PET reconstruction

正电子发射断层扫描（PET）是一种先进的医学成像技术，它通过检测放射性标记药物在身体内的分布来诊断和研究疾病。PET成像的目的通常是为了获取反映生物体代谢、血液流动、分子表达和其他生化过程的动态参数图像。本文讨论了一种新的PET重建方法，即直接从列表模式（List Mode）数据中重建四维（4-D）动态参数图像的方法，这对于提升PET成像的准确性和精确性具有重要意义。 在传统方法中，通常采用间接方法进行PET参数成像，也就是基于帧的（Frame-based）方法（FM）。该方法在图像重建之后，为每个体素拟合时间-活性曲线（Time-Activity Curve，简称TAC）与适当的隔室模型（Compartment Model）。然而，这种方法由于涉及到两个独立步骤，通常会造成一定的准确性或精确性的损失。为了解决这个问题，本文提出了直接的四维方法，该方法可以直接从列表模式PET数据生成三维（3-D）参数图像，从而避免了间接方法中的两步法所引起的误差。 本文中介绍的方法使用了一个新颖的期望最大化（Expectation Maximization，简称EM）算法，并引入了一个新的时空完备数据空间来优化最大似然函数。这导致了一个直接的、闭式的参数图像更新方程。该方法通过扩展当前的列表模式平台MOLAR，实现了参数算法PMOLAR-1T。使用有序子集（Ordered Subset）方法，本文使用了基于脑受体示踪剂的模拟二维（2-D）（x,t）和四维（x,y,z,t）数据以及实际人类脑部研究的数据进行了定性和定量评估。与间接方法相比，提出的方法在低计数水平下尤其能实现参数图像值的准确估计，并减少方差。 具体来说，直接方法在2-D测试中显示与基于帧的方法相似的偏差，但方差减少了23%至60%。在4-D测试中，两种方法的偏差值均不超过4%，但直接方法在正常计数水平下具有较低的可变性（与基于帧的方法相比，变异系数减少了0%至64%）。在低计数水平下，直接方法的可变性降低更大（减少了27%至81%），偏差更低（4-D为1%至5%，FM为1%至19%）。在人类脑部研究的结果也与PMOLAR-1T显示的低噪声类似。 此外，文章中还提到了与参数成像相关的其他关键词，如期望最大化、图像重建和单组织隔室模型。这些关键词强调了研究中使用的技术和算法的核心。期望最大化算法在统计分析、机器学习等领域都十分常见，其在这里被用于优化最大似然函数，从而提高参数图像的估计精度。图像重建技术是整个PET成像过程中的关键环节，而单组织隔室模型则是一种用于描述和分析PET数据的模型，通常假设组织由一个均匀混合的单一隔室组成。 总而言之，本文提出的直接4-D PET列表模式参数重建方法为PET成像提供了新的思路，并有望提高成像质量，特别是在低计数水平下，对于临床诊断和科研工作具有较高的应用价值。