CN110678906B - 用于定量分子成像的准确混合数据集的生成 - Google Patents
用于定量分子成像的准确混合数据集的生成 Download PDFInfo
- Publication number
- CN110678906B CN110678906B CN201880029220.3A CN201880029220A CN110678906B CN 110678906 B CN110678906 B CN 110678906B CN 201880029220 A CN201880029220 A CN 201880029220A CN 110678906 B CN110678906 B CN 110678906B
- Authority
- CN
- China
- Prior art keywords
- frame
- interest
- imaging data
- patient
- data
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 148
- 230000003902 lesion Effects 0.000 claims abstract description 118
- 238000010606 normalization Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 23
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000002600 positron emission tomography Methods 0.000 description 18
- 206010028980 Neoplasm Diseases 0.000 description 16
- 238000005457 optimization Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 11
- 238000000342 Monte Carlo simulation Methods 0.000 description 10
- 238000002059 diagnostic imaging Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 6
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 229940121896 radiopharmaceutical Drugs 0.000 description 6
- 239000012217 radiopharmaceutical Substances 0.000 description 6
- 230000002799 radiopharmaceutical effect Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 230000003278 mimic effect Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 210000003484 anatomy Anatomy 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000012857 radioactive material Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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 by the use of more than one image, e.g. averaging, subtraction
-
- 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
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
一种存储有可由成像工作站(14)读取和执行的指令非瞬态计算机可读介质，所述成像工作站包括至少一个电子处理器(16)，以执行对针对一个或多个轴向帧在对应的一个或多个床位置所采集的患者的发射成像数据进行操作的数据集生成方法(100)，所述方法包括：(a)从所述一个或多个轴向帧中识别感兴趣帧；(b)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据来生成模拟病变数据；(c)通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据；(d)确定归一化因子，所述归一化因子包括针对模拟的患者数据的定量度量的值与针对所述感兴趣帧的所采集的相同患者的针对所述发射成像数据的定量度量的值的比率；并且(e)生成混合数据集，所述混合数据集包括针对一个或多个轴向帧的在对应的一个或多个床位置所采集的患者的发射成像数据，其中感兴趣帧被通过所述归一化因子缩放的模拟病变数据与针对感兴趣帧的所采集的患者的发射成像数据的组合所代替。
Description
技术领域
以下总体涉及医学成像领域、医学图像解读领域、医学成像设备性能评估和优化领域、图像模拟领域以及相关领域。
背景技术
医学成像设备是具有多种应用的医学仪器。在定量分子成像中，成像设备用于生成关于肿瘤或其他解剖特征的定量信息。对于这样的任务，使用图像重建过程重建由医学成像设备生成的成像数据，并进一步处理所得的重建图像以生成定量信息。定量分子成像受许多参数影响，例如成像设备的空间分辨率，向患者施用的放射性药物的类型和剂量，患者的大小、体重和其他特征，肿瘤的类型和位置或所分析的其他解剖结构的特征，等等。由于大量这样的参数及其对成像结果的变化并且往往是相互交织的影响，因此用于执行定量分子成像的医学成像设备的评估和优化面临挑战。定量分子成像中使用的高级数据处理的评估需要针对评估的真实情况的知识。这样的评估包括飞行时间、分辨率恢复、正则化重建等如何影响患者研究中的肿瘤的SUV(标准化摄取值)或其他定量活性指标。
由于医学成像过程的复杂性，原则上优选使用真实的患者数据，即，实际上从具有感兴趣的肿瘤或其他解剖特征的人类对象采集的医学成像数据。然而，在真实患者数据中，肿瘤/器官摄取的绝对定量是未知的，因此评估并不真正具有真实情况来使用。
作为一种解决方法，可以对体模进行成像。体模被设计为模仿典型患者的特定区域和器官，并且可以包括可填充结构以模仿感兴趣的器官/对象，例如，包括可填充球体以模仿具有不同大小和摄取的病变。体模提供可以知晓真实情况的成像对象(例如，代表肿瘤的可填充球体可能包含被设计为输出预期的放射活性的一定量的放射性材料)。但是，体模不能精确地模拟人体解剖结构的复杂性，并且这引入了其自身关于体模的缺陷(与真实人体解剖结构相比)是否会对模拟结果产生有意义的影响的不确定性。
另一种方法是生成混合成像数据集，所述混合成像数据集将模拟肿瘤数据与实际采集的患者成像数据(例如，来自健康人类的患者)相结合。针对目标设计基础活性水平(例如SUV值)来执行肿瘤数据模拟。预期所得的混合数据集在实际获得的患者数据的临床相关背景下具有已知的肿瘤/病变定量。
在一种生成混合成像数据的方法中，将具有已知定量的人造病变添加到患者的重建体积图像中，对病变进行重新投影以生成人造病变的投影数据，并且然后将该病变投影数据添加到患者数据的投影数据以获得混合数据集。参见Asma E等人的“Accurate andconsistent lesion quantitation with clinically acceptable penalizedlikelihood images”，IEEE NSS/MIC会议记录，M23-7，第4062-4066页，2012年。另一种已知的方法是在用于患者研究的系统中填充一定大小的球体并采集悬浮在空气中的这种球体的数据。然后，将球体的采集数据添加到患者数据中，针对采集时间、患者衰减等进行缩放。参见Daube-Witherspoon等人的“Determination of accuracy and precision of lesionupdate measurement in human subject with time-of-flight PET,”J Nucl Med 2014；55:1-6。生成用于PET数据处理评估的混合数据的另一种方法是使用蒙特卡罗模拟来创建插入的病变。参见Stute S等人的LuCaS：Efficient Monte Carlo simulations of highlyrealistic PET tumor images,”IEEE NSS Conference proceedings,M06-241，2008。
以下公开了新的和改进的系统和方法。
发明内容
在一个公开的方面中，一种非瞬态计算机可读介质存储可由成像工作站读取和执行的指令，所述成像工作站包括至少一个电子处理器，以执行对针对一个或多个轴向帧的在对应的一个或多个床位置所采集的患者的发射成像数据进行操作的数据集生成方法，所述方法包括：(a)从所述一个或多个轴向帧中识别感兴趣帧；(b)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据来生成模拟病变数据；(c)通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据；(d)确定归一化因子，所述归一化因子包括针对所述模拟数据的定量度量的值与针对所述感兴趣帧的所采集的患者的所述发射成像数据的定量度量的值的比率；并且(e)生成混合数据集，所述混合数据集包括针对所述一个或多个轴向帧的在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中所述感兴趣帧被通过所述归一化因子缩放(在一些示例中，时间缩放)的所述模拟病变数据与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的组合所代替。
在另一个公开方面中，一种成像系统包括图像采集设备，所述图像采集设备被配置为采集患者的一幅或多幅图像。至少一个电子处理器被编程为：(a)从所述图像采集设备接收针对一个或多个轴向帧的在对应的一个或多个床位置采集的患者的发射成像数据；(b)从所述一个或多个轴向帧中识别感兴趣帧；(c)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据来生成模拟病变数据；(d)通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据；(e)确定归一化因子，所述归一化因子包括针对模拟数据的定量度量的值与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的定量度量的值的比率；并且(f)生成混合数据集，所述混合数据集包括针对所述一个或多个轴向帧的在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中感兴趣帧被通过所述归一化因子缩放的模拟病变数据与针对所述感兴趣帧的所采集的患者的所述发射成像数据的组合所代替。
在另一个公开方面中，一种成像系统包括图像采集设备，所述图像采集设备被配置为采集患者的一幅或多幅图像。至少一个电子处理器被编程为：(a)从所述图像采集设备接收针对一个或多个轴向帧的在对应的一个或多个床位置采集的患者的发射成像数据；(b)从所述一个或多个轴向帧中识别感兴趣帧；(c)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据来生成模拟病变数据包括使用蒙特卡罗模拟器来模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的所述发射成像数据；(d)通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据包括通过使用蒙特卡罗模拟器来模拟针对所述患者的所述感兴趣帧的发射成像数据；(e)确定归一化因子，所述归一化因子包括针对模拟数据的定量度量的值与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的定量度量的值的比率；(f)生成混合数据集，所述混合数据集包括针对所述一个或多个轴向帧的在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中所述感兴趣帧被通过所述归一化因子缩放的所述模拟病变数据与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的组合所代替。(g)重建所述混合数据集的每一帧以生成对应的帧图像；(h)将所述帧图像结合在一起以生成混合重建图像；并且(i)在显示设备上显示所述混合重建图像的与所述感兴趣帧相对应的至少部分。
一个优点在于，提供对用于定量分子成像的医学成像设备、软件和算法的改进的评估和优化。
