CN105849775A - Pet/mr系统中的密度引导的衰减图生成 - Google Patents

Pet/mr系统中的密度引导的衰减图生成 Download PDF

Info

Publication number
CN105849775A
CN105849775A CN201480069732.4A CN201480069732A CN105849775A CN 105849775 A CN105849775 A CN 105849775A CN 201480069732 A CN201480069732 A CN 201480069732A CN 105849775 A CN105849775 A CN 105849775A
Authority
CN
China
Prior art keywords
lung
pixel
roi
data
module
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
Application number
CN201480069732.4A
Other languages
English (en)
Other versions
CN105849775B (zh
Inventor
Y·贝尔克
S·德维韦迪
V·舒尔茨
L·邵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN105849775A publication Critical patent/CN105849775A/zh
Application granted granted Critical
Publication of CN105849775B publication Critical patent/CN105849775B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/565—Correction of image distortions, e.g. due to magnetic field inhomogeneities
    • G01R33/56509—Correction of image distortions, e.g. due to magnetic field inhomogeneities due to motion, displacement or flow, e.g. gradient moment nulling
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/50—NMR imaging systems based on the determination of relaxation times, e.g. T1 measurement by IR sequences; T2 measurement by multiple-echo sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/1603—Measuring radiation intensity with a combination of at least two different types of detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/164—Scintigraphy
    • G01T1/1641—Static instruments for imaging the distribution of radioactivity in one or two dimensions using one or several scintillating elements; Radio-isotope cameras
    • G01T1/1647—Processing of scintigraphic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4816—NMR imaging of samples with ultrashort relaxation times such as solid samples, e.g. MRI using ultrashort TE [UTE], single point imaging, constant time imaging
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Molecular Biology (AREA)
  • Pulmonology (AREA)
  • Signal Processing (AREA)
  • Optics & Photonics (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种肺分割处理器(40)被配置为基于噪声特性对磁共振(MR)图像进行分类。所述MR分割处理器生成肺感兴趣区域(ROI)并且从ROI生成肺的详细结构分割。所述MR分割处理器执行准确地捕获整个肺和肺之内的软组织的迭代归一化和区域定义方法。分割的准确度依赖于来自MR图像的固有伪影分类。所述MR分割处理器(40)将分割的肺内部组织像素与肺密度相关，以基于相关性确定衰减系数。利用从使回波和采集时间最小化的成像序列获得的MR数据来计算肺的密度。该密度区分健康组织和病灶，衰减图处理器(36)使用其创建针对肺的局域化衰减图。

Description

PET/MR系统中的密度引导的衰减图生成
技术领域
本申请总体涉及医学成像。本申请特别结合磁共振(MR)系统应用，并将特别参考其加以描述。然而，应当理解，本申请还适用于其他使用情形，并且未必限于上述应用。
背景技术
通过使用适当的衰减图考虑在被成像受检体体内的吸收，增强了通过发射断层摄影进行的成像，所述发射断层摄影诸如是正电子发射断层摄影(PET)或单光子发射计算机断层摄影(SPECT)。结合透射计算机断层摄影(CT)执行的发射断层摄影有利地受益于CT模态提供的辐射衰减数据的可用性。重建的CT图像实质上是针对在生成CT图像数据时使用的X射线辐射的被成像受检体的衰减图。尽管在CT中使用的X射线辐射一般与在PET中测量的511keV的辐射或在SPECT或其他发射断层摄影技术中测量的发射不相同，但众所周知的是，通过适当缩放CT灰度级以对辐射类型中的差异做出解释，能够从重建的透射CT图像生成针对发射断层摄影的衰减图。
在PET中，湮没光子被患者的身体衰减和散射。为了进行衰减和散射校正，在PET中通常需要衰减图。在PET/CT成像中，这能够从CT数据获得，然而，在PET/MR成像中，尤其是在同时PET/MRI中，CT图像是不可用的。替代地，可以从分割的MR图像获得衰减图，其中，将MR图像分成段，并且每段被分配以组织类别和预定义的衰减系数。MR中的对比度机制与PET或SEPCT(或CT，就此而论)的对比度机制在根本上不同。因此，不能说“暗”的MR像素必然对应于高或低衰减。例如，对于一些MR成像模式而言，骨组织和空气具有相似的灰度级强度，但骨骼对发射辐射造成的衰减要比空气的衰减高得多。针对准确的衰减校正需要每个组织类别的正确衰减系数。
然而，肺组织具有变化的衰减性质，其在不同患者之间有所变化。因此，为了实现最优衰减校正，应当针对每位患者估计肺组织衰减系数。例如，这能够使用MR图像分割以及动作和衰减的最大似然重建的组合来实现，但这仍然具有挑战。已经表明，在具有0.75ms的短回波时间(TE)的Turbo-FLASH序列中，在(从CT数据确定的)衰减系数与MRI信号强度之间存在显著的相关性。还假设超短回波时间(UTE)成像可以揭示肺组织中额外的对比度或改善的量化：在UTE成像中，在激励之后尽快(在亚100μs范围中)采集MR信号，以使极短信号衰减时间(在骨骼和肺中大约为毫秒或亚毫秒)的效应最小化。对于肺组织的定性成像而言，已经使用了零回波时间(ZTE)MR成像，两者都具有强脉冲激励和扫频脉冲。
已经想到过使用各种技术来生成衰减图。在一种设想的方法中，采用典型受检体的衰减“图集”，例如采用典型人类受检体的衰减“图集”。所述衰减图集识别典型受检体的各个部分或区域的衰减。然而，实际的受检体，诸如实际的人类受检体，会有很大变化，并且针对特定受检体调整衰减图集并不是简单明了的。
此外，从MR扫描计算准确的肺密度是具有挑战的。MR扫描示出了针对空气和骨骼的相同信号强度，并且有时不包括来自肺的足够大信号以生成针对肺的准确的衰减图。一种技术要求使用并非总可用的特定PET和MRI数据(覆盖并居中于肺上的视场；患者没有运动以防止运动伪影；相互配准的MRI数据)。另一种方法要求小视场以允许进行屏息成像，从而防止呼吸运动伪影，由于采集时间更长，这妨碍了将这项技术应用于人。另一种方法是使用全身超短回波时间成像(UTE)以使应用中的回波时间最小化，并使用能够激励患者身体大区域的非选择性激励脉冲与3D空间编码和径向读出的组合。然而，使用全身成像可能能够造成回折(即，卷绕)伪影。备选地，2D UTE成像，由于对脉冲持续时间和梯度强度有约束，削弱了2D UTE成像的性能，因而切片选择性激励脉冲的选择性并非最优的。
MR图像中的肺分割对于准确的衰减校正图生成是重要的。为了生成衰减校正图在全身MR图像中的详细肺分割是具有挑战的。肺中存在病灶必必须被认为是非空气器官，并且要进行分割是具有挑战的。已经研究了从MR图像的肺分割，但分割出具有内部软组织和病灶的清晰区别的肺提出了许多挑战。由于MR扫描固有引入的伪影，出现了这些挑战。一种潜在的应用是准确地分割肺之内的软组织，并且之后向所分割的内部肺组织分配适当的衰减系数，将它们分类为健康的或不健康的。挑战起因于MR扫描的固有缺陷和低分辨率。如果在肺内部存在病灶，为生成衰减校正图而将肺作为整体进行分割可能是不正确的。
发明内容
本申请提供了一种创造性并且自适应的方法，以针对MR扫描相应地调节算法并基于特定参数调整详细的分割。
根据一个实施例，一种肺模块化系统，包括：扫描患者以生成MR图像数据的MRI模块。所述肺模块化系统还包括体积归一化模块，其用于对MR图像数据进行归一化，该归一化扩展接近零强度的像素的强度值。所述肺模块化系统还包括阈值化模块，其用于为MR数据生成并应用阈值，以在三维二元体积中区分并分离肺像素和非肺像素。所述系统包括：肺感兴趣区域(ROI)模块，其用于从阈值化的MR数据生成肺ROI；修剪模块，其用于根据肺ROI来修剪MR数据的初始体积。所述系统还包括分割模块，其用于分割所述MR数据以区分包括肺像素、病灶像素或空气像素中的至少两种的肺。所述系统包括：密度模块，其用于针对像素来评估肺组织密度，以分离病灶像素和肺像素；以及衰减模块，其用于基于所分离的像素来生成具有准确衰减系数的衰减图。分类模块用于对MR数据中的伪影进行分类。转换模块用于将二元体积从三维转换成二维切片。所述系统还包括：肺方框模块，其用于计算具有方框极限(box limit)的肺方框；切片模块，其用于为具有最大像素强度的成像切片定位方框极限；平衡模块，其用于平衡两个二维切片之间差异；调谐模块，其用于相对于肺来调谐腹部或气管；掩模模块，其用于创建肺掩模；以及融合模块，其用于融合二维肺掩模与三维二元体积。
根据另一实施例，一种肺分割系统，包括：具有被配置或编程为接收大量磁共振(MR)图像数据的处理器的MR分割处理器。所述处理器还被配置或编程为向MR数据应用体积归一化函数，以扩展接近零强度的像素的强度值。所述处理器被配置或编程为：针对MR数据生成并应用阈值，以在三维二元体积中区分并分离肺像素和非肺像素，并从阈值化的MR数据生成肺感兴趣区域(ROI)；根据肺ROI修剪MR数据的初始体积。最后，所述处理器被配置或编程为分割所述MR数据以区分包括肺像素、病灶像素或空气像素中的至少两种的肺。
根据本申请的一种优选方法，一种用于从MR图像计算肺密度的方法包括：使用具有不同回波时间的两个或更多个回波来扫描肺感兴趣区域，以采集MR数据并处理所述MR数据。所述方法还包括从MR数据计算肺密度；并且从所述肺密度生成衰减图。
根据本申请的一种优选方法，一种使用MR图像生成衰减图的系统，包括：具有被配置为执行如下操作的处理器的分割处理器：使用基于ROI的局域化的分割来分割MR图像，所述局域化的分割适应于患者特性、图像噪声、伪影特性和ROI的解剖特征。所述处理器还被配置为使用强度值的基于密度的映射来使至少一个器官病灶局部化。所述处理器还被配置为基于密度映射来生成局域化的衰减图并生成ROI。所述处理器被配置为使用跨局域化区域的对象跟踪在所述ROI之内去除伪影，其中，根据特定的MR图像特性和患者特性来调整所述对象跟踪；测试ROI的正确性；并且迭代地重复ROI生成以优化所生成的ROI。
一个优点在于为PET重建生成了基于局域化MR的衰减图。
另一优点在于针对病灶和正常肺组织来分割肺的内部区域。
附图说明
在阅读并理解以下详细描述之后，本发明的其他优点将被本领域的普通技术人员认识到。
图1图解描绘了一种混合式MR/PET成像系统，其包括MR分割处理器，该MR分割处理器利用肺密度实现准确衰减图的生成。
图2描绘了对肺进行分割的模块化分割方法。
图3描绘了归一化的像素强度与像素计数关系的直方图。
图4描绘了切片与切片之内肺像素计数关系的曲线图。
图5描绘了用于准确衰减图的生成的肺分割方法。
具体实施方式
本申请基于与被分割的组织的肺密度比较提供了针对肺内的内部组织的准确衰减系数。本申请提供了一种技术以基于噪声特性对每个磁共振(MR)扫描进行分类。噪声表征有助于确定详细并且准确的肺分割的可行性。本申请能够从ROI生成肺感兴趣区域(ROI)以及肺的详细结构分割。本申请提供了一种准确地捕获整个肺和肺内的软组织的迭代归一化和区域定义方法。所述分割的准确度还来自于MR图像中的伪影分类。本申请提出将分割的肺内部组织像素与肺密度相关，以基于所述相关来确定衰减系数。像素是2D或3D图像元素。这种基于密度的方法对健康组织和病灶进行区分。
参考图1，混合式扫描器包括：磁共振(MR)扫描器10，其在图示的实施例中是水平膛磁共振扫描器；以及核成像探测器的集成环，在一个实施例中，是正电子发射断层摄影(PET)探测器12的集成环。MR扫描器10和PET探测器12的集成环两者都被配置为从设置在MR扫描器10的内膛中的感兴趣区域14采集成像数据。(在图解性的图1中，具有集成PET探测器12的水平膛MR扫描器10被示为具有MR膛的一半并且PET探测器12的环的对应一半被切除，以揭示膛的内部和PET探测器12集成环的剩余一半。)MR扫描器10包括各种部件，诸如用于生成静态(B0)磁场的主磁体、用于叠加磁场梯度的磁场梯度线圈、以及用于激励和探测磁共振的一个或多个射频线圈，为简单起见，在图1中未示出这样的部件。PTE探测器的环12包括用于执行选定的“板上”操作的电子器件的支柱16，所述操作诸如是：任选地执行对由辐射探测事件造成的电信号的模数转换，任选地执行对辐射探测事件的打数字时间戳等。备选地，可以由远程电子器件(未示出)执行这些操作中的一些。
继续参考图1并进一步参考图2，MR扫描器10使用所选择的空间编码来采集磁共振(MR)数据202，诸如k空间样本，并在MR成像数据缓存器20中存储所采集的MR数据。MR重建处理器22使用与所选择的空间编码相称的重建技术来处理MR数据。例如，如果所述空间编码是分别在激励期间采用切片选择梯度并且在磁共振信号衰减和读出期间采用相位和读出编码梯度的常规笛卡尔编码，那么MR重建处理器22合适采用基于傅里叶变换的重建技术。也想到过其他MR重建技术。MR重建处理器22的输出是MR图像，所述MR图像被存储在MR图像存储器24中，并且被任选地显示于计算机26的监视器或其他显示装置上或者以其他方式被利用。
PET探测器12和相关联的板上电子器件16和/或远程电子器件(未示出)探测辐射探测事件并执行能量和时间窗口化，以识别指示电子-正电子湮灭事件的基本同时的511keV探测事件。每对基本同时的511keV探测事件都定义连接两个511keV探测事件的投影或响应线(LOR)。这组数据被称为PET数据，或者更一般地，被称为发射数据，其被存储在PET成像数据缓存器30中。
在一些实施例中，PET探测器12具有充分高的时间分辨率，以分辨源自同一电子-正电子湮灭事件的两个511keV伽马粒子的基本同时的探测之间的飞行时间差(或没有时间差)，并且板上和/或远程电子器件还被配置为沿响应线定位电子-正电子湮灭事件，从而生成飞行时间PET数据。
所图示的混合式扫描器10、12、16为范例。更一般地，本文所公开的用于执行发射数据重建的技术适于结合任何PET扫描器进行实践，或者更一般地，适于结合生成发射数据的任何扫描器进行实践，所述扫描器诸如是图示的PET探测器12、单机PET探测器、生成单光子发射计算机断层摄影(SPECT)数据的伽马照相机等。本文所公开的用于执行发射数据重建的技术还适于结合从其采集发射数据的同一受检体的任何MR图像进行实践，这样的MR图像是由图示的混合式扫描器10、12、16或者由单机MR扫描器适当地采集的。
继续参考图1，在一个实施例中，PET重建处理器32采用迭代重建技术来重建由PET系统12、16(或更一般地，由辐射发射成像系统，诸如PET、SPECT等)所采集的发射数据，以形成重建的发射图像，所述重建的发射图像被存储在PET图像存储器34中，并任选地显示在计算机26或另一显示装置上或者以其他方式被利用。为了执行发射图像重建，PET重建处理器32采用考虑了在受检体体内对所发射的辐射的重新吸收导致的发射损耗的衰减图。所述衰减图由衰减图处理器36生成并存储在衰减图存储器38中且通过衰减图存储器38被访问。
所述MR图像被MR图像分割处理器40进行分割以识别受检体的一个或多个几何区域，并且这一几何信息被适当存储在MR分割图像存储器42中。MR分割处理器40访问患者的大量MR图像。MR分割处理器40执行对MR图像的体积归一化204以在MR图像中的肺区域与非肺区域之间进行区分。所述体积归一化是一种归一化函数，使得MR图像数据中的像素强度中，肺像素的强度为零或接近零，并且非肺像素具有高强度。所述体积归一化捕获与肺相关的尽可能多的像素。所述体积归一化调整使大部分像素(例如肺像素)保持接近0的函数，并且为更高强度像素给出统一的值。所述体积归一化函数还能够压缩较高强度像素的强度值。例如，“arccot”或“arctan”归一化函数有助于在阈值化步骤中有效地定位背景和肺。在一个实施例中，从归一化函数获得的每个像素的强度值被乘以常数因子并被用作归一化像素值。能够基于特有的患者特性来调整体积归一化函数。
MR分割处理器40执行对肺像素的噪声表征技术206。所述噪声表征技术具有增大的灵敏度以捕获肺之内的肺区域和软组织。所述噪声表征技术在MR分割处理器40执行体积归一化之前和之后分析MR体积中的非零像素的数量的比率。在存在更多噪声时，所述比率增大，并且有助于决定在肺分割期间调整的细节的水平。
MR分割处理器40执行MR伪影分类207以对例如运动或混叠的伪影或任何其他伪影进行分类。伪影具有各不相同的特性，并且能够使用伪影调整方法在进入的MR数据中进行分类，并且在分割肺内的内部器官时要小心应对。
MR分割处理器40针对归一化的像素强度生成阈值208。像素强度的直方图被用于生成用于在肺像素与非肺像素之间进行确定的上限强度阈值和下限强度阈值。参考图3，生成的直方图300绘示了归一化的像素强度(x轴)与像素的数量(y轴)的关系。阈值302示出了在被计数为肺像素的像素(阈值302的左侧)与被统计为背景(阈值302的右侧)的像素(阈值302右侧)之间的边界。在一个实施例中，在归一化之后，所有背景像素强度被归一化为255。非空气和非背景像素获得统一的值，并且所述直方图帮助确定有效率的阈值。在所述直方图中下降之后的第一次升高304表示背景和空气像素与MR扫描中强度的其余部分的分离。在所述直方图中未使用背景像素计数(0)，因为其计数很高，即，来自非零背景。在所述直方图中的阈值302是从曲线图中的谷位置自动生成的阈值。
MR分割处理器40对MR体积图像应用阈值，以将肺像素与背景像素分离，以在3D中形成二元体积210。在一个实施例中，通过在2D中进行归一化和阈值化来生成二元体积。在另一实施例中，将组合算法用于2D和3D数据或局域化ROI。
在三维中执行其他操作能够导致泄露到背景或3D空气或部分肺中。因此，MR分割处理器40将3D二元体积转换到2D，以进行进一步操作。这是通过首先进行2D连接分量分析以找到MR数据之内的分量来执行的。在一个实施例中，使用区域生长算法执行2D连接分量分析。在另一实施例中，肺被分成与肺像素交叠的具有解剖区域、外部空气或病灶的若干子ROI；所述子ROI然后被融合以用于其他步骤。
在所述连接分量分析之后，所述处理器基于使用患者和解剖特性生成的所确定的规则来重新标记所述分量。所述规则包括切片中的对象的预期最小尺寸，即，像素的数量。基于MR伪影分类的分量分类，以及图像的噪声标准数量有助于确定分量的预期尺寸。跟踪算法被用于基于规则来选择肺的起点和终点。所述处理器还清理非肺区域的切片。
MR分割处理器40通过首先通过标记索引去除背景像素来生成肺ROI。在所有切片中，背景强度最高，并且像素强度值最低。逐个切片的去除并不能始终在2D中完全去除背景。在一个实施例中，分割恢复了利用3D分割去除的肺的部分。如果在一些切片中去除背景像素时去除了肺像素，则对象跟踪恢复肺的部分。在一个实施例中，在3D中的任意方向上执行对象跟踪。在另一实施例中，从肺的顶部开始向下，跨2D切片，在轴向方向上进行对象跟踪。MR分割处理器40计算方框极限和像素强度以形成肺方框214。所述方框极限是图像切片中的矩形框，包括极限之内的所有非零像素，以形成初始肺方框，即，针对切片的肺ROI的起点和终点。像素强度是每个切片的方框极限之内的所有非零像素的计数。参考图4，描绘了具有索引号(x轴)的2D切片与位于切片之内的非零像素(即肺像素)的计数(y轴)之间关系的2D曲线图400。MR分割处理器40对具有最高像素强度402的切片216进行局域化并针对局域化切片来定位方框极限。来自局域化切片的方框极限被用于通过利用初始肺方框掩蔽整个MR体积(即，所有切片)来生成初始肺ROI。MR分割处理器40对从肺的起始切片(即，具有索引号1的切片)到局域化切片的肺切片(区域404)与从局域化切片402到终点肺切片的肺切片(区域406)之间的非零像素的差异218进行均衡。所述均衡清理了保留在局域化切片中的任何骨骼或气管像素的局域化切片，并且确定了ROI的位置以集中于将来的调谐和准确的肺ROI生成和分割。如果起点到局域化切片区域404比局域化切片到终点406更大，那么执行肺/腹部调谐220。如果终点区域406更大，则执行肺/气管调谐222。肺/气管和肺/腹部调谐过程由处理器自动化地进行，并且是迭代直到满足最小尺寸标准的迭代过程。调谐帮助准确地分割肺/腹部与肺/气管之间的交叠区域中的肺像素。交叠区域408表示从数据中被清理的腹部切片。在一些实施例中，存在取决于患者特性和采集特性的更多区域，即，截断的肺。
在一个实施例中，肺方框是自适应的，根据特定ROI的子ROI，为ROI调谐使用不同的方框尺寸。例如，气管-肺交叠区域可以具与肺ROI相比更小的ROI。能够利用来自具有最大肺像素和/或解剖特性的切片的方框，来确定针对肺ROI中特定切片的方框极限的自动调谐。
利用在所有方向上的因子更新初始肺方框以创建肺掩模224。用于更新方框的所述因子包括噪声表征、MR伪影分类和患者特性。在一个实施例中，该因子是默认恒定的。所述肺掩模包括气管、肺、肺/腹部交叠和作为背景被去除的肺的任何部分。将肺掩模融合到3D二元体积226中。将肺掩模与3D二元体积进行融合恢复了被去除的肺部分，并且去除了由掩模增加的任何噪声。所述融合创建了肺ROI 230。在一个实施例中，测试肺ROI是否正确。如果肺ROI测试失败，则所述处理器迭代通过前面的步骤，直到正确或者被优化。
肺ROI包括肺组织、空气和病灶，但难以在它们之间进行区分。MR分割处理器40将肺ROI 232分割成内部区域。肺分割将肺分割成肺内的软组织和空气。分割细节的水平能够由用户选择，即，高水平分割肺掩模234或详细分割肺掩模236。所述分割使用来自ROI生成的二元掩模以掩蔽232ROI之内的区域。分割还包括在所有维度中的形态学、连接分量算法以及重新标记算法。对象跟踪算法被应用以生成详细的肺分割236。来自MR伪影分类的分类也被并入到分割中，以避免将噪声分割为肺之内的软组织。
MR分割处理器40从内部区域检索肺像素强度的密度。在一个实施例中，根据超短回波时间(UTE)MRI肺密度过程来获得肺密度。将肺像素强度与肺密度进行映射，因为被分割区域之内的强度与肺密度相关。肺密度有助于区别正常肺组织与病灶组织。从这些密度开始，将病灶与正常肺组织分离，因此，衰减图处理器36生成更准确的衰减系数图，所述衰减系数图被用于由PET重建处理器32的PET重建。
结合图5，描绘了一种用于肺分割以生成准确衰减图的方法。在步骤502，利用MR扫描器扫描患者以生成大量的MR数据。在步骤504，根据归一化函数对所述MR数据进行归一化，其将肺像素与非肺像素分离。所述归一化函数扩展了肺强度，并且压缩了非肺强度。在步骤506，噪声表征技术被用于检索MR数据中在归一化之前和之后的非零像素的数量的比率。这一比率在存在更多噪声时增大。
在步骤508，使用直方图300生成阈值并将所述阈值应用于归一化的强度。在直方图300之内，将曲线图304的第一升高用作阈值。当应用阈值时，从MR数据的归一化的体积去除非肺像素以生成三维数据的二元体积。剩余的像素由包含骨骼、腹部、空气、病灶和肺组织像素的像素构成。
在步骤512，执行对初始MR数据的伪影分类以对MR数据中的任何伪影(诸如运动或混叠)进行分类。能够在生成肺ROI时使用该分类作为因子。
在步骤514，使用如上所述的二元体积、MR伪影分类和噪声表征来生成肺ROI。在步骤516，所生成的肺ROI被应用于MR数据的初始体积以修剪背景数据。在步骤518，对肺像素进行分割。MR伪影分类和噪声表征有助于将肺的内部区域分割为肺组织和空气。
在步骤520，针对分割的肺之内的像素计算肺密度。如果肺的内部区域是正常肺组织或病灶，则肺密度会变化。在正常肺组织之内，密度可以变化。在衰减图中分配非常数衰减系数解决了变化问题。从肺的其余部分分离病灶。能够利用不同的实施例实现对肺密度的计算。在一种肺密度计算中，使用非常短的成像时间，例如UTE或ZTE序列，来扫描患者，以创建更准确的肺密度。短回波时间与准确的肺密度计算直接相关，因为有更多信号可用于采集，这减小了噪声。使信号采集时间最小化对于接收肺信号是有益的，并且使得患者屏息的时间缩短。在MR成像期间，成像时间花在了肺衰减成像上。这一信息被用于改进的基于MR的衰减校正，以填充衰减图的肺区域。
在一个实施例中，从CT-MRI校准曲线计算肺密度。备选地，使用多UTE序列或组合UTE梯度回波序列来进一步确定肺的相对密度。例如，使用30μs和40μs回波时间的两个UTE回波。能够从在肺和非肺参考组织之间的比率来计算肺密度。应当认识到，在步骤502器件能够进行对患者的成像。
UTE成像被用于在非常快的时段中扫描患者。在一个实施例中，三维低分辨率UTE被用于扫描患者的肺区域。对于3D低分辨率UTE，全身激励能够导致不希望的伪影，诸如回折，即回转。使用局部发射/接收函数从密度获得衰减系数，以获得针对肺区域的局域化数据。备选地，局部线圈能够被用于仅激励肺区域而非激励全身。低分辨率被用于使采集时间最小化。这样允许潜在伪影的最小化。
在另一实施例中，二维UTE被用于扫描患者。对于2D UTE，利用允许短激励脉冲的患者的厚成像切片使采集时间最小化。例如，厚度为若干厘米的成像切片导致非常短的激励脉冲，这对于肺密度计算是有益的。另外，低体素分辨率被用于给出患者的快速读出。能够在具有非特异性激励的2D UTE中使用全身线圈来采集肺信号。从这些扫描，在患者肺区域上计算平均肺密度。
在另一实施例中，一维UTE被用于扫描患者。对于1D UTE而言，笔形射束被引导至患者的肺以采集肺信号。在1D UTE中使用笔形射束给出了用于计算肺密度的短回波时间。
在另一实施例中，表面线圈被放置在患者的胸部区域上方。所述表面线圈具有空间受限的灵敏度分布(profile)，其被用于从肺组织采集信号。当被放置在患者胸部区域上方时，所述线圈对肺区域中的组织最敏感。
在另一实施例中，低分辨率3D零回波时间(ZTE)成像，诸如利用傅里叶变换的扫掠成像(SWIFT)，被用于获得平均肺衰减系数。
通过类似方式，由于非常短的回波时间和响应时间，TZE或SWIFT MRI能够被用于确定肺内部的相对质子密度。通过仅采用单个UTE回波和具有短回波时间的第二回波，也能够使用UTE短TE双回波序列。
在步骤522，创建基于区分的肺组织和病灶的具有准确衰减系数的衰减图。经分割的肺和病灶组织被重新集成到MR图像中以实现详细分割的肺。局域化的病灶和肺组织被用于形成肺之内的局域化衰减值，而不是针对整个肺都是默认常数。所述衰减图被用于患者图像的经改进PTE重建。
应当认识到，用户可以通过在一些或全部步骤之后自动确认所确定的选择来练习对肺分割的增强控制。如本文所使用的，存储器包括如下中的一种或多种：非暂态计算机可读介质；磁盘或其他磁存储介质；光盘或其他光存储介质；随机存取存储器(RAM)、只读存储器(ROM)或其他电子存储设备或芯片或操作性互连的芯片组；可以经由因特网/内部网或局域网从其检索存储的指令的因特网/内部网服务器；等等。此外，如本文所使用的，处理器包括微处理器、微控制器、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)等中的一个或多个；控制器包括：(1)处理器和存储器，所述处理器执行存储器上实现控制器的功能的计算机可执行指令；或(2)模拟和/或数字硬件；用户输入装置包括鼠标、键盘、触摸屏显示器、一个或多个按钮、一个或多个开关、一个或多个旋钮、语音识别引擎等中的一种或多种；数据库包括一个或多个存储器；并且显示设备包括液晶显示器(LCD)、发光二极管(LED)显示器、等离子体显示器、投影显示器、触摸屏显示器等中的一种或多种。
尽管已经参考其示范性实施例描述了本公开的系统和方法，但本公开不限于这样的示范性实施例。相反，本文公开的系统和方法容易进行多种修改、增强和/或变化而不脱离其精神或范围。因此，本公开体现并涵盖这样在本文随附权利要求的范围之内的修改、增强和/或变化。

Claims (20)

1.一种肺模块系统，包括：
体积归一化模块，其配置为对MR图像数据进行归一化(204、504)，其扩展接近零强度像素的强度值，并且压缩更高强度像素的强度值；
阈值化模块，其被配置为生成并应用针对所述MR数据的阈值(208、508)，以在三维二元体积(210)中区分并分离肺像素和非肺像素；
肺感兴趣区域(ROI)模块，其从阈值化的MR数据来生成(230、514)肺ROI；
修剪模块，其被配置为根据所述肺ROI来修剪(232、516)MR数据的初始体积；以及
分割模块，其分割(234、236)所述MR数据以区分包括肺像素、病灶像素或空气像素中的至少两种的肺。
2.根据权利要求1所述的系统，还包括：
密度模块，其针对所述像素和来自肺像素的分离病灶像素来评估(520)肺组织密度；以及
衰减模块，其基于所分离的像素来生成(522)具有准确衰减系数的衰减图。
3.根据权利要求2所述的系统，其中：
所述密度模块被配置为使所述回波时间和采集时间最小化以计算肺组织密度。
4.根据权利要求2或3中的任一项所述的系统，其中：
所述密度模块被配置为使用超短回波时间磁共振图像来计算肺组织密度。
5.根据权利要求2-4中的任一项所述的系统，其中：
所述密度模块被配置为使用多个回波来计算肺组织密度以进行归一化。
6.根据权利要求1-5中的任一项所述的系统，还包括：
分类模块，其被配置为对所述MR数据中的伪影(207)进行分类；
转换模块，其被配置为将所述肺ROI从3D转换成2D；
ROI形状模块，其被配置为生成肺ROI形状；
平衡模块，其被配置为对所述肺ROI进行平衡和调谐(218)；以及
融合模块，其被配置为融合至少两个肺ROI。
7.根据权利要求1-6中的任一项所述的系统，还包括：
转换模块，其被配置为将所述肺ROI(207)从三维转换成二维切片；
肺方框模块，其被配置为计算肺方框(214)；
切片模块，其被配置为计算(216)针对成像切片的方框极限；以及
调谐模块，其被配置为相对于肺来调谐腹部(220)或气管(222)。
8.一种肺分割系统，包括：
一个或多个处理器(40)，其被配置和编程为：
接收(502)大量磁共振(MR)图像数据；
向所述MR图像数据应用体积归一化函数(204、504)，以扩展接近零强度像素的强度值并压缩更高强度像素的强度值；
生成并应用针对所述MR数据的阈值(208、508)，以在三维中区分并分离二元体积中的肺像素和非肺像素(210)；
从阈值化的MR数据生成肺感兴趣区域(ROI)(230、514)；
根据所述肺ROI来修剪MR数据(232、516)的初始体积；并且
分割所述MR数据(234、236、518)以区分包括肺像素、病灶像素或空气像素中的至少两种的肺。
9.根据权利要求5所述的系统，其中，所述一个或多个处理器(40)还被配置或编程为：
计算归一化的体积的噪声表征(204、506)，以创建归一化比率；并且
在生成所述肺ROI时使用所述归一化比率。
10.根据权利要求5-6中的任一项所述的系统，其中，所述一个或多个处理器(40)还被配置或编程为：
使用MR伪影分类(512)对所述MR数据进行分类；并且
在生成所述肺ROI时使用所述MR伪影分类。
11.根据权利要求5-7中的任一项所述的系统，其中，所述一个或多个处理器(40)还被配置或编程为执行2D连接分量分析和重新标记分析，以将二元体积从三维转换成二维切片。
12.根据权利要求5-8中的任一项所述的系统，其中，所述一个或多个处理器(40)使用归一化的像素强度的直方图来生成所述阈值。
13.根据权利要求9所述的系统，其中，所述一个或多个处理器(40)还被配置或编程为通过如下操作来生成所述肺ROI：
识别所述肺的开始切片(404)和结束切片(406)；
识别在所述开始切片与所述结束切片之间的包括最高数量肺像素的切片(402)；并且
平衡在所述开始切片之前和/或在所述结束切片之后的切片以去除气管像素和/或腹部像素。
14.根据权利要求5-10中的任一项所述的系统，其中，所述一个或多个处理器(40)还被配置或编程为：
评估针对所述像素的肺组织密度(520)，以将病灶像素与肺像素分离；并且
基于所分离的像素来生成具有准确衰减系数的衰减图(522)。
15.一种肺分割方法，包括：
向MR图像应用体积归一化函数以创建归一化的体积图像；
针对所述MR图像生成并应用阈值以在三维二元体积中区分并分离肺像素和非肺像素；
从阈值化的MR图像来确定肺感兴趣区域(ROI)；
根据所述肺ROI来修剪所述MR图像；并且
分割所述MR图像以区分包括肺像素、病灶像素或空气像素中的至少两种的肺。
16.根据权利要求13所述的方法，还包括：
计算归一化的体积的噪声表征以创建归一化比率；并且
在生成所述肺ROI时使用所述归一化比率作为因子。
17.根据权利要求13-14中的任一项所述的方法，还包括：
使用MR伪影分类来对所述MR数据进行分类；并且
在生成所述肺ROI时使用所述MR伪影分类作为因子。
18.根据权利要求13-18中的任一项所述的方法，还包括：
计算肺组织密度以将所述病灶像素与所述肺像素分离；并且
基于所分离的像素来生成具有准确衰减系数的衰减图。
19.一种用于从MR图像计算肺密度的方法，包括：
使用具有不同回波时间的两个或更多个回波来扫描肺感兴趣区域以采集MR数据；
处理所述MR数据；
从所述MR数据计算肺密度；并且
从所述肺密度生成衰减图。
20.一种使用MR图像生成衰减图的系统，包括：
具有被配置为执行如下操作的处理器的分割处理器：
使用基于ROI的局域化的分割来分割MR图像，所述局域化的分割适应于患者特性、图像噪声、伪影特性和ROI的解剖特征；
使用对强度值的基于密度的映射，来使至少一个器官病灶局部化；
基于所述密度映射来生成局域化的衰减图；
生成ROI；
使用跨局域化区域的对象跟踪在所述ROI之内去除伪影，其中，根据特定的MR图像特性和患者特性来调整所述对象跟踪；
测试所述ROI的正确性；并且
迭代地重复ROI生成以优化所生成的ROI。
CN201480069732.4A 2013-12-20 2014-12-10 Pet/mr系统中的密度引导的衰减图生成 Expired - Fee Related CN105849775B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361918904P 2013-12-20 2013-12-20
US61/918,904 2013-12-20
US201461987826P 2014-05-02 2014-05-02
US61/987,826 2014-05-02
PCT/IB2014/066765 WO2015092622A2 (en) 2013-12-20 2014-12-10 Density guided attenuation map generation in pet/mr systems

Publications (2)

Publication Number Publication Date
CN105849775A true CN105849775A (zh) 2016-08-10
CN105849775B CN105849775B (zh) 2019-07-19

Family

ID=52465559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480069732.4A Expired - Fee Related CN105849775B (zh) 2013-12-20 2014-12-10 Pet/mr系统中的密度引导的衰减图生成

Country Status (4)

Country Link
US (1) US10386439B2 (zh)
EP (1) EP3084461A2 (zh)
CN (1) CN105849775B (zh)
WO (1) WO2015092622A2 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133996A (zh) * 2017-03-21 2017-09-05 上海联影医疗科技有限公司 产生用于pet数据重建的衰减图的方法及pet/ct系统
CN107831463A (zh) * 2016-09-16 2018-03-23 通用电气公司 用于对物体成像的pet‑mri系统及其成像的方法及其表面线圈
CN110312941A (zh) * 2017-02-14 2019-10-08 上海联影医疗科技有限公司 衰减校正的系统和方法
CN110958854A (zh) * 2017-05-24 2020-04-03 生物质子股份有限公司 用于评估具有指定对比度机制的结构空间频率的选择性采样
CN111358484A (zh) * 2020-03-23 2020-07-03 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9514357B2 (en) 2012-01-12 2016-12-06 Kofax, Inc. Systems and methods for mobile image capture and processing
US10146795B2 (en) 2012-01-12 2018-12-04 Kofax, Inc. Systems and methods for mobile image capture and processing
US9355312B2 (en) 2013-03-13 2016-05-31 Kofax, Inc. Systems and methods for classifying objects in digital images captured using mobile devices
US10140511B2 (en) 2013-03-13 2018-11-27 Kofax, Inc. Building classification and extraction models based on electronic forms
US20140316841A1 (en) 2013-04-23 2014-10-23 Kofax, Inc. Location-based workflows and services
US9386235B2 (en) 2013-11-15 2016-07-05 Kofax, Inc. Systems and methods for generating composite images of long documents using mobile video data
US10613176B2 (en) * 2014-05-19 2020-04-07 The United States Of America, As Represented By The Secretary, Department Of Health And Human Services Magnetic resonance 2D relaxometry reconstruction using partial data
AU2015284303B2 (en) * 2014-07-02 2019-07-25 Covidien Lp System and method for detecting trachea
US9760788B2 (en) 2014-10-30 2017-09-12 Kofax, Inc. Mobile document detection and orientation based on reference object characteristics
US11285338B2 (en) * 2015-04-14 2022-03-29 Koninklijke Philips N.V. Radiotherapy planning with improve accuracy
US10242285B2 (en) * 2015-07-20 2019-03-26 Kofax, Inc. Iterative recognition-guided thresholding and data extraction
US20180053297A1 (en) * 2016-08-18 2018-02-22 Ohio University Methods and Apparatuses for Detection of Abnormalities in Low-Contrast Images
US10282871B2 (en) 2017-07-10 2019-05-07 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for pet image reconstruction
US11062176B2 (en) 2017-11-30 2021-07-13 Kofax, Inc. Object detection and image cropping using a multi-detector approach
FR3099621B1 (fr) * 2019-07-31 2021-12-31 Inst Nat Sante Rech Med Procede de generation d’un biomarqueur, systeme
CN112365593B (zh) * 2020-11-12 2024-03-29 江苏赛诺格兰医疗科技有限公司 一种pet图像重建的方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609021B1 (en) * 2002-05-20 2003-08-19 Siemens Corporate Research, Inc. Pulmonary nodule detection using cartwheel projection analysis
CN103415779A (zh) * 2011-03-07 2013-11-27 皇家飞利浦有限公司 利用混合式核成像/mr中的核发射数据进行mr分割

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728334B1 (en) 2001-10-24 2004-04-27 Cornell Research Foundation, Inc. Automatic detection of pulmonary nodules on volumetric computed tomography images using a local density maximum algorithm
US7117026B2 (en) * 2002-06-12 2006-10-03 Koninklijke Philips Electronics N.V. Physiological model based non-rigid image registration
US7499578B2 (en) 2002-10-18 2009-03-03 Cornell Research Foundation, Inc. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans
US8165369B2 (en) 2007-10-03 2012-04-24 Siemens Medical Solutions Usa, Inc. System and method for robust segmentation of pulmonary nodules of various densities
US8731255B2 (en) 2008-11-05 2014-05-20 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating lung segmentation and registration
EP2609572B1 (en) * 2010-08-25 2020-03-25 Koninklijke Philips N.V. Dual modality imaging including quality metrics
US8879810B2 (en) 2011-11-16 2014-11-04 Siemens Aktiengesellschaft Method and system for automatic lung segmentation in magnetic resonance imaging videos

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6609021B1 (en) * 2002-05-20 2003-08-19 Siemens Corporate Research, Inc. Pulmonary nodule detection using cartwheel projection analysis
CN103415779A (zh) * 2011-03-07 2013-11-27 皇家飞利浦有限公司 利用混合式核成像/mr中的核发射数据进行mr分割

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HARRY R. MARSHALL 等: "Variable Lung Density Consideration in Attenuation Correction of Whole-Body PET/MRI", 《THE JOURNAL OF NUCLEAR MEDICINE》 *
JEFFREY STEINBERG 等: "Three-region MRI-based whole-body attenuation correction for automated PET reconstruction", 《NUCLEAR MEDICINE AND BIOLOGY》 *
TOGAO O 等: "Ultrashort echo time(UTE) MRI of the lung: Assessment of tissue density in the lung parenchyma", 《MAGNETIC RESONANCE IN MEDICINE》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107831463A (zh) * 2016-09-16 2018-03-23 通用电气公司 用于对物体成像的pet‑mri系统及其成像的方法及其表面线圈
CN107831463B (zh) * 2016-09-16 2023-01-17 通用电气公司 用于对物体成像的pet-mri系统及其成像的方法及其表面线圈
CN110312941A (zh) * 2017-02-14 2019-10-08 上海联影医疗科技有限公司 衰减校正的系统和方法
CN110312941B (zh) * 2017-02-14 2022-01-25 上海联影医疗科技股份有限公司 衰减校正的系统和方法
CN107133996A (zh) * 2017-03-21 2017-09-05 上海联影医疗科技有限公司 产生用于pet数据重建的衰减图的方法及pet/ct系统
CN107133996B (zh) * 2017-03-21 2020-08-04 上海联影医疗科技有限公司 产生用于pet数据重建的衰减图的方法及pet/ct系统
CN110958854A (zh) * 2017-05-24 2020-04-03 生物质子股份有限公司 用于评估具有指定对比度机制的结构空间频率的选择性采样
CN111358484A (zh) * 2020-03-23 2020-07-03 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质
CN111358484B (zh) * 2020-03-23 2021-12-24 广州医科大学附属第一医院（广州呼吸中心） 核医学肺灌注显像定量分析方法、分析设备及存储介质

Also Published As

Publication number Publication date
US20160320466A1 (en) 2016-11-03
CN105849775B (zh) 2019-07-19
EP3084461A2 (en) 2016-10-26
WO2015092622A3 (en) 2015-10-29
WO2015092622A2 (en) 2015-06-25
US10386439B2 (en) 2019-08-20

Similar Documents

Publication Publication Date Title
CN105849775A (zh) Pet/mr系统中的密度引导的衰减图生成
US9424644B2 (en) Methods and systems for evaluating bone lesions
CN109938764A (zh) 一种基于深度学习的自适应多部位扫描成像方法及其系统
CN102171724B (zh) 医学图像序列快照的选择
CN100550004C (zh) 一种对包含感兴趣区的三维医疗图像进行分割的方法
US7283652B2 (en) Method and system for measuring disease relevant tissue changes
US9135695B2 (en) Method for creating attenuation correction maps for PET image reconstruction
CN102711617B (zh) 扫描规划视场调整器、确定器和/或质量评估器
CN109753866A (zh) 机器学习中具有密集特征金字塔网络架构的医学图像对象检测
US11373301B2 (en) Image diagnostic device, image processing method, and program for obtaining diagnostic prediction models using deep learning
CN105263407A (zh) 使用磁共振成像的对骨组织的探测
CN103415779B (zh) 利用混合式核成像/mr中的核发射数据进行mr分割的系统及方法
US20100021034A1 (en) System and method for the generation of attenuation correction maps from mr images
CN105431746B (zh) 用于为独立像素或体素分配组织特异pet衰减值的mri方法
US20140003686A1 (en) Multimodality Image Segmentation of Volumetric Data Sets
US8781552B2 (en) Localization of aorta and left atrium from magnetic resonance imaging
CN104939848B (zh) 单色图像的生成
CN112946547B (zh) 用于从校准图像生成诊断扫描参数的系统和方法
US11069061B2 (en) Method and apparatus for calculating abdominal disease diagnosis information based on medical image
CN104736062A (zh) Mr接收线圈定位和基于mr的衰减校正
CN101732048A (zh) 处理组合的磁共振-发射断层造影图像的方法和装置
US7433086B2 (en) Edge detection and correcting system and method
US8724878B2 (en) Ultrasound image segmentation
EP2863360A1 (en) Multimodality image segmentation of volumetric data sets
US20220335597A1 (en) Workflow management for labeling the subject anatomy

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190719

Termination date: 20201210