CN110809782A - 衰减校正***和方法 - Google Patents
衰减校正***和方法 Download PDFInfo
- Publication number
- CN110809782A CN110809782A CN201880040404.XA CN201880040404A CN110809782A CN 110809782 A CN110809782 A CN 110809782A CN 201880040404 A CN201880040404 A CN 201880040404A CN 110809782 A CN110809782 A CN 110809782A
- Authority
- CN
- China
- Prior art keywords
- image
- attenuation correction
- pet
- neural network
- 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.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003062 neural network model Methods 0.000 claims abstract description 137
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 95
- 238000003860 storage Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 58
- 238000004891 communication Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012805 post-processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims 2
- 238000005562 fading Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 51
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000002600 positron emission tomography Methods 0.000 description 233
- 238000004422 calculation algorithm Methods 0.000 description 44
- 230000015654 memory Effects 0.000 description 31
- 230000006870 function Effects 0.000 description 30
- 230000008569 process Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 238000012986 modification Methods 0.000 description 12
- 230000004048 modification Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 230000005855 radiation Effects 0.000 description 10
- 230000009466 transformation Effects 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 8
- 210000001519 tissue Anatomy 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000003190 augmentative effect Effects 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000012879 PET imaging Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000000264 spin echo pulse sequence Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- 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
- A61B6/02—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
- 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
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
-
- 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
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10104—Positron emission tomography [PET]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/464—Dual or multimodal imaging, i.e. combining two or more imaging modalities
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种衰减校正***和方法,属于成像技术领域,衰减校正方法包括获取由PET扫描仪获取的扫描对象的至少一个第一PET图像和由MR扫描仪获取的扫描对象的至少一个第一MR图像,获取目标神经网络模型,目标神经网络模型可以提供PET图像、MR图像和相应的衰减校正数据之间的映射关系,并且输出与多张PET图像中特定PET图像相关联的衰减校正数据,基于扫描对象的至少一个第一PET图像和至少一个第一MR图像,使用目标神经网络模型生成对应于扫描对象的第一衰减校正数据,并基于与扫描对象对应的第一衰减校正数据确定扫描对象的目标PET图像。
Description
技术领域
本申请涉及成像技术领域,特别是涉及一种衰减校正***和方法。
背景技术
核医学成像是利用放射成像获得图像的技术,广泛应用于各种医学疾病的诊断和治疗。PET(Positron Emission Tomography,正电子发射计算机断层扫描)是一种典型的核医学成像技术,PET图像可以反映人体中特定器官或组织(例如肿瘤)的代谢活动,通常可以通过扫描后的衰减校正数据重建PET图像,以呈现人体中特定器官或组织的准确信息。
随着多模态成像技术(如PET-MR(Magnetic Resonance,磁共振)成像技术)的发展,MR图像可以用于PET图像的衰减校正。然而,MR图像不能直接表示体内组织的电子密度,因此不能直接通过MR图像生成与PET图像相关联的衰减校正图像,需要研究可以基于MR图像为PET图像衰减校正的方式。
发明内容
根据本申请的一个方面,提供了一种衰减校正***。
该衰减校正***可以包括能存储可执行指令的至少一个存储设备,以及与该至少一个存储设备通信的至少一个处理设备。当执行可执行指令时,所述至少一个处理设备用于获得由PET扫描仪获取的扫描对象的至少一个第一PET图像和由MR扫描仪获取的扫描对象的至少一个第一MR图像。所述至少一个处理设备还可以用于获取目标神经网络模型,该目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系,并可以输出与多张PET图像中特定PET图像相关联的衰减校正数据。所述至少一个处理设备可进一步用于基于扫描对象的至少一个第一PET图像和至少一个第一MR图像,使用所述目标神经网络模型生成与所述扫描对象对应的第一衰减校正数据。在一个实施例中,至少一个处理设备还可以用于基于与所述扫描对象相对应的第一衰减校正数据来确定所述扫描对象的目标PET图像。
在一个实施例中,为了获取目标神经网络模型,至少一个处理设备可以进一步用于获得多组训练数据,并通过使用多组训练数据训练神经网络模型来生成所述目标神经网络模型。所述多组训练数据中的每组训练数据样本可以包括第二PET图像、第二MR图像和第二衰减校正数据。
在一个实施例中,所述神经网络模型可包括卷积神经网络(CNN)模型、反向传播神经网络(BP)模型、径向基函数神经网络(RBF)模型、深度信念网络(DBN)模型、Elman神经网络模型等,或者其组合。
在一个实施例中,为了获得多组训练数据,至少一个处理设备还可以用于获取所述多组训练数据中的每组训练数据样本的CT图像,并且基于每组训练数据样本的CT图像确定与每组训练数据样本相对应的第二衰减校正数据。
在一个实施例中,为了获得多组训练数据,至少一个处理设备还可用于基于每组训练数据样本的第二MR图像或第二PET图像中的至少一个来确定与每组训练数据样本相对应的第二衰减校正数据。
在一个实施例中,为了使用目标神经网络模型生成与扫描对象对应的第一衰减校正数据,所述至少一个处理设备可以进一步用于将所述至少一个第一PET图像和所述至少一个第一MR图像输入到所述目标神经网络模型,并获得所述目标神经网络模型输出的第一衰减校正数据。
在一个实施例中,为了基于与所述扫描对象相对应的第一衰减校正数据确定所述扫描对象的目标PET图像,至少一个处理设备可以进一步用于获得与所述扫描对象的第一PET图像相关联的PET投影数据,并基于PET投影数据以及第一衰减校正数据重构目标PET图像。
在一个实施例中,为了基于与所述扫描对象对应的第一衰减校正数据确定所述扫描对象的目标PET图像,至少一个处理设备可以进一步用于对与所述扫描对象对应的第一衰减校正数据执行后处理操作。后处理操作可包括插值操作、配准操作等,或者其组合。
在一个实施例中,至少一个处理设备可进一步用于对所述至少一个第一PET图像或所述至少一个第一MR图像中的至少一个执行预处理操作。预处理操作可包括滤波操作、平滑操作、变换操作、去噪操作等,或者其组合。
根据本申请的另一方面,提供了一种衰减校正方法。
该衰减校正方法包括以下步骤:
获取由PET扫描仪获取的扫描对象的至少一个第一PET图像,以及由MR扫描仪获取的扫描对象的至少一个第一MR图像;
获取目标神经网络模型,所述目标神经网络模型可以提供PET图像、MR图像和相应的衰减校正数据之间的映射关系,并且输出与多张PET图像中特定PET图像相关联的衰减校正数据;
使用基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像的目标神经网络模型生成对应于所述扫描对象的第一衰减校正数据,并基于与所述扫描对象对应的第一衰减校正数据确定所述扫描对象的目标PET图像。
根据本申请的另一方面,提供了存储至少一组指令的非暂时性计算机可读介质。
当由至少一个处理设备执行时,至少一组指令可以指示至少一个处理设备执行方法,该方法可以包括获取由PET扫描仪获取的扫描对象的至少一个第一PET图像和由MR扫描仪获取的扫描对象的至少一个第一MR图像,获取目标神经网络模型,所述目标神经网络模型可以提供PET图像、MR图像和相应的衰减校正数据之间的映射关系,并且输出与多张PET图像中特定PET图像相关联的衰减校正数据;使用基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像的目标神经网络模型生成对应于所述扫描对象的第一衰减校正数据,并基于与所述扫描对象对应的第一衰减校正数据确定所述扫描对象的目标PET图像。
根据本申请的另一方面,提供了一种衰减校正***,该衰减校正***包括采集模块、模型确定模块和校正模块;采集模块可以用于获取由PET扫描仪获取的扫描对象的至少一个第一PET图像和由MR扫描仪获取的扫描对象的至少一个第一MR图像;模型确定模块可用于获取目标神经网络模型,所述目标神经网络模型可以提供PET图像、MR图像和相应衰减校正数据之间的映射关系,所述目标神经网络模型可以用于输出与多张PET图像中特定PET图像相关联的衰减校正数据;校正模块可用于使用基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像的目标神经网络模型生成与所述扫描对象对应的第一衰减校正数据,并基于与所述扫描对象对应的第一衰减校正数据确定所述扫描对象的目标PET图像。
本申请的附加特征将在下面的描述中部分阐述,并且本领域技术人员在查阅下述内容和附图,或者通过示例进行实际操作或验证后,可以容易理解附加特征,本申请的特征可以通过实践或使用下面讨论的详细示例中阐述的方法、工具和其组合来实现。
附图说明
根据示例性实施例进一步描述本申请,参考附图详细描述这些示例性实施例。附图不按比例绘制,描述的实施例是非限制性的示例性实施例,其中类似的附图标记在附图的多个视图中表示类似的结构,并且其中:
图1为一个实施例中的示例性成像***的示意图;
图2为一个实施例中的可作为处理设备120的示例性计算设备的硬件和/或软件组件的示意图;
图3为一个实施例中的示例性移动设备的硬件和/或软件组件的示意图;
图4为一个实施例中的示例性处理设备的框架示意图;
图5为一个实施例中的用于PET成像的衰减校正的流程示意图;
图6为一个实施例中的生成用于衰减校正的目标神经网络模型的流程示意图;
图7为一个实施例中的反向传播(BP)神经网络模型的示意图。
具体实施方式
在下面的详细描述中,通过示例阐述了许多具体细节,以便于对相关公开内容进行深入理解。然而,本领域技术人员应当清楚,本申请可以在没有这些细节的情况下实施。在一般情况下,为了避免不必要地混淆本申请的各个方面,本申请以相对较高的水平描述了众所周知的方法、过程、***、组件和/或电路,而没有对其详细说明。对于本领域技术人员来说,对所公开的实施例的各种修改将是显而易见的,并且在不脱离本申请的构思和范围的情况下,本申请定义的一般原则可以应用于其他实施例和应用。因此,本申请不限于所示的实施例,而是涵盖了与权利要求一致的最宽范围。
本申请中使用的术语仅用于描述特定示例实施例,并不限制本申请。如本申请所用,单数形式也可以包括复数形式,除非上下文另有明确指示。可以进一步理解,术语“包括”和“包含”在本申请中使用时,规定了所述特征、整数、步骤、操作、元素和/或组件的存在,但不排除一个或多个的存在或添加其他特征、整体、步骤、操作、元件、组件和/或其组合。
应当理解,本申请中使用的术语“***”、“单元”、“模块”和/或“块”是一种按升序区分不同级别的不同组件、元件、部件、部分或组件的方式。但是,如果另一种表达方式的其他术语也可达到相同的目的,则这些术语可能会被其取代。
通常,这里使用的“模块”、“单元”或“块”词语是指硬件或固件中包含的逻辑组件,或指软件指令的集合。本申请描述的模块、单元或块可以用软件和/或硬件来实现,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存储设备中。在一些实施例中,软件模块/单元/块可以被编译并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/块或其自身调用,和/或可以响应检测到的事件或中断而调用。用于在计算设备(例如,如图2所示的处理器210)上执行的软件模块/单元/块可以设置在计算机可读介质上,例如光盘、数字视频光盘、闪存驱动器、磁盘或任何其他有形介质上,或者作为数字下载(并且最初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)。这些软件代码可以部分或全部存储在计算设备的存储设备上,以供计算设备执行。软件指令可以嵌入固件中,例如EPROM(可擦除可编程只读存储器)。进一步可理解,硬件模块/单元/块可以包括所连接的逻辑组件,例如门和触发器,和/或可包括可编程单元,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用软件模块/单元/块来实现,但也可以用硬件或固件表示。一般来说,本申请所描述的模块/单元/块是指逻辑模块/单元/块,它们可以与其他模块/单元/块组合,或者尽管它们的物理组织或存储方式不同,但也可以划分为子模块/子单元/子块。
可以理解,当一个单元、引擎、模块或块被称为“开启”、“连接到”或“耦合到”另一个单元、引擎、模块或块时,它可以直接开启、连接到、耦合到或通信到另一个单元、引擎、模块或块,也可以是可能存在的中间单元、引擎、模块或块,除非上下文另有明确说明。如本申请所使用的,术语“和/或”包括一个或多个相关的所列项目的任何和所有组合。
本申请的特征,以及相关结构元件的操作方法和功能,以及部件和结构制造的组合,在参考附图并考虑以下说明后,会变得更加明显,上述所有内容构成本申请披露的内容的一部分。然而,应明确理解,附图仅用于说明和描述,并不打算限制本申请的保护范围。
这里提供用于衰减校正的***和组件。衰减校正***可与PET扫描仪和MR扫描仪交互,以分别从存储设备获取和/或检索PET图像数据和MR图像数据。该***可以包括存储可执行指令的至少一个存储设备,以及与该至少一个存储设备通信的至少一个处理设备。当执行可执行指令时,至少一个处理设备用于获得扫描对象的至少一个第一PET图像(例如,由PET扫描仪获取,从存储设备检索)和扫描对象的至少一个第一MR图像(例如,由MR扫描仪获取,从存储设备检索)。至少一个处理设备还可以用于获取目标神经网络模型,该目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系,并且输出与多张PET图像中特定PET图像相关联的衰减校正数据。所述至少一个处理设备还可以通过在目标神经网络模型中输入所述扫描对象的至少一个第一PET图像和至少一个第一MR图像生成与所述扫描对象对应的第一衰减校正数据,并基于与所述扫描对象对应的第一衰减校正数据确定所述扫描对象的目标PET图像。
因此,该衰减校正***可以通过将所述扫描对象的PET图像和MR图像输入到目标神经网络模型中,直接生成与PET图像相关联的衰减校正数据,这可以提高生成衰减校正数据的处理速度,并且可以应用于不同的临床情况。在一些实施例中,衰减校正***可以根据临床需要更新多个训练样本,并且通过使用更新的多个训练样本训练目标神经网络模型来更新目标神经网络模型。因此,该衰减校正***可以适应复杂的临床情况,并具有更好的鲁棒性。
图1是一个实施例中的示例性成像***100的示意图。在一些实施例中,成像***100可以是单模态***或多模态***,示例性单模态***可包括正电子发射断层扫描成像(PET)***、磁共振(MR)***等。示例性多模态***可包括计算机断层扫描成像-正电子发射断层扫描成像(CT-PET)***、磁共振-正电子发射断层扫描成像(MR-PET)***等。在一些实施例中,成像***100可以包括用于执行成像和/或相关分析的模块和/或组件。
仅作为示例,如图1所示,成像***100可以包括医疗设备110、处理设备120、存储设备130、一个或多个终端140和网络150。成像***100中的组件可以以一种或多种方式连接。医疗设备110可以通过网络150连接到处理设备120。作为另一示例,医疗设备110可以如图1所示直接连接到处理设备120,如图1中的虚线箭头所示。作为另一示例,终端140可以经由网络150连接到成像***100的另一组件(例如,处理设备120)。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可以如图1所示直接连接到成像***100的另一组件(例如,处理设备120),或者通过网络150连接。
医疗设备110可以包括多模态成像设备。多模态成像设备可以获取与扫描对象的至少一部分相关的成像数据。与扫描对象的至少一部分相关的成像数据可以包括图像(例如,图像切片)、投影数据或其组合。在一些实施例中,成像数据可以是二维(2D)成像数据、三维(3D)成像数据、四维(4D)成像数据等或其任何组合。扫描对象可能是生物性的或非生物性的,例如,扫描对象可以包括患者、人造物体等。作为另一示例,扫描对象可以包括患者的特定部分、器官和/或组织。例如,扫描对象可包括头部、颈部、胸部、心脏、胃、血管、软组织、肿瘤、结节等或其任何组合。示例性多模态成像设备可包括PET-CT扫描仪、PET-MR扫描仪等或其组合。例如,医疗设备110可以包括PET扫描仪和MR扫描仪。PET扫描仪可以扫描位于其检测区域内的扫描对象或其一部分,并生成与该扫描对象或其一部分相关的投影数据。PET扫描仪可包括机架、检测器、电子模块和/或未示出的其它组件。机架可以支持PET扫描仪的一个或多个部分,例如探测器、电子模块和/或其他组件。探测器可以检测扫描对象发出的辐射光子(例如γ光子)。电子模块可以收集和/或处理探测器产生的电信号(例如闪烁脉冲)。电子模块可以将与检测器检测到的辐射光子有关的模拟信号(例如,检测器生成的电信号)转换为与辐射事件有关的数字信号。如本申请所使用的,辐射事件(也称为单个事件)是指从扫描对象发射的辐射光子撞击检测器,并由检测器检测到的辐射光子的作用。一对辐射光子(例如γ光子)在符合时间窗内沿响应线(LOR)分别与两个探测器块相互作用可被确定为符合事件。扫描对象发出的部分辐射光子(如γ光子)可能与扫描对象体内的组织相互作用。与扫描对象体内组织相互作用的辐射光子(如γ光子)可能被散射或以其他方式改变其轨迹,这可能影响到由两个探测器块在符合时间窗内沿响应线(LOR)探测到的辐射光子的数量或计数以及符合事件的数量或计数。
MR扫描仪可以扫描位于其检测区域内的扫描对象或其一部分,并生成与该扫描对象或其一部分相关的MR图像数据。MR图像数据可以包括k空间数据、MR信号、MR图像等。MR图像数据可以由MR扫描仪通过使用脉冲序列扫描对象来获取。示例性脉冲序列可包括自旋回波序列、梯度回波序列、扩散序列、反转恢复序列等或其组合。例如,自旋回波序列可以包括快速自旋回波(FSE)、turbo自旋回波(TSE)、具有松弛增强的快速捕获(RARE)、半傅立叶捕获单次激发turbo自旋回波(HASTE)、turbo梯度自旋回波(TGSE)等或其组合。
处理设备120可以处理从医疗设备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可以获得与扫描对象相关的PET图像和MR图像,还可以获得用于衰减校正的目标神经网络模型,目标神经网络模型可以提供PET图像、MR图像和相应的衰减校正数据之间的映射关系,并且输出与特定PET图像相关联的衰减校正数据。处理设备120可以使用目标神经网络模型基于映射关系来确定与PET图像相关联的衰减校正。作为另一示例,处理设备120可以基于与PET图像相关联的衰减校正数据重建扫描对象的目标PET图像。作为又一示例,处理设备120可以获得多个训练数据,可以通过使用多个训练数据训练神经网络模型来生成目标神经网络模型。
在一些实施例中,处理设备120可以是计算机、用户控制台、单个服务器或服务器组等。服务器组可以是集中式或分布式的。在一些实施例中,处理设备120可以是本地的或远程的。例如,处理设备120可以经由网络150访问存储在医疗设备110、终端140和/或存储设备130中的信息和/或数据。作为另一示例,处理设备120可以直接连接到医疗设备110、终端140和/或存储设备130以访问存储的信息和/或数据。在一些实施例中,处理设备120可以在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任何组合。
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。数据可以包括由处理设备120获取的图像数据、用于处理图像数据的算法和/或模型等。例如,存储设备130可以存储由医疗设备110获取的图像数据(例如PET图像、MR图像、PET投影数据等)。作为另一示例,存储设备130可以存储用于处理图像数据的一个或多个算法、用于生成衰减数据的目标神经网络模型等,存储设备130可以存储数据和/或指令,处理设备120可以执行或用于执行本申请中描述的衰减校正方法/***。在一些实施例中,存储设备130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任何组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双数据率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多用途磁盘ROM等。在一些实施例中,存储设备130可以在云平台上实现。仅作为示例,云平台可包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任何组合。
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中的一个或多个其他组件(例如,处理设备120、终端140等)通信。成像***100中的一个或多个组件可以经由网络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中的一个或多个其它组件(例如,处理设备120、终端140等)并与之通信。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、平板电脑140-2、笔记本电脑140-3等或其任何组合。在一些实施例中,移动设备140-1可包括智能家庭设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等或其任何组合。在一些实施例中,智能家庭设备可包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任何组合。在一些实施例中,可穿戴设备可包括手环、鞋具、眼镜、头盔、手表、衣服、背包、智能配件等或其任何组合。在一些实施例中,移动设备可包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机电脑等或其任何组合。在一些实施例中,虚拟现实装置和/或增强现实装置可包括虚拟现实头盔、虚拟现实眼镜、虚拟现实贴片、增强现实头盔、增强现实眼镜、增强现实贴片等或其任何组合。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。
网络150可以包括能够促进成像***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,医疗设备110(例如CT扫描仪、PET扫描仪等)、终端140、处理设备120、存储设备130等一个或多个组件可以经由网络150与成像***100的一个或多个其他组件通信传输信息和/或数据。例如,处理设备120可以经由网络150从医疗设备110获取数据。作为另一示例,处理设备120可以经由网络150从终端140获取用户指令。网络150可以包括公共网络(例如因特网)、专用网络(例如局域网(LAN)、广域网(WAN)等)、有线网络(例如以太网)、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可以包括有线电视网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公用电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM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可以包括一个或多个网络接入点。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/或因特网交换点,通过这些接入点,可以将成像***100的一个或多个组件连接到网络150以交换数据和/或信息。
应当注意,对成像***100的上述描述仅仅是为了解释说明本申请,并不打算限制本申请的保护范围。对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变化和修改。例如,成像***100的组装和/或功能可以根据特定的实现方案而改变。
图2是一个实施例中的可作为处理设备120的示例性计算设备200的硬件和/或软件组件的示意图。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)端口230和通信端口240。
处理器210可以根据本申请描述的技术来执行计算机指令(程序代码)和执行处理设备120的功能。例如,计算机指令可以包括执行本申请描述的特定功能的例程、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可以处理从医疗设备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可以处理从医疗设备110获得的一个或多个测量数据集。例如,处理器210可以基于数据集重构图像。在一些实施例中,重构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,重构图像可以通过输入/输出(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可以包括一个或多个硬件处理器,例如微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASICs)、专用指令集处理器(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)、高级RISC机(ARM)、可编程逻辑器件(PLD)、能够执行一个或多个功能的任何电路或处理器等,或其任何组合。
仅为了说明,计算设备200中仅描述了一个处理器。然而,应当注意,本申请中的计算设备200还可以包括多个处理器。因此,如本申请所述,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,则应理解,操作A和操作B也可以由计算设备200中的两个或多个不同的处理器共同或分别执行(例如,第一处理器执行操作A,第二处理器执行操作B,或者第一和第二处理器共同执行操作A和B)。
存储器220可以存储从医疗设备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可以包括大容量存储设备、可移动存储设备、易失性读写存储器、只读存储器(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、存储卡、压缩盘、磁带等。易失性读写存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双数据率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(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)、光盘只读ROM(CD-ROM)和数字多用途磁盘ROM等。在一些实施例中,存储器220可以存储一个或多个程序和/或指令,以执行本申请中描述的示例性方法。例如,存储器220可以存储用于为PET图像生成衰减校正数据的处理设备120的程序。
输入/输出(I/O)端口230可以输入或输出信号、数据和/或信息。在一些实施例中,输入/输出(I/O)端口230可以允许用户与处理设备120交互。在一些实施例中,输入/输出(I/O)端口230可以包括输入设备和输出设备。示例性输入设备可包括键盘、鼠标、触摸屏、麦克风等或其组合。示例性输出设备可包括显示设备、扬声器、打印机、投影仪等或其组合。示例性显示设备可包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)等或其组合。
通信端口240可以与网络(例如网络150)连接,以便于数据通信。通信端口240可以在处理设备120与医疗设备110、终端140或存储设备130之间建立连接。建立的连接可以是有线连接、无线连接,或者两者的组合,以实现数据传输和接收。有线连接可以包括电缆、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可以是标准化通信端口,例如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可以根据数字成像和医学通信协议(Dicom)来设计。
图3是一个实施例中的示例性移动设备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、存储器360和存储器390。在一些实施例中,包括但不限于***总线或控制器(图中未示出)的任何其他合适组件也可以包括在移动设备300中。在一些实施例中,移动操作***370(例如iOS、Android、Windows Phone等)和一个或多个应用380可以从存储器390加载到存储器360中,以便由CPU 340执行。应用380可以包括浏览器或任何其他合适的移动应用,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通过I/O 350来实现,并且经由网络120提供给处理设备120和/或成像***100的其他组件。
为了实现本申请中描述的各种模块、单元及其功能,可以将计算机硬件平台用作本申请中描述的一个或多个元件的硬件平台。这类计算机的硬件元件、操作***和编程语言在本质上是传统的,并且本领域技术人员充分熟悉这些技术,并用之生成如本申请所述的图像。具有用户接口元件的计算机可用于实现个人计算机(PC)或其他类型的工作站或终端设备,经过编程,计算机也可当做服务器。本领域技术人员应当熟悉该计算机设备的结构、编程和一般操作,因此,附图的内容是清楚完整的。
图4是一个实施例的示例性处理设备120的框架示意图。在一些实施例中,处理设备120可以用如图2所示的计算设备或如图3所示的移动设备来实现。如图4所示,处理设备120可以包括采集模块402、预处理模块404、模型确定模块406、后处理模块408、校正模块410和存储模块412。在一些实施例中,各个模块可以通过有线连接(例如,金属电缆、光缆、混合电缆等或其任何组合)或无线连接(例如,局域网(LAN)、广域网(WAN)、蓝牙、ZigBee、近场通信(NFC)等)彼此连接,或者两者的结合。
采集模块402可用于获取用于衰减校正的信息和/或数据。在一些实施例中,采集模块402可用于获取一个或多个对象的一个或多个PET图像以及一个或多个MR图像。在一些实施例中,采集模块402可用于获取目标神经网络模型,该目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系,并且输出与多张PET图像中特定PET图像相关联的衰减校正数据。采集模块402可以将用于衰减校正的信息和/或数据发送到处理设备120的其他组件以进行进一步处理。例如,采集模块402可以向校正模块410发送PET图像、MR图像和目标神经网络模型,以确定与PET图像相关联的衰减校正数据。
预处理模块404可用于对图像执行一个或多个预处理操作。图像可以包括PET图像、MR图像等或其组合。执行的预处理操作可以调整图像(例如PET图像、MR图像等)的质量,例如图像的噪声级、图像的对比度等。在一些实施例中,预处理操作可以包括去噪操作、增强操作、平滑操作、融合操作,分割操作、配准操作、转换操作等,或其组合。预处理模块404可用于将预处理图像发送到处理设备120的其他组件以进行进一步处理。例如,预处理模块404可以将预处理的PET图像和/或预处理的MR图像发送到校正模块410,以确定与PET图像相关联的衰减校正数据。
模型确定模块406可用于生成用于衰减校正的目标神经网络模型。目标神经网络模型可以提供PET图像、MR图像和相应衰减校正数据之间的映射关系。当基于映射关系将特定PET图像和相应MR图像输入到目标神经网络模型时,目标神经网络模型输出与特定PET图像相关联的衰减校正数据。目标神经网络模型可以建立在神经网络模型的基础上。示例性神经网络模型可包括反向传播(BP)神经网络模型、径向基函数神经网络(RBF)模型、深度信念网络(DBN)模型、Elman神经网络模型等或其组合。在一些实施例中,模型确定模块406可以通过使用与多个样本相关的多组训练数据来训练神经网络模型,生成目标神经网络模型。多组训练数据中的每一组可以包括PET图像、MR图像和对应于样本的衰减校正数据。模型确定模块406可以将目标神经网络模型发送到处理设备120的其他组件以进行进一步处理。例如,模型确定模块406可以将目标神经网络模型发送到校正模块410以确定与PET图像相关联的衰减校正数据。
后处理模块408可以用于对与PET图像相关联的衰减校正数据执行后处理。在一些实施例中,后处理操作可包括插值操作、配准操作、变换操作等,或其组合。可使用例如最近邻插值算法、双线性插值算法、双平方插值算法、双三次插值算法等或其组合来执行插值操作。可以使用例如互相关算法、Walsh变换算法、相位相关算法等来执行配准操作。后处理模块408可以将经过后处理的衰减校正数据发送到处理设备120的其他组件以进行进一步处理。例如,后处理模块408可以将经过后处理的衰减校正数据发送到校正模块410以校正PET图像。
校正模块410可以用于基于与PET图像相关联的衰减校正数据,校正PET图像,和/或基于与PET图像相关联的衰减校正数据,生成扫描对象的目标PET图像。在一些实施例中,可以通过将PET图像和相应的MR图像输入到目标神经网络模型中来生成与PET图像相关联的衰减校正数据。目标神经网络模型可以根据映射关系确定与PET图像相关联的衰减校正数据,然后,可以将目标神经网络模型配置为输出与PET图像相关联的衰减校正数据。
在一些实施例中,可以使用本申请其他部分所述的PET图像重建技术,在PET投影数据(例如,sonogram数据)和与PET图像相关联的衰减校正数据的基础上,重建目标PET图像。在一些实施例中,基于与PET图像相关联的衰减校正数据校正PET图像,以此来生成目标PET图像。校正模块410可以将与扫描对象相关联的目标PET图像发送到成像***100的其他组件。例如,校正模块410可将目标PET图像发送到终端140以供显示或存储设备130以供存储。
存储模块412可以存储信息,这些信息可以包括程序、软件、算法、数据、文本、数字、图像和一些其他信息。例如,该信息可以包括PET图像、MR图像、与PET图像相关联的衰减校正数据等。
应当注意,对处理设备120的上述描述仅仅是为了解释说明本申请,并不打算限制本申请的保护范围。对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变化和修改。例如,处理设备120的组装和/或功能可以根据特定的实现方案而改变。仅作为示例,预处理模块404和后处理模块408可以集成到单个模块中。作为另一示例,可以将一些其它组件/模块添加到处理设备120中。此类变更和修改不脱离本申请的保护范围。
图5是一个实施例中的用于PET成像的衰减校正的处理过程500的流程示意图,在一些实施例中,图5所示的处理过程500的一个或多个操作可以在图1所示的成像***100中实现。例如,图5所示的处理500可以用指令的形式存储在存储设备130中,并由处理设备120调用和/或执行(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)。
在步骤502中,可以获得扫描对象的至少一个PET图像,步骤502可以由采集模块402执行。在一些实施例中,至少一个PET图像(也称为至少一个第一PET图像)可由PET扫描仪(例如多模态成像设备的PET扫描仪,医疗设备110的PET扫描仪)获取。采集模块402可以从PET扫描仪、存储设备130、存储器220、存储器390或任何其他存储设备获取扫描对象的至少一个PET图像。在一些实施例中,可以使用PET图像重建技术,根据扫描对象的PET投影数据来重建扫描对象的至少一个PET图像。PET扫描仪可以通过扫描来获取扫描对象的PET投影数据(例如,sonogram数据)。示例性的,PET图像重建技术可包括迭代重建算法、傅立叶切片定理算法、滤波反投影(FBP)算法、扇束重建算法、解析重建算法等,或其任何组合。示例性的,迭代重建算法可以包括统计重建算法、最大似然期望值算法、共轭梯度(CG)算法、最大后验(MAP)算法等。所述至少一个PET图像可以包括二维(2D)PET图像、三维(3D)PET图像,四维(4D)PET图像等。
在步骤504中,可以获得扫描对象的至少一个MR图像。步骤504可以由采集模块402执行。在一些实施例中,至少一个MR图像(也称为至少一个第一MR图像)可由MR扫描仪(例如多模态成像设备的MR扫描仪,医疗设备110的MR扫描仪)获取。采集模块402可以从MR扫描仪、存储设备130、存储器220、存储器390或任何其他存储设备获取扫描对象的至少一个MR图像。在一些实施例中,可以使用MR图像重建技术,根据与扫描对象相关的扫描数据来重建扫描对象的至少一个MR图像。示例性的,MR图像重建技术可包括二维傅里叶变换技术、反投影技术(例如卷积反投影技术、滤波反投影技术)、迭代技术等。示例性的,迭代技术可包括代数重建技术(ART)、同时迭代重建技术(SIRT)、同时代数重建技术(SART)、自适应统计迭代重建技术(ASIR)、基于模型的迭代重建技术(MBIR)、sinogram确认迭代重建技术(SAFIR)等,或其任何组合。基于扫描数据重建的至少一个MR图像可以包括梯度回波MR图像、自旋回波MR图像等或其组合。至少一个MR图像可以包括二维(2D)MR图像、三维(3D)MR图像、四维(4D)MR图像等。
在步骤506中,可以预处理至少一个PET图像和/或至少一个MR图像。步骤506可以由预处理模块404执行。在一些实施例中,可以执行预处理操作以调整图像的质量(例如,至少一个PET图像、至少一个MR图像等),例如图像的噪声级、图像的对比度、图像的伪影、图像的分辨率等,预处理操作可包括去噪操作、增强操作、平滑操作、融合操作、分割操作、配准操作、变换操作等或其组合。具体地,平滑操作可基于高斯滤波器、平均滤波器、中值滤波器、小波变换等或其组合来执行。增强操作可包括直方图均衡化、图像锐化、傅里叶变换、高通滤波、低通滤波等,或其组合。去噪操作可包括应用空域滤波器、变换域滤波器、形态噪声滤波器等或其组合。另外,分割操作可以使用分割算法来执行,示例性的,分割算法可包括基于阈值的分割算法、基于边缘的分割算法、基于区域的分割算法等,或其组合。融合操作可以使用例如最优接缝线算法、梯度金字塔算法等来执行。配准操作可以使用例如互相关算法、Walsh变换算法、相位相关算法来执行,变换操作可以包括图像几何变换、图像透视变换、图像仿射变换等。
在步骤508中,可以获得用于提供PET图像、MR图像和相应衰减校正数据之间的映射关系的目标神经网络模型。步骤508可以由获取模块402和/或模型确定模块406执行。当根据映射关系将特定PET图像和相应MR图像输入到目标神经网络模型时,目标神经网络模型输出与特定PET图像相关联的衰减校正数据。在一些实施例中,获取模块402可以从存储设备130、存储器220、存储器390、存储模块412或任何其他存储设备获取目标神经网络模型。在一些实施例中,模型确定模块406可以通过使用与多个样本相关的多组训练数据来训练神经网络模型来生成目标神经网络模型。示例性的,神经网络模型可包括反向传播神经网络(BP)模型、径向基函数神经网络(RBF)模型、深度信念网络(DBN)模型、Elman神经网络模型等或其组合。多组训练数据中的每一组可包括与样本相对应的PET图像(也称为第二PET图像)、MR图像(也称为第二MR图像)和参考衰减校正数据(也称为第二衰减校正数据)。在神经网络模型的训练过程中,可以基于多组训练样本建立PET图像、MR图像和与PET图像相关联的衰减校正数据之间的映射关系,并且可以将训练的神经网络模型确定为目标神经网络模型。可在本申请的其它内容找到用于生成目标神经网络模型的更多描述(例如,图6和图7及其描述)。
在步骤510中,使用目标神经网络模型,可以基于至少一个PET图像和至少一个MR图像生成与至少一个PET图像相关联的目标衰减校正数据。步骤510可以由校正模块410执行。在一些实施例中,通过将至少一个PET图像(在步骤502中获得的至少一个PET图像或在步骤506中获得的至少一个预处理PET图像)和至少一个MR图像(在步骤504中获得的至少一个MR图像或在步骤506中获得的至少一个预处理MR图像的至少一个PET图像或在步骤504中获得的至少一个MR图像)输入至目标神经网络模型,可以生成与至少一个PET图像相关联的目标衰减校正数据(也称为第一衰减校正数据)。目标神经网络模型可以基于映射关系来确定与至少一个PET图像相关联的目标衰减校正数据。然后,目标神经网络模型可用于输出与至少一个PET图像相关联的目标衰减校正数据。
与至少一个PET图像相关联的目标衰减校正数据可以呈现与扫描对象的各个部分或成分相关的衰减系数的分布。目标衰减校正数据可以是图像、矩阵、掩模等形式。在一些实施例中,与至少一个PET图像相关联的目标衰减校正数据可以包括对应于扫描对象的衰减校正图像。与扫描对象对应的衰减校正图像可以包括2D衰减校正图像、3D衰减校正图像等。与扫描对象对应的衰减校正图像可以基于多个像素或体素呈现扫描对象。与扫描对象的各个部分或成分相关的衰减系数可以由衰减校正图像中的多个像素或体素的值来表示。在一些实施例中,与至少一个PET图像相关联的目标衰减校正数据可以由包括多个元素的矩阵(例如,2D矩阵、3D矩阵等)表示,多个元素中的任意一个可以表示与扫描对象的至少一部分相关联的衰减系数。
在步骤512中,可以对与至少一个PET图像相关联的目标衰减校正数据进行后处理。步骤512可以由后处理模块408执行。在一些实施例中,后处理操作可包括插值操作、配准操作、变换操作等,或其组合。可使用例如最近邻插值算法、双线性插值算法、双平方插值算法、双三次插值算法等或其组合来执行插值操作。对目标衰减校正数据执行的插值操作可以调整与至少一个PET图像相关联的目标衰减校正数据(例如,衰减校正图像)的分辨率。例如,至少一个PET图像可以用包括多个第一元素的第一矩阵的形式来表示。与至少一个PET图像相关联的目标衰减校正数据可以用包括多个第二元素的第二矩阵的形式表示。多个第二元素中的任意一个可对应于多个第一元素中的一个或多个。对目标衰减校正数据执行的插值操作可使目标衰减校正数据的多个第二元素中的每一个对应于至少一个PET图像中的单个第一元素。
可以使用例如互相关算法、Walsh变换算法、相位相关算法等或其组合来执行配准操作。可以在至少一个PET图像和目标衰减校正数据之间执行配准操作,以使至少一个PET图像的元素与目标衰减校正数据的相应元素匹配。如本申请中,如果至少一个PET图像的元素和衰减校正数据的元素对应于扫描对象的相同空间位置或部分,则至少一个PET图像的元素可以被认为对应于目标衰减校正数据的元素。例如,可以执行配准操作以将衰减校正数据的元素与至少一个PET图像的对应元素匹配。衰减校正数据的元素和衰减校正数据对应的PET图像的对应元素可以对应于扫描对象的相同空间位置或部分。
在步骤514中,可以基于与至少一个PET图像相关联的目标衰减校正数据来确定与所述扫描对象相关的目标PET图像。步骤514可以由校正模块410执行。在一些实施例中,可以使用如本发明其他部分所述的PET图像重建技术,基于PET投影数据来重建目标PET图像,PET投影数据与至少一个PET图像和目标衰减校正数据(步骤510中生成的衰减校正数据或步骤512中的后处理衰减校正数据)相关联。例如,可以使用投影变换技术(例如Radon变换)投影目标衰减校正数据(例如衰减校正图像)以生成投影衰减数据。可以使用如本申请其他部分所述的PET图像重建技术,基于投影衰减数据和与扫描对象相关的PET投影数据(例如,sonogram数据)来重建目标PET图像。与至少一个PET图像相关联的PET投影数据可以从PET扫描仪、存储设备130、存储器220、存储器390或任何其他存储设备获得。
在一些实施例中,根据与至少一个PET图像相关联的目标衰减校正数据校正至少一个PET图像来生成目标PET图像。例如,至少一个PET图像可以用包括多个第一元素的第一矩阵的形式来表示。与至少一个PET图像相关联的目标衰减校正数据可以用包括多个第二元素的第二矩阵的形式表示。多个第二元素中的一个可对应于多个第一元素中的一个或多个。目标PET图像可以通过将多个第一元素中的每一个与对应的第二元素相乘来生成。
因此,可以通过将扫描对象的PET图像和MR图像输入到目标神经网络模型中直接生成与PET图像相关联的衰减校正数据,这可以提高生成衰减校正数据的处理速度,并且可以应用于不同的临床情况。
应当注意,以上对PET成像衰减校正过程的描述仅仅是为了解释说明本申请,并不打算限制本申请的保护范围。对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变化和修改。例如,可以同时执行步骤502和步骤504。作为另一示例,处理过程500还可以存储至少一个PET图像、至少一个MR图像以及与至少一个PET图像相关联的目标衰减数据。至少一个PET图像、至少一个MR图像和与至少一个PET图像相关联的目标衰减数据可用于更新目标神经网络模型的训练集。处理过程500还可以基于更新的训练集更新目标神经网络模型。作为又一示例,可以省略操作506和/或操作512。此类变更和修改不脱离本申请公开的范围。
图6是生成用于衰减校正的目标神经网络模型的流程示意图。在一些实施例中,图6所示的处理过程600的一个或多个操作可以在图1所示的成像***100中实现。例如,图6所示的处理过程600可以用指令的形式存储在存储设备130中,并由处理设备120调用和/或执行(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)。
在步骤602中,可以获得对应多个样本的多组PET图像和MR图像。步骤602可以由获取模块402和/或模型确定模块406执行。多组PET图像和MR图像中的每一组可以包括同一个样本的PET图像和MR图像。样本可包括本申请其它地方所描述的扫描对象(例如,图1及其描述)。在一些实施例中,PET图像(也称为第二PET图像)和MR图像(也称为第二MR图像)可分别由PET扫描仪和MR扫描仪(例如PET扫描仪和多模态成像设备(例如医疗设备110)的MR扫描仪)获取。采集模块402可以从医疗设备110、存储设备130、存储器220、存储器390或任何其他存储设备获取多组PET图像和MR图像。
在步骤604中,可以获得多个参考衰减校正图像。步骤604可以由获取模块402和/或模型确定模块406执行。多个参考衰减校正图像中的每一个可以对应于样本的多组PET图像和MR图像中的一组。在一些实施例中,可以根据样本的CT图像生成与样本的PET图像和MR图像相关联的参考衰减校正图像(也称为第三衰减校正图像)。在一些实施例中,CT图像可由CT扫描仪(例如多模态成像设备(例如PET-CT扫描仪)的CT扫描仪)通过扫描样本来获取。在一些实施例中,可使用缩放技术、图像分割技术、混合技术、双线性技术、双能x射线CT技术等将样本的CT图像转换为与样本的PET图像相关联的参考衰减校正图像。例如,使用缩放技术,可以通过将CT图像的比率和像素值相乘来确定与样本的PET图像相关联的参考衰减校正图像。作为另一示例,使用图像分割技术,可以识别CT图像中呈现的样本并将其分类为不同的部分(例如,水、脂肪组织、骨组织、肺等)。根据用户的临床经验或根据成像***100的默认设置,可以使用各种衰减系数(或值)来指定各个部分,与PET图像相关联的参考衰减校正图像可以根据对应于不同部分(例如水、脂肪组织、骨组织、肺等)的各种衰减系数(或值)来确定。
在一些实施例中,可以根据PET图像和MR图像中的至少一个生成与样本的PET图像相关联的参考衰减校正图像。例如,可以使用组织分割技术生成与PET图像和MR图像相关联的参考衰减校正图像。具体而言,MR图像和/或PET图像中呈现的样本可以被识别并分类为不同的部分(例如,水、脂肪组织、骨组织、肺等)。PET图像和MR图像中呈现的各个部分可以由用户根据临床经验或根据成像***100的默认设置来融合和分配各种衰减系数(或值)。与PET图像和MR图像相关联的参考衰减校正图像可以根据对应于扫描对象的不同部分(例如水、脂肪组织、骨组织、肺等)的各种衰减系数(或值)来确定。作为另一示例,可以使用人体图谱技术生成与PET图像和MR图像相关联的衰减校正图像。使用人体图谱技术,MR图像可以用包括对应于不同组织或器官的各种衰减系数(或值)的标准人体图谱进行配准,根据配准内容生成与PET图像相关联的参考衰减校正图像。
在步骤606中,可以获得神经网络模型。步骤606可以由获取模块402和/或模型确定模块406执行。示例性的,神经网络模型可包括反向传播神经网络(BP)模型、径向基函数神经网络(RBF)模型、深度信念网络(DBN)模型、Elman神经网络模型等或其组合。在一些实施例中,神经网络模型可以包括多个层,例如,输入层、多个隐藏层和输出层。多个隐藏层可以包括一个或多个卷积层、一个或多个批量规范化层、一个或多个激活层、完全连接层、目标函数层等。多个层中的每一个可以包括多个节点。
在一些实施例中,神经网络模型可以由多个参数定义。神经网络模型的示例性参数可以包括卷积核的大小、层的数目、每层中的节点数目、两个连接节点之间的连接权重、与节点相关的偏置向量等。两个连接节点之间的连接权重可以用于表示一个节点的输出值的一部分作为另一个连接节点的输入值。与节点相关的偏置向量可用于控制节点的偏离原点的输出值。
在步骤608中,可以使用多组PET图像和MR图像以及多个衰减校正数据来训练神经网络模型。步骤608可以由模型确定模块406执行。示例性的,神经网络训练算法可以包括梯度下降算法、牛顿算法、拟牛顿算法、Levenberg-Marquardt算法、共轭梯度算法等或其组合,如图7所示。在一些实施例中,可以通过执行多个迭代来训练神经网络模型。在多次迭代之前,可以初始化神经网络模型的参数。例如,可以将神经网络模型的节点的连接权重和/或偏置向量初始化为范围内的随机值,例如范围从-1到1。作为另一个例子,神经网络模型的所有连接权值可能在-1到1的范围内具有相同的值,例如为0。作为示例,神经网络模型中节点的偏置向量可以被初始化为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算法等初始化神经网络模型的参数,然后执行多次迭代以更新神经网络模型的参数,直到满足条件为止。该条件可用于表示神经网络模型是否得到充分训练。例如,如果与神经网络模型相关联的成本函数的值最小或小于阈值(例如常数),则可以满足该条件。作为另一个例子,如果目标函数的值收敛,则可以满足该条件。如果在两次或多次连续迭代中目标函数的值的变化小于阈值(例如常数),则可以认为已经达到了收敛。作为示例,当在训练过程中执行指定数量的迭代时,可以满足该条件。
对于多次迭代中的每一次迭代,可以将多组PET图像和MR图像中的一组中的PET图像和MR图像以及相应的参考衰减校正图像输入到神经网络模型中。PET图像和MR图像可以由神经网络模型的一个或多个层处理以生成估计的衰减校正图像。基于神经网络模型的目标函数,可以将估计的衰减校正图像和与PET图像相关联的参考衰减校正图像进行比较。神经网络模型的目标函数可用于评估神经网络模型的测试值(例如,估计的衰减校正图像)与期望值(例如,与PET图像相关联的参考衰减校正图像)之间的差。如果目标函数的值在当前迭代中超过阈值,则可以调整和更新神经网络模型的参数,以使目标函数的值与PET图像和MR图像相对应(即,估计的衰减校正图像和参考衰减校正图像之间的差异)小于阈值。因此,在下一次迭代中,可以将另一组PET图像和MR图像以及相应的参考衰减校正图像输入到神经网络模型中,以训练如上所述神经网络模型,直到满足条件为止。
在步骤610中,可将训练的神经网络模型确定为目标神经网络模型,该目标神经网络模型提供PET图像、MR图像和相应的衰减校正图像之间的映射关系。步骤610可以由模型确定模块406执行。当特定PET图像和对应的MR图像被输入到训练的神经网络模型中时,训练的神经网络模型可基于映射关系输出与特定PET图像相关联的衰减校正图像。在一些实施例中,可基于更新的参数来确定训练的神经网络模型。在一些实施例中,可以将目标神经网络模型发送到存储设备130、存储模块412或任何其他存储设备以进行存储。
在一些实施例中,可以基于对目标神经网络模型执行的测试来更新目标神经网络模型。如果目标神经网络模型的测试结果不满足条件,则可以对目标神经网络模型进行更新。目标神经网络模型可以基于一组或多组测试数据进行测试。一组测试样本可以包括测试PET图像、测试MR图像和与测试PET图像相关联的参考衰减校正图像。可以将测试PET图像和测试MR图像输入到目标神经网络模型中,以输出与测试PET图像相关联的预测衰减校正图像。与测试PET图像相关联的预测衰减校正图像可以和与测试PET图像相关联的参考衰减校正图像进行比较。如果预测的衰减校正图像和与测试PET图像相关联的参考衰减校正图像之间的差大于阈值,则认为目标神经网络模型的测试结果不满足条件,需要更新目标神经网络模型。目标神经网络模型的测试可以根据用户的指令、临床需求或成像***100的默认设置来执行。例如,目标神经网络模型可按设定的间隔(例如每一个月、每两个月等)进行测试。作为另一个例子,目标神经网络模型可以基于在一段时间内目标神经网络模型的训练集中添加的数据来更新。如果一段时间内训练集中增加的数据量大于阈值,则可以基于更新后的训练集更新目标神经网络模型。因此,目标神经网络模型可以适应复杂的临床情况,具有更好的鲁棒性。
应当指出,上述对响应于执行医疗应用的请求而为医疗应用分配计算资源的过程的描述仅仅是为了解释说明本申请,并不打算限制本申请的保护范围。对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变化和修改。例如,可以同时执行步骤602和步骤604。作为另一示例,可以省略步骤610。在一些实施例中,如果在两次或多次连续迭代中目标函数的值的变化等于阈值(例如常数),则可以认为已经达到了收敛。
图7是一个实施例中的卷积神经网络(CNN)模型的示意图。
CNN模型700可以包括输入层720、隐藏层740和输出层760。多个隐藏层740可以包括一个或多个卷积层、一个或多个校正线性单元层(ReLU层)、一个或多个池层、一个或多个完全连接层等,或其组合。
示例性的,CNN模型的隐藏层740可以包括卷积层740-1、池层740-2和完全连接层740-n。结合处理过程600所述的内容,模型确定模块406可以获取与PET图像相关联的PET图像、MR图像和参考衰减校正图像作为CNN模型的输入,PET图像和MR图像可以分别由包括多个元素的矩阵表示。矩阵中的多个元素可以具有表示元素特性的值(也称为像素/体素值),PET图像和MR图像中的多个元素的至少一部分的值可以输入到隐藏层740中。
卷积层740-1可以包括多个核(例如,A、B、C和D)。多个核可用于提取扫描对象的PET图像和MR图像。在一些实施例中,多个内核中的每一个都可以过滤扫描对象的PET图像的一部分(例如,区域)和MR图像的相应部分,以产生与扫描对象的PET图像的部分(例如,区域)和MR图像的相应部分相对应的特定特征。该特征可以包括基于核计算的低级特征(例如边缘特征、纹理特征)、高级特征(例如语义特征)或复杂特征(例如深层层次特征)。
池层740-2可以将卷积层740-1的输出作为输入。池层740-2可以包括多个池节点(例如,E、F、G和H)。多个池节点可用于对卷积层740-1的输出进行采样,从而可减少数据处理的计算负载并提高成像***100的数据处理速度。在一些实施例中,模型确定模块406可以减小与池层740-2中的PET图像和MR图像相对应的矩阵的体积。例如,模型确定模块406可以在池层740-2中将PET图像和MR图像划分为多个区域。可以将多个区域中的一个区域的像素平均值指定为表示多个区域中的一个区域的像素值。
完全连接层740-n可以包括多个神经元(例如,O、P、M和N)。多个神经元可以连接到来自前一层的多个节点,例如池层。在完全连接层740-3中,模型确定模块406可以基于PET图像和MR图像确定与多个神经元对应的多个向量,并且用多个加权系数进一步对多个向量进行加权。
输出层760可以基于在完全连接层740-n中获得的多个向量和加权系数来确定输出,例如衰减校正图像。在一些实施例中,输出层760可以基于目标函数指定预测输出(例如,基于目标函数的与PET图像相关联的估计衰减校正图像)和参考输出(例如,与PET图像相关联的参考衰减校正图像)之间的偏差或差异。预测输出和参考输出之间的偏差或差异可以由目标函数的值来定义。如果目标函数的值满足一个条件,CNN模型的训练过程就可以完成。如果目标函数的值不满足条件,则可以使用梯度下降算法更新CNN模型的参数。例如,如果预测输出小于参考输出,则可以增加CNN模型的权重的一部分。如果预测输出超过参考输出,则可以减小CNN模型的权重的一部分。
应当注意,当在不同条件下应用时,CNN模型可能会被修改。例如,在训练过程中,可以添加校正线性单元层。校正线性单元层可以使用激活函数来约束校正线性单元层的输出。示例性的,激活函数可包括线性函数、斜坡函数、阈值函数、Sigmoid函数等。
在一些实施例中,模型确定模块406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模型的某些层中执行并行处理。并行处理的执行方式可以使得CNN模型的一层中不同节点的计算可以分配给两个或更多处理单元。例如,一个GPU可以运行卷积层740-1中对应于核A和核B的计算,而另一个GPU可以运行卷积层740-1中对应于核C和核D的计算。类似地,对应于CNN模型中另一类型层中的不同节点的计算可以由多个GPU并行执行。
在这样描述了基本概念之后,对于本领域技术人员而言,在阅读了本申请的详细描述之后,可以很明显地认识到,上述详细公开仅旨在通过举例的方式进行描述,而并非是限制性的。尽管这里没有明确说明,但是各种改变、改进和修改可能发生并可本领域技术人员实现。这些改变、改进和修改均可经由本申请启示得到,并且在本申请的示例性实施例的精神和范围内。
此外,某些术语被用于描述本申请的实施例。例如,术语“一个实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征、结构或特性均包括在本申请公开的至少一个实施例中。因此,应当强调并且应当理解,在本申请的各个部分中对“一个实施例”或“一些实施例”的两次或多次引用不一定都是指同一实施例。此外,可以在本申请的一个或多个实施例中适当地组合特定特征、结构或特征。
此外,本领域技术人员可以理解,本申请的各个方面可以在许多可专利的文本中加以说明和描述,包括任何新的和有用的工艺、机器、制造或物质的组成,或其任何新的和有用的改进。因此,本申请的各个方面可以完全通过硬件实现,完全通过软件实现(包括固件、驻留软件、微代码等),或者结合软件和硬件来实现,这些实现在这里通常被称为“单元”、“模块”或“***”。此外,本申请的各个方面可以采用包括计算机可读程序代码的一个或多个计算机可读介质而呈现的计算机程序产品的形式。
非暂时性计算机可读介质可以包括传播的数据信号,其中包括计算机可读程序代码,例如,基带或作为载波的一部分。这种传播的信号可以采取各种形式中的任何一种,包括电磁、光学等,或者它们的任何适当组合。计算机可读信号介质可以是非计算机可读存储介质的任何计算机可读介质,并且可以通信、传播或传输供指令执行***、设备或装置使用或与其结合使用的程序。包含在计算机可读信号介质上的程序代码可以使用任何适当的介质,包括无线、有线、光纤电缆、射频或类似,或以上的任何适当组合,来进行传输。
用于执行本申请的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写,包括面向对象的编程语言,如Java、Scala、SmallTalk、Eiffel、JADE、Emerald、C++、C#、VB.net、Python等,传统的程序化编程语言,如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言。程序代码可以完全在用户的计算机上执行,一部分在用户的计算机上执行,作为独立的软件包,一部分在用户的计算机上执行,一部分在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络连接到用户的计算机,包括局域网(LAN)或广域网(WAN),或者可以连接到外部计算机(例如,通过使用Internet服务提供商的Internet),或在云计算环境中,或作为服务提供,如软件即服务(SaaS)。
此外,处理元件或序列的列举顺序,或因此而使用的数字、字母或其他名称,并不会将所要求保护的过程和方法限制为任何顺序,除非权利要求中另有规定。尽管上述公开内容通过各种示例讨论了当前被认为是本申请的各种有用实施例的内容,但是应当理解,这些细节仅用于解释的目的,并且所附权利要求不限于所公开的实施例,而是旨在涵盖在所公开实施例的构思和范围内的修改和等效布置。例如,虽然上面描述的各种组件的实现可以体现在硬件设备中,但是它也可以被实现为仅软件的解决方案,例如,在现有服务器或移动设备上的安装。
类似地,应当理解,在本申请的实施例的前述描述中,各种特征有时在单个实施例、图或其描述中被组合在一起,以简化本公开,有助于理解一个或多个各种发明实施例。然而,这种披露方法不应被解释为反映了这样一种意图,即所要求保护的标的物需要比每项权利要求中明确陈述的更多的特征。本申请实施例存在特征比单个前述公开实施例的所有特征更少的实施例。
在一些实施例中,用于描述和要求应用的某些实施例的数量、属性等的数量应被理解为在某些情况下被修改为“关于”、“近似”或“实质上”。例如,“关于”、“近似”、或“实质上”可以表示其所描述的值的±20%的变化,除非另有说明。因此,在一些实施例中,在书面描述和附加声明中提出的数值参数是可以根据特定实施例所要获得的期望属性而变化的近似值。在一些实施例中,应根据报告的有效数字的数量并通过应用普通舍入技术来解释数值参数。尽管阐述了应用的一些实施例的广泛范围的数值范围和参数是近似值,但是在具体实例中所阐述的数值被精确地报告为切实可行的。
此处引用的每项专利、专利申请、专利申请的出版物和其他材料,如文章、书籍、规范、出版物、文件、物品和/或类似物,在此通过本参考文件将其全部纳入本参考文件中,以用于所有目的,除与本文件有关的任何起诉文件记录外,与本文件不一致或冲突的任何起诉文件记录,或对与本文件有关的权利要求的最广泛范围可能产生限制性影响的任何起诉文件记录。举例来说,如果与任何合并材料相关的术语的描述、定义和/或使用与本文件相关的术语之间存在任何不一致或冲突,应以本文件中术语的描述、定义和/或使用为准。
最后,应当理解,本文所公开的应用的实施例说明了应用的实施例的原理。可采用的其他修改可在本申请的范围内。因此,作为示例而不是限制,可以根据本文的教导利用应用的实施例的替代配置。因此,本申请的实施例不限于如所示和描述的精确的实施例。
Claims (20)
1.一种衰减校正***,其特征在于,包括至少一个存储可执行指令的存储设备,以及执行所述可执行指令时,与至少一个存储设备通信的至少一个处理设备,其中,所述可执行指令的执行使所述至少一个处理设备:
获取由PET扫描仪获取的扫描对象的至少一个第一PET图像;
获取由MR扫描仪获取的所述扫描对象的至少一个第一MR图像;
获取目标神经网络模型,所述目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系;
基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像,通过所述目标神经网络模型生成与所述扫描对象相对应的第一衰减校正数据;
基于对应于所述扫描对象的第一衰减校正数据,确定所述扫描对象的目标PET图像。
2.根据权利要求1所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
获取多组训练数据,每组训练数据包括第二PET图像、第二MR图像和对应的第二衰减校正数据;
利用多组训练数据训练神经网络模型,生成所述目标神经网络模型。
3.根据权利要求2所述的衰减校正***,其特征在于,所述神经网络模型包括卷积神经网络模型、反向传播神经网络模型、径向基函数神经网络模型、深度信念网络模型或Elman神经网络模型中的至少一个。
4.根据权利要求2所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
获取多组训练数据中的每组训练数据的CT图像,并基于每组训练数据的CT图像确定与每组训练数据相对应的第二衰减校正数据。
5.根据权利要求2所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
基于每组训练数据的第二MR图像或第二PET图像中的至少一个来确定与每组训练数据相对应的第二衰减校正数据。
6.根据权利要求1-5中任意一项所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
将所述至少一个第一PET图像和至少一个第一MR图像输入至所述目标神经网络模型,并获得所述目标神经网络模型输出的第一衰减校正数据。
7.根据权利要求6所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
获取与所述扫描对象的第一PET图像相关联的PET投影数据;
基于所述PET投影数据和所述第一衰减校正数据重建目标PET图像。
8.根据权利要求7所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
对与所述扫描对象相对应的第一衰减校正数据执行后处理操作,所述后处理操作包括插值操作或配准操作中的至少一个。
9.根据权利要求8所述的衰减校正***,其特征在于,所述可执行指令的执行还使所述至少一个处理设备:
对至少一个第一PET图像或至少一个第一MR图像中的至少一个执行预处理操作,所述预处理操作包括滤波操作、平滑操作、变换操作或去噪操作中的至少一个。
10.一种衰减校正方法,其特征在于,包括以下步骤:
获取由PET扫描仪获取的扫描对象的至少一个第一PET图像;
获取由MR扫描仪获取的所述扫描对象的至少一个第一MR图像;
获取目标神经网络模型,所述目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系;
基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像,通过所述目标神经网络模型生成与所述扫描对象相对应的第一衰减校正数据;
基于对应于所述扫描对象的第一衰减校正数据,确定所述扫描对象的目标PET图像。
11.根据权利要求10所述的衰减校正方法,其特征在于,所述获取目标神经网络模型的步骤包括以下步骤:
获取多组训练数据,每组训练数据包括第二PET图像、第二MR图像和对应的第二衰减校正数据;
利用多组训练数据训练神经网络模型,生成所述目标神经网络模型。
12.根据权利要求11所述的衰减校正方法,其特征在于,所述神经网络模型包括卷积神经网络模型、反向传播神经网络模型、径向基函数神经网络模型、深度信念网络模型或Elman神经网络模型中的至少一个。
13.根据权利要求11所述的衰减校正方法,其特征在于,所述获取多组训练数据的步骤包括以下步骤:
获取多组训练数据中的每组训练数据的CT图像,并基于每组训练数据的CT图像确定与每组训练数据相对应的第二衰减校正数据。
14.根据权利要求11所述的衰减校正方法,其特征在于,所述获取多组训练数据的步骤包括以下步骤:
基于每组训练数据的第二MR图像或第二PET图像中的至少一个来确定与每组训练数据相对应的第二衰减校正数据。
15.根据权利要求10-14中任意一项所述的衰减校正方法,其特征在于,所述基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像,通过所述目标神经网络模型生成与所述扫描对象相对应的第一衰减校正数据的步骤包括以下步骤:
将所述至少一个第一PET图像和至少一个第一MR图像输入至所述目标神经网络模型,并获得所述目标神经网络模型输出的第一衰减校正数据。
16.根据权利要求15所述的衰减校正方法,其特征在于,所述基于与被摄体对应的第一衰减校正数据确定被摄体的目标PET图像的步骤包括以下步骤:
获取与所述扫描对象的第一PET图像相关联的PET投影数据;
基于所述PET投影数据和所述第一衰减校正数据重建目标PET图像。
17.根据权利要求16所述的衰减校正方法,其特征在于,所述基于对应于所述扫描对象的第一衰减校正数据,确定所述扫描对象的目标PET图像的步骤包括以下步骤:
对与所述扫描对象相对应的第一衰减校正数据执行后处理操作,所述后处理操作包括插值操作或配准操作中的至少一个。
18.根据权利要求17所述的衰减校正方法,其特征在于,还包括以下步骤:
对至少一个第一PET图像或至少一个第一MR图像中的至少一个执行预处理操作,所述预处理操作包括滤波操作、平滑操作、变换操作或去噪操作中的至少一个。
19.一种非暂时性计算机可读介质,其特征在于,存储至少一组指令,其中,当由至少一个处理器执行时,至少一组指令指示至少一个处理器执行:
获取由PET扫描仪获取的扫描对象的至少一个第一PET图像;
获取由MR扫描仪获取的所述扫描对象的至少一个第一MR图像;
获取目标神经网络模型,所述目标神经网络模型提供PET图像、MR图像和相应衰减校正数据之间的映射关系;
基于所述扫描对象的至少一个第一PET图像和至少一个第一MR图像,通过所述目标神经网络模型生成与所述扫描对象相对应的第一衰减校正数据;
基于对应于所述扫描对象的第一衰减校正数据,确定所述扫描对象的目标PET图像。
20.一种衰减校正***,其特征在于,包括:
采集模块,用于获取由PET扫描仪获取的扫描对象的至少一个第一PET图像和由MR扫描仪获取的扫描对象的至少一个第一MR图像;
模型确定模块,用于获取目标神经网络模型,所述目标神经网络模型用于提供PET图像、MR图像和相应衰减校正数据之间的映射关系,以及输出与多张PET图像中特定PET图像相关联的衰减校正数据;
校正模块,用于使用基于扫描对象的至少一个第一PET图像和至少一个第一MR图像的目标神经网络模型生成与对象对应的第一衰减校正数据,并基于与扫描对象对应的第一衰减校正数据确定扫描对象的目标PET图像。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/111188 WO2020082207A1 (en) | 2018-10-22 | 2018-10-22 | Systems and methods for attenuation correction |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110809782A true CN110809782A (zh) | 2020-02-18 |
CN110809782B CN110809782B (zh) | 2023-09-12 |
Family
ID=69487896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880040404.XA Active CN110809782B (zh) | 2018-10-22 | 2018-10-22 | 衰减校正***和方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10949971B2 (zh) |
CN (1) | CN110809782B (zh) |
WO (1) | WO2020082207A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626964A (zh) * | 2020-06-03 | 2020-09-04 | 上海联影医疗科技有限公司 | 扫描图像的优化方法、优化装置和医学扫描*** |
CN111768463A (zh) * | 2020-06-30 | 2020-10-13 | 上海联影医疗科技有限公司 | Pet图像衰减校正方法、装置和计算机设备 |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的***和方法 |
CN112862772A (zh) * | 2021-01-29 | 2021-05-28 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr***、电子装置和存储介质 |
WO2021175781A1 (en) * | 2020-03-04 | 2021-09-10 | Siemens Medical Solutions Usa, Inc. | Methods and apparatus for deep learning based image attenuation correction |
CN113744264A (zh) * | 2021-09-26 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 一种图像处理方法和*** |
CN115661281A (zh) * | 2022-10-11 | 2023-01-31 | 南方医科大学 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
WO2023134030A1 (zh) * | 2022-01-11 | 2023-07-20 | 浙江大学 | 一种基于流模型的pet***衰减校正方法 |
CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
CN117611750A (zh) * | 2023-12-05 | 2024-02-27 | 北京思博慧医科技有限公司 | 三维成像模型的构建方法、装置、电子设备和存储介质 |
CN117679006A (zh) * | 2023-11-22 | 2024-03-12 | 上海全景医学影像诊断中心有限公司 | 一种用于pet/mr的头部定位方法及头部定位装置 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11069063B2 (en) | 2019-03-18 | 2021-07-20 | Uih America, Inc. | Systems and methods for noise analysis |
US10890640B2 (en) | 2019-03-18 | 2021-01-12 | Uih America, Inc. | Systems and methods for signal representation determination in magnetic resonance imaging |
JP7332338B2 (ja) * | 2019-05-28 | 2023-08-23 | 富士フイルムヘルスケア株式会社 | 画像診断支援装置、画像診断支援プログラム、および、医用画像取得装置 |
US11796618B2 (en) | 2019-07-12 | 2023-10-24 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for magnetic resonance imaging |
US11574184B2 (en) * | 2019-09-13 | 2023-02-07 | Siemens Medical Solutions Usa, Inc. | Multi-modal reconstruction network |
US11475535B2 (en) * | 2019-09-25 | 2022-10-18 | Siemens Medical Solutions Usa, Inc. | PET-CT registration for medical imaging |
EP4128136A1 (en) | 2020-05-06 | 2023-02-08 | Siemens Medical Solutions USA, Inc. | Systems and methods for low field mr/pet imaging |
CN112053412B (zh) * | 2020-08-31 | 2022-04-29 | 浙江大学 | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 |
WO2022120737A1 (zh) * | 2020-12-10 | 2022-06-16 | 深圳先进技术研究院 | 用于低剂量pet重建的多任务学习型生成式对抗网络生成方法及*** |
US11854126B2 (en) * | 2021-07-07 | 2023-12-26 | Siemens Medical Solutions Usa, Inc. | Methods and apparatus for deep learning based image attenuation correction |
WO2023046142A1 (en) * | 2021-09-26 | 2023-03-30 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
CN116563413B (zh) * | 2023-07-04 | 2024-04-09 | 中国科学院深圳先进技术研究院 | 校正参数确定方法、图像重建方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2221627A1 (en) * | 2009-02-20 | 2010-08-25 | IBBT vzw | Method and assembly for correcting a relaxation map for medical imaging applications |
WO2013097390A1 (zh) * | 2011-12-30 | 2013-07-04 | 沈阳东软派斯通医疗***有限公司 | Pet***中图像的衰减校正方法及装置 |
CN103300857A (zh) * | 2012-03-12 | 2013-09-18 | 西门子公司 | 用于执行组合的磁共振-正电子发射断层造影的方法 |
CN103845073A (zh) * | 2012-12-04 | 2014-06-11 | 美国西门子医疗解决公司 | 用于pet衰减校正的mr扫描选择 |
US20170061629A1 (en) * | 2015-08-25 | 2017-03-02 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image calibration |
US20170103287A1 (en) * | 2015-10-13 | 2017-04-13 | Impac Medical Systems, Inc. | Pseudo-ct generation from mr data using tissue parameter estimation |
CN107638188A (zh) * | 2017-09-28 | 2018-01-30 | 江苏赛诺格兰医疗科技有限公司 | 图像衰减校正方法及装置 |
CN108030502A (zh) * | 2017-07-12 | 2018-05-15 | 深圳联影医疗科技有限公司 | 用于空气校正的***和方法 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006075333A2 (en) * | 2005-01-13 | 2006-07-20 | Spectrum Dynamics Llc | Multi-dimensional image reconstruction and analysis for expert-system diagnosis |
US20050215889A1 (en) * | 2004-03-29 | 2005-09-29 | The Board of Supervisory of Louisiana State University | Methods for using pet measured metabolism to determine cognitive impairment |
US20080135769A1 (en) * | 2006-11-22 | 2008-06-12 | Rosen Bruce R | Attenuation correction of pet image using image data acquired with an mri system |
DE102008032996B4 (de) * | 2008-07-14 | 2014-08-21 | Siemens Aktiengesellschaft | Verfahren zur Bestimmung einer Schwächungskarte |
JP5608650B2 (ja) * | 2008-08-15 | 2014-10-15 | コーニンクレッカ フィリップス エヌ ヴェ | 磁気共鳴分光画像データを用いたpet又はspect放射線撮像システムの減衰補正 |
EP2161594B1 (en) * | 2008-09-09 | 2017-11-08 | Multi Magnetics Incorporated | System and method for correcting attenuation in hybrid medical imaging |
CN102334044B (zh) * | 2009-02-25 | 2015-01-14 | 皇家飞利浦电子股份有限公司 | 混合型 pet/mr ***中mr 线圈的衰减校正 |
DE102011005435A1 (de) * | 2011-03-11 | 2012-09-13 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung eines PET-Bilddatensatzes |
RU2589461C2 (ru) * | 2011-05-24 | 2016-07-10 | Конинклейке Филипс Н.В. | Устройство для создания присваиваний между областями изображения и категориями элементов |
US20130101193A1 (en) * | 2011-10-20 | 2013-04-25 | Jong Beom Ra | Positron Emission Tomography and Method for Correcting Attenuation of PET Image Using Magnetic Resonance Image |
US8879814B2 (en) * | 2012-05-22 | 2014-11-04 | General Electric Company | Method and apparatus for reducing motion related imaging artifacts using consistency values |
DE102012214012A1 (de) * | 2012-08-07 | 2014-02-13 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Identifizierung zumindest eines strahlungsschwächenden Implantats für eine medizinische MR-PET-Bildgebung |
US20150065854A1 (en) * | 2012-10-31 | 2015-03-05 | General Electric Company | Joint estimation of attenuation and activity information using emission data |
US9311707B2 (en) * | 2013-09-27 | 2016-04-12 | General Electric Company | System and method for attenuation correction of phantom images |
US9031300B1 (en) * | 2013-10-25 | 2015-05-12 | General Electric Company | System and method reconstructing a nuclear medicine image using deformed attenuation image |
US10002444B2 (en) * | 2014-04-25 | 2018-06-19 | New York University | System, method and computer-accessible medium for joint magnetic resonance-positron emission tomography reconstruction using multi-sensor compressed sensing |
US10064589B2 (en) * | 2014-06-27 | 2018-09-04 | General Electric Company | Method, apparatus, and article for pet attenuation correction utilizing MRI |
US20160066874A1 (en) * | 2014-09-10 | 2016-03-10 | The General Hospital Corporation | Attenuation correction of positron emission tomography data using magnetic resonance images depicting bone density variations |
EP3223701B1 (en) * | 2015-08-05 | 2023-02-15 | Shenzhen United Imaging Healthcare Co., Ltd. | Pet insert system |
US10210634B2 (en) * | 2016-07-20 | 2019-02-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for segmenting medical image |
CN108074270B (zh) * | 2016-11-11 | 2021-11-30 | 上海东软医疗科技有限公司 | 一种pet衰减校正方法和装置 |
US10438350B2 (en) * | 2017-06-27 | 2019-10-08 | General Electric Company | Material segmentation in image volumes |
US10803984B2 (en) * | 2017-10-06 | 2020-10-13 | Canon Medical Systems Corporation | Medical image processing apparatus and medical image processing system |
US11302003B2 (en) * | 2017-10-26 | 2022-04-12 | Wisconsin Alumni Research Foundation | Deep learning based data-driven approach for attenuation correction of pet data |
US10943349B2 (en) * | 2018-02-23 | 2021-03-09 | Seoul National University R&Db Foundation | Positron emission tomography system and image reconstruction method using the same |
-
2018
- 2018-10-22 WO PCT/CN2018/111188 patent/WO2020082207A1/en active Application Filing
- 2018-10-22 CN CN201880040404.XA patent/CN110809782B/zh active Active
- 2018-12-28 US US16/235,117 patent/US10949971B2/en active Active
-
2021
- 2021-03-10 US US17/198,205 patent/US11915425B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2221627A1 (en) * | 2009-02-20 | 2010-08-25 | IBBT vzw | Method and assembly for correcting a relaxation map for medical imaging applications |
WO2013097390A1 (zh) * | 2011-12-30 | 2013-07-04 | 沈阳东软派斯通医疗***有限公司 | Pet***中图像的衰减校正方法及装置 |
CN103300857A (zh) * | 2012-03-12 | 2013-09-18 | 西门子公司 | 用于执行组合的磁共振-正电子发射断层造影的方法 |
CN103845073A (zh) * | 2012-12-04 | 2014-06-11 | 美国西门子医疗解决公司 | 用于pet衰减校正的mr扫描选择 |
US20170061629A1 (en) * | 2015-08-25 | 2017-03-02 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image calibration |
US20170103287A1 (en) * | 2015-10-13 | 2017-04-13 | Impac Medical Systems, Inc. | Pseudo-ct generation from mr data using tissue parameter estimation |
CN108030502A (zh) * | 2017-07-12 | 2018-05-15 | 深圳联影医疗科技有限公司 | 用于空气校正的***和方法 |
CN107638188A (zh) * | 2017-09-28 | 2018-01-30 | 江苏赛诺格兰医疗科技有限公司 | 图像衰减校正方法及装置 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021175781A1 (en) * | 2020-03-04 | 2021-09-10 | Siemens Medical Solutions Usa, Inc. | Methods and apparatus for deep learning based image attenuation correction |
CN112368738A (zh) * | 2020-05-18 | 2021-02-12 | 上海联影医疗科技股份有限公司 | 用于图像优化的***和方法 |
CN112368738B (zh) * | 2020-05-18 | 2024-01-16 | 上海联影医疗科技股份有限公司 | 用于图像优化的***和方法 |
CN111626964A (zh) * | 2020-06-03 | 2020-09-04 | 上海联影医疗科技有限公司 | 扫描图像的优化方法、优化装置和医学扫描*** |
CN111626964B (zh) * | 2020-06-03 | 2023-09-26 | 上海联影医疗科技股份有限公司 | 扫描图像的优化方法、优化装置和医学扫描*** |
CN111768463A (zh) * | 2020-06-30 | 2020-10-13 | 上海联影医疗科技有限公司 | Pet图像衰减校正方法、装置和计算机设备 |
CN112862772B (zh) * | 2021-01-29 | 2023-08-08 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr***、电子装置和存储介质 |
CN112862772A (zh) * | 2021-01-29 | 2021-05-28 | 上海联影医疗科技股份有限公司 | 图像质量评估方法、pet-mr***、电子装置和存储介质 |
CN113744264A (zh) * | 2021-09-26 | 2021-12-03 | 上海联影医疗科技股份有限公司 | 一种图像处理方法和*** |
WO2023134030A1 (zh) * | 2022-01-11 | 2023-07-20 | 浙江大学 | 一种基于流模型的pet***衰减校正方法 |
CN115661281A (zh) * | 2022-10-11 | 2023-01-31 | 南方医科大学 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
CN115661281B (zh) * | 2022-10-11 | 2024-03-22 | 南方医科大学 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
CN117325012B (zh) * | 2023-10-25 | 2024-04-12 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
CN117679006A (zh) * | 2023-11-22 | 2024-03-12 | 上海全景医学影像诊断中心有限公司 | 一种用于pet/mr的头部定位方法及头部定位装置 |
CN117679006B (zh) * | 2023-11-22 | 2024-06-04 | 上海全景医学影像诊断中心有限公司 | 一种用于pet/mr的头部定位方法及头部定位装置 |
CN117611750A (zh) * | 2023-12-05 | 2024-02-27 | 北京思博慧医科技有限公司 | 三维成像模型的构建方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11915425B2 (en) | 2024-02-27 |
US20200126231A1 (en) | 2020-04-23 |
US10949971B2 (en) | 2021-03-16 |
US20210217174A1 (en) | 2021-07-15 |
WO2020082207A1 (en) | 2020-04-30 |
CN110809782B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110809782B (zh) | 衰减校正***和方法 | |
US11887221B2 (en) | Systems and methods for image correction in positron emission tomography | |
US11232558B2 (en) | Systems and methods for image generation | |
US11398030B2 (en) | System and method for image reconstruction | |
US11948314B2 (en) | Systems and methods for image processing | |
US10839567B2 (en) | Systems and methods for correcting mismatch induced by respiratory motion in positron emission tomography image reconstruction | |
US10980505B2 (en) | System and method for air correction | |
US10690782B2 (en) | Systems and methods for positron emission tomography image reconstruction | |
US11494877B2 (en) | Systems and methods for image reconstruction | |
US20210142476A1 (en) | Systems and methods for image optimization | |
US20200008701A1 (en) | Systems and methods for magnetic resonance imaging | |
US11688071B2 (en) | Systems and methods for image reconstruction and processing | |
US20220092755A1 (en) | Systems and methods for image processing | |
US11200669B2 (en) | Systems and methods for determining plasma input function used in positron emission tomography imaging | |
WO2023123352A1 (en) | Systems and methods for motion correction for medical images |
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 |