CN103876773A - 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 - Google Patents
一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 Download PDFInfo
- Publication number
- CN103876773A CN103876773A CN201410110752.3A CN201410110752A CN103876773A CN 103876773 A CN103876773 A CN 103876773A CN 201410110752 A CN201410110752 A CN 201410110752A CN 103876773 A CN103876773 A CN 103876773A
- Authority
- CN
- China
- Prior art keywords
- tracer
- data
- voxel
- tac
- target area
- 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
Landscapes
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法,包括:(1)采集获取大脑特定区域的TAC数据;(2)对采集到的数据进行PCP预处理;(3)对于单一示踪剂,直接通过Logan Plot线性拟合法,利用参考区域的TAC数据代替血采样数据估计出所需的DVR值。对于双示踪剂,采用sRTM模型分离出第二种示踪剂的TAC数据,之后再依照单示踪剂的方法求解第二种示踪剂对应的DVR值。本发明能够避免传统血采样所造成的对患者的不适,有效提高了线性拟合的准确性,提升了估计精度;能够获得比传统方法更好的双示踪剂生理代谢参数估计值,使其结果能更好的运用于实际的医学治疗和药理研究之中。
Description
技术领域
本发明属于PET生理参数估计技术领域,具体涉及一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法。
背景技术
PET(Positron emission tomography,正电子发射断层成像)是一种基于核物理学和分子生物学的医学影像技术,它能够从分子层面上观察细胞的新陈代谢活动,为早期疾病尤其是肿瘤的检测和预防提供了有效依据。PET本质上是对病人体内药物的浓度分布进行成像,被注射入病人体内的放射性同位核素标记药物通过血液进入循环系统,这些物质在人体内各组织器官中将形成一定的浓度分布。由于放射性同位核素的半衰期较短,且极其不稳定,将很快发生衰变,衰变过程中所释放的正电子与附近的自由电子发生湮灭反应,产生一对方向几乎相反、能量相等,能量大小为511kev的伽玛光子对,这些光子由探测器环接收,再经由符合采集系统对这些带有放射性药物分布信息的成对光子进行处理生成sinogram(投影数据)。之后,通过相应的数学方法对投影数据进行反演求解,可重建出人体的放射性物质的空间浓度分布。而在此基础上,长时间连续的PET采样,又可以获取放射性示踪剂在人体内浓度的实时变化,
近几年PET在实际医学领域尤其是在脑疾病诊断和药物开发方面得到了广泛的应用。PET特别是动态PET可以实时提供脑内血流量、神经生物学功能代谢速率、酶活性、神经受体结合位点密度等重要参数。
对于现有脑PET而言,存在着两个缺陷:首先,现有的脑PET只能对单一种类神经药理学的参数进行测量即只能测量一种示踪剂,这使得现有脑PET无法提供描述具体生理活动对应的神经环境的全部参数;其次,在对脑神经代谢参数估计时,现有的脑PET都需要进行血采样,而血采样时一种侵入式的生理检测手段,这种方法不但会造成患者的不适而且还会浪费大量的人力资源和时间,此外血采样上的任何一点失误都会对脑生理参数的估计造成巨大影响。
此外,由于脑PET数据在采集,重建的过程中存在着各种误差和干扰,所以脑的PET数据不可避免的存在着各种噪声。这些噪声在很大程度上影响着脑生理参数的估计的准确性。因此,为了能更好的将脑PET数据应用于实际医疗研究中,我们需要找到一种更为有效的方法通过脑PET数据来准确快速的评估神经药理学参数。
发明内容
针对现有技术所存在的上述技术问题,本发明提供了一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法,有效地提高了基于PET数据脑生理参数估计的准确性,并较传统方法更加便捷。
一种基于Logan Plot的大脑单示踪剂代谢参数的估计方法,包括如下步骤:
(1)利用探测器对注入有示踪剂的人体大脑进行探测,实时采集获取多组符合计数向量,进而重建得到与符合计数向量对应的多帧PET图像;
(2)根据所述的PET图像建立各体素的TAC(放射性示踪剂浓度时变曲线)数据,并采用PCP法(Principal Component Pursuit,主元追踪法)对所述的TAC数据进行降噪处理;
(3)根据示踪剂所对应参考区域内各体素降噪处理后的TAC数据确定血浓度数据;
(4)根据所述的血浓度数据以及大脑目标区域内各体素降噪处理后的TAC数据,采用Logan Plot线性拟合法估算出大脑目标区域内各体素的分布容积率,即作为单示踪剂的大脑代谢参数。
所述的步骤(1)中可采用FBP法(Filtered Back Projection,滤波后反投影法)或ML-EM法(Maximum Likelihood-Expectation Maximization,最大似然期望估计算法)重建与符合计数向量对应的PET图像。
所述的步骤(2)中的TAC数据为一n维数组,n为PET图像的帧数,该数组内的每一数值即对应体素在每一PET图像中的浓度值。
所述的PCP法基于以下表达式:
XT=XL+XS
其中:XT和XL分别为处理前后的TAC数据,XS为处理前TAC数据中的噪声分量,λ为预设的比例系数;|| ||*为核范数,|| ||2为L-2范数。
所述的步骤(3)中对参考区域内各体素降噪处理后的TAC数据求平均,得到的数据结果即作为血浓度数据。
所述的Logan Plot线性拟合法基于以下表达式:
其中:Xi(t)为t时刻大脑目标区域内第i体素的浓度值,Xi(Tj)为Tj时刻大脑目标区域内第i体素的浓度值即第i体素在第j帧PET图像中的浓度值,Tj为第j帧PET图像对应的时间中值,Yref(t)为t时刻由参考区域TAC数据确定的血浓度值,Yref(Tj)为Tj时刻由参考区域TAC数据确定的血浓度值即血浓度数据中对应第j帧PET图像的血浓度值,DVRi和INTi分别为大脑目标区域内第i体素的分布容积率及其在Logan Plot线性拟合中对应的截距,K为参考区域内的组织向血液运输相应示踪剂的交换速率,t为时间,i和j均为自然数且1≤j≤n,1≤i≤m,n为PET图像的帧数,m为大脑目标区域内的体素个数。
一种基于Logan Plot的大脑双示踪剂代谢参数的估计方法,包括如下步骤:
(1)利用探测器对注入有双示踪剂S1和S2的人体大脑进行探测,实时采集获取多组符合计数向量,进而重建得到与符合计数向量对应的多帧PET图像;双示踪剂S1和S2的注入间隔为T0分钟;
(2)根据所述的PET图像建立各体素的TAC数据,该TAC数据包含了前T0分钟示踪剂S1单独作用的单浓度数据以及T0分钟后双示踪剂S1和S2共同作用的双浓度数据;采用PCP法对该TAC数据进行降噪处理;
(3)从降噪处理后的TAC数据XL中提取前T0分钟示踪剂S1单独作用的单浓度数据,进而根据示踪剂S1所对应参考区域内各体素的TAC数据XL确定血浓度数据Y1;
(4)根据血浓度数据Y1以及大脑目标区域内各体素的单浓度数据,采用Logan Plot线性拟合法估算出大脑目标区域内各体素关于示踪剂S1的分布容积率,即作为示踪剂S1的大脑代谢参数;
(5)根据血浓度数据Y1以及大脑目标区域内各体素的单浓度数据和关于示踪剂S1的分布容积率,通过外推法训练出大脑目标区域内关于示踪剂S1的简化参考区域房室模型;
(6)根据所述的简化参考区域房室模型估算出示踪剂总作用时间内大脑目标区域内各体素关于示踪剂S1的TAC数据XS1,进而使大脑目标区域内各体素的TAC数据XL对应减去TAC数据XS1即得到示踪剂总作用时间内大脑目标区域内各体素关于示踪剂S2的TAC数据XS2;
(7)根据示踪剂S2所对应参考区域内各体素的TAC数据XL确定血浓度数据Y2;进而根据血浓度数据Y2以及大脑目标区域内各体素的TAC数据XS2,采用Logan Plot线性拟合法估算出大脑目标区域内各体素关于示踪剂S2的分布容积率,即作为示踪剂S2的大脑代谢参数。
所述的步骤(1)中可采用FBP法或ML-EM法重建与符合计数向量对应的PET图像。
所述的步骤(2)中的TAC数据为一n维数组,n为PET图像的帧数,该数组内的每一数值即对应体素在每一PET图像中的浓度值。
所述的PCP法基于以下表达式:
XT=XL+XS
其中:XT和XL分别为处理前后的TAC数据,XS为处理前TAC数据中的噪声分量,λ为预设的比例系数;|| ||*为核范数,|| ||2为L-2范数。
所述的步骤(3)中对示踪剂S1所对应参考区域内各体素的TAC数据XL求平均后得到的数据结果即作为血浓度数据Y1;所述的步骤(7)中对示踪剂S2所对应参考区域内各体素的TAC数据XL求平均后得到的数据结果即作为血浓度数据Y2。
所述的Logan Plot线性拟合法基于以下表达式:
其中:Xi(t)为t时刻大脑目标区域内第i体素关于示踪剂S1或S2的浓度值,Xi(Tj)为Tj时刻大脑目标区域内第i体素关于示踪剂S1或S2的浓度值即第i体素在第j帧PET图像中关于示踪剂S1或S2的浓度值,Tj为第j帧PET图像对应的时间中值,Yref(t)为t时刻由示踪剂S1或S2对应参考区域TAC数据XL确定的血浓度值,Yref(Tj)为Tj时刻由示踪剂S1或S2对应参考区域TAC数据XL确定的血浓度值即血浓度数据Y1或Y2中对应第j帧PET图像的血浓度值,DVRi和INTi分别为大脑目标区域内第i体素关于示踪剂S1或S2的分布容积率及其在LoganPlot线性拟合中对应的截距,K为示踪剂S1或S2所对应参考区域内的组织向血液运输示踪剂的交换速率,t为时间,i和j均为自然数且1≤j≤n,1≤i≤m,n为PET图像的帧数,m为大脑目标区域内的体素个数。
所述的简化参考区域房室模型如下:
其中:Xi(T)为T分钟内大脑目标区域内第i体素关于示踪剂S1的TAC数据,Y(T)为T分钟内对应示踪剂S1的血浓度数据(在示踪剂S1或S2所对应的参考区域内不存在双示踪剂混合,故通过T分钟内参考区域内各体素的TAC数据求平均即可获得),DVRi为大脑目标区域内第i体素关于示踪剂S1的分布容积率,R和Z均为模型参数,T为时长,表示卷积。
本发明的有益技术效果在于:
(1)本发明利用参考区域的TAC数据来代替传统的血采样浓度数据,避免了血采样对患者带来的不适及大量减少了参数估计所需的时间和人力;
(2)本发明利用PCP预处理方式提升了传统Logan Plot线性拟合对DVR参数估计的精确度;
(3)本发明利用外推法和简化的参考区域房室模型提出了一种更为简便,准确的分离双示踪剂数据并分别估计每种示踪剂所对应的大脑代谢参数的方法,有效简化了大脑代谢参数的估计问题,并使其结果更加精确,能够更有效的利用与实际的医学治疗和研究中。
附图说明
图1为本发明估计方法的步骤流程示意图。
图2为单一示踪剂的TAC数据图
图3为两种示踪剂混合的TAC数据图。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明多示踪剂代谢参数的评估方法进行详细说明:
如图1所示,一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法,包括如下步骤:
(1)获取TAC数据。
1.1获取多示踪剂的TAC数据:
一次分时段注入两种示踪剂,第一种示踪剂注射后,对患者进行20分钟的PET扫描,所获得数据重建成11帧TAC数据,其中每一帧对应的扫面时间为0.5分钟4帧,1分钟3帧,2.5分钟2帧,5分钟2帧。20分钟后,注入第二种示踪剂,并进行60分钟的PET扫描,获得两种示踪剂混合TAC数据15帧,其中每一帧对应的扫描时间为0.5分钟4帧,1分针3帧,2.5分钟2帧,5分钟2帧,10分钟4帧。
1.2获取单一示踪剂的TAC数据:
一次注入一种示踪剂,对患者进行80分钟PET扫描,共获得26帧TAC数据,其中每帧数据对应的扫描时间为0.5分钟4帧,1分钟3帧,2.5分钟2帧,5分钟2帧,0.5分钟4帧,1分针3帧,2.5分钟2帧,5分钟2帧,10分钟4帧。
(2)对TAC数据进行PCP预处理
运用PCP分离算法对获取的TAC数据进行预处理,处理后的TAC数据将除去在扫描过程中产生的误差,并会对之后Logan Plot线性拟合算法自身固有的负差进行修正,其具体算法表达式如下:
Y(T)=XL+XS
其中:λ为比例系数;Y(T)为所测得的TAC数据,其具体表示为Y(T)=[CTm(T1),CTm(T2),...,CTm(TN)],CTm(Tj)为第m个体素在第j帧的放射性浓度,N为TAC数据的总帧数;XL为TAC数据中进行PCP修正后的数据,XS为TAC数据中除去的噪声和对TAC数据的修正;|| ||*为核范数,|| ||2为L-2范数。
(3)运用Logan Plot线性拟合法估计DVR的值。
3.1单一示踪剂的DVR估计:
用扫描获取的参考区域的TAC数据代替血采样数据,运用Logan Plot线性拟合方式计算出示踪剂的DVR估计值,其具体算法表达式如下:
其中:DVR为所求的示踪剂的分布容积率,Tj为第j帧的所用时间的中值,CT(τ)为范围时间内放射性示踪剂总浓度的测量值,Cref(τ)为单位时间内参考区域内放射性示踪剂浓度的测量值。为参考区域的组织向血液运输示踪剂的交换速率,INT为Logan Plot线性拟合中的截距。
3.2双示踪剂的DVR估计:
由于双示踪剂的TAC数据是两种示踪剂的混合数据,所以和单一示踪剂相比,需要利用sRTM(Simplified Reference Tissue Model,简化参考区域房室模型)模型对数据进行分离,首先对第一种示踪剂前20分钟的TAC数据按照单一示踪剂的估计DVR的方式获得DVR估计值,之后基于sRTM模型运用非线性拟合法求得用于估计总扫描时间内的TAC数据的其他参数,其中sRTM模型的具体表带式如下:
其中:Y(T)为所测得的TAC数据,其具体表示为Y(T)=[CTm(T1),CTm(T2),...,CTm(TN)],Yr(T)为参考区域的TAC数据,tstart设为第j帧的开始时间,tend为截止时间,其具体表达式可以表示为: 为卷积,R1,k2为所求的生理代谢参数,θ=(R1,k2)。
运用非线性拟合法求得用于估计总扫描时间内的TAC数据的其他参数,其具体过程的表达式如下:
其中:W为权重矩阵,YΙ,20为前20分钟单一示踪剂的TAC数据,f()为sRTM模型,
之后利用求出的第一种示踪剂的R1,k2,通过sRTM模型估算出第一种示踪剂全80分钟的TAC数据值。然后用所估算出的第一种示踪剂全80分钟的TAC数据,通过YΙΙ,60=YT-YΙ,20和分离出第二种示踪剂后60分钟的TAC数据以及参考区域的TAC数据。之后仿照单一示踪剂的方法用logan Plot线性拟合及sRTM模型求解出第二种示踪剂的所有所需的生理代谢参数。
以下我们对本实施方式进行了两组验证实验,第一组实验用于验证本算法对单一示踪剂的生理参数DVR估计能力,第二组实验用于验证本算法对双示踪剂的生理参数DVR的估计能力。
第一组实验,我们选取的示踪剂为11C-raclopride,注入量为12mCi/cc,总采样时间为80分钟,共26帧,具体分配为;0.5分钟4帧,1分钟3帧,2.5分钟2帧,5分钟2帧,0.5分钟4帧,1分钟3帧,2.5分钟2帧,5分针2帧,10分钟4帧。所获得TAC数据曲线如图2所示,为了对比PCP预处理的效果,我们加入直接应用Logan Plot(origin)和主元分析(PCA)预处理的估计结果,其结果如表1所示:
表1
DVR | 1.5 | 2.5 | 3 | 4 | 7 |
Origin | 1.3491 | 2.2676 | 2.7211 | 3.9214 | 5.3337 |
PCA | 2.0445 | 2.9609 | 3.1451 | 4.1628 | 5.5179 |
PCP | 1.3868 | 2.3972 | 2.8479 | 3.9671 | 5.6138 |
从表1可以看出,直接使用Logan Plot进行估计时,结果存在这较为严重的负差,而用PCA预处理时,结果得到一定修正,但是会转为较为严重的正差,而我们的PCP预处理方法,所得到的结果对估计结果进行了更加合理的修正,使其更加接近于真值。
对于第二组实验,我们分别选择了两种示踪剂:第一种为11C-raclopride,第二种为11C-NNC。分时段注入这两种示踪剂,第一种示踪剂注射后,对患者进行20分钟的PET扫描,所获得数据重建成11帧TAC数据,其中每一帧对应的扫面时间为0.5分钟4帧,1分钟3帧,2.5分钟2帧,5分钟2帧。20分钟后,注入第二种示踪剂,并进行60分钟的PET扫描,获得两种示踪剂混合TAC数据15帧,其中每一帧对应的扫描时间为0.5分钟4帧,1分针3帧,2.5分钟2帧,5分钟2帧,10分钟4帧。具体的TAC数据如图3所示。同样,为对比本算法对双示踪剂生理参数的估计效果,我们选取直接求解非线性方程和使用PCA方法作为对比,其结果如表2所示:
表2
由表2可以看出双示踪剂的DVR估计结过与单一示踪剂的相比要差很多。这是由于两种示踪剂的TAC数据会相互影响,但是我们可以看出本发明方法能较PCA和传统方法获得更加精确的DVR估计值。
通过以上的实验结果我们可以看出,本实施方式的估计结果无论是在单一示踪剂还是双示踪剂生理参数估计都要优于传统的直接估计和经PCA预处理的估计结果,是一种无须血采样便能更准确的获得单示踪剂和双示踪剂大脑PET生理参数的便捷方法。
Claims (9)
1.一种基于Logan Plot的大脑单示踪剂代谢参数的估计方法,包括如下步骤:
(1)利用探测器对注入有示踪剂的人体大脑进行探测,实时采集获取多组符合计数向量,进而重建得到与符合计数向量对应的多帧PET图像;
(2)根据所述的PET图像建立各体素的TAC数据,并采用PCP法对所述的TAC数据进行降噪处理;
(3)根据示踪剂所对应参考区域内各体素降噪处理后的TAC数据确定血浓度数据;
(4)根据所述的血浓度数据以及大脑目标区域内各体素降噪处理后的TAC数据,采用Logan Plot线性拟合法估算出大脑目标区域内各体素的分布容积率,即作为单示踪剂的大脑代谢参数。
2.根据权利要求1所述的估计方法,其特征在于:所述的PCP法基于以下表达式:
XT=XL+XS
其中:XT和XL分别为处理前后的TAC数据,XS为处理前TAC数据中的噪声分量,λ为预设的比例系数;|| ||*为核范数,|| ||2为L-2范数。
3.根据权利要求1所述的估计方法,其特征在于:所述的步骤(3)中对参考区域内各体素降噪处理后的TAC数据求平均,得到的数据结果即作为血浓度数据。
4.根据权利要求1所述的估计方法,其特征在于:所述的Logan Plot线性拟合法基于以下表达式:
其中:Xi(t)为t时刻大脑目标区域内第i体素的浓度值,Xi(Tj)为Tj时刻大脑目标区域内第i体素的浓度值即第i体素在第j帧PET图像中的浓度值,Tj为第j帧PET图像对应的时间中值,Yref(t)为t时刻由参考区域TAC数据确定的血浓度值,Yref(Tj)为Tj时刻由参考区域TAC数据确定的血浓度值即血浓度数据中对应第j帧PET图像的血浓度值,DVRi和INTi分别为大脑目标区域内第i体素的分布容积率及其在Logan Plot线性拟合中对应的截距,K为参考区域内的组织向血液运输示踪剂的交换速率,t为时间,i和j均为自然数且1≤j≤n,1≤i≤m,n为PET图像的帧数,m为大脑目标区域内的体素个数。
5.一种基于Logan Plot的大脑双示踪剂代谢参数的估计方法,包括如下步骤:
(1)利用探测器对注入有双示踪剂S1和S2的人体大脑进行探测,实时采集获取多组符合计数向量,进而重建得到与符合计数向量对应的多帧PET图像;双示踪剂S1和S2的注入间隔为T0分钟;
(2)根据所述的PET图像建立各体素的TAC数据,该TAC数据包含了前T0分钟示踪剂S1单独作用的单浓度数据以及T0分钟后双示踪剂S1和S2共同作用的双浓度数据;采用PCP法对该TAC数据进行降噪处理;
(3)从降噪处理后的TAC数据XL中提取前T0分钟示踪剂S1单独作用的单浓度数据,进而根据示踪剂S1所对应参考区域内各体素的TAC数据XL确定血浓度数据Y1;
(4)根据血浓度数据Y1以及大脑目标区域内各体素的单浓度数据,采用Logan Plot线性拟合法估算出大脑目标区域内各体素关于示踪剂S1的分布容积率,即作为示踪剂S1的大脑代谢参数;
(5)根据血浓度数据Y1以及大脑目标区域内各体素的单浓度数据和关于示踪剂S1的分布容积率,通过外推法训练出大脑目标区域内关于示踪剂S1的简化参考区域房室模型;
(6)根据所述的简化参考区域房室模型估算出示踪剂总作用时间内大脑目标区域内各体素关于示踪剂S1的TAC数据XS1,进而使大脑目标区域内各体素的TAC数据XL对应减去TAC数据XS1即得到示踪剂总作用时间内大脑目标区域内各体素关于示踪剂S2的TAC数据XS2;
(7)根据示踪剂S2所对应参考区域内各体素的TAC数据XL确定血浓度数据Y2;进而根据血浓度数据Y2以及大脑目标区域内各体素的TAC数据XS2,采用Logan Plot线性拟合法估算出大脑目标区域内各体素关于示踪剂S2的分布容积率,即作为示踪剂S2的大脑代谢参数。
6.根据权利要求5所述的估计方法,其特征在于:所述的PCP法基于以下表达式:
XT=XL+XS
其中:XT和XL分别为处理前后的TAC数据,XS为处理前TAC数据中的噪声分量,λ为预设的比例系数;|| ||*为核范数,|| ||2为L-2范数。
7.根据权利要求5所述的估计方法,其特征在于:所述的步骤(3)中对示踪剂S1所对应参考区域内各体素的TAC数据XL求平均后得到的数据结果即作为血浓度数据Y1;所述的步骤(7)中对示踪剂S2所对应参考区域内各体素的TAC数据XL求平均后得到的数据结果即作为血浓度数据Y2。
8.根据权利要求5所述的估计方法,其特征在于:所述的Logan Plot线性拟合法基于以下表达式:
其中:Xi(t)为t时刻大脑目标区域内第i体素关于示踪剂S1或S2的浓度值,Xi(Tj)为Tj时刻大脑目标区域内第i体素关于示踪剂S1或S2的浓度值即第i体素在第j帧PET图像中关于示踪剂S1或S2的浓度值,Tj为第j帧PET图像对应的时间中值,Yref(t)为t时刻由示踪剂S1或S2对应参考区域TAC数据XL确定的血浓度值,Yref(Tj)为Tj时刻由示踪剂S1或S2对应参考区域TAC数据XL确定的血浓度值即血浓度数据Y1或Y2中对应第j帧PET图像的血浓度值,DVRi和INTi分别为大脑目标区域内第i体素关于示踪剂S1或S2的分布容积率及其在LoganPlot线性拟合中对应的截距,K为示踪剂S1或S2所对应参考区域内的组织向血液运输相应示踪剂的交换速率,t为时间,i和j均为自然数且1≤j≤n,1≤i≤m,n为PET图像的帧数,m为大脑目标区域内的体素个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410110752.3A CN103876773B (zh) | 2014-03-24 | 2014-03-24 | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410110752.3A CN103876773B (zh) | 2014-03-24 | 2014-03-24 | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103876773A true CN103876773A (zh) | 2014-06-25 |
CN103876773B CN103876773B (zh) | 2015-09-02 |
Family
ID=50946132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410110752.3A Active CN103876773B (zh) | 2014-03-24 | 2014-03-24 | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103876773B (zh) |
Cited By (2)
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 |
CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4874600A (en) * | 1986-04-17 | 1989-10-17 | The United States Of America As Represented By The United States Department Of Energy | No-carrier-added [111 c]putrescine |
CN101993911A (zh) * | 2009-08-25 | 2011-03-30 | 陈松源 | 一种活性小分子核素探针平台及其在生物医学中的应用 |
CN102293634A (zh) * | 2010-06-24 | 2011-12-28 | 北京大学第三医院 | 可示踪小分子化合物在脑内分布、代谢和清除的测量方法 |
-
2014
- 2014-03-24 CN CN201410110752.3A patent/CN103876773B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4874600A (en) * | 1986-04-17 | 1989-10-17 | The United States Of America As Represented By The United States Department Of Energy | No-carrier-added [111 c]putrescine |
CN101993911A (zh) * | 2009-08-25 | 2011-03-30 | 陈松源 | 一种活性小分子核素探针平台及其在生物医学中的应用 |
CN102293634A (zh) * | 2010-06-24 | 2011-12-28 | 北京大学第三医院 | 可示踪小分子化合物在脑内分布、代谢和清除的测量方法 |
Non-Patent Citations (1)
Title |
---|
JEAN LOGAN 等: "Distribution Volume Ratios Without Blood Sampling from Graphical Analysis of PET Data", 《JOURNAL OF CEREBRAL BLOOD FLOW AND METABOLISM》 * |
Cited By (4)
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 |
CN106510744B (zh) * | 2016-04-27 | 2021-01-08 | 上海联影医疗科技股份有限公司 | Pet扫描中多示踪剂动态参数的估计方法 |
CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
CN107133997B (zh) * | 2017-04-11 | 2019-10-15 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103876773B (zh) | 2015-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101610719B (zh) | 治疗计划中的运动估计 | |
CN103279964B (zh) | 一种基于prca的pet图像动态重建方法及系统 | |
CN105894550B (zh) | 一种基于tv和稀疏约束的动态pet图像和示踪动力学参数同步重建方法 | |
CN106204674B (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
Brolin et al. | Pharmacokinetic digital phantoms for accuracy assessment of image-based dosimetry in 177Lu-DOTATATE peptide receptor radionuclide therapy | |
US11508101B2 (en) | Dynamic dual-tracer PET reconstruction method based on hybrid-loss 3D convolutional neural networks | |
CN103295207A (zh) | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 | |
CN106491151A (zh) | Pet图像获取方法及系统 | |
CN105147312A (zh) | Pet图像获取方法及系统 | |
Gosewisch et al. | 3D Monte Carlo bone marrow dosimetry for Lu-177-PSMA therapy with guidance of non-invasive 3D localization of active bone marrow via Tc-99m-anti-granulocyte antibody SPECT/CT | |
CN104657950A (zh) | 一种基于Poisson TV的动态PET图像重建方法 | |
CN104306011A (zh) | Spect显像肿瘤摄取定量分析技术及在肿瘤评估中的用途 | |
Berker et al. | Activity quantification combining conjugate-view planar scintigraphies and SPECT/CT data for patient-specific 3-D dosimetry in radionuclide therapy | |
CN102938154B (zh) | 一种基于粒子滤波的动态pet图像重建方法 | |
CN103810731A (zh) | 一种基于tv范数的pet图像重建方法 | |
CN103876773B (zh) | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 | |
CN104063887A (zh) | 一种基于Low Rank的动态PET图像重建方法 | |
Gao et al. | Dynamic dual-tracer PET reconstruction | |
Kotina et al. | Data processing in nuclear medicine | |
CN103263275B (zh) | 一种基于h无穷滤波的pet生理参数的重构方法 | |
Humphries et al. | Slow‐rotation dynamic SPECT with a temporal second derivative constraint | |
Grudzinski et al. | Application of a whole-body pharmacokinetic model for targeted radionuclide therapy to NM404 and FLT | |
CN103793929B (zh) | 一种基于h2/h∞混合滤波的静态pet图像重建方法 | |
Bambara et al. | Estimation of kidney and bladder radionuclide activity for patients undergoing bone scan | |
CN105279777B (zh) | 基于改进序贯滤波的静态pet图像重建方法 |
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 |