CN105678711B - 一种基于图像分割的衰减校正方法 - Google Patents
一种基于图像分割的衰减校正方法 Download PDFInfo
- Publication number
- CN105678711B CN105678711B CN201610064820.6A CN201610064820A CN105678711B CN 105678711 B CN105678711 B CN 105678711B CN 201610064820 A CN201610064820 A CN 201610064820A CN 105678711 B CN105678711 B CN 105678711B
- Authority
- CN
- China
- Prior art keywords
- image
- region
- gradient
- pixel
- segmentation
- 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 48
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000003709 image segmentation Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012633 nuclear imaging Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 210000003128 head Anatomy 0.000 claims description 16
- 210000004556 brain Anatomy 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 210000004761 scalp Anatomy 0.000 claims description 7
- 239000003550 marker Substances 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000002715 modification method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003925 brain function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2215/00—Indexing scheme for image rendering
- G06T2215/06—Curved planar reformation of 3D line structures
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像分割的衰减校正方法。本方法为：1)对核成像系统的原始发射数据进行重建；2)对得到的重建图像一次进行滤波和去噪处理、阈值分割、非线性尺度变换、差分处理，得到梯度图像；3)根据梯度图像的梯度分布，对梯度图像进行分割；4)对分割后的梯度图像进行区域合并，得到最终的分割图像；5)将每一分割图像分别赋予一对应的线性衰减系数，得到对应的衰减图像；6)将各衰减图像进行正投影，根据其投影数据对原始发射数据进行修正；7)对校正后的原始发射数据进行重建，得到衰减校正后的图像。与现有技术相比，本发明不需要人工干预，从而可以减少人为误差。另外，本方法实现速度快，可以提高系统的图像重建速度。
Description
技术领域
本发明属于核医学成像领域，涉及一种基于图像分割的衰减校正方法。
背景技术
功能核医学成像技术(正电子发射断层成像技术(Positron EmissionTomography，PET)、单光子发射断层成像技术(Single Photon Emission Tomography))作为一种先进的成像技术，代表了核医学的最高水平。近年来，功能核成像系统在脑神经研究领域的应用越来越受到临床和科研领域的重视，同时高分辨的三维成像系统及相应的图像重建和校正算法也取得了较大的进步。然而，目前的成像水平还不能满足脑功能研究对于图像质量和定量精度的要求，这就需要不断的探索和改进成像系统的设计和图像重建算法，提高成像质量。生物组织对于光子的衰减效应被公认为是降低成像质量和定量精度的一个重要的物理因素。为了得到高精度、无伪影的脑功能图像，准确的脑部衰减校正必不可少。
生物体不同密度和厚度的组织结构对光子的衰减效应不同，从而导致衰减校正异常复杂，限制了系统成像质量和精度的提高。目前功能核成像系统中，衰减校正的方法主要分两类：基于测量的衰减校正和基于计算的衰减校正。其中，基于测量的衰减校正是通过辅助的透射扫描装置来获得各个部位的衰减系数，其缺点主要有：设计复杂度高，扫描时间长，生产成本高，病人吸收辐射剂量大等。
基于计算的衰减校正，则是根据解剖模型，假设衰减介质由几种具有均一线性衰减系数的物质组成，通过数学计算对发射数据直接进行处理得到衰减图像。目前该方法在头部专用功能成像设备衰减校正中，主要是通过手动或者是半自动方法绘制头部轮廓，其缺点是需要人工介入，需要操作者手动画一个椭圆形的模板来得到头部的轮廓，从而增加了医生的工作负担，并且容易引入人为的误差。
发明内容
针对现有技术中存在的核成像图像校正问题，本发明的目的在于提供一种基于图像分割的衰减校正方法。本方法直接通过对未经过衰减校正的重建图像进行自动图像分割，从而将不同的组织分成不同的区域。
目前临床上大多采用基于辅助透射扫描装置的衰减校正算法，该方法增加了系统的设计复杂度和成本，同时使病人接受的辐射剂量增加。而目前基于计算的衰减校正方法，需要人工干预，容易引起较大的人为误差。以头部数据为例，本发明为基于计算的衰减校正方法，不需要辅助的透射扫描装置，通过三维图像分割算法，将原始头部发射图像自动分割成头皮、头颅以及大脑三个区域，并赋予各自的线性衰减系数，得到其衰减图像。与其它基于计算的衰减校正相比，本算法可以实现自动检测，无需人工干预，从而减少人为误差。另外，本算法实现速度较快，可以提高系统的图像重建速度。
本发明是一种基于计算的衰减校正方法，可以提高系统成像质量，以三维脑功能核成像装置的衰减校正为例，算法的执行步骤如图1所示。
1、对原始发射数据(原始发射数据就是核成像设备扫描得到的数据，此处为脑部的扫描数据)进行重建，得到初始图像模型；
2、对重建图像进行滤波和去噪处理；
3、对重建图像进行阈值分割处理，消除背景噪声；
4、对重建图像进行非线性尺度变换；
5、对图像进行差分处理，得到梯度图像；
6、根据梯度分布，对梯度图像进行分割，得到分割梯度图像；
7、对分割的梯度图像进行区域合并，得到最终的分割图像，即头皮、头颅以及大脑三(所谓分区，就是将不同的组织结构区分开来，比如骨骼、肌肉等，不同的组织对射线的吸收不同)个区域；
8、将实验获得的头皮、头颅和大脑三个区域的线性衰减系数(这三种组织的线性衰减系数已经被国内外相关学者通过大量的实验得以确定，在相关的资料中可以获取)分别赋予各个区域，得到衰减图像；
9、将衰减图像进行正投影，得到其投影数据；
10、利用衰减图像的正投影数据对未经衰减校正的发射数据(未经衰减校正的发射数据即为步骤1中的原始发射数据。发射数据：该称呼是相对于透射数据而言，因为在PET或SPECT中，如果存在透射扫描的话，得到的扫描数据称为透射数据；投影数据：该说法是数学算法上的一种称呼，对实际物体进行扫描，叫做投影，得到的数据即为投影数据。二者都是指的扫描数据。所谓投影就是指设备对于头部的扫描，所以投影数据即是扫描数据。扫描得到的头部图像与其衰减图像是一一对应的，而对衰减图像进行正投影，即是利用数学算法模拟设备对头部进行扫描，其得到的投影数据即为衰减图像的正投影数据，目前已有比较成熟的算法。所以衰减图像的投影数据与原始的数据是一一对应的)进行修正，得到衰减校正后的投影数据；
11、将衰减校正后的发射投影数据进行重建，得到衰减校正后的图像，完成衰减校正。
与现有技术相比，本发明的有益效果：
本发明利用图像分割算法来对头部进行衰减校正，不需要辅助的透射扫描装置，从而降低了系统的设计复杂度和生产成本，缩短被测对象的检测时间，同时使其所受辐射剂量降低。与其它的基于计算的衰减校正方法相比，本算法可以实现自动检测，不需要人工干预，从而可以减少人为误差。另外，本算法实现速度快，可以提高系统的图像重建速度。
附图说明
图1为衰减校正整体流程图。
图2为梯度图像获取流程图；
(a)为3×3×3的梯度算子，(b)为输入的三维PET图像，(c)为输出的梯度图像。
图3为改进的形态学分割算法流程图。
图4为区域合并算法流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。本发明所述方法包括：
1、对原始发射数据进行重建，得到初始图像模型(目前的数据重建算法较多，所谓数据重建，即是将得到的扫描数据通过特定的算法，重建得到被扫描图像)。初始图像模型将用于图像的分割处理，所以要尽量平滑。这就要求在具体的实施过程中，要注意参数的选择。举例来说，可以利用有序子集-最大似然期望算法(OSEM)，对原始发射数据进行重建，得到初始图像模型，此时需要在重建过程中采用滤波处理，而且子集数和迭代次数不宜过大。
2、对重建的初始图像模型进行滤波和去噪处理。重建的初始图像模型具有椒盐噪声和砂眼噪声，影响后续的图像处理效果。可以通过形态学的开闭运算以及高斯滤波等方法进行处理。
3、对重建图像进行阈值分割，提取感兴趣区(所谓感兴趣区，即为整个头部。该步骤的作用为将头部与背景相分离。因为背景由于散射等作用，会存在噪声计数，如果不将感兴趣区与背景分离，将会影响最终的分割结果，甚至无法得到正确的分割结果。只有先将感兴趣区域提取出来，才能进行下一步的分割，即将感兴趣区根据不同的组织结构分割成不同的区域)。根据背景噪声与生物组织之间像素值的差异，选择合适的的阈值分割算法(例如Otsu分割算法)，将二者分离。假设整幅重建图像的灰度范围为[Min,Max],背景阈值为h，该阈值将整个重建图像分成两个区间，即：C1:[Min,h],C2:[h,Max]，其中C1为背景区域，C2为感兴趣区域。利用统计学原理，求得阈值h的步骤为：
(1)计算C1,C2发生的累积概率密度F1和F2；
(2)计算C1与C2两个区间的像素平均值M1和M2；
(3)根据F1,F2,M1和M2计算C1与C2两个区间的组内方差和组间方差。
当C1和C2组内方差最小、组间方差最大时，两个组之间的差异最大，此时的灰度值(实际的算法实现中，会将所以可能的组内方差和组间方差都计算出来(256个)，然后遍历所有的灰度值(像素的值一般以灰度表示)，找到使组内方差最小、组间方差最大的那个灰度值，即为阈值)即为阈值h(阈值h为待求值，是通过统计学的方法最后确定的)，将小于阈值的像素值全部置零，即可将感兴趣区与背景分离开来。
4、对重建图像进行非线性尺度变换，以抑制细密纹理的影响。重建图像往往具有大量的细密纹理，造成梯度图像含有大量的极小区域，造成毫无意义的过分割。所以，在对图像进行差分处理之前，要对图像进行多尺度非线性变换(该技术是公知的技术，具体实现即为按公式1)。例如，将整个图像(整个图像分为两部分：即背景和感兴趣区；其中背景已经在步骤3中与感兴趣区提取出来，其像素值被全部置0。)按像素值大小分为四个区域[Min,N1,N2,N3,Max]，各个区域对应的尺度为{S1,S2,S3,S4},则对于某个特定的区域i中的某一像素值Vo，经过变换之后的值为VT，则有：
VT＝INT(VO/Si+1)*Si (公式1)
其中INT()为取整运算。经过多尺度非线性变换之后，原来具有比较细密的纹理区域则会变成比较平坦的区域。
5、对图像进行差分处理，得到一梯度图像。在对图像进行分割之前，先对步骤4中得到的图像进行差分运算，得到其梯度图像，再对梯度图像进行分割。梯度图像代表的是图像中不同区域之间的像素值差异，梯度值越大，则原图像灰度值差别越大。本发明利用三维梯度算子对图像进行卷积运算(求图像的梯度即是利用梯度算子对图像进行差分)，如图2所示：分别求得X,Y,Z三个方向的梯度值，然后再对三个方向的梯度取模，卷积先从第一行、第二行、第三行开始，然后对整个三维图像进行遍历。
6、利用形态学分割算法，对梯度图像进行处理，得到分割梯度图像。数学形态学能将复杂的形状进行分解，并将有意义的形状分量从无用的信息中提取出来，具有定位效果好、分割精度高、抗噪声性能好的特点。本算法实现流程如图3所示，具体的实现步骤为：
(1)扫描梯度图像，并将梯度图像归一化到[0,255]区间(该区间只是一个最合适的区间，但并不局限于此区间范围。)；
(2)计算各个梯度的像素数量(说明：概率密度即为每个梯度值的像素数，是一个大小为256的一维数组)；
(3)计算各梯度的累加像素计数；
(4)将梯度图像按梯度大小顺序存入一个排序数组，即梯度排序数组：具体操作方法为：
a)遍历梯度图像中所有的像素i，得到其梯度值及三维坐标；
b)根据步骤(3)得到i在所有像素按梯度大小排列的位置p；
c)将i放到梯度排序数组中，其中，该数组的下标即为p,其元素包括i的梯度值以及三维坐标。
该梯度排序数组的大小为整个图像像素总数，数组元素为一个结构体，包括该像素的三维空间坐标以及其梯度值。
(5)处理一个梯度层级h(当前层)(这里的梯度层级即为梯度排序数组中的每一个梯度层级，一个梯度值即为一个梯度层级，总共有256个梯度值，即256层)，将该层中所有邻域已经被标识为某个区域的点(步骤(5)到步骤(9)为一个循环处理过程，这里被标识是指在步骤(7)中该区域被标识)标识为分水岭；
(6)查找梯度层h中未被标识的点，此时的未标识点意味着一个新的小区域，同时将当前区域的标识值加1，并将该点加入到一个先入先出的队列(FIFO)中去；
(7)若FIFO非空，则弹出队列的首元素(假设为A点)作为当前处理元素，并检测该元素的邻域(假设为B点)是否属于当前梯度层h，且未被标记，(这里检测的是弹出的元素的相邻元素B点，即邻域，看A点周围的像素B是否跟它一样属于h层,并且是未被处理过，如果是，就将B点标记成与A点一样的区域，即二者属于相同的区域)如果是，则将B点的区域标识值置为A点的区域值，并将B点加入FIFO中。
(8)返回步骤(7)，循环直到FIFO为空为止(说明：如果A点所有满足标记条件的邻域全部被标记之后，FIFO就为空了)；
(9)返回步骤(6)，查找当前梯度层h中其它未被标识的点，直到当前梯度层中所有的点都被标识；
(10)返回步骤(5)处理下一梯度层级h+1，直到所有梯度层级全部被处理完毕为止(经过上述循环处理以后，所有的像素都被不同的区域编号所标识，而区域与区域相连的像素被标记为分水岭)。
(11)遍历所有被标记为分水岭的像素，并将这些像素标记为与其像素灰度值差别最小的区域的编号。
7、对过分割的图像进行区域合并，得到最终的分割图像，即头皮、头颅以及大脑三个区域。步骤6得到的图像存在过分割现象，对于三维的功能图像，其分割区域数目可以达到十几万。所以，必须要对这些区域按照一定的准则进行合并，即区域融合。区域融合算法的流程如图4所示，其具体实现步骤为：
(1)计算每个区域的像素数目；
(2)按照区域标记编号，从小到大，计算每个区域的累加像素数据(步骤6得到很多小区域，假设区域总数为1000，每一个区域包含若干像素，将区域按编号从小到大排列，则某一区域的累加频率为所有小于该区域号的区域包含的像素之和。)；
(3)按照区域标记编号，从小到大，将所有的图像像素按区域编号大小加入到一个区域标记数组中，该标记数组的元素为一个结构体，包括每个像素的坐标及其所属的区域等；(每一个像素的信息就是一个结构体，包括这个像素的坐标以及其所属区域。该区域标记数组的大小跟整幅图像的像素数目一样。在这里，只是将所有的像素按照其所属区域编号进行了重新的排列)；
(4)初始化区域的基本信息，包括每个区域包含的像素数目、该区域像素的平均值以及是否被合并(这里是建立一个一维数组，数组大小为分割的区域总数，其数组索引即区域编号，数组的内容为一个结构体，包括该区域包含的像素数目、该区域像素的平均值以及一个bool型的标志flag(用于表示该区域是否被合并)。初始化时，所有的区域的flag被设置为“false(未被合并)”，然后通过步骤(7)，如果满足合并条件，该区域被合并，则将该标志位设置为“true(已被合并)”)等信息；
(5)建立区域查找表nearRegionArray，用于记录某一区域A与其它区域是否互为相邻区域，该表为一个一维的BOOL型数组，大小等于分割的区域总数，其索引代表区域编号，并初始化为”false”，表示与区域A不相邻。
(6)建立区域合并信息表regionMergeInArray，用于记录某一区域A被某一区域B合并的信息，该表为一个一维的int型数组，大小等于分割的区域总数，其索引代表区域编号A，其元素值代表A被合并的区域B。该数组元素初始值全部为”-1”,即都没有被合并。
(7)从编号最小的区域开始，进行区域合并：
a)处理当前区域R,如果R没有被合并，则初始化区域查找表nearRegionArray(即每次遇到一个没被合并的区域就要对查找表进行一次初始化)，数组中所有元素设置为false；(说明：设置false说明两个区域不相邻)
b)遍历当前区域R中每一像素(设为a)的邻域(b)所属的区域R’(即循环是查找R所有的相邻区域)，如果b所属区域与当前区域编号不同(即R不等于R’)，则将区域查表中nearRegionArray对应的区域编号为R’的值设置为true(说明：在步骤c)中遍历所有的相邻区域时，只对查找表中值为true的区域进行对比)；
c)对当前区域R的相邻区域(即区域查找表nearRegionArray中设置为true的区域)进行合并：先遍历R的所有相邻区域，找出与R区域的像素平均值差别最小的区域R’min，如果该值(该值指的是两个区域像素平均值)满足合并条件(说明：该合并条件是一设定值，根据实际情况设置)，则对该邻域进行合并,并将区域合并信息表regionMergeInArray中为R’min的值置为R,表示R’min已经被R区域合并。循环遍历(这里的循环遍历是对所有的R的邻域进行遍历，这个过程中，每一次循环就会找到一个差别最小的区域，如果满足合并条件，就合并，然后再循环，再找到剩下的那些相邻区域中差别最小的区域)，一直到所有满足合并条件的区域都被合并为止；
d)返回步骤a)，处理下一个区域R+1，直到所有的区域都处理完毕。
(8)更新图像，即找到每个像素的最终合并区域，并将该区域的像素平均值赋予该像素(说明：见步骤(6)，区域合并信息表regionMergeInArray记录了各个区域被合并的情况)。
8、将通过实验获得的头皮、头颅和大脑三个区域的线
性衰减系数分别赋予三个区域。头皮、头颅和大脑三种组织的线性衰减系数已经通过大量的实验得以确定，可以直接将其赋予三个区域。
9、对衰减图像进行正投影，得到衰减图像的投影数据。
10、利用步骤9得到的衰减图像正投影数据对原始的发射数据进行修正，得到衰减校正后的发射数据。其中，修正方法为将投影数据与原始发射数据中对应的数据元素进行相乘。
11、对步骤10得到的发射数据进行重建，得到衰减校正后的图像，完成衰减校正。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像分割的衰减校正方法，其步骤为：
1)对核成像系统的原始发射数据进行重建；
2)对步骤1)得到的重建图像进行滤波和去噪处理；
3)对步骤2)处理后的重建图像进行阈值分割处理，得到重建图像的背景区和感兴趣区；
4)对步骤3)处理后的重建图像进行非线性尺度变换；
5)对步骤4)处理后的图像进行差分处理，得到梯度图像；
6)根据梯度图像的梯度分布，对梯度图像进行分割；
7)对分割后的梯度图像进行区域合并，得到最终的分割图像；
8)将每一分割图像分别赋予一对应的线性衰减系数，得到对应的衰减图像；
9)将衰减图像进行正投影，得到其投影数据；
10)利用步骤9)得到的投影数据对步骤1)的原始发射数据进行修正，得到衰减校正后的原始发射数据；
11)对步骤10)得到的校正后的原始发射数据进行重建，得到衰减校正后的图像；
其中，对分割的梯度图像进行区域合并，得到最终的分割图像的方法为：
(1)计算分割的每个区域的像素数目；
(2)计算每个区域的累加像素数目；
(3)将所有的图像像素按区域编号加入到一区域标记数组中；
(4)初始化区域的基本信息，包括每个区域包含的像素数目、区域像素的平均值以及是否被合并；
(5)建立一区域查找表，用于记录每一区域A与其它区域是否互为相邻区域；
(6)建立区域合并信息表，用于记录一区域A被其相邻区域B合并的信息；
(7)对每一区域进行合并处理：
a)处理当前区域R，如果区域R没有被合并，则初始化该区域查找表，将该区域查找表中的元素初始化为false，两个区域不相邻；
b)遍历当前区域R中每一像素a的邻域b所属的区域R’，如果邻域b所属区域与当前区域编号不同，则将区域查找表中对应的区域编号为R’的值设置为true，即两区域相邻；
c)对当前区域R的相邻区域进行合并：先遍历区域R的所有相邻区域，找出与区域R的像素平均值差别最小的区域，如果该像素平均值满足设定的合并条件，则对区域R、区域R’进行合并，同时更新区域合并信息表；循环遍历，一直到所有满足合并条件的区域都被合并为止；
(8)根据区域合并信息表，确定每个像素的最终合并区域，并将各待合并区域的像素平均值赋予该像素。
2.如权利要求1所述的方法，其特征在于，对步骤2)处理后的重建图像进行阈值分割处理的方法为：首先初始化一阈值h，利用该阈值h将重建图像分成两个区间C1:[Min,h]、C2:[h,Max]；其中C1为背景区域，C2为感兴趣区域，重建图像的灰度范围为[Min,Max]；然后计算当前两区间C1、C2发生的累积概率密度F1和F2、两区间C1、C2的像素平均值M1和M2；然后根据F1,F2,M1和M2计算两区间C1、C2的组内方差和组间方差；当满足C1和C2组内方差最小、组间方差最大时的灰度值确定为最终的阈值h；最后将小于最终确定的阈值h的像素值全部置零作为背景区，剩余部分为感兴趣区。
3.如权利要求1或2所述的方法，其特征在于，对梯度图像进行分割的方法为：
(1)扫描梯度图像，并将梯度图像归一化到[0,N]区间；N为梯度层级最大级；
(2)计算该梯度图像各梯度的像素数量；
(3)计算该梯度图像各梯度的累加像素计数；
(4)根据梯度的累加像素计数确定梯度图像中每一像素按梯度大小的排序位置，然后将梯度图像的像素按梯度大小顺序存入一个排序数组，得到一梯度排序数组；
(5)根据梯度的累加像素计数确定梯度图像中每一梯度层级的层级h，对于当前层级h中的每一点，如果该点的相邻像素被标识，则将其标识为分水岭；重新遍历当前层级h中的每一点，如果该点未被标识，则将当前的区域值加1并设置为该点的区域标识值，并将该点加入到一先入先出的队列中；其中，若该队列非空，则弹出队列的首元素A点作为当前处理元素，并检测该元素的邻域B点是否属于当前梯度层h且未被标记，如果是，则将B点的区域标识值置为A点的区域值，并将B点加入该队列中；
(6)根据标识的分水岭点对梯度图像进行分割。
4.如权利要求3所述的方法，其特征在于，该梯度排序数组的大小为梯度图像像素总数，数组元素为一个结构体，包括像素的三维空间坐标以及其梯度值。
5.如权利要求1所述方法，其特征在于，该标记数组元素为一个结构体，包括每个像素的坐标以及所属的区域。
6.如权利要求1所述方法，其特征在于，创建一一维数组保存初始化区域的基本信息，该一维数组的大小为分割的区域总数，数组索引为区域编号，数组的内容为一个结构体，包括对应区域包含的像素数目、区域像素的平均值以及一用于表示区域是否被合并的标志flag；初始化时，所有的区域的flag被设置为false，即未被合并。
7.如权利要求1所述方法，其特征在于，所述原始发射数据为脑部核成像扫描数据，最终的分割图像包括头皮、头颅以及大脑三个区域。
8.如权利要求1所述的方法，其特征在于，所述修正方法为将步骤9)得到的投影数据与步骤1)的原始发射数据中对应的数据元素相乘。
9.如权利要求1或2所述的方法，其特征在于，利用有序子集-最大似然期望算法对原始发射数据进行重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610064820.6A CN105678711B (zh) | 2016-01-29 | 2016-01-29 | 一种基于图像分割的衰减校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610064820.6A CN105678711B (zh) | 2016-01-29 | 2016-01-29 | 一种基于图像分割的衰减校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105678711A CN105678711A (zh) | 2016-06-15 |
| CN105678711B true CN105678711B (zh) | 2018-08-21 |
Family
ID=56304297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610064820.6A Active CN105678711B (zh) | 2016-01-29 | 2016-01-29 | 一种基于图像分割的衰减校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105678711B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596993B (zh) * | 2018-02-26 | 2022-07-12 | 上海奕瑞光电子科技股份有限公司 | 校正图像不饱和伪影的系统及校正方法 |
| CN110415310B (zh) * | 2019-07-09 | 2022-12-20 | 上海联影医疗科技股份有限公司 | 医学扫描成像方法、装置、存储介质及计算机设备 |
| CN110503086B (zh) * | 2019-08-14 | 2021-10-22 | 中国科学院近代物理研究所 | 一种基于奇偶位置的目标质心定位系统及方法 |
| CN110689057B (zh) * | 2019-09-11 | 2022-07-15 | 哈尔滨工程大学 | 基于图像分割的降低神经网络训练样本量的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6173029B1 (en) * | 1998-08-25 | 2001-01-09 | General Electric Company | Higher order detector z-slope correction for a multislice computed tomography system |
| WO2012160511A1 (en) * | 2011-05-24 | 2012-11-29 | Koninklijke Philips Electronics N.V. | Apparatus and method for generating an attenuation correction map |
| CN102376085B (zh) * | 2011-09-14 | 2013-07-17 | 中国科学院高能物理研究所 | 用于乳房成像的核医学影像设备的图像衰减校正方法 |
| CN103186882B (zh) * | 2011-12-30 | 2015-09-30 | 沈阳东软派斯通医疗系统有限公司 | Pet系统中图像的衰减校正方法及装置 |
-
2016
- 2016-01-29 CN CN201610064820.6A patent/CN105678711B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105678711A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11710242B2 (en) | Methods and systems for image segmentation | |
| CN106600609B (zh) | 一种医学图像中脊柱的分割方法及系统 | |
| US8355553B2 (en) | Systems, apparatus and processes for automated medical image segmentation using a statistical model | |
| US7315639B2 (en) | Method of lung lobe segmentation and computer system | |
| US8218848B2 (en) | System and method for the generation of attenuation correction maps from MR images | |
| US8290568B2 (en) | 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 | |
| CN107563998A (zh) | 医学图像中心脏图像处理方法 | |
| CN105719324A (zh) | 图像处理装置以及图像处理方法 | |
| CN105678711B (zh) | 一种基于图像分割的衰减校正方法 | |
| CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
| CN103562960B (zh) | 用于生成图像的图像区域与元素类之间的分配的装置 | |
| US9773325B2 (en) | Medical imaging data processing apparatus and method | |
| Jaffar et al. | Fuzzy entropy based optimization of clusters for the segmentation of lungs in CT scanned images | |
| CN106846430A (zh) | 一种图像重建方法 | |
| CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
| CN112950595B (zh) | 一种基于spect成像的人体部位切分方法及系统 | |
| CN108553121A (zh) | 一种pet延迟扫描的方法和装置 | |
| CN111325754A (zh) | 一种基于ct序列图像的腰椎骨自动定位方法 | |
| Mohammed et al. | Digital medical image segmentation using fuzzy C-means clustering | |
| CN110619621A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
| Mamatha | Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique | |
| WO2023020609A1 (en) | Systems and methods for medical imaging | |
| Kim et al. | Automatic 3D temporal kinetics segmentation of dynamic emission tomography image using adaptive region growing cluster analysis | |
| Grenier et al. | Automated seeds location for whole body NaF PET segmentation | |
| CN115861600B (zh) | 一种spect图像的roi区域识别方法及系统 |
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 |