项目名称: 动态PET的定量分析算法和血液函数自动提取算法的研究

项目编号: No.81071218

项目类型: 面上项目

立项/批准年度: 2011

项目学科: 武器工业

项目作者: 陈喆

作者单位: 中国科学院自动化研究所

项目金额: 10万元

中文摘要: 通过对正电子核素标记的示踪分子参与活体的生理生化过程进行PET扫描,能够从分子水平反映活体的生理生化变化。作为目前核医学诊断和研究最先进的分子显像方法,已从临床应用推广到了小动物科学实验,小动物PET在药物寻找和开发、疾病研究、基因显像等领域发挥重要作用。借助定量分析技术,对动态小动物PET图像数据做进一步的数学处理,可以得到非常有意义的定量指标,如葡萄糖代谢率、DNA合成率、蛋白质合成速率等,这些指标可以对器官的代谢功能进行准确的评测,具有非常重要的临床意义。在本课题中,本项目针对动态小鼠PET数据的定量分析中存在的问题,展开两个方面的研究,针对连续采血所带来的小动物的不适和操作处理的负担,研究不需要采血操作的血液函数自动提取算法;针对PET图像的高噪和低对比度的特点,研究对小鼠的心脏各组织成分进行自动分割的算法。实验结果从多个方面证明了提出的算法的有效性和鲁棒性。

中文关键词: 动态PET;输入函数;分割;定量分析

英文摘要: Positron Emission Tomography(PET) is a diagnostic imaging tool used by phsicians to look at metobolic processes in the body. It is based on a radio-labeled biologically active compound(tracer)being detected, and then modeling the resulting tracer activity over time to image the tissue function quantitatively. The main advantage of such dynamic functional imaging is that it enables this quantitative analysis of metabolic changes in tissues which is complementary information to that provided by the structural imaging modalitis. In this work, to address on the problems of the quantitative analysis in dynamic mouse microPET studies, we present and validate two methods. The first method is automaticlly segment cardiac components (left ventricle, myocaridium, right ventircle) based on constraint nonnegative matrix factorization, and the second one is almost noninvasively estimate the input function from dynamic mouse 18F-FDG microPET images and 1 late blood sample, which accounting for the spillover, partial-volume, delay and dispersion effects. The experimental results demonstrate the effectiveness of the proposed methods.

英文关键词: dynamic PET; input function; segmentation; quantitive analysis

成为VIP会员查看完整内容
0

相关内容

【实用书】Python数据分析手册,437页pdf带你实战数据清洗
专知会员服务
35+阅读 · 2021年4月23日
【干货书】利用 Python 进行数据分析,470页pdf
专知会员服务
110+阅读 · 2021年3月13日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
36+阅读 · 2020年12月14日
专知会员服务
76+阅读 · 2020年12月6日
【干货书】图形学基础,427页pdf
专知会员服务
144+阅读 · 2020年7月12日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
PyTorch | 优化神经网络训练的17种方法
极市平台
3+阅读 · 2021年12月30日
一文概括常用图像处理算法以及常用开发库
极市平台
1+阅读 · 2021年11月23日
2021 年 Python 的好与坏
InfoQ
2+阅读 · 2021年11月16日
CT影像肺结节分割研究进展
专知
4+阅读 · 2021年4月23日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
【深度学习】深度学习的核心:掌握训练数据的方法
产业智能官
12+阅读 · 2018年1月14日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
小贴士
相关VIP内容
【实用书】Python数据分析手册,437页pdf带你实战数据清洗
专知会员服务
35+阅读 · 2021年4月23日
【干货书】利用 Python 进行数据分析,470页pdf
专知会员服务
110+阅读 · 2021年3月13日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
36+阅读 · 2020年12月14日
专知会员服务
76+阅读 · 2020年12月6日
【干货书】图形学基础,427页pdf
专知会员服务
144+阅读 · 2020年7月12日
高效医疗图像分析的统一表示
专知会员服务
33+阅读 · 2020年6月23日
相关资讯
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
PyTorch | 优化神经网络训练的17种方法
极市平台
3+阅读 · 2021年12月30日
一文概括常用图像处理算法以及常用开发库
极市平台
1+阅读 · 2021年11月23日
2021 年 Python 的好与坏
InfoQ
2+阅读 · 2021年11月16日
CT影像肺结节分割研究进展
专知
4+阅读 · 2021年4月23日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
【深度学习】深度学习的核心:掌握训练数据的方法
产业智能官
12+阅读 · 2018年1月14日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员