CN106251381A - 图像重建方法 - Google Patents

Abstract

本发明提供了一种图像重建方法，包括：获取扫描对象的数据；将所述扫描对象的数据划分为多个子数据集；选择参考数据集；计算所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度；根据所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度，对所述多个子数据集进行分箱处理；基于分箱的数据获得重建图像。利用本发明方法获取的重建图像具有较低的噪声和较高的信噪比。

Description

图像重建方法

技术领域

本发明涉及图像重建技术领域，特别涉及一种用于运动校正的图像重建方法。

背景技术

正电子发射断层成像(Positron emission tomography，PET)采用正电子核素标记化合物作为显像剂，通过病灶对显像剂的摄取程度了解病灶功能代谢状态。其原理主要是基于组织细胞摄取放射性显像剂的特性和能力。它是一种功能性成像检查，提供功能性影像信息，用于确定疾病的性质，从而对疾病进行正确诊断。在PET研究中，携带有放射性示踪剂的生物活性分子首先被导入人体内，PET系统检测由示踪剂发出的γ射线，并通过分析检测到的信号构建人体内示踪剂分布的三维图像。在PET研究中使用的生物活性分子是靶器官或组织内的一种天然代谢物，PET可以评估靶器官或组织的生理(功能性)和解剖(结构)，以及生物学特征，特别适用于在没有形态学改变之前，早期诊断疾病，发现亚临床病变以及评价治疗效果。

在PET成像中，由于扫描时间相对较长，扫描对象在长时间数据采集过程中难免会发生运动。扫描对象的运动会导致严重的图像伪影，其中伪影既包括衰减图与采集信号不匹配产生的伪影，又包括信号在不同时间上运动产生的伪影。

发明内容

本发明的目的在于提供一种图像重建方法，以减少重建图像中因扫描对象运动产生的伪影。

为了解决上述问题，本发明提供了一种图像重建方法，包括：获取扫描对象的数据；将所述扫描对象的数据划分为多个子数据集；选择参考数据集；计算所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度；根据所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度，对所述多个子数据集进行分箱处理；基于分箱的数据获得重建图像。

优选地，上述扫描对象的数据为列表模式的数据。

优选地，上述将所述扫描对象的数据划分为多个子数据集包括：将所述扫描对象的数据按照等时间间隔划分为多个子数据集。

优选地，上述选择参考数据集包括：从所述扫描对象的多个子数据集中选择至少一个子数据集；根据所述至少一个子数据集获得参考数据集。

优选地，上述选择参考数据集包括：从预先存储的至少一个数据集中选择一个数据集作为参考数据集。

优选地，上述计算所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度包括：将所述参考数据集变换至图像或直方图中，获得对应的参考图像或参考直方图；将所述多个子数据集中每一个子数据集变换至图像或直方图中，获得对应的图像或直方图；计算所述参考图像或参考直方图与所述多个子数据集中每一个子数据集对应的图像或直方图之间的相似性测量度。

优选地，上述图像重建方法包括：将所述扫描对象的数据按照等时间间隔划分为i个子数据集；计算所述参考数据集与第n个时间间隔得到的子数据集的相似性测量度I(n)，1≤n≤i；计算所述参考数据集与第n+1个时间间隔得到的子数据集的相似性测量度I(n+1)；计算所述相似性测量度I(n+1)与所述相似性测量度I(n)的梯度值；根据所述梯度值对所述子数据集进行分箱处理。

优选地，上述根据所述梯度值对所述子数据集进行分箱处理包括：设定阈值；判断所述梯度值是否超过阈值，若超过所述阈值，所述第n+1个时间间隔得到的子数据集与所述第n个时间间隔得到的子数据集属于同一箱；否则，所述第n+1个时间间隔得到的子数据集属于新的箱。

优选地，上述基于分箱的数据获得重建图像包括：基于分箱的数据获得重建图像集合；选择一个重建图像作为参考图像；通过图像配准获取重建图像集合的运动场矩阵；根据运动场矩阵校正所述扫描对象的数据。

优选地，上述图像重建方法包括：基于所述运动场矩阵对每箱数据中的响应线的位置信息进行运动场逆变换，以获得经运动校正后的响应线的位置信息。

利用本发明获得的重建图像具有相对较低的噪声。作为本发明的一种优选实施例，引入了飞行时间信息，获取的重建图像具有较高的信噪比。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本发明应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。

图1是根据本申请的一些实施例所示的成像系统的一个示意图；

图2是根据本申请的一些实施例所示的处理器的一个示意图；

图3是根据本申请的一些实施例所示的数据处理器的一个示意图；

图4是根据本申请的一些实施例所示的图像重建的一种示例性流程图；

图5是根据本申请的一些实施例所示的模型设定模块的一个示意图；

图6是根据本申请的一些实施例所示的从原始数据中获取生理运动信息或刚体运动信息的一种示例性流程图；

图7是根据本申请的一些实施例所示的生理运动检测器的一个示意图；

图8是根据本申请的一些实施例所示的根据生理运动信息对数据进行划分，并基于分组数据进行图像重建的一种示例性流程图；

图9是根据本申请的一些实施例所示的从原始数据中获取VOI的一种示例性流程图；

图10A是根据本申请的一些实施例所示的刚体运动检测器的一个示意图；

图10B是根据本申请的一些实施例所示的刚体运动检测和校正的一种示例性流程图；

图11是根据本申请的一些实施例所示的刚体运动检测的一种示例性流程图；

图12A是根据本申请的一些实施例所示的获取刚体运动信息的一种示例性流程图；

图12B是根据本申请的一些实施例所示的弦图坐标与3D重建坐标的函数关系的一个示意图；

图13是根据本申请的一些实施例所示的刚体运动校正的一种示例性流程图；

图14是根据本申请的一些实施例所示的运动校正的一种示例性流程图；

图15是根据本申请的一些实施例所示的呼吸信号和心动信号的频谱的一个示意图；

图16A是根据本申请的一些实施例所示的未指定VOI的加权信号的频谱分析的一个示意图；

16B是根据本申请的一些实施例所示的指定VOI内的加权信号的频谱分析的一个示意图；

图17是根据本申请的一些实施例所示的未指定VOI的加权信号的呼吸波形的时间曲线和指定VOI内的呼吸波形的时间曲线的一个示意图；

图18A至18D是根据本申请的一些实施例所示的经校正和/或未经校正的四个示例性门控图像；

图19A是根据本申请的一些实施例所示的运动曲线的一个示意图；

图19B是根据本申请的一些实施例所示的运动门控曲线的一个示意图；

图20A是根据本申请的一些实施例所示的两个运动曲线的示意图；

图20B是根据本申请的一些实施例所示的两个运动曲线的示意图；

图20C是根据本申请的一些实施例所示的两个运动曲线的示意图；

图20D是根据本申请的一些实施例所示的两个运动曲线的示意图；

图20E是根据本申请的一些实施例所示的两个运动曲线的示意图；

图20F是根据本申请的一些实施例所示的两个运动曲线的示意图；

图21是根据本申请的一些实施例所示的基于原始数据重建的头部图像的示意图；

图22是根据本申请的一些实施例所示的对于基于不同方法获取的沿X轴的平移的一个对比示意图；

图23是根据本申请的一些实施例所示的基于平移和旋转信息进行运动检测的一种示例性流程图。

具体实施方式

为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。

术语“系统”、“单元”、“模块”和/或“块”用于区分不同的和/或不同级别的组件、元件、部件或部分，也可以由表示相同意思的其他术语进行替换。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“系统”、“单元”、“模块”和/或“块”与其他“系统”、“单元”、“模块”和/或“块”之间的连接可以是物理连接或电气连接，可以是直接连接或间接连接。在本申请中，术语“和/或”包括所列项目中的任意一个或多个的组合。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请的一些实施例所示的成像系统的一个示意图。需要注意的是，以下对成像系统100的描述仅为示例性描述，并不用于限制本申请的范围。本申请中所述辐射可以包括粒子射线，光子射线等其中的一种或多种的组合。粒子射线可以包括中子，质子，α射线，电子，μ介子，重离子等其中的一种或多种的组合。光子束可以包括X-射线，γ射线，紫外线，激光等中的一种或多种的组合。成像系统100可以应用于不同的领域，例如医学领域或工业领域。在一些实施例中，成像系统100可以用于内部检查，包括例如裂纹检测，安全扫描，故障分析，计量，装配分析，孔隙分析，壁厚分析等其中的一种或多种的组合。在一些实施例中，成像系统100可以包括一种或多种形态。所述形态包括但不限于，正电子发射断层成像(positron emission tomography,PET)系统、单光子发射计算机断层成像(singlephoton emission computed tomography,SPECT)系统、计算机断层成像(computedtomography,CT)系统、数字化X射线摄影(digital radiography,DR)系统、磁共振成像(magnetic resonance imaging,MRI)系统等中的一种或多种的组合。在一些实施例中，成像系统100可以是多模态成像系统，例如PET-CT系统、SPECT-MRI系统、PET-MRI系统、SPECT-CT系统等。

如图1所示，成像系统100可以包括一个或多个扫描器110、一个或多个网络120和一个或多个处理器130。在一些实施例中，扫描器110和处理器130可以通过网络120连接。在一些实施例中，扫描器110和处理器130可以直接连接。

扫描器110可以检测辐射射线。在一些实施例中，扫描器110可以包括SPECT扫描器或PET扫描器等。以PET为例，PET是一种利用示踪原理显示活体生物活动的医学影像技术。携带放射性示踪物的生物活性分子首先被引入到对象的身体，PET系统检测由示踪剂发出的γ射线，并通过分析所检测的信号构建人体内的示踪剂分布的图像。在一些实施例中，处理器130可用于存储或访问各种类型的核医学诊断设备的成像程序。所述核医学诊断设备包括但不限于，PET，SPECT，MRI等中的一种或多种的组合。需要说明的是，上述γ射线仅作为所述辐射射线的示例性说明，并不用于限制本申请的范围。

仅仅作为示例，所述辐射射线可以是γ射线。PET扫描仪检测湮灭事件产生的γ射线，并对检测到的γ射线进行符合探测。在其他实施例中，所述辐射射线可以是X射线。CT扫描仪检测穿透被测物体(如病人)的X射线，并根据被测物体对X射线的吸收与透过率不同，由计算机获取透过射线并通过三维重构成像。

在一些实施例中，处理器130可用于处理来自扫描仪110或其他装置的数据。所述其他装置包括但不限于，扫描仪、数据库、存储器等中的一种或多种的组合。在一些实施例中，处理器130可利用获取的数据重建图像。在一些实施例中，处理器130可用于对扫描仪110的一个或多个参数进行设置。处理器130可以是通用处理器，所述通用处理器包括但不限于，中央处理器(central processing unit,CPU)、专用集成电路(application-specific integrated circuit,ASIC)、专用指令集处理器(application-specificinstruction-set processor,ASIP)、图像处理器(graphics processing unit,GPU)、物理运算处理器(physics processing unit,PPU)、数字信号处理器(digital signalprocessor,DSP)、现场可编程逻辑门阵列(field programmable gate array,FPGA)、精简指令集计算机(acorn reduced instruction set computing,RISC)等中的一种或多种的组合。

在一些实施例中，处理器130可以控制是否获取信号，或下一个信号的发生时间。在一些实施例中，处理器130可以选择用于迭代重建的数据。在一些实施例中，处理器130可以选择处理原始数据的算法，和/或确定迭代投影处理的迭代次数，和/或确定放射线的位置。在一些实施例中，处理器130可以接收来自于操作人员的实时或预设指令，所述操作人员可以包括成像技术人员或医生等，处理器130根据接收到的指令对扫描仪110进行设置。在一些实施例中，处理器130可以与成像系统100中的其他部分，例如扫描仪，进行通信以交换信息。

网络120可以是单个网络，也可以是多个不同网络的组合。例如，网络120可以是局域网(LAN)，广域网(WAN)，公共网络，私人网络，专有网络，公共交换电话网(PSTN)，互连网，无线网络，虚拟网络，或者上述网络的任何组合。网络120也可以包括一个或多个网络接入点，例如无线网络或有线网络。有线网络可以包括利用金属电缆、混合电缆、一个或多个接口等一种或多种组合的方式。无线网络可以包括利用蓝牙、区域局域网(LAN)、广域局域网(WAN)、无线个域网(WPAN)、近源场通信(Near Field Communication，NFC)等一种或多种组合的方式。网络120可以适用于本申请所描述的范围内，但并不局限于所述描述。

以上对成像系统100的描述仅用于示例性说明，并不能把本申请限制在所举实施例范围之内。对于本领域的普通技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接，对实施上述系统的应用领域形式和细节上的各种修正和改变。在一些实施例中，一些其它组件可以加入到成像系统100中，例如患者定位模块，梯度放大模块，或其他设备或模块。

图2是根据本申请的一些实施例所示的处理器的一个示意图。处理器130可以包括数据存储器201、获取电路202、数据处理器204、图像重建处理器207和/或可视化处理器208。

数据存储器201可以用来存储获取的数据或信号、控制参数等。例如，数据存储器201可以存储从扫描仪110获取的信号。在其他实施例中，数据存储器201可以存储控制参数。所述参数可以是获取电路202、数据处理器204、图像重建处理器207和/或可视化处理器208在对数据进行处理时所需要的参数。所述参数包括但不限于，获取参数，处理参数(例如，门控参数，数据切割参数等)，重建算法，可视化参数等中的一种或多种的组合。在一些实施例中，数据存储器201包括但不限于，硬盘、软盘、随机存储器(random access memory,RAM)、动态随机存储器(dynamic random access memory,DRAM)、静态随机存储器(staticrandom access memory,SRAM)、磁泡存储器(bubble memory)、薄膜存储器(thin filmmemory)、磁镀线存储器(magnetic plated wire memory)、相变存储器(phase changememory)、闪速存储器(flash memory)、云盘(a cloud disk)等中的一种或多种的组合。数据存储器201可以是用于向计算机或处理器加载程序或指令的其他类似的装置。

获取电路202可以获取数据或信号。在一些实施例中，获取电路202可以检测辐射射线，如上所述，获取电路202可以集成在扫描仪110中。在一些实施例中，获取电路202可以将模拟信号转换为数字信号。例如，扫描仪110产生的模拟信号发送至获取电路202，模拟信号被转换为对应的数字信号。获取电路202可以包括放大器、滤波器、模数转换器等中的一种或多种的组合。在一些实施例中，获取电路202可以接收来自其他装置的数据或信号，例如数据存储器201、数据处理器204、外部数据库等中的一种或多种的组合。在一些实施例中，获取电路202接收的数据或信号可以发送至数据存储器201存储，并在需要时可以被加载。

数据处理器204可以处理数据。在一些实施例中，获取的数据可以被发送至数据处理器204作进一步处理。在一些实施例中，在数据处理器204对数据进行前，可以先选择一个感兴趣区域(volume of interest,VOI)。所述感兴趣区域是指基于特定目的选择的数据子集。在不同情况下，可以选择不同的感兴趣区域。在一些实施例中，基于选定的VOI确定一个几何空间。在一些实施例中，基于选定的VOI测量组织或肿瘤容积。在一些实施例中，选定VOI以减少背景噪音。在一些实施例中，所述感兴趣区域包括但不限于，三维体，例如球、柱、块等中的一个或多个的组合。在一些实施例中，数据处理器204可以分析数据。例如，通过分析数据，从数据中获取身体运动信息(例如生理运动或刚体运动)。在一些实施例中，数据处理器204可以基于操作人员(例如医生)的指令处理数据。

在一些实施例中，数据处理器204可以包括数据划分处理器，数据划分处理器可用于划分数据或信号。数据划分处理器204可以加载来自获取电路202或来自数据存储器201的数据。在一些实施例中，数据划分处理器可以将数据划分为多个子数据集。在一些实施例中，每个子数据集的时间间隔可以是固定的，但每个子数据集内包含的数据量是可以变化的。在一些实施例中，可以按照成像系统的默认设置来设定每个子数据集的时间间隔，或者可以由操作人员(例如医生)实时或预先设置每个子数据集的时间间隔。在一些实施例中，每个子数据集的时间间隔和/或数据量可以是固定的，也可以是可变的。

在一些实施例中，数据处理器204可以包括滤波器。滤波器可以将特定频率范围内的信号从数据中去除。在一些实施例中，滤波器可以去除预定频率范围(例如，10-100Hz)内的干扰信号。在一些实施例中，滤波器可以去除背景噪音。信号滤波器可以包括但不限于，高通滤波器或低通滤波器等中的一种或多种的组合。低通滤波器是允许低于截止频率的信号通过，但高于截止频率的信号不能通过的电子滤波装置。高通滤波器允许高于某一截频的频率通过，而大大衰减较低频率的一种滤波器，它去掉了信号中不必要的低频成分或者说去掉了低频干扰。在一些实施例中，滤波器可以被集成到处理器130的任何一个模块或单元中。在一些实施例中，滤波器可以是不必要的，所述滤波可以通过外部滤波器来实现。

图像重建处理器207可以利用采集到的原始数据或经过处理的数据来重建图像。在一些实施例中，图像重建处理器207可以包括但不限于，微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)等中的一种或多种的组合。在一些实施例中，图像重建处理器207可以采用通用成像重建技术进行图像重建。所述通用图像重建技术可以包括但不限于，傅立叶重建、约束图像重建、并行MRI中的正则化图像重建等中的一种或多种的组合。在一些实施例中，图像重建处理器207可以采用不同的重建算法，例如，解析法、迭代法。常用的解析法包括但不限于，滤波反投影法(FBP)、反投影滤波法(BFP)、ρ滤波法等的一种或多种的组合。常用的迭代法包括但不限于，最大似然估计的图像重建法(MLEM)、有序子集最大期望值法(OSEM)、行处理最大似然算法(RAMLA)、动态行处理最大似然算法(DRAMLA)等中的一种或多种的组合。

可视化处理器208可以显示成像结果，例如，显示图像重建处理器207重建得到的图像。在一些实施例中，可视化处理器208可以包括显示装置和/或用户界面，例如，液晶显示器(LCD)、发光二极管(LED)、平板显示器、曲屏(或电视)或阴极射线管等的一种或多种的组合。在一些实施例中，可视化处理器208可以包括一个或多个输入设备，例如键盘、触屏、触板、鼠标、远程控制等一个或多个。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。例如，可视化处理器208可以是不必要的，成像结果可以使用外部设备(例如，监视器)来显示。在一些实施例中，可视化处理器208可以集成在图像重建处理器207中，成像结果或中间图像可以实时显示。

图3是根据本申请的一些实施例所示的数据处理器的一个示意图。数据处理器204可以包括I/O模块301、模型设定模块302、门控模块303和存储模块305。

I/O模块301可用于输入或输出数据或信息。在一些实施例中，如图2所示，获取的数据可以是通过I/O模块301的输入而获得。在一些实施例中，经过处理的数据可以通过I/O模块301被输出。在一些实施例中，I/O模块301可以包括具有一个或多个连接端口的板和安装在板上的一个或多个通用电路。所述连接端口可以与一个或多个外部设备连接。所述通用电路可以向外部设备输入或输出模拟信号或离散信号。

模型设定模块302可用于构建模型和设定用于构建所述模型的一个或多个参数。所述模型可以包括生理运动模型或刚体运动模型。在一些实施例中，根据模型对数据进行分析，获取不同类型的数据(例如，与生理运动相关的数据或与刚体运动相关的数据)。例如，与生理运动相关的数据对应于生理运动模型。在一些实施例中，用于构建所述模型的一个或多个参数包括但不限于，感兴趣区域(VOI)、概率分布类型、信噪比计算方法、加权信号的目标频率分析等中的一种或多种的组合。

在一些实施例中，模型设定模块302可以包括计算单元或其他可以执行计算的单元。模型设定模块302可以计算或分析不同类型的数据或信息。在一些实施例中，可以根据模型分析数据，并对与运动相关的数据进行分类。仅仅作为示例，基于生理运动模型和刚体运动模型，从数据中获取与生理运动相关的数据和与刚体运动相关的数据。在一些实施例中，计算单元可以生成身体运动曲线，在本申请中，所述身体运动曲线可以显示生理运动和刚体运动。

门控模块303可以对数据进行划分。所述分割可指将数据划分为多个组，并且在需要时，可以选择任一组数据作进一步处理。仅仅作为示例，可以将数据划分为两组，一组对应于生理运动曲线的π/2相位区间或“峰值”区间，另一组对应于生理运动曲线的3π/2相位区间或“谷值”区间。

存储模块305可用于存储数据或信息。所述数据或信息可以是来自I/O模块301、模型设定模块302、计算模块303或控制模块304等的数据或信息。所述数据或信息可以包括原始数据、模型、模型因子、控制参数、计算结果、算法等中的一种或多种的组合。存储模块305可以是不必要的，在本申请的任何地方所公开的任何存储器可被用于存储上述的数据或信息。例如，数据处理器204可以与成像系统100共享一个存储器。

在一些实施例中，数据处理器204可以包括控制模块。所述控制模块可用于设置参数。所述参数可以是与模型设定模块302、存储模块305等模块操作相关的参数。所述参数包括但不限于，用于构建模型的参数，用于分析数据的参数等中的一种或多种的组合。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。在一些实施例中，存储模块305可以集成在数据处理器204的任何一个模块中。在一些实施例中，数据处理器204可以不包括存储模块305，但是可以访问成像系统100的存储模块，或访问成像系统100外部的存储模块。在一些实施例中，数据处理模块204中的I/O模块301可以是不必要的，可以使用图2中所示的任何两个组件之间的I/O端口。

图4是根据本申请的一些实施例所示的图像重建的一种示例性流程图。步骤401：获取数据。所述数据可以是来自I/O模块301。所述数据还可以来自获取电路202、数据存储器201或本申请中公开的其他存储器的数据。步骤402：选择运动模型。所述运动模型可用于描述身体运动。模型设定模块302执行所述选择运动模型的操作。此处，所述身体运动可以包括生理运动(例如，呼吸运动、心脏运动、胃肠运动等)和刚体运动(例如，身体的移动等)。所述运动模型包括但不限于，对应于一种或多种类型或来源的生理运动的生理运动模型，对应于一种或多种类型或来源的刚体运动的刚体运动模型等中的一种或多种的组合。在一些实施例中，可以根据成像系统100的默认设置选择运动模型，或根据操作人员(例如，医生)的指令选择运动模型。

步骤403：基于运动模型获取运动信息。所述运动信息可以通过模型设定模块302获取。如步骤402所示，选择的运动模型可用于定义相应的运动。所述运动信息可以包括基于获取的数据生成的身体运动曲线。从身体运动曲线可以看出，运动幅度随时间的变化(如图19所示)。

步骤404：基于运动信息划分数据。门控模块303执行所述划分数据操作。运动可能在特定的时间间隔内发生，在该时间间隔内获得的数据包含运动信息。在一些实施例中，所述运动信息包括但不限于，生理运动信息，刚体运动信息等中的一种或多种的组合。在一些实施例中，可以设置判定阈值，当不同的子数据集之间的运动幅度大于阈值时，可以认为该时间间隔发生了运动。在一些实施例中，可以根据成像系统100的默认设置来设置判定阈值或根据操作人员(例如，医生)的指令来设定判定阈值。在一些实施例中，所述判定阈值可以根据不同的情况进行调整。例如，根据呼吸运动的幅度进行调整，扫描对象处于休息状态时的呼吸运动的幅度与扫描对象处于焦虑状态时的呼吸运动幅度不同。

在一些实施例中，将数据划分为多个子数据集，所述子数据集可以被进一步处理例如，用于重建图像。图像重建处理器207执行所述重建图像操作。在一些实施例中，所述数据包括但不限于，包含生理运动信息的数据和包含刚体运动信息的数据等中的一种或多种的组合。在一些实施例中，在重建图像之前，可以对划分后的子数据集进行运动校正。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。例如，可以在任何两个步骤之间加入一个存储步骤或一个缓存步骤，其中信号或中间数据可以被存储或缓存。

图5是根据本申请的一些实施例所示的模型设定模块的一个示意图。模型设定模块302可以包括，运动分类器501、生理运动检测器502和刚体运动检测器503。

运动分类器501可用于确定运动类型。在一些实施例中，运动分类器501可以将运动划分为生理运动、刚体运动或混合运动等。在一些实施例中，可以基于扫描对象的信息确定运动类型。例如，如果扫描对象的信息表明，该扫描对象处于兴奋、癫痫等状态，此时采集数据，运动分类器501可以判定发生了刚体运动。在其他实施例中，如果扫描对象信息表明，该扫描对象的感兴趣区域位于心脏或肺的附近，运动分类器501可以判定发生了生理运动。分类结果可以被发送到刚体运动检测器503和/或生理运动检测器502。所述生理运动检测器502可以对数据进行处理以检测生理运动。所述刚体运动检测器503可以对数据进行处理以检测刚体运动。

刚体运动检测器503和生理运动检测器502可以是通用运动检测器，所述通用运动检测器包括但不限于，心电检测器、呼吸检测器、光传感器等中的一种或多种的组合。上述描述仅作为示例性说明，并不用于限制本申请的范围。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

图6是根据本申请的一些实施例所示的从原始数据中获取生理运动信息或刚体运动信息的一种示例性流程图。处理流程600可以由处理逻辑器件执行，包括但不限于，硬件(例如，电路、专用逻辑器件、可编程序逻辑器件、微代码等)、软件(例如，在处理装置上运行硬件仿真的操作指令)等中的一种或多种的组合。在一些实施例中，处理流程600可以由一个或多个处理装置执行(例如，模型设定模块302)和/或本申请中公开的其他装置。

步骤601：获取原始数据。所述原始数据可以是来自一个或多个扫描仪(例如图1所示的扫描仪110)的扫描数据，或来自一个或多个存储模块305或其他存储装置(例如，软盘、硬盘、无线终端、云存储装置等)的数据等。

步骤602：确定运动类型。在一些实施例中，可以基于扫描对象的信息确定运动类型。例如，如果扫描对象的信息表明，该扫描对象处于兴奋、癫痫等状态，此时采集数据，运动分类器501可以判定发生了刚体运动。在其他实施例中，如果扫描对象信息表明，该扫描对象的感兴趣区域位于心脏或肺的附近，运动分类器501可以判定发生了生理运动。如果判定为发生了生理运动，则执行步骤603；如果判定为发生了刚体运动，则执行步骤604。

步骤603：基于原始数据获得生理运动信息。所述生理运动信息可以包括生理运动曲线。生理运动曲线可以显示扫描对象的位置随时间的变化。在一些实施例中，生理运动曲线可以显示特定器官的位置随时间的变化，例如心脏。在一些实施例中，生理运动曲线可以显示扫描对象的感兴趣区域的质心的位置随时间的变化。在一些实施例中，感兴趣区域的质心沿特定的方向运动，例如，沿X-轴方向运动。生理运动信息和/或生理运动曲线可以包括心跳频率、呼吸频率信息等中的一种或多种的组合。

在一些实施例中，首先构建一个感兴趣区域。例如，感兴趣区域可以是位于心脏附近的区域。在其他实施例中，感兴趣区域可以是位于肺附近或包含肺的区域。在一些实施例中，感兴趣区域的形状可以是一个简单的几何体，例如，球体，立方体，列，块等。获取感兴趣区域内的生理运动曲线。

步骤604:根据原始数据获得刚体运动信息。所述刚体运动信息可以包括刚体运动曲线。刚体运动曲线可以显示扫描对象随时间的运动，例如，扫描对象的头部随时间的运动。刚体运动包括但不限于，平移、旋转等中的一种或多种的组合。例如，沿X轴的平移。刚体运动可以使用运动场矩阵来描述。运动场矩阵可以采用以下公式表示：

T＝R_x*R_y*R_z*S (1)

其中，R_x、R_y和R_z分别是绕X轴、Y轴和Z轴的旋转矩阵，S是平移矩阵。运动场矩阵可用于量化刚体运动。例如，从平移矩阵中可以获取沿X轴、Y轴和/或Z轴的平移量。

可以基于阈值获得刚体运动信息。在一些实施例中，阈值可用于判定刚体运动的发生。例如，将原始数据划分为多个子数据集。评估不同子数据集之间的相似度。如果两个不同的子数据集之间的相似度小于阈值，可以认为在获取所述子数据集的时刻没有发生刚体运动，反之，则认为发生了刚体运动。在一些实施例中，从多个子数据集中选择一个子数据集作为参考数据集。在其他实施例中，从预先存储的至少一个数据集中选择一个数据集作为参考数据集。评估其他子数据集与参考数据集之间的相似度，如果一个子数据集和参考数据集之间的相似度大于所述阈值，可以认为在获取该子数据集的时刻发生了刚体运动。

在一些实施例中，在步骤603或步骤604之后，还可以执行其他操作。例如，可以基于刚体运动曲线对原始数据进行校正，或基于运动场矩阵通过执行一定的空间变换对响应线(LOR)的位置进行校正。图13示出了一种对列表模式的原始数据进行校正的示例性过程。

图7是根据本申请的一些实施例所示的生理运动检测器的一个示意图。生理运动检测器502可以包括VOI设定单元703、TOF概率分布设定单元702、生理频谱设定单元703、SQI设定单元704、存储单元705等中的一种或多种的组合。

VOI设定单元701可用于设置参数。所述参数可用于构建感兴趣区域(VOI)的形状。VOI的形状包括但不限于，球体、立方体、列、块等中的一种或多种的组合。仅仅作为示例，VOI的形状可以是球体，所述VOI可以由参数(X1,X2,X3)和X4定义，(X1,X2,X3)是球体中心的坐标，X4是球体半径。如果VOI的形状是块，所述VOI可以由参数(X1,X2,X3)、X4、X5、X6定义，分别是块中心的坐标，块的长、宽、高。

TOF概率分布设定单元702可以设定概率模型，用于估计列表模式数据的概率分布。例如，TOF坐标λ_e的概率分布。基于伯努利分布、泊松分布、均匀分布、指数分布和正态分布等中的一种或多种的组合获取概率模型。

生理频谱设定单元703可用于为目标信号设定生理频谱。目标信号可以是包括身体运动信息的信号。例如，目标信号可以是描述扫描对象的感兴趣区域的质心的运动的信号。生理频谱包括但不限于，呼吸信号的频率范围和/或心跳信号等中的一种或多种的组合。例如，图15所示的包含呼吸信号和心动信号的频谱。仅仅作为示例，人类的呼吸频率通常为每分钟10-20次或0.16-0.3Hz之间，因此为呼吸信号设定的生理频谱范围可以是0-0.5Hz之间。在其他实施例中，人类的心跳频率通常为每分钟50-150次或0.8-2.5Hz之间，因此为心跳信号设定的生理频谱范围可以是0.6-1.5Hz之间。通过为目标信号设定生理频谱，包含在目标信号中的生理信号可以使用频谱分析的方法被获取。例如，傅立叶分析方法被用于从目标信号中获取生理信息。

SQI设定单元704可用于计算目标信号相对于生理频谱的信号质量指标。所述信号质量指标可以是指信噪比，信噪比可以是处于生理频谱内的目标信号的能级与生理频谱外的目标信号的能级的比值。信号的能级可以根据信号的频谱行为测量。

存储单元705可用于存储数据，所述数据包括但不限于，来自VOI设定单元701的数据，来自TOF概率分布设定单元702的数据，来自生理频谱设定单元703的数据，来自SQI设定单元704的数据等中的一种或多种的组合。数据的类型包括但不限于，定义VOI的参数，TOF概率分布，生理频谱设定，SQI计算方法等中的一种或多种的组合。存储单元705可以包括多个组件。在一些实施例中，存储单元705可以包括硬盘驱动器。在一些实施例中，存储单元可以固态驱动器。在一些实施例中，存储单元705可以包括可移动存储驱动器。仅仅作为示例，所述可移动存储驱动器包括但不限于，闪存盘驱动器，光盘驱动器等中的一种或多种的组合。

图8是根据本申请的一些实施例所示的根据生理运动信息对数据进行划分，并基于分组数据进行图像重建的一种示例性流程图。处理流程800可以由处理逻辑来执行。所述处理逻辑包括但不限于，硬件(例如，电路，专用逻辑，可编程逻辑，微码等)，软件(例如，在处理装置上运行硬件仿真时执行的指令)等中的一种或多种的组合。在一些实施例中，处理流程800可以由一个或多个处理设备来执行。

步骤801：获取原始数据。所述原始数据可以是来自单光子发射计算机断层扫描仪(SPECT)的数据或来自正电子发射断层扫描(PET)的数据等。所述原始数据可以是对扫描对象进行扫描获得的数据，或来自存储单元或数据库的数据。所述原始数据包括湮灭事件发生的时间信息和空间信息。在一些实施例中，所述原始数据可以是列表模式的数据。在一些实施例中，所述原始数据可以是弦图模式的数据。所述弦图模式的数据包含湮灭事件发生的时间信息和/或空间信息，或本领域的普通技术人员可以获知的其他信息。

步骤802：选择模型。所述模型可以是一种处理原始数据以获取生理运动信息的方法。例如，所述模型包括但不限于，构建VOI的形状，设定VOI的空间坐标，指定TOF概率分布类型，计算SQI的方法，目标信号的生理频谱等中的一种或多种的组合。所述选择模型的操作可以由模型设定模块302实现。

步骤803：基于模型构建VOI。可以根据一些指标，基于模型寻找最优VOI。仅仅作为示例，SQI值可以作为寻找最优VOI的一种指标。图9示出了一种构建VOI的过程。步骤804：基于VOI获得生理运动信息。在一些实施例中，生理运动信息可以包括生理运动曲线。对比图16A和图16B,图16A示出了根据本申请的一些实施例所示的未指定VOI的加权信号的频谱分析,16B示出了根据本申请的一些实施例所示的指定VOI内的加权信号的频谱分析。图17示出了根据本申请的一些实施例所示的未指定VOI的加权信号的呼吸波形的时间曲线(实线)和指定VOI内的加权信号的呼吸波形的时间曲线(虚线)。

步骤805：基于生理运动信息对原始数据进行分箱处理。在一些实施例中，可以按照生理运动曲线的相位，对原始数据进行分箱处理。例如，位于生理运动曲线同一相位区间内的原始数据属于同一箱。在一些实施例中，可以按照生理运动曲线的幅值，对原始数据进行分箱处理。步骤806：基于分箱数据获得一个或多个重建图像。

图9是根据本申请的一些实施例所示的从原始数据中获取VOI的一种示例性流程图。处理流程900可以由处理逻辑来执行。所述处理逻辑包括但不限于，硬件(例如，电路，专用逻辑，可编程逻辑，微码等)，软件(例如，在处理装置上运行硬件仿真时执行的指令)等中的一种或多种的组合。在一些实施例中，处理流程900可以由一个或多个处理设备来执行。

步骤901：将原始数据划分为多个部分。可以将原始数据划分为属于数个时间间隔的数据段，例如，时间间隔可以为100毫秒、5秒、10秒等。步骤902：构建一个参数化的感兴趣区域(VOI)。参数化的VOI可以包括定义其形状、容积和位置的多个参数。VOI的形状包括但不限于，球体、立方体、块等中的一种或多种的组合。例如VOI的形状为球，可以由参数(X1,X2,X3)和X4来定义。其中，参数(X1,X2,X3)表示球体中心坐标，参数X4表示球体半径。在另一种实施例中，VOI的形状是块，可以由参数(X1,X2,X3)、X4、X5、X6来定义。其中，参数(X1,X2,X3)表示块中心坐标，参数X4、X5、X6分别表示块的长、宽、高。定义一个复杂几何体的形状比定义一个简单几何体的形状需要更多的参数。在一些实施例中，步骤902中，VOI的形状可以由10个以内的参数来定义。在一些实施例中，步骤902中，VOI的形状由使用20个以内的参数来定义。

步骤903：计算VOI内包含的原始数据的加权信号。仅仅作为示例，利用列表模式的原始数据，获取每一个湮灭事件(或简称为事件)的坐标信息其中，z_e表示事件在Z轴上的坐标，Z轴是沿扫描对象(例如，患者)的脚至头的方向，s_e，构成了弦图的两个轴：事件投影线的径向距离及角度，θ是事件在Z方向的倾角，λ_e是使用飞行时间(Time offlight,TOF)方法记录的事件距离中心点的位置和时间信息t。

利用每一个事件的坐标信息可以计算出每一个事件最可能的湮灭点(x,y,z)，其计算方法可以表述为公式2：

在一些实施例中，可以优化参数λ_e的精确度，事件的TOF坐标Λ可以被看作一个概率分布的随机变量，其分布表述在公式3中：

$P_e(\mathrm{\Λ}=\mathrm{\λ})=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{({\mathrm{\λ}}_e-\mathrm{\λ})}^2}{2{\mathrm{\σ}}^2}}---\left(3\right)$

其中，λ_e是高斯分布的期望值，σ是分布的方差，其具体数值可通过求解系统的时间分辨率来获取。由于将TOF坐标Λ看作一个随机变量，使得计算出的此事件的湮灭点也并不是一个固定的点，而是一个随Λ变化的随机变量，随机变量之间的关系仍有公式2所决定。湮灭点(x,y,z)的概率分布可以表述为

因此，可以获得时间t内检测到的事件的概率分布：

$F(x,y,z,t)=\underset{time\left(e\right)=t}{\Σ}{F}_e(\stackrel{\→}{r}=(x,y,z\left)\right)---\left(4\right)$

获得时间t内检测到的事件的概率分布后，可以通过计算检测到的事件与坐标信息的加权求和获得扫描对象的生理运动信息，其计算方法可以表述为公式5：

$Signal\left(t\right)=\frac{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}F(x,y,z,t)w_1(x,y,z)dvd\mathrm{\τ}}{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}F(x,y,z,t)w_2(x,y,z)dvd\mathrm{\τ}}---\left(5\right)$

当w₁(w,y,z)＝z，z是每个事件在Z方向的数值，w₂(w,y,z)＝1时，得到数据在Z方向的重心信号，其计算方法可以表述为公式6：

$COM\left(t\right)=\frac{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}F(x,y,z,t)zdvd\mathrm{\τ}}{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}F(x,y,z,t)dvd\mathrm{\τ}}---\left(6\right)$

在公式5和公式6中，dv是空间积分参量，dv＝dxdydz；dτ是事件积分参量，在扫描视野(FOV)上的积分表示这个事件空间的位置包含在此次扫描的整个FOV中。[t,t+ΔT]表示获取事件概率分布F(x,y,z,t)的时间区间，ΔT是时间间隔。在一些实施例中，ΔT可以为50毫秒～100毫秒。时间间隔ΔT的取值可以根据采样定律的需求保证足够多的采样点数。在一些实施例中，当获得足够多的采样点后，时间间隔ΔT的值就可以被确定。COM(t)表示在整个扫描区间内，事件在z方向的分布。

由于在整个扫描的范围内，并不是每个空间位置的药物分布都能反映出生理运动，这些额外的位置只会带来额外的噪音，因此，可以通过选定一个感兴趣区域(VOI)，来获取较优的生理运动信息。即将公式6更新为公式7，得到数据在Z方向的重心信号：

$COM(t,V(x,y,z\left)\right)=\frac{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}V(x,y,z)F(x,y,z,t)zdvd\mathrm{\τ}}{{\∫}_{FOV}{\∫}_{\mathrm{\τ}=t}^{\mathrm{\τ}=t+\mathrm{\Δ}T}V(x,y,z)F(x,y,z,t)dvd\mathrm{\τ}}---\left(7\right)$

在公式7中，V(x,y,z)是VOI的函数，如果(x,y,z)落入VOI内，V(x,y,z)的取值为1，如果(x,y,z)位于VOI外，V(x,y,z)的取值为0。

步骤904：对加权信号进行傅立叶频谱分析，以获得信号质量指标(signalquality indicator,SQI)。此处，SQI可指信噪比。仅仅作为示例，对加权信号进行傅立叶频谱分析，以获得VOI内包含的加权信号的信噪比，其计算方法可以表述为公式8。

$SNR\left(signal\right(t\left)\right)=\frac{{\∫}_{f\∈signal\_space}{G}_1\left(FT\right(\mathrm{si}gnal\left(t\right)\left)\right)df}{{\∫}_{f\∉signal\_space}{G}_2\left(FT\right(\mathrm{si}gnal\left(t\right)\left)\right)df}---\left(8\right)$

其中，FT(signal(t))表示对信号signal(t)进行傅立叶变换，f∈signal_space表示频率属于信号区间，表示频率f不属于信号区间。对于呼吸运动的检测，“呼吸运动频率范围”定义为信号区间，对于心跳运动检测，“心跳信号频率区间”定义为信号区间。G₁和G₂是用于测量g(f)的能量值的两种函数，可以表述为公式9：

G₁(g(f))＝G₂(g(f))＝‖g(f)‖² (9)

其中，g(f)为任意的变量为f的函数，‖g(f)‖表示为g(f)的绝对值，其为频域的能量。

步骤905：选择一个加权信号，其对应的信号质量指标具有最大值。仅仅作为示例，所述信号质量指标可以为信噪比。所述VOI由N个参数X₁、X₂、X₃…X_N定义或决定，所述N为整数。选取至少一个参数，设为可变参数(固定其他参数)，计算所述可变参数在不同取值时所对应的VOI(由所述相应可变参数约束的VOI)内包含的原始数据的加权信号。对(每一个)加权信号进行傅立叶分析，获得对应的信噪比。遍历定义VOI的可变参数的不同取值，获得所述可变参数分别定义的VOI内包含的加权信号的信噪比。

步骤906，选择加权信号的SQI最大者所对应的VOI为最优VOI。在一些实施例中，最优VOI可以通过信号的信噪比等指标来确定。例如，以加权信号的信噪比最大者所对应的VOI为最优VOI。

图10A示出了根据本申请的一些实施例所示的刚体运动检测器的一个示意图。刚体运动处理器503可以包括一个刚体运动检测器1001和一个刚体运动校正器1002。如图10A所示，刚体运动检测器1001可以通过分析列表模式数据获得刚体运动信息，包括刚体运动的发生和/或刚体运动幅度。列表模式是存储数据的一种数据形式。在一些实施例中，刚体运动的发生和/或刚体运动幅度可以使用阈值方法来确定(详情请参阅图11及其说明)。在一些实施例中，刚体运动检测器1001可以包括一个划分单元。划分单元可用于将数据划分为多个子数据集。通过分析所述多个子数据集可以得到扫描对象的运动信息。刚体运动校正器1002可以根据获取的运动信息对列表模式的数据进行校正。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

图10B是根据本申请的一些实施例所示的刚体运动检测和校正的一种示例性流程图。刚体运动检测和校正的过程可以由刚体运动检测器503来执行。流程图所示过程可以由一个或多个处理和/或计算机控制的电子部件执行。虽然具体的步骤已经在流程图中公开，但是这些步骤仅为示例性说明。也就是说，本实施例适于执行各种其他步骤或流程图中的步骤的变型。应当理解，在各种实施例中，该流程图中的步骤可以通过软件、硬件或两者的组合来执行。

如图10B所示，步骤1020：获取扫描对象的列表模式的数据。列表模式的数据可以从采集电路202获取，从数据存储器201获取，或从本申请中公开的任意存储器获取。步骤1040：从列表模式数据中获得刚体运动信息。可以基于列表模式数据的各子数据集之间的相似测量度，获得扫描对象的刚体运动信息。可以基于运动场矩阵获得扫描对象的刚体运动信息。在一些实施例中，通过图像配准技术获取图像集合中的多帧图像的运动场矩阵信息。图像配准技术包括但不限于，LBFS方法，Demons方法。

步骤1080：根据获得的刚体运动信息校正列表模式的数据。在一些实施例中，可以对由列表模式的数据生成的图像进行校正。

图11是根据本申请的一些实施例所示的刚体运动检测的一种示例性流程图。所述刚体运动检测过程可以由刚体运动检测器1001来执行。流程图所示过程可以由一个或多个处理器和/或计算机控制的电子部件来执行。虽然具体的步骤已经在流程图中公开，但是这些步骤仅为示例性说明。也就是说，本实施例适于执行各种其他步骤或流程图中的步骤的变型。应当理解，在各种实施例中，该流程图中的步骤可以通过软件、硬件或两者的组合来执行。

如图11所示，步骤1101：获取扫描对象的数据。所述数据可以为列表模式的数据。所述数据还可以为弦图模式或其他模式的数据。所述数据可以从采集电路202获取，从数据存储器201获取，或从本申请公开的任意存储器获取。步骤1102：将所述扫描对象的数据划分为多个子数据集。所述数据划分操作可以由划分单元来实现。在一些实施例中，可以将采集的列表模式的数据按照时间间隔进行数据划分。例如，一个子数据集对应于在一定时间间隔内获取的数据。时间间隔可以是固定的或可变的。例如，时间间隔的范围可以是1秒至10秒。多个子数据集的时间间隔可以相同或彼此不同。划分得到的多个子数据集可表述为公式10：

S＝{s_i,1≤i≤T/Δt} (10)

其中，s_i表示通过数据划分得到的第i个子数据集，T表示列表模式的数据的获取时间，Δt表示时间间隔。

步骤1103：选择一个子数据集作为参考数据集。在一种实施例中，从所有的子数据集中选择一个子数据集作为参考数据集。在其他实施例中，也可以从其他数据集中选择一个数据集作为参考数据集。所述参考数据集的选择可以按照成像系统100的默认设置或操作人员(例如，医生)的指令来实现。在一些实施例中，可以选择在第一个时间间隔内获取的第一子数据集s₁作为参考数据集，参考数据集可以表示为s_ref。

计算参考数据集与多个子数据集中每一个子数据集的相似性测量度。在一种实施例中，可以将所述扫描对象的数据按照等时间间隔划分为i个子数据集；计算所述参考数据集与第n个时间间隔得到的子数据集的相似性测量度I(n)，1≤n≤i；计算所述参考数据集与第n+1个时间间隔得到的子数据集的相似性测量度I(n+1)；计算所述相似性测量度I(n+1)与所述相似性测量度I(n)的梯度值；根据所述梯度值对所述子数据集进行分箱处理。例如，可以按照如下步骤1104至1106的方法获得参考数据集与多个子数据集中每一个子数据集的相似性测量度。

步骤1104：将子数据集变换至图像或直方图中，获得对应的图像或直方图。将多个子数据集变换至图像或直方图中，获得对应的多个图像或直方图。将作为参考数据集的子数据集变化至图像或直方图中，获得对应的参考图像或参考直方图。在一些实施例中，子数据集s_i和参考数据集s_ref中的每条响应线可以按照一定的规则变换至二维图像中，获取子数据集s_i和参考数据集s_ref对应的二维图像img_i参考图像img_ref，获得的图像可以表述为公式11：

$img(x,y)=\underset{{\mathrm{ring}}_z}{\Σ}lor({\mathrm{crystal}}_x,{\mathrm{crystal}}_y,{\mathrm{ring}}_z)---\left(11\right)$

其中，crystal_x,crystal_y,ring_z分别表示响应线所对应的一对闪烁晶体的晶体编号及晶体层。在一些实施例中，子数据集s_i和参考数据集s_ref的数据可以被转换成直方图。所述参考数据集s_ref可以对应于一个参考直方图。参考直方图可以表示为histo_ref,而其他子数据集的数据对应的直方图可表示为histo_i。

步骤1105：计算参考图像或参考直方图与其它图像或直方图之间的相似性测量度。在一些实施例中，计算参考图像与其他图像之间的相似性测量度，其计算可以表述为公式12：

I＝{I_i|I_i＝similarity(img_ref,img_i),1≤i≤T/Δt} (12)

其中，similarity(a,b)表示相似性测量度函数，I_i表示参考图像img_ref与子数据集i对应的图像img_i之间的相似性测量度。

在一些实施例中，可以计算参考直方图与其它直方图之间的相似性测量度，其计算可以表述为公式13。所述相似性测量度包括但不限于，形状的相似性测量度、分布的相似性测量度等中的一种或多种的组合。

I＝{I_i|I_i＝similarity(histo_ref,histo_i),1≤i≤T/Δt} (13)

其中，similarity(a,b)表示相似性测量度函数，I_i是参考直方图histo_ref与对应于子集i的直方图histo_i的相似性测量度。

步骤1106：根据相似性测量度和阈值获得运动幅度。所述阈值可以按照成像系统100的默认设置或操作人员(例如，医生)的指令来设定。在一些实施例中，可以按照公式14判定运动的发生：

$I=\left\{\begin{array}{cc}0,& I_i\≤threshold\\ I_i,& I_i>threshold\end{array}\right.,---\left(14\right)$

其中，0表示没有发生运动，I_i表示在第i个时间间隔发生的运动的幅度。

图12A是根据本申请的一些实施例所示的获取刚体运动信息的一种示例性流程图。处理流程1200可以由刚体运动检测器1001来实现。处理流程1200可以由一个或多个处理器和/或计算机控制的电子部件来执行。虽然具体的步骤已经在流程图中公开，但是这些步骤仅为示例性说明。也就是说，本实施例适于执行各种其他步骤或流程图中的步骤的变型。应当理解，在各种实施例中，该流程图中的步骤可以通过软件、硬件或两者的组合来执行。

步骤1202：获取扫描对象的数据。所述数据可以为列表模式的数据和/或弦图模式的数据。所述弦图模式的数据可以是由列表模式的数据转换得到。所述列表模式的数据和/或弦图模式的数据可以从采集电路202获取，从数据存储器201获取，或从本申请公开的任意存储器获取。列表模式的数据和/或弦图模式的数据包括但不限于，事件的时间信息、空间信息等中的一种或多种的组合。在一些实施例中，此列表模式和/或弦图模式的数据可能经过预处理修正，例如，随机事件的修正或者TOF信息的修正。

步骤1204：按照时间信息和/或空间信息将数据划分为数个数据段。例如，可以按照5秒或更少的时间间隔划分数据，获得多个数据段。在其他实施例中，可以按照10秒或更少的时间间隔划分数据。在一些实施例中，可以按照时间信息将列表模式的数据划分为属于数个时间间隔的数据段。在一些实施例中，可以按照列表模式的数据提供的空间信息对每个数据段内的数据进一步分类。

步骤1206：获取所述数据段中的数据的统计信息。例如，数据段中的数据的统计信息可以是数据段中的数据对应的数据空间的统计信息或数据段中的数据对应的重建空间的统计信息。所述统计信息包括但不限于，期望(一次矩)、二次矩、方差、协方差信息等中的一种或多种的组合。在一些实施例中，可以根据数据段中的数据的统计信息可以是数据段中的数据对应的数据空间的坐标的统计信息得到数据段中的数据对应的重建空间的坐标的统计信息。例如，可以首先建立数据空间和重建空间的转换关系；根据所述数据段中的数据对应的数据空间的坐标的统计信息以及所述数据空间和重建空间的转换关系，获取所述数据段中的数据对应的重建空间的坐标的统计信息。在一些实施例中，在数据空间，使用弦图坐标定义事件，其中，z表示事件与z轴的交点，s和构成了弦图的两个轴，分别表示事件对应的投影线的径向距离及角度，θ是事件在z轴方向的倾角。在重建空间使用3D重建坐标(x,y,z)。建立弦图坐标与3D重建坐标的转换关系(如图12B所示)。弦图坐标和3D重建坐标的转换关系可以表述为公式15：

其中，x是X轴坐标，y是Y轴坐标。

根据上述函数关系，可以计算重建坐标的期望、二次矩或者方差以及协方差与弦图坐标的期望、二次矩或者方差以及协方差之间的函数关系。

步骤1208：根据所述数据段中的数据的统计信息获取所述扫描对象的运动信息。所述运动信息包括但不限于，平移、旋转等中的一种或多种的组合。仅仅作为示例，可以根据数据段中的数据对应的重建空间的坐标的期望信息获得扫描对象的平移/旋转信息。在一些实施例中，可以根据数据段中的数据的期望获取所述扫描对象的平移信息。在一些实施例中，可以根据数据段中的数据的二次矩和/或方差和/或协方差和/或协方差矩阵信息获得扫描对象的旋转信息，例如，可以通过获取协方差矩阵得到旋转信息。

表示投影角度为时s的数学期望。的计算方法可表述为公式16：

其中，E(X(n))和E(Y(n))是在第n个时间间隔，扫描对象的质心沿X轴和Y轴的平移的数学期望，其计算方法可以表述为公式17：

其中，是离散化后的值。

计算协方差矩阵其计算方法可以表述为公式18：

计算E(X²(n)),E(Y²(n))和E(X(n)Y(n))，其计算公式可以表述为公式19：

计算其计算方法可以表述为公式20：

计算E(Z(n)X(n))和E(Y(n)Z(n))，其计算方法可以表述为公式21：

计算其计算公式可以表述为公式22：

计算E(Z²(n))m，其计算公式可以表述为公式23：

E(Z²(n))＝E(Z²(0,n))， (23)

计算E(Z²(0,n))，其计算公式可以表述为公式24：

本申请中，所述平移信息可指扫描对象沿X轴，Y轴和/或Z轴的平移运动。例如，获取扫描对象的质心沿X轴，Y轴和/或Z轴的平移运动，分别定义为U(n),V(n),and W(n)。

计算U(n),V(n),and W(n)，其计算公式可以表述为公式25：

其中，E(X(n))和E(Y(n))是在第n个时间间隔，扫描对象的质心沿X轴和Y轴的平移的数学期望。

在一些实施例中，在第n个时间间隔，扫描对象的质心沿Z轴的平移的数学期望，定义为其计算方法可以表述公式26：

在本申请中，所述旋转信息可指扫描对象绕X轴，Y轴和/或Z轴的旋转角度。例如，可以是扫描对象的质心绕X轴，Y轴和/或Z轴的旋转角度，分别定义为α(n),β(n)和γ(n)，其计算方法可以表述为公式27：

$\left\{\begin{array}{c}\mathrm{\α}\left(n\right)=\arcsin (-r_{32}(n)/\cos \left(\mathrm{\β}\right(n)\left)\right)\\ \mathrm{\β}\left(n\right)=\arcsin \left(r_{31}\right(n))\\ \mathrm{\γ}\left(n\right)=\arcsin (-r_{21}(n)/\cos \left(\mathrm{\β}\right(n)\left)\right)\end{array}\right.,---\left(27\right)$

计算r₃₂(n),r₃₁(n)和r₂₁(n)，其计算方法可以表述为公式28：

其中，R(n)是扫描对象的旋转矩阵，R(n)可通过公式1计算得到，是特征向量矩阵，其计算方法可以表述为公式29：

其中，是一个3×3的对角矩阵，是协方差矩阵。

步骤1210：根据所述扫描对象的运动信息获取运动校正后的重建图像。可以根据扫描对象的平移和/或旋转信息，对扫描对象的数据进行分箱处理。在一些实施例中，对分箱后的数据进行图像重建，获得重建图像集。在一些实施例中，根据扫描对象的平移和/或旋转信息对分箱后的数据作运动校正；使用运动校正后的分箱数据，获得运动校正后的重建图像集。

在一些实施例中，还可以通过图像配准的方法进一步获取精确的运动信息，例如，从基于分箱数据获得的重建图像集中选择一个重建图像作为参考图像，利用获得的扫描对象的平移和/或旋转信息将其余重建图像与参考图像配准，并将进行合并，获得最终的重建图像。在一些实施例中，可以通过获得的平移/旋转信息在图像重建中实时地对扫描对象的数据进行运动补充，获得运动校正后的重建图像。

在一些实施例中，可以对扫描对象的数据或重建图像进行运动校正。例如，可以获取扫描对象的衰减图；根据扫描对象的平移和/或旋转信息对衰减图作运动校正，获得扫描对象实时运动的衰减图；根据扫描对象实时运动的衰减图对扫描对象的数据和/或重建图像作衰减校正。在其他实施例中，基于分箱的数据获得重建图像集后，通过图像配准获得运动场数据，利用获得的运动场数据对扫描对象的衰减图进行运动修正，获得扫描对象的实时运动的衰减图。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

图12B是根据本申请的一些实施例所示的弦图坐标与3D重建坐标的函数关系的一个示意图。如图12B所示，z表示事件与z轴的交点，s和构成了弦图的两个轴，分别表示事件对应的投影线的径向距离及角度，θ是事件在z轴方向的倾角，t是时间。a(x_a,y_a)和b(x_b,y_b)分别为投影线的两个端点。如图12B所示，左边为弦图坐标，右边为3D重建坐标，其中，a和b是一对探测器对，e是一个事件，x_e是事件e的x坐标，t是TOF坐标，z是轴向位置。

图13是根据本申请的一些实施例所示的刚体运动校正的一种示例性流程图。该运动校正过程可以由刚体运动校正器1002来执行。可根据处理器1100确定的运动信息执行该运动校正。流程图所示过程可以由一个或多个处理器和/或计算机控制的电子部件来执行。虽然具体的步骤已经在流程图中公开，但是这些步骤仅为示例性说明。也就是说，本实施例适于执行各种其他步骤或流程图中的步骤的变型。应当理解，在各种实施例中，该流程图中的步骤可以通过软件、硬件或两者的组合来执行。

在步骤1301中，加载数据(例如，原始数据和/或运动幅度)。如图11所示，可根据相似性测量度和阈值确定刚体运动的幅度。在一些实施例中，通过设定阈值，可以获取运动幅度信息I，获取方法可以描述为公式30：

$I=\left\{\begin{array}{cc}0,& I_i\≤threshold\\ I_i,& I_i>threshold\end{array}\right.---\left(30\right)$

其中，0表示没有发生运动，I_i表在第i个时间间隔运动发生的幅度。

步骤1302：根据运动信息获得分箱数据。可以根据梯度值和阈值对列表模式的数据进行分箱处理，获得分箱数据。在一些实施例中，根据获取的运动幅度信息I，对运动幅度信息求梯度，其计算公式可以描述为公式31：：

▽I＝I(i)-I(i-1)， (31)

其中，I(i)表示第i个时间间隔的运动幅度，i＝1,2,...，N。所述阈值可基于所述成像系统100的默认设置或操作人员(例如，医生)的指令进行设定。在一些实施例中，如果第i个时间间隔和第i-1个时间间隔之间的梯度值未超过阈值，第i个子数据集与第i-1个子数据集属于同一箱。否则，将第i个子数据集属于新的箱。按照梯度值的变化信息获得的分箱数据可以表述为公式32：

D＝{D_i,1≤i≤n}, (32)

其中，n是列表模式的子数据集的数量，D_i是第i个列表模式的子数据集。.

步骤1303：基于分箱的数据获得重建图像集合。基于分箱的数据进行动态重建，获得动态重建集合，所述集合可以表述为公式33。所述重建可以由图像重建处理器207来实现。

f＝{f(D_i),1≤i≤n}, (33)

其中，f(D_i)是对应于第i个分箱的数据的重建图像。

步骤1304：选择一个重建图像作为参考图像。所述选择可以按照成像系统100的默认设置或操作人员(例如医生)的指令来选择。在一些实施例中，选择由第一箱的数据重建得到的图像作为参考图像。

步骤1305：通过图像配准获取重建图像集合的运动场矩阵。在参考图像和其它重建图像之间执行所述图像配准。图像配准方法可以包括但不限于，交叉相关算法(CC)，归一化交叉相关算法，序贯相似性检测算法(SSDA)，互信息算法(MI)等中的一种或多种的组合。在一些实施例中，所述运动场矩阵可以表述为公式34：

T＝{T_i,1≤i≤n}， (34)

所述运动场矩阵可通过上述公式1计算得到。

步骤1306：根据运动场矩阵校正列表模式的数据。在一些实施例中，成像系统100可以基于运动场矩阵对列表模式的数据的空间信息进行校正。在本申请中，所述空间信息可指PET系统中响应线对应的一对闪烁晶体的空间坐标。所述空间信息可以表述为公式35：

$({\stackrel{\→}{x}}_a,{\stackrel{\→}{x}}_b)=\left\{\begin{array}{c}{\stackrel{\→}{x}}_a=(x_a,y_a,z_a)\\ {\stackrel{\→}{x}}_b=(x_b,y_b,z_b)\end{array}\right.,---\left(35\right)$

其中，是闪烁晶体crystal_a的空间坐标，是闪烁晶体crystal_b的空间坐标，x_a,y_a和z_a分别是闪烁晶体crystal_a的X轴坐标、Y轴坐标和Z轴坐标，x_b,y_b和z_b分别是闪烁晶体crystal_b的X轴坐标、Y轴坐标和Z轴坐标。

对一对闪烁晶体的空间坐标进行校正，其校正方法可以表述为公式36：

$\left[\begin{array}{c}{\stackrel{\→}{x}}_a^{\′}\\ {\stackrel{\→}{x}}_b^{\′}\end{array}\right]=\left[\begin{array}{cc}T& o\\ o& T\end{array}\right]\left[\begin{array}{c}{\stackrel{\→}{x}}_a\\ {\stackrel{\→}{x}}_b\end{array}\right],---\left(36\right)$

其中是校正后的闪烁晶crystal_a的空间坐标，校正后的闪烁晶体crystal_b的空间坐标。

在一些实施例中，成像系统100可以基于运动场矩阵对列表模式的数据的空间信息和时间信息进行校正。在一些实施例中，列表模式数据的格式可以表述为公式37：

$({\stackrel{\→}{x}}_a,{\stackrel{\→}{x}}_b,t)=\left\{\begin{array}{c}{\stackrel{\→}{x}}_a=(x_a,y_a,z_a)\\ {\stackrel{\→}{x}}_b=(x_b,y_b,z_b)\\ t=(t_b,t_b)\end{array}\right.,---\left(37\right)$

其中，t_a和t_b分别是光子到达闪烁晶体crystal_a和闪烁晶体crystal_b的飞行时间。

根据列表模式的数据定位湮灭事件的空间坐标。考虑到成像系统100的时间分辨率，获取最大似然点(MLP)的定时分辨率和MLP沿响应线(LOR)的概率分布，所述MLP可通过公式38计算：

${\stackrel{\→}{x}}_0=1/2*c*(t_b-t_a)*\left(\right({\stackrel{\→}{x}}_b-{\stackrel{\→}{x}}_a)/|{\stackrel{\→}{x}}_b-{\stackrel{\→}{x}}_a\left|\right)+({\stackrel{\→}{x}}_b+{\stackrel{\→}{x}}_a)/2,---\left(38\right)$

其中，c是光速。

在一些实施例中，列表模式的数据的格式可以表述为公式39：

$({\stackrel{\→}{x}}_a,{\stackrel{\→}{x}}_b,{\stackrel{\→}{x}}_0)=\left\{\begin{array}{c}{\stackrel{\→}{x}}_a=(x_a,y_a,z_a)\\ {\stackrel{\→}{x}}_b=(x_b,y_b,z_b)\\ 1/2*c*(t_b-t_a)*\left(\right({\stackrel{\→}{x}}_b-{\stackrel{\→}{x}}_a)/|{\stackrel{\→}{x}}_b-{\stackrel{\→}{x}}_a|)+({\stackrel{\→}{x}}_b+{\stackrel{\→}{x}}_a)/2\end{array}\right.,---\left(39\right)$

所述概率分布以MLP为中心沿响应线(LOR)对称分布。使用校正后的MLP的空间坐标获取新的概率分布。校正列表模式的数据，其校正方法可以表述为公式40：

$\left[\begin{array}{c}{\stackrel{\→}{x}}_a^{\′}\\ {\stackrel{\→}{x}}_b^{\′}\\ {\stackrel{\→}{x}}_0^{\′}\end{array}\right]=\left[\begin{array}{ccc}T& o& o\\ o& T& o\\ o& o& T\end{array}\right]\left[\begin{array}{c}{\stackrel{\→}{x}}_a\\ {\stackrel{\→}{x}}_b\\ {\stackrel{\→}{x}}_0\end{array}\right],---\left(40\right)$

其中，是校正后的MLP的空间坐标。

可选步骤1307：使用校正后的列表模式数据获得重建图像。所述重建可以由图像重建处理器207来执行。

应当指出的是提供用于说明的目的的上述实施例，并且不打算限制本公开的范围。咨询本公开之后，本领域技术人员可以设想许多其它的改变，替换，变化，改变，和修改，而不发明活动中，并且意图是本发明涵盖所有这样的改变，替换，变化，改变，和修改作为属于其范围之内。

上述发明披露仅仅作为示例，而并不构成对本申请的限定。对于本领域的普通技术人员来讲，虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

图14是根据本申请的一些实施例所示的运动校正的一种示例性流程图。过程1400可以由刚体运动检测器503来执行。流程图所示的过程可以由一个或多个处理器和/或计算机控制的电子部件来执行。虽然具体的步骤已经在流程图中公开，但是这些步骤仅为示例性说明。也就是说，本实施例适于执行各种其他步骤或流程图中的步骤的变型。应当理解，在各种实施例中，该流程图中的步骤可以通过软件、硬件或两者的组合来执行。

步骤1402：获取列表模式的数据。列表模式的数据可以从采集电路202获取，从数据存储器201获取，或从本申请公开的任意存储器获取。步骤1404:按照固定时间间隔，将列表模式的数据划分为多个子数据集。时间间隔的范围可以从1秒至10秒。步骤1406：选择参考数据集。在一些实施例中，选择子数据集S₁作为参考数据集，该子数据集对应于第一时间间隔。在一些实施例中，获取多个子数据集。在本申请中，所述多个子数据集是指除参考数据集外的其他数据子集。在一些实施例中，所述参考数据集和所述多个子数据集可以同时获取或先后获得。

步骤1408：根据参考数据集获得重建图像。重建得到的图像可以在步骤1420中作为参考图像使用，后面将作进一步描述。

步骤1410：测量参考数据集与其他子数据集之间的相似性测量度(详参图11中的描述)。根据从步骤1410获得的相似性测量度信息，在步骤1412中，获取列表模式的数据的刚体运动信息(详参图11的描述)。在步骤1414中，获取任意两个相似性测量度之间的梯度值。在步骤1416中，根据梯度值划分列表模式的数据。在步骤1418中，根据划分的列表模式的数据重建图像。在步骤1420中，从重建图像中选择一个图像作为参考图像。参考图像和其他图像可以同时获取或先后获取。在步骤1422中，在参考图像和其它重建图像之间执行图像配准。图像配准方法可以包括但不限于，交叉相关算法(CC)，归一化交叉相关算法，序贯相似性检测算法(SSDA)，互信息算法(MI)等中的一种或多种的组合。基于参考图像和其它重建图像之间的配准结果，可以获得运动参数。运动参数可以包括围绕X轴的旋转矩阵，围绕Y轴的旋转矩阵，围绕Z轴的旋转矩阵，平移矩阵，运动场矩阵等。在步骤1424中，根据运动参数对列表模式的数据进行校正。在一些实施例中，列表模式数据的空间信息和/或时间信息可被校正。

图18A至18D是根据本申请的一些实施例所示的经校正和/或未经校正的四个示例性门控图像。图18A和图18B根据本申请的一些实施例所示的未经校正的两个示例性门控图像；图18C和图18D是根据本申请的一些实施例所示的经过图11所示的校正过程校正后的两个示例性门控图像。对比图18A和图18C，以及图18B和图18D可以看出，经过校正的门控图像伪影减少。

图19A是根据本申请的一些实施例所示的运动曲线的一个示意图。图19A示出了运动幅度随时间的变化，所述运动幅度的值表示参考数据集与其他子数据集之间的相似性测量度。图19B是根据本申请的一些实施例所示的运动门控曲线的一个示意图。图19B示出了按照运动信息，划分列表模式的数据和获取刚体运动。基于划分后的数据进行图像重建。选择参考图像，并且执行图像配准以获得运动参数，如图20A至图20F所示。图20A是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了沿Y轴运动的非门控列表模式的数据，另一条运动曲线描述了沿Y轴运动的门控列表模式的数据。图20B是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了沿X轴运动的非门控列表模式的数据，另一条运动曲线描述了沿X轴运动的门控列表模式的数据。图20C是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了沿Z轴运动的非门控列表模式的数据，另一条运动曲线描述了沿Z轴运动的门控列表模式的数据。图20D是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了绕X轴旋转的非门控列表模式的数据，另一条运动曲线描述了绕X轴旋转的门控列表模式的数据。图20E是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了绕Y轴旋转的非门控列表模式的数据，另一条运动曲线描述了绕Y轴旋转的门控列表模式的数据。图20F是根据本申请的一些实施例所示的两个运动曲线的示意图。其中，一条运动曲线描述了绕Z轴旋转的非门控列表模式的数据，另一条运动曲线描述了绕Z轴旋转的门控列表模式的数据。

图21是根据本申请的一些实施例所示的基于原始数据重建的头部图像的示意图。如图21所示。基于运动信息对列表模式的数据进行校正。位于图21上部的是三个未经校正的头部图像。位于中部的是两组校正后的重建图像(TOF)，位于中部左边的是基于运动信息进行校正后的图像，而位于中部右边的是基于本申请获得的基于运动信息进行校正后的图像。位于下部的是两组校正后的图像(非TOF)，位于下部左边的是基于运动信息进行校正后的图像，而位于下部右边的是基于本申请获得的基于运动信息进行校正后的图像。

图22是根据本申请的一些实施例所示的对于基于不同方法获取的沿X轴的平移的一个对比示意图。如图所示，实线是使用本申请公开的方法获取的扫描对象沿X轴的平移。虚线是基于图像重建后的图像配准获取的扫描对象沿X轴的平移。

图23是根据本申请的一些实施例所示的基于平移和旋转信息进行运动检测的一种示例性流程图。如该图所示，可以基于平移信息的梯度值(ΔE(X))和旋转信息的梯度值(ΔE(XY))检测运动。箭头表示扫描对象经刚体运动后的位置，例如，平移和/或旋转。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种图像重建方法，其特征在于，包括：

获取扫描对象的数据；

将所述扫描对象的数据划分为多个子数据集；

选择参考数据集；

计算所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度；

根据所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度，对所述多个子数据集进行分箱处理；

基于分箱的数据获得重建图像。

2.根据权利要求1所述的方法，其特征在于，所述扫描对象的数据为列表模式的数据。

3.根据权利要求1所述的方法，其特征在于，所述将所述扫描对象的数据划分为多个子数据集包括：将所述扫描对象的数据按照等时间间隔划分为多个子数据集。

4.根据权利要求1所述的方法，其特征在于，所述选择参考数据集包括：

从所述扫描对象的多个子数据集中选择至少一个子数据集；

根据所述至少一个子数据集获得参考数据集。

5.根据权利要求1所述的方法，其特征在于，所述选择参考数据集包括：从预先存储的至少一个数据集中选择一个数据集作为参考数据集。

6.根据权利要求1所述的方法，其特征在于，所述计算所述参考数据集与所述多个子数据集中每一个子数据集的相似性测量度包括：

将所述参考数据集变换至图像或直方图中，获得对应的参考图像或参考直方图；

将所述多个子数据集中每一个子数据集变换至图像或直方图中，获得对应的图像或直方图；

计算所述参考图像或参考直方图与所述多个子数据集中每一个子数据集对应的图像或直方图之间的相似性测量度。

7.根据权利要求3所述的方法，其特征在于，包括：

将所述扫描对象的数据按照等时间间隔划分为i个子数据集；

计算所述参考数据集与第n个时间间隔得到的子数据集的相似性测量度I(n)，1≤n≤i；

计算所述参考数据集与第n+1个时间间隔得到的子数据集的相似性测量度I(n+1)；

计算所述相似性测量度I(n+1)与所述相似性测量度I(n)的梯度值；

根据所述梯度值对所述子数据集进行分箱处理。

8.根据权利要求7所述的方法，其特征在于，所述根据所述梯度值对所述子数据集进行分箱处理包括：

设定阈值；

判断所述梯度值是否超过阈值，若超过所述阈值，所述第n+1个时间间隔得到的子数据集与所述第n个时间间隔得到的子数据集属于同一箱；否则，所述第n+1个时间间隔得到的子数据集属于新的箱。

9.根据权利要求1所述的方法，其特征在于，所述基于分箱的数据获得重建图像包括：

基于分箱的数据获得重建图像集合；

选择一个重建图像作为参考图像；

通过图像配准获取重建图像集合的运动场矩阵；

根据运动场矩阵校正所述扫描对象的数据。

10.根据权利要求9所述的方法，其特征在于，包括：基于所述运动场矩阵对每箱数据中的响应线的位置信息进行运动场逆变换，以获得经运动校正后的响应线的位置信息。