权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Development of PET/MR image fusing system

PET/MR图像融合系统的开发

基本信息

批准号：
07555127
负责人：
KOSUGI Yukio
金额：
$ 5.12万
依托单位：
Tokyo Institute of Technology
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (B)
财政年份：
1995
资助国家：
日本
起止时间：
1995 至 1996
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-07555127/
关键词：
PET image fusion neural networks inverse problems ill-posedness MR images dynamic regularization blood-flow distribution 血流分布 Position Emission Tomography Brain MR images Neural Networks Partial Voiume Effect Network Inversion

项目摘要

Positron Emission Tomography (PET) will give important information in diagnosing intra-cranial metabolic disease as well as in investigating the functional mechanism of the brain, when we can get clear images.Amongst variety of methods so far proposed, the MR-based deconvolution process might be one of the most important key-techniques in improving the PET imaging quality. In this research, we investigated the inverse problem of the deconvolving process within the framework of the network inversion technique, with respect to the neural network model for the partial volume effect arising in the positron emission tomography. To stabilize the inverse solution, we incorporate such a priori knowledge as the histological information given by MR images and the smoothness in the distribution of the blood-flow, which can be realized by the Tikhonov's regularization.In particular, in this research we proposed a "dynamic regularization technique" in which the regularizing parameter should be changed according to each stage of the ongoing iterative optimization procedure. We developed the method and proved the effectiveness of the dynamic regularization in use with respect to a simple inverse problem, followed by the actual application to the brain PET image restoration process, with successful results demonstrated.

正电子发射断层扫描（PET）可以获得清晰的图像，为诊断脑内代谢性疾病和研究脑功能机制提供重要信息。在目前提出的各种方法中，基于核磁共振的反卷积处理可能是提高PET成像质量的最重要的关键技术之一。在这项研究中，我们研究了网络反演技术框架内反卷积过程的逆问题，针对正电子发射断层扫描中部分体积效应的神经网络模型。为了稳定反解，我们结合了MR图像给出的组织信息和血流分布的平滑性等先验知识，这可以通过Tikhonov正则化来实现。特别是，在本研究中，我们提出了一种“动态正则化技术”，其中正则化参数应根据正在进行的迭代优化过程的每个阶段进行改变。我们开发了该方法，并在一个简单的逆问题上证明了动态正则化的有效性，随后将其实际应用于脑PET图像的恢复过程，并取得了成功的结果。

项目成果

期刊论文数量（21）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

菅波,亀山,小杉,西川: "MR援用PET画像処理における組織分類ニューラルネット" 電子情報通信学会技術研究報告. NIBE95-95. 45-52 (1995)

Suganami、Kameyama、Kosugi、Nishikawa：“MR 辅助 PET 图像处理中的组织分类神经网络” NIBE95-95 (1995)。

DOI：
发表时间：
期刊：
影响因子：
0
作者：
通讯作者：

Naoko Uemoto, Yukio Kosugi, Toshimitsu Momose and Junichi Nishikawa: "Dynamic Regularization Technique for the MR-Based Reconstruction of PET Images" Proc.First International Workshop on Advanced Signal Processing for Medical MRIS. (in press). (1997)

Naoko Uemoto、Yukio Kosugi、Toshimitsu Momose 和 Junichi Nishikawa：“基于 MR 的 PET 图像重建的动态正则化技术”Proc.First 国际医学 MRI 高级信号处理研讨会。

DOI：
发表时间：
期刊：
影响因子：
0
作者：
通讯作者：

植本尚子、小杉幸夫: "アプリオリ情報を用いたPET画像修復系の構成" 電子情報通信学会技術報告. MBE96-113. 95-102 (1997)

Naoko Uemoto、Yukio Kosugi：“使用先验信息配置 PET 图像恢复系统”MBE96-113 (1997)。

DOI：
发表时间：
期刊：
影响因子：
0
作者：
通讯作者：

Yukio Kosugi et al.(分担第32章): "Quantification of Brain Function Using PET(Eds.Myers et al.)" Academic Press, p,p.166-169 (1996)

Yukio Kosugi 等人（第 32 章）：“使用 PET 量化脑功能（Eds.Myers 等人）”Academic Press，第 166-169 页（1996 年）

DOI：
发表时间：
期刊：
影响因子：
0
作者：
通讯作者：

Yukio Kosugi, Yusuke Suganami, Naoko Uemoto, Keisuke kameyama, Mikiya Sase, Toshimitsu Momose and Junichi Nishikawa: "CCE-Based Index Selection for Neuro Assisted MR-Image Segmentation" Proc.IEEE 1996 Intemationa Conference on Image Processing. 249-252 (1

Yukio Kosugi、Yusuke Suganami、Naoko Uemoto、Keisuke kameyama、Mikiya Sase、Toshimitsu Momose 和 Junichi Nishikawa：“基于 CCE 的神经辅助 MR 图像分割索引选择”Proc.IEEE 1996 国际图像处理会议。