CN115661281A - 正电子发射断层扫描图像衰减校正方法、***及存储介质 - Google Patents
正电子发射断层扫描图像衰减校正方法、***及存储介质 Download PDFInfo
- Publication number
- CN115661281A CN115661281A CN202211239300.6A CN202211239300A CN115661281A CN 115661281 A CN115661281 A CN 115661281A CN 202211239300 A CN202211239300 A CN 202211239300A CN 115661281 A CN115661281 A CN 115661281A
- Authority
- CN
- China
- Prior art keywords
- image
- attenuation correction
- positron emission
- type
- emission tomography
- 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 259
- 238000002600 positron emission tomography Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000002591 computed tomography Methods 0.000 claims description 74
- 238000010606 normalization Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 13
- 239000000700 radioactive tracer Substances 0.000 claims description 13
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000013501 data transformation Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000007306 turnover Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000013526 transfer learning Methods 0.000 description 4
- WOWHHFRSBJGXCM-UHFFFAOYSA-M cetyltrimethylammonium chloride Chemical compound [Cl-].CCCCCCCCCCCCCCCC[N+](C)(C)C WOWHHFRSBJGXCM-UHFFFAOYSA-M 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011550 data transformation method Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000012879 PET imaging Methods 0.000 description 1
- 208000003386 Radiation-Induced Neoplasms Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000975 bioactive effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012217 radiopharmaceutical Substances 0.000 description 1
- 229940121896 radiopharmaceutical Drugs 0.000 description 1
- 230000002799 radiopharmaceutical effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Images
Landscapes
- Nuclear Medicine (AREA)
Abstract
本发明公开一种正电子发射断层扫描图像衰减校正方法、***及存储介质,应用于图像处理技术领域,能够提高正电子发射断层扫描图像衰减校正效率和质量。该方法包括:获取第一类型图像、第二类型图像、第一衰减校正图和第二衰减校正图;预处理第一类型图像、第二类型图像、第一衰减校正图和第二衰减校正图得第一增强图像、第二增强图像、第三衰减校正图和第四衰减校正图;将预处理后的图像匹配得第一匹配数据和第二匹配数据;通过第一增强图像、第三衰减校正图和第一匹配数据训练预训练神经网络模型得第一网络模型;通过第二增强图像、第四衰减校正图和第二匹配数据训练第一网络模型得目标网络模型;通过目标网络模型校正待校正图像得目标校正图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种正电子发射断层扫描图像衰减校正方法、***及存储介质。
背景技术
正电子发射断层扫描成像(PET)技术的定量或半定量参数,如标准摄取值(Standard uptake value,SUV)的精确度受到许多物理因素的影响,如光子衰减、散射、随机事件以及延迟。其中光子衰减对PET定量或半定量参数的精确度影响较大,会造成PET图像对比差和明显的伪影,影响后续的定量分析和临床诊断。因此,需要对PET图像进行衰减校正。相关技术中,基于CT(计算机断层扫描)的衰减校正方法(CTAC)能够在短扫描时间中显示出低噪声水平、高分辨率的优势,但该方法会受到CT伪影传播,如金属伪影,以及CT和PET数据潜在不匹配的限制,PET图像衰减校正效果一般。而在基于MR(核磁共振)图像的PET图像衰减校正中,由于MR图像不能直接提供PET衰减信息,导致衰减图的生成较为复杂,难以实现较好的衰减校正。
发明内容
为了解决上述技术问题的至少之一,本发明提出一种正电子发射断层扫描图像衰减校正方法、***及存储介质,能够有效提高正电子发射断层扫描图像的衰减校正效率以及质量。
一方面,本发明实施例提供了一种正电子发射断层扫描图像衰减校正方法,包括以下步骤:
获取第一类型图像和第二类型图像;其中,所述第一类型图像和所述第二类型图像均为正电子发射断层扫描图像,所述第一类型图像和所述第二类型图像的预设图像获取方式获取;所述预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取;
获取所述第一类型图像对应的第一衰减校正图,并获取所述第二类型图像对应的第二衰减校正图;其中,所述第一衰减校正图以及所述第二衰减校正图均为校正后的所述正电子发射断层扫描图像;
对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图;
将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据;
将所述第二增强图像与所述第四衰减校正图进行匹配,得到第二匹配数据;
构建预训练神经网络模型;
通过所述第一增强图像、第三衰减校正图以及第一匹配数据对所述预训练神经网络模型进行第一网络训练,得到第一网络模型;
通过所述第二增强图像、所述第四衰减校正图以及所述第二匹配数据对所述第一网络模型进行第二网络训练,得到目标网络模型;
通过所述目标网络模型对待校正图像进行衰减校正,得到目标校正图像;其中,所述待校正图像与所述第二类型图像获取方式相同。
根据本发明实施例的一种正电子发射断层扫描图像衰减校正方法,至少具有如下有益效果:本实施例首先获取第一类型图像和第二类型图像,其中,第一类型图像和第二类型的图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取。接着,本实施例获取第一类型图像对应的第一衰减校正图和第二类型图像对应的第二衰减校正图。然后,本实施例分别对第一类型图像和第二类型图像进行预处理,得到相应的第一增强图像和第二增强图像,并分别对第一衰减校正图和第二衰减校正图进行预处理,得到相应的第三衰减校正图和第四衰减校正图。进一步地,本实施例将第一增强图像与第三衰减校正图进行匹配得到第一匹配数据,并将第二增强图像与第四衰减校正图进行匹配得到第二匹配数据。然后,本实施例通过第一增强图像、第三衰减校正图以及第一匹配数据对构建的预训练神经网络模型进行第一网络训练,得到第一网络模型。然后,通过第二增强图像、第四衰减校正图以及第二匹配数据对第一网络模型进行第二网络训练得到目标网络模型,通过迁移学习的方式训练得到目标网络模型,能够有效提高正电子发射断层扫描图像的衰减校正质量。接着,本实施例通过迁移学习得到的目标网络模型对与第二类型图像获取方式相同的待校正图像进行衰减校正得到目标校正图像,有效提高了正电子发射断层扫描图像的衰减校正的效率。
根据本发明的一些实施例,所述获取第一类型图像和第二类型图像,包括:
通过第一正电子发射断层扫描设备获取所述第一类型图像,通过第二正电子发射断层扫描设备获取所述第二类型图像;其中,所述第一正电子发射断层扫描设备与所述第二正电子发射断层扫描设备的设备型号不同;
或者,通过第三正电子发射断层扫描设备扫描第一类型示踪剂得到所述第一类型图像,通过所述第三正电子发射断层扫描设备扫描第二类型示踪剂得到所述第二类型图像;
或者,通过第四正电子发射断层扫描设备的第一扫描模式扫描得到所述第一类型图像,通过所述第四正电子发射断层扫描设备的第二扫描模式扫描得到所述第二类型图像;其中,所述第一扫描模式与所述第二扫描模式的所述扫描协议不同。
根据本发明的一些实施例,所述对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图,包括:
将所述第一类型图像转换为第一标准摄取值图像,将所述第二类型图像转换为第二标准摄取值图像,将所述第一衰减校正图转换为第三标准摄取值图像,将所述第二衰减校正图转换为第四标准摄取值图像;其中,所述第一标准摄取值图像、所述第二标准摄取值图像、所述第三标准摄取值图像以及所述第四标准摄取值图像均为正电子发射型计算机断层标准摄取值图像;
对所述第一标准摄取值图像的体素数据进行重采样得到第一重采样数据,对所述第二标准摄取值图像的体素数据进行重采样得到第二重采样数据,对所述第三标准摄取值图像的体素数据进行重采样得到第三重采样数据,对所述第四标准摄取值图像的体素数据进行重采样得到第四重采样数据;
通过预设数据变换方式对所述第一重采样数据进行增强,得到所述第一增强图像;
通过所述预设数据变换方式对所述第二重采样数据进行增强,得到所述第二增强图像;
通过所述预设数据变换方式对所述第三重采样数据进行增强,得到所述第三衰减校正图;
通过所述预设数据变换方式对所述第四重采样数据进行增强,得到所述第四衰减校正图;其中,所述预设数据变换方式包括旋转、翻转、平移以及偏移。
根据本发明的一些实施例,所述第一衰减校正图包括第一计算机断层扫描衰减图和第一正电子发射断层扫描衰减校正图像;
所述获取所述第一类型图像对应的第一衰减校正图,包括:
获取所述第一类型图像对应的第一计算机断层扫描图像;根据所述第一计算机断层扫描图像生成所述第一计算机断层扫描衰减图;
或者,通过预设正电子发射计算机断层显像设备获取第二计算机断层扫描衰减图,通过所述第二计算机断层扫描衰减图进行图像重建,得到所述第一正电子发射断层扫描衰减校正图像。
根据本发明的一些实施例,所述第三衰减校正图包括第二计算机断层扫描衰减图和第二正电子发射断层扫描衰减校正图像;其中,所述第二计算机断层扫描衰减图通过对所述第一计算机断层扫描衰减图进行预处理得到,所述第二正电子发射断层扫描衰减校正图像通过对所述第一正电子发射断层扫描衰减校正图像进行预处理得到;
将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据,包括:
将所述第一增强图像与所述第二计算机断层扫描衰减图进行匹配,得到所述第一匹配数据;
或者,将所述第一增强图像与所述第二正电子发射断层扫描衰减校正图像进行匹配,得到所述第一匹配数据。
根据本发明的一些实施例,所述预训练神经网络模型包括三维条件生成对抗网络,所述三维条件生成对抗网络包括生成器和判别器,所述生成器包括三维语义分割网络和残差网络块,所述判别器包括卷积层、全连接层和激活函数层。
根据本发明的一些实施例,所述卷积层包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层,所述第一卷积层包括64个步长为2、大小为3*3*3的卷积核,所述第一卷积层的输入端与第一泄露整流线性单元的输出端连接,所述第一卷积层的输出端连接第一批归一化层的输入端,所述第一批归一化层的输出端连接第二泄露整流线性单元的输入端,所述第二泄露整流线性单元的输出端连接所述第二卷积层的输入端,所述第二卷积层的输出端连接第二批归一化层的输入端,所述第二批归一化层的输出端连接第三泄露整流线性单元的输入端,所述第三泄露整流线性单元的输出端连接所述第三卷积层的输入端,所述第三卷积层的输出端连接第三批归一化层的输入端,所述第三批归一化层的输出端连接第四泄露整流线性单元的输入端,所述第四泄露整流线性单元的输出端连接所述第四卷积层的输入端,所述第四卷积层的输出端连接所述全连接层的输入端;其中,所述第一泄露整流线性单元、第二泄露整流线性单元、第三泄露整流线性单元以及第四泄露整流线性单元的斜率均为0.2。
另一方面,本发明实施例还提供了一种正电子发射断层扫描图像衰减校正***,包括:
第一获取模块,用于获取第一类型图像和第二类型图像;其中,所述第一类型图像和所述第二类型图像均为正电子发射断层扫描图像,所述第一类型图像和所述第二类型图像的预设图像获取方式获取;所述预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取;
第二获取模块,用于获取所述第一类型图像对应的第一衰减校正图,并获取所述第二类型图像对应的第二衰减校正图;其中,所述第一衰减校正图以及所述第二衰减校正图均为校正后的所述正电子发射断层扫描图像;
预处理模块,用于对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图;
第一匹配模块,用于将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据;
第二匹配模块,用于将所述第二增强图像与所述第四衰减校正图进行匹配,得到第二匹配数据;
模型构建模块,用于构建预训练神经网络模型;
第一训练模块,用于通过所述第一增强图像、第三衰减校正图以及第一匹配数据对所述预训练神经网络模型进行第一网络训练,得到第一网络模型;
第二训练模块,用于通过所述第二增强图像、所述第四衰减校正图以及所述第二匹配数据对所述第一网络模型进行第二网络训练,得到目标网络模型;
校正模块,用于通过所述目标网络模型对待校正图像进行衰减校正,得到目标校正图像;其中,所述待校正图像与所述第二类型图像获取方式相同。
另一方面,本发明实施例还提供了一种正电子发射断层扫描图像衰减校正***,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如上述实施例所述的正电子发射断层扫描图像衰减校正方法。
另一方面,本发明实施例还提供了一种计算机存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由所述处理器执行时用于实现如上述实施例所述的正电子发射断层扫描图像衰减校正方法。
附图说明
图1是本发明实施例提供的正电子发射断层扫描图像衰减校正方法流程图;
图2是本发明实施例提供的正电子发射断层扫描图像衰减校正***原理框图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在对本申请实施例进行介绍说明之前,首先对本申请中涉及的相关名词进行解释说明。
正电子发射断层扫描成像技术(Positron Emission Tomography,PET):又称正电子发射型计算机断层显像技术,是一种核成像技术,也称分子成像,其可以显示体内代谢过程。PET成像的基础是该技术检测由正电子发射放射性核素,如放射性药物、放射性核素或放射性示踪剂,间接发射的γ射线对。通过将示踪剂注入生物活性分子的静脉中,通常是用于细胞能量的糖,然后PET***通过探测器捕获身体内部的伽马射线辐射,并创建体内示踪剂浓度的三维计算机断层扫描图像,得到正电子发射断层扫描图像(PET图像)。
正电子发射断层扫描成像技术(PET)的定量或半定量参数,如标准摄取值(SUV)的精确度受到许多物理因素的影响,如光子衰减、散射、随机事件以及延迟等。其中光子衰减对PET定量或半定量参数的精确度影响较大,会造成PET图像对比差和明显的伪影,影响后续的定量分析和临床诊断。因此,需要对PET图像进行衰减校正。相关技术中,基于CT(计算机断层扫描)的衰减校正方法(CTAC)能够在短扫描时间中显示出低噪声水平、高分辨率的优势,但该方法会受到CT伪影传播,如金属伪影,以及CT和PET图像数据潜在的不匹配限制。此外,CT辐射与辐射诱发的癌症和癌症死亡有关,尤其是对辐射敏感的儿童患者。而在基于核磁共振图像(MR)的PET图像衰减校正中,由于MR图像不能直接提供PET衰减信息,导致衰减图的生成较为复杂,难以实现较好的衰减校正。另外,随着深度学习的发展,深度学习在PET衰减校正上显示出较大的潜力。但目前利用深度学习进行PET衰减校正的方法中都仅在由相同的扫描仪、相同的示踪剂以及相同的扫描协议生成的数据集上进行校正,难以直接应用于不同的扫描仪、不同的示踪剂或不同的扫描协议生成的数据集。而获取大量相同的扫描仪、相同的示踪剂和相同的扫描协议生成的数据集需要花费大量的时间和人力。同时,对于一些低质量的PET数据集训练后,其衰减校正的效果一般。
基于此,本发明的一个实施例提供了一种正电子发射断层扫描图像衰减校正方法、***及存储介质,能够有效提高正电子发射断层扫描图像的衰减校正效率以及质量。参照图1,本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160、步骤S170、步骤S180和步骤S190。
具体地,本发明实施例的方法应用过程包括但不限于以下步骤:
S110:获取第一类型图像和第二类型图像。其中,第一类型图像和第二类型图像均为正电子发射断层扫描图像,第一类型图像和第二类型图像通过预设图像获取方式获取。预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取。
S120:获取第一类型图像对应的第一衰减校正图,并获取第二类型图像对应的第二衰减校正图。其中,第一衰减校正图以及第二衰减校正图均为校正后的正电子发射断层扫描图像。
S130:对第一类型图像进行预处理得到第一增强图像,对第二类型图像进行预处理得到第二增强图像,对第一衰减校正图进行预处理得到第三衰减校正图,对第二衰减校正图进行预处理得到第四衰减校正图。
S140:将第一增强图像与第三衰减校正图进行匹配,得到第一匹配数据。
S150:将第二增强图像与第四衰减校正图进行匹配,得到第二匹配数据。
S160:构建预训练神经网络模型。
S170:通过第一增强图像、第三衰减校正图以及第一匹配数据对预训练神经网络模型进行第一网络训练,得到第一网络模型。
S180:通过第二增强图像、第四衰减校正图以及第二匹配数据对第一网络模型进行第二网络训练,得到目标网络模型。
S190:通过目标网络模型对待校正图像进行衰减校正,得到目标校正图像。其中,待校正图像与第二类型图像获取方式相同。
在本具体实施例工作过程中,本实施例首先获取第一类型图像和第二类型图像。具体地,第一类型图像和第二类型图像均为正电子发射断层扫描图像(PET图像)。本实施例中第一类型图像和第二类型图像通过预设图像获取方式获取。其中,预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取以及通过不同扫描协议获取。示例性地,本实施例通过不同的正电子发射断层扫描设备分别获取第一类型图像和第二类型图像,即第一类型图像和第二类型图像分别由不同型号的正电子发射断层扫描设备获取得到。本实施例还可以通过对不同示踪剂进行扫描,从而得到第一类型图像和第二类型图像。或者,通过不同的扫描协议对待检测对象进行扫描,以得到相应的第一类型图像和第二类型图像。进一步地,本实施例获取第一类型图像对应的第一衰减校正图,以及第二类型图像对应的第二衰减校正图。其中,第一衰减校正图以及第二衰减校正图均为校正后的正电子发射断层扫描图像,即第一衰减校正图和第二衰减校正图分别为对第一类型图像和第二类型图像进行衰减校正后得到的PET图像。示例性地,本实施例通过临床PET/CT扫描仪获取第一类型图像和第二类型图像所对应的第一衰减校正图和第二衰减校正图。接着,本实施例分别对第一类型图像、第二类型图像、第一衰减校正图和第二衰减校正图进行预处理,以进行图像增强。本实施例通过对第一类型图像进行预处理得到第一增强图像,以及对第二类型图像进行预处理得到第二增强图像。同时,本实施例通过对第一衰减校正图进行预处理得到第三衰减校正图,并对第二衰减校正图进行预处理得到第四衰减校正图。
进一步地,本实施例将增强后的图像与校正图像的预处理后的图像进行匹配,得到相应的匹配数据。具体地,本实施例将第一增强图像与第三衰减校正图进行匹配,得到第一匹配数据,然后将第二增强图像与第四衰减校正图进行匹配,得到第二匹配数据。本实施例通过将第一增强图像与相应的第三衰减校正图进行配对,以得到第一增强图像与第三衰减校正图之间的对应关系,即第一匹配数据,从而为模型训练提供有效的先导数据,有效提高模型训练效果。接着,本实施例在构建预训练神经网络模型后,通过第一增强图像、第三衰减校正图以及第一匹配数据对预训练神经网络模型进行第一网络训练,从而得到第一网络模型。然后,本实施例通过第二增强图像、第四衰减校正图以及第二匹配数据对第一网络模型进行第二网络训练,得到目标网络模型。本实施例中先通过第一增强图像、第三衰减校正图以及第一匹配数据对预训练神经网络模型进行预训练,即第一网络训练,得到第一网络模型。然后,本实施例再通过迁移学习的方式,根据第二增强图像、第四衰减校正图以及第二匹配数据集对第一网络进行细化训练,即第二网络训练,从而得到目标网络模型。本实施例通过第一网络训练对于训练神经网络模型进行训练,然后通过迁移学习的方式进行第二网络训练,从而能够得到校正效果较好的目标网络模型。容易理解的是,本实施例可以对于一些扫描得到的PET图像质量较差的目标设备,其网络训练后衰减校正效果一般,可以先通过扫描得到PET图像质量较好的设备获取相应的高质量PET图像,即第一类型图像。然后,通过目标设备获取相应的目标校正PET图像,即第二类型图像。接着,通过第一网络训练和第二网络训练,能够有效提升对第二类型图像的校正效果,从而有效提升正电子发射断层扫描图像的衰减校正质量。然后,本实施例通过目标网络模型对待校正图像进行衰减校正得到目标校正图像。其中,待校正图像与第二类型图像获取方式相同。例如,待校正图像与第二类型图像为同一型号设备获取的PET图像,或者待校正图像与第二类型图像为对同一类型的示踪剂进行扫描得到的PET图像等。本实施例通过目标网络模型对待校正图像进行衰减校正,能够有效提高PET图像的衰减校正效率。
在本发明的一些实施例中,获取第一类型图像和第二类型图像,包括但不限于:
通过第一正电子发射断层扫描设备获取第一类型图像,通过第二正电子发射断层扫描设备获取第二类型图像。其中,第一正电子发射断层扫描设备与第二正电子发射断层扫描设备的设备型号不同。
或者,通过第三正电子发射断层扫描设备扫描第一类型示踪剂得到第一类型图像,通过第三正电子发射断层扫描设备扫描第二类型示踪剂得到第二类型图像。
或者,通过第四正电子发射断层扫描设备的第一扫描模式扫描得到第一类型图像,通过第四正电子发射断层扫描设备的第二扫描模式扫描得到第二类型图像。其中,第一扫描模式与第二扫描模式的扫描协议不同。
在本具体实施例中,预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取。相应地,当预设图像获取方式为通过不同电子发射型计算机断层扫描设备获取时,本实施例首先通过第一正电子发射断层扫描设备获取第一类型图像。然后,本实施例通过第二正电子发射断层扫描设备获取第二类型图像。第一正电子发射断层扫描设备与第二正电子发射断层扫描设备的设备型号不同。例如,第二正电子发射断层扫描设备为需要进行衰减校正的PET图像的获取设备,而第一电子发射型计算机断层扫描设备与第二正电子发射断层扫描设备的型号不同。另外,当预设图像获取方式为通过扫描不同示踪剂获取时,本实施例首先通过第三正电子发射断层扫描设备扫描第一类型示踪剂得到第一类型图像,然后通过第三正电子发射断层扫描设备扫描第二类型示踪剂得到第二类型图像。示例性地,本实施例首先将第一类型示踪剂注入待检测对象后,通过第三正电子发射断层扫描设备对该待检测对象进行扫描,得到相应的PET图像,即第一类型图像。接着,将第二类型示踪剂注入另外的待检测对象,并通过第三正电子发射断层扫描设备对该待检测对象进行扫描,从而得到第二类型图像。当预设图像获取方式为通过不同扫描协议获取时,本实施例首先通过第四正电子发射断层扫描设备的第一扫描模式扫描待检测对象得到第一类型图像。接着,通过第四正电子发射断层扫描设备的第二扫描模式扫描待检测对象得到第二类型图像。容易理解的是,正电子发射断层扫描设备中一般存在不同的扫描模式,如不同扫描时长的扫描,不同的扫描模式下,其扫描协议也是不一样的。本实施例通过设置不同的扫描模式以获取得到不同扫描协议下的PET图像。
在本发明的一些实施例中,对第一类型图像进行预处理得到第一增强图像,对第二类型图像进行预处理得到第二增强图像,对第一衰减校正图进行预处理得到第三衰减校正图,对第二衰减校正图进行预处理得到第四衰减校正图,包括但不限于:
将第一类型图像转换为第一标准摄取值图像,将第二类型图像转换为第二标准摄取值图像,将第一衰减校正图转换为第三标准摄取值图像,将第二衰减校正图转换为第四标准摄取值图像。其中,第一标准摄取值图像、第二标准摄取值图像、第三标准摄取值图像以及第四标准摄取值图像均为正电子发射型计算机断层标准摄取值图像。
对第一标准摄取值图像的体素数据进行重采样得到第一重采样数据,对第二标准摄取值图像的体素数据进行重采样得到第二重采样数据,对第三标准摄取值图像的体素数据进行重采样得到第三重采样数据,对第四标准摄取值图像的体素数据进行重采样得到第四重采样数据。
通过预设数据变换方式对第一重采样数据进行增强,得到第一增强图像。
通过预设数据变换方式对第二重采样数据进行增强,得到第二增强图像。
通过预设数据变换方式对第三重采样数据进行增强,得到第三衰减校正图。
通过预设数据变换方式对第四重采样数据进行增强,得到第四衰减校正图。其中,预设数据变换方式包括旋转、翻转、平移以及偏移。
在本具体实施例中,本实施例首先将第一类型图像和第二类型图像分别进行转换,得到相应的第一标准摄取值图像和第二标准摄取值图像。同时,本实施例将第一衰减校正图和第二衰减校正图分别进行转换,得到相应的第三标准摄取值图像和第四标准摄取值图像。接着,本实施例分别对第一标准摄取值、第二标准摄取值、第三标准摄取值图像以及第四标准摄取值图像的体素数据进行重采样,得到相应的重采样数据,并对重采样得到的数据进行数据增强,得到相应的第一增强图像、第二增强图像、第三衰减校正图以及第四衰减校正图。具体地,本实施例首先将第一类型图像转换为第一标准摄取值图像,并将第二类型图像转换为第二标准摄取值图像,同时,将第一衰减校正图转换为第三标准摄取值图像,将第二衰减校正图转换为第四标准摄取值图像,以通过将不同数据集中的PET图像转换为标准摄取值图像的方式,减小图像强度的动态范围,提高网络模型训练的效果。进一步地,本实施例对第一标准摄取值图像的体素数据,即体素大小,进行重采样,得到第一重采样数据。同时,本实施例对第二标准摄取值图像的体素数据进行重采样得到第二重采样数据。相应地,本实施例对第三标准摄取值图像的体素数据进行重采样得到第三重采样数据,并对第四标准摄取值图像的体素数据进行重采样得到第四重采样数据。接着,本实施例通过预设数据变换方式对第一重采样数据进行增强得到第一增强图像,通过预设数据变换方式对第二重采样数据进行增强得到第二增强图像。同时,本实施例通过预设数据变换方式对第三重采样数据进行增强,得到第三衰减校正图,通过预设数据变换方式对第四重采样数据进行增强,得到第四衰减校正图。其中,预设数据变换方式包括旋转、翻转、平移以及偏移。示例性地,本实施例通过Augmentor3D包分别对第一重采样数据和第二重采样数据进行旋转、翻转、平移以及偏移,从而得到相应的第一增强图像和第二增强图像。
在本发明的一些实施例中,第一衰减校正图包括第一计算机断层扫描衰减图和第一正电子发射断层扫描衰减校正图像。相应地,获取第一类型图像对应的第一衰减校正图,包括但不限于:
获取第一类型图像对应的第一计算机断层扫描图像。根据第一计算机断层扫描图像生成第一计算机断层扫描衰减图。
或者,通过预设正电子发射计算机断层显像设备获取第二计算机断层扫描衰减图,通过第二计算机断层扫描衰减图进行图像重建,得到第一正电子发射断层扫描衰减校正图像。
在本具体实施例中,第一衰减校正图包括CT衰减图,即第一计算机断层扫描衰减图,和PET图像衰减校正图,即第一正电子发射断层扫描衰减校正图像。具体地,本实施例获取第一类型图像对应的第一计算机断层扫描图像,即CT图像,并根据第一计算机断层扫描图像生成第一计算机断层扫描衰减图。示例性地,本实施例可以通过PET/CT扫描设备获取待检测人员的CT图像,并根据该CT图像生成相应的CT衰减图。而当第一衰减校正图为第一正电子发射型计算机端扫描衰减校正图像时,本实施例首先通过预设正电子发射计算机断层显像设备,即PET/CT扫描设备,获取第二计算机断层扫描衰减图。然后,本实施例通过第二计算机断层扫描衰减图进行图像重建得到第一正电子发射断层扫描衰减校正图像,即衰减校正后的PET图像。
在本发明的一些实施例中,第三衰减校正图包括第二计算机断层扫描衰减图和第二正电子发射断层扫描衰减校正图像。其中,第二计算机断层扫描衰减图通过对第一计算机断层扫描衰减图进行预处理得到,第二正电子发射断层扫描衰减校正图像通过对第一正电子发射断层扫描衰减校正图像进行预处理得到。相应地,将第一增强图像与第一衰减校正图进行匹配,得到第一匹配数据,包括但不限于:
将第一增强图像与第二计算机断层扫描衰减图进行匹配,得到第一匹配数据。
或者,将第一增强图像与第二正电子发射断层扫描衰减校正图像进行匹配,得到第一匹配数据。
在本具体实施例中,本实施例将第一增强图像与第三衰减图像进行匹配的方式包括直接匹配和间接匹配。具体地,第一增强图像与CT衰减图,即第二计算机断层衰减图,进行匹配得到第一匹配数据的方式为间接匹配。示例性地,本实施例将第一增强图像与该图像相应的第二计算机断层衰减图进行一一配对,从而得到第一匹配数据。此时,将增强后未进行衰减校正的PET图像,即第一增强图像作为网络模型的输入,将相应的第二计算机断层衰减图作为标签,网络模型的输出为合成的CT衰减图。同时,第一增强图像与衰减校正后的PET图像,即第二正电子发射断层扫描衰减校正图像进行匹配,得到第一匹配数据的方式为直接匹配。示例性地,本实施例将第一增强图像与衰减校正后的PET图像进行一一匹配,以得到第一匹配数据。此时,将增强后未进行衰减校正的PET图像,即第一增强图像作为网络模型的输入,将相应的衰减校正后的PET图像作为标签,网络模型的输出为合成的衰减校正后的PET图像。其中,第二计算机断层扫描衰减图通过对第一计算机断层扫描衰减图进行预处理得到,第二正电子发射断层扫描衰减校正图像通过对第一正电子发射断层扫描衰减校正图像进行预处理得到。需要说明的是,在本发明的一些实施例中,将第二增强图像与第四衰减校正图进行匹配得到第二匹配数据的方法与第一匹配数据的匹配方法相似,在此不进行赘述。
在本发明的一些实施例中,预训练神经网络模型包括三维条件生成对抗网络。具体地,三维条件生成对抗网络包括生成器和判别器,生成器包括三维语义分割网络和残差网络块,判别器包括卷积层、全连接层和激活函数层。示例性地,本实施例生成器由一个三维语义分割网络(3D U-net)和九个残差网络块组成。同时,判别器是由卷积层、全连接层和激活函数层的CNN架构。其中,激活函数层包括sigmoid层。具体地,本实施例中生成器的损失函数如下式(1)所示,判别器的损失函数如下式(2)所示:
LG(x,y)=Ladv(x)+λL1(G(x),y) (1)
其中,上式(1)和上式(2)中,x是未衰减校正的PET图像,y是目标CTAC图像,G(x)为生成的DLAC(色差消除)图像,Ladv()为生成器的对抗损失loss,λ为loss项的权重。具体地,Ladv()的定义如下式(3)所示,L1()的定义如下式(4)所示:
L1(x,y)=||y-G(x)||1 (4)
其中,上式中,Treal=1和Tfake=0分别为真实图像和合成图像的标签。
在本发明的一些实施例中,判别器的卷积层包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层。具体地,第一卷积层包括64个步长为2、大小为3×3×3的卷积核,且后一个卷积层的卷积核数量为前一个卷积层的两倍,如第二卷积层的卷积核数量为128个,第三卷积层的卷积核数量为256个,第四卷积层的卷积核数量为512个。其中,第一卷积层的输入端与第一泄露整流线性单元的输出端连接,第一卷积层的输出端连接第一批归一化层的输入端,第一批归一化层的输出端连接第二泄露整流线性单元的输入端,第二泄露整流线性单元的输出端连接第二卷积层的输入端。第二卷积层的输出端连接第二批归一化层的输入端,第二批归一化层的输出端连接第三泄露整流线性单元的输入端。第三泄露整流线性单元的输出端连接第三卷积层的输入端,第三卷积层的输出端连接第三批归一化层的输入端,第三批归一化层的输出端连接第四泄露整流线性单元的输入端,第四泄露整流线性单元的输出端连接第四卷积层的输入端。第四卷积层的输出端连接全连接层的输入端。其中,第一泄露整流线性单元、第二泄露整流线性单元、第三泄露整流线性单元以及第四泄露整流线性单元的斜率均为0.2。
示例性地,本实施例通过在带有GPU的Linux工作站上使用Pytorch实现三维条件生成对抗网络。本实施例使用初始值为0.0001的自适应学习率将Adam优化器应用于生成器和判别器。本实施例中生成器由具有两个编码-解码层的3D U-net和九个Resnet块组成。其中,编码器和解码器由一系列具有3×3×3卷积核大小的卷积层、实例归一化层(instancenormalization,IN)以及整流线性单元(rectified linear unit,ReLU)组成。本实施例中通过步幅为2、卷积核大小为3×3×3的卷积核进行降采样。同时,在降采样过程中,特征通道的数量增加一倍,并且双线性插值用于特征通道数量减半的每个上采样步骤中。另外,在编码器与解码器的对应层中使用跳跃连接。接着,在两次降采样后,通过九个残差块以0.5的dropot率进行深度特征的提取。
本发明的一个实施例还提供了一种正电子发射断层扫描图像衰减校正***,包括:
第一获取模块,用于获取第一类型图像和第二类型图像。其中,第一类型图像和第二类型图像均为正电子发射型计算机断层图像,第一类型图像和第二类型图像的预设图像获取方式获取。预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取。
第二获取模块,用于获取第一类型图像对应的第一衰减校正图,并获取第二类型图像对应的第二衰减校正图。其中,第一衰减校正图以及第二衰减校正图均为校正后的正电子发射型计算机断层图像。
预处理模块,用于对第一类型图像进行预处理得到第一增强图像,对第二类型图像进行预处理得到第二增强图像,对第一衰减校正图进行预处理得到第三衰减校正图,对第二衰减校正图进行预处理得到第四衰减校正图。
第一匹配模块,用于将第一增强图像与第三衰减校正图进行匹配,得到第一匹配数据。
第二匹配模块,用于将第二增强图像与第四衰减校正图进行匹配,得到第二匹配数据。
模型构建模块,用于构建预训练神经网络模型。
第一训练模块,用于通过第一增强图像、第三衰减校正图以及第一匹配数据对预训练神经网络模型进行第一网络训练,得到第一网络模型。
第二训练模块,用于通过第二增强图像、第四衰减校正图以及第二匹配数据对第一网络模型进行第二网络训练,得到目标网络模型。
校正模块,用于通过目标网络模型对待校正图像进行衰减校正,得到目标校正图像。其中,待校正图像与第二类型图像获取方式相同。
参照图2,本发明的一个实施例还提供了一种正电子发射断层扫描图像衰减校正***,包括:
至少一个处理器210。
至少一个存储器220,用于存储至少一个程序。
当至少一个程序被至少一个处理器210执行,使得至少一个处理器210实现如上述实施例描述的正电子发射断层扫描图像衰减校正方法。
本发明的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,执行以上实施例描述的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种正电子发射断层扫描图像衰减校正方法,其特征在于,包括以下步骤:
获取第一类型图像和第二类型图像;其中,所述第一类型图像和所述第二类型图像均为正电子发射断层扫描图像,所述第一类型图像和所述第二类型图像的预设图像获取方式获取;所述预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取;
获取所述第一类型图像对应的第一衰减校正图,并获取所述第二类型图像对应的第二衰减校正图;其中,所述第一衰减校正图以及所述第二衰减校正图均为校正后的所述正电子发射断层扫描图像;
对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图;
将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据;
将所述第二增强图像与所述第四衰减校正图进行匹配,得到第二匹配数据;
构建预训练神经网络模型;
通过所述第一增强图像、第三衰减校正图以及第一匹配数据对所述预训练神经网络模型进行第一网络训练,得到第一网络模型;
通过所述第二增强图像、所述第四衰减校正图以及所述第二匹配数据对所述第一网络模型进行第二网络训练,得到目标网络模型;
通过所述目标网络模型对待校正图像进行衰减校正,得到目标校正图像;其中,所述待校正图像与所述第二类型图像获取方式相同。
2.根据权利要求1所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述获取第一类型图像和第二类型图像,包括:
通过第一正电子发射断层扫描设备获取所述第一类型图像,通过第二正电子发射断层扫描设备获取所述第二类型图像;其中,所述第一正电子发射断层扫描设备与所述第二正电子发射断层扫描设备的设备型号不同;
或者,通过第三正电子发射断层扫描设备扫描第一类型示踪剂得到所述第一类型图像,通过所述第三正电子发射断层扫描设备扫描第二类型示踪剂得到所述第二类型图像;
或者,通过第四正电子发射断层扫描设备的第一扫描模式扫描得到所述第一类型图像,通过所述第四正电子发射断层扫描设备的第二扫描模式扫描得到所述第二类型图像;其中,所述第一扫描模式与所述第二扫描模式的所述扫描协议不同。
3.根据权利要求1所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图,包括:
将所述第一类型图像转换为第一标准摄取值图像,将所述第二类型图像转换为第二标准摄取值图像,将所述第一衰减校正图转换为第三标准摄取值图像,将所述第二衰减校正图转换为第四标准摄取值图像;其中,所述第一标准摄取值图像、所述第二标准摄取值图像、所述第三标准摄取值图像以及所述第四标准摄取值图像均为正电子发射型计算机断层标准摄取值图像;
对所述第一标准摄取值图像的体素数据进行重采样得到第一重采样数据,对所述第二标准摄取值图像的体素数据进行重采样得到第二重采样数据,对所述第三标准摄取值图像的体素数据进行重采样得到第三重采样数据,对所述第四标准摄取值图像的体素数据进行重采样得到第四重采样数据;
通过预设数据变换方式对所述第一重采样数据进行增强,得到所述第一增强图像;
通过所述预设数据变换方式对所述第二重采样数据进行增强,得到所述第二增强图像;
通过所述预设数据变换方式对所述第三重采样数据进行增强,得到所述第三衰减校正图;
通过所述预设数据变换方式对所述第四重采样数据进行增强,得到所述第四衰减校正图;其中,所述预设数据变换方式包括旋转、翻转、平移以及偏移。
4.根据权利要求1所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述第一衰减校正图包括第一计算机断层扫描衰减图和第一正电子发射断层扫描衰减校正图像;
所述获取所述第一类型图像对应的第一衰减校正图,包括:
获取所述第一类型图像对应的第一计算机断层扫描图像;根据所述第一计算机断层扫描图像生成所述第一计算机断层扫描衰减图;
或者,通过预设正电子发射计算机断层显像设备获取第二计算机断层扫描衰减图,通过所述第二计算机断层扫描衰减图进行图像重建,得到所述第一正电子发射断层扫描衰减校正图像。
5.根据权利要求4所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述第三衰减校正图包括第二计算机断层扫描衰减图和第二正电子发射断层扫描衰减校正图像;其中,所述第二计算机断层扫描衰减图通过对所述第一计算机断层扫描衰减图进行预处理得到,所述第二正电子发射断层扫描衰减校正图像通过对所述第一正电子发射断层扫描衰减校正图像进行预处理得到;
将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据,包括:
将所述第一增强图像与所述第二计算机断层扫描衰减图进行匹配,得到所述第一匹配数据;
或者,将所述第一增强图像与所述第二正电子发射断层扫描衰减校正图像进行匹配,得到所述第一匹配数据。
6.根据权利要求1所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述预训练神经网络模型包括三维条件生成对抗网络,所述三维条件生成对抗网络包括生成器和判别器,所述生成器包括三维语义分割网络和残差网络块,所述判别器包括卷积层、全连接层和激活函数层。
7.根据权利要求6所述的正电子发射断层扫描图像衰减校正方法,其特征在于,所述卷积层包括第一卷积层、第二卷积层、第三卷积层以及第四卷积层,所述第一卷积层包括64个步长为2、大小为3*3*3的卷积核,所述第一卷积层的输入端与第一泄露整流线性单元的输出端连接,所述第一卷积层的输出端连接第一批归一化层的输入端,所述第一批归一化层的输出端连接第二泄露整流线性单元的输入端,所述第二泄露整流线性单元的输出端连接所述第二卷积层的输入端,所述第二卷积层的输出端连接第二批归一化层的输入端,所述第二批归一化层的输出端连接第三泄露整流线性单元的输入端,所述第三泄露整流线性单元的输出端连接所述第三卷积层的输入端,所述第三卷积层的输出端连接第三批归一化层的输入端,所述第三批归一化层的输出端连接第四泄露整流线性单元的输入端,所述第四泄露整流线性单元的输出端连接所述第四卷积层的输入端,所述第四卷积层的输出端连接所述全连接层的输入端;其中,所述第一泄露整流线性单元、第二泄露整流线性单元、第三泄露整流线性单元以及第四泄露整流线性单元的斜率均为0.2。
8.一种正电子发射断层扫描图像衰减校正***,其特征在于,包括:
第一获取模块,用于获取第一类型图像和第二类型图像;其中,所述第一类型图像和所述第二类型图像均为正电子发射断层扫描图像,所述第一类型图像和所述第二类型图像的预设图像获取方式获取;所述预设图像获取方式包括通过不同正电子发射断层扫描设备获取、通过扫描不同示踪剂获取,以及通过不同扫描协议获取;
第二获取模块,用于获取所述第一类型图像对应的第一衰减校正图,并获取所述第二类型图像对应的第二衰减校正图;其中,所述第一衰减校正图以及所述第二衰减校正图均为校正后的所述正电子发射断层扫描图像;
预处理模块,用于对所述第一类型图像进行预处理得到第一增强图像,对所述第二类型图像进行预处理得到第二增强图像,对所述第一衰减校正图进行预处理得到第三衰减校正图,对所述第二衰减校正图进行预处理得到第四衰减校正图;
第一匹配模块,用于将所述第一增强图像与所述第三衰减校正图进行匹配,得到第一匹配数据;
第二匹配模块,用于将所述第二增强图像与所述第四衰减校正图进行匹配,得到第二匹配数据;
模型构建模块,用于构建预训练神经网络模型;
第一训练模块,用于通过所述第一增强图像、第三衰减校正图以及第一匹配数据对所述预训练神经网络模型进行第一网络训练,得到第一网络模型;
第二训练模块,用于通过所述第二增强图像、所述第四衰减校正图以及所述第二匹配数据对所述第一网络模型进行第二网络训练,得到目标网络模型;
校正模块,用于通过所述目标网络模型对待校正图像进行衰减校正,得到目标校正图像;其中,所述待校正图像与所述第二类型图像获取方式相同。
9.一种正电子发射断层扫描图像衰减校正***,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得至少一个所述处理器实现如权利要求1至7任一项所述的正电子发射断层扫描图像衰减校正方法。
10.一种计算机存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的正电子发射断层扫描图像衰减校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239300.6A CN115661281B (zh) | 2022-10-11 | 2022-10-11 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239300.6A CN115661281B (zh) | 2022-10-11 | 2022-10-11 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661281A true CN115661281A (zh) | 2023-01-31 |
CN115661281B CN115661281B (zh) | 2024-03-22 |
Family
ID=84987666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239300.6A Active CN115661281B (zh) | 2022-10-11 | 2022-10-11 | 正电子发射断层扫描图像衰减校正方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661281B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090105583A1 (en) * | 2007-09-20 | 2009-04-23 | Diana Martin | Method for determining attenuation values for pet data of a patient |
CN101777399A (zh) * | 2010-02-03 | 2010-07-14 | 中国原子能科学研究院 | 一种用于PET衰减校正的68Ge线源的制备工艺 |
CN107133996A (zh) * | 2017-03-21 | 2017-09-05 | 上海联影医疗科技有限公司 | 产生用于pet数据重建的衰减图的方法及pet/ct*** |
CN110809782A (zh) * | 2018-10-22 | 2020-02-18 | 上海联影医疗科技有限公司 | 衰减校正***和方法 |
US20200211236A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image correction in positron emission tomography |
CN115381471A (zh) * | 2022-10-26 | 2022-11-25 | 南方医科大学南方医院 | 一种基于运动检测的ct扫描辅助***及方法 |
-
2022
- 2022-10-11 CN CN202211239300.6A patent/CN115661281B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090105583A1 (en) * | 2007-09-20 | 2009-04-23 | Diana Martin | Method for determining attenuation values for pet data of a patient |
CN101777399A (zh) * | 2010-02-03 | 2010-07-14 | 中国原子能科学研究院 | 一种用于PET衰减校正的68Ge线源的制备工艺 |
CN107133996A (zh) * | 2017-03-21 | 2017-09-05 | 上海联影医疗科技有限公司 | 产生用于pet数据重建的衰减图的方法及pet/ct*** |
CN110809782A (zh) * | 2018-10-22 | 2020-02-18 | 上海联影医疗科技有限公司 | 衰减校正***和方法 |
US20200126231A1 (en) * | 2018-10-22 | 2020-04-23 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for attenuation correction |
US20200211236A1 (en) * | 2018-12-28 | 2020-07-02 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image correction in positron emission tomography |
CN115381471A (zh) * | 2022-10-26 | 2022-11-25 | 南方医科大学南方医院 | 一种基于运动检测的ct扫描辅助***及方法 |
Non-Patent Citations (3)
Title |
---|
MIZUTA TETSURO等: "Attenuation correction for phantom tests: an alternative to maximum-likelihood attenuation correction factor-based correction for clinical studies in time-of-flight PET.", DEPARTMENT OF RADIOLOGY, vol. 36, no. 11, pages 998 - 1006 * |
李淑英;潘亚;: "小波变换和阈值分割算法的激光图像伪影校正", 激光杂志, no. 06, pages 144 - 146 * |
路利军等: "13N-NH3·H2O与18F-FDG心电门控PET对严重心肌梗死患者左心室功能评价的对比研究", 中国医学影像学杂志, vol. 27, no. 12, pages 881 - 885 * |
Also Published As
Publication number | Publication date |
---|---|
CN115661281B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220383565A1 (en) | Deep learning based three-dimensional reconstruction method for low-dose pet imaging | |
KR102574256B1 (ko) | 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소 | |
US9706972B1 (en) | Systems and methods for reconstruction of emission activity image | |
US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
US7750304B2 (en) | Concurrent reconstruction using multiple bed frames or continuous bed motion | |
US20070075248A1 (en) | Computer program, method, and system for hybrid ct attenuation correction | |
Zhao et al. | Unsupervised learnable sinogram inpainting network (SIN) for limited angle CT reconstruction | |
CN103020928A (zh) | 锥束ct***的金属伪影校正方法 | |
US8705832B2 (en) | Registration of emission tomography and computed tomography | |
US11475535B2 (en) | PET-CT registration for medical imaging | |
CN112365560B (zh) | 基于多级网络的图像重建方法、***、可读存储介质和设备 | |
US11874411B2 (en) | Estimation of partially missing attenuation in time-of-flight positron emission tomography | |
US7242004B2 (en) | Image correction method, image correction apparatus, and image correction program | |
CN114511497A (zh) | 应用于锥束ct稀疏采样的成像方法及装置 | |
CN109816747A (zh) | 一种头部ct图像的金属伪影校正方法 | |
US20230419455A1 (en) | System and method for image correction | |
CN105631908B (zh) | 一种pet图像重建方法和装置 | |
US9269167B2 (en) | SPECT motion-correction | |
CN115661281B (zh) | 正电子发射断层扫描图像衰减校正方法、***及存储介质 | |
US10217250B2 (en) | Multi-view tomographic reconstruction | |
CN111862255A (zh) | 正则化图像重建方法、***、可读存储介质和设备 | |
US20230360794A1 (en) | System and method for medical imaging | |
CN114862980A (zh) | 散射校正方法、pet成像方法、装置、设备及存储介质 | |
US11701067B2 (en) | Attenuation correction-based weighting for tomographic inconsistency detection | |
Hu et al. | Simultaneous attenuation correction, scatter correction, and denoising in pet imaging with deep learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |