CN104720840A - 基于多巴胺转运体显像特异性摄取比的半自动量化方法 - Google Patents
基于多巴胺转运体显像特异性摄取比的半自动量化方法 Download PDFInfo
- Publication number
- CN104720840A CN104720840A CN201510073434.9A CN201510073434A CN104720840A CN 104720840 A CN104720840 A CN 104720840A CN 201510073434 A CN201510073434 A CN 201510073434A CN 104720840 A CN104720840 A CN 104720840A
- Authority
- CN
- China
- Prior art keywords
- semi
- dopamine transporter
- quantification method
- striatum
- method based
- 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.)
- Pending
Links
Landscapes
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
一种基于多巴胺转运体显像特异性摄取比的半自动量化方法,包括以下步骤:采集多巴胺转运体断层图像数据;从采集到的断层图像数据中标定纹状体所在的断层图像范围;自动在标定出的断层图像中分割出纹状体区域和参考区域;提取纹状体区域内所有像素的灰度值,作为纹状体区域特异性摄取计数值;提取参考区域内所有像素的灰度值,作为参考区域特异性摄取计数值;统计标定出的所有断层图像的纹状体区域特异性摄取计数值和参考区域特异性摄取计数值,求其比值作为多巴胺转运体显像特异性摄取比。本方法能够提高多巴胺转运体显像分析的效率、精确度和鲁棒性。
Description
技术领域
本发明涉及一种基于多巴胺转运体显像特异性摄取比的半自动量化方法,涉及图像处理、计算机视觉、核医学技术领域。
背景技术
多巴胺转运体(dopamine transporter,DAT)位于大脑中枢多巴胺能神经元末梢突触前膜,是一种膜蛋白,对于调节躯体运动与行为、情绪与内分泌、精神活动与学习记忆等具有重要意义,是许多神经递质的作用靶点。核医学多巴胺转运体(DAT)功能显像是通过静脉注射放射性分子探针,利用多巴胺能神经元与DAT特异性结合的生理学原理,体外采用单光子发射计算机断层成像(Single-Photon Emission Computed Tomography,SPECT)设备,观察脑内功能状态。多巴胺转运体主要集中在脑内纹状体区,所以定量分析纹状体DAT的空间分布、位点、数量、密度和亲和力,计算纹状体DAT特异性摄取比,是客观评价脑内纹状体功能的量化指标。国内外已经广泛采用这种成像和分析方法用于帕金森病、阿尔茨海默病以及精神活性物质依赖(吸毒)等多种精神疾病的研究。尤其是在戒毒领域,能够直观反映吸毒患者脑功能受损和恢复程度,对患者的早期诊断、发病机制分析、药物疗效的观察和临床预后的判断等具有十分重要的作用。
医学图像的定量计算一直以来都是研究热点,从最简单的人工处理,发展半自动或全自动量化处理。其中,半自动量化过程既保留了医师的经验知识,又能结合计算机技术提高处理效率,所以更加受到青睐。然而,目前临床处理DAT图像的方法绝大多数是通过手动分割、统计完成的。临床医师筛选10-12层断层图像,手动勾画纹状体感兴趣区(ROI),逐个统计ROI像素值,带入数学模型计算结果。这种处理方式耗时长、效率低,对于不同操作者之间存在主观差异性,得到计算的结果并不同,即便同一操作者多次处理也存在误差,所以鲁棒性差,不具备可重复性。因此,一种客观、准确的图像处理方法对多巴胺转运体显像的临床日常分析是十分必要的。
发明内容
本发明的目的是提供一种基于多巴胺转运体显像特异性摄取比的半自动量化方法,以提高多巴胺转运体显像分析的效率、精确度和鲁棒性。
本发明的具体技术方案为:
一种基于多巴胺转运体显像特异性摄取比的半自动量化方法,该方法包括以下步骤:
采集多巴胺转运体断层图像数据;
从采集到的断层图像数据中标定纹状体所在的断层图像范围;
自动在标定出的断层图像中分割出纹状体区域和参考区域;
提取纹状体区域内所有像素的灰度值,作为纹状体区域特异性摄取计数值;
提取参考区域内所有像素的灰度值,作为参考区域特异性摄取计数值;
统计标定出的所有断层图像的纹状体区域特异性摄取计数值和参考区域特异性摄取计数值,求其比值作为多巴胺转运体显像特异性摄取比。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,标定纹状体所在的断层图像范围的步骤包括:人工定位纹状体中间层,然后沿断层轴向分别向上下两个方向各搜索复数层断层图像,得到包含纹状体的全部图层。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,还包括在分割纹状体区域和参考区域前对断层图像进行滤波去噪和边缘增强预处理的步骤。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,采用自适应邻域加权算法滤波去噪,采用Sobel梯度算法和拉普拉斯算法相结合进行边缘增强预处理。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,采用基于梯度矢量流的主动轮廓模型算法分割纹状体区域。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,纹状体区域分割步骤中,第一幅断层图像由人工给定纹状体区域的初始轮廓线,然后由算法自动从初始轮廓线向纹状体真实边界收敛完成分割过程,其余断层图像采用相邻断层的纹状体分割结果作为初始轮廓线完成分割过程。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,所述参考区域为全脑区域。
在上述的基于多巴胺转运体显像特异性摄取比的半自动量化方法中,优选地,采用最大类间方差的全局阈值处理方法分割参考区域。
本发明具有以下有益效果:能够半自动实现多巴胺转运体显像量化过程,只需少量人工操作,大大简化了操作流程,提高了处理效率,且与手动分割方式相比,减少了医师人工处理的差异性,提高了计算结果的精确度和鲁棒性。
附图说明
图1为一些实施例半自动量化方法的流程图;
图2-a为纹状体断层原始图像,图2-b为临床伪彩图像;
图3为断层图像三维灰度分布图;
图4-a为左侧纹状体标记结果图,图4-b为右侧纹状体标记结果图;
图5-a、5-b、5-c、5-d为四个断层图像中半自动量化标记与专业医师手动标记结果对比图。
具体实施方式
下面将结合示意性实施案例对本发明的实施方式进行说明。应该理解的是,在任何这种实际实施方案的发展中,必须采取许多特定的实施方案以实现开发者的特定目标,例如多种方法都能实现对纹状体边界的识别和分割;设定不同的生理数学模型都可完成多巴胺转运体的量化计算。虽然本发明允许各种修改和替代的形式,但已经借助附图中的实例显示了本发明的特定实施方案并在此对其进行详细说明。应该说明的是,本发明并不限制为所公开的特定形式,此处对特定实施方案的解释说明是为了能够更加全面透彻理解发明内容。
请参考图1,本基于多巴胺转运体显像特异性摄取比的半自动量化方法包括以下步骤:
S1、采集多巴胺转运体断层图像数据(DAT断层数据采集)
受检者静脉注入99Tcm-TRODAT-1放射性分子探针,约3小时后进行显像,且头部固定在检查床上,医生按照临床检查要求和步骤设置检查参数并开始采集,获得临床图像数据,图像可以是DICOM格式。本实施例采集多巴胺转运体断层影像数据的采集设备为GEDiscovery NM670,图像分辨率为256×256,层厚2.74mm,层数60。图2-a示出了采集到的一幅DICOM格式纹状体断层原始图像,对应的临床伪彩图像如图2-b所示。
S2、从采集到的断层图像数据中标定纹状体所在的断层图像范围(标定纹状体断层范围)
按照临床处理步骤,本实施例首先采用人工定位纹状体中间层,然后沿断层轴向分别向上下两个方向各搜索7层(共15层)断层图像,能够全部包含纹状体的全部图层。
S3、对标定断层图像进行滤波去噪和边缘增强预处理
本实施例中采用自适应邻域加权算法滤波去噪,按照邻域R内的统计特性(灰度差)自适应地选择权重系数,当像素点靠近中心像素且灰度差在设定的置信区间内权重较大,反之权重较小。这样既消除了噪声,又保护了边缘。
边缘增强算法上采用了Sobel梯度算法和拉普拉斯算法相结合,能够保留灰度变化大的细节区域,又可以抑制灰度相对平坦区域的噪声。
S4、自动在标定出的断层图像中分割出纹状体区域和参考区域(标记断层左、右纹状体区,以及标记参考区域)
本实施例中,应用基于梯度矢量流的主动轮廓(GVF Snake)模型算法完成纹状体区域标记,首先需要人工给定初始轮廓线,然后由GVF Snake算法自动从初始边界向纹状体真实边界收敛,完成分割过程。进一步地,为了减少反复设置初始轮廓线,提高分割过程的连续性,在纹状体区域分割步骤中,第一幅断层图像由人工给定纹状体区域的初始轮廓线,然后由算法自动从初始轮廓线向纹状体真实边界收敛完成分割过程,其余断层图像采用相邻断层的纹状体分割结果作为初始轮廓线完成分割过程。
根据DAT显像原理,纹状体区多巴胺转运体摄取量多,灰度值应明显高于周边其他组织和本底(背景),纹状体边界处能量会出现较大的跃变,如图3所示。GVF Snake算法基于能量最小化原理,能够很好的向较大梯度值的边缘处收敛,其能量函数如下:
其中,v(s)为轮廓曲线,α和β分别为弹性系数和刚性系数,Eext为外部能量。选定第一幅断层图像后,首先确定参数α、β以及迭代步长γ,由医师给定初始轮廓线,初始轮廓线距离真实边界越近则分割精度越高;计算v(s)一阶微分值,近似为所选图像点与下一轮廓点之间的欧式距离差值的模;计算v(s)二阶微分值,即后一个轮廓点与前一个点之间的曲率值;计算外部能量值,采用梯度场代替外力场,公式如下:
迭代完成一组Snake模型中所有点的最小化能量泛函,重复迭代,直至满足能量极小值或超出迭代次数。本实施例中算法过程中α、β、γ分别取0.4、0.2和1.0,迭代次数为100。纹状体区标记结果见图4-a和图4-b,其中41、43(即外层的轮廓线)为指定的初始轮廓线,42、44(即内层的轮廓线)为最终标记轮廓线。
图5-a、5-b、5-c、5-d显示了四个断层图像中自动迭代标记与专业医师手动标记的对比图,其中51、53、55、57为自动迭代标记结果,52、54、56、58为专业医师手动标记结果,可以看出,算法标记结果与专业医师手动标记结果基本完全吻合。
本实施例中选取全脑区域作为参考区域,采用最大类间方差(Otsu)的全局阈值处理方法提取全脑轮廓。全脑轮廓可直接在不同图层中应用边缘检测算法提取出来。在国内外临床研究中,有研究者采用额叶、颞叶或本底作为纹状体摄取能力的参考区域,但不同患者额叶、颞叶等脑区摄取能力不同,从理论上计算结果就会出现差异性。而在本实施例中选取全脑区域作为参考区域,一方面每次向受检者体内注射的放射性药物总量一致,大脑摄取的总量基本一致,且从特征上容易进行分割和统计。在采集设备和受检者身体没有受到药物污染的前提下,大脑以外不会有放射性分布,所以大脑边缘与空计数区特征对比度明显,使用最大类间方差(Otsu)的全局阈值处理方法能够准确地获取大脑边界,在本实施例中,使用Otsu方法计算出的阈值是42左右,即可标记出大脑边界。
S5、提取纹状体区域内所有像素的灰度值,作为纹状体区域特异性摄取计数值(纹状体计数特征提取)
完成纹状体区域的分割步骤后,提取该区域内所有像素的灰度值作为统计特征,用来表征这些区域摄取放射性分子探针的量。
S6、提取参考区域内所有像素的灰度值,作为参考区域特异性摄取计数值(参考区计数特征提取)
完成参考区域的分割步骤后,提取该区域内所有像素的灰度值作为统计特征,用来表征这些区域摄取放射性分子探针的量。
S7、统计标定出的所有断层图像的纹状体区域特异性摄取计数值和参考区域特异性摄取计数值,求其比值作为多巴胺转运体显像特异性摄取比(DAT特异性摄取定量计算)
从标定出的所有断层图像提取纹状体区域特异性摄取计数值和参考区域特异性摄取计数值后,按类累加(统计),得到纹状体区域特异性摄取总计数值和参考区域特异性摄取总计数值,按照公式3计算DAT特异性摄取比值Ra,完成量化计算。
CS ROI和CB ROI分别代表纹状体区域和参考区域的特异性摄取总计数值。
在本实施例中,计算健康志愿者纹状体/全脑特异性摄取比值为7.93±0.86%,吸毒患者A组(可待因止咳水依赖)为4.92±0.90%,吸毒患者B组(氯胺酮依赖)为5.37±1.08%。
本实施例至少具有以下优点:能够实现准确识别纹状体和脑轮廓边界,完成目标区域和参考区域的分割;自动迭代,完成全部断层图像的分割和特征提取;自动计算特异性比值Ra。能够半自动实现多巴胺转运体显像量化过程,其中只需少量人工操作,大大简化了操作流程,提高了处理效率,且与传统手动分割方式相比,减少了医师人工处理的差异性,提高了计算结果的鲁棒性。在分割纹状体区域时,采用的主动轮廓模型算法,能够结合图像本身的特征,加入医师先验知识提供初始边界,提高了标记结果的精度和可信度。
Claims (8)
1.基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于,该方法包括以下步骤:
采集多巴胺转运体断层图像数据;
从采集到的断层图像数据中标定纹状体所在的断层图像范围;
自动在标定出的断层图像中分割出纹状体区域和参考区域;
提取纹状体区域内所有像素的灰度值,作为纹状体区域特异性摄取计数值;
提取参考区域内所有像素的灰度值,作为参考区域特异性摄取计数值;
统计标定出的所有断层图像的纹状体区域特异性摄取计数值和参考区域特异性摄取计数值,求其比值作为多巴胺转运体显像特异性摄取比。
2.根据权利要求1所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于,标定纹状体所在的断层图像范围的步骤包括:人工定位纹状体中间层,然后沿断层轴向分别向上下两个方向各搜索复数层断层图像,得到包含纹状体的全部图层。
3.根据权利要求1所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:还包括在分割纹状体区域和参考区域前对断层图像进行滤波去噪和边缘增强预处理的步骤。
4.根据权利要求3所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:采用自适应邻域加权算法滤波去噪,采用Sobel梯度算法和拉普拉斯算法相结合进行边缘增强预处理。
5.根据权利要求1所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:采用基于梯度矢量流的主动轮廓模型算法分割纹状体区域。
6.根据权利要求5所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:纹状体区域分割步骤中,第一幅断层图像由人工给定纹状体区域的初始轮廓线,然后由算法自动从初始轮廓线向纹状体真实边界收敛完成分割过程,其余断层图像采用相邻断层的纹状体分割结果作为初始轮廓线完成分割过程。
7.根据权利要求1所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:所述参考区域为全脑区域。
8.根据权利要求7所述的基于多巴胺转运体显像特异性摄取比的半自动量化方法,其特征在于:采用最大类间方差的全局阈值处理方法分割参考区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510073434.9A CN104720840A (zh) | 2015-02-11 | 2015-02-11 | 基于多巴胺转运体显像特异性摄取比的半自动量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510073434.9A CN104720840A (zh) | 2015-02-11 | 2015-02-11 | 基于多巴胺转运体显像特异性摄取比的半自动量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104720840A true CN104720840A (zh) | 2015-06-24 |
Family
ID=53445673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510073434.9A Pending CN104720840A (zh) | 2015-02-11 | 2015-02-11 | 基于多巴胺转运体显像特异性摄取比的半自动量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104720840A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI607739B (zh) * | 2016-05-27 | 2017-12-11 | 許百靈 | Spect多巴胺顯像定量分析技術與在腦多巴胺評估的用途 |
CN113554663A (zh) * | 2021-06-08 | 2021-10-26 | 浙江大学 | 一种基于ct结构图像自动化分析多巴胺转运体pet图像的系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312105A1 (en) * | 2007-10-31 | 2010-12-09 | Alseres Pharmaceuticals, Inc. | Methods for diagnosing and monitoring treatment of lewy body dementia by assessing dopamine transporter level |
WO2015011267A1 (en) * | 2013-07-25 | 2015-01-29 | Ge Healthcare Limited | Imaging neurological disease |
-
2015
- 2015-02-11 CN CN201510073434.9A patent/CN104720840A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100312105A1 (en) * | 2007-10-31 | 2010-12-09 | Alseres Pharmaceuticals, Inc. | Methods for diagnosing and monitoring treatment of lewy body dementia by assessing dopamine transporter level |
WO2015011267A1 (en) * | 2013-07-25 | 2015-01-29 | Ge Healthcare Limited | Imaging neurological disease |
Non-Patent Citations (6)
Title |
---|
JUSSI TOHKA, ET AL.: "Automatic Extraction of Caudate and Putamen in [11C] Raclopride PET Using Deformable Surface Models and Normalized Cuts", 《IEEE TRANSACTIONS ON NUCLEAR SCIENCE》 * |
杨红杰等: "氯胺酮依赖脑内作用靶点的可视化研究", 《同位素》 * |
毕晓君: "基于差分进化算法的GVF Snake模型的PET医学图像分割", 《万方学位论文》 * |
毕晓君等: "差分进化算法GVF Snake模型在PET图像分割中的应用", 《中国图象图形学报》 * |
赖芳敏等: "一种基于SUV值和活动轮廓模型的肺癌识别方法", 《北京生物医学工程》 * |
邱春等: "不同显像时间窗对11C-CFT PET/CT显像测多巴胺转运蛋白分布半定量值的影响", 《中华核医学与分子影像杂志》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI607739B (zh) * | 2016-05-27 | 2017-12-11 | 許百靈 | Spect多巴胺顯像定量分析技術與在腦多巴胺評估的用途 |
CN113554663A (zh) * | 2021-06-08 | 2021-10-26 | 浙江大学 | 一种基于ct结构图像自动化分析多巴胺转运体pet图像的系统 |
CN113554663B (zh) * | 2021-06-08 | 2023-10-31 | 浙江大学 | 一种基于ct结构图像自动化分析多巴胺转运体pet图像的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Choi et al. | Fast and robust segmentation of the striatum using deep convolutional neural networks | |
US8280482B2 (en) | Method and apparatus for evaluating regional changes in three-dimensional tomographic images | |
Jun Guo et al. | Automated left ventricular myocardium segmentation using 3D deeply supervised attention U‐net for coronary computed tomography angiography; CT myocardium segmentation | |
WO2015134662A2 (en) | Regularization of images | |
CN104463840A (zh) | 基于pet/ct影像的发热待查计算机辅助诊断方法 | |
CN113160347B (zh) | 一种基于注意力机制的低剂量双示踪剂pet重建方法 | |
EP2577604B1 (en) | Processing system for medical scan images | |
CN102184559B (zh) | 一种基于粒子滤波的静态pet图像重建方法 | |
US20240057950A1 (en) | Systems, methods, and computer readable mediums for performing dynamic positron emission tomography | |
EP2087467A2 (en) | Image generation based on limited data set | |
Bonardel et al. | Clinical and phantom validation of a deep learning based denoising algorithm for F-18-FDG PET images from lower detection counting in comparison with the standard acquisition | |
Sun et al. | Automated template-based PET region of interest analyses in the aging brain | |
CN111312373A (zh) | 一种pet/ct图像融合自动标注方法 | |
Grossiord et al. | Hierarchies and shape-space for PET image segmentation | |
WO2016016459A1 (en) | Method for the differential diagnosis of parkinsonian syndromes | |
US10702156B2 (en) | Systems and methods for improved tractography images | |
Rousset et al. | Correction for partial volume effects in emission tomography | |
Li et al. | Pancreatic cancer segmentation in unregistered multi-parametric MRI with adversarial learning and multi-scale supervision | |
CN104720840A (zh) | 基于多巴胺转运体显像特异性摄取比的半自动量化方法 | |
Kim et al. | Multi-atlas cardiac PET segmentation | |
CN115423893B (zh) | 基于多模态结构相似度神经网络的低剂量pet-ct重建方法 | |
Zheng et al. | Automated region of interest detection method in scintigraphic glomerular filtration rate estimation | |
Bal et al. | Arterial input function segmentation based on a contour geodesic model for tissue at risk identification in ischemic stroke | |
US10769785B2 (en) | Neural network for neurodegenerative disease classification | |
Das et al. | Light-UNet++: A Simplified U-NET++ Architecture for Multimodal Biomedical Image Segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150624 |