CN109308728A - 正电子发射型计算机断层扫描图像处理方法及装置 - Google Patents
正电子发射型计算机断层扫描图像处理方法及装置 Download PDFInfo
- Publication number
- CN109308728A CN109308728A CN201811251396.1A CN201811251396A CN109308728A CN 109308728 A CN109308728 A CN 109308728A CN 201811251396 A CN201811251396 A CN 201811251396A CN 109308728 A CN109308728 A CN 109308728A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- obtains
- scanning
- magnetic resonance
- 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
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
Abstract
本申请涉及一种正电子发射型计算机断层扫描图像处理方法、装置、计算机设备和存储介质。方法包括:获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,所述扫描区域包括多个组织器官;对核磁共振三维扫描图像进行处理,获取不同方向具有预设大小的二维切片图像;将二维切片图像输入深度学习模型,得到各组织器官图像;为各组织器官图像对应的体素分配衰减系数,得到衰减系数图;对根据所述衰减系数图,得到衰减图估计;根据衰减图估计对正电子发射型计算机断层扫描图像进行校正。能够有效地实现对全身组织全自动分割,并利用MR图像自动的快速有效的对PET图像的衰减进行校正。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种正电子发射型计算机断层扫描图像处理方法及装置。
背景技术
近年来,随着医学技术的不断发展,为了更好的对人体进行检查,采用多种检测技术融合的方式对人体进行检测,例如,对软组织检测使用PET(Positron EmissionComputed Tomography,正电子发射型计算机断层显像)与MR(Magnetic Resonance,核磁共振)结合的系统,该系统对软组织成像敏感,并且无辐射危害,是目前医疗设备研发的热点。
PET检测中用于显像的正电子核素γ光子在穿过人体到达探测器的过程中会以一定概率与人体中电子发生光电效应和康普顿散射,因此无法被全部探测到,会导致图像在一定程度上出现偏差,因此需要进行衰减校正。目前,PET-MR系统中PET图像的衰减校正常用的方法有:投射扫描法、发射数据重建法、图谱配准法、组织分类法等,而由于MR图像和PET图像的衰减校正之间无映射关系,因此MR图像无法直接被用于为PET图像进行衰减校正。
发明内容
基于此,有必要针对上述技术问题,提供一种能够直接利用MR图像直接为PET图像进行衰减校正的正电子发射型计算机断层扫描图像处理方法、装置、计算机设备和存储介质。
一种正电子发射型计算机断层扫描图像处理方法,所述方法包括:获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,所述扫描区域包括多个组织器官;对所述核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像;将所述二维切片图像输入深度学习模型,得到各组织器官图像;为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图;根据所述衰减系数图,得到衰减图估计;根据所述衰减图估计对正电子发射型计算机断层扫描图像进行校正。
在其中一个实施例中,所述获取核磁共振三维扫描图像以及正电子发射型计算机断层图像之前包括:获取多个先验核磁共振三维扫描图像;对所述先验核磁共振三维扫描图像进行处理,得到不同方向的具有预设大小的二维切片图像样本;将所述二维切片图像样本进行神经网络学习,得到深度学习模型。
在其中一个实施例中,所述获取不同方向的具有预设大小的二维切片图像包括:对核磁共振三维扫描图像进行预处理,得到预处理后的图像;在所述预处理后的图像中提取目标候选区域图像;对所述目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
在其中一个实施例中,所述对所述核磁共振三维扫描图像进行预处理包括:对所述核磁共振三维扫描图像进行图像升采样处理;和/或,对所述核磁共振三维扫描图像进行图像降采样处理;和/或,对所述核磁共振三维扫描图像进行各向同性过滤处理;和/或,对所述核磁共振三维扫描图像进行图像去噪处理;和/或,对所述核磁共振三维扫描图像进行图像增强处理。
在其中一个实施例中,所述对所述目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像包括:对所述目标候选区域图像在轴状面上进行切片处理,得到轴状面上的二维切片图像;和/或,对所述目标候选区域图像在冠状面上进行切片处理,得到冠状面上的二维切片图像;和/或,对所述目标候选区域图像在矢状面上进行切片处理,得到矢状面上的二维切片图像。
在其中一个实施例中,所述将所述二维切片图像输入深度学习模型,得到各组织器官图像包括:将所述二维切片图像输入深度学习模型,得到初始各组织器官图像;分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像;根据图像后处理技术对所述融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
在其中一个实施例中,所述深度学习模型包括:在第一层设置第一预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第一层特征图像;在第二层设置第二预设数量的池化核,每个所述池化核的大小为3*3,对所述第一层特征图像进行池化,得到第二层特征图像;在第三层使用修正线性单元函数对所述第二层特征图像进行转换,得到第三层特征图像;在第四层设置第三预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第四层特征图像;在第五层使用修正线性单元函数对所述第四层特征图像进行转换,得到第五层特征图像;在第六层设置第四预设数量的池化核,每个所述池化核的大小为3*3,对所述第五层特征图像进行池化,得到第六层特征图像;在第七层设置第五预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第七层特征图像;在第八层使用修正线性单元函数对所述第七层特征图像进行转换,得到第八层特征图像;在第九层设置第六预设数量的池化核,每个所述池化核的大小为3*3,对所述第八层特征图像进行池化,得到第九层特征图像;在第十层设置第七预设数量的卷积核,每个所述卷积核的大小为4*4,对所述第九层特征图像进行全连接处理,得到第十层特征图像;在第十一层设置第八预设数量的卷积核,每个所述卷积核的大小为1*1,对所述第十层特征图像进行全连接处理,得到第十一层特征图像;在第十二层将所述第十一层特征图像输入至分类器进行分类,得出分割规则。
在其中一个实施例中,所述为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图包括:获取各组织器官的衰减系数;为所述各组织器官图像对应的体素分配相应组织器官的衰减系数,得到衰减系数图。
一种正电子发射型计算机断层扫描图像处理装置,所述装置包括:获取模块,用于获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层图像,所述扫描区域包括多个组织器官;图像处理模块,用于对所述核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像;深度学习模块,用于将所述二维切片图像输入深度学习模型,得到各组织器官图像;衰减系数分配模块,用于为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图;以及根据所述衰减系数图,得到衰减图估计;校正模块,用于根据所述衰减图估计对正电子发射型计算机断层图像进行校正。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一种所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种所述的方法的步骤。
上述正电子发射型计算机断层扫描图像处理方法、装置、计算机设备和存储介质,通过获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,并对核磁共振三维扫描图像进行处理得到二维切片图像。将二维切片图像输入深度学习模型,得到各组织器官图像。为各组织器官图像对应的分配衰减系数,得到衰减系数图。根据衰减系数图,得到衰减图估计,利用衰减图估计对正电子发射型计算机断层扫描图像进行校正。通过对核磁共振三维扫描图像进行切片处理将三维数据有效地转换为二维数据,经过神经网络学习后,能够有效地实现对全身组织的全自动分割,将分割后得到的衰减图估计用于对PET图像的衰减校正,也就是能够利用MR图像自动的快速有效的对PET图像的衰减进行校正。
附图说明
图1为一个实施例中正电子发射型计算机断层扫描图像处理方法的流程示意图;
图2为一个实施例中神经网络学习方法的流程示意图;
图3为一个实施例中对磁共振图像进行处理的方法流程示意图;
图4为一个实施例中获取分割规则的方法流程示意图;
图5为一个实施例中分割得到的不同器官的图像;
图6为一个实施例中正电子发射型计算机断层扫描图像处理装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
附图标记:获取模块100、图像处理模块200、深度学习模块300、衰减系数分配模块400、迭代更新模块500、校正模块600。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET),是核医学领域比较先进的临床检查影像技术。是将某种物质,一般是生物生命代谢中必须的物质,如:葡萄糖、蛋白质、核酸、脂肪酸,标记上短寿命的放射性核素(如18F,11C等),注入人体后,放射性核素在衰变过程中释放出正电子,一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭,从而产生方向相反的一对能量为511KeV的光子。这对光子,通过高度灵敏的照相机捕捉,并经计算机进行散射和随机信息的校正。经过对不同的正电子进行相同的分析处理,我们可以得到在生物体内聚集情况的三维图像,从而达到诊断的目的。
核磁共振(magnetic resonance,MR)检查,是将人体置于特殊的磁场中,用无线电射频脉冲激发人体内氢原子核,引起氢原子核共振,并吸收能量。在停止射频脉冲后,氢原子核按特定频率发出射电信号,并将吸收的能量释放出来,被体外的接受器收录,经电子计算机处理获得图像,这就叫做核磁共振成像。核磁共振检查彻底摆脱了电离辐射对人体的损害,又有参数多,信息量大,可多方位成像,以及对软组织有高分辨力等突出的特点,被广泛用于临床疾病的诊断,对有些病变成为必不可少的检查方法。
PET与MR两种设备的结合能够实现同步数据采集并且使图像融合,能获得更准确的确定人体结构、功能和代谢等全方位的信息,并减少辐射,这对改进疾病的诊断和治疗有重要价值。
在一个实施例中,如图1所示,提供了一种正电子发射型计算机断层扫描图像处理方法,包括以下步骤:
步骤S102,获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,且核磁共振三维扫描图像与正电子发射型计算机断层扫描图像对应同一扫描区域,该扫描区域可包括一个或多个组织器官。
示例性地,PET-MR设备获取核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像。其中核磁共振三维扫描图像为MR对待扫描物体进行扫描后得到的图像;正电子发射型计算机断层扫描图像为PET对待扫描物体进行扫描后得到的图像,两种图像对应不同PET—MR不同扫描时段的同一扫描部位。其中,核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像可以通过PET-MR设备实时的获取,还可以直接获取存储介质中已经存储的图像。当医师在向待扫描物体内注射造影剂后,利用PET-MR设备对待扫描物体进行扫描,得到扫描图像。需要指出的是,此时的正电子发射型计算机断层扫描图像是未经过衰减校正处理的,即为采集的扫描区域PET数据直接重建获得。
步骤S104,对核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像。
示例性地,首先对核磁共振三维扫描图像进行预处理,得到预处理后的图像。再根据预处理后的图像,在预处理后的图像中提取目标候选区域图像,也就是感兴趣区域图像。最后对目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。其中预设大小可以为64*64像素或者32*32像素。其中不同方向可以为在轴状面上进行切片或在冠状面上进行切片或在矢状面上进行切片。可选地,目标候选区域图像的提取也可采用机器学习网络,该机器学习网络为大量先验图像和其中的目标候选区域图像经过训练得到,其网络结构能够表征待处理图像和目标候选区域图像的映射关系,即:输入待处理的图像,即可确定其中的目标候选区域图像。示例性地,目标候选区域图像可以是扫描区域中的肝部、肺部、肋骨、盆腔、乳腺、胰腺心脏等区域的图像。
步骤S106,将二维切片图像输入深度学习模型,得到各组织器官图像。
示例性地,预先根据多个先验的核磁共振三维扫描图像进行神经网络学习,得到深度学习模型(该深度学习模型是经过训练后得到的)。再将二维切片图像输入深度学习模型,得到初始各组织器官图像。将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像。最终再利用图像后处理技术对融合后的各组织器官图像进行优化,得到最终的各组织器官图像。其中各组织器官图像可以为骨骼图像、组织图像、器官图像、血管图像或内脏图像。更具体的各组织器官图像为三维图像能够显示待扫描物体一定范围的几何区域。各组织器官图像分别对应一定数量的体素。
步骤S108,为各组织器官图像对应的体素分配衰减系数,得到衰减系数图。
示例性地,在各组织器官已经确定的情况下,首先获取各组织器官的衰减系数,再为各组织器官图像中的每个体素分配相应组织器官的衰减系数,得到衰减系数图。衰减系数图为每个体素所对应分配的衰减系数的集合。衰减系数存储在数据库中,与各组织器官一一对应。例如,为各组织器官图像中的体素分配数据库中一一对应的各组织器官的衰减系数。各组织器官图像中的每个体素可自动确定。例如:当组织器官图像为骨组织图像,则为骨组织图像中的每个体素分配数据库中对应的血管的衰减系数;当组织器官图像为肺部软组织图像,则为肺部软组织图像中的每一个体素分配数据库中对应的肺部软组织的衰减系数。其中同一组织器官图像中的每个体素可以分配同一个衰减系数;不同组织器官图像中的体素分配不同的衰减系数。
步骤S110,根据所述衰减系数图,得到衰减图估计。
在此实施例中,衰减图估计的确定可包括一些列的迭代更新过程,利用似然函数对PET图像进行迭代重建,且在重建过程中对衰减系数图进行迭代更新,得到衰减图估计。更具体的,利用与衰减系数图相关的似然函数和正电子发射型计算机断层扫描图像对应的正电子发射型计算机断层扫描数据,对衰减系数图进行迭代更新。其中衰减图估计包括每个体素对应的衰减系数的估计值,衰减图估计可以用于正电子发射型计算机断层扫描图像的校正。在本实施例中应用飞行时间数据(TOF)获取衰减图。
在其中一个实施例中,似然函数可以为:
其中,pi为采集到的原始符合计数数据;i为响应线以及飞行时间的序号;μ表示体素的衰减系数;f表示放射图像对应的PET原始数据;j表示待扫描物体当前放射图像(PET图像)中第j个体素;si和ri分别表示第i个数据点上的散射符合事件和随机符合事件的数量;Hi,j表示包含飞行时间数据的系统相应矩阵;lij表示从衰减图像映射到衰减正弦图的线积分模型的系统矩阵。
在其中一个实施例中,包含衰减值分布的似然函数可以为:
在其中一个实施例中,对数似然函数可以为:
其中,
以对衰减系数图进行一次更新进行举例说明,根据第一衰减系数图进行PET数据的更新,得到第一PET图像对应的PET数据,然后计算第一PET图像在数据域上的贡献,接着根据第一PET图像在数据域上的贡献对第一衰减系数图的每一个区域的衰减值进行更新,得到第二衰减系数图。
在其中一个实施例中,进行迭代更新的公式为:
其中,表示体素j经过n次迭代中第m个子集的子迭代之后从更新而得到的衰减系数;同理表示体素j经过n次迭代中第m个子集的子迭代之前的衰减系数,其初始值根据先验知识分配获得。
以对衰减系数图进行迭代更新进行举例说明,对于可以确定组织器官种类的体素,可仅根据PET数据迭代更新其衰减系数;对于不能确定组织器官种类的体素联合利用体素衰减值分布和PET数据迭代更新其衰减系数。更示例性地,对于衰减系数图中大部分像素仅需迭代一次即可,而对于边界区域的像素点可能需要进行多次迭代最终生成理想的衰减图估计。以第二次迭代进行说明,根据第二衰减系数图在第一PET图像的PET数据基础上进行PET数据更新,得到第二PET图像对应的PET数据。然后计算第二PET图像在数据域上的贡献;接着根据第二PET图像在数据域上的贡献对第二衰减图像的每一个区域的衰减值更新生成第三衰减系数图。以此类推,进行多次衰减系数图的更新。第三衰减系数图能够反应待扫描物体各扫描部位的真实衰减情况。对第三衰减系数图还能够进行多次迭代更新,以产生目标衰减图估计。
步骤S112,根据衰减图估计对正电子发射型计算机断层扫描图像进行校正。
上述正电子发射型计算机断层扫描图像处理方法,通过获取核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,并对核磁共振三维扫描图像进行处理得到二维切片图像。将二维切片图像输入深度学习模型,得到各组织器官图像。为各组织器官图像中的体素分配衰减系数,得到衰减系数图。对衰减系数图进行迭代更新,得到衰减图估计,利用衰减图估计对正电子发射型计算机断层扫描图像进行校正。通过对核磁共振三维扫描图像进行切片处理将三维数据有效地转换为二维数据,经过神经网络学习后,能够有效地实现对全身组织的全自动分割,将分割后得到的衰减图估计用于对PET图像的衰减校正,也就是能够利用MR图像自动的快速有效的对PET图像的衰减进行校正。
在一个实施例中,如图2所示,提供了一种神经网络学习方法,包括以下步骤:
步骤S202,获取不同方向的具有预设大小的二维切片图像样本。
示例性地,获取多个先验核磁共振三维扫描图像;对所述先验核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像样本。PET-MR设备获取先验核磁共振三维扫描图像。其中先验核磁共振三维扫描图像为对待扫描物体进行磁共振扫描后得到的图像。其中,先验核磁共振三维扫描图像可以通过PET-MR设备实时的获取,还可以直接获取存储介质中已经存储的图像。示例性地,首先对先验核磁共振三维扫描图像进行预处理,得到预处理后的图像。再根据预处理后的图像,在预处理后的图像中提取先验目标候选区域图像,也就是先验感兴趣区域图像。最后对先验目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像样本。其中预设大小可以为64*64像素或者32*32像素。其中不同方向可以为在轴状面上进行切片或在冠状面上进行切片或在矢状面上进行切片。
