CN110660111B - Pet散射校正及图像重建方法、装置及设备 - Google Patents

Abstract

本公开涉及一种PET散射校正及图像重建方法、装置及设备。该方法包括：获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据；利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；根据所述散射强度系数对所述第一散射分布数据进行修正，从而对所述PET投影数据进行散射校正。本公开实施例基于高剂量或低剂量扫描时，都能够获得准确率高的散射估计，从而能够准确地重建PET图像。

Description

PET散射校正及图像重建方法、装置及设备

技术领域

本公开涉及医疗设备技术领域，尤其涉及一种PET散射校正及图像重建方法、装置及设备。

背景技术

PET(Positron Emission Tomography，正电子发射型断层显像)是当今最先进的大型医疗诊断成像技术之一。PET成像的原理是：在被检对象中注射含有放射性核素的示踪剂，示踪剂衰变产生正电子，正电子与负电子湮灭发出两个方向相反且能量相等的伽马光子对，PET系统的环形探测器探测到该伽马光子对后，通过一系列处理，重建出具有临床诊断意义的PET图像。

在PET实际扫描过程中，伽马光子对在传输过程中可能会发生散射，导致伽马光子对的产生位置与其被接收的位置并不在一条直线上，该符合事件的引入导致PET成像质量下降。因此，对PET投影数据进行散射校正，对于提高PET成像质量具有重要意义。

发明内容

本公开提供了一种PET散射校正及图像重建方法、装置及设备。

具体地，本公开是通过如下技术方案实现的：

第一方面，提供一种PET散射校正方法，所述方法包括：获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的；利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据；根据所述修正后的散射分布数据对所述PET投影数据进行散射校正。

可选的，所述方法还包括：在利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像之前，对所述PET投影数据进行随机校正和/或衰减校正。

可选的，所述基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据，包括：根据所述CT图像确定被检对象的伽马光子衰减系数分布数据；利用模拟方法，根据所述伽马光子衰减系数分布数据以及所述初始PET图像，获得所述伽马光子在所述PET投影空间的第一散射分布数据。

可选的，所述方法还包括：在根据所述修正后的散射分布数据对所述PET投影数据进行散射校正后，根据经散射校正的PET投影数据重建目标PET图像，并将所述目标PET图像替代所述初始PET图像进行迭代，直到迭代次数达到预设次数，或者所述修正后的散射分布数据达到预设精度。

可选的，所述基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数，包括：将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的所述第二散射分布数据，并根据所述第二散射分布数据获得所述PET投影空间的散射强度系数；其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力。

可选的，所述基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数，包括：将所述未经散射校正的PET投影数据输入预先训练的机器学习模型中，获得经散射校正的PET投影数据，并根据经散射校正的PET投影数据，获得所述PET投影空间的散射强度系数；其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及经散射校正的PET投影数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述经散射校正的PET投影数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测经散射校正的PET投影数据的能力。

可选的，所述根据所述散射强度系数对所述第一散射分布数据进行修正，包括：将PET投影空间对应的散射强度系数与所述第一散射分布数据相乘。

第二方面，提供一种PET散射校正方法，所述方法包括：获取对被检对象进行PET扫描的PET投影数据，其中，所述PET投影数据是未经散射校正的；基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据；根据所述散射分布数据对所述PET投影数据进行散射校正。

可选的，所述基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据，包括：将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的散射分布数据；其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力。

第三方面，提供一种PET图像重建方法，所述方法包括：获取经本公开第一方面任一实施方式所述的PET散射校正方法校正的PET投影数据；利用校正后的PET投影数据，重建PET图像。

第四方面，提供一种PET图像重建方法，所述方法包括：获取经本公开第二方面任一实施方式所述的PET散射校正方法校正的PET投影数据；利用校正后的PET投影数据，重建PET图像。

第五方面，提供一种PET散射校正装置，所述装置包括：第一数据获取单元，用于获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的；第一图像重建单元，用于利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；第一获得单元，用于基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；第二获得单元，用于基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；数据修正单元，用于根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据；散射校正单元，用于根据所述修正后的散射分布数据对所述PET投影数据进行散射校正。

第六方面，提供一种PET散射校正装置，所述装置包括：第一获得单元，用于获取对被检对象进行PET扫描的PET投影数据，其中，所述PET投影数据是未经散射校正的；第二获得单元，用于基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据；散射校正单元，用于根据所述散射分布数据对所述PET投影数据进行散射校正。

第七方面，提供一种PET图像重建装置，所述装置包括：数据获取模块，用于获取经本公开任一实施方式所述的PET散射校正方法校正的PET投影数据；图像重建模块，用于利用校正后的PET投影数据，重建PET图像。

第八方面，提供一种PET散射校正设备，所述设备包括：存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施方式所述的PET散射校正方法。

第九方面，提供一种PET图像重建设备,所述设备包括：存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施方式所述的PET图像重建方法。

本公开的实施例提供的技术方案可以包括以下有益效果：

本公开实施例中，过机器学习方法获得伽马光子在PET投影空间的散射分布数据，或者通过模拟方法获得伽马光子在PET投影空间的散射分布数据，并通过机器学习方法获得伽马光子在PET投影空间的散射强度系数，从而获得经过强度修正的散射分布数据，实现对PET投影数据的散射校正，并利用经散射校正的PET投影数据重建PET图像，在基于高剂量或低剂量扫描时，都能够获得准确率高的散射估计，从而能够准确地重建PET图像。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入公开中并构成本公开的一部分，示出了符合本公开的实施例，并与公开一起用于解释本公开的原理。

图1是本公开一示例性实施例示出的一种PET散射校正方法的流程图；

图2是本公开一示例性实施例示出的PET/CT设备的应用场景示意图；

图3是本公开一示例性实施例示出的另一种PET散射校正方法的流程图；

图4是本公开一示例性实施例示出的一种PET图像重建方法的流程图；

图5是本公开一示例性实施例示出的一种PET散射校正装置的示意图；

图6是本公开一示例性实施例示出的另一种PET散射校正装置的示意图；

图7是本公开一示例性实施例示出的一种PET图像重建装置的示意图；

图8是本公开一示例性实施例示出的一种PET散射校正设备的结构示意图；

图9是本公开一示例性实施例示出的一种PET图像重建设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1为本公开至少一个实施例提供的一种PET散射校正方法的流程图。如

图1所示，该方法可以包括步骤101～步骤106。

在步骤101中，获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的。

针对同一被检对象进行的CT扫描和PET扫描，可以由PET-CT设备进行，也可以由分立的PET设备和CT设备进行；CT扫描和PET扫描可以同时进行，也可以分开进行，本公开对此不进行限制。

图2示出了PET/CT设备的应用场景示意图。本领域技术人员应当理解，以下对PET/CT设备中的PET设备和CT设备的描述，也适用于分立的PET设备和CT设备。

图2所示的PET/CT设备包括CT成像设备21和PET成像设备22，该PET/CT设备可以对同一被检对象同时进行CT扫描和PET扫描，也可以分别进行CT扫描和PET扫描。

其中，CT成像设备21包括机架23，机架23上设有X射线源25和相对于X射线源25设置的探测器阵列27。X射线源25可向被检对象28发射X射线。探测器阵列27探测穿过被检对象28的衰减的X射线，并产生表示探测到的X射线的强度的电信号。CT成像设备21将电信号转换为表示X射线衰减的投影数据，根据投影数据重建CT断层图像。在扫描过程中，机架23以及安装在其上的组件，例如X射线源25和探测器阵列27，围绕旋转中心旋转。承载台24将被检对象28的至少一部分移入机架开口26内。

PET成像系统22包括PET探测器(未图示)，用来探测伽马光子，将光信号转化为电信号。放射性核素在被检对象28内部发生湮灭，生成一对方向基本相反的伽马光子。一对伽马光子被PET探测器的位于相对位置的一对探测器模块在一定时间窗内接收。一个伽马光子入射到一个探测器模块的事件称作单事件，一对单事件称作符合事件。一个符合事件确定一条响应线。PET成像设备22根据若干条响应线重建图像，响应线是用于重建的数据的最小单元。

然而，伽马光子对在传输过程中可能会发生散射，是指伽马光子在飞行过程中由于产生康普顿散射，伽马光子与吸收物质的一个电子作用，改变了电子动能的同时使伽马光子改变飞行方向，使得与其他飞行的伽马光子同时进入两个相对的探测器，并发生符合探测。这也导致了伽马光子对的产生位置与其被接收的位置并不在一条直线上，导致PET成像质量下降。

本步骤中所获取的针对同一被检对象同时进行CT扫描和PET扫描的数据，可以通过图2所示出的PET/CT设备获得。其中，所述PET投影数据是未经散射校正的。

在步骤102中，利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像。

在本步骤中，进行PET图像重建的PET投影数据，是未经散射校正的PET投影数据。在一个示例中，可以对该PET投影数据进行随机校正和衰减校正等数据校正处理，利用经随机校正和衰减校正等数据校正处理后的PET投影数据进行PET图像重建，以使所得到的PET投影数据最大程度地仅包含真符合事件以及散射符合事件。

对于根据未经散射校正的PET投影数据所重建的PET图像，不妨将其称为初始PET图像，以于后续重建的PET图像进行区别。

对于CT投影数据，其是对X射线穿过被检对象衰减后的电信号进行转换所获得的，因此，通过CT投影数据能够还原出X射线扫描剖面的衰减情况，从而得到了CT图像。

在步骤103中，基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据。

在一个示例中，可以根据所述CT图像确定被检对象的伽马光子衰减系数分布数据；利用模拟等传统方法，根据所述伽马光子衰减系数分布数据以及所述初始PET图像，获得所述伽马光子在所述PET投影空间的第一散射分布数据。

具体地，利用CT图像计算出人体对伽马射线的衰减系数分布图像，并将初始PET图像近似作为伽马放射源。利用模拟方法，可以根据伽马光子衰减系数分布，以及伽马放射源，模拟出伽马光子的产生、散射和被探测器接收的物理过程，从而计算出散射数据在PET投影空间上的分布估计。

在步骤104中，基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数。

在步骤103中，通过模拟方法所获得的第一散射分布数据体现了散射的分布状态，并没有体现真实的强度信息。因而在本步骤中，通过机器学习方法，获得在PET投影空间的散射的强度信息，即PET投影空间每个位置的散射强度系数。

在一个示例中，可以通过以下方法获得伽马光子在所述PET投影空间的散射强度系数：将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的所述第二散射分布数据，并根据所述第二散射分布数据获得所述PET投影空间的散射强度系数。

其中，该机器学习模型可以通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本，其中，该散射分布数据样本是经过长时间的精确计算得到的散射分布数据，其中既包含了分布状态，也包含了准确的强度信息；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力。

由于训练该机器学习模型的散射分布数据样本包含了真实的分布和强度信息，因此将未经散射校正的PET投影数据输入该机器学习模型，所输出的散射分布数据中也包含了散射的分布状态及强度信息，因而可以通过机器学习模型的输出值获得PET投影空间的散射强度系数。

在一个示例中，还可以过以下方法获得伽马光子在所述PET投影空间的散射强度系数：将所述未经散射校正的PET投影数据输入预先训练的机器学习模型中，获得经散射校正的PET投影数据，并根据经散射校正的PET投影数据，获得所述PET投影空间的散射强度系数。

其中，该机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及经良好散射校正的PET投影数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述经散射校正的PET投影数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测经散射校正的PET投影数据的能力。

所述机器学习模型所输出的经散射校正的PET投影数据是去除了散射成分的，而输入所述机器学习模型的未经散射校正的PET投影数据是包含了散射成分的，因此，将所述未经散射校正的PET投影数据减去经散射校正的投影数据，则得到了PET投影空间的散射分布数据，通过计算该散射分布数据与第一散射分布数据间的强度比例关系来得到散射强度系数。

在一个示例中，在获得了机器学习模型输出的第二散射分布数据后，可以结合步骤103中通过模拟方法获得的第一散射分布数据，伽马光子在所述PET投影空间的散射强度系数。

例如，可以通过计算第一散射分布数据的平均值和第二散射分布数据的平均值来计算所述散射强度系数α，计算公式如下：

其中，P1为第一散射分布数据，P2为第二散射分布数据。

在一个示例中，可以从不同位置或不同方向分别计算，获得多个与投影数据物理位置相对应的散射强度系数α_ij，计算公式如下：

其中，P1为第一散射分布数据，P2为第二散射分布数据，i表示不同投影位置，j表示不同投影方向。

可根据实际需求调节i、j的粒度大小以选择更适宜的散射强度系数。在实际应用通常不需要逐点计算，而是计算某一设定区域采集到的散射分布数据的平均值。利用该平均值得到的散射强度系数(强度修正系数)对第一散射分布中的部分数据进行修正时，对这部分数据强度是整体的改变，得到的分布形态上与第一散射分布是接近的。

在步骤105中，根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据。

在本步骤中，通过所述散射强度系数对所述第一散射分布数据进行修正，所获得的修正后的散射分布数据，既包括了散射的状态，也包括了强度信息。

在一个示例中，可以通过以下方法对所述第一散射分布数据进行修正：将PET投影空间对应的散射强度系数与所述第一散射分布数据相乘。通过将PET投影空间每个位置的散射强度系数与相应的第一散射分布数据相乘，从而获得修正后的散射分布数据。

例如，对应于公式(2)所得到的散射强度系数α_ij，将其物理位置相对应的模拟散射分布P1_ij相乘，则获得修正后的散射分布数据。

在步骤106中，根据所述修正后的散射分布数据对所述PET投影数据进行散射校正。

通过利用既包含散射状态，也包含强度信息的散射分布数据对PET投影数据进行散射校正，可以准确地从PET投影数据中提出散射事件的影响，获得更准确的PET投影数据。

在一些实施例中，可以通过以下方式进一步提高散射校正的精度：根据所述修正后的散射分布数据对所述PET投影数据进行散射校正后，根据经散射校正的PET投影数据重建目标PET图像，并将所述目标PET图像替代所述初始PET图像进行迭代，从而使散射校正的精度得到不断提高，直到迭代次数达到预设次数，或者所述修正后的散射分布数据达到预设精度时，停止迭代。

在以上过程中，可以通过调节迭代次数控制散射校正的计算次数和计算精度，以满足不同情况下的需求。

图3示出了本公开至少一个实施例提出的另一种散射校正方法的流程图，如图3所示，该方法包括步骤301～303。

在步骤301中，获取对被检对象进行PET扫描的PET投影数据，其中，所述PET投影数据是未经散射校正的。

在步骤302中，基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据。

在步骤303中，根据所述散射分布数据对所述PET投影数据进行散射校正。

在一些实施例中，基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据包括：

将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的散射分布数据。

其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力。

在公开实施例中，利用预先训练的机器学习模型，根据输入的PET投影数据预测散射分布数据，执行条件简单、运算速度快。

图4示出了本公开至少一个实施例提出的一种PET图像重建方法的流程图，如图4所示，该方法包括步骤401～402。

在步骤401中，获取本公开任一实施例所述的PET散射校正方法校正的PET投影数据。

通过以上所述的PET散射校区正方法对PET投影数据进行校正，可以得到剔除了散射事件影响的PET投影数据。

在步骤402中，利用校正后的PET投影数据，重建PET图像。

通过利用经散射校正的PET图像，能够剔除散射事件对PET成像的影响，提高重建得到的PET图像的准确度。

上述图1、图3和图4所示流程中的各个步骤，其执行顺序不限制于流程图中的顺序。此外，各个步骤的描述，可以实现为软件、硬件或者其结合的形式，例如，本领域技术人员可以将其实现为软件代码的形式，可以为能够实现所述步骤对应的逻辑功能的计算机可执行指令。当其以软件的方式实现时，所述的可执行指令可以存储在存储器中，并被系统中的处理器执行。

图5示出了本公开至少一个实施例提出的一种PET图像重建装置的示意图，如图5所示，所述装置包括：第一数据获取单元501，用于获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的；第一图像重建单元502，用于利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；第一获得单元503，用于基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；第二获得单元504，用于基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；数据修正单元505，用于根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据；散射校正单元506，用于根据所述修正后的散射分布数据对所述PET投影数据进行散射校正。

在一些实施例中，所述装置还包括校正单元，用于在利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像之前，对所述PET投影数据进行随机校正和/或衰减校正等数据校正处理。

在一些实施例中，第一获得单元具体用于：根据所述CT图像确定被检对象的伽马光子衰减系数分布数据；利用模拟等传统方法，根据所述伽马光子衰减系数分布数据以及所述初始PET图像，获得所述伽马光子在所述PET投影空间的第一散射分布数据。

在一些实施例中，所述装置还包括迭代单元，用于在根据所述修正后的散射分布数据对所述PET投影数据进行散射校正后，根据经散射校正的PET投影数据重建目标PET图像，并将所述目标PET图像替代所述初始PET图像进行迭代，直到迭代次数达到预设次数，或者所述修正后的散射分布数据达到预设精度。

在一些实施例中，第二获得单元具体用于：将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的所述第二散射分布数据，并根据所述第二散射分布数据获得所述PET投影空间的散射强度系数；其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力。

在一些实施例中，第二获得单元具体用于：将所述未经散射校正的PET投影数据输入预先训练的机器学习模型中，获得经散射校正的PET投影数据，并根据经散射校正的PET投影数据，获得所述PET投影空间的散射强度系数；其中，所述机器学习模型通过以下方法训练得到：通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及经散射校正的PET投影数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述经散射校正的PET投影数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测经散射校正的PET投影数据的能力。

在一些实施例中，数据修正单元具体用于：将PET投影空间对应的散射强度系数与所述第一散射分布数据相乘。

图6示了本公开至少一个实施例提出的另一种PET图像重建装置的示意图，如图6所示，所述装置包括：

第一获得单元601，用于获取对被检对象进行PET扫描的PET投影数据，其中，所述PET投影数据是未经散射校正的；

第二获得单元602，用于基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射分布数据；

散射校正单元603，用于根据所述散射分布数据对所述PET投影数据进行散射校正。

图7示出了本公开至少一个实施例提出的一种PET图像重建装置的示意图，如图7所示，该装置包括：数据获取模块701，用于获取经本公开任一实施例所述的PET散射校正方法校正的PET投影数据；图像重建模块702，用于利用校正后的PET投影数据，重建PET图像。

参见图8，为本公开至少一个实施例提供的PET散射校正设备的结构示意图，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施例所述的PET散射校正方法。

参见图9，为本公开至少一个实施例提供的PET图像重建设备的结构示意图，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现本公开任一实施例所述的PET图像重建方法。

在本公开实施例中，计算机可读存储介质可以是多种形式，比如，在不同的例子中，所述机器可读存储介质可以是：RAM(Radom Access Memory，随机存取存储器)、易失存储器、非易失性存储器、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、dvd等)，或者类似的存储介质，或者它们的组合。特殊的，所述的计算机可读介质还可以是纸张或者其他合适的能够打印程序的介质。使用这些介质，这些程序可以被通过电学的方式获取到(例如，光学扫描)、可以被以合适的方式编译、解释和处理，然后可以被存储到计算机介质中。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (11)

1.一种PET散射校正方法，其特征在于，所述方法包括：

获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的；

利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；

基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；

基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；

根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据；

根据所述修正后的散射分布数据对所述PET投影数据进行散射校正；

所述基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据，包括：

根据所述CT图像确定被检对象的伽马光子衰减系数分布数据；

利用模拟方法，根据所述伽马光子衰减系数分布数据以及所述初始PET图像，获得所述伽马光子在所述PET投影空间的第一散射分布数据；

所述基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数，包括：

将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的第二散射分布数据，并根据所述第二散射分布数据获得所述PET投影空间的散射强度系数；

或者将所述未经散射校正的PET投影数据输入预先训练的机器学习模型中，获得经散射校正的PET投影数据，并根据经散射校正的PET投影数据，获得所述PET投影空间的散射强度系数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像之前，对所述PET投影数据进行随机校正和/或衰减校正。

3.根据权利要求1或2中任一项所述的方法，其特征在于，所述方法还包括：

在根据所述修正后的散射分布数据对所述PET投影数据进行散射校正后，根据经散射校正的PET投影数据重建目标PET图像，并将所述目标PET图像替代所述初始PET图像进行迭代，直到迭代次数达到预设次数，或者所述修正后的散射分布数据达到预设精度。

4.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练方法包括：

通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及散射分布数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述散射分布数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测散射分布数据的能力；

或者通过采集多组PET扫描的PET投影数据，获得未经散射校正的PET投影数据样本以及经散射校正的PET投影数据样本；将所述未经散射校正的PET投影数据样本输入所述机器学习模型，并将所述经散射校正的PET投影数据样本作为标签数据，进行所述机器学习模型的参数训练，以使所述机器学习模型具备预测经散射校正的PET投影数据的能力。

5.根据权利要求1所述的方法，其特征在于，所述根据所述第二散射分布数据获得所述PET投影空间的散射强度系数包括：

通过计算第一散射分布数据的平均值和第二散射分布数据的平均值得到所述散射强度系数；

根据上述计算方式，从不同位置或不同方向分别计算，获得多个与投影数据物理位置相对应的散射强度系数，计算公式为：

其中，P1为第一散射分布数据，P2为第二散射分布数据，i表示不同投影位置，j表示不同投影方向。

6.根据权利要求1所述的方法，其特征在于，所述根据所述散射强度系数对所述第一散射分布数据进行修正，包括：

将PET投影空间对应的散射强度系数与所述第一散射分布数据相乘。

7.一种PET图像重建方法，其特征在于，所述方法包括：

获取经权利要求1至6任一项所述的PET散射校正方法校正的PET投影数据；

利用校正后的PET投影数据，重建PET图像。

8.一种PET散射校正装置，其特征在于，所述装置包括：

第一数据获取单元，用于获取针对同一被检对象进行的CT扫描和PET扫描的CT投影数据和PET投影数据，其中，所述PET投影数据是未经散射校正的；

第一图像重建单元，用于利用所获取的CT投影数据重建CT图像，并利用所获取的PET投影数据重建初始PET图像；

第一获得单元，用于基于所述CT图像和所述初始PET图像，通过模拟方法获得伽马光子在PET投影空间的第一散射分布数据；

第二获得单元，用于基于所述PET投影数据，通过机器学习方法获得伽马光子在所述PET投影空间的散射强度系数；

数据修正单元，用于根据所述散射强度系数对所述第一散射分布数据进行修正，获得修正后的散射分布数据；

散射校正单元，用于根据所述修正后的散射分布数据对所述PET投影数据进行散射校正；

所述第一获得单元具体用于：

根据所述CT图像确定被检对象的伽马光子衰减系数分布数据；

利用模拟方法，根据所述伽马光子衰减系数分布数据以及所述初始PET图像，获得所述伽马光子在所述PET投影空间的第一散射分布数据；

所述第二获得单元具体用于：

将所述PET投影数据输入预先训练的机器学习模型中，获得所述机器学习模型输出的第二散射分布数据，并根据所述第二散射分布数据获得所述PET投影空间的散射强度系数；

或者将所述未经散射校正的PET投影数据输入预先训练的机器学习模型中，获得经散射校正的PET投影数据，并根据经散射校正的PET投影数据，获得所述PET投影空间的散射强度系数。

9.一种PET图像重建装置，其特征在于，所述装置包括：

数据获取模块，用于获取经权利要求1至6任一项所述的PET散射校正方法校正的PET投影数据；

图像重建模块，用于利用校正后的PET投影数据，重建PET图像。

10.一种PET散射校正设备，其特征在于，所述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求1至6任一所述的方法。

11.一种PET图像重建设备，其特征在于，述设备包括存储器、处理器，所述存储器用于存储可在处理器上运行的计算机指令，所述处理器用于在执行所述计算机指令时实现权利要求7所述的方法。

Images