CN113628293B - 全身直接参数化图像重建中的帧间运动校正 - Google Patents
全身直接参数化图像重建中的帧间运动校正 Download PDFInfo
- Publication number
- CN113628293B CN113628293B CN202110489218.8A CN202110489218A CN113628293B CN 113628293 B CN113628293 B CN 113628293B CN 202110489218 A CN202110489218 A CN 202110489218A CN 113628293 B CN113628293 B CN 113628293B
- Authority
- CN
- China
- Prior art keywords
- whole
- frame
- motion field
- image
- computer
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 215
- 238000012937 correction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012633 nuclear imaging Methods 0.000 claims abstract description 35
- 230000002441 reversible effect Effects 0.000 claims description 29
- 238000003384 imaging method Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000002503 metabolic effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 3
- 238000012879 PET imaging Methods 0.000 claims description 2
- 238000013170 computed tomography imaging Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 36
- 238000004891 communication Methods 0.000 description 31
- 239000008280 blood Substances 0.000 description 11
- 210000004369 blood Anatomy 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 11
- 210000004556 brain Anatomy 0.000 description 9
- 238000012905 input function Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000005674 electromagnetic induction Effects 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004886 head movement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请一般涉及核成像,并且更特别地涉及核成像中的运动校正。一种用于使用全身运动场进行参数化图像重建和运动校正的方法,包括接收包括动态帧集的核成像数据集,以及针对帧集中的至少一个帧生成全身正向运动场和/或全身反向运动场中的至少一个。应用迭代循环来更新在直接参数化重建中使用的至少一个参数,并且基于由迭代循环更新的所述至少一个参数来生成至少一个参数化图像。迭代循环包括计算针对所述至少一个帧的帧发射图像,基于至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像,以及通过对运动校正的帧发射图像应用拟合来更新至少一个参数。
Description
技术领域
本申请一般涉及核成像,并且更特别地涉及核成像中的运动校正。
背景技术
当前的全身PET参数化成像使用多个通道或帧来采集动态数据,使得可以捕获每个图像体素中随时间经过的活动改变。为了准确评估示踪剂动力学,在理想情况下,在扫描持续时间内,每个体素包含相同的组织。然而,对于每个感兴趣区域的动态数据采集时间跨度可能比静态标准摄取值(SUV)成像更长,并且患者可能在扫描期间移动,导致重建的参数化图像中的运动伪影。
典型的运动包括头部运动、呼吸运动和身体运动。为了减少运动伪影,在计算动力学参数之前,需要将不同的动态帧配准到具有运动场的相同参考帧。
发明内容
在各种实施例中,公开了一种计算机实现的方法。该方法包括接收包括帧集的核成像数据集,为该帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个,应用迭代循环来更新在直接参数化重建中使用的至少一个参数,以及基于由迭代循环更新的至少一个参数生成至少一个参数化图像。迭代循环包括计算针对至少一个帧的帧发射图像,基于至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像,通过对运动校正的帧发射图像应用线性拟合来更新至少一个参数。
在各种实施例中,公开了一种系统。该系统包括核成像扫描器和处理器,该核成像扫描器被配置为获得包括动态帧集的核成像数据集。处理器被配置为从核成像扫描器接收核成像数据集,为帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个,应用迭代循环来更新在直接参数化重建中使用的至少一个参数,以及基于由迭代循环更新的所述至少一个参数生成至少一个参数化图像。迭代循环包括计算针对至少一个帧的帧发射图像,基于至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像,以及通过对运动校正的帧发射图像应用线性拟合来更新至少一个参数。
在各种实施例中,一种非暂时性计算机可读介质存储指令,所述指令被配置为使得计算机系统执行包括以下各项的步骤:接收包括帧集的核成像数据集,为帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个,应用迭代循环来更新在直接参数化重建中使用的至少一个参数,以及基于由迭代循环更新的所述至少一个参数生成至少一个参数化图像。迭代循环包括计算针对至少一个帧的帧发射图像,基于至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像,通过对运动校正的帧发射图像应用线性拟合来更新至少一个参数。
附图说明
本发明的特征和优点将在下面对优选实施例的详细描述中被更完全地公开,或者通过在下面对优选实施例的详细描述被呈现得明显,所述优选实施例将与随附附图一起考虑,其中相同的数字指代相同的部分,并且进一步其中:
图1图示了根据一些实施例的核成像系统;
图2图示了根据一些实施例的计算机系统的框图;
图3A图示了包含运动伪影的重建参数化图像;
图3B图示了基准真值参数化图像;
图4是图示根据一些实施例的计算多帧运动场的处理的流程图;
图5是图示根据一些实施例的应用正向和反向运动场进行运动校正的处理的流程图;
图6是图示根据一些实施例的用于生成参数化图像的血液输入函数的曲线图;
图7是图示根据一些实施例的应用正向和反向扭曲的处理的流程图;
图8图示了根据一些实施例,应用全身运动场将图像帧扭曲到参考帧;
图9A图示了在不应用运动校正的情况下重建的代谢摄取率(Ki)大脑参数化图像;
图9B图示了在不应用运动校正的情况下重建的分布体积(DV)大脑参数化图像;
图10A图示了根据一些实施例的使用全身运动场参数化重建处理重建的Ki大脑参数化图像;
图10B图示了根据一些实施例的使用全身运动场参数化重建处理重建的DV大脑参数化图像;
图11A图示了在不应用运动校正的情况下重建的上身参数化图像;
图11B图示了根据一些实施例的使用全身运动场参数化重建处理重建的上身参数化图像;
图11C是根据一些实施例的图示图11A和图11B中覆盖肿瘤的线绘图的曲线图;
图12A图示了在没有运动校正的情况下重建的最大强度投影(MIP)代谢摄取率(Ki)图像;
图12B图示了根据一些实施例的使用全身运动场参数化重建处理重建的MIP Ki图像;
图13A图示了在没有运动校正的情况下重建的分布体积(DV)MIP图像;
图13B图示了根据一些实施例的使用全身运动场参数化重建处理重建的DV MIP图像;
图14A图示了在没有运动校正的情况下重建的Ki冠状参数化图像;
图14B图示了在没有运动校正的情况下重建的DV冠状参数化图像;
图15A图示了使用间接参数化运动校正处理生成的Ki参数化全身图像;
图15B图示了使用间接参数化运动校正处理生成的DV参数化全身图像;
图16A图示了根据一些实施例的使用图5的直接参数化重建方法生成的Ki参数化全身图像;
图16B图示了根据一些实施例使用图5的直接参数化重建方法生成的DV参数化全身图像。
具体实施方式
示例性实施例的描述旨在结合随附附图阅读,所述随附附图被认为是整个书面描述的一部分。在说明书中,相关术语应被解释为指代如随后描述的或如讨论中的附图中所示的定向。这些相关术语是为了描述方便,并且不要求该装置在特定定向上被构建或操作。诸如“连接的”和“互连的”的关于附接、耦合等的术语指代一种关系,其中结构直接或间接地通过中间结构可操作地连接或附接到彼此,包括物理、电、光或其他附接或关系,除非另有明确描述。
在各种实施例中,从形变配准计算的全身运动场用于直接参数化重建中,以计算用于生成参数化诊断图像的一个或多个参数。基于帧集中每个帧的参考帧来计算正向和反向运动场。在直接参数化重建期间,每个帧的正向和反向运动场用于生成应用于每个帧的发射图像的迭代校正图像,以更新在参数化重建中使用的一个或多个参数。出于诊断和/或临床目的生成一个或多个参数化图像。
图1图示了核成像系统2的一个实施例。核成像系统2包括提供在第一台架16a中的至少第一成像模态12。第一成像模态12可以包括任何合适的模态,诸如例如计算机断层摄影(CT)模态、正电子发射断层摄影(PET)模态、单光子发射计算机化断层摄影(SPECT)模态等。第一成像模态12可以包括长轴视场(FOV)或短轴FOV。患者17躺在可以相对于第一台架16a可移动的可移动病床18上。在一些实施例中,核成像系统2包括提供在第二台架16b中的第二成像模态14。第二成像模态14可以是任何合适的成像模态,诸如例如CT模态、PET模态、SPECT模态和/或任何其他合适的成像模态。第二模态14可以包括长轴向FOV或短轴向FOV。第一成像模态12和/或第二成像模态14中的每一个可以包括例如布置在一个或多个环中的一个或多个检测器50。检测器50中的每个被配置为检测湮灭光子、伽马射线和/或其他核成像事件。
来自第一成像模态12和/或第二成像模态14的扫描数据存储在一个或多个计算机数据库40处,并由计算机系统30的一个或多个计算机处理器60处理。图1中计算机系统30的图形描述仅通过说明的方式提供,并且计算机系统30可以包括一个或多个单独的计算设备,例如,如参考图2所述。扫描数据可以由第一成像模态12、第二成像模态14提供,和/或可以作为单独的数据集诸如例如从耦合到计算机系统30的存储器提供。计算机系统30可以包括一个或多个处理电子器件,用于处理从多个检测器50之一接收的信号。
图2图示了根据一些实施例的被配置为实现一个或多个处理的计算机系统30。系统30是代表性设备,并且可以包括处理器子系统72、输入/输出子系统74、存储器子系统76、通信接口78和系统总线80。在一些实施例中,系统30组件中的一个或多于一个可以被组合或省略,诸如例如,不包括输入/输出子系统74。在一些实施例中,系统30可以包括图2中未示出的其他组件。例如,系统30还可以包括例如电力子系统。在其他实施例中,系统30可以包括图2中所示组件的几个实例。例如,系统30可以包括多个存储器子系统76。为了简明和清楚性,并且并非限制,每个组件中的一个在图2中示出。
处理器子系统72可以包括用以控制系统30的操作和性能的任何处理电路。在各个方面中,处理器子系统72可以被实现为通用处理器、芯片多处理器(CMP)、专用处理器、嵌入式处理器、数字信号处理器(DSP)、网络处理器、输入/输出(I/O)处理器、媒体访问控制(MAC)处理器、无线电基带处理器、协处理器、诸如复杂指令集计算机(CISC)微处理器、精简指令集计算(RISC)微处理器和/或超长指令字(VLIW)微处理器的微处理器或其他处理设备。处理器子系统72也可以由控制器、微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)等来实现。
在各个方面中,处理器子系统72可以被布置成运行操作系统(OS)和各种应用。OS的示例包括例如通常以苹果OS、微软OS、安卓OS、Linux OS和任何其他专有或开源OS的商品名已知的操作系统。应用的示例包括例如网络应用、本地应用、数据输入/输出应用、用户交互应用等。
在一些实施例中,系统30可以包括耦合各种系统组件的系统总线80,各种系统组件包括处理子系统72、输入/输出子系统74和存储器子系统76。系统总线80可以是使用任何多种可用总线架构的几种类型的总线结构中的任何一个,包括存储器总线或存储器控制器、外围总线或外部总线、和/或本地总线,所述总线架构包括但不限于9位总线、工业标准架构(ISA)、微通道架构(MSA)、扩展ISA(EISA)、智能驱动电子器件(IDE)、VESA本地总线(VLB)、外围组件互连卡国际协会总线(PCMCIA)、小型计算机接口(SCSI)或其他专有总线,或适合用于计算设备应用的任何定制总线。
在一些实施例中,输入/输出子系统74可以包括任何合适的机构或组件,以使得用户能够向系统30提供输入,并且系统30向用户提供输出。例如,输入/输出子系统74可以包括任何合适的输入机构,包括但不限于按钮、小键盘、键盘、点击轮、触摸屏、运动传感器、麦克风、相机等。
在一些实施例中,输入/输出子系统74可以包括视觉外围输出设备,用于提供对用户可见的显示。例如,视觉外围输出设备可以包括屏幕,诸如例如液晶显示器(LCD)屏幕。作为另一个示例,视觉外围输出设备可以包括用于在远离系统30的表面上提供内容显示的可移动显示器或投影系统。在一些实施例中,可视外围输出设备可以包括编码器/解码器,也称为编解码器,以将数字媒体数据转换成模拟信号。例如,视觉外围输出设备可以包括视频编解码器、音频编解码器或任何其他合适类型的编解码器。
视觉外围输出设备可以包括显示驱动器、用于驱动显示驱动器的电路或这二者。视觉外围输出设备可以在处理器子系统72的指导下可操作来显示内容。例如,仅举几个示例,视觉外围输出设备可以是能够播放媒体回放信息、在系统30上实现的应用的应用屏幕、关于正在进行的通信操作的信息、关于传入的通信请求的信息或设备操作屏幕的。
在一些实施例中,通信接口78可以包括能够将系统30耦合到一个或多个网络和/或附加设备的任何合适的硬件、软件或硬件和软件的组合。通信接口78可以被布置成利用用于使用通信协议、服务或操作过程的期望集来控制信息信号的任何合适的技术来操作。通信接口78可以包括适当的物理连接器,以与对应的通信介质连接,无论是有线的还是无线的。
通信的交通工具包括网络。在各个方面中,网络可以包括局域网(LAN)以及广域网(WAN),包括但不限于互联网、有线信道、无线信道、包括电话、计算机、有线、无线电、光学或其他电磁信道的通信设备及其组合,包括能够/关联于传送数据的其他设备和/或组件。例如,通信环境包括体内通信、各种设备和诸如无线通信、有线通信及其组合的各种通信模式。
无线通信模式包括点(例如,节点)之间的任何通信模式,其至少部分地利用无线技术,所述无线技术包括与无线传输、数据和设备相关联的各种协议和协议组合。点例如包括:无线设备,诸如无线耳机;音频和多媒体设备和装备,诸如音频播放器和多媒体播放器;电话,包括移动电话和无绳电话;以及计算机和计算机相关设备和组件,诸如打印机、连接网络的机器和/或任何其他合适的设备或第三方设备。
有线通信模式包括利用有线技术的点之间的通信的任何模式,所述有线技术包括与有线传输、数据和设备相关联的各种协议和协议组合。点例如包括:诸如音频和多媒体设备和装备的设备,诸如音频播放器和多媒体播放器;电话,包括移动电话和无绳电话;以及计算机和计算机相关的设备和组件,诸如打印机、连接网络的机器和/或任何其他合适的设备或第三方设备。在各种实现中,有线通信模块可以根据多个有线协议进行通信。仅举几个示例,有线协议的示例可以包括通用串行总线(USB)通信、RS-232、RS-422、RS-423、RS-485串行协议、FireWire、以太网、光纤通道、MIDI、ATA、串行ATA、PCI Express、T-1(及变型)、工业标准架构(ISA)并行通信、小型计算机系统接口(SCSI)通信或外围组件互连(PCI)通信。
因此,在各个方面中,通信接口78可以包括一个或多个接口,诸如例如无线通信接口、有线通信接口、网络接口、传输接口、接收接口、媒体接口、系统接口、组件接口、交换接口、芯片接口、控制器等等。例如,当由无线设备或在无线系统内实现时,通信接口78可以包括无线接口,所述无线接口包括一个或多个天线、传输器、接收器、收发器、放大器、滤波器、控制逻辑等。
在各个方面中,通信接口78可以根据多个协议提供数据通信功能。协议的示例可以包括各种无线局域网(WLAN)协议,包括电气和电子工程师协会(IEEE)802.xx系列协议,诸如IEEE 802.11a/b/g/n/ac、IEEE 802.16、IEEE 802.20等。无线协议的其他示例可以包括各种无线广域网(WWAN)协议,诸如利用GPRS的GSM蜂窝无线电话系统协议、利用1xRTT的CDMA蜂窝无线电话通信系统、EDGE系统、EV-DO系统、EV-DV系统、HSDPA系统等。无线协议的进一步示例可以包括无线个域网(PAN)协议,诸如红外协议、来自蓝牙特别兴趣组(SIG)系列协议的协议(例如,蓝牙规范版本5.0、6、7、传统蓝牙协议等)以及一个或多个蓝牙配置文件等等。无线协议的又一个示例可以包括近场通信技术和协议,诸如电磁感应(EMI)技术。EMI技术的示例可以包括无源或有源射频标识(RFID)协议和设备。其他合适的协议可以包括超宽带(UWB)、数字办公室(DO)、数字家庭、可信平台模块(TPM)、紫蜂等。
在一些实施例中,提供了其上体现有计算机可执行指令的至少一个非暂时性计算机可读存储介质,其中,当由至少一个处理器执行时,所述计算机可执行指令使得所述至少一个处理器执行本文描述的方法的实施例。该计算机可读存储介质可以体现在存储器子系统76中。
在一些实施例中,存储器子系统76可以包括能够存储数据的任何机器可读或计算机可读介质,包括易失性/非易失性存储器和可移动/不可移动存储器这二者。存储器子系统76可以包括至少一个非易失性存储器单元。所述非易失性存储器单元能够存储一个或多个软件程序。仅举几个示例,所述软件程序可以包含例如应用、用户数据、设备数据和/或配置数据或其组合。所述软件程序可以包含可由系统30的各种组件执行的指令。
在各个方面中,存储器子系统76可以包括能够存储数据的任何机器可读或计算机可读介质,包括易失性/非易失性存储器和可移动/不可移动存储器这二者。例如,存储器可以包括只读存储器(ROM)、随机存取存储器(RAM)、动态RAM(DRAM)、双数据速率DRAM(DDR-RAM)、同步DRAM(SDRAM)、静态RAM(SRAM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪速存储器(例如,NOR或NAND闪速存储器)、内容可寻址存储器(CAM)、聚合物存储器(例如,铁电聚合物存储器)、相变存储器(例如,奥氏存储器)、铁电存储器、硅-氧化物-氮化物-氧化物-硅(SONOS)存储器、磁盘存储器(例如,软盘、硬盘、光盘、磁盘)或卡(例如,磁卡、光卡)或适用于存储信息的任何其他类型的介质。
在一个实施例中,存储器子系统76可以包含以文件形式的指令集,用于执行各种方法,诸如包括如本文描述的A/B测试和高速缓存优化的方法。指令集可以以机器可读指令的任何可接受形式存储,包括源代码或各种适当的编程语言。可以用于存储指令集的编程语言的一些示例包括但不限于:Java、C、C++、C#、Python、Objective-C、Visual Basic或.NET编程。在一些实施例中,包括编译器或解释器,以将指令集转换成机器可执行代码,以用于由处理子系统72执行。
图3A图示了从包括运动伪影的模拟PET成像数据集生成的重建参数化图像102a、104a,并且图3B图示了它们相应的基准真值参数化图像102b、104b。如从图3A和图3B中可以看到,运动伪影将显著失真引入图像,使得重建的参数化图像102a、104a对于诊断或治疗规划目的而言不具有足够的临床价值。与基准真值参数化图像102b、104b相比,重建的参数化图像102a、104a中的显著伪影是由无运动动态帧之间沿轴向方向的微小刚性平移移动引起的。在一些实施例中,为了避免显著的运动伪影,可以使用全身运动场来应用运动校正,以校正在参数化图像重建期间的运动并消除运动伪影。
图4是图示根据一些实施例的计算多帧运动场的处理的流程图200。在步骤202,接收核成像数据集。核成像数据集可以包括任何合适的核成像数据,诸如例如由一个或多个成像模态12、14生成的列表模式核成像数据。列表模式核成像数据可以包括帧集,并且可以包括连续床运动(CBM)正弦图、多床正弦图或单床正弦图。在步骤204,针对核成像数据集中的每个帧重建全身图像,以生成重建的帧图像集。在一些实施例中,对于有限的FOV扫描器,可以使用多床或多块重建和全身缝合来生成全身图像。任何合适的多床或多块重建可以用于针对每个帧生成全身图像。在一些实施例中,可以为长FOV扫描器重建单床全身图像(例如,长于1米的扫描器)。
在步骤206,从重建的帧图像集中选择参考帧。可以基于一个或多个准则来选择参考帧,诸如例如,选择重建的帧图像集中的第一个重建帧图像、重建的帧图像集中的最后一个重建帧图像、与该集中其他重建帧图像中的每个具有最小距离(即,最小差异)的重建帧图像,最能代表患者定位的重建帧图像,与CT数据最佳对准的重建帧图像,和/或任何其他合适的准则。尽管本文公开了各种准则,但是应当领会,可以使用任何合适的准则或准则的组合来选择参考帧。
在步骤208,相对于所选择的参考帧,针对该集中的每个重建帧图像计算正向全身运动场和反向(或逆向)全身运动场。例如,在具有X个重建帧图像的实施例中,可以选择参考帧XR,并且可以相对于参考帧XR针对剩余的X-1个重建帧图像中的每个计算正向全身运动场和反向全身运动场。在一些实施例中,也针对参考帧XR计算正向和反向运动场,但是应当领会,这样的帧将等于零(即,没有差异)。
正向运动场包括从源图像中每个体素定位(即,所选择的重建帧图像中的每个体素图像)到参考帧中的体素定位的空间映射。类似地,反向运动场包括从参考帧中的每个体素定位到源图像中的每个体素定位的空间映射。在一些实施例中,可以独立地计算针对每个重建帧图像的正向运动场和反向运动场。在一些实施例中,例如,通过应用反函数,可以计算正向运动场或反向运动场中的第一个,并且从计算的运动场导出正向运动场或反向运动场中的第二个。
在一些实施例中,正向全身运动场和反向全身运动场中的每个包括x分量、y分量和z分量。图8中图示了运动场450的一个实施例,如下面更详细讨论的。可以使用任何合适的处理来生成正向和/或反向全身运动场。例如,在一些实施例中,可以基于图像空间中应用的配准算法来计算正向和/或反向全身运动场。计算具有运动校正的全身参数化图像需要两轮重建:用于确定全身运动场的第一图像重建集(在步骤202生成)和用于在动力学参数的诊断和临床确定中使用的第二图像重建集(如参考图5讨论的)。在一些实施例中,可以应用平滑约束,使得每个重建帧图像的完全迭代重建对于导出正向和/或反向运动场不是必需的。使用平滑约束还可以允许以更高的时间分辨率进行运动校正,从而允许以更高的准确度捕获身体运动。
作为另一个示例,在一些实施例中,可以通过应用直接直方图化(histogramming)来生成用于在近实时地计算正向和/或反向全身运动场中使用的直方图像(histo-image)来降低步骤202-206的计算要求。直方图像是通过使用飞行时间信息将每个检测到的计数分派给图像中的体素而从列表模式数据直接重建的图像。尽管这样的图像不适合于诊断目的,但是它们适用于配准。人工智能(AI)滤波处理(例如,使用完全重建的图像作为参考的经训练网络)可以被应用来改进直方图像的质量,从而改进每个帧与列表模式数据中的参考帧的配准。
在一些实施例中,可以应用一个或多个训练的AI网络、诸如训练的神经网络来改进生成的直方图像的质量。例如,在一些实施例中,可以应用一个或多个有监督学习处理来训练神经网络,以对基于直接直方图化来生成的直方图像进行滤波和改进其质量。可以基于完全重建的图像(例如,基准真值图像)来对训练的网络进行训练。在一些实施例中,神经网络被训练成理解适用于直方图像的动力学,以产生具有相似对比度的图像,从而改进基于直方图像的运动场的计算。尽管本文讨论了特定的实施例,但是应当领会,可以使用任何合适的方法来生成正向和/或反向全身运动场。
在步骤210,输出一个或多个正向和/或反向全身运动场,以用于在从所采集的数据集重建一个或多个诊断/临床图像中使用。例如,在一些实施例中,输出每个重建图像帧的正向和反向运动场中的每一个,以用于在迭代参数化重建处理中使用,如下面更详细讨论的。在其他实施例中,可以输出正向和/或反向运动场的子集,以用于在诊断图像重建中使用。
图5是图示根据一些实施例的使用全身运动场的参数化重建处理的流程图300。在步骤302,作为输入来提供所采集的数据、血液输入函数和正向/反向运动场(在图4中图示的步骤208处输出)。在一些实施例中,所采集的数据包括使用一个或多个成像模态12、14获得的连续床运动正弦图,尽管应当领会,可以使用任何合适的所采集数据,诸如多床或单床数据。血液输入函数包括作为时间的函数的代表患者血液中放射性示踪剂浓度的独立函数。图6是图示血液输入函数352的一个实施例的曲线图350,尽管应当领会,血液输入函数可以取决于一个或多个参数,诸如例如用于成像的放射性示踪剂、用于成像的扫描器、患者特定参数等。
在步骤304,针对所采集的数据中的每个帧或轴向切片计算血液输入函数和血液输入函数的积分。每个帧特定的血液输入函数被表示为随时间经过而变化的曲线。帧特定的血液输入函数和积分可以基于帧成像时间来计算。在CBM扫描中,每个轴向切片都具有唯一的成像时间。在单床扫描中,所有轴向切片可以被分派有相同的成像时间。
在步骤306,每个参数化图像中被求解的参数被初始化,即,被分派初始值。在一些实施例中,每个参数化图像的参数可以包括但不限于3D体素空间参数,诸如代谢摄取率(Ki)和分布体积(DV),尽管应当领会,可以初始化用于任何合适的参数化模型的任何合适的动力学参数,诸如例如斜率和截距。尽管本文使用包括参数Ki和DV的Patlak方程来讨论实施例,但是应当领会,可以使用具有任何合适的对应参数的任何合适的参数化重建方程或处理。
迭代循环308被独立地应用于图像中的每个体素。对于每个体素,在步骤310,使用基于初始化参数(或来自如下讨论的先前迭代的参数)的预定方程——诸如例如使用Ki和DV的Patlak方程——来计算帧发射图像。在一些实施例中,基于在每个体素处的活动来计算例如Ki和DV的目标参数,其中:
其中DV和Ki是体素空间中的参数,并且Cp是血液输入函数。
在步骤312,使用期望最大化(EM)和使用全身运动场的运动校正来更新帧发射图像。在一些实施例中,更新帧发射图像包括使用先前计算的全身运动帧将每个重建的帧图像扭曲到参考帧和/或从参考帧扭曲。图7是图示根据一些实施例的使用全身运动场更新帧发射图像的处理400的流程图。每次在处理300的迭代循环308中执行步骤312时,可以执行处理400。
在一些实施例中,在步骤402,接收当前帧发射图像、正向全身运动场和反向全身运动场。当前帧发射图像可以从处理300的步骤310接收,从存储设备检索,和/或以其他方式接收。类似地,正向和反向全身运动场可以从处理200的步骤208接收,从存储设备检索,和/或以其他方式接收。
在步骤404,将对应于当前帧的反向全身运动场应用于当前帧发射图像,以将当前帧发射图像从参考帧扭曲到浮动帧。在步骤406,通过反投影在测量的正弦图数据和扭曲图像的正向投影之间的比率来计算校正图像。
在步骤408,应用对应于当前帧的正向全身运动场来将校正图像从浮动帧扭曲到参考帧,以生成正向扭曲的校正图像。图8中图示了基于正向/反向运动场扭曲到浮动帧和/或从浮动帧扭曲的一个实施例。如图8中图示的,在一些实施例中,正向和/或反向运动场450包括x分量452、y分量454和z分量456(即,正向和/或反向运动场450是三维(3D)运动场)。在一些实施例中,正向和/或反向运动扭曲(即,正向和/或反向全身运动场的应用)可以根据以下等式基于三线性插值来执行:
正向/反向全身运动场450的分量452-456中的每个的每个体素被应用于图像中的每个体素,以从第一帧458扭曲到第二帧460。在图示的实施例中,每个体素的阴影指示每个体素从第一帧到第二帧扭曲的距离。例如,在一些实施例中,正向全身运动场450被应用于将浮动帧458的每个体素扭曲(即,变换)到参考帧460中对应的体素。类似地,可以基于反向全身运动场450来应用反向操作,以将参考帧460的每个体素扭曲到浮动帧458。
在步骤410,正向扭曲校正图像(即,正向扭曲校正图像的体素值)除以正向扭曲归一化因子。归一化因子可以是扫描器特定的,并且可以使用一个或多个迭代处理、诸如例如通过应用迭代机器学习处理来确定。在其他实施例中,正向扭曲归一化因子可以是由例如扫描器制造商提供的已知因子。
在步骤412,通过将归一化的正向扭曲校正图像应用于当前发射帧图像来生成更新的发射帧图像。在通过主循环308的第一次迭代中,使用初始化的参数值生成当前发射帧图像。在通过主循环308的每个后续迭代中,当前发射帧图像是通过主循环308在前一迭代期间生成的更新的发射帧图像。在一些实施例中,活动重建(例如,更新的发射帧图像重建)根据以下等式执行:
其中f是当前发射帧图像,t是动态帧的索引,y是测量的发射数据,P是正向投影,是反向(或后向/逆向)投影,M t 是用于帧t的全身正向运动场,是用于帧t的全身反向运动场,r是随机的期望值,s是散射的期望值,A是衰减校正因子,并且N是取决于帧的归一化因子。
再次参考图5,在步骤314,例如Ki、DV、斜率、截距等的图像参数基于在步骤312计算的更新的发射帧图像的线性/非线性拟合来更新。可以在每个更新的发射帧图像之间、在每个更新的发射帧图像与参考图像之间、和/或在任何其他合适的发射帧图像集之间执行线性/非线性拟合。线性/非线性拟合可以是迭代处理。在步骤316,执行检查以确定曲线拟合处理是否满足某个准则,例如预定的迭代次数。如果不是,则处理返回到步骤314进行另一次迭代,并更新图像参数。如果发射帧图像的参数拟合已经满足预定准则,则处理300前进到步骤316。
在步骤318,执行检查以确定是否已经完成预定迭代次数的主循环。如果没有达到预定的迭代次数,则主循环308使用更新的发射帧图像集和更新的参数作为输入来重复步骤310-316,并进一步细化参数化图像构建中使用的参数。应当领会,在主循环308内的参数化重建期间,包括使用正向和反向全身运动场(诸如正向/反向全身运动场450)的全身运动校正允许同时补偿和校正小的、刚性的和非刚性的运动。进一步地,与应用运动校正作为后置滤波器相比,在主循环308内包括全身运动场提供了改进的信噪比。
如果已经达到预定的迭代次数,则处理300前进到步骤320。在步骤320,输出为每个参数化图像计算的参数,例如Ki、DV图像体积。输出参数可以用于构建参数化诊断图像集,以用于在诊断、治疗规划和/或临床活动中使用。在一些实施例中,计算的参数被存储在非暂时性存储介质中,以用于参数化图像的稍后检索和构建。输出参数可以用于生成全身参数化图像,其中与当前参数化重建相比,运动伪影被显著减少或消除。补偿运动包括有意识和无意识的牵连运动(例如,头部、手臂等)、呼吸运动、心脏运动等。
图9A和图9B图示了在没有运动校正的情况下重建的大脑参数化图像502a、504a集,并且图10A和图10B图示了使用全身运动场参数化重建处理(诸如图5中图示的处理)重建的大脑参数化图像502b、504b集。如在图9A-10B中可以看到的,使用全身运动场校正生成的参数化图像502b、504b集具有较少的运动伪影(如箭头506a-506d指示的)。运动后校正的参数化图像502b、504b具有显著更好的对比度和分辨率,并且作为诊断和/或临床图像提供了增加的价值。
图11A图示了在没有运动校正的情况下重建的代谢摄取率(Ki)矢状图像508a,并且图11B图示了使用全身运动场参数化重建处理(诸如图5中图示的处理)来重建的代谢摄取率(Ki)矢状图像508b。与矢状图像508a相比,运动校正矢状图像508b具有更好的对比度和分辨率,并且提供了增加的诊断和/或临床价值。例如,提供对应于肿瘤512的每个矢状图像508a、508b的线绘图510a、510b。如图11C的曲线图514中图示的,与未校正矢状图像508a中的线绘图510a相比,运动校正矢状图像508b中的线绘图510b与肿瘤512具有更高的对应性。在曲线图514中,横轴对应于像素索引,并且纵轴对应于Ki值。
图12A图示了在没有应用运动校正的情况下重建的代谢摄取率(Ki)的全身最大强度投影(MIP)图像520a,并且图12B图示了使用全身运动场参数化重建处理(诸如图8中图示的处理)重建的全身MIP图像520b。第一箭头522a和第二箭头524a指示在未校正的全身MIP图像520a中的两个运动伪影,它们在运动校正的全身MIP图像520b中被移除,如箭头522b、524b指示的。
图13A图示了在不应用运动校正的情况下重建的DV MIP图像530a,并且图13B图示了使用全身运动场参数化重建处理(诸如图5中图示的处理)重建的DV MIP图像530b。未校正的DV MIP图像530a包括患者大脑中的暗运动伪影532a。如在532b指示的,在运动校正的DV MIP图像530b中不存在伪影532a。此外,尽管DV MIP图像530a、530b中的每个包括热点534a-534c,但是运动校正的DV MIP图像530b中的热点534a-534c被更好地分辨,从而允许热点534a-534c的更准确的寻靶和诊断。
图14A和图14B图示了在没有运动校正的情况下重建的冠状参数化图像540a、542a。图15A和图15B图示了使用间接参数化重建来重建的运动校正参数化图像540b、542b,并且图16A和图16B图示了使用直接参数化重建处理(诸如图5中图示的处理)重建的运动校正参数化图像540c、542c,该直接参数化重建处理包括全身正向和反向运动场。未校正的冠状参数化图像540a、542a包括心脏中的运动伪影544(例如,缺陷)和大脑中的运动伪影546。作为对比,在运动校正的参数化图像540c、542c中,心脏中的运动伪影544和大脑中的运动伪影546均显著减少。类似地,与间接重建540b、542b相比,直接参数化重建540c、542c提供了增强对比的、更好地分辨的并且更准确的诊断和临床图像。
尽管已经关于示例性实施例描述了主题,但是其不限于此。相反,所附权利要求应当被广义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 (20)
1.一种计算机实现的方法,包括:
接收包括动态帧集的核成像数据集;
针对动态帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个;
应用迭代循环来更新在直接参数化重建中使用的至少一个参数,其中所述迭代循环包括:
计算针对所述至少一个帧的帧发射图像;
基于所述至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像;和
通过对运动校正的帧发射图像应用线性或非线性拟合来更新所述至少一个参数;和
基于由迭代循环更新的所述至少一个参数生成至少一个参数化图像。
2.根据权利要求1所述的计算机实现的方法,其中针对帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个包括:
从帧集选择参考帧;
针对帧集中除参考帧之外的每个帧计算全身正向运动场或全身反向运动场中的至少一个;和
针对帧集中的每一帧输出所述全身正向运动场或所述全身反向运动场中的至少一个。
3.根据权利要求1所述的计算机实现的方法,其中计算运动校正的帧发射图像包括应用活动重建。
6.根据权利要求1所述的计算机实现的方法,其中使用由核成像数据集的直接直方图生成的多个直方图像来生成帧集中的至少一个帧的全身正向运动场或全身反向运动场中的至少一个。
7.根据权利要求6所述的计算机实现的方法,其中使用利用一个或多个基准真值完全重建图像训练的神经网络来对直方图像进行滤波。
8.根据权利要求1所述的计算机实现的方法,其中所述至少一个参数包括代谢摄取率(Ki)和分布体积(DV)。
9.根据权利要求8所述的计算机实现的方法,其中,直接参数化重建包括直接Patlak重建。
10.根据权利要求1所述的计算机实现的方法,其中所述至少一个参数包括斜率和截距。
11.根据权利要求1所述的计算机实现的方法,其中核成像数据集从由PET成像数据集、SPECT成像数据集或CT成像数据集组成的组中选择。
12.根据权利要求1所述的计算机实现的方法,其中基于所述至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像包括:
将全身反向运动场应用于帧发射图像;
计算校正图像;和
将全身正向运动场应用于校正图像。
13.根据权利要求12所述的计算机实现的方法,其中基于所述至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像进一步包括将校正图像除以至少一个正向扭曲归一化因子。
14.一种核成像系统,包括:
核成像扫描器,被配置为获得包括帧集的核成像数据集;和
处理器,被配置为:
从核成像扫描器接收核成像数据集;
针对帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个;
应用迭代循环来更新在直接参数化重建中使用的至少一个参数,其中所述迭代循环包括:
计算针对所述至少一个帧的帧发射图像;
基于所述至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像;和
通过对运动校正的帧发射图像应用线性或非线性拟合来更新所述至少一个参数;和
基于由迭代循环更新的所述至少一个参数生成至少一个参数化图像。
17.根据权利要求14所述的核成像系统,其中所述至少一个参数包括代谢摄取率(Ki)和分布体积(DV)。
19.一种存储指令的非暂时性计算机可读介质,所述指令被配置为使得计算机系统执行以下步骤:
接收包括帧集的核成像数据集;
针对帧集中的至少一个帧生成全身正向运动场或全身反向运动场中的至少一个;
应用迭代循环来更新在直接参数化重建中使用的至少一个参数,其中所述迭代循环包括:
计算所述至少一个帧的帧发射图像;
基于所述至少一个全身正向运动场或全身反向运动场生成运动校正的帧发射图像;和
通过对运动校正的帧发射图像应用线性拟合来更新所述至少一个参数;和
基于由迭代循环更新的所述至少一个参数生成至少一个参数化图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/929,496 US11222447B2 (en) | 2020-05-06 | 2020-05-06 | Inter-frame motion correction in whole-body direct parametric image reconstruction |
US15/929496 | 2020-05-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113628293A CN113628293A (zh) | 2021-11-09 |
CN113628293B true CN113628293B (zh) | 2023-01-13 |
Family
ID=78377905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489218.8A Active CN113628293B (zh) | 2020-05-06 | 2021-05-06 | 全身直接参数化图像重建中的帧间运动校正 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11222447B2 (zh) |
CN (1) | CN113628293B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7237624B2 (ja) * | 2019-02-07 | 2023-03-13 | 浜松ホトニクス株式会社 | 画像処理装置および画像処理方法 |
US11429840B2 (en) * | 2019-09-25 | 2022-08-30 | Siemens Medical Solutions Usa, Inc. | Learning parameter invariant image reconstruction embedding for AI systems |
WO2023131226A1 (en) * | 2022-01-05 | 2023-07-13 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for motion correction of positron emission computed tomography (pet) images |
CN114092589B (zh) * | 2022-01-19 | 2022-05-27 | 苏州瑞派宁科技有限公司 | 图像重建方法及训练方法、装置、设备及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7173248B2 (en) * | 2004-10-20 | 2007-02-06 | General Electric Company | Methods and systems for positron emission tomography data correction |
EP2174294B1 (en) * | 2007-07-26 | 2012-01-18 | Koninklijke Philips Electronics N.V. | Motion correction in nuclear imaging |
US20110275933A1 (en) * | 2008-10-22 | 2011-11-10 | University Of Massachusetts | Motion compensation in nuclear imaging |
WO2010084441A1 (en) * | 2009-01-22 | 2010-07-29 | Koninklijke Philips Electronics N.V. | Nuclear image reconstruction |
EP2399238B1 (en) * | 2009-02-17 | 2015-06-17 | Koninklijke Philips N.V. | Functional imaging |
RU2012124998A (ru) * | 2009-11-18 | 2013-12-27 | Конинклейке Филипс Электроникс Н.В. | Коррекция движения при лучевой терапии |
DE102011083643A1 (de) * | 2011-09-28 | 2013-03-28 | Siemens Aktiengesellschaft | Verfahren, Rechensystem und CT-System zur Bestimmung eines Bewegungsfeldes und zur bewegungskompensierenden Rekonstruktion mit diesem Bewegungsfeld |
WO2013111041A1 (en) * | 2012-01-24 | 2013-08-01 | Koninklijke Philips N.V. | Nuclear imaging system |
DE112015002791T5 (de) * | 2014-06-13 | 2017-03-16 | Siemens Medical Solutions Usa, Inc. | Intra-Rekonstruktions-Bewegungskorrektur |
US9336614B1 (en) * | 2015-03-20 | 2016-05-10 | General Electric Company | Methods and systems for performing joint estimation techniques in image reconstruction |
EP3367906B1 (en) * | 2015-10-30 | 2020-04-15 | Koninklijke Philips N.V. | Improved consistency between sessions in hybrid imaging studies |
US10398382B2 (en) * | 2016-11-03 | 2019-09-03 | Siemens Medical Solutions Usa, Inc. | Respiratory motion estimation in projection domain in nuclear medical imaging |
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 |
CN110473269B (zh) * | 2019-08-08 | 2023-05-26 | 上海联影医疗科技股份有限公司 | 一种图像重建方法、系统、设备及存储介质 |
-
2020
- 2020-05-06 US US15/929,496 patent/US11222447B2/en active Active
-
2021
- 2021-05-06 CN CN202110489218.8A patent/CN113628293B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113628293A (zh) | 2021-11-09 |
US20210350591A1 (en) | 2021-11-11 |
US11222447B2 (en) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113628293B (zh) | 全身直接参数化图像重建中的帧间运动校正 | |
US10213179B2 (en) | Tomography apparatus and method of reconstructing tomography image | |
CN112381741B (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
CN115605915A (zh) | 一种图像重建系统和方法 | |
CN111540025B (zh) | 预测用于图像处理的图像 | |
CN108209954B (zh) | 发射型计算机断层图像重建方法及系统 | |
US10064593B2 (en) | Image reconstruction for a volume based on projection data sets | |
CN109712213B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
US20240112379A1 (en) | Methods and systems for parameter imaging | |
CN114494479A (zh) | 利用神经网络对低剂量pet图像进行同时衰减校正、散射校正和去噪声的系统和方法 | |
US20190392615A1 (en) | System and method for 3d image reconstruction from axial step-and-shoot ct | |
US11037339B2 (en) | Systems and methods for image reconstruction | |
US20210074034A1 (en) | Methods and apparatus for neural network based image reconstruction | |
JP7312820B2 (ja) | 解剖学的データを用いた活動的な画像の再構成 | |
US11941733B2 (en) | System and method for motion signal recalibration | |
NL2030984B1 (en) | Learned invertible reconstruction | |
CN115153608A (zh) | 校正投影图像的系统和方法 | |
CN102949201A (zh) | 用于在医学成像中与时相相关地图像重建的方法和装置 | |
US20220296194A1 (en) | Pet imaging using multiple organ specific short ct scans | |
US20230401769A1 (en) | Systems and methods of accelerated dynamic imaging in pet | |
US20240156423A1 (en) | High sensitivity continuous bed motion | |
US20210106300A1 (en) | Multi-parametric weighted multi-bed pet acquisition and reconstruction | |
US11487029B2 (en) | Systems and methods for positron emission tomography image reconstruction | |
WO2023219650A1 (en) | Systems and methods for super time-of-flight resolution | |
JP2019113474A (ja) | 画像処理装置および画像処理方法 |
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 |