一种基于解剖先验信息的PET重建方法技术

一种基于解剖先验信息的PET重建方法，涉及医学PET成像技术，该方法包括以下步骤：步骤一、获取先验图像；步骤二、提取在高维空间中表示解剖特征的函数F；步骤三、选择径向高斯核函数；步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；步骤五、最后得到重建结果，利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。

【技术实现步骤摘要】
一种基于解剖先验信息的PET重建方法
本专利技术涉及医学PET成像技术，具体涉及一种基于解剖先验信息的PET重建方法。
技术介绍
正电子发射断层成像(PositronEmissionComputedTomography，PET)作为一种非介入的定量研究活体功能活度的工具，正越来越广泛地应用于临床诊断，尤其是疾病的早期诊断。PET空间分辨率是PET系统的核心指标之一，正电子的一些物理特性和数据采集机制的局限性，导致空间分辨率不可避免地降低，表现在图像上则为图像模糊，这制约了PET系统在某些要求高分辨领域的应用，如早期肿瘤的发现、脑功能成像等。传统的PET图像重建方法的图像噪声高，造成定量分析效果差，影响影像诊断，为了解决上述技术问题，特提出一种新的技术方案。
技术实现思路
本专利技术提出医学PET成像技术，特别说明了一种基于解剖先验信息的PET重建方法，通过将高空间分辨率和包含准确边界信息的解剖图像的先验信息加入到PET重建模型中，从而提高PET重建图像的质量，降低了重建图像的噪声，在感兴趣区的量化方面也得到了提高。为实现上述目的，本专利技术提供如下技术方案一种基于解剖先验信息的PET重建方法，该方法包括以下步骤：步骤一、获取先验图像；步骤二、提取在高维空间中表示解剖特征的函数F；步骤三、选择径向高斯核函数；步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；步骤五、最后得到重建结果。所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。在得到图像在这四个方向上的灰度共生矩阵之后，需要先对每个矩阵进行归一化得到概率矩阵p(i,j,d,θ)，其中d为像素对之间的距离，θ为与横向夹角，Ng为图像的灰阶数，得到p矩阵后再计算特征。所述的能量的计算公式为：能量是灰度共生矩阵所有元素的平方和，用来评估图像灰度变化的均匀性，变化越均匀，fe值就越小，反之越大。所述的对比度的计算公式为：对比度是灰度共生矩阵的主对角线的惯性矩，它表示矩阵值的分布情况和图像灰度的局部变化。矩阵中的元素距离主对角线越远会导致的值越大，fc的值也越大。所以当图像的纹理越明显、纹理基元的对比度越高、沟纹越深时，fc的值越大。与现有技术相比，本专利技术的有益效果是：利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。附图说明图1为本专利技术的结构示意图；图2为本专利技术的灰度共生矩阵的像素对方向示意图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅各图，一种基于解剖先验信息的PET重建方法，该方法包括以下步骤：步骤一、获取先验图像；步骤二、提取在高维空间中表示解剖特征的函数F；步骤三、选择径向高斯核函数；步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；步骤五、最后得到重建结果。所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。在得到图像在这四个方向上的灰度共生矩阵之后，需要先对每个矩阵进行归一化得到概率矩阵p(i,j,d,θ)，其中d为像素对之间的距离，θ为与横向夹角，Ng为图像的灰阶数，得到p矩阵后再计算特征。所述的能量的计算公式为：能量是灰度共生矩阵所有元素的平方和，用来评估图像灰度变化的均匀性，变化越均匀，fe值就越小，反之越大。所述的对比度的计算公式为：对比度是灰度共生矩阵的主对角线的惯性矩，它表示矩阵值的分布情况和图像灰度的局部变化。矩阵中的元素距离主对角线越远会导致的值越大，fc的值也越大。所以当图像的纹理越明显、纹理基元的对比度越高、沟纹越深时，fc的值越大。为未加入核方法的极大似然期望最大重建算法的迭代更新公式，其中n代表迭代的次数，T表示矩阵转置，x为PET图像，P是系统矩阵，r代表随机和散射事件。提取解剖图像MRI和真实图像的对应像素点i的特征fi1和fi2,即能量和对比度，由高斯核函数得到特征函数F，用来代表重建过程中的PET图像X：x＝Fα，将加入解剖信息的PET图像x代入期望最大重建算法中，新的迭代更新公式为，最终迭代适当次数得到PET重建图像。利用提取的高空间分辨率的解剖图像的先验信息，加入一种基于机器学习的核方法重建过程中，得到了更好的PET图像重建质量，提高了图像信噪比和定量分析效果。在本专利技术的描述中，需要理解的是，指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。本文档来自技高网...

【技术保护点】
1.一种基于解剖先验信息的PET重建方法，其特征在于：该方法包括以下步骤：/n步骤一、获取先验图像；/n步骤二、提取在高维空间中表示解剖特征的函数F；/n步骤三、选择径向高斯核函数；/n步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；/n步骤五、最后得到重建结果。/n

【技术特征摘要】
1.一种基于解剖先验信息的PET重建方法，其特征在于：该方法包括以下步骤：
步骤一、获取先验图像；
步骤二、提取在高维空间中表示解剖特征的函数F；
步骤三、选择径向高斯核函数；
步骤四、将核方法加入到期望最大算法迭代重建框架中，用来表示重建过程中的PET图像；
步骤五、最后得到重建结果。


2.根据权利要求1所述的基于解剖先验信息的PET重建方法，其特征在于：所述的提取在高维空间中表示解剖特征的函数，提取的特征的函数F采用灰度共生矩阵的能量和对比度，灰度共生矩阵是由计算图像中灰度为i和j的一个像素对沿固定方向固定步长出现的概率得到的，像素对的方向可以是沿着横向、竖向、斜向及其反向共八个方向上出现，显然像素对(i,j)和(j,i)沿相反方向出现的次数一样，所以在灰度共生矩阵的计算过程中可以只计算与横向夹角为0°、45°、90°、135°这四个方向上出现的概率。
<...

【专利技术属性】
技术研发人员：刘新，黄志炜，李晓伟，陈铭湘，
申请(专利权)人：广州互云医院管理有限公司，
类型：发明
国别省市：广东;44