CN107123095B - 一种pet图像重建方法、成像系统 - Google Patents
一种pet图像重建方法、成像系统 Download PDFInfo
- Publication number
- CN107123095B CN107123095B CN201710213429.2A CN201710213429A CN107123095B CN 107123095 B CN107123095 B CN 107123095B CN 201710213429 A CN201710213429 A CN 201710213429A CN 107123095 B CN107123095 B CN 107123095B
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- data
- pet data
- projection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000003384 imaging method Methods 0.000 title claims description 16
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000013499 data model Methods 0.000 claims abstract description 42
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000002591 computed tomography Methods 0.000 claims description 53
- 210000004072 lung Anatomy 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 17
- 210000000056 organ Anatomy 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000002600 positron emission tomography Methods 0.000 description 147
- 238000003860 storage Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 17
- 230000003993 interaction Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 239000002872 contrast media Substances 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 230000002285 radioactive effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003706 image smoothing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请披露了一种重建PET图像的方法,该方法包括:获取扫描物体的解剖图像和PET数据;对该解剖图像进行分割处理,获取分割图像,该分割图像中至少包括一个非零值的目标区域,所述目标区域包含若干个体素;对该分割图像进行投影处理,获取该目标区域在弦图上的投影;获得基于该分割图像和/或目标区域在弦图上的投影所引导的PET数据模型;以及根据该PET数据模型对该PET数据进行重建,获得该被扫描物体的PET图像。
Description
【技术领域】
本申请涉及一种正电子发射断层成像(Positron Emission Tomography,以下简称PET)系统和方法,尤其是涉及一种基于PET数据和特定区域的计算机断层扫描(computedtomography,CT)图像或磁共振(magnetic resonance,MR)图像重建PET图像的系统和方法。
【背景技术】
在正电子发射断层成像(PET)过程中,由于肺部的造影剂活度较低,当采用传统的重建算法重建PET图像时,低活度区域的收敛速度较慢。较慢的收敛速度可能导致图像质量不高,从而影响对病变,如肿瘤等的检测。因此,需要一种加速肺部图像收敛速度,提高图像质量的PET图像重建方法,能提高小肿瘤在PET图像中的对比度和小肿瘤的检测率。
【发明内容】
本发明所要解决的技术问题是提供一种准确、高效的PET图像重建方法及系统。
本发明解决上述技术问题所采用的技术方案为一种PET图像重建方法,该方法包括:获取扫描物体的解剖图像和PET数据;对该解剖图像进行分割处理,获取分割图像,该分割图像中至少包括一个非零值的目标区域,所述目标区域包含若干个体素;对该分割图像进行投影处理,获取该目标区域在弦图上的投影;获得基于该分割图像和/或目标区域在弦图上的投影所引导的PET数据模型;以及根据该PET数据模型对该PET数据进行重建,获得该被扫描物体的PET图像。
进一步地,获得基于该分割图像和/或目标区域在弦图上的投影所引导的PET数据模型包括:根据该目标区域在弦图上的投影,将该PET数据分类为服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。
进一步地,该目标区域为肺部区域,且该肺部区域对应的分割图像为经过二值化处理后的二值轮廓图像。
进一步地,该方法还包括对该二值轮廓图像的元素进行平滑滤波处理。
进一步地,该解剖图像为CT图像或MR图像,且在获取该PET数据前采集该CT图像对应的CT数据或者MR图像对应的MR数据。
进一步地,根据该解剖图像获取该扫描物体的组织或器官信息,并根据该扫描物体的组织或器官信息为该扫描物体的各体素分配相应衰减系数;根据该衰减系数获取用于PET数据重建的初始衰减图;以及根据该初始衰减图在所述PET数据重建的过程中对该PET数据进行衰减校正。
进一步地,PET数据包括飞行时间信息,且重建该PET数据,获取扫描物体的PET图像包括:根据该飞行时间信息将该PET数据分类为多个箱;以及重建该多个箱中的PET数据,获取扫描物体的PET图像。
本发明还包括一个成像系统,包括:一个存储器,被配置为存储一个扫描物体的解剖图像和PET数据;和一个处理器,被配置为:获取扫描物体的解剖图像和PET数据;对该解剖图像进行分割处理,获取分割图像,该分割图像中至少包括一个非零值的目标区域,该目标区域包含若干个体素;对该分割图像进行投影处理,获取该目标区域在弦图上的投影;以及获得基于该分割图像和/或目标区域在弦图上的投影所引导的PET数据模型;以及根据该PET数据模型对该PET数据进行重建,获得该被扫描物体的PET图像。
进一步地,该处理器被配置为获得基于所述分割图像和/或目标区域在弦图上的投影所引导的PET数据模型包括:该处理器被配置为根据该目标区域在弦图上的投影,将该PET数据的模型分类为服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。
进一步地,该系统还包括CT数据采集装置和/或PET数据采集装置,该CT数据采集装置用于对扫描物体执行CT扫描,获取对应解剖图像的CT数据;所述PET数据采集装置用于对扫描物体执行PET扫描,获取PET数据,且所述CT数据在所述PET扫描前获取。
与现有技术相比,本申请具有如下有益效果:根据目标区域在弦图上的投影获取PET数据模型,其中目标区域为低活度区域,在弦图域对应的PET数据服从平移泊松分布的PET数据模型,剩余PET数据可归类为服从泊松分布的PET数据模型,且剩余PET数据对应的扫描部位为高活度区域,由此基于目标区域在弦图上的投影即可区分低活度区域、高活度区域对应的PET数据;在PET数据的重建过程中,基于混合传统泊松和平移泊松的噪声模型,利用以最大期望值方法为基础的重建算法对服从泊松分布的PET数据、服从平移泊松分布的PET数据进行重建,提高低活度区域PET数据重建的速度;基于混合噪声模型的重建有效减小低活度区域在中间过程中被高估的问题,提高了PET重建的精度,且可去除重建图像周围的放射状伪影。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的检查或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本披露的特性可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
【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他类似情景。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是根据本申请一些实施例的成像系统的应用场景示意图。
图2是根据本申请一些实施例的处理设备的模块示意图。
图3是根据本申请一些实施例的重建PET图像的示例性流程图。
图4A-4D是根据本申请一些实施例的基于不同方法重建的模体的图像。
图5A-5D是根据本申请一些实施例的基于不同方法重建的人体肺部区域的图像。
【具体实施方式】
为了更清楚地说明本申请的实施例的技术方案,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申请的一些示例或实施例,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申请应用于其他类似情景。应当理解,给出这些示例性实施例仅是为了使相关领域的技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。
如本说明书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它的步骤或元素。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行于成像系统中。这些模块仅是说明性的,并且该系统和方法的不同方面可以使用不同模块。
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。
需要说明的是,“元素”代表了图像矩阵中的最小的成分,“体素”代表了实际区域中的最小的成分。除非上下文明确提示示例外情形,在本申请中图像矩阵中的“元素”和与图像矩阵相对应的实际区域中的“体素”可以表示相同的意思并可以进行替换。
本发明所涉及的成像系统,不仅可以用于医学成像,如疾病的诊断和研究等,还可用于工业领域。所述成像系统可以是一个单模态系统或一个多模态系统,包括但不限于,正电子发射断层扫描(positron emission tomography,PET)系统、计算机断层扫描(computed tomography,CT)系统、磁共振成像(magnetic resonance imaging,MRI)系统、超声波扫描(ultrasound,US)系统、单光子发射计算机断层扫描(single-photon emissioncomputed tomography,SPECT)系统、PET-CT、PET-MRI、PET-US、SPECT-MRI、SPECT-US、US-CT、US-MR等一种或多种的组合。
本申请涉及一种PET图像重建方法。在生成PET图像的过程中,基于PET数据和特定区域的解剖图像,重建PET图像。所述特定区域是从CT图像或MR图像等解剖图像中分割并进行平滑处理获得的。
图1是根据本申请一些实施例的成像系统100的应用场景示意图。成像系统100可以对一个目标物体进行扫描,并基于扫描数据生成相关图像。在一些实施例中,成像系统100可以是一个医学成像系统。成像系统100可以包括一个数据采集设备110、处理设备120、存储设备130和交互设备140。数据采集设备110、处理设备120、存储设备130和交互设备140之间通过网络150进行通信。
数据采集设备110可以对一个目标物体进行扫描,并获取相应的扫描数据。数据采集设备110可以是正电子发射断层扫描仪(PET)、计算机断层成像仪(CT)、磁共振成像仪(MRI)、单光子发射计算机断层扫描仪(SPECT)、热断层扫描仪(TTM)、医用电子内窥镜(MEE)等中的一种或多种的组合。在一些实施例中,数据采集设备110可以是PET-CT设备。所述PET-CT设备可以包括一个CT数据采集装置和至少一个PET数据采集装置。示例性地,以PET-CT设备为例对数据采集设备110进行说明。
所述CT数据采集装置可以包括一个高压发生器。所述高压发生器可以产生放射性射线。典型的放射性射线可以包括X射线、中子、质子、重离子等中的一种或多种的组合。所述CT数据采集装置可以通过向目标物体发射放射性射线对其进行扫描,并获取扫描数据。在扫描过程中,放射性射线可以透过目标物体,并被探测器接收,从而生成CT数据。在一些实施例中,所述CT数据采集装置可以在PET数据采集装置采集PET数据之前完成所述CT数据的采集。
所述PET数据采集装置通过捕获扫描区域的γ光子获取相应的扫描数据。在扫描前,可以向目标物体注入放射性同位素标识的造影剂。所述造影剂通过人体代谢到达扫描区域。在造影剂衰变过程中,产生的正电子可以与区域内的负电子结合,湮没并产生一对向相反方向发射的γ光子。PET数据采集装置中的环形探测器中的晶体可以检测到所述γ光子,并生成PET数据。检测到的来自于同一点的成对的γ光子被称为符合事件。检测出该γ光子对的成对的探测器之间的连线被称为响应线(Line Of Response,LOR)。所述CT数据采集装置和PET数据采集装置可以通过共用一个扫描床,对一个目标物体先后进行扫描。在一些实施例中,数据采集设备110可以通过网络150将其所采集的CT数据和/或PET数据发送至处理设备120、存储设备130和/或交互设备140。
处理设备120可以与数据采集设备110关联。在一些实施例中,处理设备120可以是一个本地设备(如操控台、台式电脑、本地服务器等),并与数据采集设备110直接相连。在一些实施例中,处理设备120可以是一个远程设备(如具备数据图像处理功能的云服务器等),并通过网络150与数据采集设备110连接。
处理设备120获取并处理数据采集设备110采集的扫描数据。在一些实施中,处理设备120可以控制数据采集设备110,采集相应的数据。例如,处理设备120可以控制CT设备对病人特定部位进行扫描,并采集相应的CT数据。又例如,处理设备120可以设置PET设备的工作参数(如符合窗宽、视野宽度、扫描时间等)。在另一些实施例中,处理设备120可以对采集的数据或图像进行处理。例如,处理设备120可以基于从数据采集设备110获取的PET数据,重建PET图像。又例如,处理设备120可以基于从存储设备130中获取的CT图像,增强并分割所述CT图像。
数据采集设备110和/或处理设备120可以将生成的数据或信息存储至存储设备130。存储设备130可以存储的数据或信息包括但不仅限于,数据采集设备110获取的数据,处理设备120生成的解剖图像,生成或处理所述解剖图像的算法(如重建算法、分割算法、平滑算法等)等。在一些实施例中,存储设备130可以是服务器。所述服务器可以是文件服务器、数据库服务器、File Transfer Protocol(FTP)服务器等中的一种或几种的组合。在一些实施例中,存储设备130可以是数据库。所述数据库可以是层次式数据库、网络式数据库、关系式数据库等其中的一种或几种的组合。在一些实施例中,存储设备130可以是通过网络150连接的云存储设备。
交互设备140可以通过网络150接收或发送与成像系统100相关的数据或信息。在一些实施例中,交互设备140可以接收处理设备120信息。例如,交互设备140可以接收扫描区域的医学图像、疾病诊断报告、医生开具的处方或其他用户请求查看的其他信息等。交互设备140可以包括但不限于智能手机141、平板电脑142、笔记本电脑143、智能穿戴设备(如智能手表等)等中的一个或几个的组合。
网络150的连接可以包括有线或无线连接的方式。网络150可以包括局域网、广域网、公用网络、专用网络、无线局域网、虚拟网络、都市城域网、公用开关电话网络等中的一种或几种的组合。例如,所述网络150可以是利用WIFI、蓝牙、ZigBee等协议进行通信的网络。在一些实施例中,网络150可以包括多种网络接入点,例如有线或无线接入点、基站或网络交换点等。通过一个接入点,数据源可以与网络150相连并通过网络150发送信息。
图2是根据本申请一些实施例的处理设备120的模块示意图。处理设备120可以包括一个处理器210、一个控制器220、一个存储器230和一个输入/输出界面240。各模块之间的连接形式可以是有线的、无线的、或两者的结合。任何一个模块都可以是本地的、远程的、或两者的结合。模块间的对应关系可以是一对一的,或一对多的。
处理器210可以为处理设备120提供数据处理功能。处理器210可以从数据采集设备110中获取采集的数据,从存储器230中获取存储的数据,通过输入/输出界面240获取用户输入的数据等。处理器210可以通过一种或多种方法对获取到的数据进行处理。作为示例,所述处理方法可以包括投影、迭代、拟合、插值、离散、模数转换、Z变换、傅里叶变换、滤波、轮廓识别、图像特征提取、图像增强、非均匀性校正、图像分割、图像平滑等。例如,处理器210可以通过滤波处理,降低PET数据中的噪声。又例如,处理器210可以通过迭代重建方法,重建一个CT图像。又例如,处理器210可以通过图像增强、图像分割、图像平滑等方法对重建的CT图像进行处理。在一些实施例中,处理器210可以执行图3所述流程图中的一个或多个步骤。
处理器210可以是一个或多个处理元件或设备,如中央处理器(centralprocessing unit,CPU)、数字信号处理器(digital signal processor,DSP)、图形处理器(graphics processing unit,GPU)等。在一些实施例中,处理器210也可以是特殊设计的具备特殊功能的处理元件或设备。
处理器210可以进一步包括一个分割单元212、一个平滑单元214和一个重建单元216。分割单元212可以从解剖图像中分割一个或多个区域。所述解剖图像可以是CT图像、MR图像、PET图像等。分割单元212所采用的的图像分割的方法可以包括基于边缘的图像分割方法,如Perwitt算子法、Sobel算子法、梯度算子法、Kirch算子法等,基于区域的图像分割方法,如区域生长法、阈值法、聚类法等以及其他分割方法,如基于模糊集、神经网络的方法等。
在一些实施例中,分割单元212可以通过判断解剖图像中每个元素的特征或参数(例如,灰度值、CT值、梯度值等),对所述解剖图像进行分割。平滑单元214可以对解剖图像进行平滑处理。所述平滑处理可以减小图像中的突变梯度,使图像中相邻元素的取值平缓变化。在一些实施例中,平滑单元212可以获取分割单元212分割后的解剖图像,并对解剖图像中的分割区域进行平滑操作,使分割区域模糊化,减小突变梯度。重建单元216可以重建解剖图像。重建单元216可以重建CT图像、MR图像、PET图像等。在一些实施例中,重建单元216可以获取分割单元212和/或平滑单元214处理的CT图像和/或MR图像。基于PET数据和所述CT图像和/或MR图像,重建单元216可以采用特定的方法重建PET图像。
控制器220可以用于判断决策,并生成控制指令。控制器220可以基于用户指令,代码或处理器210生成的信息,控制数据采集设备110和/或控制处理设备120的工作。例如,所述控制指令可以被发送至数据采集设备110,用于设置扫描参数和/或驱动扫描设备工作。又例如,所述控制指令可以被发送至处理设备120中的一个或多个部件,用于控制数据处理、获取用户输入等。
控制器220可以是处理设备120中的控制元件或设备。例如,控制器220可以是微控制器(microcontroller unit,MCU)、中央处理器(central processing unit,CPU)、可编程逻辑器件(programmable logic device,PLD)、专用集成电路(application specificintegrated circuits,ASIC)、单片微型计算机(single chip microcomputer,SCM)、系统芯片(system on a chip,SoC)等。
存储器230可以存储信息。所述信息可以包括扫描数据、重建的图像、用户输入的参数、数据处理算法等。存储器270存储信息的形式可以是文本、数字、声音、图像等。存储器230还可以储存处理器210和/或控制器220执行的指令或代码,当处理器210和/或控制器220执行所述代码时,导致处理设备120执行本申请中披露的处理设备120的一个或多个功能。
存储器230可以包括但不限于常见的各类存储设备,如固态硬盘、机械硬盘、USB闪存、SD存储卡、光盘、随机存储器(random-access memory,RAM)和只读存储器(read-onlymemory,ROM)等。在一些实施例中,存储器230可以是系统内部的存储设备,系统的外接存储设备,系统之外的网络存储设备(如云存储服务器上的存储器等)等。
输入/输出界面240可以用于接收用户输入信息,或将处理设备120产生的图像或数据输出至用户。通过输入/输出界面240输入的信息可以包括数字、文本、图像、声音、视频等。输入/输出界面240获取来自用户的信息的形式可以包括用户手写操作、鼠标操作、触屏操作、按键操作、声控操作、手势操作、眼神操作、语音操作等。通过输入/输出界面240输入的信息可以被发送至处理器210或控制器220进行进一步处理,或被保存至存储器230等。处理设备120可以通过输入/输出界面240输出数据或图像处理结果,或向用户发送获取信息的请求。在一些实施例中,输入/输出界面240输出的信息可以是数字、文本、声音、图像、视频、震动等的一种或几种的组合。
在一些实施例中,输入/输出界面240可以通过物理界面输入或输出信息,如触摸显示屏、麦克风、扬声器、LED指示灯、按钮、按键等。在一些实施例中,输入/输出界面240可以利用虚拟界面输入或输出信息,如虚拟现实、全息影像。在一些实施例中,输入/输出界面240可以是集成在处理设备120上的显示屏、指示灯、扬声器、按钮、按键等一种或几种的组合。
需要注意的是,以上对处理设备120中各模块的描述仅仅是一些具体实施例,不应被视为是仅有的可行方案。显然,对于本领域的专业人员来说,在了解各模块的基本原理后,可能在不背离这一原理的情况下,对处理设备120的配置进行各种修正和改变。但这些修正和改变仍在以上描述的范围内。例如,处理设备120可以进一步包括一个通信接口,用于连接至网络150或其他外部设备。又例如,处理器210可以进一步包括一个数据投影单元,用于扫描数据或图像在图像域和数据域之间的转换。
图3是根据本申请一些实施例的重建PET图像的示例性流程图。步骤302可以包括获取一个解剖图像。所述解剖图像可以包括MR图像、CT图像等。在一些实施例中,处理设备120可以从数据采集设备110中获取扫描数据,并生成解剖图像。例如,处理设备120可以从数据采集设备110中获取CT数据,并通过一种或多种CT重建算法生成CT图像。典型的CT重建算法包括滤波反投影重建算法、Radon反演算法、一元函数的Hilber变换算法、迭代重建算法等。又例如,处理设备120可以获取MR数据,并通过一种或多种MR重建算法生成MR图像。典型的MR重建算法包括迭代重建算法、傅里叶重建算法等。CT图像和/或MR图像的重建过程可以由重建单元216完成。在一些实施例中,数据采集设备110可以在完成MR数据或CT数据采集后,开始采集PET数据。在一些实施例中,处理设备120可以从存储器230、存储器130、交互设备140或外部存储设备(USB存储器、磁盘、云存储器、云服务器等)中获取扫描数据或图像。
步骤304可以包括从所述解剖图像中获取一个分割图像。分割单元212可以从解剖图像中分割出所述分割图像。典型的图像分割方法可以包括阈值分割方法、区域分割方法、边缘分割方法和直方图法。区域分割方法可以包括区域生长法、阈值法、聚类法等。分割单元212可以基于图像中各元素的元素值(如CT值等)、灰度值、梯度值等特征或参数分割其中的一个或多个区域。所述分割图像可包括一个或多个非零值的目标区域。在一些实施例中,该目标区域为肺部区域,且肺部区域包含若干个体素。
示例性地,以CT图像为例进行说明。在CT图像中,亨氏单位(Hounsfield Unit,HU)可以反映人体某一局部组织或器官密度的大小。对于人体而言,骨骼为1000HU,软组织为0至70HU,肺部和空气为-1000HU至-700HU。通过阈值分割方法,可以将CT图像中-1000HU至-700HU的部分分割出来。作为示例,可以设定-1000HU和-700HU作为阈值,通过将图像中的元素与上述阈值构成的范围进行逐一比较。当某个元素的CT值处于所述阈值范围内时,确定该元素取值为1;当某个元素在所述阈值范围之外时,确定该元素取值为0。所述阈值可以由用户通过输入/输出界面240设定,处理设备210基于分割的区域确定,或成像系统100自适应调整等。通过阈值法分割的二值轮廓图像如下式(1)所示:
其中,Cj表示解剖图像中第j个元素的取值,f(j)表示第j个元素的元素值(如CT值等),T表示阈值范围。
步骤306可以包括对分割图像进行平滑操作。所述平滑操作可以由平滑单元214完成。在一些实施例中,所述平滑操作可以基于插值方法、线性平滑方法或卷积方法等方法实现。在一些实施例中,所述平滑操作可以由一个或多个滤波器实现。所述滤波器包括高斯滤波器、切比雪夫滤波器等中的一个或多个的组合。所述平滑操作可以使分割后得到的二值轮廓图像中各元素的取值在0和1之间连续分布,可减小二值轮廓图像中边缘元素值的突变,避免由于解剖图像中获取的肺部区域轮廓图像和PET数据存在的不匹配而产生的PET图像伪影。
步骤308可以包括将平滑的分割图像投影为弦图数据。所述弦图数据也可以称为弦图格式数据。弦图数据可以包括响应线的角度,其与视野中心的距离等信息。在一些实施例中,平滑后的肺部区域轮廓图像可以投影为正弦(sinograms)格式数据。需要说明的是,本申请中将平滑的肺部区域轮廓图像投影为弦图数据,可用于确定后续PET数据的模型,通过该弦图数据可确定肺部区域扫描的PET数据。
在一些实施例中,所述投影为正投影。通过所述正投影可以获得目标区域在正弦图上的投影。经投影生成的弦图数据如下式(2)所示:
Bi=∑jPijMj (2)
其中,Bi表示弦图数据,Pij表示系统矩阵对应第j个图像元素和第i个弦图元素的值(也称为系统响应模型,代表第j个图像元素单位计数被第i条响应线探测到的概率),Mj代表平滑后的轮廓图像中第j个图像元素的取值(所述取值分布于0和1之间)。
在一些实施例中,所述投影包括TOF维度。经该投影得到的TOF弦图数据如下式(3)所示:
其中,表示包含TOF维度的弦图数据,表示第t个时间箱对应的系统矩阵中第j个图像元素和第i个弦图元素的值。在一些实施例中,基于所述分割图像和/或目标区域在弦图上的投影,可以获得所述投影所引导的PET数据模型。PET数据模型可包括服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。
步骤310可以包括获取PET数据。在一些实施例中,所述PET数据可以由数据采集设备110中的PET设备通过对一个包含肺部的PET扫描区域进行扫描获得。所述PET扫描的区域可以是目标对象的全身、上半身、脏器或其他包含肺部的任意形状或大小的区域。在一些实施例中,所述PET扫描区域与所述解剖图像(如CT图像)所对应的扫描区域相同。在一些实施例中,所述PET数据可以从存储器230、存储设备130或其他外部存储器(如USB、闪存、磁盘、云存储等)中获取。需要说明的是,步骤310中获取的PET数据的格式与步骤308中得到的投影数据的格式相同。在一些实施例中,所述PET数据为弦图格式数据。在一些实施例中,所述PET数据可以包括TOF信息。
步骤312可以包括对所述PET数据进行重建,获取PET图像。所述PET数据的重建可以由重建单元216完成。典型的PET图像重建方法可以包括最大期望值法(expectationmaximization,EM)、有序子集最大期望值法(ordered subset expectationmaximization,OSEM)、共轭梯度法(conjugate gradient)、最大后验估计法(maximum aposteriori)、AML法、迭代法等。在一些实施例中,可以根据步骤308中目标区域在弦图上的投影,将PET数据分类或划分到对应的PET数据模型,该PET数据模型可包括服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。其中,服从泊松分布的PET数据模型对应的PET数据的噪声服从泊松分布;服从平移泊松分布的PET数据模型对应的PET数据的噪声服从平移泊松分布。进一步地,可根据PET数据模型确定噪声模型,该噪声模型可以是混合泊松分布和平移泊松分布的噪声模型。进一步地可确定改进噪声模型的重建算法/方法,并基于该重建方法对PET数据进行重建。以迭代法作为示例,基于所述分割图像和/或目标区域在弦图上的投影,对不含有飞行时间维度的PET数据进行重建可以表示为下式(4):
其中,yi表示采集获取的PET弦图数据第i个元素的值,Ai为衰减校正弦图第i个元素的值,Pij为系统矩阵对应第j个图像元素和第i个弦图元素的值,xj为PET图像第j个元素的值,ri和si为随机校正和散射校正第i个元素的值,α为非正参数。Ai可以基于所述解剖图像获得。以CT图像作为示例,根据所述CT图像中各像素的CT值,可以为所述扫描物体的各元素分配相应的衰减系数。在一些实施例中,基于所述衰减系数,可以生成初始衰减图,用于对所述PET数据进行衰减校正。α可以为默认值,由用户通过输入/输出界面240设定,成像系统100根据PET图像重建迭代的需要自适应调整等。
在上述重建过程中,首先确定PET数据服从的噪声分布模型或者数据模型,然后基于该数据模型确定包含相应噪声模型的重建方法,可有效加速PET数据重建的速度。尤其是对于活度值与其他身体区域不同的肺部区域,肺部区域往往呈现低活度,而其他区域呈现高活度。若统一将各区域归类属于同一数据模型,而采用包含同一噪声模型的重建算法,会导致低活度区域的PET重建值被高估,且低活度区域的存在减慢重建速度。而本申请将肺部区域对应的PET数据分类为服从平移泊松分布数据模型,将其他区域对应的PET数据分类为服从泊松分布数据模型,且服从平移泊松分布数据模型在重建过程中进行包含平移泊松噪声模型的重建,服从泊松分布数据模型在重建过程中进行包含泊松噪声模型的重建,提高肺部区域重建收敛的速度,且提高重建数据的准确性,增强微小肿瘤的检出率。
在一些实施例中,所述PET数据包含飞行时间(TOF)维度。基于所述飞行时间,所述PET数据可以被分类为多个箱。重建所述多个箱中的PET数据可以获取扫描物体的PET数据。同样以迭代法作为示例,基于所述分割图像和/或目标区域在弦图上的投影,对含有飞行时间维度的PET数据进行重建可以表示为下式(5):
其中,表示采集获取的PET弦图数据第t个时间箱第i个元素的值,Ai为衰减校正弦图第i个元素的值,为第t个时间箱对应的系统矩阵中第j个图像元素和第i个弦图元素的值,xj为PET图像第j个元素的值,和为第t个时间箱对应随机校正和散射校正第i个元素的值,α为非正参数。在此过程中,飞行时间信息的加入可进一步地优化重建PET图像的精确度。
当迭代过程满足一定迭代终止条件后,得到针对肺部特殊处理的PET图像。在一些实施例中,所述迭代终止条件可以是迭代的次数大于一个阈值。在每次迭代过程中,可以判断当前迭代次数与阈值的关系。当迭代次数大于阈值时,终止所述迭代过程。在一些实施例中,所述迭代终止条件可以是迭代过程中得到的图像在连续两次迭代后的差异小于一定阈值。在每次迭代过程中,可以判断当前迭代后重建的PET图像与上次迭代的PET图像中每个元素的灰度值的差异。当所述差异小于阈值时,终止所述迭代过程。
需要注意的是,以上对重建PET数据的流程300的描述仅仅是一些具体实施例,不应被视为是仅有的可行方案。显然,对于本领域的专业人员来说,在了解其基本原理后,可能在不背离这一原理的情况下,对该流程或算法进行形式和细节上的各种修正和改变。例如,步骤308可以在步骤302-308中任一步骤之前执行或与其中任一步骤同时执行。又例如,流程300可以根据需要或用户设定对模体或人体的任意一个区域进行分割,并对分割出来的区域采用步骤312中的重建方法进行重建。所述区域可以包括人体中的组织、血管、肿瘤、器官、骨骼等。但这些修正和改变仍在以上描述的范围内。
图4A-4D是根据本申请一些实施例的基于不同方法重建的模体图像。图4A是模体的衰减图像。所述衰减图像可以基于CT图像或MR图像获得。图中不同的灰度值对应不同的衰减系数(白色圆孔区域对应的衰减系数较小,衰减相对最低;周边黑色区域对应的衰减系数较大,衰减相对最高)。图4B是基于有序子集最大期望值法(ordered subsetexpectation maximization,OSEM)方法获得的模体的PET图像。图4C是基于AML(approximate maximum likelihood)方法获得的模体的PET图像。图4D是基于本申请所披露的方法(流程300中所述方法)获得的模体的PET图像。对比图4D和图4B,可以看出基于本申请披露的方法重建的PET图像较基于OSEM方法重建的PET图像具有更低的噪声,且中心区域活度(图像的活度即为图像灰度值)更低,更接近图4A中的衰减图像所示的情况。对比图4D和图4C,可以看出基于AML方法重建的PET图像的周边黑色区域的边缘具有放射状伪影,且中心活度较高。
进一步地,模体实验表明,与使用相同重建参数的最大期望值(expectationmaximum,EM)重建方法相比,基于本发明所披露的方法重建的图像的对比度恢复率较高。在相同的噪声水平下,本发明所披露的方法的对比度恢复系数(contrast recoverycoefficient,CRC)为0.93,常规EM方法的CRC为0.81。在临床研究中,本方法与标准EM方法相比,肺中感兴趣区域(region of interest,ROI)的标准摄取值(standard uptakevalue,SUV)平均降低约8%(本方法的SUV为0.55,标准EM方法为0.55,AML方法为0.57)。同时,本方法在测试小病灶时的SUVmax值较大(本方法的SUVmax为4.6,标准EM方法为4.1,AML方法为4.0)。上述结果是基于肺中多个ROI中的SUV平均值对本方法,标准EM方法和AML方法几乎相等(相对误差<1%)的情况下获得的。与AML方法相比,本发明所提出的方法去除了图像边界处的条纹状伪影。
图5A-5D是根据本申请一些实施例的基于不同方法重建的人体肺部区域的图像。图5A是人体肺部区域的衰减图像。图5B是基于OSEM方法获得的人体肺部区域的PET图像。图5C是基于AML方法获得的人体肺部区域的PET图像。图5D是基于本申请所披露的方法(流程300中所述方法)获得的人体肺部区域的PET图像。对比图5D和图5B以及图5D和图5C,可以看出基于本申请披露的方法获得的PET图像较基于其他方法(OSEM方法和AML方法)获得的PET图像在肺部具有更低的活度,在图像边缘不存在放射状伪影,而且图像整体的对比度提高或信噪比更高。
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。
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。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档、物件等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (8)
1.一种PET图像重建方法,包括:
获取扫描物体的解剖图像和PET数据;
对所述解剖图像进行分割处理,获取分割图像,所述分割图像中至少包括一个非零值的目标区域,所述目标区域包含若干个体素;
对所述分割图像进行投影处理,获取所述目标区域在弦图上的投影;
获得基于所述分割图像和/或目标区域在弦图上的投影所引导的PET数据模型;以及
根据所述PET数据模型对所述PET数据进行重建,获得所述被扫描物体的PET图像;
获得基于所述分割图像和/或目标区域在弦图上的投影所引导的PET数据模型包括:根据所述目标区域在弦图上的投影,将所述PET数据分类为服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。
2.权利要求1所述的PET图像重建方法,其特征在于,所述目标区域为肺部区域,且所述肺部区域对应的分割图像为经过二值化处理后的二值轮廓图像。
3.权利要求2所述的PET图像重建方法,其特征在于,还包括对所述二值轮廓图像的元素进行平滑滤波处理。
4.权利要求1所述的PET图像重建方法,其特征在于,所述解剖图像为CT图像或MR图像,且在获取所述PET数据前采集所述CT图像对应的CT数据或者MR图像对应的MR数据。
5.权利要求4所述的PET图像重建方法,其特征在于,还包括:
根据所述解剖图像获取所述扫描物体的组织或器官信息,并根据所述扫描物体的组织或器官信息为所述扫描物体的各体素分配相应衰减系数;
根据所述衰减系数获取用于PET数据重建的初始衰减图;以及
根据所述初始衰减图在所述PET数据重建的过程中对所述PET数据进行衰减校正。
6.权利要求1所述的PET图像重建方法,其特征在于,所述PET数据包括飞行时间信息,且重建所述PET数据,获取所述扫描物体的PET图像包括:
根据所述飞行时间信息将所述PET数据分类为多个箱;以及
重建所述多个箱中的PET数据,获取所述扫描物体的PET图像。
7.一个成像系统,包括:
一个存储器,被配置为存储一个扫描物体的解剖图像和PET数据;和
一个处理器,被配置为:
获取扫描物体的解剖图像和PET数据;
对所述解剖图像进行分割处理,获取分割图像,所述分割图像中至少包括一个非零值的目标区域,所述目标区域包含若干个体素;
对所述分割图像进行投影处理,获取所述目标区域在弦图上的投影;
获得基于所述分割图像和/或目标区域在弦图上的投影所引导的PET数据模型;以及
根据所述PET数据模型对所述PET数据进行重建,获得所述被扫描物体的PET图像;
所述处理器被配置为获得基于所述分割图像和/或目标区域在弦图上的投影所引导的PET数据模型包括:所述处理器被配置为根据所述目标区域在弦图上的投影,将所述PET数据的模型分类为服从泊松分布的PET数据模型和服从平移泊松分布的PET数据模型。
8.权利要求7所述的成像系统,其特征在于,还包括CT数据采集装置和/或PET数据采集装置,所述CT数据采集装置用于对扫描物体执行CT扫描,获取对应解剖图像的CT数据;所述PET数据采集装置用于对扫描物体执行PET扫描,获取PET数据,且所述CT数据在所述PET扫描前获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213429.2A CN107123095B (zh) | 2017-04-01 | 2017-04-01 | 一种pet图像重建方法、成像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710213429.2A CN107123095B (zh) | 2017-04-01 | 2017-04-01 | 一种pet图像重建方法、成像系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107123095A CN107123095A (zh) | 2017-09-01 |
CN107123095B true CN107123095B (zh) | 2020-03-31 |
Family
ID=59725605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710213429.2A Active CN107123095B (zh) | 2017-04-01 | 2017-04-01 | 一种pet图像重建方法、成像系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107123095B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108040301B (zh) * | 2017-11-30 | 2021-02-19 | 上海联影医疗科技股份有限公司 | 光通信系统、方法及存储介质 |
CN108389190B (zh) * | 2018-02-08 | 2022-12-16 | 贵州联科卫信科技有限公司 | 一种基于深度学习方法的肺结节自动检测方法 |
CN108805947B (zh) * | 2018-05-22 | 2022-05-27 | 上海联影医疗科技股份有限公司 | Pet数据处理方法和设备、pet成像系统 |
US10685445B2 (en) | 2018-06-09 | 2020-06-16 | Uih-Rt Us Llc | Systems and methods for generating augmented segmented image set |
US11195310B2 (en) * | 2018-08-06 | 2021-12-07 | General Electric Company | Iterative image reconstruction framework |
CN109523584B (zh) * | 2018-10-26 | 2021-04-20 | 上海联影医疗科技股份有限公司 | 图像处理方法、装置、多模态成像系统、存储介质及设备 |
EP3881289A1 (en) * | 2018-11-13 | 2021-09-22 | Koninklijke Philips N.V. | Artificial intelligence (ai)-based standardized uptake value (suv) correction and variation assessment for positron emission tomography (pet) |
CN109785296B (zh) * | 2018-12-25 | 2023-07-04 | 西安电子科技大学 | 一种基于cta图像的三维球形指数测定方法 |
CN110097517B (zh) * | 2019-04-28 | 2022-12-27 | 东软医疗系统股份有限公司 | 去除图像伪影的方法及装置 |
CN110301928B (zh) * | 2019-07-04 | 2023-07-28 | 沈阳智核医疗科技有限公司 | 重建pet图像的方法、装置及系统 |
CN110415311B (zh) * | 2019-07-29 | 2024-04-16 | 上海联影医疗科技股份有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
WO2021114306A1 (zh) * | 2019-12-14 | 2021-06-17 | 深圳先进技术研究院 | 一种基于gpu加速的高精度pet重建方法及装置 |
CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像系统图像重建方法 |
CN112508903B (zh) * | 2020-12-01 | 2022-04-19 | 电子科技大学 | 一种卫星望远镜镜片表面疵病轮廓检测方法 |
CN112710632A (zh) * | 2021-03-23 | 2021-04-27 | 四川京炜交通工程技术有限公司 | 一种玻璃微珠高低折射率检测方法及系统 |
CN113393551A (zh) * | 2021-06-30 | 2021-09-14 | 赛诺联合医疗科技(北京)有限公司 | 一种基于云服务器的影像系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104899849A (zh) * | 2014-01-21 | 2015-09-09 | 武汉联影医疗科技有限公司 | 一种多目标交互式图像分割方法和装置 |
CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7813535B2 (en) * | 2005-04-19 | 2010-10-12 | Siemens Medical Solutions Usa, Inc. | System and method for fused PET-CT visualization for heart unfolding |
US7676073B2 (en) * | 2006-08-29 | 2010-03-09 | Siemens Medical Solutions Usa, Inc. | System and method for reducing circular artifacts in tomographic imaging |
-
2017
- 2017-04-01 CN CN201710213429.2A patent/CN107123095B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104899849A (zh) * | 2014-01-21 | 2015-09-09 | 武汉联影医疗科技有限公司 | 一种多目标交互式图像分割方法和装置 |
CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107123095A (zh) | 2017-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107123095B (zh) | 一种pet图像重建方法、成像系统 | |
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
US11232543B2 (en) | System and method for image correction | |
CN110809782B (zh) | 衰减校正系统和方法 | |
CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
CN112424835B (zh) | 用于图像重建的系统和方法 | |
CN113256753B (zh) | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 | |
US10867375B2 (en) | Forecasting images for image processing | |
US10489940B2 (en) | System and computer-implemented method for improving image quality | |
CN112770838A (zh) | 使用自关注深度学习进行图像增强的系统和方法 | |
CN113689342A (zh) | 一种图像质量优化的方法及系统 | |
US20220327703A1 (en) | System and method for medical imaging of intervertebral discs | |
CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
CN110415311B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
CN112351739A (zh) | 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法 | |
EP3796842A1 (en) | Patient-adaptive nuclear imaging | |
CN109242923B (zh) | 一种迭代重建的系统和方法 | |
WO2023125683A1 (en) | Systems and methods for image reconstruction | |
WO2023046193A1 (en) | Systems and methods for image segmentation | |
KR20200021156A (ko) | 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템 | |
US20230360366A1 (en) | Visual Explanation of Classification | |
US11574184B2 (en) | Multi-modal reconstruction network | |
CN114730476A (zh) | 有限角度重建的网络确定 | |
Luo et al. | Research on several key problems of medical image segmentation and virtual surgery | |
WO2023116922A1 (en) | Systems and methods for positron emission tomography imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 No. 2258 Chengbei Road, Jiading Industrial Zone, Jiading District, Shanghai. Patentee before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |