CN112912934B - 用于使用解剖数据的活动图像重建的方法和系统 - Google Patents
用于使用解剖数据的活动图像重建的方法和系统 Download PDFInfo
- Publication number
- CN112912934B CN112912934B CN201980070197.7A CN201980070197A CN112912934B CN 112912934 B CN112912934 B CN 112912934B CN 201980070197 A CN201980070197 A CN 201980070197A CN 112912934 B CN112912934 B CN 112912934B
- Authority
- CN
- China
- Prior art keywords
- image
- organs
- anatomical
- reconstructing
- organ
- 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 47
- 210000000056 organ Anatomy 0.000 claims abstract description 140
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims description 52
- 238000002600 positron emission tomography Methods 0.000 claims description 42
- 210000004556 brain Anatomy 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 12
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000003702 image correction Methods 0.000 claims 4
- 210000000709 aorta Anatomy 0.000 description 20
- 230000000875 corresponding effect Effects 0.000 description 18
- 210000004185 liver Anatomy 0.000 description 17
- 239000000700 radioactive tracer Substances 0.000 description 13
- 230000011218 segmentation Effects 0.000 description 13
- 238000003384 imaging method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 210000003484 anatomy Anatomy 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 230000002441 reversible effect Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000002595 magnetic resonance imaging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012905 input function Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 229920013655 poly(bisphenol-A sulfone) Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/464—Dual or multimodal imaging, i.e. combining two or more imaging modalities
Abstract
一种用于重建医学图像的方法，包括：基于解剖图像来标识主体的身体中的多个器官；基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像。
Description
相关申请的交叉引用
本申请要求于2018年10月23日提交的序列号为16/167,819的美国申请的优先权，其内容通过引用并入本文。
技术领域
本公开总体上涉及医学成像，并且更具体地涉及将功能性成像与解剖成像技术相结合的系统。
背景技术
正电子发射断层摄影（PET）允许检测癌症和心脏病。PET被认为是一种功能性成像方法，因为PET图像可以示出一段时间内放射性示踪剂（radiotracer）在被成像器官的不同区域中的浓度。放射性示踪剂在已知位置（例如，主动脉）处被注射到患者体内。传感器（例如，硅光电倍增器、SiPM）检测不同位置处的正电子对随时间的湮灭（annihilation）。湮灭事件指示感兴趣组织中的血流和放射性示踪剂摄取（uptake）。
与空间解剖图像（例如，计算机断层摄影CT或磁共振成像MRI）相比，PET图像具有更低的空间分辨率，更低的信噪比，并且可能看起来更模糊。而且，PET图像要在较长的时间段内被捕获，并且可能由于患者运动而产生伪影。因此，CT和MR图像中的器官之间的边界比PET图像更锐利。
许多医学成像系统将来自CT或MR成像的空间信息并入到PET图像重建中，以更好地定义解剖边界并改进图像质量。
发明内容
在一些实施例中，一种用于重建医学图像的方法包括：基于解剖图像来标识主体（subject）的身体中的多个器官；基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像。
在一些实施例中，一种用于重建医学图像的系统包括被耦合以接收医学图像数据的非暂时性机器可读存储介质。机器可读存储介质包含指令。处理器耦合到机器可读存储介质以用于执行所述指令。所述指令将处理器配置成用于执行包括以下步骤的方法：基于解剖图像来标识主体的身体中的多个器官；基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像。
在一些实施例中，一种非暂时性机器可读存储介质包含指令，使得当处理器执行所述指令时，所述指令将处理器配置成用于通过以下步骤来重建医学图像：基于解剖图像来标识主体的身体中的多个器官；基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像。
附图说明
图1A是人的解剖图示图的三维（3D）呈现。
图1B是将图1A的所分割的解剖图中的体素映射到由计算机断层摄影（CT）扫描仪从患者收集到的解剖数据的示图。
图2是用于在使用相似性图来重建活动图像中应用解剖数据的方法的流程图。
图3A-3C示出了在重建脑部图像中应用MR解剖先验数据的示例。
图4A-4C示出了在重建脑部图像中应用CT解剖先验数据的示例。
图5A-5D示出了在使用相似性图来重建全身图像中自适应地应用CT解剖先验数据的示例。
图6A-6D示出了在使用自适应正则化来重建全身图像中应用CT解剖先验数据的示例。
图7A是示出了针对不同器官的不同动力学模型的示意图。
图7B是示出了用以确定针对给定体素的适用动力学模型的查找表的示意图。
图8是用于在重建不同器官的活动图像中应用不同动力学模型的方法的流程图。
图9是用于在重建不同器官的活动图像中应用不同动力学模型的方法的实施例的流程图。
图10是图9的方法的示例的实施例的流程图。
图11A-11E示出了针对主动脉的参数化图像的CT数据的应用。
图12A-12D示出了针对肝脏的参数化图像的CT数据的应用。
图13是用于PET/CT扫描的装置的示意图。
具体实施方式
示例性实施例的描述旨在结合附图来阅读，附图被认为是整个书面描述的一部分。
单个静态或动态正电子发射断层摄影（PET）图像重建算法可以被应用于重建整个体积（例如，患者的整个躯干，或患者的躯干和头部）。这可以包括遍及图像应用统一的正则化强度，并且在图像中的所有器官当中使用统一的Patlak模型。
本文中描述的实施例在基于解剖图的静态/参数化图像重建中应用基于器官的正则化或基于器官的动力学模型。在一些实施例中，解剖图可以用于自适应地对发射图像（emission image）重建进行正则化。例如，解剖图可以将每个体素指派给相应的器官，并且每个器官可以具有用于图像重建的相应的正则化强度（例如，0%、100%，或者0%与100%之间的值）。替代地，解剖图可以将每个体素指派给相应的器官，并且将每个器官指派给相应的动力学模型。根据解剖图，可以通过应用对应于每个体素的相应动力学模型来重建PET图像。
在一些实施例中，如本文中所描述，可以根据人类解剖结构来适配重建参数或算法。不同的器官具有不同的生理和解剖结构。在动态重建中，不同的器官可以遵循不同的动力学模型。例如，在脑部成像中，取决于使用的是计算机断层摄影（CT）信息还是磁共振（MR）信息，解剖先验（anatomy prior）可能是不同的。例如，在点扩散函数（PSF）重建中，不同宽度的PSF可以分别被应用在脑部区域和躯干区域中。在最大后验概率（MAP）图像重建中，不同的正则化强度可以分别被应用于不同的器官。
将解剖图并入到活动图像重建中可以提供更智能的重建算法。例如，如果要被成像的器官与解剖图像具有良好的相关性，则重建可以应用解剖先验，否则不应用解剖先验。在MR/PET中，使用T1图像，可以在MR/PET中应用解剖先验。在PET/CT脑部成像中，可以关闭解剖先验。
图13示出了医学成像系统1的示意图。在一些实施例中，系统1包括解剖图像扫描仪2a和活动（发射）图像扫描仪2b。解剖图像扫描仪2a可以是计算机断层摄影（CT）或磁共振（MR）扫描仪。活动（发射）图像扫描仪2a可以是正电子发射断层摄影（PET）扫描仪或单光子发射计算机断层摄影（SPECT）扫描仪。系统1包括：用于患者4的检查台3、控制设备6、处理器7和驱动单元8，患者4可以通过扫描仪2a、2b的开口5在检查台3上移动。控制设备6激活扫描仪2并且（从扫描仪2a、2b）接收由扫描仪2a、2b拾取的信号。扫描仪2a拾取x射线（如果扫描仪2a是CT扫描仪）或无线电波（如果扫描仪2a是MR扫描仪）。借助于扫描仪2b，可以收集伽马辐射（如果扫描仪2b是PET扫描仪或SPECT扫描仪）。在扫描仪2a、2b中还设置有检测器块9a、9b（统称为9）的环，用于获取通过检测器块9a、9b中的电子和正电子的湮灭而产生的光子。尽管为了便于观察，在图13中仅示出了2个检测器块9a、9b，但是扫描仪2a、2b可以具有围绕扫描仪2a、2b的圆周以圆柱体布置的许多检测器块9。控制设备6进一步可操作以接收来自检测器块9a、9b的信号，并且能够评估这些信号以用于创建PET或SPECT图像。控制设备6进一步激活驱动单元8，以便通过扫描仪2a、2b的开口5在方向Z上将检查台3与患者4一起移动。控制设备6和处理器7可以例如包括具有屏幕、键盘、以及非暂时性机器可读存储介质12（下文中被称为“存储介质”）的计算机系统，在该存储介质上存储有电子可读控制信息，该电子可读控制信息被体现为使得当存储介质12与处理器7和控制设备6结合使用时，它执行下面描述的方法。
可以使用西门子的公开号为US 2018/0260951 A1和US 2018/0260957 A1的美国专利申请（其两者通过引用并入本文）中描述的工具。该工具能够从解剖图像（图1A和1B）中准确地分割器官。该工具基于自动算法，该自动算法检测适当的界标，并且然后使用深度图像到图像网络（DI2IN）从3D CT/MR体积中分割器官，该深度图像到图像网络（DI2IN）采用与多级特征级联（multi-level feature concatenation）和深度监督组合的卷积编码器-解码器架构。
在图1A的3D呈现中的解剖图可以用一个或多个CT或MR图像来覆盖，如图1B中所示，使得PET或单光子发射计算机断层摄影（SPECT）图像的每个体素可以根据该体素基于解剖图像数据被指派到的器官而被重建。
在分割之后，可以将每个器官指派给标识表。例如，可以向每个器官指派相应的整数（表1）。对应于每个器官的整数可以被映射到相应的动力学模型、解剖先验、正则化强度等或其组合。解剖图可以包括存储数据库的非暂时性机器可读存储介质。在一些实施例中，数据库可以包含三维（3D）阵列，其中该阵列的每个元素表示相应的体素，并且包含表示该体素所属的器官的标识符（例如，整数）。
表1
在一些实施例中，每个整数可以用于引用相应的表或表条目，该表或表条目定义了将用于对与该整数相关联的器官进行建模的参数（例如，K1，V0）。在其他实施例中，模型参数可以被并入到分割表中，使得每个体素具有带有标识符（例如，整数）和一组动力学模型参数的相应条目。
该解剖图可以指导自适应正则化中的发射图像重建（图2）和/或可以使用针对不同器官的不同动力学模型（图7A-8）。
