CN104899867A - 一种呼吸运动门控校正方法中门控阈值的自动确定方法 - Google Patents
一种呼吸运动门控校正方法中门控阈值的自动确定方法 Download PDFInfo
- Publication number
- CN104899867A CN104899867A CN201510232845.8A CN201510232845A CN104899867A CN 104899867 A CN104899867 A CN 104899867A CN 201510232845 A CN201510232845 A CN 201510232845A CN 104899867 A CN104899867 A CN 104899867A
- Authority
- CN
- China
- Prior art keywords
- absolute error
- photon number
- point
- frame
- gauging ring
- 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
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012937 correction Methods 0.000 title abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 58
- 210000001015 abdomen Anatomy 0.000 claims description 9
- 210000000038 chest Anatomy 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract 4
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- 238000002059 diagnostic imaging Methods 0.000 abstract 1
- 238000003325 tomography Methods 0.000 abstract 1
- 238000011156 evaluation Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012113 quantitative test Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种呼吸运动门控校正方法中门控阈值的自动确定方法,属于核医学成像技术领域。本发明首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;再寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。本发明有效地克服了手动选取门控阈值方法的缺点、算法简单、运算速度快、自动独立操作,从而提高呼吸运动门控校正的有效性。
Description
技术领域
本发明涉及一种呼吸运动门控校正方法中门控阈值的自动确定方法,属于核医学成像技术领域。
背景技术
呼吸运动是导致PET/CT(Positron Emission Tomography/Computed Tomography)胸腹部诊断图像模糊的主要原因。为了减少呼吸运动对PET/CT图像质量的影响,提高诊断的精确度,最近十几年内国内外学者深入研究并提出了许多呼吸运动校正的方法。
在所有的呼吸运动校正方法中,门控方法是一种应用最为广泛的呼吸运动校正方法。其原理是利用呼吸运动信号将呼吸运动周期划分为不同的时相,然后将相同呼吸时相的扫描数据合并在一起,三维重建出相应图像的方法来降低呼吸运动对PET/CT胸腹部诊断图像的影响。呼吸运动门控方法可分为基于外界辅助装置(hardware-driven)的门控方法和基于原始数据(data-driven)的门控方法。
基于外部辅助装置的门控方法是在PET扫描时通过添加外界辅助装置来监测病人的一项或几项生理参数的变化值,从而估计出呼吸运动并进行门控校正。常用的外部辅助门控装置有:压力传感器,如日本生产的压力传感器腰带(az-733v);实时位置监控系统,如美国VarianMedical Systems生产的RPM呼吸监控系统;肺活量计,如德国Siemens生产的PMM肺活量计等。而基于原始数据的门控方法是通过分析PET扫描的原始数据与呼吸运动的相关关系来进行呼吸运动门控。其方法有:系统灵敏度门控(GSG)的方法;区域正弦图波动门控(SRF)方法;片段质心方法;外部放射性标记物结合的方法进行呼吸运动门控方法,探测环真光子数呼吸运动门控方法。
在门控的过程中,如何确定相同时相帧(即门控阈值)是一个重要的环节,它会影响到最终门控的效果。在现有的呼吸运动门控校正中,门控阈值的确定为手动选取,且使用此门控阈值进行呼吸运动门控数据的筛选。手动确定门控阈值方法有着一些局限性:主观性强,不同的实验人员手动选取的门控阈值都不一样;操作复杂,实验人员需要观察完所有帧的数据特征之后才能进行手动选取门控阈值;效率低下,对于每一次PET/CT扫描都需要额外花费时间和精力来进行手动选取门控阈值;可靠性差,每一次手动选择的门控阈值不一定是最佳的门控阈值,从而导致呼吸运动门控结果质量低下。
发明内容
本发明提供了一种呼吸运动门控校正方法中门控阈值的自动确定方法,来克服上述现有的手动确定门控阈值技术主观性强、操作复杂、效率低下、可靠性差的问题,本发明是用各相邻帧的PET探测环真光子数的绝对误差值之间的斜率的相关关系来自动确定呼吸运动门控校正的门控阈值的技术,可有效地减少PET图像的呼吸运动伪影,提高呼吸运动门控校正的有效性,使肺肿瘤的形状、大小和位置接近静止状态。
本发明呼吸运动门控校正方法中门控阈值的自动确定方法是这样实现的:首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。
所述呼吸运动门控校正方法中门控阈值的自动确定方法的具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;其中门控参考帧为在具体采用的呼吸运动门控校正方法中所选取的参考帧;
E、对求出的绝对误差值进行分析,画绝对误差散点图;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2):
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
所述步骤B中,固定时间间隔选取200ms,N=PET扫描时间/200ms,N为正整数,如不为整数,则向零方向取整得到。
所述步骤D中,具体的选择第7帧为参考帧,用第7帧分别与其他统计了探测环真光子数的所有帧的探测环真光子数进行比较,得出其他帧的探测环真光子数与第7帧的探测环真光子数的绝对误差:
式中,M为在经过统计了探测环真光子数的帧的编号,I为PET扫描器的探测环编号,EVENT(M,I)为在经过统计了探测环真光子数的第M帧第I环的真光子数,EVENT(7,I)为在经过统计了探测环真光子数的第7帧第I探测环真光子数。
所述步骤G中,极小值点的确定:在图4中,(XiYi)为一个极小值点,Xi-1<Xi<Xi+1、Yi-1>Yi和Yi<Yi+1,所以由公式(1)(2)可得出:Ki1<0、Ki2>0。因此,可通过判断每一个绝对误差值点的Ki1小于零且Ki2大于零的条件来寻找绝对误差分布散点图中的所有极小值点。
本发明的原理为:
在呼吸运动门控校正的过程中,如何确定相同时相帧(即门控阈值)是一个重要的环节,它会影响到最终门控的效果。在相同时相帧中,参考帧的探测环真光子数分布与其相似帧的探测环真光子数分布相似或相差不大,即参考帧的探测环真光子数与其相似帧的探测环真光子数的绝对误差值比较小。绝对误差值较小是一个模糊的定义,所以,需要将将所有帧的绝对误差值导出并画绝对误差散点图,然后在绝对误差散点图中找出所有的极小值点,即绝对误差值较小的点。为了筛选出所有绝对误差值较小的点,可将所有的极小值进行降序排序,选择排在第一位的极小值为门控阈值,然后将绝对误差值小于门控阈值的所有点选取出来。这样就实现了呼吸运动门控校正的相同时相帧的筛选。
在绝对误差散点图中找出所有的极小值点,主要是利用每一个绝对误差值点(除第一个点和最后一个点外)与其相邻点之间的斜率关系来寻找所有极小值点的,如图4所示。在图4中,(XiYi)为一个极小值点。Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,如公式(1)所示。Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率如公式(2)所示。因为Xi-1<Xi<Xi+1、Yi-1>Yi和Yi<Yi+1,所以由公式(1)(2)可得出:Ki1<0、Ki2>0。因此,可通过判断每一个绝对误差值点的Ki1是否小于零且Ki2是否大于零的条件来寻找绝对误差分布散点图中的所有极小值点。
本发明的有益效果是:有效地克服了手动选取门控阈值方法的缺点,从而提高呼吸运动门控校正的有效性,算法简单、运算速度快、自动独立操作,能有效地减少呼吸运动伪影,提高了PET三维重建图像的清晰度,能更准确的测量出体模的真实大小和位置,可在各种呼吸运动门控校正的临床诊断工作中得到广泛的应用。
附图说明
图1是本发明中的流程图;
图2是本发明应用时的流程图;
图3是本发明的绝对误差散点分布图,其中x轴为帧编号,y轴为相应帧的探测环真光子数与第7帧(参考帧)的探测环真光子数的绝对误差值;
图4是本发明中极小值点与相邻点之间的斜率关系的示意图,其中(XiYi)为一个极小值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
图5是本发明中不同门控阈值选取的三维重建结果,其中(a)为静态图像,(b)为运动模糊图像,(c)-(e)分别为手动选取绝对误差排序中1/3、1/2和2/3位置处的绝对误差值作为门控阈值,并进行门控校正的结果图像,(f)为使用本发明提出的门控阈值选取方法自动选取门控阈值,并进行门控校正的结果图像;
图6是本发明中对不同门控阈值的呼吸运动门控结果进行Line profiles评价的结果图。
具体实施方式
实施例1:如图1-6所示,一种呼吸运动门控校正方法中门控阈值的自动确定方法,首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。
所述呼吸运动门控校正方法中门控阈值的自动确定方法的具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;其中门控参考帧为在具体采用的呼吸运动门控校正方法中所选取的参考帧;
E、对求出的绝对误差值进行分析,画绝对误差散点图;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2):
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
实施例2:如图1-6所示,一种呼吸运动门控校正方法中门控阈值的自动确定方法,首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。
