• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Image Processing pt.3; Progress in Biomedical Optics and Imaging; vol.7 no.30 >Unsupervised Clustering of Dynamic PET Images on the Projection Domain
【24h】

Unsupervised Clustering of Dynamic PET Images on the Projection Domain

机译：投影域上动态PET图像的无监督聚类

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Segmentation of dynamic PET images is an important preprocessing step for kinetic parameter estimation. A single time activity curve (TAC) is extracted for each segmented region. This TAC is then used to estimate the kinetic parameters of the segmented region. Current methods perform this task in two independent steps; first dynamic positron emission tomography (PET) images are reconstructed from the projection data using conventional tomographic reconstruction methods, then the time activity curves (TAC) of the pixels are clustered into a predetermined number of clusters. In this paper, we propose to cluster the regions of dynamic PET images directly on the projection data and simultaneously estimate the TAC of each cluster. This method does not require an intermediate step of tomographic reconstruction for each time frame. Therefore the dimensionality of the estimation problem is reduced. We compare the proposed method with weighted least squares (WLS) and expectation maximization with Gaussian mixtures methods (GMM-EM). Filtered backprojection is used to reconstruct the emission images required by these methods. Our simulation results show that the proposed method can substantially decrease the number of mislabeled pixels and reduce the root mean squared error (RMSE) of the cluster TACs.
机译：动态PET图像的分割是动力学参数估计的重要预处理步骤。为每个分段区域提取一次时间活动曲线（TAC）。然后，使用该TAC估计分段区域的动力学参数。当前的方法通过两个独立的步骤执行此任务；首先，使用常规的断层摄影重建方法从投影数据重建动态正电子发射断层摄影（PET）图像，然后将像素的时间活动曲线（TAC）聚类为预定数目的聚类。在本文中，我们建议将动态PET图像的区域直接聚类在投影数据上，同时估计每个聚类的TAC。该方法不需要针对每个时间帧进行层析成像重建的中间步骤。因此，减小了估计问题的维数。我们将提出的方法与加权最小二乘（WLS）进行比较，并与高斯混合方法（GMM-EM）进行期望最大化。滤波后的反投影用于重建这些方法所需的发射图像。我们的仿真结果表明，该方法可以显着减少标记错误的像素数量，并减少群集TAC的均方根误差（RMSE）。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号