CN106510744A - Pet扫描中多示踪剂动态参数的估计方法 - Google Patents
Pet扫描中多示踪剂动态参数的估计方法 Download PDFInfo
- Publication number
- CN106510744A CN106510744A CN201610269646.9A CN201610269646A CN106510744A CN 106510744 A CN106510744 A CN 106510744A CN 201610269646 A CN201610269646 A CN 201610269646A CN 106510744 A CN106510744 A CN 106510744A
- Authority
- CN
- China
- Prior art keywords
- tracer
- blood
- time
- activity curve
- pet
- 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
Links
- 239000000700 radioactive tracer Substances 0.000 title claims abstract description 292
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000003795 chemical substances by application Substances 0.000 title claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 147
- 238000010241 blood sampling Methods 0.000 claims abstract description 11
- 239000008280 blood Substances 0.000 claims description 92
- 210000004369 blood Anatomy 0.000 claims description 90
- 230000008569 process Effects 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 20
- 238000002347 injection Methods 0.000 claims description 19
- 239000007924 injection Substances 0.000 claims description 19
- 230000009977 dual effect Effects 0.000 claims description 16
- 230000002441 reversible effect Effects 0.000 claims description 16
- 238000012905 input function Methods 0.000 claims description 13
- 230000002427 irreversible effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 238000012636 positron electron tomography Methods 0.000 description 81
- 230000004044 response Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000013499 data model Methods 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000004060 metabolic process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013213 extrapolation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002381 plasma Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 208000000058 Anaplasia Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012933 kinetic analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000250 revascularization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002627 tracheal intubation Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种PET扫描中多示踪剂动态参数的估计方法，包括：获取被扫描部位的若干组符合计数，且每组符合计数为对应于一种或多种示踪剂的PET扫描数据；根据图像法或动脉血采样法获取多种示踪剂分别单独作用下的时间活度曲线；基于每种示踪剂对应的符合计数和单独作用下的时间活度曲线，依次获取每种示踪剂的动态参数估计。本发明可获取多种示踪剂的动态参数估计，且可以在数据域获得每个体素对应的示踪剂参数估计，显著提高信噪比和检测的灵敏度。
Description
【技术领域】
本发明涉及正电子发射断层造影生理参数估计领域，尤其涉及多核素动态正电子发射断层扫描中核素动态参数估计的方法。
【背景技术】
正电子发射断层扫描仪(Positron Emission Tomography，PET)是一种伽马光子探测和图像重建结合的高级功能分子影像技术。PET显像技术是在生物活体内注入可反映生理代谢过程的放射性示踪剂，示踪剂在参与生理代谢时发生衰变产生正电子，然后正电子和邻近的电子发生湮没效应产生逆向运动的511keV伽马光子对，连接接收光子对的探测器得到一定数量的符合响应线(Line of Response，LOR)，并经过校正和后续图像断层重建，即可观测生物活体对示踪剂的摄取速率。
