CN111899313A - 运动信号重新校准的系统和方法 - Google Patents

Abstract

本发明提供了一种运动信号重新校准的方法。该方法包括：基于受试目标的PET数据获得受试目标的运动信号。运动信号可以代表多个运动周期。该方法包括确定运动周期的分布。运动周期的分布可以表示多个运动周期中的每个运动周期对应于实际运动周期的概率。该方法包括基于运动周期的分布来校正运动信号的运动周期以获得校正后的运动周期。该方法包括通过基于校正后的运动周期，对PET数据进行门控来重建PET图像。本发明还提供了一种运动信号重新校准的系统。

Description

运动信号重新校准的系统和方法

技术领域

本发明涉及用于信号处理的系统和方法技术领域，更具体地，涉及运动信号重新校准的系统和方法。

背景技术

正电子发射断层扫描(英文全称：Positron Emission Tomography，英文简称：PET)扫描过程中的运动(例如呼吸运动，心脏运动)会导致分辨率下降，并在PET图像中引入伪影，从而影响基于PET图像执行的诊断。尽管可以使用呼吸门控来减少呼吸运动的影响，但是这种方法需要可靠的呼吸信号。一般来说，呼吸信号是通过外部设备获得的，比如腰带或相机。然而，外部设备的使用通常会使PET扫描过程复杂化，并进一步降低其临床实用性。

目前，提出了一种数据驱动门控技术，直接从PET数据中获取呼吸信号。例如，呼吸信号可以通过在一个视场(英文全称：Angle Of View，英文简称：FOV)中跟踪总计数来提取，因为总计数会随着运动而随跟踪剂浓度的变化而变化。另外，可以通过将主成分分析(英文全称：Principal Component Analysis，英文简称：PCA)应用于短时间采样的PET数据的正弦图的时间序列来提取呼吸信号。然而，在数据驱动门控系统中，准确的信号提取依赖于示踪剂浓度分布和PET数据质量。

对于噪声较高或示踪剂吸收较低的PET数据，数据驱动的门控常常会失败。具体来说，由于示踪剂浓度分布的快速变化，可能在扫描过程的早期(例如，从扫描过程开始的5分钟内)获得不准确的呼吸信号。在扫描过程的早期阶段获得的呼吸信号对于确定药物动力学分析中的血浆/血液输入和确定器官(或组织，肿瘤)的血流量很重要。因此，有必要开发一种自选门的方法和系统，该方法和系统用于在不使用外部设备的情况下对示踪剂浓度分布的快速变化时期中获得的运动信号(例如，呼吸信号，心脏运动信号)进行自动校准，以减少受试目标的呼吸和/或心脏运动的影响，并提高相应重建的PET图像的质量。

发明内容

根据本发明的一个方面，提供了一种运动信号重新校准的方法，该方法可以在具有至少一个处理器和至少一个存储设备的计算设备上实现。该方法可以包括基于受试目标的PET数据获取受试目标的运动信号。所述运动信号可以代表多个运动周期。该方法可以包括确定所述运动周期的分布。所述运动周期的分布可以表示所述多个运动周期中的每个运动周期对应于实际运动周期的概率。该方法可以包括根据所述运动周期的分布来校正所述运动信号的运动周期，以获得校正后的运动周期。该方法可以包括通过基于所述校正后的运动周期对所述PET数据进行门控，来重建PET图像。

在一些实施例中，所述运动信号可以包括呼吸信号，所述呼吸信号包括多个峰和多个谷。所述运动周期可以为呼吸周期。所述呼吸周期可以包括相邻峰之间的持续时间或相邻谷之间的持续时间。半呼吸周期可以包括一个峰和一个相应的谷之间的持续时间。该方法可以包括基于所述呼吸信号确定多个呼吸周期。该方法还可以包括基于所述多个呼吸周期确定呼吸周期的第一分布。所述第一分布可以包括平均呼吸周期、呼吸周期的方差、第一分布的偏斜度中的至少一个；以及基于所述呼吸信号确定多个半呼吸周期。该方法还可以包括基于所述多个半呼吸周期确定半呼吸周期的第二分布。所述第二分布可以包括平均半呼吸周期、半呼吸周期的方差、第二分布的偏斜度中的至少一个。

在一些实施例中，该方法可以包括对所述多个呼吸周期进行第一模型拟合，以生成第一模型拟合曲线。该方法还可以包括对所述多个半呼吸周期进行第二模型拟合，以生成第二模型拟合曲线。

在一些实施例中，所述第一模型拟合可以是基于高斯模型和基于总体的预定模型中的至少一个来实现的；和/或所述第二模型拟合可以是基于高斯模型和基于总体的预定模型中的至少一个来实现的。

在一些实施例中，该方法可以包括对于所述呼吸信号的多个峰中的每个峰，确定峰与相应的谷之间的第一持续时间、峰与下一个峰之间的第二持续时间、以及峰与相应的谷的相邻谷之间的第三持续时间。该方法还可以包括基于所述呼吸周期的第一分布和所述半呼吸周期的第二分布中的至少一个，确定所述第一持续时间、所述第二持续时间、和所述第三持续时间中的每一个对应于实际呼吸周期的概率。该方法还可以包括将具有最大概率的所述第一持续时间、所述第二持续时间、或所述第三持续时间确定为与所述实际呼吸周期相对应的持续时间。该方法还可以包括根据与所述实际呼吸周期相对应的持续时间校正所述呼吸信号的呼吸周期。

在一些实施例中，该方法可以包括获取与所述受试目标相关的PET数据。该方法还可以包括根据所述PET数据确定VOI。该方法还可以包括根据所述VOI和所述PET数据确定所述受试目标的运动信号。

在一些实施例中，该方法可以包括校正所述运动信号的幅度信息。该方法还可以包括根据校正后的运动周期和校正后的运动信号的幅度信息，确定目标运动信号。该方法还可以包括通过基于所述目标运动信号对所述PET数据进行门控，来重建所述PET图像。

在一些实施例中，该方法可以包括确定所述运动信号的包络线。所述运动信号的包络线可以包括高频分量和低频分量。该方法可以包括通过降低所述低频分量来处理所述运动信号的包络线，以获得所述运动信号的处理后的包络线。该方法可以包括基于所述运动信号的处理后的包络线，校正所述运动信号的幅度信息。

在一些实施例中，所述高频分量的幅度变化率可以小于阈值，所述低频分量的幅度变化率可以大于阈值。

在一些实施例中，所述阈值可以为20秒。

在一些实施例中，可以通过对所述运动信号进行希尔伯特变换和最大运动运算中的至少一项，来确定所述运动信号的包络线。

在一些实施例中，该方法可以包括通过在所述运动信号的包络线上执行移动平均滤波器来获取所述低频分量。该方法还可以包括降低所述运动信号的包络线中的所述低频分量。

在一些实施例中，该方法可以包括在所述运动信号的包络线上执行高通滤波器。

根据本发明的另一方面，提供了一种运动信号重新校准的方法，该方法可以在具有至少一个处理器和至少一个存储设备的计算设备上实现。该方法可以包括基于受试目标的PET数据，获得与所述受试目标相关的运动信号。该方法可以包括确定所述运动信号的包络线，其中，所述运动信号的包络线可以包括高频分量和低频分量。该方法可以包括通过降低所述低频分量来处理所述运动信号的包络线，以获取所述运动信号的处理后的包络线。该方法可以包括通过基于所述处理后的包络线校正所述运动信号的幅度信息，来确定目标运动信号。

在一些实施例中，该方法可以包括通过基于所述目标运动信号对PET数据进行门控，来重建PET图像。

在一些实施例中，所述高频分量的幅值变化率可以小于阈值，所述低频分量的幅值变化率可以大于阈值。

在一些实施例中，所述阈值可以为20秒。

在一些实施例中，可以通过对所述运动信号执行希尔伯特变换来确定所述运动信号的包络线。

在一些实施例中，该方法可以包括通过在所述运动信号的包络线上执行移动平均滤波器来获取所述低频分量。该方法可以包括降低所述运动信号的包络线中的所述低频分量。

在一些实施例中，该方法可以包括在所述运动信号的包络线上执行高通滤波器。

根据本发明的另一方面，提供了一种运动信号重新校准的系统，该系统可以包括：至少一个存储装置，其存储一组指令；以及至少一个处理器，其与所述至少一个存储装置通信。当执行所存储的指令时，至少一个处理器可以使系统执行一种方法。该方法可以包括基于受试目标的PET数据获取受试目标的运动信号。所述运动信号可以代表多个运动周期。该方法可以包括确定所述运动周期的分布。所述运动周期的分布可以表示所述多个运动周期中的每个运动周期对应于实际运动周期的概率。该方法可以包括根据所述运动周期的分布来校正所述运动信号的运动周期，以获得校正后的运动周期。该方法可以包括通过基于所述校正后的运动周期对所述PET数据进行门控，来重建PET图像。

根据本发明的另一方面，提供了一种运动信号重新校准的系统，该系统可以包括：至少一个存储装置，其存储一组指令；以及至少一个处理器，其与所述至少一个存储装置通信。当执行所存储的所述指令时，至少一个处理器可以使系统执行一种方法。该方法可以包括基于受试目标的PET数据，获取与所述受试目标相关的运动信号。该方法可以包括确定所述运动信号的包络线，其中，所述运动信号的包络线可以包括高频分量和低频分量。该方法可以包括通过降低所述低频分量来处理所述运动信号的包络线，以获取所述运动信号的处理后的包络线。该方法可以包括通过基于所述处理后的包络线校正所述运动信号的幅度信息，来确定目标运动信号。

根据本发明的另一方面，提供了一种非暂时性计算机可读介质，该非暂时性计算机可读介质可以包括至少一组指令。当由计算设备的至少一个处理器执行时，至少一组指令可以使至少一个处理器实现一种方法。该方法可以包括基于受试目标的PET数据获取受试目标的运动信号。所述运动信号可以代表多个运动周期。该方法可以包括确定所述运动周期的分布。所述运动周期的分布可以表示所述多个运动周期中的每个运动周期对应于实际运动周期的概率。该方法可以包括根据所述运动周期的分布来校正所述运动信号的运动周期，以获得校正后的运动周期。该方法可以包括通过基于所述校正后的运动周期对所述PET数据进行门控，来重建PET图像。

根据本发明的另一方面，提供了一种非暂时性计算机可读介质，该非暂时性计算机可读介质可以包括至少一组指令。当由计算设备的至少一个处理器执行时，至少一组指令可以使至少一个处理器实现一种方法。该方法可以包括基于受试目标的PET数据，获得与所述受试目标相关的运动信号。该方法可以包括确定所述运动信号的包络线，其中，所述运动信号的包络线可以包括高频分量和低频分量。该方法可以包括通过降低所述低频分量来处理所述运动信号的包络线，以获取所述运动信号的处理后的包络线。该方法可以包括通过基于所述处理后的包络线校正所述运动信号的幅度信息，来确定目标运动信号。

本发明的附加特征将在下面的描述中部分阐述，并且本领域技术人员在查阅下述内容和附图，或者通过示例进行实际操作或验证后，可以容易理解附加特征。本发明的特征可以通过实践或使用下面讨论的详细示例中阐述的方法、工具和其组合来实现。

附图说明

本发明还通过多个示例性实施例进一步描述本发明，参考附图详细描述这些示例性实施例。这些实施例是非限制性的示例性实施例，参考附图并不按比例绘制，其中类似的附图标记在附图的多个视图中表示类似的结构，其中：

图1为本发明一些实施例示例性成像系统的示意图的示意图；

图2为根本发明一些实施例可以在其上实现处理设备的示例性计算设备的示例性硬件和/或软件组件的示意图；

图3为本发明一些实施例可以在其上实现一个或多个终端的示例性移动设备的示例性硬件和/或软件组件的示意图；

图4A为本发明一些实施例示例性处理装置的示意图；

图4B为本发明一些实施例示例性处理装置的示意图；

图5为本发明一些实施例校正运动信号的运动周期的示例性过程的流程图；

图6为本发明一些实施例校正运动信号的幅度信息的示例性过程的流程图；

图7A为使用传统的数据驱动方法提取的示例性呼吸信号；

图7B为使用基于VOI(中文：感兴趣的容积，英文全称：Volume Of Interest)的数据驱动方法提取的示例性呼吸信号，该方法没有本发明中示出的校正过程；

图7C为本发明图5和图6中所示的校正过程的示例性呼吸信号；

图8为本发明一些实施例示例性门控PET图像；

图9为根据本发明一些实施例示例性门控PET图像。

具体实施方式

在以下详细描述中，通过实施例/示例阐述了诸多具体细节，以便于对相关公开内容进行深入理解。然而，本领域技术人员可以理解，在没有这些细节的情况下，本申请仍可实施。在一般情况下，为了避免不必要地混淆，本发明以相对较高的水平描述了众所周知的方法、过程、系统、组件和/或电路，而没有对其进行详细说明。对于本领域技术人员来说，对所公开的实施例的各种修改将是显而易见的，并且在不脱离本发明的构思和范围的情况下，本发明定义的一般原则可以应用于其他实施例和应用。因此，本发明并不限于所列举的实施例，而是涵盖了与权利要求一致的最宽范围。

本发明中使用的术语仅用于描述特定示例实施例，并不旨在限制本发明。如本发明所用，“一”、“一个”以及“一种”可为单数形式，也可以指复数形式，除非上下文另有明确指示。如本发明所使用的术语“和/或”和“至少一个”包括一个或多个相关联所列项目的任何和所有组合。可以进一步理解，在本发明中所使用的术语“包括”和“包含”表示所述特征、整数、步骤、操作、元素和/或组件的存在，但不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或其组合。同样，术语“示例性”旨在表示示例或说明。

应当理解，本发明中使用的术语“系统”、“单元”、“模块”和/或“块”是一种按升序区分不同级别的不同组件、元件、部件、部分或组件的方式。但是，如果另一种表达方式的其他术语也可达到相同的目的，则这些术语可能会被其取代。

通常，这里使用的“模块”、“单元”或“块”词语是指硬件或固件中包含的逻辑组件，或指软件指令的集合。本发明描述的模块、单元或块可以用软件和/或硬件来实现，并且可以存储在任何类型的非暂时性计算机可读介质或另一存储设备中。在一些实施例中，软件模块/单元/块可以被编译并链接到可执行程序中。应当理解，软件模块可以从其他模块/单元/块或其自身调用，和/或可以响应检测到的事件或中断而调用。用于在计算设备上执行的软件模块/单元/块可以设置在计算机可读介质上，例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质上，或者作为数字下载(并且最初以压缩或可安装的格式存储，在执行之前需要安装、解压缩或解密)。这些软件代码可以部分或全部存储在计算设备的存储设备上，以供计算设备执行。软件指令可以嵌入固件中，例如EPROM(可擦除可编程只读存储器)。进一步可理解，硬件模块/单元/块可以包括所连接的逻辑组件，例如门和触发器，和/或可以包括可编程单元，例如可编程门阵列或处理器。本发明描述的模块/单元/块或计算设备功能可以用软件模块/单元/块来实现，但也可以用硬件或固件表示。一般来说，本发明所描述的模块/单元/块是指逻辑模块/单元/块，它们可以与其他模块/单元/块组合，或者尽管它们的物理组织或存储方式不同，但也可以划分为子模块/子单元/子块。其中，该描述可适用于系统、装置或其一部分。

可以理解，尽管本发明可以使用术语“第一”、“第二”、“第三”等来描述各种元素，但这些元素不应受到这些术语的限制。这些术语仅用于区分一个元素和另一个元素。例如，第一元件可以被称为第二元件，并且，类似地，第二元件可以被称为第一元件，而不脱离本发明的示例性实施例的范围。

本发明中使用各种术语描述元素之间的空间和功能关系，包括“连接”，“附接”和“安装”。除非明确地描述为“直接”，否则在本发明中描述第一和第二元素之间的关系时，该关系包括第一和第二元素之间不存在其他中间元素的直接关系，以及其中的间接关系。在第一和第二元件之间(空间上或功能上)存在一个或多个中间元件。相反，当一个元件被称为“直接”连接，附接或定位到另一个元件时，则不存在中间元件。应当以类似的方式来解释用于描述元件之间的关系的其他词语(例如，“在...之间”与“直接在...之间”，“相邻”与“直接相邻”等)。

在考虑本发明的以下描述结合参考附图后，本发明的这些和其他特征，和相关结构元件的操作方法和功能，以及部件和制造成本的组合可以更加清楚明显。然而，应明确理解，附图仅用于说明和描述，并不旨在限制本发明的范围。可以理解，附图是不按比例绘制的。

本发明的一个方面涉及用于运动信号重新校准的系统和方法。根据本发明的一些实施例，处理设备可以基于受试目标的正电子发射断层扫描(PET)数据来获得受试目标的运动信号(例如，呼吸信号)。运动信号可以包括多个运动周期。处理设备可以确定运动周期的分布。运动周期的分布可以指示多个运动周期中的每个运动周期对应于实际运动周期的概率。处理设备可以基于运动周期的分布来校正运动信号的运动周期，以获得校正后的运动周期。处理设备可以通过基于校正后的运动周期对PET数据进行门控，来重建PET图像。

本发明的另一方面涉及一种用于PET中自门控的系统和方法。根据发明的一些实施例，处理设备可以基于受试目标的PET数据来获得与受试目标相关联的运动信号(例如，呼吸信号)。处理设备可以确定运动信号的包络线。运动信号的包络线可以包括高频分量和低频分量。处理设备可以通过减小低频分量来获得运动信号的处理后的包络线，从而处理运动信号的包络线。处理设备可以通过基于处理后的包络线校正运动信号的幅度信息来确定目标运动信号。

因此，在不使用外部设备的情况下，可以根据受试目标的PET数据对示踪剂浓度分布快速变化时期的运动信号(如呼吸信号)进行校正，从而实现PET的自门控。利用校正后的运动信号对PET图象进行重建，可以进一步提PET图象的质量。

图1是根据本发明的一些实施例提供的示例性成像系统的示意图。如图所示，成像系统100可以包括成像设备110、处理设备120、存储设备130、终端140和网络150。成像系统100的组件可以以一种或多种不同的方式连接。仅通过举例的方式，如图1所示，成像设备110可以直接连接到处理设备120上，如连接成像设备110和处理设备120的双向虚线箭头指示，也可以通过网络150连接。作为一种可实施方式，存储设备130可以直接连接成像设备110，如连接成像设备110与存储设备130的双向虚线箭头指示，也可通过网络150连接。作为另一种可实施方式，终端140可以直接连接到处理设备120，如连接终端140和处理设备120的双向虚线箭头所示，也可以通过网络150直接连接到处理设备120上。

在一些实施例中，成像设备110可以对受试目标进行扫描，并获取与受试目标相关的数据。在一些实施例中，成像设备110可以是发射计算机断层扫描(ECT)设备、计算机断层扫描(CT)设备、磁共振成像(MRI)设备、超声检查系统、多模态设备等类似设备，或其任何组合。ECT设备可以包括PET设备、单光子发射计算机断层扫描(SPECT)设备等。示例性多模态设备可以包括CT-PET设备、MR-PET设备等。在一些实施例中，多模态成像设备可以包括用于执行ECT成像和/或相关分析的模块和/或组件。

在一些实施例中，成像设备110可以是包括机架111、检测器112、检测区域113和工作台114的PET设备。在本发明中，如图1所示，从面向成像设备正面的方向看，X轴正方向可以从机架111的左侧到右侧。Y轴正方向可从机架111的下部到上部。正Z轴方向可以是沿着扫描通道的轴从机架111的后部到前部。机架111可以支持检测器112。受试目标可以被放置在工作台114上，并且被移动到检测区域113中，以沿着Z轴进行扫描。如图1所示，检测器112可以检测从检测区域113发出的辐射事件(例如伽马光子)。在一些实施例中，检测器112可以包括一个或多个检测器单元。检测器112可以包括闪烁检测器(例如，碘化铯检测器)、气体检测器等。检测器112可以是和/或包括单行检测器，其中多个检测器单元布置为单行和/或多行检测器，其中多个检测器单元布置为多行。

处理设备120可以处理从成像设备110、存储设备130和/或终端140获得的数据和/或信息。例如，处理设备120可基于受试目标的PET数据获取受试目标的运动信号(如呼吸信号)。作为另一示例，处理设备120可以确定运动信号的运动周期的分布。作为又一示例，处理设备120可以基于运动信号的运动周期的分布来校正运动信号的运动周期，以获得校正后的运动周期。作为又一个示例，处理设备120可以通过基于校正后的运动周期对PET数据进行门控，从而重建PET图像。作为又一个示例，处理设备120可以确定运动信号的包络线。运动信号的包络线可以包括高频分量和低频分量。作为又一个示例，处理设备120可以通过减少低频分量来处理运动信号的包络线，以获得运动信号的处理后的包络线，作为又一个示例，处理设备120可以通过基于处理后的包络线校正运动信号的幅度信息来确定目标运动信号。

在一些实施例中，处理设备120可以是单个服务器或服务器组。服务器组可以是集中式，也可以是分布式的。在一些实施例中，处理设备120可以是本地的或远程的。例如，处理设备120可以通过网络150访问来自成像设备110，存储设备130和/或一个或多个终端140的信息和/或数据。作为另一实施例，处理设备120可以直接连接到成像设备110、终端140和/或存储设备130以访问信息和/或数据。在一些实施例中，处理设备120可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、内部云、多云等，或其任意组合。在一些实施例中，处理设备120可以是终端140的一部分。在一些实施例中，处理设备120可以是成像设备110的一部分。

存储设备130可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备130可以存储从成像设备110、处理设备120和/或终端140获得的数据。数据可以包括由处理设备120获取的图像数据，用于处理图像数据的算法和/或模型等。例如，存储设备130可以存储从PET设备(例如，成像设备110)获得的受试目标的PET数据。作为另一实施例，存储设备130可以存储由处理设备120确定的运动信号。作为又一实施例，存储设备130可以存储由处理设备120所确定的运动信号的运动周期的分布。作为又一实施例，存储设备130可以存储由处理设备120确定的校正后的运动信号。在一些实施例中，存储设备130可以存储处理设备120和/或终端140可以执行或使用的数据和/或指令，以执行本发明中描述的示例性方法。在一些实施例中，存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等类似的存储器，或其任意组合。在一些实施例中，大容量存储器可以包括磁盘、光盘、固态驱动器等。在一些实施例中，可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等。在一些实施例中，易失性读写存储器可以包括随机存取存储器(RAM)。在一些实施例中，RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。在一些实施例中，ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘只读存储器(CD-ROM)和数字通用磁盘只读存储器等。在一些实施例中，存储设备130可以在云平台上实现。例如，云平台可以包括私有云、公共云、混合云、社区云、分布式云、内部云、多云等，或其任意组合。

在一些实施例中，存储设备130可以连接到网络150，以与成像系统100中的一个或多个其他组件(例如，处理设备120、一个或多个终端140)进行通信。成像系统100中的一个或多个组件可以经由网络150访问存储在存储设备130中的数据或指令。在一些实施例中，存储设备130可以集成到成像设备110中。

终端140可以连接成像设备110、处理设备120、和/或存储设备130，并之通信。在一些实施例中，终端140可以包括移动设备141、平板电脑142、笔记本电脑143等类似的设备，或其任何组合。例如，移动设备141可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式计算机等类似设备，或其任何组合。在一些实施例中，终端140可以包括输入设备、输出设备等。输入设备可以包括字母数字和其他按键，可以通过键盘、触摸屏(例如，具有触觉或触觉反馈)、语音输入、眼睛跟踪输入、大脑监控系统或任何其他类似的输入机制输入。其他类型的输入设备可以包括光标控制设备，例如鼠标、轨迹球或光标方向键等。输出设备可以包括显示器、打印机等，或其任意组合。

网络150可以包括可以促进成像系统100的信息和/或数据交换的任何合适的网络。在一些实施例中，成像系统100的一个或多个组件(例如，成像设备110)、处理设备120、存储设备130、(一个或多个)终端140等，可以经由网络150与成像系统100的一个或多个其他组件交换信息和/或数据。处理设备120和/或终端140可以经由网络150从成像设备110获得PET数据。作为另一个实施例，处理设备120和/或终端140可以经由网络150获得存储在存储设备130中的信息。网络150可以包括公共网络(例如，互联网)、专用网络(例如，局域网(LAN)、广域网(WAN)等)、有线网络(例如，以太网络、无线网络(例如802.11网络、Wi-Fi网络等)、蜂窝网络(例如，长期演进(LTE)网络、帧中继网络、虚拟专用网(VPN)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机等，或其任何组合。例如，网络150可以包括电缆网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙^TM网络、ZigBee^TM网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络150可以包括一个或多个网络接入点。例如，网络150可以包括诸如基站和/或互联网交换点之类的有线和/或无线网络接入点，通过这些接入点，可以将成像系统100的一个或多个组件连接到网络150以交换数据和/或信息。

上述描述仅仅是为了解释说明本发明，并不限制本发明的范围。对本领域技术人员来说，许多替代、修改和变化方案都是显而易见的。此处描述的示例性实施例的特征、结构、方法和特性可以以各种方式组合，以获得附加和/或替代的示例性实施例。然而，这些变化和修改并不超出本发明披露的范围。

图2为根据本发明的一些实施例示出的计算设备200的示例性硬件和/或软件组件的示意图，处理设备120可在其上实现。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230、和通信端口240。

处理器210可以根据本文描述的技术执行计算机指令(例如，程序代码)，并执行处理设备120的功能。计算机指令可以包括例如例程、程序、受试目标、组件、数据结构、过程、模块和函数，这些指令可执行本文所述的特定功能。例如，处理器210可以处理从成像设备110、终端140、存储设备130和/或成像系统100的任何其他组件获得的成像数据。在一些实施例中，处理器210可以包括：一个或多个硬件处理器，例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机器(ARM)、可编程逻辑设备(PLD)、能够执行一个或多个功能的电路或处理器等，或其任意组合。

此处需要说明的是，在计算设备200中仅描述了一个处理器。然而，应该注意的是，本发明中的计算设备200也可以包括多个处理器。因此，本发明中所描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器联合或分开地执行。例如，如果在本发明中，计算设备200的处理器同时执行过程A和过程B，则应当理解为，过程A和过程B也可以由计算设备200中的两个或更多个不同的处理器联合或分开地执行(例如，第一处理器执行过程A，第二处理器执行过程B；或者第一处理器和第二处理器共同执行过程A和B)。

存储器220可以存储从成像设备110、终端140、存储设备130和/或成像系统100的任何其他组件获得的数据或信息。存储器220可以类似于图1中所述的存储设备130，其详细描述在此不再重复。

I/O 230可以输入和/或输出信号、数据、信息等。在一些实施例中，I/O 230可以使用户能够与处理设备120交互。I/O 230可以包括输入设备和输出设备。输入设备的示例可以包括键盘、鼠标、触摸屏、麦克风、声音记录设备等，或其组合。输出设备的示例可以包括显示设备、扬声器、打印机、投影仪等，或其组合。显示设备的示例可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面屏幕、电视设备、阴极射线管(CRT)、触摸屏等类似设备，或其组合。

通信端口240可以连接到网络(例如，网络150)以方便数据通信。通信端口240可以在处理设备120和成像设备110、一个或多个终端140、和/或存储设备130之间建立连接。该连接可以是有线连接、无线连接、任何其他能够实现数据传输和/或接收的通信连接。有线连接可以包括例如电缆、光缆、电话线等，或其任何组合。无线连接可以包括，例如，蓝牙^TM链接、Wi-Fi^TM链接、WiMax^TM链接、WLAN链接、ZigBee链接、移动网络链接(例如3G、4G、5G)等类似的，或其任何组合。在一些实施例中，通信端口240可以包括标准化通信端口，例如RS232、和/或RS485。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，可以根据医学数字成像和通信(DICOM)协议来设计通信端口240。

图3是根据本发明的一些实施例提供的可以在其上实现一个或多个终端140的示例性移动设备300的示例性硬件和/或软件组件的示意图。

参照图3，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可以包括在移动设备300中。

在一些实施例中，通信平台310可以用于在移动设备300与成像系统100的其他组件之间建立连接，并使数据和/或信号能够在移动设备300和成像系统100的其他组件之间传输。例如，通信平台310可以在移动设备300与成像设备110和/或处理设备120之间建立无线连接。无线连接可以包括例如蓝牙^TM链接、Wi-Fi^TM链接、WiMax^TM链接、WLAN链接、ZigBee链接、移动网络链接(例如3G、4G、5G)等，或其任意组合。通信平台310还可以使移动设备300与成像系统100的其他组件之间的数据和/或信号相互连接。例如，通信平台310可以将用户输入的数据和/或信号发送给成像系统100的其他组件。用户输入的数据和/或信号可以包括用户指令。作为另一种可实施方式，通信平台310可以接收从处理设备120发送的数据和/或信号。接收到的数据和/或信号可以包括由成像设备110的检测器获取的成像数据。

在一些实施例中，可以将移动操作系统(OS)370(例如，iOS^TM、Android^TM、WindowsPhone^TM等)和一个或多个应用程序(App)380加载到内存360中，以便由CPU 340执行该操作。应用程序380可以包括浏览器或任何其他合适的移动应用，用于从处理设备120接收和呈现关于运动信号重新校准的信息或其他信息。用户与信息流的交互可以通过I/O 350实现，并通过网络150提供给处理设备120和/或成像系统100的其他组件。

为了实现本发明所述的各种模块、单元及其功能，计算机硬件平台可作为本发明的一个或多个元件的硬件平台。具有用户界面元素的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，尽管计算机如果适当编程的话，也可以作为服务器。可以相信，本领域技术人员都熟悉这种计算机设备的结构、程序和一般操作，因此，附图应是不言自明的。

图4A是根据本发明的一些实施例提供的示例性处理装置的示意图。在一些实施例中，处理设备120可以包括获取模块411、分布确定模块412、运动周期校正模块413和重建模块414。这些模块可以是处理设备120的至少一部分的硬件电路。这些模块也可以被实现为由处理设备120读取和执行的应用或指令。此外，这些模块可以是硬件电路和应用/指令的任意组合。例如，当处理设备120正在执行应用或指令时，这些模块可以是处理设备120的一部分。

获取模块411可以用于获取受试目标的运动信号。在一些实施例中，获取模块411可以基于从受试目标或受试目标的一部分生成的PET数据中获取运动信号。例如，获取模块411可以基于数据驱动技术从PET数据中提取呼吸信号。例如，数据驱动技术可以包括基于质心的方法、基于计数水平的方法、基于主成分分析的方法、基于VOI的方法等类似的方法，或其任意组合。在一些实施例中，获取模块411可以在扫描期间或扫描之后和/或图像重建之前获取运动信号。在本发明的其他地方可以找到用于获得运动信号的更多描述(例如，图5中的操作510及其描述)。

分布确定模块412可以用于确定运动信号的运动周期的分布。运动周期的分布可以表示运动信号中的多个运动周期中的每个运动周期对应于实际运动周期的概率。在一些实施例中，分布确定模块412可以基于呼吸信号来确定多个呼吸周期。分布确定模块412可以基于多个呼吸周期来确定呼吸周期的第一分布。第一分布可以包括平均呼吸周期、呼吸周期的方差、第一分布的偏斜度等。在一些实施例中，分布确定模块412可以基于呼吸信号来确定多个半呼吸周期。分布确定模块412可以基于多个半呼吸周期来确定半呼吸周期的第二分布。第二分布可以包括平均半呼吸周期、半呼吸周期的方差、第二分布的偏斜度等。在本发明的其他地方可以找到用于确定第一分布和第二分布的更多描述(例如，图5中的操作520及其描述)。

运动周期校正模块413可以用于校正运动信号的运动周期。在一些实施例中，运动周期校正模块413可以基于运动信号的运动周期的分布(例如，呼吸周期的第一分布、半呼吸周期的第二分布)来校正运动信号的运动周期。例如，对于呼吸信号的多个峰中的每个峰，运动周期校正模块413可以确定峰与相应的谷之间的第一持续时间、峰与下一个峰之间的第二持续时间、和峰与相应的谷的相邻谷之间的第三持续时间。运动周期校正模块413可以基于呼吸周期的第一分布和/或半呼吸的第二分布来确定第一持续时间、第二持续时间和第三持续时间中的每一个对应于实际呼吸周期的概率。运动周期校正模块413可以将具有最大概率的第一持续时间、第二持续时间或第三持续时间确定为与实际呼吸周期相对应的持续时间。运动周期校正模块413可以基于与实际呼吸周期相对应的持续时间来校正呼吸信号的呼吸周期。在本发明的其他地方可以找到用于校正运动信号的运动周期的更多描述(例如，图5中的操作530及其描述)。

重建模块414可以用于重建PET图像。在一些实施例中，重建模块414可以根据受试目标的校正后的运动信号(例如，校正后的呼吸信号)对PET数据进行门控。在一些实施例中，重建模块414可以基于校正后的呼吸信号的时间，将校正后的呼吸信号划分为多个呼吸阶段。在一些实施例中，重建模块414可以基于校正后的呼吸信号的幅度信息，将校正后的呼吸信号划分为多个呼吸阶段。在一些实施例中，重建模块414可以确定与多个呼吸阶段相对应的门控PET数据的多个组(或称为帧)。在一些实施例中，重建模块414可以基于与多个呼吸阶段相对应的门控PET数据来重建多个门控PET图像。在一些实施例中，重建模块414可以使用重建算法来重建门控PET图像。在本发明的其他地方可以找到用于重建PET图像的更多描述(例如，图5中的操作540，图6中的操作650及其描述)。

应该注意的是，上述对处理设备120的描述，仅仅是为了说明本发明的目的而提供的，而不是为了限制本发明的范围。对于本领域普通技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，这些变化和修改并未脱离本发明公开的范围。在一些实施例中，一个或多个模块可以组合成单个模块。例如，分布确定模块412和运动周期校正模块413可以组合成单个模块，其可以既确定运动信号的运动周期的分布，又校正运动信号的运动周期。在一些实施例中，可以在处理设备120中添加或省略一个或多个模块。例如，处理设备120还可以包括存储模块(未在图4A中显示)，该存储模块用于存储与成像系统100相关联的数据和/或信息(例如，PET数据、运动信号、运动周期分布、PET图像)。作为一种可实施方式，处理设备120还可以包括包络线确定模块(例如，包络线确定模块422)、处理模块(例如，处理模块423)、幅度信息校正模块(例如，幅度信息校正模块424)，如本发明的其他地方所描述的(例如，图4B及其描述)。

图4B是根据本发明的一些实施例提供的示例性处理装置的示意图。在一些实施例中，处理设备120可以包括获取模块421、包络线确定模块422、处理模块423、幅度信息校正模块424和重建模块425。这些模块可以是处理设备120至少一部分的硬件电路。这些模块也可以被实现为由处理设备120读取和执行的应用或指令。此外，这些模块可以是硬件电路和应用/指令的任意组合。例如，当处理设备120正在执行应用或指令时，这些模块可以是处理设备120的一部分。

获取模块421可以用于获取受试目标的运动信号。在一些实施例中，获取模块421可以基于从受试目标或受试目标的一部分生成的PET数据中来获取运动信号。例如，获取模块411可以基于数据驱动技术从PET数据中获取呼吸信号。例如，数据驱动技术可以包括基于质心的方法、基于计数水平的方法、基于主成分分析的方法、基于VOI的方法等，或其任意组合。在一些实施例中，获取模块421可以在扫描期间或之后、和/或图像重建之前获取运动信号。在本发明的其他地方可以找到用于获得运动信号的更多描述(例如，图5中的操作510，图6中的操作610及其描述)。

包络线确定模块422可以用于确定运动信号的包络线。在一些实施例中，包络线确定模块422可以通过对运动信号执行希尔伯特变换来确定运动信号的包络线。例如，包络线确定模块422可以通过对运动信号执行希尔伯特变换来确定分析信号。包络线确定模块422可基于分析信号来确定运动信号的包络线。在一些实施例中，包络线确定模块422可以通过对运动信号执行最大移动操作来确定运动信号的包络线。在本发明的其他地方可以找到用于确定运动信号的包络线的更多描述(例如，图6中的操作620及其描述)。

处理模块423可以用于处理运动信号的包络线。在一些实施例中，处理模块423可以通过降低包络线的低频分量来处理运动信号的包络线。例如，处理模块423可以通过在运动信号的包络线上执行低通滤波器来获得低频分量。处理模块423可以降低来自运动信号的包络线中的低频分量。作为一种可实施方式，处理模块423可以通过在运动信号的包络线上执行高通滤波器来降低低频分量。在本发明的其他地方可以找到用于处理运动信号的包络线的更多描述(例如，图6中的操作630及其描述)。

幅度信息校正模块424可以用于通过基于处理后的包络线校正运动信号的幅度信息来确定目标运动信号。在一些实施例中，幅度信息校正模块424可以基于处理后的包络线的幅度信息来校正运动信号的幅度信息。例如，幅度信息校正模块424可以将处理后的包络线中的点的幅度确定为运动信号中的对应点(例如，对应的峰、对应的谷)的幅度。在本发明的其他地方可以找到用于确定目标运动信号的更多描述(例如，图6中的操作640及其描述)。

重建模块425可以用于重建PET图像。在一些实施例中，重建模块425可以根据受试目标的校正后的运动信号(例如，校正后的呼吸信号)门控PET数据。在一些实施例中，重建模块425可以基于校正呼吸信号的时间将校正的呼吸信号划分为多个呼吸阶段。在一些实施例中，重建模块425可以基于校正后的呼吸信号的幅度信息将校正后的呼吸信号划分为多个呼吸阶段。在一些实施例中，重建模块425可以确定与多个呼吸阶段相对应的门控PET数据的多个组(或称为帧)。在一些实施例中，重建模块425可以基于与多个呼吸阶段相对应的门控PET数据来重建多个门控PET图像。在一些实施例中，重建模块425可以使用重建算法来重建门控PET图像。在本发明的其他地方可以找到用于重建PET图像的更多描述(例如，图5中的操作540，图6中的操作650及其描述)。

应该注意的是，上述对处理装置120的描述仅仅是为了说明本发明的目的而提供的，而不是为了限制本发明的范围。对于本领域普通技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，这些变化和修改并未脱离本发明的范围。在一些实施例中，一个或多个模块可以被组合成单个模块。例如，包络线确定模块422和处理模块423可以组合成单个模块，其可以既确定运动信号的包络线，又处理运动信号的包络线。在一些实施例中，可以在处理设备120中添加或省略一个或多个模块。例如，处理设备120还可以包括存储模块(未在图4B中显示)，该存储模块配置为存储与成像系统100相关联的数据和/或信息(例如，PET数据、运动信号、运动周期分布、PET图像)。

图5为根据本发明的一些实施例提供的校正运动信号的运动周期的示例性过程的流程图。在一些实施例中，流程500可以在图1所示的成像系统100中实现。例如，流程500可以以指令的形式存储在存储设备130和/或存储设备(例如，存储器220、存储器390)中，并由处理设备120调用和/或执行(例如，如图2所示的计算设备200的处理器210，图3所示的移动设备300的CPU 340)。下面描述的操作过程的目的是说明，在一些实施例中，流程500可以利用一个或多个未描述的附加操作和/或没有所讨论的一个或多个操作来完成。另外，图5所示的流程500的操作的顺序和下面描述的内容不是限制性的。

在操作510中，处理设备120(例如，获取模块411)可以基于受试目标的PET数据来获取受试目标的运动信号。

在一些实施例中，处理设备120可以获得与受试目标相关联的PET数据。在一些实施例中，PET数据可以是列表模式的数据或正弦图数据。在一些实施例中，在PET扫描或分析期间，在成像过程开始之前，首先将PET示踪剂(也称为“PET示踪剂分子”或“示踪剂”)引入受试目标中。在一些实施例中，在将示踪剂引入受试目标的身体(例如，人体)后的一段时间(例如60秒)内，受试目标的身体(例如，人体)中的示踪剂浓度分布可能会急剧变化。在一些实施例中，这种剧烈的变化有时使得至少利用未校正的常规方法难以正确地确定运动信号或确定运动周期。

在PET扫描期间，PET示踪剂分子可能会发射正电子，即电子的反粒子。正电子具有与电子相同的质量和相反的电荷，当两个粒子发生碰撞时，正电子会与电子(可能在被检体内大量地自然存在)一起经历湮灭(也称为“湮灭灭件”或“巧合事件”)。电子-正电子湮灭可能会导致两个511keV的伽马光子，它们在自身产生时便开始朝彼此相反的方向传播。连接两个伽马光子的线可以称为“响应线(英文简称：LOR)”。处理设备120可以获得伽马光子(也称为“PET数据”)的轨迹和/或信息(例如，时间)。例如，PET数据可能包括湮灭事件的一个列表、LORs的横向和纵向位置，或类似的，或其任何组合。在一些实施里中，PET数据可用于确定受试目标内PET示踪剂分子的位置和/或浓度分布。

在一些实施例中，处理设备120可以从成像系统100的一个或多个组件(例如，成像设备110、终端140和/或存储设备130)中获取PET数据。例如，成像设备110可以将获取的PET数据(例如，投影数据)经由网络150传输到存储设备130进行存储，或任何其他存储设备以进行存储。处理设备120可以从存储设备130或任何其他存储设备获取PET数据。作为一种可实施方式，处理设备120可以直接从成像设备110中获取PET数据。在一些实施例中，处理设备120可以通过通信端口240从计算设备200的I/O230获得PET数据，和/或通过通信平台310从移动设备300的I/O 350获得PET数据。在一些实施例中，处理设备120可以在收集数据时实时获取PET数据。在一些实施例中，处理设备120可以在收集数据一段时间之后，获取PET数据(例如，从存储设备中获取)。

处理设备120可以基于PET数据确定运动信号。在一些实施例中，受试目标可以在PET扫描期间进行运动(例如，呼吸运动、心脏运动)。运动信号可以反映受试目标的运动状态。例如，呼吸信号可以反映受试目标的呼吸运动影响的组织或器官的运动。心脏运动信号可以反映受试目标的心脏的运动。在一些实施例中，处理设备120可以基于数据驱动技术从PET数据中提取呼吸信号。典型的数据驱动技术可以包括基于质心的方法、基于计数水平的方法、基于主成分分析的方法等，或它们的任意组合。例如，可以确定符合计数与时间的关系曲线，从而提供一个估计的呼吸信号。再例如，可以从PET数据中导出例如VOI内的PET示踪物的分布的质心。然后将质心的位移作为时间的函数，可以提供呼吸信号。作为一种可实施方式，可以将主成分分析应用于列表模式的PET数据。然后，可以得到呼吸信号作为主成分权重因子，其频谱在呼吸运动的频带中具有最高的峰值。

在一些实施例中，处理设备120可以根据VOI的数据驱动方法来确定运动信号。在一些实施例中，处理设备120可以基于PET数据确定VOI。如本发明所使用的，VOI可以根据特定目的引用数据的选定子集。在不同情况下可以确定不同的VOI。在一些实施例中，可以确定特定的VOI以检测呼吸信号。例如，VOI可以是心脏附近的区域。再例如，VOI可以是一个或两个肺附近的区域。在一些实施例中，VOI可以包括三维体，例如球、柱、块等类似物，或其组合。

在一些实施例中，处理设备120可以基于PET数据和时间阈值来确定VOI。在一些实施例中，时间阈值可以是存储在存储设备(例如，存储设备130)中的默认参数。另外，时间阈值可以由成像系统100的用户手动设置，或者根据不同情况由成像系统100的一个或多个组件(例如，处理设备120)确定。例如，可以基于用户体验来确定时间阈值。作为另一示例，可以通过执行多个示踪剂动力学实验来确定时间阈值。在一些实施例中，时间阈值可能与示踪剂浓度分布随时间的变化有关。例如，在将示踪剂引入人体后的30秒、45秒、60秒、75秒或90秒内，人体中的示踪剂浓度分布可能会发生巨大变化。因此，时间阈值可以设置为30秒、45秒、60秒、75秒或90秒。在一些实施例中，时间阈值被设置为60秒。

在一些实施例中，处理设备120可以确定PET数据的获取时间是否大于时间阈值。当确定PET数据的获取时间大于时间阈值时，处理设备120可以从PET数据中删除在时间阈值内获取的一部分PET数据，以生成目标PET数据。为便于说明，假设PET数据的获取时间是180秒，并且时间阈值是60秒，则处理设备120可以删除在前60秒中获取的PET数据。处理设备120可以将在60秒至180秒的时间范围内获取的PET数据确定为目标PET数据。

例如，处理设备120可以确定多个VOI参数以识别VOI的形状和/或位置。正如本文所使用的，VOI参数可以包括，例如用于识别VOI的形状、体积、位置的参数。处理设备120可以基于PET数据和VOI参数确定代表质心(COM)运动的加权信号。处理设备120可以对加权信号执行傅立叶频谱分析以确定信号质量指标(英文简称：SQI)。如本文所使用的，信号质量指标可以指信号噪声比，即生理频谱内的目标信号的能量水平与生理频谱外的目标信号的能量水平的比值。处理设备120可以通过遍历一组VOI参数来最大化给定VOI的SQI。处理设备120可以利用最大化的SQI来确定一个特征VOI。处理设备120可以基于特性VOI确定运动信号。基于VOI确定运动信号的示例性技术可以在例如2016年7月29日提交的标题为“SYSTEM AND METHOD FOR RECONSTRUCTING ECT IMAGE”的PCT申请中找到，申请号为PCT/CN2016/092413，现将其内容纳入参考文献。

当PET数据的获取时间小于或等于时间阈值时，处理设备120可以基于历史数据确定VOI。例如，处理设备120可以获取受试目标的识别信息。受试目标的标识信息可以包括受试目标的标识(英文简称：ID)号、受试目标的名称、受试目标的性别、受试目标的年龄、要成像的受试目标的一部分等，或者它们的任何组合。处理设备120可以基于受试目标的识别信息从多个历史VOI中选择VOI。与所选择的VOI相关联的用户标识信息可以与受试目标的标识信息类似。处理设备120可以将选择的VOI确定为受试目标的VOI。

在一些实施例中，如果由于受试目标的病变相对较小和/或示踪剂浓度相对较低而导致PET数据的质量相对较差，则时间阈值可以设置为0秒。即处理设备120可以不删除PET数据，并且基于所有获取的PET数据来确定VOI。

在操作520中，处理设备120(例如，分布确定模块412)可以确定运动信号的运动周期的分布。运动周期的分布可以表示运动信号中的多个运动周期中的每个运动周期对应于实际运动周期的概率。

在一些实施例中，运动信号(例如，呼吸信号)可以近似为正弦函数、余弦函数、多项式函数、脉冲函数等，或其任意组合。在一些实施例中，可以在二维坐标系中表示运动信号。二维坐标系可以包括代表时间的第一坐标轴(或X轴)和代表幅度的第二坐标轴(或Y轴)。例如，呼吸信号可以在Y轴上示出幅度，并且幅度可以随X轴上的时间而变化，如图7A至图7C所示。在一些实施例中，呼吸信号的幅度可以对应于器官的一部分沿特定方向(例如，垂直于受试目标(例如，患者)的冠状平面的方向)的位移。在一些实施例中，呼吸信号的时间长度可以等于或小于PET数据的采集时间。

在一些实施例中，呼吸信号可以包括多个峰和多个谷。呼吸周期可以包括相邻峰之间的持续时间或相邻谷之间的持续时间。半呼吸周期可以包括在峰值和相应的谷之间的持续时间。

在一些实施例中，处理设备120可以基于呼吸信号确定多个呼吸周期。例如，处理设备120可以将呼吸信号中的相邻峰(或相邻谷)之间的多个持续时间确定为多个呼吸周期。处理设备120可以确定多个呼吸周期的直方图。在一些实施例中，直方图的水平轴可以代表呼吸周期的持续时间，直方图的垂直轴可以代表呼吸周期的概率。如本文所使用的，特定呼吸周期的概率可以表示呼吸信号中与特定呼吸周期相对应的持续时间发生的次数，与呼吸信号中多个呼吸周期的总数之间的比率。假设受试目标中的示踪剂浓度分布的变化会影响呼吸信号的一小部分，则具有较高概率的特定呼吸周期可以表示该特定呼吸周期的持续时间对应于实际呼吸周期的持续时间的较高。

处理设备120可以基于多个呼吸周期来确定呼吸周期的第一分布。例如，处理设备120可以在多个呼吸周期上执行第一模型拟合以生成第一模型拟合曲线。在一些实施例中，与受试目标(例如，患者)相关的呼吸信号中的多个呼吸周期可以满足一定的分布。该分布可以被假设为高斯分布、基于总体的预定模型(例如，基于更大的患者数据库的预定模型)等。因此，可以基于高斯模型、基于总体的预定模型等来执行第一模型拟合。在一些实施例中，假设与受试目标(例如，患者)相关联的呼吸信号中的多个呼吸周期满足高斯分布，则处理设备120可以对多个呼吸周期执行高斯拟合以生成第一高斯拟合曲线。如本文所使用的，高斯(或正态)分布是指实值随机变量的一种连续概率分布。例如，处理设备120可以将高斯分布拟合到多个呼吸周期的直方图以生成第一高斯拟合曲线。在一些实施例中，处理设备120可以基于第一高斯拟合曲线来确定平均呼吸周期、呼吸周期的方差、第一高斯拟合曲线的偏斜度。例如，处理设备120可以基于第一高斯拟合曲线中心的位置来确定平均呼吸周期。处理设备120可以基于第一高斯拟合曲线的高度和宽度来确定呼吸周期的变化。

在一些实施例中，处理设备120可以基于呼吸信号确定多个半呼吸周期。例如，处理设备120可以将在呼吸信号中的峰和对应的谷之间的多个持续时间确定为多个半呼吸周期。处理设备120可以确定多个半呼吸周期的直方图。处理设备120可以基于多个半呼吸周期来确定半呼吸周期的第二分布。例如，处理设备120可以在多个半呼吸周期上执行第二模型拟合，以生成第二模型拟合曲线。在一些实施例中，可以基于高斯模型、基于总体的预定模型等来执行第二模型拟合。

在一些实施例中，假设与受试目标(例如，患者)相关联的呼吸信号中的多个半呼吸周期满足高斯分布，则处理设备120可以对多个半呼吸周期执行高斯拟合，以生成第二高斯拟合曲线。例如，处理设备120可以将高斯分布拟合到多个半呼吸周期的直方图，以生成第二高斯拟合曲线。在一些实施例中，处理设备120可以基于第二高斯拟合曲线来确定平均半呼吸周期、半呼吸周期的方差、第二高斯拟合曲线的偏斜度。例如，处理设备120可以基于第二高斯拟合曲线中心的位置来确定平均半呼吸周期。处理设备120可以基于第二高斯拟合曲线的高度和宽度来确定半呼吸周期的方差。

在操作530中，处理设备120(例如，运动周期校正模块413)可以基于运动周期的分布来校正运动信号的运动周期，以获得校正后的运动周期。

在一些实施例中，呼吸信号可以对应于受试目标的多个呼吸阶段。在一些实施例中，受试目标(例如，患者)的呼吸阶段可以包括中间吸气阶段、结束吸气阶段、中间呼气阶段、结束呼气阶段等，或其任意组合。中间吸气阶段和结束吸气阶段也可以称为吸气阶段。中间呼气阶段和结束呼气阶段也可以称为呼气阶段。例如，在吸气阶段，患者可以扩张其胸部以在胸部产生负压。负压可以致空气流入患者的肺部。再例如，在呼气阶段，患者可以使胸部收缩以在胸部产生正压。正压可以将空气推出肺部。

在一些实施例中，在实际的呼吸周期中，中间吸气阶段可以是呼吸信号中的上升阶段。结束吸气阶段可以是呼吸信号中的上升阶段的结束，例如呼吸信号中的峰。中间呼气阶段可以是呼吸信号中的下降阶段。结束呼气期阶段可以是呼吸信号中的下降阶段的结束，例如呼吸信号中的谷。也就是说，实际的呼吸周期可以指的是从第一吸气末期到第二吸气末期的持续时间，也可以是从第一呼气末期到第二呼气末期的持续时间。实际呼吸周期中的呼吸信号可以从最高值降低到最低值，然后增加到最高值。也可以从最低值增加到最高值，然后降低到最低值。

在一些实施例中，在将示踪剂引入人体后的一段时间(例如30秒、60秒)内，人体中的示踪剂浓度分布可能会急剧变化。在该时间段中获得的呼吸信号可能会翻转。如本文所使用的，“呼吸信号翻转”可以指受试目标的呼吸信号与受试目标的实际呼吸状态相反。例如，如果呼吸信号被翻转，则呼吸信号的谷可能对应于实际呼吸状态的结束吸气阶段，并且峰可能对应于实际呼吸状态的结束呼气阶段。在一些实施例中，“呼吸信号翻转”可以指呼吸信号的每个呼吸周期被翻转。在一些实施例中，“呼吸信号翻转”可以指呼吸信号的一部分，包括一些呼吸周期被翻转。因此，需要校正呼吸信号的呼吸周期以获得校正后的呼吸周期。

在一些实施例中，处理设备120可以基于运动周期的分布来校正呼吸信号的呼吸周期。例如，处理设备120可以根据最大似然估计算法来校正呼吸信号的呼吸周期。在一些实施例中，处理设备120可以一次校正呼吸信号的一个呼吸周期。在一些实施例中，对于呼吸信号的多个峰中的每个峰，处理设备120可以确定在峰与对应的谷之间的第一持续时间、在峰与下一个峰之间的第二持续时间、以及在峰与相应谷的相邻谷之间的第三持续时间。

处理设备120可以基于第一模型拟合曲线(例如，第一高斯拟合曲线)或第二模型拟合曲线(例如，第二高斯拟合曲线)确定第一持续时间、第二持续时间和第三持续时间分别对应于实际呼吸周期的概率。在一些实施例中，处理设备120可以基于第一高斯拟合曲线、第一持续时间、第二持续时间和第三持续时间来确定第一持续时间、第二持续时间和第三持续时间中的每一个对应于实际呼吸周期的概率。例如，处理设备120可以基于第一高斯拟合曲线和第一持续时间来确定第一持续时间对应于实际呼吸周期的概率(也称为第一持续时间的概率)。具体地，处理设备120可以在第一高斯拟合曲线上选择具有第一持续时间的值的水平轴坐标(例如，X轴坐标)的点。处理设备120可以将所选点的垂直轴坐标(例如，Y轴坐标)确定为第一持续时间的概率。类似地，处理设备120可以确定第二持续时间对应于实际呼吸周期的概率(也称为第二持续时间的概率)、第三持续时间对应于实际呼吸周期的概率(也称为第三呼吸时间的概率)。

处理设备120可以将具有最大概率的第一持续时间、第二持续时间或第三持续时间确定为与实际呼吸周期相对应的持续时间。处理设备120可以基于与实际呼吸周期相对应的持续时间来校正呼吸信号的呼吸周期。在一些实施例中，处理设备120可以翻转呼吸信号的一个或多个峰和/或一个或多个谷。例如，处理设备120可以将呼吸信号的峰调低以产生新的谷。再例如，处理设备120可以将呼吸信号的谷向上翻转以产生新的峰。因此，校正后的呼吸信号的峰可以对应于实际运动状态的结束吸气阶段，并且校正后的呼吸信号的谷可以对应于实际运动状态的结束呼气阶段。

需要说明的是，假设在第一峰和第一谷之间的第一持续时间是4秒，在第一峰和第二峰之间的第二持续时间是8秒，在第一峰和第二谷之间的第三持续时间是10秒，第一持续时间的第一概率是0.8，第二持续时间的第二概率是0.5，第三持续时间的第三概率是0.2，处理设备120可以将第一峰和第一谷之间的第一持续时间确定为实际呼吸周期。如果第一峰是与结束吸气阶段相对应的第一实际峰，则处理设备120可以确定第一谷为与结束吸气阶段相对应的第二实际峰。然后，处理设备120可以使第一谷向上翻转以生成第二实际峰。

在一些实施例中，处理设备120可以一次校正呼吸信号的两个或更多个相邻的呼吸周期。例如，处理设备120可以确定呼吸信号中的相邻峰之间的持续时间、相邻谷之间的持续时间、峰和相应谷之间的持续时间、峰和相应峰的相邻谷之间的持续时间、谷和下一个峰之间的持续时间、谷和相应峰的下一个峰之间的持续时间中的多个组合。处理设备120可以基于第一模型拟合曲线(例如，第一高斯拟合曲线)或第二模型拟合曲线(例如，第二高斯拟合)来确定每个组合对应于两个或更多个相邻的实际呼吸周期的概率。处理设备120可以确定具有最大概率的组合，该组合的持续时间对应于两个或多个相邻的实际呼吸周期。处理设备120可以基于与两个或更多个相邻的实际呼吸周期相对应的持续时间来校正呼吸信号的呼吸周期。

例如，假设呼吸信号包括多个峰(例如，第一峰、第二峰、第三峰、第四峰、……和第n个峰)和多个谷(例如，第一谷、第二谷、第三谷、第四谷、……和第n谷)，并且处理设备120可以一次校正呼吸信号的两个相邻的呼吸周期。处理设备120可以确定呼吸信号中的第一组合是第一峰和第一谷之间的持续时间以及第一谷和第二峰之间的持续时间的组合。处理设备120可以确定第一组合对应于两个相邻的实际呼吸周期的第一概率P1。例如，处理设备120可以确定在第一峰和第一谷之间的持续时间对应于第一实际呼吸周期的概率P11，以及在第一谷和第二峰之间的持续时间对应于第二实际呼吸周期的概率P12。处理设备120可以通过将概率P11乘以概率P12(即，P1＝P11×P12)来确定第一概率P1。

处理设备120可以确定呼吸信号中的第二组合是第一峰和第一谷之间的持续时间以及第一谷和第二谷之间的持续时间的组合。处理设备120可以确定第二组合对应于两个相邻的实际呼吸周期的第二概率P2。例如，处理设备120可以确定在第一峰和第一谷之间的持续时间对应于第一实际呼吸周期的概率P21，以及在第一谷和第二谷之间的持续时间对应于第二实际呼吸周期的概率P22。处理设备120可以通过将概率P21乘以概率P22(即，P2＝P21×P22)来确定第二概率P2。

类似地，处理设备120可以确定多个组合。例如，处理设备120可以确定呼吸信号中的第三组合是第一峰和第一谷之间的持续时间与第一谷和第三峰之间的持续时间的组合。处理设备120可以确定呼吸信号中的第四组合是第一峰和第二峰之间的持续时间与第二峰和第二谷之间的持续时间的组合。处理设备120可以确定呼吸信号中的第五组合是第一峰和第二峰之间的持续时间与第二峰和第三峰之间的持续时间的组合。处理设备120可以确定呼吸信号中的第六组合是第一峰和第二峰之间的持续时间与第二峰和第三谷之间的持续时间的组合。处理设备120可以确定呼吸信号中的第七组合是第一峰和第二谷之间的持续时间与第二谷和第三峰之间的持续时间的组合。处理设备120可以确定呼吸信号中的第八组合是第一峰值和第二谷之间的持续时间与第二谷和第三谷之间的持续时间的组合。处理设备120可以确定呼吸信号中的第九组合是第一峰和第二谷之间的持续时间与第二谷和第四峰之间的持续时间的组合。处理设备120可以确定对应于多个组合的多个概率(例如，P3、P4、P5、P6、P7、P8、P9)。处理设备120可以将具有最大概率的组合确定为与两个相邻的实际呼吸周期相对应的持续时间。处理设备120可以基于与两个相邻的实际呼吸周期相对应的持续时间来校正呼吸信号的呼吸周期。

在操作540中，处理设备120(例如，重建模块414)可以通过基于校正后的运动周期对PET数据进行门控，来重建PET图像。

在一些实施例中，处理设备120可以基于门控方法来重建PET图像。本发明所使用的门控方法可以将PET数据划分为多个部分，并且可以选择其中一部分进行处理以生成PET图像。

在一些实施例中，处理设备120可以基于校正后的运动周期(例如，校正后的呼吸周期)来确定校正后的运动信号(例如，校正后的呼吸信号)。在一些实施例中，处理设备120可以根据受试目标的校正后的运动信号(例如，校正后的呼吸信号)来门控PET数据。在一些实施例中，处理设备120可以基于校正后的呼吸信号的时间将校正后的呼吸信号划分为多个呼吸阶段。在一些实施例中，处理设备120可以基于校正后的呼吸信号的时间将校正后的呼吸信号划分为N个部分，并且N个部分可以对应于N个呼吸阶段。例如，如果校正后的呼吸信号的呼吸周期为5秒，则可以根据时间间隔(例如0.5秒或1秒)划分校正后的呼吸信号的呼吸周期，校正后的呼吸信号的该呼吸周期可以分为N个呼吸阶段(例如，5/0.5或10个呼吸阶段，或5/1或5个呼吸阶段)。

在一些实施例中，处理设备120还可以确定与多个呼吸阶段相对应的门控PET数据的多个组(或称为帧)。例如，校正后的呼吸信号可以对应于N个呼吸阶段，并且处理设备120可以基于N个呼吸阶段将PET数据门控得到N组(或帧)门控PET数据。每组门控PET数据可以对应一个呼吸阶段。

在一些实施例中，处理设备120可以基于与呼吸阶段相对应的门控PET数据来重建多个门控PET图像。在一些实施例中，处理设备120可以基于门控PET数据的相应组来重建每个呼吸阶段的门控PET图像。在一些实施例中，处理设备120可以根据不同情况针对一部分呼吸阶段重建一个或多个门控PET图像。例如，处理设备120可以重建与中间吸气阶段相对应的门控PET图像。

在一些实施例中，处理设备120可以使用重构算法来重构门控PET图像。例如，重建算法可以包括衰减和活动的最大似然重建(MLAA)算法、迭代重建算法(例如，统计重建算法)、傅立叶切片定理算法、滤波反投影(FBP)算法、压缩感知(CS)算法、扇形波束重构算法、最大似然期望最大化(MLEM)算法、有序子集期望最大化(OSEM)算法、最大后验(MAP)算法、解析重构算法等，或其任何组合。

在一些实施例中，处理设备120可以基于一种或多种校正技术来校正门控PET图像。示例性校正技术可以包括随机校正技术、散射校正技术、空载时间校正技术等，或其任意组合。

应注意的是，上述描述仅仅为了说明目的而提供，并不限制本发明的范围。对于本领域普通技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，那些变化和修改不脱离本发明的范围。在一些实施例中，可以添加一个或多个操作。例如，可以在操作530之后添加用于校正运动信号的幅度信息的操作。关于运动信号幅度信息校正的更多描述可以在本发明中的其他地方找到(例如，图6及其描述)。

图6是示出根据本发明的一些实施例提供的校正运动信号的幅度信息的示例性过程的流程图。在一些实施例中，过程600可以在图1所示的成像系统100中实现。例如，过程600可以作为指令的形式存储在存储设备130和/或存储设备(例如，存储器220、存储器390)中，并由处理设备120调用和/或执行(例如，如图2所示的计算设备200的处理器210，图3所示的移动设备300的CPU 340)。下面对操作过程的目的进行说明。在一些实施例中，过程600可以利用一个或多个未描述的附加操作和/或没有所讨论的一个或多个操作来完成。另外，图6所示的过程和下面描述的内容并不对图6所示的操作顺序进行限制。

在操作610中，处理设备120(例如，获取模块421)可基于受试目标的PET数据获取受试目标的运动信号。可以在本发明的其他地方找到对获得运动信号的更多描述(例如，图5中的操作510及其描述)。

在操作620中，处理设备120(例如，包络线确定模块422)可以确定运动信号的包络线。

如本发明所使用的，运动信号的包络线可以指勾勒出其极值的平滑曲线。在一些实施例中，运动信号的包络线可以是连接运动信号的所有峰的平滑曲线。即，运动信号的包络线可以反映运动信号的所有峰的幅度变化。在一些实施例中，运动信号的包络线可以是连接运动信号的所有谷的平滑曲线。即，运动信号的包络线可以反映运动信号的所有谷的幅度变化。

在一些实施例中，处理设备120可以通过对运动信号执行希尔伯特变换来确定运动信号的包络线。如本发明所使用的，希尔伯特变换可以指代一个特定的线性算子，其采用一个实变量的函数u(t)并产生另一个实变量H(u)(t)的函数。在一些实施例中，处理设备120可以通过对运动信号执行希尔伯特变换来确定分析信号。如本发明所使用的，分析信号可以指不具有负频率分量的复数值函数。处理设备120可以基于分析信号来确定运动信号的包络线。例如，处理设备120可以将分析信号的幅度确定为运动信号的包络线。

在一些实施例中，处理设备120可以通过对运动信号执行最大移动操作来确定运动信号的包络线。例如，移动窗口可能会在运动信号上滑动。处理设备120可以确定移动窗口中的最大值。处理设备120可以通过对多个移动窗口中的多个最大值执行插值运算来确定运动信号的包络线。在一些实施例中，移动窗口的宽度可以由成像系统100的用户手动设置，或者根据不同情况由成像系统100的一个或多个组件(例如，处理设备120)确定。在一些实施例中，移动窗口的宽度可以是3秒、5秒、8秒等。

在一些实施例中，运动信号的包络线可以包括高频分量和低频分量。在一些实施例中，高频分量的幅度变化率可以小于阈值，并且低频分量的幅度变化率可以大于阈值。如本文所使用的，幅度变化率可以反映幅度变化的持续时间。高频分量的幅度变化率小于阈值(例如20秒)可以指示高频分量的幅度变化快于阈值(例如20秒)。例如，高频分量的幅度可以改变10秒，即，高频分量的幅度可以从0秒连续增加(或减小)到10秒。低频分量的幅度变化率大于阈值(例如20秒)可以指示低频分量的幅度变化慢于阈值(例如20秒)。例如，低频分量的幅度可以改变30秒，即，低频分量的幅度可以从0秒持续增加(或减小)到30秒。

在一些实施例中，阈值可以是存储在存储设备(例如，存储设备150)中的默认参数。在一些实施例中，阈值可以由成像系统100的用户手动设置，或者可以根据不同情况由成像系统100的一个或多个组件(例如，处理设备120)确定。例如，可以基于用户体验来确定阈值。作为另一实施例，可以基于多个实验结果来确定阈值。在一些实施例中，阈值可与受试目标体内示踪剂浓度的动态分布影响受试目标的呼吸运动的时间有关。例如，假设示踪剂浓度在受试目标体内的动态分布影响受试目标的呼吸运动超过20秒，则阈值可以设置为20秒。即，低频分量可以反映由示踪剂浓度在受试目标体内的动态分布引起的受试目标的呼吸信号的幅度变化。高频分量可以反映受试目标的呼吸信号的实际幅度变化。

在操作630中，处理设备120(例如，处理模块423)可以通过减小低频分量来获取运动信号的处理后的包络线，从而处理运动信号的包络线。

在一些实施例中，处理设备120可以通过在运动信号的包络线上执行低通滤波器来获取低频分量。处理设备120可以从运动信号的包络线中降低低频分量。如本文中所使用的，低通滤波器可以是一个滤波器，该滤波器能够使具有低于特定的截止频率的信号通过，并且使具有高于截止频率的信号衰减。在一些实施例中，截止频率可以是在操作620中描述的阈值。在一些实施例中，低通滤波器可以包括移动平均滤波器、理想低通滤波器、巴特沃思低通滤波器、高斯低通滤波器或类似滤波器等，或其任何组合。滑动平均滤波器可以包括简单的滑动平均滤波器、累积的滑动平均滤波器、加权的滑动平均滤波器等或它们的任意组合。

在一些实施例中，处理设备120可以通过在运动信号的包络线上执行简单的移动平均滤波器来获得低频分量。在一些实施例中，可以使用简单移动平均滤波器逐点运行信号，并且可以将特定点的值(例如，振幅值)替换为(或更新)平均值(例如，特定点的多个相邻点的平均值)。在一些实施例中，简单移动平均滤波器可以具有滤波器窗口。如本文所使用的，滤波器窗口可以用于拾取要在信号(例如，包络线)中处理的元素(例如，点)周围的邻近元素(例如，邻近点)的选择模式。例如，简单移动平均滤波器可以基于滤波器窗口中每个元素的多个相邻元素(例如，多个相邻点)对信号中的每个元素(例如，包络线中的每个点)执行相同或相似的动作。在一些实施例中，滤波器窗口可以在信号(例如，包络线)上滑动，并且可以处理信号(例如，包络线)中的每个点。例如，简单移动平均滤波器的滤波器窗口可以在信号上滑动，并且可以用滤波器窗口中最后一点之前的多个点的平均值代替滤波器窗口中最后一点的值。

在一些实施例中，处理设备120可以通过在运动信号的包络线上执行高通滤波器来减小低频分量。如本文所使用的，高通滤波器可以是使具有高于特定截止频率的信号通过，并且使具有低于截止频率的信号衰减的滤波器。在一些实施例中，截止频率可以是在操作620中描述的阈值。在一些实施例中，高通滤波器可以包括巴特沃思高通滤波器、高斯高通滤波器等，或其任何组合。

在操作640中，处理设备120(例如，幅度信息校正模块424)可以通过基于处理后的包络线校正运动信号的幅度信息来确定目标运动信号。

在一些实施例中，处理设备120可以基于处理后的包络线的幅度信息来校正运动信号的幅度信息。例如，处理设备120可以将处理后的包络线中的点的幅度确定为运动信号中的对应点(例如，对应的峰值，对应的谷)的幅度。

根据本发明的一些实施例，可以确定运动信号的包络线。可以通过减少包络线的低频分量来获得包络线的高频分量。可以基于包络线的高频分量来校正运动信号的幅度信息。因此，可以减小由示踪剂浓度在受试目标中的动态分布引起的受试目标的运动信号中的幅度变化，以进一步校正运动信号中的幅度信息。

在操作650中，处理设备120(例如，重构模块425)可以通过基于目标运动信号对PET数据进行门控，来重建PET图像。

在一些实施例中，处理设备120可以基于目标运动信号(例如，目标呼吸信号)的幅度将目标运动信号(例如，目标呼吸信号)划分为多个呼吸阶段。例如，可以基于目标呼吸信号的幅度来划分目标呼吸信号的周期。如果目标呼吸信号的幅度被分割成n个部分(例如，从最大幅度到最小幅度)，则目标呼吸信号的n个部分可以对应于n个呼吸阶段。

处理设备120可以确定与多个呼吸阶段相对应的多个门控PET数据组(或称为帧)。例如，呼吸信号可以对应于N个呼吸阶段，并且处理设备120可以基于N个呼吸阶段将PET数据门控成N组(或帧)门控PET数据。每组门控PET数据的可以对应于一个呼吸阶段。

处理设备120可以基于与多个呼吸阶段相对应的门控PET数据来重建多个门控PET图像。在一些实施例中，处理设备120可以基于相应组的门控PET数据来重建每个呼吸阶段的门控PET图像。在一些实施例中，处理设备120可以根据不同情况针对一部分呼吸阶段重建一个或多个门控PET图像。

在一些实施例中，处理设备120可以使用重建算法来重建门控PET图像。例如，重建算法可以包括衰减和活动的最大似然重建(MLAA)算法、迭代重建算法(例如统计重建算法)、傅立叶切片定理算法、滤波反投影(FBP)算法、压缩感知(CS)算法、扇形波束重构算法、最大似然期望最大化(MLEM)算法、有序子集期望最大化(OSEM)算法、最大后验(MAP)算法、解析重构算法等，或其任何组合。

应当注意，上述描述仅仅是出于说明的目的，并不旨在限制本发明的范围。对于本领域普通技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，那些变化和修改不脱离本发明的范围。

图7A示出了使用常规数据驱动方法提取的示例性呼吸信号。图7B示出了使用基于VOI的数据驱动方法提取的示例性呼吸信号，该方法没有本发明中所述的校正过程。图7C示出了根据本发明的图5和图6所示的校正过程的示例性呼吸信号。

如图7A-图7C所示，一个呼吸信号(例如，一个呼吸信号710、一个呼吸信号720、一个呼吸信号730)可以在一个二维坐标系中表示。二维坐标系可以包括表示时间的X轴和表示幅度的Y轴。例如，呼吸信号可能在Y轴上显示幅度，而幅度可能随X轴上的时间而变化。

如图7A所示，可以采用传统的数据驱动方法提取呼吸信号710。在前60秒，由于受试目标体内示踪剂浓度的动态分布，呼吸信号710出现剧烈波动。100秒后，在呼吸信号710中可能几乎看不到一个呼吸运动峰和一个呼吸运动谷。如图7B所示，可以使用与操作520相关的基于VOI的数据驱动方法来提取呼吸信号720。在呼吸信号720中可以直观地观察到呼吸运动的峰谷。然而，呼吸信号720的呼吸周期和幅度信息可能需要校正，特别是在最初的60秒。如图7C所示，呼吸信号730可以根据本发明中描述的过程500和过程600，通过校正呼吸周期和呼吸信号720的幅度信息来确定。因此，通过使用本发明所述的呼吸信号校正方法，可以减少示踪剂浓度在受试目标体内的动态分布对呼吸信号采集的影响。

图8是根据本发明的一些实施例提供的示例性门控PET图像。如图8所示，810是指基于在前300秒获取的门控PET数据重建的门1处的PET图像(例如，吸气末端)。820是指基于在前300秒中获取的门控PET数据而重建的门4处的PET图像(例如，呼气末端)。可以基于根据本发明中描述的过程500和过程600校正的呼吸信号来门控PET数据。为了观察PET图像中受受试目标的呼吸运动影响的组织或器官的运动，对PET数据不进行散点校正和衰减校正。如图8所示，箭头A和箭头A'指向A研究受试目标的上肺的主动脉弓，箭头B和箭头B'指向研究受试目标的肝脏，箭头C和箭头C'指向研究受试目标的肾脏。通过比较门1的PET图像810和门4的PET图像820，可见受试目标上肺的主动脉弓有轻微的运动，但呼吸时受试目标的肝脏和肾脏有较大的运动。

图9根据本发明的一些实施例举例说明了门控PET图像。如图9所示，910是指在门1(如吸气末端)处，基于前90秒获得的门控PET数据重建的PET图像。920是指在门4(如呼气末端)处根据前90秒获得的门控PET数据重建的PET图像。前90秒可能是示踪剂浓度分布在受试目标体内发生剧烈变化的时间段。正电子发射断层扫描数据可能基于本发明中描述的过程500和过程600校正的呼吸信号。为了观察PET图像中受受试目标呼吸运动影响的组织或器官的运动，对PET数据不进行散点校正和衰减校正。如图9所示，箭头D和箭头D'指向受试目标的肝脏。通过比较门1的PET图像910和门4的PET图像920，可知受试目标的肝脏在呼吸过程中有较大的运动。因此，根据校正后的呼吸信号，基于PET数据门控重建的PET图像，可以显示受受试目标呼吸运动影响的组织或器官的运动。

应当指出，上述描述仅仅是出于说明的目的，并不旨在限制本发明的范围。对于本领域普通技术人员而言，可以在本发明的教导下进行多种变化和修改。然而，那些变化和修改不脱离本发明的范围。

在这样描述了基本概念之后，对于本领域技术人员而言，在阅读了本申请的详细描述之后，可以很明显地认识到，上述详细公开仅旨在通过举例的方式进行描述，而并非是限制性的。尽管这里没有明确说明，但是各种改变、改进和修改可能发生并可本领域技术人员实现。这些改变、改进和修改均可经由本申请启示得到，并且在本申请的示例性实施例的精神和范围内。

此外，某些术语被用于描述本申请的实施例。例如，术语“一个实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征、结构或特性均包括在本申请公开的至少一个实施例中。因此，应当强调并且应当理解，在本申请的各个部分中对“一个实施例”或“一些实施例”的两次或多次引用不一定都是指同一实施例。此外，可以在本申请的一个或多个实施例中适当地组合特定特征、结构或特征。

此外，本领域技术人员将理解，本发明的各个方面可以在许多可专利的文本中加以说明和描述，包括任何新的和有用的工艺、机器、制造或物质的组成，或其任何新的和有用的改进。因此，本发明的各个方面可以完全通过硬件实现，完全通过软件实现(包括固件、驻留软件、微代码等)，或者结合软件和硬件实现，这些实现在这里通常被称为“单元”、“模块”或“系统”。此外，本发明的各个方面可以采用包括计算机可读程序代码的一个或多个计算机可读介质而呈现的计算机程序产品的形式。

计算机可读介质可以包括传播的数据信号，其中包括计算机可读程序代码，例如，基带或作为载波的一部分。这种传播的信号可以采取各种形式中的任何一种，包括电磁、光学等，或者它们的任何适当组合。计算机可读信号介质可以是非计算机可读存储介质的任何计算机可读介质，并且可以通信、传播或传输供指令执行系统、设备或装置使用或与其结合使用的程序。包含在计算机可读信号介质上的程序代码可以使用任何适当的介质来进行传输，包括无线、有线、光纤电缆、射频等，或以上的任何适当组合。

用于执行本申请的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括面向对象的编程语言，如Java、Scala、SmallTalk、Eiffel、JADE、Emerald、C++、C#、VB.net、Python等，传统的程序化编程语言，如C语言、Visual Basic、Fortran 2103、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言。程序代码可以完全在用户的计算机上执行，一部分在用户的计算机上执行，作为独立的软件包，一部分在用户的计算机上执行，一部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以连接到外部计算机(例如，通过使用Internet服务提供商的Internet)，或在云计算环境中，或作为服务提供，如软件即服务(SaaS)。

此外，处理元件或序列的列举顺序，或因此而使用的数字、字母或其他名称，并不会将所要求保护的过程和方法限制为任何顺序，除非权利要求中另有规定。尽管上述公开内容通过各种示例讨论了当前被认为是本申请的各种有用实施例的内容，但是应当理解，这些细节仅用于解释的目的，并且所附权利要求不限于所公开的实施例，而是旨在涵盖在所公开实施例的构思和范围内的修改和等效布置。例如，虽然上面描述的各种组件的实现可以体现在硬件设备中，但是它也可以被实现为仅软件的解决方案，例如，在现有服务器或移动设备上的安装。

类似地，应当理解，在本申请的实施例的前述描述中，各种特征有时在单个实施例、图或其描述中被组合在一起，以简化本发明，有助于理解一个或多个各种发明实施例。然而，这种披露方法不应被解释为反映了这样一种意图，即所要求保护的标的物需要比每项权利要求中明确陈述的更多的特征。本申请实施例存在特征比单个前述公开实施例的所有特征更少的实施例。

Claims (18)

1.一种运动信号重新校准的方法，在具有至少一个处理器和至少一个存储设备的计算设备上实现，其特征在于，该方法包括以下步骤：

基于受试目标的PET数据获取所述受试目标的运动信号，其中，所述运动信号表示多个运动周期；

确定所述运动周期的分布，其中，所述运动周期的分布表示所述多个运动周期中的每个运动周期对应于实际运动周期的概率；

根据所述运动周期的分布校正所述运动信号的运动周期，以获得校正后的运动周期；以及

通过基于所述校正后的运动周期对所述PET数据进行门控，来重建PET图像。

2.根据权利要求1所述的运动信号重新校准的方法，其特征在于，所述运动信号包括呼吸信号，所述呼吸信号包括多个峰和多个谷，并且所述运动周期为呼吸周期，其中，所述呼吸周期包括相邻峰之间的持续时间或相邻谷之间的持续时间，半呼吸周期包括一个峰和一个相应的谷之间的持续时间；

其中，所述确定所述运动周期的分布的步骤进一步包括以下步骤：

基于所述呼吸信号确定多个呼吸周期；

基于所述多个呼吸周期确定呼吸周期的第一分布，其中，所述第一分布包括平均呼吸周期、呼吸周期的方差、第一分布的偏斜度中的至少一个；以及

基于所述呼吸信号确定多个半呼吸周期；以及

基于所述多个半呼吸周期确定半呼吸周期的第二分布，其中，所述第二分布包括平均半呼吸周期、半呼吸周期的方差、第二分布的偏斜度中的至少一个。

3.根据权利要求2所述的运动信号重新校准的方法，其特征在于：

所述基于所述多个呼吸周期确定所述呼吸周期的第一分布的步骤进一步包括：

对所述多个呼吸周期进行第一模型拟合，以生成第一模型拟合曲线；以及

所述基于所述多个半呼吸周期确定所述半呼吸周期的第二分布的步骤进一步包括：

对所述多个半呼吸周期进行第二模型拟合，以生成第二模型拟合曲线。

4.根据权利要求3所述的运动信号重新校准的方法，其特征在于：

所述第一模型拟合是基于高斯模型和基于总体的预定模型中的至少一个来实现的；和/或

所述第二模型拟合是基于高斯模型和基于总体的预定模型中的至少一个来实现的。

5.根据权利要求3所述的运动信号重新校准的方法，其特征在于，所述根据所述运动周期的分布校正所述运动信号的运动周期的步骤进一步包括以下步骤：

对于所述呼吸信号的多个峰中的每个峰，确定峰与相应的谷之间的第一持续时间、峰与下一个峰之间的第二持续时间、以及峰与相应的谷的相邻谷之间的第三持续时间；

基于所述呼吸周期的第一分布和所述半呼吸周期的第二分布中的至少一个，确定所述第一持续时间、所述第二持续时间、和所述第三持续时间中的每一个对应于实际呼吸周期的概率；

将具有最大概率的所述第一持续时间、所述第二持续时间、或所述第三持续时间确定为与所述实际呼吸周期相对应的持续时间；以及

根据与所述实际呼吸周期相对应的持续时间校正所述呼吸信号的呼吸周期。

6.根据权利要求1所述的运动信号重新校准的方法，其特征在于，所述基于所述受试目标的PET数据获取所述受试目标的运动信号的步骤进一步包括以下步骤：

获取与所述受试目标相关的PET数据；

根据所述PET数据确定VOI；以及

根据所述VOI和所述PET数据确定所述受试目标的运动信号。

7.根据权利要求1所述的运动信号重新校准的方法，其特征在于，所述运动信号包括幅度信息，所述通过基于校正后的运动周期对所述PET数据进行门控，来重建PET图像的步骤进一步包括以下步骤：

校正所述运动信号的幅度信息；

根据校正后的运动周期和校正后的运动信号的幅度信息，确定目标运动信号；以及

通过基于所述目标运动信号对所述PET数据进行门控，来重建所述PET图像。

8.根据权利要求7所述的运动信号重新校准的方法，其特征在于，所述校正所述运动信号的幅度信息的步骤进一步包括以下步骤：

确定所述运动信号的包络线，其中，所述运动信号的包络线包括高频分量和低频分量；

通过降低所述低频分量来处理所述运动信号的包络线，以获得所述运动信号的处理后的包络线；以及

基于所述运动信号的处理后的包络线，校正所述运动信号的幅度信息。

9.根据权利要求8所述的运动信号重新校准的方法，其特征在于，所述高频分量的幅度变化率小于阈值，所述低频分量的幅度变化率大于阈值。

10.根据权利要求9所述的运动信号重新校准的方法，其特征在于，所述阈值为20秒。

11.根据权利要求10所述的运动信号重新校准的方法，其特征在于，通过对所述运动信号进行希尔伯特变换和最大运动运算中的至少一项，来确定所述运动信号的包络线。

12.根据权利要求8所述的运动信号重新校准的方法，其特征在于，所述通过降低所述低频分量来处理所述运动信号的包络线的步骤进一步包括以下步骤：

通过在所述运动信号的包络线上执行移动平均滤波器来获取所述低频分量；以及

降低所述运动信号的包络线中的所述低频分量。

13.根据权利要求8所述的运动信号重新校准的方法，其特征在于，所述通过降低所述低频分量来处理所述运动信号的包络线的步骤进一步包括以下步骤：

在所述运动信号的包络线上执行高通滤波器。

14.一种运动信号重新校准的系统，该系统包括：至少一个存储装置，其存储一组指令；以及至少一个处理器，其与所述至少一个存储装置通信；其特征在于，当执行所存储的所述指令时，至少一个处理器使系统执行上述权利要求1至13中任一项所述的运动信号重新校准的方法。

15.一种非暂时性计算机可读介质，该非暂时性计算机可读介质包括至少一组指令；其特征在于，当由计算设备的至少一个处理器执行时，至少一组指令使至少一个处理器实现上述权利要求1至13中任一项所述的运动信号重新校准的方法。

16.一种运动信号重新校准的方法，在具有至少一个处理器和至少一个存储设备的计算设备上实现，其特征在于，该方法包括以下步骤：

基于受试目标的PET数据，获得与所述受试目标相关的运动信号；

确定所述运动信号的包络线，其中，所述运动信号的包络线包括高频分量和低频分量；

通过降低所述低频分量来处理所述运动信号的包络线，以获取所述运动信号的处理后的包络线；以及

通过基于所述处理后的包络线校正所述运动信号的幅度信息，来确定目标运动信号。

17.一种运动信号重新校准的系统，该系统包括：至少一个存储装置，其存储一组指令；以及至少一个处理器，其与所述至少一个存储装置通信；其特征在于，当执行所存储的所述指令时，至少一个处理器使系统执行上述权利要求16所述的运动信号重新校准的方法。

18.一种非暂时性计算机可读介质，该非暂时性计算机可读介质包括至少一组指令；其特征在于，当由计算设备的至少一个处理器执行时，至少一组指令使至少一个处理器实现上述权利要求16所述的运动信号重新校准的方法。

Images