CN109978967A - 基于云平台的分布式pet***的处理方法 - Google Patents
基于云平台的分布式pet***的处理方法 Download PDFInfo
- Publication number
- CN109978967A CN109978967A CN201910220437.9A CN201910220437A CN109978967A CN 109978967 A CN109978967 A CN 109978967A CN 201910220437 A CN201910220437 A CN 201910220437A CN 109978967 A CN109978967 A CN 109978967A
- Authority
- CN
- China
- Prior art keywords
- cloud platform
- distributed
- processing method
- data
- pet
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 239000013078 crystal Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000005316 response function Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 4
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 7
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009509 drug development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种基于云平台的分布式PET***的处理方法,包括正电子发射断层扫描仪***包括:多个探测环,所述探测环包括多个class级,所述class级包括多个探测器,所述探测器由LSO闪烁体和阵列SiPM组成;其中,所述处理方法通过GPU云平台由一个或多个GPU集群进行分布计算且数据存储在所述GPU云平台上,所述GPU云平台用于对所述数据进行处理以对所述处理过程进行优化。本发明通过虚拟创建出晶体检测深度,提高现有PET***的图像分辨率和对比度。利用云计算和图形处理单元对多增加的数据进行分布式图像重建,降低处理时间。本发明可广泛应用于PET***,提高图像质量。相比于传统高分辨率探测器的硬件设备,还可以降低设备的开发成本和设计难度。
Description
技术领域
本发明属于PET图像重建技术领域,具体涉及一种基于云平台的分布式PET***的处理方法。
背景技术
正电子发射断层成像(Positron Emission Tomograhy,PET)作为核医学领域顶尖的造影技术,被广泛的应用于多种疾病的诊断、疗效评价、脏器功能研究和新药开发等方面,在临床医学和科学研究中发挥着重要的作用。
PET***中的探测器一般是由上千个探测器组成的环状***,用于对γ光子进行探测。探测器由闪烁晶体和光电倍增管耦合组成,闪烁晶体把γ光子转化成可见光,光电倍增管把可见光转换成电信号,通过PET数据采集***得到γ光子的位置、能量、时间信息。传统的全身PET数据采集***一般由多个探测环组成,每个探测环有大量的光电探测器,导致***采集通道数较多,***电路结构复杂。在电信号数字化过程中采用模数转换器(Analog-to-Digital Converter,ADC)完成,增加了***硬件成本。在传统PET***中,是将511 keV光子对应的时间,能量信息转化为对应的模拟量,通过模拟电路来处理。但是由于PET***通道数目多,这会使模拟电路复杂并难以实现,而且模拟电路也容易受到周围环境的干扰。目前数字化处理PET***用的较多的是ADC,通过ADC采集获取数字化信号,采样频率越高,则对信号的数字化更加精细。但是由于PET***对时间性能要求较高,若采用ADC数字化信号,则其采样率必须达到1G sps。高采样率的AD器件成本高,功耗大,且难以集成,再加上PET***通道数众多,更加大了电路***的设计难度。
目前PET***的图像重建都是在本地处理,无法实现远程医疗,随着网络技术的普遍使用,在云端进行大数据处理已经成为了一种趋势。除此之外,正电子发射成像设备一般由多个闪烁晶体与光子探测器组成近似环形的结构,用来探测各种角度发射的光子对。对于处于设备边缘的光子,由于闪烁晶体排列倾斜,如果无法准确知道光子在闪烁晶体内探测到的位置深度,估算光子发射位置会存在很大的误差,造成图像边缘的空间分辨率下降。对于视场小的成像设备,为了更充分的利用整个视场,这种问题就更为明显。
为了解决上述问题,需要一种在软件上即图像重建过程上优化的方法,可以节省硬件开发成本并可以在已有设备条件下提高图像质量。在图像重建过程中为了获取更准确的图像,我们需要获取更精确的***矩阵(System Matrix),它是数学上图像空间与探测器空间的变换矩阵。由于海量探测数据与巨大的图像空间,***矩阵通常是精简计算的,如由光子通过图像像素点的长度决定。为了获取更精确的***矩阵,通常通过3种办法:一是通过实验测量:将放射源放在图像不同位置检测不同位置探测器检测到的光子数量;二是通过蒙特卡洛模拟模拟放射源的位置测量探测器检测到的光子数量;三是通过数学模型模拟,可以将光子检测过程和检测概率通过数学模拟。第三种方案比前两种方法更节省时间,不用大量获取数据以降低统计误差。但是依然需要对每一个像素进行模拟,计算探测到的概率,通常需要长时间提前计算和存储大量数据。
第三种方案传统的处理方式是:忽略探测器尺寸,将一对探测器捕捉到的LoR事件归纳为同一类事件,即光子的发射位置位于这一对探测器的中心连线某点上。这种方法的缺点在于忽略了光子在闪烁晶体内被探测到时的位置深度,会造成计算光子发射位置时存在很大误差,造成图像的空间分辨率下降。为了解决这一问题,可以在物理硬件上重新设计制造能检测光子深度DOI(Depth-of-Interaction,光子在晶体中的作用深度)的探测器,但这种物理方法的缺点包括以下几点:一是目前探测器的制作工艺困难,太薄难以捕获光子,太厚又无意义;二是会使探测器更复杂导致成本更高;三是很多已有的PET设备不具备升级硬件的条件,因此不仅需要重新匹配PET系列中的其他模块,还需要重新测试***性能。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种基于云平台的分布式PET***的处理方法,以解决上述问题。
为实现以上目的,本发明采用如下技术方案:正电子发射断层扫描仪***包括:多个探测环,所述探测环包括多个class级,所述class级包括多个探测器,所述探测器由LSO闪烁体和阵列SiPM组成;
所述正电子发射断层扫描仪的处理方法包括:
虚拟DOI的划分,将PET设备的闪烁晶体划分成若干个区域并对应不同的作用深度;
计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率;
将计算获取的虚拟DOI对应的探测概率加入到***矩阵;
利用所述***矩阵对图像进行重建,获得优化后的图像;
其中,所述处理方法通过GPU云平台由一个或多个GPU集群进行分布计算且数据存储在所述GPU云平台上,所述GPU云平台用于对所述数据进行处理以对所述处理过程进行优化。
进一步的,所述正电子发射断层扫描仪还包括:数据采集单元,所述数据采集单元:
采用class级并联处理以减少所述数据采集***通道数;
采用电容复用网络将4×4阵列光电探测器简化为4路;
采用单阈值比较法实现信号数字。
进一步的,所述正电子发射断层扫描仪还包括数据编码及传输单元,所述数据编码及传输单元:
采用统一分配和同步的分布式时钟;
附带时间戳的数据编码,用于对经数据采集***采集的分布式数据进行复用编码时,在所述分布式数据中加入时间戳信息。
进一步的,所述分布式数据通过以太网汇集并传输。
进一步的,所述虚拟划分出的DOI区域:
根据所述探测器的几何分布与晶体大小划分。
进一步的,所述计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率,包括:
通过连接信号源与虚拟DOI中心的连线,计算覆盖在晶体的长度,确定***响应函数,将所有DOI配对组对应的***响应函数值加权平均即得到每一组DOI对在当前信号源位置被检测到的概率。
进一步的,对于边缘位置被检测到的概率:
通过蒙特卡洛模拟以获取***响应函数。
进一步的,所述通过蒙特卡洛模拟以获取***响应函数包括:
模拟已知信号源检测一对晶体中不同位置被检测到的概率。
进一步的,所述分布式数据存储至GPU云平台上。
进一步的,正电子发射断层扫描仪的形状包括:
环形、半环形、平面或多边形。
本发明采用以上技术方案,能够达到的有益效果包括:
本发明通过虚拟创建出晶体检测深度,提高现有PET***的图像分辨率和对比度。利用云计算和图形处理单元对多增加的数据进行分布式图像重建,降低处理时间。本发明可广泛应用于PET***,提高图像质量。相比于传统高分辨率探测器的硬件设备,还可以降低设备的开发成本和设计难度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于云平台的分布式PET***的总体结构示意图;
图2为本发明提供的电容复用、class级、阵列SVT的结构示意图;
图3为本发明一种不同的PET***几何结构示意图;
图4为本发明一种虚拟DOI及虚拟事件的结构示意图;
图5为本发明一种晶体反应距离衰减距离示意图;
图6为本发明一种晶体反应距离衰减距离的另一种示意图;
图7为本发明提供的PET***的结构示意图;
图8为本发明一种云平台GPU重建过程的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的基于云平台的分布式PET***的处理方法。
如图1所示,本申请实施例中提供的基于云平台的分布式PET***的处理方法包括,正电子发射断层扫描仪***包括:多个探测环,所述探测环包括多个class级,所述class级包括多个探测器,所述探测器由LSO闪烁体和阵列SiPM组成;
所述正电子发射断层扫描仪的处理方法包括:
虚拟DOI的划分,将PET设备的闪烁晶体划分成若干个区域并对应不同的作用深度;
计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率;
将计算获取的虚拟DOI对应的探测概率加入到***矩阵;
利用所述***矩阵对图像进行重建,获得优化后的图像;
其中,所述处理方法通过GPU云平台由一个或多个GPU集群进行分布计算且数据存储在所述GPU云平台上,所述GPU云平台用于对所述数据进行处理以对所述处理过程进行优化。
具体的,将PET设备的闪烁晶体划分成若干个区域对应不同的作用深度(DOI),是为了更准确模拟***矩阵,本申请的技术方案区别于可以检测到实际DOI的探测器,这些区域是虚拟的。
优选的,如图2所示,所述正电子发射断层扫描仪还包括:数据采集单元,所述数据采集单元:
采用class级并联处理以减少所述数据采集***通道数;
采用电容复用网络将4×4阵列光电探测器简化为4路;
采用单阈值比较法实现信号数字化。
优选的,所述正电子发射断层扫描仪还包括数据编码及传输单元,所述数据编码及传输单元:
采用统一分配和同步的分布式时钟;
附带时间戳的数据编码,用于对经数据采集***采集的分布式数据进行复用编码时,在所述分布式数据中加入时间戳信息。
具体的,本申请实现分布式时钟的统一分配和同步、附带时间戳的数据编码、分布式数据通过以太网汇集。如图1所示,在整个PET中,8×12个class的数据采集***所需的分布式时钟源,由一个单一的时钟源通过第1级、第2级时钟分配板统一分配而来,并实现各分布式时钟源的同步。
除此之外,如图2所示,本申请采用电容复用网络将4×4阵列光电探测器简化为4路,class级并联处理用于进一步减少***通道数,单阈值比较法取代传统ADC实现信号数字化。本申请中通过对多个探测器的并行处理将多个探测器四路输出并联简化(包括开关电路,求和比较器电路,并联电路),SVT将模拟信号转换成单脉冲,之后通过TDC测量脉冲的上升沿和下降沿到来时间,在对经数据采集***所采集的数据进行复用编码,在数据中加入数据产生的当前时间戳信息。最终的分布式数据通过组包成以太网报文之后,通过以太网交换进行数据汇集并可以远程传输。
优选的,所述分布式数据通过以太网汇集并传输。
优选的,所述虚拟划分出的DOI区域:
根据所述探测器的几何分布与晶体大小划分。
优选的,所述计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率,包括:
通过连接信号源与虚拟DOI中心的连线,计算覆盖在晶体的长度,确定***响应函数,将所有DOI配对组对应的***响应函数值加权平均即得到每一组DOI对在当前信号源位置被检测到的概率。
如图3所示,优选的,正电子发射断层扫描仪的形状包括:
环形、半环形、平面或多边形。
具体的,将闪烁晶体检测的事件分为若干个虚拟闪烁晶体检测到的事件,并根据每组虚拟检测事件发生的概率同时考虑所有虚拟检测事件。如图4所示,将闪烁晶体划分为3个虚拟DOI区域,1个事件变为9个虚拟子事件。将每一子事件的***矩阵相加,则得到简化后原始事件的***矩阵。计算不同位置与不同数量虚拟区域的配置,并选取满足精确条件中最小运算量的配置。对于一组被检测到的探测器,区别于传统图像重建处理一个事件,考虑不同虚拟DOI的组合即需要处理M×N个虚拟事件,每个事件发生的概率由计算出的每对虚拟DOI的探测概率决定。
优选的,对于边缘位置被检测到的概率:
通过蒙特卡洛模拟以获取***响应函数。
具体的,对于一些边缘位置,可以通过蒙特卡洛模拟来获取更精确的***响应函数,即模拟已知信号源检测一对晶体中不同位置被检测到的概率。虚拟区域可以划分在晶体的多个方向上,例如细分在晶体长度与宽度方向上,如果晶体非长方体,也可根据不同几何形态划分。
优选的,所述通过蒙特卡洛模拟以获取***响应函数包括:
模拟已知信号源检测一对晶体中不同位置被检测到的概率。
优选的,所述分布式数据存储至GPU云平台上。
具体的,本申请中提供的PET设备,不局限于设备的结构,可以是全身,局部器官或小动物的设备;不局限于晶体与探测器的几何分布,可以是环形,半环形,平板或多边形分布。对于小动物和平板分布,由于视场变小,图像边缘探测误差增大,可以将虚拟区域划分得更细。
如图5和图6所示,对于一个给定PET***,获取***配置如探测器和闪烁晶体的几何排列,晶体类型,大小。计算数学模型数据对应的图像空间坐标,判断虚拟区域的数量,计算晶体检测概率。然后应用上述方法计算出***矩阵并带入图像重建算法OSEM中进行处理。对于环形晶体结构,可以通过晶体所成的角度θ计算晶体在图像范围上覆盖的最大宽度d’。根据的d’大小即可确定虚拟DOI的数量,使得虚拟区域覆盖在较大范围并减少虚拟事件的数量。
对于每一个事件进行方向投影。首先根据虚拟区域的划分将list mode数据细分并转换得到图像空间坐标(x,y,z)。如图7和图8所示,将三维图像空间划分成若干层二维图像,并将探测器连线投影到二维图像空间。对于每一组图像像素,计算其与投影中心的距离dij,并根据所述得到像素被投影到近似为高斯分布的的概率。对于每一个虚拟事件,重复上述计算并计算每一个虚拟事件的概率即晶体检测的概率,加权平均即为最终用于OSEM图像重建的***矩阵。
新增加的虚拟区域加大了运算量,利用图形处理单元GPU并行计算可以很好的提升运算速度解决这个问题(由于在GPU上内存读写速度很快,首先将listmode事件数据缓存到GPU的全局内存中。分配多个线程并行计算每一个事件并为线程分配共享内存以存储重建中的图像,每个线程直接计算***矩阵并计算正向投影与反向投影。由于共享内存具有很大的带宽,所有的事件可以同时更新同一组共享内存,将图像存储在共享内存中提高了数据的读写速度。由于GPU可以划分数以千计的线程,新增加的虚拟DOI区域和虚拟事件增大的运算量可以通过增大线程数量解决。对于数据量更大的***,可以通过在云平台上建立GPU集群计算。
得到***矩阵即可将图像数据应用到OSEM算法上从而得到重建后的图像。投射出的二维图像空间存入GPU的共享内存中,并为每一个事件分配一个线程。每一个线程计算***矩阵并根据OSEM公式对图像计算正向与反向投影,利用共享内存的低延迟,每组线程可以快速读取图像数据计算正向投影的值并保存在全局内存中。利用共享内存原子运算的特性,线程可以无冲突地更新共享内存中的图像数据。将三维图像分为若干层二维图像并将其分配到若干个运算组块中,每一组块分配独立的共享内存与线程同时运算不同分层的二维图像。GPU计算在并发的同时保持了计算的均一性,保证每个线程的计算同步后再进行下一步迭代计算。经过若干次迭代计算,则可最终得到重建后的图像。
最终将重建后的二维图像由共享内存存入GPU的全局内存叠加成三维图像并最终传回计算机内存并保存在硬盘存储。对于大量数据,可以将图像划分为更小的区域并利用云平台和GPU集群进行大规模并行计算。
本申请基于医疗肿瘤检测的需求,提供了基于云平台的分布式PET数据传输和图像重建,该***具有集成度高、结构简单、成本低、远程医疗的特点。本发明通过简化后的数学模型模拟,在获取更准确***矩阵以提高图像质量的同时不耗费很长的运算时间。在重建的过程中进行计算无而需提前计算与保存***矩阵。利用这些特性,三维图像的图像重建是在GPU上进行的,充分利用了GPU大规模并行计算的优势极大的节省了运算时间。此外本发明可以灵活的运用于任何几何形态的PET***,如环形,多边形和平板结构。无需在图像重建前根据不同***的几何形态统一计算并保存所有的***矩阵值,***矩阵的计算都是在图像重建过程中瞬时进行的。
本申请提出了一种构造虚拟晶体分割及模拟相应***矩阵来进行PET图像重建的新方法。这个方法考虑了更多的影响图像质量的因素,计算精度将大大提高。同时也可以在云计算和图形处理单元(GPU)平台上,通过图像重建迭代算法对数据进行分布式图像重建计算,降低计算时间。
本申请提出了基于云平台的分布式PET数据传输和图像重建。采用电容复用网络和多个探测器并行处理技术,大大减少了***通道数;采用基于FPGA的单阈值(SingleVoltage Threshold,SVT)和Time-to-Digital(TDC)技术替代ADC,完成电信号的数字化,降低了***复杂度和成本。通过在每个采集板上设计添加网口,可将数字化后的数据实时的发送到云端进行处理,然后在云平台采用GPU技术加快图像重建过程和提高重建精度。
综上所述,本发明通过虚拟创建出晶体检测深度(DOI),提高现有PET***的图像分辨率和对比度。利用云计算和图形处理单元(GPU)对多增加的数据进行分布式图像重建,降低处理时间。本发明可广泛应用于PET***,提高图像质量。对于新***的研发,相比于传统高分辨率探测器的硬件设备,本发明可以降低设备的开发成本和设计难度。
可以理解的是,上述提供的方法实施例与上述的基于云平台的分布式PET***的处理方法实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的基于云平台的分布式PET***的处理方法。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令基于云平台的分布式PET***的处理方法的制造品,该指令基于云平台的分布式PET***的处理方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于云平台的分布式PET***的处理方法,其特征在于,正电子发射断层扫描仪***包括:多个探测环,所述探测环包括多个class级,所述class级包括多个探测器,所述探测器由LSO闪烁体和阵列SiPM组成;
所述正电子发射断层扫描仪的处理方法包括:
虚拟DOI的划分,将PET设备的闪烁晶体划分成若干个区域并对应不同的作用深度;
计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率;
将计算获取的虚拟DOI对应的探测概率加入到***矩阵;
利用所述***矩阵对图像进行重建,获得优化后的图像;
其中,所述处理方法通过GPU云平台由一个或多个GPU集群进行分布计算且数据存储在所述GPU云平台上,所述GPU云平台用于对所述数据进行处理以对所述处理过程进行优化。
2.根据权利要求1所述的基于云平台的分布式PET***的处理方法,其特征在于,所述正电子发射断层扫描仪还包括:数据采集单元,所述数据采集单元:
采用class级并联处理以减少所述数据采集***通道数;
采用电容复用网络将4×4阵列光电探测器简化为4路;
采用单阈值比较法实现信号数字化。
3.根据权利要求2所述的基于云平台的分布式PET***的处理方法,其特征在于,所述正电子发射断层扫描仪还包括数据编码及传输单元,所述数据编码及传输单元:
采用统一分配和同步的分布式时钟;
附带时间戳的数据编码,用于对经数据采集***采集的分布式数据进行复用编码时,在所述分布式数据中加入时间戳信息。
4.根据权利要求3所述的基于云平台的分布式PET***的处理方法,其特征在于,
所述分布式数据通过以太网汇集并传输。
5.根据权利要求1所述的基于云平台的分布式PET***的处理方法,其特征在于,所述虚拟划分出的DOI区域:
根据所述探测器的几何分布与晶体大小划分。
6.根据权利要求1所述的基于云平台的分布式PET***的处理方法,其特征在于,所述计算虚拟DOI的探测概率,将虚拟划分出的DOI区域进行配对,计算每一对在不同信号源位置被检测到的概率,包括:
通过连接信号源与虚拟DOI中心的连线,计算覆盖在晶体的长度,确定***响应函数,将所有DOI配对组对应的***响应函数值加权平均即得到每一组DOI对在当前信号源位置被检测到的概率。
7.根据权利要求6所述的基于云平台的分布式PET***的处理方法,其特征在于,对于边缘位置被检测到的概率:
通过蒙特卡洛模拟以获取***响应函数。
8.根据权利要求7所述的基于云平台的分布式PET***的处理方法,其特征在于,所述通过蒙特卡洛模拟以获取***响应函数包括:
模拟已知信号源检测一对晶体中不同位置被检测到的概率。
9.根据权利要求3所述的基于云平台的分布式PET***的处理方法,其特征在于,
所述分布式数据存储至GPU云平台上。
10.根据权利要求1至9任一项所述的基于云平台的分布式PET***的处理方法,其特征在于,所述正电子发射断层扫描仪的形状包括:
环形、半环形、平面或多边形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220437.9A CN109978967A (zh) | 2019-03-22 | 2019-03-22 | 基于云平台的分布式pet***的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220437.9A CN109978967A (zh) | 2019-03-22 | 2019-03-22 | 基于云平台的分布式pet***的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978967A true CN109978967A (zh) | 2019-07-05 |
Family
ID=67080011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910220437.9A Pending CN109978967A (zh) | 2019-03-22 | 2019-03-22 | 基于云平台的分布式pet***的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724451A (zh) * | 2020-06-09 | 2020-09-29 | 中国科学院苏州生物医学工程技术研究所 | 基于云计算的断层图像重建加速方法、***、终端以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106989835A (zh) * | 2017-04-12 | 2017-07-28 | 东北大学 | 基于压缩感知的光子计数x射线能谱探测装置及成像*** |
CN107468269A (zh) * | 2017-09-18 | 2017-12-15 | 南京瑞派宁信息科技有限公司 | 一种正电子发射断层成像装置及方法 |
CN108428253A (zh) * | 2018-03-12 | 2018-08-21 | 武汉大学 | 一种构造虚拟doi及相应***矩阵提高pet图像重建质量的方法 |
CN109196332A (zh) * | 2016-01-05 | 2019-01-11 | 得克萨斯大学体系董事会 | 用于光学发射检测的装置和方法 |
CN109414238A (zh) * | 2016-06-12 | 2019-03-01 | 上海联影医疗科技有限公司 | 正电子发射断层成像***及其图像重建方法 |
-
2019
- 2019-03-22 CN CN201910220437.9A patent/CN109978967A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109196332A (zh) * | 2016-01-05 | 2019-01-11 | 得克萨斯大学体系董事会 | 用于光学发射检测的装置和方法 |
CN109414238A (zh) * | 2016-06-12 | 2019-03-01 | 上海联影医疗科技有限公司 | 正电子发射断层成像***及其图像重建方法 |
CN106989835A (zh) * | 2017-04-12 | 2017-07-28 | 东北大学 | 基于压缩感知的光子计数x射线能谱探测装置及成像*** |
CN107468269A (zh) * | 2017-09-18 | 2017-12-15 | 南京瑞派宁信息科技有限公司 | 一种正电子发射断层成像装置及方法 |
CN108428253A (zh) * | 2018-03-12 | 2018-08-21 | 武汉大学 | 一种构造虚拟doi及相应***矩阵提高pet图像重建质量的方法 |
Non-Patent Citations (7)
Title |
---|
EVAN DOWNIE等: "Investigation of analog charge multiplexing schemes for SiPM based PET block detectors", 《PHYSICS IN MEDICINE AND BIOLOGY》, no. 11, 16 May 2013 (2013-05-16), pages 3943 - 3964, XP020245075, DOI: 10.1088/0031-9155/58/11/3943 * |
代秋声等: "针孔单光子发射计算机断层成像的空间分辨率研究", 《物理学报》 * |
代秋声等: "针孔单光子发射计算机断层成像的空间分辨率研究", 《物理学报》, no. 02, 15 February 2010 (2010-02-15), pages 665 - 673 * |
徐嘉文等: "基于Gadgetron平台的多GPU分布式磁共振图像重建", 《波谱学杂志》 * |
徐嘉文等: "基于Gadgetron平台的多GPU分布式磁共振图像重建", 《波谱学杂志》, no. 03, 11 September 2018 (2018-09-11), pages 43 - 57 * |
鲁统德等: "产业专利分析报告 第56册 高端医疗影像设备", 科学技术文献出版社, pages: 158 - 173 * |
鲁统德等: "医学影像学临床应用", 科学技术文献出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724451A (zh) * | 2020-06-09 | 2020-09-29 | 中国科学院苏州生物医学工程技术研究所 | 基于云计算的断层图像重建加速方法、***、终端以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103282941B (zh) | 利用门控信号检测和校正列表模式pet数据中的运动的方法和装置 | |
JP6440230B2 (ja) | マルチモダリティ撮像のシステム及び方法 | |
CN101223553B (zh) | 带有粗疏角和层重排的三维飞行时间pet | |
CN107133549B (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
CN104271045B (zh) | 具有正电子发射断层摄影中的散射的符合的衰减图 | |
JP5714253B2 (ja) | Pet(陽電子放射断層撮影)においてヘリカルスキャン及びリストモード再構成によりサンプリングを強化するシステム及び方法 | |
US8983162B2 (en) | Method and apparatus for estimating monte-carlo simulation gamma-ray scattering in positron emission tomography using graphics processing unit | |
CN103607951A (zh) | 图像处理装置及图像处理方法 | |
CN103279633A (zh) | 基于扩散加权磁共振数据的脑纤维三维显示方法 | |
CN102096939B (zh) | 面向医学海量数据的多分辨率体绘制方法 | |
CN109414238A (zh) | 正电子发射断层成像***及其图像重建方法 | |
CN106251380A (zh) | 图像重建方法 | |
CN110568470B (zh) | 一种优化多面体探测器中离散晶体布局的方法 | |
JP2016510410A (ja) | 合成無放射による自動化された三次元患者体型のシンチグラフィーでの画像化 | |
CN106251381A (zh) | 图像重建方法 | |
CN109683188A (zh) | 一种契连柯夫事件与伽马事件符合成像装置和方法 | |
CN101488233B (zh) | 一种面向医学数据的分层剥离体绘制方法及其*** | |
CN108428253A (zh) | 一种构造虚拟doi及相应***矩阵提高pet图像重建质量的方法 | |
CN109978967A (zh) | 基于云平台的分布式pet***的处理方法 | |
CN101976465A (zh) | 基于立方体棱边共享等值点的加速改进算法 | |
Naunheim et al. | Improving the timing resolution of positron emission tomography detectors using boosted learning—a residual physics approach | |
Llacer et al. | Matrix-based image reconstruction methods for tomography | |
Casey et al. | Siemens biograph vision 600 | |
Gaens et al. | GPU-accelerated Monte Carlo based scatter correction in brain PET/MR | |
US10359519B2 (en) | Nuclear medicine diagnostic apparatus and calibration method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190705 |