CN112529977A - 一种pet图像重建的方法和系统 - Google Patents

Abstract

本发明涉及一种PET图像重建的方法和系统，方法包括：步骤101、PET计算设备获取探测设备中的探测数据；步骤102、所述PET计算设备根据所述探测数据，获取用于重建图像的正则化目标函数Φ(x,y)＝L(x,y)‑β·R(x)；其中，L(x,y)为探测数据对应的似然函数项，R(x)为先验知识项，β为正则化参数，用于调节L(x,y)和R(x)的权重；步骤103、所述PET计算设备根据所述探测数据的信噪比信息和输入参数，确定正则化目标函数中的参数β；步骤104、所述PET计算设备依据确定的参数β和所述正则化目标函数，重建PET图像，最终达到提升重建的PET图像质量的目的。

Description

一种PET图像重建的方法和系统

技术领域

本发明涉及医学成像技术领域，尤其涉及一种可用于正电子发射计算机断层成像系统中一种图像重建的方法和系统。

背景技术

正电子发射断层显像PET(Positron Emission Tomography)是一种高端核医学影像诊断设备。在实际操作中利用放射性核素(如¹⁸F、¹¹C等)对代谢物质进行标记并将核素注入人体，然后通过PET系统对患者进行功能代谢显像，反映生命代谢活动的情况，从而达到诊断的目的。目前商用的正电子发射断层显像PET通常和其他模态成像系统集成在一起，比如计算机断层扫描CT(Computed Tomography)或者磁共振成像MRI(Magnetic ResonanceImaging)，达到同时对患者进行解剖结构成像的目的，这样可以对PET核素分布成像进行精确定位，提高了病灶定位的准确性。最终功能成像和解剖成像同机融合，兼容双模态成像的优点，可一目了然的了解全身的整体状况，达到早期发现病灶和诊断疾病的目的，对指导肿瘤和心脏、脑部疾病的诊治更具优势。

PET重建图像中的每个体素表征为放射性浓度值作为待估计参数，传统的图像重建通常使用最大似然估计ML(Maximum Likelihood)算法，通过不断迭代更新，使得估计测量值和实际测量值的似然函数逼近最大，由此可以得到满足极大似然的参数估计值。利用最大似然算法(ML)，可以很方便的对PET成像过程进行精确的统计和物理建模，并应用在迭代过程中以获得良好的图像质量。然而PET采集通常受制于采集样本数据量不足，因此ML方法的一个共同问题是数据病态性(ill-conditioning)，即重建图像对数据的微小变化非常敏感，未知参数估计值噪声会随着迭代次数的增加而增加，这样会严重影响PET图像质量和定量性分析。

为了解决数据病态和图像高噪声的问题，通常的方法是在似然函数上增加一个平滑惩罚项，计算此带惩罚项的最大似然解。同样也可以在贝叶斯框架中重新表述此问题，在对未知观察量进行估计的过程中，融入了对图像平滑度或其他特征期望的先验分布，然后通过最大后验概率算法MAP(Maximum a posteriori)计算得到正则化的最大似然估计。受益于额外的先验分布信息，可以更好地求解病态似然函数，从而得到更加准确且稳定的未知参数估计，而估计值的噪声水平随着迭代次数的增加而收敛。

最大后验概率算法的正则化参数用来控制正则化的程度，调节在图像重建过程中探测数据和先验知识项的权重。重建图像的质量对正则化参数的选取通常比较敏感，正则化参数较大时，虽然能减低噪声，使PET图像整体平滑，但是边缘模糊，对比度差；正则化参数较小时，虽然增加了图像的边缘对比度，但是噪声大，图像质量较差。遗憾的是，正则化参数与图像质量不存在直观的对应关系，因此参数值选择往往仅凭经验，然后通过实验验证图像质量，再比较选择一个较优的结果，不仅操作复杂、费时，评判标准不客观，而且无法保证正则化参数为全局最优。在实际应用过程中，正则化参数的选择是与采集数据本身的信噪比，扫描物体放射性活度分布等各种因素有关，所以理论上不同的扫描数据往往对应不同的正则化优化参数或参数组合。

鉴于此，如何实现自适应选择最优正则化参数并实现图像的重建成为当前亟需解决的问题。

发明内容

(一)要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种PET图像重建的方法和系统，可以提升重建的PET图像质量。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种PET图像重建的方法，包括：

步骤101、PET计算设备获取探测设备中的探测数据；

步骤102、所述PET计算设备根据所述探测数据，获取用于重建图像的正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；其中，L(x,y)为探测数据对应的似然函数项，R(x)为先验知识项，β为正则化参数，用于调节L(x,y)和R(x)的权重；

步骤103、所述PET计算设备根据所述探测数据的信噪比信息和输入参数，确定正则化目标函数中的参数β；

步骤104、所述PET计算设备依据确定的参数β和所述正则化目标函数，重建PET图像。

可选地，所述步骤102包括：

所述PET计算设备根据所述探测数据，构建下述公式一；

对公式一进行正则化处理并优化，获得正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；

公式一为：

R(x)为Huber先验、Geman先验或Nuyts先验知识项；

y＝[y₁,y₂,…,y_N]^T表示探测数据，N表示探测数据的维度即探测到的事例数；x＝[x₁,x₂,…,x_M]^T表示未知PET放射性浓度分布图像，M表示PET图像离散空间的大小；A＝[A_ij]为系统矩阵，r＝[r₁,r₂,…,r_N]^T表示随机噪声和散射噪声的平均值。

可选地，所述步骤103包括：

子步骤1031、基于其他模态的图像，对所述探测数据预处理，去除非扫描物体区域的探测数据；

子步骤1032、接收用户输入的感兴趣区域或基于其他模态图像呈现的感兴趣区域，基于该感兴趣区域ROI，确定扫描物体对应的探测数据中的至少一个有效区域；

子步骤1033、基于PET系统中探测数据的TOF信息，优化所有的有效区域；

子步骤1034、基于优化后所有的有效区域，采用探测数据中真实符合事件的概率信息，获取正则化目标函数中的参数β。

可选地，所述子步骤1031包括：

其他模态的图像包括：CT图像和/或MR图像；

A1、根据其他模态的图像确定扫描物体的范围，从探测数据中提取扫描物体的边缘轮廓信息，获取扫描物体内部掩码矩阵S^image；

S^image＝[S^image ₁,S^image ₂,…,S^image _M]^T；

A2、将扫描物体内部的掩码矩阵投影到探测器空间，得到与扫描物体匹配的探测器区域范围相量y^image；

A3、基于探测器区域范围相量y^image，获取扫描物体对应的投影空间掩码矩阵S^{Projectionmask}＝[S^{Projectionmask} ₁,S^{Projectionmask} ₂,…,S^{Projectionmask} _N]^T；

阈值threshold_{Projectionmask}为投影空间对应扫描物体边缘轮廓信息的常数。

可选地，所述子步骤1032包括：

ROI对应位置的掩码矢量

H为选取的ROI个数；

S^imageROI经过投影得到对应的投影矩阵y^ROI；

对应的各ROI投影空间掩码矩阵

阈值threshold_ROI为通过不同ROI边缘轮廓信息进行调节的数值。

可选地，所述子步骤1033包括：

获取TOF投影矩阵y^ROI_TOF：

T表示飞行时间TOF的维度；

表示第h个ROI、TOF维度t时投影矩阵y^ROI_TOF的第i个元素；

利用TOF信息，得到TOF投影空间掩码矩阵S^ROI_TOF：

表示矩阵S^ROI_TOF中的一个元素，即表示第h个ROI，TOF维度t时掩码矩阵S^ROI_TOF的第i个元素；

阈值threshold_{ROI_TOF}根据不同ROI边缘轮廓TOF投影信息进行调节。

可选地，所述子步骤1034包括：

采用多项式拟合方式获取正则化参数β与真实符合事件率关系；

公式中的β_h表示第h个ROI的正则化参数；

norm_i为归一化因子的第i个元素；

sc_it散射事件分布的第i个元素，或者表示TOF维度t时的散射事件的第i个元素；rand_i表示随机分布的第i个元素；AC_i表示衰减系数分布的第i个元素；

a和b均为通过多项式拟合方式获得的参数。

第二方面，本发明提供一种计算设备，包括：存储器、处理器和总线，所述处理器与所述存储器通过所述总线连接；

所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行第一方面任一所述的PET图像重建的方法。

第三方面，本发明还提供一种PET系统，包括：PET探测数据的采集设备和第二方面任一所述的计算设备。

(三)有益效果

本发明的有益效果是：本发明的方法中自适应动态确定正则化参数，无需像传统方法那样凭借经验人为比较选择最优结果，因此适用性更强，可有效提高PET图像重建的质量。

在本申请中，正则化参数不是固定不变的，而是根据信噪比水平在迭代中动态调整，最终达到有效保存图像的高频部分，能较好地恢复图像的边缘信息同时降低图像噪声的效果，增加了肿瘤可探测性。

此外，本发明的方法中依赖数据信噪比来决定正则化参数，进而影响图像质量，不依赖人的主观因素，结果更加可信。

附图说明

图1为本发明一实施例提供的PET图像重建的方法的流程示意图；

图2为采用现有的方法和本发明的方法重建PET图像的对比示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

实施例一

如图1所示，本发明实施例提供一种PET图像重建的方法，在PET图像重建过程中其执行主体可为PET计算设备，例如可以是多模态的PET系统所属的计算设备，也可以是单独的计算机等。本实施例的方法包括下述的步骤：

步骤101、PET计算设备获取探测设备中的探测数据。

步骤102、所述PET计算设备根据所述探测数据，获取用于重建图像的正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)。

其中，L(x,y)为探测数据对应的似然函数项，R(x)为先验知识项，β为正则化参数，用于调节L(x,y)和R(x)的权重；

具体地，在该步骤中，PET计算设备可根据所述探测数据，构建下述公式一；

对公式一进行正则化处理并优化，获得正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；

公式一为：

R(x)为Huber先验、Geman先验或Nuyts先验知识项；

y＝[y₁,y₂,…,y_N]^T表示探测数据，N表示探测数据的维度即探测到的事例数；x＝[x₁,x₂,…,x_M]^T表示未知PET放射性浓度分布图像，M表示PET图像离散空间的大小；A＝[A_ij]为系统矩阵，r＝[r₁,r₂,…,r_N]^T表示随机噪声和散射噪声的平均值。

步骤103、所述PET计算设备根据所述探测数据的信噪比信息和输入参数，确定正则化目标函数中的参数β。

举例来说，本实施例的步骤103可包括下述的子步骤：

子步骤1031、基于其他模态的图像(如CT或MR图像等)，对所述探测数据预处理，去除非扫描物体区域的探测数据；

子步骤1032、接收用户输入的感兴趣区域或基于其他模态图像呈现的感兴趣区域，基于该感兴趣区域ROI，确定扫描物体对应的探测数据中的至少一个有效区域；

子步骤1033、基于PET系统中探测数据的TOF信息，优化所有的有效区域；

子步骤1034、基于优化后所有的有效区域，采用探测数据中真实符合事件的概率信息，获取正则化目标函数中的参数β。

步骤104、所述PET计算设备依据确定的参数β和所述正则化目标函数，重建PET图像。

本实施例的方法，可以根据不同的数据信噪比，物体内放射性活度分布等特点，自适应选择最优正则化参数，使该正则化参数的选择更加客观且全局最优，从而使最大后验概率算法更加适应用于实际临床扫描成像。

实施例二

本发明提出了一种PET图像重建的方法，方法的步骤中可在迭代过程中引入先验知识并对正则化参数进行自动调节，使得迭代结果趋近于理想值并且降低了手动选取参数的繁琐，使正则化参数的选取更简洁，准确。此方法具体步骤如下：

第一步：PET采集过程可以被建模为如下公式：

公式中y＝[y₁,y₂,…,y_N]^T表示探测到的数据，N表示探测数据的维度，对于listmode重建，N为探测到的事例数；对于基于正弦图的重建，N为正弦图的大小；如果采集事例包含时间分辨率TOF(Time of Flight)信息，N还应该包含时间分辨率离散化的维度。x＝[x₁,x₂,…,x_M]^T表示未知PET放射性浓度分布图像，M表示PET图像离散空间的大小。A＝[A_ij]为系统矩阵，用数学的形式表达了PET系统中空间位置点源j被响应线LOR(line ofresponse)i探测到的概率，反映了PET探测系统的物理特性。r＝[r₁,r₂,…,r_N]^T表示随机噪声和散射噪声的平均值。

第二步：PET探测数据服从泊松分布，未知数为PET活度分布x，则表示探测数据的log-likelihood函数为：

第三步：将公式(1)带入到公式(2)，忽略与未知数无关的项，则log-likelihood函数可以写作：

第四步：为了解决似然函数(3)中的病态性问题，考虑显式正则化过程，即在似然函数上增加一个平滑惩罚项R(x)以选择性地惩罚特定不受欢迎的特征，并且计算此带惩罚项的最大似然解。对应的正则化目标函数为：

Φ(x,y)＝L(x,y)-β·R(x) (4)

β为正则化参数，用来控制正则化的程度，调节基于探测数据的似然函数项L(x,y)和基于先验知识项R(x)的权重。

本申请提出的调节惩罚项强度的正则化参数β与真实符合事件率、计数率、采集物体实际放射性活度分布、感兴趣区域等多个因素相关，综合上述各种因素自适应地计算得到该参数β，以达到保持图像对比度的同时降低图像噪声的目的。

第五步：根据采集数据信噪比水平及用户需求自适应选取所需的β；

下述提供一种根据数据信噪比水平选择正则化参数β的自适应方法，如下的P1至P5。

β不再是固定某一数值，而是根据采集数据信噪比水平及用户需求自适应选取所需的β，可以是一个数值，也可为一组多个正则化参数。该参数由多个因素控制，每个影响因素均对应相应的关系，通过实时评估信噪比控制正则化参数的选择。

P1、对探测数据进行预处理，去除探测信号中的无效信号，得到与扫描物体对应的投影空间掩码矩阵。

探测数据中与扫描物体相关区域以外的区域充满着随机噪声和散射符合而无真实符合。为了去除这部分无效信号对正则化参数选择的影响，本实施例中利用其他模态的图像，CT或MR图像获取物体所在范围并提取边缘轮廓信息，将物体内部填充1，物体外部分置0，获取物体内部掩码矩阵S^image＝[S^image ₁,S^image ₂,…,S^image _M]^T即：

将物体内部掩码矩阵投影到探测器空间，得到与扫描物体相关的探测器区域范围相量y^image:

以此为基础得到对应的投影空间掩码矩阵S^{Projectionmask}＝[S^{Projectionmask} ₁,S^{Projectionmask} ₂,…,S^{Projectionmask} _N]^T

阈值threshold_{Projectionmask}为常数，可根据物体边缘轮廓信息进行调节，即投影空间掩码矩阵为0的区域为与物体无关的随机和散射信号区域。

P2、选取感兴趣的区域的投影空间掩码矩阵。

PET重建图像的有效信号由感兴趣区域ROI来勾划确认，可以是组织、器官或医生需要关注的区域，不同的感兴趣区域可以应用不同的正则化参数以优化对应的图像质量，使图像各区域内噪声尽量减小的同时最大化地保留边缘信息。感兴趣区域可以通过CT，MR等其他模态图像得到，也可通过PET图像经过医生勾画或自动识别算法得到，ROI的选取可以是一个，也可以是多个，可表示为：

生成对应位置的掩码矢量

其定义如下：

H为选取的ROI个数。

S^imageROI经过投影得到对应的投影矩阵y^ROI

对应的各ROI投影空间掩码矩阵

阈值threshold_ROI可以为一个值，也可以每个ROI选取不同值，即通过不同ROI边缘轮廓信息进行调节。

P3、基于探测数据中的飞行时间TOF信息，获取感兴趣区域TOF投影空间掩码矩阵S^ROI_TOF。

对于高精度TOF信息的PET系统，可以进一步利用TOF信息得到更精准的ROI位置信息。

PET系统采集时，通常会采集光子对的飞行时间TOF信息，即测量两个光子到达探测器环的时间差，根据光速估计出湮灭事件在符合线上的大致位置。飞行时间信息应用在重建过程中，使定位更加准确，显著提高图像质量，降低噪声。

前述P2中选取感兴趣区域，为使定位更加准确，尽量降低噪声，获取TOF投影矩阵y^ROI_TOF：

T表示飞行时间TOF的维度；

利用TOF信息，得到更加精准的感兴趣区域TOF投影空间掩码矩阵S^ROI_TOF：

阈值threshold_{ROI_TOF}为常数，可根据不同ROI边缘轮廓TOF投影信息进行调节。

P4、基于探测数据中的真实符合事件率，确定正则化参数β调节的优化指标/依据。

PET采集数据中既包括真实符合事件，也存在干扰的假符合事件，例如随机或散射事件。真实符合事件率反映了采集数据的质量，可以作为正则化参数β调节的依据。比如采集时间短导致数据噪声偏大，则应该增加正则化参数β，增强平滑效果；反之，数据量足够大，噪声低，应该减小正则化参数β，增强图像边缘对比度。为了刻度有效事件率，使用但不局限于当前采集数据SNR(signal to noise ratio)作为优化指标，SNR越高则表示有用信号越多，噪声比例越小，反之亦然。SNR可表示为：

数据质量评估也可以使用其他优化指标，都应该在本发明实施例的范围之内。

PET采集数据不仅包含真实符合事件，还包括随机事件和散射事件以及衰减效应和归一化效应的影响，这些都直接影响着真实符合事件率。rand表示随机事件分布，两个不相关的光子在符合时间内被检测，称随机符合，可通过“延时窗电路”的方法对随机事件直接进行测量或通过晶体光子数进行估计；sc表示散射事件分布，在探测过程中，光子对在到达探测器之前有可能与人体组织发生康普顿散射而改变飞行方向。由于探测器的能量分辨率有限，这些散射事件被错误地按照真符合事件记录下来，混淆了核素的位置信息，进而在图像中产生散射伪影，严重影响图像质量。散射通常采用单次散射模拟校正(SSS)的方法进行计算；norm表示归一化校正因子，PET通常是一个包含上万个探测单元的环状探测系统。受几何位置和性能差异的影响，探测单元的探测效率不尽一致，导致其输出并不能准确反映输入光子束强度，这必然会在重建过程中引入伪影。为了准确地对探测系统进行建模，必须事先对探测器的探测效率进行校正，即利用归一化校正因子进行归一化校正；AC表示衰减系数分布，光子在到达PET系统之前，会在人体中进行衰减，较之物体内部，物体表面的符合事件有着更大的探测效率，如果这种衰减因素没有被校正，会产生重建图像中物体边缘影像过亮，物体内部组织影像过暗的伪影，利用CT或MR得到的高信噪比的图像以反映人体的内部组织结构，并将CT或MR图像数值转化成511KeV能量下的光子线性衰减系数，然后通过投影得到投影空间的衰减系数分布。

P5、正则化参数β与真实符合事件率关系，可通过拟合得到，可以利用多项式拟合，样条拟合，指数拟合等，本实施例中以多项式拟合为例进行说明，其表示为：

公式(13)为经验公式，可以通过一次多项式拟合得到a，b，但不限于多项式拟合。

经验公式(13)是通过选取不同医院不同时间段采集数据经过总结分析得到。每个医院采集多组数据，选取不同的β值进行分析，医生选取信噪比最高，最清晰重建图像，得到该组数据的最优β。比如可选取300组数据，每组数据选取100组不同的β值，即从0.01间隔0.01到1将所有选取的最优图像的真实事件符合率与β进行拟合，最后得到经验公式(13)及参数a，b。

公式(13)可以得到每个ROI对应的最优正则化参数，若没有指定的ROI则认为整个图像均为感兴趣区域。然后将这些最优的参数应用于正则化目标函数(前述公式(4))，进行图像重建，可以自适应的控制正则化程度，得到高信噪比的图像。

在本发明实施过程中，步骤P2，P3，P4，P5中若应用其他模态图像通过勾画或自动提取得到，则该步骤只需在初始迭代前使用；若通过PET图像自动识别得到，则该步骤可应用在迭代的过程中。由于初始图像的精度，图像边缘等信息均恢复较差，因而需要在迭代过程中动态调节正则化参数的数值。考虑到计算量和速度等因素，也可以使用OSEM、MLEM等重建方法，经过多次迭代生成信噪比较好的图像作为初始图像，以该图像为先验只在初始迭代应用步骤P2，P3，P4，P5，或迭代过程中应用。

本发明实施过程中，可利用其他模态图像CT或MR得到物体内部区域的空间投影信息，即步骤P2；然后通过勾画不同的ROI，经过步骤P3生成对应ROI的投影信息，若是具有高精度的TOF系统，则应用步骤P4生成更加精准的ROI投影信息；最后利用公式13得到匹配的β值，得到高质量图像。

本发明推导过程以对先验项的定义没有限制，适用于任何先验条件项，比如Huber先验、Geman先验、Nuyts先验等。

第六步：根据PET计算设备依据确定的参数β和所述正则化目标函数，重建PET图像。

相比传统的重建算法，本发明提出的方法重建PET图像的质量更高。如图2所示的结果示意图，图2(a)为利用传统OSEM算法得到的PET重建图像，重建后施加了高斯滤波以降低图像噪声，代价是特征边缘较模糊；图2(b)多次选择，挑选的图像最优的PET重建结果；图2(c)利用本发明的方法得到的正则化参数重建的PET图像。图2(c)图像噪声水平下降的同时，特征边缘更加清楚。

在本实施例中，正则化参数不是固定不变的，而是根据信噪比水平在迭代中动态调整，最终达到有效保存图像的高频部分，能较好地恢复图像的边缘信息同时降低图像噪声的效果，增加了肿瘤可探测性，且不依赖人的主观因素，结果更加可信。

实施例三

根据本发明实施例的另一方面，本发明实施例还提供一种计算设备，包括：存储器、处理器和总线，所述处理器与所述存储器通过所述总线连接；

所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行实施例一和实施例二中任一所述的PET图像重建的方法。

根据本发明实施例的第三方面，本发明实施例还提供一种PET系统，包括：PET探测数据的采集设备和第二方面任一所述的计算设备。

上述的PET系统可以在采用PET探测数据的采集设备进行扫描之后，通过计算设备进行图像重建处理，可以获得高质量的不以人的主观因素变化的PET图像。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)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。

应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。

此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (9)

1.一种PET图像重建的方法，其特征在于，包括：

步骤101、PET计算设备获取探测设备中的探测数据；

步骤102、所述PET计算设备根据所述探测数据，获取用于重建图像的正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；其中，L(x,y)为探测数据对应的似然函数项，R(x)为先验知识项，β为正则化参数，用于调节L(x,y)和R(x)的权重；

步骤103、所述PET计算设备根据所述探测数据的信噪比信息和输入参数，确定正则化目标函数中的参数β；

步骤104、所述PET计算设备依据确定的参数β和所述正则化目标函数，重建PET图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤102包括：

所述PET计算设备根据所述探测数据，构建下述公式一；

对公式一进行正则化处理并优化，获得正则化目标函数Φ(x,y)＝L(x,y)-β·R(x)；

公式一为：

R(x)为Huber先验、Geman先验或Nuyts先验知识项；

y＝[y₁,y₂,…,y_N]^T表示探测数据，N表示探测数据的维度即探测到的事例数；x＝[x₁,x₂,…,x_M]^T表示未知PET放射性浓度分布图像，M表示PET图像离散空间的大小；A＝[A_ij]为系统矩阵，r＝[r₁,r₂,…,r_N]^T表示随机噪声和散射噪声的平均值。

3.根据权利要求2所述的方法，其特征在于，所述步骤103包括：

子步骤1031、基于其他模态的图像，对所述探测数据预处理，去除非扫描物体区域的探测数据；

子步骤1032、接收用户输入的感兴趣区域或基于其他模态图像呈现的感兴趣区域，基于该感兴趣区域ROI，确定扫描物体对应的探测数据中的至少一个有效区域；

子步骤1033、基于PET系统中探测数据的TOF信息，优化所有的有效区域；

子步骤1034、基于优化后所有的有效区域，采用探测数据中真实符合事件的概率信息，获取正则化目标函数中的参数β。

4.根据权利要求3所述的方法，其特征在于，所述子步骤1031包括：

其他模态的图像包括：CT图像和/或MR图像；

A1、根据其他模态的图像确定扫描物体的范围，从探测数据中提取扫描物体的边缘轮廓信息，获取扫描物体内部掩码矩阵S^image；

S^image＝[S^image ₁,S^image ₂,…,S^image _M]^T；

A2、将扫描物体内部的掩码矩阵投影到探测器空间，得到与扫描物体匹配的探测器区域范围相量y^image；

A3、基于探测器区域范围相量y^image，获取扫描物体对应的投影空间掩码矩阵

阈值threshold_{Projectionmask}为投影空间对应扫描物体边缘轮廓信息的常数。

5.根据权利要求4所述的方法，其特征在于，所述子步骤1032包括：

ROI对应位置的掩码矢量

H为选取的ROI个数；

S^imageROI经过投影得到对应的投影矩阵y^ROI；

对应的各ROI投影空间掩码矩阵

阈值threshold_ROI为通过不同ROI边缘轮廓信息进行调节的数值。

6.根据权利要求5所述的方法，其特征在于，所述子步骤1033包括：

获取TOF投影矩阵y^ROI_TOF：

T表示飞行时间TOF的维度；

表示第h个ROI、TOF维度t时投影矩阵y^ROI_TOF的第i个元素；

利用TOF信息，得到TOF投影空间掩码矩阵S^ROI_TOF：

表示矩阵S^ROI_TOF中的一个元素，即表示第h个ROI，TOF维度t时掩码矩阵S^ROI_TOF的第i个元素；

阈值threshold_{ROI_TOF}根据不同ROI边缘轮廓TOF投影信息进行调节。

7.根据权利要求6所述的方法，其特征在于，所述子步骤1034包括：

采用多项式拟合方式获取正则化参数β与真实符合事件率关系；

公式中的β_h表示第h个ROI的正则化参数；

norm_i为归一化因子的第i个元素；

sc_it散射事件分布的第i个元素，或者表示TOF维度t时的散射事件的第i个元素；rand_i表示随机分布的第i个元素；AC_i表示衰减系数分布的第i个元素；

a和b均为通过多项式拟合方式获得的参数。

8.一种计算设备，其特征在于，包括：存储器、处理器和总线，所述处理器与所述存储器通过所述总线连接；

所述存储器用于存储程序，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7任一所述的PET图像重建的方法。

9.一种PET系统，其特征在于，包括：PET探测数据的采集设备和权利要求8所述的计算设备。

Images