[发明专利]一种基于改进Kernel方法结合稀疏约束的PET图像重建方法

说明书

本发明涉及一种基于改进Kernel方法结合稀疏约束的PET图像重建方法，包括以下步骤：获取PET原始数据和与PET配准好的MR图像；利用分割的MR图像构建各类组织的强度Kernel matrix和梯度Kernel matrix；结合强度Kernel matrix和梯度Kernel matrix构建各类组织的组织Kernel matrix；结合所有组织Kernel matrix构建成像物体的完整Kernel matrix；利用成像物体的完整Kernel matrix结合MLEM方法，得到基于改进Kernel方法重建的PET图像；增加稀疏约束，得到优化的PET图像。与现有技术相比，本发明改进了基于Kernel的PET重建方法中Kernel矩阵的构成方法，降低了图像重建的难度，提高了图像的分辨率，使重建的PET图像边缘更清晰；增加稀疏约束项来恢复PET独有的特征以及先验图像与重建PET的不匹配部分，解决MR作为先验与PET图像不完全匹配的问题，重建结果更好。

技术领域

本发明涉及医学图像处理方法，尤其是涉及一种基于改进Kernel方法结合稀疏约束的PET图像重建方法。

背景技术

正电子放射成像(Positron Emission Tomography，PET)在癌症诊断分期、神经类疾病(阿尔兹海默症)的诊疗中具有重要意义。目前PET成像具有2个难以解决的问题，分别是重建图像分辨率低、重建图像信噪比低。

PET图像重建最早使用的是滤波背向投影(Filter back projection，FBP)方法，但由于FBP方法没有考虑随机和散射事件，导致重建精度很差，现已基本不再使用。目前PET图像重建主要使用的是包含物理模型的重建方法，其中最具代表性的方法即为最大似然期望最大化方法(Maximum Likelihood Expectation Maximization，MLEM)。然而，MLEM收敛速度很慢，且随着迭代次数增加，重建图像会出现“棋盘格”伪影。此问题可以通过贝叶斯方法求解，基于贝叶斯理论，先验知识可以对原始的重建进行正则化，通过贝叶斯理论的最大后验估计(Maximum A posteriori,MAP)引入先验信息，在求解过程中对解的范围加以约束，可以实现更好的重建效果。MAP理论与Gibbs分布相结合，利用先验信息，通过选择合适的正则函数及其参数来实现更优的重建效果。

不同的正则函数实现效果不同，二次势函数平滑能力较强，但可能会导致细节被过度平滑；非二次势函数可以有效保留边缘但可能会导致块状伪影同时各种正则函数都敏感于超参数。目前各种正则方法都期望得到组织内部平滑，组织边缘尖锐的重建PET图像，但尚无确定的一种方法显著的优于其他方法，因此各种正则方法都在研究中。

由于PET是表征人体代谢信息的医学图像，图像的解剖结构较差，因此研究人员选用具有清晰解剖结构的图像来辅助PET重建。MR(Magnetic Resonance)图像为磁共振图像，由于来自高分辨率的MR/CT解剖图像能为PET图像重建提供精确解剖结构的先验信息，所以己有很多在PET重建中引入解剖先验的工作。

中国专利201110195103.4公开了一种基于广义熵与MR先验的PET图像最大后验重建方法，利用PET成像设备获取PET成像前的探测数据，同时获取成像设备中各种数据校正参数值及成像设备的系统矩阵；构建用于重建PET图像的数学统计模型；针对数学统计模型求解，采用最大似然法得到PET初值图像；将预先获取的MR图像与PET初值图像进行配准；通过广义熵与配准后的MR图像引入解剖先验，采用最大后验方法对PET图像的数学统计模型进行重建模型转化，得到带约束目标函数的优化方程；采用迟一步算法进行迭代计算，得到最终的医学影像的重建图像。该方法使用传统的正则方法吸收先验信息，正则函数是最大熵，能提高PET重建图像的视觉效果和量化指标，但图像的分辨率等仍然有待提高。