CN111402357A - 一种基于解剖先验信息的pet重建方法 - Google Patents
一种基于解剖先验信息的pet重建方法 Download PDFInfo
- Publication number
- CN111402357A CN111402357A CN202010205812.5A CN202010205812A CN111402357A CN 111402357 A CN111402357 A CN 111402357A CN 202010205812 A CN202010205812 A CN 202010205812A CN 111402357 A CN111402357 A CN 111402357A
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- reconstruction
- gray level
- matrix
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000012879 PET imaging Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012636 positron electron tomography Methods 0.000 abstract 3
- 238000002600 positron emission tomography Methods 0.000 description 20
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
Abstract
一种基于解剖先验信息的PET重建方法，涉及医学PET成像技术，该方法包括以下步骤：步骤一、获取先验图像；步骤二、提取在高维空间中表示解剖特征的函数F；步骤三、选择径向高斯核函数；步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；步骤五、最后得到重建结果，利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。
Description
技术领域
本发明涉及医学PET成像技术，具体涉及一种基于解剖先验信息的PET重建方法。
背景技术
正电子发射断层成像(Positron Emission Computed Tomography，PET)作为一种非介入的定量研究活体功能活度的工具，正越来越广泛地应用于临床诊断，尤其是疾病的早期诊断。PET空间分辨率是PET系统的核心指标之一，正电子的一些物理特性和数据采集机制的局限性，导致空间分辨率不可避免地降低，表现在图像上则为图像模糊，这制约了PET系统在某些要求高分辨领域的应用，如早期肿瘤的发现、脑功能成像等。
传统的PET图像重建方法的图像噪声高，造成定量分析效果差，影响影像诊断，为了解决上述技术问题，特提出一种新的技术方案。
发明内容
本发明提出医学PET成像技术，特别说明了一种基于解剖先验信息的PET重建方法，通过将高空间分辨率和包含准确边界信息的解剖图像的先验信息加入到PET重建模型中，从而提高PET重建图像的质量，降低了重建图像的噪声，在感兴趣区的量化方面也得到了提高。
为实现上述目的，本发明提供如下技术方案一种基于解剖先验信息的PET重建方法，该方法包括以下步骤：
步骤一、获取先验图像；
步骤二、提取在高维空间中表示解剖特征的函数F；
步骤三、选择径向高斯核函数；
步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；
步骤五、最后得到重建结果。
所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。
在得到图像在这四个方向上的灰度共生矩阵之后，需要先对每个矩阵进行归一化得到概率矩阵p(i,j,d,θ)，其中d为像素对之间的距离，θ为与横向夹角，Ng为图像的灰阶数，得到p矩阵后再计算特征。
所述的能量的计算公式为：
能量是灰度共生矩阵所有元素的平方和，用来评估图像灰度变化的均匀性，变化越均匀，fe值就越小，反之越大。
所述的对比度的计算公式为：
对比度是灰度共生矩阵的主对角线的惯性矩，它表示矩阵值的分布情况和图像灰度的局部变化。矩阵中的元素距离主对角线越远会导致的值越大，fc的值也越大。所以当图像的纹理越明显、纹理基元的对比度越高、沟纹越深时，fc的值越大。
与现有技术相比，本发明的有益效果是：利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。
附图说明
图1为本发明的结构示意图；
图2为本发明的灰度共生矩阵的像素对方向示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅各图，一种基于解剖先验信息的PET重建方法，该方法包括以下步骤：
步骤一、获取先验图像；
步骤二、提取在高维空间中表示解剖特征的函数F；
步骤三、选择径向高斯核函数；
步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；
步骤五、最后得到重建结果。
所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。
在得到图像在这四个方向上的灰度共生矩阵之后，需要先对每个矩阵进行归一化得到概率矩阵p(i,j,d,θ)，其中d为像素对之间的距离，θ为与横向夹角，Ng为图像的灰阶数，得到p矩阵后再计算特征。
所述的能量的计算公式为：
能量是灰度共生矩阵所有元素的平方和，用来评估图像灰度变化的均匀性，变化越均匀，fe值就越小，反之越大。
所述的对比度的计算公式为：
对比度是灰度共生矩阵的主对角线的惯性矩，它表示矩阵值的分布情况和图像灰度的局部变化。矩阵中的元素距离主对角线越远会导致的值越大，fc的值也越大。所以当图像的纹理越明显、纹理基元的对比度越高、沟纹越深时，fc的值越大。
提取解剖图像MRI和真实图像的对应像素点i的特征fi1和fi2,即能量和对比度，由高斯核函数得到特征函数F，用来代表重建过程中的PET图像X：
x＝Fα，将加入解剖信息的PET图像x代入期望最大重建算法中，新的迭代更新公式为，
最终迭代适当次数得到PET重建图像。
利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。
在本发明的描述中，需要理解的是，指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于解剖先验信息的PET重建方法，其特征在于：该方法包括以下步骤：
步骤一、获取先验图像；
步骤二、提取在高维空间中表示解剖特征的函数F；
步骤三、选择径向高斯核函数；
步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；
步骤五、最后得到重建结果。
2.根据权利要求1所述的基于解剖先验信息的PET重建方法，其特征在于：所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。
3.根据权利要求2所述的基于解剖先验信息的PET重建方法，其特征在于：在得到图像在这四个方向上的灰度共生矩阵之后，需要先对每个矩阵进行归一化得到概率矩阵p(i,j,d,θ)，其中d为像素对之间的距离，θ为与横向夹角，Ng为图像的灰阶数，得到p矩阵后再计算特征。
4.根据权利要求2所述的基于解剖先验信息的PET重建方法，其特征在于：所述的能量的计算公式为：
能量是灰度共生矩阵所有元素的平方和，用来评估图像灰度变化的均匀性，变化越均匀，fe值就越小，反之越大。
5.根据权利要求2所述的基于解剖先验信息的PET重建方法，其特征在于：所述的对比度的计算公式为：
对比度是灰度共生矩阵的主对角线的惯性矩，它表示矩阵值的分布情况和图像灰度的局部变化。矩阵中的元素距离主对角线越远会导致的值越大，fc的值也越大。所以当图像的纹理越明显、纹理基元的对比度越高、沟纹越深时，fc的值越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010205812.5A CN111402357A (zh) | 2020-03-23 | 2020-03-23 | 一种基于解剖先验信息的pet重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010205812.5A CN111402357A (zh) | 2020-03-23 | 2020-03-23 | 一种基于解剖先验信息的pet重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111402357A true CN111402357A (zh) | 2020-07-10 |
Family
ID=71436474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010205812.5A Pending CN111402357A (zh) | 2020-03-23 | 2020-03-23 | 一种基于解剖先验信息的pet重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111402357A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022126581A1 (zh) * | 2020-12-18 | 2022-06-23 | 深圳先进技术研究院 | Pet图像的重建方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014730A1 (en) * | 2008-07-16 | 2010-01-21 | Siemens Medical Solutions Usa, Inc. | Multimodal Image Reconstruction |
| CN103559728A (zh) * | 2013-10-31 | 2014-02-05 | 南方医科大学 | 基于解剖功能联合先验模型的pet图像最大后验重建方法 |
| CN107527359A (zh) * | 2017-08-07 | 2017-12-29 | 沈阳东软医疗系统有限公司 | 一种pet图像重建方法及pet成像设备 |
| CN107705261A (zh) * | 2017-10-09 | 2018-02-16 | 沈阳东软医疗系统有限公司 | 一种图像重建方法和装置 |
-
2020
- 2020-03-23 CN CN202010205812.5A patent/CN111402357A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100014730A1 (en) * | 2008-07-16 | 2010-01-21 | Siemens Medical Solutions Usa, Inc. | Multimodal Image Reconstruction |
| CN103559728A (zh) * | 2013-10-31 | 2014-02-05 | 南方医科大学 | 基于解剖功能联合先验模型的pet图像最大后验重建方法 |
| CN107527359A (zh) * | 2017-08-07 | 2017-12-29 | 沈阳东软医疗系统有限公司 | 一种pet图像重建方法及pet成像设备 |
| CN107705261A (zh) * | 2017-10-09 | 2018-02-16 | 沈阳东软医疗系统有限公司 | 一种图像重建方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| GUOBAO WANG: "PET Image Reconstruction Using Kernel Method", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 34, no. 1, 31 January 2015 (2015-01-31), pages 61 - 68, XP011568804, DOI: 10.1109/TMI.2014.2343916 * |
| 赵小庆: "面向婴幼儿脑MR图像的分割算法研究", 中国优秀硕士学位论文全文数据库，医药卫生科技辑, 15 December 2018 (2018-12-15), pages 4 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022126581A1 (zh) * | 2020-12-18 | 2022-06-23 | 深圳先进技术研究院 | Pet图像的重建方法、装置及设备 |
| US12020351B2 (en) | 2020-12-18 | 2024-06-25 | Shenzhen Institutes Of Advanced Technology | Method, device and equipment for reconstructing PET images |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
| Aja-Fernández et al. | Restoration of DWI data using a Rician LMMSE estimator | |
| Zhang et al. | Multi‐needle localization with attention U‐net in US‐guided HDR prostate brachytherapy | |
| CN111325686A (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
| Banerjee et al. | A completely automated pipeline for 3D reconstruction of human heart from 2D cine magnetic resonance slices | |
| US20230127939A1 (en) | Multi-task learning based regions-of-interest enhancement in pet image reconstruction | |
| CN102831627A (zh) | 一种基于gpu多核并行处理的pet图像重建方法 | |
| CN114266939B (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
| CN102184559B (zh) | 一种基于粒子滤波的静态pet图像重建方法 | |
| Song et al. | Low-dose cardiac-gated spect studies using a residual convolutional neural network | |
| Yuan et al. | Diffuse large B‐cell lymphoma segmentation in PET‐CT images via hybrid learning for feature fusion | |
| Tang et al. | Perceptual quality assessment for multimodal medical image fusion | |
| CN111402357A (zh) | 一种基于解剖先验信息的pet重建方法 | |
| Aja-Fernández et al. | Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies | |
| WO2022120692A1 (zh) | Pet图像的重建方法及重建终端、计算机可读存储介质 | |
| CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
| CN116704184A (zh) | 一种基于Deep U-Net模型的左心房及疤痕分割方法 | |
| CN113222979A (zh) | 一种基于多图谱的颅底卵圆孔自动分割方法 | |
| US20230386036A1 (en) | Methods and systems for medical imaging | |
| AlZubi | 3D multiresolution statistical approaches for accelerated medical image and volume segmentation | |
| CN116245969A (zh) | 一种基于深度神经网络的低剂量pet图像重建方法 | |
| US20220292641A1 (en) | Dynamic imaging and motion artifact reduction through deep learning | |
| Zhu et al. | Whole‐brain functional MRI registration based on a semi‐supervised deep learning model | |
| Ni et al. | A sparse volume reconstruction method for fetal brain MRI using adaptive kernel regression |
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 |