步骤S204,将二维切片图像样本进行神经网络学习,得到深度学习模型。
示例性地,以输入二维切片图像样本的大小为64*64像素为例进行举例说明,构建深度卷积神经网络,具体网络结构也就是深度学习模型为:在第一层设置第一预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第一层特征图像;在第二层设置第二预设数量的池化核,每个池化核的大小为3*3,对第一层特征图像进行池化,得到第二层特征图像;在第三层使用修正线性单元函数对第二层特征图像进行转换,得到第三层特征图像;在第四层设置第三预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第四层特征图像;在第五层使用修正线性单元函数对第四层特征图像进行转换,得到第五层特征图像;在第六层设置第四预设数量的池化核,每个池化核的大小为3*3,对第五层特征图像进行池化,得到第六层特征图像;在第七层设置第五预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第七层特征图像;在第八层使用修正线性单元函数对第七层特征图像进行转换,得到第八层特征图像;在第九层设置第六预设数量的池化核,每个池化核的大小为3*3,对第八层特征图像进行池化,得到第九层特征图像;在第十层设置第七预设数量的卷积核,每个卷积核的大小为4*4,对第九层特征图像进行全连接处理,得到第十层特征图像;在第十一层设置第八预设数量的卷积核,每个卷积核的大小为1*1,对第十层特征图像进行全连接处理,得到第十一层特征图像;在第十二层将第十一层特征图像输入至分类器进行分类,得出分割规则。
其中,适用于组织器官自动勾画的深度学习模型包括但不限于:基于斑块(patch)的深度卷积神经网络,FCN,U-Net,V-Net等。
上述方法中均为利用先验目标候选区域来作为训练样本输入到上述深度卷积神经网络进行学习训练,随着训练次数的增多,可以将多个先验目标候选区域归为先验目标区域数据集,作为正样本图像数据集合。还可以利用先验非目标候选区域来作为训练样本输入到上述深度卷积神经网络进行学习训练,将多个先验非目标候选区域归为先验非目标区域数据集,作负正样本图像数据集合。经过正、负样本图像的训练,获取最终学习网络模型,得到更准确的目标初始分割图或者分类概率图。
上述神经网络学习方法,能够快速精确的训练得到深度学习模型。并且得到的深度学习模型能够更好地输出得到相应图像的分割规则,进一步的能够更好的对图像按照组织器官进行分割。
在一个实施例中,如图3所示,提供了一种对磁共振图像进行处理的方法,包括以下步骤:
步骤S302,对核磁共振三维扫描图像进行预处理,得到预处理后的图像。
示例性地,对核磁共振三维扫描图像进行图像升采样处理;和/或,对核磁共振三维扫描图像进行图像降采样处理;和/或,对核磁共振三维扫描图像进行各向同性过滤处理;和/或,对核磁共振三维扫描图像进行图像去噪处理;和/或,对核磁共振三维扫描图像进行图像增强处理。其中,可以对核磁共振三维扫描图像利用一种图像处理方式进行处理,也可以利用多种图像处理方式组合进行处理。其中图像升采样处理为插值处理;图像降采样处理为降低采样点数;各向同性过滤处理为通过升采样或降采样方法使得图像数据各个方向上的空间分辨率达到一致;图像去噪处理为减少图像中噪声以及干扰;图像增强处理为改善图像的视觉效果或将图像转换成一种更适合于机器进行分析和处理的形式。
步骤S304,在预处理后的图像中提取目标候选区域图像。
示例性地,根据目标候选区域的特征,确定包括目标候选区域的感兴趣区域,去除周围非目标区域的干扰。
步骤S306,对目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
示例性地,对目标候选区域图像在轴状面上进行切片处理,得到轴状面上的二维切片图像;和/或,对目标候选区域图像在冠状面上进行切片处理,得到冠状面上的二维切片图像;和/或,对目标候选区域图像在矢状面上进行切片处理,得到矢状面上的二维切片图像。
上述对磁共振图像进行处理的方法,能够在输入深度学习模型之前,更好的对磁共振图像进行处理,使图像中的特征区域表达的更为清晰,以便能够更好的获取分割规则。
在一个实施例中,如图4所示,提供了一种获取分割规则的方法,包括以下步骤:
步骤S402,将二维切片图像输入深度学习模型,得到初始各组织器官图像。
具体的,以不同方向的具有预设大小的二维切片图像作为深度学习模型的输入,输出相应切片方向预设大小的二维切片图像的初始各组织器官图像。在得到初始各组织器官图像时,还可以利用神经网络得到一个分类概率图。其中分类概率图中的每个像素点的值是0-1,将其都乘上某一固定值可以得到一个灰度图。进一步地,可以计算灰度图中像素点的梯度,梯度变化大的就是器官的边界。这样利用梯度图可以对神经网络分割得到的图像分割结果进一步修正。
步骤S404,分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像。
示例性地,将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,其中融合可以为投票方式或者乘积方式。
步骤S406,根据图像后处理技术对融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
示例性地,基于融合后的各组织器官图像,采用图像后处理技术进行优化。图像后处理技术包括:水平集、活动轮廓或动态规划等方法。如图5为一个实施例中分割得到的不同器官的图像。
上述获取分割规则的方法,能够对分割规则进行更好的优化,以便分割规则能够更好的对核磁共振三维扫描图像中的组织器官进行分割。
在另一个实施例中,深度学习模型可包括第一深度学习模型和第二深度学习模型,其中第一深度学习模型用于确定目标候选区域,去除周围非目标区域的干扰;第二深度学习模型用于对目标候选区域图像进行分割处理。与之对应地,对磁共振图像进行处理的方法可包括:对核磁共振三维扫描图像进行预处理,得到预处理后的图像;将预处理后的图像中输入第一深度学习模型,以提取目标候选区域图像;将目标候选区域图像输入第二深度学习模型,得到不同方向的具有预设大小的二维切片图像。可选地,第一深度学习模型可通过预选训练获得,例如第一深度学习模型可以是利用包含肺、心脏、肾脏、肝脏、膀胱等不同器官的训练样本不断调整网络参数得到。在样本训练过程中可确定特定器官与特征信息之间的表征关系。特征信息可以为器官的轮廓特征、像素特征、纹理特征、空间结构特征以及与该器官相邻的结构特征等。第二深度学习模型的训练过程请参考前述步骤2。
本申请实施例,先在大范围内进行感兴趣区域的定位;定位完成后在一个比较小范围的区域再进行图像分割。通过上述操作提高了图像分割的精度,克服了现有技术中由于器官形态多种多样,设计每类器官的有针对性的算法耗时并且算法的普适性较差的问题。
应该理解的是,虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种正电子发射型计算机断层扫描图像处理装置,包括:获取模块100、图像处理模块200、深度学习模块300、衰减系数分配模块400、迭代更新模块500和校正模块600:
获取模块100,用于获取核磁共振三维扫描图像以及正电子发射型计算机断层图像,两图像对应同一扫描区域,且核磁共振三维扫描图像以及正电子发射型计算机断层图像对应同一扫描区域,该扫描区域包括多个组织器官。
图像处理模块200,用于对核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像。
深度学习模块300,用于将二维切片图像输入深度学习模型,得到各组织器官图像。
衰减系数分配模块400,用于为各组织器官图像对应的体素分配衰减系数,得到衰减系数图;以及根据所述衰减系数图,得到衰减图估计。
校正模块600,用于根据衰减图估计对正电子发射型计算机断层图像进行校正。
可选地,还可包括迭代更新模块500,用于对所述衰减系数图进行迭代更新,得到衰减图估计。
深度学习模块300,用于获取多个先验核磁共振三维扫描图像;对所述先验核磁共振三维扫描图像进行处理,得到不同方向的具有预设大小的二维切片图像样本;将二维切片图像样本作为训练样本进行神经网络学习,得到深度学习模型。
图像处理模块200包括:图像预处理单元、目标候选区域图像提取单元以及图像切片单元。
图像预处理单元,用于对核磁共振三维扫描图像进行预处理,得到预处理后的图像。
目标候选区域图像提取单元,用于在预处理后的图像中提取目标候选区域图像。
图像切片单元,用于对目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
图像预处理单元包括:升采样处理子单元、降采样处理子单元、各向同性过滤处理子单元、去噪处理子单元以及增强处理子单元。
升采样处理子单元,用于对核磁共振三维扫描图像进行图像升采样处理。
降采样处理子单元,用于对核磁共振三维扫描图像进行图像降采样处理。
各向同性过滤处理子单元,用于对核磁共振三维扫描图像进行各向同性过滤处理。
去噪处理子单元,用于对核磁共振三维扫描图像进行图像去噪处理。
增强处理子单元,用于对核磁共振三维扫描图像进行图像增强处理。
图像切片单元包括:轴状面切片子单元、冠状面切片子单元以及矢状面切片子单元。
轴状面切片子单元,用于对目标候选区域图像在轴状面上进行切片处理,得到轴状面上的二维切片图像。
冠状面切片子单元,用于对目标候选区域图像在冠状面上进行切片处理,得到冠状面上的二维切片图像。
矢状面切片子单元,用于对目标候选区域图像在矢状面上进行切片处理,得到矢状面上的二维切片图像。
深度学习模块300包括:深度学习单元、规则融合单元以及最终分割规则获取单元。
深度学习单元,用于将二维切片图像输入深度学习模型,得到初始各组织器官图像。
规则融合单元,用于分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像。
最终分割规则获取单元,用于根据图像后处理技术对融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
衰减系数分配模块400,还用于获取各组织器官的衰减系数;为各组织器官图像对应的体素分配相应组织器官的衰减系数,得到衰减系数图。
关于正电子发射型计算机断层扫描图像处理装置的具体限定可以参见上文中对于正电子发射型计算机断层扫描图像处理方法的限定,在此不再赘述。上述正电子发射型计算机断层扫描图像处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种正电子发射型计算机断层扫描图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,且核磁共振三维扫描图像与正电子发射型计算机断层扫描图像对应同一扫描区域,该扫描区域可包括一个或多个组织器官。对核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像。将二维切片图像输入深度学习模型,得到各组织器官图像。为各组织器官图像对应的体素分配衰减系数,得到衰减系数图。根据所述衰减系数图,得到衰减图估计。根据衰减图估计对正电子发射型计算机断层扫描图像进行校正。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取不同方向的具有预设大小的二维切片图像样本。将二维切片图像样本进行神经网络学习,得到深度学习模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对核磁共振三维扫描图像进行预处理,得到预处理后的图像。在预处理后的图像中提取目标候选区域图像。对目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将二维切片图像输入深度学习模型,得到初始各组织器官图像。分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像。根据图像后处理技术对融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,且核磁共振三维扫描图像与正电子发射型计算机断层扫描图像对应同一扫描区域,该扫描区域可包括一个或多个组织器官。对核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像。将二维切片图像输入深度学习模型,得到各组织器官图像。为各组织器官图像对应的体素分配衰减系数,得到衰减系数图。根据所述衰减系数图,得到衰减图估计。根据衰减图估计对正电子发射型计算机断层扫描图像进行校正。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取不同方向的具有预设大小的二维切片图像样本。将二维切片图像样本进行神经网络学习,得到深度学习模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对核磁共振三维扫描图像进行预处理,得到预处理后的图像。在预处理后的图像中提取目标候选区域图像。对目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将二维切片图像输入深度学习模型,得到初始各组织器官图像。分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像。根据图像后处理技术对融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,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,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种正电子发射型计算机断层扫描图像处理方法,其特征在于,所述方法包括:
获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层扫描图像,所述扫描区域包括多个组织器官;
对所述核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像;
将所述二维切片图像输入深度学习模型,得到各组织器官图像;
为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图;
根据所述衰减系数图,得到衰减图估计;
根据所述衰减图估计对正电子发射型计算机断层扫描图像进行校正。
2.根据权利要求1所述的方法,其特征在于,所述获取核磁共振三维扫描图像以及正电子发射型计算机断层图像之前包括:
获取多个先验核磁共振三维扫描图像;
对所述先验核磁共振三维扫描图像进行处理,得到不同方向的具有预设大小的二维切片图像样本;
将所述二维切片图像样本进行神经网络学习,得到深度学习模型。
3.根据权利要求1所述的方法,其特征在于,所述获取不同方向的具有预设大小的二维切片图像包括:
对核磁共振三维扫描图像进行预处理,得到预处理后的图像;
在所述预处理后的图像中提取目标候选区域图像;
对所述目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像。
4.根据权利要求3所述的方法,其特征在于,所述对所述核磁共振三维扫描图像进行预处理包括:
对所述核磁共振三维扫描图像进行图像升采样处理;和/或,
对所述核磁共振三维扫描图像进行图像降采样处理;和/或,
对所述核磁共振三维扫描图像进行各向同性过滤处理;和/或,
对所述核磁共振三维扫描图像进行图像去噪处理;和/或,
对所述核磁共振三维扫描图像进行图像增强处理。
5.根据权利要求3所述的方法,其特征在于,所述对所述目标候选区域图像进行切片处理,得到不同方向的具有预设大小的二维切片图像包括:
对所述目标候选区域图像在轴状面上进行切片处理,得到轴状面上的二维切片图像;和/或,
对所述目标候选区域图像在冠状面上进行切片处理,得到冠状面上的二维切片图像;和/或,
对所述目标候选区域图像在矢状面上进行切片处理,得到矢状面上的二维切片图像。
6.根据权利要求1所述的方法,其特征在于,所述将所述二维切片图像输入深度学习模型,得到各组织器官图像包括:
将所述二维切片图像输入深度学习模型,得到初始各组织器官图像;
分别将不同方向和大小的二维切片图像所对应的初始各组织器官图像进行融合,得到融合后的各组织器官图像;
根据图像后处理技术对所述融合后的各组织器官图像进行优化,得到最终的各组织器官图像。
7.根据权利要求1所述的方法,其特征在于,所述深度学习模型包括:
在第一层设置第一预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第一层特征图像;
在第二层设置第二预设数量的池化核,每个所述池化核的大小为3*3,对所述第一层特征图像进行池化,得到第二层特征图像;
在第三层使用修正线性单元函数对所述第二层特征图像进行转换,得到第三层特征图像;
在第四层设置第三预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第四层特征图像;
在第五层使用修正线性单元函数对所述第四层特征图像进行转换,得到第五层特征图像;
在第六层设置第四预设数量的池化核,每个所述池化核的大小为3*3,对所述第五层特征图像进行池化,得到第六层特征图像;
在第七层设置第五预设数量的卷积核,每个卷积核大小为5*5,并采用全连接方式与输入层相连进行卷积,得到第七层特征图像;
在第八层使用修正线性单元函数对所述第七层特征图像进行转换,得到第八层特征图像;
在第九层设置第六预设数量的池化核,每个所述池化核的大小为3*3,对所述第八层特征图像进行池化,得到第九层特征图像;
在第十层设置第七预设数量的卷积核,每个所述卷积核的大小为4*4,对所述第九层特征图像进行全连接处理,得到第十层特征图像;
在第十一层设置第八预设数量的卷积核,每个所述卷积核的大小为1*1,对所述第十层特征图像进行全连接处理,得到第十一层特征图像;
在第十二层将所述第十一层特征图像输入至分类器进行分类,得出分割规则。
8.根据权利要求1所述的方法,其特征在于,所述为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图包括:
获取各组织器官的衰减系数;
为所述各组织器官图像对应的体素分配相应组织器官的衰减系数,得到衰减系数图。
9.一种正电子发射型计算机断层扫描图像处理装置,其特征在于,所述装置包括:
获取模块,用于获取同一扫描区域对应的核磁共振三维扫描图像以及正电子发射型计算机断层图像,所述扫描区域包括多个组织器官;
图像处理模块,用于对所述核磁共振三维扫描图像进行处理,获取不同方向的具有预设大小的二维切片图像;
深度学习模块,用于将所述二维切片图像输入深度学习模型,得到各组织器官图像;
衰减系数分配模块,用于为所述各组织器官图像对应的体素分配衰减系数,得到衰减系数图;以及根据所述衰减系数图,得到衰减图估计;
校正模块,用于根据所述衰减图估计对正电子发射型计算机断层图像进行校正。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251396.1A CN109308728B (zh) | 2018-10-25 | 2018-10-25 | 正电子发射型计算机断层扫描图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811251396.1A CN109308728B (zh) | 2018-10-25 | 2018-10-25 | 正电子发射型计算机断层扫描图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308728A true CN109308728A (zh) | 2019-02-05 |
CN109308728B CN109308728B (zh) | 2023-01-03 |
Family
ID=65221864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811251396.1A Active CN109308728B (zh) | 2018-10-25 | 2018-10-25 | 正电子发射型计算机断层扫描图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308728B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037718A (zh) * | 2019-04-24 | 2019-07-23 | 上海联影医疗科技有限公司 | 硬件状态分析方法、装置、计算机设备和存储介质 |
CN110063742A (zh) * | 2019-04-30 | 2019-07-30 | 上海联影医疗科技有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
CN110473285A (zh) * | 2019-07-30 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像重构方法、装置、计算机设备和存储介质 |
CN110490948A (zh) * | 2019-08-12 | 2019-11-22 | 东软医疗系统股份有限公司 | 一种pet图像的散射校正方法和装置 |
CN110490857A (zh) * | 2019-08-20 | 2019-11-22 | 上海联影医疗科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
CN110570483A (zh) * | 2019-08-08 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 扫描方法、装置、计算机设备和存储介质 |
CN111436958A (zh) * | 2020-02-27 | 2020-07-24 | 之江实验室 | 一种用于pet图像衰减校正的ct图像生成方法 |
CN111681251A (zh) * | 2020-05-29 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
CN113989349A (zh) * | 2021-10-25 | 2022-01-28 | 北京百度网讯科技有限公司 | 图像生成方法、图像处理模型的训练方法、图像处理方法 |
WO2023056634A1 (zh) * | 2021-10-09 | 2023-04-13 | 深圳先进技术研究院 | Pet参数成像方法、装置、电子设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010018478A1 (en) * | 2008-08-15 | 2010-02-18 | Koninklijke Philips Electronics, N.V. | Attenuation correction for pet or spect nuclear imaging systems using magnetic resonance spectroscopic image data |
CN102265307A (zh) * | 2008-09-17 | 2011-11-30 | 皇家飞利浦电子股份有限公司 | 混合式核/mr成像中使用透射数据的mr 分割 |
-
2018
- 2018-10-25 CN CN201811251396.1A patent/CN109308728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010018478A1 (en) * | 2008-08-15 | 2010-02-18 | Koninklijke Philips Electronics, N.V. | Attenuation correction for pet or spect nuclear imaging systems using magnetic resonance spectroscopic image data |
CN102124361A (zh) * | 2008-08-15 | 2011-07-13 | 皇家飞利浦电子股份有限公司 | 使用磁共振波谱图像数据对pet或spect核成像系统的衰减校正 |
CN102265307A (zh) * | 2008-09-17 | 2011-11-30 | 皇家飞利浦电子股份有限公司 | 混合式核/mr成像中使用透射数据的mr 分割 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037718A (zh) * | 2019-04-24 | 2019-07-23 | 上海联影医疗科技有限公司 | 硬件状态分析方法、装置、计算机设备和存储介质 |
CN110063742A (zh) * | 2019-04-30 | 2019-07-30 | 上海联影医疗科技有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
CN110063742B (zh) * | 2019-04-30 | 2024-01-02 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
CN110473285A (zh) * | 2019-07-30 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 图像重构方法、装置、计算机设备和存储介质 |
CN110473285B (zh) * | 2019-07-30 | 2024-03-01 | 上海联影智能医疗科技有限公司 | 图像重构方法、装置、计算机设备和存储介质 |
CN110570483A (zh) * | 2019-08-08 | 2019-12-13 | 上海联影智能医疗科技有限公司 | 扫描方法、装置、计算机设备和存储介质 |
CN110570483B (zh) * | 2019-08-08 | 2023-12-22 | 上海联影智能医疗科技有限公司 | 扫描方法、装置、计算机设备和存储介质 |
CN110490948B (zh) * | 2019-08-12 | 2023-05-16 | 东软医疗系统股份有限公司 | 一种pet图像的散射校正方法和装置 |
CN110490948A (zh) * | 2019-08-12 | 2019-11-22 | 东软医疗系统股份有限公司 | 一种pet图像的散射校正方法和装置 |
CN110490857A (zh) * | 2019-08-20 | 2019-11-22 | 上海联影医疗科技有限公司 | 图像处理方法、装置、电子设备和存储介质 |
US11823384B2 (en) | 2020-02-27 | 2023-11-21 | Zhejiang Lab | CT image generation method for attenuation correction of pet images |
CN111436958A (zh) * | 2020-02-27 | 2020-07-24 | 之江实验室 | 一种用于pet图像衰减校正的ct图像生成方法 |
CN111681251B (zh) * | 2020-05-29 | 2023-09-26 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
CN111681251A (zh) * | 2020-05-29 | 2020-09-18 | 上海联影智能医疗科技有限公司 | 组织器官参数确定方法、装置以及计算机设备 |
WO2022127500A1 (zh) * | 2020-12-14 | 2022-06-23 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
CN112634211A (zh) * | 2020-12-14 | 2021-04-09 | 上海健康医学院 | 基于多个神经网络的mri图像分割方法、装置及设备 |
WO2023056634A1 (zh) * | 2021-10-09 | 2023-04-13 | 深圳先进技术研究院 | Pet参数成像方法、装置、电子设备及可读存储介质 |
CN113989349A (zh) * | 2021-10-25 | 2022-01-28 | 北京百度网讯科技有限公司 | 图像生成方法、图像处理模型的训练方法、图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109308728B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308728A (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
US10699394B2 (en) | System and method for image calibration | |
Zhuge et al. | Brain tumor segmentation using holistically nested neural networks in MRI images | |
Dai et al. | Multimodal MRI synthesis using unified generative adversarial networks | |
CN110809782B (zh) | 衰减校正系统和方法 | |
CN107644421B (zh) | 医学图像分割方法及系统 | |
CN100550004C (zh) | 一种对包含感兴趣区的三维医疗图像进行分割的方法 | |
KR20190137913A (ko) | 딥 컨볼루션 신경망을 사용하는 의료 이미징을 위한 선량 감소 | |
US9135695B2 (en) | Method for creating attenuation correction maps for PET image reconstruction | |
EP2991546B1 (en) | Detection of bone tissue using magnetic resonance imaging | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
Reynolds et al. | Development of a registration framework to validate MRI with histology for prostate focal therapy | |
CN109961834A (zh) | 影像诊断报告的生成方法及设备 | |
CN106558045A (zh) | 一种肺组织分割方法、装置,医学图像处理系统 | |
US20220092755A1 (en) | Systems and methods for image processing | |
CN109978966A (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
CN110415310A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN111105472B (zh) | Pet图像的衰减校正方法、装置、计算机设备和存储介质 | |
US11941805B2 (en) | Systems and methods for image processing | |
CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
CN111260636B (zh) | 模型训练方法及设备、图像处理方法及设备以及介质 | |
Song et al. | Artificial intelligence-based bone-enhanced magnetic resonance image—A computed tomography/magnetic resonance image composite image modality in nasopharyngeal carcinoma radiotherapy | |
CN110742639B (zh) | 扫描系统配置方法、装置、计算机设备和可读存储介质 | |
CN112052885A (zh) | 图像处理方法、装置、设备及pet-ct系统 |
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, 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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |