一體化PET/MRI頭部運動兩種校正方法的對比

謝魏瑋 胡凌志 曹學香 褚 旭 陳 群,

一體化PET/MRI頭部運動兩種校正方法的對比

謝魏瑋1,2胡凌志3曹學香3褚 旭1陳 群1,2,3

1（中國科學院上海高等研究院 上海 201210）
2（中國科學院大學 北京 100049）
3（上海聯(lián)影醫(yī)療科技有限公司 上海 201807）

正電子發(fā)射斷層成像(Position emission tomography, PET)/磁共振成像(Magnetic resonance imaging, MRI)問世以后，通過MRI獲取掃描對象運動信息的準確度大為增加。為驗證精確的運動信息條件下，基于響應線(Line of Response, LOR)的運動校正方法校正效果更為明顯，我們對基于frame和基于LOR的兩種頭部運動校正方法的精度進行了對比研究。通過PET模擬數(shù)據(jù)完成兩種校正算法的設計和結果比較，進而利用MRI成像速度快、圖像質量高的特點，在上海聯(lián)影醫(yī)療科技有限公司一體化PET/MRI上獲取實驗數(shù)據(jù)，通過配準MRI圖像獲取頭部運動信息，并對PET數(shù)據(jù)進行運動補償，實現(xiàn)對兩種校正方法校正效果的驗證和評估。通過對模擬和實驗數(shù)據(jù)校正結果的定性定量分析，我們驗證了PET/MRI環(huán)境中，基于LOR的方法，利用獲取的高精度運動信息對于PET頭部運動具有更好的補償效果。

正電子發(fā)射斷層成像/磁共振成像，頭部運動校正，快速梯度回波序列

正電子發(fā)射斷層成像(Position emission tomography, PET)在腫瘤學、心血管疾病學、神經(jīng)系統(tǒng)疾病學和新醫(yī)藥學開發(fā)等研究領域有著卓越的性能[1]。磁共振成像(Magnetic resonance imaging, MRI)在反映解剖形態(tài)和生理功能信息方面也具有無可比擬的優(yōu)越性，特別是在軟組織對比方面，其優(yōu)勢更強且無輻射[2]。一體化PET/MRI掃描在診斷、預測、監(jiān)控許多重大疾病的發(fā)生與轉移中發(fā)揮著重要的作用[3]。頭部PET/MRI掃描對于腦血管疾病、老年性癡呆、癲癇、帕金森、神經(jīng)退行性疾病的診斷以及神經(jīng)精神藥物研究與腦功能研究等[4]具有重要價值。在一體化PET/MRI同步掃描過程中，由一些疾?。òd癇、帕金森等）引起的頭部運動或者由于患者肌肉收縮與舒張帶來的運動不可避免，由此帶來的運動偽影對于臨床上判斷病灶的大小與發(fā)生位置產(chǎn)生了很大的影響。

為了獲取被測物體更精確的運動信息，減少運動偽影對PET圖像質量的影響，國內(nèi)外已經(jīng)做了很多相關研究。對頭部加綁帶以抑制運動和麻醉被測患者都可以減少運動偽影，但前者并不能完全抑制患者的運動[5]，而后者會干擾患者神經(jīng)系統(tǒng)功能[6]?，F(xiàn)在較為常見的PET頭部運動校正包括自適應校正[7-9]和利用外部設備記錄被測物體運動信息的方法[10-11]?？山柚耐獠吭O備包括視頻監(jiān)控系統(tǒng)等。由于頭部運動是剛性運動，某一點的運動情況即可代表整個頭部的運動，用視頻監(jiān)控系統(tǒng)監(jiān)測頭部某一點6個維度的運動信息，以此用于頭部運動校正[10]。

在以往的各種手段中，所獲取的被測物體的運動信息精確度有限，因此基于幀(frame)和基于響應線(Line of response, LOR)的兩種頭部運動校正方法校正效果區(qū)別不甚明顯[12]。PET/MRI出現(xiàn)以后，相比于之前的運動信息獲取手段，由于MRI成像速度快、圖像質量高、序列選取靈活，因此基于MRI獲取被測模體的運動信息的精確度大為提高，PET的頭部運動校正有了長足的發(fā)展。

本文旨在驗證一體化PET/MRI應用中，由于獲取的運動信息精確度高，那么基于LOR的方法則具有更好的校正效果。通過對快速成像的MRI圖像進行配準、利用導航序列記錄被測物體的運動軌跡等都是PET/MRI中比較重要的快速精確獲取運動信息的方法[3,13]，這為PET/MRI的運動校正奠定了基礎和方向，也為臨床上選取最適合的提高PET圖像質量的方法提供了依據(jù)。本文在一體化PET/MRI同步掃描過程中，通過對快速成像的高空間分辨率MRI圖像進行配準，獲取被掃描模體的高精度運動信息。利用獲取到的運動信息對PET原始數(shù)據(jù)分別進行基于兩種方法的頭部運動補償。為比較分析兩種補償方法的效果，擬針對模擬和實驗兩部分展開研究。使用模擬數(shù)據(jù)進行校正方法的設計和調試，使用實驗數(shù)據(jù)對校正算法進行驗證。本文對兩種方法的校正結果做了定性和定量的對比研究。

1 方法

1.1 一體化PET/MRI系統(tǒng)參數(shù)

我們使用上海聯(lián)影醫(yī)療科技有限公司自主研發(fā)的一體化PET/MRI (uPMR790)設備，該設備結合PET與MRI兩種模態(tài)的優(yōu)點，采用自主研發(fā)的硅基光電轉換探測技術，使用2.76mm×2.76mm× 15.50mm的硅酸釔镥閃爍晶體，7×8的晶體組成一個陣列塊，5×14的陣列塊組成一個模塊。PET探測器共有20個模塊，軸向112環(huán)，單環(huán)700個晶體，內(nèi)環(huán)直徑647mm。實現(xiàn)了32cm的PET成像軸向視野和1.4mm的空間分辨率，具有飛行時間(Time of flight, TOF)功能。

該設備還配備了3 T超導磁體和50mT·m?1的梯度線圈，最大爬升率200mT·m?1·ms?1。

1.2 系統(tǒng)模擬

使用蒙特卡羅(Monte Carlo)方法[14]，利用標準的醫(yī)學影像模擬軟件GATE (GEANT4 Application for Tomographic Emission)模擬真實PET探測器的結構、物理、模體、放射源以及采集條件和采集時間。GATE模擬能夠精確地模擬PET掃描中正電子的產(chǎn)生、湮滅以及產(chǎn)生的光子到達探測器等物理過程[15]。

設置PET掃描時NEMA IQ (National Electrical Manufacturers Association Imaging Quality)[16]標準模體以系統(tǒng)中心為原點，沿系統(tǒng)坐標軸6個方向各運動15mm，模體在每個位置模擬PET掃描30s，分別存儲在6個位置的PET模擬數(shù)據(jù)，模體如圖1所示。

圖1 NEMA IQ模體Fig.1 NEMA IQ phantom.

類似地，設置XCAT (the 4D extended cardiactorso)[17]頭部模體沿系統(tǒng)坐標軸6個方向各運動8mm，并存儲6個位置的PET模擬數(shù)據(jù)。為了更加精確地分析和對比兩種校正方法的效果，系統(tǒng)仿真模擬時在XCAT頭部加入一個10mm×10mm× 10mm的球形病灶，如圖2所示。

圖2 XCAT頭部矢狀面圖像Fig.2 Sagittal plane of XCAT head.

1.3 實驗方法設置

利用MRI快速梯度回波序列(Gradient echo quick 3D)成像速度快和MRI圖像空間分辨率高的特點進行實驗，參數(shù)為：矩陣大小77×96，像素尺寸3.12 mm×3.13 mm，層數(shù)56，層厚3mm，回波時間1.8ms，重復時間4.5ms。

實驗的方法步驟如下：

1) 使用水分較豐富的柚子，將三個PET實驗用點源（22Na源）嵌入柚子表皮中并綁定；

2) 將上述綁定了點源的柚子置于PET/MRI掃描床板上，并使用激光燈定位；

3) 設置PET/MRI同步掃描環(huán)境，利用快速梯度回波序列進行連續(xù)不間斷采集25次，獲取25幀MRI圖像；

4) 在此掃描中保持PET一直采數(shù)，采集期間推動柚子發(fā)生4次運動；

5) 存儲MRI的25次掃描完成時采集到的PET原始數(shù)據(jù)。

本實驗過程中PET一直保持采數(shù)，PET/MRI總共同時掃描約280.1s。

實驗過程中，柚子發(fā)生了4次運動，對應5個空間位置，每個位置都有對應的MRI圖像與PET圖像。如圖3所示，實驗在t0時刻開始掃描，以第一幅MRI圖像為參考圖像，后續(xù)24幅MRI圖像與該參考位置配準獲取運動信息。模體分別在t1、t2、t3、t4時刻發(fā)生了運動，實驗在t5時刻結束。分別存儲每個位置相對于參考位置的運動矢量，并以t1?t44個時間點為分界點，把PET原始數(shù)據(jù)分段存儲，根據(jù)運動補償方法的不同（基于frame的方法和基于LOR的方法），分別存儲為弦圖格式sinogramn和表模式listmoden[18]，n=1,2,3,4,5。

圖3 PET/MRI同步掃描Fig.3 Simultaneous scanning of PET/MRI.

1.4 運動補償?shù)姆椒?/p>

1.4.1 基于frame的方法

將采集到的各幀PET數(shù)據(jù)分別重建后，根據(jù)MRI圖像配準得到各幀的平移、旋轉等運動信息，將各幀圖像做相應的平移、旋轉反變換，并將變換后的各幀圖像相加[7-8]，即獲得運動校正后的PET圖像。

1.4.2 基于LOR的方法

PET采集的原始數(shù)據(jù)可以采用表模式listmode記錄。表模式數(shù)據(jù)以一維數(shù)據(jù)表的形式記錄了全部事件信息，包括每個γ光子的入射位置、發(fā)生時間、能量信息等，直到采集結束。根據(jù)一對光子落在探測器環(huán)上的位置，PET采集的每一個事件，可以對應一條LOR，因此每一條LOR都有相應的4個信息(Na、Nb、Ra、Rb)，Na表示a光子所在環(huán)上的晶體編號，Ra表示a光子所在探測器環(huán)的編號。

如圖4所示，以探測器環(huán)所在平面的水平方向為x軸，豎直方向為y軸，從機架指向床板的方向為z軸，建立空間坐標系，探測器可近似為該坐標系內(nèi)的一個圓柱，坐標原點位于圓柱中心，每一條LOR則對應該空間坐標系內(nèi)圓柱上的兩個點M1和M2。

圖4 基于LOR的校正示意圖Fig.4 Procedure of LOR based motion compensation.

通過MRI圖像配準獲取到LOR的運動矢量為α，對M1M2變換到N1N2的位置，變換如下：

由于N1點與N2點不一定落在圓柱壁上，需將N1、N2延長，取其與圓柱的交點M1′與M2′，那么M1′ M2′即為校正后的LOR′所在的位置。

1.5 圖像重建

重建基于開源重建軟件STIR (Software for tomographic image reconstruction)[19]，采用順序子集期望最大算法(Ordered subsets expectationmaximization algorithm, OSEM)進行圖像重建[20]。重建使用9次迭代，5個子集，重建圖像尺寸為128×128×223，像素尺寸為2.778mm×2.778mm× 1.425mm。

為了獲得精確的PET圖像，還需要對PET數(shù)據(jù)進行各項校正，包括歸一化校正、隨機校正、衰減校正、散射校正等，與運動校正一樣這些校正都基于STIR完成。

1.6 數(shù)據(jù)分析方法

1.6.1 半高寬

PET圖像運動校正的效果通常通過比較校正前后病灶點的半高寬(Full width at half maximum, FWHM)來分析，如圖5所示。

圖5 點擴展函數(shù)半高寬定義示意圖Fig.5 FWHM of point spread function.

由點擴展函數(shù)的最大值的一半處的相鄰像素間的線性插值即可確定FWHM，最大值用峰值點和其最近鄰的兩個點的拋物線擬合來確定。

對于XCAT頭部模擬數(shù)據(jù)和綁定了點源的柚子實驗數(shù)據(jù)，本文都分別獲取了兩種校正方法下的PET重建圖像上病灶區(qū)域隨機5個位置的FWHM來分析校正效果，F(xiàn)WHM越小校正效果越好。

1.6.2 對比度恢復系數(shù)

對NEMA IQ模體的重建圖像通常通過計算對比度恢復系數(shù)(Contrast recovery coefficient, CRC)來分析圖像質量。分析中使用以冷球和熱球為中心的橫斷面圖像，在每個熱球和冷球體畫出相應的感興趣區(qū)域(Region of interest, ROI)，并在該層的模體本底上畫出與冷熱球上所畫ROI相同尺寸的ROI，接近中間層兩側±1cm與±2cm處的其它層上也應該畫出ROI。應畫不同大小的本底ROI共計60個，共5層，記錄每個ROI上本底的平均計數(shù)。每個熱球j的百分對比度QH,j由式(2)計算：

式中：CH,j為球體j上ROI內(nèi)平均計數(shù)；CB,j為球體j本底ROI上計數(shù)的平均值；aH為熱球體內(nèi)放射性活度濃度；aB為本底放射性活度濃度。對于每個冷球體j的百分對比度QC,j由式(3)計算：

式中：CC,j為球體j上ROI內(nèi)的平均計數(shù)；CB,j為球體j 60個本底ROI計數(shù)的平均值[16]。

分別統(tǒng)計了未運動、未經(jīng)運動校正和兩種運動校正方法后NEMA IQ模體圖像的冷、熱球體的百分對比度隨著重建的迭代次數(shù)的變化，即繪成CRC曲線。QH,j和QC,j越高，校正效果越好。

2 結果

為了對比相同條件下兩種校正方法校正效果的差異，兩種校正方法所用PET原始符合事件數(shù)保持一致。

2.1 模擬數(shù)據(jù)

對XCAT頭部模擬數(shù)據(jù)進行標準的PET校正、重建，其結果如圖6所示。

分析圖6中(a)-(d)圖像有病灶區(qū)域中心附近隨機5個位置的FWHM，結果如圖7所示。

圖6 XCAT頭部校正前后的重建圖像(a) 未運動，(b) 未校正，(c) 基于frame的校正，(d) 基于LOR的校正Fig.6 Reconstruction images of XCAT head before and after motion compensation.(a) With no motion, (b) Without motion correction, (c) With frame based motion correction, (d) With LOR based motion correction

圖7 校正前后圖像病灶區(qū)域的FWHM值Fig.7 FWHM values around lesion of reconstruction imagesbefore and after motion correction.

對NEMA IQ模體的模擬數(shù)據(jù)進行標準的PET校正、重建，運動校正前后的重建結果如圖8所示。

經(jīng)計算，兩種方法校正前后NEMA IQ圖像的CRC曲線如圖9所示。

圖8 NEMA IQ模體校正前后的重建圖像(a) 未運動，(b) 未校正，(c) 基于frame的校正，(d) 基于LOR的校正Fig.8 Reconstruction images of NEMA IQ phantom before and after motion compensation.(a) With no motion, (b) Without motion correction, (c) With frame based motion correction, (d) With LOR based motion correction

圖9 校正前后NEMA IQ 圖像冷、熱球的對比度恢復系數(shù)曲線(a) 未運動，(b) 未經(jīng)運動校正，(c) 基于frame的運動校正，(d) 基于LOR的運動校正Fig.9 CRC curves of NEMA IQ hot and cold spheres before and after motion compensation. (a) With no motion, (b) Without motion correction, (c) With frame based motion correction, (d) With LOR based motion correction

2.2 實驗數(shù)據(jù)

圖10(a)-(e)分別為5個位置上MRI橫斷面圖像，圖10(f)-(j)分別為對應的5個位置上的PET圖像。

未經(jīng)運動校正的所有PET數(shù)據(jù)重建圖像如圖11(a)所示，對PET原始數(shù)據(jù)進行基于frame和基于LOR的運動校正后的重建圖像分別如圖11(b)和(c)所示。

分析圖11中(a)-(c)圖像點源中心區(qū)域隨機5個位置的FWHM，結果如圖12所示。

未經(jīng)運動校正的PET/MRI融合圖像如圖13(a)所示，經(jīng)過基于frame和基于LOR的方法校正的融合圖像分別如圖13(b)和(c)所示。

圖10 5個位置上的MRI橫斷面成像(a-e)和PET圖像(f-j)Fig.10 MRI transverse images (a-e) and PET image (f-j) at 5 positions.

圖11 鈉源運動校正前后的重建圖像(a) 未校正，(b) 基于frame的校正，(c) 基于LOR的校正Fig.11 Reconstruction images of sodium sources before and after motion correction.(a) Without motion correction, (b) With frame based motion correction, (c) With LOR based motion correction

圖12 校正前后點源中心區(qū)域的FWHM值Fig.12 FWHM value of center of point sources before and after motion correction.

圖13 運動校正前后的PET/MRI融合圖像(a) 未校正，(b) 基于frame的校正，(c) 基于LOR的校正Fig.13 PET/MRI combined image before and after motion correction.(a) Without motion correction, (b) With frame based motion correction, (c) With LOR based motion correction

3 討論

對于XCAT模擬數(shù)據(jù)，由圖7可以看出，5個位置上，兩種運動校正方法下病灶附近區(qū)域的FWHM值都比未校正的圖像FWHM值要小，可見兩種校正方法都有明顯的補償運動偽影的作用；同時5個位置上，基于LOR的校正圖像中FWHM值都要比基于frame的校正圖像中的小，且更接近未運動的模體重建圖像中的FWHM，因而基于LOR的方法要比基于frame的方法校正效果好。

對于NEMA IQ模擬數(shù)據(jù)，由圖9(a)-(d)對比可以看出，相對于未校正的圖像，基于frame和基于LOR的方法中隨著迭代次數(shù)的增加，冷球和熱球的CRC值都明顯上升，因此這兩種方法都有明顯的校正效果；而基于LOR的方法相對于基于frame的方法，冷球和熱球的CRC值都上升得更多，且更接近于未運動的模體重建圖像的CRC值，因此前者具有更好的運動校正效果。

對于點源實驗數(shù)據(jù)，由圖12可以看出，結果與圖7類似，兩種校正方法都有明顯的補償運動偽影的效果，而基于LOR的校正效果更為優(yōu)異。

由上述模擬和實驗結果可以看出，兩種方法都具有明顯的校正效果，但也各有優(yōu)缺點?；趂rame的運動校正是在重建后的PET圖像上的操作，相對于基于LOR的方法更為簡單方便；但PET圖像重建過程會引入一定的噪聲，因而校正效果不如基于LOR的方法。而基于LOR的方法是對重建前的PET原始數(shù)據(jù)操作，不受重建過程帶來的其他噪聲的影響，因此在獲取同樣精度的運動信息的條件下，相比于基于frame的方法校正效果更為明顯。另外，基于frame的校正方法對PET圖像質量有一定的要求，而高質量的PET圖像需要足夠多的符合事件。在一定劑量的放射源下，統(tǒng)計量與掃描時間正相關?；贚OR的校正方法的校正過程不需要PET重建，只需要MRI成像，而MRI有一些快速成像的序列，可以獲取更多的運動信息，因此，基于LOR的校正方法在MRI的序列選取上也相對更為靈活。

PET/MRI掃描中，根據(jù)不同的臨床需求，使用的MRI序列不同，MRI成像時間有所不同，圖像質量亦有所不同。但是，成像時間越短，MRI的圖像質量卻相應地下降，給圖像配準帶來了一定的影響，獲取運動信息的精確度下降。因此，在MRI成像時間對獲取到運動信息準確性的影響和配準算法對MRI圖像質量的要求中間尋求一個均衡點，是PET/MRI頭部運動校正未來的重要研究內(nèi)容之一。

4 結語

PET/MRI同步掃描實驗以及模擬數(shù)據(jù)結果都很好地驗證了兩種方法的校正效果。XCAT頭部模體和NEMA IQ模體的模擬結果表明，基于LOR的運動校正結果與沒有運動的模體圖像更為接近，綁定了點源的柚子的PET/MRI同步掃描實驗也進一步證明了基于LOR的方法校正效果更為明顯?？焖倬_成像的MRI圖像能夠獲取到足夠準確的運動信息，這都為臨床上減少PET/MRI頭部圖像偽影，提高圖像質量提供了研究依據(jù)。

1 Strauss L G, Conti P S. The applications of PET in clinical oncology[J]. Journal of Nuclear Medicine, 1991, 32(4): 649-650.

2 Constantine G, Shan K, Flamm S D, et al. Role of MRI in clinical cardiology[J]. Lancet, 2004, 363(9427): 2162-2171.

3 Catana C, Benner T, van der Kouwe A, et al. MR-assisted PET motion correction for eurological studies in an integrated MR-PET scanner[J]. Journal of Nuclear Medicine, 2011, 52(1): 154-161. DOI: 10.2967/jnumed. 110.079343.

4 Schlemmer H P, Pichler B J, Schmand M, et al. Simultaneous MRPET imaging of the human brain: feasibility study[J]. International Journal of Medical Radiology, 2008, 248(3): 1028-1035.

5 Bloomfield P M, Spinks T J, Reed J, et al. The design and implementation of a motion correction scheme for neurological PET[J]. Physics in Medicine amp; Biology, 2003, 48(8): 959-978.

6 Lindauer U, Villringer A, Dirnagl U. Characterization of CBF response to somatosensory stimulation: model and influence of anesthetics[J]. American Journal of Physiology, 1993, 264(2): 1223-1228.

7 Ashburner J A, Jesper L R, Friston K J. Image registration using a symmetric prior - in three dimensions[J]. Human Brain Mapping, 2015, 9(4): 212-225.

8 Jenkinson M, Smith S. A global optimisation method for robust affine registration of brain images[J]. Medical Image Analysis, 2001, 5(2): 143-156.

9 Maes F, Collignon A, Vandermeulen D, et al. Multimodality image registration by maximization of mutual information[J]. IEEE Transactions on Medical Imaging, 1997, 16(2): 187-198.

10 Bloomfield P M, Spinks T J, Reed J, et al. The design and implementation of a motion correction scheme for neurological PET[J]. Physics in Medicine amp; Biology, 2003, 48(8): 959-978.

11 Lopresti B J, Russo A, Jones W F, et al. Implementation and performance of an optical motion tracking system for high resolution brain PET imaging[J]. IEEE Transactions on Nuclear Science, 1999, 46(6): 2059-2067.

12 Wang J, Hu L, Feng T, et al. Improved spatial and temporal resolution of gated myocardial perfusion PET using post reconstruction dual respiratory and cardiac motion compensation[C]. Nuclear Science Symposium and Medical Imaging Conference, IEEE, 2014: 1-4.

13 Thurfjell L, L?tj?nen J, Lundqvist R, et al. Combination of biomarkers: PET [18F]flutemetamol imaging and structural MRI in dementia and mild cognitive impairment[J]. Neurodegenerative Diseases, 2012, 10(1-4): 246-249. DOI: 10.1159/000335381.

14 Wasserstein R L. Monte Carlo: concepts, algorithms, and applications[M]. New York, USA: Springer-Velag, 1996.

15 Jan S, Santin G, Strul D, et al. GATE: a simulation toolkit for PET and SPECT[J]. Physics in Medicine amp; Biology, 2004, 49(19): 4543-4561.

16 Twitchen D J, Newton M E, Baker J M, et al. Performance measurements of positron emission tomographs[M]. Virginia, US: National Electrical Manufacturers Association, 2001.

17 Segars W P, Sturgeon G, Mendonca S, et al. 4D XCAT phantom for multimodality imaging research[J]. Medical Physics, 2010, 37(9): 4902-4915.

18 Nichols T E, Qi J, Asma E, et al. Spatiotemporal reconstruction of list-mode PET data[J]. IEEE Transactions on Medical Imaging, 2002, 21(4): 396-404.

19 Thielemans K, Tsoumpas C, Mustafovic S, et al. STIR: software for tomographic image reconstruction release 2[C]. Nuclear Science Symposium Conference Record, IEEE, 2012: 2174-2176.

20 Boellaard R, Van L A, Lammertsma A A. Experimental and clinical evaluation of iterative reconstruction OSEM in dynamic PET: quantitative characteristics and effects on kinetic modeling[J]. Journal of Nuclear Medicine, 2001, 42(5): 808-817.

Evaluation of two motion correction methods for simultaneous PET/MRI brain imaging

XIE Weiwei1,2HU Lingzhi3CAO Xuexiang3CHU Xu1CHEN Qun1,2,3
1(Shanghai Advanced Research Institute, Chinese Academy of Sciences, Shanghai 201210, China)
2(University of Chinese Academy of Sciences, Beijing 100049, China)
3(Shanghai United Imaging Healthcare Co., Ltd., Shanghai 201807, China)

Background: Simultaneous position emission tomography (PET) / magnetic resonance imaging (MRI) plays an important role in diagnosis of many brain diseases. However, brain motion caused by epilepsy, Parkinson’s disease or muscle contraction and relaxation in head and neck is inevitable during the scanning. Motion artifact is one of the key factors that affect the quality of PET brain imaging. With PET/MRI, it becomes possible to use motion information obtained with MRI to correct for the PET image artifacts due to the high resolution of MRI. Purpose: This study aims to verify line of response (LOR) based motion correction method is more accurate than frame-based motion correction method in PET/MRI brain imaging, considering more precise information from MRI than previous methods. Methods: Rigid motions of NEMA (National Electrical Manufacturers Association) phantom and XCAT (the 4D extended cardiac-torso) phantom were simulated by using Monte Carlo method, i.e., the medical imagingsimulation software GATE (GEANT4 application for tomographic emission). PET data was corrected using the two methods within open source reconstruction software STIR (software for tomographic image reconstruction). The reconstructed images of NEMA imaging quality (IQ) phantom were evaluated by contrast recovery coefficient (CRC) curves and the images of XCAT phantom were evaluated using full width at half maximum (FWHM) measurement of the lesion. The rigid phantom motion information was corrected by registering MRI images using gradient echo quick 3D sequence during PET/MRI scanning simultaneously, because MRI features high speed in imaging and high spatial resolution. Then, PET data was reconstructed using MRI derived motion vector to verify and evaluate the accuracy of these two motion correction methods. Results: FWHM values of reconstruction results compensated by both methods were significantly lower than the ones without motion correction. LOR based FWHM values were lower than those corrected by the frame-based methods both in XCAT simulation data and experiment data. Similarly, for NEMA IQ simulation data, the CRC curves had a higher upward tendency of both hot and cold spheres than the ones without motion correction, and the CRC curves of all spheres from LOR based method were higher than frame-based ones. Conclusion: By quantitative and qualitative analysis of both simulation and experiment corrected data, we concluded that both methods can compensate motion artifacts, and the LOR based method outperforms frame-based method for PET data compensation in simultaneous PET/MRI scanning.

XIE Weiwei, female, born in 1991, graduated from Huazhong University of Science and Technology in 2013, master student, focusing on medical imaging

CHEN Qun, E-mail: qun.chen@sari.ac.cn

PET/MRI, Brain motion correction, Gradient echo quick 3D sequence

TL99

10.11889/j.0253-3219.2017.hjs.40.040302

中國科學院重點部署項目(No.Y325511211)、國家重點研發(fā)計劃“數(shù)字診療裝備研發(fā)”試點專項(No.2016YFC0103900)資助

謝魏瑋，女，1991年出生，2013年畢業(yè)于華中科技大學，現(xiàn)為碩士研究生，研究領域為醫(yī)學影像

陳群，E-mail: qun.chen@sari.ac.cn

2017-01-13，

2017-02-28

Supported by Key Projects of Chinese Academy of Sciences (No.Y325511211), National Key Research and Development Program Digital Diagnostic Equipment Ramp;D Pilot (No.2016YFC0103900)

Received date: 2017-01-13, accepted date: 2017-02-28