CN109242925B - 一种基于门控数据的呼吸伪影校正方法 - Google Patents

一种基于门控数据的呼吸伪影校正方法 Download PDF

Info

Publication number
CN109242925B
CN109242925B CN201811066701.XA CN201811066701A CN109242925B CN 109242925 B CN109242925 B CN 109242925B CN 201811066701 A CN201811066701 A CN 201811066701A CN 109242925 B CN109242925 B CN 109242925B
Authority
CN
China
Prior art keywords
image
attenuation
data
projection
angle
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
CN201811066701.XA
Other languages
English (en)
Other versions
CN109242925A (zh
Inventor
褚政
徐怿弘
叶宏伟
郭洪斌
江浩川
王瑶法
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.)
Minfound Medical Systems Co Ltd
Original Assignee
Minfound 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 Minfound Medical Systems Co Ltd filed Critical Minfound Medical Systems Co Ltd
Priority to CN201811066701.XA priority Critical patent/CN109242925B/zh
Publication of CN109242925A publication Critical patent/CN109242925A/zh
Application granted granted Critical
Publication of CN109242925B publication Critical patent/CN109242925B/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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种基于门控数据的呼吸伪影校正方法，通过新的无衰减图像在图像域进行衰减校正，减弱或者消除呼吸带来的运动模糊伪影。同时本发明对非衰减的PET图像进行配准处理，衰减校正只在最后引入，提升计算速度；在投影域内将衰减项引入，再次重建出图像，可以提升图像质量；且因为无衰减的重建使用的灵敏度配比与衰减重建不同，特别加入配比操作，实现了对图像噪音不均的弥补。

Description

一种基于门控数据的呼吸伪影校正方法
技术领域
本发明涉及医疗技术领域，更为具体地，涉及一种基于门控数据的呼吸伪影校正方法。
背景技术
PET/CT是一种结合了CT(X射线计算机断层)和PET(正电子发射断层)的设备。CT给予人体的基本结构特征，PET给予人体的潜在的病变特征。CT图像和PET图像会同步的融合显示，提供给临床医生评估病人病情。同时，在实际信号处理时，CT数据额外提供PET重建的衰减信息。
在PET对于胸腹部的PET扫描过程中，由于人体的呼吸，会导致正电子的发射分布会出现非刚性形变，导致最终的图像模糊。因此需要一定的手段处理数据，减弱或者消除使呼吸带来的运动模糊伪影。一般的呼吸伪影去除是同时通过仪器或者算法将CT数据和PET数据分成多个时间片段，每个片段各自对含有衰减的重建。但是该类方式中计算的数据量大，效率较低，而且对CT图像的要求较高。
发明内容
本发明的目的是提供一种基于门控数据而消减呼吸或其他运动伪影的呼吸伪影校正方法。
本发明的上述技术目的是通过以下技术方案得以实现的：一种基于门控数据的呼吸伪影校正方法，包括如下步骤，步骤一、获得投影衰减估计值Atten；获得配准图像Image；估算PET符合数据在各个角度内的计数总量N0[V],N0为各个计数，V为具体的某一个角度；同时对N0[V]进行归一化操作，即N1[V]＝N0[V]/Nall*Vnum，其中Nall是PET符合数据总计数，Vnum是总的角度数目，N1为归一化完成的角度配比；步骤二、对衰减值Atten进行反投影，得到灵敏度图像Sence；步骤三、根据配准图像Image和灵敏度图像Sence，依据Sence上的衰减估计，形成卷积长度估计数据SenceL；步骤四、得到具体的衰减长度后，在图像域对于Image按像素进行动态的三维滤波，滤波核的尺寸由SenceL给出，得到滤波之后的图像Image；步骤五、对滤波之后的图像Image进行投影运算，得到投影域数据ProjForward；步骤六、将步骤一中的配比后的N1按照几何关系，对正投后的正弦数据的每个角度进行插值操作，得到具体正弦数据上的配比N2(V2),V2为正弦数据的具体角度，对应任意角度的正弦数据Proj(R,V2,Z),有Proj(R,V2,Z)＝ProjForward(R,V2,Z)*N2(V2)，即为参与迭代重建的正弦数据；步骤七、将投影Proj和衰减Atten联合重建，得到含衰减的重建结果并输出。
进一步设置为：在步骤一中，投影衰减估计值Atten由CT扫描图像结果转化为伽马光子的衰减系数分布Mu，并按照投影几何关系Geo对Mu进行投影域衰减估计。
进一步设置为：在步骤一中，配准图像Image通过对门控后的PET数据集进行不含衰减校正的重建，得到各个门控下PET数据的重建图像，标记为I1，2…N，通过与CT图像的特征比较，从图像数据集I1，2…N找到特征最为匹配的图像记为In；图像数据集I1，2…N对于In进行配准，配准的新的数据集J1，2…N，N组数据同时逐个对像素进行算数平均计算。
进一步设置为：对门控后的PET数据集的重建采用滤波反投影算法或者快速最大期望迭代方法实现，不含衰减系数是指不将CT衰减Atten结果引进计算。
进一步设置为：在步骤三中，SenceL的计算规则是在图像衰减低的位置给予高的卷积长度，而在衰减较高的位置给予低的衰减长度。
综上所述，本发明具有以下有益效果：
(1)新的无衰减图像在图像域进行衰减校正的方法。
(2)对非衰减的PET图像进行配准处理，衰减校正只在最后引入，提升计算速度。
(3)在投影域内将衰减项引入，再次重建出图像，可以提升图像质量。
(4)从原理上而言，因为无衰减的重建使用的灵敏度配比与衰减重建不同，所以特别加入配比操作，实现了对图像噪音不均的弥补。
附图说明
图1为本发明一种基于门控数据的呼吸伪影校正方法的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
一种基于门控数据的呼吸伪影校正方法，包括如下步骤，
步骤一CT扫描图像结果转化为伽马光子的衰减系数分布Mu。
步骤二、按照投影几何关系Geo对Mu进行投影域衰减估计，得到投影衰减估计值Atten。
步骤三、对门控后的PET数据集进行不含衰减校正的重建。得到各个门控下PET数据的重建图像，标记为I1，2…N。
重建一般采用滤波反投影算法或者快速最大期望迭代方法实现。不含衰减系数是指不将CT衰减Atten结果引进计算。
步骤四、通过与CT图像的特征比较，从图像数据集I1，2…N找到特征最为匹配的图像记为In。
步骤五、图像数据集I1，2…N对于In进行配准，配准的新的数据集J1，2…N。N组数据同时逐个对像素进行算数平均计算得到配准数据。
步骤六、对衰减值Atten进行反投影，得到灵敏度图像Sence。
步骤七、当得到配准图像Image和灵敏度图像Sence之后，首先根据Sence上的衰减估计，形成卷积长度估计数据SenceL，这里的SenceL的计算规则是在图像衰减低的位置给予高的卷积长度，而在衰减较高的位置给予低的衰减长度。
步骤八、得到具体的衰减长度后，在图像域对于Image按像素进行动态的三维滤波，滤波核的尺寸由SenceL给出，得到滤波之后的图像Image。
步骤九、将滤波之后的图像Image进行投影运算，得到投影域数据ProjForward。
步骤十、估算PET符合数据在各个角度内的计数总量N0[V],N0为各个计数，V为具体的某一个角度。同时对N0[V]进行归一化操作，即N1[V]＝N0[V]/Nall*Vnum.其中Nall是PET符合数据总计数，Vnum是总的角度数目，N1为归一化完成的角度配比。
步骤十一、配比后的N1按照几何关系，对正投后的正弦数据的每个角度进行插值操作，得到具体正弦数据上的配比N2(V2),V2为正弦数据的具体角度。最后对应任意角度的正弦数据Proj(R,V2,Z),有Proj(R,V2,Z)＝ProjForward(R,V2,Z)*N2(V2)。I2即为参与迭代重建的正弦数据。
步骤十二、将投影Proj和衰减Atten联合重建，得到含衰减的重建结果。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (4)

1.一种基于门控数据的呼吸伪影校正方法，其特征在于：包括如下步骤，
步骤一、获得投影衰减估计值Atten；获得配准图像Image；估算PET符合数据在各个角度内的计数总量N0[V],N0为各个计数，V为具体的某一个角度；同时对N0[V]进行归一化操作，即N1[V]＝N0[V]/Nall*Vnum，其中Nall是PET符合数据总计数，Vnum是总的角度数目，N1为归一化完成的角度配比；
步骤二、对衰减值Atten进行反投影，得到灵敏度图像Sence；
步骤三、根据配准图像Image和灵敏度图像Sence，依据Sence上的衰减估计，形成卷积长度估计数据SenceL；
步骤四、得到具体的衰减长度后，在图像域对于Image按像素进行动态的三维滤波，滤波核的尺寸由SenceL给出，得到滤波之后的图像Image；
步骤五、对滤波之后的图像Image进行投影运算，得到投影域数据ProjForward；
步骤六、将步骤一中的配比后的N1按照几何关系，对正投后的正弦数据的每个角度进行插值操作，得到具体正弦数据上的配比N2(V2),V2为正弦数据的具体角度，对应任意角度的正弦数据Proj(R,V2,Z),有Proj(R,V2,Z)＝ProjForward(R,V2,Z)*N2(V2)，即为参与迭代重建的正弦数据；
步骤七、将投影Proj和衰减Atten联合重建，得到含衰减的重建结果并输出。
2.根据权利要求1所述的一种基于门控数据的呼吸伪影校正方法，其特征在于：在步骤一中，投影衰减估计值Atten由CT扫描图像结果转化为伽马光子的衰减系数分布Mu，并按照投影几何关系Geo对Mu进行投影域衰减估计。
3.根据权利要求1所述的一种基于门控数据的呼吸伪影校正方法，其特征在于：在步骤一中，配准图像Image通过对门控后的PET数据集进行不含衰减校正的重建，得到各个门控下PET数据的重建图像，标记为I1，2…N，通过与CT图像的特征比较，从图像数据集I1，2…N找到特征最为匹配的图像记为In；图像数据集I1，2…N对于In进行配准，配准的新的数据集J1，2…N，N组数据同时逐个对像素进行算数平均计算。
4.根据权利要求3所述的一种基于门控数据的呼吸伪影校正方法，其特征在于：对门控后的PET数据集的重建采用滤波反投影算法或者快速最大期望迭代方法实现，不含衰减系数是指不将CT衰减Atten结果引进计算。
CN201811066701.XA 2018-09-13 2018-09-13 一种基于门控数据的呼吸伪影校正方法 Active CN109242925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811066701.XA CN109242925B (zh) 2018-09-13 2018-09-13 一种基于门控数据的呼吸伪影校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811066701.XA CN109242925B (zh) 2018-09-13 2018-09-13 一种基于门控数据的呼吸伪影校正方法

Publications (2)

Publication Number Publication Date
CN109242925A CN109242925A (zh) 2019-01-18
CN109242925B true CN109242925B (zh) 2023-05-23

Family

ID=65058014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811066701.XA Active CN109242925B (zh) 2018-09-13 2018-09-13 一种基于门控数据的呼吸伪影校正方法

Country Status (1)

Country Link
CN (1) CN109242925B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106618628A (zh) * 2017-01-24 2017-05-10 昆明理工大学 基于pet/ct成像的呼吸运动门控校正和衰减校正方法
CN107638188A (zh) * 2017-09-28 2018-01-30 江苏赛诺格兰医疗科技有限公司 图像衰减校正方法及装置
CN108520542A (zh) * 2018-03-29 2018-09-11 明峰医疗系统股份有限公司 一种pet/ct数据时相匹配的重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9053569B2 (en) * 2010-11-04 2015-06-09 Siemens Medical Solutions Usa, Inc. Generating attenuation correction maps for combined modality imaging studies and improving generated attenuation correction maps using MLAA and DCC algorithms

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106618628A (zh) * 2017-01-24 2017-05-10 昆明理工大学 基于pet/ct成像的呼吸运动门控校正和衰减校正方法
CN107638188A (zh) * 2017-09-28 2018-01-30 江苏赛诺格兰医疗科技有限公司 图像衰减校正方法及装置
CN108520542A (zh) * 2018-03-29 2018-09-11 明峰医疗系统股份有限公司 一种pet/ct数据时相匹配的重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
层析成像图像重建算法综述;阎春生 等;《中国光学》;20131015;第6卷(第5期);第617-632页 *

Also Published As

Publication number Publication date
CN109242925A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
EP2156408B1 (en) Pet local tomography
Kadrmas LOR-OSEM: statistical PET reconstruction from raw line-of-response histograms
Wang et al. FBP-Net for direct reconstruction of dynamic PET images
US7378660B2 (en) Computer program, method, and system for hybrid CT attenuation correction
CN112381741B (zh) 基于spect数据采样与噪声特性的断层图像重建方法
Sun et al. An iterative projection‐based motion estimation and compensation scheme for head x‐ray CT
Le Pogam et al. Evaluation of a 3D local multiresolution algorithm for the correction of partial volume effects in positron emission tomography
CN112770838A (zh) 使用自关注深度学习进行图像增强的系统和方法
AU2019271915A1 (en) Method and system for motion correction in CT imaging
US20170105695A1 (en) Improved Image Reconstruction for a Volume Based on Projection Data Sets
Xue et al. LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks
CN108596995B (zh) 一种pet-mri最大后验联合重建方法
US10013778B2 (en) Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus
CN114494479A (zh) 利用神经网络对低剂量pet图像进行同时衰减校正、散射校正和去噪声的系统和方法
CN111161182B (zh) Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法
Chen et al. Low-dose CT image denoising model based on sparse representation by stationarily classified sub-dictionaries
Li et al. Learning non-local perfusion textures for high-quality computed tomography perfusion imaging
CN107274459B (zh) 一种用于加快锥形束ct图像迭代重建的预条件方法
JP7238134B2 (ja) Ｐｅｔ画像化中の自動的な動き補正
Faber et al. Motion correction of pet brain images through deconvolution: I. theoretical development and analysis in software simulations
CN109242925B (zh) 一种基于门控数据的呼吸伪影校正方法
Chang et al. Deep learning image transformation under radon transform
Dennerlein et al. Geometric jitter compensation in cone-beam CT through registration of directly and indirectly filtered projections
Hu et al. Simultaneous attenuation correction, scatter correction, and denoising in pet imaging with deep learning
Sun et al. A motion compensation approach for dental cone-beam region-of-interest imaging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant