一種基于圖像分割的衰減校正方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于核醫(yī)學(xué)成像領(lǐng)域，涉及一種基于圖像分割的衰減校正方法。
【背景技術(shù)】
[0002]功能核醫(yī)學(xué)成像技術(shù)(正電子發(fā)射斷層成像技術(shù)(PositronEmiss1nTomography，PET)、單光子發(fā)射斷層成像技術(shù)(Single Photon Emiss1n Tomography))作為一種先進(jìn)的成像技術(shù)，代表了核醫(yī)學(xué)的最高水平。近年來，功能核成像系統(tǒng)在腦神經(jīng)研究領(lǐng)域的應(yīng)用越來越受到臨床和科研領(lǐng)域的重視，同時高分辨的三維成像系統(tǒng)及相應(yīng)的圖像重建和校正算法也取得了較大的進(jìn)步。然而，目前的成像水平還不能滿足腦功能研究對于圖像質(zhì)量和定量精度的要求，這就需要不斷的探索和改進(jìn)成像系統(tǒng)的設(shè)計和圖像重建算法，提高成像質(zhì)量。生物組織對于光子的衰減效應(yīng)被公認(rèn)為是降低成像質(zhì)量和定量精度的一個重要的物理因素。為了得到高精度、無偽影的腦功能圖像，準(zhǔn)確的腦部衰減校正必不可少。
[0003]生物體不同密度和厚度的組織結(jié)構(gòu)對光子的衰減效應(yīng)不同，從而導(dǎo)致衰減校正異常復(fù)雜，限制了系統(tǒng)成像質(zhì)量和精度的提高。目前功能核成像系統(tǒng)中，衰減校正的方法主要分兩類:基于測量的衰減校正和基于計算的衰減校正。其中，基于測量的衰減校正是通過輔助的透射掃描裝置來獲得各個部位的衰減系數(shù)，其缺點(diǎn)主要有:設(shè)計復(fù)雜度高，掃描時間長，生產(chǎn)成本高，病人吸收輻射劑量大等。
[0004]基于計算的衰減校正，則是根據(jù)解剖模型，假設(shè)衰減介質(zhì)由幾種具有均一線性衰減系數(shù)的物質(zhì)組成，通過數(shù)學(xué)計算對發(fā)射數(shù)據(jù)直接進(jìn)行處理得到衰減圖像。目前該方法在頭部專用功能成像設(shè)備衰減校正中，主要是通過手動或者是半自動方法繪制頭部輪廓，其缺點(diǎn)是需要人工介入，需要操作者手動畫一個橢圓形的模板來得到頭部的輪廓，從而增加了醫(yī)生的工作負(fù)擔(dān)，并且容易引入人為的誤差。
【發(fā)明內(nèi)容】
[0005]針對現(xiàn)有技術(shù)中存在的核成像圖像校正問題，本發(fā)明的目的在于提供一種基于圖像分割的衰減校正方法。本方法直接通過對未經(jīng)過衰減校正的重建圖像進(jìn)行自動圖像分害J，從而將不同的組織分成不同的區(qū)域。
[0006]目前臨床上大多采用基于輔助透射掃描裝置的衰減校正算法，該方法增加了系統(tǒng)的設(shè)計復(fù)雜度和成本，同時使病人接受的輻射劑量增加。而目前基于計算的衰減校正方法，需要人工干預(yù)，容易引起較大的人為誤差。以頭部數(shù)據(jù)為例，本發(fā)明為基于計算的衰減校正方法，不需要輔助的透射掃描裝置，通過三維圖像分割算法，將原始頭部發(fā)射圖像自動分割成頭皮、頭顱以及大腦三個區(qū)域，并賦予各自的線性衰減系數(shù)，得到其衰減圖像。與其它基于計算的衰減校正相比，本算法可以實(shí)現(xiàn)自動檢測，無需人工干預(yù)，從而減少人為誤差。另外，本算法實(shí)現(xiàn)速度較快，可以提高系統(tǒng)的圖像重建速度。
[0007]本發(fā)明是一種基于計算的衰減校正方法，可以提高系統(tǒng)成像質(zhì)量，以三維腦功能核成像裝置的衰減校正為例，算法的執(zhí)行步驟如圖1所示。
[0008]1、對原始發(fā)射數(shù)據(jù)(原始發(fā)射數(shù)據(jù)就是核成像設(shè)備掃描得到的數(shù)據(jù)，此處為腦部的掃描數(shù)據(jù))進(jìn)行重建，得到初始圖像模型；
[0009]2、對重建圖像進(jìn)行濾波和去噪處理；
[0010]3、對重建圖像進(jìn)行閾值分割處理，消除背景噪聲；
[0011 ] 4、對重建圖像進(jìn)行非線性尺度變換；
[0012]5、對圖像進(jìn)行差分處理，得到梯度圖像；
[0013]6、根據(jù)梯度分布，對梯度圖像進(jìn)行分割，得到分割梯度圖像；
[0014]7、對分割的梯度圖像進(jìn)行區(qū)域合并，得到最終的分割圖像，即頭皮、頭顱以及大腦三(所謂分區(qū)，就是將不同的組織結(jié)構(gòu)區(qū)分開來，比如骨骼、肌肉等，不同的組織對射線的吸收不同)個區(qū)域；
[0015]8、將實(shí)驗(yàn)獲得的頭皮、頭顱和大腦三個區(qū)域的線性衰減系數(shù)(這三種組織的線性衰減系數(shù)已經(jīng)被國內(nèi)外相關(guān)學(xué)者通過大量的實(shí)驗(yàn)得以確定，在相關(guān)的資料中可以獲取)分別賦予各個區(qū)域，得到衰減圖像；
[0016]9、將衰減圖像進(jìn)行正投影，得到其投影數(shù)據(jù)；
[0017]10、利用衰減圖像的正投影數(shù)據(jù)對未經(jīng)衰減校正的發(fā)射數(shù)據(jù)(未經(jīng)衰減校正的發(fā)射數(shù)據(jù)即為步驟I中的原始發(fā)射數(shù)據(jù)。發(fā)射數(shù)據(jù):該稱呼是相對于透射數(shù)據(jù)而言，因?yàn)樵赑ET或SPECT中，如果存在透射掃描的話，得到的掃描數(shù)據(jù)稱為透射數(shù)據(jù);投影數(shù)據(jù):該說法是數(shù)學(xué)算法上的一種稱呼，對實(shí)際物體進(jìn)行掃描，叫做投影，得到的數(shù)據(jù)即為投影數(shù)據(jù)。二者都是指的掃描數(shù)據(jù)。所謂投影就是指設(shè)備對于頭部的掃描，所以投影數(shù)據(jù)即是掃描數(shù)據(jù)。掃描得到的頭部圖像與其衰減圖像是一一對應(yīng)的，而對衰減圖像進(jìn)行正投影，即是利用數(shù)學(xué)算法模擬設(shè)備對頭部進(jìn)行掃描，其得到的投影數(shù)據(jù)即為衰減圖像的正投影數(shù)據(jù)，目前已有比較成熟的算法。所以衰減圖像的投影數(shù)據(jù)與原始的數(shù)據(jù)是一一對應(yīng)的)進(jìn)行修正，得到衰減校正后的投影數(shù)據(jù)；
[0018]11、將衰減校正后的發(fā)射投影數(shù)據(jù)進(jìn)行重建，得到衰減校正后的圖像，完成衰減校正。
[0019]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果:
[0020]本發(fā)明利用圖像分割算法來對頭部進(jìn)行衰減校正，不需要輔助的透射掃描裝置，從而降低了系統(tǒng)的設(shè)計復(fù)雜度和生產(chǎn)成本，縮短被測對象的檢測時間，同時使其所受輻射劑量降低。與其它的基于計算的衰減校正方法相比，本算法可以實(shí)現(xiàn)自動檢測，不需要人工干預(yù)，從而可以減少人為誤差。另外，本算法實(shí)現(xiàn)速度快，可以提高系統(tǒng)的圖像重建速度。
【附圖說明】
[0021 ]圖1為衰減校正整體流程圖。
[0022]圖2為梯度圖像獲取流程圖；
[0023 ] (a)為3 X 3 X 3的梯度算子，(b)為輸入的三維PET圖像，(c)為輸出的梯度圖像。
[0024]圖3為改進(jìn)的形態(tài)學(xué)分割算法流程圖。
[0025]圖4為區(qū)域合并算法流程圖。
【具體實(shí)施方式】
[0026]下面結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述。顯然，所描述的實(shí)施例僅僅是本發(fā)明的一部分，而不是全部的實(shí)施例。基于本發(fā)明的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明的保護(hù)范圍。本發(fā)明所述方法包括:
[0027]1、對原始發(fā)射數(shù)據(jù)進(jìn)行重建，得到初始圖像模型(目前的數(shù)據(jù)重建算法較多，所謂數(shù)據(jù)重建，即是將得到的掃描數(shù)據(jù)通過特定的算法，重建得到被掃描圖像)。初始圖像模型將用于圖像的分割處理，所以要盡量平滑。這就要求在具體的實(shí)施過程中，要注意參數(shù)的選擇。舉例來說，可以利用有序子集-最大似然期望算法(OSEM)，對原始發(fā)射數(shù)據(jù)進(jìn)行重建，得到初始圖像模型，此時需要在重建過程中采用濾波處理，而且子集數(shù)和迭代次數(shù)不宜過大。
[0028]2、對重建的初始圖像模型進(jìn)行濾波和去噪處理。重建的初始圖像模型具有椒鹽噪聲和砂眼噪聲，影響后續(xù)的圖像處理效果?？梢酝ㄟ^形態(tài)學(xué)的開閉運(yùn)算以及高斯濾波等方法進(jìn)彳丁處理。
[0029]3、對重建圖像進(jìn)行閾值分割，提取感興趣區(qū)(所謂感興趣區(qū)，即為整個頭部。該步驟的作用為將頭部與背景相分離。因?yàn)楸尘坝捎谏⑸涞茸饔?，會存在噪聲計?shù)，如果不將感興趣區(qū)與背景分離，將會影響最終的分割結(jié)果，甚至無法得到正確的分割結(jié)果。只有先將感興趣區(qū)域提取出來，才能進(jìn)行下一步的分割，即將感興趣區(qū)根據(jù)不同的組織結(jié)構(gòu)分割成不同的區(qū)域)。根據(jù)背景噪聲與生物組織之間像素值的差異，選擇合適的的閾值分割算法(例如Otsu分割算法)，將二者分離。假設(shè)整幅重建圖像的灰度范圍為[Min，Max]，背景閾值為h，該閾值將整個重建圖像分成兩個區(qū)間，8卩:C1: [Min，h]，C2: [h，Max]，其中C1為背景區(qū)域，C2為感興趣區(qū)域。利用統(tǒng)計學(xué)原理，求得閾值h的步驟為:
[0030](I)計算C1，C2發(fā)生的累積概率密度FjPF2;
[0031 ] (2)計算&與&兩個區(qū)間的像素平均值施和跑；
[0032 ] (3)根據(jù)F1，F(xiàn)2，MjPM2計算&與&兩個區(qū)間的組內(nèi)方差和組間方差。
[0033]當(dāng)Ci和C2組內(nèi)方差最小、組間方差