CN110599472B - 计算spect定量断层图像中suv归一化系数的方法及系统 - Google Patents
计算spect定量断层图像中suv归一化系数的方法及系统 Download PDFInfo
- Publication number
- CN110599472B CN110599472B CN201910827035.5A CN201910827035A CN110599472B CN 110599472 B CN110599472 B CN 110599472B CN 201910827035 A CN201910827035 A CN 201910827035A CN 110599472 B CN110599472 B CN 110599472B
- Authority
- CN
- China
- Prior art keywords
- image
- spect
- average
- human body
- radioactivity
- 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
Links
- 238000002603 single-photon emission computed tomography Methods 0.000 title claims abstract description 186
- 238000010606 normalization Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 98
- 230000002285 radioactive effect Effects 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 239000012217 radiopharmaceutical Substances 0.000 claims abstract description 44
- 230000002799 radiopharmaceutical effect Effects 0.000 claims abstract description 44
- 229940121896 radiopharmaceutical Drugs 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 24
- 230000005855 radiation Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 27
- 238000003384 imaging method Methods 0.000 claims description 20
- 238000013178 mathematical model Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 210000003484 anatomy Anatomy 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 abstract description 17
- 239000007924 injection Substances 0.000 abstract description 17
- 238000007796 conventional method Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 description 18
- 238000003325 tomography Methods 0.000 description 11
- 229940079593 drug Drugs 0.000 description 10
- 230000037396 body weight Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000037406 food intake Effects 0.000 description 8
- 238000002600 positron emission tomography Methods 0.000 description 8
- 238000011109 contamination Methods 0.000 description 4
- 230000027939 micturition Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000005258 radioactive decay Effects 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 238000007469 bone scintigraphy Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012216 imaging agent Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- A61B6/52—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- High Energy & Nuclear Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了计算SPECT定量断层图像中SUV归一化系数的方法及系统,包括以下步骤:步骤A,对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,步骤B,对平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正;步骤C,计算步骤B得出的二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值。相对于基于注射剂量和病人体重的常规方法,本方法提升SUV归一化系数计算的准确性,实现全自动读取和操作,可靠性更高,可追溯性更强。
Description
技术领域
本发明涉及核医学成像技术领域,尤其涉及计算SPECT定量断层图像中SUV归一化系数的方法及系统。
背景技术
标准摄取值(standardized uptake value,SUV),是正电子断层成像(PET)在肿瘤图像分析中常用的半定量指标,具体是指局部组织摄取的显像剂的放射性活度浓度与全身注射活度平均浓度的比值,如下文公式所示:
其中,r为PET定量图像所揭示的某感兴趣区(ROI)的放射性药物摄取活度浓度(单位:Bq/ml),a'是注射入受检者体内总放射性药物活度经时间衰变换算到成像时间点的活度(单位:Bq),w是受检者的体重(单位:g),假设人体密度约等于水的密度1g/ml,则w数值上近似等于放射性药物在受检者体内分布的体积,因此a'/w近似等于放射性药物在受检者体内的平均活度浓度,即标准摄取值(SUV)的归一化系数。
虽然SUV作为影像分析定量指标目前广泛应用于国内外临床,但是其精度和准确性也受到很多因素的影响。在图像定量方法方面——即r的测算会受到病灶的大小、感兴趣区的勾画、设备性能、成像条件、采集模式、重建算法、操作方法(例如勾画ROI的大小)以及衰减校正等因素影响。而平均活度浓度a'/w(即SUV归一化系数)的准确性则受到受检者自身因素和操作环节两个层面的影响:受检者自身因素包括受检者脂肪含量、血糖水平、18F-FDG在血循环中的清除率以及排尿等,操作环节的因素包括注射药物剂量测量准确性、是否残留、时间记录准确性等。
进入21世纪,随着PET与SPECT技术的进步,特别是PET/CT与SPECT/CT一体机广泛应用于临床,包含衰减校正、散射校正、分辨率恢复等模块的迭代图像重建算法软件也逐渐成为临床设备的标准配置,PET与SPECT的定量成像性能有显著的提高,图像定量精度和准确性达到较高的水平。目前在图像定量方法层面仍存在的主要问题在于不同厂家设备的一致性和设备使用过程中质量控制(定期校准)。与此同时,受检者自身因素以及医护人员在放射性药物注射和受检者成像前准备等方面的因素,越来越成为潜在影响SUV准确性的主要因素。有研究表明,注射后针管中的残留放射性剂量平均可以达到总剂量的2%,个别情况可以达到20%以上,这部分残留剂量,如果不进行测量并校正,会给平均活度浓度a'/w(即SUV归一化系数)以及SUV的计算带来相应幅度的误差。其它研究表明,PET受检者尿液中排出的放射性药物剂量可以占到注射剂量的5.7%到15.2%,这部分剂量如果不能在SUV计算中进行正确的校正,会导致不同病人之间的定量标准差异化,并对同一病人多次显像结果的评估带来一定的误差。
上述影响PET成像SUV值定量精度的受检者因素以及医护人员操作因素,在SPECT定量显像中同样存在,甚至可能更为突出。举例如下,注射药物在病人体表中的残留;在行99mTc-MDP骨扫描时,从注射到扫描间隔时间为2小时左右,不同受检者会有不同的排尿情况;一些新型的SPECT放射性肿瘤显像药物,如99mTc-3PRGD2,其主要通过泌尿系统排除体外,因此在药物在尿液中迅速累积较高的放射性活度,并在1小时左右需进行排尿。上述情况均会较大程度上影响利用注射剂量与受检者体重比值计算受检者体内摄取放射性药物活度平均浓度(即SUV归一化系数),进而影响计算SUV值的准确性。
在临床常用肿瘤成像中,SPECT采集规程通常与PET不同,PET通常直接对受检者行多床位三维断层扫描,然后拼接获得全身三维断层图像;而SPECT通常先对受检者行全身平片扫描,获得前后位全身平片图像,然后由医生判断,根据临床需要行局部断层扫描,获取局部三维断层图像,即SPECT断层图像。SUV值计算是针对此局部三维断层图像。目前临床应用的主流SPECT/CT一体机设备均提供定量重建算法软件,应用其可重建出像素值单位为Bq/ml的定量断层图像。但受实际需求和工作条件的限制,大部分SPECT肿瘤显像在临床实践中不精确记录受检者药物注射剂量和称测体重,因此,采用类似PET显像中的方法测算受检者体内注射药物的平均活度浓度进而计算SUV值在可行性上受到一定的限制。
发明内容
本发明的目的在于提出计算SPECT定量断层图像中SUV归一化系数的方法及系统,以解决SPECT显像中因注射剂量不准确、相关记录缺失、病人显像前排尿等因素造成的基于注射剂量和病人体重的常规方法失准,导致无法精确定量计算SPECT断层图像中感兴趣区SUV值的问题。
为达此目的,本发明采用以下技术方案:
一种计算SPECT定量断层图像中SUV归一化系数的方法,包括以下步骤:
步骤A,对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
步骤B,对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
步骤C,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
优选地,步骤A中,所述平均图像为通过计算所述前位平片图像和后位平片图像中所有空间位置相对应像素的像素值的几何平均值或算术平均值得出。
优选地,步骤A中有效放射性摄取区域的获取具体为:
先通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
然后,通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域;
接着,通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
优选地,步骤B中所述二维放射性摄取活度定量图像的获取具体为:
步骤B1,进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
步骤B2,进行探测效率校正,从所述SPECT全身平片图像的Dicom数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
步骤B3,进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对步骤B2获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
优选地,步骤B3中,假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,建立SPECT投影数据采集数学模型:
其中,Pi,i∈I0为所述平均图像中有效放射性摄取区域I0包含的所有像素的像素值,i为像素索引编号;d为SPECT全身平片图像图形像素的边长,从SPECT全身平片图像的Dicom数据文件头信息中读取;bi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度;scol为探测器灵敏度,scol数值从SPECT采集设备和准直器的产品参数说明表中获得;t为从SPECT全身平片图像的Dicom数据文件头信息中读取的等效采集时间;μi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均线性衰减系数;ni为平均图像中像素i对应的人体放射性摄取部位沿前后位方向以边长d为采样尺寸进行一维离散化后所得到的体素数目,即该人体放射性摄取部位的前后方向厚度除以边长d得出。
优选地,步骤B3中,所述SPECT投影数据采集数学模型中μi和ni的估算值为通过步骤B1获得,具体为:
对于有局部CT断层图像的人体部位,将该人体部位的局部CT断层图像通过双线性变换转化成对应SPECT成像用140keV伽玛光子的衰减系数图表,根据所述衰减系数图表计算其所涵盖的有效放射性摄取区域的平均线性衰减系数μi、体素数目ni和前后位方向累积衰减系数exp(-μinid);
对于缺乏局部CT断层图像的人体部位,将SPECT全身平片图像和基于数字人模型的三维衰减系数图表进行配准,得到前后位方向累积衰减系数平片图表,即exp(-μinid),i∈I0;
然后,将受检者的局部CT断层图像与基于数字人模型的三维衰减系数图表进行三维配准,获得最匹配受检者局部CT断层图像的解剖部位,从而得到所述SPECT投影数据采集数学模型与受检者之间对应部位的前后位方向厚度比例系数,将所述前后位方向厚度比例系数应用于三维数字人模型中未被受检者局部CT断层图像覆盖的解剖部位,进而得到受检者全身各部位的厚度估算值,即nid,i∈I0,从而求解出所有有效放射性摄取区域的平均线性衰减系数μi;
所述步骤B3中,根据所述SPECT投影数据采集数学模型得出平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度bi为:
优选地,所述步骤C具体为:
步骤C1,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并用SPECT全身平片图像的Dicom数据文件头信息中包含的像素尺寸进行体积归一化,得出SPECT全身平片图像的采集中间时刻人体内的平均放射性活度浓度;
步骤C2,根据受检者的SPECT断层图像数据与SPECT全身平片图像的Dicom数据文件头信息中的采集时间间隔进行衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值:
其中,t1为SPECT全身平片图像的采集中间时刻,t2 SPECT断层图像的采集中间时刻,λ为放射性核素衰变系数;
步骤C3,获得的所述摄取放射性药物活度平均浓度值b即为用于计算SPECT定量断层图像的标准摄取值的归一化系数,将所述摄取放射性药物活度平均浓度值b用于SPECT断层物理定量图像的归一化,即可得出以SUV值为量纲的SPECT定量断层图像,并对所述SPECT定量断层图像中任一感兴趣区的SUV值进行计算评估。
优选地,一种计算SPECT定量断层图像中SUV归一化系数的系统,包括:
有效放射性摄取区域计算模块,用于对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
二维放射性摄取活度定量图像计算模块,用于对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
和摄取放射性药物活度平均浓度值计算模块,用于计算所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
优选地,所述有效放射性摄取区域计算模块包括:
第一子模块,用于通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
第二子模块,用于通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域;
和第三子模块,用于通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
优选地,二维放射性摄取活度定量图像计算模块包括:
第四子模块,用于进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
第五子模块,用于进行探测效率校正,从所述SPECT全身平片图像的Dicom数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
和第六子模块,用于进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
所述计算SPECT定量断层图像中SUV归一化系数的方法,与现有的基于注射药物剂量与体重的计算方法相比有两个优势:
在准确性方面,本发明避免了药物注射剂量操作和记录误差影响SUV值计算精度,同时可以根据临床使用习惯和病人实际情况在平片图像层面对一些特殊因素——如膀胱摄取、体表放射性污染残留等进行校正和补偿,比如分割出预先定义的无效放射性摄取区域,从而提升SUV归一化系数计算的准确性,进而提升SUV值计算的准确性;
在可靠性方面,由于本发明的算法的全部输入数据都源自SPECT设备输出的Dicom图像数据和文件头信息,可实现全自动读取和操作,完全无需人员手动操作并留存单独记录,因此可靠性更高,可追溯性更强。
附图说明
附图对本发明做进一步说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明其中一个实施例的计算流程示意图;
图2是本发明其中一个实施例的利用前后位全身平片图像计算平均图像并分割出人体全部放射性摄取区域的示例图,其中图2(a)为前位、后位全身平片图像,图2(b)为平均图像,图2(c)为人体全部放射性摄取区域图;
图3是本发明其中一个实施例的自动检测出SPECT全身平片扫描图像中膀胱摄取和体表注射残留等无效放射性摄取区域的示例图,其中图3(a)为无效放射性摄取区域图,图3(b)为检出无效放射性摄取区域示例图,图3(c)为分割无效放射性摄取区域示例图;
图4是本发明其中一个实施例的基于放射性药物和人体衰减系数沿前后位方向均匀分布假设的SPECT投影数据采集数学模型示例图;
图5是本发明其中一个实施例的生成对应全部人体有效放射性摄取区域的累积衰减系数平片图表的方法流程示例图;
图6是本发明其中一个实施例的估算人体各部位沿前后位方向的平均线性衰减系数和厚度尺寸的方法示例图,其中图6(a)至图6(g)为应用数字人模型的全身三维衰减系数图表,图6(h)至图6(j)为局部CT断层图像;
图7是本发明其中一个实施例的验证本方法计算受检者体内摄取放射性药物活度平均浓度值与传统方法相关性结果的示例图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例1
本实施例的计算SPECT定量断层图像中SUV归一化系数的方法,如图1所示,包括以下步骤:
步骤A,如图2(a)、图2(b)所示,对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
步骤B,对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
步骤C,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
所述计算SPECT定量断层图像中SUV归一化系数的方法通过临床常规进行的SPECT全身平片扫描图像定量计算出受检者体内的摄取放射性药物活度平均浓度值,来作为对同一次或相近时间点的断层扫描的定量三维断层图像像素值进行归一化的系数,进而计算出SPECT定量断层图像中感兴趣区的SUV值。与现有的基于注射药物剂量与体重的计算方法相比有两个优势:
在准确性方面,本方法避免了药物注射剂量操作和记录误差影响SUV值计算精度,同时可以根据临床使用习惯和病人实际情况在平片图像层面对一些特殊因素——如膀胱摄取、体表放射性污染残留等进行校正和补偿,比如分割出预先定义的无效放射性摄取区域,从而提升SUV归一化系数计算的准确性,进而提升SUV值计算的准确性;
在可靠性方面,由于本方法的算法的全部输入数据都源自SPECT设备输出的Dicom图像数据和文件头信息,可实现全自动读取和操作,完全无需人员手动操作并留存单独记录,因此可靠性更高,可追溯性更强。
优选地,步骤A中,所述平均图像为通过计算所述前位平片图像和后位平片图像中所有空间位置相对应像素的像素值的几何平均值或算术平均值得出。
具体计算过程如下:
其中,A为前位平片图像,B为后位平片图像,P为平均图像,i=1,2,…,I,为前位平片图像的全部像素索引编号或后位平片图像的全部像素索引编号。在计算平均图像前,对前位平片图像或后位平片图像进行反转或平移操作,使相同像素编号对应的是人体同一部位分别在前位和后位的投影。
优选地,步骤A中有效放射性摄取区域的获取具体为:
先通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
然后,通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域,如图3(b)所示;
接着,通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,如图3(c)所示,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
在所得的平均图像中包含两部分,分别对应人体摄取放射性药物分布的前景和对应本底噪声的背景。因此需要对平均图像应用阈值(threshhold)、轮廓检测、分水岭算法(watershed)、区域生长(region growing)算法或水平集(level set)等现有的图像分割算法,分割出对应人体全部的放射性药物摄取的前景区域,即分割出所述平均图像中对应人体摄取放射性的全部区域,如图2(c)所示。
在如图2(c)所示的对应人体全部放射性药物摄取的前景区域中,有一部分区域为无效区域,即为对于人体平均放射性活度浓度的计算无实质意义或影响计算准确性的区域,通过预先定义来划分出来,预先定义的无效放射性摄取区域可为如图3(a)所示的膀胱摄取和体表放射性沾污部分。
在平均图像中,通过图像分割方法提取受检者人体全部放射性摄取区域,进一步应用机器学习与图像分割的方法检测并分割出预先定义的无效放射性摄取区域,将所得无效放射性摄取区域从上述受检者全部放射性摄取区域中排除,得到平均图像中的有效放射性摄取区域。深度学习或机器学习算法均为现有算法。
优选地,步骤B中所述二维放射性摄取活度定量图像的获取具体为:
步骤B1,进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
步骤B2,进行探测效率校正,从所述SPECT全身平片图像的Dicom数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
步骤B3,进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对步骤B2获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
在步骤B与步骤C中,从Dicom数据文件头中自动读取SPECT采集设备类型、准直器类型、图像像素尺寸、全身平片与断层扫描时间间隔、全身平片等效扫描时间等采集参数,用于对图像进行探测灵敏度、采集时间和放射性衰变以及体积归一化校正,从而精确计算受检者体内摄取放射性药物活度平均浓度值。
步骤B3,进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间(单位:s),对步骤B2获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位沿前后位方向(即垂直于全身平片图像采集中探测器平面的方向)的二维放射性摄取活度定量图像(单位:Bq)。
优选地,步骤B3中,假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,如图4所示,建立SPECT投影数据采集数学模型:
其中,Pi,i∈I0为所述平均图像中有效放射性摄取区域I0包含的所有像素的像素值,i为像素索引编号;d为SPECT全身平片图像图形像素的边长,从SPECT全身平片图像的Dicom数据文件头信息中读取;bi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度;scol为探测器灵敏度,scol数值从SPECT采集设备和准直器的产品参数说明表中获得;t为从SPECT全身平片图像的Dicom数据文件头信息中读取的等效采集时间;μi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均线性衰减系数;ni为平均图像中像素i对应的人体放射性摄取部位沿前后位方向以边长d为采样尺寸进行一维离散化后所得到的体素数目,即该人体放射性摄取部位的前后方向厚度除以边长d得出。
因为人体内的放射性摄取和衰减系数的差异化分布对最终的平均结果影响程度不大,因此可假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,则由人体内三维放射性药物分布转化为平片投影数据的物理过程,可近似为等比数列求和问题,便于精确计算出摄取放射性药物活度平均浓度值。
d为SPECT全身平片图像图形像素的边长,从SPECT全身平片图像的Dicom数据文件头信息中读取,此处采用以d为边长的体素对人体三维放射性药物分布进行离散化。bi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度,即为平均图像中像素i对应的人体放射性摄取部位沿前后位方向平均所得单位体素内的放射性活度摄取值。scol为探测器灵敏度,定义为人体中某点发出的伽玛光子数(不考虑衰减散射效应)经准直器准直后被探测器探测到的概率,scol数值跟SPECT采集设备类型和准直器类型有关,SPECT采集设备类型和准直器类型的信息可以从Dicom数据文件头信息中获得,再进一步通过厂家提供的产品参数说明表查出scol数值。求得μi和ni的估算值是从SPECT投影数据采集数学模型求解bi的前提条件。
优选地,步骤B3中,所述SPECT投影数据采集数学模型中μi和ni的估算值为通过步骤B1获得,具体为:
对于有局部CT断层图像的人体部位,将该人体部位的局部CT断层图像通过双线性变换转化成对应SPECT成像用140keV伽玛光子的衰减系数图表,根据所述衰减系数图表计算其所涵盖的有效放射性摄取区域的平均线性衰减系数μi、体素数目ni和前后位方向累积衰减系数exp(-μinid);
对于缺乏局部CT断层图像的人体部位,如图5所示,将SPECT全身平片图像和基于数字人模型的三维衰减系数图表进行配准,得到前后位方向累积衰减系数平片图表,即exp(-μinid),i∈I0;
然后,如图6(a)至图6(j)所示,将受检者的局部CT断层图像与基于数字人模型的三维衰减系数图表进行三维配准,获得最匹配受检者局部CT断层图像的解剖部位,从而得到所述SPECT投影数据采集数学模型与受检者之间对应部位的前后位方向厚度比例系数,将所述前后位方向厚度比例系数应用于三维数字人模型中未被受检者局部CT断层图像覆盖的解剖部位,进而得到受检者全身各部位的厚度估算值,即nid,i∈I0,从而求解出所有有效放射性摄取区域的平均线性衰减系数μi;
所述步骤B3中,根据所述SPECT投影数据采集数学模型得出平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度bi为:
本方法应用于全身平片结合局部SPECT/CT的定量断层扫描数据,在此情况下,可先对有局部CT断层图像的人体部位,将该人体部位的局部CT断层图像通过双线性变换转化成对应SPECT成像用140keV伽玛光子的衰减系数图表,根据所述衰减系数图表计算其所涵盖的有效放射性摄取区域的平均线性衰减系数μi、体素数目ni和前后位方向累积衰减系数exp(-μinid);
对于缺乏局部CT断层图像的人体部位,如图5所示,首先采用核医学和放疗领域常用得数字人模型(如XCAT phantom等),生成数字人的全身三维衰减系数图表,将该基于数字人模型的三维衰减系数图表按前后位方向投影,得到基于数字人模型的累积衰减系数平片图表,并将其与受检者的SPECT全身平片图像配准,得到受检者的前后位方向累积衰减系数平片图表,即exp(-μinid),i∈I0。
进一步,将受检者的局部CT断层图像与基于数字人模型的三维衰减系数图表进行三维配准,首先找到最匹配受检者局部CT断层图像的解剖部位,进而得到所述SPECT投影数据采集数学模型与受检者之间对应部位的前后位方向厚度比例系数,将所述前后位方向厚度比例系数应用于三维数字人模型中未被受检者局部CT断层图像覆盖的解剖部位,进而得到受检者全身各部位的厚度数值,即nid,i∈I0,基于以上方法求得的exp(-μinid)和nid,则可求解出所有有效放射性摄取区域的平均线性衰减系数μi。从而根据所述SPECT投影数据采集数学模型可推导出bi。
优选地,所述步骤C具体为:
步骤C1,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并用SPECT全身平片图像的Dicom数据文件头信息中包含的像素尺寸进行体积归一化,得出SPECT全身平片图像的采集中间时刻人体内的平均放射性活度浓度;
步骤C2,根据受检者的SPECT断层图像数据与SPECT全身平片图像的Dicom数据文件头信息中的采集时间间隔进行衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值:
其中,t1为SPECT全身平片图像的采集中间时刻,t2 SPECT断层图像的采集中间时刻,λ为放射性核素衰变系数;
步骤C3,获得的所述摄取放射性药物活度平均浓度值b即为用于计算SPECT定量断层图像的标准摄取值的归一化系数,将所述摄取放射性药物活度平均浓度值b用于SPECT断层物理定量图像的归一化,即可得出以SUV值为量纲的SPECT定量断层图像,并对所述SPECT定量断层图像中任一感兴趣区的SUV值进行计算评估。
在步骤C中,计算步骤B中得出的一维平均放射性活度图像针对所有人体有效摄取部位(步骤A得出)的平均值,并应用SPECT全身平片图像的Dicom数据文件头信息中包含的像素尺寸进行体积归一化,得出SPECT全身平片图像的采集中间时刻人体内的平均放射性活度浓度;
再根据SPECT断层图像数据与SPECT全身平片图像的Dicom数据文件头信息中的采集时间间隔进行放射性衰变校正,得到断层采集中间时刻的人体内摄取放射性药物活度平均浓度值(单位:Bq/ml)——即计算定量断层图像摄取值的归一化系数,将其用于SPECT断层物理定量图像(像素值单位Bq/ml)的归一化,即可得出以SUV值为量纲的SPECT定量断层图像,进而可以对任意感兴趣区的SUV值进行计算评估。
实施例2
本实施例的计算SPECT定量断层图像中SUV归一化系数的系统,包括:
有效放射性摄取区域计算模块,如图2(a)、图2(b)所示,用于对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
二维放射性摄取活度定量图像计算模块,用于对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
和摄取放射性药物活度平均浓度值计算模块,用于计算所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
所述计算SPECT定量断层图像中SUV归一化系数的系统通过临床常规进行的SPECT全身平片扫描图像定量计算出受检者体内的摄取放射性药物活度平均浓度值,来作为对同一次或相近时间点的断层扫描的定量三维断层图像像素值进行归一化的系数,进而计算出SPECT定量断层图像中感兴趣区的SUV值。与现有的基于注射药物剂量与体重的计算方法相比有两个优势:
在准确性方面,本系统避免了药物注射剂量操作和记录误差影响SUV值计算精度,同时可以根据临床使用习惯和病人实际情况在平片图像层面对一些特殊因素——如膀胱摄取、体表放射性污染残留等进行校正和补偿,比如分割出预先定义的无效放射性摄取区域,从而提升SUV归一化系数计算的准确性,进而提升SUV值计算的准确性;
在可靠性方面,由于本系统的算法的全部输入数据都源自SPECT设备输出的Dicom图像数据和文件头信息,可实现全自动读取和操作,完全无需人员手动操作并留存单独记录,因此可靠性更高,可追溯性更强。
优选地,所述有效放射性摄取区域计算模块包括:
第一子模块,用于通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
第二子模块,用于通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域,如图3(b)所示;
和第三子模块,用于通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,如图3(c)所示,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
所述平均图像为通过计算所述前位平片图像和后位平片图像中所有空间位置相对应像素的像素值的几何平均值或算术平均值得出。
具体计算过程如下:
其中,A为前位平片图像,B为后位平片图像,P为平均图像,i=1,2,…,I,为前位平片图像的全部像素索引编号或后位平片图像的全部像素索引编号。在计算平均图像前,对前位平片图像或后位平片图像进行反转或平移操作,使相同像素编号对应的是人体同一部位分别在前位和后位的投影。
优选地,二维放射性摄取活度定量图像计算模块包括:
第四子模块,用于进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
第五子模块,用于进行探测效率校正,从所述SPECT全身平片图像的Dicom数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
和第六子模块,用于进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
从Dicom数据文件头中自动读取SPECT采集设备类型、准直器类型、图像像素尺寸、全身平片与断层扫描时间间隔、全身平片等效扫描时间等采集参数,用于对图像进行探测灵敏度、采集时间和放射性衰变以及体积归一化校正,从而精确计算受检者体内摄取放射性药物活度平均浓度值。
优选地,所述第六子模块还用于假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,建立以下SPECT投影数据采集数学模型:
其中,Pi,i∈I0为所述平均图像中有效放射性摄取区域I0包含的所有像素的像素值,i为像素索引编号;d为SPECT全身平片图像图形像素的边长,从SPECT全身平片图像的Dicom数据文件头信息中读取;bi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度;scol为探测器灵敏度,scol数值从SPECT采集设备和准直器的产品参数说明表中获得;t为从SPECT全身平片图像的Dicom数据文件头信息中读取的等效采集时间;μi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均线性衰减系数;ni为平均图像中像素i对应的人体放射性摄取部位沿前后位方向以边长d为采样尺寸进行一维离散化后所得到的体素数目,即该人体放射性摄取部位的前后方向厚度除以边长d得出。
因为人体内的放射性摄取和衰减系数的差异化分布对最终的平均结果影响程度不大,因此可假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,则由人体内三维放射性药物分布转化为平片投影数据的物理过程,可近似为等比数列求和问题,便于精确计算出摄取放射性药物活度平均浓度值。
优选地,所述第六子模块中的μi和ni的估算值为通过所述第四子模块获得,所述第四子模块具体用于:
对于有局部CT断层图像的人体部位,将该人体部位的局部CT断层图像通过双线性变换转化成对应SPECT成像用140keV伽玛光子的衰减系数图表,根据所述衰减系数图表计算其所涵盖的有效放射性摄取区域的平均线性衰减系数μi、体素数目ni和前后位方向累积衰减系数exp(-μinid);
对于缺乏局部CT断层图像的人体部位,将SPECT全身平片图像和基于数字人模型的三维衰减系数图表进行配准,得到前后位方向累积衰减系数平片图表,即exp(-μinid),i∈I0;
然后,将受检者的局部CT断层图像与基于数字人模型的三维衰减系数图表进行三维配准,获得最匹配受检者局部CT断层图像的解剖部位,从而得到所述SPECT投影数据采集数学模型与受检者之间对应部位的前后位方向厚度比例系数,将所述前后位方向厚度比例系数应用于三维数字人模型中未被受检者局部CT断层图像覆盖的解剖部位,进而得到受检者全身各部位的厚度估算值,即nid,i∈I0,从而求解出所有有效放射性摄取区域的平均线性衰减系数μi;
所述第六子模块还用于根据所述SPECT投影数据采集数学模型得出平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度bi为:
优选地,所述摄取放射性药物活度平均浓度值计算模块包括:
第七子模块,用于计算所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并用SPECT全身平片图像的Dicom数据文件头信息中包含的像素尺寸进行体积归一化,得出SPECT全身平片图像的采集中间时刻人体内的平均放射性活度浓度;
第八子模块,用于根据受检者的SPECT断层图像数据与SPECT全身平片图像的Dicom数据文件头信息中的采集时间间隔进行衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值:
其中,t1为SPECT全身平片图像的采集中间时刻,t2 SPECT断层图像的采集中间时刻,λ为放射性核素衰变系数;
和第九子模块,用于将获得的所述摄取放射性药物活度平均浓度值b用于SPECT断层物理定量图像的归一化,即可得出以SUV值为量纲的SPECT定量断层图像,并对所述SPECT定量断层图像中任一感兴趣区的SUV值进行计算评估。
实施例3
本实施例将实施例1所述的方法应用于两组应用99mTc-3PRGD2进行SPECT显像的临床试验受试者,两组受试者来自不同医学中心——clinical center1和clinicalcenter2,其中来自clinical center1的受试者为临床诊断乳腺癌患者组,来自clinicalcenter2的受试者为健康志愿者组。两组受试者均进行了SPECT全身平片与至少一个部位的局部断层SPECT显像,并在显像前记录了注射剂量、注射时间与受试者体重。将采用实施例1所述的方法计算所得的受检者体内的摄取放射性药物活度平均浓度值与采用传统的注射剂量除以体重方法得出的平均浓度进行相关性分析,如图7所示,两组受试者均得到了较好的相关性,并且相关系数很接近,证明了实施例1所述的方法的有效性。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于,包括以下步骤:
步骤A,对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
步骤B,对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
步骤C,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
2.根据权利要求1所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于:步骤A中,所述平均图像为通过计算所述前位平片图像和后位平片图像中所有空间位置相对应像素的像素值的几何平均值或算术平均值得出。
3.根据权利要求1所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于,步骤A中有效放射性摄取区域的获取具体为:
先通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
然后,通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域;
接着,通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
4.根据权利要求1所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于,步骤B中所述二维放射性摄取活度定量图像的获取具体为:
步骤B1,进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
步骤B2,进行探测效率校正,从所述SPECT全身平片图像的Dicom数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
步骤B3,进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对步骤B2获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
5.根据权利要求4所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于:
步骤B3中,假设人体不同部位的放射性药物和衰减系数沿前后位方向均匀分布,建立SPECT投影数据采集数学模型:
其中,Pi,i∈I0为所述平均图像中有效放射性摄取区域I0包含的所有像素的像素值,i为像素索引编号;d为SPECT全身平片图像图形像素的边长,从SPECT全身平片图像的Dicom数据文件头信息中读取;bi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度;scol为探测器灵敏度,scol数值从SPECT采集设备和准直器的产品参数说明表中获得;t为从SPECT全身平片图像的Dicom数据文件头信息中读取的等效采集时间;μi为平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均线性衰减系数;ni为平均图像中像素i对应的人体放射性摄取部位沿前后位方向以边长d为采样尺寸进行一维离散化后所得到的体素数目,即该人体放射性摄取部位的前后方向厚度除以边长d得出。
6.根据权利要求5所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于,步骤B3中,所述SPECT投影数据采集数学模型中μi和ni的估算值为通过步骤B1获得,具体为:
对于有局部CT断层图像的人体部位,将该人体部位的局部CT断层图像通过双线性变换转化成对应SPECT成像用140keV伽玛光子的衰减系数图表,根据所述衰减系数图表计算其所涵盖的有效放射性摄取区域的平均线性衰减系数μi、体素数目ni和前后位方向累积衰减系数exp(-μinid);
对于缺乏局部CT断层图像的人体部位,将SPECT全身平片图像和基于数字人模型的三维衰减系数图表进行配准,得到前后位方向累积衰减系数平片图表,即exp(-μinid),i∈I0;
然后,将受检者的局部CT断层图像与基于数字人模型的三维衰减系数图表进行三维配准,获得最匹配受检者局部CT断层图像的解剖部位,从而得到所述SPECT投影数据采集数学模型与受检者之间对应部位的前后位方向厚度比例系数,将所述前后位方向厚度比例系数应用于三维数字人模型中未被受检者局部CT断层图像覆盖的解剖部位,进而得到受检者全身各部位的厚度估算值,即nid,i∈I0,从而求解出所有有效放射性摄取区域的平均线性衰减系数μi;
所述步骤B3中,根据所述SPECT投影数据采集数学模型得出平均图像中像素i对应的人体放射性摄取部位沿前后位方向的平均放射性摄取活度bi为:
7.根据权利要求5所述的计算SPECT定量断层图像中SUV归一化系数的方法,其特征在于,所述步骤C具体为:
步骤C1,计算步骤B得出的所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并用SPECT全身平片图像的Dicom数据文件头信息中包含的像素尺寸进行体积归一化,得出SPECT全身平片图像的采集中间时刻人体内的平均放射性活度浓度;
步骤C2,根据受检者的SPECT断层图像数据与SPECT全身平片图像的Dicom数据文件头信息中的采集时间间隔进行衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值:
其中,t1为SPECT全身平片图像的采集中间时刻,t2为SPECT断层图像的采集中间时刻,λ为放射性核素衰变系数;
步骤C3,获得的所述摄取放射性药物活度平均浓度值b即为用于计算SPECT定量断层图像的标准摄取值的归一化系数,将所述摄取放射性药物活度平均浓度值b用于SPECT断层物理定量图像的归一化,即可得出以SUV值为量纲的SPECT定量断层图像,并对所述SPECT定量断层图像中任一感兴趣区的SUV值进行计算评估。
8.一种计算SPECT定量断层图像中SUV归一化系数的系统,其特征在于,包括:
有效放射性摄取区域计算模块,用于对受检者的全身平片扫描所获得的前位平片图像和后位平片图像求取平均图像,在所述平均图像中分割出与受检者体内有效放射性摄取部位对应的区域,并定义为有效放射性摄取区域;
二维放射性摄取活度定量图像计算模块,用于对所述平均图像中的有效放射性摄取区域内的每个像素值进行人体衰减系数、探测效率和采集时间校正,计算出每个像素对应的人体部位沿前后位方向的平均放射性摄取活度,进而得出与所述平均图像对应的人体各部位沿前后位方向平均后的二维放射性摄取活度定量图像,所述人体衰减系数为某个像素值对应的人体部位的平均线性衰减系数;
和摄取放射性药物活度平均浓度值计算模块,用于计算所述二维放射性摄取活度定量图像针对所有有效放射性摄取区域的平均值,并进行体积归一化和衰变时间校正,得出受检者体内的摄取放射性药物活度平均浓度值,即得出用于计算SPECT定量断层图像的SUV归一化系数。
9.根据权利要求8所述的计算SPECT定量断层图像中SUV归一化系数的系统,其特征在于,所述有效放射性摄取区域计算模块包括:
第一子模块,用于通过基于阈值或纹理特征的图像分割方法分割出所述平均图像中对应人体摄取放射性的全部区域;
第二子模块,用于通过深度学习或机器学习算法检测出所述平均图像中预先定义的无效放射性摄取区域;
和第三子模块,用于通过水平集分割算法或基于深度学习的分割算法将检测到的所有无效放射性摄取区域分割出来,并在所述平均图像中将所述无效放射性摄取区域对应的图像像素值设置为0或周边区域的平均值,从而获得所述平均图像中的有效放射性摄取区域。
10.根据权利要求8所述的计算SPECT定量断层图像中SUV归一化系数的系统,其特征在于,二维放射性摄取活度定量图像计算模块包括:
第四子模块,用于进行人体衰减系数校正,应用受检者的SPECT全身平片图像、局部CT断层图像与基于数字人模型的三维衰减系数图表进行联合配准,得出对应受检者体内所有有效放射性摄取区域的平均线性衰减系数;
第五子模块,用于进行探测效率校正,从所述SPECT全身平片图像的Dicom 数据文件头信息中读取SPECT采集设备类型和准直器类型,并用来计算伽玛光子探测效率,然后用SPECT全身平片图像的像素值除以所述伽玛光子探测效率,得出人体内对应部位累计发出的伽玛光子数量;
和第六子模块,用于进行采集时间归一化校正,从受检者的SPECT全身平片图像的Dicom数据文件头信息中读取全身平片图像采集时间和SPECT断层图像采集时间,对获得的所述伽玛光子数量进行归一化计算,得出与所述平均图像对应的人体各部位放射性摄取活度三维空间分布沿前后位方向平均后的二维放射性摄取活度定量图像。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827035.5A CN110599472B (zh) | 2019-09-03 | 2019-09-03 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
US16/842,712 US11189374B2 (en) | 2019-09-03 | 2020-04-07 | Method and system for calculating SUV normalization coefficient in a SPECT quantitative tomographic image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827035.5A CN110599472B (zh) | 2019-09-03 | 2019-09-03 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599472A CN110599472A (zh) | 2019-12-20 |
CN110599472B true CN110599472B (zh) | 2021-03-02 |
Family
ID=68857330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910827035.5A Active CN110599472B (zh) | 2019-09-03 | 2019-09-03 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11189374B2 (zh) |
CN (1) | CN110599472B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110599472B (zh) | 2019-09-03 | 2021-03-02 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
TWI714440B (zh) * | 2020-01-20 | 2020-12-21 | 緯創資通股份有限公司 | 用於電腦斷層攝影的後處理的裝置和方法 |
US11688517B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Multiple operating point false positive removal for lesion identification |
US11694329B2 (en) | 2020-10-30 | 2023-07-04 | International Business Machines Corporation | Logistic model to determine 3D z-wise lesion connectivity |
US11436724B2 (en) | 2020-10-30 | 2022-09-06 | International Business Machines Corporation | Lesion detection artificial intelligence pipeline computing system |
US11749401B2 (en) | 2020-10-30 | 2023-09-05 | Guerbet | Seed relabeling for seed-based segmentation of a medical image |
US11587236B2 (en) * | 2020-10-30 | 2023-02-21 | International Business Machines Corporation | Refining lesion contours with combined active contour and inpainting |
US11688063B2 (en) | 2020-10-30 | 2023-06-27 | Guerbet | Ensemble machine learning model architecture for lesion detection |
CN113362309B (zh) * | 2021-06-08 | 2024-04-02 | 澳门大学 | 一种吸收剂量获取方法、装置、存储介质及电子设备 |
CN114533102B (zh) * | 2022-01-28 | 2022-10-25 | 深圳先进技术研究院 | 一种使用全身suv图像调查个体水平的全身代谢异常的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103099634A (zh) * | 2011-10-14 | 2013-05-15 | 美国西门子医疗解决公司 | 用于校正医学成像数据的方法和装置 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
TW201545722A (zh) * | 2014-06-11 | 2015-12-16 | Bai-Ling Hsu | 核醫單光子影像測量腫瘤標準攝取值的方法及系統 |
CN105979872A (zh) * | 2013-09-25 | 2016-09-28 | 理查德·R·布莱克 | 正电子发射断层摄影数据的病人特异性分析 |
KR20180024303A (ko) * | 2016-08-29 | 2018-03-08 | 연세대학교 산학협력단 | 감염 또는 염증성 질환의 진단을 위해 비장 또는 골수에서 포도당 또는 그의 유사체를 검출하는 방법 |
CN109978966A (zh) * | 2019-03-21 | 2019-07-05 | 江苏赛诺格兰医疗科技有限公司 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
CN110168612A (zh) * | 2017-01-06 | 2019-08-23 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影(pet)成像中改善的结果稳健性的标准化的摄取值(suv)指导的重建控制 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7876938B2 (en) * | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
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) |
CN102741707B (zh) | 2010-12-23 | 2014-04-23 | 中国科学院自动化研究所 | 基于切伦科夫效应的断层成像方法 |
CN102920537B (zh) | 2012-11-01 | 2014-12-17 | 上海理工大学 | 用于检验人体腰椎骨骼和植入物双重安全有效性的方法 |
US20140365137A1 (en) * | 2013-06-06 | 2014-12-11 | Memorial Sloan-Kettering Cancer Center | System, method and computer-accessible medium for quantifying fdg uptake on pet |
WO2015134662A2 (en) * | 2014-03-04 | 2015-09-11 | The Trustees Of Columbia University In The City Of New York | Regularization of images |
CN105310712A (zh) * | 2014-06-11 | 2016-02-10 | 许百灵 | 核医单光子影像测量肿瘤标准摄取值的方法及系统 |
CN104605875A (zh) * | 2014-11-13 | 2015-05-13 | 刘丽 | 符合线路spect肿瘤显像的定量分析技术及在肿瘤评估中的用途 |
CN108348212B (zh) * | 2015-10-28 | 2022-03-29 | 皇家飞利浦有限公司 | 用于发射断层摄影中的suv确定的设备和方法 |
WO2017223092A1 (en) * | 2016-06-21 | 2017-12-28 | New York University | System and method for in vivo detection of cerebrospinal fluid egress |
CN110599472B (zh) | 2019-09-03 | 2021-03-02 | 佛山原子医疗设备有限公司 | 计算spect定量断层图像中suv归一化系数的方法及系统 |
-
2019
- 2019-09-03 CN CN201910827035.5A patent/CN110599472B/zh active Active
-
2020
- 2020-04-07 US US16/842,712 patent/US11189374B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103099634A (zh) * | 2011-10-14 | 2013-05-15 | 美国西门子医疗解决公司 | 用于校正医学成像数据的方法和装置 |
CN105979872A (zh) * | 2013-09-25 | 2016-09-28 | 理查德·R·布莱克 | 正电子发射断层摄影数据的病人特异性分析 |
TW201545722A (zh) * | 2014-06-11 | 2015-12-16 | Bai-Ling Hsu | 核醫單光子影像測量腫瘤標準攝取值的方法及系統 |
US9092691B1 (en) * | 2014-07-18 | 2015-07-28 | Median Technologies | System for computing quantitative biomarkers of texture features in tomographic images |
KR20180024303A (ko) * | 2016-08-29 | 2018-03-08 | 연세대학교 산학협력단 | 감염 또는 염증성 질환의 진단을 위해 비장 또는 골수에서 포도당 또는 그의 유사체를 검출하는 방법 |
CN110168612A (zh) * | 2017-01-06 | 2019-08-23 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影(pet)成像中改善的结果稳健性的标准化的摄取值(suv)指导的重建控制 |
CN109978966A (zh) * | 2019-03-21 | 2019-07-05 | 江苏赛诺格兰医疗科技有限公司 | 对pet活度分布图像进行衰减校正的校正信息获取方法 |
Non-Patent Citations (2)
Title |
---|
"Gemini PET/CT137Cs及CT衰减校正对标准摄取值的影响";冯彦林 等;《中华核医学杂志》;20050630;第25卷(第3期);145 * |
"Quantitative single-photon emission computed tomography/computed tomography for technetium pertechnetate thyroid uptake measurement";Hyunjong Lee 等;《Medicine (Baltimore)》;20160708;第95卷(第27期);1-9 * |
Also Published As
Publication number | Publication date |
---|---|
CN110599472A (zh) | 2019-12-20 |
US11189374B2 (en) | 2021-11-30 |
US20210065877A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599472B (zh) | 计算spect定量断层图像中suv归一化系数的方法及系统 | |
O’Connor et al. | Single-photon emission computed tomography/computed tomography: basic instrumentation and innovations | |
Blankespoor et al. | Attenuation correction of SPECT using X-ray CT on an emission-transmission CT system: myocardial perfusion assessment | |
US7468513B2 (en) | Fast dynamic imaging protocol using a multi-head single photon emission computed tomography system | |
US7737406B2 (en) | Compensating for truncated CT images for use as attenuation maps in emission tomography | |
Luo et al. | Performance evaluation of a PEM scanner using the NEMA NU 4—2008 small animal PET standards | |
Si-Mohamed et al. | Head-to-head comparison of lung perfusion with dual-energy CT and SPECT-CT | |
US7324624B2 (en) | Shifted transmission mock for nuclear medical imaging | |
CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
US20080187094A1 (en) | Method and system for performing local tomography | |
Keyes et al. | Calculation of viable and infarcted myocardial mass from thallium-201 tomograms | |
Eberl et al. | SPECT imaging for radioaerosol deposition and clearance studies | |
JP2020091277A (ja) | 医用画像処理装置、陽電子放射断層撮像装置、医用画像処理方法及び医用画像処理プログラム | |
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 | |
IIDA et al. | Quantitation of Physiological Functional Parametric Images | |
TWI554251B (zh) | Spect骨顯像的定量分析技術及在骨評估中的用途 | |
Da Silva et al. | Absolute quantitation of myocardial activity in phantoms | |
JP6823310B2 (ja) | 被ばく線量管理方法および管理装置 | |
Da Silva et al. | Absolute in vivo quantitation of myocardial activity | |
RU2698295C1 (ru) | Способ выполнения радионуклидного остеосцинтиграфического исследования минерального обмена в костной ткани | |
Madhav et al. | Development of in vivo characterization of breast tissues through absolute attenuation coefficients using dedicated cone-beam CT | |
Jang et al. | ROC evaluation of SPECT myocardial lesion detectability with and without single iteration non-uniform Chang attenuation compensation using an anthropomorphic female phantom | |
Hasegawa et al. | Implementation and applications of a combined CT/SPECT system | |
Nye et al. | Current state of hybrid imaging: attenuation correction and fusion | |
Hwang et al. | Attenuation correction of small animal SPECT images acquired with/sup 125/I-iodorotenone |
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 |