CN109697741B - 一种pet图像重建方法、装置、设备及介质 - Google Patents
一种pet图像重建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109697741B CN109697741B CN201811630048.5A CN201811630048A CN109697741B CN 109697741 B CN109697741 B CN 109697741B CN 201811630048 A CN201811630048 A CN 201811630048A CN 109697741 B CN109697741 B CN 109697741B
- Authority
- CN
- China
- Prior art keywords
- image
- pet image
- attenuation
- unattenuated
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000002591 computed tomography Methods 0.000 claims description 103
- 238000012549 training Methods 0.000 claims description 65
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000012952 Resampling Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 description 183
- 238000010586 diagram Methods 0.000 description 16
- 238000010606 normalization Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000700 radioactive tracer Substances 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000007102 metabolic function Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/428—Real-time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/464—Dual or multimodal imaging, i.e. combining two or more imaging modalities
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明实施例公开了一种PET图像重建方法、装置、设备及介质,所述方法包括:基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。通过采用上述技术方案,可以极大地提高PET图像的重建速度,从而实现PET图像的实时预览。
Description
技术领域
本发明实施例涉及医学图像重建技术领域,尤其涉及一种PET图像重建方法、装置、设备及介质。
背景技术
PET(Positron Emission Tomography,正电子发射型断层显像)是继CT(ComputedTomography,计算机断层扫描)之后迅速发展起来的一种神经影像学检查仪器。目前,在肿瘤、冠心病和脑部疾病等疾病的诊疗中具有突出的价值,是核医学领域比较先进的临床检查影像技术。它在不改变生物体生理状态的情况下,向生物活体注入放射性示踪剂,放射性示踪剂参与生物活体的生理代谢,通过对放射性示踪剂的探测(即对生物活体进行扫描、断层重建得到PET图像)可实现对生物活体代谢功能的观测。
传统的PET图像重建方法为:基于采集的生数据生成PET图像之后还包括一系列衰减校正、散射校正等数据校正操作以及统计迭代重建操作,最终得到符合要求的PET图像,这些操作通常是在数据域上进行,需要数学建模,计算量非常大,在实际PET图像重建过程中一般需要2-3分钟,如此大的时间延迟导致无法实现PET图像实时预览的目的;且在PET图像重建的过程中,相关的医务工作者无法直观地了解当前设备的运行状况、重建得到的PET图像是否符合目标要求,导致相关的医务工作者无法对扫描过程进行实时控制,因此给PET扫描带来了极大的阻碍以及不必要的资源浪费。
发明内容
本发明实施例提供一种PET图像重建方法、装置、设备及介质,通过所述方法可以极大地提高PET图像的重建速度,从而实现PET图像的实时预览。
为实现上述目的,本发明实施例采用如下技术方案:
第一方面,本发明实施例提供了一种PET图像重建方法,所述方法包括:
基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
第二方面,本发明实施例提供了一种PET图像重建装置,所述装置包括:
图像获取模块,用于基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
重建模块,用于将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的PET图像重建方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如上述第一方面所述的PET图像重建方法。
本发明实施例提供的一种PET图像重建方法,通过基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像的技术手段,极大地提高了PET图像的重建速度,从而实现了PET图像的实时预览。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1为本发明实施例一提供的一种PET图像重建方法流程示意图;
图2为本发明实施例一提供的一种神经网络模型的训练过程示意图;
图3为本发明实施例二提供的一种PET图像重建方法流程示意图;
图4为本发明实施例三提供的一种PET图像重建装置结构示意图;
图5a为本发明实施例三提供的一种CT图像的示意图;
图5b为本发明实施例三提供的一种与图5a对应的未衰减校正的PET图像示意图;
图5c为本发明实施例三提供的一种与图5a、图5b对应的衰减校正的PET图像的示意图;
图6a为本发明实施例三提供的另一种CT图像的示意图;
图6b为本发明实施例三提供的一种与图6a对应的未衰减校正的PET图像示意图;
图6c为本发明实施例三提供的一种与图6a、图6b对应的衰减校正的PET图像的示意图;
图7a为本发明实施例三提供的又一种CT图像的示意图;
图7b为本发明实施例三提供的一种与图7a对应的未衰减校正的PET图像示意图;
图7c为本发明实施例三提供的一种与图7a、图7b对应的衰减校正的PET图像的示意图;
图8为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
图1为本发明实施例一提供的一种PET图像重建方法流程示意图。本实施例公开的PET图像重建方法可以由PET图像重建装置来执行,其中该装置可由软件和/或硬件实现,并一般集成在终端中,例如2m PET-CT设备等。具体参见图1所示,该方法可以包括如下步骤:
步骤110、基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像。
具体的,通过2m PET-CT设备对生物体进行扫描,获得生数据。PET-CT设备将PET与CT完美融合为一体,由PET提供生物体病灶详尽的功能与代谢等分子信息,而CT提供病灶的精确解剖定位,一次显像可获得全身各方位的断层图像。所述生数据具体为未经过任何处理的断层图像数据,通过调用CT图像重建算法,可得到生数据对应的CT图像,所述CT图像重建算法包括FPB(Filter back projection abbr,滤波反投影)算法、ART(AlgebraicReconstruction Technique abbr,代数重建)算法以及LocalRA(Local ReconstructionAlgorithm abbr,局部重建)算法等。通过对生数据进行随机校正以及归一化校正得到生数据对应的未衰减校正的PET图像,此时的图像噪声较高,分辨率较低,故无法被有效利用,通过步骤120对未衰减校正的PET图像进行处理,可得到噪声较低、分辨率较高,可以被有效利用的衰减校正的PET图像。
步骤120、将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
其中,所述预先训练好的神经网络模型充分学习了各种未衰减校正的PET图像对应的衰减校正的PET图像的特征,因此可实现对任何未衰减校正的PET图像的快速处理,得到任何未衰减校正的PET图像对应的衰减校正的PET图像。
示例性的,所述方法还包括:基于训练数据集对深度学习网络进行训练,得到所述预先训练好的神经网络模型,其中,所述训练数据集中的每组训练数据包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像。由于CT图像具有清晰的对比度与较高的密度分辨率,因此通过结合配准对齐的CT图像可以辅助完成肺部区域、软组织和人体表皮组织等结构的重建,故本实施例在每组训练数据中增加了CT图像,通过结合CT图像可使神经网络模型充分学习样本特征,经过带有CT图像的训练数据的训练得到的神经网络模型可以得到高质量的衰减校正的PET图像。所述CT图像可通过PET-CT扫描得到,故为了区分训练数据集中的CT图像与实时在线分析的CT图像,将训练数据集中的CT图像定义为PET-CT扫描得到的CT图像。所述实时在线分析的CT图像指步骤110中基于对生物体进行扫描得到的CT图像。
具体的,可参见图2所示的神经网络模型的训练过程示意图,基于训练数据集对深度学习网络进行训练,包括:
将所述训练数据集中的第一组训练数据(包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像)210输入至预设的第一神经网络结构221,得到第一输出结果2210;
将所述第一输出结果221以及所述第一组训练数据(包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像)输入至预设的第二神经网络结构222,得到第二输出结果2220;
重复上述迭代过程,将第N-1输出结果以及所述第一组训练数据输入至预设的第N神经网络结构,得到第N输出结果;图2中以N等于3为例,即将第二输出结果2220以及所述第一组训练数据210输入至预设的第三神经网络结构223,得到第三输出结果2230;
利用所述训练数据集中的每组训练数据按照上述过程对深度学习网络进行训练,直到达到设定条件时,停止迭代,得到N个级联的神经网络结构;图2中以3个级联的神经网络结构为例。其中,所述神经网络结构包括卷积神经网络和/或GAN网络。所述设定条件可以是第N输出结果与当前组训练数据中经过物理重建得到的衰减校正的PET图像之间的误差小于设定阈值,或者还可以是,从当前组训练数据输入至预设的第一神经网络结构到得到当前组训练数据对应的第N输出结果时所花费的时间小于设定阈值。
进一步的,为了加快深度学习网络的收敛速度,提高对深度学习网络的训练质量,按照如下方法对训练数据集中的每组训练数据进行预处理:
对每组训练数据中的PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像进行重采样,得到预设尺寸的PET-CT扫描得到的CT图像、对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像;
将所述预设尺寸的PET-CT扫描得到的CT图像、对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像进行标准化处理,具体的,按照如下公式对所述预设尺寸的PET-CT扫描得到的CT图像、对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像进行标准化处理:
其中,I'为标准化之后的图像,I为标准化之前的图像,μ为图像的标准差,σ为图像的均值。
每组训练数据中的PET-CT扫描得到的CT图像与对应的未衰减校正的PET图像可通过2m PET-CT设备对样本进行数据采集和生数据重建得到,通过将每组训练数据中的PET-CT扫描得到的CT图像与对应的未衰减校正的PET图像经过物理重建,得到经过物理重建得到的衰减校正的PET图像,作为深度学习网络的金标准。由于输入数据(未衰减校正的PET图像)与金标准(衰减校正的PET图像)之间特征的差异性,通过一次深度学习网络的预测,会丢失部分图像的细节信息,不能完全充分地做到PET图像的重建。因此,本实施例采取了深度的auto-context策略(Deep auto-context learning):即使用一个深度学习网络结构作为基础的训练单元(例如图2中的第一神经网络结构221),顺序结合多个基础训练单元构成算法训练的网络结构(例如图2中的第二神经网络结构222、第三神经网络结构223)。Deepauto-context learning策略可以逐步改善预测图像与金标准之间的差异性,最终得出高质量的衰减校正的PET图像。本实施例采用的深度学习基础训练单元,包括但不限于FullyConvolutional Networks(诸如:V-NET、U-NET等)或者Generative Adversarial Nets(诸如:pix2pix,WGAN等)。为了实现快速重建的目的,在尽可能保证质量的前提下,可限制深度学习网络的深度,并在网络结构中,尽可能减少卷积层的特征映射数量。优选的,卷积层的卷积核大小(kernel-size)可设置为3,步长(stride)可设置为1,补全大小(padding)可设置为1。GAN网络利用生成网络(Generator)和判别网络(Discriminator)两个网络的“不断博弈”,使得生成网络(Generator)在最终平衡点能够生成跟金标准非常相似的图像。当对实时预览图像质量有较高要求时,可以优先选择GAN网络。此外,为了尽可能的重建图像细节,深度学习网络中会使用跳层连接(skip-connection)、残差结构(residual block)或者稠密结构(dense block)来组合各层次特征(Hierarchical feature)。为了避免重建图像过于平滑以及受孤立噪声的影响,在基础训练单元结构中增加了平滑的L1损失(smoothL1loss)。
本实施例提供的一种PET图像重建方法,通过基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像的技术手段,极大地提高了PET图像的重建速度,从而实现了PET图像的实时预览。
实施例二
图3为本发明实施例二提供的一种PET图像重建方法流程示意图。在上述实施例的基础上,本实施例进行了进一步优化,在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前,增加了“对所述CT图像以及未衰减校正的PET图像进行预处理”的步骤,优化的好处是可以提高神经网络模型的处理速度以及PET图像的重建质量。具体参见图3所示,所述方法包括如下步骤:
步骤310、基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像。
步骤320、对所述CT图像以及未衰减校正的PET图像进行图像配准,得到配准后的CT图像以及未衰减校正的PET图像。
其中,对所述CT图像以及未衰减校正的PET图像进行图像配准的实质为:对于所述CT图像寻求一种或者一系列的空间变换,使它与所述未衰减校正的PET图像上的对应点达到空间上的一致。这种一致是指同一解剖点在所述CT图像上,与在所述未衰减校正的PET图像上有相同的空间位置。通常配准算法的策略是,假定两幅待配准的图像分别为M和F,定义一个目标函数(也称能量函数)E=E(M,F(T)),其中T代表对图像F的像素空间变换,一般认为E值的大小代表了图像之间的配准程度,对于特定的配准任务,图像M和F是确定的,因此E是空间变换T的函数,即E=E(T)。
步骤330、对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样,得到预设尺寸的CT图像以及未衰减校正的PET图像。
为了适配神经网络模型的输入,提高神经网络模型的图像重建质量与速度,需要对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样,得到预设尺寸的CT图像以及未衰减校正的PET图像;所述预设尺寸依据设计的网络模型进行设定。常用的重采样算法包括最邻近算法、双线性内插算法以及立方卷积算法等。
步骤340、将所述预设尺寸的CT图像以及未衰减校正的PET图像进行标准化处理,得到标准化之后的CT图像以及未衰减校正的PET图像。
具体的,按照如下公式对所述预设尺寸的CT图像以及未衰减校正的PET图像进行标准化处理:
其中,I'为标准化之后的图像,I为标准化之前的图像,μ为图像的标准差,σ为图像的均值。
将所述标准化之后的CT图像以及未衰减校正的PET图像基于预设维度进行连接,具体为:将CT图像和未衰减校正的PET图像作为特征图,在通道(channel)维度上进行拼接。
步骤350、将所述标准化之后的CT图像以及未衰减校正的PET图像基于预设维度进行连接,得到连接之后的图像。
步骤360、将所述连接之后的图像作为输入图像依次输入至N个级联的神经网络结构,得到输出图像。
步骤370、利用训练数据集中经过物理重建得到的衰减校正的PET图像的均值和标准差对所述输出图像进行处理,得到衰减校正的PET图像。
其中,所述预先训练好的神经网络模型包括N个级联的神经网络结构,N=4,所述神经网络结构包括卷积神经网络和/或GAN网络。
具体的,按照如下公式对所述输出图像进行处理,得到衰减校正的PET图像:
f”=f'*σgt+μgt
其中,f”表示衰减校正的PET图像,f'表示所述预先训练好的神经网络模型的输出图像,σgt表示训练数据集中衰减校正的PET图像的标准差,μgt表示训练数据集中衰减校正的PET图像的均值。
步骤380、将所述衰减校正的PET图像进行第二次重采样,以使所述衰减校正的PET图像的大小与进行第一次重采样之前的未衰减校正的PET图像的大小相同。
步骤390、将经过第二次重采样之后的衰减校正的PET图像传输至展示窗进行展示。
步骤3100、依据所述衰减校正的PET图像的质量发送控制指令,以获得符合预设标准的衰减校正的PET图像。
其中,所述控制指令包括:调整扫描设备指令、调整病人姿态指令以及重新扫描指令中的至少一种。
本实施例提供的一种PET图像重建方法,在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前,增加了“对所述CT图像以及未衰减校正的PET图像进行预处理”的步骤,提高了神经网络模型的处理速度以及PET图像的重建质量,通过将经过第二次重采样之后的衰减校正的PET图像传输至展示窗进行展示,实现了对衰减校正的PET图像的实时预览,并可根据衰减校正的PET图像的质量对扫描过程进行实时控制。
实施例三
图4为本发明实施例三提供的一种PET图像重建装置结构示意图。参见图4所示,所述装置包括:图像获取模块410和重建模块420;
其中,图像获取模块410,用于基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
重建模块420,用于将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
进一步的,所述装置还包括预处理模块,用于在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前,对所述CT图像以及未衰减校正的PET图像进行预处理;所述预处理模块具体包括:
配准单元,用于对所述CT图像以及未衰减校正的PET图像进行图像配准,得到配准后的CT图像以及未衰减校正的PET图像;
第一重采样单元,用于对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样,得到预设尺寸的CT图像以及未衰减校正的PET图像;
标准化处理单元,用于将所述预设尺寸的CT图像以及未衰减校正的PET图像进行标准化处理,得到标准化之后的CT图像以及未衰减校正的PET图像;
连接单元,用于将所述标准化之后的CT图像以及未衰减校正的PET图像基于预设维度进行连接,得到连接之后的图像。
进一步的,所述装置还包括训练模块,用于基于训练数据集对深度学习网络进行训练,得到所述预先训练好的神经网络模型,其中,所述训练数据集中的每组训练数据包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像。
进一步的,所述训练模块具体用于:将所述训练数据集中的第一组训练数据输入至预设的第一神经网络结构,得到第一输出结果;将所述第一输出结果以及所述第一组训练数据输入至预设的第二神经网络结构,得到第二输出结果;重复上述迭代过程,将第N-1输出结果以及所述第一组训练数据输入至预设的第N神经网络结构,得到第N输出结果,直到达到设定条件时,停止迭代;利用所述训练数据集中的每组训练数据按照上述过程对深度学习网络进行训练,得到N个级联的神经网络结构;其中,所述神经网络结构包括卷积神经网络和/或GAN网络。
进一步的,重建模块420包括:
输入单元,用于将所述连接之后的图像作为输入图像依次输入至N个级联的神经网络结构,得到输出图像;
处理单元,用于利用训练数据集中经过物理重建得到的衰减校正的PET图像的均值和标准差对所述输出图像进行处理,得到衰减校正的PET图像;其中,所述预先训练好的神经网络模型包括N个级联的神经网络结构,N=4,所述神经网络结构包括卷积神经网络和/或GAN网络。
进一步的,所述装置还包括第二重采样模块,用于在得到衰减校正的PET图像之后,将所述衰减校正的PET图像进行第二次重采样,以使所述衰减校正的PET图像的大小与进行第一次重采样之前的未衰减校正的PET图像的大小相同;
展示模块,用于将经过第二次重采样之后的衰减校正的PET图像传输至展示窗进行展示。
进一步的,所述装置还包括:控制指令发送模块,用于在得到衰减校正的PET图像之后,依据所述衰减校正的PET图像的质量发送控制指令,以获得符合预设标准的衰减校正的PET图像;其中,所述控制指令包括:调整扫描设备指令、调整病人姿态指令以及重新扫描指令中的至少一种。
本实施例提供的PET图像重建装置,通过基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像的技术手段,极大地提高了PET图像的重建速度,从而实现了PET图像的实时预览。
进一步的,参见图5a-图5c、图6a-图6c、图7a-图7c所示的CT图像、未衰减校正的PET图像以及通过本发明实施例提供的PET图像重建方法得到的衰减校正的PET图像的示意图;其中,图5a、图6a以及图7a分别表示CT图像的示意图,图5b表示与图5a所示的CT图像对应的未衰减校正的PET图像示意图,图5c表示图5a以及图5b对应的衰减校正的PET图像的示意图。图6b表示与图6a所示的CT图像对应的未衰减校正的PET图像示意图,图6c表示图6a以及图6b对应的衰减校正的PET图像的示意图。图7b表示与图7a所示的CT图像对应的未衰减校正的PET图像示意图,图7c表示图7a以及图7b对应的衰减校正的PET图像的示意图。通过上述图5a-图5c、图6a-图6c、图7a-图7c可清楚看出通过结合对应的CT图像,使得衰减校正的PET图像中肺部区域、软组织以及表皮组织等结构重建的更清晰。
实施例四
图8为本发明实施例四提供的一种电子设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图8显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示,通常称为“硬盘驱动器”)。尽管图8中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如PET图像重建装置中的图像获取模块410和重建模块420等)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如PET图像重建装置中的图像获取模块410和重建模块420等)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的PET图像重建方法,该方法包括:
基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的PET图像重建方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的PET图像重建方法的技术方案。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种PET图像重建方法,该方法包括:
基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的PET图像重建相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种PET图像重建方法,其特征在于,包括:
基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像;
在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前,所述方法还包括:
对所述CT图像以及未衰减校正的PET图像进行预处理,具体包括:
对所述CT图像以及未衰减校正的PET图像进行图像配准,得到配准后的CT图像以及未衰减校正的PET图像;
对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样,得到预设尺寸的CT图像以及未衰减校正的PET图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述CT图像以及未衰减校正的PET图像进行预处理,还包括:
将所述预设尺寸的CT图像以及未衰减校正的PET图像进行标准化处理,得到标准化之后的CT图像以及未衰减校正的PET图像;
将所述标准化之后的CT图像以及未衰减校正的PET图像基于预设维度进行连接,得到连接之后的图像。
3.根据权利要求2所述的方法,其特征在于,还包括:基于训练数据集对深度学习网络进行训练,得到所述预先训练好的神经网络模型,其中,所述训练数据集中的每组训练数据包括PET-CT扫描得到的CT图像、与所述CT图像对应的未衰减校正的PET图像和经过物理重建得到的衰减校正的PET图像。
4.根据权利要求3所述的方法,其特征在于,所述基于训练数据集对深度学习网络进行训练,包括:
将所述训练数据集中的第一组训练数据输入至预设的第一神经网络结构,得到第一输出结果;
将所述第一输出结果以及所述第一组训练数据输入至预设的第二神经网络结构,得到第二输出结果;
重复上述迭代过程,将第N-1输出结果以及所述第一组训练数据输入至预设的第N神经网络结构,得到第N输出结果;利用所述训练数据集中的每组训练数据按照上述过程对深度学习网络进行训练,直到达到设定条件时,停止迭代,得到N个级联的神经网络结构;
其中,所述神经网络结构包括卷积神经网络和/或GAN网络。
5.根据权利要求4所述的方法,其特征在于,将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像,包括:
将所述连接之后的图像作为输入图像依次输入至N个级联的神经网络结构,得到输出图像;
利用训练数据集中经过物理重建得到的衰减校正的PET图像的均值和标准差对所述输出图像进行处理,得到衰减校正的PET图像;
其中,所述预先训练好的神经网络模型包括N个级联的神经网络结构,所述神经网络结构包括卷积神经网络和/或GAN网络。
6.根据权利要求4所述的方法,其特征在于,得到衰减校正的PET图像之后,还包括:
将所述衰减校正的PET图像进行第二次重采样,以使所述衰减校正的PET图像的大小与进行第一次重采样之前的未衰减校正的PET图像的大小相同;
将经过第二次重采样之后的衰减校正的PET图像传输至展示窗进行展示。
7.根据权利要求1-6任一项所述的方法,其特征在于,得到衰减校正的PET图像之后,所述方法还包括:
依据所述衰减校正的PET图像的质量发送控制指令,以获得符合预设标准的衰减校正的PET图像;
其中,所述控制指令包括:调整扫描设备指令、调整病人姿态指令以及重新扫描指令中的至少一种。
8.一种PET图像重建装置,其特征在于,所述装置包括:
图像获取模块,用于基于对生物体进行扫描分别得到对应的CT图像和未衰减校正的PET图像;
重建模块,用于将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型,得到衰减校正的PET图像;
所述装置还包括预处理模块,用于在将所述CT图像以及未衰减校正的PET图像输入至预先训练好的神经网络模型之前,对所述CT图像以及未衰减校正的PET图像进行预处理;所述预处理模块具体包括:
配准单元,用于对所述CT图像以及未衰减校正的PET图像进行图像配准,得到配准后的CT图像以及未衰减校正的PET图像;
第一重采样单元,用于对所述配准后的CT图像以及未衰减校正的PET图像进行第一次重采样,得到预设尺寸的CT图像以及未衰减校正的PET图像。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的PET图像重建方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的PET图像重建方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811630048.5A CN109697741B (zh) | 2018-12-28 | 2018-12-28 | 一种pet图像重建方法、装置、设备及介质 |
US16/728,081 US11501473B2 (en) | 2018-12-28 | 2019-12-27 | Systems and methods for image correction in positron emission tomography |
US18/054,922 US11887221B2 (en) | 2018-12-28 | 2022-11-14 | Systems and methods for image correction in positron emission tomography |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811630048.5A CN109697741B (zh) | 2018-12-28 | 2018-12-28 | 一种pet图像重建方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697741A CN109697741A (zh) | 2019-04-30 |
CN109697741B true CN109697741B (zh) | 2023-06-16 |
Family
ID=66232373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811630048.5A Active CN109697741B (zh) | 2018-12-28 | 2018-12-28 | 一种pet图像重建方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11501473B2 (zh) |
CN (1) | CN109697741B (zh) |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11756241B2 (en) * | 2018-02-23 | 2023-09-12 | Seoul National University R&Db Foundation | Positron emission tomography system and image reconstruction method using the same |
KR102210474B1 (ko) * | 2018-02-23 | 2021-02-01 | 서울대학교산학협력단 | 양전자방출 단층촬영 시스템 및 그것을 이용한 영상 재구성 방법 |
US20220180518A1 (en) * | 2019-03-08 | 2022-06-09 | University Of Southern California | Improved histopathology classification through machine self-learning of "tissue fingerprints" |
CN110223247B (zh) * | 2019-05-20 | 2022-06-24 | 上海联影医疗科技股份有限公司 | 图像衰减校正方法、装置、计算机设备和存储介质 |
CN114096987A (zh) * | 2019-07-03 | 2022-02-25 | 韩国科学技术院 | 视频处理方法及装置 |
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 |
WO2021051049A1 (en) * | 2019-09-12 | 2021-03-18 | Xie Huidong | Few-view ct image reconstruction system |
CN110717951B (zh) * | 2019-09-12 | 2021-08-03 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
CN110660111B (zh) * | 2019-09-18 | 2023-05-30 | 东软医疗系统股份有限公司 | Pet散射校正及图像重建方法、装置及设备 |
US11475535B2 (en) * | 2019-09-25 | 2022-10-18 | Siemens Medical Solutions Usa, Inc. | PET-CT registration for medical imaging |
CN110742632B (zh) * | 2019-10-24 | 2023-11-07 | 上海联影医疗科技股份有限公司 | Pet图像衰减校正方法和pet-ct设备 |
CN110874855B (zh) * | 2019-10-29 | 2022-08-19 | 中国科学院深圳先进技术研究院 | 一种协同成像方法、装置、存储介质和协同成像设备 |
CN110827335B (zh) * | 2019-11-01 | 2020-10-16 | 北京推想科技有限公司 | 乳腺影像配准方法和装置 |
CN110811665A (zh) * | 2019-11-29 | 2020-02-21 | 上海联影医疗科技有限公司 | Pet图像衰减校正方法、装置、计算机设备和存储介质 |
CN111275749B (zh) * | 2020-01-21 | 2023-05-02 | 沈阳先进医疗设备技术孵化中心有限公司 | 图像配准及其神经网络训练方法及装置 |
CN111340903B (zh) * | 2020-02-10 | 2023-04-25 | 深圳先进技术研究院 | 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统 |
US11508048B2 (en) | 2020-02-10 | 2022-11-22 | Shenzhen Institutes Of Advanced Technology | Method and system for generating composite PET-CT image based on non-attenuation-corrected PET image |
US11055639B1 (en) * | 2020-04-28 | 2021-07-06 | Sas Institute Inc. | Optimizing manufacturing processes using one or more machine learning models |
CN111681297B (zh) * | 2020-05-28 | 2024-02-27 | 上海联影智能医疗科技有限公司 | 图像重建方法、计算机设备和存储介质 |
WO2022094779A1 (zh) * | 2020-11-04 | 2022-05-12 | 深圳先进技术研究院 | 一种由pet图像生成ct图像的深度学习框架和方法 |
CN112231986B (zh) * | 2020-11-04 | 2023-04-07 | 中国电子科技集团公司第二十九研究所 | 一种数控衰减器建模方法 |
CN112669402B (zh) * | 2020-12-22 | 2023-09-15 | 颜建华 | 一种基于深度学习的四维pet显像的快速动态散射矫正方法 |
CN113491529B (zh) * | 2021-09-09 | 2021-12-17 | 之江实验室 | 一种无伴随ct辐射的单床pet延迟成像方法 |
WO2023046142A1 (en) * | 2021-09-26 | 2023-03-30 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for image processing |
CN115661281B (zh) * | 2022-10-11 | 2024-03-22 | 南方医科大学 | 正电子发射断层扫描图像衰减校正方法、系统及存储介质 |
CN115423893B (zh) * | 2022-11-03 | 2023-04-28 | 南京应用数学中心 | 基于多模态结构相似度神经网络的低剂量pet-ct重建方法 |
CN116502701B (zh) * | 2023-06-29 | 2023-10-20 | 合肥锐世数字科技有限公司 | 衰减校正方法和装置、训练方法和装置、成像方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102027507A (zh) * | 2008-05-15 | 2011-04-20 | 皇家飞利浦电子股份有限公司 | 使用未经衰减校正的pet发射图像补偿不完整解剖图像 |
KR20140055896A (ko) * | 2012-10-29 | 2014-05-09 | 한국과학기술원 | 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법 |
CN106491151A (zh) * | 2016-01-25 | 2017-03-15 | 上海联影医疗科技有限公司 | Pet图像获取方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10078889B2 (en) * | 2015-08-25 | 2018-09-18 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image calibration |
US10102451B2 (en) * | 2015-10-13 | 2018-10-16 | Elekta, Inc. | Pseudo-CT generation from MR data using tissue parameter estimation |
CN107133996B (zh) * | 2017-03-21 | 2020-08-04 | 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系统 |
CN107330949B (zh) * | 2017-06-28 | 2020-11-03 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
CN107638188B (zh) * | 2017-09-28 | 2021-03-19 | 江苏赛诺格兰医疗科技有限公司 | 图像衰减校正方法及装置 |
-
2018
- 2018-12-28 CN CN201811630048.5A patent/CN109697741B/zh active Active
-
2019
- 2019-12-27 US US16/728,081 patent/US11501473B2/en active Active
-
2022
- 2022-11-14 US US18/054,922 patent/US11887221B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102027507A (zh) * | 2008-05-15 | 2011-04-20 | 皇家飞利浦电子股份有限公司 | 使用未经衰减校正的pet发射图像补偿不完整解剖图像 |
KR20140055896A (ko) * | 2012-10-29 | 2014-05-09 | 한국과학기술원 | 소수의 저선량 ct 영상을 이용하여 pet 영상을 움직임 보상 및 감쇠 보정하는 방법 |
CN106491151A (zh) * | 2016-01-25 | 2017-03-15 | 上海联影医疗科技有限公司 | Pet图像获取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11887221B2 (en) | 2024-01-30 |
US20230071607A1 (en) | 2023-03-09 |
US20200211236A1 (en) | 2020-07-02 |
US11501473B2 (en) | 2022-11-15 |
CN109697741A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697741B (zh) | 一种pet图像重建方法、装置、设备及介质 | |
CN109961491B (zh) | 多模态图像截断补偿方法、装置、计算机设备和介质 | |
US10762398B2 (en) | Modality-agnostic method for medical image representation | |
JP7039153B2 (ja) | 敵対的生成ネットワークを使用した画像強調 | |
CN107133996B (zh) | 产生用于pet数据重建的衰减图的方法及pet/ct系统 | |
EP3338636B1 (en) | An apparatus and associated method for imaging | |
CN111161270B (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
WO2018119766A1 (zh) | 多模态图像处理系统及方法 | |
US10867375B2 (en) | Forecasting images for image processing | |
CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
WO2021239141A1 (zh) | 图像处理的方法及系统 | |
CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
JP2023133132A (ja) | トランスフォーマ特徴共有に基づくpet画像再構成方法、装置、デバイス及び媒体 | |
CN110555897B (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
CN111243052A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
CN113989231A (zh) | 动力学参数的确定方法、装置、计算机设备和存储介质 | |
JP2020201941A (ja) | トランケーション部分の予測画像を取得する方法及び装置 | |
US11915401B2 (en) | Apriori guidance network for multitask medical image synthesis | |
CN113052840A (zh) | 一种基于低信噪比pet图像的处理方法 | |
CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
JP2020195767A (ja) | イメージング方法及びイメージング装置 | |
WO2020209826A1 (en) | Deep reinforcement learning for computer assisted reading and analysis | |
Al-Dhamari et al. | Automatic cochlear multimodal 3D image segmentation and analysis using atlas–model-based method | |
KR102661917B1 (ko) | Mri 이미지를 활용한 ct 유사 이미지의 획득 방법 및 이를 수행하는 컴퓨팅 장치 | |
WO2023060735A1 (zh) | 图像生成模型训练及图像生成方法、装置、设备和介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |