CN113052933A - 一种参数成像方法及系统 - Google Patents
一种参数成像方法及系统 Download PDFInfo
- Publication number
- CN113052933A CN113052933A CN202110278659.3A CN202110278659A CN113052933A CN 113052933 A CN113052933 A CN 113052933A CN 202110278659 A CN202110278659 A CN 202110278659A CN 113052933 A CN113052933 A CN 113052933A
- Authority
- CN
- China
- Prior art keywords
- image
- parameter
- dynamic
- emission tomography
- positron emission
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 66
- 238000002600 positron emission tomography Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 5
- 230000002427 irreversible effect Effects 0.000 claims description 4
- 238000003325 tomography Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 239000000700 radioactive tracer Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- IJPVCOQVFLNLAP-SQOUGZDYSA-N (2r,3s,4r,5r)-2,3,4,5,6-pentahydroxyhexanoyl fluoride Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](O)C(F)=O IJPVCOQVFLNLAP-SQOUGZDYSA-N 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000004884 grey matter Anatomy 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请属于图像成像技术领域，特别是涉及一种参数成像方法及系统。目前已有的很多研究在成像质量上有着很大的突破，但很多算法在创新的同时忽略了其计算速度，导致算法复杂性过高，在临床上很难得到广泛的应用。本申请提供了一种参数成像方法，将正电子发射断层显像数据重建为动态图像，从所述动态图像中求得清晰明确的参数图像。在低计量成像以及不大幅增加其计算成本的前提下，得到信噪比高且结构清晰的图像。
Description
技术领域
本申请属于图像成像技术领域，特别是涉及一种参数成像方法及系统。
背景技术
正电子发射断层显像(Positron Emission Tomography，PET)是通过测量事先注入到人体内部的示踪剂的辐射量，从而得到人体器官或全身图像的一种技术。这些图像中往往包含着丰富的人体内部结构和生理信息，所以对医生对患者病情的诊断有着非常大的帮助。正电子发射断层显像(PET)在疾病早期发现和术后分期诊断中起着不可或缺的作用，是一种广泛应用于神经科学研究的功能参数成像方法。相对于正常组织，PET中使用的氟-D-葡萄糖(FDG)积累的增加是许多癌症的有用标志，可帮助检测和定位恶性肿瘤。尽管PET成像具有许多优点，但它有一些缺点，使其难以接受治疗。放射性成分可能对孕妇或哺乳期患者有风险。此外，PET是一种相对较新的医疗程序，可能会很昂贵。因此，世界上大多数医疗中心仍未提供它。提供PET成像作为治疗的一部分的困难增加了对替代的，便宜的，快速的和易于使用的类似PET的成像的需求。为了获得PET图像，从已有的CT图像中的信息来合成PET图像是非常有意义的，同时对于医疗诊断领域具有重要的科学意义和应用前景。
然而，随着人们对示踪剂辐射的逐渐深入了解，人们开始在示踪剂注射剂量和成像质量两者间寻求着平衡。当然我们的目标是在保证PET成像可以满足临床诊断的前提下，使用尽可能低的注射剂量。然而剂量的减少导致了辐射事件的计数降低，从而噪声在成像过程中的影响大幅上升。
目前已有的很多研究在成像质量上有着很大的突破，但很多算法在创新的同时忽略了其计算速度，导致算法复杂性过高，在临床上很难得到广泛的应用。
发明内容
1.要解决的技术问题
基于目前已有的很多研究在成像质量上有着很大的突破，但很多算法在创新的同时忽略了其计算速度，导致算法复杂性过高，在临床上很难得到广泛的应用的问题，本申请提供了一种参数成像方法及系统。
2.技术方案
为了达到上述的目的，本申请提供了一种参数成像方法，将正电子发射断层显像数据重建为动态图像，从所述动态图像中求得清晰明确的参数图像。
本申请提供的另一种实施方式为：根据正电子发射断层显像数据得到参数图像，将正电子发射断层显像数据重建为动态图像，从所述动态图像中提取权重值，采用所述权重值对所述参数图像进行滤波得到清晰明确的参数图像。
本申请提供的另一种实施方式为：对1小时的正电子发射断层显像数据进行衰减校正得到数据一，将所述数据一分为24个时间帧，对所述时间帧拟合线性不可逆的动力学模型，采用期望最大化算法得到所述参数图像；将所述数据一以按照时间顺序平均分为3个时间帧，对所述时间帧进行图像重建得到动态图像，从所述动态图像中求得归一化的核矩阵，将所述核矩阵作为权重值，利用所述权重值对参数图像进行滤波得到清晰明确的参数图像。
本申请提供的另一种实施方式为：所述图像重建采用期望最大化算法，并增加高斯滤波，所述核矩阵求取采用最近邻算法从所述动态图像中得到。
本申请提供的另一种实施方式为：对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像拟合动力学模型得到参数图像，对所述参数图像进行滤波后得到清晰明确的参数图像。
本申请提供的另一种实施方式为：对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像进行滤波进行去除噪声，对所述去除噪声的动态图像拟合动力学模型得到清晰明确的参数图像。
本申请提供的另一种实施方式为：所述正电子发射断层显像数据包括正电子发射断层显像正弦数据和正电子发射断层显像表格模式数据。
本申请提供的另一种实施方式为：所述权重值为图像的体素位置信息。
本申请还提供一种参数成像系统，包括动态图像重建模块和动力学模型拟合模块；所述动态图像重建模块，用于将正电子发射断层显像数据重建为动态图像；所述动力学模型拟合模块，用于从动态图像中求取清晰明确的参数图像。
本申请提供的另一种实施方式为：还包括直接参数成像模块，所述直接参数成像模块，用于根据正电子发射断层显像数据得到参数图像。
本申请提供的另一种实施方式为：所述动力学模型拟合模块包括引导滤波子模块，所述引导滤波子模块用于引导动态图像滤波或者引导参数图像滤波。
3.有益效果
与现有技术相比，本申请提供的一种参数成像方法及系统的有益效果在于：
本申请提供的参数成像方法，在低计量成像以及不大幅增加其计算成本的前提下，得到信噪比高且结构清晰的图像。
本申请提供的参数成像方法为动态PET定量参数参数成像方法。
本申请提供的参数成像方法，降低参数图像噪声的同时提高图像结构的细节信息，而且在保证上述优点的同时不明显提升算法的计算成本。
本申请提供的参数成像方法，所选用的引导滤波方法与同类的核方法相比拥有更快的计算速度，而且去噪以及细节保留能力上更加的突出。
本申请提供的参数成像方法，选用动态的PET图像作为先验信息，避免了PET和MR图像不匹配的问题，而且这样只需做一次动态PET扫描即可，无需做PET-MR扫描，所以医疗成本下降。
本申请提供的参数成像方法，适用性更加的宽阔，框架的使用更加的灵活，可以引申出非常多的优秀的图像去噪方法。
本申请提供的参数成像方法，将动态PET图像作为引导滤波方法的先验信息，使图像的细节信息保留的更加完整。
本申请提供的参数成像方法，将引导滤波方法应用于PET参数成像，并且适用于直接和间接参数图像重建。
附图说明
图1是本申请的直接参数成像方法流程示意图；
图2是本申请的真实的参数图像示意图；
图3是本申请的直接法重建的参数图像示意图；
图4是本申请的间接法重建的参数图像示意图；
图5是本申请的直接法与其他方法的比较示意图；
图6是本申请的间接法与其他方法的比较示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
现有的相关技术：(1)过于复杂的算法导致计算成本上升。
(2)长时间的PET扫描，病人身体的移动会使重建图像出现偏差，细节模糊。
(3)低剂量的示踪剂会使最终图像噪声提高，质量下降。
所谓的先验信息可以理解为在实验之前，已经得到的一些信息，即先验信息。
参见图1～6，本申请提供一种参数成像方法，将正电子发射断层显像数据重建为动态图像，从所述动态图像中求得清晰明确的参数图像。
为了解决PET仪器中低剂量示踪剂成像的图像质量问题，本申请在参数成像的过程中考虑到动态PET图像的结构信息。通过将PET图像作为先验，提取它的体素位置信息作为权重，通过引导滤波方法对参数图像进行降噪处理，从而得到更清晰明确的参数图像。
进一步地，根据正电子发射断层显像数据得到参数图像，将正电子发射断层显像数据重建为动态图像，从所述动态图像中提取权重值，采用所述权重值对所述参数图像进行滤波得到清晰明确的参数图像。
将动态PET图像作为先验信息的引导滤波方法用于PET参数图像重建。参数成像是对一系列的动态PET图像拟合动力学模型，求出参数图像。分为直接法和间接法，其中直接法是将PET图像重建和拟合动力学模型合为一步，直接从扫描数据中求得参数。如图1中的参数成像就是使用的直接法。
直接法：
(1)对1小时的PET正弦数据进行衰减校正，ai是衰减校正系数。后面的步骤都是基于衰减校正后的数据进行的。首先将1小时的数据分为24个时间帧：4×20s，4×40s，4×60s，4×180s，和8×300s，然后对其拟合线性不可逆的动力学模型，使用期望最大化算法进行参数成像，但此时得到的参数图像信噪比非常差，图像可辨识性很低。使用如下迭代公式对算法进行求解：
其中θ0表示待求的参数图像，n表示迭代次数，A是动力学模型的参数系数，G是系统矩阵，1M是全为1的向量，yi是PET的正弦数据，r是背景事件，包括随机和散射事件，
是Kronecker积。
(2)将1小时的数据按照时间先后分为3个20分钟的时间帧，然后使用期望最大化算法对三个时间帧进行图像重建，并在后面加窗口大小为3的高斯滤波，这样得到的参数图像虽然细节信息会有一些损失，但信噪比非常的好。PET图像重建的迭代公式是：
其中xm，m＝(1，2，3)是待求的PET图像。
(3)使用最近邻算法从上一步求得PET图像中求得归一化的核矩阵K作为权重，然后利用引导滤波方法和权重K对参数图像进行滤波。我们将这一步使用在参数图像重建的每一次迭代中，即公式(1)变为：
这时我们得到的参数图像在拥有高信噪比的同时还拥有着非常清晰的细节信息。
进一步地，对1小时的正电子发射断层显像数据进行衰减校正得到数据一，将所述数据一分为24个时间帧，对所述时间帧拟合线性不可逆的动力学模型，采用期望最大化算法得到所述参数图像；将所述数据一以按照时间顺序平均分为3个时间帧，对所述时间帧进行图像重建得到动态图像，从所述动态图像中求得归一化的核矩阵，将所述核矩阵作为权重值，利用所述权重值对参数图像进行滤波得到清晰明确的参数图像。
将一小时数据，分为24个时间帧，得到动态PET数据，然后进行直接参数成像，即将期望最大化算法重建和拟合动力学模型合为一步，直接得到参数图像。以便后续对参数图像进行引导核滤波。
进一步地，所述图像重建采用期望最大化算法，并增加高斯滤波，所述核矩阵求取采用最近邻算法从所述动态图像中得到。
如图1所示，将PET扫描数据分为三个复合帧，并对其进行重建得到PET图像，然后对所得到的图像进行高斯滤波，滤除噪声。
进一步地，对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像拟合动力学模型得到参数图像，对所述参数图像进行滤波后得到清晰明确的参数图像。
进一步地，对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像进行滤波进行去除噪声，对所述去除噪声的动态图像拟合动力学模型得到清晰明确的参数图像。
具体的，间接法：
先将扫描数据重建得到PET图像，然后对其拟合动力学模型求取参数。但是这样会导致噪声的增加，所以间接法不如直接法的成像质量好。但是相比较其他的间接成像方法，本申请的成像质量却有着较好的提升。实现间接法成像的具体步骤如下：
将直接法中的(1)换为逐帧的PET图像重建，由公式(2)得到动态PET图像x0。
对(1)获得的动态图像进行逐帧引导滤波，得到滤波后的图像x：
x＝Kx0， (4)
对上述获得的去噪动态图像拟合动力学模型得到参数图像：
其中IN是单位矩阵。
进一步地，所述正电子发射断层显像数据包括正电子发射断层显像正弦数据和正电子发射断层显像表格模式数据。
进一步地，所述权重值为图像的体素位置信息。
本申请还提供一种参数成像系统，包括动态图像重建模块和动力学模型拟合模块；所述动态图像重建模块，用于将正电子发射断层显像数据重建为动态图像；所述动力学模型拟合模块，用于从动态图像中求取清晰明确的参数图像。
进一步地，还包括直接参数成像模块，所述直接参数成像模块，用于根据正电子发射断层显像数据得到参数图像。如图1所示，直接参数成像模块是为了得到PET参数图像，此时的参数图像噪声非常大；动态图像重建模块是为了重建得到动态PET图像，并从动态PET图像中提取权重值用于引导滤波；引导滤波模块是为了使用所求得的权重值对所求得的参数图像进行滤波。
进一步地，所述动力学模型拟合模块包括引导滤波子模块，所述引导滤波子模块用于引导动态图像滤波或者引导参数图像滤波。引导滤波子模块是一种滤波方法，主要是为了去除重建后的动态图像噪声。
实施例
参见图2、3和4，使用脑部的模型，包括灰质、白质和肿瘤三个部位，对其进行1小时含噪扫描模拟，然后使用本申请的方法进行试验。
参见图2、3和4，使用如图2所示的包括灰质、白质和肿瘤三个部位的脑部模型，在已设定的PET动力学参数和血液输入函数的条件下，求得时间活度曲线，再由脑部模型和时间活度曲线求得PET动态图像。对PET动态图像进行前向投影，并添加背景事件和泊松噪声，从而得到一小时的模拟PET扫描数据。然后使用本申请的方法进行实验。
参见图5和图6，可以看出本申请的成像质量有很大提升的，尤其是直接法得到的图像在去噪和细节保留方面都有很好的效果。
本申请的参数成像方法除应用于PET直接参数成像，还可以应用于间接参数成像；适用于任何成像算法、动力学模型和滤波方法；除使用动态PET图像作为先验信息，还可以使用MR图像以及同时使用PET和MR图像作为先验。
本申请的参数成像方法适用于任何的基于模型的成像算法，如参数迭代坐标下降算法等；也适用于不基于动力学模型的成像算法，例如OTEM算法等；适用于任何的动力学模型，除本申请使用的线性动力学模型外，还可以使用非线性动力学模型；适用于任何的滤波方法，例如NLM滤波等。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种参数成像方法，其特征在于：将正电子发射断层显像数据重建为动态图像，从所述动态图像中求得清晰明确的参数图像。
2.如权利要求1所述的参数成像方法，其特征在于：根据正电子发射断层显像数据得到参数图像，将正电子发射断层显像数据重建为动态图像，从所述动态图像中提取权重值，采用所述权重值对所述参数图像进行滤波得到清晰明确的参数图像。
3.如权利要求2所述的参数成像方法，其特征在于：对1小时的正电子发射断层显像数据进行衰减校正得到数据一，将所述数据一分为24个时间帧，对所述时间帧拟合线性不可逆的动力学模型，采用期望最大化算法得到所述参数图像；将所述数据一以按照时间顺序平均分为3个时间帧，对所述时间帧进行图像重建得到动态图像，从所述动态图像中求得归一化的核矩阵，将所述核矩阵作为权重值，利用所述权重值对参数图像进行滤波得到清晰明确的参数图像。
4.如权利要求3所述的参数成像方法，其特征在于：所述图像重建采用期望最大化算法，并增加高斯滤波，所述核矩阵求取采用最近邻算法从所述动态图像中得到。
5.如权利要求1所述的参数成像方法，其特征在于：对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像拟合动力学模型得到参数图像，对所述参数图像进行滤波后得到清晰明确的参数图像。
6.如权利要求1所述的参数成像方法，其特征在于：对正电子发射断层显像数据进行重建得到所述动态图像，对所述动态图像进行滤波进行去除噪声，对所述去除噪声的动态图像拟合动力学模型得到清晰明确的参数图像。
7.如权利要求2所述的参数成像方法，其特征在于：所述正电子发射断层显像数据包括正电子发射断层显像正弦数据和正电子发射断层显像表格模式数据；所述权重值为图像的体素位置信息。
8.一种参数成像系统，其特征在于：包括动态图像重建模块和动力学模型拟合模块；
所述动态图像重建模块，用于将正电子发射断层显像数据重建为动态图像；
所述动力学模型拟合模块，用于从动态图像中求取清晰明确的参数图像。
9.如权利要求8所述的参数成像系统，其特征在于：还包括直接参数成像模块，所述直接参数成像模块，用于根据正电子发射断层显像数据得到参数图像。
10.如权利要求8所述的参数成像系统，其特征在于：所述动力学模型拟合模块包括引导滤波子模块，所述引导滤波子模块用于引导动态图像滤波或者引导参数图像滤波。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110278659.3A CN113052933B (zh) | 2021-03-15 | 一种参数成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110278659.3A CN113052933B (zh) | 2021-03-15 | 一种参数成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113052933A true CN113052933A (zh) | 2021-06-29 |
| CN113052933B CN113052933B (zh) | 2024-06-28 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283927A (zh) * | 2021-12-31 | 2022-04-05 | 上海联影医疗科技股份有限公司 | 输入函数获取方法、装置、系统、计算机设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136731A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种动态pet图像的参数成像方法 |
| CN103263275A (zh) * | 2013-04-28 | 2013-08-28 | 浙江大学 | 一种基于h无穷滤波的pet生理参数的重构方法 |
| CN103955899A (zh) * | 2014-05-02 | 2014-07-30 | 南方医科大学 | 基于组合图像引导的动态pet图像去噪方法 |
| CN105654434A (zh) * | 2015-12-25 | 2016-06-08 | 浙江工业大学 | 基于统计模型的医学超声图像去噪方法 |
| WO2018127507A1 (en) * | 2017-01-06 | 2018-07-12 | Koninklijke Philips N.V. | Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging |
| CN110853113A (zh) * | 2019-11-19 | 2020-02-28 | 黄秋 | 基于bpf的tof-pet图像重建算法及重建系统 |
| CN111709897A (zh) * | 2020-06-18 | 2020-09-25 | 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 |
| CN112365479A (zh) * | 2020-11-13 | 2021-02-12 | 上海联影医疗科技股份有限公司 | Pet参数图像处理方法、装置、计算机设备及存储介质 |
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103136731A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种动态pet图像的参数成像方法 |
| CN103263275A (zh) * | 2013-04-28 | 2013-08-28 | 浙江大学 | 一种基于h无穷滤波的pet生理参数的重构方法 |
| CN103955899A (zh) * | 2014-05-02 | 2014-07-30 | 南方医科大学 | 基于组合图像引导的动态pet图像去噪方法 |
| CN105654434A (zh) * | 2015-12-25 | 2016-06-08 | 浙江工业大学 | 基于统计模型的医学超声图像去噪方法 |
| WO2018127507A1 (en) * | 2017-01-06 | 2018-07-12 | Koninklijke Philips N.V. | Standardized uptake value (suv) guided reconstruction control for improved outcome robustness in positron emission tomography (pet) imaging |
| CN110853113A (zh) * | 2019-11-19 | 2020-02-28 | 黄秋 | 基于bpf的tof-pet图像重建算法及重建系统 |
| CN111709897A (zh) * | 2020-06-18 | 2020-09-25 | 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 |
| CN112365479A (zh) * | 2020-11-13 | 2021-02-12 | 上海联影医疗科技股份有限公司 | Pet参数图像处理方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| JAMES BLAND等: "Spatially Compact MR-Guided Kernel EM for PET Image Reconstruction", IEEE TRANSACTIONS ON RADIATION AND PLASMA MEDICAL SCIENCES, vol. 2, no. 5, 6 June 2018 (2018-06-06), pages 470 - 482 * |
| KUANG GONG等: "Direct Patlak Reconstruction From Dynamic PET Data Using the Kernel Method With MRI Information Based on Structural Similarity", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 37, no. 4, 22 November 2017 (2017-11-22), pages 955 - 965 * |
| MARZIEH S. TAHAEI等: "Two novel PET image restoration methods guided by PET-MR kernels: Application to brain imaging", MEDICAL PHYSICS, vol. 46, no. 5, 1 February 2019 (2019-02-01), pages 2085 - 2102 * |
| 边兆英: "动力学信息导引的动态PET优质成像方法研究", 中国博士学位论文全文数据库 医药卫生科技辑, vol. 2016, no. 03, 15 March 2016 (2016-03-15), pages 076 - 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283927A (zh) * | 2021-12-31 | 2022-04-05 | 上海联影医疗科技股份有限公司 | 输入函数获取方法、装置、系统、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Metal artifact reduction on cervical CT images by deep residual learning | |
| Wang et al. | Organ at risk segmentation in head and neck CT images using a two-stage segmentation framework based on 3D U-Net | |
| CN108257134B (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
| JP7203852B2 (ja) | 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 | |
| CN111627082B (zh) | 基于滤波反投影算法和神经网络的pet图像重建方法 | |
| US20180249979A1 (en) | Simultaneous ct-mri image reconstruction | |
| CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
| CN111325686A (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
| US20230097849A1 (en) | Creation method of trained model, image generation method, and image processing device | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| Hu et al. | Design and implementation of automated clinical whole body parametric PET with continuous bed motion | |
| He et al. | Dynamic PET image denoising with deep learning-based joint filtering | |
| US20080091102A1 (en) | Image Processing Apparatus and Image Processing Method | |
| Izadi et al. | Enhanced direct joint attenuation and scatter correction of whole-body PET images via context-aware deep networks | |
| WO2023125683A1 (en) | Systems and methods for image reconstruction | |
| CN113052933B (zh) | 一种参数成像方法及系统 | |
| CN113052933A (zh) | 一种参数成像方法及系统 | |
| WO2022193072A1 (zh) | 一种参数成像方法及系统 | |
| CN111951346B (zh) | 一种联合运动估计与时空张量增强表示的4d-cbct重建方法 | |
| WO2022036633A1 (en) | Systems and methods for image registration | |
| Song et al. | Approximate 4D reconstruction of cardiac-gated spect images using a residual convolutional neural network | |
| CN117425434A (zh) | 参数成像的系统和方法 | |
| CN112652029A (zh) | Pet成像方法、装置与设备 | |
| Xie et al. | Metal artifact correction in head computed tomography based on a homographic adaptation convolution 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 |