CN112365479B - Pet参数图像处理方法、装置、计算机设备及存储介质 - Google Patents
Pet参数图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112365479B CN112365479B CN202011271324.0A CN202011271324A CN112365479B CN 112365479 B CN112365479 B CN 112365479B CN 202011271324 A CN202011271324 A CN 202011271324A CN 112365479 B CN112365479 B CN 112365479B
- Authority
- CN
- China
- Prior art keywords
- image
- pet
- parameter
- dynamic
- evaluation index
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000012636 positron electron tomography Methods 0.000 description 245
- 239000000700 radioactive tracer Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical group OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000005658 nuclear physics Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 230000026731 phosphorylation Effects 0.000 description 1
- 238000006366 phosphorylation reaction Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/30—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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/412—Dynamic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种PET参数图像处理方法、装置、计算机设备及存储介质。该方法包括：通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型，通过动力学参数模型以及测量动态PET图像，获取PET参数图像的评价指标，通过评价指标对PET参数图像进行图像去噪处理，获取目标去噪参数图像，使得对PET参数图像去噪时，综合考虑获取到的动态PET图像会产生运动伪影、噪声以及与检测对象不同组织结构不匹配动力学参数模型的影响，得到评价指标，通过评价指标实现图像去噪后，获取到的PET参数图像的精度较高。
Description
技术领域
本申请涉及医学图像处理技术领域，特别是涉及一种PET参数图像处理方法、装置、计算机设备及存储介质。
背景技术
正电子发射断层图像(Positron Emission Tomography，PET)是一种基于核物理学、分子生物学的医学影像技术，现已被广泛应用于医学领域的诊断和研究。动态PET成像不仅能显示示踪剂浓度的空间分布，还揭示了示踪剂随时间代谢的动态过程。通过应用动力学模型，即可获得具有丰富临床诊断作用的定量参数，从而为疾病诊断、治疗和药物开发提供指导。
传统技术中，采用动态重建的方式拟合动态PET图像，并通过Patlak图形法拟合PET参数图像的斜率和偏置，进而获得PET参数图像，以反映示踪剂在检测对象组织内的代谢过程。但是，由于检测对象的呼吸运动和检测对象的不同组织结构的原因，使得传统技术中获取到的动态PET图像会产生运动伪影、噪声以及与检测对象不同组织不匹配动力学参数模型的结果，从而导致获取的PET参数图像的精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高PET参数图像精度的PET参数图像处理方法、装置、计算机设备及存储介质。
一种PET参数图像处理方法，所述方法包括：
通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
在其中一个实施例中，所述通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标，包括：
根据所述动力学参数模型以及所述测量动态PET图像，计算所述PET参数图像；
通过所述PET参数图像以及所述测量动态PET图像，获取所述PET参数图像的评价指标。
在其中一个实施例中，所述动力学参数模型影响因子包括噪声影响因子、运动伪影影响因子和检测对象至少一种组织不匹配动力学参数模型影响因子中的至少一个影响因子。
在其中一个实施例中，所述通过所述PET参数图像以及所述测量动态PET图像，获取所述PET参数图像的评价指标，包括：
通过所述PET参数图像以及所述动力学参数模型，获取预估动态PET图像；
通过所述测量动态PET图像以及所述预估动态PET图像进行算术运算，得到所述PET参数图像的评价指标。
在其中一个实施例中，所述通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像，包括：
采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
通过所述评价指标的平滑核，对所述PET参数图像进行去噪处理，得到所述目标去噪参数图像。
在其中一个实施例中，所述采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核，包括：采用高斯去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
在其中一个实施例中，所述通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像，包括：
获取所述PET参数图像对应的PET参数数据；
采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
通过所述PET参数数据、所述PET参数图像对应的投影数据以及所述评价指标的平滑核进行去噪重建处理，得到所述目标去噪参数图像。
一种PET参数图像处理装置，所述装置包括：
参数模型构建模块，用于通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
评价指标获取模块，用于通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
图像去噪模块，用于通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
上述PET参数图像处理方法、装置、计算机设备及存储介质，该方法通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型，通过动力学参数模型以及测量动态PET图像，获取PET参数图像的评价指标，通过评价指标对PET参数图像进行图像去噪处理，获取目标去噪参数图像，使得对PET参数图像去噪时，综合考虑获取到的动态PET图像会产生运动伪影、噪声以及与检测对象不同组织结构不匹配动力学参数模型的影响，得到评价指标，通过评价指标实现图像去噪后，获取到的PET参数图像的精度较高。
附图说明
图1为一个实施例中PET参数图像处理方法的流程示意图；
图2为另一个实施例中获取PET参数图像评价指标的流程示意图；
图3为另一个实施例中获取PET参数图像评价指标的具体流程示意图；
图4为另一个实施例中获取目标去噪参数图像的具体流程示意图；
图5为另一个实施例中另一种获取目标去噪参数图像的具体流程示意图；
图6为另一个实施例中PET参数图像处理装置的结构示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本实施例提供的PET参数图像处理方法，可以适用于计算机设备中。该计算机设备可以为工作站、服务器或被配置成应用图像处理和/或生成放射学报告的其他设备的一部分，该计算机设备可以应用在医疗设备系统、医学成像系统、医学诊断系统、医学系统、医学建模系统、企业成像解决方案系统、高级诊断工具系统、模拟系统、图像管理平台系统、护理实施管理系统、人工智能系统、机器学习系统、神经网络系统、建模系统等，本实施例对计算机设备的具体形式不做限定。
需要说明的是，本申请实施例提供的PET参数图像处理方法，其执行主体可以是PET参数图像处理装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例的执行主体以计算机设备为例来进行说明。
图1为一实施例提供的PET参数图像处理方法的流程示意图。本实施例涉及的是如何对PET参数图像进行图像去噪的过程。如图1所示，该方法包括：
S1000、通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型。其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数。
具体的，上述测量动态PET图像可以表征为通过PET扫描设备对检测对象进行扫描并重建的扫描结果，该测量动态PET图像可以为实际测量获取的四维图像；上述PET参数图像可以表征为对测量动态PET图像进行处理后得到的三维图像。另外，采集检测对象不同组织结构的测量动态PET图像时，可以设置不同的扫描时间、扫描范围或者门控数。可选的，上述动力学参数模型影响因子可以表征对测量动态PET图像具有影响的影响参数，该影响参数可以包括：噪声影响参数、运动伪影影响参数和/或检测对象不同组织不匹配动力学参数模型影响参数等。
示例性的，测量动态PET图像由动态PET数据重建获取，即“测量动态PET图像”也可称为“初始重建PET图像”。测量动态PET图像的重建方式可以为迭代重建、滤波反投影(FBP)重建，还可以是基于飞行时间(TOF)的PET重建。在一个实施例中，测量动态PET图像通过如下方式获得：使用TOF重建方法重建TOF数据获得TOF图像；将TOF图像馈送到非TOF数据的非TOF重建中(例如，作为惩罚与TOF图像的大偏离的先验图像，或者作为初始图像估计)，并且得到的非TOF图像被馈送回到TOF重建的连续迭代。本实施例中对于测量动态PET图像的重建方法不作具体限制。
需要说明的是，计算机设备可以通过测量动态PET图像和动力学参数模型影响因子，构建动力学参数模型。可选的，示踪剂选择氟脱氧葡萄糖(FDG)，示踪剂动力学模型表征代谢过程，K1表征氟代脱氧葡萄糖进入组织的速率(或氟代脱氧葡萄糖从血管到组织细胞的运输速率)；k2表征从组织细胞到血管的运输速率；k3代表细胞内FDG磷酸化为FDG6P的速率。可选的，动力学参数模型可以为一种基于Patlak模型的示踪剂动力学模型。其中，上述测量PET参数图像可以包括Ki的参数图像和Vb参数图像；Ki可以为Patlak的斜率，其可反应被细胞捕获/磷酸化的FDG，反映了被细胞捕获或磷酸化的氟代脱氧葡萄糖，浓聚区域表征更高的代谢率；Vb参数图像为Patlak的截距，其反应游离FDG。Vb表征在某种意义上的血液占比。
