PET图像盲分割问题的理论和算法研究

Positron emission tomography (PET) imaging is playing a pivotal role in many oncology applications such as diagnosis and treatment. The presence of the significant partial volume effect (PVE) and high level noise are the main limitations of PET imaging. As a result, accurate localization of tumor in PET is challenging. This proposal aims to study the basic mathematical problems of PET image segmentation, and to propose basic principles for designing PET image blind segmentation algorithms. To this end, we will build mathematical models for tumor PET imaging, study the properties of these models, and characterize the effect of PVE on PET imaging using the level set method. In addition, we will also investigate the intrinsic relationship between PET image segmentation and image blind de-convolution, and propose PET blind image segmentation algorithms that are independent to PET scanners. The research suggested in this proposal will pave a new way for the localization and segmentation of tumor in PET,overcome the shortcomings of existing theory and algorithms,and promote the application of PET imaging in early diagnosis and treatment in clinic.

PET成像正逐渐成为癌症早期诊断和治疗的重要工具。存在明显的部分容积效应且噪声水平较高是PET成像的主要缺点。准确定位和分割PET图像中的癌症病灶非常困难。本项目旨在深入剖析PET图像分割问题的基本数学性质，研究PET图像"盲"分割算法的设计原则。为此，本项目将建立癌症PET成像数学模型，研究模型性质，利用水平集方法刻画部分容积效应对PET成像的影响，探求PET图像分割问题与图像盲解卷积问题的内在联系，设计不依赖于成像系统的PET图像"盲"分割算法。本项目的研究将开辟PET图像癌症定位和分割的新思路,克服现有理论和算法的局限，促进PET成像在癌症临床早期诊断和治疗中的应用。

本项目系统分析了PET成像中癌症病灶的性质和特点，重点研究了临床放疗中通过PET图像对癌症病灶进行精准定位的问题。针对PET图像存在部分容积效应的特点，建立了新的癌症PET成像数学模型。研究了部分容积效应对癌症病灶分割的影响，提出将PET图像的分割问题与图像的盲解卷积等经典的反问题统一进行研究的思路。通过这一思路，不仅图像反问题研究中的丰富成果能被推广到PET图像分割，而且由此设计的PET 图像“盲”分割算法也不依赖于PET成像系统本身的性质和参数。本项目的研究结果证明了这一思路的有效性。考虑到图像复原和图像分割具有相互促进的关系，我们将全变分半盲解卷积方法和Mumford–Shah (MS)分割方法集成到一个变分框架中，设计了可以同时实现PET图像复原、癌症分割和PET系统的模糊核估计的变分模型。由于PET图像中癌症边缘的模糊特性，及癌症内部区域的光滑性和不均匀性，我们在变分模型中设计了自适应多重正则，即在癌症边缘处使用具有边缘保护能力的全变差（TV）正则，在非边缘区域使用具有光滑性质的吉洪诺夫正则。利用PET图像的背景强度变化相对较小的特点，我们提出了通过对PET图像的背景区域在分割过程中的动态行为来定位PET图像癌症病灶。此方法将癌症病灶的分割问题转化为对背景强度密度的刻画及分析，简单易用，分割精度高且稳定性好，特别适用于临床使用。另外，我们还利用PET/CT信息互补的特点，提出了癌症病灶多模联合分割算法。这些算法充分考虑了PET、CT各自成像特点，实现优势互补，提高了分割精度。我们还将深度学习引入了PET变分盲分割系统，进一步挖掘了机器学习在PET图像分割中的潜力。本项目的研究开辟了PET 图像癌症定位和分割的新思路，克服了现有理论和算法的局限，为PET 成像在癌症临床早期诊断和治疗中的应用提供了帮助。已取得的成果包括：(1) 发表国际期刊论文8篇，(2) 发表国际会议论文(报告)16篇，(3) 培养博士生2人，硕士生7人。.