基于MRF先验的PET图像重建和动力学参数估计

论文摘要

正电子发射断层成像（Positron Emission Tomography,PET）是功能分子影像技术的杰出代表,PET借助扫描测量前注入活体内的放射性核素标记的示踪剂进行显像,够在分子水平上利用影像技术反映机体心脑代谢和功能,已经在肿瘤学,心血管疾病学和神经系统疾病学研究中,以及新医药学开发研究等领域中显示出它卓越的性能。PET成像的目的是通过放射性核素标记示踪剂分布得到感兴趣（region of interest,ROI）组织的生理参数,因而,如何在重建方法中建立生理参数与放射性示踪剂浓度动态分布之间的联系,从而在重建PET图像的同时,对相关生理参数进行估计,将是PET图像重建今后发展的方向。所以对于PET图像重建来说,有二个主要的研究方向:一方面是根据PET测量数据准确的重建示踪剂浓度分布图,即PET图像重建问题;另一方面是PET除了能定性提供组织器官的新陈代谢情况外,还可通过动态成像的方式定量分析具体的生理、生化过程,即PET参数估计问题。由于受到低计数率和一些物理噪声的影响,PET图像的重建问题在理论上是一个病态的问题。传统的滤波反投影（Filtered Back-Projection,FBP）重建方法虽然具有成像速度快的优点,但其重建图像却含有大量噪声,图像质量较差。最大似然期望最大法（Maximum-Likelihood Expectation-Maximization,ML-EM）能够针对系统模型的物理效应和探测数据和噪声的统计泊松特性建立数学模型,其重建的图像质量要优于传统的FBP方法。然而,单纯的传统ML-EM方法收敛速度较慢,而且在迭代过程中会产生质量退化的图像而导致的棋盘效应,从而导致非收敛的迭代过程。近年以来,基于马尔可夫随机场（Markov Random Fields,MRF）的贝叶斯（Bayesian）重建方法或者最大化后验估计（Maximum A Posteriori,MAP）的方法已经在包括PET图像重建在内的图像重建中得到广泛的应用。Bayesian方法通过正则化在迭代过程中引进放射性示踪剂浓度在空间上概率分布的先验信息,能够明显改善重建图像质量以及迭代过程的收敛性,该方法已被证明了其在理论上的正确性和实际上的有效性。虽然引入了图像先验信息的Bayesian方法能够在很大程度上改善迭代重建的效果,但是依赖于传统的局部空间邻域信息的Bayesian方法只能为重建提供有限的先验信息。而且在当前PET问题的研究中,通常将时间和空间分开来考虑。但在实际问题中,时间和空间是相辅相成、互相影响、互相作用的。PET测量数据中已经隐含了很多生理信息,但往往未能直接表示出来。传统的间接参数估计方法如加权最小二乘参数估计方法（Weighted Least SquareMethod,WLS）,需要首先从测量数据重建出PET动态放射性活度图像,然后在这些时间上连续的重建图像应用适当的动力学模型上估计感兴趣的生理参数,然而PET重建图像中往往含有极大的噪声,这些噪声将影响参数估计的准确性。本文对于PET重建算法的研究工作同样也是基于PET研究中的两个主要研究方向,作者做了以下关于PET图像重建和动力学参数估计方面的工作:1,提出一种新的综合了QM先验、QP先验和QTO先验的MRF二次混合多阶先验模型,新的混合先验可依据目标图像不同位置的特性自适应的决定QM先验、QP先验和QTO先验的作用效果,其重建结果比单独使用QM先验、QP先验的效果好。同时也优于与传统的TV先验和中值根先验的重建结果。2,从引入更多先验知识指导PET图像重建角度进行研究,对采用不同邻域大小的常用先验和非局部先验进行大量对比实验。从实验结果中可以看到,简单的增大邻域大小是无法有效的结合空间大尺寸信息至Bayesian重建。另一方面非局部先验能够利用目标图像中大尺寸信息或全局信息,其对发射断层重建作用比传统的QM先验和Huber先验有效,而且鲁棒性好。3,提出一种新的基于二房室模型和空间邻域信息的时空先验模型,新的时空先验综合考虑时间和空间因素,根据探测器得到的sinogram数据直接求解出动力学参数,同时重建PET动态图像。实验中给出了新方法与传统方法的定量比较。模拟实验证明基于该时空先验的动态PET重建图像和动力学参数图像均要优于传统方法重建结果。试验中将以上三种方法应用于相应的PET断层发射成像和动力学参数估计中,相关试验分析表明:本文所提出的基于MRF和优化理论的新算法均能够分别在不同程度上提高PET图像重建和动力学参数估计的质量。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 PET简介及应用
• 1.2 PET成像中存在的问题
• 1.3 作者的主要工作
• 1.4 论文的组织
• 1.5 主要创新
• 参考文献
• 第二章 正电子断层成像
• 2.1 PET的物理原理
• 2.1.1 概述
• 2.1.2 正电子发射的物理原理及湮灭
• 2.1.3 511KeV光子在物质中的相互作用
• 2.2 PET的数据获取
• 2.2.1 符合探测及符合事件的类型
• 2.2.2 数据表达-正弦图（sinogram）
• 2.3 数据校正
• 2.3.1 归一化
• 2.3.2 衰减校正
• 2.3.3 散射校正
• 2.3.4 随机校正
• 2.3.5 死时间校正
• 2.4 PET成像方法
• 2.4.1 基于Radon变化的解析法重建
• 2.4.2 基于统计模型的迭代法PET重建
• 2.4.3 符号和基本概念
• 2.4.4 ML-EM迭代重建算法
• 2.4.5 加快ML-EM算法收敛速度的方法
• 2.4.6 Bayesian或最大后验MAP重建算法
• 2.5 房室模型（Compartmental Model）
• 2.5.1 房室模型概述
• 2.5.2 数学模型
• 2.5.3 参数估计方法
• 参考文献
• 第三章 基于马尔可夫二次混合多阶先验的PET图像Bayesian重建
• 3.1 重建理论
• 3.2 重建试验
• 3.3 结论
• 参考文献
• 第四章 一种新的基于大尺寸信息的MRF先验模型
• 4.1 重建理论与先验模型
• 4.2 统计模型和重建算法
• 4.3 实验和分析
• 4.3.1 实验1
• 4.3.2 实验2
• 4.4 结论
• 参考文献
• 第五章 基于二房室模型的时空先验在动态PET重建中的应用
• 5.1 二房室模型和时空先验模型
• 5.1.1 二房室模型
• 5.1.2 时空先验模型
• 5.3 算法
• 5.3.1 传统的间接参数估计方法法
• 5.3.2 基于时空先验的直接估计方法
• 5.3 数据模拟及实验结果
• 5.3.1 数据模拟
• 5.3.2 动态重建图像结果
• 5.3.3 参数估计图像
• 5.4 结论
• 参考文献
• 第六章 总结与进一步工作展望
• 6.1 总结
• 6.2 进一步工作展望
• 攻读学位期间成果
• 致谢