CN109685866A - 晶体位置查找表构建方法、装置、计算机设备和存储介质 - Google Patents
晶体位置查找表构建方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109685866A CN109685866A CN201811595129.6A CN201811595129A CN109685866A CN 109685866 A CN109685866 A CN 109685866A CN 201811595129 A CN201811595129 A CN 201811595129A CN 109685866 A CN109685866 A CN 109685866A
- Authority
- CN
- China
- Prior art keywords
- crystal
- target
- dimensional image
- function model
- convolutional neural
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种晶体位置查找表构建方法、装置、计算机设备和存储介质。所述方法包括:基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。上述晶体位置查找表构建方法、装置、计算机设备和存储介质,可以针对不同类型的机器建立不同的神经网络和函数模型,适应性强,且无需人工修正,减少了人力成本,效率较高。
Description
技术领域
本申请涉及PET成像技术领域,特别是涉及一种晶体位置查找表构建方法、装置、计算机设备和存储介质。
背景技术
正电子发射计算机断层扫描(Positron Emission Tomography,PET)是一种利用向生物体内部注入正电子放射性同位素标记的化合物,而在体外测量它们的空间分布和时间特性的三维成像无损检测技术,具有灵敏度高、准确性好、定位准确的特点。
目前多数的PET探测器采用离散晶体阵列耦合光电探测器的设计方法。当511keV的伽马光子入射到探测器在闪烁晶体上产生大量可见光子,可见光子被光电探测器接收并转换为电信号,通过多个光电探测器产生的信号进行Anger逻辑加权,计算伽马光子作用位置。但是由于探测器实际设计及算法本身问题导致图像发生枕形或桶形失真,实际计算位置并非伽马光子真实作用位置。探测器需要利用泛场源进行照射,对获得的泛场图像进行分割获得各个晶体的响应位置,并作为探测器的晶体位置查找表。用于实际采集时,根据计算的位置和查找表判定与伽马光子作用的晶体,利用所述晶体在系统中的实际物理位置作为射线作用位置。
目前建立晶体位置查找表的算法受系统使用时间的增长、晶体数量、组成晶体基本单元的block不同以及校正所用的放射源形状的影响,会降低查找表建立的准确性,需要依靠有经验的服务工程师在算法无法找到的地方,进行大量的人工修正。而这些在现场通过自动算法和人工修正进行成功校正的数据,也无法应用到下一次校正的不同类型的机器,导致人工工作的修正量较大,且效率较低。
发明内容
基于此,有必要针对目前建立晶体位置查找表的算法需要大量人工修正,导致人工工作的修正量较大,且效率较低的技术问题,提供一种晶体位置查找表构建方法、装置、计算机设备和存储介质。
一种晶体位置查找表构建方法,所述方法包括:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
在其中一个实施例中,所述基于卷积神经网络得到目标函数模型包括:
训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
在其中一个实施例中,所述基于卷积神经网络得到目标函数模型包括:
训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
在其中一个实施例中,所述将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型还包括:
对所述二维图像进行预处理,以调整所述二维图像的分辨率和灰度。
在其中一个实施例中,所述基于所述目标函数模型和目标二维图像得到晶体峰值映射位置的坐标之前还包括:
基于晶体的物理位置确定目标PET生数据中对应的各晶体位置;
基于所述目标PET生数据统计一段时间内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到目标二维图像。
在其中一个实施例中,所述基于所述目标函数模型和目标二维图像得到晶体峰值映射位置的坐标之前还包括:
对所述目标二维图像进行预处理,以调整所述目标二维图像的分辨率和灰度。
在其中一个实施例中,所述基于卷积神经网络得到目标函数模型包括:
基于卷积神经网络得到不同型号的PET设备的目标函数模型;
基于PET设备的型号选取相应的目标函数模型。
一种晶体位置查找表构建装置,所述装置包括:
目标函数模型获取模块,用于基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置的坐标;
坐标计算模块,用于基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
查找表建立模块,用于基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
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以下步骤:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
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以下步骤:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
上述晶体位置查找表构建方法、装置、计算机设备和存储介质,基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置,并通过所述目标函数模型得到目标晶体峰值映射位置的坐标以建立晶体位置查找表的方法,应用神经网络以得到函数模型,可以针对不同类型的机器建立不同的神经网络和函数模型,适应性强,且无需人工修正,减少了人力成本,效率较高。
附图说明
图1为一个实施例中晶体位置查找表构建方法的流程示意图;
图2为一个实施例中晶体位置查找表构建装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
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。
PET数据采集系统的性能将直接影响PET的成像质量,晶体位置映射图的数据采集和信号处理过程与PET数据采集和图像重建不同;晶体位置映射图数据采集的算法研究是PET数据采集和图像重建的重要组成部分。以电源或泛源持续照射PET晶体阵列,对探测器及前端模拟电路输出的模拟信号进行采集和计算,完成模数转换、基线恢复、事件检测、堆积事件排除、位置逻辑等处理后,得到反映事件作用位置的晶体位置映射图。在实际的PET系统正常工作前,需要通过晶体位置映射图生成一系列的晶体位置查找表,而这个查找表是PET图像重建过程中的事件位置信息的关键。
请参阅图1,图1为本发明的晶体位置查找表构建方法的流程示意图。
在本实施例中,所述晶体位置查找表构建方法包括:
步骤100,基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置。
示例性地,所述基于卷积神经网络得到目标函数模型包括训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
在本实施例中,所述基于PET生数据得到二维图像包括基于晶体的物理位置确定所述PET生数据中对应的各晶体位置,基于所述PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到二维图像。
可以理解的,所述二维图像为PET统计数据图像。
具体地,所述PET生数据即为系统对病人检查过程中采集到的数据。
示例性地,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型还包括对所述二维图像进行预处理,以调整所述二维图像的分辨率和灰度。具体地,所述预处理是为了使所述二维图像具有统一且合适的分辨率和灰度范围分布等,以降低模型训练的难度,提高准确性。具体地,所述预处理可以为升采样、降采样、等方性处理、去噪、增强处理、样条拟合等处理方式,只需达到使所述二维图像具有合适的分辨率和灰度范围分布等,以降低模型训练的难度,提高准确性的效果即可。
可以理解的,不同类型的设备的PET统计数据图像和准确的晶体峰值映射位置不同,因此训练得到的目标函数模型也不同,每种类型的设备可以训练得到对应的算法不同的目标函数模型。
示例性地,从训练好的所述卷积神经网络中提取算法,得到目标函数模型。
具体地,所述目标函数模型为Y=f(X)的函数模型,其中X是输入的需要寻找晶体峰值映射位置的PET统计数据图像,Y是利用模型输出的晶体峰值映射位置坐标(x,y)。
可以理解的,针对不同类型的设备,产品型号为X的设备的样本数据分别表示为X1、X2、X3、…Xn,则从训练得到的卷积神经网络中提取得到的目标函数模型为Y1=f1(X);产品型号为M的设备的样本数据分别是M1、M2、M3、…Mn,则从训练得到的卷积神经网络中提取得到的目标函数模型为Y2=f2(M);产品型号N的设备的样本数据分别是N1、N2、N3、…Nn,则从训练得到的卷积神经网络中提取得到的目标函数模型为Y3=f3(N)。
在本实施例中,所述基于卷积神经网络得到目标函数模型还包括基于所述卷积神经网络得到不同型号的PET设备的目标函数模型,将不同的目标函数模型配置在对应设备的出厂配置文件中,基于PET设备的型号选取相应的目标函数模型。可以理解的,将不同类型设备对应的目标函数模型配置在设备的出厂配置文件中,在用户使用时,可以直接提出对应的目标函数模型以进行目标晶体峰值映射位置坐标的确定,更加方便,效率更高。
步骤110,基于目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标。
示例性地,将目标二维图像输入所述目标函数模型,所述目标函数模型即可输出目标晶体峰值映射位置的坐标。
可以理解的,在所述基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标之前还包括基于晶体的物理位置确定目标PET生数据中对应的各晶体位置,基于所述目标PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到目标二维图像。
示例性地,在所述将目标二维图像输入所述目标函数模型,所述目标函数模型即可输出目标晶体峰值映射位置的坐标之前还包括对所述目标二维图像进行预处理,以调整所述目标二维图像的分辨率和灰度。可以理解的,对所述目标二维图像进行的预处理与对所述二维图像进行的预处理是相同的,使目标二维图像和二维图像的状态相同,以提高所述晶体峰值映射位置的坐标的准确性。
步骤120,基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
在本实施例中,基于所述目标晶体峰值映射位置的坐标,围绕所述目标晶体峰值映射位置建立晶体位置查找表。
示例性地,在所述基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表之后还包括对PET系统采集的数据进行渲染并呈现在界面上,并结合所述晶体位置查找表生成像素集。具体地,所述对PET系统采集的数据进行渲染包括对PET系统在single模式下采集生成的二进制数据,用伪彩色进行渲染;对PET系统在coincience模式下采集生成的二进制数据,用灰度渲染。
应该理解的是,虽然图1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2所示,提供了一种晶体位置查找表构建装置,包括:目标函数模型获取模块200、坐标计算模块210和查找表建立模块220,其中:
目标函数模型获取模块200,用于基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置。
目标函数模型获取模块200,还用于训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
目标函数模型获取模块200,还用于基于晶体的物理位置确定所述PET生数据中对应的各晶体位置;
基于所述PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到二维图像;
将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
坐标计算模块210,用于基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标。
查找表建立模块220,用于基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
关于晶体位置查找表构建装置的具体限定可以参见上文中对于晶体位置查找表构建方法的限定,在此不再赘述。上述晶体位置查找表构建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3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晶体位置查找表构建方法。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3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:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
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:
训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
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:
基于晶体的物理位置确定所述PET生数据中对应的各晶体位置;
基于所述PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到二维图像;
将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
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:
对所述二维图像进行预处理,以调整所述二维图像的分辨率和灰度。
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:
基于晶体的物理位置确定目标PET生数据中对应的各晶体位置;
基于所述目标PET生数据统计一段时间内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到目标二维图像。
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:
对所述目标二维图像进行预处理,以调整所述目标二维图像的分辨率和灰度。
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:
基于卷积神经网络得到不同型号的PET设备的目标函数模型;
基于PET设备的型号选取相应的目标函数模型。
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:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
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:
训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
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:
基于晶体的物理位置确定所述PET生数据中对应的各晶体位置;
基于所述PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到二维图像;
将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
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:
对所述二维图像进行预处理,以调整所述二维图像的分辨率和灰度。
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:
基于晶体的物理位置确定目标PET生数据中对应的各晶体位置;
基于所述目标PET生数据统计一段时间内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到目标二维图像。
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:
对所述目标二维图像进行预处理,以调整所述目标二维图像的分辨率和灰度。
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:
基于卷积神经网络得到不同型号的PET设备的目标函数模型;
基于PET设备的型号选取相应的目标函数模型。
上述晶体位置查找表构建方法、装置、计算机设备和存储介质,基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置,并通过所述目标函数模型得到目标晶体峰值映射位置的坐标以建立晶体位置查找表的方法,应用神经网络以得到函数模型,可以针对不同类型的机器建立不同的神经网络和函数模型,适应性强,且无需人工修正,减少了人力成本,效率较高。
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)
1.一种晶体位置查找表构建方法,其特征在于,包括:
基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置;
基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
2.根据权利要求1所述的晶体位置查找表构建方法,其特征在于,所述基于卷积神经网络得到目标函数模型包括:
训练所述卷积神经网络,基于PET生数据得到二维图像,将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
3.根据权利要求2所述的晶体位置查找表构建方法,其特征在于,所述将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型包括包括:
基于晶体的物理位置确定所述PET生数据中对应的各晶体位置;
基于所述PET生数据统计预设时间段内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到二维图像;
将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型。
4.根据权利要求2所述的晶体位置查找表构建方法,其特征在于,所述将所述二维图像及经校正的晶体位置查找表输入所述卷积神经网络,得到所述目标函数模型还包括:
对所述二维图像进行预处理,以调整所述二维图像的分辨率和灰度。
5.根据权利要求1所述的晶体位置查找表构建方法,其特征在于,所述基于所述目标函数模型和目标二维图像得到晶体峰值映射位置的坐标之前还包括:
基于晶体的物理位置确定目标PET生数据中对应的各晶体位置;
基于所述目标PET生数据统计一段时间内在每个晶体上接收到的计数个数,基于所述计数个数和各晶体位置得到目标二维图像。
6.根据权利要求1所述的晶体位置查找表构建方法,其特征在于,所述基于所述目标函数模型和目标二维图像得到晶体峰值映射位置的坐标之前还包括:
对所述目标二维图像进行预处理,以调整所述目标二维图像的分辨率和灰度。
7.根据权利要求1所述的晶体位置查找表构建方法,其特征在于,所述基于卷积神经网络得到目标函数模型包括:
基于卷积神经网络得到不同型号的PET设备的目标函数模型;
基于PET设备的型号选取相应的目标函数模型。
8.一种晶体位置查找表构建装置,其特征在于,所述装置包括:
目标函数模型获取模块,用于基于卷积神经网络得到目标函数模型,所述卷积神经网络以二维图像作为输入,并输出晶体峰值映射位置的坐标;
坐标计算模块,用于基于所述目标函数模型和目标二维图像得到目标晶体峰值映射位置的坐标;
查找表建立模块,用于基于所述目标晶体峰值映射位置的坐标建立晶体位置查找表。
9.一种计算机设备,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7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595129.6A CN109685866B (zh) | 2018-12-25 | 2018-12-25 | 晶体位置查找表构建方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595129.6A CN109685866B (zh) | 2018-12-25 | 2018-12-25 | 晶体位置查找表构建方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685866A true CN109685866A (zh) | 2019-04-26 |
CN109685866B CN109685866B (zh) | 2023-07-18 |
Family
ID=66189566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811595129.6A Active CN109685866B (zh) | 2018-12-25 | 2018-12-25 | 晶体位置查找表构建方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685866B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624644A (zh) * | 2020-06-11 | 2020-09-04 | 北京卫星环境工程研究所 | 一种三维位置灵敏探测器及其能量校正方法 |
CN111887875A (zh) * | 2020-08-21 | 2020-11-06 | 上海联影医疗科技有限公司 | Pet设备校正方法、装置、计算机设备和存储介质 |
CN112712529A (zh) * | 2020-12-25 | 2021-04-27 | 明峰医疗系统股份有限公司 | 一种pet探测器晶体位置查找表的生成方法及系统、pet设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03266188A (ja) * | 1990-03-16 | 1991-11-27 | Toshiba Corp | 画像表示装置 |
CN102783964A (zh) * | 2012-07-02 | 2012-11-21 | 苏州瑞派宁科技有限公司 | Pet成像中单事件列表式数据的同步方法及系统 |
CN103460072A (zh) * | 2011-04-05 | 2013-12-18 | 皇家飞利浦有限公司 | 具有改进的时间精度的利用时间数字转换的探测器阵列 |
CN103914860A (zh) * | 2013-01-05 | 2014-07-09 | 苏州瑞派宁科技有限公司 | 晶体条位置查找表生成方法及装置 |
CN104700366A (zh) * | 2015-03-03 | 2015-06-10 | 上海联影医疗科技有限公司 | 一种晶体像素查找表生成的方法 |
US20150366532A1 (en) * | 2014-06-23 | 2015-12-24 | Siemens Medical Solutions Usa, Inc. | Valve regurgitant detection for echocardiography |
CN105447837A (zh) * | 2016-02-04 | 2016-03-30 | 重庆邮电大学 | 基于自适应云模型的多模态脑部图像融合方法 |
CN107242881A (zh) * | 2017-08-15 | 2017-10-13 | 中日友好医院 | 一种pet晶体位置查找表更新方法 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
US20180089530A1 (en) * | 2015-05-11 | 2018-03-29 | Siemens Healthcare Gmbh | Method and system for landmark detection in medical images using deep neural networks |
CN108230361A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用无人机探测器和追踪器融合来增强目标追踪方法及系统 |
-
2018
- 2018-12-25 CN CN201811595129.6A patent/CN109685866B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03266188A (ja) * | 1990-03-16 | 1991-11-27 | Toshiba Corp | 画像表示装置 |
CN103460072A (zh) * | 2011-04-05 | 2013-12-18 | 皇家飞利浦有限公司 | 具有改进的时间精度的利用时间数字转换的探测器阵列 |
CN102783964A (zh) * | 2012-07-02 | 2012-11-21 | 苏州瑞派宁科技有限公司 | Pet成像中单事件列表式数据的同步方法及系统 |
CN103914860A (zh) * | 2013-01-05 | 2014-07-09 | 苏州瑞派宁科技有限公司 | 晶体条位置查找表生成方法及装置 |
US20150366532A1 (en) * | 2014-06-23 | 2015-12-24 | Siemens Medical Solutions Usa, Inc. | Valve regurgitant detection for echocardiography |
CN104700366A (zh) * | 2015-03-03 | 2015-06-10 | 上海联影医疗科技有限公司 | 一种晶体像素查找表生成的方法 |
US20180089530A1 (en) * | 2015-05-11 | 2018-03-29 | Siemens Healthcare Gmbh | Method and system for landmark detection in medical images using deep neural networks |
CN105447837A (zh) * | 2016-02-04 | 2016-03-30 | 重庆邮电大学 | 基于自适应云模型的多模态脑部图像融合方法 |
CN108230361A (zh) * | 2016-12-22 | 2018-06-29 | Tcl集团股份有限公司 | 用无人机探测器和追踪器融合来增强目标追踪方法及系统 |
CN107346556A (zh) * | 2017-07-06 | 2017-11-14 | 浙江大学 | 一种基于块字典学习和稀疏表达的pet图像重建方法 |
CN107242881A (zh) * | 2017-08-15 | 2017-10-13 | 中日友好医院 | 一种pet晶体位置查找表更新方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111624644A (zh) * | 2020-06-11 | 2020-09-04 | 北京卫星环境工程研究所 | 一种三维位置灵敏探测器及其能量校正方法 |
CN111887875A (zh) * | 2020-08-21 | 2020-11-06 | 上海联影医疗科技有限公司 | Pet设备校正方法、装置、计算机设备和存储介质 |
CN111887875B (zh) * | 2020-08-21 | 2024-04-23 | 上海联影医疗科技股份有限公司 | Pet设备校正方法、装置、计算机设备和存储介质 |
CN112712529A (zh) * | 2020-12-25 | 2021-04-27 | 明峰医疗系统股份有限公司 | 一种pet探测器晶体位置查找表的生成方法及系统、pet设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109685866B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097611B (zh) | 图像重建方法、装置、设备及存储介质 | |
Hesterman et al. | Maximum-likelihood estimation with a contracting-grid search algorithm | |
CN109685866A (zh) | 晶体位置查找表构建方法、装置、计算机设备和存储介质 | |
CN107638188A (zh) | 图像衰减校正方法及装置 | |
CN106716179A (zh) | 数字正电子发射断层摄影中的飞行时间校准 | |
CN110327067B (zh) | 图像重建方法、装置、终端设备及pet系统 | |
CN106821402B (zh) | 构建pet图像的方法和装置 | |
CN108615250A (zh) | 图像重建方法、装置、系统和计算机可读存储介质 | |
CN112365560B (zh) | 基于多级网络的图像重建方法、系统、可读存储介质和设备 | |
CN109658390B (zh) | 一种用于正电子检测正弦矩阵图的感兴趣区域提取方法 | |
CN110400361B (zh) | 子集划分及图像重建的方法、装置和计算机设备 | |
CN105913397B (zh) | 一种重建图像的修正方法、装置及设备 | |
CN110047116B (zh) | Pet图像校正方法、装置、计算机设备和存储介质 | |
CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
Wang et al. | An FPGA-based real-time maximum likelihood 3D position estimation for a continuous crystal PET detector | |
CN110288008A (zh) | 查找表图像校正方法、装置、计算机设备和存储介质 | |
EP1631844A1 (en) | Generating detector efficiency estimates for a oet scanner | |
CN110327065A (zh) | 单事件计数率校正方法、装置、计算机设备和存储介质 | |
CN112052885B (zh) | 图像处理方法、装置、设备及pet-ct系统 | |
CN108703769B (zh) | Tof数据的校正方法、装置、系统和计算机可读存储介质 | |
CN114943782A (zh) | 一种正电子发射断层成像方法、系统和装置 | |
CN114862980A (zh) | 散射校正方法、pet成像方法、装置、设备及存储介质 | |
CN110189387B (zh) | Pet图像校正方法方法、装置、计算机设备和存储介质 | |
CN110264537B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
CN114966806A (zh) | 亚像素成像方法、装置、成像设备、探测器及存储介质 |
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, 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 |