JP2008543412A - 放射断層撮像のためのノイズモデル選択方法及び装置 - Google Patents
放射断層撮像のためのノイズモデル選択方法及び装置 Download PDFInfo
- Publication number
- JP2008543412A JP2008543412A JP2008516479A JP2008516479A JP2008543412A JP 2008543412 A JP2008543412 A JP 2008543412A JP 2008516479 A JP2008516479 A JP 2008516479A JP 2008516479 A JP2008516479 A JP 2008516479A JP 2008543412 A JP2008543412 A JP 2008543412A
- Authority
- JP
- Japan
- Prior art keywords
- noise model
- noise
- parameter
- database
- predetermined
- 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.)
- Pending
Links
- 238000003325 tomography Methods 0.000 title claims abstract description 13
- 230000005855 radiation Effects 0.000 title claims abstract description 10
- 238000010187 selection method Methods 0.000 title 1
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000003384 imaging method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002603 single-photon emission computed tomography Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
- A61B6/583—Calibration using calibration phantoms
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
正確なエラー推定は、放射断層撮像の多くのアプリケーション、例えば、動的モデル化又は信頼度レベルを伴うSUV数量化について有利である。PET画像のノイズ特性に影響する種々のパラメータのために、全ての撮像状況及びデータ処理設定について単独のエラーモデルを用いることは不正確なエラー推定に繋がる。本発明は、異なる撮像叙情強について複数の所定のノイズモデルを有するデータベースを備えることにより、この問題を回避する。その場合、最も適切なノイズモデルを、所定の撮像状況に応じてマニュアルで又は自動的に選択することが可能である。それ故、例えば、ブーストストラップ方法又は解析的反復測定により正確なノイズモデルを抽出する、時間を要する手法は、各々のモデルについて一回だけ実行される必要があり、取得システムのベンダにより行われることが可能であり、それ故、臨床医は、データベースから最適化されたエラーモデルに容易にアクセスすることができる。
Description
本発明は、放射断層撮影状況及びデータ処理設定のためのノイズモデルを与えるためのシステム、装置及び方法に関する。
放射断層撮影において、取得されるデータは、ランダム過程である放射性核減衰に基づいている。この過程の性質及び統計的特性についてはよく理解されている。しかしながら、これは、取得されたデータから再構成される画像の統計的特性については当てはまらない。取得エレクトロニクスにおける検出器自体から開始して、データ補間、補正及び再構成方法に至る画像処理パイプラインの全ての部分は、結果的に得られる画像のノイズ特性に影響する。それ故、全ての撮像状況及び全てのデータ処理設定について適切である簡単なノイズモデルを規定することは不可能である。
臨床医及び研究者は、各々の設定についてノイズモデルを個別に及び独立して開発する必要がある。多くの状況下で、正確なエラー推定を決定するために支援するように利用可能である高信頼性の所定のノイズモデルを有することは有利である。例えば、動的データの運動モデル化においては、エラー推定が、適合化手順についての重みとして用いられる。より良好な推定により、より良好な適合が得られる。また、静的撮像において、エラー推定が、生物学的パラメータについて、例えば、腫瘍学のアプリケーションにおけるSUV数量化について信頼度レベルを臨床医に与えるように用いられることが可能である。
PET画像のノイズ特性に影響を与える種々のパラメータのために、全ての撮像状況及びデータ処理設定について1つのみのエラーモデルを用いることは実現可能でない。文献に記載されているエラー推定への解析的手法は、問題に特有であり、それ故、全ての撮像構成の小さい副集合のみに適用可能であり、それについては、例えば、文献“Noise Properties of the EM Algorithm:I.Theory”,by H.H.Barrett,et al.,Phys.Med.Bio.,39,pp.833−46,1994を参照されたく、その文献の援用により、本明細書の説明の一部を代替する。ブートストラップ方法については、文献“A Non−Parametric Bootstrap Approach for Analyzing the Statistical Properties of SPECT and PET Image”,by I.Buvat,M,Phys.Med.Bio.,47,Ppp.1761−75,2002を参照されたく、この文献の援用により、本明細書の説明の一部を代替するこの文献の全体のコンテンツは、ノイズ特性の推定についての他の方法である。解析的手法に比べて、ブートストラップ方法は、データの複製が殆ど全ての撮像設定について生成される且つ統計的に解析されることが可能であるという有利点を有する。全体の画像取得及び処理チェーンはブラックボックスとして処理され、その要素の何れかについての詳細な情報はブートストラップ解析についての入力として必要である。しかしながら、この方法は、かなり時間が掛かる不利点を有し、そのことは、個々の臨床医及び研究者による殆どの臨床状況においてその使用を妨げる。
ここで、図1を参照するに、エラー解析の典型的な手法が示されていて、その手法において、段階101で、データが取得され、補正され、そして段階102で画像として再構成される。簡単化されたノイズモデル(何れかがある場合は全て)が、次いで、更なる画像解析のために段階103において用いられる。
全体としては、臨床医及び研究者が関心をもつ全ての状況をカバーするに十分にフレキシブルである、利用可能なノイズモデルは、現在は、存在していない。今日の標準的な画像解析ソフトウェアにおいて用いられるモデルは、殆どの場合に、適切なノイズ特性を反映していない。
"Noise Properties of the EM Algorithm:I.Theory",by H.H.Barrett,et al.,Phys.Med.Bio.,39,pp.833−46,1994 "A Non−Parametric Bootstrap Approach for Analyzing the Statistical Properties of SPECT and PET Image",by I.Buvat,M,Phys.Med.Bio.,47,Ppp.1761−75,2002
"Noise Properties of the EM Algorithm:I.Theory",by H.H.Barrett,et al.,Phys.Med.Bio.,39,pp.833−46,1994 "A Non−Parametric Bootstrap Approach for Analyzing the Statistical Properties of SPECT and PET Image",by I.Buvat,M,Phys.Med.Bio.,47,Ppp.1761−75,2002
本発明のシステム、装置及び方法は、共通に用いられる及び予め規定可能である設定のための再利用可能な及び予め決定されるノイズモデルを与え、それにより、臨床医及び研究者がそれらの設定について独立して及び個別にノイズモデルを決定する必要性をなくすことができる。
本発明のシステム、装置及び方法は、データベースからノイズモデルを自動的に選択する及び特定の撮像状況について適切であるツールを臨床医/研究者に与える。好適な実施形態においては、データベースには、複数の異なっているが代表的な撮像状況及び設定のためにPET画像のブートストラップ解析を予め用いてもたらされる(対応する撮像状況及び設定にしたがって指数付けされる)ノイズモデルが入っている。それにより、次のような上記方法の2つの主な不利点を克服することができる。
1.解析的ノイズモデルは、全ての関連撮像状況、例えば、異なる再構成方法、散乱補正方法等の使用をカバーするのに十分に高速ではあるが、フレキシブルでない。
2.統計的ブートストラップ解析(又は、繰り返し測定等の類似する方法)が、全ての撮像状況に対してノイズ特性を決定するように用いられ、それ故、かなりフレキシブルであるが、かなり時間を要するものである。
1.解析的ノイズモデルは、全ての関連撮像状況、例えば、異なる再構成方法、散乱補正方法等の使用をカバーするのに十分に高速ではあるが、フレキシブルでない。
2.統計的ブートストラップ解析(又は、繰り返し測定等の類似する方法)が、全ての撮像状況に対してノイズ特性を決定するように用いられ、それ故、かなりフレキシブルであるが、かなり時間を要するものである。
臨床医/研究者に、標準的な撮像状況のための予め決定されたノイズモデルのデータベース、及びアプリケーションの特徴に基づいて、特定のアプリケーションについての適切なモデルを容易に(又は自動的に)選択することができるツールを与えることは、高信頼性のエラー/ノイズ推定の課題に対する高速な且つフレキシブルな解決方法である。図2Aは、本発明の好適な実施形態を示している。段階101におけるデータ捕捉、補正及び画像再構成の後、適切なノイズモデル202が、取得、データ補正及び再構成のパラメータ及び設定に基づいて、データベース201から選択される。アプリケーションに特有のノイズモデル202は、より良好な画像を与える、及び臨床医/研究者に有用な情報を与える改善されたノイズ推定を可能にする。
以下の説明は、例示目的であって、限定のためのものではないことを、当業者は理解することができるであろう。当業者は、同時提出の特許請求の範囲における範囲内で及び本発明の主旨において存在する多くの変形が存在することを理解することができるであろう。既知の機能及び動作についての不必要な詳細については、本発明を不明確にしないように本明細書においては省略している。
本発明の好適な実施形態は次のようなものである。
1.種々の画像が、所定の臨床的に関連する撮像状況/設定の集合について生成される。例えば、それらの変化画像が、ブートストラップ方法を用いて又は繰り返し測定を用いて生成されることが可能である。用いられることが可能である他の技術はモンテカルロシミュレーションである。
2.各々の設定についてのノイズの特徴は、特定の撮像状況、例えば、“脳の撮像、CTに基づく減衰補正、不均一な散乱の補正、2回の繰り返し及び8個の副集合によるOSEM再構成並びに2x2x4mm3のボクセルサイズ”を規定するパラメータと共にデータベースに記憶される。
3.このデータベースは、取得システムのベンダにより与えられるが、そのデータベースは、ユーザにより生成される新しいパラメータの集合を有するように更新されることがまた、可能である。
4.ユーザは、段階101において、従来通り、データを取得し、処理する。撮像パイプラインの設定に応じて、適切なノイズモデルがデータベース201から(マニュアルで又は自動的に)選択される(上記の段階2の例を参照されたい)。このモデルは、その場合、段階203において、再構成画像102、例えば、動的モデル化、信頼度のSUV数量化の更なる解析のために用いられる。
1.種々の画像が、所定の臨床的に関連する撮像状況/設定の集合について生成される。例えば、それらの変化画像が、ブートストラップ方法を用いて又は繰り返し測定を用いて生成されることが可能である。用いられることが可能である他の技術はモンテカルロシミュレーションである。
2.各々の設定についてのノイズの特徴は、特定の撮像状況、例えば、“脳の撮像、CTに基づく減衰補正、不均一な散乱の補正、2回の繰り返し及び8個の副集合によるOSEM再構成並びに2x2x4mm3のボクセルサイズ”を規定するパラメータと共にデータベースに記憶される。
3.このデータベースは、取得システムのベンダにより与えられるが、そのデータベースは、ユーザにより生成される新しいパラメータの集合を有するように更新されることがまた、可能である。
4.ユーザは、段階101において、従来通り、データを取得し、処理する。撮像パイプラインの設定に応じて、適切なノイズモデルがデータベース201から(マニュアルで又は自動的に)選択される(上記の段階2の例を参照されたい)。このモデルは、その場合、段階203において、再構成画像102、例えば、動的モデル化、信頼度のSUV数量化の更なる解析のために用いられる。
次の実施例は、段階2の好適な実施形態を示している。ここで、図3を参照するに、フィルタリング逆投影(a)及び反復RAMLA2D(Row Action Maximum Likelihood Algorithm 2D)により再構成されたファントムデータベースを示しているが、例えば、文献“A Row−Action Alternative To The EM Algorithm For Maximizing Likelihoods In Emission Tomography”,by J.A.Browne and A.R.De Pierro,IEEE Transactions on Medical Imaging,Vol.15,pp.687−699,1996,(c)を参照されたい。対応する変化画像(b)及び(d)がブートストラップ方法により生成された。ブートストラップ方法は、図3に示す変化画像を生成するために用いられ、それらの変化画像は、同じデータに基づいているが、異なる再構成方法により再構成されたものである。
ブートストラップ方法は、実験データから推定された統計値Θ(例えば、中央値)の精度を決定するためのコンピュータに基づく統計的方法である(例えば、文献、“An Introduction to the Bootstrap”,by Efron and Tibshirani,New York:Chapman and Hall,1993を参照されたい)。その方法は、実験サンプルの実験に基づく分散が未知の分散Fを推定する実験サンプルx=(x1,...,xN)を必要とする。このサンプルにおいては、各々の測定値xiは、分散Fにしたがう変数の独立したランダムな実現とみなされる。最も簡単な方法において、ブートストラップは、次のような差し込み原理と称されるものを用いる。
● 実験サンプルx=(x1,...,xN)が与えられている場合、N個の要素xi b*
の各々のB個の独立したブートストラップサンプルxb*=(x1 b*,...,xN b*)を抽出する。各々の要素xi b*は、オリジナルの実験サンプルxから一置き換え要素xiをランダムに抽出することにより得られる。各々のブートストラップサンプルにおける要素数は、オリジナルの実験サンプルにおける要素数に等しいことに留意する必要がある。
● 各々のブートストラップサンプルxb*について、Θのブートストラップ複製と称せられる対象の統計値Θ(xb*)を演算する。
● ブートストラップの複製{Θ(xb*)}b=1,BはΘのブートストラップ分布をもたらす。例えば、Θのブートストラップ変数M2(順序2の瞬間)は次式のようであり、
● 実験サンプルx=(x1,...,xN)が与えられている場合、N個の要素xi b*
の各々のB個の独立したブートストラップサンプルxb*=(x1 b*,...,xN b*)を抽出する。各々の要素xi b*は、オリジナルの実験サンプルxから一置き換え要素xiをランダムに抽出することにより得られる。各々のブートストラップサンプルにおける要素数は、オリジナルの実験サンプルにおける要素数に等しいことに留意する必要がある。
● 各々のブートストラップサンプルxb*について、Θのブートストラップ複製と称せられる対象の統計値Θ(xb*)を演算する。
● ブートストラップの複製{Θ(xb*)}b=1,BはΘのブートストラップ分布をもたらす。例えば、Θのブートストラップ変数M2(順序2の瞬間)は次式のようであり、
変化画像において明らかであるノイズ特徴における大きい差は、今日の動的モデル化ツールにおいては考慮されていないことを再び、強調しておく必要がある。
ここで、ノイズ特徴の適切なパラメータ化が、繰り返して再構成された画像について図4に示すように、各々の画素について計数値とその変化との間の相関性を解析することにより決定されることが可能である。
例えば、ML−EM(Maximum Lilelihood Expectation Maximization)方法に基づく反復方法は、σ=kCdにしたがうノイズ特徴を有し、ここで、σは標準偏差であり、Cは選択された画素の計数値であることが文献に記載されていて、例えば、文献“Noise Properties of the EM Algorithm:I.Theory”、Phis.Med.Bio.,39,pp.833−846、1994を参照されたい。パラメータk及びdは、ここで、異なる撮像状況(脳ファントム、全身ファントム、高ドーズ、低ドーズ等)及び異なる画像処理設定(散乱補正の有無、CTに基づく減衰補正、送信に基づく減衰補正、異なる反復数を有する反復再構成等)について決定され、その状況及び設定にしたがってインデックス化され、そしてエンドユーザによる検索のためのデータベースに記憶されることが可能である。
大容量のデータベースの生成は時間を要する処理であることを認識することは重要である。しかしながら、これは、撮像装置のベンダにより行われ、それ故、エンドユーザについては不利ではない。エンドユーザとしての臨床医/研究者は、本発明のデータベースから適切なノイズモデルを選択することにより撮像アプリケーションにそれらの適切なノイズモデルを即座に適用することができ、そのデータベースは、エンドユーザの撮像システムのベンダにより与えられるものである。
図2Bは、画像捕捉及び撮像処理を実行する、並びに本発明にしたがって修正された装置を示している。撮像装置251からのデータは、データを取得し、そのデータを補正し、そして画像を再構成するモジュール101により捕捉される。好適な実施形態においては、画像捕捉モジュールはまた、現在の状況及び設定について適切なノイズモデルを得るように、ベンダ供給ノイズモデルデータベース201にアクセスすることができる。ノイズモデルのデータベースは、少なくとも1つの所定の臨床関連撮像状況及び設定について変化画像を生成し、対応する撮像状況/設定の少なくとも1つのパラメータ及び少なくとも1つのノイズ特徴により各々生成された変化をインデックス付けする所定の技術を用いて、ノイズモデルエントリを生成するノイズモデル生成構成要素254を更に有する。
適切なノイズモデル202及び再構成画像252は、その場合、画像を処理するために画像処理モジュール203に入力される。代替の実施形態においては、適切なノイズモデルは存在せず、画像処理モジュールは、データベースを更新することによりノイズモデルのデータベースにそのときに記憶されている、エンドユーザによってユーザ規定ノイズモデル253を供給される。
図5は、撮像システムのベンダにより供給されるノイズモデル201のデータベースを有する装置に撮像データ251を供給するようにノイズモデル選択装置250に接続されている撮像装置501を有し、ユーザ規定ノイズモデルを受け入れる及びベンダ供給ノイズモデルデータベース201を更新することができる撮像システムを示している。
本発明の好適な実施形態について、上記において図示されて、説明されている一方、ここで説明されているシステム、装置アーキテクチャ及び方法は例示であり、本発明の範囲から逸脱することなく、種々の変形及び修正が行われることが可能であり、同等なものがその要素について置き換えられることが可能である。更に、多くの修正が、本発明の範囲から逸脱することなく、特定の設定に対して本発明の技術に適合するように行われることが可能である。それ故、本発明は、本発明を実行するために検討された最良のモードとして開示されている特定の実施形態に限定されるものではないが、本発明は、同時提出の特許請求の範囲における範囲から逸脱することのない全ての実施形態を網羅することが意図されている。
Claims (16)
- 放射断層撮像パイプラインのためにノイズモデルを選択するための方法であって:
少なくとも1つのノイズ特徴と探索項として対応する撮像状況/設定の少なくとも1つのパラメータとによりインデックス付けされる、放射断層撮像のための少なくとも1つの所定のノイズモデルのデータベースを供給する段階;
少なくとも1つのノイズ特徴及び少なくとも1つのパラメータにより前記放射断層撮像パイプラインを特徴付ける段階;
マッチングのために前記放射断層撮像パイプラインの前記少なくとも1つのノイズ特徴及び少なくとも1つのパラメータと、供給された前記データベースの前記探索項とを比較する段階;並びに
マッチングが存在するときに、前記放射断層撮像パイプラインについて前記ノイズモデルとして前記対応する撮像状況/設定の前記所定のノイズモデルを選択する段階;
を有する方法。 - 請求項1に記載の方法であって:
前記ノイズモデルデータベースにユーザ規定ノイズモデルを付加する段階;
を更に有する、方法。 - 請求項1に記載の方法であって、前記のデータベースを供給する段階は:
所定の技術を用いて、少なくとも1つの所定の臨床関連撮像状況及び設定のために変化画像を生成する段階;
前記設定に基づいて、各々の生成された変化画像と少なくとも1つのノイズ特徴を関連付ける段階;及び
各々の生成された変化画像に前記撮像状況及び設定の少なくとも1つのパラメータを関連付ける段階;
を更に有する、方法。 - 請求項3に記載の方法であって、前記関連付ける段階は:
選択された画素についての前記変化画像の変化と計数率との間の相関性を解析することにより、前記少なくとも1つのノイズ特徴を決定する段階;
を更に有する、方法。 - 請求項4に記載の方法であって:
前記撮像状況の前記少なくとも1つのパラメータは、脳ファントム、全身ファントム、高ドーズ及び低ドーズから選択され;
前記設定の前記少なくとも1つのパラメータは、走査補正の有無、CTに基づく減衰補正、送信に基づく減衰補正、反復の所定数を有する反復再構成及び所定のボクセルサイズを有する群から選択される;
方法。 - 請求項5に記載の方法であって、前記の変化画像を生成する段階は:
前記変化画像を生成する段階に先行する段階であって、ブートストラップ方法、反復測定及びモンテカルロシミュレーションを有する群からの変化画像生成のための技術を選択する段階;
を更に有する、方法。 - 請求項6に記載の方法であって、前記少なくとも1つのパラメータは、取得、データ補正及び再構成を有する群から選択されたタイプを有する、方法。
- 請求項6に記載の方法であって、前記関連付ける段階は:
計数率と選択された画素についての前記変化画像の変化との間の相関性の解析により前記少なくとも1つのノイズ特徴を決定する段階;
を更に有する、方法。 - 放射断層撮像パイプラインのためのノイズモデルの選択のための装置であって:
対応する撮像状況/設定の少なくとも1つのパラメータと少なくとも1つのノイズモデルによりインデックス付けされた少なくとも1つの所定のノイズモデルを有するノイズモデルデータベース;
画像データを捕捉し、前記データベースから適切なノイズモデルを選択し、前記選択されたノイズモデル及び前記再構成画像データを出力する画像捕捉モジュール;並びに
前記出力された再構成画像データ及び前記選択されたノイズモデルを受信し、ノイズを推定するように及び更なる解析においてこの情報を利用するように前記選択されたノイズモデルを適用する画像処理モジュール;
を有する装置。 - 請求項9に記載の装置であって、前記ノイズモデルデータベースは、少なくとも1つの所定の臨床関連撮像状況及び設定のために変化画像を生成し、前記対応する撮像状況/設定の少なくとも1つのパラメータ及び少なくとも1つのノイズ特徴により各々生成された変化をインデックス付けする、所定の技術によりノイズモデルエントリを生成するノイズモデル生成構成要素を更に有する、装置。
- 請求項10に記載の装置であって、前記ノイズモデル生成構成要素は、前記少なくとも1つのノイズ特徴が計数率と選択された画素についての前記変化画像の変化との間の前記相関性の解析により得られるように更に成っている、装置。
- 請求項11に記載の装置であって:
前記撮像状況の前記少なくとも1つのパラメータは、脳ファントム、全身ファントム、高ドーズ及び低ドーズを有する群から選択され;そして
前記設定の前記少なくとも1つのパラメータは、走査補正の有無、CTに基づく減衰補正、送信に基づく減衰補正、反復の所定数を有する反復再構成及び所定のボクセルサイズを有する群から選択される;
装置。 - 請求項12に記載の装置であって、前記の変化画像を生成する前記所定の技術は、ブートストラップ方法、反復測定及びモンテカルロシミュレーションを有する群から選択される、装置。
- 請求項12に記載の装置であって、前記少なくとも1つのパラメータは、取得、データ補正及び再構成を有する群から選択されたタイプを有する、装置。
- 放射断層撮像パイプラインのためにノイズモデルを選択するシステムであって:
放射断層撮像データの収集のための撮像装置;
少なくとの1つのノイズモデルに対応する少なくとも1つのパイプラインパラメータ及び少なくとも1つのノイズ特徴を有するインデックスによりインデックス付けされる所定の撮像状況/設置の少なくとも1つのノイズモデルを記憶するノイズモデルデータベース;並びに
前記少なくとも1つのノイズ特徴及び少なくとも1つのパラメータにより前記放射断層撮像パイプラインを特徴付け、前記放射断層撮像パイプラインの少なくとも1つのノイズ特徴及び少なくとも1つのパラメータが前記データベースの前記選択された少なくとも1つのノイズモデルとマッチングするように、前記ノイズモデルデータベースから適切なノイズモデルを選択するノイズモデル画像選択プロセッササブシステム;
を有するシステム。 - 請求項15に記載のシステムであって、前記ノイズモデルデータベースは更に、ユーザ規定ノイズモデルを有する少なくとも1つの更新を受け入れるようになっている、システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US69080005P | 2005-06-15 | 2005-06-15 | |
PCT/IB2006/051869 WO2007026266A2 (en) | 2005-06-15 | 2006-06-12 | Noise model selection for emission tomography |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2008543412A true JP2008543412A (ja) | 2008-12-04 |
Family
ID=37809255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008516479A Pending JP2008543412A (ja) | 2005-06-15 | 2006-06-12 | 放射断層撮像のためのノイズモデル選択方法及び装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20080205731A1 (ja) |
EP (1) | EP1897059A2 (ja) |
JP (1) | JP2008543412A (ja) |
CN (1) | CN101198984A (ja) |
WO (1) | WO2007026266A2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0813372D0 (en) * | 2008-07-22 | 2008-08-27 | Siemens Medical Solutions | A confidence measure for comparing SUV between PET studies |
US9305379B2 (en) | 2012-01-10 | 2016-04-05 | The Johns Hopkins University | Methods and systems for tomographic reconstruction |
GB2529200B (en) * | 2014-08-13 | 2019-05-01 | Fen Ep Ltd | Improvement to Analysing Physiological Electrograms |
DE102016212348A1 (de) * | 2016-07-06 | 2018-01-11 | Carl Zeiss Microscopy Gmbh | Verfahren zur quantitativen Auswertung von Mikroskopbilddaten, Mikroskop und Softwareprodukt |
CN110610527B (zh) * | 2019-08-15 | 2023-09-22 | 苏州瑞派宁科技有限公司 | 计算suv的方法、装置、设备、系统及计算机存储介质 |
EP4134906A1 (en) * | 2021-08-13 | 2023-02-15 | Dotphoton AG | Simultaneous and consistent handling of image data and associated noise model in image processing and image synthesis |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5222190A (en) * | 1991-06-11 | 1993-06-22 | Texas Instruments Incorporated | Apparatus and method for identifying a speech pattern |
US7254623B1 (en) * | 2002-04-16 | 2007-08-07 | General Electric Company | Method and apparatus for reducing x-ray dosage in CT imaging prescription |
-
2006
- 2006-06-12 EP EP06821078A patent/EP1897059A2/en not_active Withdrawn
- 2006-06-12 CN CN200680021221.0A patent/CN101198984A/zh active Pending
- 2006-06-12 WO PCT/IB2006/051869 patent/WO2007026266A2/en not_active Application Discontinuation
- 2006-06-12 US US11/914,794 patent/US20080205731A1/en not_active Abandoned
- 2006-06-12 JP JP2008516479A patent/JP2008543412A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
CN101198984A (zh) | 2008-06-11 |
US20080205731A1 (en) | 2008-08-28 |
WO2007026266A2 (en) | 2007-03-08 |
WO2007026266A3 (en) | 2007-07-26 |
EP1897059A2 (en) | 2008-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8208706B2 (en) | Functional image presentation | |
JP2008543412A (ja) | 放射断層撮像のためのノイズモデル選択方法及び装置 | |
Iyer et al. | Inferring functional connectivity in MRI using Bayesian network structure learning with a modified PC algorithm | |
US20220343496A1 (en) | Systems and methods for accurate and rapid positron emission tomography using deep learning | |
KR20100105576A (ko) | 영상 분석 | |
WO2021041125A1 (en) | Systems and methods for accurate and rapid positron emission tomography using deep learning | |
CN113196340A (zh) | 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估 | |
US8014580B2 (en) | Determining a pixon map for image reconstruction | |
CN115720667A (zh) | Ai实现的早期-pet采集 | |
Jiang et al. | Smoothing dynamic positron emission tomography time courses using functional principal components | |
US20100046820A1 (en) | Framing of positron emission tomography data to assess activity peak | |
EP2701606B1 (en) | Diagnostic brain imaging | |
Singh et al. | Score-based generative models for PET image reconstruction | |
EP3948765A1 (en) | Image reconstruction | |
De Luca et al. | Method to determine the statistical technical variability of SUV metrics | |
Herraiz et al. | Sensitivity estimation in time‐of‐flight list‐mode positron emission tomography | |
EP2345007B1 (fr) | Procédé d'estimation de la concentration d'un traceur dans un ensemble de structures tissulaires, support d'information et dispositif correspondants | |
WO2022223356A1 (en) | Machine learning-based improvement in iterative image reconstruction | |
Bhatt et al. | An algorithm for PET tumor volume and activity quantification: without specifying camera's point spread function (PSF) | |
US11200710B2 (en) | Device and method for PET image reconstruction | |
EP3433832B1 (en) | Image reconstruction | |
Bilgel | Probabilistic estimation for across‐batch compatibility enhancement for amyloid PET | |
Angelié et al. | Automatic tuning of left ventricular segmentation of MR images using genetic algorithms | |
Steger et al. | Feature Extraction from Medical Images for an oral cancer reoccurrence prediction environment | |
Grazian et al. | vPET-ABC: Voxel-wise Approximate Bayesian Inference for Parametric Imaging of Neurotransmitter Release |