特定的示踪剂能够反映活体内各项生理活动，可以在疾病发生功能、代谢等早期改变阶段，从分子水平发现病变。为了从图像中获得尽可能多的信息，现有PET成像扫描多采用双示踪剂或者多示踪剂。一方面，由于现有商用PET扫描仪通常与CT集成，通过配准的CT图像来获取衰减信息，因此若分两次进行两种示踪剂的定量重建，将会带来两次CT辐射，进行双示踪剂扫描只需要一次CT扫描，就可以提供精确的衰减信息；另一方面，这种扫描协议允许双示踪剂在短时间间隔内注射，缩短了总扫描时间；更重要的是，由于活体对两种示踪剂的代谢机理不同，获取的两幅PET重建图像将会有不同的对比度和特征。动态PET扫描一般采集时间较长，达到30-90分钟，而传统临床PET扫描往往在3-5分钟内完成。不同于反映解剖信息的CT或者MR图像，PET图像反映了扫描过程中的示踪剂摄取，因此在不同时间点PET图像存在不同对比度和变化的活度。由于不同组织对示踪剂代谢速率随时间变化存在一定差别，动态PET扫描可以更好地区别组织之间的代谢特征，从而增强探测灵敏度。
双示踪剂和动态扫描的结合即双示踪剂动态扫描，具有上述两者的优势。然而，现有的动态扫描过程中使用的分析技术一般针对单示踪剂，如Patlak和Logan模型，两种模型直接建立了PET数据和动态参数之间的线性关系，而双示踪剂数据的混合在接收的PET数据中并不可辨识，利用传统简单房室模型无法直接模拟每种示踪剂的代谢过程。因此，使用合理的动态房室模型引导重建，对于提高PET检查的灵敏度具有重要意义。
【发明内容】
本发明所要解决的技术问题是提供一种可有效估计多示踪剂动态扫描过程中动态参数的方法。
本发明解决上述技术问题所采用的技术方案为：一种PET扫描中多示踪剂动态参数的估计方法，包括：
获取被扫描部位的若干组符合计数，且每组符合计数为对应于一种或多种示踪剂的PET扫描数据；
基于所述符合计数重建得到若干帧PET图像，以及根据所述PET图像获取不同时刻之间的血液活度样本值；
根据所述不同时刻之间的血液活度样本值获取多种示踪剂分别单独作用下的时间活度曲线；
基于每种示踪剂对应的符合计数和单独作用下的时间活度曲线，依次获取每种示踪剂的动态参数估计。
进一步地，所述示踪剂至少包含第一示踪剂I1和第T0时刻后注入的第二示踪剂I2，且根据不同时刻之间的血液活度样本值分别获取多种示踪剂分别单独作用下的时间活度曲线的具体过程为：
根据PET图像计算主动脉中PET图像的活度以获取血液活度样本值S，以及根据血液活度样本值S获取双示踪剂混合的时间活度曲线；
从所述血液活度样本值S提取第一示踪剂I1注入后、第二示踪剂I2注入前对应的血液活度样本值S1，并根据所述血液活度样本值S1获取第一示踪剂I1在T0内的时间活度曲线；
根据第一示踪剂I1在T0内的血液活度曲线外推出第一示踪剂I1在整个扫描过程的时间活度曲线，并基于所述双示踪剂混合的时间活度曲线和示踪剂I1在整个扫描过程的时间活度曲线，获取示踪剂I2的时间活度曲线。
进一步地，所述根据示踪剂I1在T0内的时间活度曲线外推出示踪剂I1在整个扫描过程的时间活度曲线的具体过程为：
对所述示踪剂I1在T0/2-T0内的血液活度曲线进行单指数函数拟合，获取拟合参数；
根据所述拟合参数获取所述示踪剂I1在T0外的时间活度曲线，示踪剂I1在整个扫描过程的血液活度曲线包括示踪剂I1在T0内的时间活度曲线和T0外的时间活度曲线。
进一步地，所述示踪剂I2的血液活度曲线为双示踪剂混合的时间活度曲线与示踪剂I1在整个扫描过程的时间活度曲线的差值。
进一步地，所述第一示踪剂I1为可逆示踪剂，且采用Logan模型拟合得到所述示踪剂I1的动态参数估计。
进一步地，所述示踪剂I1为不可逆示踪剂，且采用Patlak模型拟合得到所述示踪剂I1的参数估计。
进一步地，所述第一示踪剂I1和第二示踪剂I2为同种类型，且采用相同模型线性拟合得到示踪剂的动态参数估计。
进一步地，所述第一示踪剂I1和第二示踪剂I2为不同种类型，且采用不同模型线性拟合得到示踪剂的动态参数估计。
本发明还提出一种PET扫描中多示踪剂动态参数的估计方法，包括：
对受检部位进行动脉血采样，分别拟合出多种示踪剂对应的血输入函数，并通过血输入函数计算出多种示踪剂在血液中单独作用下的时间活度曲线；
获取被扫描部位的若干组符合计数，且每组符合计数为对应一种或多种示踪剂的PET扫描数据；
基于每种示踪剂对应的符合计数和单独作用下的时间活度曲线，依次采用相应的线性模型获取每种示踪剂的动态参数估计。
进一步地，所述示踪剂至少包含第一示踪剂I1和第T0时刻后注入的第二示踪剂I2，所述符合计数包括第一组符合计数和第二组符合计数，且所述第一示踪剂I1对应第一组符合计数和第二组符合计数，所述第二示踪剂I2对应第二组符合计数。
与现有技术相比，本发明的优点在于：采用非介入方法根据PET重建图像分别获取多种示踪剂分别单独作用下的血液活度曲线，可避免动脉采血的危险性；直接在数据域估计示踪剂参数，而无需在图像域对符合计数重建后的图像进行示踪剂参数估计，可显著减小噪声的引入，提高了参数估计结果的对比度和灵敏度；参数估计过程综合了动态扫描过程中大量的符合计数数据，不仅具有良好的动态特性，而且可靠性高。
【附图说明】
图1为本发明一实施例PET扫描中多示踪剂动态参数的估计方法流程图；
图2a为第二示踪剂I2注入前不同时刻重建得到的头部PET图像示意图；
图2b为第二示踪剂I2注入后不同时刻重建得到的头部PET图像示意图；
图3为第一示踪剂I1的Logan参数估计示意图；
图4为第二示踪剂I2的Patlak参数估计示意图；
图5为采用现有技术获得的非可逆示踪剂的Patlak参数估计示意图；
图6为本发明又一实施例PET扫描中多示踪剂动态参数的估计方法流程图。
【具体实施方式】
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图和实施例对本发明的具体实施方式做详细的说明。
在PET成像系统中，注入受检者体内的放射性核素发生正电子衰变产生正电子，正电子与受检者身体组织中的电子发生湮灭产生一对伽马光子，经生物组织衰减后被包含闪烁晶体和光点倍增管的探测器对捕捉进行符合探测，获得沿着探测器对符合线的符合事件计数(列表模式存储)，从而得到包含正电子空间分布信息的投影数据。由于符合探测的过程受到来自生物组织本身衰减、光子到达探测器的几何概率和噪声等诸多物理因素的影响，在投影数据使用过程中还需进行必要的校正。使用重建算法对校正后的投影数据进行重建，得到放射性核素的浓度分布，即为PET图像。在临床诊断中，临床医生不仅需要对动态PET图像进行视觉阅片，而且需要对动态PET图像进行动力学定量分析，其中动力学定量分析通过对动态PET图像分割得到感兴趣区域，提取该感兴趣区域的时间活度曲线，然后应用如房室模型等动力学模型计算感兴趣区域的动力学参数，从而得到具有临床诊断意义的生理参数估计。但是，由于受到PET探测光子的低计数率和物理噪声的影响，PET探测的原始数据信噪比较低，降低基于原始数据重建得到的PET图像质量，进而直接影响动力学参数估计的准确性。
本发明提出一种PET扫描中多示踪剂动态参数的估计方法，包括：采用探测器对受检者身体部位进行实时探测获取若干组符合计数(向量)，且每组符合计数都对应相应的示踪剂；分别获取每种示踪剂单独作用下的血液活度曲线；根据每种示踪剂对应的符合计数和单独作用下的血液活度曲线分别采用相应的动力学模型进行拟合获取每种示踪剂的动态参数估计。其中获取每种示踪剂单独作用下的活度曲线可以根据图像法(非介入性)获取，也可以通过使用采血设备进行分析血液样本(介入性)获取。
如图1为一实施例PET扫描中多示踪剂动态参数的估计方法流程图，具体包括：
S101、获取被扫描部位的若干组符合计数，且每组符合计数为对应于一种或多种示踪剂的PET扫描数据，具体可将多种示踪剂分别在不同时刻注入受检者身体部位，采用探测器对所述身体部位进行实时探测获取若干组符合计数，且每组符合计数都对应相应的示踪剂。被扫描部位可选择为头、颈、胸、腹部或盆腔等身体区域，在本发明实施例中，选择头部作为扫描区域，示踪剂包含第一示踪剂I1和第T0时刻注入的第二示踪剂I2，且第一示踪剂为可逆示踪剂具体为13N-NH3，第二示踪剂为不可逆示踪剂具体为18F-FDG，具体为：PET扫描从t＝0开始，且在t＝0向受检者体内注入第一示踪剂I1；在t＝T0时注入第二示踪剂I2，经过时间T1扫描结束，整个扫描过程持续时间为T0+T1。在扫描过程中，采用探测器对注入示踪剂的头部进行实时探测获取受检者头部发出的放射性信号，经过该符合探测和采集系统处理，形成原始的符合数据，采集频率为每单位时刻采集一次，得到T0+T1组符合计数，其中：在T0时间段内采集得到的T0组符合计数对应第一示踪剂I1，在T1时间段内采集得到的T1组符合计数同时对应第一示踪剂I1和第二示踪剂I2。PET探测器记录的符合计数向量包括真符合、随机符合和散射符合，且以列表模式存储，进一步地还可通过探测器的延时窗口和能量窗口对随机事件和散射事件进行校正，而后进行衰减校正，得到正弦图数据或校正后的符合计数。
S102、基于上述采集的符合计数重建得到若干帧PET图像，以及根据重建得到的PET图像获取不同时刻之间的血液活度样本值。将上述T0+T1组符合计数重建得到T0+T1帧重建图像，从第0时刻到第T0时刻的T0时间段内采集得到的T0组符合计数重建得到的PET图像对应第一示踪剂I1，在第T0时刻到第T0+T1时刻的T1时间段内采集得到的T1组符合计数重建得到的PET图像同时对应第一示踪剂I1和第二示踪剂I2。图2a为第二示踪剂I2注入前不同时刻重建得到的头部PET图像(静态图像)示意图，从左到右对应时刻分别为第1分钟、第6分钟、第11分钟和第16分钟；图2b为第二示踪剂I2注入后不同时刻重建得到的头部PET图像(静态图像)示意图，从左到右分别为第21分钟、第26分钟、第31分钟、第36分钟和第41分钟。在第一示踪剂I1注入后的一段较长时间内，头部同一部位的放射活度随时间会产生不同变化(活度值随时间逐渐变大)，且不同部位的放射活度对比度也随时间不断变化(对比度随时间逐渐增强)；对比图2a和图2b可知，由于第一示踪剂I1与第二示踪剂I2特性的不同，第二示踪剂I2注入后混合示踪剂的活度分布较之前发生一定的变化。从上述所有PET重建图像分割出主动脉并计算主动脉中PET图像的活度，可得到T0+T1个血液活度样本值，其中：根据从第0时刻到第T0时刻的时间段内采集得到的T0组符合计数重建得到的PET图像，根据PET图像可重建得到(提取)T0个血液活度样本值，分别记为R1、R2、…，RT0；根据从第T0时刻到第T0+T1时刻的时间段内采集得到的T1组符合计数重建得到的PET图像，可重建得到T1组血液活度样本值，分别记为RT0+1、RT0+2、…，RT0+T1。
S103、根据不同时刻之间的血液活度样本值分别获取多种示踪剂分别单独作用下的血液活度曲线，本具体实施例中采用图像方法获取两种示踪剂分别单独作用下的血液活度曲线获取具体过程为：
首先，根据上面过程获取所有头部PET图像对应的血液活度样本值S，S＝{R1、R2、…，RT0，RT0+1、RT0+2、…，RT0+T1}，根据血液活度样本值S获取第一示踪剂I1和第二示踪剂I2混合模型在不同时刻的血液活度值，即双示踪剂混合的时间活度曲线(TAC)。
然后，从血液活度样本值S提取第一示踪剂I1注入后、第二示踪剂I2注入前对应的血液活度样本值S1，S1＝{R1、R2、…，RT0}，并根据血液活度样本值S1进行拟合获取第一示踪剂I1在0-T0内随时间变化的活度值，即第一示踪剂I1单独作用下在T0内的时间活度曲线。
最后，根据示踪剂I1在T0内的时间活度曲线外推拟合出示踪剂I1在整个扫描过程的时间活度曲线，并基于双示踪剂混合的时间活度曲线和示踪剂I1在整个扫描过程的时间活度曲线，拟合获取示踪剂I2的时间活度曲线。其中，外推拟合第一示踪剂I1在整个扫描过程中的时间活度曲线过程为：对第一示踪剂I1在第T0/2时刻至第T0时刻内的时间活度曲线进行单指数函数拟合，获取拟合参数；根据获得的拟合参数和衰变因子获取第一示踪剂I1在从第T0时刻至第T0+T1时刻时间段内随时间变化的活度值，即对应示踪剂的时间活度曲线，第一示踪剂I1在整个扫描过程的血液活度曲线包括第一示踪剂I1在0-T0内的血液活度曲线和从第T0时刻至第T0+T1时刻时间段内的时间活度曲线。将双示踪剂混合的随时间变化的活度值减去对应时间内第一示踪剂的活度值，可得到第二示踪剂在扫描过程中随时间变化的活度值，即双示踪剂混合的时间活度曲线减去第一示踪剂I1在0-T0+T1内的时间活度曲线可得到第二示踪剂I2单独作用下的时间活度曲线。
S104、根据每种示踪剂对应的符合计数和单独作用下的时间活度曲线分别采用相应的线性模型获取每种示踪剂的动态参数估计。Patlak模型通常是对不可逆示踪剂(irreversible tracer)在两室模型中简化得到的线性关系，它可以表示为：
其中，xj(T)表示在时间为T时图像第j个体素内此种不可逆示踪剂的真实活度值，T>T*，且T*表示示踪剂到达平衡态的时刻，τ为此示踪剂半衰期，bld(t)表示时间为t时血液中此示踪剂的活度值，同样地，时间为T时血液中示踪剂的活度值可表示为bld(T)，kj和qj都为Patlak模型参数，分别为图像第j个体素的Patlak斜率和Patlak截距。Logan模型通常是对可逆示踪剂(reversible tracer)在两室模型中简化得到的线性关系，该表达式在一定条件下可以被改写为：
其中，xj(t)表示在第t时刻(或时间为t时)PET图像第j个体素内可逆示踪剂的真实活度值，xj(T)表示在时间为T时图像第j个体素内此种不可逆示踪剂的真实活度值，T>T*，且T*表示示踪剂到达平衡态的时刻，τ为此示踪剂半衰期，bld(t)表示第t时刻(或时间为t时)血液中可逆示踪剂的活度值，为其导数，uj和vj为图像第j个体素的Logan模型参数，分别为Logan斜率和Logan截距。根据上述两种模型，血液中示踪剂的活度值是求得Patlak参数和Logan参数的必要条件。PET数据(符合计数)和血液活度值的关系可以如下表示：
其中，表示符合计数中第i条响应线上在t时刻接收到数据速率的期望值，xj(t)为PET图像的第j个元素在t时刻的单位时间活度，Ai为符合计数中第i条响应线上的衰减系数，系统矩阵Pij代表PET图像第j个像素的单位活度在第i条响应线上被接收到的概率，ri(t)为第i条响应线上的随机事件在t时刻的强度，si(t)为第i条响应线上散射事件在t时刻的强度。
本实施例中，第一示踪剂I1为可逆示踪剂，第二示踪剂I2为不可逆示踪剂，因此第一示踪剂I1的动态参数估计采用Logan模型在数据域进行拟合获得，第二示踪剂I2的动态参数估计采用Patlak模型在数据域进行拟合获得。具体为：根据公式(2)和公式(3)可得
其中，表示在t时刻获取的符合计数中第i条响应线上接收到数据速率的期望值，此时t∈[0,T0]，xj(t)为PET图像的第j个元素在t时刻的单位时间活度，Ai为符合计数中第i条响应线上的衰减系数，系统矩阵Pij代表PET图像第j个像素的单位活度在第i条响应线上被接收到的概率，ri(t)为第i条响应线上的随机事件在t时刻的强度，si(t)为第i条响应线上散射事件在t时刻的强度,τ为此示踪剂半衰期，bld(t)表示第t时刻血液中可逆示踪剂的活度值，为其导数。需要说明的是，本发明方法可获取示踪剂在受检部位每个体素的代谢参数，从而得到像素级别的代谢参数估计，如图3为本发明第一示踪剂I1的Logan参数估计示意图，其中上排图为基于公式(4)的数据模型使用EM迭代算法获取的Logan参数uj示意图，且从左到右分别为横断面、冠状面和矢状面视图，下排图为基于公式(4)的数据模型使用EM迭代算法获取的Logan参数vj示意图且从左到右分别为横断面、冠状面和矢状面视图。与图2相比，图3的参数估计结果噪声低、信噪比高，且参数估计图中的对比度明显好于静态图像；如图3所示，动态估计图在某些体素区域高亮，与静态图像相比具有很好的动态特性，两种参数图可用于辅助诊断，且比传统静态PET重建具有更高的灵敏度。需要说明的是，第一示踪剂I1的动态参数估计还可采用滤波反投影算法(FBP)、最大似然算法(ML)、最大后验概率算法(MAP)、最小二乘算法或参量化迭代坐标下降算法(PICD)。
在获得第一示踪剂I1的动态参数基础上，可估计得到在第T0时刻之后接收到的混合PET数据中由第一示踪剂I1贡献的真实事件计数速率具体为：
在时间[T0,T0+T1]的任意时刻t，接收到的PET数据速率由第一种示踪剂和第二种示踪剂同时贡献组成。数据模型可以表示为
其中，xj(t)表示在第t时刻PET图像第j个体素内第二种可逆示踪剂的真实活度值，Ai为第i条响应线上的衰减系数，系统矩阵Pij代表PET图像第j个像素的单位活度在第i条响应线上被接收到的概率，ri(t)和si(t)为第i条响应线上的随时和散射事件在t时间的计数率，τ2为第二示踪剂I2的半衰期。联合公式(1)和公式(6)可得：
如图4为本发明第二示踪剂I2的Patlak参数估计示意图，其中上排为基于公式(7)的数据模型使用EM迭代算法获取的Patlak参数kj图，且从左到右分别为横断面、冠状面和矢状面视图，下排图为基于公式(7)的数据模型使用EM迭代算法获取的Patlak参数qj图，且从左到右分别为横断面、冠状面和矢状面视图，即第二示踪剂I2的动态参数估计，在某些区域的亮度值明显高于其他区域，且动态参数估计结果图的对比度明显提高、信噪比好。需要说明的是，上述参数估计还可采用滤波反投影算法(FBP)、最大似然算法(ML)、最大后验概率算法(MAP)、最小二乘算法或参量化迭代坐标下降算法(PICD)等。
为了进一步对比，本发明还采用现有技术进行示踪剂动态参数估计，以示踪剂为非可逆示踪剂为例说明，其大体过程为：将示踪剂注入受检者身体部位，同时实时采集符合计数向量，并由符合计数重建得到多帧PET图像；根据PET图像建立各体素的TAC数据，还可对TAC数据进行降噪处理；根据获得的TAC数据和PET图像中的血浓度数据，采用Patlak模型在数据域拟合示踪剂的代谢参数。如图5为采用上述方法获得的Patlak参数估计示意图，其中上排为Patlak斜率估计图像，下排为Patlak截距估计图像，其信噪比较低且感兴趣区域信号对比度不明显。传统动力学参数估计多在图像域中进行，一方面受到PET探测光子的低计数率和物理噪声的影响，在图像重建过程中不可避免地引入了较高的噪声，为减小低信噪比带来的影响只能在重建图像中勾画感兴趣区域ROI，并计算ROI均值来计算参数，得到的仅仅为某个区域内的参数估计，并不能有效做到像素级别的参数成像；另一方面，传统的动态PET图像重建是对每个扫描时间点的探测数据应用解析重建法或者统计迭代法单独重建其静态PET图像，最后得到整个图像，在单帧图像的重建中使用滤波或者降噪等方法虽然减小了图像噪声的影响，但是并没有利用动态PET图像的时间信息，得到的TAC信噪比低、参数估计准确度也较低，因此传统方法获得示踪剂动态参数估计无法体现每个体素上参数的变化，而仅体现某个区域或较大范围内的示踪剂参数估计。通过对比图4和图5可知，由于直接在数据域进行动态参数估计，引入的噪声更少，采用本发明获得的参数估计结果，信噪比明显好于现有技术；获取的参数图像分辨率高，同时图像噪声低；本发明方法可获取受检部位每个体素的对应的示踪剂参数估计，即可体现像素级别的动态参数变化，比传统方法具有更高的灵敏度。
在实施例二中，PET扫描中使用的多示踪剂分别为向受检者头部在扫描开始时刻注入第一示踪剂I1，具体为11C-FEZ；在第20分钟注入第二示踪剂I2，具体为13N-NH3；在第30分钟注入第三示踪剂I3，具体为6-18F-FDOPA；且第一示踪剂I1、第二示踪剂I2为同种类型都为可逆示踪剂，第三示踪剂I3为不可逆示踪剂，采集频率为每分钟一帧，整个扫描时间持续45分钟。第0-20分钟内可采集得到具有20帧数据的第一组符合计数，第20-30分钟内可采集得到具有10帧数据的第二组符合计数，第30-45分钟内可采集得到具有15帧数据的第三组符合计数。将上述三组符合计数向量重建得到45帧PET图像，并且分割所有PET图像主动脉计算主动脉中PET图像的活度，可得到对三组符合计数相对应的45个血液活度样本值。其中第1-20血液活度样本值对应第一示踪剂I1，第21-30血液活度样本值对应第一示踪剂I1和第二示踪剂I2，第31-45血液活度样本值对应第一示踪剂I1、第二示踪剂I2、第三示踪剂I3。根据第1-20血液活度样本值可获取第一示踪剂I1在前20分钟内的时间活度曲线，取第10-20分钟的时间活度曲线进行单指数函数拟合获取拟合参数，根据拟合参数和衰减因子采用外推法可获得第一示踪剂I1在第20-45分钟内所有时刻的血液活度值。第21-30血液活度样本值减去第一示踪剂I1在对应时刻的血液活度值，可获得第二示踪剂I2在20-30分钟内单独作用的时间活度曲线，类似的也可采用外推法获取第二示踪剂I2在第30-45分钟内各个时刻的血液活度值。第31-45血液活度样本值减去第一示踪剂I1在对应时刻的血液活度值、第二示踪剂I2在对应时刻的血液活度值即为第三示踪剂I3单独作用时对应时刻的血液活度值。根据上述方法可拟合得到三种示踪剂分别对应的时间活度曲线。最后对第一示踪剂I1采用Logan线性模型在数据域基于第一组符合计数向量获取相应动态参数估计(Logan斜率和截距)；对第二示踪剂I2采用Logan线性模型在数据域基于第二组符合计数以及排除第一示踪剂I1对应的贡献部分获取相应动态参数估计(Logan斜率和截距)；且对第三示踪剂I3采用Patlak线性模型在数据域基于第三组符合计数向量以及排除第一示踪剂I1、第二示踪剂I2对应的贡献部分，分获取相应动态参数估计(Patlak斜率和截距)，具体可参考实施例一。
在实施例三中，如图5所示PET扫描中多示踪剂动态参数的估计方法包括：
S201、对受检部位进行动脉血采样，分别拟合出多种示踪剂对应的血输入函数，并通过血输入函数计算出多种示踪剂在血液中单独作用下的时间活度曲线。在一个实施例中，对受检者部位进行动脉血采样，分别拟合出第一示踪剂I1和第二示踪剂I2对应的血输入函数，并通过血输入函数计算出第一示踪剂I1和第二示踪剂I2在血液中单独作用下的时间活度曲线。血输入函数的具体定义为动脉血浆中示踪剂放射性浓度随时间的变化曲线，常用的经典方法为动脉穿刺和插管，在示踪剂注射前后1-2min采血4-8个点，随着时间的延长采血间隔可相应延长，直至显像结束，本实施例中在两种示踪剂单独注射后2h内采集30个点左右。假定相邻两点间为直线，逐点计算示踪剂注射后至显像中期动脉血浆中示踪剂随时间的积分。需要说明的是，本发明对采血次数并不作具体限制，可适当减小采血次数，而用双指数模型拟合各点而得到血输入函数。在另一实施例中，还可采用静脉血代替动脉血，具体地：将前臂加热至一定温度，使得微循环的动静脉短路开放，采集动脉化静脉血代替动脉采血，测定血浆示踪剂浓度并计算血输入函数。在又一实施例中，利用人群动脉血曲线(或扫描系统中存储的同种示踪剂的多个先验人体动脉血曲线)，并将采血次数减至2-3点计算血输入函数。
S202、获取被扫描部位的若干组符合计数，且每组符合计数为对应一种或多种示踪剂的PET扫描数据，即将多种不同示踪剂分别在不同时刻注入受检者身体部位；采用探测器对所述身体部位进行实时探测获取若干组符合计数，且每组符合计数都对应相应的示踪剂。具体地，PET扫描从t＝0开始，且在t＝0向受检者头部注入第一示踪剂I1，第一示踪剂为不可逆示踪剂；在t＝T0时注入第二示踪剂I2，第二示踪剂为可逆示踪剂，经过时间T1扫描结束，整个扫描过程持续时间为T0+T1。符合计数包括第一组符合计数和第二组符合计数，且第一组符合计数为第一示踪剂I1注入后、第二示踪剂I2注入前获得，第二组符合计数为第二示踪剂I2注入后获得，即第一示踪剂I1对应第一组符合计数和第二组符合计数，第二示踪剂I2对应第二组符合计数。
S203、根据每种示踪剂对应的符合计数和单组作用下的时间活度曲线分别采用相应的线性模型获取每种示踪剂的动态参数估计。具体地，对第一示踪剂I1采用Patlak线性模型，在数据域基于第一组符合计数获取动态参数估计(Patlak斜率和截距)；对第二示踪剂I2采用Logan线性模型，在数据域基于第二组符合计数并排除第一示踪剂I1的贡献部分获取动态参数估计(Logan斜率和截距)。需要说明的是，本发明中采用动脉血采样方法获取时间活度曲线与获取符合计数的顺序并没有特别的限制。在另一个实施例中，可采集多种示踪剂分别注入后的PET数据，在扫描完成后进行动脉血采样获取时间活度曲线，在PET扫描处理器后端进行处理获取动态参数估计。
在实施例四中，PET扫描中多示踪剂动态参数的估计方法包括：
S301、在PET数据扫描前，对受检者部位进行动脉血采样，分别拟合出第一示踪剂I1、第二示踪剂I2和第三示踪剂I3对应的血输入函数，并通过血输入函数计算出第一示踪剂I1、第二示踪剂I2和第三示踪剂I3在血液中单独作用下的时间活度曲线。
S302、将三种示踪剂分别在不同时刻注入受检者身体部位；采用探测器对身体部位进行实时探测获取若干组符合计数，且每组符合计数都对应相应的示踪剂。具体地，PET扫描从t＝0开始，且在t＝0时向受检者头部注入第一示踪剂I1，第一示踪剂为不可逆示踪剂；在第15分钟时注入第二示踪剂I2，第二示踪剂I2为不可逆示踪剂；在第30分钟时注入第三示踪剂I3，第三示踪剂I3为可逆示踪剂，采集频率为每分钟一帧且整个扫描持续40分钟。第0-15分钟内可采集得到具有15帧数据的第一组符合计数，第16-30分钟内可采集得到具有15帧数据的第二组符合计数，第31-40分钟内可采集得到具有10帧数据的第三组符合计数。
S303、根据每种示踪剂对应的符合计数和单独作用下的时间活度曲线分别采用相应的线性模型获取每种示踪剂的动态参数估计。三种示踪剂的动态参数估计具体为：对第一示踪剂I1采用Patlak线性模型，在数据域仅根据第一组符合计数可得到第一示踪剂I1的Patlak斜率和截距；对第二示踪剂I2同样采用Patlak线性模型，在数据根据第二组符合计数以及第一示踪剂I1的数据所占的比重可得到第二示踪剂I2的Patlak斜率和截距；且对第三示踪剂I3采用Logan线性模型，在数据域根据第二组符合计数以及第一示踪剂I1的数据所占的比重、第二示踪剂I2的数据所占的比重得到第三示踪剂I3的Logan斜率和截距。
需要说明的是，现有技术多采用将PET符合数据重建为图像，再从图像域获取参数估计，在参数估计之前图像域需要重建多个静态的PET图像，而由于每帧图像包含的数据有限，重建得到的静态图像不仅会产生较大偏差，而且会产生较长的重建时间。此外，图像重建会不可避免的引入噪声。而本发明直接根据包含符合计数的数据域获得参数估计，不仅可明显降低噪声的引入，而且数据域可依次重建出参数估计结果，所需时间少且结果可靠性高。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (10)
1.一种PET扫描中多示踪剂动态参数的估计方法，包括：
获取被扫描部位的若干组符合计数，且每组符合计数为对应于一种或多种示踪剂的PET扫描数据；
基于所述符合计数重建得到若干帧PET图像，以及根据所述PET图像获取不同时刻之间的血液活度样本值；
根据所述不同时刻之间的血液活度样本值获取多种示踪剂分别单独作用下的时间活度曲线；
基于每种示踪剂对应的符合计数和单独作用下的时间活度曲线，依次获取每种示踪剂的动态参数估计。
2.根据权利要求1所述的PET扫描中多示踪剂动态参数的估计方法，其特征在于，所述示踪剂至少包含第一示踪剂I1和第T0时刻后注入的第二示踪剂I2，且根据不同时刻之间的血液活度样本值分别获取多种示踪剂分别单独作用下的时间活度曲线的具体过程为：
根据PET图像计算主动脉中PET图像的活度以获取血液活度样本值S，以及根据血液活度样本值S获取双示踪剂混合的时间活度曲线；
从所述血液活度样本值S提取第一示踪剂I1注入后、第二示踪剂I2注入前对应的血液活度样本值S1，并根据所述血液活度样本值S1获取第一示踪剂I1在T0内的时间活度曲线；
根据第一示踪剂I1在T0内的血液活度曲线外推出第一示踪剂I1在整个扫描过程的时间活度曲线，并基于所述双示踪剂混合的时间活度曲线和示踪剂I1在整个扫描过程的时间活度曲线，获取示踪剂I2的时间活度曲线。
3.根据权利要求2所述的多示踪剂动态PET扫描中动态参数的估计方法，其特征在于，所述根据示踪剂I1在T0内的时间活度曲线外推出示踪剂I1在整个扫描过程的时间活度曲线的具体过程为：
对所述示踪剂I1在T0/2-T0内的血液活度曲线进行单指数函数拟合，获取拟合参数；
根据所述拟合参数获取所述示踪剂I1在T0外的时间活度曲线，示踪剂I1在整个扫描过程的血液活度曲线包括示踪剂I1在T0内的时间活度曲线和T0外的时间活度曲线。
4.根据权利要求2所述的多示踪剂动态PET扫描中动态参数的估计方法，其特征在于，所述示踪剂I2的血液活度曲线为双示踪剂混合的时间活度曲线与示踪剂I1在整个扫描过程的时间活度曲线的差值。
5.根据权利要求2所述的PET扫描中动态参数的估计方法，其特征在于，所述第一示踪剂I1为可逆示踪剂，且采用Logan模型拟合得到所述示踪剂I1的动态参数估计。
6.根据权利要求2所述的多示踪剂动态PET扫描中动态参数的估计方法，其特征在于，所述示踪剂I1为不可逆示踪剂，且采用Patlak模型拟合得到所述示踪剂I1的参数估计。
7.根据权利要求5或6所述的PET扫描中动态参数的估计方法，其特征在于，所述第一示踪剂I1和第二示踪剂I2为同种类型，且采用相同模型线性拟合得到示踪剂的动态参数估计。
8.根据权利要求5或6所述的PET扫描中动态参数的估计方法，其特征在于，所述第一示踪剂I1和第二示踪剂I2为不同种类型，且采用不同模型线性拟合得到示踪剂的动态参数估计。
9.一种PET扫描中多示踪剂动态参数的估计方法，包括：
对受检部位进行动脉血采样，分别拟合出多种示踪剂对应的血输入函数，并通过血输入函数计算出多种示踪剂在血液中单独作用下的时间活度曲线；
获取被扫描部位的若干组符合计数，且每组符合计数为对应一种或多种示踪剂的PET扫描数据；
基于每种示踪剂对应的符合计数和单独作用下的时间活度曲线，依次采用相应的线性模型获取每种示踪剂的动态参数估计。
10.根据权利要求9所述的PET扫描中多示踪剂动态参数的估计方法，其特征在于，所述示踪剂至少包含第一示踪剂I1和第T0时刻后注入的第二示踪剂I2，所述符合计数包括第一组符合计数和第二组符合计数，且所述第一示踪剂I1对应第一组符合计数和第二组符合计数，所述第二示踪剂I2对应第二组符合计数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269646.9A CN106510744B (zh) | 2016-04-27 | 2016-04-27 | Pet扫描中多示踪剂动态参数的估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610269646.9A CN106510744B (zh) | 2016-04-27 | 2016-04-27 | Pet扫描中多示踪剂动态参数的估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106510744A true CN106510744A (zh) | 2017-03-22 |
| CN106510744B CN106510744B (zh) | 2021-01-08 |
Family
ID=58358139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610269646.9A Active CN106510744B (zh) | 2016-04-27 | 2016-04-27 | Pet扫描中多示踪剂动态参数的估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106510744B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
| CN108932741A (zh) * | 2018-06-14 | 2018-12-04 | 上海联影医疗科技有限公司 | 动态pet参数成像方法、装置、系统和计算机可读存储介质 |
| CN110946578A (zh) * | 2018-09-26 | 2020-04-03 | 西门子医疗有限公司 | 自动选择成像参数的方法、相应的成像方法和成像设备 |
| CN111161857A (zh) * | 2019-12-26 | 2020-05-15 | 东软医疗系统股份有限公司 | 确定检查顺序的方法、装置及管理系统 |
| CN112068179A (zh) * | 2020-08-13 | 2020-12-11 | 南昌大学 | 一种基于勒贝格采样的正电子成像方法 |
| US20210118202A1 (en) * | 2019-10-18 | 2021-04-22 | Uih America, Inc. | Systems and methods for image reconstruction |
| CN113729751A (zh) * | 2021-10-12 | 2021-12-03 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
| CN113822298A (zh) * | 2021-09-28 | 2021-12-21 | 上海联影医疗科技股份有限公司 | 一种时间活度曲线提取方法和系统 |
| WO2022120589A1 (zh) * | 2020-12-08 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 基于em算法的动态pet参数图像分部重建算法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101466302A (zh) * | 2006-03-23 | 2009-06-24 | 皇家飞利浦电子股份有限公司 | 为动态分子成像过程个性化动力学参数估计的方法 |
| WO2012011872A1 (en) * | 2010-07-23 | 2012-01-26 | National Cancer Centre Singapore | A method and/or system for determining portal hemodynamics of a subject |
| WO2012167257A1 (en) * | 2011-06-03 | 2012-12-06 | Medrad, Inc. | System and method for rapid quantitative dynamic molecular imaging scans |
| CN103136731A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种动态pet图像的参数成像方法 |
| CN103295207A (zh) * | 2013-05-30 | 2013-09-11 | 浙江大学 | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 |
| CN103876773A (zh) * | 2014-03-24 | 2014-06-25 | 浙江大学 | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 |
| US20150196268A1 (en) * | 2014-01-14 | 2015-07-16 | Siemens Medical Solutions Usa, Inc. | Cross-Calibration For Quantitative Functional Imaging |
| US20150363948A1 (en) * | 2014-06-16 | 2015-12-17 | University Of Southern California | Direct Patlak Estimation from List-Mode PET Data |
-
2016
- 2016-04-27 CN CN201610269646.9A patent/CN106510744B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101466302A (zh) * | 2006-03-23 | 2009-06-24 | 皇家飞利浦电子股份有限公司 | 为动态分子成像过程个性化动力学参数估计的方法 |
| WO2012011872A1 (en) * | 2010-07-23 | 2012-01-26 | National Cancer Centre Singapore | A method and/or system for determining portal hemodynamics of a subject |
| WO2012167257A1 (en) * | 2011-06-03 | 2012-12-06 | Medrad, Inc. | System and method for rapid quantitative dynamic molecular imaging scans |
| CN103136731A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种动态pet图像的参数成像方法 |
| CN103295207A (zh) * | 2013-05-30 | 2013-09-11 | 浙江大学 | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 |
| US20150196268A1 (en) * | 2014-01-14 | 2015-07-16 | Siemens Medical Solutions Usa, Inc. | Cross-Calibration For Quantitative Functional Imaging |
| CN103876773A (zh) * | 2014-03-24 | 2014-06-25 | 浙江大学 | 一种基于Logan Plot的大脑多示踪剂代谢参数的估计方法 |
| US20150363948A1 (en) * | 2014-06-16 | 2015-12-17 | University Of Southern California | Direct Patlak Estimation from List-Mode PET Data |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
| CN107133997B (zh) * | 2017-04-11 | 2019-10-15 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
| CN108932741A (zh) * | 2018-06-14 | 2018-12-04 | 上海联影医疗科技有限公司 | 动态pet参数成像方法、装置、系统和计算机可读存储介质 |
| CN108932741B (zh) * | 2018-06-14 | 2022-08-19 | 上海联影医疗科技股份有限公司 | 动态pet参数成像方法、装置、系统和计算机可读存储介质 |
| CN110946578A (zh) * | 2018-09-26 | 2020-04-03 | 西门子医疗有限公司 | 自动选择成像参数的方法、相应的成像方法和成像设备 |
| CN110946578B (zh) * | 2018-09-26 | 2023-10-31 | 西门子医疗有限公司 | 自动选择成像参数的方法、相应的成像方法和成像设备 |
| US20210118202A1 (en) * | 2019-10-18 | 2021-04-22 | Uih America, Inc. | Systems and methods for image reconstruction |
| US11354831B2 (en) * | 2019-10-18 | 2022-06-07 | Uih America, Inc. | Image reconstruction using tracer and various parameters |
| CN111161857A (zh) * | 2019-12-26 | 2020-05-15 | 东软医疗系统股份有限公司 | 确定检查顺序的方法、装置及管理系统 |
| CN112068179A (zh) * | 2020-08-13 | 2020-12-11 | 南昌大学 | 一种基于勒贝格采样的正电子成像方法 |
| WO2022120589A1 (zh) * | 2020-12-08 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 基于em算法的动态pet参数图像分部重建算法 |
| CN113822298A (zh) * | 2021-09-28 | 2021-12-21 | 上海联影医疗科技股份有限公司 | 一种时间活度曲线提取方法和系统 |
| CN113729751A (zh) * | 2021-10-12 | 2021-12-03 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
| CN113729751B (zh) * | 2021-10-12 | 2024-01-30 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106510744B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106510744A (zh) | Pet扫描中多示踪剂动态参数的估计方法 | |
| CN101506842B (zh) | 灌注成像的方法 | |
| EP1991959B1 (en) | Local motion compensation based on list mode data | |
| CN109961834B (zh) | 影像诊断报告的生成方法及设备 | |
| EP2441050B1 (en) | Time-of-flight positron emission tomography reconstruction using image content generated event-by-event based on time-of-flight information | |
| WO2016197127A1 (en) | Attenuation map reconstruction from tof pet data | |
| CN104688259B (zh) | Ct扫描灌注方法及装置 | |
| WO2023273336A1 (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 | |
| CN107133549A (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
| CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| CN107464270A (zh) | 一种图像重建方法和装置 | |
| Karakatsanis et al. | Quantitative whole-body parametric PET imaging incorporating a generalized Patlak model | |
| CN103295207A (zh) | 一种基于h无穷滤波的双示踪剂pet浓度的动态重建方法 | |
| CN112529977B (zh) | 一种pet图像重建的方法和系统 | |
| Buvat | Quantification in emission tomography: Challenges, solutions, and performance | |
| Hu et al. | Clinical whole body CBM parametric PET with flexible scan modes | |
| WO2023051719A1 (en) | Methods and systems for attenuation map generation | |
| US20130109964A1 (en) | Methods and apparatus for analyzing medical imaging data | |
| CN103263275B (zh) | 一种基于h无穷滤波的pet生理参数的重构方法 | |
| Li et al. | Reproducible computer-assisted quantification of myocardial perfusion with contrast-enhanced ultrasound | |
| CN104574385A (zh) | 一种基于动态pet影像的心肌脂肪酸代谢量化检测方法 | |
| CN110215226A (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
| Zheng et al. | An observer study of reconstruction strategies for the detection of solitary pulmonary nodules using hybrid NeoTect SPECT images | |
| Shcherbinin et al. | An investigation of accuracy of iterative reconstructions in quantitative SPECT | |
| Zhu | Direct wholebody Patlak and Logan image estimation from listmode pet data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |