CN103930032A - 正电子发射断层摄影图像的空间归一化的方法 - Google Patents
正电子发射断层摄影图像的空间归一化的方法 Download PDFInfo
- Publication number
- CN103930032A CN103930032A CN201280056787.2A CN201280056787A CN103930032A CN 103930032 A CN103930032 A CN 103930032A CN 201280056787 A CN201280056787 A CN 201280056787A CN 103930032 A CN103930032 A CN 103930032A
- Authority
- CN
- China
- Prior art keywords
- image
- adaptive template
- space
- template image
- template
- 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
- 238000002600 positron emission tomography Methods 0.000 title claims description 99
- 238000000034 method Methods 0.000 title claims description 59
- 238000010606 normalization Methods 0.000 title claims description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 95
- 238000002603 single-photon emission computed tomography Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 15
- VVECGOCJFKTUAX-UHFFFAOYSA-N 2-[3-fluoro-4-(methylamino)phenyl]-1,3-benzothiazol-6-ol Chemical compound C1=C(F)C(NC)=CC=C1C1=NC2=CC=C(O)C=C2S1 VVECGOCJFKTUAX-UHFFFAOYSA-N 0.000 claims description 13
- 229940113298 flutemetamol Drugs 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 13
- 210000004884 grey matter Anatomy 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- HXWLAJVUJSVENX-HFIFKADTSA-N ioflupane I(123) Chemical compound C1([C@H]2C[C@@H]3CC[C@@H](N3CCCF)[C@H]2C(=O)OC)=CC=C([123I])C=C1 HXWLAJVUJSVENX-HFIFKADTSA-N 0.000 claims description 3
- 229960004898 ioflupane i-123 Drugs 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 229960003638 dopamine Drugs 0.000 claims description 2
- 210000001577 neostriatum Anatomy 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000002969 morbid Effects 0.000 claims 2
- 230000013011 mating Effects 0.000 claims 1
- 238000000611 regression analysis Methods 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 3
- 238000005215 recombination Methods 0.000 description 3
- 230000006798 recombination Effects 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- VVECGOCJFKTUAX-HUYCHCPVSA-N flutemetamol ((18)F) Chemical group C1=C([18F])C(NC)=CC=C1C1=NC2=CC=C(O)C=C2S1 VVECGOCJFKTUAX-HUYCHCPVSA-N 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000001152 parietal lobe Anatomy 0.000 description 1
- 210000002442 prefrontal cortex Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
- A61B6/50—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
- A61B6/501—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 diagnosis of the head, e.g. neuroimaging or craniography
-
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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
- G06T2207/30016—Brain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine (AREA)
Abstract
一种用于使PET或SPECT图像配准的自适应模板图像包括模板图像模型，其包括根据一个或更多控制参数的、对于模板图像中的每个体素的值的可变性。
Description
技术领域
本发明涉及正电子发射断层摄影（PET）图像分析和单光子发射断层摄影（SPECT）的领域。更具体地，本发明涉及PET和SPECT图像的空间归一化的方法。
背景技术
当从PET和SPECT成像数据进行自动个体间定量分析时，重要的是具有可以用于将来自不同个体的图像变换到其中可以进行个体之间的比较的共同参考空间的稳健且准确的空间归一化方法。这意指不同的器官图像（例如大脑图像）变换到标准解剖空间，其中来自不同个体的器官具有相同的位置、大小和形状，以便允许跨不同个体的比较。这对于来自成像数据的基于体素的分析以及感兴趣体积（VOI）分析两者都是相关的。
对于PET和SPECT图像的空间归一化，个体PET/SPECT图像或相互配准（co-register）的解剖图像可用于在个体图像与定位在参考空间中的模板图像之间找到空间变换。在大部分的应用中，解剖信息的使用将提高进行良好空间归一化的可能性。然而，在进行取决于解剖图像的方法方面存在权衡。例如，当没有解剖图像可用时，选项将是完全禁止分析或使用备选的基于PET/SPECT的方法（其将产生不同的结果）。
因此在本领域中需要有特别对于PET和SPECT图像（例如使用淀粉样蛋白显像剂的图像）的空间归一化方法，该方法仅取决于PET或SPECT图像本身。
发明内容
鉴于现有技术的需要，本发明提供与空间归一化方法结合的模型控制自适应模板图像。本发明可适用于显像剂，例如（通过说明而非限制的方式）淀粉样蛋白显像剂。
在一个实施例中，本发明提供用于使PET图像配准的自适应模板图像，该自适应模板图像包括模板图像模型，其中对于模板图像中的每个体素的值根据一个或更多控制参数而变化（即，具有可变性）。
在另一个实施例中，本发明被调整到使来自具有阿尔茨海默氏病（AD）、MCI的患者以及表示正常摄取模式、高摄取模式或低摄取模式的个体的成像数据配准的特定问题。
在一个实施例中，对于每个体素的值的可变性的范围在对应于显像剂的正常摄取水平与显像剂的异常摄取水平的值之间。
例如，可对于大脑的灰质来指示/检测显像剂的摄取水平。异常摄取水平可产生于显像剂的相对高的摄取水平或相对低的摄取水平。
在另一个实施例中，对于每个体素的值的可变性的范围在对应于灰质中的正常淀粉样蛋白水平与灰质中的高淀粉样蛋白水平的值之间。进一步预想显像剂可以是[18F] Flutemetamol（Flutemetamol），其中灰质中的高摄取水平指示高淀粉样蛋白水平。还预想显像剂可以是由GE Healthcare of Amersham, U.K.销售的DaTSCAN®，其中纹状体中的低摄取水平指示低多巴胺转运水平。
在另一个实施例中，本发明提供使PET或SPECT图像与自适应模板图像配准的方法，其包括以下步骤：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将空间归一化的个体PET图像与自适应模板图像比较来确定两者是否充分融合；以及
更改控制模板图像的参数和控制对于个体PET图像的空间变换的参数，以便在比较步骤不确定空间归一化的个体PET图像与自适应模板图像充分融合的情况下渲染（render）更改的模板图像和更新的空间变换的个体PET图像。
在另外的实施例中，本发明提供构造自适应模板图像的方法，其包括以下步骤：
从输入PET/SPECT图像集计算均值图像，其示出感兴趣区中显像剂的摄取，该输入PET/SPECT图像集已经变换到参考空间；以及
对于已经变换到参考空间的图像集中的每个体素计算回归模型（regression
model），其中因变量代表输入图像中的体素强度并且在一些变量上回归，这些变量对于每个输入图像代表在从显像剂的正常摄取水平到高摄取水平的标度上体素所定位的地方的“真实”值。
本发明进一步提供非暂时性计算机可读存储介质，其包括计算机可读程序代码，该计算机可读程序代码包括用于使PET图像与自适应模板图像配准的指令，其中计算机可读程序代码的执行促使处理器实施将PET图像与本发明的自适应模板图像配准的方法的步骤。
本发明再进一步提供非暂时性计算机可读存储介质，其包括计算机可读程序代码，该计算机可读程序代码包括用于使用本发明的自适应模板的指令。
本发明甚至进一步提供用于使PET图像与自适应模板配准的系统，其包括：
用于使用选择的起始参数来变换移动图像的部件；
模板模型的源；
用于使用控制参数来修改模板模型以便提供自适应模板的部件；
用于将变换的移动图像与自适应模板比较的部件；
用于选择新的参数来应用于变换的图像并且为自适应模板选择新的控制参数的部件；
用于使用新的参数来使变换的移动图像变换的部件；
用于使用新的模板控制参数来调整自适应模板的部件；以及
用于在变换的移动图像与自适应模板充分融合时存储它的部件。
本发明甚至再进一步提供正电子发射断层摄影（PET）系统，其包括：
存储装置；
检测器，用于检测来自受检者的大脑的正电子发射，其中该检测器生成代表存储在存储装置中的正电子发射的信号；
图像处理器，用于其中对该图像处理器以：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将空间归一化的个体PET图像与自适应模板图像比较来确定两者是否充分融合；以及
更改控制模板图像的参数和控制对于个体PET图像的空间变换的参数，以便在比较步骤不确定空间归一化的个体PET图像与自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
该系统进一步预想成包括用于基于SSP数据集来显示大脑的图像的显示器。
本发明甚至再进一步提供正电子发射断层摄影（PET）系统，其包括：
图像处理器，用于使PET图像与自适应模板图像配准，对该图像处理器编程以：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将空间归一化的个体PET图像与自适应模板图像比较来确定两者是否充分融合；以及
更改控制模板图像的参数和控制对于个体PET图像的空间变换的参数，以便在比较步骤不确定空间归一化的个体PET图像与自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
本发明甚至再进一步提供使PET图像与自适应模板图像配准的计算机实现的方法，该方法包括：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将空间归一化的个体PET图像与自适应模板图像比较来确定两者是否充分融合；以及
更改控制模板图像的参数和控制对于个体PET图像的空间变换的参数，以便在比较步骤不确定空间归一化的个体PET图像与自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
本发明还进一步提供构造自适应模板的计算机实现的方法，其包括以下步骤：
从输入PET图像集计算均值图像（其示出感兴趣区中显像剂的摄取），该输入PET图像集已经变换到参考空间；以及
对于已经变换到参考空间的图像集中的每个体素计算回归模型，其中因变量代表输入图像中的体素强度并且在一些变量上回归，这些变量对于每个输入图像代表在从显像剂的正常摄取水平到高摄取水平的标度上体素所定位的地方的“真实”值。
附图说明
图1提供在淀粉样蛋白阳性（Aβ+）和淀粉样蛋白阴性（Aβ-）扫描中典型的Flutemetamol摄取模式的图示。
图2描绘包括新颖扩展的完整的图像配准规程的综览。
图3描绘对于两个不同Aβ-和Aβ+扫描组中的所有受检者所计算的复合区（composite region）COMSUVR的平均SUV值的图示。
图4描绘根据本发明的一个实施例的所得的斜率和截距图像（slope and intercept images）。
图5示出本发明的模板图像。
图6描绘用于执行本发明的系统。
具体实施方式
本发明提供在使用显像剂时的空间归一化方法。尽管详细描述对于以[18F]
Flutemetamol淀粉样蛋白显像剂扫描的特定实施例（其仅取决于Flutemetamol扫描本身），但本发明还能适用于用于其他成像应用的其他显像剂。例如，还可对DaTSCAN成像（其中大脑中的低摄取指示疾病）采用本发明。
Flutemetamol扫描中的摄取模式在正常受检者（Aβ-）与在灰质中具有高淀粉样蛋白的受检者（Aβ+）之间可以差异很大。因此，空间归一化方法已经扩展有自适应模板机制，其在图像配准过程期间更改模板图像连同空间变换参数来使它与被配准的扫描更相似。通过使用该扩展，方法可以准确地使范围涉及从Aβ-到非常高Aβ+的整个淀粉样蛋白标度的扫描空间归一化。
本发明通过关于整个图像中的典型摄取模式如何沿从Aβ-到Aβ+的标度变化来创建模型而解决此事。在下文呈现的模型中，对于图像中的每个体素的一个参数线性回归模型用于表达依赖性，但总体上本发明还预想更先进的模型，其表达对多个参数的摄取模式依赖性。模型在独立预处理步骤中一劳永逸地建立并且然后固定为方法的内部部分。尽管已经对于Flutemetamol开发了下文描述的方法，应注意其他PET淀粉样蛋白示踪剂展现完全相同的特性。此外，描述的方法是通用的并且没有什么将本发明的方法限制在仅仅PET淀粉样蛋白扫描。只要可以创建被配准的图像的典型变化模式上的模型，自适应模板方法具有用于其他显像剂以及PET和SPECT应用两者的可能性。尽管下文提供的示例针对PET应用，但本发明还适用于SPECT应用。
如上文指出的，本发明可更改对于图像、图像模板或两者的参数中的一个或更多。例如，对于空间变换的参数可包括沿每个轴的平移（提供三个可能参数）、沿每个轴的缩放（提供另外三个可能参数）和绕每个轴的旋转（提供额外的三个参数），可由本发明更改的总共多达九个参数。另外，考虑图像与自适应模板之间的形状差异的参数提供额外的参数，其可被本发明更改。Aβ+和Aβ-扫描中的典型Flutemetamol摄取模式的图示在图1中示出。可以注意到Aβ+在皮质灰质中具有多得多的活性并且即使白质活性在两个情况下几乎相同，白质与灰质之间的相对活性模式在一定程度上颠倒。就是从在Aβ-中在白质中具有最高活性到在Aβ+中在灰质中与具有最高或至少一样高相对的活性。
空间归一化是将来自患者空间的扫描变换到标准空间从而允许比较来自不同受检者的数据的过程。典型地，这通过迭代过程进行，其中患者扫描与模板图像比较并且其中它在几何上变换成与模板尽可能相似。然而，通过观察上面的模式，可以看到没有为空间归一化方法（其会能够通过将这些类型的图像与共同模板图像比较而进行这些类型的图像中的两者的准确且稳健的配准）选择相似性度量的明显方式。
因此，本发明提供扩展以与标准图像配准方法一起使用，其中可能的模板图像的数量是无限的。基本上，没有出现一个特定模板图像的明确选择。相反，模板中的强度连同空间变换参数在配准期间持续被更改以使模板融合，以最佳地适应被配准的图像。包括新颖扩展的完整图像配准规程的综览在图2中示出。
首先，进行提供模板模型100的步骤。步骤100是在设计阶段期间进行一次的预处理步骤，用于准备本发明的自适应模板。独立地，获得受检者的移动图像（即，患者图像）110（例如PET或SPECT扫描）并且进行为移动图像选择起始参数的步骤120。选择模板控制起始参数的步骤包括在步骤120内。简而言之，下面的步骤然后迭代直到达到融合。然后使用来自步骤100的对于自适应模板和模型的控制参数来建立130自适应模板。进行变换步骤140，其中移动图像使用起始参数来调整。然后，进行比较步骤150，其比较经变换的移动图像与自适应模板之间的相似性。在该步骤中，从模板图像和经变换的移动图像中的体素值来评估相似性度量。如果发现移动图像和自适应模板充分或最大地融合，则移动图像的配准完成（步骤160）。假如移动图像和自适应模板未充分或最大地融合，则进行为移动图像和模板控制参数两者选择新的参数的步骤170。然后重复变换步骤140，这次使用在步骤170期间选择的参数。另外，重复步骤130，其中现有的自适应模板也由在步骤170期间选择的新的模板控制参数修改。使用新近变换的移动图像和自适应模板再次进行比较步骤150。如果方法未融合，另一个自适应模板和变换参数集由优化方法选择并且进行相似性度量的新的评估。本发明预想优化方法可以是任何数值优化方法。
在用于描述图像之间的相似性的函数的值达到被认为适合继续的水平时可充分实现融合。在用于描述图像之间的相似性的函数的值达到它的最大值（即，示出参考空间中的模板图像与变换图像之间的最大相似性）时可取地实现融合。相似性度量可以基于例如相关性或交互信息，但本发明预想可适用的任何适合的相似性度量。
进行预处理步骤100一次并且控制模板模型的附加参数或多个参数添加到配准参数并且由优化方法采用与控制几何改变的参数相似的方式来更改。下面现在将详细描述一个参数线性模板模型的创建，其已经发现为适合于Flutemetamol PET扫描。
本发明预想成提供非暂时性计算机可读存储介质，其具有用于进行本发明的方法的可执行程序。该计算机可读存储介质包括计算机可读程序代码，其包括用于进行本发明的方法的指令，使得计算机可读程序代码的执行促使处理器进行本发明的方法的步骤。另外，本发明预想成使用本发明的自适应模板模型用于进行本发明的空间归一化方法。起始参数可对于所有规程是固定的并且更新的参数可由过程自动选择。
自适应模板图像模型
在下面的示例中，对均匀的2×2×2 mm体素大小采样的蒙特利尔神经学研究所（MNI）参考空间用作模板图像的标准空间。提供Flutemetamol输入图像集来创建本发明的模板，这些图像已经使用基于MR的空间归一化方法而空间归一化到该空间。
通常在为空间归一化创建模板图像时，采取这些空间归一化的输入图像并且从这些计算均值图像。由此断定该均值图像也将定位在参考空间中并且可以通过使用图像配准方法来找到进行新图像与模板均值图像匹配的变换而用于新的未被看见的图像的空间归一化。
然而，如上文描述的，该方法的问题是均值图像将仅对于特定淀粉样蛋白水平的一个典型图像模式（即Aβ-、Aβ+的模式或在中间的某物）是有代表性的。为了能够创建图像模式可变性的模型，本发明相反计算对于模板图像中的每个体素的回归模型，其中作为输入图像中的体素强度的因变量在一些变量上回归，这些变量理想地对于每个输入图像表示在从Aβ-到非常严重的Aβ+的标度上它所定位的地方的“真实”值。
实际上，不可能提取这样的真实值，但主要对在灰质包含多少Aβ的一维标度上的每个扫描找到稳健的估计值感兴趣，该方法提供这样的稳健估计。因此，本发明对所有输入图像计算大复合区（COM）（其涵盖已知是受阿耳滋海默氏病患者中的Aβ影响最大的区）内部的平均标准摄取比率值（SUVR）。这些区是前额皮质、顶叶皮质、楔前叶、外侧颞叶皮质和前后扣带回皮质。
对于两个不同Aβ-和Aβ+扫描组中的所有受检者所计算的复合区COMSUVR的平均SUV值的图示在图3中示出。
从而看到本发明在从COM内部具有非常低Flutemetamol摄取的Aβ-受检者到具有非常高Flutemetamol摄取的Aβ+受检者的整个谱上使用良好的采样。
在下一个步骤中，根据方程1，对模板图像矩阵中的每个体素i应用线性回归模型来表达该特定体素yi对COMSUVR值的依赖性：
根据方程2，在对应COMSUVR值上回归的所有输入图像上应用该模型提供截距图像和斜率图像：
截距图像将对应于定位在COMSUVR标度的下部分中的完全正常受检者的模式。另一方面，斜率图像将对于其中在COMSUVR标度从低转到高时出现最大变化的图像的部分具有最高值。这些所得的图像在图4中示出。
沿在从Aβ-到Aβ+的范围内的整个COMSUVR标度，本发明从这些图像创建合成模拟图像。这根据方程3通过将ISlope 的标度部分添加到I0 而进行：
值0.0的标度因子x将对应于I0 本身，其代表Aβ-受检者的模式，并且1.0的值将对应于COMSUVR标度的高端中的Aβ+受检者。本发明从该公式可以对沿由ISlope 限定的线性路径的任何x创建合成图像。图5示出这样的合成图像，其涵盖采用0.2的步长从0.0到1.0的x的值。
这样的合成图像用作空间归一化方法中的自适应模板。斜率图像ISlope 和截距图像I0 是由一个单参数x控制的自适应模板模型。该参数x然后由图像配准算法采用与其他参数中的任一个相似的方式来调整，并且模板图像相应地在x参数改变的任何时候更新。
现在参考图6，本发明的方法预想成由系统200进行。系统200包括：扫描仪210，用于进行PET或SPECT扫描；计算机220，用于接收扫描图像，例如患者图像（又叫作移动图像）；和数据库230，用于提供自适应模板。计算机220典型地包括显示器222、输入装置224（例如键盘224a和鼠标224b）和处理器226。处理器226典型地包括用于使用来自数据库230的自适应模板和来自扫描仪210的移动图像来进行本发明的方法的软件。另外，处理器226预想成包括具有可执行程序的非暂时性计算机可读存储介质，用于使用本发明的自适应模板并且用于根据本发明的方法使用来自扫描仪210的移动图像来使PET图像与自适应模板图像配准。非暂时性计算机可读存储介质包括计算机可读程序代码（其包括指令），用于使用本发明的自适应模板并且用于使PET图像与自适应模板图像配准。扫描仪210、计算机220和数据库230之间的连接预想成是凭借本领域已知的任何手段，例如硬连线、无线或其任意组合。另外，本发明预想处理器226和数据库230被连接使得处理器226可在完成本发明的方法时向数据库230返回更新的自适应模板。
尽管已经示出并且描述本发明的特定实施例，但可做出改变和修改而不偏离本发明的教导，这对于本领域内技术人员将是明显的。在前面的描述和附图中阐述的主旨仅通过说明的方式提供并且不作为限制。本发明的实际范围意在当基于现有技术客观全面地查看随附的权利要求时在这些权利要求中限定。
Claims (30)
1. 一种用于使PET或SPECT图像配准的自适应模板图像，其包括：
模板图像模型，其包括根据一个或更多控制参数的、对于模板图像中的每个体素的值的可变性。
2. 如权利要求1所述的自适应模板图像，其中对于每个体素的值的所述可变性的范围从对应于无疾病状态的值到疾病状态。
3. 如权利要求1所述的自适应模板图像，其中对于每个体素的值的所述可变性的范围从对应于显像剂的正常摄取水平的值到所述显像剂的异常摄取水平。
4. 如权利要求3所述的自适应模板图像，其中所述摄取水平在大脑的灰质中测量。
5. 如权利要求1所述的自适应模板图像，其中所述显像剂包括淀粉样蛋白显像剂。
6. 如权利要求5所述的自适应模板图像，其中对于每个体素的值的所述可变性的范围从对应于灰质中的正常淀粉样蛋白水平的值到灰质中的上升的淀粉样蛋白水平。
7. 如权利要求6所述的自适应模板图像，其中所述显像剂包括Flutemetamol。
8. 如权利要求3所述的自适应模板，其中所述显像剂包括多巴胺转运剂。
9. 如权利要求8所述的自适应模板，其中所述显像剂包括DaTSCAN并且对纹状体确定所述摄取水平。
10. 如权利要求1所述的自适应模板图像，其中所述控制参数能选择以便更改所述自适应模板图像中的体素的所述值。
11. 如权利要求1所述的自适应模板图像，其中所述控制参数选为空间归一化优化过程的部分。
12. 如权利要求1所述的自适应模板图像，其中所述体素的所述值由以下方程限定：
Ii template
= Ii 0 + Ii slope x
其中Ii template是所述自适应模板图像中的所述体素i的所述值，Ii 0代表对应于该体素内显像剂的正常摄取水平的值，Ii slope对应于所述显像剂的最大额外摄取量，其对应于该体素中的所述显像剂关于控制参数x的高水平摄取。
13. 如权利要求12所述的自适应模板图像，其中I0和ISlope使用跨越不同疾病状态水平的多个图像的回归分析来确定。
14. 一种使PET图像与自适应模板图像配准的方法，其包括以下步骤：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将所述空间归一化的个体PET图像与所述自适应模板图像比较来确定两者是否充分融合；以及
更改控制所述模板图像的参数和控制对于所述个体PET图像的空间变换的参数，以便在所述比较步骤不确定所述空间归一化的个体PET图像与所述自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
15. 如权利要求14所述的方法，其中所述更改步骤进一步包括确定所述空间归一化的个体PET图像是否与所述自适应模板图像最大地融合。
16. 如权利要求14所述的方法，其中所述空间归一化步骤包括以下步骤：
对所述个体PET图像进行线性和非线性变换来找到所述自适应模板图像与所述个体PET图像之间的匹配。
17. 如权利要求16所述的方法，其中所述线性变换包括由平移、旋转和缩放组成的组中的一个或更多。
18. 一种用于使PET图像与自适应模板配准的系统，其包括：
用于使用选择的起始参数来变换移动图像的部件；
模板模型的源；
用于使用控制参数来修改所述模板模型以便提供自适应模板的部件；
用于将所述变换的移动图像与所述自适应模板比较的部件；
用于选择新的参数来应用于所述变换的图像并且为所述自适应模板选择新的控制参数的部件；
用于使用所述新的参数来变换所述变换的移动图像的部件；
用于使用所述新的模板控制参数来调整所述自适应模板的部件；以及
用于在所述变换的移动图像与所述自适应模板充分融合时存储所述变换的移动图像的部件。
19. 一种非暂时性计算机可读存储介质，其包括计算机可读程序代码，所述计算机可读程序代码包括用于使用权利要求1所述的自适应模板的指令。
20. 一种非暂时性计算机可读存储介质，其包括计算机可读程序代码，所述计算机可读程序代码包括用于使PET图像与自适应模板图像配准的指令，其中所述计算机可读程序代码的执行促使处理器实施权利要求14所述的方法的所述步骤。
21. 一种构造自适应模板的方法，其包括以下步骤：
从输入PET图像集计算均值图像，其示出感兴趣区中显像剂的摄取，所述输入PET图像集已经变换到参考空间；以及
对于已经变换到参考空间的所述图像集中的每个体素计算回归模型，其中因变量代表所述输入图像中的体素强度并且在一些变量上回归，这些变量对于每个输入图像代表在从所述显像剂的正常摄取水平到高摄取水平的标度上所述体素所定位的地方的“真实”值。
22. 如权利要求20所述的方法，其中所述正常摄取水平对应于Aβ-并且所述高摄取水平对应于Aβ+。
23. 如权利要求20所述的方法，其中所述显像剂是淀粉样蛋白显像剂。
24. 如权利要求22所述的方法，其中所述显像剂包括Flutemetamol。
25. 如权利要求20所述的方法，其中所述输入PET图像集已经变换到具有相互配准解剖图像的参考空间。
26. 一种正电子发射断层摄影（PET）系统，其包括：
存储装置；
检测器，用于检测来自受检者的大脑的正电子发射，其中所述检测器生成代表存储在所述存储装置中的所述正电子发射的信号；
图像处理器，其中对所述图像处理器编程以：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将所述空间归一化的个体PET图像与所述自适应模板图像比较来确定两者是否充分融合；以及
更改控制所述模板图像的参数和控制对于所述个体PET图像的空间变换的参数，以便在所述比较步骤不确定所述空间归一化的个体PET图像与所述自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
27. 如权利要求26所述的系统，其进一步包括用于基于SSP数据集来显示大脑的图像的显示器。
28. 一种正电子发射断层摄影（PET）系统，其包括：
图像处理器，用于使PET图像与自适应模板图像配准，对所述图像处理器编程以：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将所述空间归一化的个体PET图像与所述自适应模板图像比较来确定两者是否充分融合；以及
更改控制所述模板图像的参数和控制对于所述个体PET图像的空间变换的参数，以便在所述比较步骤不确定所述空间归一化的个体PET图像与所述自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
29. 一种使PET图像与自适应模板图像配准的计算机实现的方法，所述方法包括：
将个体PET图像空间归一化到定位在参考空间中的自适应模板图像；
将所述空间归一化的个体PET图像与所述自适应模板图像比较来确定两者是否充分融合；以及
更改控制所述模板图像的参数和控制对于所述个体PET图像的所述空间变换的参数，以便在所述比较步骤不确定所述空间归一化的个体PET图像与所述自适应模板图像充分融合的情况下渲染更改的模板图像和更新的空间变换的个体PET图像。
30. 一种构造自适应模板的计算机实现的方法，其包括以下步骤：
从输入PET图像集计算均值图像，其示出感兴趣区中显像剂的摄取，所述输入PET图像集已经变换到参考空间；以及
对于已经变换到参考空间的所述图像集中的每个体素计算回归模型，其中因变量代表所述输入图像中的体素强度并且在一些变量上回归，这些变量对于每个输入图像代表在从所述显像剂的正常摄取水平到高摄取水平的标度上所述体素所定位的地方的“真实”值。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201161536702P | 2011-09-20 | 2011-09-20 | |
| US61/536702 | 2011-09-20 | ||
| PCT/US2012/056182 WO2013043775A1 (en) | 2011-09-20 | 2012-09-20 | Methods of spatial normalization of positron emission tomography images |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103930032A true CN103930032A (zh) | 2014-07-16 |
| CN103930032B CN103930032B (zh) | 2018-10-12 |
Family
ID=46964089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201280056787.2A Active CN103930032B (zh) | 2011-09-20 | 2012-09-20 | 正电子发射断层摄影图像的空间归一化的方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (3) | US10614547B2 (zh) |
| EP (1) | EP2757955B1 (zh) |
| JP (1) | JP6106675B2 (zh) |
| CN (1) | CN103930032B (zh) |
| AU (1) | AU2012312482B2 (zh) |
| CA (1) | CA2849119C (zh) |
| ES (1) | ES2922280T3 (zh) |
| WO (1) | WO2013043775A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105938617A (zh) * | 2015-03-06 | 2016-09-14 | 法玛科技顾问股份有限公司 | 定量分析核子医学脑部影像的系统及方法 |
| CN111699508A (zh) * | 2018-02-02 | 2020-09-22 | 皇家飞利浦有限公司 | 在预处置和后处置正电子发射断层摄影研究中校正标准化摄取值 |
| CN113450314A (zh) * | 2021-06-04 | 2021-09-28 | 迈格生命科技（深圳）有限公司 | 图像处理方法、装置、存储介质及产品 |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103930032B (zh) | 2011-09-20 | 2018-10-12 | 通用电气健康护理有限公司 | 正电子发射断层摄影图像的空间归一化的方法 |
| US9561019B2 (en) | 2012-03-07 | 2017-02-07 | Ziteo, Inc. | Methods and systems for tracking and guiding sensors and instruments |
| CN106663321B (zh) * | 2014-07-15 | 2021-04-06 | 皇家飞利浦有限公司 | 包括利用个性化模板图像的立体定位标准化的成像数据统计测试 |
| US10617401B2 (en) | 2014-11-14 | 2020-04-14 | Ziteo, Inc. | Systems for localization of targets inside a body |
| WO2016141198A1 (en) * | 2015-03-05 | 2016-09-09 | Bio-Rad Laboratories, Inc. | Optimized spectral matching and display |
| KR102219890B1 (ko) * | 2018-02-28 | 2021-02-24 | 서울대학교산학협력단 | 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법 |
| WO2019168310A1 (ko) * | 2018-02-28 | 2019-09-06 | 서울대학교산학협력단 | 딥러닝을 이용한 의료영상의 공간 정규화 장치 및 그 방법 |
| CA3136002A1 (en) | 2019-04-09 | 2020-10-15 | Ziteo, Inc. | Methods and systems for high performance and versatile molecular imaging |
| KR102261111B1 (ko) * | 2019-09-10 | 2021-06-04 | 인하대학교 산학협력단 | Gan을 이용한 의료 영상의 광강도 분포 일반화 기법 |
| KR102603177B1 (ko) * | 2022-06-03 | 2023-11-17 | 주식회사 브라이토닉스이미징 | 영상 공간 정규화와 이를 이용한 정량화 시스템 및 그 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006320387A (ja) * | 2005-05-17 | 2006-11-30 | Univ Of Tsukuba | 計算機支援診断装置および方法 |
| WO2008093057A1 (en) * | 2007-01-30 | 2008-08-07 | Ge Healthcare Limited | Tools for aiding in the diagnosis of neurodegenerative diseases |
| US20100049032A1 (en) * | 2006-07-12 | 2010-02-25 | Florian Steinke | Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5948384A (en) * | 1990-09-14 | 1999-09-07 | Syngenix Limited | Particulate agents |
| US20100221181A1 (en) * | 2007-09-26 | 2010-09-02 | Koninklijke Philips Electronics N.V. | Method of differentially diagnosing different types of dementia |
| WO2009146388A1 (en) * | 2008-05-28 | 2009-12-03 | The Trustees Of Columbia University In The City Of New York | Voxel-based methods for assessing subjects using positron emission tomography |
| CN103930032B (zh) | 2011-09-20 | 2018-10-12 | 通用电气健康护理有限公司 | 正电子发射断层摄影图像的空间归一化的方法 |
-
2012
- 2012-09-20 CN CN201280056787.2A patent/CN103930032B/zh active Active
- 2012-09-20 US US14/344,934 patent/US10614547B2/en active Active
- 2012-09-20 JP JP2014530963A patent/JP6106675B2/ja active Active
- 2012-09-20 ES ES12766824T patent/ES2922280T3/es active Active
- 2012-09-20 AU AU2012312482A patent/AU2012312482B2/en active Active
- 2012-09-20 CA CA2849119A patent/CA2849119C/en active Active
- 2012-09-20 WO PCT/US2012/056182 patent/WO2013043775A1/en active Application Filing
- 2012-09-20 EP EP12766824.2A patent/EP2757955B1/en active Active
-
2020
- 2020-04-06 US US16/841,329 patent/US11488282B2/en active Active
-
2022
- 2022-09-27 US US17/954,034 patent/US20230026994A1/en not_active Abandoned
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006320387A (ja) * | 2005-05-17 | 2006-11-30 | Univ Of Tsukuba | 計算機支援診断装置および方法 |
| US20100049032A1 (en) * | 2006-07-12 | 2010-02-25 | Florian Steinke | Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image |
| WO2008093057A1 (en) * | 2007-01-30 | 2008-08-07 | Ge Healthcare Limited | Tools for aiding in the diagnosis of neurodegenerative diseases |
Non-Patent Citations (1)
| Title |
|---|
| J. FRIPP ET AL.: "GENERATIVE ATLASES AND ATLAS SELECTION FOR C11-PIB PET-PET REGISTRATION OF ELDERLY, MILD COGNITIVE IMPAIRED AND ALZHEIMER DISEASE PATIENTS", 《BIOMEDICAL IMAGING:FROM NANO TO MACRO,2008.ISBI 2008.5TH IEEE INTERNATIONAL SYMPOSIUM ON》, 17 May 2008 (2008-05-17) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105938617A (zh) * | 2015-03-06 | 2016-09-14 | 法玛科技顾问股份有限公司 | 定量分析核子医学脑部影像的系统及方法 |
| CN111699508A (zh) * | 2018-02-02 | 2020-09-22 | 皇家飞利浦有限公司 | 在预处置和后处置正电子发射断层摄影研究中校正标准化摄取值 |
| CN113450314A (zh) * | 2021-06-04 | 2021-09-28 | 迈格生命科技（深圳）有限公司 | 图像处理方法、装置、存储介质及产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2014530352A (ja) | 2014-11-17 |
| JP6106675B2 (ja) | 2017-04-05 |
| AU2012312482A1 (en) | 2014-04-17 |
| US20140350392A1 (en) | 2014-11-27 |
| US11488282B2 (en) | 2022-11-01 |
| CA2849119A1 (en) | 2013-03-28 |
| WO2013043775A1 (en) | 2013-03-28 |
| US10614547B2 (en) | 2020-04-07 |
| EP2757955B1 (en) | 2022-06-15 |
| CN103930032B (zh) | 2018-10-12 |
| US20200234400A1 (en) | 2020-07-23 |
| AU2012312482B2 (en) | 2017-06-01 |
| ES2922280T3 (es) | 2022-09-12 |
| US20230026994A1 (en) | 2023-01-26 |
| EP2757955A1 (en) | 2014-07-30 |
| CA2849119C (en) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103930032A (zh) | 正电子发射断层摄影图像的空间归一化的方法 | |
| US10346986B2 (en) | System and methods for image segmentation using convolutional neural network | |
| CN101600973B (zh) | 用于辅助诊断神经退行性疾病的工具 | |
| CN110047056A (zh) | 用深度图像到图像网络和对抗网络的跨域图像分析和合成 | |
| JP2014530352A5 (zh) | ||
| CN101171608B (zh) | 虚拟损伤量化 | |
| CN105074775A (zh) | 医学图像的配准 | |
| CN109643458A (zh) | 用于自动化的正弦图完成、组合及通过组合完成的系统和方法 | |
| US10692226B2 (en) | Medical atlas registration | |
| CN102395999A (zh) | 医学图像数据的量化 | |
| CN1655193A (zh) | 用于对断层图像数据分段的方法和图像处理系统 | |
| CN102985946A (zh) | 呼吸运动估计的自动逐点验证 | |
| CN103493098A (zh) | 医学图像处理系统和方法 | |
| CN103946892A (zh) | 可变深度立体定向表面投影 | |
| CA2565646A1 (en) | Systems and methods of clinical state prediction utilizing medical image data | |
| Liu et al. | Style transfer generative adversarial networks to harmonize multisite MRI to a single reference image to avoid overcorrection | |
| Ravnik et al. | Dataset variability leverages white-matter lesion segmentation performance with convolutional neural network | |
| Flotho et al. | Software for non‐parametric image registration of 2‐photon imaging data | |
| Lei et al. | Estimating standard-dose PET from low-dose PET with deep learning | |
| CN113272869A (zh) | 医学成像中从定位片进行三维形状重构 | |
| Lorente et al. | CNN based anthropomorphic model observer for defect localization | |
| CN101292903B (zh) | 图像诊断支持系统以及图像诊断支持方法 | |
| Valente et al. | Registration and fusion with mutual information for information-preserved multimodal visualization | |
| CN110088806A (zh) | 用于在解剖结构的图像中定位标记物的方法和装置 | |
| US20090136097A1 (en) | Marking apparatus, marking method and computer program for marking a location in a medical image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |