CN105488824B - 一种重建pet图像的方法和装置 - Google Patents
一种重建pet图像的方法和装置 Download PDFInfo
- Publication number
- CN105488824B CN105488824B CN201510830344.XA CN201510830344A CN105488824B CN 105488824 B CN105488824 B CN 105488824B CN 201510830344 A CN201510830344 A CN 201510830344A CN 105488824 B CN105488824 B CN 105488824B
- Authority
- CN
- China
- Prior art keywords
- image
- weighting factor
- determining
- iteration
- calculating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 11
- 108010001267 Protein Subunits Proteins 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 239000003814 drug Substances 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 67
- 230000006870 function Effects 0.000 description 46
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请提供一种重建PET图像的方法和装置，其中，所述方法应用于PET系统的PET图像重建过程，包括：利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像。采用本公开提供的重建PET图像的方法可以获得对比度高且均匀性好的高质量PET重建图像。在临床医学中，通过本公开获得的高质量PET重建图像，可以帮助医生提高疾病诊断的准确性。
Description
技术领域
本申请涉及医疗图像重建技术领域，特别涉及一种重建PET图像的方法和装置。
背景技术
正电子发射计算机断层扫描(Positron Emission Tomography，PET)技术是一种核医学影像技术，利用向生物体内部注入正电子放射性同位素(如18F等)标记的化合物，而在体外测量它们在生物体内部因发生正负电子对湮灭辐射所产生的γ光子对的空间分布和时间特性，获得生物体组织的功能分布信息，具有灵敏度高、准确性好的特点，在肿瘤检测、心脑血管疾病及神经系统疾病的诊断等方面发挥着重要作用。随着先进的核医学断层影像设备的应用和计算机技术的迅速发展，根据投影数据进行PET图像重建也越来越受到人们的重视。
在进行PET图像重建时，常用的迭代重建算法可以分为代数迭代重建算法(Algebraic reconstruction technique，ART)和统计迭代重建算法，以及相应的改进算法等。由于在实际扫描中，注射药物剂量和数据采集时间均有限，导致测得的投影数据计数率不足以获得精确的重建图像，另外在测量过程中还有其他误差影响的引入，使得所获重建结果信噪比较低，均匀性不够理想。
相关技术中，虽然通过高斯滤波等滤波器进行图像滤波处理可以在一定程度上去除噪声，但会使图像边界模糊，致使重建图像的对比度下降，甚至会引起某些小病灶被湮没在背景中，影响诊断准确性。
发明内容
有鉴于此，本申请提供一种重建PET图像的方法和装置，以获得对比度高且均匀性好的PET重建图像。
具体地，本申请是通过如下技术方案实现的：
第一方面，提供一种重建PET图像的方法，应用于PET系统的PET图像重建过程，所述方法包括：
利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像。
可选地，所述通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数，包括：
计算第一权重因子β，所述第一权重因子β为所述预设第二迭代重建算法中、影响更新图像均匀性的权重因子；
根据所述第一权重因子β，计算第二权重因子α，所述第二权重因子α为所述预设第二迭代重建算法中、影响更新图像对比度的权重因子；
根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
可选地，所述计算第一权重因子β，包括：
确定用于计算所述第一权重因子β的输入图像；
对所述输入图像进行滤波，获得滤波图像；
对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
根据所述参考图像确定用于计算所述第一权重因子β的参考值；
根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。
可选地，所述确定用于计算所述第一权重因子β的输入图像，包括：
将所述初始重建图像确定为所述输入图像；或者，
将中间迭代更新图像确定为所述输入图像，其中，所述中间迭代更新图像为在迭代更新过程中、利用所述迭代更新函数获得的更新图像。
可选地，所述根据所述分割图像确定用于计算所述第一权重因子β的参考图像，包括：
通过所述滤波图像与所述分割图像相乘，获得第一参考图像，所述第一参考图像为保留感兴趣区域滤波图像值的图像；或者，
通过所述初始重建图像与所述分割图像相乘，获得第二参考图像，所述第二参考图像为保留感兴趣区域高对比度噪声图像值的图像。
可选地，所述根据所述参考图像确定用于计算所述第一权重因子β的参考值，包括：
将所述第一参考图像的像素值确定为所述参考值；或者，
计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述参考值。
第二方面，对应上述重建PET图像的方法，还提供了一种重建PET图像的装置，应用于PET系统，所述装置包括：
初始重建模块，用于利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
模型建立模块，用于通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
迭代更新模块，用于利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像。
可选的，所述模型建立模块包括：
第一计算子模块，用于计算第一权重因子β，所述第一权重因子β为所述预设第二迭代重建算法中、影响更新图像均匀性的权重因子；
第二计算子模块，用于根据所述第一权重因子β，计算第二权重因子α，所述第二权重因子α为所述预设第二迭代重建算法中、影响更新图像对比度的权重因子；
模型确定子模块，用于根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
可选的，所述第一计算子模块包括：
输入图像确定单元，用于确定用于计算所述第一权重因子β的输入图像；
滤波单元，用于对所述输入图像进行滤波，获得滤波图像；
图像分割单元，用于对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
参考图像确定单元，用于根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
参考值确定单元，用于根据所述参考图像确定用于计算所述第一权重因子β的参考值；
第一计算单元，用于根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。
可选的，所述输入图像确定单元包括：
第一输入子单元，用于将所述初始重建图像确定为所述输入图像；
第二输入子单元，用于将中间迭代更新图像确定为所述输入图像，其中，所述中间迭代更新图像为在迭代更新过程中、利用所述迭代更新函数获得的更新图像。
可选的，所述参考图像确定单元包括：
第一确定子单元，用于通过所述滤波图像与所述分割图像相乘，获得第一参考图像，所述第一参考图像为保留感兴趣区域滤波图像值的图像；
第二确定子单元，用于通过所述初始重建图像与所述分割图像相乘，获得第二参考图像，所述第二参考图像为保留感兴趣区域高对比度噪声图像值的图像。
可选的，所述参考值确定单元包括：
第一取值子单元，用于将所述第一参考图像的像素值确定为所述参考值；
第二取值子单元，用于计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述参考值。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开提供的重建PET图像的方法，首先采用相关技术中的预设第一迭代重建算法获得初始重建图像；然后通过确定预设第二迭代重建算法的模型参数，确定对应的迭代更新函数；最后利用该迭代更新函数对输入图像进行迭代更新，获得目标重建图像。本公开中，在预设第二迭代重建算法中既考虑了输入图像的高对比度特性和噪声高缺点对更新图像的影响，又考虑了具有较好均匀性的滤波图像对更新图像的影响，从而使目标重建图像既保留了初始重建图像的高对比度，又能继承滤波图像较好的均匀性，图像质量有效提高。在临床医学中，通过本公开获得的高质量PET重建图像，可以帮助医生提高疾病诊断的准确性。
附图说明
图1是本公开根据一示例性实施例示出的一种重建PET图像的方法的流程图；
图2是本公开根据一示例性实施例示出的步骤12具体实施方式的流程图；
图3是本公开根据一示例性实施例示出的步骤121具体实施方式的流程图；
图4是本公开根据一示例性实施例示出的重建PET图像的方法实施例一的流程图；
图5是本公开根据一示例性实施例示出的重建PET图像的方法实施例二的流程图；
图6是本公开根据一示例性实施例示出的重建PET图像的方法实施例三的流程图；
图7是本公开根据一示例性实施例示出的重建PET图像的方法实施例四的流程图；
图8是本公开根据一示例性实施例示出的重建PET图像的方法实施例五的流程图；
图9是本公开根据一示例性实施例示出的重建PET图像的方法实施例六的流程图；
图10-A至图10-C是根据一示例性实施例示出的PET图像重建结果的对比示意图；
图11是本公开根据一示例性实施例示出的一种重建PET图像的装置框图；
图12是本公开根据一示例性实施例示出的模型建立模块的结构框图；
图13是本公开根据一示例性实施例示出的第一计算子模块的结构框图；
图14是本公开根据一示例性实施例示出的一种重建PET图像的装置的结构图。
具体实施方式
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本公开提供了一种重建PET图像的方法，应用于PET系统的PET图像重建。首先，可以利用相关技术中的统计迭代算法获得初始PET重建图像，然后，利用新的迭代算法对上述初始PET重建图像进一步处理，在不降低图像对比度的情况下，去除重建图像噪声、提升重建图像的均匀性。
参见图1根据一示例性实施例示出的一种重建PET图像的方法的流程图，包括：
在步骤11中，利用预设第一迭代重建算法对PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
本公开实施例中，上述预设第一迭代重建算法可以是基于极大似然估计的图像重建算法、基于最小均方误差准则的图像重建方法、基于最大后验概率(Maximum aPosterior，MAP)的贝叶斯图像重建算法、或者基于压缩感知的重建算法等。其中，上述基于极大似然估计的图像重建算法，可以是极大似然期望最大算法(Maximum LikelihoodExpectation Maximization，MLEM)。
下面以上述MLEM算法为例，步骤11可以包括：
步骤111、获得被扫描对象的正投影数据Y；
相关技术中，上述正投影数据Y可以通过PET设备对人体或模体等被扫描对象进行数据采集获得，也可以通过PET设备专用仿真软件，如GATE仿真软件对被扫描对象进行数据仿真获得。
步骤112、确定图像重建的参数并选择初始估计图像；
其中，上述图像重建的参数是在利用迭代重建算法进行图像重建之前，根据经验设置的相关参数，比如，可以包括迭代收敛次数，或迭代收敛阈值等参数。初始估计图像则可通过相关技术中滤波反投影(Filtered Backprojection，FBP)算法对上述正投影数据进行图像重建获得。
步骤113、利用公式(1)所示的MLEM算法经过n次迭代，获得初始重建图像。
MLEM算法公式可以表示为：
其中，Y表示正投影数据，是重建图像的第j个像素在第n次迭代后的像素值，Xn满足Y＝PXn，P表示系统矩阵。上述公式(1)所示的MLEM算法进行初次迭代的输入图像为所述初始估计图像。
MLEM算法为相关技术常用迭代重建算法，此处不再赘述。根据公式(1)获得的初始重建图像为高对比度噪声图像。
在步骤12中，通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
本公开实施例中，确定第二迭代重建算法对应的迭代更新函数的关键在于确定模型参数。上述模型参数可以包括：第一权重因子β和第二权重因子α，其中，所述第一权重因子β影响更新图像的均匀性；所述第二权重因子α影响更新图像的对比度。
参见图2根据一示例性实施例示出的步骤12具体实施方式的流程图，步骤12可以包括：
在步骤121中，计算第一权重因子β；
参见图3根据一示例性实施例示出的步骤121具体实施方式的流程图，步骤121可以包括：
在步骤1211中，确定用于计算所述第一权重因子β的输入图像；
本公开中，第一权重因子β可以根据上述输入图像，利用预置权重计算公式计算获得。第一权重因子β在整个迭代更新过程中的确定包括两种情况：第一种情况，第一权重因子β在整个迭代更新过程中保持不变；第二种情况，第一权重因子β在每一次的迭代更新过程中都是变化的。
对应上述第一种情况，本公开实施例中，可以将上述初始重建图像作为计算第一权重因子β的输入图像。参见下述实施例一中的公式(2)或(3)、实施例三中的公式(9)、实施例四中的公式(12)，均采用初始重建图像X0作为用于计算第一权重因子β的输入图像。
对应上述第二种情况，本公开实施例中，每一次对输入图像进行迭代更新之前，首先利用上一次迭代更新过程获得的更新图像作为本次计算第一权重因子β的输入图像。参见下述实施例二中的公式(5)或(6)、实施例五中的公式(14)、实施例六中的公式(16)，可知：第k级迭代更新过程中的所述第一权重因子βk的计算是以第k-1级迭代更新图像Xk-1为输入图像计算获得的。
本公开实施例中，可以将所有的非初始重建图像统称为中间迭代更新图像。也就是说，上述中间迭代更新图像为在所述迭代更新过程中、任一利用所述迭代更新函数获得的更新图像。即在第二种情况下，可以将中间迭代更新图像作为用于计算第一权重因子β的输入图像。
在步骤1212中，对所述输入图像进行滤波，获得滤波图像；
本公开实施例中，根据相关技术，可以采用高斯滤波器、中值滤波器等图像滤波器对所述输入图像进行滤波处理，有效去除输入图像的噪声，如高斯噪声、Poisson噪声等，提高图像的信噪比。
在步骤1213中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
本公开实施例中，对步骤1212获得的滤波图像可以采用直方图分割算法、或最大类间方差法Ostu等分割算法，根据实际需要进行图像分割。通常情况下，保留背景或尺寸较大的组织器官区域作为感兴趣区域，以使获得的更新图像的大部分区域具有更好的图像均匀性。
本公开实施例中，还可以根据医疗工作人员的需要，对滤波图像进行分割，以保留感兴趣区域的滤波图像值，选择灵活性好。
在步骤1214中，根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
本公开实施例中，可以采用图像相乘的方式确定用于计算所述第一权重因子β的参考图像，两个图像相乘指将两个图像中同一位置上像素点的像素值相乘。
以下为通过图像相乘获得参考图像的两种可选实现方式：
方式一、将所述滤波图像与所述分割图像相乘，获得第一参考图像。
本方式中，可以将分割图像分为感兴趣区域和非感兴趣区域两部分，其中可以将感兴趣区域中的像素点的像素值赋值为1，将非感兴趣区域中的像素点的像素值赋值为0。因此，将滤波图像和分割图像相乘后，所获得的第一参考图像中，保留了滤波图像中对应感兴趣区域的像素点的像素值。
方式二、将初始重建图像与所述分割图像相乘，获得第二参考图像。
本方式中，分割图像的赋值方式同上，由于初始重建图像具有高对比度噪声，因此，将初始重建图像和分割图像相乘后，所获得的第二参考图像中，保留了初始重建图像中对应感兴趣区域的像素点的像素值。
在步骤1215中，根据所述参考图像确定用于计算所述第一权重因子β的参考值；
本公开实施例中，用于计算所述第一权重因子β的参考值的确定方式也可以包括两种：
第一种方式、将所述第一参考图像的像素值确定为所述用于计算所述第一权重因子β的参考值。
第二种方式、计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述用于计算所述第一权重因子β的参考值。具体的，可以将根据所述第一参考图像的感兴趣区域计算的像素均值，称为第一参考值。将根据所述第二参考图像的感兴趣区域计算的像素均值，称为第二参考值。
在步骤1216中，根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。详见以下实施例一至六。
在步骤122中，根据所述第一权重因子β，计算第二权重因子α；
本公开实施例中，可以利用公式：α＝1-β，计算第二权重因子α。
在步骤123中，根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
本公开中，随着第一权重因子β计算方法的不同，确定的迭代更新函数也有所不同，详见以下实施例一至六。
在步骤13中，利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像。
下面结合具体实施例对本公开提供的一种重建PET图像的方法进行详细说明。
实施例一
本公开实施例一中，将滤波图像感兴趣区域的像素点的像素值即第一参考图像的像素值作为计算第一权重因子β的参考值。在整个图像迭代更新过程中，第一权重因子β和第二权重因子α保持不变。
参见图4根据一示例性实施例示出的重建PET图像的方法实施例一的流程图，包括：
在步骤101中，根据上述公式(1)获取初始重建图像X0；
在步骤102中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤103中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤104中，将所述滤波图像与分割图像相乘，获得第一参考图像
在步骤105中，根据所述初始重建图像X0和所述第一参考图像利用公式(2)或公式(3)计算第一权重因子β：
或者，
其中，β表示所述第一权重因子；β0表示初始第一权重因子，可以是医疗工作人员凭经验预先设置的一个初始值；X0表示初始重建图像；表示所述第一参考图像；ξ为非零正数。
在步骤106中，根据第一权重因子β，按照公式:α＝1-β，计算第二权重因子α；
在步骤107中，根据第一权重因子β和第二权重因子α，按照公式(4)确定迭代更新函数：
其中，k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在步骤108中，利用公式(4)所示的迭代更新函数对输入图像进行迭代更新，获得目标重建图像。
具体迭代更新过程为：
一级迭代：以初始重建图像X0作为初次迭代的输入图像，利用公式：获得一级迭代更新图像X1；
二级迭代：将所述一级迭代更新图像X1作为输入图像，利用公式：获得二级迭代更新图像X2；
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
上述预设阈值条件可以是预设迭代级数阈值，比如，当迭代级数达到预设阈值N时，终止迭代；也可以是相邻两级更新图像的相对误差值小于预置条件时，比如，小于0.1％时，终止迭代。
实施例二
本公开实施例二与上述实施例一所不同的是：第一权重因子和第二权重因子随迭代级数的变化而改变。当前级的第一权重因子βk以上一级迭代更新过程输出的图像作为输入进行计算获得。但在计算每一级迭代函数对应的第一权重因子时，与实施例一类似，将滤波图像感兴趣区域的像素点的像素值即第一参考图像的像素值作为参考值。
参见图5根据一示例性实施例示出的重建PET图像方法实施例二的流程图，包括：
在步骤201中，根据公式(1)获取初始重建图像X0；
在步骤202中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤203中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤204中，将所述滤波图像与分割图像相乘，获得第一参考图像
在步骤205中，根据输入图像Xk-1和所述第一参考图像利用公式(5)或公式(6)计算第一权重因子βk：
或者，
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的所述第一权重因子；β0表示初始第一权重因子；表示所述第一参考图像；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像。
本步骤205中，当k＝1时，上述输入图像为初始重建图像；当k>1时，上述输入图像为中间迭代更新图像。从公式(5)和(6)可知，本公开实施例中，第一权重因子是随着迭代级别的不同而不断变化的。
在步骤206中，根据第一权重因子βk按照公式：αk＝1-βk，计算第二权重因子αk；
在步骤207中，根据第一权重因子βk和第二权重因子αk，按照公式(7)确定迭代更新函数：
其中，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
在步骤208中，利用公式(7)所示的迭代更新函数对输入图像进行迭代更新，获得更新图像。
在步骤209中，判断所述更新图像是否满足预设阈值条件，若是，终止迭代过程；若否，将步骤208获得的更新图像作为下一级迭代的输入图像，返回步骤205，重新执行步骤205～209。
同上，上述预设阈值条件可以是预设迭代级数阈值，比如，当迭代级数达到预设阈值N时，终止迭代；也可以是相邻两级更新图像的相对误差值小于预置条件时，比如，小于0.1％时，终止迭代。
具体迭代更新过程为：
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
实施例三
本公开实施例三与上述实施例一类似，在整个图像迭代更新过程中，第一权重因子β和第二权重因子α保持不变。与上述实施例一不同的是：本公开实施例三中，将滤波图像感兴趣区域的像素点的像素值的均值即感兴趣区域滤波图像的均值作为计算第一权重因子β的参考值。
参见图6根据一示例性实施例示出的重建PET图像的方法实施例三的流程图，包括：
在步骤301中，根据公式(1)获取初始重建图像X0；
在步骤302中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤303中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤304中，将所述滤波图像与分割图像相乘，获得第一参考图像
在步骤305中，根据所述第一参考图像按照公式(8)计算感兴趣区域滤波图像的均值作为第一参考值
其中，表示第一参考值；表示第一参考图像；M表示所述第一参考图像中感兴趣区域的像素点总数。
在步骤306中，根据所述第一参考值和初始重建图像X0，利用公式(9)计算第一权重因子β：
其中，β表示所述第一权重因子；β0表示初始第一权重因子；ξ表示非零正数；表示第一参考值。
在步骤307中，根据第一权重因子β，按照公式α＝1-β，计算第二权重因子α；
在步骤308中，根据第一权重因子β和第二权重因子α，按照公式(10)确定迭代更新函数：
其中，k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在步骤309中，利用所述公式(10)所示的迭代更新函数对输入图像进行迭代更新，获得目标重建图像。
具体迭代更新过程为：
一级迭代：以初始重建图像X0作为初次迭代的输入图像，利用公式获得一级迭代更新图像X1；
二级迭代：将所述一级迭代更新图像X1作为输入图像，利用公式获得二级迭代更新图像X2；
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
实施例四
本公开实施例四与上述实施例三类似，在整个图像迭代更新过程中，第一权重因子β和第二权重因子α保持不变。与上述实施例三不同的是：本公开实施例四中，在计算第一权重因子β时，将初始重建图像感兴趣区域高对比度噪声的像素点的像素值的均值，即感兴趣区域高对比度噪声图像的均值作为参考值。
参见图7根据一示例性实施例示出的重建PET图像的方法实施例四的流程图，包括：
在步骤401中，根据公式(1)获取初始重建图像X0；
在步骤402中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤403中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤404中，将所述初始重建图像X0与分割图像相乘，获得第二参考图像
在步骤405中，根据所述第二参考图像按照公式(11)计算感兴趣区域高对比度噪声图像的均值作为第二参考值
其中，表示第二参考值；表示所述第二参考图像；M表示所述第二参考图像中感兴趣区域的像素点总数。
在步骤406中，根据所述第二参考值和初始重建图像X0，利用公式(12)计算第一权重因子β：
其中，β表示所述第一权重因子；β0表示初始第一权重因子；X0表示初始重建图像；ξ表示非零正数。
在步骤407中，根据第一权重因子β，按照公式：α＝1-β，计算第二权重因子α；
在步骤408中，根据第一权重因子β和第二权重因子α，按照公式(13)确定迭代更新函数：
其中，k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在步骤409中，利用所述公式(13)所示的迭代更新函数对输入图像进行迭代更新，获得目标重建图像。
具体迭代更新过程为：
一级迭代：以初始重建图像X0作为初次迭代的输入图像，利用公式获得一级迭代更新图像X1；
二级迭代：将所述一级迭代更新图像X1作为输入图像，利用公式获得二级迭代更新图像X2；
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
实施例五
本公开实施例五与上述实施例二类似，第一权重因子和第二权重因子随迭代级数的变化而改变。与实施例二不同的是：在计算每一级迭代函数对应的第一权重因子时，将感兴趣区域滤波图像的均值作为参考值。
参见图8根据一示例性实施例示出的重建PET图像的方法实施例五的流程图，包括：
在步骤501中，根据公式(1)获取初始重建图像X0；
在步骤502中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤503中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤504中，将所述滤波图像与分割图像相乘，获得第一参考图像
在步骤505中，根据所述第一参考图像按照公式(8)计算感兴趣区域滤波图像的均值作为第一参考值
在步骤506中，根据所述第一参考值和输入图像，利用公式(14)计算第一权重因子βk：
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的第一权重因子；β0表示初始第一权重因子；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像。
在步骤507中，根据第一权重因子βk，按照公式：αk＝1-βk，计算第二权重因子αk；
在步骤508中，根据第一权重因子βk和第二权重因子αk，按照公式(15)确定迭代更新函数：
其中，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
在步骤509中，利用所述公式(15)所示的迭代更新函数对输入图像进行迭代更新，获得更新图像；
在步骤510中，判断所述更新图像是否满足预设阈值条件，若是，终止迭代更新过程；若否，将步骤509获得的更新图像作为下一级迭代的输入图像，返回步骤506，重新执行步骤506～510。
具体迭代更新过程为：
一级迭代：以初始重建图像X0作为初次迭代的输入图像，利用公式：获得一级第一权重因子β1；根据公式：α1＝1-β1，计算一级第二权重因子α1；将初始重建图像X0作为输入图像，利用公式：获得一级迭代更新图像X1。
二级迭代：将所述一级迭代更新图像X1作为输入图像，利用公式：获得二级第一权重因子β2；根据公式：α2＝1-β2，计算二级第二权重因子α2；将一级迭代更新图像X1作为输入图像，利用公式：获得二级迭代更新图像X2。
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
实施例六
本公开实施例六与上述实施例五类似，第一权重因子和第二权重因子随迭代级数的变化而改变。与上述实施例五不同的是：在计算每一级迭代函数对应的第一权重因子时，将感兴趣区域高对比度噪声图像的均值作为参考值。
参见图9根据一示例性实施例示出的重建PET图像的方法实施例六的流程图，包括：
在步骤601中，根据公式(1)获取初始重建图像X0；
在步骤602中，对所述初始重建图像X0进行滤波，获得滤波图像
在步骤603中，对所述滤波图像的感兴趣区域进行图像分割，获得分割图像
在步骤604中，将所述初始重建图像X0与分割图像相乘，获得第二参考图像
在步骤605中，根据所述第二参考图像按照公式(11)计算感兴趣区域高对比度噪声图像的均值作为第二参考值
在步骤606中，根据所述第二参考值和输入图像，利用公式(16)计算第一权重因子βk：
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的所述第一权重因子；β0表示初始第一权重因子；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像；
在步骤607中，根据第一权重因子βk，按照公式：αk＝1-βk，计算第二权重因子αk；
在步骤608中，根据第一权重因子βk和第二权重因子αk，按照公式(17)确定迭代更新函数：
其中，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
在步骤609中，利用所述公式(17)所示的迭代更新函数对输入图像进行迭代更新，获得更新图像；
在步骤610中，判断所述更新图像是否满足预设阈值条件，若是，终止迭代更新过程；若否，将步骤609获得的更新图像作为下一级迭代的输入图像，返回步骤606，重新执行步骤606～610。
具体迭代更新过程为：
一级迭代：以初始重建图像X0作为输入图像，利用公式：获得一级第一权重因子β1；根据公式：α1＝1-β1，计算一级第二权重因子α1；将初始重建图像X0作为初次迭代的输入图像，利用公式：获得一级迭代更新图像X1。
二级迭代：将所述一级迭代更新图像X1作为输入图像，利用公式：获得二级第一权重因子β2；根据公式：α2＝1-β2，计算二级第二权重因子α2；将上述一级迭代更新图像X1作为输入图像，利用公式：获得二级迭代更新图像X2。
依次类推，将上一级迭代过程的输出图像作为下一级迭代过程的输入图像进行迭代更新，直至满足预设阈值条件，结束迭代过程，输出目标重建图像。
此处需要说明的是，在上述实施例一至六所示的重建PET图像的方法中，前三个步骤是相同的，为区分不同实施例，故采用了不同的标号。另外，在上述涉及计算第一参考值、第二参考值的实施例中，由于用于获得第一参考图像和第二参考图像所使用的分割图像是相同的，所以上述第一参考图像和第二参考图像中保留感兴趣区域的像素点总数M相同。
根据对上述各实施例的权重计算公式和对应的迭代更新函数的分析，可知：
一方面，在感兴趣区域对应的像素点位置，由于在分割图像中，感兴趣区域的像素值赋值为1，故在相同像素点位置，输入图像的像素值与参考图像的像素值或参考值接近，所以，根据预置权重计算公式计算的第一权重因子的数值相对较大。由于第一权重因子影响更新图像的均匀性，故可以使更新图像的感兴趣区域变均匀。另外，由于输入图像中的空气位置以及图像两侧位置像素值接近于零，且对应参考图像位置因分割图像在此区域赋值为0，故实际像素值也为0，两者对应值较接近。此时，空气及两侧位置的第一权重因子也较大，也可以起到使更新图像变平滑的作用。
另一方面，由于在分割图像中，非感兴趣区域的像素值赋值为0，因而在参考图像中，非感兴趣区域如小病灶或其他器官组织所在位置的像素值为0，与输入图像中对应位置的像素值差别较大，所以根据预置权重计算公式计算的第一权重因子相对较小，而第二权重因子较大。由于第二权重因子影响更新图像的对比度，故可以使小病灶或其他器官组织所在的非感兴趣区域在图像更新时保持小病灶等组织区域较高对比度。因此，采用本公开提供的重建PET图像的方法既可以保持较高的图像对比度，又可以增强图像相应背景区域的均匀性，有效提高图像质量。
图10-A至图10-C示出了PET图像重建结果的对比示意图，其中，图10-A为利用MLEM算法得到的初始重建图像，可以看到，该初始重建图像中的噪声比较明显。图10-B是相关技术采用图像滤波方法获得的结果，虽然图像均匀性变好，但处理后小病灶位置(小尺寸黑色部分)模糊较明显，而且图像边界也不够清晰。图10-C是采用本公开提供的重建PET图像的方法获得的目标重建图像，可以看到，本公开得到的目标重建图像的边界较图10-B所示的滤波图像变得更清晰，小病灶位置的对比度保持的较好，且图像均匀性较图10-A所示的初始重建图像也有较明显提升。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。
其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
对应上述重建PET图像的方法，本公开提供了一种重建PET图像的装置，设置于PET系统中。
参见图11根据一示例性实施例示出的一种重建PET图像的装置框图，可以包括：
初始重建模块21，用于利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
模型建立模块22，用于通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
其中，参见图12根据一示例性实施例示出的模型建立模块的结构框图，在本公开另一实施例中，模型建立模块22可以包括：
第一计算子模块221，用于计算第一权重因子β，所述第一权重因子β为第二迭代重建算法中、影响更新图像均匀性的权重因子；
参见图13根据一示例性实施例示出的第一计算子模块的结构框图，在本公开另一实施例中，第一计算子模块221可以包括：
输入图像确定单元2211，用于确定用于计算所述第一权重因子β的输入图像；
本公开实施例中，输入图像确定单元2211可以包括：
第一输入子单元，用于将所述初始重建图像确定为所述输入图像；
第二输入子单元，用于将中间迭代更新图像确定为所述输入图像，其中，所述中间迭代更新图像为在所述迭代更新过程中、利用所述迭代更新函数获得的更新图像。
输入图像确定单元2211可以利用上述第一输入子单元确定用于计算所述第一权重因子β的输入图像，和/或，利用上述第二输入子单元确定用于计算所述第一权重因子β的输入图像。
滤波单元2212，用于对所述输入图像进行滤波，获得滤波图像；
图像分割单元2213，用于对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
参考图像确定单元2214，用于根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
本公开实施例中，参考图像确定单元2214可以包括：
第一确定子单元，用于通过所述滤波图像与所述分割图像相乘，获得第一参考图像，所述第一参考图像为保留感兴趣区域滤波图像值的图像；
第二确定子单元，用于通过所述初始重建图像与所述分割图像相乘，获得第二参考图像，所述第二参考图像为保留感兴趣区域高对比度噪声图像值的图像。
参考图像确定单元2214可以利用第一确定子单元输出参考图像，或者利用上述第二确定子单元输出参考图像。
参考值确定单元2215，用于根据所述参考图像确定用于计算所述第一权重因子β的参考值；
本公开实施例中，参考值确定单元2215可以包括：
第一取值子单元，用于将所述第一参考图像的像素值确定为所述参考值；
第二取值子单元，用于计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述参考值。
参考值确定单元2215可以利用上述第一取值子单元输出参考值，或者，利用上述第二取值子单元输出参考值。
第一计算单元2216，用于根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。
第二计算子模块222，用于根据所述第一权重因子β，计算第二权重因子α，所述第二权重因子α为所述第二迭代重建算法中、影响更新图像对比度的权重因子；
模型确定子模块223，用于根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
迭代更新模块23，用于利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像。
对应上述六个重建PET图像的方法实施例，本公开可以提供六个重建PET图像的装置实施例。
其中，在本公开的重建PET图像的装置实施例一中，第一计算单元2216计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，β表示所述第一权重因子；β0表示初始第一权重因子；X0表示初始重建图像；表示所述第一参考图像；ξ表示非零正数；
相应的,模型确定子模块223确定的所述迭代更新函数可以为：
其中，α＝1-β，α表示所述第二权重因子；k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在本公开的重建PET图像的装置实施例二中，第一计算单元2216计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的所述第一权重因子；β0表示初始第一权重因子；表示所述第一参考图像；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像；
相应的，模型确定子模块223确定的所述迭代更新函数可以为：
其中，αk＝1-βk，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
在本公开的重建PET图像的装置实施例三中，第一计算单元2216计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，β表示所述第一权重因子；β0表示初始第一权重因子；X0表示初始重建图像；ξ表示非零正数；表示根据所述第一参考图像获得的第一参考值；表示所述第一参考图像；M表示所述第一参考图像中感兴趣区域的像素点总数；
相应的，模型确定子模块223确定的所述迭代更新函数可以为：
其中，α＝1-β，α表示所述第二权重因子；k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在本公开的重建PET图像的装置实施例四中，第一计算单元2216计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，β表示所述第一权重因子；β0表示初始第一权重因子；X0表示初始重建图像；ξ表示非零正数；表示根据所述第二参考图像获得的第二参考值；表示所述第二参考图像；M表示所述第二参考图像中感兴趣区域的像素点总数；
其中，α＝1-β，α表示所述第二权重因子；k表示迭代级数，为大于零的正整数；Xk表示第k级迭代更新图像；Xk-1表示第k-1级迭代更新图像。
在本公开的重建PET图像的装置实施例五中，第一计算单元计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的所述第一权重因子；β0表示初始第一权重因子；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像；表示所述第一参考图像；表示根据所述第一参考图像获得的第一参考值；M表示所述第一参考图像中感兴趣区域的像素点总数；
相应的，模型确定子模块223确定的所述迭代更新函数可以为：
其中，αk＝1-βk，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
在本公开的重建PET图像的装置实施例六中，第一计算单元2216计算所述第一权重因子β时，利用的所述预置权重计算公式可以为：
其中，k表示迭代级数，为大于零的正整数；βk表示第k级迭代更新过程中的所述第一权重因子；β0表示初始第一权重因子；ξ表示非零正数；Xk-1表示第k-1级迭代更新图像；表示根据所述第二参考图像获得的第二参考值；表示所述第二参考图像；M表示所述第二参考图像中感兴趣区域的像素点总数。
相应的，模型确定子模块223确定的所述迭代更新函数可以为：
其中，αk＝1-βk，αk表示第k级迭代更新过程中的所述第二权重因子；Xk表示第k级迭代更新图像。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述重建PET图像的方法，可以由PET系统的控制设备执行，该控制设备的结构可以参见图14所示的示意图。如图14所示，控制设备可以包括处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430、总线1440。处理器1410、通信接口1420、存储器1430通过总线1440完成相互间的通信。
其中，存储器1430中可以存储有重建PET图像的逻辑指令，该存储器例如可以是非易失性存储器(non-volatile memory)。处理器1410可以调用执行存储器1430中的重建PET图像的逻辑指令，以执行上述重建PET图像的方法。例如，该重建PET图像的逻辑指令，可以是医学图像采集系统的控制软件的部分功能对应的程序，在处理器执行该指令时，控制设备可以对应的在显示界面上显示该指令对应的功能界面。
重建PET图像逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种重建PET图像的方法，应用于PET系统的PET图像重建过程，其特征在于，所述方法包括：
利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像；
其中，所述通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数，包括：
计算第一权重因子β，所述第一权重因子β为所述预设第二迭代重建算法中、影响更新图像均匀性的权重因子；
根据所述第一权重因子β，计算第二权重因子α，所述第二权重因子α为所述预设第二迭代重建算法中、影响更新图像对比度的权重因子；
根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
2.根据权利要求1所述的方法，其特征在于，所述计算第一权重因子β，包括：
确定用于计算所述第一权重因子β的输入图像；
对所述输入图像进行滤波，获得滤波图像；
对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
根据所述参考图像确定用于计算所述第一权重因子β的参考值；
根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。
3.根据权利要求2所述的方法，其特征在于，所述确定用于计算所述第一权重因子β的输入图像，包括：
将所述初始重建图像确定为所述输入图像；或者，
将中间迭代更新图像确定为所述输入图像，其中，所述中间迭代更新图像为在迭代更新过程中、利用所述迭代更新函数获得的更新图像。
4.根据权利要求2所述的方法，其特征在于，所述根据所述分割图像确定用于计算所述第一权重因子β的参考图像，包括：
通过所述滤波图像与所述分割图像相乘，获得第一参考图像，所述第一参考图像为保留感兴趣区域滤波图像值的图像；或者，
通过所述初始重建图像与所述分割图像相乘，获得第二参考图像，所述第二参考图像为保留感兴趣区域高对比度噪声图像值的图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述参考图像确定用于计算所述第一权重因子β的参考值，包括：
将所述第一参考图像的像素值确定为所述参考值；或者，
计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述参考值。
6.一种重建PET图像的装置，应用于PET系统，其特征在于，所述装置包括：
初始重建模块，用于利用预设第一迭代重建算法对所述PET系统采集的被扫描对象的正投影数据进行图像重建，获得初始重建图像；
模型建立模块，用于通过计算预设第二迭代重建算法的模型参数，确定迭代更新函数；
迭代更新模块，用于利用所述迭代更新函数对输入图像进行迭代更新，获得目标重建图像，其中，所述迭代更新函数进行初次迭代的输入图像为所述初始重建图像；
其中，所述模型建立模块包括：
第一计算子模块，用于计算第一权重因子β，所述第一权重因子β为所述预设第二迭代重建算法中、影响更新图像均匀性的权重因子；
第二计算子模块，用于根据所述第一权重因子β，计算第二权重因子α，所述第二权重因子α为所述预设第二迭代重建算法中、影响更新图像对比度的权重因子；
模型确定子模块，用于根据所述第一权重因子β、第二权重因子α，确定所述迭代更新函数。
7.根据权利要求6所述的装置，其特征在于，所述第一计算子模块包括：
输入图像确定单元，用于确定用于计算所述第一权重因子β的输入图像；
滤波单元，用于对所述输入图像进行滤波，获得滤波图像；
图像分割单元，用于对所述滤波图像的感兴趣区域进行图像分割，获得分割图像；
参考图像确定单元，用于根据所述分割图像确定用于计算所述第一权重因子β的参考图像；
参考值确定单元，用于根据所述参考图像确定用于计算所述第一权重因子β的参考值；
第一计算单元，用于根据所述参考值、所述输入图像，利用预置权重计算公式计算所述第一权重因子β。
8.根据权利要求7所述的装置，其特征在于，所述输入图像确定单元包括：
第一输入子单元，用于将所述初始重建图像确定为所述输入图像；
第二输入子单元，用于将中间迭代更新图像确定为所述输入图像，其中，所述中间迭代更新图像为在迭代更新过程中、利用所述迭代更新函数获得的更新图像。
9.根据权利要求7所述的装置，其特征在于，所述参考图像确定单元包括：
第一确定子单元，用于通过所述滤波图像与所述分割图像相乘，获得第一参考图像，所述第一参考图像为保留感兴趣区域滤波图像值的图像；
第二确定子单元，用于通过所述初始重建图像与所述分割图像相乘，获得第二参考图像，所述第二参考图像为保留感兴趣区域高对比度噪声图像值的图像。
10.根据权利要求9所述的装置，其特征在于，所述参考值确定单元包括：
第一取值子单元，用于将所述第一参考图像的像素值确定为所述参考值；
第二取值子单元，用于计算所述第一参考图像或所述第二参考图像的感兴趣区域的像素均值，将所述像素均值确定为所述参考值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510830344.XA CN105488824B (zh) | 2015-11-23 | 2015-11-23 | 一种重建pet图像的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510830344.XA CN105488824B (zh) | 2015-11-23 | 2015-11-23 | 一种重建pet图像的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105488824A CN105488824A (zh) | 2016-04-13 |
| CN105488824B true CN105488824B (zh) | 2018-09-18 |
Family
ID=55675789
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510830344.XA Active CN105488824B (zh) | 2015-11-23 | 2015-11-23 | 一种重建pet图像的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105488824B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107242881B (zh) * | 2017-08-15 | 2020-07-14 | 中日友好医院 | 一种pet晶体位置查找表更新方法 |
| CN109559360B (zh) * | 2018-09-29 | 2020-08-28 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007120300A2 (en) * | 2005-11-30 | 2007-10-25 | The Research Foundation Of State University Of New York | System and method for acceleration of image reconstruction |
| WO2010127241A2 (en) * | 2009-04-30 | 2010-11-04 | The Regents Of The University Of California | System and methods for fast implementation of equally-sloped tomography |
| CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
| CN103390285A (zh) * | 2013-07-09 | 2013-11-13 | 中国人民解放军信息工程大学 | 基于边缘引导的锥束ct不完全角度重建方法 |
| CN103606177A (zh) * | 2013-11-26 | 2014-02-26 | 南方医科大学 | 稀疏角度的ct图像迭代重建方法 |
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| CN104574459A (zh) * | 2014-12-29 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种pet图像的重建方法和装置 |
| CN104599301A (zh) * | 2014-12-29 | 2015-05-06 | 沈阳东软医疗系统有限公司 | 一种pet图像的重建方法和装置 |
| CN104821002A (zh) * | 2014-02-05 | 2015-08-05 | 西门子公司 | 计算机断层成像中图像数据的迭代重建 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110052023A1 (en) * | 2009-08-28 | 2011-03-03 | International Business Machines Corporation | Reconstruction of Images Using Sparse Representation |
-
2015
- 2015-11-23 CN CN201510830344.XA patent/CN105488824B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007120300A2 (en) * | 2005-11-30 | 2007-10-25 | The Research Foundation Of State University Of New York | System and method for acceleration of image reconstruction |
| WO2010127241A2 (en) * | 2009-04-30 | 2010-11-04 | The Regents Of The University Of California | System and methods for fast implementation of equally-sloped tomography |
| CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
| CN103390285A (zh) * | 2013-07-09 | 2013-11-13 | 中国人民解放军信息工程大学 | 基于边缘引导的锥束ct不完全角度重建方法 |
| CN103606177A (zh) * | 2013-11-26 | 2014-02-26 | 南方医科大学 | 稀疏角度的ct图像迭代重建方法 |
| CN104821002A (zh) * | 2014-02-05 | 2015-08-05 | 西门子公司 | 计算机断层成像中图像数据的迭代重建 |
| CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
| CN104574459A (zh) * | 2014-12-29 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种pet图像的重建方法和装置 |
| CN104599301A (zh) * | 2014-12-29 | 2015-05-06 | 沈阳东软医疗系统有限公司 | 一种pet图像的重建方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| A novel weighted least squares PET image reconstruction method using adaptive variable index sets;Hongqing Zhu 等;《Digital Signal Processing》;20050524;第16卷(第2期);第106-119页 * |
| 一种基于POCS约束的图像代数重建算法;胡小舟 等;《模式识别与人工智能》;20091031;第22卷(第5期);第763-768页 * |
| 基于变指数各向异性扩散和非局部的最大似然期望最大低剂量CT重建算法;张芳 等;《计算机应用》;20141210;第34卷(第12期);第3605-3608页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105488824A (zh) | 2016-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7381224B2 (ja) | 医用画像処理装置及びプログラム | |
| Mehranian et al. | Model-based deep learning PET image reconstruction using forward–backward splitting expectation–maximization | |
| Stiller | Basics of iterative reconstruction methods in computed tomography: a vendor-independent overview | |
| US8058601B2 (en) | Determining a multimodal pixon map for tomographic-image reconstruction | |
| Tohka et al. | Deconvolution-based partial volume correction in Raclopride-PET and Monte Carlo comparison to MR-based method | |
| CN111540025B (zh) | 预测用于图像处理的图像 | |
| CN112770838A (zh) | 使用自关注深度学习进行图像增强的系统和方法 | |
| CN113256753B (zh) | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 | |
| JP7237624B2 (ja) | 画像処理装置および画像処理方法 | |
| JP2015500048A (ja) | イメージ領域のノイズ除去 | |
| Gravier et al. | Fully 4D motion-compensated reconstruction of cardiac SPECT images | |
| CN112351739A (zh) | 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法 | |
| CN111161182B (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
| KR20200025598A (ko) | 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법 | |
| CN105488824B (zh) | 一种重建pet图像的方法和装置 | |
| CN112529977B (zh) | 一种pet图像重建的方法和系统 | |
| Izadi et al. | Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks | |
| Kaviani et al. | Image reconstruction using UNET-transformer network for fast and low-dose PET scans | |
| JP7312820B2 (ja) | 解剖学的データを用いた活動的な画像の再構成 | |
| CN111968192A (zh) | 一种ct图像的构建方法、ct设备以及存储介质 | |
| EP3948765A1 (en) | Image reconstruction | |
| CN110858407A (zh) | 光子计数光谱计算机断层扫描的优化能量仓参数集的提供 | |
| CN108010093B (zh) | 一种pet图像重建方法和装置 | |
| CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
| Erlandsson | Partial volume correction in PET imaging |
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 | ||
| CP03 | Change of name, title or address |
Address after: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee after: Shenyang Neusoft Medical Systems Co.,Ltd. Address before: Hunnan New Century Road 110179 Shenyang city of Liaoning Province, No. 16 Patentee before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd. |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230412 Address after: Room 308, No. 177-2 Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province, 110167 Patentee after: Shenyang Zhihe Medical Technology Co.,Ltd. Address before: 110167 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province Patentee before: Shenyang Neusoft Medical Systems Co.,Ltd. |
|
| TR01 | Transfer of patent right |