CN112488952B - Pet图像的重建方法及重建终端、计算机可读存储介质 - Google Patents
Pet图像的重建方法及重建终端、计算机可读存储介质 Download PDFInfo
- Publication number
- CN112488952B CN112488952B CN202011431167.5A CN202011431167A CN112488952B CN 112488952 B CN112488952 B CN 112488952B CN 202011431167 A CN202011431167 A CN 202011431167A CN 112488952 B CN112488952 B CN 112488952B
- Authority
- CN
- China
- Prior art keywords
- pet
- image
- prior
- pet image
- projection 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000000700 radioactive tracer Substances 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 12
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 12
- 210000000299 nuclear matrix Anatomy 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 13
- 230000002503 metabolic effect Effects 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 abstract description 4
- 238000012636 positron electron tomography Methods 0.000 description 128
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000032612 Glial tumor Diseases 0.000 description 2
- 206010018338 Glioma Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012879 PET imaging Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012831 peritoneal equilibrium test Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000012877 positron emission topography Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种PET图像的重建方法及重建终端、计算机可读存储介质，所述PET图像的重建方法包括：获取先验PET图像；提取所述先验PET图像的特征；利用所述先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，其中，所述待重建PET投影数据的示踪剂与所述先验图像的示踪剂不相同。本发明提出的PET图像的重建方法通过先验PET图像的特征来引导待重建PET投影数据进行重建，待重建PET投影数据的示踪剂与先验图像的示踪剂不相同，由于先验PET图像为具有较高信噪比、病变对比度的高质量图像，利用特征算法来对低质量的待重建PET投影数据进行重建，充分利用了PET功能成像的代谢信息的同时提升了成像质量。
Description
技术领域
本发明涉及PET图像重建技术领域，尤其涉及一种PET图像的重建方法及重建终端、计算机可读存储介质。
背景技术
正电子发射计算机断层扫描(Positron Emission Tomography，PET)是分子影像学领域中的领先技术，也是分子影像学的代表技术，其具有高灵敏度、高空间分辨率的特点。PET联合能与分子靶点特异性结合的探针，可活体、无创、重复、实时于细胞分子水平定性和定量研究胶质瘤发生发展过程，提供形态学和功能代谢双重信息，对提高胶质瘤生物学行为、诊断及治疗等方面的认识具有重要意义。在临床上一般采用的是单示踪剂PET，由于每种放射性示踪剂仅能反映一种细胞内的信息，在疾病诊断应用中易导致假阴性或假阳性现象，不利于临床诊断。因此，需要合理联合应用其他医学影像技术来作为PET图像的先验信息进行图像重建，以提高PET在诊断中的准确性。现有的联合应用是在 PET图像重建中引入解剖先验信息MR图像，由于在PET成像时临床中有时无法提供MR图像作为PET图像重建的先验信息，从而较大程度限制了PET功能代谢成像技术的应用。
发明内容
为了解决现有技术的不足，本发明提供一种PET图像的重建方法及重建终端、计算机可读存储介质，利用高质量的先验PET图像的特征引导低质量的待重建PET投影数据进行重建，从而充分利用PET功能成像的代谢信息，提升了成像质量。
本发明提出的具体技术方案为：一种PET图像的重建方法，所述PET图像的重建方法包括：
获取先验PET图像；
提取所述先验PET图像的特征；
利用所述先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，其中，所述待重建PET投影数据的示踪剂与所述先验图像的示踪剂不相同。
进一步地，所述获取先验PET图像，包括：
根据PET投影数据构建第一优化函数；
计算所述第一优化函数的最大值，获得估计图像的迭代关系；
利用所述估计图像的迭代关系，根据初始估计图像和PET投影数据，获得估计图像；
将所述估计图像作为下一次迭代的初始估计图像，循环执行多次迭代，直至满足第一迭代终止条件，将最后一次迭代获得的估计图像作为所述先验PET 图像。
进一步地，所述第一迭代终止条件为迭代次数达到预设的迭代次数。
进一步地，所述提取所述先验PET图像的特征，包括：
利用高斯核函数获取所述先验PET图像的核矩阵；
利用最近邻算法获取所述核矩阵的稀疏矩阵，将所述稀疏矩阵作为所述先验PET图像的特征。
进一步地，所述利用高斯核函数获取所述先验PET图像的核矩阵，包括：
对所述先验PET图像进行归一化处理，获得归一化处理后的PET图像；
利用高斯核函数获取所述归一化处理后的PET图像的核矩阵。
进一步地，利用最近邻算法获取所述核矩阵的稀疏矩阵之后，所述重建方法还包括：
对所述稀疏矩阵进行正则化处理，获得正则化后的核矩阵，将所述正则化后的核矩阵作为所述先验PET图像的特征。
进一步地，所述利用所述先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，包括：
根据待重建PET投影数据和所述先验PET图像的特征构建第二优化函数；
计算所述第二优化函数的最大值，获得估计图像系数的迭代关系；
利用所述估计图像系数的迭代关系，根据初始估计图像系数和所述待重建 PET投影数据，获得估计图像系数；
将所述估计图像系数作为下一次迭代的初始估计图像系数，循环执行多次迭代，直至满足第二迭代终止条件；
根据最后一次迭代获得的估计图像系数与所述先验PET图像的特征获得重建后的PET图像。
进一步地，在提取所述先验PET图像的特征之前，所述重建方法还包括：
对所述先验PET图像进行滤波。
为了解决现有技术的不足，本发明还提供了一种PET图像的重建终端，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如上所述的重建方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，所述计算机指令被处理器执行时实现如上所述的重建方法。
本发明提出的PET图像的重建方法通过先验PET图像的特征来引导待重建 PET投影数据进行重建，待重建PET投影数据的示踪剂与先验图像的示踪剂不相同，由于先验PET图像为具有较高信噪比、病变对比度的高质量图像，利用特征算法来对低质量的待重建PET投影数据进行重建，充分利用了PET功能成像的代谢信息的同时提升了成像质量。
附图说明
下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。
图1为本发明的实施例一中的重建方法的流程示意图；
图2为本发明实施例一中步骤S1的流程示意图；
图3为本发明实施例一中步骤S2的流程示意图；
图4为本发明实施例一中步骤S3的流程示意图；
图5为本发明实施例一中的重建方法与现有的重建方法的对比图；
图6为本发明实施例二中步骤S2的流程示意图；
图7为本发明实施例三中步骤S2的流程示意图；
图8为本发明实施例四中PET图像的重建终端的结构示意图。
具体实施方式
以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。在附图中，相同的标号将始终被用于表示相同的元件。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一
参照图1，图1是本申请实施例一提供的一种PET图像的重建方法的流程图，包括以下步骤：
S1、获取先验PET图像；
S2、提取先验PET图像的特征；
S3、利用先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，其中，待重建PET投影数据的示踪剂与先验图像的示踪剂不相同。
本实施例中先验PET图像和待重建PET投影数据是采用不同的示踪剂进行扫描成像得到的，其中，先验图像指的是具有较高信噪比、病变对比度的高质量图像，待重建PET投影数据指的是信噪比、病变对比度较低的低质量图像。通过采用高质量的先验PET图像的特征来引导待重建PET投影数据进行重建，重建后的图像能够有效保留图像细节及肿瘤信息，充分利用不同示踪剂的PET功能成像的代谢信息，最大程度发挥了PET功能代谢成像的优势，同时还提升了成像质量。
