CN101198984A - 用于发射断层摄影的噪声模型选择 - Google Patents

Abstract

对于发射断层摄影的许多应用，例如，具有可信度的运动建模或SUV量化，准确的误差估计是有益的。由于影响PET图像的噪声特性的参数的多样性，对于所有成像情况和数据处理配置而言，使用单一误差模型导致不准确的误差估计。本发明通过提供包含用于不同成像情况的多个预定噪声模型的数据库而避免了这个问题。于是依据给定的成像情况，能够手动地或自动地选择最适当的噪声模型。因此，只需为每个模型执行一次提取正确噪声模型的费时的过程，例如，通过使用自举方法或通过分析重复测量，并且该过程可以由采集***的厂商来完成，从而使得临床医师能够立即访问来自数据库的最佳误差模型。

Description

用于发射断层摄影的噪声模型选择

本发明涉及一种***，设备和方法，用以为发射断层摄影成像情况和数据处理配置(set-up)提供噪声模型。

在发射断层摄影中，所获得的数据是基于放射性核衰变的，它是一种随机过程。已经充分了解了该过程的本质和统计学特性。然而，对于从所获得的数据中重构得到的图像的统计学特性而言还不能这么说。从探测器自身通过获得电子信号开始，到数据内插、校正和重构方法，图像处理流水线的每一部分都影响所得到的图像的噪声特性。因此，不可能定义一个简单的、适合于所有成像情况和所有数据处理配置的噪声模型。

临床医师和研究人员必须为每种配置个别地和独立地开发噪声模型。在许多情况下，有可利用的可靠的预定义噪声模型来帮助确定准确的误差估计是有利的。例如，在动态数据的运动建模中，误差估计被用作调整过程的加权。较好的误差估计会导致更好的配合。此外，在静态成像中，误差估计被用来向临床医师提供生物参数的可信度，例如对于肿瘤学应用中的SUV量化。

由于影响PET图像噪声特性的参数的多样性，对于所有成像情况和数据处理配置仅使用一个误差模型是行不通的。在文献中可以找到的对误差估计的分析方法是针对特定问题的，因此仅适于所有成像配置的一小类子集，例如见H.H.Barrett等人，Noise Properties of theEM Algorithm：I.Theory，Phys.Med.Bio.，39，pp.833-46，1994，其全部内容合并于此作为参考。自举(bootstrap)方法是用于噪声特性估计的另一种方法，例如见，I.Buavt，A Non-Parametric Bootstrap Approachfor Analyzing the Statistical Properties of SPECT and PET Images，Phys.Med.Bio.，47，pp.1761-75，2002，其全部内容合并于此作为参考。与分析方法相比，自举方法具有这样的优势：能够产生数据副本，并且可以为几乎全部成像配置针对该数据副本进行统计学分析。整个图像采集和处理链被视为黑箱，无需与其要素有关的任何详细信息作为该自举分析的输入。然而，这个方法存在极其费时的缺陷，这阻碍了其在大多数临床情况下被单个临床医师和研究人员使用。

现在参考图1，示出了用于误差分析的典型过程，其中，在步骤101中获得数据，在步骤102中将数据校正并重构为图像。随后在步骤103中为进一步的图像分析使用了简化的噪声模型(如果其确实存在的话)。

总的来说，目前没有足够灵活、能够覆盖临床和研究关注的所有情况的可利用的噪声模型。在当前标准图像分析软件中使用的模型在大多数情况下不能够反映正确的噪声特性。

本发明的***、设备和方法提供了一种有效且高效率的方法，为通常使用的可预定义的配置提供了可重复使用的预定的噪声模型，从而消除了临床医师和研究人员为这些配置独立地、个体地执行噪声模型确定的需要。

本发明的***、设备和方法为临床医师/研究人员提供了一种工具，其从此类模型的数据库中自动选择噪声模型，且该噪声模型适用于特定成像情况。在优选实施例中，数据库被填充了噪声模型(根据成像情况及其相应的配置而编制索引)，这些噪声模型是预先使用用于多个不同但典型的成像情况和配置的PET图像的自举分析来提取的。从而，能够克服上述方法的这两个主要缺陷：

1.分析型噪声模型速度快但其灵活性不足以覆盖全部相关成像情况，例如不同重构方法、散射校正(scatter correction)方法等的使用。

2.统计学自举分析(或类似的方法，例如重复测量)用来为每种成像情况确定噪声特性，因此非常灵活，但这个方法极其费时。

对于可靠的误差/噪声估计的问题，一种快速且灵活的解决方案是，为临床医师/研究人员提供用于标准成像情况的预定噪声模型的数据库以及用于易于基于特定应用的特性而为该应用选择(或自动选择)适当模型的工具。图2A示出了本发明的优选实施例。在步骤101中的数据的采集、校正和图像重构之后，基于该配置以及采集、数据校正和重构的参数，从数据库201中选择适当的噪声模型202。特定应用的噪声模型202允许改进的噪声估计，其得到了更好的图像，并为临床医师/研究人员提供了有价值的信息。

图1示出了采集和成像过程的典型过程；

图2A示出了根据本发明而改进的图1的过程；

图2B示出了实现图2A过程的图像分析设备；

图3示出了影像(phantom)数据集重构和统计学分析；

图4示出了相对于计数速度的平方根而绘制的标准偏差；以及

图5示出了包含图2B的图像分析设备的一种成像***。

本领域普通技术人员会理解提供以下说明的目的是为了解释而不是为了限制。技术人员会理解在本发明的精神和所附的权利要求的范围之内存在许多变化。从当前说明中省略了已知的功能和操作的不必要的细节，以免使得本发明含糊不清。

本发明的一个优选实施例如下：

1.为一组预定的临床上相关的成像情况/配置产生方差图像。例如，这些方差图像可以用自举方法或通过使用重复测量来产生。可以使用的另一种技术是蒙特卡罗模拟(Monte-Carlo simulation)。

2.每个配置的噪声特性按以下所述被参数化，这些参数与定义特定成像情况的参数一起被存储在数据库中，例如“脑部成像、基于CT的衰减校正、非一致性散射校正(non-uniform scatter correction)、采用2次迭代和8个子集的OSEM重构，以及2×2×4mm³三维像素尺寸”。

3.由采集***的厂商提供该数据库，但它也能够被更新以包括由用户产生的新参数集。

4.在步骤101中用户象通常一样获取并处理数据。依据成像流水线的设定，从数据库201中选择适当的噪声模型(手动或自动的)(见以上步骤2中的实例)。然后，在步骤203中，这个模型被用于对重构的图像102进行进一步分析，例如，运动建模、具有可信等级的SUV量化等。

以下的实例示出了步骤2的优选实施例。现在参照图3，在此所示的是分别以滤波反投影(filtered back projection)(a)和迭代行活动最大似然算法2d(RAMLA2D)(iterative row action maximumlikelihood algorithm)(c)(例如见J.A.Browne和A.R.De Pierro，ARow-Action Alternative To The EM Algorithm For Maximum LikelihoodIn Emission Tomography，IEEE Transaction on Medical Imaging，Vol.15，pp.687-699，1996)重构的影像数据集。以自举方法产生相应的方差图像(b)和(d)。自举方法用于产生图3所示的方差图像，其基于相同的数据，但以不同的重构方法来重构。

自举方法是基于计算机的统计学方法，用于确定依据实验数据而估计的统计值θ(例如中间数)的准确度(例如见Efron和Tibshirani，An Introduction to the Bootstrap，New York：Chapman and Hall，1993)。它需要实验样本x＝(x₁，…，x_N)，其经验分布估计未知的分布F。在这个样本中，每个测量值xi都被认为是遵循分布F的变量的独立随机实现。在其最简化的形式下，自举方法使用所谓的***(plug-in)原理：

·给定经验样本x＝(x₁，…，x_N)，提取N个要素的B个独立自举样本x^b*＝(x₁ ^b*，…，x_N ^b*)，其每一个为x_i ^b*。通过将一个要素x_i从原始经验样本x替换性的随机提取，来获得每一个要素x_i ^b*。注意，在每个自举样本中的要素的数量与原始经验样本中的要素数量是相同的。

·为每个自举样本x^b*，计算所关注的统计值θ(x^b*)，其被称为θ的自举复制。

·自举复制的集合{θ(x^b*)}_b＝1，B产生θ的自举分布，从它可以推断出θ的统计学行为。例如，θ的自举方差M₂(2阶距)是

$M_2={\mathrm{\Σ}}_{b=1}^B{(\mathrm{\θ}\left(x^{b*}\right)-M_1)}^2/(B-1)$

在此 $M_1={\mathrm{\Σ}}_{b=1}^B\mathrm{\θ}\left(x^{b*}\right)/B$ 是在B个自举复制上的θ的平均值。

应再次强调，在目前的运动建模工具中没有考虑在噪声特性中的较大偏差，其在方差图像中是显而易见的。

现在能够通过分析在计数数量与其对于每个像素的方差之间的校正值来确定适宜的噪声特性参数化，如图4所示用于迭代重构图像。

由文献可知，例如见H.H.Barrett等人，Noise Properities of the EMAlgorithm：I.Theory，Phy.Med.Bio.，39，pp.833-46，1994，基于最大似然期望最大化方法(maximum likelihood expectation maximizationapproach)(例如ML-EM)的迭代方法具有遵从σ＝kC^d的噪声特性，在此σ是标准偏差，C是所选像素的计数数量。现在能够为不同成像情况(脑部影像、全身影像、高剂量、低剂量等)和不同图像处理设定(含/不含散射校正、基于CT的衰减校正、基于传输的衰减校正、以不同迭代数量进行的迭代重构等)确定参数k和d，并根据情况和配置而编制索引并存储在数据库中用于最终用户检索。

重要的是认识到大数据库的产生是费时的过程。然而，这由成像装置的厂商来完成，因此对于最终用户没有不利之处。通过从本发明的数据库中选择适当的噪声模型，作为最终用户的临床医师/研究人员可以立即在其成像应用中使用适当的噪声模型，这个数据库由最终用户的成像***的厂商来提供。

图2B示出了一种设备，其执行图像采集和图像处理，并且根据本发明对其进行了改进。来自成像装置251的数据被模块101采集，模块101获取数据，校正数据并重构图像。在优选实施例中，图像采集模块还访问厂商提供的噪声模型数据库201，来为当前情况和配置获得适当的噪声模型。噪声模型数据库还被进一步配置为包括噪声模型创建部件254，其以预先选择的技术在此创建噪声模型条目，所述预先选择的技术为至少一个预定的临床上相关的成像情况和配置产生方差图像，并借助于相应成像情况/配置的至少一个噪声特性和至少一个参数编制每个所产生的方差的索引。

然后，将适当的噪声模型202和重构图像252输入到图像处理模块203，来进行图像处理。在可替换实施例中，没有适当的噪声模型，由最终用户提供给图像处理模块用户定义的噪声模型253，其随后通过更新数据库被存储在噪声模型数据库201中。

图5示出了成像***，其包括成像装置501，连接到噪声模型选择设备250，将成像数据251提供给包含由成像***厂商所提供的噪声模型201的数据库的设备，并且该设备能够接受用户定义的噪声模型253，并以此更新厂商提供的噪声模型数据库201。

尽管已经示出并说明了本发明的优选实施例，但本领域技术人员会理解在此所述的***和设备结构及方法是说明性的，可以做出各种变化和修改，并可以用等效物来替换其元件，而不会脱离本发明的真实范围。另外，可以做出许多修改以使得本发明的教义适合于特定装置，而不会脱离其中心范围。因此，其意图是本发明不限于作为计划用于实现本发明的最佳模式而公开的具体实施例，本发明包括在所附权利要求的范围内的所有实施例。

Claims (16)

1.一种用于为发射断层摄影成像流水线选择噪声模型的方法，包括以下步骤：

为发射断层摄影提供具有至少一个预定噪声模型的数据库，通过用相应成像情况/配置的至少一个噪声特性和至少一个参数作为搜索项，对所述预定噪声模型编制索引；

借助于至少一个噪声特性和至少一个参数表征所述成像流水线；

将所提供的数据库的搜索项与所述成像流水线的至少一个噪声特性和至少一个参数相比较，以进行匹配；并且

当匹配时，选择相应成像情况/配置的预定噪声模型作为所述成像流水线的噪声模型。

2.如权利要求1所述的方法，还包括步骤：将用户定义的噪声模型添加到所述噪声模型数据库。

3.如权利要求1所述的方法，其中，所述提供步骤还包括以下步骤：

使用预先选择的技术，为至少一个预定的临床上相关的成像情况和配置产生方差图像；并且

基于该配置，将至少一个噪声特性与每一个所产生的方差图像相关联；并且

将该成像情况和配置的至少一个参数与每一个所产生的方差图像相关联。

4.如权利要求3所述的方法，其中，所述关联步骤还包括步骤：通过针对方差图像中所选择的像素对方差图像的计数速率与方差之间进行相关性分析，确定至少一个噪声特性。

5.如权利要求4所述的方法，其中：

从由脑部影像、全身影像、高剂量和低剂量构成的组中，选择所述成像情况的所述至少一个参数；并且

从由有散射校正、无散射校正、基于CT的衰减校正、基于传输的衰减校正、采用指定数量X次迭代的迭代重构、及指定三维像素尺寸Y构成的组中，选择所述配置的所述至少一个参数。

6.如权利要求5所述的方法，其中，所述产生步骤还包括步骤：在产生方差图像之前，从由自举方法、重复测量和Monte Carlo模拟构成的组中选择一种技术，用来产生方差图像。

7.如权利要求6所述的方法，其中，所述至少一个参数属于从由采集、数据校正和重构构成的组中选择的一个类型。

8.如权利要求6所述的方法，其中，所述关联步骤还包括步骤：通过针对方差图像中所选择的像素对方差图像的计数速率与方差之间进行相关性分析，确定至少一个噪声特性。

9.一种用于为发射断层摄影成像流水线选择噪声模型的设备，包括：

噪声模型数据库，包括至少一个预定噪声模型，其借助于相应成像情况/配置的至少一个噪声模型特性和至少一个参数编制索引；

图像采集模块，其采集图像数据并从所述数据库中选择适当的噪声模型，并且输出重构图像数据和所选择的噪声模型；

图像处理模块，其接收输出的重构图像数据和所选择的噪声模型，并将所选择的噪声模型用于所述重构图像数据，以估计其中的噪声，并在进一步分析中利用该信息。

10.如权利要求9所述的设备，其中，所述噪声模型数据库被进一步配置为包括噪声模型创建组件，其采用预先选择的技术在此创建噪声模型条目，该技术为至少一个预定的临床上相关的成像情况和配置产生方差图像，并借助于相应成像情况/配置的至少一个噪声特性和至少一个参数编制每个所产生方差的索引。

11.如权利要求10所述的设备，其中，所述噪声模型创建组件被进一步配置为，通过针对方差图像中所选择的像素对方差图像的计数速率与方差之间进行相关性分析，获得所述至少一个噪声特性。

12.如权利要求11所述的设备，其中：

从由脑部影像、全身影像、高剂量和低剂量构成的组中，选择所述成像情况的所述至少一个参数；及

从由有散射校正、无散射校正、基于CT的衰减校正、基于传输的衰减校正、采用指定数量X次迭代的迭代重构、以及指定三维像素尺寸Y构成的组中，选择所述配置的所述至少一个参数。

13.如权利要求12所述的设备，其中从由自举方法、重复测量和Monte Carlo模拟构成的组中，选择用来产生方差图像的所述预先选择的技术。

14.如权利要求12所述的设备，其中，所述至少一个参数属于从由采集、数据校正和重构构成的组中选择的一个类型。

15.一种为发射断层摄影成像流水线选择噪声模型的***，包括：

成像装置，用于收集发射断层摄影成像数据；

噪声模型数据库，其存储预定成像情况/配置的至少一个噪声模型，所述至少一个噪声模型在此是借助于包括与所述至少一个噪声模型相对应的至少一个噪声特性和至少一个流水线参数在内的索引而进行编制索引的；

噪声模型图像选择处理器子***，其通过至少一个噪声特性和至少一个参数表征所述发射断层摄影成像流水线，从所述噪声模型数据库中选择适当的噪声模型，以使得所述发射断层摄影成像流水线的至少一个噪声特性和至少一个参数与所选择的、存储在所述数据库中的至少一个噪声模型的索引相匹配。

16.如权利要求15的***，其中，所述噪声模型数据库被进一步配置为，接受包含用户定义的噪声模型在内的至少一次更新。

Images