CN110197516A - 一种基于深度学习的tof-pet散射校正方法 - Google Patents
一种基于深度学习的tof-pet散射校正方法 Download PDFInfo
- Publication number
- CN110197516A CN110197516A CN201910459963.0A CN201910459963A CN110197516A CN 110197516 A CN110197516 A CN 110197516A CN 201910459963 A CN201910459963 A CN 201910459963A CN 110197516 A CN110197516 A CN 110197516A
- Authority
- CN
- China
- Prior art keywords
- tof
- pet
- scattering
- deep learning
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000013016 learning Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 abstract description 8
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010253 intravenous injection Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明提供了一种基于深度学习的TOF‑PET散射校正方法,涉及医学影像设备技术领域,包括通过拟合法、卷积/反卷积法、能窗法或单次散射模拟法获取non‑TOF‑PET的散射符合事例形成的正弦图,并对所有的数据集进行归一化;获取M个时间段的TOF‑PET的散射符合事例的正弦图;对non‑TOF‑PET和TOF‑PET的数据集进行归一化,并将此数据集分为训练集和测试集;构建深度学习网络模型;使用训练集对深度学习的网络模型进行训练,得到最优权重并保存;使用最优权重,将测试集中的non‑TOF‑PET散射符合事例正弦图输入到训练好的深度学习网络模型;得到估计到的M个时间片段的TOF‑PET的散射符合事例正弦图。本发明能在提高散射校正速度的同时确保散射校正的准确度。
Description
技术领域
本发明属于医学影像设备技术领域,涉及一种基于深度学习的TOF-PET散射校正方法,特别涉及基于飞行时间技术的正电子断层扫描成像(TOF-PET)方法。
背景技术
基于飞行时间技术(Time of Flight,TOF)的正电子发射断层成像(PositionEmission tomography,PET)与传统的PET(non-TOF-PET)成像过程和***的组成基本相同,但TOF-PET对时间分辨率的要求很高,一般需要小于600ps。将TOF的信息运用到图像重建中,可以显著提高图像的信噪比,从而提高图像质量以及最后的诊断准确度。
TOF-PET扫描首先需要静脉注射标记有放射性元素的示踪剂,依据放射性同位素示踪原理和符合探测技术进行成像,其与non-TOF-PET在时间测量上存在本质区别:non-TOF-PET的时间测量***的功能是在符合时间窗内确定真实符合是否发生,以便获得器官和组织结构的投影,TOF-PET则是在符合时间窗内确定发射性核素分布的位置和强度。TOF-PET探测器能分辨出一对由湮灭反应产生的方向相反的伽玛光子到达探测器的时间差,凭这个时间差,就可以确定湮灭事件发生的具体范围。
符合探测技术除了探测到两个同时发生的方向相反的511keV的发射湮没光子外,由于康普顿作用的影响,散射光子在损失能量的同时会偏离原本的运动方向,这种被探测器探测到的两个光子虽然来源于同一次正负电子湮没事件,但其中至少一个光子与介质发生了散射,因此这样的事例被称为散射符合事例。散射符合事例对会造成图像噪声严重、对比度差、定量分析不准确等问题,严重影响图像质量,需要说明的是,PET***采集到的总的符合事例包含真实符合事例、随机符合事例和散射符合事例,其中只有真实符合事例包含有价值的信息,因此需要尽可能的去除总的符合事例中的随机符合事例和散射符合事例,因此在图像重建时,需要去除随机符合事例并对散射符合事例进行散射校正。
目前常用的non-TOF-PET散射校正方法包括拟合法、卷积/反卷积法、能窗法、单次散射模拟法(SSS,single scatter simulation)及其变体多次散射模拟法和蒙特卡罗法(Monte Carlo simulation)。其中,拟合法通常仅适用于扫描结构简单、体积较小的物体;卷积/反卷积法应用于结构复杂的组织时精度受限;能窗法忽略了生物体特征,对能窗内数据的统计性敏感;单次或者多次散射模拟法能对光子散射进行近似模拟计算,也可以对***轴向视野(axial field-of-view)外的发射源进行模拟,但是计算准确度依赖于近似程度,计算速度较慢,且存在比例调节误差问题;而蒙特卡罗模拟法的准确度较高但是速度过慢,在临床中无法得到实际应用。
由于需要计算散射光子的时间信息,TOF-PET散射校正方法要比non-TOF-PET种类更少,更加复杂和耗时:目前主要是计算时间信息的单次散射模拟法及其变体多次散射模拟法,和包含时间信息的蒙特卡罗法。即使采用了GPU等硬件加速手段,这几种方法的计算速度都非常慢,在临床应用中受到了很大的限制,而通过减少时间采样或者简化模拟算法等方法来提速就会严重影响图像质量。
non-TOF-PET的单次散射仿真模型如图1所示,探测器对(A,B)的单次散射符合率的估计如公式(1)所示:
其中,Vs是总的散射体积,S为散射点,dVs是S处的增量体积元素,s是散射点到射线的距离,即图1所示的AS,σAS是γ射线沿AS入射时的探测器A的几何截面,RAS是A到S的距离,εAS是γ射线沿AS入射时的探测器A的效率,μ是线性衰减系数,λ是物体中发射器密度,σc是康普顿相互作用的总截面,Ω是散射立体角,IA和IB如公式(2)和(3)所示:
而IA和IB直接可获取得到获取non-TOF-PET正弦图。
在non-TOF-PET中,沿着散射点与探测器之间的射线通过发射图像的积分(如)不依赖于所关联的响应线(Line of Response,LOR),每一条射线均与许多条LOR相关(如图1所示),每条射线只进行积分一次,然后重用该值对相关联的LOR的全部路径进行评估,可有效提高散射率的计算效率。
而在TOF-PET中,还需要测量一对由湮灭反应产生的方向相反的伽玛光子到达探测器的时间差,这个时间偏移量取决于射线发射点位置和形成一个散射路径的两条射线的长度差(如图1中的ASB),从路径中间到发射点的空间偏移量Δs和两个光子的到达时间差Δt之间的关系是Δt=2Δs/c,其中c代表光速。对于每个生成的时间偏移量bin(用t表示),有一个取决于发射点和LOR独特的检测概率因子,通过引入一个新的检测概率函数,将TOF信息引入到上述SSS模型中,如公式(4)所示:
其中,如公式(5)、(6)所示:
其中,Δs=(RBS-RAS)/2±s。
在偏移量Δs检测到的记录在bin的发射事件的概率如公式(7)所示,其中包括了所有可能的bin(无论是否测量)。
在过去的几年里,从计算机视觉到自然语言处理领域,深度学习技术被应用到了数以百计的实际问题中。诸多案例也已经证明,深度学习能让工作比之前做得更好。目前,深度学习在CT散射校正中已经得到应用,但在PET散射校正中的应用非常少,目前现有技术中,采用了一维曲线CNN深度学习的方法得到多次散射的估计,以及采用总的符合事例的sinogram和衰减sinogram的双CNN深度学习的方法得到单次和多次散射的估计,而深度学习在TOF-PET散射校正中的应用还属于空白。
综上所述,TOF-PET***采集的数据中包含真实的符合事例,散射符合事例以及随机符合事例。散射符合事例会造成图像噪声严重、对比度差等问题,严重影响图像质量。因此现代PET、PET/CT、PET/MR等产品中都必须对散射符合事件进行校正,而带有时间信息的TOF散射校正往往需要非常长的计算时间,是目前PET领域的一个难题。
概括来说,现有技术采用的技术手段分别存在以下缺陷:
1、简单方法实现容易,但是准确度低,受物体形状等特性影响大;
2、复杂的方法实现复杂,在获得较高准确性的散射估计的同时速度非常慢;
3、增加了时间维度的TOF散射校正时间非常长:5~10分钟。
基于此,本案由此产生。
发明内容
为了解决现有技术中存在的上述缺陷,本发明提供了一种基于深度学习的TOF-PET散射校正方法,能在提高散射校正速度的同时确保散射估计的准确度。
为了实现上述目的,本发明采取的技术方案如下:
一种基于深度学习的TOF-PET散射校正方法,包括以下步骤:
通过拟合法、卷积/反卷积法、能窗法或单次散射模拟法获取non-TOF-PET的散射符合事例形成的正弦图,并对所有的数据集进行归一化;为了避免不同数据之间的差异性影响最终的结果,此处将所有数据的均值归一化到常数C;
获取M个时间段的TOF-PET的散射符合事例的正弦图;
对non-TOF-PET和TOF-PET的数据集进行归一化,并将此数据集分为训练集和测试集;
构建深度学习网络模型;
使用训练集对深度学习的网络模型进行训练,得到最优权重并保存;网络模型最开始会初始化权重,每完成一次训练,会得到新的权重,这个权重作为下一次模型训练的初始权重,如此反复迭代,当网络模型的输出与label之间的误差降低到一定程度时,这时的权重即为最优权重;
使用最优权重,将测试集中的non-TOF-PET散射符合事例正弦图输入到训练好的深度学习网络模型;
得到估计到的M个时间片段的TOF-PET的散射符合事例正弦图。
进一步地,所述深度学习网络模型为单通道输入、M通道输出,以non-TOF-PET的散射符合事例正弦图作为网络输入,M个时间片段的TOF的散射符合事例作为网络的标签。
进一步地,通过拟合双高斯曲线函数的方法来对non-TOF-PET和TOF-PET的数据集进行归一化。non-TOF-PET和TOF-PET的数据集进行归一化同样属于数据预处理阶段;通过拟合双高斯曲线函数的方法使non-TOF-PET和TOF-PET的均值处于相近的数量级,有利于网络模型的训练;
进一步地,所述网络模型为ResNet残差网络模型。ResNet是由残差块构建的,能解决训练非常深的神经网络出现的退化问题。残差网络更容易优化,使得通过增加网络深度来提高准确率成为可能,ResNet一经提出就在图像分类、检测、定位等领域得到广泛应用。
进一步地,所述网络模型为DenseNet网络模型。DenseNet对于网络中的任意一层,该层前面所有层的特征图(feature map)都是这层的输入,该层的feature map是后面所有层的输入。DenseNet具有非常好的抗过拟合性能,且可以大大减少参数的数量,更易于训练,减少计算复杂度和存储成本。DenseNet在图像语义分割和物体检测等视觉任务中效果良好,在医学图像,卫星图像等任务上都具有非常广阔的应用前景。
进一步地,所述网络模型为生成对抗网络模型GAN。GAN的实现方法是让生成模型G与判别模型D进行博弈,训练过程中通过相互竞争让这两个模型同时得到增强。由于判别模型D的存在,使得G在没有大量先验知识以及先验分布的前提下也能很好的去学习逼近真实数据,并最终让模型生成的数据达到以假乱真的效果。GAN在生成高分辨率图像和交互式图像、根据文本生成图像、图像修复、图像超分辨率以及合成场景渲染等领域应用广泛。
进一步地,所述网络模型为类U-net的结构的卷积神经网络模型。U-Net是卷积神经网络的一种变形。整个神经网络主要有两部分组成:收缩路径和扩展路径。收缩路径用于获取上下文信息,而与之相对称的扩展路径用于精确的定位搜索。U-net网络能够从极少图像端对端进行训练,运行速度非常快,基本可以对任意形状大小的图片进行卷积操作。U-net网络常用于图像分割和识别,尤其在医学图像领域比较常用。
本发明的原理和有益效果:
(1)本发明的散射校正方法将深度学习技术用于TOF-PET的散射校正过程中,即从non-TOF-PET的散射符合事例直接得到TOF-PET的散射符合事例,完成散射校正,能在提高散射校正速度的同时确保散射校正的准确度。
(2)本发明将深度学习技术用于TOF-PET的散射校正过程中,所采用的网络模型结构如图2所示,该网络结构与U-net网络相比,采用密集块(dense block)代替了U-net网络中的卷积层。在DenseNet的结构中,每个层连接到所有随后的层,这增强了信息的重用,从而解决了消失梯度问题。此外,通过特征的重用,DenseNet结构可以大大减少参数的数量,更易于训练,并且需要更少的计算复杂度和存储成本。
附图说明
图1为本实施例单词散射仿真模型的示意图;
图2为本实施例网络模型结构的示意图;
图3为本实施例采用深度学习进行散射估计的流程图;
图4为本实施例新得到的non-TOF-PET的散射符合事例形成的正弦图Ntof和估计得到的M个时间片段的TOF-PET的散射符合事例形成的正弦图。
标注说明:图1中S为发射源,A、B均为探测器,LOR为响应线。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果,能够更清楚更完善的披露,兹提供了以下实施例,并结合附图作如下详细说明:
S1通过拟合法、卷积/反卷积法、能窗法或单次散射模拟法获取non-TOF-PET的散射符合事例获取non-TOF-PET的散射符合事例形成的正弦图,并对所有的数据集进行归一化;
S2获取M个时间段的TOF-PET的散射符合事例的正弦图;
S3通过拟合双高斯曲线函数的方法来对non-TOF-PET和TOF-PET的数据集进行归一化,并将此数据集分为训练集和测试集;
S4构建单通道输入、M通道输出的深度学习网络模型;
S5将训练集中的non-TOF-PET的散射符合事例形成的正弦图Ntof作为网络的输入(单通道),M个时间片段的TOF-PET的散射符合事例形成的正弦图Time1、Time2…Time10、…、…Timec作为标签(M通道),对深度学习网络模型进行训练;
S5训练得到最优权重并保存;
S6使用最优权重,将测试集中的non-TOF-PET的散射符合事例形成的正弦图Ntof输入到训练好的深度学习网络模型,得到估计到的M个时间片段的TOF-PET的散射符合事例形成的正弦图
将M个时间片段的TOF-PET的散射符合事例形成的正弦图合在一起,得到最终的TOF-PET的散射符合事例形成的正弦图,实现散射校正。
基于深度学习的TOF-PET散射校正能在提升散射校正的速度的同时确保散射估计的准确度;根据实际物体的大小,比之传统的TOF-PET散射校正方法,其速度大约能提升10~12倍。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明,不能认定本发明具体实施只局限于上述这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于深度学习的TOF-PET散射校正方法,包括以下步骤:
通过拟合法、卷积/反卷积法、能窗法或单次散射模拟法获取non-TOF-PET的散射符合事例形成的正弦图,并对所有的数据集进行归一化;
获取M个时间段的TOF-PET的散射符合事例的正弦图;
对non-TOF-PET和TOF-PET的数据集进行归一化,并将此数据集分为训练集和测试集;
构建深度学习网络模型;
使用训练集对深度学习的网络模型进行训练,得到最优权重并保存;
使用最优权重,将测试集中的non-TOF-PET散射符合事例正弦图输入到训练好的深度学习网络模型;
得到估计到的M个时间片段的TOF-PET的散射符合事例正弦图。
2.如权利要求1所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:所述深度学习网络模型为单通道输入、M通道输出,以non-TOF-PET的散射符合事例正弦图作为网络输入,M个时间片段的TOF的散射符合事例作为网络的标签。
3.如权利要求1所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:通过拟合双高斯曲线函数的方法来对non-TOF-PET和TOF-PET的数据集进行归一化。
4.如权利要求1或2所述的所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:所述网络模型为ResNet残差网络模型。
5.如权利要求1或2所述的所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:所述网络模型为DenseNet网络模型。
6.如权利要求1或2所述的所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:所述网络模型为生成对抗网络模型GAN。
7.如权利要求1或2所述的所述的一种基于深度学习的TOF-PET散射校正方法,其特征在于:所述网络模型为类U-net的结构的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459963.0A CN110197516A (zh) | 2019-05-29 | 2019-05-29 | 一种基于深度学习的tof-pet散射校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459963.0A CN110197516A (zh) | 2019-05-29 | 2019-05-29 | 一种基于深度学习的tof-pet散射校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110197516A true CN110197516A (zh) | 2019-09-03 |
Family
ID=67753350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910459963.0A Pending CN110197516A (zh) | 2019-05-29 | 2019-05-29 | 一种基于深度学习的tof-pet散射校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197516A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660464A (zh) * | 2019-10-29 | 2020-01-07 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和*** |
CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
CN112669402A (zh) * | 2020-12-22 | 2021-04-16 | 颜建华 | 一种基于深度学习的四维pet显像的快速动态散射矫正方法 |
WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070085013A1 (en) * | 2005-10-14 | 2007-04-19 | Watson Charles C | Scatter correction for time-of-flight positron emission tomography data |
CN106344058A (zh) * | 2016-08-09 | 2017-01-25 | 沈阳东软医疗***有限公司 | 一种用于pet***的时间校正方法、装置及*** |
CN109658472A (zh) * | 2018-12-21 | 2019-04-19 | 上海联影医疗科技有限公司 | 处理正电子发射计算机断层扫描图像数据的***和方法 |
CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
-
2019
- 2019-05-29 CN CN201910459963.0A patent/CN110197516A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070085013A1 (en) * | 2005-10-14 | 2007-04-19 | Watson Charles C | Scatter correction for time-of-flight positron emission tomography data |
CN106344058A (zh) * | 2016-08-09 | 2017-01-25 | 沈阳东软医疗***有限公司 | 一种用于pet***的时间校正方法、装置及*** |
CN109658472A (zh) * | 2018-12-21 | 2019-04-19 | 上海联影医疗科技有限公司 | 处理正电子发射计算机断层扫描图像数据的***和方法 |
CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
Non-Patent Citations (2)
Title |
---|
宋万清等: "《数据挖掘》", 中国铁道出版社 * |
石涵等: "医用全身正电子发射成像探测***技术的研发热点和进展", 《生物医学工程学杂志》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110660464A (zh) * | 2019-10-29 | 2020-01-07 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和*** |
CN110660464B (zh) * | 2019-10-29 | 2020-10-27 | 浙江明峰智能医疗科技有限公司 | 一种lyso晶体pet的智能日常质量控制方法和*** |
CN110910368A (zh) * | 2019-11-20 | 2020-03-24 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
CN110910368B (zh) * | 2019-11-20 | 2022-05-13 | 佛山市南海区广工大数控装备协同创新研究院 | 基于语义分割的注射器缺陷检测方法 |
WO2021164429A1 (zh) * | 2020-02-21 | 2021-08-26 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置及设备 |
CN112669402A (zh) * | 2020-12-22 | 2021-04-16 | 颜建华 | 一种基于深度学习的四维pet显像的快速动态散射矫正方法 |
CN112669402B (zh) * | 2020-12-22 | 2023-09-15 | 颜建华 | 一种基于深度学习的四维pet显像的快速动态散射矫正方法 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197516A (zh) | 一种基于深度学习的tof-pet散射校正方法 | |
Berker et al. | Attenuation correction in emission tomography using the emission data—a review | |
EP3226766B1 (en) | System and method for image calibration | |
US11445992B2 (en) | Deep-learning based separation method of a mixture of dual-tracer single-acquisition PET signals with equal half-lives | |
US8847166B2 (en) | Imaging device using gamma rays, image signal processor, and image processing method for gamma ray measurement data | |
CN109717891A (zh) | 一种基于深度学习的pet散射校正方法 | |
CN107133549B (zh) | Ect运动门控信号获取方法及ect图像重建方法 | |
CN104657950B (zh) | 一种基于Poisson TV的动态PET图像重建方法 | |
CN105678821B (zh) | 一种基于自编码器图像融合的动态pet图像重建方法 | |
CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
CN106204674A (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
CN104700438A (zh) | 图像重建方法及装置 | |
Xu et al. | Deep-learning-based separation of a mixture of dual-tracer single-acquisition PET signals with equal half-lives: a simulation study | |
CN107146218B (zh) | 一种基于图像分割的动态pet图像重建及示踪动力学参数估计方法 | |
CN109741254A (zh) | 字典训练及图像超分辨重建方法、***、设备及存储介质 | |
CN107146263B (zh) | 一种基于张量字典约束的动态pet图像重建方法 | |
CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
CN105374060A (zh) | 一种基于结构字典约束的pet图像重建方法 | |
CN105158278A (zh) | 通过正电子探针定位腔体内壁缺陷的无损检测***及检测方法 | |
Qing et al. | Separation of dual-tracer PET signals using a deep stacking network | |
WO2023051719A1 (en) | Methods and systems for attenuation map generation | |
CN106062818A (zh) | 用于时间选通pet研究的基于选通特定的mr的衰减校正的方法和装置 | |
Cheng et al. | Maximum likelihood activity and attenuation estimation using both emission and transmission data with application to utilization of Lu‐176 background radiation in TOF PET | |
Rahman et al. | DEMIST: A deep-learning-based task-specific denoising approach for myocardial perfusion SPECT | |
Zhu | Improved Modeling and Image Generation for Fluorescence Molecular Tomography (FMT) and Positron Emission Tomography (PET) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190903 |