本发明的各实施例涉及一种用于进行图像分析的系统100和方法200。具体来说，本发明的各实施例涉及一种用于从包括对应于原始图像帧序列502、504、506、508、510的数据的图像数据集中提取出低强度特征的系统100和方法200。这样一种方法200包括：从对应于所述原始图像帧的所述图像数据集确定202多个主分量PC1、PC2、PC3、PC4、PC5、PC6；对所述多个主分量PC1、PC2、PC3、PC4、PC5、PC6应用204主分量分析(PCA)过滤器，以便通过丢弃所述多个主分量PC1、PC2、PC3、PC4、PC5、PC6中的至少一个主分量PC 1而确定经过过滤的数据集；以及对所述经过过滤的数据集实施变换206，以便产生多个具有增强的低强度特征的经过过滤的图像帧402、404、406、408、410。
1.一种用于从包括与原始图像帧序列(502，504，506，508，510)对应的数据的图像数据集中提取低强度特征的方法(200)，所述方法(200)包括：从与所述原始图像帧对应的所述图像数据集确定(202)多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)；
对所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)应用(204)主分量分析(PCA)过滤器，以便通过丢弃所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)中的至少一个主分量(PC)来确定经过过滤的数据集；以及对所述经过过滤的数据集实施变换(206)，以便产生多个具有增强的低强度特征的经过过滤的图像帧(402，404，406，408，410)，其中利用特征矢量Feature Vector来计算所述经过过滤的数据集，所述特征矢量是矢量矩阵，其包括主分量的选集，使得Feature Vector＝(α1PC1,α2PC2,...,αnPCn)，其中αi是由主分量分析过滤器应用于第i个主分量PCi的对应的加权因数，其中通过下列方式对所述经过过滤的数据集实施变换(206)以便产生多个具有增强的低强度特征的经过过滤的图像帧(402，404，406，408，410)：把图像数据旋转到所述主分量的坐标系并且把维度截取到所选的主分量的数目：
FinalData＝FeatureVector×DataAdjust
其中，FeatureVector 是FeatureVector的转置，并且DataAdjust 是经过标准化的原始图像数据矢量的转置，FinalData代表主分量分析图像；
NewDataSet ＝FeatureVector×FinalData
通过乘以标准偏差并加上均值来撤销对NewDataSet的标准化；
对NewDataSet进行重新格式化以便提供图像，从而给出经过过滤的图像集，帧数与原始图像集相同。
2.根据权利要求1所述的方法(200)，其中，要丢弃的至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)是高阶主分量(PC1)。
3.根据权利要求2所述的方法(200)，其中，通过以下措施来确定要丢弃的所述至少一个高阶主分量(PC1)：去除最重要主分量；以及/或者动态地设置第一方差贡献阈值，并且丢弃对总主分量方差的百分比方差贡献小于所述第一方差贡献阈值的主分量。
4.根据权利要求1所述的方法(200)，其中，要丢弃的至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)是低阶主分量(PC6)。
5.根据权利要求4所述的方法(200)，其中，通过以下措施来确定将要丢弃的所述至少一个低阶主分量(PC6)：动态地设置第二方差贡献阈值，并且丢弃对总主分量方差的百分比方差贡献小于所述第二方差贡献阈值的主分量；以及/或者通过应用碎石图来确定所述主分量的方差贡献在何处变平到噪声底限，并且丢弃低于所述噪声底限的那些分量。
6.根据权利要求1至5的任何一项所述的方法(200)，其中，通过以下措施来确定要丢弃的至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)：动态地设置要丢弃的一个或更多主分量；以及/或者对所述经过过滤的图像帧(402，404，406，408，410)中的一个或更多个的一个或更多残留部分进行分析。
7.根据权利要求1至5的任何一项所述的方法(200)，还包括：在从所述图像数据集确定(202)所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)之前，从所述图像数据集过滤背景像素。
8.根据权利要求1至5的任何一项所述的方法(200)，其中，所述图像数据包括获得自正电子发射断层摄影(PET)扫描的数据。
9.根据权利要求1至5的任何一项所述的方法(200)，其中，所述原始图像帧(502，
504，506，508，510)包括在从原始数据集确定(202)所述多个主分量(PC 1，PC2，PC3，PC4，PC5，PC6)之前被过滤的所述原始数据，其中随后重建所述经过过滤的原始数据以便提供经过过滤的图像数据集。
10.一种用于显示包括与原始图像帧序列(502，504，506，508，510)对应的数据的图像数据集中的低强度特征的系统(100)，所述系统(100)包括： 图像采集模块(122)，用于采集所述原始图像帧序列(502，504，506，508，510)；
图像分析器(124)，用于执行以下操作：a)从对应于所述原始图像帧(502，504，506，
508，510)的所述图像数据集确定多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)；b)对所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)应用主分量分析(PCA)过滤器，以便通过丢弃所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)中的至少一个主分量而确定经过过滤的数据集；以及c)对所述经过过滤的数据集实施变换，以便产生多个具有增强的低强度特征的经过过滤的图像帧(402，404，406，408，410)；以及显示器(130)，用于显示所述经过过滤的图像帧(402，404，406，408，410)，其中利用特征矢量FeatureVector来计算所述经过过滤的数据集，所述特征矢量是矢量矩阵，其包括主分量的选集，使得Feature Vector＝(α1PC1,α2PC2,...,αnPCn)，其中αi是由主分量分析过滤器应用于第i个主分量PCi的对应的加权因数，其中通过下列方式对所述经过过滤的数据集实施变换(206)以便产生多个具有增强的低强度特征的经过过滤的图像帧(402，404，406，408，410)：把图像数据旋转到所述主分量的坐标系并且把维度截取到所选的主分量的数目：
FinalData＝FeatureVector×DataAdjust
其中，FeatureVector 是FeatureVector的转置，并且DataAdjust 是经过标准化的原始图像数据矢量的转置，FinalData代表主分量分析图像；
NewDataSet ＝FeatureVector×FinalData
通过乘以标准偏差并加上均值来撤销对NewDataSet的标准化；
对NewDataSet进行重新格式化以便提供图像，从而给出经过过滤的图像集，帧数与原始图像集相同。
11.根据权利要求10所述的系统(100)，其中，至少一个所述 主分量(PC1，PC2，PC3，PC4，PC5，PC6)是高阶主分量(PC1)。
12.根据权利要求11所述的系统(100)，其中，所述图像分析器(124)被配置成通过以下措施来确定要丢弃的至少一个高阶主分量(PC1)：去除最重要主分量；以及/或者动态地设置第一方差贡献阈值，并且丢弃对总主分量方差的百分比方差贡献小于所述第一方差贡献阈值的主分量。
13.根据权利要求10所述的系统(100)，其中，至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)是低阶主分量(PC6)。
14.根据权利要求13所述的系统(100)，其中，所述图像分析器(124)被配置成通过以下措施来确定要丢弃的所述至少一个低阶主分量(PC6)：动态地设置第二方差贡献阈值，并且丢弃对总主分量方差的百分比方差贡献小于所述第二方差贡献阈值的主分量；以及/或者通过应用碎石图来确定所述主分量的方差贡献在何处变平到噪声底限，并且丢弃低于所述噪声底限的那些分量。
15.根据权利要求10到14中的任何一项所述的系统(100)，其中，所述图像分析器(124)还被配置成通过动态地设置要丢弃的一个或更多主分量来确定要丢弃的至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)，并且/或者所述图像分析器(124)还被配置成通过对所述经过过滤的图像帧(402，404，406，408，410)中的一个或多个的一个或更多残留部分进行分析来确定将要丢弃的至少一个所述主分量(PC1，PC2，PC3，PC4，PC5，PC6)。
16.根据权利要求10到14中的任何一项所述的系统(100)，其中，所述图像分析器(124)还被配置成执行以下操作：在从所述图像数据集确定所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)之前，从所述图像数据集过滤背景像素。
17.根据权利要求10到14中的任何一项所述的系统(100)，其中，所述图像分析器(124)还被配置成执行以下操作：在从原始数据集确定(202)所述多个主分量(PC1，PC2，PC3，PC4，PC5，PC6)之前过滤所述原始图像帧(502，504，506，508，510)的原始数据，以及从所述经过过滤的原始数据重建经过过滤的图像数据集。
18.根据权利要求10到14中的任何一项所述的系统(100)，其还包括在工作中耦合到所述图像采集模块(122)的PET扫描器(140)。
图像分析
技术领域
[0001] 本发明涉及图像分析。更具体来说，本发明涉及一种用于医学诊断的改进的图像分析技术，所述医学诊断例如利用正电子发射断层摄影(PET)图像数据。
背景技术
[0002] 现在有各种医学成像技术帮助临床医师诊断例如由于疾病的解剖或机能表现而导致的病理状态。许多所述技术会产生一个图像帧序列，所述图像帧序列可以被用来向临床医师突出显示患者的解剖和/或机能属性的各种时间变化。
[0003] 举例来说，可以执行磁共振成像(MRI)扫描、功能磁共振成像(fMRI)扫描、计算机断层摄影(CT)扫描或者单光子发射计算机断层摄影(SPECT)扫描来提供一个图像帧序列，其中所述图像帧序列显示出患者的解剖结构(例如心脏或脑部)随时间的变化。例如可以在单次扫描期间以及/或者在接连数次医院访问期间执行的多次扫描之间检测任何所述时间变化。
[0004] 作为另一个例子，PET成像可以被用来获得一个图像帧序列，所述图像帧序列例如显示出患者的器官(比如脑部)的生理机能属性如何随着时间变化。
[0005] PET是一种已知的成像技术，其利用断层摄影来通过计算机生成身体内的机能过程的三维图像或图，这是作为在被合并到生物化学物质中的人为引入的放射性核素发生衰变并释放正电子时检测伽玛射线的结果而实现的。对于从所述正电子的湮灭检测到的光子的分析被用来生成所述断层摄影图像帧，可以利用色标来对所述断层摄影图像帧进行量化以便显示出所述生物化学物质在组织中的扩散，由此指示新陈代谢和/或生理过程的定位。
[0006] 举例来说，在PET中所使用的放射性核素可以是短寿期放射性同位素，比如氟18、氧15、氮13和碳11(其半衰期的范围从大约110分钟到大约20分钟)。所述放射性核素可以被合并到生物化学物质中，比如通常由身体所使用的化合物，其例如可以包括糖、水和/或氨。所述生物化学物质随后可以被注入或者吸入到身体中(例如到血流中)，在身体中所述物质(例如糖)变得集中在感兴趣的组织内，并且所述放射性核素通过发射正电子而发生衰变。所述正电子与附近的电子发生碰撞从而产生伽玛射线光子，所述光子可以被检测到并且被记录下来，从而表明所述放射性核素被身体吸收到何处。该数据集可以被用来探索及描绘人体内的解剖信息、生理信息以及新陈代谢信息当中的一项或多项。
[0007] 由于可以对所述对象施用的放射能的量的限制、所述放射性核素的通常短的半衰期以及特定记录系统的有限灵敏度，动态PET数据通常伴有相当高的噪声水平。另一个限制因素是感兴趣分子的新陈代谢分解，这会降低信号并且增大噪声。不管所使用的放射性核素或者所实施的扫描类型如何，上述因素连同与所述目标的高非特异性结合水平以及健康区域与病理区域之间在目标表示方面的有时小的差异成为可能使得难以对动态PET数据进行分析的因素。这意味着对于由临床医师分析及显现解剖结构和病理来说，多个单独的图像帧通常不是最优的。
[0008] 相应地开发了许多技术来尝试改进从PET扫描产生的动态时序图像帧的图像质量。
[0009] 用于在动态PET数据中降低噪声并且进行定量估计的标准方法之一是取得整个序列或其一部分的图像帧的总和、平均值(或均值)。然而虽然经过求和、平均值/均值处理的图像在降低噪声方面可能是有效的，但是这种方法导致抑制了在具有不同动力学行为的区域之间所检测到的差异，从而降低了不重要的临床特征与潜在地重要的临床特征之间的对比度。
[0010] 用于分析动态PET数据的另一种方法使用动力学建模，生成参数化图像，旨在提取出具有能够增强正常区域与病理区域之间的区分的特定动力学属性的区域。
[0011] 用于进行参数估计的一种所述动力学建模方法被称作Patlak方法(或者有时被称作Gjedde方法)[1]。沿着经过修改的时间绘制目标区域与参考放射能浓度的比值的曲线，所述修改的时间是通过将直到所选时间的参考放射能浓度的时间积分除以该时间处的放射能浓度而获得的。如果能够把示踪剂累积描述为不可逆的，则示踪剂动力学的Patlak图形表示就变为一条直线，其斜率与累积速率成比例。这种方法可以很容易被单独应用于动态成像帧序列中的每一个像素，并且允许生成代表所述累积速率的参数化图像。
[0012] 但是在使用动力学建模时所遇到的一个问题在于，所生成的参数化图像的质量很差，同时图像的噪声也相当大。在这方面，诸如所述Patlak方法[1]之类的动力学建模方法无法在测量来自所述动态数据的生理参数的过程中使得信噪比(SNR)最优化。
[0013] 还存在基于其他类型的建模的用于生成参数化图像的替换方法。比如因素分析或谱分析中的Logan曲线图、分室建模或分量提取[2]。还提出了其他替换技术[3]，比如其中利用迭代两阶段(ITS)方法的基于群体的方法。
[0014] 还可以利用多种不同的多变量统计技术来分析动态PET数据，比如主分量分析(PCA)[4，5，6]。采用PCA是为了同时找到数据中的方差-协方差结构，以便减少数据集的维度。PCA的结果可以被用于不同的目的，比如因素分析、回归分析、对输入/未经处理的图像帧数据执行预处理等等。
[0015] 但是，总而言之，对于顺序图像帧的解译仍然很困难，因此仍然需要一种可以更加可靠地提取出具有临床重要性的特征以便突出显示给临床医师的技术。
发明内容
[0016] 在考虑到与传统技术相关联的上述问题和缺陷的同时形成了本发明的各个方面和实施例。
[0017] 根据本发明的第一方面，提供一种用于从包括对应于原始图像帧序列的数据的图像数据集中提取出低强度特征的方法。所述方法包括：从对应于所述原始图像帧的所述图像数据集确定多个主分量(PC)；对所述多个主分量应用主分量分析(PCA)过滤器，以便通过丢弃所述多个主分量中的至少一个主分量(PC)而确定经过过滤的数据集；以及对所述经过过滤的数据集实施变换，以便产生多个具有增强的低强度特征的经过过滤的图像帧。
[0018] 根据本发明的这一方面的方法提供了优于传统技术的许多改进。举例来说，所述方法不仅增强了可能具有临床重要性的图像中的低强度特征，而且还减小了噪声，并且例如在观看图像帧(比如描述PET扫描期间的示踪剂吸收的那些图像帧，其中图像帧数据的噪声可能特别大)的时间序列时允许提供更好的时间图像显现。
[0019] 根据本发明的第二方面，提供一种包括计算机代码的计算机程序产品，所述计算机代码用于配置数据处理设备以便实施根据本发明的第一方面的方法。
[0020] 所述计算机程序产品例如可以被用于升级传统医学成像系统的功能，以便允许其提供具有增强的低强度特征的改进的图像序列。
[0021] 根据本发明的第三方面，提供一种用于显示包括对应于原始图像帧序列的数据的图像数据集中的低强度特征的系统。所述系统包括图像采集模块，其适于采集所述原始图像帧序列。所述系统还包括图像分析器，其适于执行以下操作：a)从对应于所述原始图像帧的所述图像数据集确定多个主分量；b)对所述多个主分量应用主分量分析(PCA)过滤器，以便通过丢弃所述多个主分量当中的至少一个主分量而确定经过过滤的数据集；以及c)对所述经过过滤的数据集实施变换，以便产生多个具有增强的低强度特征的经过过滤的图像帧。所述系统还包括显示器，其适于例如向临床医师显示所述经过过滤的图像帧以对这些图像帧进行后续解译。
[0022] 应当理解的是，所述系统的各元件可以彼此远离，而不必一起处于相同的物理或地理位置。
附图说明
[0023] 图1示出了根据本发明的一个实施例的用于对对象进行临床诊断的系统；
[0024] 图2示出了根据本发明的各实施例的用于从动态顺序图像数据集中提取低强度特征的方法；
[0025] 图3示出了从根据本发明的一方面实施的实验性17帧动态PET脑部成像研究当中导出的主分量分析图像；
[0026] 图4示出了来自所述实验性17帧动态PET脑部成像研究的经过过滤的帧11到15；
[0027] 图5示出了来自所述实验性17帧动态PET脑部成像研究的原始的未经过滤的帧11到15；
[0028] 图6示出了从用于本发明的各实施例的图形用户界面(GUI)获得的第一屏幕截图；
[0029] 图7示出了利用与图6相同的GUI获得的但是具有不同操作参数集的另一屏幕截图；以及
[0030] 图8示出了利用与图6相同的GUI获得的但是具有不同操作参数集合的残留图像的屏幕截图。
具体实施方式
[0031] 图1示出了根据本发明的一个实施例的用于对对象进行临床诊断的系统100。所述系统100包括数据处理设备120，其被配置成提供各接口123、126、图像采集模块122以及图像分析器124。所述接口123、126、图像采集模块122以及图像分析器124可以在中央处理单元(未示出)控制下通过数据总线125逻辑耦合在一起。
[0032] 所述数据处理设备120提供第一通用接口126，其用于把该数据处理设备120接口到外部组件。在该实施例中，所述外部组件包括：耦合到至少一个用户输入装置128(例如鼠标/键盘等等)的输入数据链接127、耦合到因特网142的网络数据链路143以及耦合到显示器130的显示器数据链路129。此外，所述通用接口126还提供GUI 123，所述系统100的用户可以通过其输入数据、命令等等并且通过观看所述显示器130接收视觉信息。
[0033] 所述GUI 123可用于生成所述对象的各个解剖部分的二维和/或三维表示。所述表示例如可以包括区域的颜色编码，该编码基于对应区域内的物质吸收或使用。这使得容易为所述系统100的用户的可视化。此外在各实施例中，用户还可以利用所述输入装置128来操纵所述GUI123，从而旋转图像和/或将3D图像切片。
[0034] 在各实施例中，所述数据处理设备120可以由例如个人计算机(PC)的通用计算机提供。所述通用计算机可以使用软件模块来提供所述图像采集模块122和所述图像分析器124二者，从而可以通过利用软件升级对现有设备的功能能力进行升级来实施。举例来说，可以通过所述网络数据链路143把包括计算机代码的计算机程序产品144从远程服务器(未示出)经由因特网142发送到所述数据处理设备120，或者可以在物理介质上提供所述计算机程序产品144，所述物理介质比如有CD、DVD、磁盘、ROM、闪存装置等等。
[0035] 所述系统100还包括通过数据链路139耦合到所述数据处理设备120的可选的正电子发射断层摄影(PET)扫描器140，以及通过数据链路131耦合到所述数据处理设备120的可选的数据存储装置132。所述PET扫描器140和/或所述数据存储装置132可以被配置成向所述图像采集模块122提供图像数据。举例来说，在没有提供PET扫描器的情况下，可以从所述数据存储装置132提供图像数据，所述数据存储装置132可以包含存储在其中的先前生成的图像数据。所述先前生成的图像数据可以是从所述系统100远程地生成的(例如在远程医院等有适当的图像数据生成设施可用的地方)并且随后被传送到所述数据存储装置132，所述图像采集模块122可以从所述数据存储装置132检索所述图像数据。所述图像采集模块122还可用于把由所述PET扫描器140生成的图像数据传送到所述数据存储装置132以进行归档。
[0036] 所述图像分析器124可用于对图像数据执行图像分析。可以按照图像帧序列的形式提供所述图像数据，所述图像帧序列例如对应于从对象的解剖结构的特定部分得到的图像的时间序列。举例来说，所述图像帧可以对应于从PET扫描得到的显示出加有放射性同位素标签的分子在对象的脑部、心脏等中的吸收的图像的时间序列。替换地或附加地，所述图像帧可以从磁共振成像(MRI)(例如来自不同的扫描序列、动态研究和/或机能成像)、(例如不同波长下的)光学成像以及/或者X射线成像(例如在执行动态研究、CT扫描等时)得到。
[0037] 图2示出了根据本发明的各实施例的用于从动态顺序图像数据集中提取低强度特征的方法200。所述图像数据可以具有单一切片(二维图像)的动态序列的形式或者具有体积(作为一个实体处理的图像的三维堆叠)的动态序列的形式。下面的描述假设二维图像序列。可以对于每一个切片位置对所述图像序列进行过滤。例如可以利用如图1中所示的图像分析器124如上所述地执行所述方法200。
[0038] 所述方法包括第一步骤202，在该步骤中从与形成所述顺序图像数据集中的一帧的每一个图像对应的数据中确定主分量。
[0039] 将来自每一图像帧的像素值数据标准化并且置于n维矢量形式。随后通过在每一维度上从该维度内的数据值减去平均数据值(例如 等等)(例如等等)而把所述矢量标准化到零均值，并且也将所述数据标准化，从而把方差(var)设置到1；其中根据下式定义所述方差(var)：
[0040]
[0041] 其中Xi是X维内的第i个数据点， 是X维内的所有数据的均值，并且N是X维内的数据点的总数。类似地，可以通过除以标准偏差来标准化所述数据。
[0042] 其他标准化技术(比如由Razifar[6]所描述的那些)也可能证明是有用的，但是已经知道上面提到的方法是可靠的，因为该方法是鲁棒的并且对来自所有帧的数据均等地加权。
[0043] 在对所述数据进行了标准化之后(其中包括对所述数据集进行标准化从而使其具有零均值)，应用主分量分析(PCA)。在一种应用PCA的方法中(例如由Smith[5]所描述)，如下计算具有n维的数据集的协方差矩阵Cnxn：
[0044]
[0045] 其中测量两个维度之间的协方差，cov(X，Y)是在X与Y维之间测量的协方差。使用等式(2)，可以利用两个维度内的数据对建立协方差矩阵，以便定义具有n维的数据集的协方差矩阵C：
[0046] Cnxn＝(ci，j，ci，j＝cov(Dimi，Dimj)) -(3)
[0047] 其中，Dimx是第x维。举例来说，在提供三维数据集的情况下则有维度x、y和z并且n＝3，所述协方差矩阵C具有三行三列并且被如下定义：
[0048]
[0049] 在确定了所述协方差矩阵C之后，随后按照传统的方式确定该协方差矩阵C的单位特征向量[4，5]。
[0050] 如上确定的特征向量根据其对应的特征值而被排序，从具有最高特征值的特征向量(即最重要分量PC1)开始移动到具有最低特征值的特征向量(即最不重要分量PCn)。因此，如上排序的特征向量PC1-PCn就提供了与相应图像帧的图像数据集的主分量对应的一组n个特征向量。
[0051] 在确定了主分量之后，所述方法200中的下一步是在步骤204中对所述主分量应用PCA过滤器以便确定经过过滤的数据集。
[0052] 可以使用多种技术来应用所述PCA过滤器以便丢弃至少一个主分量，下面将进一步描述其中的几种。作为定义，这里所使用的关于“丢弃”的表达应当被理解成意味着减小一个或更多主分量的量值，并且这种“丢弃”包括将一个或更多主分量乘以加权因数α，其中0≤α＜1。
[0053] 要丢弃的主分量可以是高阶或低阶主分量，所述高阶主分量是朝向所述最重要分量PC1聚集并且包括最重要分量PC1的那些主分量，所述低阶主分量是朝向所述最不重要分量PCn聚集并且包括最不重要分量PCn的那些主分量。去除这种低阶噪声分量可以减小噪声。
[0054] 在各实施例中，通过仅仅去除所述最重要主分量PC1来确定要丢弃的至少一个高阶主分量。对于许多成像技术来说，PC1将标识血液的动态行为。因此，通过去除一个或更多高阶主分量可以去除否则可能会掩蔽具有不同动力学行为的较弱特征的真实特征(即非噪声)。
[0055] 附加地或替换地，可以通过以下措施来确定要丢弃的至少一个主分量：动态地设置一个或更多方差贡献阈值，以及丢弃其百分比方差贡献(所述百分比方差贡献例如是基于相应的特征值)小于或大于对应的方差贡献阈值的主分量。
[0056] 本发明的各实施例还可以使用碎石图(scree plot)分析，以便例如确定要丢弃的一个或更多低阶主分量。
[0057] 碎石图是一种图形分析技术，其中在x轴上绘制主分量并且在y轴上绘制每一个所述主分量的对应百分比方差值。一般来说，所述碎石图从高阶主分量快速减小，到达“膝值(knee)”，并且随后变平。
[0058] 应用所述碎石图是为了确定主分量的方差贡献(例如由所述主分量的相应特征值定义)在何处变平到噪声底限(noise floor)，并且丢弃低于所述噪声底限的那些分量。取决于数据，可以通过许多方式来确定所述噪声底限。例如可以把方差贡献下阈值设置在恰好低于所述碎石图的膝值的值，方差值低于该阈值的所有主分量都被丢弃。
[0059] 附加地或替换地，可以通过以下措施来确定要丢弃的至少一个主分量：动态地设置将要丢弃的一个或更多主分量，并且分析经过过滤的图像的残留部分。也就是说，通过视觉方式或者通过计算机算法分析经过过滤的图像与原始图像之间的差异。可以利用所述PCA过滤器来计算所述残留图像，其中选择被丢弃的低阶主分量(用于过滤)。也就是说，对于所述残留图像丢弃被用于产生图像的主分量。图8示出了来自图6的经过过滤的图像的残留图像的一个例子。
[0060] 所述原始图像可包括获得自PET扫描的对应于探测器对之间的重合的原始数据。对于每一个探测器对所记录的事件的计数是原始数据，可以将其直方图化从而产生正弦图(sinogram)。所述正弦图可以被视为每一个探测器对的计数的图像，并且可以对所述正弦图进行变换(例如重建)以便提供图像。因此在各实施例中，可以在变换(或重建)图像之前对所述原始数据进行过滤。
[0061] 根据本发明的方法的各实施例还可以包括：在确定所述多个主分量之前从所述图像数据集中过滤背景像素。
[0062] 这对于利用来自图像帧的输入来计算重要生理属性的药理-动力学建模来说是特别有用的，这是因为其解决了现存的以下问题：在某些情况下，被用来逐像素地计算这些属性的算法不够鲁棒并且相反地添加了噪声，从而产生质量很差的图像。通过在使用这种建模算法之前执行过滤步骤，本发明的各实施例解决了这一问题。
[0063] 举例来说，可以利用Patlak模型[7]来产生参数化图像。但是这将会生成噪声非常大的图像。因此，为了解决这一问题，根据本发明的各实施例应用PCA过滤器，以便在利用所述Patlak技术[7]产生图像之前去除噪声，从而得到大大改进的图像。
[0064] 通常来说，药理学研究要求把放射性材料多次注入对象内。因此，对最大允许放射能剂量的限制妨碍了(例如在不同条件下)对同一对象进行多次扫描。因此通过利用本发明的各实施例的噪声过滤技术(以及例如通过仅仅去除较不重要的分量)，可以有用地扩大可能对单一个人进行的研究的数目。
[0065] 在使用PET扫描时，后面的噪声过滤技术也是有用的。其例如可以允许从通过对于不同身体部分执行的PET扫描所采集的顺序图像中提取出更好的定量和定性信息，而不需要等待残留的放射能发生衰变(否则例如氟18的近两个小时的半衰期将使得这一点极为不实际)。这种技术在传统上要求逐步增大所注入的放射性材料的数量，从而使得来自每一次先前注入的剂量的残留信号被由后续注入的剂量生成的更大信号所掩蔽。
[0066] 在步骤204中对所述主分量应用了PCA过滤器以便确定经过过滤的数据集之后，所述方法200中的下一步骤206是把所述经过过滤的数据集变换成新的图像数据集NewDataSet。所述新的图像数据集可以被用来提供多个具有增强的低强度特征(其可能具有临床重要性)以及降低的图像噪声的经过过滤的图像帧以用于更好地可视化。
[0067] 利用特征矢量FeatureVector来计算所述经过过滤的数据集。所述特征矢量是一个矢量矩阵，其包括主分量(特征向量)的一个选集，其中：
[0068] FeatureVector＝(α1PC1α2PC2...αnPCn) -(5)
[0069] 其中，αi是由所述PCA过滤器应用于第i个特征向量的对应的加权因数。下面将描述对于作为0或1的αi值将如何处理所述数据。还可以使用其他αi值。
[0070] 按照下面的方式来修改所述原始帧图像数据：
[0071] 首先，把图像数据旋转到所述主分量(特征向量)的坐标系，并且把维度截取到所选分量的数目：
[0072] FinalData＝FeatureVectorT×DataAdjustT -(6a)
[0073] 其中，Feature VectorT是Feature Vector的转置，并且DataAdjustT是经过标准化的原始图像数据矢量的转置。因此，FinalData代表PCA图像。
[0074] 其次，利用下面的运算把所述经过截取的数据变换回原始维度：
[0075] NewDataSetT＝FeatureVector×FinalData
[0076] (6b)
[0077] 第三，撤销对NewDataSet的标准化。这通常是通过乘以标准偏差并且加上均值来实现的；例如所使用的标准偏差和均值与上面用于标准化的值相同。
[0078] 最后，对NewDataSet进行重新格式化以便提供图像，从而给出经过过滤的图像集合，帧数与所述原始图像集合相同。这一重新格式化处理可以从NewDataSet中的一维数据矢量重新产生二维图像。
[0079] 图3示出了从实验性17帧动态PET脑部成像研究导出的主分量分析图像300，在图5中示出了其中的第11到15个原始帧。
[0080] 对于该实验，使用了General Electric Discovery ST PET/CT摄影机，并且其中的示踪剂是为了研究脑损伤而提供的实验性示踪剂。对于在前几分钟期间采集的帧，把扫描时间设置到10秒，并且对于在90分钟之后采集的帧，对各帧使用直到15分钟的逐渐更长的采集时间。所有帧随后都被用在所述PCA过滤分析中。
[0081] 最重要主分量PC1对于主分量的方差贡献83％。接下来的最高阶主分量PC2对于主分量的方差贡献8％。第三主分量PC3对于主分量的方差贡献4％。第四主分量PC4对于主分量的方差贡献0.9％。第五主分量PC5对于主分量的方差贡献0.8％。第六主分量PC6对于主分量的方差贡献0.6％。
[0082] 图4示出了来自所述实验性17帧动态PET脑部成像研究的经过过滤的帧11到15。经过过滤的帧是通过对图5中示出的原始图像帧应用图2的方法而获得的。
[0083] 在这种情况下，所述PCA过滤器被应用来完全去除主分量PC1、PC2以及PC7到PC17(即α1＝α2＝α7＝...α17＝0)。随后根据上面的等式(5)产生特征矢量，并且随后根据等式(6a)和(6b)从所述特征矢量产生新的图像数据集。
[0084] 如图4中所示，所显示出的所述新图像数据的子集包括第11个经过过滤的图像帧402、第12个经过过滤的图像帧404、第13个经过过滤的图像帧406、第14个经过过滤的图像帧408以及第15个经过过滤的图像帧410。
[0085] 图5示出了来自所述实验性17帧动态PET脑部成像研究的原始图像帧11到15。为了易于比较，与图4相邻地示出图5。
[0086] 通过比较图4与图5可以明显看出，在临床上感兴趣的特征在经过过滤的图像帧12到15的图像的右上象限中清楚可见。该特征是在观看图5时无法明显看出的低强度特征，但是其被非常清楚地描绘出并且只有很少(或者没有)作为组织动态伪像的结果而出现的干扰。本发明的发明人的进一步研究证实，作为这种技术的结果所检测到的低强度特征与利用诸如X射线计算机断层摄影之类的替换技术所找到的特征很好地对应。
[0087] 图6示出了由根据本发明的一个实施例的GUI提供的第一屏幕截图600。所述屏幕截图600例如可以从图1中示意性地示出的GUI 123的操作获得。
[0088] 所述屏幕截图600示出了通过应用根据本发明的各方面的方法而得到的经过过滤的图像帧610。所述屏幕截图600还示出了PCA过滤器控制部分602，其包括第一和第二用户可操作滑动条604、606。
[0089] 所述第一滑动条604可以被用来设置用于确定在产生经过过滤的数据集时丢弃哪些高阶主分量的第一方差贡献阈值。在所示出的实例中，所述方差贡献阈值被设置到“3”，从而确保在产生所述经过过滤的数据集时丢弃第一和第二主分量(PC1和PC2)。
[0090] 所述第二滑动条606可以被用来设置用于确定在产生所述经过过滤的数据集时丢弃哪些低阶主分量的第二方差贡献阈值。在所示出的实例中，所述方差贡献阈值被设置到“5”，从而确保选择第三到第五主分量(PC3到PC5)以用于产生所述经过过滤的数据集，并且丢弃所有其他低阶分量(在本例中是PC6到PC17)。
[0091] 在经过过滤的图像帧610示出的图像中通过应用本发明而增强了低强度特征。
[0092] 图7示出了从与图6相同的GUI的操作获得的、但是设置了不同操作参数的另一屏幕截图700。
[0093] 所述屏幕截图700示出了利用从原始图像帧序列确定的所有主分量得到的未经过滤的图像帧710。
[0094] 所述屏幕截图700还示出了所述PCA过滤器控制部分602，其包括所述第一和第二用户可操作滑动条604、606。但是在本例中，所述第一滑动条604已被设置到“1”，从而确保在产生用于变换的数据集时不会丢弃高阶主分量。此外，所述第二滑动条606被设置到“17”，从而确保在产生所述数据集时选择所有主分量(PC1到PC17)。
[0095] 通过比较来自图6和7的图像帧610与710，同样可以明显看出，通过应用本发明的各方面，在临床上感兴趣的特征变得更加清晰可见。
[0096] 因此从本发明的发明人的研究可以明显看出，由本发明的各方面和各实施例所提供的上述图像分析技术提供了优于传统图像分析技术的有用改进。
[0097] 图8示出了利用与图6相同的GUI 800获得的但是具有不同操作参数集合的残留图像810的屏幕截图。所述残留图像810是利用上面描述的PCA过滤器通过选择丢弃的低阶主分量(以便过滤)来计算的。
[0098] 虽然根据本发明的各方面和优选实施例描述了本发明，但是应当理解的是，本发明不仅限于此，申请人的意图是本发明的所有变型和等效方案都落在所附权利要求书的范围内。
[0099] 参考文献
[0100] 1、A.M.Peters的“Graphical Analysis of Dynamic Data：ThePatlak-Rutland Plot(动 态 数 据 的 图 形 分 析：Patlak-Rutland 曲 线 图 )”，Nuclear Medicine Communications，15：669-672，1994年。
[0101] 2、J.Logan、J.S.Fowler、N.D.Volkow、G-J.Wang、Y-S.Ding、D.L.Alexoff 的“Distribution Volume Ratios without Blood Sampling fromGraphical Analysis of PET Data(通过对PET数据进行图形分析在无需采血的情况下获得分布体积比)”，Journal of Cerebral Blood FlowMetabolism，16：834-840，1986年。
[0102] 3、A.Bertoldo、G.Sparacino、C.Cobelli 的“Population ApproachImproves Parameter Estimation of Kinetic Models from Dynamic PET Data(群体方法可以改进根据动态PET数据对动力学模型进行参数估计)”，IEEE Transactions on Medical Imaging，vol.23，no3，pp.297-306，2004年，ISSN 0278-0062。
[0103] 4、R.C.Gonzalez和R.E.Woods的“Digital Image Processing(数字图像处理)”，第2版第11章，Prentice Hall，New Jersey，USA。
[0104] 5、Lindsay I Smith的“A tutorial on Principal Components Analysis(主分量分析教程)”2002年2月26日，http://www.cs.otago.ac.nz/cosc453/student tutorials/principal components.pdf。
[0105] 6、Pasha Razifar 的“Novel Approaches for Application of PrincipalComponent Analysis on PET Images for Improvement of Image Quality andClinical Diagnosis(对PET图像应用主分量分析以便改进图像质量和临床诊断的新颖方法)”，博士论文，Uppsala University，ISSN 1651-6214，ISBN 91-554-6387-8。
[0106] 7、C.S.Patlak和R.G.Blasberg的“Graphical Evaluation ofBlood-to-Brain Transfer Constants from Multiple-Time Uptake Data(根据多次吸收数据对血液到脑部的传送常量进行图形评估)”Journal ofCerebral Blood Flow Metabolism，5：584-590，1985年。
[0107] 在允许的情况下，上面提到的参考文献的内容也被全文合并在本申请中以作参考。
