CN107527359A - 一种pet图像重建方法及pet成像设备 - Google Patents

一种pet图像重建方法及pet成像设备 Download PDF

Info

Publication number
CN107527359A
CN107527359A CN201710668011.0A CN201710668011A CN107527359A CN 107527359 A CN107527359 A CN 107527359A CN 201710668011 A CN201710668011 A CN 201710668011A CN 107527359 A CN107527359 A CN 107527359A
Authority
CN
China
Prior art keywords
pet
images
edge
mri
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710668011.0A
Other languages
English (en)
Other versions
CN107527359B (zh
Inventor
李运达
孙智鹏
刘勺连
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Zhihe Medical Technology Co ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201710668011.0A priority Critical patent/CN107527359B/zh
Publication of CN107527359A publication Critical patent/CN107527359A/zh
Priority to US16/057,533 priority patent/US11080897B2/en
Application granted granted Critical
Publication of CN107527359B publication Critical patent/CN107527359B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10104—Positron emission tomography [PET]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/464—Dual or multimodal imaging, i.e. combining two or more imaging modalities

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本申请公开了一种PET图像重建方法及PET成像设备，所述方法包括：对目标对象进行图像重建，分别生成PET初始图像和MRI解剖图像；融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。本申请能够提升目标对象的边缘在PET重建图像中的清晰度，并保证目标对象的代谢区域在PET重建图像中的均匀性。

Description

一种PET图像重建方法及PET成像设备
技术领域
本申请涉及医疗影像技术领域，尤其涉及一种PET图像重建方法及PET成像设备。
背景技术
正电子发射型计算机断层显像(Positron Emission Computed Tomography，简称PET),是核医学领域比较先进的临床检查影像技术。多模态医学图像由于可以提供更多的图像细节信息目前已广泛应用于临床诊治和治疗中，比如磁共振成像(MagneticResonance Imaging，简称MRI)技术，其获得的是解剖图像，图像特性是拥有较高的空间纹理信息。据研究表明，MRI图像与PET图像之间具有极大的相关性，使得具有高分辨率的MRI图像能为PET图像重建提供大量的先验信息，因此，现有技术采用基于解剖功能的联合先验模型进行PET图像重建。
但是，基于解剖功能的联合先验模型所采用的联合势函数中引入的只是单纯的二次项惩罚项，这将导致最终的PET重建图像在提升图像均匀性的同时图像却变模糊，而且所述联合势函数只对MRI图像像素点计算其与临域像素点的二次项势函数，使得PET重建图像中的器官边界清晰度较之传统重建结果没有明显的提升。此外，由于MRI图像反映的是解剖信息，拥有较高的图像分辨率和空间纹理信息，这使得器官代谢区域(即器官边界内区域)在MRI图像中可能并不是均匀分布的，在这种情况下，当MRI图像中的空间纹理信息被引入到PET重建图像中时，器官代谢区域在PET重建图像中的均匀性将变差，即，引入的MRI纹理信息会降低确定PET重建图像中病灶区域的正确性。
发明内容
有鉴于此，本申请的主要目的在于提供一种PET图像重建方法及PET成像设备，能够提升被重建对象的边缘在PET重建图像中的清晰度，并保证被重建对象的代谢区域在PET重建图像中的均匀性。
本申请提供了一种PET图像重建方法，包括：
对目标对象进行图像重建，分别生成PET初始图像和MRI解剖图像；
融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
可选的，所述融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，包括：
以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
可选的，所述生成MRI边缘图像，包括：
对所述MRI配准图像进行边缘提取，生成MRI二值图像，其中，所述MRI二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述MRI二值图像与所述MRI配准图像的对应像素点进行像素值相乘，以生成MRI边缘图像。
可选的，所述生成PET边缘图像，包括：
对所述PET初始图像进行边缘提取，生成PET二值图像，其中，所述PET二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述PET二值图像与所述PET初始图像的对应像素点进行像素值相乘，以生成PET边缘图像。
可选的，所述融合处理所述MRI边缘图像与所述PET边缘图像，生成所述目标对象边缘的融合图像，包括：
对所述MRI边缘图像的各个像素点的像素值进行归一化处理，并使归一化后的每一像素值与所述PET边缘图像中对应像素点的像素值进行相乘，以生成所述目标对象边缘的融合图像；
或者，使所述MRI边缘图像与所述PET边缘图像的对应像素点进行像素值相乘，并使相乘后的每一像素值除以所述MRI边缘图像中的最大像素值，以生成所述目标对象边缘的融合图像。
可选的，所述融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，包括：
通过小波变换，将所述PET初始图像分解成具有不同频域特性的N幅第一初始子图像，并将所述融合图像分解成具有不同频域特性的N幅第二初始子图像，其中，N＝2n，n≥1；
选择具有相同频域特性的所述第一初始子图像与所述第二初始子图像，将所选两幅子图像中对应像素点的像素值进行加权叠加，生成N幅目标子图像；
对所述N幅目标子图像进行小波逆变换，以生成所述目标对象的PET重建图像。
可选的，所述方法还包括：
将所述PET重建图像作为输入图像，采用预设迭代重建算法进行M次迭代，将迭代所得图像作为所述PET初始图像，继续执行所述融合处理所述PET初始图像与所述MRI解剖图像及其后续步骤，以生成新的PET重建图像，其中，M≥1；
判断所述预设迭代重建算法的迭代次数是否达到限定次数或所述新的PET重建图像是否满足约束条件；若是，则停止迭代并将所述新的PET重建图像作为最终图像重建结果，若否，则将所述新的PET重建图像作为输入图像，继续执行所述采用预设迭代重建算法进行M次迭代及其后续步骤。
本申请还提供了一种PET成像设备，包括：
初始图像生成单元，用于对目标对象进行图像重建，生成PET初始图像；
边缘图像生成单元，用于融合处理所述PET初始图像与所述目标对象的MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
重建图像生成单元，用于融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
可选的，所述边缘图像生成单元包括：
图像配准子单元，用于以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
MRI边缘提取子单元，用于生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
PET边缘提取子单元，用于生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
边缘融合子单元，用于融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
本申请还提供了一种PET成像设备，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述任一方法实现方式。
本申请提供的一种PET图像重建方法及PET成像设备，对于同一目标对象，通常为患者器官，生成一幅PET初始图像和一幅MRI解剖图像；然后通过融合MRI解剖图像和PET初始图像的图像特性，即继承MRI解剖图像中器官边缘的清晰特征，并利用PET初始图像去除MRI解剖图像中的纹理干扰，得到只保留清晰器官边界的融合图像；接下来，通过融合处理PET初始图像与融合图像，可以利用融合图像提升PET初始图像中器官边缘的清晰度。可见，本申请解决了现有技术中的器官边缘清晰度改善不明显以及纹理干扰的问题，提升了PET重建图像的质量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种PET图像重建方法的流程示意图；
图2为本申请实施例提供的边缘融合图像的生成方法的流程示意图；
图3为本申请实施例提供的边缘融合图像的形成示意图；
图4为本申请实施例提供的小波变换及小波逆变换的过程示意图；
图5为本申请实施例提供的PET重建图像的生成方法的流程示意图；
图6为本申请实施例提供的PET更新图像的形成示意图；
图7为本申请实施例提供的一种PET成像设备的组成示意图；
图8为本申请实施例提供的一种PET成像设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
当单纯的采用传统迭代算法进行PET图像重建时，受测得的投影数据计数率不足及系统噪声等误差影响，重建所得图像含有较多噪声以致图像均匀性不够理想。为克服该缺陷，现有技术提供了一种基于解剖功能的联合先验模型进行PET图像重建的方法，具体如下：
PET成像设备首先将获得的探测数据进行数据校正，并采用传统迭代算法，利用校正后PET数据进行图像重建以获得PET初始图像；然后，将预先获取的MRI解剖图像与该PET初始图像进行刚性配准以得到MRI配准图像，并利用PET初始图像和MRI配准图像构建联合先验模型，以获得先验方程，表达式如下：
其中，U(f,a)为基于解剖功能的联合先验模型的先验项，f表示PET初始图像，a表示MRI配准图像，wkj是像素j与其临域像素k的权值，n和Nj分别表示PET初始图像中的像素个数和像素j的临域像素个数，fj是PET初始图像中的像素j的像素值，fk是PET初始图像中的像素j的临域像素k的像素值，aj是MRI配准图像中的像素j的像素值，ak是MRI配准图像中的像素j的临域像素k的像素值，v(fj,fk,aj,ak)是解剖功能联合势函数。
在式(1)中，v(fj,fk,aj,ak)的表达式如下：
其中，δ和η均为阈值参数。
采用最大后验方法可得带约束目标函数的优化方程为：
其中，L(g|f)为PET数据g的对数似然能量方程，β为全局参数，U(f,a)为式(1)所示的先验项。
采用迟一步(One-Step-Late，简称OSL)算法对公式(3)进行计算，可得迭代方程为：
其中，像素j的新估计值由旧估计值更新获得，Pi,j为像素j被第i条投影线(即第i个探测单元所接收的射线)所穿过的概率，gi表示PET数据g中的第i个探测器单元所探测到的第i条投影线的投影数据值，ri表示第i个探测器单元对应的散射事件和随机事件，为对式(1)所示的先验项求偏导。的偏导表达式为：
其中，Δfjk＝fj-fk，Δajk＝aj-ak。
在式(4)中，首先将最开始获得的PET初值图像作为首次迭代的估计值然后将每一次迭代获得的作为下一次迭代开始的用以进行下一次迭代更新，直到满足约束条件后停止迭代，迭代停止后所得图像即为最终的PET重建图像。
虽然基于解剖功能的联合先验模型所采用的联合势函数可以起到对PET初始图像平滑去噪的作用，但是，所述联合势函数中引入的只是单纯的二次项惩罚项，这将导致最终的PET重建图像在提升图像均匀性的同时图像却变模糊，而且所述联合势函数只对MRI图像像素点计算其与临域像素点的二次项势函数，此操作没有充分利用MRI图像的清晰边界特性，从而使得该PET重建图像中的器官边界清晰度较之传统重建结果没有明显的提升。此外，由于MRI图像反映的是解剖信息，拥有较高的图像分辨率和空间纹理信息，这使得器官代谢区域(即器官边界内区域)在MRI图像中可能并不是均匀分布的，在这种情况下，当MRI图像中的空间纹理信息被引入到PET重建图像中时，器官代谢区域在PET重建图像中的均匀性将变差，即，引入的MRI纹理信息会降低确定PET重建图像中病灶区域的正确性。
为解决上述缺陷，本申请提供了一种PET图像重建方法，该方法将MRI解剖图像的优点引入到了PET图像重建中，即，使PET重建图像中的器官边缘继承了MRI解剖图像的清晰特性，同时使PET重建图像中的器官代谢区域具有一定的均匀性，从而降低了上述现有技术引入的模糊影响以及可能由MRI纹理信息所引入的误差影响，最终提升了PET重建图像效果，满足了PET重建图像对清晰器官边界以及均匀代谢区域的实际需求。
下面具体介绍本申请实施例。
参见图1，为本申请实施例提供的一种PET图像重建方法的流程示意图，该方法包括S101-S103：
S101：对目标对象进行图像重建，分别生成PET初始图像和MRI解剖图像。
在本实施例中，所述目标对象通常为患者器官，比如肺部、脑部等。
MRI成像设备对目标对象进行图像重建时，可以按照现有磁共振成像技术，得到对应的MRI解剖图像。
PET成像设备对目标对象进行图像重建时，假设测得的PET投影数据为Y，由常用迭代算法比如最大似然期望最大化法(Maximum Likelihood Expectation Maximization，简称MLEM)、代数重建法(Algebra Reconstruction Technique，简称ART)等算法经过k次迭代获得的PET初始图像为Xk，Xk满足Y＝PXk，其中，P表示系统矩阵。计算公式如(6)所示：
其中，表示PET初始图像中的第j个像素点经k次迭代后的像素值，表示PET初始图像中的第j个像素点经k-1次迭代后的像素值，Pi,j表示所述第j个像素点被第i条投影线(即第i个探测单元所接收的射线)所穿过的概率，Yi表示所述第i条投影线对应的投影数据。
S102：融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像。
关于最终的PET重建图像，希望图像中目标对象的边缘具有较好的清晰度，这是对PET重建图像的实际需求，为此，本实施例预先利用PET初始图像和MRI解剖图像，得到一幅只具有清晰的目标对象边缘的融合图像。
在本申请的一种实施方式中，S102具体可以包括步骤S1021-S1024，参见图2所示的边缘融合图像的生成方法的流程示意图：
S1021：以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像。
由于PET初始图像和MRI解剖图是不同时间、不同传感器或不同条件下获取的两幅图像，因此，需要将MRI解剖图以PET初始图像为基准进行配准，比如常用的刚性配准等方法，从而得到MRI配准图像。经过配准，MRI配准图像将与PET初始图像的分辨率相同、以及目标对象在这两幅图像中的位置也相同等等，这样，才便于采用后续步骤融合处理这两幅图像。
如图3所示的边缘融合图像的形成示意图。最左侧图像中的中间圆形表示一个器官组织(即所述目标对象)，圆形中的横线表示纹理信息，其不影响组织代谢；图中第2列的上面图像表示MRI配准图像，图中第2列的下面图像表示PET初始图像。
S1022：生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像。
本步骤需要从MRI配准图像中提取目标对象的边缘图像，为此，S1022具体可以包括A1和A2：
A1：对所述MRI配准图像进行边缘提取，生成MRI二值图像，其中，所述MRI二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0。
可以采用比如Roberts算子等边缘检测方法、或者采用比如梯度分割等图像分割方法加上相应数学运算，从MRI配准图像提取中出边缘(即目标对象边缘)以及纹理(即目标对象代谢区域内的纹理)对应的像素点，使这些像素点对应的像素值均为1，其它像素点的像素值均为0，从而形成一幅MRI二值图像。
A2：使所述MRI二值图像与所述MRI配准图像的对应像素点进行像素值相乘，以生成MRI边缘图像。
对于MRI二值图像与MRI配准图像中各个相同位置的两个像素点，将每两个像素点相乘，即可从MRI配准图像中提取中具有边缘以及纹理的图像，本实施例将该图像称为MRI边缘图像，需要说明的是，MRI边缘图像中的边缘与纹理的灰度值为对应MRI配准图像的实际灰度值。如图3所示，图中第3列的上面图像表示MRI边缘图像，其中，图中圆圈表示目标对象边缘，圆圈中间的直线表示目标对象代谢区域的纹理。
S1023：生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像。
与S1022类似，本步骤需要从PET初始图像中提取目标对象的边缘图像，为此，S1023具体可以包括B1和B2：
B1：对所述PET初始图像进行边缘提取，生成PET二值图像，其中，所述PET二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0。
可以采用比如Roberts算子等边缘检测方法、或者比如采用梯度分割等图像分割方法加上相应数学运算，从PET初始图像中提取出边缘(即目标对象边缘)以及噪声对应的像素点，使这些像素点对应的像素值均为1，其它像素点的像素值均为0，从而形成一幅PET二值图像。
B2：使所述PET二值图像与所述PET初始图像的对应像素点进行像素值相乘，以生成PET边缘图像。
对于PET二值图像与PET初始图像中各个相同位置的两个像素点，将每两个像素点相乘，即可从PET初始图像中提取中具有边缘以及噪声的图像，并将该图像称为PET边缘图像，需要说明的是，PET边缘图像中的边缘与噪声的灰度值为对应PET初始图像的实际灰度值。如图3所示，图中第3列的下面图像表示PET边缘图像，其中，图中的大圆圈表示目标对象边缘，图中的小圆圈表示图像噪声。
S1024：融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
由于MRI配准图像拥有较高的空间分辨率和空间纹理信息且噪声影响不显著，因此，经边缘提取得到的MRI边缘图像，具有较清晰的边缘和纹理且噪声影响不显著。由于成像机制影响，PET初始图像的分辨率相对较低且图像噪声较明显，因此，经边缘提取得到的PET边缘图像，边缘清晰度较低且噪声影响显著。
基于以上MRI边缘图像与PET边缘图像之间的不同特点，可以将二者进行融合处理，得到一幅只有清晰边缘但噪声影响较低的融合图像，而这正是PET初始图像较之MRI解剖图像所缺少的。具体可以采用以下两种实施方式之一实现：
在第一种可能的实施方式中，本步骤S1024具体可以包括：对所述MRI边缘图像的各个像素点的像素值进行归一化处理，并使归一化后的每一像素值与所述PET边缘图像中对应像素点的像素值进行相乘，以生成所述目标对象边缘的融合图像。在本实施方式中，可以通过归一化处理，使MRI边缘图像的每个像素点的像素值处于[0,1]范围内，然后，针对MRI边缘图像和PET边缘图像中的每一相同像素点(即目标对象中的同一位置点)，将该像素点在MRI边缘图像中的归一化后像素值与其在PET边缘图像中的像素值进行相乘，便生成了只保留清晰边缘的融合图像。
在第二种可能的实施方式中，本步骤S1024具体可以包括：使所述MRI边缘图像与所述PET边缘图像的对应像素点进行像素值相乘，并使相乘后的每一像素值除以所述MRI边缘图像中的最大像素值，以生成所述目标对象边缘的融合图像。在本实施方式中，可以针对MRI边缘图像和PET边缘图像中的每一相同像素点(即目标对象中的同一位置点)，将该像素点在MRI边缘图像中的像素值与其在PET边缘图像中的像素值进行相乘，然后，使相乘后的每个像素值除以MRI边缘图像中的最大像素值，便生成了只保留清晰边缘的融合图像。
如图3所示，最右侧的图像即为所述融合图像，该图像继承了MRI边缘图像的清晰边缘特性但不具备清晰纹理，且图像噪声也有所减弱或消除。
S103：融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
本步骤考虑如何将融合图像应用于PET初始图像，以改善PET初始图像的边缘模糊性。在本实施例中，可以采用小波变换以及小波逆变换的过程来实现，为便于理解本步骤，在介绍本步骤的具体实现方式之前，首先对小波变换以及小波逆变换的过程进行介绍：
如图4所示，小波变换过程具体为图像分解过程，具体为：首先对原始数字图像的每一行进行一级分解，获得数字图像在水平方向上的低频分量L和高频分量H，然后对变换所得数据的每一列进行一级分解，获得数字图像在水平和垂直方向上的低频分量LL、水平方向上的低频分量和垂直方向上的高频分量LH、水平方向上的高频分量和垂直方向上的低频分量HL以及水平和垂直方向上的高频分量HH；二维以及更高维度的分解过程与之类似，在此不再赘述。小波逆变换过程具体为图像重构过程，具体为：按照小波变换过程的逆向过程，对小波变换结果的每一列进行小波逆变换，再对变换所得数据的每一行进行小波逆变换，即可获得重构后的原始数字图像。
在本申请的一种实施方式中，S103具体可以包括以下步骤S1031-S1033，参见图5所示的PET重建图像的生成方法的流程示意图：
S1031：通过小波变换，将所述PET初始图像分解成具有不同频域特性的N幅第一初始子图像，并将所述融合图像分解成具有不同频域特性的N幅第二初始子图像，其中，N＝2n，n≥1。
通过上述小波变换可以将一幅图像分解成一系列不同频率表示的子图像，以充分反映图像的局部变化特征，因此，可以将两幅不同图像分别进行相同操作的小波分解，对图像的不同分解层、不同频带分别进行处理，以将一幅图像的细节信息融入到另一图像中。
具体地，本实施例可以将保留清晰边界的融合图像与PET初始图像分别采用相同操作的小波变换，分别获得对应的低频子图像和高频子图像。如图6所示，假设对PET初始图像和融合图像分别进行一维的小波分解，得到1个低频子图像和3个高频子图像，其中，xa1表示PET初始图像的低频子图像，xh1、xv1和xd1表示PET初始图像的三个高频子图像，xa2表示融合图像的低频子图像，xh2、xv2和xd2表示融合图像的三个高频子图像。
需要说明的是，图像的低频部分保存的是图像的背景以及目标对象均匀代谢区域的信息，而高频部分保存的是目标对象的边缘和细节信息，因此，融合图像的低频子图像值很小或可以忽略，而其高频子图像的像素值相对较大。
S1032：选择具有相同频域特性的所述第一初始子图像与所述第二初始子图像，将所选两幅子图像中对应像素点的像素值进行加权叠加，生成N幅目标子图像。
可以利用直接相加或e指数加权等方法，对PET初始图像和融合图像中的具有相同频域特性的每对子图像进行加权叠加处理，获得新的低频子图像和新的高频子图像。例如，如图6所示，将低频子图像xa1和xa2进行加权叠加得到新的低频子图像xa1_new、将高频子图像xh1和xh2进行加权叠加得到新的高频子图像xh1_new、将高频子图像xv1和xv2进行加权叠加得到新的高频子图像xv1_new、将高频子图像xd1和xd2进行加权叠加得到新的高频子图像xd1_new。为便于描述，本实施例将新生成的每一低频子图像或每一高频子图像称为目标子图像。
S1033：对所述N幅目标子图像进行小波逆变换，以生成所述目标对象的PET重建图像。
通过小波逆变换可以将一系列不同频率表示的子图像重构成一幅新图像，因此，本实施例可以将新生成的N幅目标子图像进行小波逆变换即可获得更新后的PET图像。这时的PET更新图像(即所述PET重建图像)将继承融合图像的清晰边界特性，此外，由于融合图像所含噪声较小，所以融合图像使PET更新图像的器官边缘等高频成分所占权重相对增加，相应的，使噪声所占权重相对降低，这使得PET更新图像的噪声影响相对于PET初始图像来说有一定的改善。
除上述小波变换及小波逆变换的方法以外，本实施例还可以采用傅立叶变换或离散余弦变换等方法生成PET重建图像，然而，由于小波变换可以将图像分解成低频子图像和高频子图像，便于分别进行计算处理，图像处理效果相对较好。
需要说明的是，步骤S101中的所述PET初始图像，可以是采用常用迭代算法且满足约束条件后停止迭代后的较好图像，在这种情况下，可以将采用上述步骤S102和S103得到的PET重建图像作为最终重建图像。
然而，步骤S101中的所述PET初始图像，也可以是采用常用迭代算法且未满足约束条件后停止迭代后的较差图像，具体地，PET初始图像可以经一次或多次迭代后的图像，在这种情况下，步骤S103之后还可以包括：
将所述PET重建图像作为输入图像，采用预设迭代重建算法进行M次迭代，将迭代所得图像作为所述PET初始图像，继续执行步骤S102和步骤S103，以生成新的PET重建图像，其中，M≥1；
判断所述预设迭代重建算法的迭代次数是否达到限定次数或所述新的PET重建图像是否满足约束条件；若是，则停止迭代并将所述新的PET重建图像作为最终图像重建结果，若否，则将所述新的PET重建图像作为输入图像，继续执行所述采用预设迭代重建算法进行M次迭代及其后续步骤。
例如，步骤S101具体可以采用传统迭代算法(如MLEM、ART等)进行若干次迭代后，将迭代所得图像作为所述PET初始图像，执行步骤S102和S103以更新PET初始图像，将该更新图像再次作为所述PET初始图像进行下一次迭代重建，进行多次交替迭代后，直至重建结果满足预设限制条件或达到设定迭代次数为止，最终获得兼具清晰器官边缘、且在一定程度上抑制传统迭代算法所带来的噪声影响的PET重建图像，使得重建图像质量明显提高。
综上，本申请提供的一种PET图像重建方法，对于同一目标对象，通常为患者器官，生成一幅PET初始图像和一幅MRI解剖图像；然后通过融合MRI解剖图像和PET初始图像的图像特性，即继承MRI解剖图像中器官边缘的清晰特征，并利用PET初始图像去除MRI解剖图像中的纹理干扰，得到只保留清晰器官边界的融合图像；接下来，通过融合处理PET初始图像与融合图像，可以利用融合图像提升PET初始图像中器官边缘的清晰度。可见，本申请解决了现有技术中的器官边缘不清晰以及纹理干扰的问题，提升了PET重建图像的质量。
此外，由于融合图像所含噪声较小，当将融合图像的高分辨率边缘特性增添至PET初始图像中时，会使噪声在PET重建图像中所占权重相对降低，从而改善了PET重建图像中的噪声影响。
参见图7，为本申请实施例提供的一种PET成像设备的组成示意图，该设备700包括：
初始图像生成单元701，用于对目标对象进行图像重建，生成PET初始图像；
边缘图像生成单元702，用于融合处理所述PET初始图像与所述目标对象的MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
重建图像生成单元703，用于融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
在本申请的一种实施方式中，所述边缘图像生成单元702可以包括：
图像配准子单元，用于以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
MRI边缘提取子单元，用于生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
PET边缘提取子单元，用于生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
边缘融合子单元，用于融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
在本申请的一种实施方式中，所述MRI边缘提取子单元可以具体用于：
对所述MRI配准图像进行边缘提取，生成MRI二值图像，其中，所述MRI二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；使所述MRI二值图像与所述MRI配准图像的对应像素点进行像素值相乘，以生成MRI边缘图像。
在本申请的一种实施方式中，所述MRI边缘提取子单元可以具体用于：
对所述PET初始图像进行边缘提取，生成PET二值图像，其中，所述PET二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；使所述PET二值图像与所述PET初始图像的对应像素点进行像素值相乘，以生成PET边缘图像。
在本申请的一种实施方式中，所述边缘融合子单元可以具体用于：
对所述MRI边缘图像的各个像素点的像素值进行归一化处理，并使归一化后的每一像素值与所述PET边缘图像中对应像素点的像素值进行相乘，以生成所述目标对象边缘的融合图像；或者，使所述MRI边缘图像与所述PET边缘图像的对应像素点进行像素值相乘，并使相乘后的每一像素值除以所述MRI边缘图像中的最大像素值，以生成所述目标对象边缘的融合图像。
在本申请的一种实施方式中，所述重建图像生成单元703可以包括：
小波变换子单元，用于通过小波变换，将所述PET初始图像分解成具有不同频域特性的N幅第一初始子图像，并将所述融合图像分解成具有不同频域特性的N幅第二初始子图像，其中，N＝2n，n≥1；
加权叠加子单元，用于选择具有相同频域特性的所述第一初始子图像与所述第二初始子图像，将所选两幅子图像中对应像素点的像素值进行加权叠加，生成N幅目标子图像；
小波逆变换子单元，用于对所述N幅目标子图像进行小波逆变换，以生成所述目标对象的PET重建图像。
在本申请的一种实施方式中，所述设备700还可以包括：
交替迭代单元，用于将所述PET重建图像作为输入图像，采用预设迭代重建算法进行M次迭代，将迭代所得图像作为所述PET初始图像，继续实现所述融合处理所述PET初始图像与所述MRI解剖图像及其后续功能，以生成新的PET重建图像，其中，M≥1；判断所述预设迭代重建算法的迭代次数是否达到限定次数或所述新的PET重建图像是否满足约束条件；若是，则停止迭代并将所述新的PET重建图像作为最终图像重建结果，若否，则将所述新的PET重建图像作为输入图像，继续实现所述采用预设迭代重建算法进行M次迭代及其后续功能。
图7所对应实施例中特征的说明可以参见图1所对应方法实施例的相关说明，这里不再一一赘述。
参见图8，为本申请实施例提供的一种PET成像设备的硬件结构示意图，所述乳腺机设备800包括存储器801和接收器802，以及分别与所述存储器801和所述接收器802连接的处理器803，所述存储器801用于存储一组程序指令，所述处理器803用于调用所述存储器801存储的程序指令执行如下操作：
对目标对象进行图像重建，分别生成PET初始图像和MRI解剖图像；
融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
对所述MRI配准图像进行边缘提取，生成MRI二值图像，其中，所述MRI二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述MRI二值图像与所述MRI配准图像的对应像素点进行像素值相乘，以生成MRI边缘图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
对所述PET初始图像进行边缘提取，生成PET二值图像，其中，所述PET二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述PET二值图像与所述PET初始图像的对应像素点进行像素值相乘，以生成PET边缘图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
对所述MRI边缘图像的各个像素点的像素值进行归一化处理，并使归一化后的每一像素值与所述PET边缘图像中对应像素点的像素值进行相乘，以生成所述目标对象边缘的融合图像；
或者，使所述MRI边缘图像与所述PET边缘图像的对应像素点进行像素值相乘，并使相乘后的每一像素值除以所述MRI边缘图像中的最大像素值，以生成所述目标对象边缘的融合图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
通过小波变换，将所述PET初始图像分解成具有不同频域特性的N幅第一初始子图像，并将所述融合图像分解成具有不同频域特性的N幅第二初始子图像，其中，N＝2n，n≥1；
选择具有相同频域特性的所述第一初始子图像与所述第二初始子图像，将所选两幅子图像中对应像素点的像素值进行加权叠加，生成N幅目标子图像；
对所述N幅目标子图像进行小波逆变换，以生成所述目标对象的PET重建图像。
在本申请的一种实施方式中，所述处理器803还用于调用所述存储器801存储的程序指令执行如下操作：
将所述PET重建图像作为输入图像，采用预设迭代重建算法进行M次迭代，将迭代所得图像作为所述PET初始图像，继续执行所述融合处理所述PET初始图像与所述MRI解剖图像及其后续步骤，以生成新的PET重建图像，其中，M≥1；
判断所述预设迭代重建算法的迭代次数是否达到限定次数或所述新的PET重建图像是否满足约束条件；若是，则停止迭代并将所述新的PET重建图像作为最终图像重建结果，若否，则将所述新的PET重建图像作为输入图像，继续执行所述采用预设迭代重建算法进行M次迭代及其后续步骤。
在一些实施方式中，所述处理器903可以为中央处理器(Central ProcessingUnit，CPU)，所述存储器901可以为随机存取存储器(Random Access Memory，RAM)类型的内部存储器，所述接收器902可以包含普通物理接口，所述物理接口可以为以太(Ethernet)接口或异步传输模式(Asynchronous Transfer Mode，ATM)接口。所述处理器903、接收器902和存储器901可以集成为一个或多个独立的电路或硬件，如：专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种PET图像重建方法，其特征在于，包括：
对目标对象进行图像重建，分别生成PET初始图像和MRI解剖图像；
融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
2.根据权利要求1所述的方法，其特征在于，所述融合处理所述PET初始图像与所述MRI解剖图像，生成只保留所述目标对象边缘的融合图像，包括：
以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
3.根据权利要求2所述的方法，其特征在于，所述生成MRI边缘图像，包括：
对所述MRI配准图像进行边缘提取，生成MRI二值图像，其中，所述MRI二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述MRI二值图像与所述MRI配准图像的对应像素点进行像素值相乘，以生成MRI边缘图像。
4.根据权利要求3所述的方法，其特征在于，所述生成PET边缘图像，包括：
对所述PET初始图像进行边缘提取，生成PET二值图像，其中，所述PET二值图像中的各个边缘像素点的像素值均为1，除边缘像素点以外的其它各个像素点的像素值均为0；
使所述PET二值图像与所述PET初始图像的对应像素点进行像素值相乘，以生成PET边缘图像。
5.根据权利要求4所述的方法，其特征在于，所述融合处理所述MRI边缘图像与所述PET边缘图像，生成所述目标对象边缘的融合图像，包括：
对所述MRI边缘图像的各个像素点的像素值进行归一化处理，并使归一化后的每一像素值与所述PET边缘图像中对应像素点的像素值进行相乘，以生成所述目标对象边缘的融合图像；
或者，使所述MRI边缘图像与所述PET边缘图像的对应像素点进行像素值相乘，并使相乘后的每一像素值除以所述MRI边缘图像中的最大像素值，以生成所述目标对象边缘的融合图像。
6.根据权利要求1至5任一项所述的方法，其特征在于，所述融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，包括：
通过小波变换，将所述PET初始图像分解成具有不同频域特性的N幅第一初始子图像，并将所述融合图像分解成具有不同频域特性的N幅第二初始子图像，其中，N＝2n，n≥1；
选择具有相同频域特性的所述第一初始子图像与所述第二初始子图像，将所选两幅子图像中对应像素点的像素值进行加权叠加，生成N幅目标子图像；
对所述N幅目标子图像进行小波逆变换，以生成所述目标对象的PET重建图像。
7.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：
将所述PET重建图像作为输入图像，采用预设迭代重建算法进行M次迭代，将迭代所得图像作为所述PET初始图像，继续执行所述融合处理所述PET初始图像与所述MRI解剖图像及其后续步骤，以生成新的PET重建图像，其中，M≥1；
判断所述预设迭代重建算法的迭代次数是否达到限定次数或所述新的PET重建图像是否满足约束条件；若是，则停止迭代并将所述新的PET重建图像作为最终图像重建结果，若否，则将所述新的PET重建图像作为输入图像，继续执行所述采用预设迭代重建算法进行M次迭代及其后续步骤。
8.一种PET成像设备，其特征在于，包括：
初始图像生成单元，用于对目标对象进行图像重建，生成PET初始图像；
边缘图像生成单元，用于融合处理所述PET初始图像与所述目标对象的MRI解剖图像，生成只保留所述目标对象边缘的融合图像，其中，所述目标对象边缘在所述融合图像中的清晰度高于所述PET初始图像；
重建图像生成单元，用于融合处理所述PET初始图像与所述融合图像，生成所述目标对象的PET重建图像，其中，所述目标对象边缘在所述PET重建图像中的清晰度高于所述PET初始图像。
9.根据权利要求8所述的设备，其特征在于，所述边缘图像生成单元包括：
图像配准子单元，用于以所述PET初始图像为基准，对所述MRI解剖图像进行配准，得到MRI配准图像；
MRI边缘提取子单元，用于生成MRI边缘图像，其中，所述MRI边缘图像为所述MRI配准图像中关于所述目标对象边缘的图像；
PET边缘提取子单元，用于生成PET边缘图像，其中，所述PET边缘图像为所述PET初始图像中关于所述目标对象边缘的图像；
边缘融合子单元，用于融合处理所述MRI边缘图像与所述PET边缘图像，生成只保留所述目标对象边缘的融合图像。
10.一种PET成像设备，其特征在于，包括：处理器、存储器、系统总线；
所述处理器以及所述存储器通过所述系统总线相连；
所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN201710668011.0A 2017-08-07 2017-08-07 一种pet图像重建方法及pet成像设备 Active CN107527359B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710668011.0A CN107527359B (zh) 2017-08-07 2017-08-07 一种pet图像重建方法及pet成像设备
US16/057,533 US11080897B2 (en) 2017-08-07 2018-08-07 Systems and methods for a PET image reconstruction device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710668011.0A CN107527359B (zh) 2017-08-07 2017-08-07 一种pet图像重建方法及pet成像设备

Publications (2)

Publication Number Publication Date
CN107527359A true CN107527359A (zh) 2017-12-29
CN107527359B CN107527359B (zh) 2020-04-10

Family

ID=60680722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710668011.0A Active CN107527359B (zh) 2017-08-07 2017-08-07 一种pet图像重建方法及pet成像设备

Country Status (2)

Country Link
US (1) US11080897B2 (zh)
CN (1) CN107527359B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596995A (zh) * 2018-05-15 2018-09-28 南方医科大学 一种pet-mri最大后验联合重建方法
CN110136161A (zh) * 2019-05-31 2019-08-16 苏州精观医疗科技有限公司 图像特征提取分析方法、系统及装置
CN110338832A (zh) * 2019-06-19 2019-10-18 上海全景医学影像诊断中心有限公司 基于18f-fdg的模拟脑血流灌注参数成像方法
CN110796630A (zh) * 2019-10-29 2020-02-14 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN112634388A (zh) * 2020-11-30 2021-04-09 明峰医疗系统股份有限公司 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct
CN113160346A (zh) * 2021-04-08 2021-07-23 深圳高性能医疗器械国家研究院有限公司 一种基于小波融合的pet图像重建方法
WO2022006738A1 (zh) * 2020-07-07 2022-01-13 中加健康工程研究院(合肥)有限公司 图像处理方法、装置、计算设备和介质
WO2022213321A1 (zh) * 2021-04-08 2022-10-13 深圳高性能医疗器械国家研究院有限公司 一种基于小波融合的pet图像重建方法
WO2023169565A1 (zh) * 2022-03-10 2023-09-14 北京联影智能影像技术研究院 一种图像配准方法和系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107661103A (zh) * 2016-07-29 2018-02-06 上海交通大学医学院 一种检测肿瘤组织边界或肿瘤基质细胞分布范围的方法
US11481934B2 (en) * 2018-10-10 2022-10-25 New York University System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network
WO2022103427A1 (en) * 2020-11-12 2022-05-19 Innopeak Technology, Inc. Color correction of image fusion in radiance domain
WO2021184027A1 (en) * 2020-11-12 2021-09-16 Innopeak Technology, Inc. Tuning color image fusion towards original input color with adjustable details
CN112651890A (zh) * 2020-12-18 2021-04-13 深圳先进技术研究院 基于双编码融合网络模型的pet-mri图像去噪方法、装置
CN116862789B (zh) * 2023-06-29 2024-04-23 广州沙艾生物科技有限公司 一种pet-mr图像校正方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102920470A (zh) * 2012-10-18 2013-02-13 苏州生物医学工程技术研究所 双模融合的医学成像系统及方法
CN102573636B (zh) * 2010-10-14 2014-08-20 株式会社东芝 医用图像诊断装置以及医用图像处理方法
CN105469364A (zh) * 2015-10-26 2016-04-06 厦门理工学院 一种联合小波变换域和空间域的医学图像融合方法
CN105574834A (zh) * 2015-12-23 2016-05-11 小米科技有限责任公司 图像处理方法及装置
CN106691486A (zh) * 2016-12-30 2017-05-24 上海联影医疗科技有限公司 医学成像系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7616801B2 (en) * 2002-11-27 2009-11-10 Hologic, Inc. Image handling and display in x-ray mammography and tomosynthesis
US7343030B2 (en) * 2003-08-05 2008-03-11 Imquant, Inc. Dynamic tumor treatment system
US7903849B2 (en) * 2005-04-15 2011-03-08 Kabushiki Kaisha Toshiba Medical image processing apparatus
ES2425241T3 (es) * 2006-05-18 2013-10-14 Elekta Ltd. Métodos y sistemas de segmentación usando reparametrización de límites
CN103559728B (zh) 2013-10-31 2017-05-03 南方医科大学 基于解剖功能联合先验模型的pet图像最大后验重建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102573636B (zh) * 2010-10-14 2014-08-20 株式会社东芝 医用图像诊断装置以及医用图像处理方法
CN102920470A (zh) * 2012-10-18 2013-02-13 苏州生物医学工程技术研究所 双模融合的医学成像系统及方法
CN105469364A (zh) * 2015-10-26 2016-04-06 厦门理工学院 一种联合小波变换域和空间域的医学图像融合方法
CN105574834A (zh) * 2015-12-23 2016-05-11 小米科技有限责任公司 图像处理方法及装置
CN106691486A (zh) * 2016-12-30 2017-05-24 上海联影医疗科技有限公司 医学成像系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
罗建宝: ""一种超宽带穿墙雷达多视角成像融合算法"", 《桂林电子科技大学学报》 *
蒋鑫: ""高光谱图像融合中的边缘修复研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596995A (zh) * 2018-05-15 2018-09-28 南方医科大学 一种pet-mri最大后验联合重建方法
CN108596995B (zh) * 2018-05-15 2022-02-01 南方医科大学 一种pet-mri最大后验联合重建方法
CN110136161A (zh) * 2019-05-31 2019-08-16 苏州精观医疗科技有限公司 图像特征提取分析方法、系统及装置
CN110338832A (zh) * 2019-06-19 2019-10-18 上海全景医学影像诊断中心有限公司 基于18f-fdg的模拟脑血流灌注参数成像方法
CN110796630A (zh) * 2019-10-29 2020-02-14 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110796630B (zh) * 2019-10-29 2022-08-30 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
WO2022006738A1 (zh) * 2020-07-07 2022-01-13 中加健康工程研究院(合肥)有限公司 图像处理方法、装置、计算设备和介质
CN112634388A (zh) * 2020-11-30 2021-04-09 明峰医疗系统股份有限公司 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct
CN112634388B (zh) * 2020-11-30 2024-01-02 明峰医疗系统股份有限公司 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct
CN113160346A (zh) * 2021-04-08 2021-07-23 深圳高性能医疗器械国家研究院有限公司 一种基于小波融合的pet图像重建方法
WO2022213321A1 (zh) * 2021-04-08 2022-10-13 深圳高性能医疗器械国家研究院有限公司 一种基于小波融合的pet图像重建方法
WO2023169565A1 (zh) * 2022-03-10 2023-09-14 北京联影智能影像技术研究院 一种图像配准方法和系统

Also Published As

Publication number Publication date
US11080897B2 (en) 2021-08-03
CN107527359B (zh) 2020-04-10
US20190043226A1 (en) 2019-02-07

Similar Documents

Publication Publication Date Title
CN107527359A (zh) 一种pet图像重建方法及pet成像设备
Zhou et al. Handbook of medical image computing and computer assisted intervention
Kim et al. A performance comparison of convolutional neural network‐based image denoising methods: The effect of loss functions on low‐dose CT images
Rohkohl et al. Improving best‐phase image quality in cardiac CT by motion correction with MAM optimization
Jang et al. Deep learning based MRAC using rapid ultrashort echo time imaging
Van Reeth et al. Super‐resolution in magnetic resonance imaging: a review
Arndt et al. Deep learning CT image reconstruction in clinical practice
Yang et al. A multiscale and multiblock fuzzy C‐means classification method for brain MR images
US9159122B2 (en) Image domain de-noising
Naqa et al. Deblurring of breathing motion artifacts in thoracic PET images by deconvolution methods
CN109544657B (zh) 医学图像迭代重建方法、装置、计算机设备和存储介质
Hammernik et al. Machine learning for image reconstruction
CN109844815A (zh) 使用从不同迭代提取的特征图像进行基于特征的图像处理
WO2012048070A1 (en) Non-rigid composition of multiple overlapping medical imaging volumes
Liu et al. Video frame interpolation via optical flow estimation with image inpainting
Feng et al. Dual respiratory and cardiac motion estimation in PET imaging: methods design and quantitative evaluation
Thaler et al. Sparse-view CT reconstruction using wasserstein GANs
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Zhou et al. Simultaneous denoising and motion estimation for low-dose gated pet using a siamese adversarial network with gate-to-gate consistency learning
Chen et al. A fractional-order variational residual CNN for low dose CT image denoising
Zhou et al. Limited view tomographic reconstruction using a deep recurrent framework with residual dense spatial-channel attention network and sinogram consistency
CN108010093B (zh) 一种pet图像重建方法和装置
Xie et al. Inpainting the metal artifact region in MRI images by using generative adversarial networks with gated convolution
US11508048B2 (en) Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image
Mahaboob Basha et al. Evaluation of weighted nuclear norm minimization algorithm for ultrasound image denoising

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: Shenyang Neusoft Medical Systems Co.,Ltd.

Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: SHENYANG NEUSOFT MEDICAL SYSTEMS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230413

Address after: Room 308, No. 177-2 Chuangxin Road, Hunnan District, Shenyang City, Liaoning Province, 110167

Patentee after: Shenyang Zhihe Medical Technology Co.,Ltd.

Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Patentee before: Shenyang Neusoft Medical Systems Co.,Ltd.