另一优点在于，在医学成像设备采集针对一个或多个轴向帧的在对应的一个或多个床位置处的患者的发射成像数据的场景下，提供这样的改进的评估和优化。
另一个优点在于考虑到在相继的轴向帧(特别时在相邻轴向帧的结合的边界处)在对应的床位置的采集的影响，提供了这样的改进的评估和优化。
另一个优点在于提供具有模拟病变数据与采集的患者的发射成像数据的混合成像数据。
另一个优点在于提供具有混合成像数据的模拟数据，所述模拟数据被归一化以采集患者的发射成像数据。
另一个优点在于无需物理地采集病变数据即可采集患者中的模拟病变数据。
另一个优点在于在患者成像数据中插入各种大小、形状和位置的模拟病变。
另一个优点在于通过在模拟中使用患者的衰减图来在患者的不同位置提供不均匀的衰减。
给定实施例可以不提供前述优点，提供前述优点中的一个、两个、更多或全部，和/或可以提供其它优点，对于本领域普通技术人员而言，在阅读和理解了本公开后，这将变得显而易见。
附图说明
本公开可以采取各种部件和部件的布置以及各个步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，且不应被解释为限制本发明。
图1图解性地示出了根据一个方面的成像系统。
图2示出了图1的系统的操作的示例性流程图。并且
图3A-3C图解地示出了从在图1的系统上显示的混合数据集重建的示例图像。
具体实施方式
以下公开了用于生成混合数据集的方法，所述混合数据集将针对成像对象实际采集的投影数据与由蒙特卡罗模拟器模拟的肿瘤投影数据相组合。在一种方法中，将病变插入患者的重建体积图像中，然后将病变重新投影以生成人工病变的投影数据，然后将其添加到患者投影数据中。但是，当从在相应床位置的几个轴向“帧”上采集的发射成像数据生成重建的体积图像时，此方法无法准确地考虑有限的FOV的影响。该方法还无法捕获超出重建图像体积所体现的系统物理特性。与背景身体组织相比，它也不能考虑病变的可能不同的衰减。
一种改进的方法对每个相继的帧执行蒙特卡罗模拟。首先，使用采集实际患者数据时使用的实际衰减图，对没有添加病变的患者进行模拟。将模拟的患者数据集与实际采集的患者数据集(转换为SUV后)进行比较，以确定归一化因子，所述因子与模拟的患者数据和正在处理的帧的实际测量的患者数据相匹配。
再次使用患者的衰减图，针对所需活性水平的病变(对患者组织背景活性进行偏移校正)执行第二次蒙特卡罗模拟。备选地，第二模拟可以针对具有病变的患者，之后将模拟的病变数据分离出来。对用于采集实际患者数据的同一组帧进行了模拟，以捕获诸如在帧的轴向外围处灵敏度降低的效果。使用先前生成的归一化因子来缩放模拟病变数据，然后将其添加到实际患者投影数据中以生成混合投影数据集。在一种方法中，通过根据归一化因子来调整模拟的采集时间，在蒙特卡罗模拟过程中缩放病变数据。
PET扫描仪的轴向视场(FOV)通常约为15至25厘米(精确的FOV取决于PET扫描仪的几何结构，例如PET检测器环的数量和轴向宽度)。该轴向FOV不足以单次采集对患者进行全身PET扫描。因此，通过以相继的轴向步骤步进地使患者穿过PET扫描仪来进行全身PET扫描。每个步骤在本文中被称为床位置(之所以这样称呼，是因为通过相继地将患者床从一个轴向床位置移动到下一个轴向床位置来实现患者的步进的移动)。在每个床位置，都会采集一帧成像数据–该帧的轴向范围与PET扫描仪的轴向FOV相称，并且沿患者的轴向定位在当前床位置。相邻的帧通常布置为部分交叠几厘米，以确保完全覆盖患者并补偿每个帧的轴向端部的灵敏度降低。重建每个帧的PET成像数据以生成相应的“帧图像”，然后将其结合(knit)在一起(例如，考虑到外围灵敏度的降低)，以形成全身图像。
可以用重建的全身图像的相应轴向截面来识别每个轴向帧。然而，全身图像的轴向部分通常与帧图像不同，这是由于在将帧图像结合在一起以形成完整全身图像时引入的相邻帧对重建的全身图像的轴向部分的贡献。
现有技术利用连续床运动采集技术进行全身扫描。在这样的采集中，图像中确实存在轴向帧或床位置。然而，可以将数据重新分箱到虚拟帧中。模拟包可以对这样的床运动进行建模，并使用相应的虚拟帧执行其余的归一化和混合生成技术，如下面更详细描述的。
参考图1，示出了说明性医学成像系统10。如图1所示，系统10包括图像采集设备12。在一个示例中，图像采集设备12可以包括发射成像设备(例如，透射计算机断层摄影(CT)设备，正电子发射断层摄影(PET)设备，单光子发射计算机断层摄影(SPECT)设备，组合式PET/CT成像设备等)；然而，应当理解，可以使用其他合适的成像模态。系统10还包括具有典型部件的计算机或成像工作站或其他电子数据处理设备14，例如至少一个电子处理器16，至少一个用户输入设备(例如，鼠标，键盘，轨迹球和/或其他)18，以及可以在其上显示交互异常/病变插入图形用户界面(GUI)22的显示设备20。在一些实施例中，显示设备20可以是与计算机14分离的部件。工作站14可以与一个或多个数据库(未示出)进行电子通信(例如，电子病历(EMR)数据库、图片存档及通信系统(PACS)数据库等)。
如图1所示，电子处理器16被编程为执行图像采集和图像处理。例如，电子处理器16被编程为从图像采集设备12接收成像数据并且将图像分类为列表模式数据50。电子处理器16还被编程为对列表模式数据执行重建操作(以箭头表示)51，以生成重建的发射图像52，并且还根据对应的解剖图像(例如，由组合式PET/CT或SPECT/CT成像设备的CT模态生成的透射计算机断层摄影(CT)图像)来生成衰减图54。
如在图1中进一步所示，电子处理器16被编程为实现蒙特卡罗模拟器56。在本文相关的一些模拟任务中，针对由重建图像52表示的成像对象和/或针对被模拟为在成像对象中的肿瘤来模拟成像数据。通过对给定的放射性药物分布进行采样发射(例如PET 511keVγ发射对事件)来执行对发射数据的蒙特卡罗模拟。采样的分布可以是由重建的发射图像52表示的对象中的放射性药物分布，或者可以是位于对象中的(假想的)肿瘤中的放射性药物分布，或者患者和肿瘤分布的组合。蒙特卡罗模拟器56还使用衰减图54来考虑发射事件的吸收统计，利用随机采样来确定可能的结果。
蒙特卡罗模拟器56模拟针对无病变患者的发射数据58(使用发射图像52作为放射性药物分布)和针对(假想的)病变(或在替代实施例中，在针对病变的放射数据被分离出来之后患者中的病变)的发射数据58。在归一化操作60中，比较实际发射成像数据50和模拟的患者成像数据(没有植入的病变)的比较，以生成针对病变的放射线数据的归一化。通过归一化因子缩放的模拟病变数据和患者采集的发射成像数据被组合以生成混合数据集62。通常，异常/病变插入GUI 22允许手动或自动病变插入设置的灵活性，使得蒙特卡罗模拟54针对给定的临床场景确地对放射数据建模。准确的归一化过程60确保在插入患者数据后病变具有预期的定量(SUV)。患者数据的衰减调整确保了如果存在来自病变组织的额外的衰减，则可以调整患者数据。所得的混合数据集62具有插入患者数据背景的准确建模的病变数据。
混合数据集62包括列表模式数据，并且构成列表模式数据的模拟，如果该成像对象具有由蒙特卡罗模拟器56模拟的肿瘤，则将从成像对象获取列表模式数据，从所述列表模式数据获取患者数据50。使用本文公开的技术，所述模拟精确地考虑了诸如衰减和经由在对应床位置处的轴向帧采集(例如，执行全身PET扫描)的发射成像数据的轴向帧的轴向外围的较低灵敏度的影响的效应。因此，混合数据集62可以在成像设备评估和/或优化66中被不同地采用，以评估成像设备12的性能，以优化成像设备12的各个方面，例如图像重建51和/或任选图像处理，例如分辨率恢复、使用正则化、重建后图像过滤等。
至少一个电子处理器16与存储有指令非瞬态存储介质(未示出)可操作地连接，所述指令可由至少一个电子处理器16读取和执行，以执行所公开的操作51、60，并实施蒙特卡罗模拟器56，并适当地执行其他操作(例如，成像设备评估和/或优化66，和/或在一些实施例中被执行以控制成像设备12来采集数据52、54控制指令，和/或其他)。非瞬态存储介质可以例如包括硬盘驱动器、RAID或其他磁存储介质；固态驱动器、闪存驱动器、电子可擦除只读存储器(EEROM)或其他电子存储器；光盘或其他光学存储介质；它们的各种组合；等等。
说明性电子处理器16是说明性成像工作站14的一部分；然而，更一般地，所述系统可以包括以各种方式分布的一个或多个电子处理器。例如，在一个预期的实施例中，将重建的发射图像52和衰减图54存储在PACS中，并且然后由包括电子处理器(或者电子处理器的集合，可能以如云计算中的ad hoc方式组合)的网络服务器、云计算资源等来检索，其实施蒙特卡罗模拟器56和处理60来生成混合数据集62，并且任选地还有成像设备评估和/或优化66。
混合数据集的生成基于患者在相应的一个或多个床位置针对一个或多个轴向帧采集的发射成像数据。参考图2，所述混合数据集生成操作的说明性实施例被示意性地示出为流程图。在102处，从一个或多个轴向帧中识别感兴趣帧。在一些实施例中，所述一个或多个轴向帧包括在相继的床位置处的多个轴向帧。例如，针对多个轴向帧在相继的床位置处采集的患者的发射成像数据形成了全身发射成像数据集。
在104处，通过模拟放置在感兴趣帧中的至少一个模拟的(例如，充满特定活性的1cm直径的球体)病变的感兴趣帧的发射成像数据来生成模拟病变数据。操作104由蒙特卡罗模拟器56适当地执行。可以通过在没有周围活性的情况下模拟(一个或多个)病变来实施操作104(但是使用衰减图54来生成匹配的衰减/散射，如在患者数据中的)。通过模拟帧，可以适当考虑帧边缘附近灵敏度降低的影响。
在106处，通过模拟患者感兴趣帧的发射成像数据来生成模拟的帧发射成像数据。再次由蒙特卡罗模拟器56适当地执行操作106，但是这里放射性药物分布由患者的重建的发射图像52表示。操作106再次使用(相同的)衰减图54，如在操作104中使用的那样，以考虑吸收/散射。在重建的图像活性(即，发射图像52)延伸到感兴趣帧之外的情况下(通常是使用多个帧采集的全身PET扫描的情况)，蒙特卡罗模拟器56可以考虑再次利用衰减图54来考虑视场外(FOV外)活性的影响。
在变型方法中，操作104和106可以通过模拟病变以及由重建的发射图像52表示的成像对象来实现。在该方法中，每个采样的发射(例如，在PET情况下每个511keVγ对)都用其源位置标记，并且然后可以在模拟后处理中识别出病变发射数据并将其与患者成像数据分离。
在108处，确定归一化因子，所述归一化因子包括用于模拟患者数据的定量度量的值与针对感兴趣帧实际从患者采集的发射成像数据50的部分的定量度量的值的比率。例如，定量度量可以是针对感兴趣帧的所采集的成像数据和模拟的成像数据中的事件总数(即，计数)的平均活性或标准化摄取值(SUV)。与蒙特卡罗模拟器56相比，所述归一化因子考虑了实际成像设备12的灵敏度的任何差异。
在110处，生成混合数据集，所述混合数据集将具有感兴趣帧的针对一个或多个轴向帧的在对应的一个或多个床位置处采集的患者的原始发射成像数据50与通过归一化因子缩放的模拟病变数据相组合。例如，混合数据集的生成包括：当针对放置在感兴趣帧中的至少一个模拟病变的感兴趣帧的发射成像数据进行模拟时，根据归一化因子，通过调整模拟时间，来通过归一化因子缩放模拟病变数据。
在全身PET扫描或其他多帧帧数据采集时，可以针对在相继的床位置处的一个或多个轴向帧中的至少一个额外的感兴趣帧(例如，针对要插入至少一个病变的所有帧)重复操作102-110。如果(一个或多个)病变要被插入到相邻帧的交叠区域中，则需要分别针对这两个帧执行模拟操作102-110。
针对将要插入至少一个病变的所有帧重复进行的操作102-110，输出图1的混合数据集62。图2的剩余的操作112、114、116示出了的图1的成像设备的评估/优化操作66的合适的实施。
在112处，重建混合数据集的每个帧以生成对应的帧图像。重建应在评估或优化下实施图像重建处理，并且可以包括诸如重建后图像过滤之类的辅助操作。
在114处，将帧图像结合在一起以生成混合重建图像。再次，这应该采用被评估或优化的图像重建处理的帧图像融合处理，并且可以包括诸如平滑相邻帧图像的交叠部分的操作。
在116处，在显示设备20上显示与感兴趣帧相对应的混合重建图像的至少一部分。除了(或者任选地，代替)显示混合重建图像，操作116可以包括定量处理，诸如量化混合重建图像中的(一个或多个)肿瘤的SUV。理想地，这些SUV值应该与在模拟操作104中采用的假设的即模拟的病变的SUV值的“真实情况”值匹配。如果混合的重建图像在SUV值从这些真实情况值显著偏离，这意味着由成像设备12利用在操作112、114实施的重建51产生病变的图像不能准确地反映病变的真实SUV值。这可以通过改进重建来校正，或者可以启发式地校正，例如通过应用经验缩放例因子以将混合图像SUV值与已知的真实情况实SUV值进行匹配。
对于优化任务，操作112、114、116可以被重复以针对的重建参数的测试网格或其他变量进行优化，并且使用操作116针对各种选项的结果以选择最佳参数值或用于其它优化。
继续参考图1和2，图3A-3C示出了使用操作112和114产生的图像的示例。这些图像是从混合数据集生成的，其中，六个小病变70被插入到患者研究的数据中。例如，图3A示出了使用列表模式最大似然估计方法(MLEM)算法重建的图像。图3B示出了使用列表模式MLEM算法所生成的图像，其利用使用二次先验进行降噪的正则化重建。图3C示出了使用列表模式MLEM算法所生成的图像，其使用边缘保留的先验用于降噪同时保持病变对比度的正则化重建。病变的对比度和清晰度以及图像中的背景噪声清楚地表明了三种不同重建方法之间的性能差异。相反，如果没有插入病变，则只能看到不同重建方法之间的背景噪声差异。这些图像可以显示在显示设备20上。
可以理解的是，对于典型的临床研究，停滞时间(dead time)将不是一个大问题。对于高计数率研究，停滞时间的影响更大。单独的孤立病变的蒙特卡罗模拟可能无法模拟与原始患者数据相同水平的停滞时间因子。在上述归一化步骤中，可以同时使用背景和病变对数据进行模拟。并且可以从模拟数据中分离出病变和背景的事件。这样，如果总计数水平很高，则也可以对停滞时间效应正确地建模。
为了减少模拟时间，可以采用多种方法，例如执行蒙特卡罗模拟54以减少时间并将结果缩放到患者数据计数水平。缩放并不完全等同于使用完整的采集时间进行模拟，但是对于某些研究(例如SUV编号)，当计数很大时，结果是等价的。也可以将其他影响(例如衰减)包含在缩放因子中。
在这些情况下，当插入的病变引起的病变实体的衰减要大于原始数据中要合并的相应组织的衰减时，则需要特别考虑。例如，在衰减期间，首先识别来自患者数据的、与插入的病变相交的所有事件，然后沿着每个事件的方向计算出来自病变的额外衰减。生成一个随机数以确定是否要从数据中删除事件(以模拟其他衰减)。从最终数据中删除事件的可能性与所插入病变的额外衰减成正比。这样可以在肺中插入具有实际病变密度(通常接近于软组织的病变密度)的病变。
范例
以下是在电子处理器16上实施以执行公开的操作的示例算法：
步骤1：从全身患者研究中，获得重建的全身图像，将图像(灰度强度体素值)缩放为活性图(假定总活性为A)，以获得活性图(image_WB_act)；A仅需要与患者扫描开始时的活性水平大致相同，以最大程度地减少患者扫描与随后的蒙特卡罗模拟之间的停滞时间差异；
步骤2：识别图像中与感兴趣帧相对应的部分(image_Frame_act)；
步骤3：计算image_WB_act(的全身平均值(mean_WB)，并且在image_Frame_act中感兴趣的位置生成病变，假设活性为lesion_SUV*mean_WB，其中lesion_SUV是要插入患者体内的病变的期望SUV值；
·由于来自病变的列表模式数据将最终添加到采集的患者的列表模式数据中，因此病变活性应通过image_WB_act中病变位置处的值(假设lesion_act_Local即病变)来偏置，假设lesion_act_Local，即针对模拟的活性病变应为act_lesion＝lesion_SUV*mean_WB-lesion_act_Local。可以对插入的病变位置中的image_WB_act进行其他平滑处理，以减少与噪声相关的不确定性。
步骤4：使用image_Frame_act和相应的衰减图来模拟没有病变的帧的列表模式数据(LM_Frame_simu)，假设采集时间为T(或T的分数但随后适当地缩放结果以提高计算性能)；
步骤5：从患者列表模式数据中，识别与同一帧(LM_Frame)相对应的部分；
步骤6：将LM_Frame和LM_Frame_simu重建为IM_Frame和IM_Frame_simu。
步骤7：找到IM_Frame和IM_Frame_simu的总比率。这给出了模拟与真实数据之间的归一化因子：Norm1＝IM_Frame/IM_Frame_simu
步骤8：找到image_Frame_act的平均值：mean_Frame，计算全身平均值与帧平均值的比率：Norm2＝mean_WB/mean_Frame.请注意，此步骤是要处理帧的均值与整个身体的均值不同的可能性；
步骤9：通过Norm1*Norm2来缩放时间T，然后使用病变和帧的相同衰减图来模拟病变的列表模式数据(LM_Lesion_simu)，假设采集时间为T*(Norm1*Norm2)。如果要插入的病变的衰减系数与图中的衰减图的位置不同，例如在肺部插入病变的情况下，使用插入了病变的额外衰减的衰减图；
步骤10：将LM_Lesion_simu添加到LM_Frame以模拟具有真实SUV值lesion_SUV的插入病变的患者数据。
己经参考优选实施例描述了本公开。本领域技术人员通过阅读和理解前述的详细描述，可以进行各种修改和变型。目的是，本发明被理解为包括所有这样的修改和变动，只要它们落了权利要求书或其等价方案的范围之内。
Claims (14)
1.一种存储有指令的非瞬态计算机可读介质，所述指令能够由成像工作站(14)读取和运行以执行数据集生成方法，所述成像工作站包括至少一个电子处理器(16)，所述数据集生成方法对针对一个或多个轴向帧在对应的一个或多个床位置所采集的患者的发射成像数据进行操作，所述方法包括：
(a)从所述一个或多个轴向帧中识别感兴趣帧；
(b)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧的发射成像数据来生成模拟病变数据；
(c)通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据；
(d)确定归一化因子，所述归一化因子包括针对所述模拟帧发射成像数据的定量度量的值与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的定量度量的值的比率，其中，针对所述模拟帧发射成像数据的所述定量度量是所述模拟帧发射成像数据中的事件总数，并且针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的所述定量度量是针对所述感兴趣帧的所采集的所述患者的所述发射成像数据中的事件总数；并且
(e)生成混合数据集，所述混合数据集包括针对所述一个或多个轴向帧在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中，所述感兴趣帧被通过所述归一化因子缩放的所述模拟病变数据与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的组合所代替。
2.根据权利要求1所述的非瞬态计算机可读介质，其中，所述一个或多个轴向帧包括相继的床位置处的多个轴向帧；并且针对所述多个轴向帧在相继的床位置处采集的所述患者的所述发射成像数据形成全身发射成像数据集。
3.根据权利要求1和2中的任一项所述的非瞬态计算机可读介质，其中，
操作(b)使用所述患者的衰减图来执行所述模拟；并且
操作(c)使用与在操作(b)中使用的所述患者的相同的衰减图来执行所述模拟。
4.根据权利要求3所述的非瞬态计算机可读介质，其中，操作(b)包括以下中的一项：
针对放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧来模拟发射成像数据；并且
针对与所述患者一起放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧来模拟组合发射成像数据，并且然后从模拟的组合发射成像数据中分离出所述模拟病变数据。
5.根据权利要求1-4中的任一项所述的非瞬态计算机可读介质，其中，在操作(b)中还包括：
重建针对所述感兴趣帧的所采集的所述患者的所述发射成像数据，并且确定针对放置在所述感兴趣帧中的至少一个模拟病变的位置的背景活性或标准化摄取值SUV；并且
通过所述背景活性或SUV来偏置所述模拟病变的活性或SUV。
6.根据权利要求1-5中的任一项所述的非瞬态计算机可读介质，其中，操作(e)包括通过以下操作来通过所述归一化因子缩放所述模拟病变数据：根据所述归一化因子，针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧调整所述发射成像数据的模拟的时间。
7.根据权利要求1-6中的任一项所述的非瞬态计算机可读介质，其中，
操作(b)使用蒙特卡罗模拟器来模拟针对放置在所述感兴趣帧中的所述至少一个模拟病变的所述感兴趣帧的所述发射成像数据；并且
操作(c)使用所述蒙特卡罗模拟器来模拟针对所述患者的所述感兴趣帧的所述发射成像数据。
8.一种成像系统，包括：
图像采集设备(12)，其被配置为采集患者的一幅或多幅图像；
至少一个电子处理器(16)，其被编程为：
(a)从所述图像采集设备接收针对一个或多个轴向帧的在对
应的一个或多个床位置采集的患者的发射成像数据；
(b)从所述一个或多个轴向帧中识别感兴趣帧；
(c)通过模拟针对放置在所述感兴趣帧中的至少一个模拟病
变的感兴趣帧的发射成像数据来生成模拟病变数据；
(d)通过模拟针对所述患者的所述感兴趣帧的发射成像数据
来生成模拟帧发射成像数据；
(e)确定归一化因子，所述归一化因子包括针对所述模拟帧
发射成像数据的定量度量的值与针对所述感兴趣帧的所采集的所
述患者的所述发射成像数据的定量度量的值的比率，其中，针对
所述模拟帧发射成像数据的所述定量度量是所述模拟帧发射成像
数据中的事件总数，并且针对所述感兴趣帧的所采集的所述患者
的所述发射成像数据的所述定量度量是针对所述感兴趣帧的所采
集的所述患者的所述发射成像数据中的事件总数；并且
(f)生成混合数据集，所述混合数据集包括针对所述一个或
多个轴向帧的在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中，所述感兴趣帧被通过所述归一化因
子缩放的所述模拟病变数据与针对所述感兴趣帧的所采集的所述
患者的所述发射成像数据的组合所代替。
9.根据权利要求8所述的系统，其中，所述一个或多个轴向帧包括相继的床位置处的多个轴向帧；并且其中，所述图像采集设备(12)被配置为针对在相继的床位置处的所述多个轴向帧采集所述患者的所述发射成像数据以形成全身发射成像数据集。
10.根据权利要求8和9中的任一项所述的系统，其中，
通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧的发射成像数据来生成模拟病变数据包括使用所述患者的衰减图来执行所述模拟；并且
通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据包括使用所述患者的相同的衰减图来执行所述模拟。
11.根据权利要求10所述的系统，其中，通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧的发射成像数据来生成模拟病变数据包括以下中的一项；
针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧来模拟发射成像数据；并且
针对与所述患者一起放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧来模拟组合发射成像数据，并且然后从所模拟的组合发射成像数据中分离出所述模拟病变数据。
12.根据权利要求8-11中的任一项所述的系统，其中，通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的感兴趣帧的发射成像数据来生成模拟病变数据还包括：
重建针对所述感兴趣帧的所采集的所述患者的所述发射成像数据，并且确定针对放置在所述感兴趣帧中的至少一个模拟病变的位置的背景活性或标准化摄取值SUV；并且
通过所述背景活性或SUV来偏置所述模拟病变的活性或SUV。
13.根据权利要求8-12中的任一项所述的系统，其中，生成混合数据集包括针对所述一个或多个轴向帧的在所述对应的一个或多个床位置所采集的所述患者的所述发射成像数据，其中，所述感兴趣帧被通过所述归一化因子缩放的所述模拟病变数据与针对所述感兴趣帧的所采集的所述患者的所述发射成像数据的组合所代替，包括：
通过以下操作来由所述归一化因子缩放所述模拟病变数据：根据所述归一化因子，通过针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧调整所述发射成像数据的模拟的时间。
14.根据权利要求8-13中的任一项所述的系统，其中，
通过模拟针对放置在所述感兴趣帧中的至少一个模拟病变的所述感兴趣帧的发射成像数据来生成模拟病变数据包括使用蒙特卡罗模拟器来模拟放置在所述感兴趣帧中的所述至少一个模拟病变的感兴趣帧的所述发射成像数据；并且
通过模拟针对所述患者的所述感兴趣帧的发射成像数据来生成模拟帧发射成像数据包括使用所述蒙特卡罗模拟器来模拟针对所述患者的感兴趣帧的所述发射成像数据。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201762492422P | 2017-05-01 | 2017-05-01 | |
| US62/492422 | 2017-05-01 | ||
| PCT/EP2018/061083 WO2018202648A1 (en) | 2017-05-01 | 2018-05-01 | Generation of accurate hybrid datasets for quantitative molecular imaging |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110678906A CN110678906A (zh) | 2020-01-10 |
| CN110678906B true CN110678906B (zh) | 2024-04-02 |
Family
ID=62167280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201880029220.3A Active CN110678906B (zh) | 2017-05-01 | 2018-05-01 | 用于定量分子成像的准确混合数据集的生成 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11354832B2 (zh) |
| EP (1) | EP3619686B1 (zh) |
| JP (1) | JP7326160B2 (zh) |
| CN (1) | CN110678906B (zh) |
| WO (1) | WO2018202648A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021513054A (ja) * | 2018-02-02 | 2021-05-20 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 画像位置合わせ及び回帰解析を用いたシリアルポジトロンエミッショントモグラフィ（ｐｅｔ）検査における標準取り込み値（ｓｕｖ）のスケーリング差の補正 |
| CN113196340A (zh) | 2018-11-13 | 2021-07-30 | 皇家飞利浦有限公司 | 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估 |
| CN112946546B (zh) * | 2019-12-10 | 2023-10-27 | 西门子(深圳)磁共振有限公司 | 短t2组织的成像方法、系统及磁共振成像系统 |
| CN111588399B (zh) * | 2020-05-27 | 2023-05-16 | 上海联影医疗科技股份有限公司 | 医学成像设备状态监控的方法、设备和计算机设备 |
| US20230165557A1 (en) * | 2021-11-29 | 2023-06-01 | GE Precision Healthcare LLC | System and method for autonomous identification of heterogeneous phantom regions |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2360643A1 (en) * | 2010-01-15 | 2011-08-24 | Universiteit Gent | Methods and systems for image reconstruction |
| CN104271045A (zh) * | 2012-05-04 | 2015-01-07 | 皇家飞利浦有限公司 | 具有正电子发射断层摄影中的散射的符合的衰减图 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008048880A (ja) * | 2006-08-24 | 2008-03-06 | Ge Medical Systems Global Technology Co Llc | 画像作成方法 |
| EP2156408B1 (en) * | 2007-05-30 | 2021-03-17 | Koninklijke Philips N.V. | Pet local tomography |
| JP5588859B2 (ja) * | 2008-02-25 | 2014-09-10 | 株式会社日立メディコ | Ｘ線ｃｔスキャンシミュレータ及びｘ線ｃｔ装置 |
| CA2819331C (en) * | 2010-12-08 | 2021-01-12 | James Couch | Generating an estimate of patient radiation dose resulting from medical imaging scans |
| US20130202079A1 (en) * | 2012-02-07 | 2013-08-08 | Lifeng Yu | System and Method for Controlling Radiation Dose for Radiological Applications |
| US9659389B2 (en) * | 2012-05-21 | 2017-05-23 | Koninklije Philips N.V. | Fast scatter estimation in pet reconstruction |
| US9256967B2 (en) * | 2012-11-02 | 2016-02-09 | General Electric Company | Systems and methods for partial volume correction in PET penalized-likelihood image reconstruction |
| JP6071144B2 (ja) * | 2013-07-31 | 2017-02-01 | 富士フイルム株式会社 | 放射線画像解析装置および方法並びにプログラム |
| US11246543B2 (en) | 2014-11-12 | 2022-02-15 | Washington University | Systems and methods for point-of-care positron emission tomography |
| EP3292426B1 (en) | 2015-05-04 | 2020-07-01 | Koninklijke Philips N.V. | Solving outside-field of view scatter correction problem in positron emission tomography via digital experimentation |
| US9747701B2 (en) | 2015-08-20 | 2017-08-29 | General Electric Company | Systems and methods for emission tomography quantitation |
| WO2017085587A1 (en) | 2015-11-20 | 2017-05-26 | Koninklijke Philips N.V. | Pet image reconstruction and processing using lesion proxies |
-
2018
- 2018-05-01 CN CN201880029220.3A patent/CN110678906B/zh active Active
- 2018-05-01 EP EP18724791.1A patent/EP3619686B1/en active Active
- 2018-05-01 WO PCT/EP2018/061083 patent/WO2018202648A1/en unknown
- 2018-05-01 US US16/609,890 patent/US11354832B2/en active Active
- 2018-05-01 JP JP2019559335A patent/JP7326160B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2360643A1 (en) * | 2010-01-15 | 2011-08-24 | Universiteit Gent | Methods and systems for image reconstruction |
| CN104271045A (zh) * | 2012-05-04 | 2015-01-07 | 皇家飞利浦有限公司 | 具有正电子发射断层摄影中的散射的符合的衰减图 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11354832B2 (en) | 2022-06-07 |
| JP2020519863A (ja) | 2020-07-02 |
| CN110678906A (zh) | 2020-01-10 |
| US20200202591A1 (en) | 2020-06-25 |
| JP7326160B2 (ja) | 2023-08-15 |
| EP3619686A1 (en) | 2020-03-11 |
| EP3619686B1 (en) | 2022-07-06 |
| WO2018202648A1 (en) | 2018-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110678906B (zh) | 用于定量分子成像的准确混合数据集的生成 | |
| JP7203852B2 (ja) | 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 | |
| CN111448590B (zh) | 基于深度学习的散射校正 | |
| EP2210238B1 (en) | Apparatus and method for generation of attenuation map | |
| CN102483852B (zh) | 利用基于飞行时间信息逐个事件生成的图像内容的飞行时间正电子发射断层摄影重建 | |
| JP5734664B2 (ja) | 希薄化制約補正を用いた画像復元法 | |
| US20150036789A1 (en) | Reconstruction with Partially Known Attenuation Information In Time of Flight Positron Emission Tomography | |
| US11816764B2 (en) | Partial volume correction in multi-modality emission tomography | |
| CN105556507A (zh) | 使用二次似然函数进行数据统计建模的方法和系统 | |
| US20160048615A1 (en) | Method for modeling and accounting for cascade gammas in images | |
| CN107635469A (zh) | 基于pet系统中的散射符合的衰减图的估计 | |
| JP7359851B2 (ja) | 陽電子放出断層撮影（ｐｅｔ）のための人工知能（ａｉ）ベースの標準取込み値（ｓｕｖ）補正及び変動評価 | |
| HU231327B1 (hu) | Többemissziós energiák egyfotonos emissziós komputertomográfiában | |
| KR102283934B1 (ko) | Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템 | |
| Winslow et al. | Development of a simulator for radiographic image optimization | |
| US11663756B2 (en) | Scatter correction for X-ray imaging | |
| CN112204607B (zh) | 用于x射线成像的散射校正 | |
| CN116250854A (zh) | 用于基于先前成像数据的模拟放射学研究的方法和系统 | |
| Staub | Time dependent cone-beam CT reconstruction via a motion model optimized with forward iterative projection matching | |
| Pereira et al. | An evaluation of iterative reconstruction strategies on mediastinal lesion detection using hybrid Ga-67 SPECT images |
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 |