需要说明的是，令测量动态PET图像为X(t)，对于动力学参数模型，通常有X(t)＝F(P)，也即其中，CP(t)为输入函数，可以通过在动态PET图像上对心脏血池区域进行勾画后获取，P为PET参数图像，P＝[P1,P2]，F(P)为对PET参数图像反算后的图像(如PET图像)，在动力学参数模型中，P1可以为Ki，P2可以为Vb。当然，PET参数图像的P1、P2可以为K1、K2、K3等其他参数图像，即本实施例中对于参数图像的种类不作具体限制。另外，不同的测量动态PET图像具有不同的动力学参数模型。但是，由于噪声影响、运动伪影影响和检测对象不同组织不匹配动力学参数模型的影响，因此，本实施例在建立动力学参数模型，需要考虑这些影响，得到实际的动力学参数模型有X(t)＝F(P)+e。在本实施例中，动力学参数模型影响因子e可以包括噪声影响因子、运动伪影影响因子和检测对象不同组织不匹配动力学参数模型影响因子中的至少一个影响因子。
S2000、根据所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标。其中，所述评价指标为衡量所述PET参数图像精准度的参数。
具体的，计算机设备可以根据动力学参数模型和测量动态PET图像，计算PET参数图像的评价指标。可选的，上述评价指标可以为用来衡量PET参数图像精准度的参数；该评价指标的取值范围可以为0～1；评价指标接近1时，表征PET参数图像的噪声和运动伪影较小，且检测对象不同组织与动力学参数模型的匹配程度较好，评价指标接近0时，表征PET参数图像的噪声和运动伪影较大，且检测对象不同组织与动力学参数模型的匹配程度较差。
S3000、通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
具体的，计算机设备可以通过获取到的评价指标，对PET参数图像进行图像去噪处理，得到目标去噪参数图像。可选的，上述图像去噪处理方法可以为高斯滤波、均值滤波、双边滤波或中值滤波等。
上述PET参数图像处理方法中，通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型，根据动力学参数模型以及测量动态PET图像，获取PET参数图像的评价指标，并通过评价指标对PET参数图像进行图像去噪处理，获取目标去噪参数图像，使得对PET参数图像去噪时，综合考虑获取到的测量动态PET图像会产生运动伪影、噪声以及与检测对象不同组织结构不匹配动力学参数模型的影响，得到评价指标，通过评价指标实现图像去噪后，获取到的PET参数图像的精度较高。
在另一个实施例中，如图2所示，上述S2000中根据所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标的步骤，可以通过以下步骤实现：
S2100、根据所述动力学参数模型以及所述测量动态PET图像，计算所述PET参数图像。
具体的，计算机设备可以根据实际动力学参数模型X(t)＝F(P)+e，与测量动态PET图像X(t)计算PET参数图像P。
S2200、通过所述PET参数图像以及所述测量动态PET图像，获取所述PET参数图像的评价指标。
具体的，计算机设备可以通过PET参数图像、测量动态PET图像和动力学参数模型进行算术运算，以获取PET参数图像的评价指标。可选的，上述算术运算可以包括加法运算、减法运算、乘法运算和除法运算中的一种或多种组合运算。
其中，如图3所示，上述S2200中通过所述PET参数图像以及所述测量动态PET图像，获取所述PET参数图像的评价指标的步骤，具体可以通过以下步骤实现：
S2210、通过所述PET参数图像以及所述动力学参数模型，获取预估动态PET图像。
具体的，计算机设备可以通过PET参数图像和实际动力学参数模型X'(t)＝F(P)+e，获取预估动态PET图像X'(t)。
S2220、通过所述测量动态PET图像以及所述预估动态PET图像进行算术运算，得到所述PET参数图像的评价指标。
需要说明的是，计算机设备可以将预估动态PET图像X'(t)中的每个像素值相加后在求平均，得到预估动态PET图像平均值可选的，计算机设备可以通过实际动力学参数模型、测量动态PET图像X(t)和预估动态PET图像平均值/>进行算术运算，得到PET参数图像的评价指标R2。
可以理解的是，计算机设备对测量动态PET图像的像素值和预估动态PET图像平均值(像素平均值)作差的结果为然后根据该结果与实际动力学参数模型X(t)＝F(P)+e，计算PET参数图像的评价指标。其中，PET参数图像的评价指标R2的计算公式可以表达为：
上述PET参数图像处理方法可以获取PET参数图像的评价指标，进一步通过评价指标对PET参数图像进行图像去噪处理，获取目标去噪参数图像，该方法能够综合考虑获取到的测量动态PET图像会产生运动伪影、噪声以及与检测对象不同组织结构不匹配动力学参数模型的影响，获取PET参数图像的评价指标，并通过评价指标对PET参数图像进行图像去噪，从而提高获取到的PET参数图像的精度。
作为其中一个实施例，如图4所示，上述S3000中通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像的步骤，具体可以通过以下步骤实现：
S3100、采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
具体的，上述去噪模型可以为加性去噪模型、乘性去噪模型、外部去噪模型或内部去噪模型等等。
其中，上述S3100中采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核的步骤，具体可以包括：采用高斯去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
在本实施例中，上述去噪模型可以为高斯去噪模型；高斯去噪模型可以表示为可选的，评价指标的平滑核可以表达为G(u,v,w)T(R2)/∫T(R2)dudvdw。
S3200、通过所述评价指标的平滑核，对所述PET参数图像进行去噪处理，得到所述目标去噪参数图像。
具体的，计算机设备可以通过评价指标的平滑核，对PET参数图像进行去噪处理，得到目标去噪参数图像。可选的，去噪处理的具体过程可以通过公式(1)实现：
P”(x,y,z)＝∫P(x+u,y+v,z+w)·G(u,v,w)T(R2)dudvdw/∫T(R2)dudvdw (1)；
其中，P”(x,y,z)表示目标去噪参数图像，T(R2)表示R2的线性单增变换，并且满足T(1)＝1，T(0)＝0，x表示像素点的沿X轴方向的坐标，y表示像素点的沿Y轴方向的坐标，z表示像素点的沿Z轴方向的坐标，u表示像素点的沿X轴方向的去噪范围，v表示像素点的沿Y轴方向的去噪范围，w表示像素点的沿Z轴方向的去噪范围。
上述PET参数图像处理方法可以根据获取到的评价指标，对PET参数图像进行图像去噪，从而提高了获取到的PET参数图像的精度。
作为其中一个实施例，如图5所示，上述S3000中通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像的步骤，具体还可以通过以下步骤实现：
S3300、获取所述PET参数图像对应的PET参数数据。
具体的，上述PET参数图像的另一种表达形式可以为PET参数。因此，计算机设备可以获取PET参数图像对应的PET参数数据。
S3400、采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
具体的，上述去噪模型可以为加性去噪模型、乘性去噪模型、外部去噪模型或内部去噪模型等等。在本实施例中，上述去噪模型可以为高斯去噪模型；高斯去噪模型可以表示为σ表示正态分布的标准差。可选的，评价指标的平滑核可以表达为G(u,v,w)T(R2)/∫T(R2)dudvdw。
S3500、通过所述PET参数数据、所述PET参数图像对应的投影数据以及所述评价指标的平滑核进行去噪重建处理，得到所述目标去噪参数图像。
需要说明的是，计算机设备可以通过PET参数数据、PET参数图像对应的投影数据和评价指标的平滑核进行去噪重建处理，得到目标去噪参数图像。可选的，PET参数图像对应的投影数据可以包括PET参数图像对应的投影矩阵和PET参数图像上所有时间帧的投影数据。上述去噪重建处理后可以先得到初始去噪参数图像，具体可以通过以下过程实现：
此时，公式(2)中的P表示初始去噪参数图像，H表示PET参数图像的投影矩阵，Y表示PET参数图像的投影图像，s表示PET参数图像的散射分量，r表示随机函数，n表示图像重建迭代次数，n为正整数，F表示对PET参数图像反算后的图像，HT表示PET参数图像的投影矩阵的转置，G表示高斯去噪模型；
进一步，计算机设备可以对初始去噪重建图像进行更新处理，得到目标去噪参数图像；具体更新过程可以通过以下公式实现：
此时，公式(3)中的P表示目标去噪参数图像，G'可以等于G*T(R2)表示矩阵元素乘法，G'P表示矩阵形式，将G'P写成矩阵元素形式可以用上述公式(1)右侧代替。
上述PET参数图像处理方法可以根据获取到的评价指标，对PET参数图像进行图像去噪处理，从而能够较佳的提高获取到的PET参数图像的精度。
在前述实施例的基础上，本申请还提出一种PET数据处理方法，其主要包括：
首先，获取检测对象的PET数据，并根据PET数据得到测量动态PET图像。可选的，该PET数据为检测对象注射示踪剂后，全景扫描视野下采集获得。在此实施例中，将多种示踪剂分别在不同时刻注入检测对象身体部位，根据PET数据得到测量动态PET图像的过程可包括：采用PET成像系统对检测对象全身进行实时探测获取若干组符合计数，即获取PET数据，且每组符合计数都对应相应的示踪剂，被扫描部位可选择为头、颈、胸、腹部或盆腔等身体区域；基于上述采集的符合计数重建得到若干帧PET图像，即测量动态PET图像。
其次，获取PET参数图像的评价指标，该评价指标用于表征测量动态PET图像与示踪剂动态参数估计所对应的预估动态PET图像的匹配度。可选的，示踪剂动态参数估计可以包括：根据重建得到的PET图像获取不同时刻之间的血液活度样本值；根据不同时刻之间的血液活度样本值分别获取多种示踪剂分别单独作用下的血液活度曲线；根据每种示踪剂对应的符合计数和单独作用下的时间活度曲线分别采用相应的线性模型获取每种示踪剂的动态参数估计。进一步的，根据前述图3所示的步骤即可获得示踪剂动态参数估计所对应的预估动态PET图像。最后，根据评价指标，校正示踪剂的动态参数估计。示例性的，可参考前述公式(1)或(3)所示的方法。本申请实施例的方案，可适用于全景PET扫描，能够像素级校正运动伪影对于动态参数估计的影响；应用于不同的扫描对象，具有良好的个体适应性。
应该理解的是，虽然图1～5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1～5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
图6为一实施例提供的PET参数图像处理装置的结构示意图。如图6所示，该装置可以包括：参数模型构建模块11、评价指标获取模块12以及图像去噪模块13。
具体的，所述参数模型构建模块11，用于通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
所述评价指标获取模块12，用于通过所述动力学参数模型以及所述测量动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
所述图像去噪模块13，用于通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述评价指标获取模块12包括：PET参数图像计算单元以及评价指标获取单元。
具体的，所述PET参数图像计算单元，用于根据所述动力学参数模型以及所述测量动态PET图像，计算所述PET参数图像；
所述评价指标获取单元，用于通过所述PET参数图像以及所述测量动态PET图像，获取所述PET参数图像的评价指标。
其中，所述动力学参数模型影响因子包括噪声影响因子、运动伪影影响因子和检测对象不同组织不匹配动力学参数模型影响因子中的至少一个影响因子。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述评价指标获取单元包括：动态PET图像预估子单元以及算术运算子单元。
其中，所述动态PET图像预估子单元，用于通过所述PET参数图像以及所述动力学参数模型，获取预估动态PET图像；
所述算术运算子单元，用于通过所述测量动态PET图像以及所述预估动态PET图像进行算术运算，得到所述PET参数图像的评价指标。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述图像去噪模块13包括：平滑核获取单元以及去噪单元。
具体的，所述平滑核获取单元，用于采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
所述去噪单元，用于通过所述评价指标的平滑核，对所述PET参数图像进行去噪处理，得到所述目标去噪参数图像。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述平滑核获取单元具体用于采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在其中一个实施例中，所述图像去噪模块13还包括：参数数据单元、平滑核获取单元以及去噪重建单元。
具体的，所述PET参数数据单元，用于采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
所述重建单元，用于通过所述评价指标，对所述PET参数数据进行重建，获取所述评价指标的平滑核；
所述去噪重建单元，用于通过所述PET参数数据、所述PET参数图像对应的投影数据以及所述评价指标的平滑核进行去噪重建处理，得到所述目标去噪参数图像。
本实施例提供的PET参数图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
关于PET参数图像处理装置的具体限定可以参见上文中对于PET参数图像处理方法的限定，在此不再赘述。上述PET参数图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种PET参数图像处理方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
通过动态PET图像、PET参数图像以及动力学参数模型影响因子变量，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对动态PET图像具有影响的影响参数；
根据所述动力学参数模型以及所述动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
在一个实施例中，提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过动态PET图像、PET参数图像以及动力学参数模型影响因子变量，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对动态PET图像具有影响的影响参数；
根据所述动力学参数模型以及所述动态PET图像，获取PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种PET参数图像处理方法，其特征在于，所述方法包括：
通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
根据所述动力学参数模型以及所述测量动态PET图像，计算PET参数图像；
通过所述PET参数图像以及所述动力学参数模型，获取预估动态PET图像，并将所述预估动态PET图像中的每个像素值相加后再求平均得到预估动态PET图像平均值，并通过所述动力学参数模型、所述测量动态PET图像和所述预估动态PET图像平均值进行算术运算，得到所述PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
2.根据权利要求1所述的方法，其特征在于，所述动力学参数模型影响因子包括噪声影响因子、运动伪影影响因子和检测对象至少一种组织不匹配动力学参数模型影响因子中的至少一个影响因子。
3.根据权利要求1或2所述的方法，其特征在于，所述通过所述动力学参数模型、所述测量动态PET图像和所述预估动态PET图像平均值进行算术运算，得到所述PET参数图像的评价指标，包括：
对所述测量动态PET图像的像素值和所述预估动态PET图像平均值作差的结果得到差值结果；
根据所述差值结果与所述动力学参数模型，计算所述PET参数图像的评价指标。
4.根据权利要求1所述的方法，其特征在于，所述通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像，包括：
采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
通过所述评价指标的平滑核，对所述PET参数图像进行去噪处理，得到所述目标去噪参数图像。
5.根据权利要求4所述的方法，其特征在于，所述采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核，包括：采用高斯去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核。
6.根据权利要求1所述的方法，其特征在于，所述通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像，包括：
获取所述PET参数图像对应的PET参数数据；
采用去噪模型，对所述评价指标进行处理，得到所述评价指标的平滑核；
通过所述PET参数数据、所述PET参数图像对应的投影数据以及所述评价指标的平滑核进行去噪重建处理，得到所述目标去噪参数图像。
7.根据权利要求6所述的方法，其特征在于，所述PET参数图像对应的投影数据包括所述PET参数图像对应的投影矩阵和所述PET参数图像上所有时间帧的投影数据。
8.一种PET参数图像处理装置，其特征在于，所述装置包括：
参数模型构建模块，用于通过测量动态PET图像以及动力学参数模型影响因子，构建动力学参数模型；其中，所述动力学参数模型影响因子表征对所述测量动态PET图像具有影响的影响参数；
评价指标获取模块，用于根据所述动力学参数模型以及所述测量动态PET图像计算PET参数图像，通过所述PET参数图像以及所述动力学参数模型获取预估动态PET图像，并将所述预估动态PET图像中的每个像素值相加后再求平均得到预估动态PET图像平均值，并通过所述动力学参数模型、所述测量动态PET图像和所述预估动态PET图像平均值进行算术运算得到所述PET参数图像的评价指标；其中，所述评价指标为衡量所述PET参数图像精准度的参数；
图像去噪模块，用于通过所述评价指标，对所述PET参数图像进行图像去噪处理，获取目标去噪参数图像。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271324.0A CN112365479B (zh) | 2020-11-13 | 2020-11-13 | Pet参数图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011271324.0A CN112365479B (zh) | 2020-11-13 | 2020-11-13 | Pet参数图像处理方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365479A CN112365479A (zh) | 2021-02-12 |
| CN112365479B true CN112365479B (zh) | 2023-07-25 |
Family
ID=74515585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011271324.0A Active CN112365479B (zh) | 2020-11-13 | 2020-11-13 | Pet参数图像处理方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365479B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052933B (zh) * | 2021-03-15 | 2024-06-28 | 深圳高性能医疗器械国家研究院有限公司 | 一种参数成像方法及系统 |
| WO2022257154A1 (zh) * | 2021-06-11 | 2022-12-15 | 上海联影医疗科技股份有限公司 | 参数成像的系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103732147A (zh) * | 2012-07-30 | 2014-04-16 | 株式会社东芝 | X射线计算机断层摄影装置以及图像重建方法 |
| CN107146218A (zh) * | 2017-04-11 | 2017-09-08 | 浙江大学 | 一种基于图像分割的动态pet图像重建及示踪动力学参数估计方法 |
| CN108765318A (zh) * | 2018-05-15 | 2018-11-06 | 南方医科大学 | 一种基于动力学聚类的动态pet图像因子处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986916B (zh) * | 2018-07-26 | 2021-08-24 | 浙江大学 | 基于栈式自编码器的动态pet图像示踪剂动力学宏参数估计方法 |
-
2020
- 2020-11-13 CN CN202011271324.0A patent/CN112365479B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103732147A (zh) * | 2012-07-30 | 2014-04-16 | 株式会社东芝 | X射线计算机断层摄影装置以及图像重建方法 |
| CN107146218A (zh) * | 2017-04-11 | 2017-09-08 | 浙江大学 | 一种基于图像分割的动态pet图像重建及示踪动力学参数估计方法 |
| CN108765318A (zh) * | 2018-05-15 | 2018-11-06 | 南方医科大学 | 一种基于动力学聚类的动态pet图像因子处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365479A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9317915B2 (en) | Computed-tomography system and method for determining volume information for a body | |
| Lu et al. | Data-driven voluntary body motion detection and non-rigid event-by-event correction for static and dynamic PET | |
| US10863946B2 (en) | Respiratory motion estimation in projection domain in nuclear medical imaging | |
| CN107133996A (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
| CN110996800B (zh) | 用于确定pet成像动力学参数的系统、方法及非暂时性计算机可读介质 | |
| CN110415310B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| Kösters et al. | EMRECON: An expectation maximization based image reconstruction framework for emission tomography data | |
| CN112365479B (zh) | Pet参数图像处理方法、装置、计算机设备及存储介质 | |
| CN114092589B (zh) | 图像重建方法及训练方法、装置、设备及存储介质 | |
| CN110136076B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| US11250545B2 (en) | Deep learning-based denoising in quantitative single photon emission computed tomography | |
| Sun et al. | Dual gating myocardial perfusion SPECT denoising using a conditional generative adversarial network | |
| WO2024109762A1 (zh) | Pet参数确定方法、装置、设备和存储介质 | |
| CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
| US12100075B2 (en) | Image reconstruction by modeling image formation as one or more neural networks | |
| Parker et al. | Respiratory motion correction in gated cardiac SPECT using quaternion‐based, rigid‐body registration | |
| Gigengack et al. | Motion correction in thoracic positron emission tomography | |
| Ding et al. | Dynamic SPECT reconstruction with temporal edge correlation | |
| Tong et al. | A robust state-space kinetics-guided framework for dynamic PET image reconstruction | |
| de Jonge et al. | Statistical tomographic reconstruction: How many more iterations to go? | |
| Guazzo | Deep learning for PET imaging: from denoising to learned primal-dual reconstruction | |
| US11663758B2 (en) | Systems and methods for motion estimation in PET imaging using AI image reconstructions | |
| Toussaint et al. | Revisiting motion compensation models in PET image reconstruction | |
| CN114305468A (zh) | 一种图像处理方法及装置、介质、设备 | |
| Fall et al. | Dynamic and clinical PET data reconstruction: A nonparametric Bayesian approach |
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 |