CN117530709A - 用于pet-ct图像伪影评估和校正的系统和方法 - Google Patents

Abstract

一种方法，该方法包括：获得发射断层摄影功能图像数据和对应的重建解剖图像体积，该发射断层摄影功能图像数据和该对应的重建解剖图像体积包括具有自然运动的至少一个器官；预先确定用于至少一个器官的空间失配校正的专用模型；执行发射断层摄影功能图像数据的初始图像重建，以基于对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积；以及识别两个图像体积内的相关解剖区域，其中功能图像质量能够受到至少一个器官的自然运动的影响。该方法包括：识别和评估重建发射断层摄影功能图像体积中的潜在衰减校正图像伪影；基于所确认的衰减校正图像伪影来估计模型参数；校正对应的重建解剖图像体积以生成经校正解剖图像体积；以及基于经校正解剖图像体积利用衰减校正来重建发射断层摄影功能图像数据。

Description

用于PET-CT图像伪影评估和校正的系统和方法

背景技术

本文所公开的主题涉及医学成像，并且更具体地涉及医学图像伪影校正。

非侵入性成像技术允许获得患者/对象的内部结构或特征的图像，而无需对患者/对象执行侵入性过程。具体地讲，此类非侵入性成像技术依赖于各种物理原理(诸如X射线穿过目标体积的差分透射、体积内的声波反射、体积内不同组织和材料的顺磁性、目标放射性核素在体内的分解等)，以采集数据和构建图像或以其他方式表示观察到的患者/对象的内部特征。

在诸如正电子发射断层摄影(PET)和单光子发射计算机断层摄影(SPECT)等功能性医学成像模态中，衰减校正是图像重建过程的重要部分。通常，用于衰减校正算法的数据是根据利用计算机断层摄影(CT)或磁共振成像(MRI)进行的相关联解剖图像扫描来生成的。为了实现高质量的功能图像，两种模态之间的空间匹配或配准需要准确。图像配准不良的常见源头是偶发性的患者运动和自然的呼吸运动或心脏器官运动。尽管实现在同一患者运动阶段采集功能和解剖图像数据将总是有益的，但是这通常难以用典型的临床方案考虑事项来实现。因此，已经尝试在图像重建框架内在算法上校正该问题。

衰减校正失配图像伪影可能影响临床诊断的准确性和可靠性，因为在病变或其他结构化组织中的放射性示踪剂摄取相对于真实值可能表现得明显过低或过高。例如，上肝区域的病变或下肺区域的病变可能会受到呼吸运动的显著影响，从而导致功能-解剖失配。在心脏成像中，左心室成像摄取可能受到心肌扩张和收缩周期的影响。相关的常见问题是，下肺的成像区域具有强活动值抑制，这可能导致医生错过真实的临床发现。

已经尝试了若干不同的方法来试图减轻所描述的伪影问题。在一种已知的方法中，在PET和SPECT中，所检查的功能图像通常是在自然器官运动期间所采集的数据在一段时间内的平均值，或者它们是来自门控采集(基于仪器的或数据驱动的)的所选重建阶段(即，“冻结”状态)的结果。对应解剖图像(比如来自CT的解剖图像)通常是在异步屏气扫描中采集的，或者在来自自然呼吸扫描的任意短时间帧中采集的。能够选择与CT图像可能最佳配准的特定重建PET阶段。然而，在这种方法中，PET图像质量可能显著降低，并且仍然不能保证与CT的最佳配准。另外，基于3D图像的PET-CT配准的已知方法也可能有帮助，但前提是相关的功能和解剖图像结构之间存在足够的结构相似性。不幸的是，这种相似性并不总是能够得到保证，并且在具有严重伪影的情况下，可能存在特别大的结构差异。此外，还研究了这些方法的一些其他组合和变型。在任何实际选择的解决方案中，总计算时间也应该是重要的考虑因素。

另外，在缺乏飞行时间(TOF)能力的PET系统中，所描述的伪影问题可能更严重(即，衰减失配伪影更强)。特别地，这些伪影可能出现在具有宽重合接受角的全身非TOFPET系统中，其中投影射线可能频繁地穿过患者体内特别高的衰减路径。

发明内容

下文示出了本文所公开的某些实施方案的概述。应当理解，提供这些方面仅仅是为了向读者提供这些特定实施方案的简要概述，并且这些方面并非旨在限制本公开的范围。实际上，本公开可涵盖下文可能未示出的各个方面。

在一个实施方案中，提供了一种用于医学成像数据的自动伪影评估和校正的计算机实现的方法。该方法包括经由处理器获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，该发射断层摄影功能图像数据和该对应的重建解剖图像体积包括具有自然运动的至少一个器官。该方法还包括经由处理器预先确定用于具有自然运动的至少一个器官的空间失配校正的专用模型。该方法还包括经由处理器执行发射断层摄影功能图像数据的初始图像重建，以基于对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积。该方法甚至还包括经由处理器识别该重建发射断层摄影功能图像体积和对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到至少一个器官的自然运动的影响。该方法还包括经由处理器识别和评估重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影。该方法还包括经由处理器基于所确认的衰减校正图像伪影来估计模型参数，其中模型参数表示功能解剖空间失配。该方法还包括经由处理器利用专用模型和模型参数两者来校正对应的重建解剖图像体积，以生成经校正解剖图像体积。该方法还包括经由处理器基于该经校正解剖图像体积利用衰减校正来重建发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。

在另一个实施方案中，提供了一种用于医学成像数据的自动伪影评估和校正的系统。该系统包括编码处理器可执行例程的存储器。该系统还包括处理器，该处理器被配置为访问存储器并且执行处理器可执行例程，其中例程在由处理器执行时使处理器执行动作。该动作包括获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，该发射断层摄影功能图像数据和该对应的重建解剖图像体积包括具有自然运动的至少一个器官。该动作还包括预先确定用于具有自然运动的至少一个器官的空间失配校正的专用模型。该动作还包括执行发射断层摄影功能图像数据的初始图像重建，以基于对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积。该动作甚至还包括识别该重建发射断层摄影功能图像体积和对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到至少一个器官的自然运动的影响。该动作还包括识别和评估重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影。该动作还包括基于所确认的衰减校正图像伪影来估计模型参数，其中模型参数表示功能解剖空间失配。该动作还包括利用专用模型和模型参数两者来校正对应的重建解剖图像体积，以生成经校正解剖图像体积。该动作还包括基于该经校正解剖图像体积利用衰减校正来重建发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。

在另一个实施方案中，提供了一种非暂态计算机可读介质。该计算机可读介质包括处理器可执行代码，该处理器可执行代码在由处理器执行时使该处理器执行动作。该动作包括获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，该发射断层摄影功能图像数据和该对应的重建解剖图像体积包括具有自然运动的至少一个器官。该动作还包括预先确定用于具有自然运动的至少一个器官的空间失配校正的专用模型。该动作还包括执行发射断层摄影功能图像数据的初始图像重建，以基于对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积。该动作甚至还包括识别该重建发射断层摄影功能图像体积和对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到至少一个器官的自然运动的影响。该动作还包括识别和评估重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影。该动作还包括基于所确认的衰减校正图像伪影来估计模型参数，其中模型参数表示功能解剖空间失配。该动作还包括利用专用模型和模型参数两者来校正对应的重建解剖图像体积，以生成经校正解剖图像体积。该动作还包括基于该经校正解剖图像体积利用衰减校正来重建发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。

附图说明

当参考附图阅读以下详细描述时，将更好地理解本公开的这些和其他特征、方面和优点，附图中相同的符号在整个附图中表示相同的部分，其中：

图1是根据本公开的各方面的PET成像系统的实施方案的图解示意图；

图2是根据本公开的各方面的具有图1的PET成像系统的PET-CT成像系统的透视图；

图3是根据本公开的各方面的具有图1的PET成像系统的PET-MRI成像系统的透视图；

图4是根据本公开的各方面的用于医学成像数据的自动伪影评估和校正的方法的流程图；

图5是根据本公开的各方面的用于检测和估计衰减校正图像伪影的模型参数的方法的流程图；

图6是根据本公开的各方面的用于校正解剖图像体积的方法的流程图；

图7是根据本公开的各方面的用于检测衰减校正图像伪影并且估计衰减校正图像伪影的模型参数(例如，利用机器学习技术或深度学习技术)的方法的流程图；

图8是根据本公开的各方面的用于生成用于进行衰减校正图像伪影的基于机器学习或基于深度学习的检测以及进行衰减校正图像伪影的模型参数的估计的训练数据的方法的流程图；

图9提供了患者的图像的示例，示出了自动伪影评估和校正的结果；并且

图10提供了患者的图像的示例，示出了自动伪影评估和校正的应用。

具体实施方式

在下面将描述一个或多个具体的实施方案。为了提供这些实施方案的简明描述，并非实际具体实施的所有特征都要在说明书中进行描述。应当理解，在任何此类实际具体实施的开发中，如在任何工程或设计项目中，必须做出许多特定于具体实施的决策以实现开发者的具体目标，诸如遵守可能因具体实施而不同的系统相关和业务相关约束。此外，应当理解，此类开发努力可能是复杂且耗时的，但对于受益于本公开的普通技术人员来说仍然是设计、制作和制造的常规任务。

介绍本发明主题的各种实施方案的要素时，冠词“一个”、“一种”、“该”和“所述”旨在表示存在一个或多个(种)所述要素。术语“包括”、“包含”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。此外，以下讨论中的任何数值示例旨在非限制性的，并且因此附加的数值、范围和百分比在所公开的实施方案的范围内。

如本文所用，“功能性医学成像”涉及通过采用医学图像模态(例如，PET、SPECT、CT灌流成像、功能MRI)来揭示某一组织或器官内的生理学活动，这些医学图像模态常常利用示踪剂或探针来反映它们在体内的空间分布。如本文所用，“解剖医学成像”或“结构医学成像”涉及利用某些医学图像模态(例如，CT、结构MRI、基于扩散的MRI)对某一组织或器官的解剖特性进行可视化和分析。

例如，机器学习技术(不论是深度学习网络，还是其他体验/观察学习系统)可用于定位图像中的对象，理解语音并且将语音转换为文本，并且提高搜索引擎结果的相关性。深度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图对数据中的高层抽象化进行建模。虽然许多机器学习系统都是先植入初始特征和/或网络权重、再通过机器学习网络的学习和更新加以修改，但是深度学习网络是通过训练自身来识别分析的“良好”特征。使用多层架构时，采用深度学习技术的机器对原始数据的处理可好于使用常规机器学习技术的机器。使用评估或抽象化的不同层促进了各组高度相关的值或区别性主题的数据检查。

在本说明书和权利要求书中，以下术语自始至终都采取与本文明确相关联的含义，除非上下文另外清楚指明。术语“深度学习”是利用多个数据处理层来识别数据集中的各种结构并且以高准确性对这些数据集进行分类的机器学习技术。深度学习网络可以是基于多个输入和输出来学习模式的训练网络(例如，训练网络模型或设备)。深度学习网络可以是由训练网络生成并且响应于输入而提供输出的所部署的网络(例如，所部署的网络模型或设备)。

本公开提供了用于医学成像数据的自动伪影评估和校正的系统和方法。特别地，所描述的系统和方法采用与上述那些不同的方法来解决衰减校正失配图像伪影(例如，由于PET-CT呼吸失配)。所公开的系统和方法利用专用算法(例如，自动伪影评估和校正算法)来评估原始重建的PET图像伪影。该算法是基于准确地识别可能易受伪影影响的相关解剖区域以及一些其他相关器官或区域。然后，基于PET图像值来计算形态结构的关键特性和伪影的强度(例如，与基于估计的呼吸运动模式的建模CT图像变形一起使用)。在某些实施方案中，该步骤可由机器学习或深度学习技术辅助。根据该评估，估计了“缺失”或“过度存在”的衰减组织的空间范围。CT图像体积的变形模型是基于以下知识：失配是由特定的自然器官运动(通常是周期性的)引起的。因此，如果表示相对于原始成像阶段的差异的主要关键参数是已知的，则能够估计相关器官及其附近在沿着运动周期的不同阶段的结构变化。例如，下肺区域中的呼吸运动是由膈膜运动引起的，其主要引起肝脏和脾脏相对于相邻体积和肺组织向上或向下伸展。膈膜本身是非常薄的肌肉组织。这种扩张或收缩通常在预测的极限和形态约束内。在心脏运动周期中，如果沿着该周期的平均阶段位置是已知的，则也能够估计沿着该周期扩张或收缩的心脏和心肌形状。从图像伪影评估导出的几个关键参数使得能够估计沿着器官运动周期的运动阶段，并且因此使得能够使用变形模型来修改CT图像体积。经修改的CT用于重建具有更准确的衰减校正的经校正PET图像。CT变形过程的目标是实现比原始CT体积所提供的更接近与PET图像体积相对应的底层解剖位置的人工解剖体积(即使人工变形的CT体积本身并不完全准确)。经修改CT图像通常可仅用于重建中的衰减校正，而不直接用于临床检查和诊断。

所公开的系统和方法提供了能够在存在严重伪影并且PET图像和CT图像之间的任何空间配准算法都不能提供所需结果的情况下利用的方法。另外，所公开的系统和方法提供了特别适用于轴向覆盖面积大的非TOF PET系统(例如，全身PET系统)的方法。所公开的实施方案可应用于校正心脏PET-CT和其他多模态(例如，SPECT-CT和PET-MRI)中的类似伪影。

鉴于以上内容并且现在转到附图，图1描绘了根据本公开的某些方面操作的PET或SPECT系统10。图1的PET或SPECT成像系统可与双模态成像系统一起使用，诸如图2中描述的PET-CT成像系统或图3中描述的PET-MRI成像系统。

现在转到图1，所描绘的PET或SPECT系统10包括检测器12(或检测器阵列)。PET或SPECT系统10的检测器12通常包括布置成一个或多个环的多个检测器模块或检测器组件(通常由附图标记14表示)，如图1所示，每个检测器组件14包括多个检测器单元(例如，3个至5个检测器单元或更多)。所描绘的PET或SPECT系统10还包括PET扫描仪控制器16、控制器18、操作员工作站20和图像显示工作站22(例如，用于显示图像)。在某些实施方案中，PET扫描仪控制器16、控制器18、操作员工作站20和图像显示工作站22可以组合成单个单元或设备或者更少的单元或设备。

耦合到检测器12的PET扫描仪控制器16可耦合到控制器18，以使控制器18能够控制PET扫描仪控制器16的操作。另选地，PET扫描仪控制器16可耦合到控制PET扫描仪控制器16的操作的操作员工作站20。在操作中，控制器18和/或工作站20控制PET系统或SPECT系统10的实时操作。在某些实施方案中，控制器18和/或工作站20可控制另一成像模态(例如，图2中的CT成像系统)的实时操作，以使得能够从不同成像模态同时和/或分开地采集图像数据。PET扫描仪控制器16、控制器18和/或操作工作站20中的一者或多者可包括处理器24和/或存储器26。在某些实施方案中，PET或SPECT系统10可包括单独的存储器28。检测器12、PET扫描仪控制器16、控制器18和/或操作工作站20可包括用于从检测器12采集图像数据的检测器采集电路、用于图像处理的图像重建和处理电路、和/或用于调节检测器组件14的检测器单元的温度(例如，独立地调节每个检测器组件14的温度)的电路。电路可包括专门编程的硬件、存储器和/或处理器。

处理器24可包括多个微处理器、一个或多个“通用”微处理器、一个或多个专用微处理器和/或一个或多个专用集成电路(ASICS)、片上系统(SoC)设备或一些其他处理器配置。例如，处理器24可包括一个或多个精简指令集(RISC)处理器或复杂指令集(CISC)处理器。处理器24可执行指令以进行PET或SPECT系统10的操作。这些指令可被编码在存储在有形非暂态计算机可读介质(例如，光盘、固态设备、芯片、固件等)中的程序或代码中，诸如存储器26、28。在某些实施方案中，存储器26可以从控制器16、18完全或部分移除。

举例来说，PET成像主要用于测量组织和器官中发生的代谢活动，并且具体地，用于定位异常的代谢活动。在PET成像中，患者通常被注射含有放射性示踪剂的溶液。取决于所采用的示踪剂以及器官和组织的功能，溶液在全身被不同程度地分布和吸收。例如，肿瘤通常处理比相同类型的健康组织更多的葡萄糖。因此，含有放射性示踪剂的葡萄糖溶液可以由肿瘤不成比例地代谢，允许肿瘤被放射性发射定位和可视化。具体地，放射性示踪剂发射与互补电子相互作用并使其湮没的正电子，以产生成对的伽马射线。在每个湮没反应中，发射了在相反方向上行进的两个伽马射线。在PET成像系统10中，该对伽马射线通过检测器阵列12来检测，该检测器阵列被配置为确定在时间上充分接近地检测到的两个伽马射线是由相同的湮没反应产生的。由于湮没反应的性质，对这一对伽马射线的检测可用于确定伽马射线在撞击检测器之前沿着其行进的响应线，从而允许将湮没事件定位到该线。通过检测此类伽马射线对的数量并且计算这些伽马射线对所行进的对应线，可估计放射性示踪剂在身体的不同部位的浓度，从而可检测出肿瘤。因此，伽马射线的准确检测和定位会形成PET系统10的基本和最重要的目标。

如上所述，PET或SPECT系统10可被并入到双模态成像系统中，诸如图2中的PET-CT成像系统30。现在参考图2，PET-CT成像系统30包括彼此以固定关系定位的PET系统10和CT系统32。PET系统10和CT系统32被对准以允许患者(未示出)在其中平移。在使用中，患者被定位在PET-CT成像系统30的孔34内以对患者的感兴趣区域进行成像，如本领域已知的。

PET系统10包括机架36，该机架被配置为在其上支撑构成整个环的环形检测器阵列12(例如，包括图1中的多个检测器组件14)。检测器阵列12围绕中心开口/孔34定位，并且可被控制以执行正常的“发射扫描”，在该发射扫描中对正电子湮没事件进行计数。为此，形成阵列12的检测器14通常生成与每个湮没光子相对应的强度输出信号。

CT系统32包括可旋转机架38，该可旋转机架具有在其上的X射线源40，该X射线源朝向机架38的相对侧上的检测器组件42投射一束X射线。检测器组件42感测穿过患者的投射X射线，并且测量入射X射线束的强度并因此测量在其穿过患者时经衰减的束的强度。在扫描以采集X射线投射数据期间，机架38以及安装在其上的部件围绕旋转中心旋转。在某些实施方案中，CT系统32可由图2中描述的控制器18和/或操作员工作站20控制。在某些实施方案中，PET系统10和CT系统32可共享单个机架。图像数据可利用PET系统10和CT系统32来同时和/或分开地采集。

如上所述，PET或SPECT系统10可被并入到双模态成像系统中，诸如图3中的PET-MRI成像系统50。现在参考图3，PET-MRI成像系统50包括彼此以固定关系定位的PET系统10和MRI系统52。PET系统10和MRI系统52被对准以允许患者(未示出)在其中平移。在使用中，患者被定位在PET-CT成像系统50的孔54内以对患者的感兴趣区域进行成像，如本领域已知的。图像数据可利用PET系统10和MRI系统52来同时和/或分开地采集。

PET-MRI成像系统50包括超导磁体组件56，该超导磁体组件包括超导磁体58。超导磁体58由被支撑在磁体线圈支撑件或线圈架上的多个磁线圈形成。在一个实施方案中，超导磁体组件56还可包括热屏蔽件60。容器62(也称为低温恒温器)包围超导磁体58，并且热屏蔽件60包围容器62。容器62通常填充有液氦以冷却超导磁体58的线圈。可在容器62的外表面周围提供热绝缘(未示出)。成像系统50还包括主梯度线圈64和从主梯度线圈64径向向内安装的RF线圈组件66。如上所述，射频(RF)线圈组件66包括PET检测器组件12、RF发射线圈68和RF屏蔽件70。更具体地，RF线圈组件66包括用于安装PET检测器组件12、RF发射线圈68和RF屏蔽件70的线圈支撑结构。

在操作中，RF线圈组件66使得成像系统50能够同时执行MRI成像和PET成像两者，因为RF发射线圈68和PET检测器组件12均被放置在处于成像系统50的孔的中心处的患者周围。此外，使用设置在RF发射线圈68与PET检测器组件12之间的RF屏蔽件70来将PET检测器组件12与RF发射线圈68屏蔽开。将PET检测器组件12、RF发射线圈68和RF屏蔽件70安装在线圈支撑结构上使得RF线圈组件66能够被制造成具有使得RF线圈组件66能够被安装在梯度线圈64内部的外径。此外，将PET检测器组件12、RF发射线圈68和RF屏蔽件70安装在线圈支撑结构上使得RF线圈组件66能够具有相对大的内径，以使得成像系统50能够对个头较大的患者进行成像。

成像系统50通常还包括控制器72、主磁场控件74、梯度场控件76、存储器78、显示设备80、发射-接收(T-R)开关82、RF发射器84和接收器86。

在操作中，对象(诸如患者(未示出)或待成像的体模)的身体被放置在合适的支撑件(例如，机动台(未示出)或上述托架)上的孔54中。超导磁体58在孔54中产生均匀且静态的主磁场B_o。孔54中以及对应地患者体内的电磁场的强度由控制器72经由主磁场控件74来控制，该主磁场控件还控制对超导磁体58的激励电流的供应。

主梯度线圈64(其可包括一个或多个梯度线圈元件)被设置成使得可在三个正交方向x、y和z中的任意一个或多个方向上将磁梯度施加在孔54中的磁场B0上。主梯度线圈64由梯度场控件76激励并且也由控制器72控制。

如果还提供了接收线圈元件，则RF线圈组件66被布置成发射磁脉冲和/或任选地同时检测来自患者的MR信号。RF线圈组件66可通过T-R开关82选择性地分别互连到RF发射器84或接收器86中的一者。RF发射器84和T-R开关82由控制器72控制，使得RF场脉冲或信号由RF发射器84生成并且被选择性地施加到患者以用于激发患者体内的磁共振。

在施加RF脉冲之后，再次致动T-R开关82以使RF线圈组件66与RF发射器84解耦。所检测到的MR信号继而被传送到控制器72。控制器72包括处理器88，该处理器控制MR信号的处理以产生表示患者的图像的信号。表示图像的经处理信号也被发射到显示设备80以提供图像的视觉显示。具体地，MR信号填充或形成k空间，该k空间被傅里叶变换以获得可在显示设备80上观看的可视图像。

成像系统50还控制PET成像的操作。因此，在各种实施方案中，成像系统50还可包括耦合在检测器12与PET扫描仪控制器92之间的符合处理器90。PET扫描仪控制器92可耦合到控制器72，以使控制器72能够控制PET扫描仪控制器92的操作。任选地，PET扫描仪控制器92可耦合到控制PET扫描仪控制器92的操作的工作站94。在操作中，在示例性实施方案中，控制器72和/或工作站94控制成像系统50的PET成像部分的实时操作。

更具体地，在操作中，从PET检测器组件12输出的信号被输入到符合处理器90。在各种实施方案中，符合处理器90将关于每个有效符合事件的信息汇集到事件数据包中，该事件数据包指示事件何时发生以及检测到事件的检测器的位置。然后，有效事件可被传送到控制器92并且用于重建图像。此外，应当认识到，从MR成像部分采集的图像可被叠加到从PET成像部分采集的图像上。控制器72和/或工作站94可以是用于操作成像系统50的各个部分的中央处理单元(CPU)或计算机88。如本文所用，术语“计算机”可包括被配置为执行本文中所描述的方法的任何基于处理器或基于微处理器的系统。因此，控制器72和/或工作站94可发射和/或接收来自PET检测器组件12的信息，以便既控制PET检测器组件12的操作又从PET检测器组件12接收信息。

各种实施方案和/或部件(例如，模块或其中的部件和控制器，诸如成像系统50的部件)也可被实现为一个或多个计算机或处理器的一部分。计算机或处理器可包括计算设备、输入设备、显示单元和接口，例如用于访问因特网。计算机或处理器可以包括微处理器。微处理器可以连接到通信总线。计算机或处理器还可以包括存储器。存储器可以包括随机存取存储器(RAM)和只读存储器(ROM)。计算机或处理器还可包括存储设备，该存储设备可以是硬盘驱动器或可移除存储驱动器，诸如光盘驱动器、固态盘驱动器(例如闪存RAM)等。存储设备还可以是用于将计算机程序或其他指令加载到计算机或处理器中的其他类似装置。

如本文所用，术语“计算机”或“模块”可包括任何基于处理器或基于微处理器的系统，其包括使用微控制器、精简指令集计算机(RISC)、专用集成电路(ASIC)、逻辑电路和能够执行本文所述功能的任何其他电路或处理器的系统。以上示例仅是示例性的，并且因此不旨在以任何方式限制术语“计算机”的定义和/或含义。

计算机或处理器执行存储在一个或多个存储元件中的指令集以便处理输入数据。存储元件还可以根据期望或需要存储数据或其他信息。存储元件可以呈处理机内的信息源或物理存储器元件的形式。

指令集可包括指示计算机或处理器作为处理机来执行特定操作(诸如所公开的主题的各种实施方案的方法和过程)的各种命令。该指令集可以是软件程序的形式，该软件程序可形成一个或多个有形非暂态计算机可读介质的一部分。软件可以呈各种形式，诸如系统软件或应用软件。此外，软件可以呈以下形式：分开的程序或模块的集合、较大程序内的程序模块或程序模块的一部分。软件还可以包括呈面向对象编程形式的模块化编程。处理机对输入数据的处理可以响应于操作员命令，或者响应于先前处理的结果，或者响应于另一个处理机做出的请求。

如本文所用，术语“软件”和“固件”可包括存储在存储器中以供计算机执行的任何计算机程序，该存储器包括RAM存储器、ROM存储器、EPROM存储器、EEPROM存储器和非易失性RAM(NVRAM)存储器。上述存储器类型仅是示例性的，并且因此不限制可用于存储计算机程序的存储器的类型。

图4是用于医学成像数据的自动伪影评估和校正的方法96(例如，自动伪影评估和校正算法)的流程图。方法96的一个或多个步骤可由上述成像系统的处理电路或由具有处理电路和存储器电路的远程计算设备的处理电路执行。方法96的步骤中的一个或多个步骤可同时执行或者以与图4所描绘的顺序不同的顺序执行。

方法96包括获得受检者(例如，患者)的发射断层摄影功能图像数据和对应的重建解剖图像体积，该发射断层摄影功能图像数据和该对应的重建解剖图像体积包括具有自然运动的至少一个器官(框98)。在某些实施方案中，可针对具有自然运动的多器官采集该成像数据。例如，发射断层摄影功能图像数据可以是受检者的采集的PET图像数据，其可利用受控参数和辅助信息(例如，不同的衰减图)来重建。对应的重建解剖图像体积可以是同一患者的对应CT图像体积。作为示例，PET和CT图像数据可包括肺的下部区域(或者在不同的示例中，包括心脏)。这些区域或器官在PET扫描期间(例如，其通常持续几分钟)或在器官运动周期内的“冻结”状态阶段期间(例如，从门控采集起)具有自然运动。

方法96还包括预先确定用于具有自然运动的至少一个器官的空间失配校正的专用模型(框100)。在某些实施方案中，可针对具有自然运动的不同器官预先确定用于空间失配校正的不同专用模型。预先确定的模型是基于以下假设：即如果在特定(或任意)周期阶段中给出器官附近的图像体积，则仅几个参数(例如，一个或两个参数)就足以预测应当如何在不同周期阶段的图像上(至少粗略地)看到器官附近。例如，一个此类参数可表示沿着周期的两个不同阶段之间的器官边缘的平均值。例如，在下肺区域中，器官边缘可以是肝脏或脾脏的上边缘。作为另一个示例，心脏中的器官边缘可以是左心室的左边缘。该模型基于所计算的参数来确定如何人工地变换或修改图像上的器官结构。下面更详细地解释这些参数的估计或确定。

方法96还包括执行发射断层摄影功能图像数据的初始图像重建，以基于对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积(框102)。该步骤是标准的初始重建步骤。

方法96甚至还包括识别该重建发射断层摄影功能图像体积和对应的重建解剖图像体积内的相关解剖区域(例如，在子体积中)，其中功能图像质量能够受到至少一个器官的自然运动的影响(框104)。在某些实施方案中，可针对具有自然运动的不同器官识别相关解剖区域。例如，可利用计算机视觉和图像处理技术来自动地检测包括肺的下部以及肝脏和脾脏的上部的子体积。通过首先应用粗略的肺部检测和分割算法，可在CT解剖图像体积上检测子体积(基于亨氏单位(HU))。在肺掩膜上，可自动识别肺部在该下部区域上的下边缘和外圆周。在某些实施方案中，可利用全身(例如，软组织)体积分割掩模来识别相关解剖区域。所识别的相关解剖区域可以是在Z方向(例如，轴向患者方向)上具有大约几厘米宽度并且在XY(横向)方向上具有椭圆形状的体积块。

方法96还包括识别和评估重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影(框106)。例如，在所确定或所识别的相关解剖区域中，算法(例如，自动伪影评估和校正算法)可搜索具有功能图像值(例如，PET图像值，诸如标准摄取值(SUV))的体素，这些功能图像值被怀疑相对于相邻器官和组织中的平均值(例如，平均PET图像值)过低或过高。对于具有过低或过高的功能图像值的所识别的体素，可评估这些体素组的诸如强度、形状(例如，形态)、尺寸和位置等特性。

方法96还包括基于所确认的衰减校正图像伪影来估计模型参数，其中模型参数表示功能解剖空间失配(框108)。例如，可利用所识别的体素的特性来确定几个模型参数。所计算和所确定的模型参数的示例是Z向上的宽度和沿着XY的曲率变化。模型参数用于确定所需的CT变形。框106和框108在图5中更详细地描述。

方法96还包括利用专用模型和模型参数两者来校正对应的重建解剖图像体积，以生成经校正解剖图像体积(框110)。例如，可生成新的CT图像体积，其中肝脏、脾脏和它们的相邻组织朝向肺部扩张，以模拟类似于当受检者呼出肺部中的部分空气时的情况。框110在图6中更详细地描述。

方法96甚至还包括根据经校正解剖图像体积来生成衰减图(框112)。例如，可基于新的CT图像体积来生成新的衰减图。方法96还包括基于该经校正解剖图像体积利用衰减校正来重建发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积(框114)。例如，使用原始PET数据和新的衰减图来重建经校正PET图像体积。

方法96还包括使得在显示器(例如，用户界面)上显示经校正发射断层摄影功能图像体积(框116)。因为经校正PET图像体积可与原始诊断CT图像体积一起被可视化(例如，融合)。在某些实施方案中，经校正PET图像体积可与经变形CT图像体积(例如，经校正解剖图像体积)一起被可视化。尽管经变形CT图像体积可能更好地被配准，但是解剖细节的诊断准确性可能受到损害。因此，在后一种情况下，应当向用户提供清楚的指示，以指示CT图像已变形。在某些实施方案中，方法96可与衰减校正质量检查(ACQC)用户应用结合使用。在此类应用中，可(例如，在用户界面上)与原始PET图像(例如，有时融合)进行比较来查看经校正PET图像。此外，可视化的检测到的图像具有所计算的所需解剖移位的指示。在某些实施方案中，交互式应用可使得用户能够手动地细化这些移位(例如，作为a±ΔZ)并且应用经细化的PET图像重建。

方法96包括多个优点。例如，方法96不需要列表模式或门控PET重建。仅需要标准原始重建和最终重建，其中在原始重建与最终重建之间具有图像处理/分析算法。仅利用两次标准重建，方法96就提供合理的总计算时间。此外，方法96非常适合于存在严重伪影的情况。特别是具有强区域活动抑制的情况，其中PET图像和CT图像之间的任何已知空间配准算法都不能提供所需结果。此外，如上所述，方法96可与ACQC用户应用有效地集成一体。

图5是用于检测和估计衰减校正图像伪影的模型参数的方法118的流程图(例如，图4中的方法96的框106和框108)。方法118的一个或多个步骤可由上述成像系统的处理电路或由具有处理电路和存储器电路的远程计算设备的处理电路执行。方法118的步骤中的一个或多个步骤可同时执行或者以与图5所描绘的顺序不同的顺序执行。

方法118包括，对于每个经确定或经识别的相关解剖区域(例如，子区域或子体积)，识别具有潜在衰减校正图像伪影的邻近器官和特定子区域(框120)。例如，用于搜索伪影的相关子区域可以是被放置在下肺区域上并且包括肝脏和脾脏的上部区域的体积块。邻近器官可以是整个肺体积(例如，作为体素掩模)和分割的肝脏体积(通常，粗略分割就足够了)。

方法118还包括计算所识别的邻近器官(和/或所识别的子区域)中的正常摄取区域(例如，与相邻器官和组织相关的正常)的功能图像值(框122)。例如，所计算的功能图像值可以是包括身体软组织(例如，其在整个被扫描患者的CT HU值的帮助下定位)的体素掩模上的PET图像值(例如，SUV)的中值。所计算的功能图像值也可以是整个肺上的PET图像值的中值。所计算的图像还可以是整个肝脏上的PET图像值的中值。在某些实施方案中，可利用除中值以外的其他统计函数(例如，平均值)。

方法118还包括，在重建发射断层摄影功能图像体积上，基于预先确定的标准来识别与正常摄取区域的所计算的功能图像值相比具有相对低的功能图像值或相对高的功能图像值的体素(框124)。例如，可相对于在框122中获得的正常摄取值来比较(例如，来自框120的)体积块中的PET图像值。预先确定的标准可以是包括差异、比率和/或参数阈值的逻辑标准。在某些实施方案中，还可计算偏差水平并且将其用于确定多少是过高以及多少是过低。

方法118还包括，在重建发射断层摄影功能图像体积上，计算相对于所识别的邻近器官具有相对低的功能图像值或相对高的功能图像值的任何所识别的体素的特性(框126)。各组所识别的体素在图像空间中创建三维(3D)形状。强度、形状形态、尺寸以及它们相对于相邻身体器官的空间位置对于评估该组所识别的体素是否是衰减校正图像伪影而言是很重要的。另外，所识别的体素的空间分布的统计特性(例如，直方图分析、质心等)可与评估相关。

方法118还包括基于所识别的体素的特性来确定潜在衰减校正图像伪影中的哪些被确认为衰减校正图像伪影(框128)。该确认是基于来自框124和框126的信息(例如，所识别的体素和所识别的体素的特性)。

方法118甚至还包括基于预先确定的标准来确定与衰减校正相关的所确认的衰减校正图像伪影的特性(框130)。根据来自框124和框126的信息，可利用上述预先确定的标准来确定实际或确认的衰减校正图像伪影的最终特性。

方法118还包括基于所确认的衰减校正图像伪影来估计或确定模型参数，其中模型参数表示功能解剖空间失配(框132)。这等效于图4中的方法96的框108。基于最终伪影特性，确定了关键参数(通常为仅几个参数)以控制随后的CT图像体积变形(例如，用于校正功能解剖空间失配)。例如，参数可包括形态学过程的有条件扩张(或有条件收缩)的扩张或收缩宽度和/或曲率。

图6是用于校正解剖图像体积的方法134(例如，图4中的方法96的方框110)的流程图。方法134的一个或多个步骤可由上述成像系统的处理电路或由具有处理电路和存储器电路的远程计算设备的处理电路执行。方法134的步骤中的一个或多个步骤可同时执行或者以与图6所描绘的顺序不同的顺序执行。

方法134包括基于所确认的衰减校正图像伪影的所识别的体素的特性来确定与所识别的邻近器官的多少解剖形状在空间上被更改以校正功能解剖空间失配有关的全局参数(框136)。空间更改的示例包括扩张、收缩和/或平移。例如，对于隔膜，全局参数可包括将隔膜向上或向下(例如，相对于中心或另一参考点)移动多少。作为另一个示例，对于隔膜，全局参数可包括将曲率调整多少。

方法134还包括，对于所识别的邻近器官，基于预先确定的专用模型来确定结构变形约束(框138)。这些约束可与空间限制、边缘平滑度、形状连续性和/或预先确定的形态有关。

方法134还包括基于全局参数和结构变形约束来应用一个或多个算法以进行结构变形、有条件扩张和/或有条件侵蚀，以在经校正解剖图像体积中人工地生成新的器官形状(框140)。在某些实施方案中，如果在不同的器官中存在伪影，则可针对具有伪影的不同器官确定相应的新器官形状。

在某些实施方案中，在生成新器官形状之后，方法134包括，对于具有相对低的功能图像值的所确认的衰减校正图像伪影，利用来自相邻高衰减器官的衰减值填充相应新器官形状(框142)。在某些实施方案中，在生成新器官形状之后，方法134包括，对于具有相对高的功能图像值的所确认的衰减校正图像伪影，经由处理器利用来自相邻低衰减器官的衰减值填充相应新器官形状(框144)。在某些实施方案中，方法134包括在需要时应用最终平滑或图像处理整形(框146)。

作为方法134的应用的示例，在下肺区域中的呼吸失配的情况下，沿着呼吸周期移动的隔膜的形状通常是可预测的，并且其会直接影响相邻器官(例如，位于上方和下方)的变形。因此，可仅利用几个模型参数来确定结构变形约束。在由心动周期引起的失配的情况下(例如，在心脏区域中)，也可预测沿着周期的变形。返回到膈膜示例，如果模型参数(例如，其从伪影分析步骤导出)指示膈膜应当在其中心向上移动15mm并且在其圆周上仅移动2mm，则肺下面的所有软组织将向上扩张(并且基于它们的CT HU)代替CT肺组织值，这会导致模拟呼气过程。每个XY位置中的扩张量将与其相对于隔膜中心的位置相关。尽管此类人工变形可能在解剖学上不准确，但是其将在PET图像重建过程中给出更好的衰减校正，从而产生没有伪影的新图像。

在某些实施方案中，可利用机器学习技术和深度学习技术(例如，利用一个或多个经训练的神经网络)来检测/识别衰减校正图像伪影并且估计衰减校正图像伪影的模型参数(例如，图4中的方法96的框106和框108)。图7是用于检测衰减校正图像伪影并且估计衰减校正图像伪影的模型参数(例如，利用机器学习技术或深度学习技术)的方法148的流程图。对于方法148，利用膈膜附近(即，下部肺和上部肝脏和脾脏的区域)的伪影评估作为示例。方法148的一个或多个步骤可由上述成像系统的处理电路或由具有处理电路和存储器电路的远程计算设备的处理电路执行。方法148的步骤中的一个或多个步骤可同时执行或者以与图7所描绘的顺序不同的顺序执行。

方法148包括基于对应的重建解剖图像体积来执行肺、肝脏和整个患者软组织的粗略检测和分割(框150)。方法148还包括，相对于对应的重建解剖图像体积，计算每个分割器官或组织组的正常摄取的功能图像值的统计函数(框152)。在某些实施方案中，统计函数可以是中值分布。在某些实施方案中，可预先确定除中值以外的不同百分位(或其他标准)以用于反映分割器官或组织组中的正常示踪剂摄取。

方法148还包括基于分割器官和/或组织组来检测和确定其中可能出现并考虑图像伪影(例如，衰减校正图像伪影)的子体积(框154)。在某些实施方案中，方法148甚至还包括，在功能图像子体积上，基于预先确定的标准来识别与正常摄取值(在方框152中获得)相比具有相对低或相对高的功能图像值的体素(框156)。预先确定的标准可以是相对比率和阈值的组合。在某些实施方案中，方法148包括在功能图像子体积上生成或识别被划分成高伪影概率、中伪影概率和低伪影概率的体素组(例如，每个组具有不同的离散值(例如，功能图像值))(框158)。

在某些实施方案中，方法148包括对具有所识别的体素组的功能图像子体积进行下采样，以创建将需要较少训练数据的更高效的机器学习或深度学习过程(框160)。在某些实施方案中，方法148利用具有所识别的体素组或特定提取图像特征(例如，来自功能图像子体积)的下采样体积作为机器学习模型或深度学习模型(例如，具有一个或多个经训练的神经网络)的输入(框162)。作为示例，每个输入的目标可以是所需的以毫米为单位的向上或向下的平均扩张或收缩(对应于患者呼吸和膈膜运动模型)和/或平均膈膜曲率参数(总体两个标量输出)。

在方法148中，针对预先确定的子体积内的每个所识别的疑似体素，对疑似伪影的体素组进行自动标记和评分(例如，利用预先确定范围内的值)。可使用复杂的变换函数根据所标记的体素组来直接计算所需的少量变形模型参数，该复杂的变换函数可利用各种机器学习技术来设置和训练。对于训练，需要足够大的训练数据集。

图8是用于生成用于进行衰减校正图像伪影的基于机器学习或基于深度学习的检测以及进行衰减校正图像伪影的模型参数的估计的训练数据(即，用于训练在图7中的方法148中利用的机器学习或深度学习模型或算法)的方法164的流程图。方法164是完全自动的并且不利用任何基于人的图像评估。方法164的一个或多个步骤可由上述成像系统的处理电路或由具有处理电路和存储器电路的远程计算设备的处理电路执行。方法164的步骤中的一个或多个步骤可同时执行或者以与图8所描绘的顺序不同的顺序执行。

方法164包括从来自与相关系统类型(成像系统类型)和相关临床协议有关的多个受检者的病例获得或收集较大PET-CT病例数据集(框166)。对于每种情况，方法164还包括：获得初始重建功能图像体积(或生成后续重建功能图像体积)(框168)；评估初始重建功能图像体积中的潜在伪影(例如，衰减校正图像伪影)(框170)；以及对每个所识别或所确认的伪影的严重性进行评级(框172)。方法164还包括基于预先确定的专用模型在(器官扩张或收缩的)预先确定步骤中反复地修改重建功能图像体积(框174)。在每个修改步骤中，方法164包括重建经修改的功能图像体积(框168)以及重复框170和框172。方法164甚至还包括基于伪影严重性评级来找出得到最小伪影严重性(即，具有最小伪影严重性)的解剖数据修改步骤(框176)。具有最小伪影严重性的解剖数据修改步骤的解剖器官状态被认为是最佳功能解剖匹配。方法164还包括将每个中间重建功能图像体积和对应记录的解剖修改参数(如相对于找到的最佳状态所确定的)保存为机器学习模型或深度学习模型训练方案的单个输入和目标(框178)。

图9提供了患者的图像的示例，示出了利用上述技术的自动伪影评估和校正(例如，图4中的方法96)的结果。获得在两个不同的PET-CT系统(即，TOF PET系统和非TOF PET系统)上连续扫描的患者的图像。非TOF PET系统被配置用于全身扫描。在TOF PET系统(即，具有TOF重建的PET系统)上获得图像180、182。在非TOF PET系统(即，没有TOF重建的PET系统)上获得图像184、186、188、190。行192中的图像180、184、188具有第一冠状位置。行194中的图像182、186、190具有不同的第二冠状位置。来自TOF PET系统的图像180、182缺少衰减校正伪影。当利用非TOF PET重建时，来自非TOF PET系统的图像184和186包括显著且严重的衰减校正伪影(例如，由于PET-CT呼吸失配)，如箭头196所指示。将图4中的方法96中公开的算法直接应用于原始PET和CT数据，并且生成新的重建图像体积(即，图像188、190)。这些图像没有衰减校正伪影。

图10提供了患者的图像的示例，示出了利用上述技术的自动伪影评估和校正(例如，图4中的方法96)的应用。这些图像是通过在非TOF PET系统上对患者进行扫描而获得的。行206中的图像198、200、202、204是四个不同冠状切片的原始PET重建图像。与衰减校正有关的图像伪影由专用算法评估和评分。该算法应用于包括图像198、200、202、204的整个图像体积。行216中的图像208、210、212、214示出了在PET数据中被算法检测为潜在伪影的高亮区域218、220。对这些伪影的评估导致生成用于CT变形模型的关键参数。该模型专门针对下肺区域和相邻器官。CT变形模型创建人工CT图像体积，该人工CT图像体积然后被用来重建经校正PET图像体积(具有更准确的衰减校正)。图像222是在利用变形模型和来自PET伪影评估的模型参数进行校正之前从患者采集的CTAC图像体积(即，原始CTAC图像体积)的冠状切片。图像224是经校正CTAC图像体积(即，人工图像体积)的冠状切片。线226、228指示在CT图像体积上对肝脏和脾脏形状做出的改变(例如，如箭头230所指示的向上移位)。原始PET数据中的较亮(例如，白色)伪影(如在图像198、200、202、204中看到的)通常利用提升(例如，上移)来校正，而较暗(例如，黑色)伪影通常被降低(例如，下移)。在图10中示出(并且在图4中的方法96中描述)的基于图像的算法步骤是完全3D的。

所公开的实施方案的技术效果包括提供以下系统和方法，该系统和方法提供了能够在存在严重伪影并且PET图像和CT图像之间的任何空间配准算法都不能提供所需结果的情况下利用的方法。另外，所公开的系统和方法提供了特别适用于轴向覆盖面积大的非TOFPET系统(例如，全身PET系统)的方法。所公开的实施方案可应用于校正心脏PET-CT和其他多模态(例如，SPECT-CT和PET-MRI)中的类似伪影。

参考本文所提出的并受权利要求书保护的技术并将其应用于具有实际性质的实物和具体示例，所述实际性质明确地改善目前的技术领域，因此，不是抽象的、无形的或纯理论的。此外，如果附加到本说明书末尾的任何权利要求含有指定为“用于[执行]…功能的装置”或“用于[执行]…功能的步骤”的一个或多个元素，则旨在将此类元素根据U.S.C.第35条第112(f)款加以解释。然而，对于含有以任何其他方式指定的元素的任何权利要求，则不旨在将此类元素根据U.S.C.第35条第112(f)款加以解释。

本书面描述使用示例来公开本主题，包括最佳模式，并且还使本领域技术人员能够实践主题，包括制造和使用任何装置或系统以及执行任何包含的方法。本主题的专利范围由权利要求书限定，并且可包括本领域技术人员想到的其他示例。如果此类其他示例具有与权利要求书的字面语言没有区别的结构元素，或者如果它们包括与权利要求书的字面语言具有微小差别的等效结构元素，则此类其他示例旨在落入权利要求书的范围内。

Claims (15)

1.一种用于医学成像数据的自动伪影评估和校正的计算机实现的方法，所述计算机实现的方法包括：

经由处理器(24,88,90)获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，所述发射断层摄影功能图像数据和所述对应的重建解剖图像体积包括具有自然运动的至少一个器官；

经由所述处理器(24,88,90)预先确定用于具有自然运动的所述至少一个器官的空间失配校正的专用模型；

经由所述处理器(24,88,90)执行所述发射断层摄影功能图像数据的初始图像重建，以基于所述对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积；

经由所述处理器(24,88,90)识别所述重建发射断层摄影功能图像体积和所述对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到所述至少一个器官的所述自然运动的影响；

经由所述处理器(24,88,90)识别和评估所述重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影；

经由所述处理器(24,88,90)基于所确认的衰减校正图像伪影来估计模型参数，其中所述模型参数表示所述功能解剖空间失配；

经由所述处理器(24,88,90)利用所述专用模型和所述模型参数两者来校正所述对应的重建解剖图像体积，以生成经校正解剖图像体积；以及

经由所述处理器(24,88,90)基于所述经校正解剖图像体积利用衰减校正来重建所述发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。

2.根据权利要求1所述的计算机实现的方法，所述方法还包括经由所述处理器(24,88,90)根据所述经校正解剖图像体积来生成衰减图，其中所述衰减图被用于重建所述发射断层摄影功能图像数据以生成所述经校正发射断层摄影功能图像体积。

3.根据权利要求1所述的计算机实现的方法，其中经由所述处理器(24,88,90)识别和评估所述潜在衰减校正图像伪影包括：

对于每个所识别的相关身体区域，识别具有所述潜在衰减校正图像伪影的邻近器官和特定子区域；

计算所识别的邻近器官中的正常摄取区域的功能图像值；

在所述重建发射断层摄影功能图像体积上，基于预先确定的标准来识别与所述正常摄取区域的所计算的功能图像值相比具有相对低的功能图像值或相对高的功能图像值的体素；

在所述重建发射断层摄影功能图像体积上，计算相对于所识别的邻近器官具有所述相对低的功能图像值或所述相对高的功能图像值的任何所识别的体素的特性；

基于所识别的体素的特性来确定所述潜在衰减校正图像伪影中的哪些被确认为衰减校正图像伪影；以及

基于所述预先确定的标准来确定与衰减校正相关的所确认的衰减校正图像伪影的特性。

4.根据权利要求3所述的计算机实现的方法，其中基于所确认的衰减校正图像伪影来估计所述模型参数包括：基于所述特性来确定所述模型参数。

5.根据权利要求3所述的计算机实现的方法，其中校正所述对应的重建解剖图像体积包括：

基于所确认的衰减校正图像伪影的所识别的体素的所述特性来确定与所识别的邻近器官的多少解剖形状在空间上被更改以校正所述功能解剖空间失配有关的全局参数；

对于所识别的邻近器官，基于所述专用模型来确定结构变形约束；以及

基于所述全局参数和所述结构变形约束来应用一个或多个算法以进行结构变形、有条件扩张或有条件侵蚀，以在所述经校正解剖图像体积中人工地生成新的器官形状。

6.根据权利要求5所述的计算机实现的方法，所述计算机实现的方法包括：在生成所述新器官形状之后：

对于具有所述相对低的功能图像值的所确认的衰减校正图像伪影，经由所述处理器(24,88,90)利用来自相邻高衰减器官的衰减值填充相应新器官形状；以及

对于具有所述相对高的功能图像值的所确认的衰减校正图像伪影，经由所述处理器(24,88,90)利用来自相邻低衰减器官的衰减值填充所述相应新器官形状。

7.根据权利要求1所述的计算机实现的方法，其中识别和评估所述潜在衰减校正图像伪影包括：利用训练的深度神经网络来识别和评估所述潜在衰减校正图像伪影。

8.根据权利要求1所述的计算机实现的方法，所述计算机实现的方法包括经由所述处理器使得在显示器(22,80)上显示所述经校正发射断层摄影功能图像体积。

9.一种用于医学成像数据的自动伪影评估和校正的系统，所述系统包括：

存储器(26,28,78)，所述存储器编码处理器可执行例程；

处理器(24,88,90)，所述处理器被配置为访问所述存储器(26,28,78)并且执行所述处理器可执行例程，其中所述例程在由所述处理器(24,88,90)执行时使所述处理器：

获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，所述发射断层摄影功能图像数据和所述对应的重建解剖图像体积包括具有自然运动的至少一个器官；

预先确定用于具有自然运动的所述至少一个器官的空间失配校正的专用模型；

执行所述发射断层摄影功能图像数据的初始图像重建，以基于所述对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积；

识别所述重建发射断层摄影功能图像体积和所述对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到所述至少一个器官的所述自然运动的影响；

识别和评估所述重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影；

基于所确认的衰减校正图像伪影来估计模型参数，其中所述模型参数表示所述功能解剖空间失配；

利用所述专用模型和所述模型参数两者来校正所述对应的重建解剖图像体积，以生成经校正解剖图像体积；以及

基于所述经校正解剖图像体积利用衰减校正来重建所述发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。

10.根据权利要求9所述的系统，其中所述例程在由所述处理器(24,88,90)执行时使得所述处理器(24,88,90)根据所述经校正解剖图像体积来生成衰减图，其中所述衰减图被用于重建所述发射断层摄影功能图像数据以生成所述经校正发射断层摄影功能图像体积。

11.根据权利要求9所述的系统，其中所述例程在由所述处理器(24,88,90)执行时使得所述处理器(24,88,90)在识别和评估所述潜在衰减校正图像伪影时：

对于每个所识别的相关身体区域，识别具有所述潜在衰减校正图像伪影的邻近器官和特定子区域；

计算所识别的邻近器官中的正常摄取区域的功能图像值；

在所述重建发射断层摄影功能图像体积上，基于预先确定的标准来识别与所述正常摄取区域的所计算的功能图像值相比具有相对低的功能图像值或相对高的功能图像值的体素；

在所述重建发射断层摄影功能图像体积上，计算相对于所识别的邻近器官具有所述相对低的功能图像值或所述相对高的功能图像值的任何所识别的体素的特性；

基于所识别的体素的所述特性来确定所述潜在衰减校正图像伪影中的哪些被确认为衰减校正图像伪影；以及

基于所述预先确定的标准来确定与衰减校正相关的所确认的衰减校正图像伪影的特性。

12.根据权利要求11所述的系统，其中所述例程在由所述处理器(24,88,90)执行时使得所述处理器(24,88,90)在基于所确认的衰减校正图像伪影估计所述模型参数时基于所述特性来确定所述模型参数。

13.根据权利要求11所述的系统，其中所述例程在由所述处理器(24,88,90)执行时使得所述处理器(24,88,90)在校正所述对应的重建解剖图像体积时：

基于所确认的衰减校正图像伪影的所识别的体素的所述特性来确定与所识别的邻近器官的多少解剖形状在空间上被更改以校正所述功能解剖空间失配有关的全局参数；

对于所识别的邻近器官，基于所述专用模型来确定结构变形约束；以及

基于所述全局参数和所述结构变形约束来应用一个或多个算法以进行结构变形、有条件扩张或有条件侵蚀，以在所述经校正解剖图像体积中人工地生成新的器官形状。

14.根据权利要求13所述的系统，其中所述例程在由所述处理器(24,88,90)执行时使得所述处理器(24,88,90)：

在生成所述新器官形状之后：

对于具有所述相对低的功能图像值的所确认的衰减校正图像伪影，利用来自相邻高衰减器官的衰减值填充相应新器官形状；以及

对于具有所述相对高的功能图像值的所确认的衰减校正图像伪影，利用来自相邻低衰减器官的衰减值填充所述相应新器官形状。

15.一种非暂态计算机可读介质，所述计算机可读介质包括处理器可执行代码，所述处理器可执行代码在由处理器(24,88,90)执行时使得所述处理器：

获得受检者的发射断层摄影功能图像数据和对应的重建解剖图像体积，所述发射断层摄影功能图像数据和所述对应的重建解剖图像体积包括具有自然运动的至少一个器官；

预先确定用于具有自然运动的所述至少一个器官的空间失配校正的专用模型；

执行所述发射断层摄影功能图像数据的初始图像重建，以基于所述对应的重建解剖图像体积利用衰减校正来生成重建发射断层摄影功能图像体积；

识别所述重建发射断层摄影功能图像体积和所述对应的重建解剖图像体积内的相关解剖区域，其中功能图像质量能够受到所述至少一个器官的所述自然运动的影响；

识别和评估所述重建发射断层摄影功能图像体积中与功能解剖空间失配有关的潜在衰减校正图像伪影；

基于所确认的衰减校正图像伪影来估计模型参数，其中所述模型参数表示所述功能解剖空间失配；

利用所述专用模型和所述模型参数两者来校正所述对应的重建解剖图像体积，以生成经校正解剖图像体积；以及

基于所述经校正解剖图像体积利用衰减校正来重建所述发射断层摄影功能图像数据，以生成经校正发射断层摄影功能图像体积。