所述呼吸运动门控校正方法中门控阈值的自动确定方法的具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;其中门控参考帧为在具体采用的呼吸运动门控校正方法中所选取的参考帧;
E、对求出的绝对误差值进行分析,画绝对误差散点图;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2):
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
所述步骤B中,固定时间间隔选取200ms,N=PET扫描时间/200ms,N为正整数,如不为整数,则向零方向取整得到。
实施例3:如图1-6所示,一种呼吸运动门控校正方法中门控阈值的自动确定方法,首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。
所述呼吸运动门控校正方法中门控阈值的自动确定方法的具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;其中门控参考帧为在具体采用的呼吸运动门控校正方法中所选取的参考帧;
E、对求出的绝对误差值进行分析,画绝对误差散点图;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2):
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
所述步骤B中,固定时间间隔选取200ms,N=PET扫描时间/200ms,N为正整数,如不为整数,则向零方向取整得到。
所述步骤D中,具体的选择第7帧为参考帧,用第7帧分别与其他统计了探测环真光子数的所有帧的探测环真光子数进行比较,得出其他帧的探测环真光子数与第7帧的探测环真光子数的绝对误差:
式中,M为在经过统计了探测环真光子数的帧的编号,I为PET扫描器的探测环编号,EVENT(M,I)为在经过统计了探测环真光子数的第M帧第I环的真光子数,EVENT(7,I)为在经过统计了探测环真光子数的第7帧第I探测环真光子数。
实施例4:如图1-6所示,一种呼吸运动门控校正方法中门控阈值的自动确定方法,首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。将自动确定的门控阈值应用到系统灵敏度呼吸运动门控校正方法中,实现门控帧数据的筛选;三维重建出呼吸运动门控校正后的PET/CT胸腹部诊断图像。
所述呼吸运动门控校正方法中门控阈值的自动确定方法具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;固定时间间隔可选取200ms,N=PET扫描时间/200ms,N为正整数,如不为整数,则向零方向取整,此实施例取PET扫描时间为20s,那么N=PET扫描时间/200ms=100;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;因为PET/CT实验设备有18个探测环,则在每一帧中,需要分别对18个探测环的真光子数进行统计;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;具体地选择第7帧为参考帧,用第7帧分别与其他统计了探测环真光子数的所有帧的探测环真光子数进行比较,得出其他帧的探测环真光子数与第7帧的探测环真光子数的绝对误差:
式中M为在经过统计了环真光子数的帧的编号,I为PET扫描器的探测环编号,根据步骤B-C,在此实施例中M为1到100,I为1到18;EVENT(M,I)为在经过统计了探测环真光子数的第M帧第I环的真光子数,EVENT(7,I)为在经过统计了探测环真光子数的第7帧第I探测环真光子数。
E、对求出的绝对误差值进行分析,画绝对误差散点图;如图3所示;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2);
在绝对误差散点图中相邻两个点(如图4所示)之间的斜率(Ki1,Ki2)的计算公式如下:
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
在图4中,(XiYi)为一个极小值点,Xi-1<Xi<Xi+1、Yi-1>Yi和Yi<Yi+1,所以由公式(1)(2)可得出:Ki1<0、Ki2>0。因此,可通过判断每一个绝对误差值点的Ki1小于零且Ki2大于零的条件来寻找绝对误差分布散点图中的所有极小值点。
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
在此实施例中,自动确定的门控阈值为400。本实施例增加了3组手动选取门控阈值的实验,以便于进行客观的评价本实施例提出技术的有效性及优越性。手动选取方法是将所有绝对误差进行降序排序,然后选取排序中1/3、1/2和2/3位置处的绝对误差值作为门控阈值,其实验结果如表1所示。表1中,手动选取的门控阈值与绝对误差排序的位置有关,而本实施例提出的方法所选取的门控阈值与绝对误差排序的位置没有关系,即不受人为主观因素的影像。
表1门控阈值选取结果
将自动确定的门控阈值应用到系统灵敏度呼吸运动门控校正方法中,实现门控帧数据的筛选,并形成一份新的列表模型数据;
将得到的新的列表模型数据进行三维重建,这样就得到一幅清晰的门控校正后的PET/CT图像;如图5所示;