参照图2，具体地，步骤S1包括：
S11、根据PET投影数据构建第一优化函数；
S12、计算第一优化函数的最大值，获得估计图像的迭代关系；
S13、利用估计图像的迭代关系，根据初始估计图像和PET投影数据，获得估计图像；
S14、将估计图像作为下一次迭代的初始估计图像，进入步骤S11，循环执行多次迭代，直至满足第一迭代终止条件，将最后一次迭代获得的估计图像作为先验PET图像。
在步骤S11中，根据PET投影数据构建第一优化函数的表达式如下：
其中，L(y|x)表示第一优化函数，M为PET投影数据的像素的数目，yi表示PET投影数据中第i个像素的像素值，表示PET投影数据中第i个像素的期望像素值，通过以下的仿射变换得到：
其中，P＝{Pi}为系统矩阵，Pi表示第i个像素发出的光子被探测器接收到的概率，r为随机符合事件和散射符合事件。
在步骤S12中，通过如下公式来计算第一优化函数的最大值：
其中，表示估计图像，当L(y|x)达到最大值时，其一阶偏导数为0，对 L(y|x)求一阶偏导数并通过转换后可以获得估计图像的迭代关系，如下式所示：
其中，xn+1表示第n+1次迭代的初始估计图像，xn表示第n次迭代后获得的估计图像，1M表示长度为M的单位列向量。
在步骤S13～S14中，在第一次迭代过程中，给定一个初始的估计图像，将初始估计图像和PET投影数据代入上面的迭代公式中，获得第一次迭代的估计图像，将该估计图像作为第二次迭代的初始估计图像重复上面的迭代过程，直到满足第一迭代终止条件，将最后一次迭代获得的估计图像作为先验PET图像。
本实施例中第一迭代终止条件为迭代次数达到预设的迭代次数，较佳地，预设的迭代次数为100次。在其他实施方式中，也可以将第一迭代终止条件设定为第一优化函数收敛，当然，也可以采用本领域其他熟知的迭代终止条件，这里不做具体限定。
参照图3，具体地，步骤S2包括：
S21、利用高斯核函数获取先验PET图像的核矩阵；
S22、利用最近邻算法获取核矩阵的稀疏矩阵，将稀疏矩阵作为先验PET图像的特征。
在步骤S21中，通过下面的公式获得先验PET图像的核矩阵K：
其中，K＝{k(fj，f1)}，k(fj，f1)为先验PET图像中第j个像素的特征值，fj表示先验PET图像中第j个像素的像素值，f1表示fj的邻域像素，σ为控制边缘灵敏度参数，σ用于调节邻域像素间差异化大小。
由于一个完整的核矩阵K通常比较大，相对应计算量也较大，在实际使用过程中，通常需要对核矩阵K进行压缩来获得核矩阵K的稀疏矩阵K′，将稀疏矩阵K′作为先验PET图像的特征，从而有效降低计算量。
在步骤S22中，本实施例采用最近邻算法(k-nearest neighbors，KNN)来获得fj的邻域像素，然后通过下面的公式来获得核矩阵K的稀疏矩阵K′：
其中，K′＝{K′j1}，K′j1表示先验PET图像中第j个像素的特征值，fiKNN表示fj的邻域像素集合。
参照图4，步骤S3具体包括：
S31、根据待重建PET投影数据和先验PET图像的特征构建第二优化函数；
S32、计算第二优化函数的最大值，获得估计图像系数的迭代关系；
S33、利用估计图像系数的迭代关系，根据初始估计图像系数和待重建PET 投影数据，获得估计图像系数；
S34、将估计图像系数作为下一次迭代的初始估计图像系数，循环执行多次迭代，直至满足第二迭代终止条件；
S35、根据最后一次迭代获得的估计图像系数与先验PET图像的特征获得重建后的PET图像。
在步骤S31中，根据待重建PET投影数据和先验PET图像的特征构建第二优化函数的表达式如下：
其中，L(y′|K′α)表示第二优化函数，N为待重建PET投影数据的像素的数目，y′i表示待重建PET投影数据中第i个像素的像素值，表示待重建PET 投影数据中第i个像素的期望像素值，通过以下的仿射变换得到：
其中，P＝{Pi}为系统矩阵，Pi表示第i个像素发出的光子被探测器接收到的概率，r为随机符合事件和散射符合事件。
在步骤S12中，通过如下公式来计算第二优化函数的最大值：
其中，表示估计图像系数，当L(y′|K′α)达到最大值时，其一阶偏导数为0，对L(y′|K′α)求一阶偏导数并通过转换后可以获得估计图像系数的迭代关系，如下式所示：
其中，αn+1表示第n+1次迭代的初始估计图像系数，αn表示第n次迭代后获得的估计图像系数，1N表示长度为N的单位列向量。
在步骤S33～S34中，在第一次迭代过程中，给定一个初始的估计图像系数，将初始估计图像系数和待重建PET投影数据代入上面的迭代公式中，获得第一次迭代的估计图像系数，将该估计图像系数作为第二次迭代的初始估计图像系数重复上面的迭代过程，直到满足第二迭代终止条件。
在步骤S35中，根据最后一次迭代获得的估计图像系数与先验PET图像的特征获得重建后的PET图像具体公式如下：
本实施例中第二迭代终止条件为迭代次数达到预设的迭代次数，可以根据实际需要来设定迭代次数，这里不做限定。在其他实施方式中，也可以将第一迭代终止条件设定为第一优化函数收敛，当然，也可以采用本领域其他熟知的迭代终止条件。
为了进一步地提升重建图像的质量，本实施例中的重建方法在提取先验PET 图像的特征之前即步骤S2之前还包括：
S20、对先验PET图像进行滤波。
本实施例采用高斯滤波函数来对先验PET图像进行滤波，从而对先验PET图像进行平滑处理，以便后续更好的进行特征提取。
参照图5，图5为本实施例中的重建方法与现有的重建方法的对比图，从图5 中可以看出，信噪比(SNR)为9.83dB表示采用传统的MLEM和高斯滤波进行重建，信噪比(SNR)为11.74dB表示采用MR图像引导PET图像进行重建，信噪比 (SNR)为12.34dB表示采用本实施例中的重建方法进行重建，其中，本实施例中的重建方法采用示踪剂为FDG的PET图像作为先验PET图像，用其引导示踪剂为MET的PET图像进行重建，从中不难看出，本实施例中的重建方法能够有效提高图像的信噪比以及能够更好地保留肿瘤的边缘信息，同时，采用本实施例中的重建方法还对整个脑部的细节和边缘进行了很好的恢复。
实施例二
本实施例提供的重建方法与实施例一中的区别在于：提取先验PET图像的特征的具体实现方式不同，即本实施例中的步骤S2与实施例一中的步骤S2不同，其他步骤与实施例一均相同，这里不再赘述，仅对本实施例中提取先验PET图像的特征进行详细描述。
参照图6，具体地，步骤S2包括：
S21、对先验PET图像进行归一化处理，获得归一化处理后的PET图像；
S22、利用高斯核函数获取归一化处理后的PET图像的核矩阵；
S23、利用最近邻算法获取核矩阵的稀疏矩阵，将稀疏矩阵作为先验PET图像的特征。
在步骤S21中，通过下面的公式对先验PET图像进行归一化处理，获得归一化处理后的PET图像：
其中，表示归一化处理后的PET图像中第j个像素的像素值，σ1(f)是fj在所有邻域像素中邻域像素f1的标准偏差。
在步骤S21中，通过下面的公式获得归一化处理后的PET图像的核矩阵K
其中，为归一化处理后的PET图像中第j个像素的特征值，f1′表示的邻域像素，σ为控制边缘灵敏度参数，σ用于调节邻域像素间差异化大小。
由于一个完整的核矩阵K通常比较大，相对应计算量也较大，在实际使用过程中，通常需要对核矩阵K进行压缩来获得核矩阵K的稀疏矩阵K′，将稀疏矩阵K′作为先验PET图像的特征，从而有效降低计算量。
在步骤S22中，本实施例采用最近邻算法(k-nearest neighbors，KNN)来获得fj的邻域像素，然后通过下面的公式来获得核矩阵K的稀疏矩阵K′：
其中，K′＝{K′j1}，K′j1表示先验PET图像中第j个像素的特征值，fjKNN表示的邻域像素集合。
实施例三
本实施例提供的重建方法与实施例一的区别在于：在获得核矩阵的稀疏矩阵之后，本实施例的重建方法还包括对稀疏矩阵进行正则化处理，获得正则化后的核矩阵，将正则化后的核矩阵作为先验PET图像的特征。
参照图7，具体地，步骤S2包括：
S21、利用高斯核函数获取先验PET图像的核矩阵；
S22、利用最近邻算法获取核矩阵的稀疏矩阵；
S23、对稀疏矩阵进行正则化处理，获得正则化后的核矩阵，将正则化后的核矩阵作为先验PET图像的特征。
步骤S21～S22与实施例一中相同，这里不再赘述。
在步骤S23中，通过下面的公式对稀疏矩阵进行正则化处理，获得正则化后的核矩阵：
其中，diag-1[K1T]K表示对[K1T]K的对角矩阵的逆矩阵，1T表示与K大小相同的单位矩阵。
本实施例中的重建方法通过对核矩阵进行正则化，在转换时可以保留计数量，相对于实施例一中的重建方法能够进一步提升重建图像的质量。
实施例四
参照图8，本实施例提供了一种PET图像的重建终端，包括存储器100、处理器200及存储在存储器100上的计算机程序，处理器200执行计算机程序以实现如实施例一～实施例三所述的重建方法。
存储器100可以包括高速随机存取存储器(Random Access Memory，RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
处理器200可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，实施例一～三所述的重建方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。处理器200也可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等，还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
处理器200可以至少包括获取模块、特征提取模块以及重建模块。获取模块用于获取先验PET图像，特征提取模块用于提取先验PET图像的特征，重建模块用于利用先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的 PET图像。
存储器100用于存储计算机程序，处理器200在接收到执行指令后，执行该计算机程序以实现如实施例一～三所述的重建方法。
本实施例还提供了一种计算机存储介质，计算机存储介质中存储有计算机程序，处理器200用于读取并执行计算机存储介质201中存储的计算机程序，以实现如实施例一和实施例二所述的重建方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机存储介质中，或者从一个计算机存储介质向另一个计算机存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如， DVD)、或者半导体介质(例如固态硬盘(solidstate disk，SSD))等。
本发明实施例是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种PET图像的重建方法，其特征在于，所述PET图像的重建方法包括：
获取先验PET图像；
提取所述先验PET图像的特征；
利用所述先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，其中，所述待重建PET投影数据的示踪剂与先验图像的示踪剂不相同；
其中，所述获取先验PET图像，包括：
根据PET投影数据构建第一优化函数；
计算所述第一优化函数的最大值，获得估计图像的迭代关系；
利用所述估计图像的迭代关系，根据初始估计图像和PET投影数据，获得估计图像；
将所述估计图像作为下一次迭代的初始估计图像，循环执行多次迭代，直至满足第一迭代终止条件，将最后一次迭代获得的估计图像作为所述先验PET图像；
其中，根据PET投影数据构建第一优化函数的表达式如下：
其中，L(yx)表示第一优化函数，M为PET投影数据的像素的数目，yi表示PET投影数据中第i个像素的像素值，表示PET投影数据中第i个像素的期望像素值，通过仿射变换得到：
其中，P＝{Pi}为系统矩阵，Pi表示第i个像素发出的光子被探测器接收到的概率，r为随机符合事件和散射符合事件；
其中，利用下面的式子来计算第一优化函数的最大值：
其中，表示估计图像，当L(yx)达到最大值时，其一阶偏导数为0，对L(yx)求一阶偏导数并通过转换后可以获得估计图像的迭代关系：
其中，xn+1表示第n+1次迭代的初始估计图像，xn表示第n次迭代后获得的估计图像，1M表示长度为M的单位列向量。
2.根据权利要求1所述的重建方法，其特征在于，所述第一迭代终止条件为迭代次数达到预设的迭代次数。
3.根据权利要求1所述的重建方法，其特征在于，所述提取所述先验PET图像的特征，包括：
利用高斯核函数获取所述先验PET图像的核矩阵；
利用最近邻算法获取所述核矩阵的稀疏矩阵，将所述稀疏矩阵作为所述先验PET图像的特征。
4.根据权利要求3所述的重建方法，其特征在于，所述利用高斯核函数获取所述先验PET图像的核矩阵，包括：
对所述先验PET图像进行归一化处理，获得归一化处理后的PET图像；
利用高斯核函数获取所述归一化处理后的PET图像的核矩阵。
5.根据权利要求3所述的重建方法，其特征在于，利用最近邻算法获取所述核矩阵的稀疏矩阵之后，所述重建方法还包括：
对所述稀疏矩阵进行正则化处理，获得正则化后的核矩阵，将所述正则化后的核矩阵作为所述先验PET图像的特征。
6.根据权利要求1～5任一项所述的重建方法，其特征在于，所述利用所述先验PET图像的特征引导待重建PET投影数据进行重建，获得重建后的PET图像，包括：
根据待重建PET投影数据和所述先验PET图像的特征构建第二优化函数；
计算所述第二优化函数的最大值，获得估计图像系数的迭代关系；
利用所述估计图像系数的迭代关系，根据初始估计图像系数和所述待重建PET投影数据，获得估计图像系数；
将所述估计图像系数作为下一次迭代的初始估计图像系数，循环执行多次迭代，直至满足第二迭代终止条件；
根据最后一次迭代获得的估计图像系数与所述先验PET图像的特征获得重建后的PET图像。
7.根据权利要求1所述的重建方法，其特征在于，在提取所述先验PET图像的特征之前，所述重建方法还包括：
对所述先验PET图像进行滤波。
8.一种PET图像的重建终端，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1～7任一项所述的重建方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时实现如权利要求1～7任一项所述的重建方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431167.5A CN112488952B (zh) | 2020-12-07 | 2020-12-07 | Pet图像的重建方法及重建终端、计算机可读存储介质 |
| PCT/CN2020/135172 WO2022120692A1 (zh) | 2020-12-07 | 2020-12-10 | Pet图像的重建方法及重建终端、计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011431167.5A CN112488952B (zh) | 2020-12-07 | 2020-12-07 | Pet图像的重建方法及重建终端、计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112488952A CN112488952A (zh) | 2021-03-12 |
| CN112488952B true CN112488952B (zh) | 2024-09-13 |
Family
ID=74940067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011431167.5A Active CN112488952B (zh) | 2020-12-07 | 2020-12-07 | Pet图像的重建方法及重建终端、计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112488952B (zh) |
| WO (1) | WO2022120692A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022213321A1 (zh) * | 2021-04-08 | 2022-10-13 | 深圳高性能医疗器械国家研究院有限公司 | 一种基于小波融合的pet图像重建方法 |
| WO2023056634A1 (zh) * | 2021-10-09 | 2023-04-13 | 深圳先进技术研究院 | Pet参数成像方法、装置、电子设备及可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105943070A (zh) * | 2016-05-24 | 2016-09-21 | 深圳先进技术研究院 | 一种pet系统及其成像方法 |
| CN111724452A (zh) * | 2020-06-17 | 2020-09-29 | 深圳高性能医疗器械国家研究院有限公司 | 一种低剂量ct图像重建方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9691168B2 (en) * | 2011-03-18 | 2017-06-27 | The Regents Of The University Of California | Image reconstruction using gradient projection for medical imaging applications |
| US10002444B2 (en) * | 2014-04-25 | 2018-06-19 | New York University | System, method and computer-accessible medium for joint magnetic resonance-positron emission tomography reconstruction using multi-sensor compressed sensing |
| CN104574459A (zh) * | 2014-12-29 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种pet图像的重建方法和装置 |
| WO2019134879A1 (en) * | 2018-01-03 | 2019-07-11 | Koninklijke Philips N.V. | Full dose pet image estimation from low-dose pet imaging using deep learning |
| CN108596995B (zh) * | 2018-05-15 | 2022-02-01 | 南方医科大学 | 一种pet-mri最大后验联合重建方法 |
| CN109712209B (zh) * | 2018-12-14 | 2022-09-20 | 深圳先进技术研究院 | Pet图像的重建方法、计算机存储介质、计算机设备 |
| CN111445550B (zh) * | 2020-03-26 | 2024-05-14 | 上海联影医疗科技股份有限公司 | Pet图像的迭代重建方法、装置和计算机可读存储介质 |
| CN111709897B (zh) * | 2020-06-18 | 2023-10-24 | 深圳先进技术研究院 | 一种基于域变换的正电子发射断层图像的重建方法 |
-
2020
- 2020-12-07 CN CN202011431167.5A patent/CN112488952B/zh active Active
- 2020-12-10 WO PCT/CN2020/135172 patent/WO2022120692A1/zh active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105943070A (zh) * | 2016-05-24 | 2016-09-21 | 深圳先进技术研究院 | 一种pet系统及其成像方法 |
| CN111724452A (zh) * | 2020-06-17 | 2020-09-29 | 深圳高性能医疗器械国家研究院有限公司 | 一种低剂量ct图像重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022120692A1 (zh) | 2022-06-16 |
| CN112488952A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | 200x low-dose PET reconstruction using deep learning | |
| 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 | |
| Wang et al. | 3D conditional generative adversarial networks for high-quality PET image estimation at low dose | |
| Chen et al. | Fully automated multiorgan segmentation in abdominal magnetic resonance imaging with deep neural networks | |
| CN110809782B (zh) | 衰减校正系统和方法 | |
| US8299438B2 (en) | Model based estimation of a complete or partial positron emission tomography attenuation map using maximum likelihood expectation maximization | |
| Cheng et al. | Applications of artificial intelligence in nuclear medicine image generation | |
| CN107705261B (zh) | 一种图像重建方法和装置 | |
| US20220343496A1 (en) | Systems and methods for accurate and rapid positron emission tomography using deep learning | |
| CN112488952B (zh) | Pet图像的重建方法及重建终端、计算机可读存储介质 | |
| CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| Zhang et al. | Spatial adaptive and transformer fusion network (STFNet) for low‐count PET blind denoising with MRI | |
| WO2021041125A1 (en) | Systems and methods for accurate and rapid positron emission tomography using deep learning | |
| CN110415311B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| CN111340903A (zh) | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 | |
| CN112365560A (zh) | 基于多级网络的图像重建方法、系统、可读存储介质和设备 | |
| CN109844815A (zh) | 使用从不同迭代提取的特征图像进行基于特征的图像处理 | |
| Hashimoto et al. | Deep learning-based PET image denoising and reconstruction: a review | |
| CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
| Corda-D’Incan et al. | Memory-efficient training for fully unrolled deep learned PET image reconstruction with iteration-dependent targets | |
| CN112700380A (zh) | 一种基于mr梯度信息和深度学习的pet图像容积校正方法 | |
| CN112017258A (zh) | Pet图像重建方法、装置、计算机设备以及存储介质 | |
| WO2020201755A1 (en) | Image reconstruction | |
| US20200118307A1 (en) | System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network |
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 |