CN110063742B - 散射校正方法、装置、计算机设备和存储介质 - Google Patents
散射校正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110063742B CN110063742B CN201910361381.9A CN201910361381A CN110063742B CN 110063742 B CN110063742 B CN 110063742B CN 201910361381 A CN201910361381 A CN 201910361381A CN 110063742 B CN110063742 B CN 110063742B
- Authority
- CN
- China
- Prior art keywords
- scanning
- state information
- whole
- information
- scan
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000001727 in vivo Methods 0.000 claims description 3
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000037081 physical activity Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 4
- 238000012636 positron electron tomography Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 6
- 238000012879 PET imaging Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/037—Emission tomography
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
Abstract
本申请涉及一种散射校正方法、装置、计算机设备和存储介质。所述方法包括:建立神经网络模型,对神经网络模型进行深度学习的训练,得到深度神经网络;基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。上述散射校正方法、装置、计算机设备和存储介质在对PET扫描中感兴趣部位的扫描图像的散射进行校正时,考虑了外部散射信息的影响,提高了对感兴趣部位的扫描图像进行散射校正的精确性,从而达到提高图像质量、提高成像量化准确性的效果。
Description
技术领域
本申请涉及PET成像技术领域,特别是涉及一种散射校正方法、装置、计算机设备和存储介质。
背景技术
散射校正是PET成像中最重要的物理校正之一,校正的准确性和精度直接影响PET图像质量和量化精确性,对病灶的诊断及治疗的评估具有重要的意义。目前短轴向视野的PET设备只能通过多床位扫描完成对人体的整体成像,在每一床的散射校正中仅仅用到该床位采集的数据进行校正,没有考虑该床位的外部散射的影响,会严重影响散射校正的准确性。
发明内容
基于此,有必要针对目前短轴向视野的PET设备只能通过多床位扫描完成对人体的整体成像,在每一床的散射校正中仅仅用到该床位采集的数据进行校正,没有考虑该床位的外部散射的影响,会严重影响散射校正的准确性的技术问题,提供一种能够散射校正方法、装置、计算机设备和存储介质。
一种散射校正方法,所述方法包括:
建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
在其中一个实施例中,所述建立神经网络模型之前,还包括:
基于全身扫描信息得到病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息。
在其中一个实施例中,所述基于全身扫描信息得到扫描视野内部身体状态信息和扫描视野外部身体状态信息包括:
基于全身扫描信息得到身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
在其中一个实施例中,
所述基于全身扫描信息得到身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息包括:
以PET扫描设备进行扫描,得到全身扫描信息;
基于所述全身扫描信息得到全身散射信息;
对所述全身扫描信息进行散射校正并重建,得到重建图像;
对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息。
在其中一个实施例中,所述扫描视野内部身体状态信息包括身体内部放射性活度分布信息及患者体内衰减系数分布信息。
在其中一个实施例中,所述身体内部放射性活度分布信息对应所述身体部位扫描图像,所述体内衰减系数分布信息来自CT扫描图像或MRI扫描图像的图像分割算法或基于单PET系统的MLAA算法。
在其中一个实施例中,所述基于所述全身扫描信息得到全身散射信息包括:
将所述全身扫描信息进行单散射模拟或MC模拟,得到所述全身散射信息。
一种散射校正装置,所述装置包括:
神经网络建立模块,用于建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
校正模块,用于基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
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:
建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
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:
建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
上述散射校正方法、装置、计算机设备和存储介质,通过建立神经网络模型,并以全身身体状态信息、各身体部位的扫描视野内部身体状态信息和扫描视野外部身体状态信息作为训练集对神经网络模型进行深度学习的训练,得到深度神经网络,基于扫描视野内部身体状态信息以及扫描视野外部身体状态信息进行校正重建,在对PET扫描中感兴趣部位的扫描图像的散射进行校正时,考虑了外部散射信息的影响,提高了对感兴趣部位的扫描图像进行散射校正的精确性,从而达到提高图像质量、提高成像量化准确性的效果。
附图说明
图1为本发明一实施例中散射校正方法的流程示意图;
图2为本发明一实施例中身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息获取方法的流程示意图;
图3为本发明一实施例中散射校正装置的结构框图;
图4为本发明一实施例中身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息获取装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
实施例
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。
目前市场上通用的PET系统具有有限的轴向视野,因此在人体扫描中需要多床位扫描。在每一床位扫描中进行散射校正,通常的做法是系统收集到每一单床位的数据,用单散射模拟或MC模拟来模拟出该床位的散射分布,然后通过tail fitting(尾部拟合)或其他fitting(拟合)的方法估计出散射事件。此方法有两个不足:
(1)由于放射源在人体内是连续分布的,在每一床位数据获取时,床位外面的outof scatter(外部散射)会进入视野被系统采集到。在单散射模拟或MC散射校正时,由于缺乏床位外面的信息无法准确的估计出out of scatter,从而影响单床位扫描中散射事件sinogram(弦图)形状的估计。
(2)现在通常是通过tail fitting的方法将sss或MC估计的散射事件与系统采集的事件映射到同一量级,该方法同时粗略的进行out of scatter校正,但是在病人注射剂量较低、扫描时间较短或在肥胖病人的扫描中,tail上的计数较少,噪声较大,会严重影响散射校正的准确性。
请参阅图1,图1为本发明一实施例的散射校正方法的示意图。
在本实施例中,所述散射校正方法包括:
步骤100,建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息。
示例性地,建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集,输入所述神经网络模型,对所述神经网络模型进行深度学习的训练,得到深度神经网络。可以理解的,所述深度神经网络的输入为全身身体状态信息和扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息。
具体地,所述全身身体状态信息包括病人的身高、体重和年龄。可以理解的,在其它实施例中,所述全身身体状态信息还可以包括其他信息。
可以理解的,所述病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息是基于病人的全身扫描信息得到的。具体地,基于病人的全身扫描信息得到病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息包括基于病人的全身扫描信息得到病人的身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
在本实施例中,所述扫描视野外部身体状态信息为进行PET扫描时,单床位视野外部的散射现象对单床位视野内部对应的身体部位造成的散射情况。
在本实施例中,所述身体部位扫描图像为对病人身体部位进行PET扫描得到的各身体部位的PET图像。
在本实施例中,所述扫描视野内部身体状态信息为各床位的PET图像对应的身体部位在人体中的大致位置和包含的主要器官等解剖学信息。
步骤110,基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
示例性地,所述基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像之前还包括检测全身身体状态信息。具体地,所述全身身体状态信息包括病人的身高、体重和年龄。可以理解的,在其它实施例中,所述全身身体状态信息还可以包括其他信息,只需与所述深度神经网络的训练集的身体状态信息对应即可。
具体地,所述基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像之前还包括获取感兴趣部位内部身体状态信息和感兴趣部位扫描图像。
可以理解的,所述感兴趣部位扫描图像为对感兴趣部位进行PET扫描得到的各身体部位的PET图像。
可以理解的,所述感兴趣部位内部身体状态信息为感兴趣部位内部放射性活度分布信息及患者体内衰减系数分布信息。具体地,所述身体内部放射性活度分布信息对应所述身体部位扫描图像,所述体内衰减系数分布信息来自CT扫描图像或MRI扫描图像的图像分割算法或基于单PET系统的MLAA算法。
上述散射校正方法通过深度神经网络得到接扫描视野内部身体状态信息以及扫描视野外部身体状态信息并进行校正重建,在对PET扫描中感兴趣部位的扫描图像的散射进行校正时,考虑了外部散射信息的影响,提高了对感兴趣部位的扫描图像进行散射校正的精确性,从而达到提高图像质量、提高成像量化准确性的效果。
请参参阅图2,图2为本发明一实施例中的身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息获取方法的示意图。
在本实施例中,所述方法包括:
步骤200,以全身PET扫描设备进行扫描,得到全身扫描信息。
步骤210,基于所述全身扫描信息得到全身散射信息。
可以理解的,所述全身散射信息为进行PET扫描时,病人全身各身体部位的散射情况。
可以理解的,将全身扫描信息进行单散射模拟或MC模拟,可以得到病人全身各身体部位的散射情况。在其它实施例中,可以采用其他模拟方式处理所述全身扫描信息,只需得到病人全身各身体部位的散射情况即可。
步骤220,对所述全身扫描信息进行散射校正并重建,得到重建图像。
示例性地,对所述全身扫描图像按照正常的物理校正和图像重建工作流进行校正并重建,得到重建图像。可以理解的,所述物理校正仅对身体部位内部散射进行校正,未校正身体部位外部散射。
步骤230,对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息。
示例性地,将所述重建图像按照30cm轴向长度、采样间隔为1cm进行分割,分别保存其单床位的重建图像,并对所述单床位的重建图像采用图像识别及AI算法,可得到单床位的重建图像对应的扫描视野内部身体状态信息,即各单床位的重建图像对应的身体部位内部放射性活度分布信息及患者体内衰减系数分布信息。可以理解的,基于各单床位的重建图像和所述全身散射信息,还可得到各单床位的重建图像对应的身体部位的扫描视野外部身体状态信息。可以理解的,在其它实施例中,可以按照其他分割距离或采样间隔进行分割,可以根据实际情况进行设置。
应该理解的是,虽然图1-2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1-2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3所示,提供了一种散射校正装置,包括:神经网络建立模块300和校正模块310,其中:
神经网络建立模块300,用于建立神经网络模型,以全身身体状态信息、扫描视野内部身体状态信息和扫描视野外部身体状建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息。
神经网络建立模块300,还用于基于病人的全身扫描信息得到病人的身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
校正模块310,用于基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
在一个实施例中,如图4所示,提供了一种身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息获取装置,包括:扫描模块400、散射信息获取模块410、校正重建模块420和分割模块430,其中:
扫描模块400,用于以全身PET扫描设备对病人进行扫描,得到全身扫描信息。
散射信息获取模块410,用于基于所述全身扫描信息得到全身散射信息。
散射信息获取模块410,还用于将所述全身扫描信息进行单散射模拟或MC模拟,得到所述全身散射信息。
校正重建模块420,用于对所述全身扫描信息进行散射校正并重建,得到重建图像。
分割模块430,用于对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息。
关于散射校正装置的具体限定可以参见上文中对于散射校正方法的限定,在此不再赘述。上述散射校正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5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散射校正方法。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5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:
建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
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:
基于全身扫描信息得到病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息。
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:
基于全身扫描信息得到身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
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:
以全身PET扫描设备进行扫描,得到全身扫描信息;
基于所述全身扫描信息得到全身散射信息;
对所述全身扫描信息进行散射校正并重建,得到重建图像;
对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息。
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:
将所述全身扫描信息进行单散射模拟或MC模拟,得到所述全身散射信息。
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:
建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
基于病人的全身扫描信息得到病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息。
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:
基于病人的全身扫描信息得到病人的身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
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:
以全身PET扫描设备进行扫描,得到全身扫描信息;
基于所述全身扫描信息得到全身散射信息;
对所述全身扫描信息进行散射校正并重建,得到重建图像;
对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息。
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:
将所述全身扫描信息进行单散射模拟或MC模拟,得到所述全身散射信息。
上述散射校正方法、装置、计算机设备和存储介质,通过建立神经网络模型,并以全身身体状态信息、各身体部位的扫描视野内部身体状态信息和扫描视野外部身体状态信息作为训练集对神经网络模型进行深度学习的训练,得到深度神经网络,基于扫描视野内部身体状态信息以及扫描视野外部身体状态信息进行校正重建,在对PET扫描中感兴趣部位的扫描图像的散射进行校正时,考虑了外部散射信息的影响,提高了对感兴趣部位的扫描图像进行散射校正的精确性,从而达到提高图像质量、提高成像量化准确性的效果。
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)
1.一种散射校正方法,用于对PET扫描中感兴趣部位的扫描图像的散射进行校正,其特征在于,所述方法包括:
以PET扫描设备进行扫描,得到全身扫描信息;
基于全身扫描信息得到全身散射信息;
对所述全身扫描信息进行散射校正并重建,得到重建图像;所述对所述全身扫描信息进行散射校正并重建包括对所述全身扫描信息中的全身扫描图像进行物理校正,所述物理校正仅对身体部位内部散射进行校正;
对所述重建图像进行分割,基于所述重建图像和所述全身散射信息,得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息;
建立神经网络模型,以所述扫描视野外部身体状态信息、所述扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
2.根据权利要求1所述的方法,其特征在于,所述建立神经网络模型之前,还包括:
基于全身扫描信息得到病人的扫描视野内部身体状态信息和扫描视野外部身体状态信息。
3.根据权利要求2所述的方法,其特征在于,所述基于全身扫描信息得到扫描视野内部身体状态信息和扫描视野外部身体状态信息包括:
基于全身扫描信息得到身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息。
4.根据权利要求1所述的方法,其特征在于,对所述重建图像进行分割,基于所述重建图像和所述全身散射信息得到所述身体部位扫描图像和对应的所述扫描视野内部身体状态信息、所述扫描视野外部身体状态信息包括:
将所述重建图像按照分割距离或采样间隔进行分割,得到单床位的重建图像;
对所述单床位的重建图像采用图像识别及AI算法,得到单床位的重建图像对应的所述扫描视野内部身体状态信息、对应的身体部位的扫描视野外部身体状态信息。
5.根据权利要求1所述的方法,其特征在于,所述扫描视野内部身体状态信息包括身体内部放射性活度分布信息及患者体内衰减系数分布信息。
6.根据权利要求5所述的方法,其特征在于,所述身体内部放射性活度分布信息对应所述身体部位扫描图像,所述体内衰减系数分布信息来自CT扫描图像或MRI扫描图像的图像分割算法或基于单PET系统的MLAA算法。
7.根据权利要求1所述的方法,其特征在于,所述基于所述全身扫描信息得到全身散射信息包括:
将所述全身扫描信息进行单散射模拟或MC模拟,得到所述全身散射信息。
8.一种散射校正装置,其特征在于,所述装置包括:
身体部位扫描图像、扫描视野内部身体状态信息和扫描视野外部身体状态信息获取装置,所述获取装置包括:扫描模块、散射信息获取模块、校正重建模块和分割模块;其中,扫描模块,用于以全身PET扫描设备对病人进行扫描,得到全身扫描数据全身扫描信息;散射信息获取模块,用于基于所述全身扫描数据全身扫描信息得到全身散射信息;校正重建模块,用于对所述全身扫描数据全身扫描信息进行散射校正并重建,得到重建图像,所述对所述全身扫描信息进行散射校正并重建包括对所述全身扫描信息中的全身扫描图像进行物理校正,所述物理校正仅对身体部位内部散射进行校正;分割模块,用于对所述重建图像进行分割,基于所述重建图像和全身散射信息得到身体部位扫描图像和对应的扫描视野内部身体状态信息、扫描视野外部身体状态信息;
神经网络建立模块,用于建立神经网络模型,以扫描视野外部身体状态信息、扫描视野内部身体状态信息及全身身体状态信息作为训练集对所述神经网络模型进行深度学习的训练,得到深度神经网络,所述深度神经网络的输入为扫描视野内部身体状态信息,输出为扫描视野外部身体状态信息;
校正模块,用于基于所述扫描视野内部身体状态信息以及扫描视野外部身体状态信息对感兴趣部位的扫描图像进行校正并重建,得到感兴趣部位的校正扫描图像。
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 |
---|---|---|---|
CN201910361381.9A CN110063742B (zh) | 2019-04-30 | 2019-04-30 | 散射校正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361381.9A CN110063742B (zh) | 2019-04-30 | 2019-04-30 | 散射校正方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110063742A CN110063742A (zh) | 2019-07-30 |
CN110063742B true CN110063742B (zh) | 2024-01-02 |
Family
ID=67369765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910361381.9A Active CN110063742B (zh) | 2019-04-30 | 2019-04-30 | 散射校正方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110063742B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN110673194B (zh) * | 2019-10-28 | 2021-04-20 | 上海联影医疗科技股份有限公司 | 康普顿散射序列恢复方法、装置、设备及介质 |
CN112998732B (zh) * | 2021-02-08 | 2023-07-18 | 上海联影医疗科技股份有限公司 | Pet数据校正方法、装置、计算机设备以及pet图像重建方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1405598A1 (en) * | 2002-10-01 | 2004-04-07 | Kabushiki Kaisha Toshiba | X-ray ct apparatus |
CN101109719A (zh) * | 2006-05-08 | 2008-01-23 | Ge医疗系统环球技术有限公司 | 辐射成像装置和辐射成像方法 |
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 |
CN103908280A (zh) * | 2013-01-08 | 2014-07-09 | 上海联影医疗科技有限公司 | Pet散射校正的方法 |
WO2016178116A1 (en) * | 2015-05-04 | 2016-11-10 | Koninklijke Philips N.V. | Solving outside-field of view scatter correction problem in positron emission tomography via digital experimentation |
CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
CN106999135A (zh) * | 2014-12-10 | 2017-08-01 | 皇家飞利浦有限公司 | 正电子发射计算机断层摄影中的使用平片和先前患者数据的fov外活性估计 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN108242068A (zh) * | 2016-12-23 | 2018-07-03 | 通用电气公司 | 用于正电子发射断层成像中的散射校正的方法和系统 |
CN108606805A (zh) * | 2018-03-15 | 2018-10-02 | 沈阳东软医疗系统有限公司 | 一种散射校正方法、装置及设备 |
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
WO2019063760A1 (en) * | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | DISPERSION CORRECTION BASED ON DEEP LEARNING |
CN109658472A (zh) * | 2018-12-21 | 2019-04-19 | 上海联影医疗科技有限公司 | 处理正电子发射计算机断层扫描图像数据的系统和方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8415630B2 (en) * | 2009-12-21 | 2013-04-09 | General Electric Company | Apparatus and methods for determining a boundary of an object for positron emission tomography scatter correction |
US11126914B2 (en) * | 2017-10-11 | 2021-09-21 | General Electric Company | Image generation using machine learning |
-
2019
- 2019-04-30 CN CN201910361381.9A patent/CN110063742B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1405598A1 (en) * | 2002-10-01 | 2004-04-07 | Kabushiki Kaisha Toshiba | X-ray ct apparatus |
CN101109719A (zh) * | 2006-05-08 | 2008-01-23 | Ge医疗系统环球技术有限公司 | 辐射成像装置和辐射成像方法 |
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 |
CN103908280A (zh) * | 2013-01-08 | 2014-07-09 | 上海联影医疗科技有限公司 | Pet散射校正的方法 |
CN106999135A (zh) * | 2014-12-10 | 2017-08-01 | 皇家飞利浦有限公司 | 正电子发射计算机断层摄影中的使用平片和先前患者数据的fov外活性估计 |
WO2016178116A1 (en) * | 2015-05-04 | 2016-11-10 | Koninklijke Philips N.V. | Solving outside-field of view scatter correction problem in positron emission tomography via digital experimentation |
CN107636493A (zh) * | 2015-05-04 | 2018-01-26 | 皇家飞利浦有限公司 | 经由数字实验解决正电子发射断层摄影中的视场外散射校正问题 |
CN108242068A (zh) * | 2016-12-23 | 2018-07-03 | 通用电气公司 | 用于正电子发射断层成像中的散射校正的方法和系统 |
CN106491153A (zh) * | 2016-12-29 | 2017-03-15 | 上海联影医疗科技有限公司 | 一种pet散射校正方法、pet成像方法及pet成像系统 |
CN107516330A (zh) * | 2017-08-31 | 2017-12-26 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
WO2019063760A1 (en) * | 2017-09-28 | 2019-04-04 | Koninklijke Philips N.V. | DISPERSION CORRECTION BASED ON DEEP LEARNING |
CN108606805A (zh) * | 2018-03-15 | 2018-10-02 | 沈阳东软医疗系统有限公司 | 一种散射校正方法、装置及设备 |
CN109308728A (zh) * | 2018-10-25 | 2019-02-05 | 上海联影医疗科技有限公司 | 正电子发射型计算机断层扫描图像处理方法及装置 |
CN109658472A (zh) * | 2018-12-21 | 2019-04-19 | 上海联影医疗科技有限公司 | 处理正电子发射计算机断层扫描图像数据的系统和方法 |
Non-Patent Citations (1)
Title |
---|
汪静主等.核医学诊断设备及其应用.西安:第四军医大学出版社,2013,第83页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110063742A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110063742B (zh) | 散射校正方法、装置、计算机设备和存储介质 | |
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
CN111179372B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
CN111223066B (zh) | 运动伪影校正方法、装置、计算机设备和可读存储介质 | |
CN106491151B (zh) | Pet图像获取方法及系统 | |
CN111161270A (zh) | 医学影像的血管分割方法、计算机设备和可读存储介质 | |
CN103186882B (zh) | Pet系统中图像的衰减校正方法及装置 | |
CN110084868B (zh) | 图像校正方法、装置、计算机设备和可读存储介质 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
CN111105472B (zh) | Pet图像的衰减校正方法、装置、计算机设备和存储介质 | |
CN110136076B (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
CN110223247B (zh) | 图像衰减校正方法、装置、计算机设备和存储介质 | |
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 | |
CN110687585B (zh) | 获取晶体效率的方法、装置、计算机设备和存储介质 | |
CN110673070B (zh) | 磁共振信号校正网络的训练方法和磁共振信号处理方法 | |
CN108873047B (zh) | 检测放射源活度的方法、系统、计算机设备和存储介质 | |
CN110811665A (zh) | Pet图像衰减校正方法、装置、计算机设备和存储介质 | |
CN114913259A (zh) | 截断伪影校正方法、ct图像校正方法、设备和介质 | |
CN114677415A (zh) | 图像配准方法、装置、计算机设备及可读存储介质 | |
CN110992280B (zh) | Pet图像衰减校正方法、装置、计算机设备 | |
CN112365479A (zh) | Pet参数图像处理方法、装置、计算机设备及存储介质 | |
CN112150451A (zh) | 对称信息检测方法、装置、计算机设备和存储介质 | |
CN110211198B (zh) | 图像散射校正方法、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 | ||
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. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |