CN110215224A - 图像重建方法、装置、医疗影像设备和存储介质 - Google Patents
图像重建方法、装置、医疗影像设备和存储介质 Download PDFInfo
- Publication number
- CN110215224A CN110215224A CN201910383290.5A CN201910383290A CN110215224A CN 110215224 A CN110215224 A CN 110215224A CN 201910383290 A CN201910383290 A CN 201910383290A CN 110215224 A CN110215224 A CN 110215224A
- Authority
- CN
- China
- Prior art keywords
- dynamic
- drug
- parameter
- iteration
- current
- 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 93
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 24
- 239000003814 drug Substances 0.000 claims abstract description 321
- 229940079593 drug Drugs 0.000 claims abstract description 267
- 238000012905 input function Methods 0.000 claims abstract description 88
- 238000012546 transfer Methods 0.000 claims description 39
- 238000007476 Maximum Likelihood Methods 0.000 claims description 26
- 230000035945 sensitivity Effects 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000002441 reversible effect Effects 0.000 claims description 14
- 230000017105 transposition Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 210000002381 plasma Anatomy 0.000 abstract 3
- 230000002503 metabolic effect Effects 0.000 description 14
- 238000012804 iterative process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012377 drug delivery Methods 0.000 description 9
- 230000017531 blood circulation Effects 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 239000008280 blood Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 238000002600 positron emission tomography Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000036267 drug metabolism Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种图像重建方法、装置、医疗影像设备和存储介质。该方法包括:获取扫描待检测体所产生的原始数据;获取执行扫描时所对应的血浆输入函数并构建包括血浆输入函数的延迟时间腔室模型;获取至少一个药物关联动态参数的当前参数值,并根据原始数据和腔室模型对应的各动态参数迭代关系,更新对应的当前参数值;药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;根据更新后的各药物关联动态参数的当前参数值,分别得到各药物关联动态参数相应的参数图像。本发明实施例的技术方案减少了由于延迟时间所带来的误差,增加了重建的各药物关联动态参数的量化精度,同时通过延迟时间图像提供额外的诊断信息。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种图像重建方法、装置、医疗影像设备和存储介质。
背景技术
正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET)通常是将某种生命代谢所必须的物质标记上短寿命的放射性核素,注入人体后,通过对该物质在代谢中的聚集,来反映生命代谢活动的情况,从而对病变进行诊断和分析。
为了提高基于PET数据重建的动态参数图像的成像质量,现有技术通常采用药物代谢达到平衡态之后的PET数据,进行动态参数图像的获取。因此,需要PET设备对待检测对象进行慢速的长期的动态数据的获取,数据采集时间较长,不利于临床使用。
发明内容
本发明提供一种图像重建方法、装置、医疗影像设备和存储介质,以在对注入代谢药物的待检测体扫描得到的原始数据进行重建时,提高各药物关联动态参数对应的参数图像的图像质量。
第一方面,本发明实施例提供了一种图像重建方法,包括:
获取扫描待检测体所产生的原始数据;
获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间;
获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;
根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
第二方面,本发明实施例还提供了一种图像重建装置,包括:
原始数据获取模块,用于获取扫描待检测体所产生的原始数据;
腔室模型构建模块,用于获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括延迟时间;
动态参数更新模块,用于获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;
参数图像得到模块,用于根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
第三方面,本发明实施例还提供了一种医疗影像设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面实施例所提供的一种图像重建方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面实施例所提供的一种图像重建方法。
本发明实施例通过获取扫描待检测体所产生的原始数据;获取执行扫描时所对应的血浆输入函数,并基于血浆输入函数构建包括血浆输入函数的延迟时间的腔室模型;获取至少一个药物关联动态参数的当前参数值,并根据原始数据和腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;根据更新后的各药物关联动态参数的当前参考值,分别得到与每个药物关联动态参数相应的参数图像。上述技术方案通过基于血浆输入函数构建腔室模型时引入血浆输入函数的延迟时间,以充分考虑器官位置以及代谢药物在血液中的流速,进而减少了由于延迟时间所带来的误差,增加了重建的各药物关联动态参数的量化精度,同时获取的延迟时间图像能成功反应人体内的血液循环系统,可帮助提供额外的诊断信息。
附图说明
图1是本发明实施例一中的一种图像重建方法的流程图;
图2A是本发明实施例二中的一种图像重建方法的流程图;
图2B是本发明实施例二中的一种腔室模型的示意图;
图3A是本发明实施例三中的一种图像重建方法的流程图;
图3B是本发明实施例三中的各药物关联动态参数的交替迭代示意图;
图4A是本发明实施例四中的一种图像重建方法的流程图;
图4B是本发明实施例四中的各药物关联动态参数的交替迭代示意图;
图4C是本发明实施例四中的各药物关联动态参数的参数图像;
图5是本发明实施例五中的一种图像重建装置的结构图;
图6是本发明实施例六中的一种医疗影像设备的结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中的一种图像重建方法的流程图,本发明实施例适用于采用医疗影像设备对注入代谢药物的待检测体进行扫描,并对扫描数据进行图像重建的情况。该方法由图像重建装置执行,该装置由软件和/或硬件实现,并具体配置于医疗影像设备中。其中,医疗影像设备可以是正电子发射型计算机断层显像(Positron EmissionComputed Tomography,PET)设备。
如图1所示的一种图像重建方法,包括:
S110、获取扫描待检测体所产生的原始数据。
其中,待检测体中注入了由正电子衰变核素标记的代谢药物;所获取的原始数据用于表征代谢药物在待检测体内不同组织中的代谢状态。
可选的,原始数据可以是通过医疗影像设备对待检测体进行扫描后实时产生原始数据,并对原始数据进行实时或定时获取。或者可选的,将扫描待检测体所产生的原始数据预先存储在医疗影像设备本地、与医疗影像设备所关联的其他存储设备或云端中,并在需要时从医疗影像设备本地、关联的其他存储设备或云端中进行获取。
S120、获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间。
其中,血浆输入函数用于表征血浆中代谢药物的药物浓度变化。其中,腔室模型用于表征描述代谢药物通过血液循环进入组织甚至进入细胞过程中,所满足的药物关联动态参数关系模型。其中,腔室模型中所包括的延迟时间用于表征药物进入不同组织时,由于血液流速以及器官所在位置而产生的时间延迟。示例性地,腔室模型可以是一室模型或者二室模型等。
示例性地,获取执行扫描时所对应的血浆输入函数,可以是通过预先重建的动态图像中通过测量主动脉或心脏血液的活动变化曲线获取;还可以是对待检测体进行扫描产生扫描数据时,每隔设定时间长度采集待检测体的血液,并通过计数器获取血液中的放射性物质含量得到;还可以直接通过查找文献中的经验数值得到。
S130、获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值。
其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间。其中,药物转入效率可以理解为等效的腔室模型结构中的至少一个腔室所对应的药物转入效率;药物转出效率可以理解为等效的腔室模型结构中的至少一个腔室所对应的药物转出效率。
其中,不同的动态参数迭代关系用于对相应的药物关联动态参数的当前参数值进行更新。
可选的,在针对药物关联动态参数中的其中一个进行更新时,基于该待更新的药物关联动态参数,查找预先存储的腔室模型所对应的动态参数迭代关系;根据查找到的动态参数迭代关系获取至少一个药物关联动态参数的当前参数值;根据原始数据和所获取的药物关联动态参数的当前参数值,并基于查找到的动态参数迭代关系更新待更新的药物关联动态参数的当前参数值。
可以理解的是,在更新至少一个药物关联动态参数的当前参数值时,所获取的至少一个药物关联动态参数可以与待更新的药物关联动态参数相同或不同,例如可以存在部分参数交叉或完全不同。当根据动态参数迭代关系更新至少一个药物关联动态参数的当前参数值时,首次迭代更新时对应的当前参数值可以为各药物关联动态参数的初始值,其中初始值可以有技术人员根据需要或经验值进行设定。
当然,在并未预先存储腔室模型所对应的动态参数迭代关系时,在根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值之前,还可以进行动态参数迭代关系的构建。
示例性地,根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值;根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
可选的,可以采用最大似然法和/或压缩感知法,建立原始数据与动态图像数据之间的动态图像迭代关系;可选的,可以采用最大似然法、压缩感知法以及最小二乘法中的至少一种,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系。示例性地,最大似然法可以是基于泊松分布的最大似然法。
在本发明一个可选实施方式中,根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值,可以是根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值。其中,交替迭代可以是至少两个药物关联动态参数的更新过程存在交叉。其中,交替迭代次数至少为1。
S140、根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
本发明实施例通过获取扫描待检测体所产生的原始数据;获取执行扫描时所对应的血浆输入函数,并基于血浆输入函数构建包括血浆输入函数的延迟时间的腔室模型;获取至少一个药物关联动态参数的当前参数值,并根据原始数据和腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;根据更新后的各药物关联动态参数的当前参考值,分别得到与每个药物关联动态参数相应的参数图像。上述技术方案通过基于血浆输入函数构建腔室模型时引入血浆输入函数的延迟时间,以充分考虑器官位置以及代谢药物在血液中的流速,进而减少了由于延迟时间所带来的误差,增加了重建的各药物关联动态参数的量化精度,同时获取的延迟时间图像能成功反应人体内的血液循环系统,可帮助提供额外的诊断信息。
实施例二
图2A是本发明实施例二中的一种图像重建方法的流程图,本发明实施例在上述各实施例的技术方案的基础上进行了优化改进。
进一步地,在针对延迟时间的当前参数的迭代过程中,将操作“根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值”细化为“根据血浆含量比、药物转入效率和药物转出效率的当前参数值以及所述腔室模型,估计各数据采集时刻对应的药物活性分布;根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新”,以完善延迟时间的更新机制。
需要说明的是,为了便于技术方案的说明,本发明实施例将以“在对待检测体注入药物早期的药物动态过程中,所获取的原始图像进行图像重建”为例进行详细说明,但本发明各实施例的技术方案并不对原始数据的获取时间进行任何限定,也即在对待检测体注入药物的中后期同样适用本发明实施例的各技术方案。
如图2A所示的一种图像重建方法,包括:
S210、获取扫描待检测体所产生的原始数据。
S220、获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间。
参见图2B所示的一种腔室模型的示意图,该腔室模型示出了二室模型的模型结构。其中,Cp是血浆输入函数,用于表征血浆中的药物浓度变化;C1描述的是代谢药物进入组织中的过程;C2描述的是代谢药物进入细胞后被磷酸化的过程;C是等效的测量到的组织中的总药物浓度。k1、k2、k3和k4分别描述代谢药物在每个腔室之间的转换效率,并满足以下的微分方程:
此时,测量到的某个特定组织内部的药物浓度如下:
C(t)=vbCp(t)+(1-vb)(C1(t)+C2(t));
其中,vb代表组织中的血浆含量比。
求解上述微分方程,得到的测量到的组织内部的药物浓度如下:
在传统的药物关联动态参数对应的参数图像(如上述vb、k1、k2、k3和k4等)的计算过程中,通常采用同样的血浆输入函数Cp(t)应用于所有的检测点。在真实情况下,由于血液流动过程需要时间,鉴于血液的流速以及不同器官所在位置的不同,导致并不是每个器官都能够对应相同的血浆输入函数,而是存在一个与器官位置相关的延迟时间td。为了避免延迟时间td的存在导致的参数图像的成像质量的降低,可以结合延迟时间效应,将上述测量到的组织内部的药物浓度变更为:作为二室模型进行后续计算。
在对待检测体注入药物早期的药物动态过程中,采用上述二室模型无法精确测量k3和k4。为了简化计算量,同时提高最终确定的药物关联动态参数的精确度,优选是将k3、k4假定为0,相应的,将二室模型近似为更为简单的一室模型。此时,所得到的一室模型为:
考虑到延迟时间的影像,变更后的一室模型为:
由于在对待检测体注入药物早期的前提下,由于k2t<<1,exp(-k2t)≈1-k2t,那么在未考虑延迟时间td时的二室模型与一室模型等效;相应的,考虑延迟时间td时的二室模型与一室模型等效。因此,可以采用考虑延迟时间td时的一室模型为例进行后续各步骤的详细说明。
S230、根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值。
S240、根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
需要说明的是,在使用基于高斯分布的最大似然法建立延迟时间td的动态参数迭代关系时,通过简化计算最终得到的迭代关系与偏最小二乘法等效。
当然,还可以基于其他最大似然法或压缩感知等方法建立延迟时间td的动态参数迭代关系,本发明实施例对此不做任何限定。
S250、在针对延迟时间的当前参数的迭代过程,获取至少一个药物关联动态参数的当前参数值。其中,药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间。
具体的,获取血浆含量比vb、药物转入效率k1以及药物转出效率k2的当前参数值。
S260、根据血浆含量比、药物转入效率和药物转出效率的当前参数值以及所述腔室模型,估计各数据采集时刻对应的药物活性分布。
示例性地,根据获取的血浆含量比vb、药物转入效率k1以及药物转出效率k2的当前参数值采用如下公式在每个像素点j中估计出每个时刻的药物活性分布:
S270、根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新。
其中,在采用最大似然法对延迟时间的当前参数值进行更新时,可以采用与上述各实施例的技术方案中建立动态图像迭代关系和/或动态参数迭代关系相同或不同的最大似然法。示例性地,最大似然法可以是基于泊松分布或者高斯分布等的最大似然法。
可选的,根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新,可以是:根据所述药物活性分布和所述动态图像数据,确定各数据采集时刻的药物浓度误差;根据相邻数据采集时刻的药物浓度误差的差值,采用基于泊松分布的最大似然法对延迟时间的当前参数值进行更新。
示例性地,根据所述药物活性分布和所述动态图像数据,确定各数据采集时刻的药物浓度误差,可以是:采用如下公式确定各数据采集时刻的药物浓度误差ε(td(j)):其中,Cn(j,t)为根据原始数据和动态图像迭代关系所更新的动态图像数据的当前数据值。需要说明的是,对动态图像数据的具体更新时间和更新顺序可以由技术人员根据需要进行设定,对此不做任何限定。
示例性地,根据相邻数据采集时刻的药物浓度误差的差值,采用基于泊松分布的最大似然法对延迟时间的当前参数值进行更新,可以是:根据如下公式对延迟时间的当前参数值进行更新:
其中,Δt为预设采样时间间隔,可以根据数据采集时刻的时间间隔进行确定,例如可以是相邻两次数据采集时刻的时间差值。
S280、根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
本发明实施例通过估计各数据采集时刻对应的药物活性分布,并根据各数据采集时刻对应的药物活性分布和动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新,以完善延迟时间的更新机制,通过引入延迟时间辅助更新其他药物关联动态参数,最终提高了各药物关联动态参数对应的参数图像的量化精度,同时使注入药物早期的药物关联动态参数的确定成为可能。
实施例三
图3A是本发明实施例三中的一种图像重建方法的流程图,本发明实施例在上述各实施例的技术方案的基础上进行了优化改进。
进一步地,将操作“根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值”细化为“根据所述原始数据和所述动态图像迭代关系,迭代更新所述动态图像数据的当前数据值,并根据所述动态图像数据的当前数据值、所述原始数据、所述血浆输入函数和各所述动态参数迭代关系,采用交替迭代的方式更新各所述药物关联动态参数的当前参数值”,以完善各药物关联动态参数的当前参数值的更新方式。
如图3A所示的一种图像重建方法,包括:
S310、获取扫描待检测体所产生的原始数据。
S320、获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间。
示例性地,基于血浆输入函数构建的腔室模型如下:
为了简化计算,令K1=(1-vb)k1,后续通过对K1的迭代更新,间接实现对k1的更新。
S330、根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值。
其中,投影关系式可以是:y(t)=HC(t)+R(t);其中,y(t)为原始数据,也即动态投影图;H为投影矩阵,由医疗影像设备的系统几何参数确定;C(t)为动态图像数据;R(t)为散射事件和随机事件之和。其中,投影矩阵H中包含有衰减效应。
具体的,根据原始数据所满足的投影关系式和腔室模型,按照以下公式建立原始数据与动态图像数据之间的动态图像迭代关系的关系式:
其中,n为C的迭代次数,可以由技术人员根据需要或经验值进行设定;C0为初始值,可以由技术人员根据需要或经验值进行设定,例如可以是全1矩阵。
其中,⊙为元素乘法,·为矩阵乘法。
S340、根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
S350、获取至少一个药物关联动态参数的当前参数值,其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间。
S360、根据所述原始数据和所述动态图像迭代关系,迭代更新所述动态图像数据的当前数据值,并根据所述动态图像数据的当前数据值、所述原始数据、所述血浆输入函数和各所述动态参数迭代关系,采用交替迭代的方式更新各所述药物关联动态参数的当前参数值。
以最大似然性期望最大化(Maximum Likehood Expectation Maximization,MLEM)算法为例,并参见图3B所示的交替迭代示意图,对各药物关联动态参数的迭代更新方法进行说明。
记血浆含量比为vb,变形后的药物传入效率为K1,药物转出效率为k2,延迟时间为td,血浆输入函数为Cp(t),并令后续采用上述各参数对各药物关联动态参数vb、K1、k2和td的迭代更新过程进行说明。
其中,p为vb的迭代次数,q为K1的迭代次数,l为k2的迭代次数,s为td的迭代次数;各迭代次数的数值可以相同也可以不同,具体由技术人员根据需要或经验值进行设定。
其中,和均为初始值,可以由技术人员根据需要或经验值进行设定,例如的数值可以是0.01,的数值可以是0.01,可以是0.01,的数值可以是0。
可选的,针对血浆含量比vb或药物转入效率K1的当前参数值的迭代过程:
根据血浆含量比和药物转入效率的当前参数值、所述原始数据和血浆输入函数,分别确定血浆含量比或药物转入效率的前次迭代时的正向投影结果、反向投影结果以及灵敏度参数;
根据血浆含量比对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述血浆含量比的当前参数值;或者,根据药物转入效率对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述药物转入效率的当前参数值。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述血浆含量比vb的当前参数值:
其中,p为vb的迭代次数,可以由技术人员根据需要或经验值进行设定。其中,为获取的血浆含量比vb或药物转入效率K1的当前参数值。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述药物转入效率K1的当前参数值:
其中,q为K1的迭代次数,可以由技术人员根据需要或经验值进行设定。
可选的,针对所述药物转出效率k2的当前参数值的迭代过程:
根据所述药物转出效率的当前参数值、所述原始数据和血浆输入函数,确定所述药物转出效率的前次迭代时的正向投影结果、反向投影结果以及灵敏度参数;
根据药物转出效率对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述药物转出效率的当前参数值。
与vb、K1不同,由于k2存在与指数部分,无法直接应用MLEM计算,在k2足够接近真值的情况下,虽然k2的贡献可表示为线性,但是这需要一个很好的k2的初始值选择,在迭代过程中不能一直得到满足。假设k′2为足够接近k2的任意值,腔室模型可以采用以下方式表示:
令此时C(t)=u1-k2u2,在k′2足够接近k2的前提下,u1-k2u2>0始终成立。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述药物转出效率k2的当前参数值:
其中,以及td均为获取到的血浆含量比、药物传入效率为K1、药物转出效率以及延迟时间的当前参数值;其中,l为k2的迭代次数,可以由技术人员根据需要或经验值进行设定。
可选的,针对延迟时间td的当前参数值的迭代过程:
根据动态图像数据的当前数据值和原始数据,更新确定动态图像数据的当前数据值;
根据动态图像数据的当前数据值和各药物关联动态参数的当前参数值,迭代确定延迟时间的当前参数值。
具体的,根据以下动态图像迭代关系对应的关系式,更新确定动态图像数据C的当前数据值:
其中,n为C的迭代次数,可以由技术人员根据需要或经验值进行设定;C0为初始值,可以由技术人员根据需要或经验值进行设定,例如可以是全1矩阵。
具体的,根据以下动态参数迭代关系对应的关系式,更新确定延迟时间td的当前参数值:
其中,s为td的迭代次数,ε(td)为td延迟时间引入的药物浓度误差;Δt预设采样时间间隔,可以根据数据采集时刻的时间间隔进行确定,例如可以是相邻两次数据采集时刻的时间差值。
示例性地,药物浓度误差可以根据如下公式进行确定:
其中,Cn(j,t)为第j个像素点在t时刻对应的动态图像数据的当前数据值;为根据血浆含量比vb、药物转入效率K1和药物转出效率k2的当前参数值以及所述腔室模型所估计t时刻的药物活性分布。
示例性地,药物活性分布可以根据如下公式进行估计:
需要说明的是,对C、vb、K1、k2和td的迭代次数可以相同,也可以不同,具体由技术人员根据经验值或需要进行设定。其中,vb、K1、k2和td采用交替迭代的方式,对具体的迭代顺序不做任何限定。交替迭代可以理解为在每个参数的迭代更新过程中交织有其他参数的迭代更新过程。
S370、根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
本发明实施例通过将更新各药物关联动态参数的当前参数值细化为根据所述原始数据和所述动态图像迭代关系,迭代更新所述动态图像数据的当前数据值,并根据所述动态图像数据的当前数据值、所述原始数据、所述血浆输入函数和各所述动态参数迭代关系,采用交替迭代的方式更新各所述药物关联动态参数的当前参数值,进一步完善了各药物关联动态参数的迭代更新方式。
实施例四
图4A是本发明实施例四中的一种图像重建方法的流程图,本发明实施例在上述各实施例的技术方案的技术方案进行了优化改进。
进一步地,将操作“根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值”细化为“根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新所述动态图像数据的当前数据值和各药物关联动态参数的当前参数值”,以完善各药物关联动态参数的当前参数值的更新方式。
如图4A所示的一种图像重建方法,包括:
S410、获取扫描待检测体所产生的原始数据。
S420、获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间。
S430、根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值。
S440、根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
S450、获取至少一个药物关联动态参数的当前参数值,其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间。
S460、根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新所述动态图像数据的当前数据值和各药物关联动态参数的当前参数值。
为了进一步提高各药物关联动态参数迭代过程的收敛速度,在本发明实施例的一个可选实施方式中,以嵌套参数化图像重建(Nested Parametric image reconstruction)算法为例,并参见图4B所示的交替迭代示意图,对各药物关联动态参数的迭代更新方法进行说明。
记血浆含量比为vb,变形后的药物传入效率为K1,药物转出效率为k2,延迟时间为td,血浆输入函数为Cp(t),并令后续采用上述各参数对各药物关联动态参数vb、K1、k2和td的迭代更新过程进行说明。
其中,p为vb的迭代次数,q为K1的迭代次数,l为k2的迭代次数,s为td的迭代次数;各迭代次数的数值可以相同也可以不同,具体由技术人员根据需要或经验值进行设定。
其中,和均为初始值,可以由技术人员根据需要或经验值进行设定,例如的数值可以是0.01,的数值可以是0.01,可以是0.01,的数值可以是0。
可选的,针对动态图像数据C的当前数据值的迭代过程:
根据各药物关联动态参数的当前参数值和原始数据,更新确定动态图像数据的当前数据值。
具体的,根据以下动态图像迭代关系对应的关系式,更新确定动态图像数据的当前数据值:
其中,为所采用的腔室模型,n为C的迭代次数,可以由技术人员根据需要或经验值进行设定。
可选的,针对血浆含量比vb或药物转入效率K1的当前参数值的迭代过程:
根据血浆含量比和药物转入效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,分别确定血浆含量比或药物转入效率的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据血浆含量比对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述血浆含量比的当前参数值;或者,根据药物转入效率对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述药物转入效率的当前参数值。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述血浆含量比vb的当前参数值:
其中,为获取的血浆含量比vb或药物转入效率K1的当前参数值;Cn为获取的动态图像数据的当前数据值。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述药物转入效率K1的当前参数值:
其中,为获取的血浆含量比vb或药物转入效率K1的当前参数值;Cn为获取的动态图像数据的当前数据值。
可选的,针对所述药物转出效率k2的当前参数值的迭代过程:
根据所述药物转出效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,确定所述药物转出效率的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据药物转出效率对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述药物转出效率的当前参数值。
具体的,根据以下动态参数迭代关系对应的关系式,更新所述药物转出效率k2的当前参数值:
其中,以及td均为获取到的血浆含量比、药物传入效率为K1、药物转出效率以及延迟时间的当前参数值;Cn为获取的动态图像数据的当前数据值。
可选的,针对延迟时间td的当前参数值的迭代过程:
根据动态图像数据的当前数据值和各药物关联动态参数的当前参数值,迭代确定延迟时间的当前参数值。
具体的,根据以下动态参数迭代关系对应的关系式,更新确定延迟时间td的当前参数值:
其中,s为td的迭代次数,ε(td)为td延迟时间引入的药物浓度误差;Δt预设采样时间间隔,可以根据数据采集时刻的时间间隔进行确定,例如可以是相邻两次数据采集时刻的时间差值。
示例性地,药物浓度误差可以根据如下公式进行确定:
其中,Cn(j,t)为第j个像素点在t时刻对应的动态图像数据的当前数据值;为根据血浆含量比vb、药物转入效率K1和药物转出效率k2的当前参数值以及所述腔室模型所估计t时刻的药物活性分布。
示例性地,药物活性分布可以根据如下公式进行估计:
需要说明的是,对C、vb、K1、k2和td的迭代次数可以相同,也可以不同,具体由技术人员根据经验值或需要进行设定。其中,C、vb、K1、k2和td采用交替迭代的方式,对其具体的迭代顺序不做任何限定。交替迭代可以理解为在每个参数的迭代更新过程中交织有其他参数的迭代更新过程。
需要说明的是,药物关联动态参数和动态图像数据之间的交替迭代次数可以大于等于1。具体的,当交替迭代次数大于1时,会通过获取的药物关联恭泰参数的当前参数值进一步更新动态图像数据的当前数据值,并重复执行各药物关联动态参数和动态图像数据之间的各迭代过程。
S470、根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
采用嵌套参数化图像重建算法对血浆含量比vb、药物传入效率K1,药物转出效率k2以及延迟时间td迭代完成后,所得到的参数图像参见图4C。
本发明实施例通过将更新各药物关联动态参数的当前参数值细化为根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新所述动态图像数据的当前数据值和各药物关联动态参数的当前参数值,进一步完善了各药物关联动态参数的迭代更新方式,同时加快了各药物关联动态参数迭代过程的收敛速度。
实施例五
图5是本发明实施例五中的一种图像重建装置的结构图,本发明实施例适用于采用医疗影像设备对注入代谢药物的待检测体进行扫描,并对扫描数据进行图像重建的情况。该装置由软件和/或硬件实现,并具体配置于医疗影像设备中。其中,医疗影像设备可以是正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET)设备。
如图5所示的一种图像重建装置,包括:原始数据获取模块510,腔室模型构建模块520,动态参数更新模块530以及参数图像得到模块540。
其中,原始数据获取模块510,用于获取扫描待检测体所产生的原始数据;
腔室模型构建模块520,用于获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括延迟时间;
动态参数更新模块530,用于获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;
参数图像得到模块540,用于根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
本发明实施例通过原始数据获取模块获取扫描待检测体所产生的原始数据;通过腔室模型构建模块获取执行扫描时所对应的血浆输入函数,并基于血浆输入函数构建包括血浆输入函数的延迟时间的腔室模型;通过动态参数更新模块获取至少一个药物关联动态参数的当前参数值,并根据原始数据和腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;通过参数图像得到模块根据更新后的各药物关联动态参数的当前参考值,分别得到与每个药物关联动态参数相应的参数图像。上述技术方案通过基于血浆输入函数构建腔室模型时引入血浆输入函数的延迟时间,以充分考虑器官位置以及代谢药物在血液中的流速,进而减少了由于延迟时间所带来的误差,增加了重建的各药物关联动态参数的量化精度,同时获取的延迟时间图像能成功反应人体内的血液循环系统,可帮助提供额外的诊断信息。
进一步地,该装置还包括,迭代关系建立模块,具体包括:
动态图像迭代关系建立单元,用于在根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值之前,根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值;
动态参数迭代关系建立单元,用于根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
进一步地,动态图像迭代关系建立单元,在执行建立所述原始数据与动态图像数据之间的动态图像迭代关系时,具体用于:
采用最大似然法,建立所述原始数据与动态图像数据之间的动态图像迭代关系;
进一步地,动态参数迭代关系建立单元,在执行建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系时,具体用于:
采用最大似然法,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系。
进一步地,动态参数更新模块530,包括:
交替迭代单元,用于根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值。
进一步地,交替迭代单元,具体用于:
根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新所述动态图像数据的当前数据值和各药物关联动态参数的当前参数值;或者,
根据所述原始数据和所述动态图像迭代关系,迭代更新所述动态图像数据的当前数据值,并根据所述动态图像数据的当前数据值、所述原始数据、所述血浆输入函数和各所述动态参数迭代关系,采用交替迭代的方式更新各所述药物关联动态参数的当前参数值。
进一步地,动态参数更新模块530,包括延迟时间更新单元,具体用于:
在针对所述延迟时间的当前参数值的迭代过程中,根据血浆含量比、药物转入效率和药物转出效率的当前参数值以及所述腔室模型,估计各数据采集时刻对应的药物活性分布;
根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新。
进一步地,延迟时间更新单元,在执行根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新时,具体用于:
根据所述药物活性分布和所述动态图像数据,确定各数据采集时刻的药物浓度误差;
根据相邻数据采集时刻的药物浓度误差的差值,采用基于泊松分布的最大似然法对延迟时间的当前参数值进行更新。
进一步地,动态参数更新模块530,包括第一血浆含量比更新单元,具体用于:
在针对所述血浆含量比的当前参数值的迭代过程中,根据血浆含量比和药物转入效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,分别确定血浆含量比的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据血浆含量比对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述血浆含量比的当前参数值。
进一步地,动态参数更新模块530,包括第一药物转入效率更新单元,具体用于:
在针对药物转入效率的当前参数值的迭代过程中,根据血浆含量比和药物转入效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,分别确定药物转入效率的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据药物转入效率对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述药物转入效率的当前参数值。
进一步地,动态参数更新模块530,包括第二血浆含量比更新单元,具体用于:
在针对所述血浆含量比的当前参数值的迭代过程中,根据血浆含量比和药物转入效率的当前参数值、所述原始数据和血浆输入函数,分别确定血浆含量比的前次迭代时的正向投影结果、反向投影结果以及灵敏度参数;
根据血浆含量比对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述血浆含量比的当前参数值。
进一步地,动态参数更新模块530,包括第二药物转入效率更新单元,具体用于:
在针对药物转入效率的当前参数值的迭代过程中,根据血浆含量比和药物转入效率的当前参数值、所述原始数据和血浆输入函数,分别确定药物转入效率的前次迭代时的正向投影结果、反向投影结果以及灵敏度参数;
根据药物转入效率对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述药物转入效率的当前参数值。
进一步地,动态参数更新模块530,包括第一药物转出效率更新单元,具体用于:
在针对所述药物转出效率的当前参数值的迭代过程中,根据所述药物转出效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,确定所述药物转出效率的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据药物转出效率对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述药物转出效率的当前参数值。
进一步地,动态参数更新模块530,包括第二药物转出效率更新单元,具体用于:
在针对所述药物转出效率的当前参数值的迭代过程中,根据所述药物转出效率的当前参数值、所述原始数据和血浆输入函数,确定所述药物转出效率的前次迭代时的正向投影结果、反向投影结果以及灵敏度参数;
根据药物转出效率对应的正向投影结果、反向投影结果以及灵敏度参数,更新所述药物转出效率的当前参数值。
上述图像重建装置可执行本发明任意实施例所提供的图像重建方法,具备执行图像重建方法相应的功能模块和有益效果。
实施例六
图6是本发明实施例六中的一种医疗影像设备的结构图,该设备包括:输入装置610、输出装置620、处理器630以及存储装置660。
其中,输入装置610,用于获取扫描待检测体所产生的原始数据;还用于获取执行扫描时所对应的血浆输入函数;
输出装置620,用于展示参数图像;
一个或多个处理器630;
存储装置660,用于存储一个或多个程序。
图6中以一个处理器630为例,该医疗影像设备中的输入装置610可以通过总线或其他方式与输出装置620、处理器630以及存储装置660相连,且处理器630和存储装置660也通过总线或其他方式连接,图6中以通过总线连接为例。
在本实施例中,医疗影像设备中的处理器630可以控制输入装置610获取扫描待检测体所产生的原始数据;还可以控制输入装置610获取执行扫描时所对应的血浆输入函数;还可以基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间;还可以获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;还可以根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像;还可以孔子输出装置620展示至少一个药物关联动态参数相应的参数图像。
该医疗影像设备中的存储装置660作为一种计算机可读存储介质,可用于存储一个或多个程序,所述程序可以是软件程序、计算机可执行程序以及模块,如本发明实施例中图像重建方法对应的程序指令/模块(例如,附图5所示的原始数据获取模块510,腔室模型构建模块520,动态参数更新模块530以及参数图像得到模块540)。处理器630通过运行存储在存储装置660中的软件程序、指令以及模块,从而执行医疗影像设备的各种功能应用以及数据处理,即实现上述方法实施例中的图像重建方法。
存储装置660可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储数据等(如上述实施例中的原始数据、血浆输入函数、各药物关联动态参数的当前参数值以及各药物动态参数相应的参数图像等)。此外,存储装置660可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置660可进一步包括相对于处理器630远程设置的存储器,这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例七
本发明实施例七还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被图像重建装置执行时实现本发明实施提供的图像重建方法,该方法包括:获取扫描待检测体所产生的原始数据;获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间;获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像重建方法,其特征在于,包括:
获取扫描待检测体所产生的原始数据;
获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括血浆输入函数的延迟时间;
获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;
根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
2.根据权利要求1所述的方法,其特征在于,在根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值之前,还包括:
根据所述原始数据所满足的投影关系式和所述腔室模型,建立所述原始数据与动态图像数据之间的动态图像迭代关系;所述动态图像迭代关系用于更新动态图像数据的当前数据值;
根据所述腔室模型,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系;所述动态参数迭代关系用于更新相应的药物关联动态参数的当前参数值。
3.根据权利要求2所述的方法,其特征在于,建立所述原始数据与动态图像数据之间的动态图像迭代关系,包括:
采用最大似然法,建立所述原始数据与动态图像数据之间的动态图像迭代关系;
和/或,
建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系,包括:
采用最大似然法,建立所述动态图像数据或所述原始数据与至少一个药物关联动态参数之间的动态参数迭代关系。
4.根据权利要求2所述的方法,其特征在于,根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值,包括:
根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值。
5.根据权利要求4所述的方法,其特征在于,根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值,包括:
根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新所述动态图像数据的当前数据值和各药物关联动态参数的当前参数值;或者,
根据所述原始数据和所述动态图像迭代关系,迭代更新所述动态图像数据的当前数据值,并根据所述动态图像数据的当前数据值、所述原始数据、所述血浆输入函数和各所述动态参数迭代关系,采用交替迭代的方式更新各所述药物关联动态参数的当前参数值。
6.根据权利要求4或5所述的方法,其特征在于,在针对所述延迟时间的当前参数值的迭代过程中,根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值,包括:
根据血浆含量比、药物转入效率和药物转出效率的当前参数值以及所述腔室模型,估计各数据采集时刻对应的药物活性分布;
根据各数据采集时刻对应的所述药物活性分布和所述动态图像数据的当前数据值,采用最大似然法对延迟时间的当前参数值进行更新。
7.根据权利要求5所述的方法,其特征在于,在针对所述血浆含量比或药物转入效率的当前参数值的迭代过程中,根据所述原始数据、所述血浆输入函数、所述动态图像迭代关系和各所述动态参数迭代关系,采用交替迭代的方式更新各药物关联动态参数的当前参数值,包括:
根据血浆含量比和药物转入效率的当前参数值、动态图像数据的当前数据值和血浆输入函数,分别确定血浆含量比或药物转入效率的前次迭代时的正向计算结果、反向转置结果以及灵敏度参数;
根据血浆含量比对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述血浆含量比的当前参数值;或者,根据药物转入效率对应的正向计算结果、反向转置结果以及灵敏度参数,更新所述药物转入效率的当前参数值。
8.一种图像重建装置,其特征在于,包括:
原始数据获取模块,用于获取扫描待检测体所产生的原始数据;
腔室模型构建模块,用于获取执行扫描时所对应的血浆输入函数,并基于所述血浆输入函数构建腔室模型;其中,所述腔室模型包括延迟时间;
动态参数更新模块,用于获取至少一个药物关联动态参数的当前参数值,并根据所述原始数据和所述腔室模型对应的各动态参数迭代关系,更新至少一个药物关联动态参数的当前参数值;其中,所述药物关联动态参数包括血浆含量比、药物转入效率、药物转出效率以及延迟时间;
参数图像得到模块,用于根据更新后的各所述药物关联动态参数的当前参数值,分别得到与每个所述药物关联动态参数相应的参数图像。
9.一种医疗影像设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7任一项所述的一种图像重建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383290.5A CN110215224B (zh) | 2019-06-06 | 2019-06-06 | 图像重建方法、装置、医疗影像设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383290.5A CN110215224B (zh) | 2019-06-06 | 2019-06-06 | 图像重建方法、装置、医疗影像设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110215224A true CN110215224A (zh) | 2019-09-10 |
CN110215224B CN110215224B (zh) | 2022-11-22 |
Family
ID=67820750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910383290.5A Active CN110215224B (zh) | 2019-06-06 | 2019-06-06 | 图像重建方法、装置、医疗影像设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110215224B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768462A (zh) * | 2019-11-19 | 2020-10-13 | 上海联影医疗科技有限公司 | 图像生成系统和方法 |
US11354831B2 (en) | 2019-10-18 | 2022-06-07 | Uih America, Inc. | Image reconstruction using tracer and various parameters |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005253702A (ja) * | 2004-03-12 | 2005-09-22 | Japan Science & Technology Agency | 画像再構成方法及び装置、画像再構成プログラム |
CN106683146A (zh) * | 2017-01-11 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像重建方法和图像重建算法的参数确定方法 |
-
2019
- 2019-06-06 CN CN201910383290.5A patent/CN110215224B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005253702A (ja) * | 2004-03-12 | 2005-09-22 | Japan Science & Technology Agency | 画像再構成方法及び装置、画像再構成プログラム |
CN106683146A (zh) * | 2017-01-11 | 2017-05-17 | 上海联影医疗科技有限公司 | 一种图像重建方法和图像重建算法的参数确定方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11354831B2 (en) | 2019-10-18 | 2022-06-07 | Uih America, Inc. | Image reconstruction using tracer and various parameters |
CN111768462A (zh) * | 2019-11-19 | 2020-10-13 | 上海联影医疗科技有限公司 | 图像生成系统和方法 |
CN111768462B (zh) * | 2019-11-19 | 2024-04-16 | 上海联影医疗科技股份有限公司 | 图像生成系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110215224B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107133997B (zh) | 一种基于深度神经网络的双示踪剂pet重建方法 | |
US11445992B2 (en) | Deep-learning based separation method of a mixture of dual-tracer single-acquisition PET signals with equal half-lives | |
CN103514629B (zh) | 用于迭代重建的方法和设备 | |
Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
CN104700438B (zh) | 图像重建方法及装置 | |
CN112419303B (zh) | 神经网络训练方法、系统、可读存储介质和设备 | |
CN111383741B (zh) | 医学成像模型的建立方法、装置、设备及存储介质 | |
CN110215224B (zh) | 图像重建方法、装置、医疗影像设备和存储介质 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
CN108550172A (zh) | 一种基于非局部特性和全变分联合约束的pet图像重建方法 | |
CN106204674A (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
CN112365560A (zh) | 基于多级网络的图像重建方法、系统、可读存储介质和设备 | |
CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
Agger et al. | Anatomically correct assessment of the orientation of the cardiomyocytes using diffusion tensor imaging | |
CN107220924B (zh) | 一种基于gpu加速pet图像重建的方法 | |
CN110717951B (zh) | 一种基于cGANs的PET图像直接重建方法 | |
CN110047116A (zh) | Pet图像校正方法、装置、计算机设备和存储介质 | |
WO2023169565A1 (zh) | 一种图像配准方法和系统 | |
CN115861205A (zh) | Pet参数确定方法、装置、设备和存储介质 | |
CN106548473B (zh) | 一种构建相位图像的方法及装置 | |
CN113712583B (zh) | 死时间校正方法、装置、计算机设备和存储介质 | |
CN108873047A (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
Wu et al. | Automated multi-channel segmentation for the 4D myocardial velocity mapping cardiac MR | |
Chernyshov et al. | Automated Segmentation and Quantification of the Right Ventricle in 2-D Echocardiography |
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, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |