CN110415311A - Pet图像重建方法、系统、可读存储介质和设备 - Google Patents
Pet图像重建方法、系统、可读存储介质和设备 Download PDFInfo
- Publication number
- CN110415311A CN110415311A CN201910689288.0A CN201910689288A CN110415311A CN 110415311 A CN110415311 A CN 110415311A CN 201910689288 A CN201910689288 A CN 201910689288A CN 110415311 A CN110415311 A CN 110415311A
- Authority
- CN
- China
- Prior art keywords
- pet
- image reconstruction
- data
- reconstruction
- data string
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000005215 recombination Methods 0.000 claims description 12
- 230000006798 recombination Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 7
- 238000013481 data capture Methods 0.000 claims description 4
- 238000002059 diagnostic imaging Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000004044 response Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000700 radioactive tracer Substances 0.000 description 3
- 101000911390 Homo sapiens Coagulation factor VIII Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 102000057593 human F8 Human genes 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 229940047431 recombinate Drugs 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005442 electron-positron pair Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明涉及一种PET图像重建方法、系统、可读存储介质和设备，属于医疗影像技术领域，在医学成像设备对扫描对象进行扫描后，获取PET扫描的原始数据，以原始数据为基础分析生成第一数据弦图，将其输入至经训练的深度学习图像重建模型中，利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
Description
技术领域
本发明涉及医疗影像技术领域，特别是涉及一种PET图像重建方法、系统、可读存储介质和设备。
背景技术
PET(Positron Emission Tomography，正电子发射计算机断层扫描)是医学领域中较为先进的临床检查影像技术，目前已被广泛应用于医学领域的诊断和研究。
在通过PET系统对生物体进行扫描前，先给生物体注射含有放射性核素的示踪剂，示踪剂在生物体内会发生衰变并产生正电子，接着衰变后产生的正电子在行进十分之几毫米到几毫米后，与生物体内的电子相遇，发生正负电子对湮灭反应，从而生成一对方向相反、能量相同的光子，这一对光子穿过生物体组织，被PET系统的探测器接收，并经计算机进行散射和随机信息的校正，以通过相应的图像重建算法生成能够反映示踪剂在生物体内分布的图像。
在目前的PET系统中，为了在图像重建时强化最有价值的那部分数据的表达，一般采用动态重建的方式，但为了确定需要的数据，动态重建的方式耗时较长。
发明内容
基于此，有必要针对传统的PET图像重建过程耗时较长的问题，提供一种PET图像重建方法、系统、可读存储介质和设备。
一种PET图像重建方法，包括以下步骤：
获取PET扫描的原始数据；
根据原始数据生成第一数据弦图；
将第一数据弦图输入至经训练的深度学习图像重建模型，获取PET重建图像。
根据上述的PET图像重建方法，在医学成像设备对扫描对象进行扫描后，获取PET扫描的原始数据，以原始数据为基础分析生成第一数据弦图，将其输入至经训练的深度学习图像重建模型中，利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
在其中一个实施例中，将第一数据弦图输入至经训练的深度学习图像重建模型的步骤包括以下步骤：
对第一数据弦图进行降采样处理，获得第二数据弦图；
将第二数据弦图输入至经训练的深度学习图像重建模型。
在其中一个实施例中，对第一数据弦图进行降采样处理的步骤包括以下步骤：
通过单层重组、多层重组或稀疏采样算法的方式对第一数据弦图进行降采样处理。
在其中一个实施例中，根据原始数据生成第一数据弦图的步骤包括以下步骤：
对第一数据弦图的弦图数据进行校正，获得校正后的第一数据弦图。
在其中一个实施例中，将第一数据弦图输入至经训练的深度学习图像重建模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的原始数据样本；
根据原始数据样本生成第一数据弦图样本；
获取原始数据样本对应的PET重建图像样本；
获取深度学习模型，将第一数据弦图样本作为输入训练样本，将PET重建图像样本作为输出训练样本，对深度学习模型进行训练，获得深度学习图像重建模型。
在其中一个实施例中，获取原始数据样本对应的PET重建图像样本的步骤包括以下步骤：
采用迭代重建算法或解析重建算法对原始数据样本进行重建，得到PET重建图像样本。
一种PET图像重建系统，包括：
数据获取单元，用于获取PET扫描的原始数据；
弦图生成单元，用于根据原始数据生成第一数据弦图；
图像重建单元，用于将第一数据弦图输入至预设的图像重建模型，获取PET重建图像。
根据上述的PET图像重建系统，在医学成像设备对扫描对象进行扫描后，数据获取单元获取PET扫描的原始数据，弦图生成单元以原始数据为基础分析生成第一数据弦图，图像重建单元将其输入至经训练的深度学习图像重建模型中，利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
在其中一个实施例中，图像重建单元还用于对第一数据弦图进行降采样处理，获得第二数据弦图；将第二数据弦图输入至经训练的深度学习图像重建模型。
在其中一个实施例中，图像重建单元还用于通过单层重组、多层重组或稀疏采样算法的方式对第一数据弦图进行降采样处理。
在其中一个实施例中，弦图生成单元还用于对第一数据弦图的弦图数据进行校正，获得校正后的第一数据弦图。
在其中一个实施例中，PET图像重建系统还包括模型训练单元，用于获取不同PET扫描对象的原始数据样本；根据原始数据样本生成第一数据弦图样本；获取原始数据样本对应的PET重建图像样本；获取深度学习模型，将第一数据弦图样本作为输入训练样本，将PET重建图像样本作为输出训练样本，对深度学习模型进行训练，获得深度学习图像重建模型。
在其中一个实施例中，模型训练单元还用于采用迭代重建算法或解析重建算法对原始数据样本进行重建，得到PET重建图像样本。
一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述的PET图像重建方法的步骤。
上述可读存储介质，通过其存储的可执行程序，可以实现利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
一种PET图像重建设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行可执行程序时实现上述的PET图像重建方法的步骤。
上述PET图像重建设备，通过在处理器上运行可执行程序，可以实现利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
附图说明
图1为一个实施例中的PET图像重建方法的流程示意图；
图2为另一个实施例中的PET图像重建方法的流程示意图；
图3为又一个实施例中的PET图像重建方法的流程示意图；
图4为再一个实施例中的PET图像重建方法的流程示意图；
图5为一个实施例中的PET图像重建系统的结构示意图；
图6为另一个实施例中的PET图像重建系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，本发明实施例所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本申请提供的PET图像重建方法，可以应用于PET扫描成像的应用场景中。
参见图1所示，为本发明一个实施例的PET图像重建方法的流程示意图。该实施例中的PET图像重建方法包括以下步骤：
步骤S110：获取PET扫描的原始数据；
在本步骤中，PET扫描系统的探测器接收光子以后，通过光电转换可以得到相应的电信号，对电信号进行数据处理后，可以得到PET扫描的原始数据；
步骤S120：根据原始数据生成第一数据弦图；
在本步骤中，对原始数据进行分析处理后，可以得知探测到的光子的能量，如果光子的能量高于预定的能量阈值，则该光子被记录为一个单事件，如果两个单事件之间满足时间符合，则该两个单事件可以称为一个符合事件，遍历原始数据后，可以获得PET符合事件数据，利用PET符合事件数据可以确定探测到两个单事件的晶体之间的连线，即响应线，第一数据弦图反映响应线的属性和特征；
步骤S130：将第一数据弦图输入至经训练的深度学习图像重建模型，获取PET重建图像。
在本步骤中，经训练的深度学习具备数据弦图与相应的PET重建图像之间的联系，将前述步骤得到的第一数据弦图作为经训练的深度学习图像重建模型的输入，经训练的深度学习图像重建模型可根据输入的信息快速输出PET重建图像；
在本实施例中，在医学成像设备对扫描对象进行扫描后，获取PET扫描的原始数据，以原始数据为基础分析生成第一数据弦图，将其输入至经训练的深度学习图像重建模型中，利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
需要说明的是，PET图像重建方法适用于各种不同类型的PET设备，如不同轴向长度的PET设备等，在动态重建等应用场景中，可以较为快速地得到PET重建图像。
在一个实施例中，如图2所示，将第一数据弦图输入至经训练的深度学习图像重建模型的步骤包括以下步骤：
对第一数据弦图进行降采样处理，获得第二数据弦图；
将第二数据弦图输入至经训练的深度学习图像重建模型。
在本实施例中，在将数据弦图输入至经训练的深度学习图像重建模型之前，可以对其进行降采样处理，由于一般PET设备扫描过程中获得的数据量较大，对图像重建模型的硬件资源要求较高，因此可以对数据弦图进行降采样处理，在不影响图像重建的同时，减小图像重建模型的数据处理量，加快经训练的深度学习图像重建模型的处理进程。
在一个实施例中，如图3所示，对第一数据弦图进行降采样处理的步骤包括以下步骤：
通过单层重组、多层重组或稀疏采样算法的方式对第一数据弦图进行降采样处理。
在本实施例中，在进行降采样处理时，可以采用单层重组、多层重组或稀疏采样算法等方式，单层重组是将倾斜的响应线重组到两个探测器环的中间平面上，多层重组是将倾斜的响应线均匀地重组到两个探测器环的各个平面上，将斜响应线均匀地投影到所有与该响应线相交的二维断层平面上，通过重组可以忽略响应线与断层平面之间的夹角，减小数据弦图的数据量；稀疏采样算法采用随机采样获取信号的离散样本，通过非线性重建算法重建信号，在计算过程中同样可以减少数据弦图的数据量。
在一个实施例中，如图4所示，根据原始数据生成第一数据弦图的步骤包括以下步骤：
对第一数据弦图的弦图数据进行校正，获得校正后的第一数据弦图。
在本实施例中，在生成第一数据弦图时，由于PET扫描时，光子穿透组织时会发生衰减，光子信号减弱，光子穿透组织时还会发生散射，不仅损失能量，还会改变方向，两个光子来自于同一湮灭事件，但是两者的连线并不通过湮灭位置，携带了错误的位置空间信息，由于PET扫描过程中存在衰减现象和散射现象，仅通过原始数据生成的第一数据弦图的弦图数据会有偏差，需要通过校正提高第一数据弦图的正确性。
进一步的，通过对PET扫描对象进行电子计算机断层扫描(CT扫描)，得到电子计算机断层扫描数据(CT数据)，电子计算机断层扫描数据反映的是每个体素经过射线扫描后的衰减情况，以此可以得到PET扫描对象在扫描过程中的衰减信息，而且在实际应用中，许多医学成像设备同时具备PET扫描和CT扫描，因此在PET扫描时很容易得到电子计算机断层扫描数据。
在一个实施例中，将第一数据弦图输入至经训练的深度学习图像重建模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的原始数据样本；
根据原始数据样本生成第一数据弦图样本；
获取原始数据样本对应的PET重建图像样本；
获取深度学习模型，将第一数据弦图样本作为输入训练样本，将PET重建图像样本作为输出训练样本，对深度学习模型进行训练，获得深度学习图像重建模型。
在本实施例中，深度学习图像重建模型是通过模型训练得到的，先通过多个不同PET扫描对象的原始数据样本生成第一数据弦图样本，获取原始数据样本对应的PET重建图像样本；将第一数据弦图样本作为深度学习模型的训练输入，将PET重建图像样本作为深度学习模型的训练输出，通过训练输入和训练输出对深度学习模型进行训练，得到深度学习图像重建模型，深度学习图像重建模型能对输入的第一数据弦图做出判断，输出相应的PET重建图像，使用深度学习图像重建模型可以简化对第一数据弦图的处理过程，节约图像重建的计算资源。
进一步的，可以将经过降采样的第二数据弦图作为深度学习模型的训练输入，得到深度学习图像重建模型，在使用深度学习图像重建模型时，将实际需要处理的第二数据弦图输入至图像重建模型。
在一个实施例中，获取原始数据样本对应的PET重建图像样本的步骤包括以下步骤：
采用迭代重建算法或解析重建算法对原始数据样本进行重建，得到PET重建图像样本。
在本实施例中，在训练深度学习模型时，需要准确的训练样本，采用迭代重建算法或解析重建算法对原始数据样本进行重建，可以得到较为准确的PET重建图像样本，解析重建算法可以包括滤波反投影(FBP)算法、反投影滤波(BFP)算法、ρ滤波法等，或其组合；迭代重建算法可以包括最大似然期望最大化(ML-EM)、有序子集期望最大化(OSEM)、行处理最大化似然(RAMLA)、动态行处理最大化似然(DRAMA)等，或其组合，迭代重建算法重建出的图像具有较高的分辨率与辨识度。
根据上述PET图像重建方法，本发明实施例还提供一种PET图像重建系统，以下就PET图像重建系统的实施例进行详细说明。
参见图5所示，为一个实施例的PET图像重建系统的结构示意图。该实施例中的PET图像重建系统包括：
数据获取单元210，用于获取PET扫描的原始数据；
弦图生成单元220，用于根据原始数据生成第一数据弦图；
图像重建单元230，用于将第一数据弦图输入至预设的图像重建模型，获取PET重建图像。
在本实施例中，在医学成像设备对扫描对象进行扫描后，数据获取单元获取PET扫描的原始数据，弦图生成单元以原始数据为基础分析生成第一数据弦图，图像重建单元将其输入至经训练的深度学习图像重建模型中，利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
在一个实施例中，图像重建单元230还用于对第一数据弦图进行降采样处理，获得第二数据弦图；将第二数据弦图输入至经训练的深度学习图像重建模型。
在一个实施例中，图像重建单元230还用于通过单层重组、多层重组或稀疏采样算法的方式对第一数据弦图进行降采样处理。
在一个实施例中，弦图生成单元220还用于对第一数据弦图的弦图数据进行校正，获得校正后的第一数据弦图。
在一个实施例中，如图6所示，PET图像重建系统还包括模型训练单元240，用于获取不同PET扫描对象的原始数据样本，根据原始数据样本生成第一数据弦图样本；获取原始数据样本对应的PET重建图像样本；获取深度学习模型，将第一数据弦图样本作为输入训练样本，将PET重建图像样本作为输出训练样本，对深度学习模型进行训练，获得深度学习图像重建模型。
在一个实施例中，模型训练单元240还用于采用迭代重建算法或解析重建算法对PET符合事件数据样本进行重建，得到PET重建图像样本。
本发明实施例的PET图像重建系统与上述PET图像重建方法一一对应，在上述PET图像重建方法的实施例阐述的技术特征及其有益效果均适用于PET图像重建系统的实施例中。
一种可读存储介质，其上存储有可执行程序，可执行程序被处理器执行时实现上述的PET图像重建方法的步骤。
上述可读存储介质，通过其存储的可执行程序，可以实现利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
一种PET图像重建设备，包括存储器和处理器，存储器存储有可执行程序，处理器执行可执行程序时实现上述的PET图像重建方法的步骤。
上述PET图像重建设备，通过在处理器上运行可执行程序，可以实现利用深度学习图像重建模型的学习能力自动获取PET重建图像，相比于传统的动态重建方式，通过深度学习图像重建模型输出PET重建图像的速度更快，占用资源较少，有效减少重建时间耗时。
本领域普通技术人员可以理解实现上述实施例用于PET图像重建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，程序可存储于一非易失性的计算机可读取存储介质中，如实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述PET图像重建方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上所述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。
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步骤是可以通过程序来指令相关的硬件来完成。所述的程序可以存储于可读取存储介质中。该程序在执行时，包括上述方法所述的步骤。所述的存储介质，包括：ROM/RAM、磁碟、光盘等。
以上所述实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种PET图像重建方法，其特征在于，包括以下步骤：
获取PET扫描的原始数据；
根据所述原始数据生成第一数据弦图；
将所述第一数据弦图输入至经训练的深度学习图像重建模型，获取PET重建图像。
2.根据权利要求1所述的PET图像重建方法，其特征在于，所述将所述第一数据弦图输入至经训练的深度学习图像重建模型的步骤包括以下步骤：
对所述第一数据弦图进行降采样处理，获得第二数据弦图；
将所述第二数据弦图输入至所述经训练的深度学习图像重建模型。
3.根据权利要求2所述的PET图像重建方法，其特征在于，所述对所述第一数据弦图进行降采样处理的步骤包括以下步骤：
通过单层重组、多层重组或稀疏采样算法的方式对所述第一数据弦图进行降采样处理。
4.根据权利要求1所述的PET图像重建方法，其特征在于，所述根据所述原始数据生成第一数据弦图的步骤之后，还包括以下步骤：
对所述第一数据弦图的弦图数据进行校正，获得校正后的第一数据弦图。
5.根据权利要求1或4所述的PET图像重建方法，其特征在于，所述将所述第一数据弦图输入至经训练的深度学习图像重建模型的步骤之前，还包括以下步骤：
获取不同PET扫描对象的原始数据样本；
根据所述原始数据样本生成第一数据弦图样本；
获取原始数据样本对应的PET重建图像样本；
获取深度学习模型，将所述第一数据弦图样本作为输入训练样本，将所述PET重建图像样本作为输出训练样本，对所述深度学习模型进行训练，获得所述深度学习图像重建模型。
6.根据权利要求5所述的PET图像重建方法，其特征在于，所述获取原始数据样本对应的PET重建图像样本的步骤包括以下步骤：
采用迭代重建算法或解析重建算法对所述原始数据样本进行重建，得到所述PET重建图像样本。
7.一种PET图像重建系统，其特征在于，包括：
数据获取单元，用于获取PET扫描的原始数据；
弦图生成单元，用于根据所述原始数据生成第一数据弦图；
图像重建单元，用于将所述第一数据弦图输入至经训练的深度学习图像重建模型，获取PET重建图像。
8.根据权利要求7所述的PET图像重建系统，其特征在于，所述图像重建单元用于对所述第一数据弦图进行降采样处理，获得第二数据弦图；将所述第二数据弦图输入至所述经训练的深度学习图像重建模型。
9.一种可读存储介质，其上存储有可执行程序，其特征在于，所述可执行程序被处理器执行时实现权利要求1至7中任意一项所述的PET图像重建方法的步骤。
10.一种PET图像重建设备，包括存储器和处理器，所述存储器存储有可执行程序，其特征在于，所述处理器执行所述可执行程序时实现权利要求1至7中任意一项所述的PET图像重建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689288.0A CN110415311B (zh) | 2019-07-29 | 2019-07-29 | Pet图像重建方法、系统、可读存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910689288.0A CN110415311B (zh) | 2019-07-29 | 2019-07-29 | Pet图像重建方法、系统、可读存储介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110415311A true CN110415311A (zh) | 2019-11-05 |
| CN110415311B CN110415311B (zh) | 2024-04-16 |
Family
ID=68363861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910689288.0A Active CN110415311B (zh) | 2019-07-29 | 2019-07-29 | Pet图像重建方法、系统、可读存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415311B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111325686A (zh) * | 2020-02-11 | 2020-06-23 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
| CN111429545A (zh) * | 2020-03-24 | 2020-07-17 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet不完整数据的重建方法和系统 |
| CN112017258A (zh) * | 2020-09-16 | 2020-12-01 | 上海联影医疗科技有限公司 | Pet图像重建方法、装置、计算机设备以及存储介质 |
| CN112890798A (zh) * | 2019-12-04 | 2021-06-04 | 上海联影医疗科技股份有限公司 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106859686A (zh) * | 2017-01-19 | 2017-06-20 | 沈阳东软医疗系统有限公司 | 成像方法和成像系统 |
| CN106887025A (zh) * | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
| CN107016661A (zh) * | 2017-06-19 | 2017-08-04 | 上海联影医疗科技有限公司 | 一种医学成像方法及装置 |
| CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
| US20170337713A1 (en) * | 2016-08-12 | 2017-11-23 | Siemens Healthcare Gmbh | Method and data processing unit for optimizing an image reconstruction algorithm |
| US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| CN109124672A (zh) * | 2018-10-19 | 2019-01-04 | 上海联影医疗科技有限公司 | 随机符合事件的校正方法、装置、设备和存储介质 |
| CN109272562A (zh) * | 2018-08-21 | 2019-01-25 | 上海联影医疗科技有限公司 | 一种迭代重建的系统和方法 |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| US20190130569A1 (en) * | 2017-10-26 | 2019-05-02 | Wisconsin Alumni Research Foundation | Deep learning based data-driven approach for attenuation correction of pet data |
| CN109754445A (zh) * | 2017-11-06 | 2019-05-14 | 三星电子株式会社 | 用于生成x射线层析图像数据的方法和设备 |
| CN109785401A (zh) * | 2018-12-12 | 2019-05-21 | 南京航空航天大学 | 一种用于pet图像的快速重建算法 |
| CN109805950A (zh) * | 2017-10-06 | 2019-05-28 | 佳能医疗系统株式会社 | 医用图像处理装置以及医用图像处理系统 |
| CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
-
2019
- 2019-07-29 CN CN201910689288.0A patent/CN110415311B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170337713A1 (en) * | 2016-08-12 | 2017-11-23 | Siemens Healthcare Gmbh | Method and data processing unit for optimizing an image reconstruction algorithm |
| US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
| CN106887025A (zh) * | 2017-01-16 | 2017-06-23 | 浙江大学 | 一种基于栈式自编码器的混合示踪剂动态pet浓度分布图像重建的方法 |
| CN106859686A (zh) * | 2017-01-19 | 2017-06-20 | 沈阳东软医疗系统有限公司 | 成像方法和成像系统 |
| CN107123095A (zh) * | 2017-04-01 | 2017-09-01 | 上海联影医疗科技有限公司 | 一种pet图像重建方法、成像系统 |
| CN107016661A (zh) * | 2017-06-19 | 2017-08-04 | 上海联影医疗科技有限公司 | 一种医学成像方法及装置 |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| CN109805950A (zh) * | 2017-10-06 | 2019-05-28 | 佳能医疗系统株式会社 | 医用图像处理装置以及医用图像处理系统 |
| US20190130569A1 (en) * | 2017-10-26 | 2019-05-02 | Wisconsin Alumni Research Foundation | Deep learning based data-driven approach for attenuation correction of pet data |
| CN109754445A (zh) * | 2017-11-06 | 2019-05-14 | 三星电子株式会社 | 用于生成x射线层析图像数据的方法和设备 |
| CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| CN109272562A (zh) * | 2018-08-21 | 2019-01-25 | 上海联影医疗科技有限公司 | 一种迭代重建的系统和方法 |
| CN109124672A (zh) * | 2018-10-19 | 2019-01-04 | 上海联影医疗科技有限公司 | 随机符合事件的校正方法、装置、设备和存储介质 |
| CN109785401A (zh) * | 2018-12-12 | 2019-05-21 | 南京航空航天大学 | 一种用于pet图像的快速重建算法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国科学技术协会: "《2012-2013体视学学科发展报告》", 中国科学技术出版社, pages: 111 - 116 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112890798A (zh) * | 2019-12-04 | 2021-06-04 | 上海联影医疗科技股份有限公司 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
| CN112890798B (zh) * | 2019-12-04 | 2023-04-25 | 上海联影医疗科技股份有限公司 | 神经网络训练方法、磁共振成像方法、装置、设备和介质 |
| CN111325686A (zh) * | 2020-02-11 | 2020-06-23 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
| CN111325686B (zh) * | 2020-02-11 | 2021-03-30 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
| US12118649B2 (en) | 2020-02-11 | 2024-10-15 | Zhejiang Lab | Deep learning based three-dimensional reconstruction method for low-dose PET imaging |
| CN111429545A (zh) * | 2020-03-24 | 2020-07-17 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet不完整数据的重建方法和系统 |
| CN112017258A (zh) * | 2020-09-16 | 2020-12-01 | 上海联影医疗科技有限公司 | Pet图像重建方法、装置、计算机设备以及存储介质 |
| CN112017258B (zh) * | 2020-09-16 | 2024-04-30 | 上海联影医疗科技股份有限公司 | Pet图像重建方法、装置、计算机设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110415311B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Anirudh et al. | Lose the views: Limited angle CT reconstruction via implicit sinogram completion | |
| CN110415311A (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| JP7203852B2 (ja) | 深層学習を使用した低線量ｐｅｔイメージングからの全線量ｐｅｔ画像の推定 | |
| CN110097611B (zh) | 图像重建方法、装置、设备及存储介质 | |
| Ge et al. | ADAPTIVE-NET: deep computed tomography reconstruction network with analytical domain transformation knowledge | |
| CN110809782A (zh) | 衰减校正系统和方法 | |
| Cheng et al. | Applications of artificial intelligence in nuclear medicine image generation | |
| US10380738B2 (en) | Computed tomography image processing and data analysis | |
| RU2427037C2 (ru) | Способ и система для реконструкции рет-изображения с использованием суррогатного изображения | |
| US20220092755A1 (en) | Systems and methods for image processing | |
| CN106204674A (zh) | 基于结构字典和动力学参数字典联合稀疏约束的动态pet图像重建方法 | |
| Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
| CN110136076A (zh) | 医学扫描成像方法、装置、存储介质及计算机设备 | |
| US7769217B2 (en) | Fast iterative 3D PET image reconstruction using a set of 2D linogram transformations | |
| US10448904B2 (en) | Decomposition method and apparatus based on basis material combination | |
| US20230029188A1 (en) | Systems and methods to reduce unstructured and structured noise in image data | |
| CN110070588B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| US20200118307A1 (en) | System, method, and computer-accessible medium for generating magnetic resonance imaging-based anatomically guided positron emission tomography reconstruction images with a convolutional neural network | |
| CN114730476A (zh) | 有限角度重建的网络确定 | |
| CN110264537A (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| US11701067B2 (en) | Attenuation correction-based weighting for tomographic inconsistency detection | |
| CN114862980A (zh) | 散射校正方法、pet成像方法、装置、设备及存储介质 | |
| US20230056685A1 (en) | Methods and apparatus for deep learning based image attenuation correction | |
| US11663758B2 (en) | Systems and methods for motion estimation in PET imaging using AI image reconstructions | |
| WO2021153555A1 (ja) | 減弱分布画像作成装置、画像処理装置、放射線断層撮影システム、減弱分布画像作成方法、画像処理方法 |
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 |