🤖 machine learning

Accurate 2D Reconstruction for PET Scanners based on the Analytical White Image Model

本文提出了一种基于解析白图像模型的 PET 扫描仪精确二维重建方法，通过推导晶体间响应的闭式解并将其集成到改进的 MLEM 算法中，在无需系统矩阵的情况下有效补偿了物理限制，并在合成及真实数据上验证了其优于非补偿重建方法的性能。

原作者： Tomislav Matulić, Damir Seršić

发布于 2026-02-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Tomislav Matulić, Damir Seršić

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种让 PET（正电子发射断层扫描）相机拍出的照片更清晰、更准确的新方法。为了让你轻松理解，我们可以把 PET 扫描想象成在一个黑暗的房间里玩“猜位置”的游戏。

1. 游戏背景：PET 相机是如何工作的？

想象一下，你给病人注射了一种发光的“魔法药水”（放射性示踪剂）。这种药水会在体内发出一种特殊的信号（光子）。

相机（PET 扫描仪）：就像是一个由成千上万个**小眼睛（晶体探测器）**围成的圆圈。
信号（光子）：当药水在体内某个点“爆炸”时，会同时向相反方向射出两束光。
连线（响应线）：如果圆圈上相对的两个小眼睛同时看到了光，它们就会画出一条连线。电脑认为，那个“爆炸点”一定在这条连线的某处。

问题出在哪？
在现实世界中，这些“小眼睛”并不是完美的点，它们有宽度（像长条形的饼干）。而且，光子在穿过身体时可能会发生散射（像台球撞到其他球后偏转）。
这就导致了一个大问题：电脑以为信号来自一条直线上，但实际上，由于晶体的宽度和物理干扰，信号可能来自这条线周围的一片区域。如果不修正，重建出来的图像就会模糊、变形，甚至出现奇怪的假影（比如中间有个黑圈）。

2. 以前的做法 vs. 这篇论文的新招

以前的做法（笨办法）：

蒙特卡洛模拟：就像用超级计算机在虚拟世界里模拟几亿次光子飞行。这很准，但太慢了，就像为了做一顿饭，先模拟了种菜、养鸡、磨面的一生。
点源测量：拿一个极小的发光点去扫描，记录所有反应。但这需要好几年才能测完所有角度，完全不现实。
简单的几何模型：只考虑直线，忽略了晶体的宽度。这就像画画只画轮廓，没涂阴影，结果图像失真。

这篇论文的新招（聪明的“白图像”）：
作者提出了一种数学上的“万能公式”，用来生成一张**“白图像”（White Image）**。

什么是“白图像”？

想象一下，如果你把均匀的发光粉末撒满整个扫描区域，然后让相机转一圈拍下来，理论上得到的应该是一张亮度均匀的“白图”。
但在现实中，由于晶体的形状和排列，中间亮，边缘暗，或者有些位置特别亮，有些特别暗。这张**“不均匀的白图”其实记录了相机本身的“性格缺陷”**（物理局限性）。

作者做了什么？

推导公式：他们像解数学题一样，精确计算了两个“小眼睛”（晶体）之间看到信号的概率。这就像计算两个长条形饼干在旋转时，它们“视线”重叠的面积有多大。
简化计算：精确的公式太复杂，像天书一样。作者发现，用**“三角形”或“矩形”**的简单形状去近似这个复杂的概率，误差几乎可以忽略不计。这就像用简单的积木块去拼出一个复杂的雕塑，既快又准。
生成“白图像”：把这些简化的公式转一圈（旋转 360 度）并加起来，就得到了那张完美的“白图像”模型。

3. 怎么用它来修图？（MLEM 算法的改进）

有了这个“白图像”模型，作者修改了重建图像的算法（MLEM）。

打个比方：

旧方法：就像你试图在满是雾气的房间里猜物体的形状。你只能凭感觉猜，结果猜出来的东西歪歪扭扭。
新方法：作者给了你一张**“雾气分布图”**（也就是白图像模型）。
- 当你看到某个地方特别亮时，算法会想：“哦，这里本来就容易亮（因为相机在这里的‘性格’就是容易收到信号），所以实际物体可能没那么亮。”
- 当你看到某个地方很暗时，算法会想：“这里本来就不容易收到信号，所以实际物体可能很亮。”

通过这种**“除法修正”**（在算法的每一步都除以这个白图像模型），算法自动抵消了相机本身的缺陷。

4. 结果如何？

作者用两种数据测试了这个方法：

电脑模拟数据：完美的虚拟环境。
真实数据：用真实的动物 PET 相机（Raytest ClearPET）扫描了一个标准的测试模型（NEMA phantom，里面有小圆柱体）。

效果对比：

没有修正的图像：就像透过脏玻璃看东西，中间有个难看的黑圈，圆柱体模糊成一团，甚至分不清有几个。
作者的新方法：图像变得非常清晰，圆柱体边缘锐利，那个讨厌的黑圈消失了。而且，计算速度非常快（几秒钟就能算出一张图），不需要超级计算机。

总结

这篇论文的核心贡献是：
他们发明了一个简单、快速且极其准确的数学公式，用来描述 PET 相机“看”东西时的真实反应。他们把这个公式做成了一张**“修正地图”（白图像）**，贴在重建算法里。

这就好比给相机戴上了一副“智能眼镜”，让它在拍照的瞬间就能自动消除镜头的畸变和模糊，从而用更少的辐射剂量，拍出更清晰、更真实的医学图像。这对于医生诊断疾病（如癌症）至关重要，因为清晰的图像意味着更准确的判断。

这是一份关于论文《基于解析白图像模型的 PET 扫描仪精确 2D 重建》（Accurate 2D Reconstruction for PET Scanners based on the Analytical White Image Model）的详细技术总结。

1. 研究背景与问题 (Problem)

正电子发射断层扫描（PET）的图像重建长期以来依赖于迭代算法（如 MLEM 和 OSEM），这些算法的性能高度依赖于系统模型的准确性。传统的系统矩阵构建方法存在以下主要挑战：

点源测量法：虽然最准确，但获取完整系统矩阵需要极长的时间（估算需数年），不切实际。
蒙特卡洛（MC）模拟法：虽然能提供较准确的物理模型，但计算速度慢，且为了降低统计噪声需要大量伪事件，导致存储和访问巨大的系统矩阵（3D PET 中元素可达 $10^{12}$ 级别）成为瓶颈。
解析法：计算速度快，可实时生成，但通常仅考虑几何分量，忽略了散射等物理效应，导致重建图像失真或出现伪影。
白图像（White Image）缺失：现有的重建方法往往缺乏对探测器几何响应不均匀性的精确补偿模型，导致重建图像中心出现伪影或环形伪影，尤其是在视场（FOV）不完整或探测器排列不对称的情况下。

核心问题：如何在不依赖庞大的预计算系统矩阵或耗时的 MC 模拟的前提下，构建一个既精确又计算高效的解析模型，用于补偿 PET 扫描中的物理限制，从而实现高质量的 2D 图像重建。

2. 方法论 (Methodology)

本文提出了一种基于**晶体对响应（Crystal-to-Crystal Response）**的解析白图像模型，并将其集成到改进的 MLEM 算法中。

2.1 晶体对响应的数学建模

基础模型：作者推导了两个晶体（AB 和 CD）之间探测到湮灭点源 $T(x,y)$ 的概率密度函数（PDF）。假设晶体长度为 $2L_0$ ，晶体中心到旋转中心的距离为 $R_0$ 。
解析推导：将二维 PDF 分为两个区域（三角形区域和矩形区域），利用几何相似三角形关系，推导出了非归一化概率密度函数 $\hat{P}(x,y)$ 的精确闭式解。
旋转积分：为了生成白图像，需要将晶体对响应围绕原点旋转 $2\pi$ $2 π$ 并积分。
- 精确解：作者首先推导了旋转后的精确闭式解（公式 10），但该表达式极其复杂，难以直接应用。
- 近似解：为了实用性，作者提出了两种近似模型：
  1. 狄拉克线旋转近似：将晶体中心连线视为狄拉克线（Dirac line）进行旋转积分。
  2. 三角形窗口加权近似（核心贡献）：引入一个三角形权重函数 $T(l)$ 来加权狄拉克线的旋转结果。通过数学证明，当晶体长度远小于半径（ $L_0 \ll R_0$ ）时，这种三角形近似与精确解的误差极小（均方根误差 RMSE 极低）。

2.2 白图像（White Image）模型生成

定义：白图像描述了均匀分布的点源在整个测量区域被探测到的概率，包含了所有晶体对旋转后的响应总和。
生成公式：
$I_{WI}(r) = \frac{1}{N_p} \sum_{i,j} w_{ij} P_a(r; h_{ij}, R_{ij}, L_{ij})$
其中 $P_a$ 是上述的三角形近似响应， $w_{ij}$ 是权重。
权重推导：作者通过积分分析证明，每个晶体对对总白图像的贡献权重 $w_{ij}$ 与有效晶体长度的平方成正比（ $w_{ij} \propto L_{ij}^2$ ）。这使得模型能够根据探测器的具体几何配置（如 ClearPET 的多环结构）自动调整权重。

2.3 改进的 MLEM 重建算法

去系统矩阵化：传统的 MLEM 需要巨大的系统矩阵 $A$ 。本文提出的算法利用**射线驱动（Ray-driven）**的前向投影（Radon 变换 $R$ ）和后向投影（ $R^*$ ）来替代矩阵乘法。
白图像补偿：将白图像模型 $I_{WI}$ $I_{W I}$ 直接嵌入 MLEM 迭代公式的分母中，用于校正几何响应不均匀性。
- 迭代公式修改为：
  $I^{(n+1)} = I^{(n)} \odot R^* \left( S \oslash R(I^{(n)}) \right) \oslash I_{WI}$
- 其中 $S$ 是正弦图数据， $\odot$ 和 $\oslash$ 分别为逐元素乘法和除法。
优势：无需存储庞大的系统矩阵，内存占用仅与重建图像大小相当；计算速度快，可实时生成补偿模型。

3. 主要贡献 (Key Contributions)

精确的解析晶体响应模型：首次提供了基于笛卡尔坐标系的晶体对响应精确数学表达式，并推导了其旋转积分的闭式解。
高精度的近似模型：提出了基于三角形权重函数的近似模型，证明了其在 $L_0/R_0 \to 0$ 时与精确解几乎一致，且计算复杂度大幅降低。
白图像生成方法：建立了一个通用的白图像生成框架，能够处理非对称、多环探测器配置（如 ClearPET），并给出了权重的解析推导（ $L^2$ 依赖）。
无需系统矩阵的快速重建算法：将白图像模型集成到 MLEM 中，实现了基于射线驱动的无矩阵重建，显著降低了内存需求并提高了计算效率。
实验验证：通过 MC 模拟、真实测量数据（Raytest ClearPET 相机和 NEMA NU 4-2008 体模）验证了模型的有效性。

4. 实验结果 (Results)

模型验证：
- 将解析生成的白图像与 MC 模拟结果及真实校准测量结果进行对比，发现三者几乎无法区分，证明了模型的极高准确性。
- 近似模型（三角形窗口）的均方根误差（RMSE）在 $10^{-7}$ 量级，远优于狄拉克线近似和矩形窗口近似。
重建性能：
- 伪影消除：在未补偿的 MLEM 重建中，由于探测器几何响应的不均匀性，图像中心出现了明显的伪影，且存在环形伪影。引入白图像补偿后，这些伪影被完全消除。
- 图像质量：在真实数据（NEMA 体模）上，提出的方法成功重建了放射性示踪剂填充的圆柱体结构，即使在使用不完整的探测器配置（仅 4 个或 8 个扇区）下，也能获得清晰的图像。
- 对比优势：与滤波反投影（FBP）和无补偿的 MLEM 相比，该方法在图像清晰度和伪影抑制方面表现显著更优。
计算效率：
- 在 Intel i9-11900K 处理器上，处理约 50,000 个符合事件的重建仅需约 1.3 秒。
- 完成整个高分辨率重建（48 个轴向切片）仅需约 1 分钟。

5. 意义与结论 (Significance)

理论意义：填补了 PET 重建中缺乏详细、精确且可解析的晶体响应模型的空白。附录中提供的详细数学推导为未来的 3D 扩展奠定了基础。
应用价值：
- 低成本与高效率：该方法不需要昂贵的点源扫描或耗时的 MC 模拟，即可生成高精度的补偿模型，特别适合小型动物 PET 扫描仪（如 ClearPET）或视场受限的专用扫描仪。
- 实时性：由于模型是解析的且基于射线驱动，非常适合需要快速重建的临床或实时应用场景。
- 通用性：提出的框架易于扩展至 3D 重建，只需将白图像模型扩展为 4D 补偿子空间。
局限性：当前模型主要关注几何响应，尚未包含散射（scatter）和随机事件（randoms）的校正，这是未来的研究方向。

总结：该论文通过严谨的数学推导，提出了一种基于解析白图像模型的高效 PET 重建方案。它成功解决了传统方法中系统矩阵过大或获取困难的问题，显著提升了图像重建质量，消除了几何伪影，为 PET 成像技术的实用化和优化提供了新的理论工具。