An Edge-Preserving Bayesian Image Reconstruction in Emission Tomography (II)

核子醫學電腦斷層掃瞄，包括PET 和SPECT，主要是透過影像重建法去重建標記藥物在人體內的密度分佈，然後提供診斷。因此為增加診斷的精確度，影像重建法佔了很重要的地位。統計性影像重建法(statistical image reconstruction methods)，特別是貝斯(Bayesian)影像重建法，因為具有雜訊模擬、系統及物理現象補償、影像特性修正的特點，已經證明比傳統的濾波反投影(FBP)要來的準確。目前，統計性影像重建法已經漸漸成為核醫影像重建的重要方法，但是在廣為使用之前，有兩個重要的議題須要解決，即影像重建速度以及與影像品質相關的事前資訊模型(Prior Model)。之前我們提出了類似OSEM 演算法的COSEM 影像重建法，具有快速的收斂性質，解決了OSEM 因為缺乏推導理論基礎，及不易加入事前資訊prior 以應用於貝斯影像重建的問題。另外，一般常用於貝斯影像重建中的事前資訊模型，都以降低雜訊為主，但因為過渡強調每個像素(pixel)間的同質度(similarity)，使得影像解析度降低，影像變得模糊。如此所得到的影像會有不易定量的問題，特別會影響腫瘤偵測的診斷結果。關於這個問題，可以利用具有保持邊緣特性(Edge-Preserving)的事前資訊模型加以化解。我們曾經提出一個具有保持邊緣特性的事前資訊模型，叫做中數模型(median prior，MP)。之前我們所發展的MP 是利用PCG(Preconditioned Conjugate Gradient)影像重建法，它的複雜度不適合臨床上廣為使用，且MP 的邊緣強度參數並沒有可供利用的調整規則，也沒有對MP 做過有系統的評估。近年來因為多重影像系統的發展，如PET/CT/MRI，許多文獻報告證實解剖結構影像的高解析度，可以與功能性的核醫影像相輔相成。更甚者，利用解剖結構影像的空間資訊於核醫影像重建過程，可以增加核醫影像的解析度，並進而增進核醫影像的診斷功能。本計畫的目標即是發展可以結合高解析度的解剖結構影像空間資訊，例如CT或MRI，配合快速影像重建法與具有保持邊緣特性的事前資訊模型，以增加核醫影像的空間解析度，並且同時降低雜訊的影響。本計畫分兩年完成，自民國94年8月起已經執行第一年計畫，本計畫第一年的目標是結合之前的快速影像重建法(COSEM)與中數事前資訊模型(MP)，發展一個有效且快速的具有保持邊緣特性的貝斯影像重建法，而且深入研究MP 的邊緣強度參數，找出一個規則，可供臨床上使用。解剖影像與功能影像之間有相關性，因此可以利用解剖影像的清楚的器官的邊緣資訊，來改善功能影像的模糊邊緣問題。目前第一年計畫進度執行良好，已有初步的結果。我們在第二年的計劃即是利用第一年的研究成果，發展一套具解剖影像邊緣資訊(anatomical prior)的貝斯影像重建法，加入高解析度的解剖性結構資料(CT or MRI)，來改善核醫的影像品質與定量，可以增加腫瘤偵測率。本計畫將深入研究這個新方法的特性，並與目前其他相關的影像重建法做比較。

Project ID:PB9508-5413
External Project ID:NSC95-2314-B182-029