CN109961419A - 对pet活度分布图像进行衰减校正的校正信息获取方法 - Google Patents
对pet活度分布图像进行衰减校正的校正信息获取方法 Download PDFInfo
- Publication number
- CN109961419A CN109961419A CN201910234260.8A CN201910234260A CN109961419A CN 109961419 A CN109961419 A CN 109961419A CN 201910234260 A CN201910234260 A CN 201910234260A CN 109961419 A CN109961419 A CN 109961419A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- attenuation coefficient
- linear attenuation
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012937 correction Methods 0.000 title claims abstract description 47
- 230000000694 effects Effects 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 10
- 230000002285 radioactive effect Effects 0.000 claims description 10
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000012636 positron electron tomography Methods 0.000 description 128
- 239000002184 metal Substances 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 230000003902 lesion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 238000012831 peritoneal equilibrium test Methods 0.000 description 3
- 238000012877 positron emission topography Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
Classifications
-
- 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
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开一种对PET活度分布图像进行衰减校正的校正信息获取方法，方法包括：S0获取PET系统扫描时的带有飞行时间信息的PET探测数据和其它模态图像；S1对PET探测数据进行建模处理得到L(x,μ,y)；S2、根据其它模态图像，获取线性衰减系数分布图像μ0；S3、若线性衰减系数分布图像存在伪影，则获取完整的线性衰减系数分布R(μ)；S4、基于μ0，采用迭代算法对L(x,μ,y)进行优化，且在优化过程中，采用R(μ)更新每一次迭代的μ值，在满足迭代终止条件时获取作为校正信息的x和μ的估计值。在具体实现中，将最后的估计值x和μ应用在PET图像重建中，可以解决现有技术中PET图像重建中衰减伪影的问题，且能够保证衰减校正的准确定量。
Description
技术领域
本发明涉及医学成像领域，尤其涉及一种对PET活度分布图像进行 衰减校正的校正信息获取方法、PET活度分布图像重建方法和PET系统。
背景技术
正电子发射型断层显像(Positron Emission Tomography，PET)是一 种高端核医学影像诊断设备。在实际操作中利用放射性核素(如18F、11C 等)对代谢物质进行标记并将标记有核素的代谢物质注入人体，然后通 过PET系统对患者进行功能代谢显像，反映生命代谢活动的情况，从而 达到诊断的目的。
在PET系统采集时，光子到达PET系统之前，会在人体中进行衰减， 较之物体内部的符合事件，物体表面的符合事件有着更大的探测效率。 如果这种衰减因素没有被校正，会导致重建图像中物体边缘影像过亮， 物体内部组织影像过暗的衰减伪影。
为了消除衰减伪影，准确定量分析放射性药物在患者体内的分布， 通常会配套其他模态(比如CT、MRI等)以得到患者的解剖结构成像。 一方面可以对核素分布情况进行精确定位，提高了病灶定位的准确性； 另一方面可以得到对应患者的组织密度分布，计算出组织对射线的衰减 性质(线性衰减系数)，然后运用至图像处理中，对PET数据进行衰减 校正，最终获得组织实际放射性分布的图像。两种图像最终将进行同机 融合，兼容功能成像和解剖成像的优点，对患者全身的整体状况一目了 然，达到早期发现病灶和诊断疾病的目的，对指导肿瘤和心脏、脑部疾 病的诊治更具优势。
然而在多模态采集应用过程中，有些情况下无法获得与PET数据相 匹配的衰减信息，例如：
首先，在PET多模态成像时，两模态图像位置可能存在相对偏差。 以PET/CT系统为例，CT扫描通常可以在很短时间内完成，获得的图 像几乎是某时刻的快照。但是PET扫描速度较慢，每个体位通常会花费 几分钟时间，因此不可能在病人屏气状态下完成数据采集。受心脏搏动 和呼吸运动的影响，PET图像和CT图像对相同病灶在位置及相位上存在 一定程度的不匹配。另外，在长时间的PET扫描中，病人身体有可能发 生移动，这同样会导致PET和CT图像不匹配。PET采集会将运动的病 灶在不同位置时采集的数据叠加，对应的成像反映的是病灶位置的一个 平均效应，这不可避免的带来了分辨率的下降，导致图像模糊和定量分 析SUV值(标准化摄取值)准确性降低。另一方面，CT图像与PET图 像配准融合产生偏差(特别在运动幅度最大的膈膜附近)，用瞬间的CT 图像去对平均的PET图像做衰减校正必然出现误差，会在PET图像上产 生局部伪影，可能影响胸腹部肿瘤的准确诊断与治疗计划的制定。患者 的人体移动使CT与PET图像不匹配(如扫描时间较长时胳膊，头等部 位)，同样会使PET图像出现明显的衰减误差。
其次，扫描过程中衰减图像存在明显的伪影，会导致PET图像衰减 校正产生明显误差。例如体内含有金属物质患者的CT图像(比如心脏起 搏器或金属牙套等)存在明显的高亮金属伪影，它使周围的组织难以准 确分辨，从而使衰减图像产生明显伪影，严重影响PET图像的衰减校正。
最后，PET的扫描范围通常会大于其他模态(比如CT或MRI)的扫 描范围。在扫描体重比较大的患者时，其他模态成像很可能无法提供足 够大的扫描范围，这会导致衰减图像发生截断。这种不完整的衰减信息 应用在PET重建中也会产生衰减伪影。
发明内容
本发明的目的是提供一种对PET活度分布图像进行衰减校正的校正 信息获取方法、PET活度分布图像重建方法和PET系统。
为了达到上述的目的，本发明采用的主要技术方案包括：
第一方面，本发明提供一种对PET活度分布图像进行衰减校正的校 正信息获取方法，包括：
S0、获取PET系统扫描时的带有飞行时间信息的PET探测数据和其 它模态图像；
S1、基于所述PET探测数据服从泊松分布，则对所述PET探测数据 进行建模处理，得到公式(A1)的对数似然函数L(x,μ,y)；
其中，y＝[y1t,y2t,…,yNT]T表示探测数据，N表示为探测数据正弦图的 大小，T表示飞行时间TOF的维度；x＝[x1,x2,…,xM]T表示未知PET放射 性活度分布，M表示为PET图像空间的大小；μ＝[μ1,μ2,…,μK]T表示未知 的线性衰减系数分布；A＝[Aijt]为系统矩阵；l＝[lik]为线性衰减系数矩阵， r＝[r1t,r2t,…,rNT]T表示随机噪声和散射噪声的平均值；为衰减校正 参数；
S2、根据所述其它模态图像，获取线性衰减系数分布图像μ0；
S3、若线性衰减系数分布图像存在伪影或截断，或者所述线性衰减 系数分布图像与PET图像不匹配，则获取完整的线性衰减系数分布R(μ)；
其中，PET图像为依据所述PET探测数据直接生成的；
S4、基于线性衰减系数分布图像μ0，采用迭代算法对对数似然函数 L(x,μ,y)进行优化，且在优化过程中，采用R(μ)更新每一次迭代的μ值， 在满足迭代终止条件时获取x和作为校正信息的μ的估计值；
所述R(μ)为根据先验条件确定的线性衰减系数分布图像中无伪影且 与PET图像匹配区域的掩码矩阵和μ0、每次迭代的μ确定的，以用于对 每次迭代的μ进行更新。
可选地，R(μ)＝gW+μ(E-S)＝μ0SW+μ(E-S)； 公式(A2)
其中，E表示K阶单位矩阵，W为先验衰减系数分布的权重值矩阵， 用来调节迭代过程中先验衰减系数分布的权重；g为确定的没有伪影的线 性衰减系数分布区域，g＝μ0S；
S为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET 图像匹配区域的掩码矩阵。
可理解的是，
K阶对角阵W为：
对于不同的组织器官或区域所需先验衰减系数分布的权重不同时wk赋值不同。对于不同的组织器官或区域所需先验衰减系数分布的权重相 同时，wk为相同的权重值或采用标量表示的数值。
可选地，其他模态图像包括：CT图像或MR图像；通过CT或MR 图像计算得到的线性衰减系数分布图像中无伪影区域且与PET图像匹配 的区域为利用阈值自动确定的，或者为采用人工智能识别技术确定的；
当其他模态图像为CT图像时，采用双线性法将CT图像的数据转化 成511KeV能量下的光子线性衰减系数分布图像，获得线性衰减系数分布 图像μ0；
当其他模态图像为MR图像时，线性衰减系数分布图像μ0为根据先 验知识直接赋予的理论线性衰减系数值。
可选地，所述步骤S4包括：
S41、保持初始值μ0固定，用MLEM迭代重建算法优化对数似然函 数L(x,μ,y)，即通过下述公式(A3)得到未知数x的第一估计值；
S42、保持x的第一估计值固定，用MLTR算法优化对数似然函数 L(x,μ,y)，即通过下述公式(A4)得到未知数μ的第一估计值；
S43、根据未知数μ的第一估计值采用公式(A2)获取R(μ)，并采用 R(μ)更新μ的第一估计值，得到更新后的μ值；
S44、基于更新后的μ值，重复上述步骤S41至步骤S43的过程，进 而在满足迭代终止条件时，将最后的未知数x和μ的估计值作为最终输 出值。
第二方面，本发明还提供一种PET活度分布图像重建的方法，包括：
采用上述第一方面任一所述的方法获取PET放射性活度分布x和线 性衰减系数分布μ的输出值；
根据所述PET放射性活度分布x和线性衰减系数分布μ的输出值， 应用在PET系统扫描的PET活度分布图像重建中。
可选地，所述PET活度分布图像重建的方法对单个床位进行图像重 建，再拼接成整个扫描空间的PET活度分布图像；
或者，
将所有床位的待重建的PET活度分布图像进行拼接，并采用PET活 度分布图像重建的方法对拼接的图像进行图像重建，获得整个扫描空间 的PET活度分布图像。
第三方面，本发明还提供一种PET系统，包括图像采集处理装置；
所述图像采集处理装置使用上述第二方面所述的方法进行图像重建。
本发明的有益效果是：
本发明的方法，在迭代过程中提取物体的特征组织，并且引入先验 知识对迭代过程进行调节，使得迭代结果趋近于理想值，以保证最终衰 减图像的完整与准确。
相比传统的通过其他衰减校正的方法，本申请的方法，于大体重患 者或者某些特殊情况身体某些部分(如胳膊，手等)超出其他模态扫描 视野的患者，衰减图像存在截断，仍然能够对PET图像进行衰减校正， 提供完整的PET多模态图像，提高图像质量，为医生的分析和应用提供 更准确的图像；
此外，对于衰减图像存在伪影的患者，如体内存在心脏起搏器或金 属牙套的PET/CT扫描患者，CT图像存在明显金属伪影，可以进行准确 的衰减校正，消除金属伪影的影响；当呼吸或心跳以及患者移动而导致 PET多模态图像不匹配时，能够对PET图像进行准确的衰减校正。
附图说明
图1和图2分别为本发明提出的对PET活度分布图像进行衰减校正 的校正信息获取方法的流程图；
图3(a)为一实施例中的对截断CT图像利用本发明算法进行衰减校正 的PET图像的示意图；
图3(b)为利用本发明的校正信息获取方法得到的线性衰减系数分布 的示意图；
图3(c)为传统的利用匹配且无伪影、无截断CT图像进行衰减校正的 PET图像的示意图；
图3(d)为传统的无伪影、无截断的线性衰减系数分布的示意图；
图3(e)为传统的利用截断CT图像进行衰减校正的PET图像的示意图；
图3(f)为传统的存在截断、伪影的线性衰减系数分布的示意图。
具体实施方式
为了更好地解释本发明，以便于理解，下面结合附图，通过具体实 施方式，对本发明作详细描述。
为了更好的理解本发明实施例的方案，以下对本发明实施例的方案 进行概述说明。
PET系统采集时，通常会采集光子对的飞行时间(Time Of Flight，TOF) 信息，即测量光子对中两个光子到达探测器环的时间差，根据光速估计 出湮灭事件在符合衰减曲线上的大致位置。
飞行时间信息应用在PET图像(又称为PET放射性活度分布图像 /PET活度分布图像)的重建过程中，可以显著提高图像的信噪比，获得 更高的图像质量。另外，如果PET图像和衰减图像不匹配，在重建过程 中引入飞行时间信息，能够有效的降低PET图像中的衰减伪影。
可见，带有飞行时间信息的PET数据，本身是包含有衰减信息的。 本发明可以有效的从PET数据的TOF信息中迭代提取线性衰减系数分布 图像(Linear attenuationcoefficient image)，通过投影到探测数据空间生 成衰减校正参数(attenuationcorrection factor)，并将衰减校正参数实时 应用在PET图像重建中。
进一步地，由于线性衰减系数图像直接来源于带有飞行时间信息的PET数据，使得衰减校正与PET图像能够准确匹配。在算法应用过程中， 为了能够准确评估截断衰减图像的缺失部分或消除衰减图像中明显伪影 的影响，使PET结果更加准确，本发明提出的利用在迭代过程中分割伪 影部分并对衰减图像缺失部分进行估计的方法，一方面能够从PETTOF 信息中提取缺失部分的衰减参数，保证衰减图像的完整，另一方面能够 利用足够的CT、MR等的衰减信息保证了最终PET图像的准确性，从而 使该方法能够在实际临床中应用。
在当前的PET系统的采集过程中，PET采集过程可以被建模为如下 公式(1)：
在公式(1)中，y＝[y1t,y2t,…,yNT]T表示探测到的数据即光子对，N 表示为探测数据正弦图的大小(正弦图用于表征探测的数据空间)，T表 示TOF的维度。
x＝[x1,x2,…,xM]T表示未知PET图像即PET活度分布图像；M表示为 PET图像空间的大小。
μ＝[μ1,μ2,…,μK]T表示未知的线性衰减系数分布，衰减系数的维度与飞 行时间无关。
A＝[Aijt]为系统矩阵，系统矩阵可理解为采用数学的形式表达了PET 系统中空间位置点源j被响应线(line of response，LOR)i探测到且TOF 为t的概率，反映了PET系统的物理特性。
l＝[lik]为线性衰减系数矩阵，表示LOR i穿过空间位置点源k时的轨 迹交叉长度。
r＝[r1t,r2t,…,rNT]T表示随机噪声和散射噪声的平均值。
为衰减校正参数。
为此，本发明实施例中基于上述的公式(1)进行后续的计算处理， 具体参见实施例一。
实施例一
本发明实施例提供一种对PET活度分布图像进行衰减校正的校正信 息获取方法，如图1和图2所示，该方法包括如下的步骤：
S0、获取PET系统扫描时的带有飞行时间信息的PET探测数据和其 它模态图像。
举例来说，其他模态图像可包括：CT图像或MR图像。
S1、基于所述PET探测数据服从泊松分布，则对所述PET探测数据 进行建模处理，得到公式(1)的对数似然函数L(x,μ,y)；
其中，y＝[y1t,y2t,…,yNT]T表示探测数据，N表示为探测数据正弦图的 大小，T表示飞行时间TOF的维度；x＝[x1,x2,…,xM]T表示未知PET放射 性活度分布，M表示为PET图像空间的大小；μ＝[μ1,μ2,…,μK]T表示未知 的线性衰减系数分布；A＝[Aijt]为系统矩阵；l＝[lik]为线性衰减系数矩阵， r＝[r1t,r2t,…,rNT]T表示随机噪声和散射噪声的平均值；为衰减校正 参数；
S2、根据所述其它模态图像，获取线性衰减系数分布图像μ0。
举例来说：当其他模态图像为CT图像时，采用双线性法将CT图像 的数据转化成511KeV能量下的光子线性衰减系数分布图像，获得线性衰 减系数分布图像μ0；
当其他模态图像为MR图像时，线性衰减系数分布图像μ0为根据先 验知识直接赋予的理论线性衰减系数值。
以PET/MR成像系统为例，将MR图像针对不同区域(比如软组织、 脂肪、肺部、空气等)进行分割，然后直接赋予对应的理论线性衰减系 数值(比如选择软组织区域赋值为0.0975cm-1、脂肪区域赋值为0.0864cm-1、 肺部区域赋值为0.0224cm-1、空气区域赋值为0)。
S3、若线性衰减系数分布图像存在伪影或截断，或者所述线性衰减 系数分布图像与PET图像不匹配，则获取完整的线性衰减系数分布R(μ)；
其中，PET图像为依据所述PET探测数据直接生成的。
可理解的是，若衰减系数分布图像没有明显伪影且与PET图像匹配， 则可以直接应用该线性衰减系数分布进行衰减校正，而当线性衰减系数 分布图像存在明显伪影，截断或不匹配，则需要获取完整的线性衰减系 数分布R(μ)。
特别地，CT图像或MR图像中线性衰减系数分布图像中无伪影区域 且与PET图像匹配的区域为利用阈值自动确定的，或者为采用人工智能 识别技术确定的。
此外，在本实施例中，R(μ)＝gW+μ(E-S)＝μ0SW+μ(E-S)； 公式(6)
其中，E表示K阶单位矩阵，W为先验衰减系数分布的权重值矩阵， 用来调节迭代过程中先验衰减系数分布的权重；g为确定的没有伪影的线 性衰减系数分布区域，g＝μ0S；
S为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET 图像匹配区域的掩码矩阵。
可理解的是，
K阶对角阵W为：
对于不同的组织器官或区域所需先验衰减系数分布的权重不同时wk赋值不同。对于不同的组织器官或区域所需先验衰减系数分布的权重相 同时，wk为相同的权重值或采用标量表示的数值。
S4、基于线性衰减系数分布图像μ0，采用迭代算法对对数似然函数 L(x,μ,y)进行优化，且在优化过程中，采用R(μ)更新每一次迭代的μ值， 在满足迭代终止条件时获取x和作为校正信息的μ的估计值；
所述R(μ)为根据先验条件确定的线性衰减系数分布图像中无伪影区 域且与PET图像匹配的掩码矩阵和μ0、每次迭代的μ确定的，以用于对 每次迭代的μ进行更新。
在本实施例中，为了更好的理解上述步骤S4，对步骤S4进行说明如 下。
S41、保持初始值μ0固定，用MLEM迭代重建算法优化对数似然函 数L(x,μ,y)，即通过下述公式(4)得到未知数x的第一估计值；
S42、保持x的第一估计值固定，用MLTR算法优化对数似然函数 L(x,μ,y)，即通过下述公式(5)得到未知数μ的第一估计值；
S43、根据未知数μ的第一估计值采用公式(6)获取R(μ)，并采用R(μ) 更新μ的第一估计值，得到更新后的μ值；
S44、基于更新后的μ值，重复上述步骤S41至步骤S43的过程，进 而在满足迭代终止条件时，将最后的未知数x和μ的估计值作为最终输 出值。
在实际应用中，本发明在实施过程中，先保持线性衰减系数分布μ 为常数，采用MLEM迭代重建算法最大化目标函数(如公式4)获得PET 活度分布x，再选择保持PET活度分布x为常数，针对未知线性衰减系 数分布μ来最大化目标函数(如公式5)，根据获取的μ计算完整无伪影 的线性衰减系数分布R(μ)。这样交替进行操作，不断修正衰减校正使之 逼近真实衰减情况，最终得到满足最大化目标函数要求的x和μ的估计 值。
本实施例的方法在迭代过程中提取物体的特征组织，并且引入先验 知识对迭代过程进行调节，使得迭代结果趋近于理想值，以保证最终衰 减图像的完整与准确。
为了更好的理解上述的S2，以下对S2的过程进行详细说明。
由于PET扫描通常是和其他模态成像匹配使用，因此以其他模态图 像为基础计算得到的线性衰减系数分布定义为μ0(μ0也可作为MLEM算 法的初始线性衰减系数分布)。
以PET/CT成像系统为例，可以利用CT系统得到的高信噪比图像， 通过双线性法将CT数值转化成511KeV能量下的光子线性衰减系数分布 图像，此时得到μ0；
以PET/MR成像系统为例，将MR图像针对不同区域(比如软组织、 脂肪、肺部、空气等)进行分割，然后直接赋予对应的理论线性衰减系 数值(比如选择软组织区域赋值为0.0975cm-1、脂肪区域赋值为0.0864cm-1、 肺部区域赋值为0.0224cm-1、空气区域赋值为0)，此时得到μ0。
若衰减系数分布图像没有明显伪影且与PET图像匹配，则可以直接 应用该线性衰减系数分布进行衰减校正，而当线性衰减系数分布图像存 在明显伪影，截断或不匹配，针对不同伪影选取与PET图像相匹配且无 伪影区域并生成该区域掩码矩阵定义如下：
对于明显伪影且与PET匹配区域的选取，可以直接手动勾画，也可 以利用阈值自动勾画，人工智能识别等不同的选取勾画方法(比如CT图 像中依靠阈值勾画出金属伪影区域、MR图像中依靠图像分割技术提取存 在伪影的组织器官等等)。
针对上述的R(μ)，R(μ)＝gW+μ(E-S)＝μ0SW+μ(E-S) (6)
确定没有伪影的线性衰减系数分布区域为g，其中g＝μ0S，该区域(其 他模态图像上的区域)分布没有明显伪影且与PET图像相匹配，但是无 法保证线性衰减系数分布的完整性，因而不能直接利用线性衰减系数分 布g进行衰减校正。需要通过公式(6)得到完整的线性衰减系数分布R(μ)， 即将迭代计算过程中的衰减系数分布μ与先验衰减系数分布g进行加权， 使不完整衰减系数分布g的缺失部分通过μ加权得到。
E表示K阶单位矩阵，
W为先验衰减系数分布的权重值矩阵，用来调节迭代过程中先验衰 减系数分布的权重。K阶对角阵W可定义为：
对于不同的组织器官或区域所需先验衰减系数分布的权重不同时wk可根据不同情况予以赋值；对于先验衰减系数分布整体权重相同时，可 将wk设为相同权重值，也可将W用标量替代。
本实施例中不限定采用上述公式(6)的加权法计算完整线性衰减系 数分布，还可采用SIFT/SURF自动检测拼接算法，人工智能检测识别算 法等不同的检测融合方法实现计算完整线性衰减系数分布。
实施例二
本发明还提供一种PET图像重建方法，其包括：
M01、采用上述实施例一种所述的任一一种校正信息获取方法获取 PET放射性活度分布x和线性衰减系数分布μ的输出值；
M02、根据所述PET放射性活度分布x和线性衰减系数分布μ的输 出值，应用在PET系统扫描的PET活度分布图像重建中。
需要说明的是，实施例一中获取的x和μ的输出值是采用一个数组 进行表示的，其用于表示PET放射性活度分布和线性衰减系数分布各个 像素点的数值。
在实际应用中，所述PET活度分布图像重建的方法对单个床位进行 图像重建，再拼接成整个扫描空间的PET活度分布图像；
或者，将所有床位的待重建的PET活度分布图像进行拼接，并采用 PET活度分布图像重建的方法对拼接的图像进行图像重建，获得整个扫 描空间的PET活度分布图像。
也就是说，多床位采集时，可以选择每个床位分别进行衰减校正计 算并同时重建得到每个床位的PET活度分布图像，然后再拼接在一起； 亦可以选择将整个探测数据拼接在一起，在整个扫描空间中一次性的进 行衰减校正并同时重建得到整个扫描空间的PET活度分布图像。
本实施例的方法对于大体重患者或者某些特殊情况身体某些部分 (如胳膊，手等)超出其他模态扫描视野的患者，衰减图像存在截断， 仍然能够对PET图像进行衰减校正，提供完整的PET多模态图像，提高 图像质量，为医生的分析和应用提供更准确的图像。
此外，对于衰减图像存在伪影的患者，如体内存在心脏起搏器或金 属牙套的PET/CT扫描患者，CT图像存在明显金属伪影，可以进行准确 的衰减校正，消除金属伪影的影响；当呼吸或心跳以及患者移动而导致 PET多模态图像不匹配时，能够对PET图像进行准确的衰减校正。
为更好的比较，参见图3(a)为一实施例中的对截断CT图像利用本发 明的方法进行衰减校正的PET图像，图3(b)为利用本发明的方法得到的 线性衰减系数分布的示意图。作为比较，图3(c)为传统的利用匹配且无伪 影、无截断CT图像进行衰减校正的PET图像，图3(d)为传统的无伪影、 无截断的线性衰减系数分布的示意图，图3(e)为传统的利用截断CT图像 进行衰减校正的PET图像，图3(f)为传统的存在截断伪影的线性衰减系 数分布的示意图。
进一步地，本发明还提供一种PET系统，该系统包括图像采集处理 装置；
所述图像采集处理装置使用上述实施例二中所述的方法进行图像重 建。
需要理解的是，以上对本发明的具体实施例进行的描述只是为了说 明本发明的技术路线和特点，其目的在于让本领域内的技术人员能够了 解本发明的内容并据以实施，但本发明并不限于上述特定实施方式。凡 是在本发明权利要求的范围内做出的各种变化或修饰，都应涵盖在本发 明的保护范围内。
Claims (9)
1.一种对PET活度分布图像进行衰减校正的校正信息获取方法，其特征在于，包括：
S0、获取PET系统扫描时的带有飞行时间信息的PET探测数据和其它模态图像；
S1、基于所述PET探测数据服从泊松分布，则对所述PET探测数据进行建模处理，得到公式(A1)的对数似然函数L(x,μ,y)；
公式(A1)
其中，y＝[y1t,y2t,…,yNT]T表示探测数据，N表示为探测数据正弦图的大小，T表示飞行时间TOF的维度；x＝[x1,x2,…,xM]T表示未知PET放射性活度分布，M表示为PET图像空间的大小；μ＝[μ1,μ2,…,μK]T表示未知的线性衰减系数分布；A＝[Aijt]为系统矩阵；l＝[lik]为线性衰减系数矩阵，r＝[r1t,r2t,…,rNT]T表示随机噪声和散射噪声的平均值；为衰减校正参数；
S2、根据所述其它模态图像，获取线性衰减系数分布图像μ0；
S3、若线性衰减系数分布图像存在伪影或截断，或者所述线性衰减系数分布图像与PET图像不匹配，则获取完整的线性衰减系数分布R(μ)；
其中，PET图像为依据所述PET探测数据直接生成的；
S4、基于线性衰减系数分布图像μ0，采用迭代算法对对数似然函数L(x,μ,y)进行优化，且在优化过程中，采用R(μ)更新每一次迭代的μ值，在满足迭代终止条件时获取x和作为校正信息的μ的估计值；
所述R(μ)为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET图像匹配区域的掩码矩阵和μ0、每次迭代的μ确定的，以用于对每次迭代的μ进行更新。
2.根据权利要求1所述的方法，其特征在于，
R(μ)＝gW+μ(E-S)＝μ0SW+μ(E-S)； 公式(A2)
其中，E表示K阶单位矩阵，W为先验衰减系数分布的权重值矩阵，用来调节迭代过程中先验衰减系数分布的权重；g为确定的没有伪影的线性衰减系数分布区域，g＝μ0S；
S为根据先验条件确定的线性衰减系数分布图像中无伪影且与PET图像匹配区域的掩码矩阵。
3.根据权利要求2所述的方法，其特征在于，
K阶对角阵W为：
对于不同的组织器官或区域所需先验衰减系数分布的权重不同时wk赋值不同。
4.根据权利要求3所述的方法，其特征在于，对于不同的组织器官或区域所需先验衰减系数分布的权重相同时，wk为相同的权重值或采用标量表示的数值。
5.根据权利要求1或2所述的方法，其特征在于，
其他模态图像包括：CT图像或MR图像；通过CT或MR图像计算得到的线性衰减系数分布图像中无伪影区域且与PET图像匹配的区域为利用阈值自动确定的，或者为采用人工智能识别技术确定的；
当其他模态图像为CT图像时，采用双线性法将CT图像的数据转化成511KeV能量下的光子线性衰减系数分布图像，获得线性衰减系数分布图像μ0；
当其他模态图像为MR图像时，线性衰减系数分布图像μ0为根据先验知识直接赋予的理论线性衰减系数值。
6.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
S41、保持初始值μ0固定，用MLEM迭代重建算法优化对数似然函数L(x,μ,y)，即通过下述公式(A3)得到未知数x的第一估计值；
S42、保持x的第一估计值固定，用MLTR算法优化对数似然函数L(x,μ,y)，即通过下述公式(A4)得到未知数μ的第一估计值；
S43、根据未知数μ的第一估计值采用公式(A2)获取R(μ)，并采用R(μ)更新μ的第一估计值，得到更新后的μ值；
S44、基于更新后的μ值，重复上述步骤S41至步骤S43的过程，进而在满足迭代终止条件时，将最后的未知数x和μ的估计值作为最终输出值。
7.一种PET活度分布图像重建的方法，其特征在于，包括：
采用上述权利要求1至6任一所述的方法获取PET放射性活度分布x和线性衰减系数分布μ的输出值；
根据所述PET放射性活度分布x和线性衰减系数分布μ的输出值，应用在PET系统扫描的PET活度分布图像重建中。
8.根据权利要求7所述的方法，其特征在于，
所述PET活度分布图像重建的方法对单个床位进行图像重建，再拼接成整个扫描空间的PET活度分布图像；
或者，
将所有床位的待重建的PET活度分布图像进行拼接，并采用PET活度分布图像重建的方法对拼接的图像进行图像重建，获得整个扫描空间的PET活度分布图像。
9.一种PET系统，其特征在于，包括图像采集处理装置；
所述图像采集处理装置使用上述权利要求7或8所述的方法进行图像重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910234260.8A CN109961419B (zh) | 2019-03-26 | 2019-03-26 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910234260.8A CN109961419B (zh) | 2019-03-26 | 2019-03-26 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109961419A true CN109961419A (zh) | 2019-07-02 |
| CN109961419B CN109961419B (zh) | 2021-05-07 |
Family
ID=67025030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910234260.8A Active CN109961419B (zh) | 2019-03-26 | 2019-03-26 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109961419B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428384A (zh) * | 2019-08-08 | 2019-11-08 | 江苏赛诺格兰医疗科技有限公司 | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 |
| CN112365593A (zh) * | 2020-11-12 | 2021-02-12 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和系统 |
| CN112862772A (zh) * | 2021-01-29 | 2021-05-28 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr系统、电子装置和存储介质 |
| CN113393551A (zh) * | 2021-06-30 | 2021-09-14 | 赛诺联合医疗科技（北京）有限公司 | 一种基于云服务器的影像系统 |
| CN113729751A (zh) * | 2021-10-12 | 2021-12-03 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105147312A (zh) * | 2015-08-25 | 2015-12-16 | 上海联影医疗科技有限公司 | Pet图像获取方法及系统 |
| CN106062818A (zh) * | 2013-12-23 | 2016-10-26 | 通用电气公司 | 用于时间选通pet研究的基于选通特定的mr的衰减校正的方法和装置 |
| US20170032545A1 (en) * | 2015-07-31 | 2017-02-02 | The Board Of Trustees Of The Leland Stanford Junior University | Statistical data acquisition model for GPU based MLEM joint estimation of tissue activity distribution and photon attenuation map from PET data |
| CN106456098A (zh) * | 2016-07-08 | 2017-02-22 | 上海联影医疗科技有限公司 | 衰减图的生成方法及系统 |
| CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
| CN107610198A (zh) * | 2017-09-20 | 2018-01-19 | 赛诺联合医疗科技（北京）有限公司 | Pet图像衰减校正方法及装置 |
| 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 |
| CN108553121A (zh) * | 2018-02-12 | 2018-09-21 | 沈阳东软医疗系统有限公司 | 一种pet延迟扫描的方法和装置 |
-
2019
- 2019-03-26 CN CN201910234260.8A patent/CN109961419B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106062818A (zh) * | 2013-12-23 | 2016-10-26 | 通用电气公司 | 用于时间选通pet研究的基于选通特定的mr的衰减校正的方法和装置 |
| US20170032545A1 (en) * | 2015-07-31 | 2017-02-02 | The Board Of Trustees Of The Leland Stanford Junior University | Statistical data acquisition model for GPU based MLEM joint estimation of tissue activity distribution and photon attenuation map from PET data |
| CN105147312A (zh) * | 2015-08-25 | 2015-12-16 | 上海联影医疗科技有限公司 | Pet图像获取方法及系统 |
| CN106456098A (zh) * | 2016-07-08 | 2017-02-22 | 上海联影医疗科技有限公司 | 衰减图的生成方法及系统 |
| CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
| CN107610198A (zh) * | 2017-09-20 | 2018-01-19 | 赛诺联合医疗科技（北京）有限公司 | Pet图像衰减校正方法及装置 |
| 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 |
| CN108553121A (zh) * | 2018-02-12 | 2018-09-21 | 沈阳东软医疗系统有限公司 | 一种pet延迟扫描的方法和装置 |
| 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 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110428384A (zh) * | 2019-08-08 | 2019-11-08 | 江苏赛诺格兰医疗科技有限公司 | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 |
| CN110428384B (zh) * | 2019-08-08 | 2021-11-16 | 江苏赛诺格兰医疗科技有限公司 | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 |
| CN112365593A (zh) * | 2020-11-12 | 2021-02-12 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和系统 |
| CN112365593B (zh) * | 2020-11-12 | 2024-03-29 | 江苏赛诺格兰医疗科技有限公司 | 一种pet图像重建的方法和系统 |
| CN112862772A (zh) * | 2021-01-29 | 2021-05-28 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr系统、电子装置和存储介质 |
| CN112862772B (zh) * | 2021-01-29 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr系统、电子装置和存储介质 |
| CN113393551A (zh) * | 2021-06-30 | 2021-09-14 | 赛诺联合医疗科技（北京）有限公司 | 一种基于云服务器的影像系统 |
| CN113729751A (zh) * | 2021-10-12 | 2021-12-03 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
| CN113729751B (zh) * | 2021-10-12 | 2024-01-30 | 上海交通大学 | 一种示踪剂活度的检测方法、设备及pet扫描仪 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109961419B (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644421B (zh) | 医学图像分割方法及系统 | |
| US11020077B2 (en) | Simultaneous CT-MRI image reconstruction | |
| 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 | |
| US8577114B2 (en) | Extension of truncated CT images for use with emission tomography in multimodality medical images | |
| CN109978966B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| CN107638188B (zh) | 图像衰减校正方法及装置 | |
| US8658979B2 (en) | Nuclear image reconstruction | |
| EP2245592B1 (en) | Image registration alignment metric | |
| CN114387364A (zh) | 用于pet图像重建的线性衰减系数获取方法及重建方法 | |
| CN110458779B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| CN112529977B (zh) | 一种pet图像重建的方法和系统 | |
| US11495346B2 (en) | External device-enabled imaging support | |
| CN115439572A (zh) | 一种衰减校正系数图像的获取方法、pet图像重建方法 | |
| EP2711738A1 (en) | A method and a device to generate virtual X-ray computed tomographic image data | |
| US8552387B2 (en) | Method for determining radiation attenuation by an examination object in a positron emission tomography scanner | |
| CN110428384B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
| WO2022036633A1 (en) | Systems and methods for image registration | |
| Zhang et al. | A multisource adaptive magnetic resonance image fusion technique for versatile contrast magnetic resonance imaging | |
| US20230045406A1 (en) | System and method for hybrid imaging | |
| CN111956253B (zh) | 一种非匹配式pet扫描和重建方法 | |
| rn Hamre | Three-dimensional image registration of magnetic resonance MRI head volumes | |
| CN115830167A (zh) | 一种pet图像的散射校正方法及pet系统 | |
| CN117788624A (zh) | 一种pet图像的散射校正方法与系统 | |
| Jahangir et al. | Deep Learning-Based Attenuation and Scatter Correction of Brain 18F-FDG PET Images in the Image Domain | |
| Chen | On-Board Image Augmentation Using Prior Image and Deep Learning for Image-Guided Radiation Therapy |
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 |