CN109215093B - 低剂量pet图像重建方法、装置、设备及存储介质 - Google Patents

低剂量pet图像重建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109215093B
CN109215093B CN201810846916.7A CN201810846916A CN109215093B CN 109215093 B CN109215093 B CN 109215093B CN 201810846916 A CN201810846916 A CN 201810846916A CN 109215093 B CN109215093 B CN 109215093B
Authority
CN
China
Prior art keywords
image
pet
reconstructed
gradient
reconstruction
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
Application number
CN201810846916.7A
Other languages
English (en)
Other versions
CN109215093A (zh
Inventor
胡战利
杨永峰
梁栋
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201810846916.7A priority Critical patent/CN109215093B/zh
Priority to PCT/CN2019/071087 priority patent/WO2020019684A1/zh
Publication of CN109215093A publication Critical patent/CN109215093A/zh
Application granted granted Critical
Publication of CN109215093B publication Critical patent/CN109215093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine (AREA)

Abstract

本发明适用PET成像技术领域，提供了一种低剂量PET图像重建方法、装置、设备及存储介质，该方法包括：根据采集到的投影数据和PET设备的系统矩阵，通过PET图像重建算法对待重建PET图像进行重建，获得初始重建PET图像，通过梯度运算和字典学习，分别获得初始重建PET图像对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像，判断重建PET图像是否满足目标函数，是则输出重建PET图像，否则，继续对待重建PET图像执行图像重建、梯度运算以及字典学习的操作，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。

Description

低剂量PET图像重建方法、装置、设备及存储介质
技术领域
本发明属于PET成像技术领域，尤其涉及一种低剂量PET图像重建方法、装置、设备及存储介质。
背景技术
正电子发射断层成像(Positron Emission Tomography，简称PET)是一种发射型成像技术(Emission Tomography，简称ET)，它通过把放射性药物注入体内的方法来显示不同组织的新陈代谢情况。PET技术是继计算机断层成像(Computed Tomography，简称CT)和磁共振成像(Magnetic Resonance Imaging，简称MRI)之后应用于临床的一种新型影像技术。
在PET成像中，放射性药物实际上是个分子载体，它依附于特定的生理组织或病理过程。放射性物质在药物的带领下在人体内有目的的分布。PET成像的目的实际上就是得到放射性物质在人体内部的分布图，它的工作原理是：将一些放射性核元素，如O-15、C-11、N-13和F-18等标记在人体代谢所需的化合物上，然后通过手臂静脉血管注射等方式输入受检者体内。标记化合物在参与体内代谢的过程中，放射性核元素发生衰变，释放出正电子(带一个正电荷的电子)，正电子与其周围的(带负电)电子发生湮灭，产生两个能量为511keV的伽马光子。这对光子在一条直线上朝相反的方向射出，利用体外的伽马照相机可以探测到特定区域放射的所有光子，然后设计一定的算法，就可以近似得到放射性物质在人体内部的分布情况。
由于在PET检查中使用的放射性药物会对近距离接触该药物的人员产生辐射，而受到辐射的人员患癌的几率会远高于正常人，同时放射性药物的消耗在PET检查的成本中占有一定比重。因此，根据国际放射防护委员会(International Commission onRadiological Protection，简称ICRP)提出的合理使用低剂量(As Low As ReasonablyAchievable，简称ALARA)原则，在PET临床诊断时，以期用最小的剂量获得满足临床需求的图像，尽量降低对患者的辐射剂量。
然而，在对低剂量采样得到的测量数据进行PET图像重建时，现有传统的PET图像重建算法重建图像的速度慢，进而使得重建图像产生运动伪影，这些伪影将会直接影响医生的诊断行为。
发明内容
本发明的目的在于提供一种低剂量PET图像重建方法、装置、设备及存储介质，旨在解决由于现有技术无法提供一种有效的低剂量PET图像重建方法，导致低剂量PET图像重建速度慢、且重建图像质量差的问题。
一方面，本发明提供了一种低剂量PET图像重建方法，所述方法包括下述步骤：
当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；
根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；
对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像；
对所述水平梯度图像和所述垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示；
通过最小二乘法将所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像；
判断所述重建PET图像是否满足预设的目标函数，是则，输出所述重建PET图像，否则，将所述重建PET图像设置为所述待重建PET图像，并跳转到通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建的步骤。
另一方面，本发明提供了一种低剂量PET图像重建装置，所述装置包括：
参数获取单元，用于当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；
初始重建单元，用于根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；
梯度图像获取单元，用于对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像；
字典学习单元，用于对所述水平梯度图像和所述垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示；
重建图像获取单元，用于通过最小二乘法将所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像；以及
重建图像判断单元，用于判断所述重建PET图像是否满足预设的目标函数，是则，输出所述重建PET图像，否则，将所述重建PET图像设置为所述待重建PET图像，并触发所述初始重建单元执行通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建的步骤。
另一方面，本发明还提供了一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述低剂量PET图像重建方法所述的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述低剂量PET图像重建方法所述的步骤。
本发明根据采集到的投影数据和PET设备的系统矩阵，通过PET图像重建算法对待重建PET图像进行重建，获得初始重建PET图像，通过梯度运算和字典学习，分别获得初始重建PET图像对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像，判断重建PET图像是否满足目标函数，是则输出重建PET图像，否则，继续对待重建PET图像执行图像重建、梯度运算以及字典学习的操作，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。
附图说明
图1是本发明实施例一提供的低剂量PET图像重建方法的实现流程图；
图2是本发明实施例二提供的低剂量PET图像重建装置的结构示意图；
图3是本发明实施例二提供的低剂量PET图像重建装置的优选结构示意图；以及
图4是本发明实施例三提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的低剂量PET图像重建方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取PET设备的系统矩阵。
本发明实施例适用于医学图像处理平台、系统或设备，例如个人计算机、服务器等。当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备在低剂量条件下采集到的投影数据，并获取PET设备的系统矩阵，该系统矩阵是根据PET设备的几何结构信息计算得到的。
在步骤S102中，根据投影数据以及系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像。
在本发明实施例中，根据投影数据以及系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行预设次数的迭代操作，以对待重建PET图像进行图像重建，获得初始重建PET图像，其中，待重建PET图像是二维图像，预设的PET图像重建算法为最大似然期望最大算法(Maximum Likelihood Expectation Maximized，简称MLEM)或者有序子集期望值最大算法(Ordered Subset Expectation Maximization，简称OSEM)或者最大后验概率算法(Maximum A Posterior，MAP)。
在初始化待重建PET图像时，作为示例地，将待重建PET图像的像素值都初始化为零。
在步骤S103中，对初始重建PET图像进行梯度运算，获得初始重建PET图像对应的水平梯度图像和垂直梯度图像。
在本发明实施例中，在对初始重建PET图像进行梯度运算时，优选地，根据预设的水平梯度图像公式对初始重建PET图像进行梯度运算，获得该初始重建PET图像对应的水平梯度图像，根据预设的垂直梯度图像公式对初始重建PET图像进行梯度运算，获得该初始重建PET图像对应的垂直梯度图像，其中，水平梯度图像公式为
Figure BDA0001746807890000051
垂直梯度图像公式为
Figure BDA0001746807890000052
Figure BDA0001746807890000053
为初始重建PET图像，j和k分别为
Figure BDA0001746807890000054
中像素的坐标，从而通过梯度运算将初始重建PET图像从图像域转换到梯度域，提高了初始重建PET图像的稀疏性，进而提高后续PET图像重建的成像效果。
在对初始重建PET图像进行梯度运算之前，优选地，对重建得到的初始重建PET图像进行正约束，从而提高后续PET图像重建的成像效果。
在步骤S104中，对水平梯度图像和垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示。
在本发明实施例中，对水平梯度图像和垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，由于医学图像的近邻像素值具有相关性，即转换至梯度域中的图像比图像域中的图像更稀疏，因此，对梯度域中的图像进行字典学习比对图像域中的图像进行字典学习，可以获得更稀疏的图像稀疏表示，从而提高后续PET图像重建的成像效果。
在对水平梯度图像和垂直梯度图像分别进行字典学习时，优选地，根据水平梯度图像和垂直梯度图像，通过预设的字典训练算法(例如，K-SVD算法)进行字典学习，再根据学习结束的字典，对水平梯度图像稀疏表示和垂直梯度图像稀疏表示进行更新，从而提高后续PET图像重建的成像效果。
在对水平梯度图像和垂直梯度图像分别进行字典学习时，进一步优选地，根据预设的图像块数量对水平梯度图像和垂直梯度图像进行图像块提取，得到对应的水平梯度图像块和垂直梯度图像块，对水平梯度图像块和垂直梯度图像块进行字典学习，获得水平梯度图像块对应的稀疏表示和垂直梯度图像块对应的稀疏表示，由水平梯度图像块对应的稀疏表示构成水平梯度图像稀疏表示，由垂直梯度图像块对应的稀疏表示构成垂直梯度图像稀疏表示，从而通过自适应字典将全局图像的稀疏表示转换成基于图像块的稀疏表述，有效地捕捉初始重建PET图像的局部特征，并去除该图像的伪影和块效应，提高后续PET图像重建的成像效果。
在步骤S105中，通过最小二乘法将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像。
在本发明实施例中，通过最小二乘法将水平梯度图像稀疏表示和垂直梯度图像稀疏表示进行融合，以将初始重建PET图像从梯度域恢复到图像域，获得重建PET图像。
在步骤S106中，判断重建PET图像是否满足预设的目标函数。
在步骤S107中，输出重建PET图像。
在步骤S108中，将重建PET图像设置为待重建PET图像。
在本发明实施例中，当重建PET图像满足预设的目标函数时，执行步骤S107，结束PET图像的重建过程，当重建PET图像不满足预设的目标函数时，执行步骤S108，并跳转到步骤S102执行通过预设的PET图像重建算法对待重建PET图像进行图像重建。
在本发明实施例中，优选地，目标函数表示为：
Figure BDA0001746807890000071
其中，g为投影数据，M为系统矩阵，f为待重建PET图像，v1为预设大于0的惩罚参数，
Figure BDA0001746807890000072
和
Figure BDA0001746807890000073
表示水平方向和垂直方向的差分算子，
Figure BDA0001746807890000074
表示f的梯度图像，
Figure BDA0001746807890000075
和
Figure BDA0001746807890000076
分别表示f的水平梯度图像和垂直梯度图像，
Figure BDA0001746807890000077
为从
Figure BDA0001746807890000078
中提取出的第l个图像块的向量表示，D为预设的过完备字典，αl为第l个图像块所对应的稀疏系数，T0为每个图像块的稀疏度，通过自适应稀疏变换算法结合迭代重建算法，来实现重建图像对真实图像的不断逼近，从而降低在PET检查中使用的放射性药物的剂量，并提高了PET图像重建的成像效果。
在本发明实施例中，根据采集到的投影数据和PET设备的系统矩阵，通过PET图像重建算法对待重建PET图像进行重建，获得初始重建PET图像，通过梯度运算和字典学习，分别获得初始重建PET图像对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像，判断重建PET图像是否满足目标函数，是则输出重建PET图像，否则，继续对待重建PET图像执行图像重建、梯度运算以及字典学习的操作，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。
实施例二：
图2示出了本发明实施例二提供的低剂量PET图像重建装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
参数获取单元21，用于当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取PET设备的系统矩阵。
本发明实施例适用于医学图像处理平台、系统或设备，例如个人计算机、服务器等。当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备在低剂量条件下采集到的投影数据，并获取PET设备的系统矩阵，该系统矩阵是根据PET设备的几何结构信息计算得到的。
初始重建单元22，用于根据投影数据以及系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像。
在本发明实施例中，根据投影数据以及系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行预设次数的迭代操作，以对待重建PET图像进行图像重建，获得初始重建PET图像，其中，待重建PET图像是二维图像，预设的PET图像重建算法为最大似然期望最大算法(Maximum Likelihood Expectation Maximized，简称MLEM)或者有序子集期望值最大算法(Ordered Subset Expectation Maximization，简称OSEM)或者最大后验概率算法(Maximum A Posterior，MAP)。
在初始化待重建PET图像时，作为示例地，将待重建PET图像的像素值都初始化为零。
梯度图像获取单元23，用于对初始重建PET图像进行梯度运算，获得初始重建PET图像对应的水平梯度图像和垂直梯度图像。
在本发明实施例中，在对初始重建PET图像进行梯度运算时，优选地，根据预设的水平梯度图像公式对初始重建PET图像进行梯度运算，获得该初始重建PET图像对应的水平梯度图像，根据预设的垂直梯度图像公式对初始重建PET图像进行梯度运算，获得该初始重建PET图像对应的垂直梯度图像，其中，水平梯度图像公式为
Figure BDA0001746807890000081
垂直梯度图像公式为
Figure BDA0001746807890000091
Figure BDA0001746807890000092
为初始重建PET图像，j和k分别为
Figure BDA0001746807890000093
中像素的坐标，从而通过梯度运算将初始重建PET图像从图像域转换到梯度域，提高了初始重建PET图像的稀疏性，进而提高后续PET图像重建的成像效果。
在对初始重建PET图像进行梯度运算之前，优选地，对重建得到的初始重建PET图像进行正约束，从而提高后续PET图像重建的成像效果。
字典学习单元24，用于对水平梯度图像和垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示。
在本发明实施例中，对水平梯度图像和垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，由于医学图像的近邻像素值具有相关性，即转换至梯度域中的图像比图像域中的图像更稀疏，因此，对梯度域中的图像进行字典学习比对图像域中的图像进行字典学习，可以获得更稀疏的图像稀疏表示，从而提高后续PET图像重建的成像效果。
在对水平梯度图像和垂直梯度图像分别进行字典学习时，优选地，根据水平梯度图像和垂直梯度图像，通过预设的字典训练算法(例如，K-SVD算法)进行字典学习，再根据学习结束的字典，对水平梯度图像稀疏表示和垂直梯度图像稀疏表示进行更新，从而提高后续PET图像重建的成像效果。
在对水平梯度图像和垂直梯度图像分别进行字典学习时，进一步优选地，根据预设的图像块数量对水平梯度图像和垂直梯度图像进行图像块提取，得到对应的水平梯度图像块和垂直梯度图像块，对水平梯度图像块和垂直梯度图像块进行字典学习，获得水平梯度图像块对应的稀疏表示和垂直梯度图像块对应的稀疏表示，由水平梯度图像块对应的稀疏表示构成水平梯度图像稀疏表示，由垂直梯度图像块对应的稀疏表示构成垂直梯度图像稀疏表示，从而通过自适应字典将全局图像的稀疏表示转换成基于图像块的稀疏表述，有效地捕捉初始重建PET图像的局部特征，并去除该图像的伪影和块效应，提高后续PET图像重建的成像效果。
重建图像获取单元25，用于通过最小二乘法将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像。
在本发明实施例中，通过最小二乘法将水平梯度图像稀疏表示和垂直梯度图像稀疏表示进行融合，以将初始重建PET图像从梯度域恢复到图像域，获得重建PET图像。
重建图像判断单元26，用于判断重建PET图像是否满足预设的目标函数，是则，输出该重建PET图像，否则，将该重建PET图像设置为待重建PET图像，并触发初始重建单元22执行通过预设的PET图像重建算法对待重建PET图像进行图像重建步骤。
在本发明实施例中，优选地，目标函数表示为：
Figure BDA0001746807890000101
其中，g为投影数据，M为系统矩阵，f为待重建PET图像，v1为预设大于0的惩罚参数，
Figure BDA0001746807890000102
和
Figure BDA0001746807890000103
表示水平方向和垂直方向的差分算子，
Figure BDA0001746807890000104
表示f的梯度图像，
Figure BDA0001746807890000105
和
Figure BDA0001746807890000106
分别表示f的水平梯度图像和垂直梯度图像，
Figure BDA0001746807890000107
为从
Figure BDA0001746807890000108
中提取出的第l个图像块的向量表示，D为预设的过完备字典，αl为第l个图像块所对应的稀疏系数，T0为每个图像块的稀疏度，通过自适应稀疏变换算法结合迭代重建算法，来实现重建图像对真实图像的不断逼近，从而降低在PET检查中使用的放射性药物的剂量，并提高了PET图像重建的成像效果。
因此，如图3所示，优选地，梯度图像获取单元23包括：
梯度图获取子单元231，用于根据预设的水平梯度图像公式和预设垂直梯度图像公式对初始重建PET图像进行梯度运算，获得初始重建PET图像对应的水平梯度图像和垂直梯度图像，其中，水平梯度图像公式为
Figure BDA0001746807890000109
垂直梯度图像公式为
Figure BDA00017468078900001010
Figure BDA00017468078900001011
为初始重建PET图像，j和k分别为
Figure BDA00017468078900001012
中像素的坐标。
字典学习单元24包括：
图像块提取单元241，用于根据预设的图像块数量对水平梯度图像和垂直梯度图像进行图像块提取，得到对应的水平梯度图像块和垂直梯度图像块；以及
字典学习子单元242，用于对水平梯度图像块和垂直梯度图像块进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示。
在本发明实施例中，低剂量PET图像重建装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
实施例三：
图4示出了本发明实施例三提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备4包括处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。该处理器40执行计算机程序42时实现上述低剂量PET图像重建方法实施例中的步骤，例如图1所示的步骤S101至S108。或者，处理器40执行计算机程序42时实现上述各装置实施例中各单元的功能，例如图2所示单元21至26的功能。
在本发明实施例中，根据采集到的投影数据和PET设备的系统矩阵，通过PET图像重建算法对待重建PET图像进行重建，获得初始重建PET图像，通过梯度运算和字典学习，分别获得初始重建PET图像对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像，判断重建PET图像是否满足目标函数，是则输出重建PET图像，否则，继续对待重建PET图像执行图像重建、梯度运算以及字典学习的操作，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。
本发明实施例的计算设备可以为个人计算机、服务器。该计算设备4中处理器40执行计算机程序42时实现低剂量PET图像重建方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
实施例四：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述低剂量PET图像重建方法实施例中的步骤，例如，图1所示的步骤S101至S108。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图2所示单元21至26的功能。
在本发明实施例中，根据采集到的投影数据和PET设备的系统矩阵，通过PET图像重建算法对待重建PET图像进行重建，获得初始重建PET图像，通过梯度运算和字典学习，分别获得初始重建PET图像对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示，将水平梯度图像稀疏表示和垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像，判断重建PET图像是否满足目标函数，是则输出重建PET图像，否则，继续对待重建PET图像执行图像重建、梯度运算以及字典学习的操作，从而提高了低剂量PET图像的重建速度，且降低重建图像的伪影程度，进而提高了低剂量PET图像重建的图像质量。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种低剂量PET图像重建方法，其特征在于，所述方法包括下述步骤：
当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；
根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；
对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像；
对所述水平梯度图像和所述垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示；
通过最小二乘法将所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像；
判断所述重建PET图像是否满足预设的目标函数，是则，输出所述重建PET图像，否则，将所述重建PET图像设置为所述待重建PET图像，并跳转到通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建的步骤。
2.如权利要求1所述的方法，其特征在于，所述目标函数表示为：
Figure FDA0001746807880000011
其中，g为所述投影数据，M为所述系统矩阵，f为所述待重建PET图像，v1为预设大于0的惩罚参数，
Figure FDA0001746807880000012
和
Figure FDA0001746807880000013
表示水平方向和垂直方向的差分算子，
Figure FDA0001746807880000014
表示所述f的梯度图像，
Figure FDA0001746807880000015
和
Figure FDA0001746807880000016
分别表示所述f的水平梯度图像和垂直梯度图像，
Figure FDA0001746807880000017
为从所述
Figure FDA0001746807880000018
中提取出的第l个图像块的向量表示，D为预设的过完备字典，αl为所述第l个图像块所对应的稀疏系数，T0为每个图像块的稀疏度。
3.如权利要求1所述的方法，其特征在于，对所述初始重建PET图像进行梯度运算的步骤，包括：
根据预设的水平梯度图像公式和预设的垂直梯度图像公式对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像，其中，所述水平梯度图像公式为
Figure FDA0001746807880000021
所述垂直梯度图像公式为
Figure FDA0001746807880000022
Figure FDA0001746807880000023
为所述初始重建PET图像，j和k分别为所述
Figure FDA0001746807880000024
中像素的坐标。
4.如权利要求1所述的方法，其特征在于，对所述水平梯度图像和所述垂直梯度图像分别进行字典学习的步骤，包括：
根据预设的图像块数量对所述水平梯度图像和所述垂直梯度图像进行图像块提取，得到对应的水平梯度图像块和垂直梯度图像块；
对所述水平梯度图像块和所述垂直梯度图像块进行字典学习，获得对应的所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示。
5.一种低剂量PET图像重建装置，其特征在于，所述装置包括：
参数获取单元，用于当接收到对低剂量PET图像进行重建的请求时，获取通过PET设备采集到的投影数据，并获取所述PET设备的系统矩阵；
初始重建单元，用于根据所述投影数据以及所述系统矩阵，通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建，获得初始重建PET图像；
梯度图像获取单元，用于对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像；
字典学习单元，用于对所述水平梯度图像和所述垂直梯度图像分别进行字典学习，获得对应的水平梯度图像稀疏表示和垂直梯度图像稀疏表示；
重建图像获取单元，用于通过最小二乘法将所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示从梯度域恢复到图像域，获得重建PET图像；以及
重建图像判断单元，用于判断所述重建PET图像是否满足预设的目标函数，是则，输出所述重建PET图像，否则，将所述重建PET图像设置为所述待重建 PET图像，并触发所述初始重建单元执行通过预设的PET图像重建算法对预先初始化的待重建PET图像进行图像重建的步骤。
6.如权利要求5所述的装置，其特征在于，所述目标函数表示为：
Figure FDA0001746807880000031
其中，g为所述投影数据，M为所述系统矩阵，f为所述待重建PET图像，v1为预设大于0的惩罚参数，
Figure FDA0001746807880000032
和
Figure FDA0001746807880000033
表示水平方向和垂直方向的差分算子，
Figure FDA0001746807880000034
表示所述f的梯度图像，
Figure FDA0001746807880000035
和
Figure FDA0001746807880000036
分别表示所述f的水平梯度图像和垂直梯度图像，
Figure FDA0001746807880000037
为从所述
Figure FDA0001746807880000038
中提取出的第l个图像块的向量表示，D为预设的过完备字典，αl为所述第l个图像块所对应的稀疏系数，T0为每个图像块的稀疏度。
7.如权利要求5所述的装置，其特征在于，所述梯度图像获取单元包括：
梯度图获取子单元，用于根据预设的水平梯度图像公式和预设的垂直梯度图像公式对所述初始重建PET图像进行梯度运算，获得所述初始重建PET图像对应的水平梯度图像和垂直梯度图像，其中，所述水平梯度图像公式为
Figure FDA0001746807880000039
所述垂直梯度图像公式为
Figure FDA00017468078800000310
Figure FDA00017468078800000311
为所述初始重建PET图像，j和k分别为所述
Figure FDA00017468078800000312
中像素的坐标。
8.如权利要求5所述的装置，其特征在于，所述字典学习单元包括：
图像块提取单元，用于根据预设的图像块数量对所述水平梯度图像和所述垂直梯度图像进行图像块提取，得到对应的水平梯度图像块和垂直梯度图像块；以及
字典学习子单元，用于对所述水平梯度图像块和所述垂直梯度图像块进行字典学习，获得对应的所述水平梯度图像稀疏表示和所述垂直梯度图像稀疏表示。
9.一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
CN201810846916.7A 2018-07-27 2018-07-27 低剂量pet图像重建方法、装置、设备及存储介质 Active CN109215093B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810846916.7A CN109215093B (zh) 2018-07-27 2018-07-27 低剂量pet图像重建方法、装置、设备及存储介质
PCT/CN2019/071087 WO2020019684A1 (zh) 2018-07-27 2019-01-10 低剂量pet图像重建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810846916.7A CN109215093B (zh) 2018-07-27 2018-07-27 低剂量pet图像重建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109215093A CN109215093A (zh) 2019-01-15
CN109215093B true CN109215093B (zh) 2022-12-23

Family

ID=64990777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810846916.7A Active CN109215093B (zh) 2018-07-27 2018-07-27 低剂量pet图像重建方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN109215093B (zh)
WO (1) WO2020019684A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110674862B (zh) * 2019-09-12 2023-05-26 浙江师范大学 基于内部样例的邻域回归的超分辨率方法
CN111598965B (zh) 2020-05-18 2023-07-14 南京超维景生物科技有限公司 超声造影图像的超分辨重建预处理方法和超分辨重建方法
CN112053412B (zh) * 2020-08-31 2022-04-29 浙江大学 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法
CN112505744A (zh) * 2020-11-24 2021-03-16 南昌华亮光电有限责任公司 双材事例分离并能连续运行的伽马事例处理机及方法
CN112508813B (zh) * 2020-12-04 2022-09-06 上海交通大学 一种基于改进Kernel方法结合稀疏约束的PET图像重建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103381095A (zh) * 2012-05-03 2013-11-06 三星电子株式会社 用于产生正电子发射断层扫描图像的设备和方法
CN103907132A (zh) * 2011-11-03 2014-07-02 皇家飞利浦有限公司 图像数据处理
WO2016033458A1 (en) * 2014-08-29 2016-03-03 The University Of North Carolina At Chapel Hill Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr)
CN106023124A (zh) * 2016-05-09 2016-10-12 上海交通大学 一种基于先验图像约束的磁共振稀疏重建图像方法
CN106296766A (zh) * 2016-08-03 2017-01-04 清华大学深圳研究生院 一种基于rof模型的电容层析成像的图像重构方法
CN106651930A (zh) * 2016-09-29 2017-05-10 重庆邮电大学 一种多层次流形学习医学图像颜色感知方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7675517B2 (en) * 2006-08-03 2010-03-09 Siemens Medical Solutions Usa, Inc. Systems and methods of gradient assisted volume rendering
US20110052023A1 (en) * 2009-08-28 2011-03-03 International Business Machines Corporation Reconstruction of Images Using Sparse Representation
CN103049923B (zh) * 2012-12-10 2015-12-09 深圳先进技术研究院 磁共振快速成像的方法
US9689947B2 (en) * 2013-10-21 2017-06-27 Siemens Healthcare Gmbh Sampling strategies for sparse magnetic resonance image reconstruction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103907132A (zh) * 2011-11-03 2014-07-02 皇家飞利浦有限公司 图像数据处理
CN103381095A (zh) * 2012-05-03 2013-11-06 三星电子株式会社 用于产生正电子发射断层扫描图像的设备和方法
WO2016033458A1 (en) * 2014-08-29 2016-03-03 The University Of North Carolina At Chapel Hill Restoring image quality of reduced radiotracer dose positron emission tomography (pet) images using combined pet and magnetic resonance (mr)
CN106023124A (zh) * 2016-05-09 2016-10-12 上海交通大学 一种基于先验图像约束的磁共振稀疏重建图像方法
CN106296766A (zh) * 2016-08-03 2017-01-04 清华大学深圳研究生院 一种基于rof模型的电容层析成像的图像重构方法
CN106651930A (zh) * 2016-09-29 2017-05-10 重庆邮电大学 一种多层次流形学习医学图像颜色感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于飞行时间信息与稀疏正则化的PET图像重建;童基均等;《计算机辅助设计与图形学学报》;20150515(第05期);全文 *

Also Published As

Publication number Publication date
CN109215093A (zh) 2019-01-15
WO2020019684A1 (zh) 2020-01-30

Similar Documents

Publication Publication Date Title
CN109215093B (zh) 低剂量pet图像重建方法、装置、设备及存储介质
Gong et al. Iterative PET image reconstruction using convolutional neural network representation
US11576628B2 (en) Full dose PET image estimation from low-dose PET imaging using deep learning
Gong et al. PET image reconstruction using deep image prior
US9155514B2 (en) Reconstruction with partially known attenuation information in time of flight positron emission tomography
US7840052B2 (en) Restoration of the nuclear medicine 2D planar image by iterative constrained deconvolution
RU2413245C2 (ru) Обработка изображений позитронно-эмиссионной томографии с использованием анатомической маски режима списка
EP3067864B1 (en) Iterative reconstruction with enhanced noise control filtering
CN109741411B (zh) 基于梯度域的低剂量pet图像重建方法、装置、设备及介质
WO2020214911A1 (en) Method and system for generating attenuation map from spect emission data based upon deep learning
CN104700438A (zh) 图像重建方法及装置
CN109961419A (zh) 对pet活度分布图像进行衰减校正的校正信息获取方法
JP2021163493A (ja) データ処理システム及び訓練済み機械学習ベースシステム作成方法
KR101473893B1 (ko) 재구성 영상의 잡음 제거 장치 및 그 방법
CN110687585B (zh) 获取晶体效率的方法、装置、计算机设备和存储介质
CN105631908B (zh) 一种pet图像重建方法和装置
US10217250B2 (en) Multi-view tomographic reconstruction
EP4148680A1 (en) Attenuation correction-based weighting for tomographic inconsistency detection
CN112634147B (zh) 自监督学习的pet图像降噪方法、系统、装置及介质
US8437525B2 (en) Method and system for using a modified ordered subsets scheme for attenuation weighted reconstruction
Us Reduction of Limited Angle Artifacts in Medical Tomography via Image Reconstruction
Sun et al. Data-driven rigid motion correction for helical CT
Boudjelal et al. The Effect of Regularization on the MAP-OSEM Algorithm for PET Reconstruction
Deidda et al. Research Article Hybrid PET/MR Kernelised Expectation Maximisation Reconstruction for Improved Image-Derived Estimation of the Input Function from the Aorta of Rabbits
Oliveira et al. Attenuation correction effects on SPECT/CT procedures: Phantoms studies

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