CN107403457A - 医学成像方法、设备及多模态医学成像方法 - Google Patents
医学成像方法、设备及多模态医学成像方法 Download PDFInfo
- Publication number
- CN107403457A CN107403457A CN201710632284.XA CN201710632284A CN107403457A CN 107403457 A CN107403457 A CN 107403457A CN 201710632284 A CN201710632284 A CN 201710632284A CN 107403457 A CN107403457 A CN 107403457A
- Authority
- CN
- China
- Prior art keywords
- image data
- target
- deformation
- bed
- deformation space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 87
- 238000012937 correction Methods 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims description 125
- 230000005484 gravity Effects 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 80
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种医学成像方法、设备及多模态医学成像方法。本发明实施例通过获取指定目标的第一CT图像数据和第一PET图像数据，根据第一CT图像数据获得指定目标的重量分布信息，查找与重量分布信息相匹配的目标形变空间函数，根据目标形变空间函数，确定校正参数，利用校正参数对第一PET图像数据进行校正，得到第二PET图像数据，由于与指定目标的重量分布信息匹配的形变空间函数能够准确地反映出扫描床床板的形变，因此利用与指定目标的重量分布信息匹配的形变空间函数确定的校正参数精度高，从而提高了图像数据校正的精准度，一定程度上解决了现有技术中对于PET/CT系统的扫描床的形变引起的图像数据误差的校正精准度较低的问题。
Description
【技术领域】
本方案涉及图像处理技术领域，尤其涉及一种医学成像方法、设备及多模态医学成像方法。
【背景技术】
PET(Positron Emission Computed Tomography，正电子发射型计算机断层显像)/CT(Computed Tomography，电子计算机断层扫描)系统是医学领域的重要辅助诊断系统。通过PET/CT系统，能够采集到病人的PET图像数据和CT图像数据，该PET图像数据和CT图像数据，经过图像重建、图像融合等处理后，可以提供病人的辅助诊断信息。
在利用PET/CT系统采集病人的PET图像数据和CT图像数据时，病人需要躺在扫描床上。扫描床具有固定的床板支点。在扫描时，经常需要水平移动扫描床的床板，当床板被移到床板支点之外时，被扫描的人体的体重、位置，以及床板平移量等因素，会导致床板的实际位置偏离原来的水平位置，从而造成PET/CT系统采集到的PET图像数据和CT图像数据中的坐标数据出现偏差，进而影响到基于PET图像数据和CT图像数据处理所得到的重建图像、融合图像等图像的质量。因此，如果要提高PET/CT系统的图像质量，就需要校正扫描床床板变形引起的数据误差。
现有技术中，校正扫描床床板变形引起的数据误差的方案是：
利用距离测量装置，测量扫描床的床板在成像位置的当前高度；根据床板的当前高度和期望高度，计算两者的高度差；补偿床板在成像位置的高度差。此方法需要在现有系统中增加外部装置，操作繁琐，图像数据校正的精准度也较低。
【发明内容】
有鉴于此，本方案实施例提供了一种医学成像方法、设备及多模态医学成像方法，用以解决现有技术中对于PET/CT系统对应的扫描床的形变引起的图像数据误差的校正精准度较低的问题。
第一方面，本方案实施例提供一种医学成像方法，所述方法包括：
获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；
至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对第一PET图像数据进行校正，得到第二CT图像数据和第二PET图像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，
所述至少根据所述CT图像数据，获得所述指定目标的重量分布信息，包括：
根据所述CT图像数据，获取所述指定目标的衰减信息；
根据所述指定目标的衰减信息，获得所述指定目标的重量分布信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息，包括：
根据所述CT图像数据，获得所述指定目标中第一区域对应的重量分布信息；
获取所述指定目标的仿真模型；
根据所述仿真模型，获得所述指定目标中第二区域对应的重量分布信息；
根据所述指定目标中第一区域对应的重量分布信息和第二区域对应的重量分布信息，获得所述指定目标的重量分布信息。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述利用所述校正参数对所述第一PET图像数据进行校正，得到第二PET图像数据之后，所述方法还包括：
对所述第一CT图像数据和所述第二PET图像数据进行图像融合处理，得到融合图像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
获取床板形变的第一样本数据，对所述第一样本数据运用指定拟合算法拟合出所述指定形变空间函数集合中的形变空间函数；或者，
建立模拟病人对床板作用的力学仿真模型，根据所述力学仿真模型获取所述指定形变空间函数集合中的形变空间函数；或者，
获取床板形变的第二样本数据，对所述第二样本数据进行机器学习，获得所述指定形变空间函数集合中的形变空间函数。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述重量分布信息包括所述指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置和床码值；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数，包括：
在指定形变空间函数集合中，查找总重量、重心位置和床码值分别等于所述指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置、床码值的形变空间函数，作为目标形变空间函数。
第二方面，本方案实施例提供一种医学成像方法，所述方法包括：
获取多个扫描床位对应的CT图像数据和PET图像数据；
根据每个扫描床位对应的CT图像数据，获取每个扫描床位对应的形变空间函数；
基于每个扫描床位对应的形变空间函数，确定每个扫描床位对应的校正系数；
根据每个扫描床位对应的校正系数，对相应扫描床位对应的PET图像数据进行校正，得到多组校正PET图像数据；
对所述多组校正PET图像数据进行合并处理，得到合并PET图像数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法还包括：
对所述多个扫描床位对应的CT图像数据进行合并处理，得到合并CT图像数据；
对所述合并PET图像数据与所述合并CT图像数据进行图像融合，得到多床位扫描的融合图像。
第三方面，本方案实施例提供一种多模态医学成像方法，所述方法包括：
获取指定目标的第一模态图像数据和第二模态图像数据；
根据所述指定目标的第一模态图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对所述第二模态图像数据进行校正处理，得到第二模态校正图像数据；
对所述第一模态图像数据与所述第二模态校正图像数据进行图像融合，得到融合图像。
第四方面，本方案实施例提供一种医学成像设备，所述设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为：
获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；
至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对所述第一PET图像数据进行校正，得到第二PET图像数据。
本发明实施例具有以下有益效果：
本发明实施例，通过获取对扫描床上床板的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据，至少根据第一CT图像数据，获得指定目标的重量分布信息，在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数，根据目标形变空间函数，确定校正参数，利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据，与指定目标的重量分布信息匹配的形变空间函数能够准确地反映出扫描床床板的形变，因此利用与指定目标的重量分布信息匹配的形变空间函数确定的校正参数精度高，从而用该校正参数对PET图像数据进行校正，能够提高图像数据校正的精准度。
【附图说明】
为了更清楚地说明本方案实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本方案的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的医学成像方法的第一流程示例图。
图2(a)为扫描床的变形区域全部处于第一CT图像数据对应的扫描区域范围之内的示例图。
图2(b)为扫描床的变形区域部分处于第一CT图像数据对应的扫描区域范围之外的示例图。
图3为本发明实施例提供的医学成像方法的第二流程示例图。
图4为本发明实施例提供的医学成像方法的第三流程示例图。
图5为本发明实施例提供的医学成像方法的第四流程示例图。
图6为本发明实施例提供的多模态医学成像方法的流程示例图。
图7是医学成像设备的简化框图。
【具体实施方式】
为了更好的理解本方案的技术方案，下面结合附图对本方案实施例进行详细描述。
应当明确，所描述的实施例仅仅是本方案一部分实施例，而不是全部的实施例。基于本方案中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本方案保护的范围。
在本方案实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本方案。在本方案实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
实施例一
本发明实施例提供了一种医学成像方法。该医学成像方法可以通过应用程序APP来实现，该应用程序APP可以安装在PET/CT系统中，以使PET/CT系统获得相应的医学成像功能。
图1为本发明实施例提供的医学成像方法的第一流程示例图。如图1所示，本实施例中，医学成像方法可以包括如下步骤：
S101，获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据。
S102，至少根据第一CT图像数据，获得指定目标的重量分布信息。
S103，在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数。
S104，根据目标形变空间函数，确定校正参数。
S105，利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据。
其中，指定目标通常是整个人体或者人体的一部分。
CT图像数据能够反应被扫描的指定目标的衰减信息。其中，CT图像数据可以包括人体衰减信息(例如CT值，也称为Hu值)，CT图像数据也可以包括uMap数据或诊断图数据。其中，uMap数据、诊断图数据都是由人体衰减信息经过一定的处理得到的，因此，通过uMap数据或诊断图数据，可以通过相应的相反处理得到人体的衰减信息。
需要注意的是，本实施例中用到的重量分布信息是指定目标位于扫描床的变形区域的部位对应的重量分布信息。这是因为指定目标位于扫描床的变形区域的部位对于扫描床的变形有影响，而指定目标位于扫描床的变形区域以外的部位对于扫描床的变形没有影响。
重量分布信息可以通过人体的衰减信息得到。例如，根据人体头部的衰减信息，可以获知头部的重量分布信息，头部的重量分布信息可以包括头部的总重量、头部的中心位置和头部对应的床码值。
在一个示例性的实现过程中，至少根据第一CT图像数据，获得指定目标的重量分布信息，可以包括：在变形区域根据第一CT图像数据，获取指定目标的衰减信息；根据衰减信息，获得指定目标的重量分布信息。这种获取方式适用于扫描床床板的变形区域全部处于第一CT图像数据对应的扫描区域范围之内的情形。
当扫描床的变形区域全部处于第一CT图像数据对应的扫描区域范围之内时，扫描床的形变完全由第一CT图像数据对应的人体部位的重量分布信息导致，第一CT图像数据对应的人体部位的重量分布信息就是变形区域对应的重量分布信息。
图2(a)为扫描床的变形区域全部处于第一CT图像数据对应的扫描区域范围之内的示例图。图2(a)中，第一CT图像数据对应的扫描区域是整个人体，而第一PET图像数据对应的区域也是整个人体，因此，扫描床的变形区域全部处于第一CT图像数据对应的扫描区域范围之内。图2(a)中，指定目标位于扫描床的变形区域的部位为整个人体，整个人体的重量都对扫描床的形变产生影响。
在一个示例性的实现过程中，至少根据第一CT图像数据，获得指定目标的重量分布信息，可以包括：根据第一CT图像数据，获得指定目标中第一区域对应的重量分布信息；获取指定目标的仿真模型；根据仿真模型，获得指定目标中第二区域对应的重量分布信息；根据指定目标中第一区域对应的重量分布信息和第二区域对应的重量分布信息，获得指定目标的重量分布信息。这种获取方式适用于扫描床床板的变形区域的至少一部分处于第一CT图像数据对应的扫描区域范围之外的情形。
其中，根据第一CT图像数据，获得指定目标中第一区域对应的重量分布信息可以包括：获取指定目标中第一区域对应的第一衰减信息；根据第一衰减信息，获得指定目标中第一区域对应的重量分布信息。
当扫描床的变形区域的至少一部分处于第一CT图像数据对应的扫描区域范围之外时，扫描床的形变部分由第一CT图像数据对应的人体部位的重量分布信息导致，第一CT图像数据对应的人体部位的重量分布信息不是变形区域对应的重量分布信息。
图2(b)为扫描床的变形区域部分处于第一CT图像数据对应的扫描区域范围之外的示例图。图2(b)中，指定目标位于扫描床的变形区域的部位为“有效断线”右侧的人体部分(也即图中“床位位移量”所标示的区域)，而不是整个人体。图2(b)中，第一CT图像数据对应的扫描区域是人体的头部(如图2(b)中虚线框所示)，而第一PET图像数据对应的区域是图中“床位位移量”所标示的区域，因此，扫描床的变形区域有一部分处于第一CT图像数据对应的扫描区域范围之内，还有一部分处于第一CT图像数据对应的扫描区域范围之外。
参见图2(b)，该情况下，可以根据第一CT图像数据，获得与头部区域对应的衰减信息；根据头部区域对应的衰减信息，获得头部重量分布信息；获取指定目标对应的仿真模型；根据仿真模型，获取“有效断线”右侧的人体部分除去头部的剩余部分对应的重量分布信息；然后根据头部重量分布信息和“有效断线”右侧的人体部分除去头部的剩余部分对应的重量分布信息，获取“有效断线”右侧的人体部分对应的重量分布信息，例如，该重量分布信息可以包括图2(b)中的“估算有效重心”。
其中，形变空间函数是至少具有总重量、重心位置、床码值这3个自变量的函数。假设用x表示总重量，用y表示重心位置，用z表示床码值，那么形变空间函数可以表示为F(x，y，z)。当然，除了总重量、重心位置、床码值这3个自变量之外，形变空间函数还可以具有其他的自变量，并且，形变空间函数的自变量数目越多，形变空间函数的精确度越高。例如，形变空间函数还可以具有时间这个自变量。简单地说，同一个人躺在同一张扫描床上，时间越长，床的形变量越大，因此，在不同的时间，形变空间函数所符合的曲线是不同的，因此，形变空间函数也是不同的。假设形变空间函数具有四个自变量，分别为总重量(用x表示)、重心位置(用y表示)、床码值(用z表示)、时间(用t表示)，则形变空间函数可以表示为F(x，y，z，t)。
形变空间函数还可以具有床板材质(用r表示)这个自变量。因为同一个人，躺在不同床板材质的扫描床上，床板形变量是不同的。
在应用中，可以预先获取大量的形变空间函数，组成形变空间函数集合。在使用时，根据总重量、重心位置、床码值的具体数值，从形变空间函数集合中找到与总重量、重心位置、床码值的具体数值匹配的形变空间函数。
也就是说，指定形变空间函数集合可以是预先设置好的。指定形变空间函数集合中的形变空间函数的获得方式可以是：1、对样本数据运用插值法、权重均值、蒙特卡洛等多种算法拟合出形变空间函数；2、搭建力学仿真模型，模拟病人对病床的作用获取形变空间函数；3、利用大数据机器学习获得大量形变空间函数。
因此，在一个示例性的实现过程中，医学成像方法还可以包括：获取床板形变的第一样本数据，对第一样本数据运用指定拟合算法拟合出指定形变空间函数集合中的形变空间函数；或者，建立模拟病人对床板作用的力学仿真模型，根据力学仿真模型获取指定形变空间函数集合中的形变空间函数；或者，获取床板形变的第二样本数据，对第二样本数据进行机器学习，获得指定形变空间函数集合中的形变空间函数。
举例说明。可以通过测量的方式，获得一万个人体在扫描床上扫描时的床板形变量，并采集该一万个人体对应的总重量、重心位置、床码值，得到一万组样本数据，然后利用大数据机器学习的方法，训练得到大量形变空间函数。
利用不断增多的样本数据，可以在指定形变空间函数集合中增加新的形变空间函数，从而对指定形变空间函数集合进行不断更新。
在一个示例性的实现过程中，重量分布信息包括指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置和床码值；在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数，包括：在指定形变空间函数集合中，查找总重量、重心位置和床码值分别等于指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置、床码值的形变空间函数，作为目标形变空间函数。
举例说明。指定形变空间函数集合中有n(n为自然数)个形变空间函数，分别为F1(x，y，z)、F2(x，y，z)、F3(x，y，z)……Fn(x，y，z)，总重量、重心位置、床码值的数值分别为a、b、c(a、b、c为常数)，根据a、b、c这三个数值，可以从指定形变空间函数集合中找到一个匹配的形变空间函数，假设为F2(x，y，z)。此时，根据步骤S104，可以将x＝a、y＝b、z＝c代入F2(x，y，z)中进行计算，假设计算结果为d(d为常数)。这说明床板的偏移量为d，据此可以确定校正参数为d。根据步骤S105，假设第一PET图像数据中某个相关数据的空间坐标为(m0，n0，p0)，m0、n0、p0分别表示横坐标、纵坐标和竖坐标，其中，纵坐标为床板的形变方向，则利用校正参数为d对(m0，n0，p0)进行校正后的第二PET图像数据的空间坐标为(m0，n0+d，p0)。也就是说，将总重量、重心位置、床码值的数值代入目标形变空间函数，得到扫描床的床板在纵坐标方向的偏移量，然后将校正参数设置为纵坐标方向的补偿量(该补偿量的值等于偏移量的偏移量)。
需要说明的是，尽管上述列举了一种计算校正参数的示例，但是计算校正参数的并不局限于该示例所述的方式，本发明实施例不对计算校正参数的具体方式进行限定。
其中，目标形变空间函数是与指定目标位于扫描床床板的变形区域的部位对应的重量分布信息相匹配的空间函数，能够准确反映人体位于扫描床床板的变形区域的部位的体重分布，使指定目标位于扫描床的变形区域的部位的重心位置与扫描床形变相符合，因此，该形变空间函数反应的形变与实际的形变的差异较小，利用由该形变空间函数得到的校正参数对图像数据进行校正更加准确，从而能够提高图像数据校正的精准度。
扫描床的的不同位置，通常具有不同的形变量，因此需要不同的校正参数值进行校正。通过目标形变空间函数，可以确定的不同位置的校正参数，从而对不同位置的形变量各自进行校正。
图1所示实施例中，与指定目标的重量分布信息匹配的形变空间函数能够准确地反映出扫描床床板的形变，因此利用与指定目标的重量分布信息匹配的形变空间函数确定的校正参数精度高，从而用该校正参数对PET图像数据进行校正，能够提高图像数据校正的精准度。
并且，与现有技术相比，图1所示实施例不需要在现有系统中增加外部装置，节省了因增加外部装置所增加的费用，因此降低了成本。
进一步地，图1所示实施例提供的医学成像方法可以由程序代码实现，对应的医学成像流程根据程序代码自动运行，不需要用户进行繁琐的操作，因此能够提高便利性。
图3为本发明实施例提供的医学成像方法的第二流程示例图。如图3所示，本实施例中，医学成像方法可以包括如下步骤：
S301，获取对扫描床床位上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据。
S302，至少根据第一CT图像数据，获得指定目标的重量分布信息。
S303，在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数。
S304，根据目标形变空间函数，确定校正参数。
S305，利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据。
S306，对第一CT图像数据和第二PET图像数据进行图像融合处理，得到融合图像数据。
由于图1所示实施例提高了第二PET图像数据的图像质量，因此，图3所示实施例，在图1所示实施例机床，利用校正后得到的第二PET图像数据和第一CT图像数据进行图像融合处理，能够提高融合图像的质量。
本发明实施例提供的医学成像方法，通过获取对扫描床上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据，至少根据第一CT图像数据，获得指定目标位于扫描床的变形区域的部位对应的重量分布信息，在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数，根据目标形变空间函数，确定校正参数，利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据，由于与指定目标的重量分布信息匹配的形变空间函数能够准确地反映出扫描床床板的形变，因此利用与指定目标的重量分布信息匹配的形变空间函数确定的校正参数精度高，从而用该校正参数对PET图像数据进行校正，能够提高图像数据校正的精准度。
图1和图3所示实施例，可以用于对长轴PET单床位扫描的扫描床变形进行校正。
实施例二
图4为本发明实施例提供的医学成像方法的第三流程示例图。如图4所示，本实施例中，医学成像方法可以包括如下步骤：
S401，获取多个扫描床位对应的CT图像数据和PET图像数据。
S402，根据每个扫描床位对应的CT图像数据，获取每个扫描床位对应的形变空间函数。
S403，基于每个扫描床位对应的形变空间函数，确定每个扫描床位对应的校正系数。
S404，根据每个扫描床位对应的校正系数，对相应扫描床位对应的PET图像数据进行校正，得到多组校正PET图像数据。
S405，对多组校正PET图像数据进行合并处理，得到合并PET图像数据。
图4所示实施例，可以用于对短轴PET多床位扫描的扫描床变形进行校正，能够提高合并PET图像的质量。
图5为本发明实施例提供的医学成像方法的第四流程示例图。如图5所示，本实施例中，医学成像方法可以包括如下步骤：
S501，获取多个扫描床位对应的CT图像数据和PET图像数据。
S502，根据每个扫描床位对应的CT图像数据，获取每个扫描床位对应的形变空间函数。
S503，基于每个扫描床位对应的形变空间函数，确定每个扫描床位对应的校正系数。
S504，根据每个扫描床位对应的校正系数，对相应扫描床位对应的PET图像数据进行校正，得到多组校正PET图像数据。
S505，对多组校正PET图像数据进行合并处理，得到合并PET图像数据。
S506，对多个扫描床位对应的CT图像数据进行合并处理，得到合并CT图像数据。
S507，对合并PET图像数据与合并CT图像数据进行图像融合，得到多床位扫描的融合图像。
图5所示实施例，在图4所示实施例获得了合并PET图像数据的基础上，进一步对合并PET图像数据与合并CT图像数据进行图像融合，得到多床位扫描的融合图像。由于图4所示实施例的方法能够提高合并PET图像数据的质量，因此图5基于该合并PET图像数据所进行的图像融合，能够提高多床位扫描的融合图像的图像质量。
实施例三
本发明实施例提供了一种多模态医学成像方法。
图6为本发明实施例提供的多模态医学成像方法的流程示例图。如图6所示，本实施例中，多模态医学成像方法可以包括如下步骤：
S601，获取指定目标的第一模态图像数据和第二模态图像数据。
S602，根据指定目标的第一模态图像数据，获得指定目标的重量分布信息。
S603，在指定床板形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数。
S604，根据目标形变空间函数，确定校正参数。
S605，利用校正参数，对第二模态图像数据进行校正处理，得到第二模态校正图像数据。
S606，对第一模态图像数据与第二模态校正图像数据进行图像融合，得到融合图像。
例如，第一模态图像数据可以是CT图像数据或者MR(Magnetic Resonance，磁共振)图像数据，第二模态校正图像数据可以是PET图像数据。
实施例四
本发明实施例提供了一种医学成像设备，该设备包括：处理器；用于存储处理器可执行指令的存储器；处理器被配置为：获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；至少根据第一CT图像数据，获得指定目标的重量分布信息；在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数；根据目标形变空间函数，确定校正参数；利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据。其中，医学成像设备可以是PET/CT系统设备。
图7是医学成像设备的简化框图。参见图7，该医学成像设备700可以包括与一个或多个数据存储工具连接的处理器701，该数据存储工具可以包括存储介质706和内存单元704。医学成像设备700还可以包括输入接口705和输出接口707，用于与另一装置或系统进行通信。被处理器701的CPU执行的程序代码可存储在内存单元704或存储介质706中。
医学成像设备700中的处理器701调用存储在内存单元704或存储介质706的程序代码，执行下面各步骤：
获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；
至少根据第一CT图像数据，获得指定目标的重量分布信息；
在指定形变空间函数集合中，查找与重量分布信息相匹配的目标形变空间函数；
根据目标形变空间函数，确定校正参数；
利用校正参数，对第一PET图像数据进行校正，得到第二PET图像数据。
上述实施例中，存储介质可以是只读存储器(Read-Only Memory，ROM)，或是可读写的，例如硬盘、闪存。内存单元可为随机存取存储器(RandomAccess Memory，RAM)。内存单元可与处理器物理集成或集成在存储器中或构建为单独的单元。
处理器为上述设备(该设备为上述服务器或者上述客户端)的控制中心，并提供处理装置，用于执行指令，进行中断操作，提供计时功能以及多种其他功能。可选地，处理器包括一个或多个中央处理单元(CPU)，例如图7中示出的CPU 0和CPU 1。上述设备中包括一个或者多个的处理器。处理器可为单核(单CPU)处理器或多核(多CPU)处理器。除非另有声明，描述为用于执行任务的例如处理器或存储器的部件可实现为通用部件，其暂时用于在给定时间执行任务，或实现为专门制造用于执行该任务的特定部件。此处所用的术语“处理器”指一个或多个装置，电路和/或处理核，用于处理数据，例如计算机程序指令。
被处理器的CPU执行的程序代码可存储在内存单元或存储介质中。可选地，存储在存储介质中的程序代码可以被复制入内存单元以便处理器的CPU执行。处理器可执行至少一个内核(例如LINUXTM、UNIXTM、WINDOWSTM、ANDROIDTM、IOSTM)，众所周知，该内核用于通过控制其他程序或过程的执行、控制与外围装置的通信以及控制计算机设备资源的使用来控制上述设备的操作。
上述设备中的上述元件可通过总线彼此连接，总线例如数据总线、地址总线、控制总线、扩展总线和局部总线之一或其任意组合。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本方案所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本方案各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本方案的较佳实施例而已，并不用以限制本方案，凡在本方案的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本方案保护的范围之内。
Claims (10)
1.一种医学成像方法，其特征在于，所述方法包括：
获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；
至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对所述第一PET图像数据进行校正，得到第二PET图像数据。
2.根据权利要求1所述的方法，其特征在于，所述至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息，包括：
根据所述第一CT图像数据，获取所述指定目标的衰减信息；
根据所述指定目标的衰减信息，获得所述指定目标的重量分布信息。
3.根据权利要求1所述的方法，其特征在于，所述至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息，包括：
根据所述第一CT图像数据，获得所述指定目标中第一区域对应的重量分布信息；
获取所述指定目标的仿真模型；
根据所述仿真模型，获得所述指定目标中第二区域对应的重量分布信息；
根据所述指定目标中第一区域对应的重量分布信息和第二区域对应的重量分布信息，获得所述指定目标的重量分布信息。
4.根据权利要求1所述的方法，其特征在于，所述利用所述校正参数对所述第一PET图像数据进行校正，得到第二PET图像数据之后，所述方法还包括：
对所述第一CT图像数据和所述第二PET图像数据进行图像融合处理，得到融合图像数据。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取床板形变的第一样本数据，对所述第一样本数据运用指定拟合算法拟合出所述指定形变空间函数集合中的形变空间函数；或者，
建立模拟病人对床板作用的力学仿真模型，根据所述力学仿真模型获取所述指定形变空间函数集合中的形变空间函数；或者，
获取床板形变的第二样本数据，对所述第二样本数据进行机器学习，获得所述指定形变空间函数集合中的形变空间函数。
6.根据权利要求1所述的方法，其特征在于，所述重量分布信息包括所述指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置和床码值；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数，包括：
在指定形变空间函数集合中，查找总重量、重心位置和床码值分别等于所述指定目标位于扫描床床板的变形区域的部位对应的总重量、重心位置、床码值的形变空间函数，作为目标形变空间函数。
7.一种医学成像方法，其特征在于，所述方法包括：
获取多个扫描床位对应的CT图像数据和PET图像数据；
根据每个扫描床位对应的CT图像数据，获取每个扫描床位对应的形变空间函数；
基于每个扫描床位对应的形变空间函数，确定每个扫描床位对应的校正系数；
根据每个扫描床位对应的校正系数，对相应扫描床位对应的PET图像数据进行校正，得到多组校正PET图像数据；
对所述多组校正PET图像数据进行合并处理，得到合并PET图像数据。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
对所述多个扫描床位对应的CT图像数据进行合并处理，得到合并CT图像数据；
对所述合并PET图像数据与所述合并CT图像数据进行图像融合，得到多床位扫描的融合图像。
9.一种多模态医学成像方法，其特征在于，所述方法包括：
获取指定目标的第一模态图像数据和第二模态图像数据；
根据所述指定目标的第一模态图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对所述第二模态图像数据进行校正处理，得到第二模态校正图像数据；
对所述第一模态图像数据与所述第二模态校正图像数据进行图像融合，得到融合图像。
10.一种医学成像设备，其特征在于，所述设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为：
获取对扫描床床板上的指定目标进行扫描得到的第一CT图像数据和第一PET图像数据；
至少根据所述第一CT图像数据，获得所述指定目标的重量分布信息；
在指定形变空间函数集合中，查找与所述重量分布信息相匹配的目标形变空间函数；
根据所述目标形变空间函数，确定校正参数；
利用所述校正参数，对所述第一PET图像数据进行校正，得到第二PET图像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632284.XA CN107403457A (zh) | 2017-07-28 | 2017-07-28 | 医学成像方法、设备及多模态医学成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710632284.XA CN107403457A (zh) | 2017-07-28 | 2017-07-28 | 医学成像方法、设备及多模态医学成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107403457A true CN107403457A (zh) | 2017-11-28 |
Family
ID=60402493
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710632284.XA Pending CN107403457A (zh) | 2017-07-28 | 2017-07-28 | 医学成像方法、设备及多模态医学成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107403457A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108652657A (zh) * | 2018-05-25 | 2018-10-16 | 上海联影医疗科技有限公司 | 床板沉降量获取方法、多模态医学成像系统及计算机可读存储介质 |
| CN109035354A (zh) * | 2018-06-29 | 2018-12-18 | 上海联影医疗科技有限公司 | 图像重建方法及系统 |
| CN109350062A (zh) * | 2018-12-12 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
| CN109859182A (zh) * | 2019-01-29 | 2019-06-07 | 上海联影医疗科技有限公司 | 医学图像失配检测方法、装置、计算机设备和存储介质 |
| CN111161231A (zh) * | 2019-10-01 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 用于增强患者定位系统的系统和方法 |
| CN111956253A (zh) * | 2020-09-14 | 2020-11-20 | 明峰医疗系统股份有限公司 | 一种非匹配式pet扫描和重建方法 |
| CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122575A1 (en) * | 2001-01-10 | 2002-09-05 | Alexander Vaisburd | Sag correction |
| US20080289106A1 (en) * | 2007-05-23 | 2008-11-27 | Lukas Beyer | Automatically correcting the position of a patient support for a targeted irradiation of a patient |
| CN103796590A (zh) * | 2012-06-20 | 2014-05-14 | 株式会社东芝 | 图像诊断装置以及其控制方法 |
| CN106456098A (zh) * | 2016-07-08 | 2017-02-22 | 上海联影医疗科技有限公司 | 衰减图的生成方法及系统 |
-
2017
- 2017-07-28 CN CN201710632284.XA patent/CN107403457A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020122575A1 (en) * | 2001-01-10 | 2002-09-05 | Alexander Vaisburd | Sag correction |
| US20080289106A1 (en) * | 2007-05-23 | 2008-11-27 | Lukas Beyer | Automatically correcting the position of a patient support for a targeted irradiation of a patient |
| CN103796590A (zh) * | 2012-06-20 | 2014-05-14 | 株式会社东芝 | 图像诊断装置以及其控制方法 |
| CN106456098A (zh) * | 2016-07-08 | 2017-02-22 | 上海联影医疗科技有限公司 | 衰减图的生成方法及系统 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108652657A (zh) * | 2018-05-25 | 2018-10-16 | 上海联影医疗科技有限公司 | 床板沉降量获取方法、多模态医学成像系统及计算机可读存储介质 |
| CN108652657B (zh) * | 2018-05-25 | 2022-04-19 | 上海联影医疗科技股份有限公司 | 床板沉降量获取方法、多模态医学成像系统及计算机可读存储介质 |
| CN109035354A (zh) * | 2018-06-29 | 2018-12-18 | 上海联影医疗科技有限公司 | 图像重建方法及系统 |
| CN109035354B (zh) * | 2018-06-29 | 2023-07-21 | 上海联影医疗科技股份有限公司 | 图像重建方法及系统 |
| CN109350062A (zh) * | 2018-12-12 | 2019-02-19 | 上海联影医疗科技有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
| CN109350062B (zh) * | 2018-12-12 | 2023-02-24 | 上海联影医疗科技股份有限公司 | 医学信息获取方法、设备及非易失性计算机存储介质 |
| CN109859182A (zh) * | 2019-01-29 | 2019-06-07 | 上海联影医疗科技有限公司 | 医学图像失配检测方法、装置、计算机设备和存储介质 |
| CN111161231A (zh) * | 2019-10-01 | 2020-05-15 | 上海联影智能医疗科技有限公司 | 用于增强患者定位系统的系统和方法 |
| CN111956253A (zh) * | 2020-09-14 | 2020-11-20 | 明峰医疗系统股份有限公司 | 一种非匹配式pet扫描和重建方法 |
| CN111956253B (zh) * | 2020-09-14 | 2023-05-23 | 明峰医疗系统股份有限公司 | 一种非匹配式pet扫描和重建方法 |
| CN117671463A (zh) * | 2023-12-07 | 2024-03-08 | 上海万怡医学科技股份有限公司 | 一种多模态医学数据质量校准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107403457A (zh) | 医学成像方法、设备及多模态医学成像方法 | |
| CN104346821B (zh) | 用于医学成像的自动规划 | |
| CN107123137B (zh) | 医学图像处理方法及设备 | |
| US8265363B2 (en) | Method and apparatus for automatically identifying image views in a 3D dataset | |
| US7948503B2 (en) | Techniques for 3-D elastic spatial registration of multiple modes of measuring a body | |
| CN107133946B (zh) | 医学图像处理方法、装置及设备 | |
| US20110262015A1 (en) | Image processing apparatus, image processing method, and storage medium | |
| CN107833248B (zh) | 医学图像扫描方法及医学影像设备 | |
| EP3696724B1 (en) | Continuous learning for automatic view planning for image acquisition | |
| CN105989621B (zh) | 用于在图像重构中执行联合估计技术的方法和系统 | |
| CN111340756B (zh) | 一种医学图像病变检出合并方法、系统、终端及存储介质 | |
| US20190311549A1 (en) | Image processing apparatus, image processing method, and non-transitory computer-readable medium | |
| CN110136076B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| US9514384B2 (en) | Image display apparatus, image display method and storage medium storing image display program | |
| US9020215B2 (en) | Systems and methods for detecting and visualizing correspondence corridors on two-dimensional and volumetric medical images | |
| CN111105472A (zh) | Pet图像的衰减校正方法、装置、计算机设备和存储介质 | |
| CN106600619B (zh) | 一种数据处理方法和装置 | |
| US20180025501A1 (en) | Image processing apparatus, image processing method, and, non-transitory computer readable medium | |
| CN112150485B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| Ulrich et al. | Automated model‐based quantitative analysis of phantoms with spherical inserts in FDG PET scans | |
| CN114820740A (zh) | 图像配准方法、存储介质及计算机设备 | |
| CN103479377A (zh) | 一种校正医学成像设备的机械失准状态的方法和装置 | |
| CN111062998B (zh) | 图像重建方法、装置、ct系统及存储介质 | |
| CN109350062B (zh) | 医学信息获取方法、设备及非易失性计算机存储介质 | |
| CN109480886B (zh) | 骨损伤检测方法、装置、计算机设备和存储介质 |
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 |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information |