CN110298897B - 用于正电子发射断层成像图像重建的***和方法 - Google Patents
用于正电子发射断层成像图像重建的***和方法 Download PDFInfo
- Publication number
- CN110298897B CN110298897B CN201910381788.8A CN201910381788A CN110298897B CN 110298897 B CN110298897 B CN 110298897B CN 201910381788 A CN201910381788 A CN 201910381788A CN 110298897 B CN110298897 B CN 110298897B
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- images
- image
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000002600 positron emission tomography Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims abstract description 274
- 238000013507 mapping Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 238000010200 validation analysis Methods 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 92
- 238000003860 storage Methods 0.000 description 74
- 230000008569 process Effects 0.000 description 50
- 230000006870 function Effects 0.000 description 44
- 238000003384 imaging method Methods 0.000 description 42
- 230000015654 memory Effects 0.000 description 29
- 239000000700 radioactive tracer Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000012905 input function Methods 0.000 description 15
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 210000005010 torso Anatomy 0.000 description 12
- 239000008280 blood Substances 0.000 description 11
- 210000004369 blood Anatomy 0.000 description 11
- 239000013598 vector Substances 0.000 description 10
- 238000011176 pooling Methods 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 210000000056 organ Anatomy 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010561 standard procedure Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 206010029113 Neovascularisation Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001747 exhibiting effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000975 bioactive effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004060 metabolic process Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000579895 Chlorostilbon Species 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 208000004605 Persistent Truncus Arteriosus Diseases 0.000 description 1
- 208000037258 Truncus arteriosus Diseases 0.000 description 1
- 101150013568 US16 gene Proteins 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000617 arm Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 210000001072 colon Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003238 esophagus Anatomy 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000000232 gallbladder Anatomy 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000006225 natural substrate Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000003101 oviduct Anatomy 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 102000005962 receptors Human genes 0.000 description 1
- 108020003175 receptors Proteins 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000626 ureter Anatomy 0.000 description 1
- 210000003932 urinary bladder Anatomy 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/486—Diagnostic techniques involving generating temporal series of image data
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/44—Constructional features of apparatus for radiation diagnosis
- A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Nuclear Medicine (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了用于正电子发射断层成像图像重建的***和方法。该方法可以包括获得与主体相关的图像序列,该图像序列包括通过在一个或一个以上连续时间段扫描主体生成的一个或一个以上图像。该方法还可以包括获得目标机器学习模型,以及基于图像序列,使用目标机器学习模型生成至少一个目标图像。所述目标机器学习模型提供所述图像序列和所述至少一个目标图像之间的映射。
Description
优先权声明
本申请要求于2019年4月3日提交的美国申请US16/374,672的优先权,其内 容通过引用结合于此。
技术领域
本申请涉及正电子发射断层扫描(PET)技术,更具体地,涉及用于图像重建 的方法和***。
背景技术
正电子发射断层扫描(PET)***广泛用于医学诊断。使用PET***,将携带 放射性示踪剂的生物活性分子引入患者体内。然后,PET***检测由放射性示踪剂发 射的辐射(也称为PET扫描数据),并通过分析检测到的信号构建体内放射性示踪剂 浓度的图像。因为生物活性分子是靶器官或组织的新陈代谢的天然底物,所以基于 PET扫描数据重建的参数图像的体素或像素呈现示踪剂动力学的生理参数(也称为动 力学参数)的值,可以帮助评估靶器官或组织的生理学(功能)和/或解剖学(结构) 以及其生化特性。目前,可以使用间接重建算法(例如,Patlak模型)、直接重建算法 (例如,四维重建模型)等来重建参数图像。使用间接重建算法,PET扫描数据的一 部分可用于重建图像帧,这可能增加重建图像中的噪声,并降低图像质量。使用直接 重建算法,四维重建模型较为复杂,其可能需要更多迭代并降低重建速度。因此,期 望提供用于重建具有改进的图像质量和重建速度的参数图像的***和方法。
发明内容
本申请的一个方面,提供了一种图像重建方法。该方法包括获得与主体相关的 图像序列,所述图像序列包括通过在一个或一个以上连续时间段扫描所述主体生成的 一个或一个以上图像。所述方法还包括获得目标机器学习模型,以及基于所述图像序 列,使用所述目标机器学习模型生成至少一个目标图像。其中,所述至少一个目标图 像呈现与所述主体相关联的动力学参数,所述目标机器学习模型提供所述图像序列和 所述至少一个目标图像之间的映射。
在一些实施例中,所述方法包括将与主体关联的图像序列输入到目标机器学习模型,将所述图像序列转换为至少一个目标图像。
在一些实施例中,所述方法包括获得与主体相关的血浆时间-活度曲线 (TAC),将与主体相关联的图像序列和所述血浆时间-活度曲线输入目标机器学习模 型来生成至少一个目标图像。
在一些实施例中,所述方法可以基于图像序列,使用另一目标机器学习模型获 取与主体相关联的血浆时间-活度曲线,所述另一目标机器学习模型提供了图像序列和 血浆时间-活度曲线之间的映射。
在一些实施例中,目标机器学习模型的确定包括:获得与一个或一个以上样本 相关联的多组训练数据,所述多组训练数据的每一组包括第一图像序列和对应于第一 图像序列的第一参考参数图像,所述第一参考参数图像呈现所述一个或一个以上样本 之一的动力学参数,以及通过使用多组训练数据训练机器学习模型来生成目标机器学 习模型。
在一些实施例中,获得与一个或一个以上样本相关联的多组训练数据包括:对 于多组训练数据的每一组,获得与一个或一个以上样本之一相关的投影数据,基于所 述投影数据使用第一图像重建算法生成第一图像序列,基于所述投影数据使用第二图 像重建算法生成第一参考参数图像。
在一些实施例中,所述第二图像重建算法包括四维(4D)迭代技术。
在一些实施例中,目标机器学习模型的确定还包括:获得与一个或一个以上样 本之一相关的参考血浆时间-活度曲线,以及基于所述参考血浆时间-活度曲线,使用 多组训练数据训练机器学习模型。其中,与一个或一个以上样本之一相关的参考血浆 时间-活度曲线基于与一个或一个以上样本之一相关的图像序列来确定。
在一些实施例中,目标机器学习模型的确定还包括:获得多组验证数据,所述 多组验证数据的每一组包括第二图像序列和与所述第二图像序列对应的第二参考参数 图像,所述第二参考参数图像呈现所述动力学参数,以及使用所述多组验证数据调整 所述目标机器学习模型。
在一些实施例中,目标机器学习模型基于深度学习神经网络模型构建。
在一些实施例中,深度学习神经网络模型包括卷积神经网络(CNN)模型。
根据本申请的另一个方面,提供了一种图像重建***。***可以包括存储可执 行指令的至少一个存储设备,以及至少一个与所述至少一个存储设备通信的处理器。 当执行所述可执行指令时,所述***获得与主体相关的图像序列,所述图像序列包括 通过在一个或一个以上连续时间段扫描所述主体生成的一个或一个以上图像。所述系 统还获得目标机器学习模型,以及基于所述图像序列,使用所述目标机器学习模型生 成至少一个目标图像。其中,所述至少一个目标图像呈现与所述主体相关联的动力学 参数,所述目标机器学习模型提供所述图像序列和所述至少一个目标图像之间的映 射。
根据本申请的另一个方面,提供了非暂时性的计算机可读介质,所述介质存储 计算机指令,所述计算机指令在执行时可以执行如上所述图像重建方法。
根据本申请的另一个方面,提供了一种图像重建***。所述图像重建***包括 获取模块,用于获得与主体相关的图像序列,所述图像序列包括通过在一个或一个以 上连续时间段扫描所述主体生成的一个或一个以上图像;模型确定模块,用于获得目 标机器学习模型;以及图像重建模块,用于基于所述图像序列,使用所述目标机器学 习模型生成至少一个目标图像,所述至少一个目标图像呈现与所述主体相关联的动力 学参数,所述目标机器学习模型提供所述图像序列和所述至少一个目标图像之间的映 射。
本发明相对于现有技术的有益效果:
(一)使用目标机器学习模型用于参数图像重建,输入图像序列,输出参数图像,可以提高重建速度;
(二)可以训练目标机器学习模型以学习分析和提取在输入数据中呈现的信息以生成 参数图像,可以提高所生成的参数图像的质量。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领 域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的 方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例是非限制性的示例性实施例,在这些实施例中,各图中相同 的编号表示相似的结构,其中:
图1是根据本申请的一些实施例所示的示例性成像***的示意图;
图2是根据本申请的一些实施例所示的可在其上实施处理设备的示例性计算设备的硬件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的示例性移动设备的硬件和/或软件组件 的示意图;
图4是根据本申请的一些实施例所示的示例性处理设备的框图;
图5是根据本申请的一些实施例所示的用于重建图像的示例性过程的流程图;
图6是根据本申请的一些实施例所示的用于重建图像的示例性过程的流程图;
图7是根据本申请的一些实施例所示的用于训练机器学习模型的示例性过程的流程图;
图8是根据本申请的一些实施例所示的用于训练机器学习模型的示例性过程的流程图;
图9是根据本申请的一些实施例所示的示例性卷积神经网络(CNN)模型的 示意图;
图10示出了根据本申请的一些实施例重建的三名患者的躯干的示例性图像。
图11示出了根据本申请的一些实施例重建的图10中描述的三名患者的躯干的 示例性图像;以及
图12示出了根据本申请的一些实施例重建的图10中描述的三名患者的躯干的 示例性图像。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然 可以对所披露的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下, 本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请并不限 于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
可以理解,术语“***”、“引擎”、“单元”、“模块”,这里使用的和/ 或“块”是用于区分升级中的不同级别的不同组件、元件、部件、部分或组件的一种 方法。然而,可以使用其它可以达到相同目的表达取代以上术语。
通常,这里使用的词语“模块”、“单元”或“块”是指包含在硬件或固件中 的逻辑,或者是软件指令的集合。本申请描述的模块,单元或块可以实现为软件和/或 硬件,并且可以存储在任何类型的非暂时性计算机可读介质或另一个存储设备中。在 一些实施例中,可以编译软件模块/单元/块并将其链接到可执行程序中。应当理解,软 件模块可以从其他模块/单元/块或从它们自身调用,和/或可以响应检测到的事件或中 断来调用。配置用于在计算设备上执行的软件模块/单元/块(例如,如图2所示的处理 器210)可以在计算机可读介质上提供,例如光盘、数字视频盘、闪存驱动器、磁盘 或任何其他有形介质,或者作为数字下载(并且最初可以以压缩或可安装的格式存 储、在执行之前需要安装、解压缩或解密)。这里的软件代码可以被部分的或全部的储 存在执行操作的计算设备的存储设备中,并应用在计算设备的操作之中。软件指令可 以嵌入在固件中,例如可擦除可编程只读内存(EPROM)。还应当理解,硬件模块/单 元/块可以包括在连接的逻辑组件中,例如门和触发器,和/或可以包括可编程单元,例 如可编程门阵列或处理器。本申请描述的模块/单元/块或计算设备功能可以实现为软件 模块/单元/块,但是可以用硬件或固件表示。一般来说,这里描述的模块/单元/块指的 是逻辑模块/单元/块,其可以与其他模块/单元/块组合或者分成子模块/子单元/子块, 尽管它们的物理组织或存储。该描述可适用于***,引擎或其一部分。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除 非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、 “包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在 或添加一个或一个以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情 况。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件 的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图 都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的 目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各 种步骤。同时,也可以将一个或一个以上其他操作添加到这些流程图中。也可以从流 程图中删除一个或一个以上操作。
本申请的一个方面涉及用于确定PET成像***中的参数图像的***和方法。 如本申请所使用的,参数图像可以包括体素或像素,其值表示示踪剂动力学的生理参 数(也称为动力学参数)的值。参数图像可以帮助评估靶器官或组织的生理学(功 能)和/或解剖学(结构),以及其生化特性。为此,该***可以获得与主体相关联的 图像序列。图像序列可以包括通过在一个或一个以上连续时间段扫描主体而生成的一 个或一个以上图像。一个或一个以上图像可以是一个或一个以上标准摄取值(SUV) 图像。该***可以获得目标机器学习模型。可以通过使用训练集和验证集训练机器学 习模型来获得目标机器学习模型。目标机器学习模型可以提供图像序列和至少一个对 应的参数图像之间的映射关系。***可以使用目标机器学习模型基于图像序列生成至 少一个参数图像。至少一个参数图像可以呈现与主体相关联的动力学参数。使用目标 机器学习模型用于参数图像重建,输入图像序列,输出参数图像,这可以提高重建速 度。可以训练目标机器学习模型以学习分析和提取在输入数据中呈现的信息以生成参 数图像,这可以改善所生成的参数图像的质量。
图1是示出根据本申请的一些实施例的示例性成像***100的示意图。成像系 统100可以是单模态***。示例性单模态***可包括单光子发射计算机断层摄影 (SPECT)***、正电子发射计算机断层摄影(PET)***等。成像***100还可以 是多模态***。示例性多模态***可包括计算机断层摄影-正电子发射断层摄影(CT- PET)***、磁共振-正电子发射断层摄影(MR-PET)***等。在一些实施例中,多 模态成像***可包括用于执行发射计算机断层摄影成像和/或相关分析的模块和/或组 件。
为了说明的目的,如图1所示,成像***100可包括扫描仪110、处理设备 120、存储设备130、一个或一个以上终端140和网络150。成像***100中的组件可 以以各种方式连接。仅作为示例,扫描仪110可以通过网络150连接到处理设备
120。又例如,扫描仪110可以直接连接到处理设备120。作为另一示例,终端140可经由网络150连接到成像***100的另一组件(例如,处理设备120),如图1所示。 作为又一示例,终端140可以直接连接到处理设备120,如图1中的虚线箭头所示。 作为又一示例,存储设备130可以直接连接到成像***100的另一部件(例如,处理 设备120),如图1所示,或者通过网络150连接。
扫描仪110可以扫描主体的至少一部分,和/或生成与主体有关的数据。在一 些实施例中,扫描仪110可以是成像设备,例如PET设备、PET-CT设备、PET-MRI 设备等。在本申请中,“对象”和“主体”可互换使用。主体可以是生物的或非生物 的。例如,主体可包括患者、人造物体等。又如此,主体可包括患者的特定部分,器 官和/或组织。例如,主体可包括头部、大脑、颈部、身体、肩部、手臂、胸部、心 脏、胃、血管、软组织、膝盖、脚,或类似的,或其组合。
扫描仪110可包括机架、探测器、电子模块、诊查台和/或其他未示出的部 件,例如冷却组件。扫描仪110可以扫描主体并获得与主体相关的信息。机架可以支 持产生和检测辐射事件以生成图像所必需的部件(例如,探测器)。诊查台可以将主体 定位在探测区域中。探测器可以检测从探测区域发射的辐射事件(例如,伽马光子) 在一些实施例中,探测器可包括至少两个探测器单元。探测器单元可以以合适的方式 实现,例如,环形、矩形或阵列。在一些实施例中,探测器单元可包括一个或一个以 上晶体元件和/或一个或一个以上光电倍增管(PMT)(未示出)。在一些实施例中,本 申请中采用的PMT可以是单通道PMT或多通道PMT。电子模块可以收集和/或处理 由探测器生成的电信号(例如,闪烁脉冲)。电子模块可以包括加法器、乘法器、减法 器、放大器、驱动电路、差分电路、积分电路、计数器、滤波器、模数转换器 (ADC),下限检测(LLD)电路、恒定分数鉴别器(CFD)电路、时间-数字转换器(TDC)、重合电路等,或其任何组合。在一些实施例中,检测到的辐射事件可以存储 或存档在存储器(例如,存储设备130)中,显示在显示器(例如,计算设备上的屏 幕)上,或者传输到连接的设备(例如,外部数据库)。在一些实施例中,用户可以通 过计算设备来控制扫描仪110。
处理设备120可以处理从扫描仪110、终端140和/或存储设备130获得的数据 和/或信息。例如,处理设备120可以获得与主体相关联的图像序列。图像序列包括通 过扫描仪110在一个或一个以上连续时间段扫描主体而产生的一个或一个以上图像。 又例如,处理设备120可以获得目标机器学***台上实现。仅 作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、 多层云等或其任意组合。在一些实施例中,处理设备120可以由具有一个或一个以上 组件的计算设备200实现,如图2所示。
存储设备130可以存储数据、指令和/或任何其他信息。在一些实施例中,存 储设备130可以存储从终端140和/或处理设备120获得的数据。例如,存储设备130 可以存储从扫描仪110获得的PET扫描数据。又例如,存储设备130可以存储本申请 中其他地方描述(例如,图7及其描述)的目标机器学***台上实现。仅作为示 例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云 等或其任意组合。
在一些实施例中,存储设备130可以连接到网络150以与成像***100的一个 或一个以上其他组件(例如,处理设备120、终端140)通信。成像***100的一个或 一个以上组件可以经由网络150访问存储设备130中存储的数据或指令。在一些实施 例中,存储设备130可以直接连接到成像***100的一个或一个以上其他组件(例 如,处理设备120、终端140)或与之通信。在一些实施例中,存储设备130可以是处 理设备120的一部分。
终端140可以包括移动设备140-1、平板计算机140-2、膝上型计算机140-3 等,或其任何组合。在一些实施例中,移动设备140-1可以包括智能家居设备、可穿 戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。仅作为示 例,终端140可以包括如图3所示的移动设备。在一些实施例中,智能家居设备可以 包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对 讲机等,或其任意组合。在一些实施例中,可穿戴设备包括手镯、鞋袜、眼镜、头 盔、手表、衣服、背包、智能配饰等,或其任意组合。在一些实施例中,移动设备可 以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设 备、膝上型计算机、平板计算机、桌面等,或其任何组合。在一些实施例中,虚拟现 实设备和/或增强现实设备包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现 实头盔、增强现实眼镜、增强现实眼罩等,或其任意组合。例如,虚拟现实设备和/或 增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。 在一些实施例中,终端140可以是处理设备120的一部分。
在一些实施例中,终端140可以经由用户界面向处理设备120发送和/或接收 用于参数图像重建的信息。用户界面可以是在终端140上实现的用于参数图像重建的 应用。在终端140上实现的用户界面可以被配置用于促进用户和处理设备120之间的 通信。在一些实施例中,用户可以经由在终端140上实现的用户界面输入对参数图像 重建的请求。终端140可以将用于参数图像重建的请求发送到处理设备120,用于基 于本申请中其他地方描述(例如,图5及其描述)的目标机器学习模型来重建参数图 像。在一些实施例中,用户可以经由用户界面输入和/或调整目标机器学习模型的参数 (例如,权重)。在一些实施例中,用户界面可以便于呈现或显示与从处理设备120接 收的参数图像重建有关的信息和/或数据(例如,信号)。例如,信息和/或数据可以包 括由图像重建中的处理设备120生成的结果。例如,结果可以包括图像(例如,2D图 像、3D图像等),数据图、文字、数字、参数图像重建的模型、图像重建的参数等。 在一些实施例中,信息和/或数据可以进一步被配置用于使得终端140将结果显示给用 户。
网络150可以包括可以促进成像***100的信息和/或数据交换的任何合适的 网络。在一些实施例中,成像***100的一个或一个以上组件(例如,扫描仪110、 终端140、处理设备120、存储设备130等)可以传达信息和/或数据。通过网络150 与成像***100的一个或一个以上其他组件一起使用。例如,处理设备120可以经由 网络150从扫描仪110获得图像数据。又例如,处理设备120可以经由网络150从终 端140获得用户指令。网络150可以是和/或包括公共网络(例如,因特网)、专用网 络(例如,局部区域网络(LAN)、广域网(WAN))、有线网络(例如,以太网网 络)、无线网络(例如,802.11网络、Wi-Fi网络)、蜂窝网络(例如,长期演进 (LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由 器、集线器、交换机、服务器计算机和/或其任何组合。仅作为示例,网络150可以包 括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络 (WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙网络、紫蜂网络、近 场通信(NFC)网络等,或其任何组合。在一些实施例中,网络150可以包括一个或 一个以上网络接入点。例如,网络150可以包括有线和/或无线网络接入点,例如基站 和/或互联网交换点,成像***100的一个或一个以上组件可以通过其连接到网络150 以交换数据和/或信息。
网络150可以包括可以促进成像***100的信息和/或数据交换的任何合适的 网络。在一些实施例中,成像***100的一个或一个以上组件(例如,扫描仪110、 终端140、处理设备120、存储设备130等。)可以发送或接收信息和/或者通过网络 150与成像***100的一个或一个以上其他组件的数据。例如,处理设备120可以经 由网络150从扫描仪110获得图像数据。又例如,处理设备120可以经由网络150从 终端140获得用户指令。网络150可以是和/或包括公共网络(例如,因特网)、专用 网络(例如,局部区域网络(LAN)、广域网(WAN)等)、有线网络(例如,以太 网网络)、无线网络(例如,802.11网络、Wi-Fi网络等)、蜂窝网络(例如,长期演进 (LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由 器、集线器、交换机,服务器计算机和/或其任何组合。仅作为示例,网络150可以包 括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络 (WLAN)、城域网(MAN)、公共电话交换网(PSTN)、蓝牙TM网络、ZigBee TM 网络,近场通信(NFC)网络等,或其任何组合。在一些实施例中,网络150可以包 括一个或一个以上网络接入点。例如,网络150可以包括有线和/或无线网络接入点, 例如基站和/或互联网交换点,成像***100的一个或一个以上组件可以通过它们与网 络150连接以交换数据和/或信息。
图2是示出示例性计算设备200的硬件和/或软件组件的示意图,在该计算设 备200上可以根据本申请的一些实施例实现处理设备120。如图2所示,计算设备200 可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210可以执行计算机指令(程序代码)并且根据本申请描述的技术执行 处理设备120的功能。所述计算机指令可以包括例如执行在此描述的特定功能的常 规、程序、对象、组件、信号、数据结构、过程、模块和功能。例如,处理器210可 以处理从扫描仪110、终端140、存储设备130和/或成像***100的任何其他组件获 得的数据。具体地,处理器210可以处理从扫描仪110获得的一个或一个以上测量数 据集(例如,PET扫描数据)。例如,处理器210可以基于数据集重建图像。在一些实 施例中,重建的图像可以存储在存储设备130、存储器220等中。在一些实施例中, 重建的图像可以由I/O 230显示在显示设备上。在一些实施例中,处理器210可以执行 从终端140获得的指令。在一些实施例中,处理器210可以包括一个或一个以上硬件 处理器,诸如微控制器、微处理器、精简指令集计算机(RISC)、特定应用集成电路 (ASIC)、特定应用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编 程门阵列(FPGA)、高阶RISC机器(ARM)、可编程逻辑设备(PLD)、能够执行一 个或一个以上功能的任何电路或处理器等,或其任何组合。
仅仅为了说明,在计算设备200中仅描述了一个处理器。然而,应该注意,本 申请中的计算设备200还可以包括多个处理器。因此,由本申请中描述的由一个处理 器执行的操作和/或方法步骤也可以由多个处理器联合或单独执行。例如,如果在本申 请中计算设备200的处理器执行操作A和操作B两者,则应该理解,操作A和操作B 也可以由计算设备中的两个或以上不同的处理器共同地或单独地执行(例如,第一处 理器执行操作A并且第二处理器执行操作B,或者第一处理器和第二处理器共同执行 操作A和B)。
存储器220可以存储从扫描仪110、终端140、存储设备130或成像***100 的任何其他组件获得的数据/信息。在一些实施例中,存储器220可包括大容量存储设 备、可移除存储设备、易失性读写内存、只读内存(ROM)等,或其任何组合。例 如,大容量存储器可以包括磁盘、光盘、固态驱动器等。可移动存储器可以包括闪存 驱动器、软盘、光盘、内存卡、压缩盘和磁带等。易失性读取和写入内存可以包括随 机存取内存(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM (DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z- RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可 编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM) 和数字通用盘ROM等。在一些实施例中,存储器220可以存储一个或一个以上程序 和/或指令以执行在本申请中描述的示例性方法。例如,存储器220可以存储用于处理 设备120的程序,用于重建动力学参数图像。
I/O 230可以输入或输出信号、数据和/或信息。在一些实施例中,I/O 230可以 使用户能够与处理设备120进行交互。在一些实施例中,I/O 230可以包括输入设备和 输出设备。示例性输入设备可以包括键盘、鼠标、触摸屏和麦克风等或其任意组合。 示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例 性显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显 示器、曲面显示器、电视设备、阴极射线管(CRT)等或其任意组合。
通信端口240可以与网络(例如,网络150)连接以促进数据通信。通信端口 240可以在处理设备120与扫描仪110、终端140或存储设备130之间建立连接。连接 可以是有线连接,无线连接或两者的组合,其使得能够进行数据发送和接收。有线连 接可包括电缆、光缆、电话线等,或其任何组合。无线连接可以包括蓝牙、Wi-Fi、 WiMax、WLAN、ZigBee、移动网络(例如,3G、4G、5G等)等,或其组合。在一 些实施例中,通信端口240可以是标准化端口,如RS232、RS485等。在一些实施例 中,通信端口240可以是专门设计的通信端口。例如,通信端口240可以根据医学数 字成像和通信(DICOM)协议来设计。
图3是示出根据本申请的一些实施例的示例性移动设备300的硬件和/或软件 组件的示意图。如图3所示,移动设备300可以包括通信平台310、显示器320、图形 处理单元(GPU)330、中央处理单元(CPU)340、I/O 350、内存370和存储器390。在 一些实施例中,任何其他合适的组件,包括但不限于***总线或控制器(未示出),也 可包括在移动设备300内。在一些实施例中,移动操作***360(例如,iOS、 Android、Windows Phone等)和至少一个或一个以上应用程序380可以从存储器390 加载到内存370中,以便由CPU 340执行。应用程序380可以包括浏览器或任何其他 合适的移动应用程序,用于从处理设备120接收和呈现与图像处理或其他信息有关的 信息。用户与信息流的交互可以经由I/O 350实现,并且经由网络150提供给处理设备 120和/或成像***100的其他组件。
为了实施本申请描述的各种模块、单元及其功能,计算机硬件平台可用作本申 请中描述的一个或一个以上组件的硬件平台。这种计算机的硬件元件,操作***和编 程语言本质上是常规的,并且假设本领域普通技术人员对其充分熟悉以使这些技术适 应于生成如本申请所述的图像。一台包含用户接口元素的计算机能够被用作个人计算 机(personalcomputer,PC)或其他类型的工作站或终端设备,被适当程序化后也可 以作为服务器使用。可知,本领域技术人员应熟悉该计算机装置的结构、程序设计和 一般操作,因此,图对其应是不解自明的。
图4是根据本申请的一些实施例所示的示例性处理设备120的框图。处理设备 120可包括获取模块402、模型确定模块404、图像重建模块406和存储模块408。处 理设备120的至少一部分可以在如图2所示的计算设备或如图3所示的移动设备上实 现。
获取模块402可以获得与主体相关联的图像序列。获取模块402可以从扫描仪110、处理设备120、本申请中披露的一个或一个以上存储设备(例如,存储设备 130)等获得图像序列。在一些实施例中,图像序列可包括一个或一个以上图像。图像 序列中的图像可以是PET图像,具有呈现示踪剂的标准摄取值(SUV)(也称为SUV 图像)的体素或像素。在一些实施例中,可以使用在一个或一个以上连续时间段中的 每个时间段获取的PET扫描数据来独立地重建图像序列中的一个或一个以上图像。在 一些实施例中可以使用在一个或一个以上连续时间段期间获取的所有PET扫描数据来 重建图像序列中的一个或一个以上图像中的每个图像。
在一些实施例中,采集模型402可以获得与主体相关联的血浆时间-活度曲线(TAC)。血浆TAC可以通过血浆中示踪剂的放射性浓度随时间变化的函数来表示。 在一些实施例中,采集模型402可以使用如本申请中其他地方描述的金标准技术、静 脉血动脉化技术、PET血池扫描技术、标准输入函数技术、拟合函数技术等或其组合 来确定主体的血浆TAC。
在一些实施例中,获取模块402可以将图像序列和/或血浆TAC发送到处理设 备120的其他模块和/或单元以进行进一步处理。例如,可以将图像序列发送到存储模 块408以进行存储。又例如,获取模块402可以将图像序列和/或血浆TAC发送到图 像重建模块406以重建图像。在一些实施例中,获取模块402可以获得一个或一个以 上机器学习模型。例如,获取模块402可以获得目标机器学习模型,其被配置为,例 如,基于图像序列生成呈现动力学参数的至少一个目标图像。
模型确定模块404可以确定一个或一个以上机器学习模型。例如,模型确定模 块404可以确定目标机器学习模型,其被配置为,例如,基于获取模块402获得的图 像序列,生成呈现动力学参数的至少一个目标图像。目标机器学习模型可以将特定主 体的特定图像序列映射到呈现特定主体动力学参数的特定目标图像。在一些实施例 中,目标机器学习模型可以被配置为基于特定主体的特定血浆TAC将特定图像序列映 射到特定目标图像。例如,目标机器学习模型可以提供特定图像序列、特定血浆TAC 和呈现特定主体动力学参数的特定目标图像之间的映射关系。
在一些实施例中,模型确定模块404可以将确定的目标机器学习模型发送到一 个或一个以上其他模块以供进一步处理或应用。例如,模型确定模块404可以将目标 机器学习模型发送到存储模块408以进行存储。又例如,模型确定模块404可以将目 标机器学习模型发送到图像重建模块406以进行图像处理。
图像重建模块406可以处理由处理设备120的各种模块提供的信息。图像重建 模块406可以处理由获取模块402获取的图像序列、从存储模块408检索的图像序列 等。在一些实施例中,图像重建模块406可以根据重建技术基于图像序列重建目标图 像、生成包括一个或一个以上图像和/或其他相关信息的报告和/或执行任何其他根据本 申请的各种实施例的用于图像重建的功能。
图像重建模块406可以基于由获取模块402获得的图像序列和由模型确定模块404确定的目标机器学习模型生成至少一个目标图像。例如,可以将图像序列输入到 目标机器学习模型中。由目标机器学习模型基于输入的图像序列生成至少一个目标图 像。在一些实施例中,图像重建模块406还可以基于血浆TAC重建至少一个目标图 像。例如,可以将血浆TAC和图像序列输入到目标机器学习模型中。目标机器学习模 型可以基于特定血浆TAC将图像序列转换为至少一个目标图像。
存储模块408可以存储信息。该信息可包括程序、软件、算法、机器学习模 型、图像数据、控制参数、处理的图像数据等,或其组合。例如,该信息可以包括图 像序列、至少一个目标图像、血浆TAC、目标机器学习模型等。在一些实施例中,存 储模块408可以存储可以由处理设备120的处理器执行的一个或一个以上程序和/或指 令,以执行本申请中描述的示例性方法。例如,存储模块408可以存储可以由处理设 备120的处理器执行的程序和/或指令以获取图像数据、基于图像数据重建图像、训练 机器学习模型和/或显示任何中间结果或结果图像。
在一些实施例中,图4中示出的一个或一个以上模块可以在如图1所示的示例 性成像***100的至少一部分中实现。例如,获取模块402、存储模块408、模型确定 模块404和/或图像重建模块406可以集成到控制台(未示出)中。通过控制台,用户 可以设置用于扫描主体的参数、控制成像过程、控制用于重建图像的参数、查看重建 图像等。在一些实施例中,控制台可以经由处理设备120和/或终端140来实现。在一 些实施例中,模型确定模块404可以集成到终端140中。
在一些实施例中,处理设备120不包括模型确定模块404。由另一设备确定的 一个或一个以上目标机器学习模型可以存储在成像***100(例如,存储设备130、存 储器220、存储器390、内存370、存储模块408等)中,或者在处理设备120可通过 例如网络150访问的外部设备中。在一些实施例中,这样的设备可以包括与模型确定 模块404相同或相似的部分。在一些实施例中,模型确定模块404可以存储由另一设 备确定的并且可由成像***100的一个或一个以上组件(例如,图像重建模块406 等)访问的一个或一个以上目标机器学习模型。在一些实施例中,遵循本申请的处 理,可以由成像***100(或其一部分,包括例如处理设备120)或成像***100(或 者其一部分,包括例如处理设备120)可访问的外部设备确定适用于本申请的目标机 器学习模型。
图5是根据本申请的一些实施例所示的用于重建图像的示例性过程500的流程图。在一些实施例中,图5所示的过程500的一个或一个以上操作可以在图1所示的 成像***100中实现。例如,图5所示的过程500可以以指令的形式存储在存储设备 130中,并且由处理设备120(例如,如图2所示的计算设备200的处理器210、如图 3所示的移动设备300的GPU 330或CPU 340)调用和/或执行。
在502中,可以获得与主体相关联的图像序列,该图像序列包括通过在一个或 一个以上连续时间段扫描主体而生成的一个或一个以上图像。操作502可以由获取模 块402执行。在一些实施例中,可以从扫描仪110、处理设备120、本申请中披露的一 个或一个以上存储设备(例如,存储设备130)等获得图像序列。图像序列中的图像 可以是PET图像,具有呈现与主体的一个或一个以上感兴趣区域(ROI)相关联的标 准摄取值(SUV)(也称为SUV图像)的体素或像素。与ROI相关联的SUV可以表 示主体中ROI(例如,肿瘤)对示踪剂(或放射性示踪剂)的摄取,其通过示踪剂的 注射剂量和主体的体重(或者体表面积)来标准化。与ROI相关联的SUV可用于表 征ROI。例如,如果ROI的SUV大于某一阈值,则可以将ROI识别和/或确定为肿 瘤。
在一些实施例中,可以使用在一个或一个以上连续时间段中的每个时间段获取的PET扫描数据来独立地重建图像序列中的一个或一个以上图像。可以使用图像重建 算法基于在特定时间段期间获取的PET扫描数据来重建对应于特定时间段的特定SUV 图像。示例性图像重建算法可以包括迭代算法、分析算法等。迭代算法可以包括最大 似然估计方法(MLEM)算法、有序子集期望最大化(OSEM)算法、3D重建算法 等。分析算法可以包括滤波反投影(FBP)算法。可以通过PET扫描仪(例如,扫描 仪110)通过在特定时间段内扫描主体(例如,物质、器官、组织等)来获得特定图 像相关的PET扫描数据。通常,PET扫描数据可包括在PET扫描期间收集的原始数据 (例如,符合事件)、投影数据等。投影数据可以通过处理设备(例如,处理设备 120)处理原始数据来生成。投影数据可以经由直方图模式采集存储为正弦图,或者经 由列表模式采集存储为列表模式文件。
在一些实施例中,可以使用在一个或一个以上连续时间段期间获取的所有PET 扫描数据来重建图像序列中的一个或一个以上图像中的每个图像。可以使用,例如迭 代时间平滑模型、高级时间基函数、动态数据的主要组件变换、基于小波的模型等或 任何组合来重建一个或一个以上图像。
如本申请所使用的,一个或一个以上连续时间段可以指在注入示踪剂之后一定时间间隔之后的时间段。时间间隔可以由用户设置或者根据成像***100的默认设置 来设置,或者可以在不同的情况下进行调节。例如,时间间隔可以是30分钟、40分 钟等。一个或一个以上连续时间段中的每个时间段的时间长度可以由用户设置或者根 据成像***100的默认设置来设置,或者可以在不同的情况下进行调节。例如,时间 长度可以是10分钟、20分钟等,或其任何组合。以时间间隔为30分钟、时间长度为 10分钟为例,第一连续时间段可以是注入示踪剂之后的30-40分钟,并且第二连续时 间段可以是注入示踪剂之后的40-50分钟。在每个连续时间段期间,扫描器110可以 扫描主体来获取图像(即,动态帧)。
在504中,可以获得目标机器学习模型。操作504可以由模型确定模块404执 行。目标机器学习模型可以被配置为用于提供特定图像序列和呈现与特定主体相关联 的动力学参数的特定目标图像之间的映射关系。如本申请所使用的,呈现与主体相关 联的动力学参数的图像也可以被称为参数图像。换句话说,目标机器学习模型可用于 基于映射关系将与特定主体相关联的特定图像序列转换为特定参数图像。例如,可以 将在502中获得的图像序列输入到目标机器学习模型,目标机器学习模型可以基于在 502中获得的输入的图像序列来生成呈现与主体相关联的动力学参数的至少一个目标 图像。
在一些实施例中,目标机器学习模型可以被配置为基于特定主体的特定血浆时间-活度曲线(TAC)将特定图像序列映射到特定参数图像。例如,目标机器学习模型 可以被配置为提供特定图像序列、特定血浆时间-活度曲线(TAC)和呈现与特定主体 相关联的特定参数图像之间的映射关系。可以将与特定主体相关联的特定图像序列和 特定血浆TAC输入到目标机器学习模型中。目标机器学习模型可以基于特定血浆TAC 将特定图像序列转换为特定主体的特定参数图像。对于另一个例子,目标机器学习模 型可以提供特定图像序列和特定血浆TAC之间的映射关系。可以将特定图像序列输入 到目标机器学习模型中,目标机器学习模型可用于基于输入的特定图像序列确定特定 主体的特定血浆TAC。此外,目标机器学习模型可以提供特定图像序列、确定的特定 血浆TAC和特定主体的对应特定参数图像之间的映射关系。关于血浆TAC的详细描 述可以在本申请的其他地方(例如,图6及其描述)找到。
目标机器学习模型可以从模型确定模块404、存储设备130或任何其他存储设 备获得。例如,模型确定模块404可以通过使用模型训练算法基于多组训练数据训练 机器学习模型来生成目标机器学习模型。示例性模型训练算法可包括梯度下降算法、 牛顿算法、拟牛顿算法、莱文贝格-马夸特(Levenberg-Marquardt)算法、共轭梯度算 法等,或其组合。多组训练数据(也称为训练集)可以与一个或一个以上样本相关 联,一个或一个以上样本可以与如502中描述的与主体相同或不同。。多组训练数据中 的每一组可包括特定样本的图像序列和训练参考目标图像。可以使用不同的重建算法 基于相同的PET扫描数据来重建特定样本的图像序列和训练参考目标图像。在一些实 施例中,多组训练数据中的每组可包括与一个或一个以上样本之一相关联的对应血浆 TAC。关于确定血浆TAC的更多描述可以在本申请的其他地方(例如,图6及其描 述)找到。可以在本申请的其他地方(例如,图7及其描述)找到关于多组训练数据 的更多描述。
机器学习模型可以基于深度学习神经网络模型构建。示例性深度学习神经网络模型可以包括卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成对抗 性网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模 型、深度信念网络(DBN)、Elman机器学习模型等或其组合。
在一些实施例中,可以基于单个机器学习模型来构造机器学习模型。可以训练 单一机器学习模型以提供特定主体的特定图像序列、特定血浆TAC、特定参数图像之 间的映射关系,或特定主体的特定图像序列与对应特定参数图像之间的映射关系。在 一些实施例中,单个训练后的机器学习模型(即,目标机器学习模型)可以被配置为 基于映射关系将输入的特定主体的特定图像序列转换为特定参数图像。在一些实施例 中,单个训练后的机器学习模型(即,目标机器学习模型)可以被配置为基于映射关 系和输入的特定血浆TAC将输入的特定图像序列转换为特定主体的特定参数图像。
在一些实施例中,可以基于至少两个子模型来构造机器学习模型,例如,第一 子模型和第二子模型。可以训练第一子模型以提供特定主体的特定图像序列和特定血 浆TAC之间的映射关系。训练好的第一子模型可以被配置为将输入的特定图像序列转 换为特定主体的特定血浆TAC。可以训练第二子模型以提供特定主体的特定图像序 列、确定的特定血浆TAC和对应特定参数图像之间的映射关系。训练好的第二子模型 可以被配置为基于映射关系和确定的特定血浆TAC将输入的特定图像序列转换为特定 主体的特定参数图像。在一些实施例中,第一子模型和第二子模型可以彼此独立。第 一子模型和第二子模型的训练可以是独立的。在一些实施例中,第一子模型和第二子 模型可以经由,例如节点、层等彼此连接。第一子模型和第二子模型可以作为整体进 行训练以确定目标机器学习模型。
在机器学习模型的训练过程期间,可以基于多组训练数据建立图像序列和对应的目标图像(即参数图像)之间的映射关系。在一些实施例中,训练好的机器学习模 型可以被确定为目标机器学习模型。在一些实施例中,可以使用一组或多组验证数据 组来调整和/或优化训练后的机器学习模型。在调整和/或优化之后,训练后的机器学习 模型可以被指定为目标机器学习模型。目标机器学习模型可以根据本申请中其他地方 (例如,图7-8,过程700和过程800)披露的用于训练机器学习模型的示例性过程生 成。
在506中,可以使用目标机器学习模型生成至少一个目标图像,该至少一个目 标图像呈现与主体相关联的动力学参数。操作506可以由图像重建模块406执行。在 至少一个目标图像中,每个体素或像素点可以呈现示踪剂动力学的动力学参数(也称 为生理参数)的值,而原始SUV图像呈现放射性浓度。动力学参数可以被配置用于呈 现注射到样本中的示踪剂的代谢。示例性动力学参数可包括示踪剂的灌注速率、示踪 剂的受体结合潜力、示踪剂在血浆中的分布、示踪剂在样本中的分布、示踪剂从血浆 到组织的传输速率(即K1)、示踪剂从组织到血浆的传输速率(即K2)等,或其任何 组合。
在一些实施例中,可以通过将与主体相关联的图像序列输入到目标机器学习模型来生成至少一个目标图像(即,目标参数图像)。例如,目标机器学习模型可以基于 与特定主体的特定图像序列与特定参数图像之间的映射关系来确定至少一个目标图 像。在一些实施例中,可以基于图像序列和与主体血浆TAC生成至少一个目标图像。 例如,可以通过将图像序列和与主体血浆TAC输入到目标机器学习模型来生成至少一 个目标图像。然后,目标机器学习模型基于与主体的血浆TAC和特定图像序列和特定 主体的特定参数图像之间的映射关系来确定至少一个目标图像。在一些实施例中,可 以基于图像序列确定与主体相关联的血浆TAC。关于确定血浆TAC的详细描述可以在 本申请的其他地方(例如,图6及其描述)找到。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。 对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修 改。然而,这些变化和修改不会背离本申请的范围。例如,在操作506中,为使用输 入的图像序列生成至少一个目标图像,目标机器学习模型可以首先基于输入的图像序 列确定相应的血浆TAC。然后,目标机器学习模型可以基于对应的血浆TAC和图像序 列确定至少一个目标图像。
图6是根据本申请的一些实施例所示的用于重建图像的示例性过程600的流程图。在一些实施例中,图6所示的过程600的一个或一个以上操作可以在图1所示的 成像***100中实现。例如,图6所示的过程600可以以指令的形式存储在存储设备 130中,并由处理设备120(例如,如图2所示的计算设备200的处理器210、如图3 所示的移动设备300的GPU330或CPU 340)调用和/或执行。
在602中,可以获得与主体相关联的图像序列,该图像序列包括通过在一个或 一个以上连续时间段扫描主体而生成的一个或一个以上图像。操作602可以由获取模 块402执行。图像序列可以与操作502中描述的相似或相同,并且在此不再重复。
在604中,可以获得与主体相关联的血浆时间-活度曲线(TAC)。操作604可 以由获取模块402执行。如本申请所使用的,血浆TAC也可以被称为血浆输入函数。 血浆TAC可以通过血浆中示踪剂的放射性浓度随时间变化的函数来表示。主体的血浆 TAC可以使用金标准技术、静脉血动脉化技术、PET血池扫描技术、标准输入函数技 术、拟合函数技术等或其组合来确定。使用金标准技术,可以对主体的动脉血进行采 样以测量主体的血浆TAC。使用静脉血动脉化技术,可以对主体的静脉血进行取样以 测量主体的血浆TAC。使用PET血池扫描技术,可以基于图像序列确定主体的血浆 TAC。例如,处理设备120可以从图像序列中一个或一个以上图像的每个图像确定感 兴趣区域(ROI)(例如,与心脏或动脉血液相关联的区域)。处理设备120可基于所 确定的ROI从一个或一个以上图像识别血液TAC,并将血液TAC指定为血浆TAC。 从图像序列识别的血浆TAC也可以被称为图像导出输入函数。使用标准输入函数技 术,可以基于金标准技术确定的多个人(例如,患者)的至少两个血浆TAC来确定主 体的血浆TAC。此外,可以对多个人的血浆TAC进行归一化和平均以获得主体的血浆TAC。使用拟合函数技术,可以通过拟合多个人的血浆TAC来确定主体的血浆TAC。 基于多人的血浆TAC确定的主体的血浆TAC也可以被称为基于人群的输入函数(或 标准动脉输入函数,SAIF)。在一些实施例中,可以基于图像序列和多个人的血浆 TAC来确定主体的血浆TAC。基于图像导出的输入函数和基于人群的输入函数确定的 主体的血浆TAC也可以被称为由图像归一化的基于人群的输入函数(也称为 PBIFNI)。例如,可以通过使用图像导出的输入函数对基于人群的输入函数进行归一 化来确定血浆TAC。作为另一示例,处理设备120可以对基于人群的输入函数和图像 导出的输入函数求平均,以获得由图像归一化的基于人群的输入函数。
在一些实施例中,可以使用训练后的机器学习模型基于图像序列确定血浆 TAC。训练后的机器学习模型可以被配置用于提供图像序列和主体的血浆TAC之间的 映射。训练后的机器学习模型可用于基于映射关系确定血浆TAC。例如,可以将图像 序列输入到训练后的机器学习模型中。训练后的机器学习模型可以生成并输出血浆 TAC。训练后的机器学习模型可以从模型确定模块404、存储设备130或任何其他存 储设备获得。例如,模型确定模块404可以通过使用模型训练算法基于多组训练数据 训练机器学习模型来生成训练后的机器学习模型。多组训练数据中的每组可以包括样 本的图像序列和参考血浆TAC。样本的参考血浆TAC可以根据如上所述的一个或一个 以上血浆TAC测定技术来确定。
在606中,可以获得目标机器学习模型。操作606可以由模型确定模块404执 行。目标机器学习模型可以与操作504中描述的类似或相同,并且在此不再重复。例 如,目标机器学习模型可以提供特定图像序列和特定目标图像之间的映射,该特定目 标图像呈现与特定主体相关联的动力学参数(也称为参数图像)。换句话说,目标机器 学习模型可用于将与特定主体相关联的特定图像序列转换为特定参数图像。又例如, 目标机器学习模型可以提供特定主体的特定图像序列、特定血浆TAC和特定参数图像 之间的映射。在一些实施例中,如操作604中所述的目标机器学习模型和训练后的机 器学习模型可以被集成到单个模型中。在一些实施例中,如操作604中所述的目标机 器学习模型和训练的机器学习模型可以彼此分离和/或独立。
在608中,可以通过将与主体相关联的图像序列和血浆TAC输入到目标机器 学习模型来生成至少一个目标图像。操作608可以由图像重建模块406执行。通过将 图像序列和血浆TAC输入到目标机器学习模型中来生成至少一个目标图像可以与操作 506中的类似或相同,并且在此不再重复。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。 对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修 改。然而,这些变化和修改不会背离本申请的范围。在一些实施例中,过程600还可 以包括一个或一个以上存储操作。
图7是根据本申请的一些实施例所示的用于训练机器学习模型的示例性过程 700的流程图。在一些实施例中,图7所示的过程700的一个或一个以上操作可以在 图1所示的成像***100中实现。例如,图7中所示的过程700可以以指令的形式存 储在存储设备130中,并由处理设备120(例如,如图2所示的计算设备200的处理 器210、如图3所示的移动设备300的GPU 330或CPU 340)调用和/或执行。在一些 实施例中,可以根据过程700来执行图5中所示的操作506的一部分。例如,可以根 据过程700确定操作506中描述的目标机器学习模型。
在702中,可以获得多组训练数据。多组训练数据可以与一个或一个以上样本 相关联。操作702可以由模型确定模块404执行。与一个或一个以上样本相关联的多 组训练数据可以形成训练集。如本申请所使用的,样本也可以被称为主体,如本申请 中其他地方(例如,图1及其描述)所述。例如,样本可以是主体的整个体积,或者 主体的一部分,例如头部、胸部、腹部等,或其组合。作为另一个例子,样本可以是 特定器官,例如心脏、食道、气管、支气管、胃、胆囊、小肠、结肠、膀胱、输尿 管、子宫、输卵管等。
多组训练数据中的每组训练数据可包括图像序列和对应于图像序列的参考参数图像。特定组的图像序列可包括与一个或一个以上样本之一相关联的一个或一个以上 SUV图像。可以从本申请中披露的扫描仪110、处理设备120,一个或一个以上存储 设备(例如,存储设备130)等获得与样本相关联的图像序列的一个或一个以上SUV 图像。可以基于样本在一个或一个以上连续时间段的PET扫描期间收集的PET扫描数 据(例如,原始正弦图)来重建与样本相关联的一个或一个以上SUV图像。在一些实 施例中,原始正弦图可以是通过处理原始数据(例如,符合事件)而生成的四维 (4D)数据。一个或一个以上SUV图像的重建可以与结合操作502描述的图像序列 的重建类似或相同,并且在此不再重复。例如,可以使用第一图像重建算法来重建一 个或一个以上SUV图像。第一图像重建算法可以包括迭代算法、分析算法等。迭代算 法可以包括最大似然估计方法(MLEM)算法、有序子集期望最大化(OSEM)、3D 重建算法等。分析算法可以包括滤波反投影(FBP)算法。
特定组的参考参数图像可以呈现与特定组的图像序列相同的样本相关联的动力学参数。参考参数图像的每个体素或像素点可以表示本申请中其他地方描述(例如, 图5及其描述)的示踪剂动力学的生理参数(也称为动力学参数)的值。
在一些实施例中,可以使用第二图像重建算法基于PET扫描数据(例如,原 始正弦图)来重建对应于图像序列的参考参数图像。第二图像重建算法可以包括四维 (4D)迭代技术。例如,可以使用MLEM算法基于PET扫描数据(例如,原始正弦 图)来重建参考参数图像。处理设备120可以根据如下的公式(2)重建参考参数图 像:
其中K表示参考参数图像,Y表示原始弦图,M表示参考参数图像与图像序列之间的关 系,P表示投影矩阵,S表示散射弦图,R表示随机符合弦图,n表示使用四维(4D)迭 代技术的迭代次数(或数字)。投影矩阵可以由用户设置或者根据成像***100的默认 设置来设置。散射弦图和随机符合弦图可以根据原始PET获取数据确定。例如,可以 通过可以使用散射估计算法,例如蒙特卡罗散射估计法获得散射弦图。可以通过检测 延迟事件来获得随机符合弦图。
参考参数图像和图像序列之间的关系可以满足如下的公式(3):
KM=X(3),
其中X表示图像序列。根据公式(2)和(3),可以重建参考参数图像。
在一些实施例中,第二重建算法可包括最大似然期望最大化(MLEM)算法、 期望最大化(EM)算法、参数迭代坐标下降(PICD)算法、使用Patlak模型等,或 其任何组合。
在一些实施例中,多组训练数据中的每组可以包括与一个或一个以上样本之一的血浆TAC。关于确定血浆TAC的更多描述可以在本申请的其他地方(例如,图6及 其描述)找到。
在704中,可以获得机器学习模型。操作704可以由模型确定模块404执行。 在一些实施例中,机器学习模型可以作为应用程序或其一部分存储在存储设备中。可 以基于卷积机器学习模型(CNN)、完全卷积神经网络(FCN)模型、生成性对抗网络(GAN)、反向传播(BP)机器学习模型、径向基函数(RBF)机器学习模型、深信 念网络(DBN)、Elman机器学习模型等或其组合中的至少一种来构造机器学习模型。 在一些实施例中,机器学习模型可以包括多个层,例如,输入层、多个隐藏层和输出 层。多个隐藏层可包括一个或一个以上卷积层、一个或一个以上池化层、一个或一个 以上批量归一化层、一个或一个以上激活层、一个或一个以上全连接层、成本函数层 等。多个层中的每层可以包括至少两个节点。
在一些实施例中,机器学习模型可以由至少两个结构参数和至少两个学习参数来定义。在使用多组训练数据训练机器学习模型期间可以改变至少两个学习参数,而 可以不改变至少两个结构参数。在训练机器学习模型之前,用户可以设置和/或调整至 少两个结构参数。机器学习模型的示例性结构参数可以包括层的内核的大小、层的总 数(或数量)、每层中的节点的数量(或数量)、学习速率、批尺寸、周期等。机器学 习模型的示例性学习参数可以包括两个连接节点之间的连接权重、与节点相关的偏置 矢量等。两个连接节点之间的连接权重可以被配置为表示一个节点输出值作为另一个 连接节点的输入值的比例。与节点相关的偏置矢量可以被配置用于控制偏离原点的节 点的输出值。
在706中,可以使用多组训练数据来训练机器学习模型以生成训练好的机器学 习模型。操作706可以由模型确定模块404执行。示例性神经网络训练算法可包括梯 度下降算法、牛顿算法、准牛顿算法、Levenberg-Marquardt算法、共轭梯度算法等, 或其组合,如图9及其描述中所例示。在一些实施例中,可以通过基于成本函数执行 至少两次迭代来训练机器学习模型。在至少两次迭代之前,可以初始化机器学习模型 的至少两个学习参数。例如,机器学习模型的节点的连接权重和/或偏置矢量可以初始 化为一定范围(例如,从-1到1的范围)内的随机值。又例如,机器学习模型的连接 权重可以在-1到1的范围内具有相同的值,例如0。作为又一示例,机器学习模型中 的节点的偏置矢量可以初始化为0到1范围内的随机值。在一些实施例中,可以基于 高斯随机算法、Xavier算法等来初始化机器学习模型的至少两个学习参数。然后,可 以执行至少两次迭代以更新机器学习模型的至少两个学习参数,直到满足条件。该条 件可以用于指示机器学习模型是否被充分训练。例如,如果与机器学习模型相关联的 成本函数的值最小或小于阈值(例如,常数),则可以满足条件。又例如,如果成本函 数的值收敛,则可以满足条件。如果在两次或以上连续迭代中成本函数的值的变化小 于阈值(例如,常数),则可以认为已经发生了收敛。作为又一示例,当在训练过程中 执行指定次数的迭代时,可以满足条件。
在每次迭代中,可以将多组训练数据中的一组训练数据图像序列、血浆TAC 和参考参数图像输入到机器学习模型中。图像序列、血浆TAC和参考参数图像可以由 机器学习模型的一个或一个以上层处理,以生成对应于图像序列的至少一个估计参数 图像(例如,呈现动力学参数的参数图像)。可以基于机器学习模型的成本函数将至少 一个估计参数图像与对应于图像序列的参考参数图像进行比较。机器学习模型的代价 函数可以被配置用于评估机器学习模型的估计值(例如,至少一个估计参数图像)与 期望值(例如,参考参数图像)之间的差异。如果成本函数的值在当前迭代中超过阈 值,则可以调整和更新机器学习模型的至少两个学习参数以使得成本函数的值(即, 至少一个估计参数图像和参考参数图像之间的差异)小于阈值。因此,在下一次迭代 中,可以将另一组训练数据输入到机器学习模型中以训练如上所述的机器学习模型, 直到满足条件。当特定图像序列被输入到训练后的机器学习模型中时,训练后的机器 学习模型可被配置为基于映射关系输出至少一个估计参数图像。在一些实施例中,可 以基于更新的至少两个学习参数来确定训练后的机器学习模型。在一些实施例中,可 以将经过训练后的机器学习模型发送到存储设备130、存储模块408或任何其他存储 设备以供存储。
在一些实施例中,可以基于在一段时间内(例如,每隔一个月、每两个月等) 新增的数据(例如,新增的图像序列和参考参数图像)更新目标机器学习模型的训练 集。在一些实施例中,可以根据用户的指令、临床需求、更新的训练集或成像*** 100的默认设置来更新目标机器学习模型。例如,可以以设定的时间间隔(例如,每 隔一个月、每两个月等)更新目标机器学习模型。又例如,可以基于目标机器学习模 型的训练集中一段时间内(例如,每隔一个月、每两个月等)添加的数据来更新目标 机器学习模型。如果在一段时间内训练集中添加的数据的数量大于阈值,则可以基于 更新的训练集更新目标机器学习模型。
在708中,可以获得多组验证数据。多组验证数据可以包括未包括在训练集中 的数据。操作708可以由模型确定模块404执行。多组验证数据可以形成验证集。多 组验证数据中的每组可包括作为训练后的机器学习模型的输入的图像序列和对应于同 一对象的至少一个参考参数图像。如本申请所使用的,对象也可以被称为如本申请中 其他地方(例如,图1及其描述)所描述的主体。特定组的图像序列可包括与特定对 象相关联的一个或一个以上SUV图像。特定组的参考参数图像可以呈现与特定组的图 像序列相同的特定对象的动力学参数。验证集中的图像序列和参考参数图像的确定可 以与操作702中描述的类似或相同,并且在此不再重复。在一些实施例中,多组验证 数据中的每组可包括每个对象的血浆TAC。关于血浆TAC的确定的更多描述可以在本 申请的其他地方(例如,图6及其描述)找到。
在一些实施例中,多组验证数据和多组训练数据可以属于同一数据集。数据集 可包括多个图像序列和多个对应的参数图像,其中每个图像序列包括一个或一个以上 SUV图像。例如,70%的数据集可以是训练数据,并且20%的数据集可以是验证数 据。
在710中,可以通过使用多组验证数据调整训练后的机器学习模型来确定目标 机器学习模型。操作710可以由模型确定模块404执行。可以基于训练后的机器学习 模型的状态(例如,欠拟合、过度拟合)来调整和/或优化训练后的机器学习模型。如 果训练后的机器学习模型是欠拟合或过度拟合,则可以通过基于验证集调整至少两个 结构参数来调整训练后的机器学习模型;否则,在操作706中确定的训练后的机器学 习模型可以被指定为目标机器学习模型。
响应于确定训练后的机器学习模型是欠拟合,可以采用多种操作,例如增加机 器学习模型的复杂性(例如,通过增加层数、增加卷积核的大小、增加每层中的节点 数量),并降低学习速率调整训练后的机器学习模型。响应于确定训练后的机器学习模 型是过度拟合,可以采用多种操作,例如降低机器学习模型的复杂度(例如,通过减 少层数、减少卷积核的大小、减少每层中的节点数量)、降低学习速率和减小周期值的 方法调整训练后的机器学习模型。
可以基于验证集的准确度和/或训练集的准确度来确定训练后的机器学习模型的状态。如这里所使用的,训练后的机器学习模型的准确度可以由估计值(例如,估 计参数图像)和期望值(例如,一组验证数据或训练数据中的参考参数图像)之间的 相似性来定义。例如,可以将特定的一组验证数据中的图像序列和血浆TAC输入到训 练后的机器学习模型中。训练后的机器学习模型可以基于输入的图像序列和血浆TAC 生成和/或输出估计参数图像。可以确定估计参数图像与特定的一组验证数据中的参考 参数图像之间的相似性。相似性越大,训练的机器学习模型的准确度可能越高。如果 验证集的准确度低于训练集的准确度,则训练后的机器学习模型可以是过度拟合。例 如,当训练集的准确度增加,但验证集的准确度保持相同或减小时,可以确定训练后 的机器学习模型是过度拟合。如果验证集的准确度高于训练集的准确度,则训练的机 器学习模型可能是欠拟合的。
在一些实施例中,如果基于验证集确定的训练后的机器学习模型的准确度超过阈值,则可以将训练后的机器学习模型确定为目标机器学习模型。如果基于验证集确 定的训练后的机器学习模型的准确度小于阈值,则可以调整训练机器学习模型以提高 训练后的机器学习模型的准确度。
在一些实施例中,在调整训练后的机器学习模型之后,如操作706中所述,训 练集可以进一步训练调整后的训练后的机器学习模型。可以使用新验证集确定目标机 器学习模型,除非新训练后的机器学习模型既不是过度拟合或也不是欠拟合。在一些 实施例中,可以将目标机器学习模型发送到存储设备130、存储模块408或任何其他 存储设备用于存储。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。 对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修 改。然而,这些变化和修改不会背离本申请的范围。在一些实施例中,相应的血浆 TAC可以不与图像序列和/或图像序列一起输入到机器学习模型中。在一些实施例中, 在生成至少一个估计参数图像之前,可以如本申请中其他地方所述的确定对应于图像 序列的血浆TAC。对应的血浆TAC以及图像序列可以由机器学习模型处理以生成至少 一个估计的参数图像。在一些实施例中,可以基于在一段时间内(例如,每隔一个 月、每两个月等)添加的数据(例如,708中的图像序列和参考参数图像)来更新训 练集和/或验证集。
图8是根据本申请的一些实施例所示的用于训练机器学习模型的示例性过程 800的流程图。在一些实施例中,图8所示的过程800的一个或一个以上操作可以在 图1所示的成像***100中实现。例如,图8所示的过程800可以以指令的形式存储 在存储设备130中,并由处理设备120(例如,如图2所示的计算设备200的处理器 210、如图3所示的移动设备300的GPU 330或CPU 340)调用和/或执行。在一些实 施例中,可以根据过程800来执行图5中所示的操作506的一部分。例如,可以根据 过程800确定操作506中描述的目标机器学习模型。在一些实施例中,可以根据过程 800来执行图6中所示的操作608的一部分。例如,可以根据过程800确定操作608 中描述的目标机器学习模型。在一些实施例中,可以根据过程800执行如图7中所示 的操作706。
在802中,可以初始化包括一个或一个以上参数的机器学习模型。操作802可 以由模型确定模块404执行。可以结合如操作704所描述的获得机器学习模型。
在一些实施例中,机器学习模型的一个或一个以上参数可包括至少两个结构参数和至少两个学习参数。机器学习模型的示例性结构参数可以包括卷积核的大小、层 数、每层中的节点数、学习速率、批尺寸、周期等。机器学习模型的示例性学习参数 可以包括两个连接节点之间的连接权重、与节点相关的偏置矢量等。两个连接节点之 间的连接权重可以被配置为表示一个节点输出值作为另一个连接节点的输入值的比 例。在一些实施例中,机器学习模型的连接权重可以初始化为一定范围(例如,从-1 到1的范围)内的随机值。在一些实施例中,机器学习模型的连接权重可以在-1到1 的范围内具有相同的值,例如0。与节点有关的偏置矢量可以被配置用于控制偏离原 点的节点的输出值。在一些实施例中,机器学习模型中的节点的偏置矢量可以初始化 为0到1范围内的随机值。在一些实施例中,可以基于高斯随机算法、Xavier算法等 来初始化机器学习模型的参数。
在804中,可以将图像序列和对应的血浆TAC输入到机器学习模型中。操作 804可以由模型确定模块404执行。可以如结合操作702所描述的那样获得图像序列 和对应的血浆TAC。例如,图像序列可以包括对本申请中其他地方描述(例如,图7 及其描述)的样本的一个或一个以上SUV图像。又例如,可以基于图像序列确定相应 的血浆TAC。可以如结合操作704所描述的获得机器学习模型。机器学习模型的更多 描述可以在本申请的其他地方(例如,图5-7及其描述)找到。
在将图像序列和血浆TAC输入到机器学习模型中之后,图像序列和血浆TAC 可以由机器学习模型的多个层处理,以生成估计参数图像的至少一部分。在训练过程 期间,可以从估计参数图像的至少一部分中提取一个或一个以上第一特征。一个或一 个以上第一特征可以与估计参数图像的至少一部分的一个或一个以上像素或体素的值 相关。在一些实施例中,可以通过机器学习模型(例如,机器学习模型的卷积层)从 估计参数图像的至少一部分中提取一个或一个以上第一特征。一个或一个以上第一特 征可包括由机器学习模型确定的低级特征(例如,边缘特征、纹理特征等)、高级特征 (例如,语义特征)或复杂特征(例如,深层次特征)。
在806中,可以将与图像序列对应的参考参数图像输入到机器学习模型中。操 作806可以由模型确定模块404执行。可以如结合操作706所描述的获得参考参数图 像。例如,参考参数图像也可以被称为参数图像,用于呈现与图像序列相同的样本的 动力学参数。可以使用四维(4D)迭代技术来重建参考参数图像。
在训练过程期间,可以从参考参数图像的至少一部分中提取参考参数图像的一个或一个以上第二特征。一个或一个以上第二特征中的每一个可以对应于一个或一个 以上第一特征中的一个。如本申请所使用的,估计参数图像的至少一部分的第一特征 与参考参数图像的第二特征对应,可以指对应于第二特征的像素或体素与对应于第一 特征的像素或体素可以分别位于估计参数图像的至少一部分和参考参数图像的至少一 部分中的相同位置。第二特征可以包括如上所述的低级特征(例如,边缘特征、纹理 特征等)、高级特征(例如,语义特征)、复杂特征(例如,深层次特征)等。
在808中,可以基于图像序列和参考参数图像来确定成本函数的值(也称为损 失函数)。操作808可以由模型确定模块404执行。成本函数可以被配置用于评估机器 学习模型的估计值(例如,至少一个估计参数图像)与期望值(例如,参考参数图 像)之间的差异。例如,成本函数可以基于一个或一个以上第一特征和一个或一个以 上第二特征来确定。在一些实施例中,图像序列可以经由输入层(例如,如图9所示 的输入层920)输入到机器学习模型,然后从机器学习模型(例如,如图9所示的卷 积层940-1)的第一隐藏层传送到机器学习模型的最后隐藏层。可以在多个隐藏层的至 少一部分中处理图像序列,以生成至少一个估计参数图像。例如,输入的图像序列可 以由一个或一个以上的卷积层(例如,如图9所示的卷积层940-1)处理。基于与一个 或一个以上卷积层中的节点相关的参数,可以将一个或一个以上卷积层配置为执行图 像变换操作、图像增强操作、图像去噪操作或对图像序列的任何其他操作。可以将在 成本函数层之前由隐藏层处理的至少一个估计参数图像输入到成本函数层。成本函数 层的值可以基于由成本函数层之前的层分别处理至少一个估计参数图像和参考参数图 产生的一个或一个以上第一特征和一个或一个以上第二特征的来确定。
在810中,可以确定是否满足第一条件。操作810可以由模型确定模块404执 行。如果满足第一条件,则过程800可以进行到操作814。如果不满足第一条件,则 过程800可以进行到812。第一条件可以指示机器学习模型是否被充分训练。在一些 实施例中,第一条件可以与成本函数的值有关。例如,如果成本函数的值最小或小于 阈值(例如,常数),则可以满足第一条件。又例如,如果成本函数的值收敛,则可以 满足第一条件。在一些实施例中,如果在两个或以上连续迭代中成本函数的值的变化 等于或小于阈值(例如,常数),则可以认为已经发生了收敛。在一些实施例中,如果 成本函数的值与目标值之间的差等于或小于阈值(例如,常数),则可以认为已经发生 了收敛。在一些实施例中,当在训练过程中执行与第一特征和第二特征有关的指定次 数的迭代时,可以满足第一条件。
在812中,可以更新机器学习模型的一个或一个以上参数。操作812可以由模 型确定模块404执行。在一些实施例中,可以调整至少两个学习参数中的至少一个。 例如,可以调整至少一些节点的参数值,直到成本函数的值满足第一条件。在一些实 施例中,可以基于反向传播(BP)算法来调整机器学习模型的至少两个学习参数。示 例性BP算法可以包括随机梯度下降算法、Adam算法、Adagrad算法、Adadelta算 法、RMSprop算法等,或其组合。
在814中,可以确定是否满足第二条件。操作814可以由模型确定模块404执 行。如果满足第二条件,则过程800可以进行到816。如果不满足第二条件,则过程 800可以返回到804,可以从训练集中提取另一个图像序列。第二条件可以指示训练是 否可以终止。在一些实施例中,如果通过机器学习模型处理指定数量的图像序列和参 考参数图像或者执行特定的迭代计数,则可以满足第二条件。
在816中,可以确定训练后的机器学习模型。操作816可以由模型确定模块 404执行。在一些实施例中,可以基于更新的参数确定训练后的机器学习模型。
在一些实施例中,可以使用包括不同组的图像序列、血浆TAC和参考参数图 像的多个训练数据重复过程800,以改进或优化机器学习模型,直到满足终止条件。 在过程800不同循环中,可以将不同组的图像序列和参考参数图像输入到机器学习模 型中。在一些实施例中,终止条件可以是已经分析了特定数量组的图像序列和参考参 数图像。在一些实施例中,终止条件可以是已经执行了特定次数的迭代。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。 对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化和修 改。然而,这些变化和修改不会背离本申请的范围。在一些实施例中,可以省略操作 804和806。
图9是根据本申请的一些实施例所示的示例性卷积神经网络(CNN)模型900 的示意图。
CNN模型可以包括输入层920、隐藏层940和输出层960。多个隐藏层940可 以包括一个或一个以上卷积层、一个或一个以上线性整流函数层(ReLU层)、一个或 一个以上池化层、一个或一个以上全连接层等,或其组合。
为了说明的目的,示出了CNN模型的示例性隐藏层940,包括卷积层940-1、 池化层940-2和全连接层940-N。如结合过程800所述,模型确定模块404可以获取 图像序列和血浆TAC作为CNN模型的输入。图像序列可以表示为包括至少两个元素 (例如,像素或体素)的4D矩阵。矩阵中的至少两个元素中的每一个可以具有表示 元素特征的值(也称为像素点/体素值)。
卷积层940-1可包括至少两个核(例如,A、B、C和D)。例如,至少两个核 的数量可以在16到64的范围内,例如,32。至少两个核可用于提取训练样本(例 如,如图8中所述图像序列、血浆TAC和参考参数图像)的特征。在一些实施例中, 至少两个核中的每一个可以过滤图像序列的一部分(例如,区域)以产生对应于图像 序列的该部分的特定特征。该特征可以包括低级特征(例如,边缘特征、纹理特征 等)、高级特征(例如,语义特征)、或基于核计算的复杂特征(例如,深层次特征)。
池化层940-2可以将卷积层940-1的输出作为输入。池化层940-2可以包括至 少两个池节点(例如,E、F、G和H)。至少两个池节点可以用于对卷积层940-1的输 出进行采样,因此可以减少数据处理的计算负荷并且提高成像***100的数据处理速 度。在一些实施例中,模型确定模块404可以减小对应于池化层940-2中的图像序列 的矩阵的体积。
全连接层940-N可包括至少两个神经元(例如,O、P、M和N)。至少两个神 经元可以连接到来自前一层,例如池化层的至少两个节点。在全连接层940-N中,模 型确定模块404可以基于训练样本(例如,如图8所述的图像序列、血浆TAC和参考 参数图像等)的特征确定对应于至少两个神经元的至少两个向量,并进一步用至少两 个加权系数(即连接权重)加权至少两个矢量。
在输出层960中,模型确定模块404可以基于在全连接层940-N中获得的至少 两个向量和加权系数来确定诸如目标图像(例如,参数图像)的输出。
应当注意,当在不同条件下应用时,可以改进CNN模型。例如,在训练过程 中,可以添加损失函数(在本申请中也称为成本函数)层以指定估计输出(例如,至 少一个估计参数图像)与真实标签(例如,对应于图像序列的参考参数图像)的偏 差。
在一些实施例中,模型确定模块404可以访问成像***100中的多个处理单 元,例如GPU。多个处理单元可以在CNN模型的一些层中执行并行处理。可以通过 以下的方式执行并行处理:将CNN模型的一层中的不同节点的计算分配给两个或以 上处理单元。例如,一个GPU可以运行与卷积层940-1中核A和B相对应的计算, 并且其他GPU可以运行与核C和D相对应的计算。类似地,对应于CNN模型中的其 他类型的层中的不同节点的计算可以由多个GPU并行执行。
实施例
以下实施例仅仅是为了说明的目的,而不是为了限制本申请的范围。
实施例1使用线性Patlak模型重建的患者躯干的示例性PET图像
图10示出了根据本申请的一些实施例重建的三名患者的躯干的示例性图像。 如图10所示,图像1-6是使用线性Patlak模型基于SUV图像重建的参数图像。可以 使用3D迭代算法(例如,MLEM算法、OSEM算法)来重建SUV图像。图像1和图 像2分别是患者A的躯干的冠状视图和矢状视图。图像3和图像4分别是患者B的躯 干的冠状视图和矢状视图。图像5和图像6分别是患者C的躯干的冠状视图和矢状视 图。
实施例2使用4D迭代技术重建的三名患者的躯干的示例性PET图像
图11示出了根据本申请的一些实施例重建的图10中描述的三名患者的躯干的 示例性图像。如图11所示,图像1'-6'是使用如操作702中所述的4D迭代技术重建的 参数图像。图像1'-6'分别对应于图10中描述的图像1-6。
实施例3使用目标机器学习模型重建的三名患者的躯干的示例性PET图像
图12示出了根据本申请的一些实施例重建的图10中描述的三名患者的躯干的 示例性图像。如图12所示,图像1”-6”是根据过程500和/或600使用目标机器学习模 型重建的参数图像。图像1”-6”分别对应于图10中描述的图像1-6和图11中描述的图 像1'-6'。
如图10,图11和/或图12所示,图12中使用目标机器学习模重建的图像1”- 6”分别比图10中使用线性Patlak模型重建的相应的图像1-6分别地更相似于或接近于 图11中使用4D迭代技术重建的相应的图像1'-6'。如本申请所使用的,图像1”与图像 1'比,图像1”与图像1更相似或接近,指图像1”和图像1'之间的相似性大于图像1'和 图像1之间的相似性。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人 员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说 明,但本领域的普通技术人员可能会对本申请进行各种修改、改进和修正。该类修 改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实 施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、 “一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、 结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的 “一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此 外,本申请的一个或一个以上实施例中的某些特征、结构或特点可以进行适当的组 合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可 专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物 质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬 件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和 软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“***”。此外, 本申请的各方面可以表现为位于一个或一个以上计算机可读介质中的计算机产品,所 述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序代码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光 形式等。或任何合适的组合。计算机可读信号介质可以是除计算机可读存储介质之外 的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实 现通信、传播或传输供使用的程序。位于计算机可读信号介质上的程序代码可以通过 任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF等,或任何上述介质的 组合。
本申请各部分操作所需的计算机程序代码可以用任意一种或以上程序设计语言编写,包括面向对象程序设计语言如Java、Scala、Smalltalk、Eiffel、JADE、 Emerald、C++、C#、VB.NET、Python等,常规程序化程序设计语言如C程序设计语 言、Visual Basic、Fortran 2103、Perl、COBOL 2102、PHP、ABAP,动态程序设计语 言如Python、Ruby,和Groovy,或其他程序设计语言等。该程序代码可以完全在用户 计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运 行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远 程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网 (WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务 使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字 母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披 露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细 节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨 在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,尽管上述各种组 件的实现可以体现在硬件设备中,但是它也可以实现为仅软件解决方案,例如,在现 有服务器或移动设备上的安装。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或一个以 上发明实施例的理解,前文对本申请的实施例的描述中,有时会将多种特征归并至一 个实施例、附图或对其的描述中。然而,本申请的该方法不应被解释为反映所声称的 待扫描对象物质需要比每个权利要求中明确记载的更多特征的意图。相反,发明的主 体应具备比上述单一实施例更少的特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实 施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修 饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变 化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该 近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规 定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围 广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可 能精确。
本申请中提及的所有专利、专利申请、专利申请公布和其他材料(如论文、书 籍、说明书、出版物、记录、事物和/或类似的东西)均在此通过引用的方式全部并入 本申请以达到所有目的,与上述文件相关的任何起诉文档记录、与本申请件不一致或 冲突的任何上述文件或对迟早与本申请件相关的权利要求书的广泛范畴有限定作用的 任何上述文件除外。举例来说,如果在描述、定义和/或与任何所结合的材料相关联的 术语的使用和与本申请件相关联的术语之间存在任何不一致或冲突,则描述、定义和/ 或在本申请件中使用的术语以本申请件为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。 其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替 代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介 绍和描述的实施例。
Claims (14)
1.一种正电子发射断层成像图像重建方法,其特征在于,包括:
获得与主体相关的图像序列,所述图像序列包括通过在一个或一个以上连续时间段扫描所述主体生成的一个或一个以上图像;
获得目标机器学习模型;以及
基于所述图像序列,使用所述目标机器学习模型生成至少一个目标图像,所述至少一个目标图像呈现与所述主体相关联的动力学参数,所述目标机器学习模型提供所述图像序列和所述至少一个目标图像之间的映射。
2.根据权利要求1所述的方法,其特征在于,所述基于所述图像序列,使用所述目标机器学习模型生成所述至少一个目标图像包括:
输入与所述主体关联的所述图像序列到所述目标机器学习模型;以及
将所述图像序列转换为所述至少一个目标图像。
3.根据权利要求1所述的方法,其特征在于,所述方法进一步包括:
获得与所述主体相关的血浆时间-活度曲线;以及
通过将与所述主体相关联的所述图像序列和所述血浆时间-活度曲线输入所述目标机器学习模型来生成所述至少一个目标图像。
4.根据权利要求3所述的方法,其特征在于,所述获得与所述主体相关的所述血浆时间-活度曲线包括:
基于所述图像序列,使用另一目标机器学习模型获取与所述主体相关联的所述血浆时间-活度曲线,其中所述另一目标机器学习模型提供了所述图像序列和所述血浆时间-活度曲线之间的映射。
5.根据权利要求1所述的方法,其特征在于,所述目标机器学习模型的确定包括:
获得与一个或一个以上样本相关联的多组训练数据,所述多组训练数据的每一组包括第一图像序列和对应于所述第一图像序列的第一参考参数图像,所述第一参考参数图像呈现所述一个或一个以上样本之一的所述动力学参数;以及
通过使用所述多组训练数据训练机器学习模型来生成所述目标机器学习模型。
6.根据权利要求5所述的方法,其特征在于,所述获得与所述一个或一个以上样本相关联的所述多组训练数据包括:
对于所述多组训练数据的每一组,获得与所述一个或一个以上样本之一相关的投影数据;
基于所述投影数据使用第一图像重建算法生成所述第一图像序列;以及
基于所述投影数据使用第二图像重建算法生成所述第一参考参数图像。
7.根据权利要求6所述的方法,其特征在于,所述第二图像重建算法包括四维迭代技术。
8.根据权利要求5所述的方法,其特征在于,所述目标机器学习模型的确定进一步包括:
获得与所述一个或一个以上样本之一相关的参考血浆时间-活度曲线,其中,所述通过所述多组训练数据训练所述机器学习模型生成所述目标机器学习模型包括:
基于所述参考血浆时间-活度曲线,使用所述多组训练数据训练所述机器学习模型。
9.根据权利要求8所述的方法,其特征在于,基于与所述一个或一个以上样本之一相关的所述图像序列来确定与所述一个或一个以上的样本之一的所述参考血浆时间-活度曲线。
10.根据权利要求5所述的方法,其特征在于,所述目标机器学习模型的确定进一步包括:
获得多组验证数据,所述多组验证数据的每一组包括第二图像序列和与所述第二图像序列对应的第二参考参数图像,所述第二参考参数图像呈现所述动力学参数;以及
使用所述多组验证数据调整所述目标机器学习模型。
11.根据权利要求1所述的方法,其特征在于,所述目标机器学习模型是基于深度学习神经网络模型构建的。
12.一种正电子发射断层成像图像重建***,包括:
存储可执行指令的至少一个存储设备,以及
至少一个与所述至少一个存储设备通信的处理器,当执行所述可执行指令时,使所述***执行如权利要求1-11任一所述的图像重建方法。
13.一种正电子发射断层成像图像重建***,包括:
获取模块,用于获得与主体相关的图像序列,所述图像序列包括通过在一个或一个以上连续时间段扫描所述主体生成的一个或一个以上图像;
模型确定模块,用于获得目标机器学习模型;以及
图像重建模块,用于基于所述图像序列,使用所述目标机器学习模型生成至少一个目标图像,所述至少一个目标图像呈现与所述主体相关联的动力学参数,所述目标机器学习模型提供所述图像序列和所述至少一个目标图像之间的映射。
14.一种非暂时性的计算机可读介质,其特征在于所述介质存储计算机指令,所述计算机指令在执行时执行如权利要求1-11任一所述的图像重建方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/374,672 | 2019-04-03 | ||
US16/374,672 US11010938B2 (en) | 2019-04-03 | 2019-04-03 | Systems and methods for positron emission tomography image reconstruction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298897A CN110298897A (zh) | 2019-10-01 |
CN110298897B true CN110298897B (zh) | 2022-12-06 |
Family
ID=68026656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910381788.8A Active CN110298897B (zh) | 2019-04-03 | 2019-05-08 | 用于正电子发射断层成像图像重建的***和方法 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11010938B2 (zh) |
CN (1) | CN110298897B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11010938B2 (en) * | 2019-04-03 | 2021-05-18 | Uih America, Inc. | Systems and methods for positron emission tomography image reconstruction |
US11348230B2 (en) * | 2019-10-25 | 2022-05-31 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for generating and tracking shapes of a target |
CN110853012B (zh) * | 2019-11-11 | 2022-09-06 | 苏州锐一仪器科技有限公司 | 获得心脏参数的方法、装置及计算机存储介质 |
US11200669B2 (en) * | 2019-11-19 | 2021-12-14 | Uih America, Inc. | Systems and methods for determining plasma input function used in positron emission tomography imaging |
US11120585B2 (en) * | 2019-11-28 | 2021-09-14 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image reconstruction |
US11756192B2 (en) * | 2020-04-01 | 2023-09-12 | Siemens Medical Solutions Usa, Inc. | Pet attenuation map alignment |
CN112037147B (zh) * | 2020-09-02 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 医学图像降噪方法和装置 |
CN112015749B (zh) * | 2020-10-27 | 2021-02-19 | 支付宝(杭州)信息技术有限公司 | 基于隐私保护更新业务模型的方法、装置及*** |
CN112652029A (zh) * | 2020-12-04 | 2021-04-13 | 深圳先进技术研究院 | Pet成像方法、装置与设备 |
DE102020216040A1 (de) * | 2020-12-16 | 2022-06-23 | Siemens Healthcare Gmbh | Verfahren zur Ermittlung einer Anpassung einer Bildgebungsuntersuchung |
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 |
US11790526B2 (en) * | 2021-03-24 | 2023-10-17 | Siemens Medical Solutions Usa, Inc. | Neural network-assisted dose assessment based on activity image |
JP7454766B2 (ja) | 2021-04-26 | 2024-03-25 | パナソニックIpマネジメント株式会社 | 便状態表示システム |
CN113674254B (zh) * | 2021-08-25 | 2024-05-14 | 上海联影医疗科技股份有限公司 | 医学图像异常点识别方法、设备、电子装置和存储介质 |
CN113822298A (zh) * | 2021-09-28 | 2021-12-21 | 上海联影医疗科技股份有限公司 | 一种时间活度曲线提取方法和*** |
EP4330914A1 (en) * | 2021-09-28 | 2024-03-06 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
WO2023056634A1 (zh) * | 2021-10-09 | 2023-04-13 | 深圳先进技术研究院 | Pet参数成像方法、装置、电子设备及可读存储介质 |
WO2023102709A1 (zh) * | 2021-12-07 | 2023-06-15 | 深圳先进技术研究院 | 基于静态pet图像的动态参数图像合成方法、*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631941A (zh) * | 2013-12-11 | 2014-03-12 | 北京师范大学 | 基于脑电的目标图像检索*** |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10438380B2 (en) * | 2014-12-10 | 2019-10-08 | Koninklijke Philips N.V. | Systems and methods for translation of medical imaging using machine learning |
US11010938B2 (en) * | 2019-04-03 | 2021-05-18 | Uih America, Inc. | Systems and methods for positron emission tomography image reconstruction |
-
2019
- 2019-04-03 US US16/374,672 patent/US11010938B2/en active Active
- 2019-05-08 CN CN201910381788.8A patent/CN110298897B/zh active Active
-
2021
- 2021-05-17 US US17/321,628 patent/US11636634B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103631941A (zh) * | 2013-12-11 | 2014-03-12 | 北京师范大学 | 基于脑电的目标图像检索*** |
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
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 |
Also Published As
Publication number | Publication date |
---|---|
US20210272340A1 (en) | 2021-09-02 |
CN110298897A (zh) | 2019-10-01 |
US11010938B2 (en) | 2021-05-18 |
US20200320753A1 (en) | 2020-10-08 |
US11636634B2 (en) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298897B (zh) | 用于正电子发射断层成像图像重建的***和方法 | |
US11887221B2 (en) | Systems and methods for image correction in positron emission tomography | |
CN110809782B (zh) | 衰减校正***和方法 | |
US11348233B2 (en) | Systems and methods for image processing | |
US11232558B2 (en) | Systems and methods for image generation | |
WO2021232194A1 (en) | Systems and methods for image reconstruction | |
WO2020062262A1 (en) | Systems and methods for generating a neural network model for image processing | |
US11494877B2 (en) | Systems and methods for image reconstruction | |
US11615535B2 (en) | Systems and methods for image processing | |
WO2021068975A1 (en) | Systems and methods for image reconstruction | |
US20230342939A1 (en) | Systems and methods for image reconstruction and processing | |
CN111768462B (zh) | 图像生成***和方法 | |
US20240005508A1 (en) | Systems and methods for image segmentation | |
WO2022143835A1 (en) | Systems and methods for image processing | |
WO2022257154A1 (zh) | 参数成像的***和方法 | |
CN117897733A (zh) | 医学成像***和方法 | |
US20230260173A1 (en) | Systems and methods for positron emission tomography image reconstruction | |
WO2023123361A1 (en) | Systems and methods for motion correction for a medical image |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |