工作站与图像后处理

PET/CT扫描仪的采集工作站用于控制CT、PET及PET/CT扫描、运行质量控制、校准和维修程序，还用于将所采集的图像发送到处理及重建工作站或者网络上。采集工作站位于操作室内，操作室对CT扫描仪散射的X射线进行了屏蔽处理，操作人员可从采集工作站中，通过透明的铅屏蔽窗口或通过远程摄像设备来监视患者，操作人员也可在检查过程中通过采集工作站的内部通讯系统与患者通话或播放背景音乐来帮助患者在长时间的 PET扫描过程中处于放松状态。采集工作站主要由以下装置组成，即两台计算机，一台CT计算机和一台PET计算机，用于备份患者数据、系统配置及用户协议；两个监视器和鼠标、键盘等。

后处理工作站主要用于创建PET/CT融合图像。后处理工作站接收采集工作传送过来的数据，重建出放射性核素在人体内的采样分布。传输到工作站存储器的数据是按层保存的，每层的数据都包含了特定角度的信息，即对每一个特定角度的采样均为这个角度上所有LOR值的线性积分。对于每一层投影数据来说，数据存储于窦腔X线摄影矩阵中，矩阵的行与列分别代表角度值与放射性采样。数据处理分为二维重建与三维重建。二维重建算法主要有以下两种：滤波反投影重建法（filtered backproject，FBP）、迭代算法（iterative algorithms）。滤波反投影法在投影数据不包含噪声的时候可以准确地重现示踪剂在体内的分布。它的基本原理有如下几点。首先对角度数据进行傅立叶变换，然后在频域内采用ramp滤波器对重建矩阵的所有数据进行滤波处理，最后进行反变换。这种方法对于断层重建简单而快速；但也存在缺点，因为ramp滤波器主要是用于去除图像星状伪影（高频噪声）和增加图像空间分辨率的，它同时放大了噪声，尤其是在低计数数据采集时比较明显。为了补偿这种效应，通常的办法是采用一个低通平滑滤波器，通过设置其截止频率来消除数据的高频部分，但得到的图像会更加模糊，空间分辨率也会降低。该算法经常用于噪声较小的图像重建，如头部图像。迭代算法主要是基于对特定算法获得的目标函数进行最大或最小化处理。因此，我们通常把目标函数分成逻辑上的几个过程称为迭代。该算法的最大优点在于能够综合利用各种不同的先验信息，如噪声成分、衰减、不同探测器的特性等，从而获得更加精确的重建图像；然而必须指出的是增加计算参数就意味着增加处理时间。在这个基本思想下，对于不同的目标函数要应用不同的迭代次数，迭代次数太多容易导致噪声放大，使图像质量下降，所以要获得最佳的影像算法就需要准确的迭代次数。迭代算法有很多种，有的方法基于线形代数，有的基于统计学方法。后一类称为最大期望值最大化法，它可以更准确地对示踪剂的分布进行评估。它的目标函数是Poisson分布函数的极大似然函数，它力图使每一次迭代获得的重建层投影数据与最初的层面相等。这个方法的最大特点就是通过一个多种因素组合的参数来估计这次投影数据与下一次迭代的比率，从而不断更新图像。迭代算法的最大优点是可以在不影响空间分辨率的情况下，仅对噪声做较小放大，而且因为初始条件为非负值，故重建数据都为正值；其最大的缺点在于要想收敛到理想优化值需要很大的迭代次数，这就影响了它在临床上的应用。OS-EM算法是ML-EM算法的改进，它的目标函数依然是似然函数的数学期望，不同之处在于将投影集分成若干个有序的子集，然后按照一定的顺序对各个子集单独进行迭代，所有子集迭代完一次就完成了一次整体的迭代。投影子集的选取会影响算法的收敛性和收敛速度。但是经过实践发现，投影子集不能选得太多，否则可能导致不收敛，或者仅收敛到局部收敛点。Brown等证明OS-EM算法并不能收敛到ML-EM的收敛点，虽然在一定的条件下其收敛性和收敛速度都比较令人满意，但是仍要注意子集的选取，并且在迭代过程中应该加入别的平滑和滤波措施，如Gibbs平滑、中值滤波或Metz滤波等。三维重建必须考虑新的方法，因为线性响应LOR数据中的轴向角与扫描机架几何形状有关，所以每一个LOR数据都必须重新加以考虑。三维重建数据很大，如一个具有N个探测环的探测器，3D扫描获得的数据有N个与轴向相垂直的正弦矩阵，N（N-1）个不垂直的正弦矩阵，而2D扫描模式仅有2N-1个矩阵数据。这就意味着计算如此大的数据量需要更大的内存空间和更加复杂的运算。利用现有的工作站就可能导致不可预测的运算时间。三维重建的困难在于容积数据采集的不完整性。未能采集到的数据必须由2D重建的断层图像的正弦图数据通过某种算法估计得到。测量得到的投影数据与估算数据一起通过滤波反投影法进行三维重建。三维重建常用方法也有两种，即三维数据重组法和3D-RAMIA算法。重组算法是一个将3D数据变为2D数据的数学过程。最简单的算法是单层重组算法，它是将轴向LOR数据向断层投影，从而获得轴向线与断层面的交叉点。该方法对于头部扫描这种放射源离扫描中心轴较近的情况效果比较好；而对于其他情况，尤其是放射源离轴较远且解剖结构复杂的扫描，其成像质量不是很理想。傅立叶重组算法是在频域内，利用斜正弦图矩阵（oblique sinogram）频率与距离的关系进行计算，运算法则对原位数据所执行的二维图像重建（确保发射平面的完成）来源于那些图像的前向性发射，产生扫描设备不能提供的生发射数据。然后，使用Colsher滤镜进行合并数据（原始数据和前向性发射数据）的全体积重建。该重组算法对放射源的轴向定位的估计更加准确，因此可以很大程度上减少因离轴而造成的图像变形。数据重组以后，二维重建的算法就可以应用到三维重建中去了。3D-RAMIA是一种全新的算法。它利用一种称为体素（voxels）的数据来代替通常意义上的像素（pixels）。体素实际上是分布在一个长方体上的各个交叉点，可以通过已定义好的先验模型，调整和改变体素的形状与幅度，从而可以很好地控制成像质量。为了获得同一的采样数据，在实际应用中，相邻体素之间有交叉，且在交叉区域采用平均加权值来计算，这种算法产生高质量的全身3D图像至少需要25min。