图5为不同门控阈值选取的三维重建结果,其中(a)为静态图像,(b)为运动模糊图像,(c)-(e)分别为手动选取绝对误差排序中1/3、1/2和2/3位置处的绝对误差值作为门控阈值,并进行门控校正的结果图像,(f)为使用本发明提出的门控阈值选取方法自动选取门控阈值,并进行门控校正的结果图像
图5中与静态图像(a)相似的图像,相似程度由高到低依次为(f)、(c)、(d)、(e),即不同的门控阈值影响了呼吸运动门控校正效果。通过观察发现,随着手动选取门控阈值增大,使得呼吸运动门控校正效果相应地下降。而使用本实施例提出的方法自动确定的门控阈值,能使呼吸运动门控结果更加接近真实情况。
通过上面对实验结果的分析,表明使用发明提出的方法能够自动选取的呼吸运动门控阈值,使用此阈值能有效地提升呼吸运动门控校正效果,提高了校正后图像的质量。但是,仅通过定性分析还不能充分证明本文方法的有效性。所以本实施例还将采用图像质量评价和Line profiles评价,对实验结果进行定量分析。
图像质量评价:将图5中(b)-(f)的图像的冠状面分别与静态图像(a)的冠状面进行比较,得到其均方误差(MSE)、峰值信噪比(PSNR)和图像结构相似度(SSIM)的值,如表2所示。其中均方误差(MSE)计算的是静态图像(a)与(b)-(f)图像的对应像素点灰度值误差均方的平均值,MSE的值越小,说明被比较图像与静态图像的差异越小。峰值信噪比(PSNR)是静态图像(a)与(b)-(f)图像之间的均方误差相对于像素最大值的对数值,PSNR的数值越大说明被比较图像的失真越少,图像越逼真。图像结构相似度(SSIM)的数值范围为[0,1],其评价值越高,表示被比较图像与静态图像越相似,被比较图像质量越高。在表2中,MSE评价值从小到大依次为(f)<(c)<(d)<(e)<(b),PSNR和SSIM评价值从大到小依次为(f)>(c)>(d)>(e)>(b)。这说明在这五幅图像中,与静态图像相似程度由高到低分别为:(f)>(c)>(d)>(e)>(b),即使用本实施例提出的方法所选取的门控阈值进行探测环真光子数呼吸运动门控校正结果比手动选取门控阈值的结果要好,提高了门控图像的质量。
表2图像质量评价结果
Line profiles评价:将图5的(a)-(f)图中的矢状面导出并做line profiles评价。从上到下统计每幅矢状面图像(白色线条处)的像素值分布,然后做成曲线显示,如图6所示。在图6中,运动模糊图像(运动)与静态图像(静态)的线性分布相差很大。手动选取门控阈值结果图像(1/3位置、1/2位置、2/3位置)的线性分布与静态图像(静态)的线性分布有一点相似,但相似度不高。而本文方法所选的门控阈值的结果图像(本发明)的线性分布与静态图像(静态)的线性分布具有很高的相似程度。
对实验结果进行定量分析表明:本实施例提出的方法选能自动地选取一个呼吸运动门控阈值。使用此阈值进行呼吸运动门控校正,其校正结果比手动选取门控阈值的校正结果要好,能够使校正后的体模的形状、大小和位置接近静止状态,提高了图像的清晰度。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种呼吸运动门控校正方法中门控阈值的自动确定方法,其特征在于:首先获取PET扫描结果为列表模型格式的数据;将这些数据按一个固定时间间隔划分为N帧;在每帧的数据中,统计PET扫描器每个探测环的真光子数;在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;对求出的绝对误差值进行分析,画绝对误差散点图;在绝对误差散点图中,利用各相邻绝对误差值之间的斜率关系来寻找绝对误差分布图中的所有极小值点;然后将所有的极小值进行降序排序,选择排在第一位的极小值作为门控阈值。
2.根据权利要求1所述的呼吸运动门控校正方法中门控阈值的自动确定方法,其特征在于:所述呼吸运动门控校正方法中门控阈值的自动确定方法的具体步骤如下:
A、首先获取PET扫描结果为列表模型格式的数据;当病人进行胸腹部PET扫描检查,把扫描的结果以列表模型数据输出;
B、将这些PET扫描结果的原始数据按一个固定时间间隔划分为N帧;
C、在每帧的数据中,统计PET扫描器每个探测环的真光子数;
D、在经过统计了探测环真光子数的所有帧中,以门控参考帧为基准,计算出其他帧的探测环真光子数与参考帧的探测环真光子数的绝对误差;其中门控参考帧为在具体采用的呼吸运动门控校正方法中所选取的参考帧;
E、对求出的绝对误差值进行分析,画绝对误差散点图;
F、在绝对误差散点图中,除第一个点和最后一个点外,分别求出每一个点与相邻两个点之间的斜率(Ki1,Ki2):
式中,(XiYi)为绝对误差散点图内的一个绝对误差值点,(Xi-1Yi-1)、(Xi+1Yi+1)均为(XiYi)点相邻的绝对误差值点,Ki1为点(XiYi)与其相邻点(Xi-1Yi-1)点的斜率,Ki2为点(XiYi)与其相邻点(Xi+1Yi+1)点的斜率;
G、寻找绝对误差散点图中所有极小值点;首先对绝对误差散点图中每一个点的斜率(Ki1,Ki2)进行分析,选取满足条件Ki1小于零且Ki2大于零的点为极小值点;
H、门控阈值的确定;将所有的极小值进行降序排序,排在第一位的极小值为门控阈值。
3.根据权利要求1所述的呼吸运动门控校正方法中门控阈值的自动确定方法,其特征在于:所述步骤B中,固定时间间隔选取200ms,N=PET扫描时间/200ms,N为正整数,如不为整数,则向零方向取整得到。
4.根据权利要求1所述的呼吸运动门控校正方法中门控阈值的自动确定方法,其特征在于:所述步骤D中,具体的选择第7帧为参考帧,用第7帧分别与其他统计了探测环真光子数的所有帧的探测环真光子数进行比较,得出其他帧的探测环真光子数与第7帧的探测环真光子数的绝对误差:
式中,M为在经过统计了探测环真光子数的帧的编号,I为PET扫描器的探测环编号,EVENT(M,I)为在经过统计了探测环真光子数的第M帧第I环的真光子数,EVENT(7,I)为在经过统计了探测环真光子数的第7帧第I探测环真光子数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510232845.8A CN104899867A (zh) | 2015-01-14 | 2015-05-08 | 一种呼吸运动门控校正方法中门控阈值的自动确定方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015100183539 | 2015-01-14 | ||
CN201510018353 | 2015-01-14 | ||
CN201510232845.8A CN104899867A (zh) | 2015-01-14 | 2015-05-08 | 一种呼吸运动门控校正方法中门控阈值的自动确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104899867A true CN104899867A (zh) | 2015-09-09 |
Family
ID=54032512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510232845.8A Pending CN104899867A (zh) | 2015-01-14 | 2015-05-08 | 一种呼吸运动门控校正方法中门控阈值的自动确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899867A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618628A (zh) * | 2017-01-24 | 2017-05-10 | 昆明理工大学 | 基于pet/ct成像的呼吸运动门控校正和衰减校正方法 |
CN107348969A (zh) * | 2017-07-11 | 2017-11-17 | 上海联影医疗科技有限公司 | 一种pet数据处理方法、系统及pet成像设备 |
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 |
CN108921777A (zh) * | 2018-06-11 | 2018-11-30 | 昆明理工大学 | 一种基于pet-ct探测环真光子数的呼吸运动门控图像配准方法 |
CN110192886A (zh) * | 2019-05-29 | 2019-09-03 | 明峰医疗系统股份有限公司 | 一种动态调用呼吸门控的重建方法 |
CN113971659A (zh) * | 2021-09-14 | 2022-01-25 | 杭州微引科技有限公司 | 一种经皮肺以及腹部穿刺的呼吸门控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007015199A2 (en) * | 2005-08-04 | 2007-02-08 | Koninklijke Philips Electronics, N.V. | Motion compensation in functional imaging |
CN103800020A (zh) * | 2012-11-15 | 2014-05-21 | 黄成� | 呼吸门控开关控制装置 |
CN104000618A (zh) * | 2014-05-13 | 2014-08-27 | 昆明理工大学 | 一种用环真光子数门控方法进行呼吸运动门控校正技术 |
-
2015
- 2015-05-08 CN CN201510232845.8A patent/CN104899867A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007015199A2 (en) * | 2005-08-04 | 2007-02-08 | Koninklijke Philips Electronics, N.V. | Motion compensation in functional imaging |
CN103800020A (zh) * | 2012-11-15 | 2014-05-21 | 黄成� | 呼吸门控开关控制装置 |
CN104000618A (zh) * | 2014-05-13 | 2014-08-27 | 昆明理工大学 | 一种用环真光子数门控方法进行呼吸运动门控校正技术 |
Non-Patent Citations (1)
Title |
---|
JIANFENG HE ET AL.: ""Gating Threshold Value Determination for the Motion Gating of Positron Emission Tomography/Computed Tomography"", 《2014 7TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND INFORMATICS (BMEI 2014)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106618628A (zh) * | 2017-01-24 | 2017-05-10 | 昆明理工大学 | 基于pet/ct成像的呼吸运动门控校正和衰减校正方法 |
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 |
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 |
CN107348969A (zh) * | 2017-07-11 | 2017-11-17 | 上海联影医疗科技有限公司 | 一种pet数据处理方法、系统及pet成像设备 |
CN108921777A (zh) * | 2018-06-11 | 2018-11-30 | 昆明理工大学 | 一种基于pet-ct探测环真光子数的呼吸运动门控图像配准方法 |
CN110192886A (zh) * | 2019-05-29 | 2019-09-03 | 明峰医疗系统股份有限公司 | 一种动态调用呼吸门控的重建方法 |
CN110192886B (zh) * | 2019-05-29 | 2022-12-23 | 明峰医疗系统股份有限公司 | 一种动态调用呼吸门控的重建方法 |
CN113971659A (zh) * | 2021-09-14 | 2022-01-25 | 杭州微引科技有限公司 | 一种经皮肺以及腹部穿刺的呼吸门控系统 |
CN113971659B (zh) * | 2021-09-14 | 2022-08-26 | 杭州微引科技有限公司 | 一种经皮肺以及腹部穿刺的呼吸门控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899867A (zh) | 一种呼吸运动门控校正方法中门控阈值的自动确定方法 | |
CN110390351B (zh) | 一种基于深度学习的致痫灶三维自动定位系统 | |
CN108052977B (zh) | 基于轻量级神经网络的乳腺钼靶图像深度学习分类方法 | |
Ikhsan et al. | An analysis of x-ray image enhancement methods for vertebral bone segmentation | |
JP2021504816A (ja) | 骨年齢評価と身長予測モデル、そのシステム及びその予測方法 | |
CN106618628A (zh) | 基于pet/ct成像的呼吸运动门控校正和衰减校正方法 | |
CN104083170B (zh) | 一种自动提取磁共振图像胼胝体的方法及系统 | |
US20130195341A1 (en) | Method for sorting ct image slices and method for constructing 3d ct image | |
CN113066064B (zh) | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN115100206A (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN100410970C (zh) | 成像内部结构 | |
Agarwal et al. | A combination of bias-field corrected fuzzy c-means and level set approach for brain MRI image segmentation | |
Li et al. | 3-D inspection method for industrial product assembly based on single X-ray projections | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
Liu et al. | Automated classification and measurement of fetal ultrasound images with attention feature pyramid network | |
CN104000618B (zh) | 一种用环真光子数门控方法进行呼吸运动门控校正方法 | |
Ens et al. | Automatic detection of patient motion in cone-beam computed tomography | |
Arata et al. | Correction of organ motion in SPECT using reprojection data | |
CN115661152B (zh) | 基于模型预测的目标发展情况分析方法 | |
CN115641335B (zh) | 基于时差培养箱的胚胎异常多级联智能综合分析系统 | |
US10803601B2 (en) | Rapid assessment and visual reporting of local particle velocity | |
Isgrò et al. | Segmentation of nailfold capillaries from microscopy video sequences | |
Dovganich et al. | Automatic quality control in lung X-ray imaging with deep learning | |
CN111192209B (zh) | 一种基于深度学习的磁感应断层成像优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150909 |