首先参考图2，在步骤200中，收集发射数据。在一些实施例中，单个医学成像系统包括用于收集解剖图像的MR扫描仪或CT扫描仪、以及用于收集表示放射性示踪剂浓度的发射数据的PET扫描仪或SPECT扫描仪。在一些实施例中，解剖和活动数据（例如，PET和CT数据）两者都是在患者保持在扫描仪床上的同时被收集的，而不将床留在它们之间。
在步骤202处，将解剖数据（MR或CT数据）分割成器官。每个体素用相应的器官来标识。例如，可以使用机器学习利用神经网络来执行分割，该神经网络是利用由经训练的检查者标识的来自先前患者的一组器官来训练的。该神经网络被训练成将每个体素分类为属于特定器官。在其他实施例中，可以使用图像识别算法（例如，特征提取）或聚类算法将体素指派给器官。
在步骤204处，将相应的标识符（例如，整数）指派给每个体素，该标识符对应于该体素所属的器官。
在步骤206处，该系统基于每个体素的解剖（MR或CT）图像来构建相似性图（根据等式（1）至（4））。在一些实施例中，相似性图排除了被指派给解剖先验将不被应用到的一个或多个器官的体素。例如，在一些实施例中，该系统确定功能性（PET或SPECT）图像值是否与解剖（MR或CT）图像值相关。
可以使用径向高斯核来构建相似性图。像素j、k处的PET图像值x由等式（1）给出：
其中核K由等式（2）来定义，并且α是由等式（3）定义的系数图像。
针对每对解剖像素j和k的核函数K（fj,fk）由等式（2）定义。
其中fj和fk分别是像素j和K的解剖特征向量，K是核函数，并且参数σ控制边缘灵敏度。
对于期望最大化（EM），系数图像由等式（3）定义。
其中
是系统矩阵，其中pij表示检测到源自于检测器对i中的体素j的事件的概率，并且r是涵盖随机和散射事件的向量，并且Md和Nv分别表示检测器仓（bin）和体素的数量。A是衰减校正因子，N是归一化因子，并且S是所仿真的散射正弦图。针对给定器官的相似性矩阵（图）K由等式（4）给出
再次参考图2，在步骤208处，在迭代图像重建中应用相似性图，例如利用等式（3）中的有序子集期望最大化（OSEM）算法。
在步骤210处，该系统输出重建的图像。
在根据等式（4）构建相似性矩阵时，图1B的解剖图和表1可以用于具体地标识在活动与衰减图之间具有良好相关性的器官。
在等式（4）中，针对在解剖与活动之间具有良好相关性的器官中的体素f j 来计算与相邻体素f k 的相似性值，并且不需要针对在解剖与活动之间不具有良好相关性的器官中的体素来计算相似性值。例如，已知脑部的PET和CT数据具有较差的相关性，因此不需要针对脑部中的体素来计算相似性值。相似性矩阵的这种自适应计算可以由等式（4）中的因子器官（fj）来控制，这是由于器官（fj）保持跟踪体素fj属于哪个器官。
图3A-3C示出了其中在没有解剖先验的情况下的（功能性）PET图像重建（在图3A中示出）与脑部的MR解剖先验图像（图3B）之间存在良好相关性的示例。图3A和3B两者都示出了脑部软组织的细节。因此，使用来自图3B中的MR图像的解剖先验信息来重建图3A的PET图像数据提供了更平滑的图像，如图3C中所示。类似地，针对躯干的解剖与发射信息之间存在良好的相关性（图3A-3C中未示出），无论是将MR还是CT数据用于躯干。
图4A-4C示出了其中在没有解剖先验的情况下的脑部的（活动）PET图像重建（在图4A中示出）与脑部的CT解剖先验图像（图4B）之间存在较差相关性的示例。图4A示出了脑部软组织的细节，但是图4B中的CT图像仅示出了骨骼。因此，使用来自图4B中的CT图像的解剖先验信息来重建图4A的PET图像数据使该图像过度平滑，如图4C中所示，从而在减少噪声的同时导致了细节的损失。因此，在图2的步骤206中从脑部的相似性图中排除颅骨的CT解剖先验数据可能是有利的。
在图5A-5D中，基于衰减图针对位于脑部外部的所有体素构建了相似性矩阵。该方法区分具有不同衰减性质的区域，向它们指派线性衰减系数以提供衰减图，从而在重建期间校正PET发射数据。衰减图先验可以被成功地应用在脑部外部的区域中。重建的脑部是不平滑的。
图5A示出了不使用任何解剖先验的标准摄取值（SUV）重建的结果。该图像的躯干部分是有噪声的。
图5B示出了来自图5A的使用来自对应于躯干和脑部的CT图像的解剖先验数据而重建的PET数据。该图像的躯干部分通过噪声减少而被改进，同时保留了可接受的细节，但是在该图像的脑部部分中丢失了细节，这是因为脑部解剖（CT）数据与脑部活动（PET）数据不相关。
图5C示出了使用位于脑部外部的所有体素的相似性矩阵而重建的图像。该图像的躯干部分受益于噪声减少，类似于图5B中的躯干，但是脑部部分保留了细节，类似于图5A的脑部部分。在该实例中，在图5C中保留脑部中的细节的益处超过了脑部中的前述噪声减少的成本。
图5D示出了覆盖有CT数据的解剖图。通过知晓每个体素属于哪个器官，可以使用来自MR/CT的解剖图来设计更智能的重建算法。
在各种实施例中，取决于针对每个个体器官的解剖与活动数据之间的相关性，该系统可以选择性地和/或可变地应用解剖先验数据以用于PET或SPECT图像的重建。该系统可以将不同的正则化或解剖先验应用于不同的器官。
在一些实施例中，该系统可以将不同的动力学模型应用于不同的器官以用于参数化成像，从而改进准确度和信噪比。
图6A-6D示出了使用具有二次先验（quadratic prior）的自适应正则化强度的另一示例。如上所指出，如果解剖数据和活动数据高度相关，则使用MR或CT解剖先验可能是有利的，并且如果解剖数据和活动数据具有非常低的相关性，则在不使用解剖先验的情况下重建PET图像可能是有利的。自适应正则化强度允许针对解剖数据与活动数据之间的中间相关性、基于CT解剖先验来使用降低的正则化强度。自适应正则化可以在减少噪声与保留细节之间取得平衡。
图6A和6B是利用统一的正则化强度而重建的患者的冠状和矢状视图，该统一的正则化强度为：针对躯干的100%正则化强度（基于CT数据）和针对脑部的100%正则化强度（基于CT数据）。该图像的脑部部分被过度平滑。图6C-6D示出了使用自适应正则化强度从与图6A和6B相同的PET数据中重建图像的另一个方法。在图6C-6D中，应用于脑部的正则化强度是应用于人类身体的其余部分的正则化强度的三分之一。通过在图6C和6D中使用降低的正则化强度，在脑部区域中保留了更好的分辨率（与图6A和6B相比），同时提供了可接受的噪声水平。这仅仅是一个示例，并且应用于任何给定器官的正则化强度可以变化至0%与100%之间的任何值。
替代地，解剖图可以应用于参数化成像。例如，Patlak模型可能足以进行肿瘤（热点）成像。然而，与SUV图像相比，参数化图像（Ki和Dv）是有噪声的，并且对于某些器官的参数化成像而言，线性Patlak模型可能不准确。在一些实施例中，该系统可以将不同的动力学模型应用于不同的器官。将不同的动力学模型应用于不同的器官可以增加参数化图像的信噪比。
在一些实施例中，解剖图或分割表用于确定每个体素被指派给哪个器官，并且每个器官被指派给相应的动力学模型。图7A和7B示意性地示出了用于确定哪些参数被包括在给定器官的动力学模型中的索引方法。例如，如图7B中所示，如果对应于给定体素的分割表记录包含整数1，则该体素的模型参数被标识在模型表的第一条目（例如，行或列）中。在这种情况下，模型表的第一行指示使用线性模型，并且参数K1和V0将被标识，并且参数化K1和V0图像将被重建。类似地，模型表的其余条目（行或列）标识用于其他器官的模型的参数。
例如，在参数化成像系统的一些实现方式中，Patlak模型被应用于图像中的所有体素。Patlak模型是基于等式（5）的线性模型：
其中R是示踪剂在感兴趣区域中的量，C p (t)是示踪剂在血液中的浓度，K是进入外周（不可逆）隔室（compartment）中的速率，并且V 0是示踪剂在中心（可逆）隔室中的分布体积。
等式（5）的模型假设所有体素都遵循线性模型，而不管体素位于哪个器官中。然而，许多器官展现出更复杂的行为。例如，图7A分别示出了针对主动脉、心肌、脑部和肝脏的四个不同的示意性模型。主动脉被视为通道（pass-through），其中没有示踪剂摄取并且在去往主动脉的入口与离开主动脉的出口之间的示踪剂浓度中没有改变。心肌可以被建模为具有一个可逆隔室C1，其中相应的常数K1和K2分别定义了示踪剂流入（influx）和流出（outflux）。脑部可以被建模为具有可逆隔室C1和不可逆隔室C2。添加了参数K3，参数K3表示由不可逆隔室C2进行的摄取。肝脏可以被建模为具有两个可逆隔室C1和C2。添加了肝脏流出参数K4。
解剖图还允许进行器官特定的参数化成像，并且可以增加参数化图像的信噪比。解剖图可以从高分辨率MR或CT图像中导出。在静态或参数化发射图像重建中，解剖（例如，MR和/或CT）与发射（PET或SPECT）图像之间的相关性信息允许更准确的动力学建模，以对参数化图像进行去噪，并且还提供适于临床需要的更合期望的校正效果。
图8是在动态成像中将不同动力学模型应用于不同器官的方法的流程图。在步骤800处，收集发射数据。在一些实施例中，单个医学成像系统包括用于收集解剖图像的MR扫描仪或CT扫描仪、以及用于收集表示放射性示踪剂浓度的发射数据的PET扫描仪或SPECT扫描仪。
在步骤802处，将解剖数据（MR或CT数据）分割成器官。每个体素用相应的器官来标识。可以使用任何分割方法，诸如上面关于图2的步骤202所讨论的那些。
在步骤804处，将相应的标识符（例如，整数）指派给每个体素，该标识符对应于该体素所属的器官。
在步骤806处，该系统将每个标识符（例如，整数）映射到相应的动力学模型。例如，该映射可以如图7A或图7B中所示。
在步骤808处，该方法循环通过每个器官，以应用对应于每个体素的相应动力学模型。
在步骤810处，该系统输出每一个模型参数的参数化图像。
图9示出了用于将不同的动力学模型应用于相应器官的示例性实施例。
在步骤900处，将动态正弦图数据、器官分割图、衰减图和血液输入函数输入到该系统。在一些实施例中，可以使用具有PET或SPECT获取扫描仪和CT或MRI扫描仪的扫描仪来捕获正弦图数据和器官分割图。在其他实施例中，正弦图数据和器官分割图可以是从非暂时性机器可读存储介质访问的先前存储的数据。
在步骤902处，将每个器官指派给相应的动力学模型。为了简单起见，图10中的其余步骤基于线性Patlak模型，但在其他示例中，使用一个或多个其他模型，诸如多隔室模型和/或非线性模型。
在步骤904处，初始化每个参数化图像。例如，每个参数化图像的所有体素最初可以被设置为统一的值（例如，全黑、全白或全灰）。
步骤908至916执行主循环。
在步骤908处，该系统使用期望最大化来计算帧发射图像。帧发射图像包括在其处收集了正弦图数据的每个时间点的相应SUV图像。执行第一时间步骤908，使用来自步骤904的初始参数值来计算帧发射图像。随后，使用来自主循环的先前迭代的参数化图像来执行步骤908的每次迭代。
在步骤910处，基于来自先前时间步骤的估计来更新每个帧图像（对应于扫描期间的每个收集时间点的SUV图像）。例如，基于对应于第一时间点的帧图像来更新对应于第二时间点的帧图像。
步骤912和914形成了用于执行动力学建模的内循环。该内循环基于帧图像来更新参数化图像。
步骤912使用帧发射图像基于器官的相应指派的动力学模型来更新器官的参数化图像（例如，Ki和Dv图像）。针对每个体素，在所有时间点上将线或曲线（取决于指派给每个器官的相应模型）拟合到该体素的帧图像数据，并且确定参数值（例如，Ki和Dv）。
在步骤914处，针对每个器官重复步骤912中对参数化图像的更新。
在步骤916处，重复从步骤908至916的主循环，直到已经执行了期望次数的迭代。
在步骤918处，一旦执行了期望次数的迭代，就输出每个器官的相应参数化图像。
图10示出了用于将不同的动力学模型应用于相应器官的示例性实施例，其中器官至少包括主动脉。
在步骤1000处，将动态正弦图数据、器官分割图、衰减图和血液输入函数输入到该系统。在一些实施例中，扫描仪以连续床运动（CBM）模式而操作。在其他实施例中，使用步进扫描模式。在一些实施例中，可以使用具有PET或SPECT获取扫描仪和CT或MRI扫描仪的扫描仪来捕获正弦图数据和器官分割图。在其他实施例中，正弦图数据和器官分割图可以是从非暂时性机器可读存储介质访问的先前存储的数据。
在步骤1002处，针对该扫描的每个轴向切片，该系统计算每个时间点的血液示踪剂浓度CB(t)和CB(t)的积分。在一些实施例中，用于针对参数化PET来计算不同扫描行程（scan pass）的图像切片参考时间的方法基于精细采样的“床标签”。床标签是遍及该扫描准确地编码床的位置和时间信息的坐标对。在CBM模式下的系统扫描中，可以周期性地记录床标签，从而提供位置相对于时间的准确记录，而与床的速度和加速度无关。在其他实施例中，该系统以分步拍摄模式进行扫描。
在步骤1004处，初始化每个参数化图像（例如，Ki和DV）。例如，每个参数化图像的所有体素最初可以被设置为统一的值（例如，全黑、全白或全灰）。
步骤1005至1016执行主循环。
步骤1005和1007构成正则化步骤。在步骤1005处，该系统针对每个器官中的体素来计算每个参数的平均参数值（例如Ki、DV）。在图10的示例中，针对主动脉指派平均参数值。分别使用等式（6）和（7）来针对每个体素计算Ki和DV：
如果体素j属于解剖图中的主动脉，则通过下式来计算平均值：
Kij = mean(Kij(主动脉))
DVj = mean(DVj(主动脉))。
在步骤1007处，将在所有体素上计算的平均参数值指派给每个器官中的每个体素。在图10的示例中，每个体素被设置为在步骤1005中计算的平均参数值Ki和DV。
在步骤1008处，该系统使用（Patlak）等式（8）来计算帧发射图像。
帧发射图像包括在其处收集了正弦图数据的每个时间点的相应SUV图像。执行第一时间步骤1008，使用来自步骤1004的初始参数化图像来计算帧发射图像。随后，使用来自主循环（步骤1005-1016）的先前迭代的参数化图像来执行步骤1008的每次迭代。
在步骤1010处，基于来自步骤1008的估计来更新每个帧图像（对应于扫描期间的每个收集时间点的SUV图像）。该更新根据等式（9）来执行：
步骤1012和1014形成了用于执行动力学建模的内循环。
步骤1012使用帧发射图像基于器官的相应指派的动力学模型来更新器官的参数化图像（例如，Ki和Dv图像）。针对每个体素，在所有时间点上将线或曲线拟合到该体素的帧图像数据，并且确定参数值（例如，Ki和Dv）。
在步骤1014处，针对每个器官重复步骤1012中对参数化图像的更新。
在步骤1016处，重复从步骤1008至1016的主循环，直到已经执行了期望次数的迭代。
在步骤1017处，一旦执行了期望次数的迭代，处理器就输出Ki和DV参数化图像。
图11A-11E比较了应用主动脉解剖图之前和之后的相同主体的参数化图像。
图11A示出了主体的矢状视图CT图像。主动脉被标记，并且容易与周围器官区分开。图11A的CT图像具有低噪声。
图11B示出了在没有应用图11A的主动脉图信息的情况下的相同主体的矢状视图Ki参数化图像。主动脉在图11B中被标记，但是图像包含大量噪声。
图11C示出了在应用图11A的主动脉图信息之后的相同主体的矢状视图Ki参数化图像。主动脉在图11C中被标记。相对于图11B，噪声显著减少，并且改进了主动脉的图像质量。
图11D示出了在没有应用图11A的主动脉图信息的情况下的相同主体的矢状视图DV参数化图像。主动脉在图11D中被标记。图像包含大量噪声。
图11E示出了在应用图11A的主动脉图信息之后的相同主体的矢状视图DV参数化图像。主动脉在图11E中被标记。噪声显著减少，并且改进了主动脉的图像质量。
图12A-12D示出了通过将肝脏图应用于PET参数化图像处理而获得的肝脏的参数化图像中的类似改进。
图12A示出了在没有应用肝脏图的情况下的主体的前部视图Ki参数化图像。肝脏在图12A中被标记，但是图像包含大量噪声。
图12B示出了在应用肝脏图信息之后的相同主体的矢状视图Ki参数化图像。肝脏在图12B中被标记。相对于图12A，噪声显著减少，并且改进了肝脏的图像质量。
图12C示出了在没有应用肝脏图的情况下的主体的前部视图DV参数化图像。肝脏在图12C中被标记，但是图像包含大量噪声。
图12D示出了在应用肝脏图信息之后的相同主体的矢状视图DV参数化图像。肝脏在图12D中被标记。相对于图12C，噪声显著减少，并且改进了肝脏的图像质量。
因此，通过将主动脉或肝脏（或其他感兴趣器官）的解剖信息包括在嵌套的Patlak图像重建中，可以改进参数化图像的主动脉或肝脏区域中的信噪比。上面描述的技术可以应用于其他器官的参数化成像。
解剖图还可以用于其他数据校正方法中，诸如运动校正、散射校正和点扩散函数。在各种实施例中，解剖图还可以单独地或以任何组合用于以下方面：
（a）在最大后验（MAP）图像重建中在不同的器官上应用分别不同的正则化强度；
（b）自适应地应用数据校正算法。例如，我们可以在脑部协议中关闭点扩散函数（PSF），并且在全身协议中打开PSF。该系统可以将不同的校正方法（例如，点扩散函数、散射缩放）应用于人类身体的不同区域。
（c）将不同的PSF宽度应用于人类身体的不同部位。例如，针对脑部，该方法可以使用较小的点扩散函数，而针对躯干区域，可以使用较大宽度的点扩散函数。放射科医师可以针对具有大量细节的区域（例如，脑部）使用较小宽度的点扩散函数，以减少脑部中的模糊。针对躯干，放射科医师可以应用具有较大宽度的点扩散函数，以便在细节较少的地方减少噪声，并且更多地减少噪声。
（d）更智能地应用运动校正。对于运动校正，一旦获得分割图，该系统就可以将每个体素与其所属的正确器官相关联。该系统可以针对可能具有运动的器官中的体素应用运动校正，并且针对不太可能具有运动的器官省略运动校正。例如，如果患者4静止在床3上，则脑部不具有很多运动，但是肺和心脏在呼吸期间具有相当大的运动，因此该系统可以将运动校正应用于指派给躯干中的器官（例如，肺和心脏）的体素，但是不针对指派给脑部的体素使用运动校正。
（e）应用关于病变的解剖信息。如果病变信息可用，则该系统可以将病变信息包括在解剖图中，并且可以更好地重建图像区域。例如，可以将病变（例如，恶性肿瘤）视为解剖图中的单独器官，并且该系统可以将与用于该病变所位于的器官的动力学模型不同的动力学模型应用于该病变。因此，该系统可以获得关于该病变的更准确的血液活动信息。
本文中描述的方法和系统可以至少部分地以计算机实现的过程和用于实践这些过程的装置的形式来体现。所公开的方法还可以至少部分地以利用计算机程序代码编码的有形的、非暂时性机器可读存储介质的形式来体现。该介质可以包括，例如RAM、ROM、CD-ROM、DVD-ROM、BD-ROM、硬盘驱动器、闪速存储器、或任何其他非暂时性机器可读存储介质，其中当计算机程序代码被加载到计算机中并由计算机执行时，计算机成为用于实践该方法的装置。这些方法还可以至少部分地以如下计算机的形式来实现：计算机程序代码被加载和/或执行到该计算机中，使得该计算机成为用于实践这些方法的专用计算机。当在通用处理器上实现时，计算机程序代码段将处理器配置成创建特定的逻辑电路。可选地，这些方法可以至少部分地体现在由用于执行这些方法的专用集成电路形成的数字信号处理器中。
尽管已经根据示例性实施例描述了本主题，但是本主题不限于此。相反，所附权利要求应当被宽泛地解释为包括本领域技术人员可以做出的其他变型和实施例。
Claims (16)
1.一种用于重建医学图像的方法，包括：
基于解剖图像来标识主体的身体中的多个器官；
基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及
针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像，其中所述重建包括使用基于解剖图像的体素值与所选器官的活动图像的体素值之间的相关性的自适应正则化强度针对一个或多个所选器官执行正则化。
2.根据权利要求1所述的方法，其中解剖图像是所述身体的计算机断层摄影（CT）图像或磁共振（MR）图像，并且活动图像是正电子发射断层摄影（PET）或单光子发射计算机断层摄影（SPECT）图像。
3.根据权利要求1所述的方法，其中解剖图像是CT图像，活动图像是PET图像，并且所述重建包括：
使用来自解剖图像的信息来重建解剖图像的包含脑部的部分；以及
在没有来自解剖图像的信息的情况下重建所述图像的包含所述身体的躯干内的器官的部分。
4.根据权利要求1所述的方法，其中基于每个体素被指派到的器官来自适应地执行所述正则化。
5.根据权利要求1所述的方法，进一步包括：将分别不同的动力学模型应用于指派给所述多个器官中的分别不同的器官的体素。
6.根据权利要求1所述的方法，进一步包括：将分别不同的图像校正应用于指派给所述多个器官中的分别不同的器官的体素。
7.根据权利要求6所述的方法，其中所述分别不同的图像校正包括分别不同的点扩展函数。
8.根据权利要求6所述的方法，其中所述分别不同的图像校正包括分别不同的散射缩放。
9.根据权利要求6所述的方法，其中所述分别不同的图像校正包括分别不同的运动校正。
10.一种用于重建医学图像的系统，包括：
非暂时性机器可读存储介质，其被耦合以接收医学图像数据，所述机器可读存储介质包含指令；以及
处理器，其耦合到所述机器可读存储介质以用于执行所述指令，其中所述指令将所述处理器配置成用于执行包括以下步骤的方法：
基于解剖图像来标识主体的身体中的多个器官；
基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及
针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像，其中所述重建包括使用基于解剖图像的体素值与所选器官的活动图像的体素值之间的相关性的自适应正则化强度针对一个或多个所选器官执行正则化。
11.根据权利要求10所述的系统，其中解剖图像是CT图像，活动图像是PET图像，并且所述重建包括：
使用来自解剖图像的信息来重建解剖图像的包含脑部的部分；以及
在没有来自解剖图像的信息的情况下重建所述图像的包含所述身体的躯干内的器官的部分。
12.根据权利要求10所述的系统，其中基于每个体素被指派到的器官来自适应地执行所述正则化。
13.根据权利要求10所述的系统，进一步包括：将分别不同的动力学模型应用于指派给所述多个器官中的分别不同的器官的体素。
14.一种包含指令的非暂时性机器可读存储介质，使得当处理器执行所述指令时，所述指令将所述处理器配置成用于通过以下步骤来重建医学图像：
基于解剖图像来标识主体的身体中的多个器官；
基于解剖图像将所述身体中的多个体素指派给所述多个器官中的相应器官；以及
针对指派给所述多个器官中的每个相应器官的体素使用分别不同的处理来重建所述身体的活动图像，其中所述重建包括使用基于解剖图像的体素值与所选器官的活动图像的体素值之间的相关性的自适应正则化强度针对一个或多个所选器官执行正则化，并且其中基于解剖图像的体素值与活动图像的体素值之间的相关性来选择所选器官。
15.根据权利要求14所述的非暂时性机器可读存储介质，其中解剖图像是CT图像，活动图像是PET图像，并且所述重建包括：
使用来自解剖图像的信息来重建解剖图像的包含脑部的部分；以及
在没有来自解剖图像的信息的情况下重建所述图像的包含所述身体的躯干内的器官的部分。
16.根据权利要求14所述的非暂时性机器可读存储介质，进一步包括：用于将分别不同的动力学模型应用于指派给所述多个器官中的分别不同的器官的体素的指令。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/167819 | 2018-10-23 | ||
| US16/167,819 US10762626B2 (en) | 2018-10-23 | 2018-10-23 | Activity image reconstruction using anatomy data |
| PCT/US2019/042312 WO2020086128A1 (en) | 2018-10-23 | 2019-07-18 | Activity image reconstruction using anatomy data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112912934A CN112912934A (zh) | 2021-06-04 |
| CN112912934B true CN112912934B (zh) | 2023-01-24 |
Family
ID=67515149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980070197.7A Active CN112912934B (zh) | 2018-10-23 | 2019-07-18 | 用于使用解剖数据的活动图像重建的方法和系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10762626B2 (zh) |
| EP (1) | EP3853818A1 (zh) |
| JP (1) | JP7312820B2 (zh) |
| CN (1) | CN112912934B (zh) |
| CA (1) | CA3117317C (zh) |
| WO (1) | WO2020086128A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11100611B2 (en) * | 2019-03-29 | 2021-08-24 | GE Precision Healthcare LLC | Systems and methods for background noise reduction in magnetic resonance images |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102124361A (zh) * | 2008-08-15 | 2011-07-13 | 皇家飞利浦电子股份有限公司 | 使用磁共振波谱图像数据对pet或spect核成像系统的衰减校正 |
| CN109472835A (zh) * | 2017-09-07 | 2019-03-15 | 西门子保健有限责任公司 | 处理医学图像数据的方法和医学图像数据的图像处理系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7534418B2 (en) * | 2004-12-10 | 2009-05-19 | The Regents Of The University Of Michigan | Imaging agents |
| JP5269283B2 (ja) | 2005-04-06 | 2013-08-21 | 株式会社東芝 | 医用画像診断装置及び画像再構成方法 |
| FR2886433B1 (fr) * | 2005-05-30 | 2007-09-07 | Commissariat Energie Atomique | Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie. |
| WO2012093313A1 (en) | 2011-01-05 | 2012-07-12 | Koninklijke Philips Electronics N.V. | Method and apparatus to detect and correct motion in list-mode pet data with a gated signal |
| JP5706389B2 (ja) | 2011-12-20 | 2015-04-22 | 富士フイルム株式会社 | 画像処理装置および画像処理方法、並びに、画像処理プログラム |
| US9364192B2 (en) * | 2013-03-15 | 2016-06-14 | Siemens Medical Solutions Usa, Inc. | Error estimates in quantitative functional imaging |
| JP6123652B2 (ja) | 2013-11-27 | 2017-05-10 | 株式会社島津製作所 | 散乱成分推定方法 |
| JP6425885B2 (ja) | 2013-12-20 | 2018-11-21 | キヤノンメディカルシステムズ株式会社 | 核医学診断装置、画像処理装置および画像処理プログラム |
| JP6815167B2 (ja) | 2015-11-02 | 2021-01-20 | キヤノンメディカルシステムズ株式会社 | 医用画像診断システム、形態画像診断装置及び核医学画像診断装置 |
| US10210634B2 (en) * | 2016-07-20 | 2019-02-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for segmenting medical image |
| EP3566209B1 (en) * | 2017-01-06 | 2021-11-03 | Koninklijke Philips N.V. | Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging |
| US10366491B2 (en) | 2017-03-08 | 2019-07-30 | Siemens Healthcare Gmbh | Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes |
| US10600185B2 (en) | 2017-03-08 | 2020-03-24 | Siemens Healthcare Gmbh | Automatic liver segmentation using adversarial image-to-image network |
-
2018
- 2018-10-23 US US16/167,819 patent/US10762626B2/en active Active
-
2019
- 2019-07-18 CA CA3117317A patent/CA3117317C/en active Active
- 2019-07-18 EP EP19749076.6A patent/EP3853818A1/en active Pending
- 2019-07-18 CN CN201980070197.7A patent/CN112912934B/zh active Active
- 2019-07-18 WO PCT/US2019/042312 patent/WO2020086128A1/en unknown
- 2019-07-18 JP JP2021521489A patent/JP7312820B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102124361A (zh) * | 2008-08-15 | 2011-07-13 | 皇家飞利浦电子股份有限公司 | 使用磁共振波谱图像数据对pet或spect核成像系统的衰减校正 |
| CN109472835A (zh) * | 2017-09-07 | 2019-03-15 | 西门子保健有限责任公司 | 处理医学图像数据的方法和医学图像数据的图像处理系统 |
Non-Patent Citations (4)
| Title |
|---|
| ANATOMICAL-BASED FDG-PET RECONSTRUCTION FOR THE DETECTION OF HYPO-METABOLIC REGIONS IN EPILEPSY;Kristof Baete等;《IEEE Transactions on Medical Imaging》;20040405;第23卷(第4期);摘要、正文的第Ⅱ-Ⅴ部分 * |
| CLINICAL WHOLE BODY CBM PARAMETRIC PET WITH FLEXIBLE SCAN MODES;Jicun Hu 等;《2017 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)》;20171021;正文的第Ⅱ部分 * |
| Jicun Hu 等.CLINICAL WHOLE BODY CBM PARAMETRIC PET WITH FLEXIBLE SCAN MODES.《2017 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)》.2017, * |
| Kristof Baete等.ANATOMICAL-BASED FDG-PET RECONSTRUCTION FOR THE DETECTION OF HYPO-METABOLIC REGIONS IN EPILEPSY.《IEEE Transactions on Medical Imaging》.2004,第23卷(第4期),510-519. * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3853818A1 (en) | 2021-07-28 |
| CA3117317A1 (en) | 2020-04-30 |
| CA3117317C (en) | 2022-04-19 |
| US20200126214A1 (en) | 2020-04-23 |
| JP2022505451A (ja) | 2022-01-14 |
| WO2020086128A1 (en) | 2020-04-30 |
| CN112912934A (zh) | 2021-06-04 |
| JP7312820B2 (ja) | 2023-07-21 |
| US10762626B2 (en) | 2020-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11344273B2 (en) | Methods and systems for extracting blood vessel | |
| US8675936B2 (en) | Multimodal image reconstruction | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| US9053569B2 (en) | Generating attenuation correction maps for combined modality imaging studies and improving generated attenuation correction maps using MLAA and DCC algorithms | |
| CN103559728B (zh) | 基于解剖功能联合先验模型的pet图像最大后验重建方法 | |
| CN109791701B (zh) | 具有对噪声诱发的伪影的形成的动态抑制的迭代图像重建 | |
| Cheng-Liao et al. | Segmentation of mouse dynamic PET images using a multiphase level set method | |
| CN108351396B (zh) | 用于组织分类的方法、计算机程序产品和磁共振成像系统 | |
| CN112912934B (zh) | 用于使用解剖数据的活动图像重建的方法和系统 | |
| CN112017258B (zh) | Pet图像重建方法、装置、计算机设备以及存储介质 | |
| CN108885786B (zh) | 医学图像处理 | |
| Bruyant et al. | Numerical observer study of MAP-OSEM regularization methods with anatomical priors for lesion detection in/sup 67/Ga images | |
| CN108010093B (zh) | 一种pet图像重建方法和装置 | |
| Ashouri et al. | Evaluation of wavelet kernel-based PET image reconstruction | |
| Gigengack et al. | Motion correction in thoracic positron emission tomography | |
| Chan et al. | A non-local post-filtering algorithm for PET incorporating anatomical knowledge | |
| Tahaei et al. | MR-guided PET image denoising | |
| Lamare et al. | Incorporation of elastic transformations in list-mode based reconstruction for respiratory motion correction in PET | |
| CN112365593B (zh) | 一种pet图像重建的方法和系统 | |
| Bruyant et al. | Human and numerical observer studies of lesion detection in Ga-67 images obtained with MAP-EM reconstructions and anatomical priors | |
| Hemmati et al. | Mixture model based joint-MAP reconstruction of attenuation and activity maps in TOF-PET | |
| JP2023532602A (ja) | 鮮鋭性保持呼吸動き補償 | |
| Bal et al. | Novel quantitative whole-body parametric pet imaging utilizing multiple clustering realizations | |
| Delaplace et al. | Dynamic PET reconstruction using KIBF 4D filter within reconstruction algorithm | |
| Kobayashi et al. | Fusion of image reconstruction and lesion detection using a Bayesian framework for PET/SPECT |
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 |