基于List-mode数据的PET高分辨重建算法研究的中期报告.docx

基于List-mode数据的PET高分辨重建算法研究的中期报告
一、研究背景
正电子发射断层成像（PET）是一种可以对人体进行非侵入式生物分子成像的医学影像技术，广泛应用于临床、生物学研究、药物研发等领域。PET成像的本质是测量组织内出现的放射性同位素放射出的正电子所产生的γ光子，然后根据探测器接收到的γ光子分布确定组织内放射性核素的分布情况。
在PET成像中，系统性能参数（SP）越优越利于图像质量和分辨率的提高。而影响系统性能参数的因素很多，其中探测器的空间分辨率是一个很重要的参数。随着探测器制造技术的发展，现代PET系统的探测器的空间分辨率已经明显提高到亚毫米级别，而高分辨率探测器的发展带来的数据量也相应地增加，并给事后重建图像的存储和处理带来了挑战。
因此，研究如何在高分辨率PET成像数据的基础之上，设计出一套快捷且高效的重建算法，是当前PET成像研究领域中的一个重要课题。本次研究的目标是基于List-mode数据的PET高分辨重建算法，并尽量提高图像质量和分辨率。
二、研究内容
2.1研究方法
在PET成像中，List-mode数据是一种记录探测器在每个时间点探测到的粒子信息（如规划源头、患者和其他附加背景）的数据集合。基于List-mode数据的PET成像重建方法比其他数据处理方法更直观和高效，因为它可以提供单个事件的信息，而且可以避免在数据缩略图中的数据降低的问题。
本研究采用的PET高分辨重建算法基于Bayesian图像重建（BIR）和图像先验信息。使用统计方法学习先验图像表示的分布，通过最大后验估计方法将先验分布引入到图像重建中，同时实现了发射源和扩散物质在图像中自适应重建的目的，提高了重建图像的质量和分辨率。
2.2研究步骤
（1）PET模拟数据的生成。本研究中采用MonteCarlo模拟方法生成PET模拟数据。在模拟PET探测器的检测效应时学习了它们对图像重建的影响，包括时间分辨率、能量分辨率、探测器几何率等。
（2）灵敏度矫正。PET系统的灵敏度矫正是一个非常重要的环节，会对重建图像的质量产生显著影响。本研究中采用针对缺陷运动的灵敏度校正方法进行研究。
（3）统计模型的学习。基于Bayesian概率理论，本研究中对统计物理中的Gibbs分布和高斯噪声进行了理论探讨与分析，建立了概率模型，从而实现了图像先验的学习。
（4）PET图像重建。在得到清晰的PET模拟图像之后，使用最大后验估计算法将来自模型似然函数和先验概率的信息融合，同时进行投影和反投影以重建图像。
三、目前进展
目前我们已完成了PET模拟数据生成和灵敏度校正环节，并成功进行图像重建，初步得出以下结论：
1、在进行PET模拟数据生成时，模拟探测器的几何率、时间分辨率和能量分辨率会直接影响重建图像的质量和分辨率。
2、在进行灵敏度校正时，运动校正技术可以使PET系统的灵敏度矫正更加准确和可靠，并提高PET图像的质量和分辨率。
3、基于Bayesian图像重建和图像先验信息的PET图像重建算法可以更有效地识别和还原来自不同物体的细微差异，提高重建图像的质量和分辨率。
在后续研究中，我们将对以上结论进行进一步论证和扩展，并继续优化PET高分辨重建算法，不断提升PET成像的质量和分辨率，为临床医疗、生命科学和药物研发等领域的PET应用提供更好的成像支撑。