CN107644421A - 医学图像分割方法及系统 - Google Patents

医学图像分割方法及系统 Download PDF

Info

Publication number
CN107644421A
CN107644421A CN201611136335.1A CN201611136335A CN107644421A CN 107644421 A CN107644421 A CN 107644421A CN 201611136335 A CN201611136335 A CN 201611136335A CN 107644421 A CN107644421 A CN 107644421A
Authority
CN
China
Prior art keywords
voxel
region
bone
air
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
Application number
CN201611136335.1A
Other languages
English (en)
Other versions
CN107644421B (zh
Inventor
朱闻韬
冯涛
李弘棣
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.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare 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 Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Publication of CN107644421A publication Critical patent/CN107644421A/zh
Application granted granted Critical
Publication of CN107644421B publication Critical patent/CN107644421B/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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Algebra (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Radiology & Medical Imaging (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Nuclear Medicine (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明一种医学图像分割方法，包括：获取MR图像和PET数据，MR图像包含多个体素；将MR图像分割为若干个区域，所述若干个区域至少包含一个骨骼/空气混淆区域，骨骼/空气混淆区域包含未区分的骨体素和空气体素；为若干个区域包含的体素分配衰减系数生成衰减图，骨骼/空气混淆区域的每个体素分配特定衰减系数；根据衰减图迭代重建所述PET数据产生PET图像，且在每次迭代重建过程中更新衰减图；根据更新后的衰减图为骨骼/空气混淆区域的体素重新分配衰减系数，以区分骨体素和空气体素。本发明可有效实现MR图像中骨骼、空气分离，提高PET图像估计的精度。此外，本发明还提出一种医学图像分割系统。

Description

医学图像分割方法及系统
相关申请的交叉引用
本申请要求2016年7月20日递交的美国申请No.15/215,575的优先权，其全部内容通过参考在此引入。
【技术领域】
本发明涉及医学图像处理技术领域，尤其涉及PET/MR多模态系统中基于PET信息的MR图像中骨骼、空气分离的方法。
【背景技术】
正电子发射计算机断层显像(Positron Emission Tomography，PET)可从分子水平来反映细胞代谢和功能的改变，主要用来确定癌症的发生与严重性、神经系统的状况，以及心血管方面的疾病，使影响诊断真正地步入了分子水平，代表了分子影像学最前沿的技术。然而，正电子发射计算机断层显像只能提供疾病的代谢和功能改变，在结构变化和病灶定位上尚有缺陷。MR成像技术能够提供很好的软组织对比度、高空间和时间分辨率以及组织功能成像，在反映解剖形态和生理功能方面性能优越，PET成像技术具有很高的灵敏度，两种成像技术的结合具有重大应用意义。
近年来，随着多模式成像技术飞速发展，PET/MR成为近年来分子影像领域研究的热点，其融合显像可提供分子、形态与功能信息，从根本上解决PET图像显示解剖结构不清晰的缺陷，将检查部位的生化信息、功能信息和解剖结构信息同时显示在一张图像上对比诊断。然而，PET/MR系统无法提供类似于基于CT的衰减校正信息，只能通过基于MR图像来提供PET图像校正所需的衰减校正信息，而MR成像本质是基于质子密度、T1和T2弛豫参数，与组织的放射衰减性质无关，由此造成基于MR图像的衰减校正一个难题：MR图像中空气和骨骼部分都是低信号，很难区分空气和骨骼。手工勾画进行识别分离可很容易将图像中的骨骼和空气分离开，但是手工方法的速度慢、主观性强，在实际中很少应用。因此，有必要提出一种可分离MR图像中骨骼和空气的方法。
【发明内容】
本发明所要解决的技术问题是提出一种医学图像分割方法及系统，其可有效实现MR图像中空气与骨骼的分离。
本发明解决上述技术问题所采用的技术方案为一种医学图像分割方法，包括：
利用MR扫描器在受试者扫描期间采集MR数据，并重建所述MR数据获取MR图像，所述MR图像包含多个体素；
利用PET扫描器在受试者扫描期间采集PET数据；
将所述MR图像分割为若干个区域，所述若干个区域至少包含一个骨骼/空气混淆区域，所述骨骼/空气混淆区域包含未区分的骨体素和空气体素；
为所述若干个区域包含的体素分配衰减系数，生成衰减图，其中，所述骨骼/空气混淆区域的每个体素分配特定衰减系数；
根据所述衰减图迭代重建所述PET数据产生PET图像，且在每次迭代重建过程中更新所述衰减图；
根据更新后的衰减图为所述骨骼/空气混淆区域的体素重新分配衰减系数，以区分所述骨骼/空气混淆区域中的骨体素和空气体素。
进一步地，所述MR图像中分割出的若干个区域包含多个软组织区域，所述软组织区域仅包含软组织的体素，所述骨骼/空气混淆区域包含所述MR图像中除去所述软组织区域的体素。
进一步地，所述MR图像中软组织区域的各体素具有相同或相似的像素值，所述骨骼/空气混淆区域的各体素具有相同或相似的像素值。
进一步地，在每次迭代重建过程中，逐个更新所述骨骼/空气混淆区域中每个体素对应的衰减系数。
进一步地，所述特定衰减系数为水的衰减系数。
进一步地，还包括根据重新分配的衰减系数将所述骨骼/空气混淆区域分割为第一区域和第二区域，所述第一区域仅包含骨体素，所述第二区域仅包含空气体素。
本发明还提出一种医学图像分割方法，包括：
重建第一类型数据获取第一医学图像，所述第一医学图像包含多个体素；
对所述第一医学图像进行初始分割，获得至少一个混淆区域和至少一个非混淆区域；
对经过初始分割后的第一医学图像中属于不同区域的各体素分配不同衰减系数，生成衰减图；
根据所述衰减图迭代估计所述第二类型数据，获取第二医学图像，且在所述第二类型数据的迭代估计过程中迭代更新所述衰减图；
根据更新后的衰减图为所述第一医学图像的各体素重新分配衰减系数；以及，将所述第一医学图像分割为多个相互区分的子区域。
进一步地，所述第一医学图像为MR图像，且采用阈值方法、区域增长方法、配准方法、模糊聚类方法或直方图方法中的至少一种分割所述MR图像。
进一步地，所述混淆区域至少包含一个骨骼/空气混淆区域，所述非混淆区域至少包含一个软组织区域。
进一步地，所述软组织区域的各体素具有相同或相似的像素值，所述骨骼/空气混淆区域的各体素具有相同或相似的像素值。
进一步地，所述骨骼/空气混淆区域的各体素分配特定衰减系数。
进一步地，所述骨骼/空气混淆区域的各体素对应的衰减系数在每次迭代过程中更新。
进一步地，所述第一医学图像由MR成像装置产生，所述第二医学图像由PET成像装置产生。
进一步地，所述非混淆区域至少包含第一软组织区域和第二软组织区域，且所述第一软组织区域的体素分配第一衰减系数，所述第二软组织区域的体素分配第二衰减系数。
进一步地，所述第一衰减系数或第二衰减系数在每次迭代过程中更新。
进一步地，所述骨骼/空气混淆区域的每个体素所对应的衰减系数在每次迭代过程中更新。
本发明还一种医学图像分割系统，包括图像处理器，所述图像处理器包括：
第一重建模块，用于重建MR数据获取MR图像；
分割模块，用于将所述MR图像分割为至少一个骨骼/空气混淆区域和一个软组织区域，所述骨骼/空气混淆区域包含未区分的骨体素和空气体素，所述软组织区域仅包含软组织体素；
第二重建模块，用于为所述分割后MR图像的每个体素分配相应的衰减系数，获取衰减图，所述骨骼/空气混淆区域的各体素分配水的衰减系数；
根据所述衰减图迭代重建PET数据，且在所述PET数据的重建过程中迭代更新所述衰减图；
根据更新后的衰减图对所述MR图像的各体素分配相应的衰减系数。
进一步地，所述图像处理器还用于将所述骨骼/空气混淆区域至少分割为第一区域、第二区域和第三区域，所述第一区域仅包含肋骨体素，所述第二区域仅包含脊柱体素，所述第三区域仅包含肺组织体素。
进一步地，所述第一区域的体素对应的衰减系数与所述第二区域的体素对应的衰减系数不同。
进一步地，还包括：
MR扫描器，用于在受试者扫描期间采集MR数据；
PET扫描器，用于在受试者扫描期间采集PET数据；
显示器，其用于显示所述PET图像和MR图像的融合图像。
与现有技术相比，本发明的优点在于：首先根据MR图像中不同的灰度值，将MR图像的各体素初始化分割成骨骼/空气混淆区域和软组织区域等多个区域，提取的解剖图像初始器官分类信息可为PET图像初始迭代提供初始衰减信息；在初始衰减图的估计中，同一软组织区域的各体素分配同一衰减系数，为骨骼/空气混淆区域的各体素分配特定衰减系数，进而PET迭代重建的过程中，对于软组织区域的所有体素可仅对特定衰减系数更新，有效减小迭代过程的计算量；对于骨骼/空气混淆区域逐个体素进行迭代更新，保证衰减图估计的可靠性和准确度；利用迭代更新后的PET衰减图，可分辨MR图像中灰度值像素的不同体素，进而获得的器官定位信息更精确。
【附图说明】
在此所述的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的限定。在各图中，相同标号表示相同部件。
图1为本发明一实施例的PET/MR多模态成像系统结构示意图；
图2为本发明一实施例的MR扫描器结构框图；
图3为本发明一实施例的PET扫描器结构框图；
图4为本发明一实施例的图像处理器结构框图；
图5为本发明一实施例的医学图像分割方法流程示意图；
图6为本发明又一实施例的医学图像分割方法流程图；
图7为本发明一实施例中基于PET数据分割MR图像的方法流程示意图；
图8为本发明又一实施例基于PET数据分割MR图像的方法流程示意图
图9为本发明一实施例对MR图像进行初始化分割后的结果示意图；
图10为本发明一实施例迭代更新获得的衰减图。
【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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些系统、模块或单元做出了各种引用，然而，任何数量的不同模块可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
不同系统、模块或单元之间的连接、耦合可表示直接电气连接或直接电气耦合，以用于不同模块之间的信息传递，还可采用无线通信同时进行相互之间的信息传递。本说明书中的“和/或”表示两者之一或者两者的结合。
在本发明的数据转换为图像的表述中，“构建”与“重建”具有相同或相似的含义。除非上下文明确提示例外情形，在本申请的数据校正或图像校准过程中，“重建”、“估计”、“更新”可以表示相同的意思并可以进行替换。
“受试者”可以是包括头部、乳房、肺部、气管、腹部、盆腔、内脏、血管等的人体或动物体。处理的医学图像可以是2D图像，也可是由一系列2D图像层组成的3D图像。
PET放射图像可以提供MR不能包含的FOV部分的信息；由于骨骼和空气的衰减密度差别较大，因此PET衰减信息可以提供骨骼与空气的分割信息。深度挖掘与MR图像配准的PET数据信息是改善MR图像中骨骼、空气等成分分离的有效途径。
本发明提出一种医学图像分割系统，其包括图像处理器，用于实现MR图像中骨骼、空气等成分的有效分离或区分。示例性地，图1为本发明一实施例的医学图像分割系统100结构示意图。在一个实施例中，医学图像分割系统100为多模态成像系统，可选地，该多模态成像系统可以是PET/MR成像系统或PET/CT成像系统。多模态成像系统可处理多种类型的医学图像数据，例如：多模态成像系统可获取第一类型数据(也可称之为“第一数据”)和第二类型数据(也可称之为“第二数据”)；第一类型数据可以为MR数据或CT数据，对应产生MR图像或CT图像等第一医学图像；第二类型数据可以是PET数据，对应产生PET图像等第二医学图像。多模态医学图像处理装置包括：MR扫描器110、PET扫描器120、图像处理器130、控制器140和显示器150。
MR扫描器110，用于在受试者扫描期间采集感兴趣区域的MR成像数据，并重建得到MR图像；PET扫描器120用于在受试者扫描期间采集感兴趣区域的PET成像数据。在一个实施例中，MR扫描器110和PET扫描器120集成在一个多模态成像系统中，MR数据或PET数据可同时或相继连续采集。MR数据或PET数据可存储在硬盘、云存储器等介质中，在需要成像时获取。
图像处理器130可重建MR成像数据产生感兴趣区域的MR图像，以及重建PET数据，并产生同一感兴趣区域的PET图像，该PET图像为经过衰减图校正的图像；图像处理器130还可参照PET迭代重建过程中产生的衰减图，将MR图像分割为多个相互之间可区分的子区域。
在一个实施例中，图像处理器130可将MR图像配准至PET图像或将PET图像配准至MR图像。上述配准过程可采用光流场方法、基于特征点的配准方法、基于轮廓的配准方法、基于灰度信息的配准方法等。图像处理器130可设置在本地或远程。MR扫描器110和PET扫描器120可共用图像处理器130或分别采用各自对应的图像处理器。
控制器140可同时监测或控制MR扫描器110、PET扫描器120、图像处理器130和显示器150。控制器140可以包括中央处理器(Central Processing Unit，CPU)、专门应用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令处理器(ApplicationSpecific Instruction Set Processor，ASIP)、图形处理单元(Graphics ProcessingUnit，GPU)、物理处理器(Physics Processing Unit，PPU)、数字信号处理器(DigitalProcessing Processor，DSP)、现场可编程逻辑门阵列(Field-Programmable Gate Array，FPGA)、ARM处理器等中的一种或几种的组合。
显示器150可将同一感兴趣区域的MR图像、PET图像重叠显示,或显示PET图像与MR图像的融合图像。进一步地，显示器150还可显示受检者的身高、体重、年龄、成像部位、以及MR扫描器110、MR扫描器的工作状态等。显示器150的类型可以是阴极射线管(CRT)显示器、液晶显示器(LCD)、有机发光显示器(OLED)、等离子显示器等中的一种或几种的组合。
成像系统100可连接一个局域网(Local Area Network，LAN)、广域网(Wide AreaNetwork，WAN)、公用网络、私人网络、专有网络、公共交换电话网(Public SwitchedTelephone Network，PSTN)、互联网、无线网络、虚拟网络、或者上述网络的任何组合。
PET放射图像可获得组织的代谢信息，其中，空气对应最下的衰减系数而骨骼对应最大的衰减系数。在获得MR数据和PET数据的基础上，与MR扫描器110和PET扫描器120同时连接的图像处理器130可执行如下操作：重建MR数据获取MR图像；将MR图像分割为个骨骼/空气混淆区域和软组织区域，其中：骨骼/空气混淆区域包含未区分的骨体素和空气体素，即骨骼/空气混淆区域中的骨体素和空气体素无法在MR图像中相互辨识；软组织区域仅包含软组织体素；为分割后MR图像的每个体素分配相应的衰减系数，获取衰减图，其中，骨骼/空气混淆区域的各体素分配水的衰减系数；根据衰减图迭代重建PET数据，且在PET数据的重建过程中迭代更新衰减图；根据更新后的衰减图对MR图像的各体素分配相应的衰减系数。通过上述操作，MR图像骨骼/空气混淆区域中的骨体素和空气体素分配不同的衰减系数，可实现MR图像中呈现低信号区域的骨骼和空气的分离。此外，图像处理器130还可完成如下功能：更新后的衰减图为PET图像重建提供对应的衰减校正系数值，因此，参照更新后的衰减图获取PET衰减图估计，并给予PET衰减图估计获取校正的PET图像。需要说明的是，还可采用不同的序列获取不同部位的组织所对应的灰度值，以更好地实现MR图像中肺部、脂肪、肌肉等器官组织的分离。
图2为本发明一实施例的MR扫描器110结构框图，示例性地，该MR扫描器110包括MR信号获取模块210、MR控制模块220和MR数据处理模块230和MR数据存储模块240。其中，MR信号获取模块210包括磁体单元211和射频单元212。磁体单元211主要包括产生B0主磁场的主磁体和产生梯度的梯度组件。磁体单元211中包含的主磁体可以是永磁体或超导磁体，梯度组件主要包含梯度电流放大器(AMP)、梯度线圈，梯度组件还可包含三个独立通道Gx、Gy、Gz，每个梯度放大器激发梯度线圈组中对应的一个梯度线圈，产生用于生成相应空间编码信号的梯度场，以对磁共振信号进行空间定位。射频单元212主要包括射频发射线圈和射频接收线圈，射频发射线圈用于向受检者或人体发射射频脉冲信号，射频接收线圈用于接收从人体采集的磁共振信号，且根据功能的不同，组成射频单元212的射频线圈可分为体线圈和局部线圈。在一个实施例中，体线圈或局部线圈的种类可以是鸟笼形线圈、螺线管形线圈、马鞍形线圈、亥姆霍兹线圈、阵列线圈、回路线圈等。在一个具体实施例中，局部线圈设置为阵列线圈，且该阵列线圈可设置为4通道模式、8通道模式或16通道模式。磁体单元211和射频单元212可组成开放性低场磁共振装置或者封闭型超导磁共振装置。
MR控制模块220可监测包含磁体单元211和射频单元212的MR信号获取模块210、MR数据处理模块230。具体地，MR控制模块220可接收MR信号获取模块210发送的信息或者脉冲参数；此外，MR控制模块220还可控制MR数据处理模块的处理过程。在一个实施例中，MR控制模块220还连接有包含脉冲序列发生器、梯度波形发生器、发射机和接收机等，在接受用户从控制台发出的指令后，控制磁场模块211执行相应扫描序列。
示例性地，本发明MR扫描器110产生MR数据的具体过程包括：主磁体产生B0主磁场，受检者体内的原子核在主磁场作用下产生进动频率，该进动频率与主磁场强度呈正比；MR控制模块220存储和发送需要执行的扫描序列(scan sequence)的指令，脉冲序列发生器根据扫描序列指令对梯度波形发生器和发射机进行控制，梯度波形发生器输出具有预定时序和波形的梯度脉冲信号，该信号经过Gx、Gy和Gz梯度电流放大器，再通过梯度组件中的三个独立通道Gx、Gy、Gz，每个梯度放大器激发梯度线圈组中对应的一个梯度线圈，产生用于生成相应空间编码信号的梯度场，以对磁共振信号进行空间定位；脉冲序列发生器还执行扫描序列，输出包括射频发射的射频脉冲的计时、强度、形状等数据以及射频接收的计时和数据采集窗口的长度到发射机，同时发射机将相应射频脉冲发送至射频单元212中的体发射线圈产生B1场，在B1场作用下病人体内被激发的原子核发出的信号被射频单元212中的接收线圈感知到，然后通过发送/接收开关传输到MR数据处理模块230，经过放大、解调、过滤、AD转换等数字化处理，然后传输到MR数据存储模块240。当MR数据存储模块240获取一组原始的k-空间数据后，扫描结束。原始的k-空间数据被重新整理成与每个将被重建的图像对应的单独的k-空间数据组，每个k-空间数据组被输入到阵列处理器，进行图像重建后结合磁共振信号，形成一组图像数据。
图3为本发明一实施例的PET扫描器结构框图。该PET扫描器120用于在受检者扫描产生与被扫描部位对应的PET数据，其具体包括探测器模块310、PET信号处理模块320、符合计数模块330和PET控制模块340。其中，探测器模块310包括一系列的探测器单元，该探测器单元可沿机架圆周的中心轴排列组成多个探测器环，受检者P可处于由多个探测器围成的扫描视野(Field Of View，FOV)内成像。示例性地，上述PET扫描器获取PET数据的过程为：在PET扫描前，向受检者P体内注入放射性同位素标识的药剂(示踪剂)；探测器检测从被检体P内部放出的成对湮没伽马射线，生成与检测出的成对湮没伽马射线的光量相应的脉冲状电信号；该脉冲状电信号被供给PET信号处理模块320，PET信号处理模块320根据电信号生成单事件数据(Single Event Data)，实际中PET信号处理模块320通过检出电信号的强度超过阈值这一情况，从而电检测湮没γ射线；单事件数据被供给至符合计数模块330，符合计数模块330对与多个单事件有关的单事件数据实施同时计数处理。具体情况是，符合计数模块330从重复供给的单事件数据中重复确定容纳在与预先设定的时间范围内的两个单事件有关的事件数据，时间范围被设定为例如6ns～18ns左右。该成对的单事件被推测为由来于从同一成对湮没点产生的成对湮没γ射线，其中成对的单事件概括地被称为符合事件。连结检测出该成对湮没γ射线的成对的探测器的线被称为响应线(Line Of Response,LOR)。与符合响应线对应的符合数据即为PET数据。
上述涉及的放射性同位素标识的药剂可以是可逆示踪剂或不可逆示踪剂，PET扫描的过程可以采用单示踪剂扫描或多示踪剂动态扫描。在一个实施例中选择头部作为扫描区域，PET扫描为双示踪剂动态扫描，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，动态扫描具体为：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。
需要说明的是，MR扫描器110和PET扫描器120相互之间可独立成像，也可设置为多模态一体化成像系统。在一个实施例中，MR扫描器110和PET扫描器120可组成PET/MR多模态成像系统，更具体地，PET/MR多模态成像系统包含有射频线圈支架；包含多个射频线圈的射频单元212可固定在射频线圈支架的外表面；探测器模块310环绕设置在具有射频线圈的射频线圈支架外表面，且PET探测器与射频线圈之间设置有屏蔽层；射频单元、探测器模块同时位于主磁体孔径内部。
图像处理器130可用于处理不同类型的数据。图4为本发明一实施例的处理器结构框图，该图像处理器包括存储模块410、第一重建模块420、分割模块430和第二重建模块440。其中，存储模块410可存储解剖成像数据组成的第一类型数据和分子成像数据组成的第二类型数据。解剖成像数据可以是计算机断层扫描(CT)或磁共振成像(MR)数据，分子成像数据可以是正电子断层成像(PET)数据。
第一重建模块420用于重建第一类型数据，获取感兴趣区域的第一医学图像。在一个实施例中，第一类型数据为从存储模块410获得的MR数据，通过对MR数据在K空间进行傅里叶变换可获取感兴趣区域的第一医学图像或MR图像。特别地，MR图像具有较好的软组织解剖分辨率，但骨骼和空气区域均呈现低信号。
分割模块430用于对第一医学图像执行初始化分割操作，并为经过初始化分割的第一医学图像中各体素分配相应衰减系数，生成衰减图。第一医学图像包含多个体素，经过初始化分割可获得至少一个非混淆区域和混淆区域。在一个实施例中，第一医学图像为第一重建模块420产生的MR图像，MR图像中的混淆区域为骨骼/空气(骨骼与空气)混淆区域，该区域包含未区分的骨体素和空气体素(两者灰度值近似)。MR图像中的非混淆区域为软组织区域，该区域仅包含软组的体素。
在一个实施例中，MR图像在分割模块430中初始化分割为至少一个骨骼/空气混淆区域和两个软组织区域，对分割后的区域包含的体素分配相应衰减系数可生成衰减图。其中，MR图像中的两个软组织区域分别分配对应不同软组织的衰减系数，属于同一软组织区域的体素具有相同或近似的像素值，且属于同一软组织区域的体素可分配相同的衰减系数；另一方面，属于骨骼/空气混淆区域的各体素也具有相同或相似的像素值，且该区域各体素分配特定的衰减系数。需要说明的是，上述初始化分割方法可采用阈值法、区域生长法、基于直方图的方法、Atlas配准法、模糊算法中的至少一种。
第二重建模块440可用于处理第二类型数据，具体地，包括迭代重建第二类型数据，并根据迭代重建后的第二类型数据产生第二医学图像，其中，在第二类型数据迭代重建的过程中采用衰减图校正该第二类型数据，且在第二类型数据的迭代重建过程中迭代更新上述衰减图。在一个实施例中，以存储模块410中存储的PET数据或者由PET扫描器120产生的PET数据作为第二类型数据；为经过分割模块430初始化分割后的第一医学图像中各体素分配相应衰减系数，生成第一衰减图；第二重建模块根据第一衰减图，对第二类型数据或PET数据进行迭代重建处理。上述迭代重建过程具体包括：基于PET数据产生第一PET图像；根据第一衰减图重建PET图像；根据第一PET图像更新第一衰减图，并产生第二衰减图；基于第二衰减图对第一PET图像进行重建，获取第二PET图像；重复上述过程知道产生最终的目标衰减图(衰减图估计)和最终目标PET图像(PET图像估计)。
图像处理器130还可根据更新后的衰减图对第一医学图像的各体素分配相应的衰减系数。在本发明一个实施例中，图像处理器130执行如下操作：根据迭代更新后的衰减图，将MR图像中的骨骼/空气混淆区域分割为第一区域、第二区域和第三区域，其中：第一区域仅包含肋骨体素；第二区域仅包含脊柱体素；第三区域仅包含肺组织体素。更进一步地，第一区域、第二区域和第三区域中体素所对应的衰减系数不同，即：第一区域的体素对应肋骨衰减系数；第二区域的体素对应脊柱衰减系数；第三区域的体素对应肺组织或空气体素衰减系数。
此外，基于该目标衰减图对PET数据进行校正，可获得目标PET图像。需要说明的是，图像处理器130还可实现PET图像与MR图像的配准，以实现两图像的叠加显示，配准方法具体可采用光流场方法、基于特征点的配准方法、基于外形轮廓的配准方法或基于灰度值的配准方法。需要说明的是，本发明在第二医学图像过程中，所述的“迭代估计”、“迭代重建”在第二类型数据的校正过程中具有相同或相似的含义。更近一步地，在衰减图的获取过程中，所述的“迭代估计”、“迭代重建”在衰减系数的校正过程中具有相同或相似的含义。
对应上述医学图像分割系统或多模态医学成像系统，本发明提出一种医学图像分割方法，示例性地，图5为实施例一的医学图像分割方法，包括：
步骤501，获取第一医学图像和第二类型数据，其中，第一医学图像包括多个体素，该多个体素分别属于不同的组织或器官。示例性地，以存储模块410存储或MR扫描器110产生的MR数据作为第一类型数据，并在第一重建模块420中重建第一类型数据产生第一医学图像。以存储模块410存储或PET扫描器120产生的PET数据作为第二类型数据。需要说明的是，MR扫描和PET扫描并没有严格的顺序限制，MR扫描可在PET扫描前或后进行，且MR图像的获取可以在注入造影剂后、PET扫描前进行。PET扫描所用的是示踪剂可以是18F-FDG,18F-EF5,18F-ML-10等单示踪剂；也可是动态扫描的多示踪剂，如：18F-FDG和18F-FLT，11C-ACT和18F-FDG等双示踪剂。
步骤502，对第一医学图像进行初始分割，获得多个区域，其中包括至少一个混淆区域和至少一个非混淆区域。示例性地，可采用阈值法、区域增长法、模糊算法或其他方法，根据灰度值或其他特征，将第一医学图像划分为混淆区域和非混淆区域。混淆区域可包含多种组织器官的体素，每种体素分别对应一种组织或器官，但各体素具有相同或相似的灰度值。因此，即使属于不同种类的体素，在该混淆区域也表现为具有相同或像素的灰度值，进而无法根据灰度值或从该第一医学上精确确定器官组织的轮廓(边界)。而非混淆区域中包含的各体素与混淆区域具有明显的差别，各体素通常表现为高灰度值。因此，非混淆区域通常仅包含同一种体素(属于同一组织、器官)具有确定的轮廓边界。
步骤503，对经过初始分割后的第一医学图像中不同区域的各体素分配不同衰减系数，生成衰减图。其中，对于确定边界的非混淆区域，结合其位置特征可确定对应的组织、器官，进而结合先验知识，为该区域各体素分配相对应的衰减系数。对于混淆区域，无法结合先验知识为各体素分配对应器官的衰减系数，可为各体素分配统一的特定衰减系数。需要说明的是，属于同一区域的各体素可分配同一衰减系数，而属于不同区域的体素所对应的衰减系数也不同。
基于衰减图迭代重建第二类型数据产生第二医学图像，其中衰减图在第二类型数据的每次迭代重建过程中进行迭代更新。在上述迭代重建过程中，通过迭代更新衰减图可产生反映真实衰减情况的衰减图估计。整个迭代过程包括步骤504更新或重建第二类型数据以及步骤505更新或重建衰减图。在步骤504中，根据衰减图更新或重建第二类型数据，获取第二医学图像；在步骤505中，根据更新或重建后的第二类型数据迭代更新(重建)衰减图。在一个实施例中，以步骤S503生成的衰减图作为第一衰减图(或初始衰减图)；保持第一衰减图不变，更新第二类型数据产生图像I1；保持图像I1对应的第二类型数据不变，更新第一衰减图而产生第二衰减图；进一步地保持第二衰减图不变，更新第二类型数据产生图像I2。上述迭代过程可迭代进行多次，最终生成目标衰减图。此外，基于该目标衰减图对第二类型数据进行校正，可获得第二医学图像。即每次迭代过程同时进行衰减图和第二医学图像的重建或更新。需要说明的是，本发明中衰减图的“更新”或“重建”具有相似或相同含义，指的是对衰减图的重新估计；本发明中衰减图的“更新”或“重建”指的是对基于衰减图的PET图像或PET数据的重新校正。
步骤506，根据更新后的衰减图为第一医学图像的各体素重新分配衰减系数；以及，将第一医学图像分割为多个相互区分的子区域。更新后的衰减图中，各器官或组织分别对应不同的衰减系数，可为第一医学图像各体素分配相应的衰减系数。在一个实施例中，第一医学图像的混淆区域虽然各体素显示相同或相似的灰度值，但是却对应不同的衰减系数，可根据衰减系数的不同，将混淆区域划分为几个相互可区分的子区域，每个子区域包含属于特定器官或组织的体素。进一步地，通过更新后的衰减图，也可进一步确定非混淆区域的边界。
在一个实施例中，第一医学图像为MR图像，第二类型数据为PET数据，采用基于区域增长方法将MR图像划分为混淆区域和非混淆区域。示例性地，混淆区域为骨骼/空气混淆区域，骨骼/空气混淆区域中的各体素具有相同或相似的像素值，且骨骼/空气混淆区域的各体素分配特定衰减系数，即该区域各体素分配同一衰减系数；非混淆区域为软组织区域，软组织区域的各体素具有相同或相似的像素值，更具体地，非混淆区域至少包含第一软组织区域和第二软组织区域，且第一软组织区域的体素分配第一衰减系数，第二软组织区域的体素分配第二衰减系数。在一个实施例中，骨骼/空气混淆区域包含不同的骨组织、肺组织类型，但仅根据灰度值无法区分各组织边界；第一软组织区域为心脏区域，第二软组织区域为脂肪区域，心脏区域分配第一衰减系数，脂肪区域分配第二衰减系数。
上述骨骼/空气混淆区域、软组织区域中各体素所对应的衰减系数在PET数据重建为PET图像的过程中进行迭代更新。在一个实施例中，第一软组织区域的体素所对应的第一衰减系数在迭代更新后更加接近真实衰减系数；第二软组织区域的体素所对应的第二衰减系数在迭代更新后更加接近真实衰减系数，且更新后的第一衰减系数不同于更新后的第二衰减系数；骨骼/空气混淆区域的体素所对应的特定衰减系数在迭代更新后产生多种不同的数值。在此具体实施例中，特定衰减系数在迭代更新后可产生三种不同的数值，其中：一种对应骨骼/空气混淆区域的肋骨体素；一种对应骨骼/空气混淆区域的脊柱体素；一种对应骨骼/空气混淆区域的肺组织或空气体素。对应地，骨骼/空气混淆区域分割为第一区域、第二区域和第三区域，其中：第一区域仅包含肋骨体素；第二区域仅包含脊柱体素；第三区域仅包含肺组织体素。在另一个实施例中，根据重新分配的衰减系数将所述骨骼/空气混淆区域分割为第一区域和第二区域，第一区域仅包含骨(肋骨或脊柱)体素，第二区域仅包含空气体素。需要说明的是，本发明对于特定衰减系数在迭代更新后产生数值的种类并不作具体限制，具体可以混淆区域中实际所包含的组织、器官类型为依据。更进一步地，本发明还可采用图像融合方法，将第一医学图像和第二医学图像融合显示。
图6为本发明又一实施例的医学图像分割方法流程图。步骤602，获取第一类型数据和第二类型数据。示例性地，第一类型数据可以是解剖成像数据，第二类型数据可以是分子成像或功能成像数据。以存MR扫描器110产生的MR数据作为第一类型数据，以PET扫描器120产生的PET数据作为第二类型数据。需要说明的是，MR扫描和PET扫描并没有严格的顺序限制，MR扫描可在PET扫描前或后进行，且MR图像的获取可以在注入造影剂后、PET扫描前进行。PET扫描所用的是示踪剂可以是18F-FDG,18F-EF5,18F-ML-10等单示踪剂；也可是动态扫描的多示踪剂，如：18F-FDG和18F-FLT，11C-ACT和18F-FDG等双示踪剂。
步骤604，基于第一类型数据产生第一医学图像。第一医学图像可在第一重建模块420中产生。以PET/MR多模态成像系统为例，第一医学图像为MR数据重建得到的MR图像，且该图像包含于多个器官或组织对应的体素。
步骤606，对第一医学图像进行初始分割，获得多个区域，其中包括至少一个混淆区域和至少一个非混淆区域。初始分割可在分割模块430中进行。示例性地，可采用阈值法、区域增长法、模糊算法或其他方法，根据灰度值或其他特征，将第一医学图像划分为混淆区域和非混淆区域。混淆区域可包含多种组织器官的体素，每种体素分别对应一种组织或器官，但各体素具有相同或相似的灰度值。因此，即使属于不同种类的体素，在该混淆区域也表现为具有相同或像素的灰度值，进而无法根据灰度值或从该第一医学上精确确定器官组织的轮廓(边界)。而非混淆区域中包含的各体素与混淆区域具有明显的差别，各体素通常表现为高灰度值。因此，非混淆区域通常仅包含同一种体素(属于同一组织、器官)具有确定的轮廓边界。
步骤608，基于第一医学图像生成衰减图，即：对经过初始分割后的第一医学图像中不同区域的各体素分配不同衰减系数，生成衰减图。其中，对于确定边界的非混淆区域，结合其位置特征可确定对应的组织、器官，进而结合先验知识，为该区域各体素分配相对应的衰减系数。对于混淆区域，无法结合先验知识为各体素分配对应器官的衰减系数，可为各体素分配统一的特定衰减系数。需要说明的是，属于同一区域的各体素可分配同一衰减系数，而属于不同区域的体素所对应的衰减系数也不同。
步骤610，根据第二类型数据产生第二医学图像。步骤612，根据(更新后)衰减图重建或更新第二医学图像。步骤614，根据更新或重建后的第二医学图像更新衰减图。步骤610、步骤612和步骤614可在第二重建模块440中完成。在一个实施例中，步骤612中的第二医学图像和步骤614中的衰减图可进行迭代更新，迭代更新过程可参照前述实施例的描述。需要说明的是，本实施例中衰减图的“更新”或“重建”具有相似或相同含义，指的是对衰减图的重新估计；本发明中衰减图的“更新”或“重建”指的是对基于衰减图的第二医学图像或第二类型数据的重新校正。
步骤616，根据更新后的衰减图为第一医学图像的各体素重新分配衰减系数；以及，将第一医学图像分割为多个相互区分的子区域。上述过程可在第二重建模块440中进行。更新后的衰减图中，各器官或组织分别对应不同的衰减系数，可为第一医学图像各体素分配相应的衰减系数。在一个实施例中，第一医学图像的混淆区域虽然各体素显示相同或相似的灰度值，但是却对应不同的衰减系数，可根据衰减系数的不同，将混淆区域划分为几个相互可区分的子区域，每个子区域包含属于特定器官或组织的体素。进一步地，通过更新后的衰减图，也可进一步确定非混淆区域的边界。此外，本发明还可采用图像融合方法，将第一医学图像和第二医学图像融合显示。
图7为本发明一实施例的基于PET数据分割MR图像的方法流程示意图。其中以MR图像作为第一医学图像，以PET图像作为第二医学图像，具体包括如下步骤：
步骤701，利用PET扫描器在受试者扫描期间采集PET数据，利用MR扫描器在受试者扫描期间采集MR数据，并重建MR数据获取MR图像，其中MR图像包含多个体素。MR图像可由MR成像装置获取，其中MR成像装置可包括如前所述的MR扫描器110和第一重建模块420。PET数据可由PET扫描器120获得。MR图像生成的大致过程为：射频激发产生脉冲信号，接收线圈通过空间编码可采集到具有空间定位编码信息的MR信号，这些MR信号原始数据组成的填充空间即为K空间，MR系统采集的数据可通过多通道并行采集技术、螺旋扫描、辐射扫描等方法获得；对K空间的数据进行傅里叶变换，就能对原始数据中的空间定位编码信息进行解码，分解出不同频率、相位和幅度的MR信号，不同的频率和相位代表不同的空间位置，而幅度则代表MR信号的强度，将不同的频率、相位及信号强度的MR数字信息分配到相应的像素中，就得到了MR图像数据，即重建出MR图像。需要说明的是，PET数据可以是经过随机符合校正或者康普顿散射校正之后的数据，也可以是未经随机符合校正或康普顿散射校正的数据。
PET显像技术是在生物活体内注射一种直接或间接反映生化代谢过程的放射性示踪剂，通过PET设备中面向发射体排列的探测器对接收这一对光子，即可计算确定正电子湮灭的位置，连接某一探测器对的连线即为符合线；当足够多的探测器对产生的千万条符合线(可存储为正弦模式数据或列表模式数据)，经过计算机反投影或者迭代方式重建发射体在空间的分布，并以断层的方式加以显示形成PET图像，即初步PET重建。需要注意的是，理想PET采集的符合事件都为真符合事件，图像重建正是基于真符合事件进行，但是光子的传输和接收会受到系统内散射效应(scatter effect)、衰减效应(attenuation effect)、死时间效应(dead time effect)、随机符合(random coincidence)等额外物理因素的影响，造成探测数据的偏差。因此，使用上述PET数据(放射投影数据)进行初步PET重建得到的PET图像并不能准确反映成像部位的衰减情况。需要说明的时，上述MR图像和PET图像的数据采集过程并没有严格的次序限制。在一个实施例中，可以在给受检者注射放射性示踪剂(可逆示踪剂或非可逆示踪剂)后但在PET扫描前进行MR扫描；在另一实施例中，MR扫描可以在PET扫描之后，当然MR扫描也可以选择在给受检者注射示踪剂之前进行。对应地，MR系统和PET系统可以设置成相互独立的扫描设备，也可是PET-MR复合多模态扫描设备。
步骤702，初始化分割MR图像为若干个区域，其中若干个区域至少包含一个骨骼/空气混淆区域，且该区域包含未区分的骨体素和空气体素。医学图像分割方法大体上包含初始定位、粗分割和精细分割三大步骤，可根据不同组织的成像特征和解剖结构等信息确定不同的算法策略。初始定位阶段一般利用各组织的灰度阈值、空间位置信息等获得其大致位置区域或参考特征点，可采用自适应阈值法、混淆C均值聚类算法、基于Atlas配准定位的方法和基于广义霍夫变换定位的Atlas概率图谱算法等。粗分割以初定位得到的结果为基准，结合器官区域信息、边界信息以及解剖先验信息等获取较为准确的各组织器官分割结果，可采用区域生长、快速行进、活动轮廓模型等算法或几种算法的有效结合。精细分割阶段则在粗分割结果的一个窄带范围内进行进一步地优化处理以获取更为准确的各组织分割结果，以及对分割结果进行数学形态学平滑处理等从而得到最终的分割结果。本发明以直方图分割MR图像为例说明，具体为：假定同一器官或者同一组织在图像中有相同或者相似的像素值，直方图的计算公式为：
h(v)＝∫x,y,zδ(f(x,y,z)-v)dxdydz (公式1)
其中，h(v)表示在图像中取值为v的像素的个数，如医学图像中包含n个不同像素值的组织或者器官，则该医学图像对应n个h(v)的极大值和n个h(v)的极小值。通过判别h(v)极大值可以判断医学图像中不同器官的最可能取值，通过判别h(v)极小值则可以判断图像中不同器官的最可能分界点及分割区域，具体地：h(v)的极小值v1或极大值v2可以通过对h(v)求导得出。对于医学图像中某一个器官区域，根据h(v)的极小值v1和极大值v2可获得该器官区域所对应的像素值分布v∈[v1,v2]，令医学图像中坐标为(x,y,z)的像素点的值记为f(x,y,z)；x表示该像素点的横坐标；y表示该像素点的纵坐标；z表示该像素点的竖坐标；δ表示二值化函数；当f(x,y,z)∈[v1,v2]时，则令δ＝1；否则为0。δ＝1的所有像素点所组成的区域即为此器官的分割结果。利用上述方法，可将MR图像划分为多个个区域，该多个区域包括若干个软组织(脂肪、心脏)、混淆区域。虽然MR图像也以不同的灰度显示，但其反映的是MRI信号强度的不同或弛豫时间T1与T2的长短，而无法像CT或PET图像那样可直接反映组织密度，MR对骨组织信号较弱，对于水分子少的骨骼和空气成像能力较差。因此，MR图像通常将骨骼显示为低信号区域，而通常空气也被显示为低信号区域，基于此，上述MR图像的分割区域存在混淆区域，该混淆区域包含未区分的骨体素和空气体素。此外，PET放射图像上的不同类型组织都具有对应的透射估计值，在MR图像的分割过程中，还可以结合PET数据生成的PET放射图像建立MR图像中组织区域的大致轮廓。需要说明的是，PET图像可在由PET扫描器120和第二重建模块440组成的PET成像装置中生成(此时生成的PET图像未经过衰减校正)，还可以在由PET扫描器120和图像处理器130共同组成的PET成像装置中生成(此时生成的PET图像经过衰减校正)。
MR图像可分割为包含多个软组织区域、骨骼/空气混淆区域的若干个区域，其中，软组织区域仅包含软组织的体素，且各体素具有相同或相似的像素值；骨骼/空气混淆区域包含未区分的骨体素和空气体素，且各体素具有相同或相似的像素值。
步骤703，为若干个区域包含的体素分配衰减系数，生成衰减图，其中，骨骼/空气混淆区域的每个体素分配特定衰减系数。具体过程为：设上述MR图像被分割为M个软组织区域，结合先验知识对各分割区域赋予相应的衰减系数μk，并根据分配的衰减系数获取分割区域中各像素对应的初始衰减值。而对于骨骼、空气这些未赋值的像素，则统一分配为水的衰减系数(ρ＝0.096/cm)，并在混淆区域根据所分配的衰减系数获取初始衰减值。对于初始衰减图中的任意像素j(或体素)μj可表示为：
其中，μ(j)代表衰减图中第j个像素的衰减值；Ik(j)代表二值图像中属于第k个分割区域的第j个像素的像素值，1≤k≤M；ρj表示水的衰减系数，ρj＝0.096/cm。具体地：对于二值图像中任一像素j，如果像素j属于第k个分割区域，则令Ik(j)＝1且该元素分配与相应软组织区域对应的衰减值μ(j)＝μk，该像素分配第k个分割区域所对应的软组织的衰减系数；反之，如果像素j不属于第k个分割区域而属于第k个分割区域之外的任一区域，则令Ik(j)＝0。同样，当j像素落在第i个区域中时，通过上式可得μ(j)＝μi，即为该像素分配第i个分割区域所对应的软组织的衰减系数。而当像素j不属于任何一个软组织所对应的M个分割区域时，则通过上式可得μ(j)＝0.096，同时像素应属于混淆区域。在一实施例中，如图9所示，在分割后的MR图像中，为区域A分配水的衰减系数，为区域B分配与心脏对应的衰减系数，为区域C分配与脂肪对应的衰减系数。上述步骤702和步骤703可在分割模块430中执行。
根据衰减图迭代重建所述PET数据产生PET图像，且在每次迭代更新过程中更新衰减图。迭代过程包括步骤704中PET数据的估计或重建以及步骤705中衰减图的估计或重建。具体地：
(1)将衰减图转化为衰减正弦图，衰减图与衰减正弦图的关系为：
其中，为衰减正弦图中第i个元素的衰减正弦值；e为自然对数；u(j)表示衰减图中第i个元素的衰减系数。联合公式2与公式3，可得：
其中，Ik(j)表示属于第k个区域的二值图像Ik中第j个体素的值。由公式4可知，对所有已经分割获取的M个软组织区域，只需要对各Ik(j)计算一次正投影，获取∑jlijIk(j)并存储在内存空间中供后续迭代使用，后续的迭代只需要在正投影的结果乘上μk，并进行对数操作即可，无需每次进行投影计算，而只需对于骨骼或空气等游离体素在每次迭代过程中计算正投影即可。因此，衰减正弦图的计算在整体上得到了极大简化。在迭代中，衰减正弦图可以表示为：
其中，为经过n次迭代中第m次子集迭代得到的衰减正弦图中第i个元素的衰减正弦值；e为自然对数；是经过n次迭代中第m次子集迭代得到的衰减图像中第k个分割区域分配的衰减系数；是经过n次迭代中第m次子集迭代得到的衰减图像中所有软组织之外第j个像素的衰减系数；lij是从衰减图像映射到衰减正弦图的线积分模型的系统矩阵；n为迭代次数；m是每次迭代中的子集序号；i为符合响应线的序号。
(2)固定衰减正弦图，采用最大后验信息重建方法(MAP)进行PET(放射)图像的更新，具体公式为：
其中，表示重建过程像素j第n次迭代第m次子集迭代得到的PET放射图像；Sm表示数据空间中第m个数据子集；Hijt表示系统矩阵；i为响应线的序号；j表示放射图像的体素编号；t表示时间飞行箱的编号；si(t)和ri(t)分别表示第t个时间箱、第i条响应线上的散射符合事件和随机符合事件的数量；为PET数据或图像第t个时间箱的第i条响应线的计数；U(f)表示图像域的平滑项；log表示取自然对数函数。
(3)根据更新后的PET图像获取更新后的PET图像在数据域上的贡献，具体公式为：
其中，表示经过n次迭代中第m次子迭代得到PET放射图像中第i个体素在nonTOF正弦图中的期望值。
(4)利用更新后的PET图像中的各像素(或体素)在数据域上的贡献，对衰减图像的软组织分割区域和剩余图像的体素分别进行更新。其中，对软组织分割区域的更新为：
其中，表示经过编号为p的软组织分割区域在n次迭代中第m个子集的子迭代之后从更新而得到的衰减系数，1≤p≤M；lij是从衰减图像映射到衰减系数的线积分系统矩阵，表示正弦图中第i条响应线穿过体素j的长度；yi表示第i条响应线上采集到的湮没光子对的个数；si和ri分别表示第i条响应线上的散射符合事件和随机符合事件的数量；代表经过n次迭代中第m+1次子迭代得到PET放射图像中第i个体素在nonTOF正弦图中的期望值。
对剩余混淆区域中的图像体素(包含骨骼和空气)的更新采用如下公式：
其中，表示非软组织中第j个元素经过n次迭代中第m个子集的子迭代之后从更新而得到的衰减系数。
需要说明的是，上述迭代重建过程中每次子迭代的过程首先保持PET衰减图不变而更新PET图像，然后再保持PET图像不变而更新衰减图像。每一次迭代过程中都遍历全部有序子集之后再进行下一次迭代，以此往复，直至满足预设的迭代停止条件时，则停止迭代，从而得到经过校正的PET放射图像和衰减图估计。否则，则以本次迭代得到的值作为初始衰减值，返回步骤(1)继续进行上述的迭代过程。即每次迭代过程同时进行衰减图和第二医学图像的重建或更新。需要说明的是，本发明在第二医学图像过程中，所述的“迭代估计”、“迭代重建”在第二类型数据的校正过程中具有相同或相似的含义。更近一步地，在衰减图的获取过程中，所述的“迭代估计”、“迭代重建”在衰减系数的校正过程中具有相同或相似的含义。
步骤706，根据更新后的衰减图为骨骼/空气混淆区域的体素重新分配衰减系数，并根据重新分配的衰减系数区分骨骼/空气混淆区域中的骨体素和空气体素。通过一系列的迭代更新校正，软组织区域的衰减系数更加接近真实值；而骨骼/空气混淆区域中的骨骼和空气等游离的体素，在衰减图上收敛至不同值，从而识别出混淆区域中的骨体素和空气体素。在一个实施例中，根据重新分配的衰减系数可将骨骼/空气混淆区域分割为第一区域和第二区域，且第一区域仅包含骨体素，第二区域仅包含空气体素。此外，本发明还可采用图像融合方法，将MR图像和PET图像融合显示。
图8为本发明又一实施例中基于PET数据分割MR图像的方法流程示意图。步骤802，获取MR数据和PET数据。示例性地，MR数据和PET数据可利用多模态PET/MR装置采集，该多模态PET/MR装置可包括MR装置、PET装置、处理器等。需要说明的是，MR扫描和PET扫描并没有严格的顺序限制，MR扫描可在PET扫描前或后进行，且MR图像的获取可以在注入造影剂后、PET扫描前进行。
步骤804，基于MR数据产生MR图像。MR图像可在第一重建模块420中产生。在一个实施例中，MR图像可在PET数据获采集前或采集后产生。
步骤806，分割MR图像为多个区域，其中包括至少一个骨骼/空气混淆区域。初始分割可在分割模块430中进行。示例性地，可采用阈值法、区域增长法、模糊算法或其他方法，根据灰度值或其他特征，将MR图像划分为软组织区域、骨骼/空气混淆区域。其中，软组织区域仅包含软组织的体素，且各体素具有相同或相似的像素值；骨骼/空气混淆区域包含未区分的骨体素和空气体素，且各体素具有相同或相似的像素值。软组织区域可分为第一软组织区域和第二软组织区域，其中第一软组织区域对应受检者心脏，且该区域的灰度值相同或相似；第二软组织区域对应脂肪，且该区域的灰度值相同或相似。需要说明的是，心脏区域和脂肪区域可对应不同的衰减系数。如图9所示，整个MR图像可划分为骨骼/空气混淆区域A、心脏区域B和脂肪区域C。
步骤808，根据MR图像产生衰减图，即：对经过步骤806分割的MR图像不同区域的各体素分配不同衰减系数，在分割模块430中生成衰减图。其中，对于确定边界的软组织区域，结合其位置特征可确定对应的组织、器官，进而结合先验知识，为该区域各体素分配相对应的衰减系数。对于骨骼/空气混淆区域，无法结合先验知识为各体素分配对应器官的衰减系数，可为各体素分配统一的特定衰减系数。需要说明的是，属于同一区域的各体素可分配同一衰减系数，而属于不同区域的体素所对应的衰减系数也不同。如图9所示，对于区域A的体素可分配水的衰减系数；区域B分配心脏对应的衰减系数；区域C分配脂肪对应的衰减系数。
步骤810，根据PET数据产生PET图像。该过程可在第二重建模块440中完成，且PET图像可以是基于初始采集PET数据获得的初始图像。
步骤812，根据衰减图重建或更新PET图像。
步骤814，根据更新或重建后的PET图像更新衰减图。在一个实施例中，PET图像和衰减图可进行迭代更新，迭代更新过程可参照前述实施例的描述。需要说明的是，本实施例中衰减图的“更新”或“重建”具有相似或相同含义，指的是对衰减图的重新估计；本发明中衰减图的“更新”或“重建”指的是对基于衰减图的PET图像或PET数据的重新校正。
步骤816，根据更新后的衰减图为骨骼/空气混淆区域的各体素重新分配衰减系数；以区分骨骼/空气混淆区域中的骨体素和空气体素。上述过程可在第二重建模块440中进行。更新后的衰减图中，各器官或组织分别对应不同的衰减系数，可为骨骼/空气混淆区域各体素分配相应的衰减系数。在一个实施例中，骨骼/空气混淆区域虽然各体素显示相同或相似的灰度值，但是却对应不同的衰减系数，可根据衰减系数的不同，将骨骼/空气混淆区域划分为几个相互可区分的子区域，每个子区域包含属于特定器官或组织的体素。进一步地，通过更新后的衰减图，也可进一步确定骨骼/空气混淆区域的边界。在一个实施例中，骨骼/空气混淆区域可分割成仅包含骨体素的第一子区域和仅包含空气体素的第二子区域。在另一实施例中，可采用图像融合方法，将第一医学图像和第二医学图像融合显示。
图9为发明一实施例中腹部横断面MR图像分割的结果示意图。图中显示具有两种灰度值的体素，该MR图像经初始化分割为区域A、区域B和区域C。其中区域B仅包含心脏组织对应的体素，且各体素具有相同或相似的灰度值；区域C仅包含脂肪对应的体素，且各体素具有相同或相似的灰度值。区域A包含脊柱、肩胛骨、肺、肋骨等多重器官、组织对应的体素，但是仅根据像素灰度值无法精确区分各体素。
如图10为本发明一实施例生成的与图9所示MR图像相对应的衰减图(更新后的衰减图)。图中至少具有三种不同的灰度值，且不同区域的体素对应不同的灰度值(具有不同衰减系数)。将MR图像与PET图像叠加显示，基于PET图像对应的衰减图，MR图像中的A区域可进一步分割为区域A1、区域A2、区域A3、区域A4。区域A1仅包含肺组织或空气体素；区域A2或A3仅包含肋骨体素，区域A4仅包含脊柱体素，且区域A1的灰度值明显低于软组织区域，区域A2、A3或A4在图像上的灰度值明显高于软组织区域。此外，区域B对应的心脏组织或区域C对应的脂肪组织的边界也更清晰，基于上述信息获得的器官定位也更精确。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本发明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包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本发明的实施例来执行操作。机器可读介质可包括，但不限于，软盘、光盘、CD-ROM(紧致盘-只读存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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)

1.一种医学图像分割方法，包括：
利用MR扫描器在受试者扫描期间采集MR数据，并重建所述MR数据获取MR图像，所述MR图像包含多个体素；
利用PET扫描器在受试者扫描期间采集PET数据；
将所述MR图像分割为若干个区域，所述若干个区域至少包含一个骨骼/空气混淆区域，所述骨骼/空气混淆区域包含未区分的骨体素和空气体素；
为所述若干个区域包含的体素分配衰减系数，生成衰减图，其中，所述骨骼/空气混淆区域的每个体素分配特定衰减系数；
根据所述衰减图迭代重建所述PET数据产生PET图像，且在每次迭代重建过程中更新所述衰减图；
根据更新后的衰减图为所述骨骼/空气混淆区域的体素重新分配衰减系数，以区分所述骨骼/空气混淆区域中的骨体素和空气体素。
2.根据权利要求1所述的医学图像分割方法，其特征在于，所述MR图像中分割出的若干个区域包含多个软组织区域，所述软组织区域仅包含软组织的体素，所述骨骼/空气混淆区域包含所述MR图像中除去所述软组织区域的体素。
3.根据权利要求2所述的医学图像分割方法，其特征在于，所述MR图像中软组织区域的各体素具有相同或相似的像素值，所述骨骼/空气混淆区域的各体素具有相同或相似的像素值。
4.根据权利要求1所述的医学图像分割方法，其特征在于，在每次迭代重建过程中，逐个更新所述骨骼/空气混淆区域中每个体素对应的衰减系数。
5.根据权利要求1所述的医学图像分割方法，其特征在于，所述特定衰减系数为水的衰减系数。
6.根据权利要求1所述的医学图像分割方法，其特征在于，还包括根据重新分配的衰减系数将所述骨骼/空气混淆区域分割为第一区域和第二区域，所述第一区域仅包含骨体素，所述第二区域仅包含空气体素。
7.一种医学图像分割方法，包括：
重建第一类型数据获取第一医学图像，所述第一医学图像包含多个体素；
对所述第一医学图像进行初始分割，获得至少一个混淆区域和至少一个非混淆区域；
对经过初始分割后的第一医学图像中属于不同区域的各体素分配不同衰减系数，生成衰减图；
根据所述衰减图迭代估计所述第二类型数据，获取第二医学图像，且在所述第二类型数据的迭代估计过程中迭代更新所述衰减图；
根据更新后的衰减图为所述第一医学图像的各体素重新分配衰减系数；以及，将所述第一医学图像分割为多个相互区分的子区域。
8.根据权利要求7所述的医学图像分割方法，其特征在于，所述第一医学图像为MR图像，且采用阈值方法、区域增长方法、配准方法、模糊聚类方法或直方图方法中的至少一种分割所述MR图像。
9.一种医学图像分割系统，包括图像处理器，所述图像处理器包括：
第一重建模块，用于重建MR数据获取MR图像；
分割模块，用于将所述MR图像分割为至少一个骨骼/空气混淆区域和一个软组织区域，所述骨骼/空气混淆区域包含未区分的骨体素和空气体素，所述软组织区域仅包含软组织体素；
第二重建模块，用于为所述分割后MR图像的每个体素分配相应的衰减系数，获取衰减图，所述骨骼/空气混淆区域的各体素分配水的衰减系数；
根据所述衰减图迭代重建PET数据，且在所述PET数据的重建过程中迭代更新所述衰减图；
根据更新后的衰减图对所述MR图像的各体素分配相应的衰减系数。
10.根据权利要求9所述的医学图像处理系统，其特征在于，还包括：
MR扫描器，用于在受试者扫描期间采集MR数据；
PET扫描器，用于在受试者扫描期间采集PET数据；
显示器，其用于显示所述PET图像和MR图像的融合图像。
CN201611136335.1A 2016-07-20 2016-12-09 医学图像分割方法及系统 Active CN107644421B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/215,575 US10210634B2 (en) 2016-07-20 2016-07-20 System and method for segmenting medical image
US15/215,575 2016-07-20

Publications (2)

Publication Number Publication Date
CN107644421A true CN107644421A (zh) 2018-01-30
CN107644421B CN107644421B (zh) 2021-03-09

Family

ID=60990033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611136335.1A Active CN107644421B (zh) 2016-07-20 2016-12-09 医学图像分割方法及系统

Country Status (3)

Country Link
US (2) US10210634B2 (zh)
CN (1) CN107644421B (zh)
WO (1) WO2018014475A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445550A (zh) * 2020-03-26 2020-07-24 上海联影医疗科技有限公司 Pet图像的迭代重建方法、装置和计算机可读存储介质
CN112862830A (zh) * 2021-01-28 2021-05-28 陕西师范大学 一种多模态图像分割方法、系统、终端及可读存储介质
CN113205535A (zh) * 2021-05-27 2021-08-03 青岛大学 一种x光片脊椎自动分割及标识方法
CN117078686A (zh) * 2023-10-17 2023-11-17 万里云医疗信息科技（北京）有限公司 构建用于训练骨抑制模型的样本的方法、装置及存储介质
TWI824616B (zh) * 2022-07-12 2023-12-01 倍利科技股份有限公司 基於影像識別的細胞統計之系統及方法
US11941817B2 (en) 2019-01-07 2024-03-26 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US11937962B2 (en) 2019-04-24 2024-03-26 Progenics Pharmaceuticals, Inc. Systems and methods for automated and interactive analysis of bone scan images for detection of metastases

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112015002791T5 (de) * 2014-06-13 2017-03-16 Siemens Medical Solutions Usa, Inc. Intra-Rekonstruktions-Bewegungskorrektur
WO2016197127A1 (en) * 2015-06-04 2016-12-08 Rensselaer Polytechnic Institute Attenuation map reconstruction from tof pet data
US10198810B2 (en) * 2015-09-16 2019-02-05 University Of Virginia Patent Foundation Free-breathing parameter mapping with high-contrast image registration
US10410383B2 (en) 2017-08-26 2019-09-10 Uih America, Inc. System and method for image data processing in positron emission tomography
US11896417B2 (en) * 2018-01-08 2024-02-13 The Regents Of The University Of California Time-varying kinetic modeling of high temporal-resolution dynamic pet data for multiparametric imaging
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
US10621728B2 (en) * 2018-06-26 2020-04-14 Sony Corporation Internal organ localization in computed tomography (CT) images
US11484279B2 (en) 2018-09-24 2022-11-01 Siemens Medical Solutions Usa, Inc. Systems to assess projection data inconsistency
WO2020082207A1 (en) * 2018-10-22 2020-04-30 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for attenuation correction
US10762626B2 (en) * 2018-10-23 2020-09-01 Siemens Medical Solutions Usa, Inc. Activity image reconstruction using anatomy data
CN110009645B (zh) * 2019-04-11 2023-06-23 东北大学 一种肝癌病灶影像的双层轮廓分割方法
CN110916697B (zh) * 2019-11-11 2023-05-02 东软医疗系统股份有限公司 成像方法、装置及图像处理设备
US10762629B1 (en) * 2019-11-14 2020-09-01 SegAI LLC Segmenting medical images
US11423544B1 (en) * 2019-11-14 2022-08-23 Seg AI LLC Segmenting medical images
CN111429432B (zh) * 2020-03-24 2024-05-03 聚融医疗科技(杭州)有限公司 基于射频处理和模糊聚类的热消融区域监测方法及系统
US20220044399A1 (en) * 2020-08-07 2022-02-10 Washington University Deep-Learning-based T1-Enhanced Selection of Linear Coefficients (DL-TESLA) for PET/MR Attenuation Correction
US11874411B2 (en) * 2020-09-23 2024-01-16 Siemens Medical Solutions Usa, Inc. Estimation of partially missing attenuation in time-of-flight positron emission tomography
US11854126B2 (en) * 2021-07-07 2023-12-26 Siemens Medical Solutions Usa, Inc. Methods and apparatus for deep learning based image attenuation correction
US20230129056A1 (en) * 2021-10-25 2023-04-27 Canon Medical Systems Corporation Medical image data processing apparatus and method

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102934143A (zh) * 2008-09-19 2013-02-13 皇家飞利浦电子股份有限公司 用于在pet-mr中产生衰减图的方法
CN103415779A (zh) * 2011-03-07 2013-11-27 皇家飞利浦有限公司 利用混合式核成像/mr中的核发射数据进行mr分割

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8218848B2 (en) * 2008-07-23 2012-07-10 Siemens Aktiengesellschaft System and method for the generation of attenuation correction maps from MR images
WO2010018478A1 (en) * 2008-08-15 2010-02-18 Koninklijke Philips Electronics, N.V. Attenuation correction for pet or spect nuclear imaging systems using magnetic resonance spectroscopic image data
CN102265307B (zh) * 2008-09-17 2014-10-22 皇家飞利浦电子股份有限公司 混合式核/mr成像中使用透射数据的mr分割
US8620053B2 (en) 2009-11-04 2013-12-31 Siemens Medical Solutions Usa, Inc. Completion of truncated attenuation maps using maximum likelihood estimation of attenuation and activity (MLAA)
US9204817B2 (en) * 2012-04-19 2015-12-08 General Electric Company Attenuation correction in positron emission tomography using magnetic resonance imaging
CN103908280B (zh) 2013-01-08 2017-07-28 上海联影医疗科技有限公司 Pet散射校正的方法
EP2991546B1 (en) * 2013-04-02 2016-11-30 Koninklijke Philips N.V. Detection of bone tissue using magnetic resonance imaging
WO2015011584A2 (en) * 2013-07-23 2015-01-29 Koninklijke Philips N.V. Differentiating tissues with mr imaging
WO2016003957A2 (en) * 2014-07-03 2016-01-07 Duke University Spectral estimation and poly-energetic reconstruction methods and x-ray systems
CN104700438B (zh) 2014-11-21 2017-06-06 上海联影医疗科技有限公司 图像重建方法及装置
US10685437B2 (en) * 2015-04-20 2020-06-16 Mars Bioimaging Limited Improving material identification using multi-energy CT image data
WO2017076618A1 (en) * 2015-11-02 2017-05-11 Koninklijke Philips N.V. Method for tissue classification, computer program product and magnetic resonance imaging system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102934143A (zh) * 2008-09-19 2013-02-13 皇家飞利浦电子股份有限公司 用于在pet-mr中产生衰减图的方法
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
US9271652B2 (en) * 2011-03-07 2016-03-01 Koninklijke Philips N.V. MR segmentation using nuclear emission data in hybrid nuclear imaging/MR

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11941817B2 (en) 2019-01-07 2024-03-26 Exini Diagnostics Ab Systems and methods for platform agnostic whole body image segmentation
US11937962B2 (en) 2019-04-24 2024-03-26 Progenics Pharmaceuticals, Inc. Systems and methods for automated and interactive analysis of bone scan images for detection of metastases
CN111445550A (zh) * 2020-03-26 2020-07-24 上海联影医疗科技有限公司 Pet图像的迭代重建方法、装置和计算机可读存储介质
CN111445550B (zh) * 2020-03-26 2024-05-14 上海联影医疗科技股份有限公司 Pet图像的迭代重建方法、装置和计算机可读存储介质
CN112862830A (zh) * 2021-01-28 2021-05-28 陕西师范大学 一种多模态图像分割方法、系统、终端及可读存储介质
CN112862830B (zh) * 2021-01-28 2023-12-22 陕西师范大学 一种多模态图像分割方法、系统、终端及可读存储介质
CN113205535A (zh) * 2021-05-27 2021-08-03 青岛大学 一种x光片脊椎自动分割及标识方法
CN113205535B (zh) * 2021-05-27 2022-05-06 青岛大学 一种x光片脊椎自动分割及标识方法
TWI824616B (zh) * 2022-07-12 2023-12-01 倍利科技股份有限公司 基於影像識別的細胞統計之系統及方法
CN117078686A (zh) * 2023-10-17 2023-11-17 万里云医疗信息科技（北京）有限公司 构建用于训练骨抑制模型的样本的方法、装置及存储介质
CN117078686B (zh) * 2023-10-17 2024-01-23 万里云医疗信息科技（北京）有限公司 构建用于训练骨抑制模型的样本的方法、装置及存储介质

Also Published As

Publication number Publication date
WO2018014475A1 (en) 2018-01-25
CN107644421B (zh) 2021-03-09
US20180025512A1 (en) 2018-01-25
US10810768B2 (en) 2020-10-20
US20190188884A1 (en) 2019-06-20
US10210634B2 (en) 2019-02-19

Similar Documents

Publication Publication Date Title
CN107644421A (zh) 医学图像分割方法及系统
CN106558045B (zh) 一种肺组织分割方法、装置，医学图像处理系统
US11574716B2 (en) System and method for generating imaging report
CN106600609B (zh) 一种医学图像中脊柱的分割方法及系统
CN105263407B (zh) 使用磁共振成像的对骨组织的探测
CN106491153B (zh) 一种pet散射校正方法、pet成像方法及pet成像系统
CN106456098B (zh) 衰减图的生成方法及系统
US9204817B2 (en) Attenuation correction in positron emission tomography using magnetic resonance imaging
CN104700438B (zh) 图像重建方法及装置
CN103445801B (zh) 用于执行衰减校正的方法和系统
US20110164801A1 (en) Mr segmentation using transmission data in hybrid nuclear/mr imaging
CN108291950B (zh) Sense-mri中的图像伪影的去除
CN101732048A (zh) 处理组合的磁共振-发射断层造影图像的方法和装置
WO2010032168A2 (en) Method for generation of attenuation map in pet-mr
DE112016004907T5 (de) Virtuelle CT-Bilder aus Magnetresonanzbildern
CN107730567A (zh) 医学成像方法及系统
US10684339B2 (en) Dual flip angle multi-echo ultra-short echo time (DUFA-MUTE) magnetic resonance imaging (MRI) systems and methods
US10215820B2 (en) Differentiating tissues with MR imaging
CN104737200B (zh) 多结构图集和/或其应用
CN110073234A (zh) 强度校正的磁共振图像
CN107077724A (zh) 分类的截断补偿
US20230056685A1 (en) Methods and apparatus for deep learning based image attenuation correction
JP2019505253A (ja) Ｓｅｎｓｅイメージングにおける画像アーチファクトの除去

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

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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant