CN110063739A - Spect和pet的图像校正方法、装置以及电子设备 - Google Patents
Spect和pet的图像校正方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN110063739A CN110063739A CN201910293293.XA CN201910293293A CN110063739A CN 110063739 A CN110063739 A CN 110063739A CN 201910293293 A CN201910293293 A CN 201910293293A CN 110063739 A CN110063739 A CN 110063739A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- spect
- breathing
- tidal
- 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.)
- Granted
Links
- 238000002603 single-photon emission computed tomography Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 66
- 230000033001 locomotion Effects 0.000 claims abstract description 49
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000003702 image correction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000241 respiratory effect Effects 0.000 abstract description 24
- 230000008569 process Effects 0.000 abstract description 14
- 238000012636 positron electron tomography Methods 0.000 description 78
- 238000012831 peritoneal equilibrium test Methods 0.000 description 59
- 238000012877 positron emission topography Methods 0.000 description 59
- 210000002216 heart Anatomy 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 230000009466 transformation Effects 0.000 description 16
- 230000000694 effects Effects 0.000 description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 14
- 210000004072 lung Anatomy 0.000 description 10
- 230000003902 lesion Effects 0.000 description 9
- 210000004185 liver Anatomy 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 230000014616 translation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000000032 diagnostic agent Substances 0.000 description 2
- 229940039227 diagnostic agent Drugs 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002969 morbid Effects 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- ZGGHKIMDNBDHJB-NRFPMOEYSA-M (3R,5S)-fluvastatin sodium Chemical compound [Na+].C12=CC=CC=C2N(C(C)C)C(\C=C\[C@@H](O)C[C@@H](O)CC([O-])=O)=C1C1=CC=C(F)C=C1 ZGGHKIMDNBDHJB-NRFPMOEYSA-M 0.000 description 1
- 208000020446 Cardiac disease Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000002318 cardia Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 238000000084 gamma-ray spectrum Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000007427 paired t-test Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- 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
- A61B6/5258—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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请提供了一种SPECT和PET的图像校正方法、装置以及电子设备,涉及图像处理技术领域,可以解决在SPECT和PET图像的生成过程中,由于呼吸运动导致的模糊,而使SPECT和PET图像的准确度较低的技术问题。具体方案为:通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据;根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据;利用所述若干个内插CT数据对呼吸门控SPECT和PET图像进行衰减校正。
Description
技术领域
本申请涉及图像处理技术领域,尤其是涉及一种SPECT和PET的图像校正方法、装置以及电子设备。
背景技术
单光子发射计算机断层成像术(Single-Photon Emission ComputedTomography,SPECT)和正电子机断层成像术(Positron Emission Tomography, PET)属于核医学的功能性断层扫描技术,而电子计算机断层扫描(Computed Tomograpy,简称CT)则能提供大体性的资讯。SPECT/CT和PET/CT检查是单光子发射型计算机断层成像***或正电子机断层成像***和X射线计算机断层扫描成像***一体化组合的影像诊断设备。
在SPECT成像过程中,放射性同位素产生伽马(γ)射线,γ射线穿过对象的身体并由γ射线探测器对其进行探测。放射性同位素标记的药物常常作为对象体内的示踪剂来施用。γ射线探测器通常在绕中心轴的不同角度位置记录投影的γ射线图像。为了实现此操作,γ射线探测器可以绕轴旋转。探测器能把接收到的γ射线谱转变为电子信号。然后,可以对该电子信号进行处理以产生对象身体各个部位的SPECT图像。PET的成像原理与 SPECT相似,但使用了环形的探测器所以免却了绕轴旋转的过程,使用的同位素释放正电子,再经过互毁现象转变为两个伽马光子。
但是,在对对象的肺部、心脏、肝脏等组织部位进行成像时,对象的呼吸运动会使这些部位产生幅度较大的运动,进而影响SPECT和PET成像的过程。因此,呼吸运动会导致成像出的SPECT和PET图像较为模糊,使 SPECT和PET图像的准确度较低。
发明内容
有鉴于此,本申请的目的在于提供一种SPECT和PET的图像校正方法、装置以及电子设备,以解决现有技术中存在的成像出的SPECT和PET 图像的准确度较低的技术问题。
第一方面,本申请实施例提供了一种SPECT和PET的图像校正方法,包括:
通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据;
根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据;
利用所述若干个内插CT数据对SPECT和PET图像进行衰减校正。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,所述根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据,包括:
根据所述吸气末时的CT数据和所述呼气末时的CT数据,利用预设公式进行计算,得到所述呼气末时的CT数据和所述吸气末时的CT数据之间的形变矢量,其中,所述预设公式为:
其中,CF为成本函数,Fi为所述吸气末时的 CT数据,Mi为所述呼气末时的CT数据,N为阶段参数;
基于所述形变矢量进行计算,得到若干个内插CT数据。
结合第一方面,本申请实施例提供了第一方面的第二种可能的实施方式,其中,所述基于所述形变矢量进行计算,得到若干个内插CT数据,包括:
确定所述呼气末时的CT数据和所述吸气末时的CT数据之间的预设数量的目标数据;
将所述形变矢量分别与所述预设数量的目标数据进行相乘,得到每个所述目标数据对应的内插运动矢量场;
利用所有的所述内插运动矢量场,对所述吸气末时的CT数据进行图像变形处理,得到所述预设数量的内插CT图像;
根据所述预设数量的内插CT图像得到若干个内插CT数据,内插CT 数据量根据所相对应的呼吸门控SPECT或PET的门控数而决定。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,所述确定所述呼气末时的CT数据和所述吸气末时的CT数据之间的预设数量的目标数据,包括:
对所述呼气末时的CT数据及所述吸气末时的CT数据的轴向位置进行归一化处理,以使所述呼气末时的CT数据和所述吸气末时的CT数据之间的数据为0至1之间的数据;
从所述0至1之间的数据中选取预设数量的目标数据,其值由相对应的呼吸门控SPECT和PET的轴向位置所决定。
结合第一方面,本申请实施例提供了第一方面的第四种可能的实施方式,其中,所述利用所述若干个内插CT数据对SPECT或PET图像进行衰减校正,包括:
利用所述若干个内插CT数据通过图像重建方法,对SPECT或PET图像进行衰减校正。
结合第一方面,本申请实施例提供了第一方面的第五种可能的实施方式,其中,所述图像重建方法为有序子集最大期望值OS-EM算法。
第二方面,本申请实施例还提供一种SPECT和PET的图像校正装置,包括:
第一获取模块,用于通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据;
第二获取模块,用于根据所述吸气末时的CT数据和所述呼气末时的 CT数据,得到若干个内插CT数据;
校正模块,用于利用所述若干个内插CT数据对SPECT和PET图像进行衰减校正。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,所述第二获取模块具体用于:
根据所述吸气末时的CT数据和所述呼气末时的CT数据,利用预设公式进行计算,得到所述呼气末时的CT数据和所述吸气末时的CT数据之间的形变矢量,其中,所述预设公式为:
其中,CF为成本函数,Fi为所述吸气末时的 CT数据,Mi为所述呼气末时的CT数据,N为阶段参数;
基于所述形变矢量进行计算,得到若干个内插CT数据。
第三方面,本申请实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
第四方面,本申请实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行如第一方面所述的方法。
本申请实施例提供的技术方案带来了以下有益效果:本申请实施例提供的SPECT和PET的图像校正方法、装置以及电子设备。首先,通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据,然后,根据这两种CT数据得到若干个内插CT数据,以便利用这些内插CT数据来对SPECT和PET图像进行衰减校正。本方案中,通过吸气末时的CT数据和呼气末时的CT数据,能够得到组织部位运动幅度最大的两种极端情况之间的内插CT数据,利用这种内插CT数据来对SPECT和PET图像进行衰减校正,能够针对较大运动幅度的情况,使SPECT和PET图像中由于呼吸运动而产生的模糊图像得到更加有效的校正处理,以提高SPECT和PET图像的准确度,从而解决了现有技术中存在的SPECT和PET图像的准确度较低的技术问题。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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示出了本申请实施例一所提供的SPECT和PET的图像校正方法的流程图;
图2示出了本申请实施例二所提供的SPECT和PET的图像校正方法的流程图;
图3分别示出了本申请实施例二所提供的仿真模型的放射性诊断用药分布活性图(a)及其相应的衰减图(b);
图4示出了本申请实施例二所提供的仿真模型的呼吸曲线;
图5示出了本申请实施例二所提供的具有不同心脏病灶的左心室短轴图;
图6示出了本申请实施例二所提供的GCT图像范例;
图7分别示出了出了本申请实施例二所提供的HCT-EX(a)、HCT-MID(b) 以及HCT-IN(c)范例图;
图8示出了本申请实施例二所提供的通过HCT-EX与HCT-IN产生ICT 示意图;
图9示出了本申请实施例二所提供的噪声GCT、HCT-MID和ICT图像范例图;
图10示出了本申请实施例二所提供的ICT、HCT与GCT进行对比的误差图范例图;
图11示出了本申请实施例二所提供的三个呼吸门控中不同CT图与 SPECT图的融合图像;
图12分别示出了本申请实施例二所提供的不同CT衰减校正后的最终重建短轴图(a)以及与之相对应的极坐标图(b);
图13示出了本申请实施例二所提供的使用不同衰减校正方法后的 RDMAX-MEAN结果;
图14示出了本申请实施例二所提供的十个模型使用不同衰减校正方法后的RDSEGMENT结果;
图15示出了本申请实施例二所提供的使用不同衰减校正方法后的 RSDMEAN结果;
图16示出了本申请实施例三所提供的一种SPECT和PET的图像校正装置的结构示意图;
图17示出了本申请实施例四所提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说很明显的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中,没有示出公知的结构和技术,以便避免对本发明造成不必要的模糊。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
目前,单光子发射计算机断层扫描(Single-Photon Emission ComputedTomography,简称SPECT)和正电子机断层成像术(Positron Emission Tomography,PET)是用于诊断心脏疾病的成熟方法,而SPECT/CT和 PET/CT***结合了来自SPECT或PET的功能信息和来自CT的解剖信息。 CT还可用于为SPECT或PET图像的衰减校正(Attenuationcorrection,简称AC)提供衰减图,改善图像量化并同时提供更准确的疾病定位。通常,心脏SPECT/CT或PET/CT中存在图像伪影的两个主要可能原因:SPECT 或PET采集期间的运动模糊以及连续采集SPECT或PET和CT数据之间的位置错配。
呼吸运动是心脏SPECT或PET运动模糊的主要原因,因为SPECT或 PET的长采集时间将覆盖多个呼吸周期。报告的呼吸运动范围在颅尾方向上可以达9-27.2mm。呼吸门控方法被认为是纠正呼吸运动的有效方法,在呼吸门控SPECT或PET中,基于从外部传感器获得的同步呼吸运动曲线或从数据驱动方法获取的运动结果来重新组合列表模式数据并重新分配数据到几个呼吸门内,可使每个呼吸门内的运动幅度得到降低。
对于心脏扫描,常规螺旋CT(helix CT,简称HCT)仅跨越几秒钟,而SPECT需要相对长的时间,一般为20-30分钟。顺次采集的SPECT和 CT之间的时间差异可能导致两个图像之间的位置错配。常见的自由呼吸下或屏息状态下采集的HCT可能导致SPECT或PET图像中的错配伪影。超过1个像素的发射和透射数据之间的空间位移可能会损害相关的重建 SPECT或PET图像质量。
因此,呼吸运动会导致成像出的SPECT或PET图像较为模糊,使 SPECT和PET图像的准确度较低。而且,整个的CT过程需要相对较长的采集时间,会对患者引入较高的辐射剂量。
基于此,本申请实施例提供的一种SPECT和PET的图像校正方法、装置以及电子设备,可以解决现有技术中存在的成像出的SPECT和PET图像的准确度较低的技术问题。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种 SPECT和PET的图像校正方法、装置以及电子设备进行详细介绍。
实施例一:
本申请实施例提供的一种SPECT和PET的图像校正方法,如图1所示,该方法包括:
S11:通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的 CT数据。
呼吸门控的方法是指为了消除呼吸运动对超声、X线、CT、磁共振等成像图像质量的影响,利用呼吸运动时的胸廓运动规律进行门控的成像技术,也可以称为呼吸门控成像技术。具体的,在影像过程中,由于组织或脏器的运动(例如呼吸、心跳等)容易使得影像设备(例如超声、X线、 CT、磁共振成像等)产生伪影,这会降低图像的分辨率及诊断价值。
本实施例中,每个呼吸门控中的平均衰减图表示呼吸门控CT图像,每个呼吸门控中的平均活性图表示呼吸门控SPECT或PET图像。作为一个优选方案,从呼吸门控CT图像中,获取呼气末时的CT数据和吸气末时的 CT数据。其中,CT图像可以为肺部、心脏、肝脏等部位的CT图像。
S12:根据吸气末时的CT数据和呼气末时的CT数据,得到若干个内插CT数据。
作为本实施例的优选实施方式,根据吸气末时的CT数据和呼气末时的 CT数据,通过内插算法进行计算,得到干个内插CT数据。
其中,内插算法是采用数学方法在一已知某函数的两端数值,估计该函数在两端之间任一值的方法。CT扫描采集的数据是离散的、不连续的,可以通过内插算法从两个相邻的离散值求得其间的函数值,即内插数据。
本步骤中,先将吸气末时的CT数据和呼气末时的CT数据作为内插算法中的两端数据,然后,根据两端数据进行内插计算,得到两端数据之间的内插数据,并将两端数据之间的内插数据作为内插CT数据。因此,利用两个极端的CT数据能够生成内插CT数据。其中,内插CT数据的数量可以为至少一个,或根据所相对应的呼吸门控SPECT或PET的门控数而决定。作为本实施例的优选实施方式,内插CT数据的数量为四个,以便后续利用四个内插CT数据来对SPECT或PET图像进行衰减校正。
S13:利用若干个内插CT数据对SPECT或PET的图像进行衰减校正。
需要说明的是,衰减校正(简称AC)是将CT数据通过转换的方式转换成衰减系数对衰减后放射性计数率进行校正。本步骤中,利用步骤S12 中得出的内插CT数据能够对SPECT和PET图像进行有效的衰减校正,进而提高SPECT和PET图像的准确度。
其中,SPECT和PET图像可以是肺部、心脏等部位的SPECT和PET 图像。在对象由于呼吸而造成肺部、心脏等部位运动时,便可以利用本实施例提供的SPECT和PET的图像校正方法来对肺部、心脏、肝脏等部位的 SPECT和PET图像进行有效校正,以得到准确度更高的SPECT和PET图像。
对于肺部、心脏等部位,通过吸气末时的CT数据和呼气末时的CT数据,能够得到肺部或心脏在运动幅度最大的两种极端情况之间的内插CT数据(步骤S12),利用这种内插CT数据来对SPECT和PET图像进行衰减校正(步骤S13),能够针对心脏较大运动幅度的情况,使SPECT和PET图像中由于呼吸运动而产生的模糊图像得到更加有效的校正处理,从而有效改善了呼吸门控SPECT和PET的图像质量和定量准确性。
再者,通过本实施例提供的SPECT和PET的图像校正方法,只需获取两个极端呼吸态的CT数据(即吸气末时的CT数据和呼气末时的CT数据),从而大幅度降低其总辐射剂量。
实施例二:
本申请实施例提供的一种SPECT和PET的图像校正方法,如图2所示,包括:
S21:通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的 CT数据。
本步骤中,从CT图像中,获取呼气末时的CT数据和吸气末时的CT 数据。其中,CT图像可以为肺部、心脏、肝脏等部位的CT图像。本实施例以SPECT和PET图像和CT图像均为心脏图像为例进行说明。
S22:根据吸气末时的CT数据和呼气末时的CT数据,利用预设公式进行计算,得到呼气末时的CT数据和吸气末时的CT数据之间的形变矢量,其中,预设公式为:
其中,CF为成本函数,Fi为所述吸气末时的 CT数据,Mi为所述呼气末时的CT数据,N为阶段参数。
本步骤中,使用基于影像分析扩展软件工具(Insight Segmentation andRegistration Toolkit,简称ITK),通过非刚性b样条插值法(简称b-spline) 和仿射变换(简称affine),从而生成两个极端呼吸阶段数据(即吸气末时的CT数据和呼气末时的CT数据)之间的3D运动矢量场(Motion vector field,简称MVF)。
其中,b-spline是插值算法中的一种,b样条插值变换(简称 affine+b-spline)为非刚性变换。需要说明的是,只有物体的位置(如平移变换)和朝向(如旋转变换)发生改变,而形状不变,得到的变换称为刚性变换;非刚性变换就是比刚性变换更复杂的变换,如伸缩、仿射、透射、多项式等比较复杂的变换。
需要说明的是,affine是非刚性配准的一种,非刚性变换包括有仿射变换、投影变换、非线性变换等。对于仿射变换,它执行从某一坐标到其他坐标的线性映射,保留了线的“直线性”和“平行性”。可以使用一系列平移 (translation)、缩放(scale)、翻转(flip)、旋转(rotation)和错切(shear)等来构造仿射变换。
对于MVF的计算过程,具体的,首先应用仿射变换方法(affine)来对齐两个图像(即吸气末时的CT图像和呼气末时的CT图像)以进行全身运动校正(MVF global)。然后使用b-spline进行配准,即通过操纵图像中的控制点的底层网格来计算两个图像(MVF local)之间的每个体素的详细的非刚性形变矢量,其计算公式为:
MVF(x,y,z)=MVFglobal(x,y,z)+MVFlocal(x,y,z)。
本步骤中,使用三个阶段的多分辨率方法进行b-spline配准的优化。每一个阶段下控制点的网格分辨率提高,同时网格间距沿着不同的阶段减小。通过最小化参考图像和运动图像之间的表征图像间方差之和的成本函数 (cost function,简称CF)即预设公式,来确定MVF,其中,预设公式CF 为:
其中,CF为成本函数,Fi为所述吸气末时的CT 数据,Mi为所述呼气末时的CT数据,N为阶段参数。
本实施例中,得到的MVF描述了包括运动图像和固定参考图像之间的每个体素的横向(x),前后(y)和上下(z)位移的运动信息:
MVF:M(x,y,z)→F(x',y',z');
其中,M代表运动图像,F是参考图像,MVF包含了全局和局部变形信息,可以使用MVF表示吸气末时CT数据和呼气末时CT数据之间的位移矩阵,即形变矢量。
S23:基于形变矢量进行计算,得到若干个内插CT数据。
本步骤中,首先,确定呼气末时的CT数据和吸气末时的CT数据之间的预设数量的目标数据。具体的,可以先对呼气末时的CT数据及吸气末时的CT数据的轴向位置进行归一化处理,以使呼气末时的CT数据和吸气末时的CT数据之间的数据为0至1之间的数据。然后,便能够从0至1之间的数据中选取出预设数量的目标数据。
之后,将MVF分别与预设数量的目标数据进行相乘,从而得到每个目标数据对应的内插运动矢量场。然后,利用所有的内插运动矢量场,对吸气末时的CT数据进行图像变形处理,进而得到预设数量的内插CT图像。以便根据预设数量的内插CT图像得到若干个内插CT数据。
在实际应用中,本实施例中的目标数据可以用加权因子来表示。例如,本步骤中,呼吸门控SPECT和PET的相对轴向位置被归一化处理,最大值为1即呼气末时的CT数据,最小值为0即吸气末时的CT数据。这些归一化值用来表征加权因子(如a1、a2、a3和a4)。对于中间部分的门控,四个加权因子的值在0和1之间,其值由相对应的呼吸门控SPECT和PET的轴向位置所决定。通过将MVF与不同的加权因子相乘来生成每个门的内插运动矢量场(简称iMVF),以表示内插门中的各种运动状态。然后应用iMVF 来扭曲吸气末时的CT图像以生成四个ICT图像。呼气末时的CT数据和吸气末时的CT数据将用作最终SPECT数据的衰减校正图,从而产生内插CT 数据。
S24:利用若干个内插CT数据通过图像重建方法,对SPECT或PET 图像进行衰减校正。
步骤S23中生成的内插CT数据将用于两个极端门之间的其他呼吸门中的衰减校正,以通过图像重建方法对SPECT和PET图像进行衰减校正。其中,可以适用的图像重建方法包括有序子集最大期望值(Ordered Subset Expectation Maximization,简称OS-EM)算法、最大似然期望算法、扇束迭代算法等多种方法。作为一个优选方案,本步骤中使用的图像重建方法为OS-EM算法,即SPECT和PET图像通过OS-EM方法进行重建,进而得到衰减校正后的准确度更高的SPECT和PET图像。
因此,对于心脏部位,通过吸气末时的CT数据和呼气末时的CT数据,能够得到心脏运动幅度最大的两种极端情况之间的内插CT数据(步骤S21 至步骤S23),利用这种内插CT数据来对SPECT和PET图像进行衰减校正 (步骤S24),能够针对心脏较大运动幅度的情况,使SPECT和PET图像中由于呼吸运动而产生的模糊图像得到更加有效的校正处理,从而有效改善了呼吸门控心脏SPECT和PET的图像质量和定量准确性,因此能够有效减少心脏SPECT和PET图像中的呼吸模糊和衰减校正伪影。
下面通过仿真数据来验证本实施例提供的SPECT图像校正方法的有效性。当然,此方法也适用于PET图像校正。
使用四维(4Dimensions,简称4D)的部位组织模型模拟含有不同性别、解剖状态、放射性诊断用药分布、呼吸模式和疾病状态的10名病人模型。对每个病人所模拟的120组SPECT投影数据被重新组合成6个等光子量的门控组。每个门控中的活性图和衰减图分别表示呼吸门控SPECT和呼吸门控CT(gating CT,简称GCT)。
在吸气末(简称HCT-IN)、呼气末(简称HCT-EX)和呼吸中期(简称HCT-MID)模拟三个螺旋CT。使用由affine和b-spline配准法计算出 HCT-EX和HCT-IN之间的位移矩阵并以此产生内插CT数据(Interpolation CT,简称ICT)。SPECT投影图像通过OS-EM方法进行重建,并分别使用 GCT、ICT和三种常规螺旋CT(简称HCT)进行衰减校正。将每个呼吸门控的重建图像配准至呼气末期后加和平均产生极坐标图,并使用GCT校正的图像作为参考计算每个区段的相对差异和相对病灶大小差异。
最后的结果是:对于HCT-IN、HCT-MID、HCT-EX和ICT进行衰减校正的噪声数据,十组模型的平均最大相对误差分别是7.93±4.71%、 2.50±0.98%、3.58±0.74%以及2.14±0.56%。ICT校正下的病灶大小的结果误差率较小,而HCT进行校正的误差可高达40%。从而得出结论,ICT的校正准确率较高,ICT与常规HCT相比,它改善了呼吸门控心脏SPECT的图像质量和定量准确度,同时它还可以进一步降低GCT的辐射剂量。
以下描述为仿真的具体过程。
利用一个4D电子心胸模型来模拟含有不同性别、体型、心脏大小、解剖状态、放射性诊断用药分布、呼吸模式和疾病状态的10名病人模型。图 3示出了仿真模型的放射性诊断用药分布活性图(a)及其相应的衰减图(b)。其摄取活动分布、呼吸模式、呼吸周期和呼吸运动幅度这四个方面各不相同,图4示出了10个仿真模型的呼吸曲线。该仿真模型的群组参数列表如下表所示:
可以根据临床模型数据库设置身体大小和心脏大小,内脏器官的大小将根据身体大小而变化。从相同的文献中提取出器官活性分布,并基于任意单位的平均心肌活性进行等比例缩放后的心脏平均摄取浓度:肝脏:胆囊:肾脏:肺:背景活性为75.00:31.61:658.98:108.39:6.92:6.00。对于每个模型,模拟了三个连续的呼吸周期。基于来自呼吸运动软件(如 Modus Medical Devices Inc.、London、Ontario、Canada)的呼吸运动数据库对呼吸模式进行模拟,同时基于真实临床数据随机采样来模拟呼吸运动幅度和周期。10个模型中的6个被模拟为心脏正常的患者,而其他4个被模拟为具有两个正常心肌活性的一半的心脏病灶。图5示出了具有不同心脏病灶的左心室短轴图,箭头指示病灶位置。所有心脏缺损均以相同的60°周长建模,但病灶长度和位置不同,如上表和图5所示,隔膜区域的缺损是半透壁的,而所有其他缺陷都模拟为心室壁完全透壁。
对于每个模型,将3个呼吸周期分成288个相等的时间点。在每个时间点模拟了一个3D模型,产生了总共288帧模型数据,根据基于幅度的等光子量的呼吸门控法分组为6个门控,这样则可以通过平均每个门控内的 48帧数据来模拟门控内的运动情况。每个门控中的平均衰减图表示呼吸门控CT(简称GCT)。图6示出了4号模型的GCT图像范例,其中的水平线用以表示不同门控内的心脏和肝脏的相对位置变化。每个门控中的平均活性图用于模拟呼吸门控SPECT投影。在End-EX(呼气末段),End-IN(吸气末段)和呼吸中段(MID)选择3帧衰减图来模拟三个螺旋CT,即分别为HCT-EX,HCT-IN和HCT-MID。图7中的(a)、(b)以及(c)分别示出了4 号模型的HCT-EX、HCT-MID以及HCT-IN范例,其中的水平线用以表示不同CT图像的心脏和肝脏的相对位置变化。两个极端CT图像(即HCT-IN 和HCT-EX)用于生成ICT。将体素大小为0.221cm的活性图和衰减图缩放成0.442cm以模拟临床采集期间活性分布的连续-离散取样。
对于ICT的制备过程,首先使用基于Insight Segmentation and RegistrationToolkit的非刚性affine+b-spline配准方法来生成两个极端呼吸阶段之间的3D运动矢量场(简称MVF)。MVF描述了包括运动图像和固定参考图像之间的每个体素的横向(x),前后(y)和上下(z)位移的运动信息:MVF:M(x,y,z)→F(x',y',z'),其中M代表运动图像,即HCT-EX, F是参考图像,即本研究中的HCT-IN。MVF包含了全局和局部变形信息。
对于本步骤的具体过程,首先,应用affine方法来对齐两个图像以进行全身运动校正(MVF global)。然后使用b-spline配准通过操纵图像中的控制点的底层网格来计算两个图像(MVF locol)之间的每个体素的详细的非刚性形变矢量。
MVF(x,y,z)=MVFglobal(x,y,z)+MVFlocal(x,y,z)
出于计算效率的考虑,使用三个阶段的多分辨率方法进行b-spline配准的优化。每一个阶段下控制点的网格分辨率提高,同时网格间距沿着不同的阶段减小。通过最小化参考图像和运动图像之间的表征图像间方差之和的成本函数(CF)来确定MVF,
即
为了产生ICT,呼吸门控SPECT的相对轴向位置被归一化,最大值为 1,即HCT-IN,最小值为0,即HCT-EX。这些归一化值用来表征加权因子 (a1-a4),对于中间部分的门控,四个ICT的值在0和1之间。图8示出了通过HCT-EX与HCT-IN产生ICT示意图,其中,通过将MVF与不同的加权因子相乘来生成每个门的内插运动矢量场(iMVF),以表示内插门中的各种运动状态。然后,应用iMVF来扭曲运动图像以生成四个ICT图像。 HCT-EX和HCT-IN将分别用作End-EX和End-IN中SPECT数据的衰减校正图,而生成的ICT将用于两个极端门之间的其他呼吸门中的衰减校正。
使用解析投影仪来建模具有低能量高分辨率(简称LEHR)准直器的双头临床SPECT***。生成120个从右前斜(RAO)到左后斜(LPO)位置的噪声和无噪声投影,同时在仿真时模拟了衰减效应和探测器准直器响应而未模拟散射效应以假设其被准确校正。对于具有小、中、大体型的模型,探头的旋转半径分别为20、22和25厘米,以实现更好的身体轮廓。使用放射性诊断用药注射约一小时后进行16分钟扫描,总计数为34.27M的临床数据作为参考来模拟临床实际噪声水平。每个门的投影计数被缩放到总计数的1/6,以模拟每个呼吸门的计数水平(5.71M),然后将泊松噪声添加到缩放的投影中。为了模拟噪声衰减图,使用分析投影仪为不同的衰减图生成CT投影。在添加高斯噪声之后,通过滤波反投影重建CT投影。基于在肝脏中选定的均匀感兴趣区域中测量的标准化标准偏差,调整了高斯噪声的标准偏差,使得重建的CT图像具有与临床HCT和GCT相似的噪声水平。用作CT噪声标准的参考HCT是基于在120kV,10mA和1.375:1pitch下获得的临床低剂量HCT;而GCT基于120kV和10mA的临床GCT图像,相对采集时间为5.9s。然后通过基于极端相位的两个噪声HCT的插值产生噪声ICT,图9示出了模型#4的噪声GCT、HCT-MID和ICT图像范例。使用OS-EM算法分别使用200和30个更新来重建无噪声和噪声SPECT数据。分别使用GCT,ICT,HCT-IN,HCT-MID和HCT-EX进行重建时的衰减校正。然后,应用affine+b-spline非刚性配准将每个门的重建图像配准到 End-EX图像。将配准后的图像以及参考图像(即在End-EX处的重建图像) 平均以获得最终图像以供进一步分析。
之后,进入数据分析的过程。为了评估插值CT的准确性,生成了与其相应呼吸门中的GCT相比的ICT和HCT的差异图像。然后,使用不同的 AC图对齐每个门中的重建图像,并使用相应的CT图像进行视觉评估。
将最终图像重新定向到短轴视图以生成极坐标图,进行17区域量化分析。计算每个片段的平均计数值(I)并与GCT做校正的图像作对比以获得相对差异(RD),即:
然后,计算不同AC图的17个区域的最大RD值(RDMAX)。计算十个模型的平均RDMAX(RDMAX-MEAN)。此外,计算十个模型中每个区域的平均 RD值(RDSEGMENT)。
对于具有心脏病灶的模型,使用基于阈值的分割方法计算极坐标图上的病灶大小(S,以像素计数),并使用模型中的真实病灶活性值作为阈值。然后使用来自GCT组的病灶大小作为参考来计算使用不同CT进行校正的极坐标图的相对病灶大小差异(RSD),即:
之后,再计算每个AC图中所有8个病灶的平均RSD(RSDMEAN)。对 RDMAX-MEAN和RSDMEAN的结果进行了配对t检验,以评估使用不同AC图时的差异是否具有统计学意义。
对于最终结果,图10示出了ICT、HCT与GCT进行对比的误差图范例,其中,模型#4显示了与GCT进行比较时ICT和HCT的样本错误图像。 ICT显示出最小的差异,而HCT,特别是极端HCT,在肺-肝,肺-心脏和肠道区域的边缘显示出非常明显的差异。
图11示出了三个呼吸门控中不同CT图与SPECT图的融合图像,显示出了来自模型#4的融合图像的示例,使用呼吸门控SPECT图像的门模型 #1,#4和#6来表示End-IN,MID和End-EX阶段,并将它们与不同的 CT图融合。GCT和ICT图像分别从它们对应的门模型#1、#4和#6中选择。从融合图像中可以看出,GCT和ICT图像与所有呼吸门中的SPECT 图像几乎完美对齐。对于HCT方法将观察到不匹配。HCT-IN中心脏和肝脏的位置通常低于SPECT图像中的位置(如图11中的箭头所示),而与 SPECT相比,HCT-EX AC的位置通常更高(如图11中的箭头所示)。 HCT-MID的错配程度小于HCT-IN和HCT-EX的错配程度。
图12示出了模型#4不同CT衰减校正后的最终重建短轴图(a)以及与之相对应的极坐标图(b),即在配准到参考阶段之后使用不同AC图的最终重建短轴图像的示例以及它们对应的极坐标图。HCT-IN校正的重建图像和极坐标图在前外侧区域显示出明显的伪影,而其他AC方法的差异在视觉评估中不明显。
图13和图14显示了所有10个体模型的最终极坐标图的定量分析结果。图13示出了10个模型使用不同AC方法后的RDMAX-MEAN结果,其中(a)为无噪声数据,(b)为有噪声数据,其中误差线显示了结果的范围。HCT-IN、 HCT-MID、HCT-EX和ICT无噪声数据的结果分别为9.17±5.13%、 2.44±1.33%、3.50±0.81%和1.75±0.50%。噪声数据分别为7.93±4.71%, 2.50±0.98%,3.58±0.74%和2.14±0.56%。ICT和HCT-MID显示出比在极端呼吸态获得的其他两个HCT显著更低的RD,而ICT和HCT-MID衰减校正之间没有统计学上的显著差异。图14示出了10个模型使用不同AC 方法后的RDSEGMENT结果,其中(a)为无噪声数据,(b)为有噪声数据。 RDSEGMENT结果绘制在图14中,ICT与GCT非常相似,其次是HCT-MID。当使用两种极端HCT用于AC时,在前外侧(anterolateral)和下侧壁 (inferolateral)区域观察到更多的偏差,尤其是在HCT-IN中。图15示出了使用不同AC方法后的RSDMEAN结果,其中(a)为无噪声数据,(b)为有噪声数据。其中误差线显示了结果的范围。在来自四个模型的八个心脏病灶的RSDMEAN中,ICT显示出与GCT最接近的病灶大小,其次是HCT-MID 和HCT-EX,而HCT-IN的最大RSD值超过80%
根据模拟结果,观察到GCT和ICT显示出与门控SPECT的最佳匹配 (如图11所示)。使用GCT作为参考,ICT具有比其他AC图最低的RD 和RSD值(如图13至15所示)。三种HCT在SPECT和CT图像之间显示出明显的不匹配,导致相对较大的RD和RSD值。在10个模型的所有RDMAX值中,发现四种AC方法之间的差异在模拟呼吸运动大于20mm的模型中更为明显(如模型#1、#2、#4、#6和#8)。这可归因于当呼吸运动幅度较大时门控SPECT和HCT之间的不匹配更严重的事实。对于男性和女性患者,结果是一致的,其中对于每种AC方法,两种性别之间的RDMAX-MEAN差异<1%。
从融合图像中发现HCT-EX和HCT-IN与门控SPECT数据有很大的不匹配(如图11所示)SPECT和HCT-IN的错配出现在心脏的anterior区域(图11中的箭头)。肺区域的较小衰减系数可能导致对活性强度的低估,导致极坐标图中的大的伪影区域以及随后的17段分析的较差RD结果(如图14所示)。当与HCT-EX融合时,错配区域与腹部器官重叠(如图11中的箭头),这些器官和组织具有与心肌相似的衰减系数,因此AC伪影不显著(如图14所示)。
可以观察到HCT-MID显示出比HCT-IN和HCT-EX更好的结果,因为HCT-MID的错配程度小于其他两种。在呼吸门控SPECT中,HCT-MID 的表现更接近于ICT(图13和15所示)。在临床应用中,由于End-EX通常在呼吸期间跨越相对较长的时间,因此与之匹配的HCT-EX主要用于此数据的衰减校正。仿真结果表明,HCT-MID略微优于HCT-EX,这可能是由于研究中随机选择的呼吸曲线没有很长的静止期(如图4所示)。同时, HCT-MID的捕获需要人员开发的主动呼吸控制器(ABC)的辅助,因为大多数患者在呼吸中期自愿屏气的难度较大且容易引入人为误差。
与HCT-MID相比,使用ICT应该是更大运动幅度时的更好选择,因为此时HCT-MID和相应SPECT的不匹配增加。与GCT相比,ICT只需获得两个极端呼吸态的HCT,从而大大降低其总辐射剂量85%。与HCT-MID 类似,需要通过主动呼吸控制器辅助ICT的产生,因为患者在呼吸末阶段的自愿呼吸保持通常比其正常呼吸周期更深。证明ICT作衰减校正用于呼吸门控SPECT的临床可行性和有效性。
因此,仿真结果表明,GCT和ICT与门控SPECT的匹配度最高。ICT 表现出与GCT最接近的表现,同时可能进一步降低辐射剂量。与HCT相比,ICT改善了呼吸门控心脏SPECT的图像质量和定量准确性。
实施例三:
本申请实施例提供的一种SPECT和PET的图像校正装置,如图16所示,SPECT和PET的图像校正装置3包括:第一获取模块31、第二获取模块32以及校正模块33。
第一获取模块31用于通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据。第二获取模块32用于根据吸气末时的CT数据和呼气末时的CT数据,得到若干个内插CT数据。校正模块33用于利用若干个内插CT数据对呼吸门控SPECT和PET图像进行衰减校正。
第二获取模块具体用于:首先,根据吸气末时的CT数据和呼气末时的 CT数据,利用预设公式进行计算,得到呼气末时的CT数据和吸气末时的 CT数据之间的形变矢量,其中,预设公式为:然后,基于形变矢量进行计算,得到若干个内插CT数据。
本申请实施例提供的具有SPECT和PET的图像校正装置,与上述实施例提供的SPECT和PET的图像校正方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
实施例四:
本申请实施例提供的一种电子设备,如图17所示,电子设备4包括存储器41、处理器42,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例一或实施例二提供的方法的步骤。
参见图17,电子设备还包括:总线43和通信接口44,处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图17中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器42在接收到执行指令后,执行所述程序,前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器42中,或者由处理器42实现。
处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
其中,对于存储介质,功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例五:
本申请实施例提供的一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述实施例一或实施例二提供的方法。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/ 或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本申请实施例所提供的进行SPECT和PET的图像校正方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种SPECT和PET的图像校正方法,其特征在于,包括:
通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据;
根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据;
利用所述若干个内插CT数据对SPECT或PET的图像进行衰减校正。
2.根据权利要求1所述的方法,其特征在于,所述根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据,包括:
根据所述吸气末时的CT数据和所述呼气末时的CT数据,利用预设公式进行计算,得到所述呼气末时的CT数据和所述吸气末时的CT数据之间的形变矢量,其中,所述预设公式为:
其中,CF为成本函数,Fi为所述吸气末时的CT数据,Mi为所述呼气末时的CT数据,N为阶段参数;
基于所述形变矢量进行计算,得到若干个内插CT数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述形变矢量进行计算,得到若干个内插CT数据,包括:
确定所述呼气末时的CT数据和所述吸气末时的CT数据之间的预设数量的目标数据;
将所述形变矢量分别与所述预设数量的目标数据进行相乘,得到每个所述目标数据对应的内插运动矢量场;
利用所有的所述内插运动矢量场,对所述吸气末时的CT数据进行图像变形处理,得到所述预设数量的内插CT图像;
根据所述预设数量的内插CT图像得到若干个内插CT数据。
4.根据权利要求3所述的方法,其特征在于,所述确定所述呼气末时的CT数据和所述吸气末时的CT数据之间的预设数量的目标数据,包括:
对所述呼气末时的CT数据及所述吸气末时的CT数据的轴向位置进行归一化处理,以使所述呼气末时的CT数据和所述吸气末时的CT数据之间的数据为0至1之间的数据;
从所述0至1之间的数据中选取预设数量的目标数据。
5.根据权利要求1所述的方法,其特征在于,所述利用所述若干个内插CT数据对SPECT或PET图像进行衰减校正,包括:
利用所述若干个内插CT数据通过图像重建方法,对SPECT或PET图像进行衰减校正。
6.根据权利要求5所述的方法,其特征在于,所述图像重建方法为有序子集最大期望值OS-EM算法。
7.一种SPECT和PET的图像校正装置,其特征在于,包括:
第一获取模块,用于通过主动呼吸控制的方法获取呼气末时的CT数据和吸气末时的CT数据;
第二获取模块,用于根据所述吸气末时的CT数据和所述呼气末时的CT数据,得到若干个内插CT数据;
校正模块,用于利用所述若干个内插CT数据对SPECT或PET图像进行衰减校正。
8.根据权利要求7所述的装置,其特征在于,所述第二获取模块具体用于:
根据所述吸气末时的CT数据和所述呼气末时的CT数据,利用预设公式进行计算,得到所述呼气末时的CT数据和所述吸气末时的CT数据之间的形变矢量,其中,所述预设公式为:
其中,CF为成本函数,Fi为所述吸气末时的CT数据,Mi为所述呼气末时的CT数据,N为阶段参数;
基于所述形变矢量进行计算,得到若干个内插CT数据。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910293293.XA CN110063739B (zh) | 2019-04-11 | 2019-04-11 | Spect和pet的图像校正方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910293293.XA CN110063739B (zh) | 2019-04-11 | 2019-04-11 | Spect和pet的图像校正方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110063739A true CN110063739A (zh) | 2019-07-30 |
CN110063739B CN110063739B (zh) | 2023-11-24 |
Family
ID=67367644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910293293.XA Active CN110063739B (zh) | 2019-04-11 | 2019-04-11 | Spect和pet的图像校正方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110063739B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462063A (zh) * | 2020-03-26 | 2020-07-28 | 上海杏脉信息科技有限公司 | 肺部双气相ct图像三维配准方法及***、存储介质及终端 |
CN113674377A (zh) * | 2020-08-26 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 正电子发射断层扫描图像重建的***和方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081704A1 (en) * | 2005-03-17 | 2007-04-12 | The University Of Texas System | System, program product, and methods for attenuation correction of emission data on PET/CT and SPECT/CT |
CN103054605A (zh) * | 2012-12-25 | 2013-04-24 | 沈阳东软医疗***有限公司 | 一种衰减校正的方法和*** |
WO2014069712A1 (ko) * | 2012-10-29 | 2014-05-08 | 한국과학기술원 | 소수의 저선량 씨티 영상을 이용하여 피이티 영상을 움직임 보상 및 감쇠 보정하는 방법 |
US20140270448A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Macau | System and method for attenuation correction in emission computed tomography |
US20150117733A1 (en) * | 2013-10-25 | 2015-04-30 | General Electric Company | System and method reconstructing a nuclear medicine image using deformed attenuation image |
US20150221104A1 (en) * | 2012-10-29 | 2015-08-06 | Korea Advanced Institute Of Science And Technology | Method for Subjecting PET Image to Motion Compensation and Attenuation Correction by Using Small Number of Low-Radiation-Dose CT Images |
CN106618628A (zh) * | 2017-01-24 | 2017-05-10 | 昆明理工大学 | 基于pet/ct成像的呼吸运动门控校正和衰减校正方法 |
CN109009200A (zh) * | 2017-09-30 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于正电子发射断层成像图像重建的***和方法 |
-
2019
- 2019-04-11 CN CN201910293293.XA patent/CN110063739B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070081704A1 (en) * | 2005-03-17 | 2007-04-12 | The University Of Texas System | System, program product, and methods for attenuation correction of emission data on PET/CT and SPECT/CT |
WO2014069712A1 (ko) * | 2012-10-29 | 2014-05-08 | 한국과학기술원 | 소수의 저선량 씨티 영상을 이용하여 피이티 영상을 움직임 보상 및 감쇠 보정하는 방법 |
US20150221104A1 (en) * | 2012-10-29 | 2015-08-06 | Korea Advanced Institute Of Science And Technology | Method for Subjecting PET Image to Motion Compensation and Attenuation Correction by Using Small Number of Low-Radiation-Dose CT Images |
CN103054605A (zh) * | 2012-12-25 | 2013-04-24 | 沈阳东软医疗***有限公司 | 一种衰减校正的方法和*** |
US20140270448A1 (en) * | 2013-03-15 | 2014-09-18 | University Of Macau | System and method for attenuation correction in emission computed tomography |
US20150117733A1 (en) * | 2013-10-25 | 2015-04-30 | General Electric Company | System and method reconstructing a nuclear medicine image using deformed attenuation image |
CN106618628A (zh) * | 2017-01-24 | 2017-05-10 | 昆明理工大学 | 基于pet/ct成像的呼吸运动门控校正和衰减校正方法 |
CN109009200A (zh) * | 2017-09-30 | 2018-12-18 | 上海联影医疗科技有限公司 | 用于正电子发射断层成像图像重建的***和方法 |
US20190101655A1 (en) * | 2017-09-30 | 2019-04-04 | Uih America, Inc. | Systems and methods for positron emission tomography image reconstruction |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111462063A (zh) * | 2020-03-26 | 2020-07-28 | 上海杏脉信息科技有限公司 | 肺部双气相ct图像三维配准方法及***、存储介质及终端 |
CN111462063B (zh) * | 2020-03-26 | 2022-09-23 | 上海杏脉信息科技有限公司 | 肺部双气相ct图像三维配准方法及***、存储介质及终端 |
CN113674377A (zh) * | 2020-08-26 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 正电子发射断层扫描图像重建的***和方法 |
CN113674377B (zh) * | 2020-08-26 | 2024-05-10 | 上海联影医疗科技股份有限公司 | 正电子发射断层扫描图像重建的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110063739B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109741284B (zh) | 用于校正pet成像中由呼吸运动引起的失配的***和方法 | |
KR101428005B1 (ko) | 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법 | |
Segars et al. | Application of the 4-D XCAT phantoms in biomedical imaging and beyond | |
CN109009200B (zh) | 用于正电子发射断层成像图像重建的***和方法 | |
CN109035355B (zh) | 用于pet图像重建的***和方法 | |
Tsoumpas et al. | Fast generation of 4D PET-MR data from real dynamic MR acquisitions | |
Bai et al. | Regularized B-spline deformable registration for respiratory motion correction in PET images | |
EP2399238B1 (en) | Functional imaging | |
US8655040B2 (en) | Integrated image registration and motion estimation for medical imaging applications | |
Fleming et al. | Standardization of techniques for using single-photon emission computed tomography (SPECT) for aerosol deposition assessment of orally inhaled products | |
CN114387364A (zh) | 用于pet图像重建的线性衰减系数获取方法及重建方法 | |
CN110458779B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
CN110063739A (zh) | Spect和pet的图像校正方法、装置以及电子设备 | |
Qi et al. | A quantitative study of motion estimation methods on 4D cardiac gated SPECT reconstruction | |
US20240104705A1 (en) | Systems and methods for image correction | |
Gong et al. | Locally adaptive total p-variation regularization for non-rigid image registration with sliding motion | |
US20220383566A1 (en) | System and method for motion signal recalibration | |
US11648422B2 (en) | Apparatus and methods of generating 4-dimensional computer tomography images | |
CN110428384B (zh) | 对呼吸或心脏的pet图像进行衰减校正的校正信息获取方法 | |
Tossici-Bolt et al. | Analytical technique to recover the third dimension in planar imaging of inhaled aerosols:(1) impact on spatial quantification | |
Nye et al. | Current state of hybrid imaging: attenuation correction and fusion | |
US20230045406A1 (en) | System and method for hybrid imaging | |
Pollari et al. | Evaluation of cardiac PET-MRI registration methods using a numerical breathing phantom | |
US20230260141A1 (en) | Deep learning for registering anatomical to functional images | |
TWI790023B (zh) | 醫學影像的移動偵測及校正的方法、系統及電腦可讀媒介 |
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 |