wise PCA)或MVW-PCA)。PCA的描述是广泛可用的。总之，该方法找到数据的(估计)协方差矩阵的主特征向量。其输出是多个特征向量(每个对应于与集154a相同尺寸的正弦图集)和它们的对应特征值。有最大特征值的特征向量解释正弦图集154a...154n中的最大变化(在时间上)。因为有最低特征值的特征向量对应于数据中的噪声，所以仅计算最初少数的特性向量是可能的并且可取的。这些特征向量通常称作“主成分”并且以降低特性值的顺序标记为PC1、PC2等。如图5中所示的，PC1图像表示在图4中使用的示范性数据中的第一主成分。在此例子中，PC1图像图示由于运动在时间上具有最大改变的区。例如，使用大体上密实的颜色(对应于非常接近于零的值)示出的对象160、162、164、以及166的中央区指示对象的此部分中的原始数据的值在时间上大体上不改变。此外，PC1使用表示运动的程度或量的阴影区域示出对象160、162、164、以及166(图5中所示)的边缘周围的存在一些运动。例如，PC1图示表示对象160的运动的阴影区域160a和160b。区域162a和162b表示对象162的运动。区域164a和164b表示对象164的运动，并且区域166a和166b表示对象166的运动。此外，阴影指示PC1中对应的元素中的值的符号。例如，160a中的阴影指示正值，而160b中的阴影指示负值。对象160、162、164、以及166本身示出为大体上密实的颜色，这是因为有在对象160、162、164、以及166的中心区域内的运动的相对较小的影响。此外，因为有在对象160、162、164、以及166的周围的运动的相对较小的影响，所以背景180也图示为大体上相同的颜色。
再次参照图2，在110，利用对于每个正弦图集150生成的零均值信息154来生成一个或多个权重因素156，在图6中示出。更具体地，对于每个分析的主成分，PCA输出单个权重因素、信号和/或轨迹。在此例子中，PCA输出对应第一主成分的权重因素156。权重因素156图示为图6中的点，每个时间帧为一个点。在示范性实施例中，通过将PC1的值与有零均值信息154a...154n的每个正弦图集做逐元素相乘，并在正弦图集之上求和，从而对于正弦图集154a、154b...154n的每个获取单个数字来生成权重因素156。
更具体地，参照图5中示出的图像PC1，PC1指示在发射数据中有时间改变，发射数据由区域160a、160b、162a、162b、164a、164b、166a、以及166中的阴影图示。如果在特定时间帧中，对象160、162、164、以及166处于其最顶位置，则除了其将为例如正的区域160a、162a、164a、以及166a以外，零均值信息与PC1的相乘结果将在各处大体上为零。因此，此时间帧中的权重因素156的值将为正。相反地，如果对象处于其最底位置，则信号的值将为负(或实践中与处于最顶位置具有相反的符号)。因此，权重因素156的值可以是单个正数，其指示在第一方向上已观察到幅度改变。权重因素156的值可以是单个负数，其指示在相反的第二方向上已观察到幅度的负改变。权重因素156的值可以是零，其指示相对于对象的平均位置没有改变。此外，权重因素156的值可以在正值和负值的范围内。例如，低的正值可以指示相对于均值的对象的相对较小的移动。然而更高正值可以表示对象16的更大的移动。
在示范性实施例中，MVW-PCA可以配置为更明确地识别零均值信息154。例如，图7图示图像PC2，其表示可以由PCA输出的第二成分。应该认识到，由MVW-PCA生成的PC图像的数量可以基于所希望的精确度来特征化零均值信息。例如，MVW-PCA可以仅利用PC1图像来生成运动信号，其将在下文中更详地讨论。对应于可以从PCA输出的不同的主成分的运动信号可以表示不同类型的运动，例如，呼吸运动、心脏运动、身体移动等，如将在下文中更详细地讨论的。
再次参照图2，在112，利用在110导出的权重因素156来生成运动信号250。例如，图8图示使用MVW-PCA导出的示范性运动信号250，其中x轴表示时间并且y轴表示对于每个正弦图集150在110导出的权重因素156的幅度。在示范性实施例中，对于每个正弦图集150以时间顺序的方式导出权重因素156。例如，MVW-PCA对于在示范性实施例中作为在扫描期间生成的第一正弦图的正弦图集150a导出权重因素156a。然后MVW-PCA对于第二正弦图集150b导出权重因素156b，并且对于在扫描过程中采集的最后的正弦图集150n导出权重因素156n。如图8中所示的，以时间顺序方式安排多个权重因素156并且通过表示权重因素156的点绘制线。从权重因素156导出运动信号250。在一个实施例中，运动信号250与权重因素156大体相同。在另一实施例中，通过滤波权重因素156以例如减少噪声来获取运动信号250。
在114，使用运动信号250(在图8中示出)将发射数据集14(例如正弦图150)分类为多个箱300。例如，图8图示示范性运动信号250，利用其将正弦图150映射为多个箱300。此外，图9图示编号为300...310的多个箱，即n＝6箱。从而在示范性实施例中，将正弦图150分类为编号为300、302、304、306、308、以及310的6个箱300。然而，应该认识到，在图8中图示的箱的数量是示范性的，并且在操作期间，可以利用少于6个箱或多于6个箱。因此，箱300、302、304、306、308、以及310的每个包含成像数据集14中的总信息的近似1/6。
例如，假设在102进行的为采集发射数据的扫描的总长度为3分钟。此外，假设将成像数据集14分类为6个箱，其中每个相应箱包含近似30秒的信息。在示范性实施例中，基于上述运动信号250将正弦图150分类为相应箱。更具体地，基于如上述讨论的导出的运动信号250的值将正弦图150分类为具体的箱。因此，在示范性实施例中，每个箱包含表示在扫描过程期间处于相同的近似空间位置中的对象160、162、164、以及166的发射数据。例如，箱300可以包含表示在呼吸阶段的开始采集的对象160的信息，并且箱310可以包含表示在呼吸阶段的结束采集的成像数据。此外，每个介于其间的箱，例如302、304、306、以及308可以包含表示吸气和呼气之间的运动状态的成像数据。适配箱300、302、304、306、308、以及310的每个以接收在多个呼吸循环之上采集的成像数据。此外，适配箱300、302、304、306、308、以及310的每个以接收表示在患者的呼吸循环中的近似相同的点的成像数据。因此，箱300、302、304、306、308和310的每个包含表示患者16的某些运动状态的成像数据。在示范性实施例中，利用从运动信号250采集的信息将成像数据14分为6个大体上相等的部分，并将大体上相等的部分存储在相应箱300、302、304、306、308、以及310中。从而当在114处完成门控过程时，6个箱300、302、304、306、308、以及310的每个包含与相同的运动特性关联的发射数据。
在示范性实施例中，在将发射数据分类为箱后，多个箱300、302、304、306、308、以及310可以重建为表示发射活动分布的图像，并且然后空间配准。例如，在一个实施例中，箱300可以选择为参照箱并且箱302、304、306、308、以及310可以配准到参照箱300。可以使用刚性或非刚性配准将箱302、304、306、308、以及310配准到参照箱300。可以由操作员手工地或由处理器30自动地进行刚性和非刚性配准。应该认识到，在很小或没有运动的某些区可以不要求配准。运动信息可以用来调整配准过程中的成本函数。一般而言，可以利用运动信息来识别受运动影响或未受运动影响的区来改善配准过程。
在示范性实施例中，进行非刚性配准包含变换三维(3D)空间中的箱302、304、306、308、以及310内的信息来将箱302、304、306、308、以及310内的信息对准到参照箱300。例如，箱302中的图像可以相对于参照箱300中的图像轻微倾斜。因此，倾斜箱302内的图像来将该图像与参照箱300中的图像对准。还重新对准剩余的箱304、306、308以及310来大体上匹配参照箱300中的图像。在操作中，可以通过选择解剖的或其它的特征/点/界标，以及沿图像中检测的边缘或边界使用的这些特征或点对准的图像来实现刚性配准过程。备选地，不同的标记可以用来识别已知的解剖位置。刚性配准还可以基于弯曲的轮廓，例如图像内的骨。刚性配准还可以是基于体积或基于表面的。然而，应该意识到，可以进行任何的刚性配准过程，其包含最优化或计算某些可比较的准则或类似的措施。
在另一实施例中，可以利用非刚性配准过程来进行对箱300、302、304、306、308、以及310内的信息的运动校正。在操作中，非刚性配准或弹性的配准包含非刚性变换。这些非刚性变换允许图像特性的局部扭曲并提供解决局部变形的配准。
非刚性变换方法包含，例如多项式扭曲、基于平滑的函数(薄板样条或小波)的插值、以及物理连续体模型(粘性流体模型和大的变形微分同胚)。使用在箱300、302、304、306、308、以及310中分类的信息进行非刚性配准。非刚性配准可以包含例如点或界标的扭曲并且提供沿着有点或界标的插值和相关性的轮廓的最佳拟合。备选地，可以进行混合过程，其比较图像体素并且混合对应的区域。一般而言，局部非刚性配准包含任何类型的弹性的变形模型，其允许不同图像集中的变化或移动。
再次参照图2，在116，将在箱300、302、304、306、308、以及310中存储的2D图像，即运动校正图像一起平均来生成单个运动校正图像。
在另一实施例中，MVW-PCA用来构造多个运动信号，其对应不同类型的移动，例如呼吸、心脏的和/或整体身体移动。例如，图9图示通过扫描示范性统一对象504(类似于心肌层)而采集的两个时间帧500和502，其中在此情形下运动表示收缩/扩张和在垂直方向上以不同(较慢)速率的平移。图10图示在此例子中从在图9中所示的对象504获取的第一主成分PC1。MVW-PCA示出与图5中类似的特征。图11图示对应于此成分的权重因素510，如在以前的实施例中所构造的。在此例子中，其大部分由平移(或呼吸移动)确定。图12图示第二成分PC2，并且在图13中示出对应的权重因素520。在此例子中，PC2大部分由收缩性的(或心脏的)移动决定。更具体地，图12中示出的区域530大体上具有正值，而区域532大体上具有负值。因此，并且再次参照图13，当在特定时间帧中环面具有大的半径时，从PC2构造的权重因素520将如在540所示大体上为正。类似地，当环面具有小的半径时，信号将如在542所示大体上为负。
类似于以前的实施例，然后权重因素用作双门控模块的输入来将发射数据分箱，其中每个门对应于特定的呼吸和心脏的状态。例如，如果识别6个呼吸状态和3个心脏状态，则将使用总共18个箱，其中信号510确定呼吸状态并且权重因素520确定心脏状态。在示范性实施例中，然后重建分箱的发射数据并且结果图像彼此配准。配准算法可以考虑到不同类型的运动，并且例如估计平移和收缩的组合运动。
在另外的实施例中，分析主成分和/或其对应的信号以识别运动类型来允许取决于应用的进一步处理。作为例子，应用可以对于呼吸运动校正，而保持心脏的门控来确定射血分数(ejection fraction)。识别过程使用相应移动的已知的特性。例如，呼吸运动大部分发生在足至头的方向上，并且因此对应的主成分将在如与收缩性运动相反的结构的顶部和底部上大部分具有相反的符号的值。在一个实施例中，确定心脏的近似中心并且从主成分构造径向剖面。如果剖面在顶部和底部方向上大体上相同，则PC标记为对应于心脏，反之亦然。备选地或另外的，对于对应于主成分的信号进行频率分析。如果主频率在例如每秒1-2个循环的范围中，则PC标记为对应于心脏搏动，而例如每秒1/10到1/2个循环的范围标记为对应于呼吸移动。类似地，非常慢的移动或非常突然的移动可以标记为对应于全身的移动。在本实施例中，在识别后，根据其已知的特性处理PC或它们的信号来减少噪声和/或移除不同类型的运动之间的干扰是有利的。在给定的例子中，信号510，其一旦大部分标记为呼吸，可以用中通滤波器滤波来移除不对应于呼吸的频率，并且类似适当的滤波器用于其它信号。在一些应用中，使用已滤波的信号来确定门控是有利的。
此外，可以利用备选的多变量数据分析技术来提取成分。这样的多变量数据分析技术可以包含，例如，独立成分分析(IndependentComponent Analysis，ICA)和正则化主成分分析(regularized PrincipalComponentAnalysis，rPCA)，尽管应该认识到可以利用其它的分析技术，但是其中的许多使用PCA作为初始步骤。这些技术中的一些允许关于期望的运动图案的先验信息的使用，其可以在嘈杂的情形中是有利的。作为简单例子，正弦图集150可以首先空间滤波和/或时间滤波来移除不想要的频率。例如，如果仅需要检测呼吸移动，则时间中通滤波器可以在使用PCA之前应用到数据。在示范性实施例中，利用逐掩蔽体积主成分分析(MVW-PCA)统计技术。在操作中，MVW-PCA分析发射数据集14来找到临床有关的成分。在此情况下，利用MVW-PCA来识别运动相关的成分。更具体地，MVW-PCA是利用其来从诊断信息和噪声分离运动信息的数学算法。在示范性实施例中，MVW-PCA实现为可以存储在例如运动特性化模块50和/或存储器装置20上的指令。
本文描述的各种实施例可以提供如图14中所示的多模态成像系统400。多模态成像系统400可以是任何类型的成像系统，例如，不同类型的医学成像系统，例如图1中示出的正电子发射断层照相(PET)10、单光子发射计算机断层照相(SPECT)、计算机断层照相(CT)、超声系统、磁共振成像(MRI)或能够生成诊断图像的任何其它系统。各种实施例不限于多模态医学成像系统，而也可以用于单模态医学成像系统(例如独立PET成像系统、独立CT成像系统、磁共振成像(MRI)、以及光子发射计算机断层照相(SPECT))。此外，各种实施例不限于用于成像人类对象的医学成像系统，而也可以包含用于成像非人类对象的兽用或非医学系统等。
参照图14，多模态成像系统400包含第一模态单元410和第二模态单元412。这两个模态单元使多模态成像系统400能使用第一模态单元410以第一模态扫描对象或患者16并且使用第二模态单元412以第二模态扫描患者16。多模态成像系统400允许对于以不同模态的多个扫描来在单个模态系统之上便于增加的诊断能力。在一个实施例中，多模态成像系统400是CT/PET成像系统400，例如第一模态410是CT成像系统并且第二模态412是PET成像系统10。成像系统400示出为包含与CT成像系统410关联的门架420和与PET成像系统10关联的门架422。在操作期间，使用例如机动台426将患者16定位在通过成像系统400限定的中央开口424内。
门架420包含x射线源430，其向门架420的相反侧上的检测器阵列432投射x射线光束。检测器阵列432由包含多个检测器元件的多个检测器行(未示出)形成，其一起感测穿过患者16的投射的x射线。每个检测器元件产生表示碰撞x射线光束的强度的电信号，并且因此如光束穿过患者16来允许光束的衰减的估计。在扫描来采集x射线衰减数据期间，门架420和装配在其上的部件关于转动中心转动。此外，PET成像系统包含配置为采集发射数据的检测器(未示出)。
在操作期间，机动台426将患者16移动入门架420和/或门架422的中央开口424以响应从操作员工作站440接收的一个或多个命令。然后工作站440操作第一和第二模态410和412来扫描患者16并采集患者16的衰减和/或发射数据两者。工作站440可以实施为个人计算机(PC)，其靠近成像系统400定位并且经由通信链路442硬接线到成像系统440。工作站440可以实施为便携式计算机，例如膝上计算机或手持式计算机，其传送信息到成像系统400并且从成像系统400接收信息。可选地，通信链路442可以是无线通信链路，其使信息能无线地传送到工作站440或从工作站440传送到成像系统400。在操作中，工作站440配置为实时控制成像系统400的操作。工作站440还编程为进行本文描述的医学图像诊断采集和重建过程。更具体地，工作站444可以包含运动特性化模块50，适配其以识别4D数据集14内的运动，并利用所识别的运动来将4D数据集14分割为多个箱，然后这些箱用来重建患者16的图像，如以上更详细地讨论的。
操作员工作站440包含中央处理单元(CPU)或计算机444、显示器446、以及输入装置448。如本文所使用的，术语“计算机”可以包含任何基于处理器或基于微处理器的系统，包含使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、逻辑电路、以及任何其它能够执行本文描述的功能的电路或处理器的系统。以上例子仅是示范性的，因此并不旨在以任何方式限制术语“计算机”的定义和/或含义。在示范性实施例中，计算机444执行在一个或多个存储元件或存储器中存储的指令集，以便处理从第一和第二模态410和412接收的信息。存储元件还可以存储期望的或需要的数据或其它信息。存储元件可以以信息源或物理存储元件的形式位于计算机444内。
指令集可能包含各种命令，其指导计算机444作为处理机器来进行例如本文描述的各种实施例的方法和过程的具体操作。指令集可以是以软件程序的形式。如本文所使用的，术语“软件”和“固件”是可互换的，并包含用于由计算机执行的在存储器中存储的任何计算机程序，包含RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器、以及非易失性RAM(NVRAM)存储器。以上存储器类型只是示范性的，并且因此不作为对于计算机程序的存储可用的存储器类型的限制。
软件可以是例如系统软件或应用软件的各种形式。另外，软件可以是单独程序的集合、在较大程序内的程序模块或部分程序模块的形式。软件还可以包含面向对象编程形式的模块化编程。由处理机器对输入数据的处理可以响应用户命令、或响应以前的处理结果、或响应由另一处理机器做出的请求。
计算机444连接到通信链路442并从输入装置448接收输入，例如用户命令。输入装置448可以是例如键盘、鼠标、触摸屏面板、和/或声音识别系统等。通过输入装置448和关联的控制面板开关，操作员可以控制CT成像系统410和PET成像系统10的操作和用于扫描的患者16的定位。类似地，操作员可以控制显示器446上的结果图像的显示，并可以使用由计算机444执行的程序进行图像增强功能。
一些本文描述的各种实施例的技术效果是为了改善图像质量并且对于呼吸运动、心脏运动、患者运动等补偿。更具体地，可以利用MVW-PCA来改善重要运动改变的检测和视觉化，并且基于所检测的改变将图像数据分类为箱以便改善图像质量并且捕获运动以便减少将出现的伪影，并且改善各种对象(例如肿瘤)的检测。可以使用例如PET成像系统、SPECT成像系统、MRI成像系统、超声成像系统、和/或MRI成像系统来采集图像数据。
本文描述的各种实施例提供有形的和非暂时性机器可读介质或多个介质，其具有用于处理器或计算机的记录在其上的指令以操作成像器件来进行本文描述的方法的实施例。介质或媒体可以是任何类型的CD-ROM、DVD、软盘、硬盘、光盘、闪速RAM驱动、或其它类型的计算机可读介质或其组合。
各种实施例和/或部件(例如，监视器或显示器、或部件和其中的控制器)还可以实现为一个或多个计算机或处理器的部分。计算机或处理器可以包含计算装置、输入装置、显示单元和接口，例如，用于访问因特网。计算机或处理器可以包含微处理器。微处理器可以连接到通信总线。计算机或处理器还可以包含存储器。存储器可以包含随机存取存储器(RAM)和只读存储器(ROM)。计算机或处理器还可以包含存储装置，其可以是硬盘驱动或可移除存储驱动，例如软盘驱动、光盘驱动等。存储装置还可以是用于装载计算机程序或其它指令到计算机或处理器的其它的类似组件。
应理解以上描述旨在说明性的而不是限制性的。例如，上述的实施例(和/或其各方面)可彼此组合使用。此外，可作出许多修改来使特定的情况或材料适配于各种实施例的教导而没有背离它们的范围。虽然本文描述的材料的尺寸和类型旨在定义各种实施例的参数，但是它们绝对没有限制并且只是示范性的。回顾以上描述时，许多其它实施例对于本领域技术人员是明显的。因此，应该参照所附的权利要求来确定各种实施例的范围，连同这样的权利要求的等效的全部范围进行声明。在所附的权利要求中，术语“包含”和“在其中”用作相应术语“包括”和“其中”的简明英文等效。此外，在下文权利要求中，术语“第一”、“第二”和“第三”等只用作标签，并且并不旨在在它们的对象上施加数量要求。另外，下文权利要求的限制没有用组件加功能的格式书写并且并不旨在基于35U.S.C.§112第六段来解释，除非并且直到权利要求限制清楚地使用后接没有进一步结构的功能的声明的短语“组件用于”。
本书面描述使用包含最佳模式的例子来公开各种实施例，并且也使本领域的任何技术人员能实践各种实施例，包含制作并且使用任何装置或系统并且进行任何并入的方法。各种实施例的可专利范围由权利要求定义，并且可以包含本领域技术人员所想到的其它例子。如果这样的其它例子具有没有不同于权利要求的字面语言的结构元件，或这样的其它例子包含具有与权利要求的字面语言无实质差别的等效结构元件，则这样的其它例子旨在落入权利要求的范围内。
Claims (9)
1.一种医学成像系统(10)，包括扫描仪(1)和操作地耦合到所述扫描仪的计算机(30)，其中所述计算机编程为：
使用所述扫描仪采集对象(16)的图像数据集(14)；
使用所述图像数据集生成多个中间图像(150)；
将多变量数据分析技术应用到所述多个中间图像来生成运动信息(250)；
基于所述运动信息将所述中间图像分类为多个箱(300)；以及
使用所述多个箱中的至少一个来生成感兴趣的区域的图像(500)。
2.如权利要求1所述的医学成像系统(10)，其中所述计算机(30)还编程为获取四维(4D)正电子发射断层照相(PET)发射数据集和4D单光子发射计算机断层照相(SPECT)发射数据集中的至少一个、或4D计算机断层照相(CT)数据集。
3.如权利要求1所述的医学成像系统(10)，其中为进行所述多变量数据分析技术，所述计算机(30)还编程为进行所述多个中间图像的逐掩蔽体积主成分分析(MVW-PCA)来生成所述运动信息。
4.如权利要求1所述的医学成像系统(10)，其中所述计算机(30)还编程为：
使用所述运动信息的频率分析来识别不同类型的运动。
5.如权利要求1所述的医学成像系统(10)，其中所述计算机(30)还编程为：
应用所述多个中间图像(150)的所述多变量数据分析技术来生成多个权重因素(156)；以及
基于所述权重因素将所述中间图像分类为多个箱(300)。
6.如权利要求1所述的医学成像系统(10)，其中所述计算机(30)还编程为：
应用所述多个中间图像(150)的所述多变量数据分析技术来生成多个权重因素(156)；
使用所述多个权重因素生成运动信号(250)；以及
基于所述运动信号将所述中间图像分类为多个箱(300)。
7.一种非暂时性计算机可读介质(50)，采用程序编码，所述程序编程来指导计算机(30)来：
使用扫描仪(1)采集对象(16)的图像数据集(14)；
使用所述图像数据集生成多个中间图像(150)；
将多变量数据分析技术应用到所述多个中间图像来生成运动信息(250)；
基于所述运动信息将所述中间图像分类为多个箱(300)；以及
使用所述多个箱的至少一个来生成感兴趣的区域的图像(500)。
8.如权利要求7所述的计算机可读介质(50)，其中为应用所述多变量数据分析技术，所述计算机可读介质还编程以指导计算机(30)进行所述多个中间图像(150)的逐掩蔽体积主成分分析(MVW-PCA)来生成所述运动信息(250)。
9.如权利要求7所述的计算机可读介质(50)，所述计算机可读介质还编程来指导计算机(30)以：
应用所述多个中间图像(150)的所述多变量数据分析技术来生成多个权重因素(156)；以及
基于所述权重因素将所述中间图像分类为所述多个箱。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US13/099,558 | 2011-05-03 | ||
| US13/099,558 US8600132B2 (en) | 2011-05-03 | 2011-05-03 | Method and apparatus for motion correcting medical images |
| US13/099558 | 2011-05-03 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102783966A true CN102783966A (zh) | 2012-11-21 |
| CN102783966B CN102783966B (zh) | 2015-11-25 |
Family
ID=47090273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210264031.9A Active CN102783966B (zh) | 2011-05-03 | 2012-05-03 | 用于运动校正的医学图像的方法和器件 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US8600132B2 (zh) |
| JP (1) | JP6172729B2 (zh) |
| CN (1) | CN102783966B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104036452A (zh) * | 2013-03-06 | 2014-09-10 | 株式会社东芝 | 图像处理装置和方法以及医学图像设备 |
| CN104688269A (zh) * | 2015-03-06 | 2015-06-10 | 西安交通大学 | 一种时间强度曲线的呼吸运动补偿及双峰拟合的方法 |
| CN105989621A (zh) * | 2015-03-20 | 2016-10-05 | 通用电气公司 | 用于在图像重构中执行联合估计技术的方法和系统 |
| CN106251381A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
| CN103985110B (zh) * | 2013-02-08 | 2017-02-08 | 孙烨 | 数字图像中伪影或非均匀亮度的定位及显示方法 |
| CN106687044A (zh) * | 2014-06-13 | 2017-05-17 | 美国西门子医疗解决公司 | 单门重构 |
| CN107016661A (zh) * | 2017-06-19 | 2017-08-04 | 上海联影医疗科技有限公司 | 一种医学成像方法及装置 |
| CN107569251A (zh) * | 2017-08-29 | 2018-01-12 | 上海联影医疗科技有限公司 | 医学成像方法和系统及非暂态计算机可读存储介质 |
| CN108498110A (zh) * | 2017-02-22 | 2018-09-07 | 上海联影医疗科技有限公司 | 用于检测器官运动的系统和方法 |
| CN108968996A (zh) * | 2017-05-30 | 2018-12-11 | 通用电气公司 | 运动门控医学成像 |
| CN109394269A (zh) * | 2018-12-08 | 2019-03-01 | 余姚市华耀工具科技有限公司 | 心脏目标高亮显示平台 |
| CN109643459A (zh) * | 2016-08-12 | 2019-04-16 | 通用电气公司 | 用于从pet图像中检测总头部运动的数据分析的系统和方法 |
| CN110910990A (zh) * | 2018-09-18 | 2020-03-24 | 通用电气公司 | 基于机器学习分析图像伪影和成像系统失效的方法和系统 |
| CN112927274A (zh) * | 2021-02-02 | 2021-06-08 | 深圳蓝韵医学影像有限公司 | 双能减影图像配准方法、装置、设备及可读存储介质 |
Families Citing this family (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010096701A1 (en) * | 2009-02-20 | 2010-08-26 | Mayo Foundation For Medical Education And Research | Projection-space denoising with bilateral filtering in computed tomography |
| US8798347B2 (en) * | 2010-03-15 | 2014-08-05 | Siemens Aktiengesellschaft | System and method for image-based respiratory motion compensation for fluoroscopic coronary roadmapping |
| US20120253170A1 (en) * | 2011-03-29 | 2012-10-04 | Samsung Electronics Co., Ltd. | Method and apparatus for generating medical image of body organ by using 3-d model |
| US9047701B2 (en) * | 2012-03-31 | 2015-06-02 | Varian Medical Systems, Inc. | 4D cone beam CT using deformable registration |
| CN103381095A (zh) * | 2012-05-03 | 2013-11-06 | 三星电子株式会社 | 用于产生正电子发射断层扫描图像的设备和方法 |
| US9451926B2 (en) * | 2012-05-09 | 2016-09-27 | University Of Washington Through Its Center For Commercialization | Respiratory motion correction with internal-external motion correlation, and associated systems and methods |
| DE102012213551A1 (de) * | 2012-08-01 | 2014-02-06 | Siemens Aktiengesellschaft | Verfahren zur bewegungsgemittelten Schwächungskorrektur und Magnetresonanz-Anlage |
| DE102012216652B4 (de) * | 2012-09-18 | 2023-01-26 | Siemens Healthcare Gmbh | Angiographisches Untersuchungsverfahren |
| CN103854276B (zh) * | 2012-12-04 | 2018-02-09 | 东芝医疗系统株式会社 | 图像配准及分割装置和方法，以及医学图像设备 |
| DE102013201822B4 (de) * | 2013-02-05 | 2022-12-29 | Siemens Healthcare Gmbh | Verfahren zur Erzeugung eines PET- oder SPECT-Bilddatensatzes und Hybridbildgebungsmodalität hierfür |
| WO2014129428A1 (ja) * | 2013-02-21 | 2014-08-28 | 株式会社 日立メディコ | Ｘ線ｃｔ装置及び画像再構成方法 |
| US9031300B1 (en) * | 2013-10-25 | 2015-05-12 | General Electric Company | System and method reconstructing a nuclear medicine image using deformed attenuation image |
| US9168015B2 (en) * | 2013-12-23 | 2015-10-27 | General Electric Corporation | Method and apparatus for gate specific MR-based attenuation correction of time-gated PET studies |
| US9730664B2 (en) | 2014-04-14 | 2017-08-15 | Siemens Medical Solutions Usa, Inc. | Multi-bed elastic motion correction |
| US9262844B2 (en) | 2014-04-16 | 2016-02-16 | Siemens Medical Solutions Usa, Inc. | Method to compensate gating effects on image uniformity and quantification for PET scan with continuous bed motion |
| US10080540B2 (en) | 2014-11-07 | 2018-09-25 | General Electric Company | Systems and methods for emission tomography/computed tomography data acquisition |
| US9466132B2 (en) * | 2014-12-08 | 2016-10-11 | General Electric Company | Systems and methods for motion mitigation determinations |
| US9684973B2 (en) * | 2014-12-08 | 2017-06-20 | General Electric Company | Systems and methods for selecting imaging data for principle components analysis |
| JP6653706B2 (ja) * | 2015-01-16 | 2020-02-26 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 血管腔サブ解像度セグメンテーション |
| JP6345354B2 (ja) * | 2015-02-06 | 2018-06-20 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 磁気共鳴画像の自動グループ分け |
| US9471976B2 (en) | 2015-02-20 | 2016-10-18 | General Electric Company | System and method for data driven gating of multiple bed positions |
| JP6348865B2 (ja) * | 2015-03-30 | 2018-06-27 | 株式会社リガク | Ｃｔ画像処理装置および方法 |
| US10292671B2 (en) | 2015-05-04 | 2019-05-21 | Siemens Medical Solutions Usa, Inc. | Data-driven surrogate respiratory signal generation for medical imaging |
| US10285654B2 (en) * | 2015-06-03 | 2019-05-14 | General Electric Company | System and method for displaying variable duration image scans |
| US10062168B2 (en) | 2016-02-26 | 2018-08-28 | Varian Medical Systems International Ag | 5D cone beam CT using deformable registration |
| CN107133549B (zh) | 2016-02-29 | 2020-11-24 | 上海联影医疗科技有限公司 | Ect运动门控信号获取方法及ect图像重建方法 |
| GB201618487D0 (en) * | 2016-11-02 | 2016-12-14 | Ucl Business Plc | Pet imaging system |
| US10255694B2 (en) * | 2016-12-21 | 2019-04-09 | Uih America, Inc. | Methods and systems for emission computed tomography image reconstruction |
| US10360724B2 (en) | 2016-12-21 | 2019-07-23 | Uih America, Inc. | Methods and systems for emission computed tomography image reconstruction |
| WO2018191145A1 (en) * | 2017-04-09 | 2018-10-18 | Indiana University Research And Technology Corporation | Motion correction systems and methods for improving medical image data |
| US10282871B2 (en) | 2017-07-10 | 2019-05-07 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for pet image reconstruction |
| US11568581B2 (en) | 2018-01-27 | 2023-01-31 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction |
| US10504250B2 (en) * | 2018-01-27 | 2019-12-10 | Uih America, Inc. | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction |
| EP3768380A4 (en) * | 2018-03-23 | 2021-12-22 | The Regents Of The University Of California | APPARATUS AND METHOD FOR REMOVING RESPIRATION MOVEMENT ARTIFACTS IN TOMODENSITOGRAMS |
| EP3951712A1 (en) | 2020-08-06 | 2022-02-09 | Koninklijke Philips N.V. | Pixel based motion detection |
| US11816832B2 (en) | 2020-11-18 | 2023-11-14 | Canon Medical Systems Corporation | Devices, systems, and methods for medical imaging |
| US11712215B2 (en) | 2021-04-13 | 2023-08-01 | Canon Medical Systems Corporation | Devices, systems, and methods for motion-corrected medical imaging |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1130969A (zh) * | 1993-09-08 | 1996-09-11 | Idt股份有限公司 | 数据分析方法及其装置 |
| US20040208385A1 (en) * | 2003-04-18 | 2004-10-21 | Medispectra, Inc. | Methods and apparatus for visually enhancing images |
| US20050041842A1 (en) * | 2003-06-13 | 2005-02-24 | Frakes David Harold | Data reconstruction using directional interpolation techniques |
| CN101278317A (zh) * | 2005-10-05 | 2008-10-01 | 皇家飞利浦电子股份有限公司 | 分布式迭代图像重建 |
| US20080279436A1 (en) * | 2005-08-31 | 2008-11-13 | Pasha Razifar | Method and System of Multivariate Analysis on Volume-Wise Data of Reference Structure Normalized Images for Improved Quality in Positron Emission Tomography Studies |
| US20080310697A1 (en) * | 2005-08-31 | 2008-12-18 | Pasha Razifar | Method and System of Multivariate Analysis on Normalized Volume-Wise Data in the Sinogram Domain For Improved Quality in Positron Emission Tomography Studies |
| CN102067176A (zh) * | 2008-06-18 | 2011-05-18 | 皇家飞利浦电子股份有限公司 | 结合局部运动监测、校正和评估的辐射成像 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5983251A (en) * | 1993-09-08 | 1999-11-09 | Idt, Inc. | Method and apparatus for data analysis |
| JP2000139892A (ja) * | 1998-11-12 | 2000-05-23 | Hitachi Medical Corp | 呼吸同期システム |
| US7136518B2 (en) * | 2003-04-18 | 2006-11-14 | Medispectra, Inc. | Methods and apparatus for displaying diagnostic data |
| GB2441550A (en) * | 2006-09-05 | 2008-03-12 | Vision Rt Ltd | Surface-imaging breathing monitor |
| EP2076883A2 (en) | 2006-10-26 | 2009-07-08 | GE Healthcare Limited | Method and system for outlining a region in positron emission tomography studies |
| AU2008333936A1 (en) * | 2007-12-04 | 2009-06-11 | Ge Healthcare Limited | Image analysis |
-
2011
- 2011-05-03 US US13/099,558 patent/US8600132B2/en active Active
-
2012
- 2012-04-27 JP JP2012103242A patent/JP6172729B2/ja active Active
- 2012-05-03 CN CN201210264031.9A patent/CN102783966B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1130969A (zh) * | 1993-09-08 | 1996-09-11 | Idt股份有限公司 | 数据分析方法及其装置 |
| US20040208385A1 (en) * | 2003-04-18 | 2004-10-21 | Medispectra, Inc. | Methods and apparatus for visually enhancing images |
| US20050041842A1 (en) * | 2003-06-13 | 2005-02-24 | Frakes David Harold | Data reconstruction using directional interpolation techniques |
| US20080279436A1 (en) * | 2005-08-31 | 2008-11-13 | Pasha Razifar | Method and System of Multivariate Analysis on Volume-Wise Data of Reference Structure Normalized Images for Improved Quality in Positron Emission Tomography Studies |
| US20080310697A1 (en) * | 2005-08-31 | 2008-12-18 | Pasha Razifar | Method and System of Multivariate Analysis on Normalized Volume-Wise Data in the Sinogram Domain For Improved Quality in Positron Emission Tomography Studies |
| CN101278317A (zh) * | 2005-10-05 | 2008-10-01 | 皇家飞利浦电子股份有限公司 | 分布式迭代图像重建 |
| CN102067176A (zh) * | 2008-06-18 | 2011-05-18 | 皇家飞利浦电子股份有限公司 | 结合局部运动监测、校正和评估的辐射成像 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103985110B (zh) * | 2013-02-08 | 2017-02-08 | 孙烨 | 数字图像中伪影或非均匀亮度的定位及显示方法 |
| CN104036452A (zh) * | 2013-03-06 | 2014-09-10 | 株式会社东芝 | 图像处理装置和方法以及医学图像设备 |
| CN106687044A (zh) * | 2014-06-13 | 2017-05-17 | 美国西门子医疗解决公司 | 单门重构 |
| CN104688269A (zh) * | 2015-03-06 | 2015-06-10 | 西安交通大学 | 一种时间强度曲线的呼吸运动补偿及双峰拟合的方法 |
| CN104688269B (zh) * | 2015-03-06 | 2016-06-08 | 西安交通大学 | 一种时间强度曲线的呼吸运动补偿及双峰拟合的方法 |
| CN105989621B (zh) * | 2015-03-20 | 2021-06-08 | 通用电气公司 | 用于在图像重构中执行联合估计技术的方法和系统 |
| CN105989621A (zh) * | 2015-03-20 | 2016-10-05 | 通用电气公司 | 用于在图像重构中执行联合估计技术的方法和系统 |
| CN106251381A (zh) * | 2016-07-29 | 2016-12-21 | 上海联影医疗科技有限公司 | 图像重建方法 |
| CN109643459A (zh) * | 2016-08-12 | 2019-04-16 | 通用电气公司 | 用于从pet图像中检测总头部运动的数据分析的系统和方法 |
| CN109643459B (zh) * | 2016-08-12 | 2023-02-24 | 通用电气公司 | 用于从pet图像中检测总头部运动的数据分析的系统和方法 |
| CN108498110B (zh) * | 2017-02-22 | 2021-10-22 | 上海联影医疗科技股份有限公司 | 用于检测器官运动的系统和方法 |
| CN108498110A (zh) * | 2017-02-22 | 2018-09-07 | 上海联影医疗科技有限公司 | 用于检测器官运动的系统和方法 |
| CN108968996A (zh) * | 2017-05-30 | 2018-12-11 | 通用电气公司 | 运动门控医学成像 |
| CN108968996B (zh) * | 2017-05-30 | 2023-04-11 | 通用电气公司 | 提供运动门控医学成像的设备、方法及存储介质 |
| CN107016661A (zh) * | 2017-06-19 | 2017-08-04 | 上海联影医疗科技有限公司 | 一种医学成像方法及装置 |
| CN107016661B (zh) * | 2017-06-19 | 2019-10-15 | 上海联影医疗科技有限公司 | 一种医学成像方法及装置 |
| CN107569251A (zh) * | 2017-08-29 | 2018-01-12 | 上海联影医疗科技有限公司 | 医学成像方法和系统及非暂态计算机可读存储介质 |
| CN110910990A (zh) * | 2018-09-18 | 2020-03-24 | 通用电气公司 | 基于机器学习分析图像伪影和成像系统失效的方法和系统 |
| CN110910990B (zh) * | 2018-09-18 | 2023-10-13 | 通用电气公司 | 基于机器学习分析图像伪影和成像系统失效的方法和系统 |
| CN109394269B (zh) * | 2018-12-08 | 2021-12-10 | 沈阳鹏悦科技有限公司 | 心脏目标高亮显示平台 |
| CN109394269A (zh) * | 2018-12-08 | 2019-03-01 | 余姚市华耀工具科技有限公司 | 心脏目标高亮显示平台 |
| CN112927274A (zh) * | 2021-02-02 | 2021-06-08 | 深圳蓝韵医学影像有限公司 | 双能减影图像配准方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012233896A (ja) | 2012-11-29 |
| US20120281897A1 (en) | 2012-11-08 |
| CN102783966B (zh) | 2015-11-25 |
| JP6172729B2 (ja) | 2017-08-02 |
| US8600132B2 (en) | 2013-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102783966B (zh) | 用于运动校正的医学图像的方法和器件 | |
| US10699394B2 (en) | System and method for image calibration | |
| US11039805B2 (en) | Deep learning based estimation of data for use in tomographic reconstruction | |
| US7689021B2 (en) | Segmentation of regions in measurements of a body based on a deformable model | |
| US7948503B2 (en) | Techniques for 3-D elastic spatial registration of multiple modes of measuring a body | |
| CN102763138B (zh) | 辐射治疗中的运动校正 | |
| Kyme et al. | Motion estimation and correction in SPECT, PET and CT | |
| CN104346821B (zh) | 用于医学成像的自动规划 | |
| CN103054605B (zh) | 一种衰减校正的方法和系统 | |
| CN103533892A (zh) | 运动补偿成像 | |
| CN105989621B (zh) | 用于在图像重构中执行联合估计技术的方法和系统 | |
| CN115605915A (zh) | 一种图像重建系统和方法 | |
| CN102067176A (zh) | 结合局部运动监测、校正和评估的辐射成像 | |
| CN110473269A (zh) | 一种图像重建方法、系统、设备及存储介质 | |
| US9355454B2 (en) | Automatic estimation of anatomical extents | |
| CN110458779B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| KR20140086627A (ko) | 영상 생성 방법 및 장치 | |
| Li et al. | Deep learning based joint PET image reconstruction and motion estimation | |
| Rahman et al. | DEMIST: A deep-learning-based task-specific denoising approach for myocardial perfusion SPECT | |
| CN110428384A (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| Jin | A Quality Assurance Pipeline for Deep Learning Segmentation Models for Radiotherapy Applications | |
| Lindström Söraas | Respiratory Motion Correction in PET Imaging: Comparative Analysis of External Device and Data-driven Gating Approaches | |
| WO2023137461A1 (en) | Neural computed tomography reconstruction | |
| Barnett | Improving the Accuracy of CT-derived Attenuation Correction in Respiratory-Gated PET/CT Imaging | |
| Papastavrou | Use of Multicomponent Non-Rigid Registration to Improve Alignment of Serial Oncological PET/CT Studies |
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 |