CN111325686A - 一种基于深度学习的低剂量pet三维重建方法 - Google Patents
一种基于深度学习的低剂量pet三维重建方法 Download PDFInfo
- Publication number
- CN111325686A CN111325686A CN202010087761.0A CN202010087761A CN111325686A CN 111325686 A CN111325686 A CN 111325686A CN 202010087761 A CN202010087761 A CN 202010087761A CN 111325686 A CN111325686 A CN 111325686A
- Authority
- CN
- China
- Prior art keywords
- pet
- low
- image
- dose
- back projection
- 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 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000002600 positron emission tomography Methods 0.000 description 90
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000700 radioactive tracer Substances 0.000 description 3
- 238000012879 PET imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- 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
- G06N3/08—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
- G06T11/005—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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明公开了一种基于深度学习的低剂量PET三维重建方法,该方法包括将低剂量PET原始数据无损反投影至图像域,选取适当的三维深度神经网络结构以拟合低剂量PET反投影到标准剂量PET图像之间的映射,通过训练样本学习并固定网络参数后,实现从低剂量PET原始数据出发的PET图像三维重建,以获取比传统重建算法与图像域降噪处理噪声更低,分辨率更高的低剂量PET重建图像。
Description
技术领域
本发明涉及医学影像领域,具体地涉及一种基于深度学习的低剂量PET三维重建方法。
背景技术
正电子发射断层扫描(Positron Emission Tomography,PET)是一种能提供活体生化和定量生理信息的医学影像,在肿瘤学、心脏学、神经学,以及精神疾病等方面具有重要应用,PET/CT也已经成为国际公认的肿瘤检测的金标准。PET的成像过程包括扫描前对病人注入放射性示踪剂,示踪剂在参与生理代谢时发生衰变产生正电子,正电子和邻近的电子发生湮灭效应,产生逆向运动的511keV光子对。光子对打到PET扫描仪接收器上形成一定数量的符合响应线(Line of Response,LOR),并将其保存成三维PET原始数据sinogram。对sinogram进行衰减、随机和散射校正后再用统计学方法对其进行三维迭代重建,即可获得表征人体内各组织代谢强度的三维PET图像。
通过减少注入病人体内的放射性示踪剂剂量,可以降低对病人及医护人员的辐射,缩短扫描时间,降低造影成本,因此低剂量PET重建已经成为核医学领域最热门的课题之一,尤其在婴幼儿癫痫以及青少年抑郁等应用领域获得广泛关注。然而注射示踪剂的减少导致了PET扫描仪接收到的真符合事件(true coincidence)受随机(randomcoincidence)、散射符合事件(scattered coincidence)干扰的增加,使得PET原始数据信噪比的降低,从而进一步导致由传统重建方法获取的PET图像被大量噪声污染,严重影响了临床医生的读片与诊断。
近年来,随着计算机技术的迅速发展,深度学习方法在自然图像处理、语音识别等问题上取得了重大突破,同时在医学影像上的应用也越来越广泛。为了抑制传统重建算法获取的低剂量PET重建图像中的噪声并保留有用病灶信息,基于深度学习方法的降噪处理已经被引入以改善低剂量PET成像。目前,此类方法主要集中在图像后处理范畴,即在图像域建立高噪声低剂量PET重建图像到标准剂量PET图像的映射。由于传统的低剂量PET重建过程并不能完全保留原始数据中的有效高频信息,用于拟合映射的神经网络的泛化能力不足导致图像伪影和定量误差成为了此类技术路线的性能瓶颈。
发明内容
本发明的目的在于突破现有基于图像后处理技术的低剂量PET重建方法的性能瓶颈,提供一种从PET原始数据出发的,基于深度学习的PET图像三维重建方法。该方法将低剂量PET原始数据无损反投影到图像域获取高度模糊的laminogram,使用三维U-Net拟合图像域去卷积操作,从laminogram中恢复出PET图像的粗估计,并通过串联三维残差单元(Residual block)进一步细化PET重建图像,利用训练样本先验知识学习并固定网络参数,最后将其应用于低剂量PET图像三维重建,以获取与传统重建结果以及对传统重建结果进行降噪后处理所得的PET图像相比,噪声更低,分辨率更高的低剂量PET重建图像。
本发明的目的是通过以下技术方案实现的:一种基于深度学习的低剂量PET三维重建方法,包括以下步骤:
(1)执行低剂量PET原始数据反投影方法,具体包括以下子步骤:
(1.1)将低剂量PET原始数据经过衰减校正处理,再经PET扫描仪的系统矩阵转置作用,获取衰减校正后低剂量PET数据反投影lpp_ac。
(1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用,获取随机与散射数据的反投影lrs。
(1.3)生成全1仿真PET图像,并将其经过PET扫描仪的系统矩阵作用,获得其三维投影,再将三维投影的结果反投影至图像域,获得全1的PET图像的反投影l1。
(1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减,进行随机散射校正,再除以步骤(1.3)获得全1的PET图像的反投影l1,获得校正、正则化后的低剂量PET三维反投影lbp:
(2)将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入,将标准剂量PET重建图像作为网络的标签,通过Adam优化算法更新深度神经网络参数,使目标损失函数最小化,完成对深度神经网络的训练。所述深度神经网络训练的目标损失函数为:
其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数,C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量PET重建图像ffull的映射,(i,j,k)表示图像中的像素点。
(3)对新采集的低剂量PET原始数据,执行步骤一的反投影方法,再输入步骤二训练好的深度神经网络中,获得对应低剂量PET重建图像。
与现有技术相比,本发明的有益效果是:本发明从低剂量PET原始数据出发,抑制了由于图像域映射神经网络的泛化能力不足所导致的伪影和定量误差的产生。另外,本发明提出将低剂量PET原始数据无损反投影至图像域的方法,减小了拟合低剂量到标准剂量映射的神经网络的计算复杂度,提高了网络训练效率,降低了测试网络即生成低剂量PET重建图像所需时间,使其远低于传统迭代重建算法耗时,并且在相同剂量下可获取比传统重建算法更高信噪比的PET图像。
附图说明
图1是低剂量PET原始数据反投影方法流程图;
图2是传统算法与本发明算法PET重建图像对比图。
具体实施方式
下面结合附图和实施例对本发明的内容做进一步阐述。
PET扫描仪接收到的低剂量原始数据是由PET图像经过三维X-ray变换所得投影构成的三维sinogram。由于三维sinogram中不仅包含轴向平面投影,还包含穿过轴向平面的倾斜平面投影,它具有数据量大和信息高度冗余的特点,直接用神经网络拟合sinogram到PET图像之间的映射受到计算机运算及存储能力的限制,很难实现。本发明提出针对三维sinogram的无损反投影方法,其流程图如图1所示:
(1.1)将低剂量PET原始数据经过衰减校正处理,再经PET扫描仪的系统矩阵转置作用,获取衰减校正后低剂量PET数据反投影lpp_ac,即高度模糊的PET图像。
(1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用,获取随机与散射数据的反投影lrs。
(1.3)为了削弱由PET扫描仪轴向范围有限所导致的三维投影与反投影过程的空间变化性,本发明提出对于PET反投影的正则化方法,生成全1仿真PET图像的laminogram,并将其经过PET扫描仪的系统矩阵的作用,再将投影的结果反投影至图像域,获得全1的PET图像的反投影l1。
(1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减,进行随机散射校正,再除以步骤(1.3)获得全1的PET图像的反投影l1,获得校正、正则化后的低剂量PET三维反投影lbp:
所述校正、正则化后的低剂量PET三维反投影lbp与PET重建图像之间的关系表示为:
其中,f(x,y,z)和lbp(x,y,z)分别表示三维PET图像和校正、正则化后反投影在某一点(x,y,z)处的活度值,H(υ,ψ)是用球面坐标表示的旋转对称的PSF(point spreadfunction)的三维傅里叶变换,定义为:
本发明提出用三维深度神经网络拟合该深度神经网络由两部分构成,第一部分是由3D卷积层,3D反卷积层,以及它们之间的跳跃连接(shortcuts)构成的U-Net。其中卷积层用来对PET反投影进行编码,提取高层特征,反卷积层再对特征进行编码获取PET图像的粗估计,网络中的shortcuts将卷积层的输出与对应反卷积层的输出进行叠加,实现在不增加网络参数的基础上,改善网络训练效果并有效防止退化问题。
深度神经网络的第二部分由多个残差单元(Residual block)串联构成,用于进一步细化PET图像粗估计中的高频细节。由于PET图像的粗估计包含的低频信息与标准剂量PET图像的低频信息相近,使用残差单元可以只学习两者之间的高频残差部分,以提高网络训练效率。
(2)因此将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入,将标准剂量PET重建图像作为深度神经网络的标签,通过Adam优化算法更新所述深度神经网络参数,使目标损失函数最小化,完成对深度神经网络的训练,获得映射网络的估计训练映射网络C(·)所学习到的标准剂量先验知识可以在测试过程中实现对低剂量PET反投影的补偿。所述深度神经网络训练的目标损失函数为:
其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数,C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量PET重建图像ffull的映射,(i,j,k)表示图像中的像素点。
传统重建算法对低剂量PET数据的重建结果如图2(a)所示,重建图像噪声大,无法区分病灶与噪声;使用本发明所提出的重建算法可获取如图2(b)所示的低剂量PET重建图像,图像2(b)的信噪比明显高于图像2(a)。
Claims (1)
1.一种基于深度学习的低剂量PET三维重建方法,其特征在于,包括以下步骤:
(1)执行低剂量PET原始数据反投影方法,具体包括以下子步骤:
(1.1)将低剂量PET原始数据经过衰减校正处理,再经PET扫描仪的系统矩阵转置作用,获取衰减校正后低剂量PET数据反投影lpp_ac。
(1.2)将低剂量PET原始数据中的随机与散射事件数据经过PET扫描仪的系统矩阵转置的作用,获取随机与散射数据的反投影lrs。
(1.3)生成全1仿真PET图像,并将其经过PET扫描仪的系统矩阵作用,获得其三维投影,再将三维投影的结果反投影至图像域,获得全1的PET图像的反投影l1。
(1.4)将步骤(1.1)中获取衰减校正后低剂量PET数据反投影lpp_ac与步骤(1.2)中获取随机与散射数据的反投影lpp_ac相减,进行随机散射校正,再除以步骤(1.3)获得全1的PET图像的反投影l1,获得校正、正则化后的低剂量PET三维反投影lbp:
(2)将步骤(1.4)获取的校正、正则化后的低剂量PET三维反投影lbp作为深度神经网络的输入,将标准剂量PET重建图像作为网络的标签,通过Adam优化算法更新深度神经网络参数,使目标损失函数最小化,完成对深度神经网络的训练。所述深度神经网络训练的目标损失函数为:
其中Nx、Ny、Nz分别表示低剂量PET反投影或标准剂量PET图像在水平、竖直和轴向的像素点总个数,C(·)表示三维深度神经网络拟合的从低剂量PET反投影lbp到标准剂量PET重建图像ffull的映射,(i,j,k)表示图像中的像素点。
(3)对新采集的低剂量PET原始数据,执行步骤一的反投影方法,再输入步骤二训练好的深度神经网络中,获得对应低剂量PET重建图像。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087761.0A CN111325686B (zh) | 2020-02-11 | 2020-02-11 | 一种基于深度学习的低剂量pet三维重建方法 |
PCT/CN2021/073462 WO2021159948A1 (zh) | 2020-02-11 | 2021-01-23 | 一种基于深度学习的低剂量pet三维重建方法 |
US17/616,161 US20220383565A1 (en) | 2020-02-11 | 2021-01-23 | Deep learning based three-dimensional reconstruction method for low-dose pet imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087761.0A CN111325686B (zh) | 2020-02-11 | 2020-02-11 | 一种基于深度学习的低剂量pet三维重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325686A true CN111325686A (zh) | 2020-06-23 |
CN111325686B CN111325686B (zh) | 2021-03-30 |
Family
ID=71172639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087761.0A Active CN111325686B (zh) | 2020-02-11 | 2020-02-11 | 一种基于深度学习的低剂量pet三维重建方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220383565A1 (zh) |
CN (1) | CN111325686B (zh) |
WO (1) | WO2021159948A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915696A (zh) * | 2020-08-07 | 2020-11-10 | 南京安科医疗科技有限公司 | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 |
CN112053412A (zh) * | 2020-08-31 | 2020-12-08 | 浙江大学 | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 |
CN112258642A (zh) * | 2020-12-21 | 2021-01-22 | 之江实验室 | 基于深度学习的低剂量pet数据三维迭代更新重建方法 |
CN112489158A (zh) * | 2021-01-13 | 2021-03-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
CN112927132A (zh) * | 2021-01-25 | 2021-06-08 | 浙江大学 | 基于深度学习提升pet系统空间分辨率均匀性的pet图像重建算法 |
CN112991477A (zh) * | 2021-01-28 | 2021-06-18 | 明峰医疗系统股份有限公司 | 基于深度学习的pet图像处理方法 |
CN113057667A (zh) * | 2021-03-26 | 2021-07-02 | 上海联影医疗科技股份有限公司 | Pet探测器信号采样方法、装置、电子装置和存储介质 |
CN113256753A (zh) * | 2021-06-30 | 2021-08-13 | 之江实验室 | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 |
WO2021159948A1 (zh) * | 2020-02-11 | 2021-08-19 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
CN113838161A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
WO2022057188A1 (zh) * | 2020-09-21 | 2022-03-24 | 之江实验室 | 一种spect三维重建图像到标准视图的自动转向方法 |
CN114332287A (zh) * | 2022-03-11 | 2022-04-12 | 之江实验室 | 基于transformer特征共享的PET图像重建方法、装置、设备及介质 |
WO2022120883A1 (zh) * | 2020-12-07 | 2022-06-16 | 深圳先进技术研究院 | 低剂量图像去噪网络的训练方法、低剂量图像的去噪方法 |
CN114758031A (zh) * | 2022-06-15 | 2022-07-15 | 之江实验室 | 电容耦合电阻抗层析成像图像重建方法和装置 |
CN116503506A (zh) * | 2023-06-25 | 2023-07-28 | 南方医科大学 | 一种图像重建方法、系统、装置及存储介质 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4235580A1 (en) * | 2022-02-28 | 2023-08-30 | Siemens Healthcare GmbH | Computer-implemented method for determining nuclear medical image data sets in dynamic nuclear medical imaging, determining device, computer program and electronically readable storage medium |
CN117201691B (zh) * | 2023-11-02 | 2024-01-09 | 湘江实验室 | 一种基于深度学习的全景扫描关联成像方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737392A (zh) * | 2012-06-07 | 2012-10-17 | 南方医科大学 | 一种低剂量x线ct图像的非局部正则化先验重建方法 |
EP2711738A1 (en) * | 2012-09-21 | 2014-03-26 | Technische Universität München | A method and a device to generate virtual X-ray computed tomographic image data |
CN104183012A (zh) * | 2013-10-31 | 2014-12-03 | 上海联影医疗科技有限公司 | 一种pet三维图像重建方法和装置 |
CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
CN109559360A (zh) * | 2018-09-29 | 2019-04-02 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
CN109712213A (zh) * | 2018-12-24 | 2019-05-03 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN110009613A (zh) * | 2019-03-28 | 2019-07-12 | 东南大学 | 基于深度稠密网络的低剂量ct成像方法、装置及系统 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN110462689A (zh) * | 2017-04-05 | 2019-11-15 | 通用电气公司 | 基于深度学习的断层摄影重建 |
US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
CN110559008A (zh) * | 2019-09-03 | 2019-12-13 | 明峰医疗系统股份有限公司 | 一种正电子断层扫描及重建方法 |
CN110599420A (zh) * | 2019-05-27 | 2019-12-20 | 首都师范大学 | 基于深度学习的ct图像分块重建方法及系统 |
CN110717951A (zh) * | 2019-09-12 | 2020-01-21 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810735A (zh) * | 2014-02-28 | 2014-05-21 | 南方医科大学 | 一种低剂量x射线ct图像统计迭代重建方法 |
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 |
-
2020
- 2020-02-11 CN CN202010087761.0A patent/CN111325686B/zh active Active
-
2021
- 2021-01-23 US US17/616,161 patent/US20220383565A1/en active Pending
- 2021-01-23 WO PCT/CN2021/073462 patent/WO2021159948A1/zh active Application Filing
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737392A (zh) * | 2012-06-07 | 2012-10-17 | 南方医科大学 | 一种低剂量x线ct图像的非局部正则化先验重建方法 |
EP2711738A1 (en) * | 2012-09-21 | 2014-03-26 | Technische Universität München | A method and a device to generate virtual X-ray computed tomographic image data |
CN104183012A (zh) * | 2013-10-31 | 2014-12-03 | 上海联影医疗科技有限公司 | 一种pet三维图像重建方法和装置 |
US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
CN110462689A (zh) * | 2017-04-05 | 2019-11-15 | 通用电气公司 | 基于深度学习的断层摄影重建 |
CN107133997A (zh) * | 2017-04-11 | 2017-09-05 | 浙江大学 | 一种基于深度神经网络的双示踪剂pet重建方法 |
US20190365341A1 (en) * | 2018-05-31 | 2019-12-05 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning to improve image quality in position emission tomography (pet) |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109166161A (zh) * | 2018-07-04 | 2019-01-08 | 东南大学 | 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统 |
CN109559360A (zh) * | 2018-09-29 | 2019-04-02 | 深圳先进技术研究院 | 一种pet图像重建方法、装置和计算设备 |
CN109712213A (zh) * | 2018-12-24 | 2019-05-03 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN110009613A (zh) * | 2019-03-28 | 2019-07-12 | 东南大学 | 基于深度稠密网络的低剂量ct成像方法、装置及系统 |
CN110599420A (zh) * | 2019-05-27 | 2019-12-20 | 首都师范大学 | 基于深度学习的ct图像分块重建方法及系统 |
CN110415311A (zh) * | 2019-07-29 | 2019-11-05 | 上海联影医疗科技有限公司 | Pet图像重建方法、系统、可读存储介质和设备 |
CN110559008A (zh) * | 2019-09-03 | 2019-12-13 | 明峰医疗系统股份有限公司 | 一种正电子断层扫描及重建方法 |
CN110717951A (zh) * | 2019-09-12 | 2020-01-21 | 浙江大学 | 一种基于cGANs的PET图像直接重建方法 |
Non-Patent Citations (3)
Title |
---|
IVAN S. KLYUZHIN 等: ""PET image reconstruction and motion correction using direct backprojection on point grids and clouds"", 《2011 IEEE NUCLEAR SCIENCE SYMPOSIUM CONFERENCE RECORD》 * |
YOSEOB HAN 等: ""Framing U-Net via Deep Convolutional Framelets: Application to Sparse-View CT"", 《 IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
张志诚: ""基于机器学习的低剂量CT成像关键问题研究"", 《中国博士学位论文全文数据库-医药卫生科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021159948A1 (zh) * | 2020-02-11 | 2021-08-19 | 之江实验室 | 一种基于深度学习的低剂量pet三维重建方法 |
CN111915696A (zh) * | 2020-08-07 | 2020-11-10 | 南京安科医疗科技有限公司 | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 |
CN112053412A (zh) * | 2020-08-31 | 2020-12-08 | 浙江大学 | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 |
CN112053412B (zh) * | 2020-08-31 | 2022-04-29 | 浙江大学 | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 |
WO2022041521A1 (zh) * | 2020-08-31 | 2022-03-03 | 浙江大学 | 基于教师-学生生成器的低剂量Sinogram去噪与PET图像重建方法 |
WO2022057188A1 (zh) * | 2020-09-21 | 2022-03-24 | 之江实验室 | 一种spect三维重建图像到标准视图的自动转向方法 |
US11704773B2 (en) | 2020-09-21 | 2023-07-18 | Zhejiang Lab | Automatic orientation method for three-dimensional reconstructed SPECT image to standard view |
WO2022120883A1 (zh) * | 2020-12-07 | 2022-06-16 | 深圳先进技术研究院 | 低剂量图像去噪网络的训练方法、低剂量图像的去噪方法 |
CN112258642A (zh) * | 2020-12-21 | 2021-01-22 | 之江实验室 | 基于深度学习的低剂量pet数据三维迭代更新重建方法 |
CN112258642B (zh) * | 2020-12-21 | 2021-04-09 | 之江实验室 | 基于深度学习的低剂量pet数据三维迭代更新重建方法 |
CN112489158A (zh) * | 2021-01-13 | 2021-03-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
CN112489158B (zh) * | 2021-01-13 | 2023-05-12 | 河北大学 | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 |
CN112927132A (zh) * | 2021-01-25 | 2021-06-08 | 浙江大学 | 基于深度学习提升pet系统空间分辨率均匀性的pet图像重建算法 |
CN112991477A (zh) * | 2021-01-28 | 2021-06-18 | 明峰医疗系统股份有限公司 | 基于深度学习的pet图像处理方法 |
CN113057667A (zh) * | 2021-03-26 | 2021-07-02 | 上海联影医疗科技股份有限公司 | Pet探测器信号采样方法、装置、电子装置和存储介质 |
CN113057667B (zh) * | 2021-03-26 | 2023-08-15 | 上海联影医疗科技股份有限公司 | Pet探测器信号采样方法、装置、电子装置和存储介质 |
CN113256753A (zh) * | 2021-06-30 | 2021-08-13 | 之江实验室 | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 |
CN113838161B (zh) * | 2021-11-25 | 2022-02-22 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
CN113838161A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
CN114332287A (zh) * | 2022-03-11 | 2022-04-12 | 之江实验室 | 基于transformer特征共享的PET图像重建方法、装置、设备及介质 |
CN114332287B (zh) * | 2022-03-11 | 2022-07-15 | 之江实验室 | 基于transformer特征共享的PET图像重建方法、装置、设备及介质 |
CN114758031A (zh) * | 2022-06-15 | 2022-07-15 | 之江实验室 | 电容耦合电阻抗层析成像图像重建方法和装置 |
CN114758031B (zh) * | 2022-06-15 | 2022-10-21 | 之江实验室 | 电容耦合电阻抗层析成像图像重建方法和装置 |
CN116503506A (zh) * | 2023-06-25 | 2023-07-28 | 南方医科大学 | 一种图像重建方法、系统、装置及存储介质 |
CN116503506B (zh) * | 2023-06-25 | 2024-02-06 | 南方医科大学 | 一种图像重建方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325686B (zh) | 2021-03-30 |
WO2021159948A1 (zh) | 2021-08-19 |
US20220383565A1 (en) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
JP7179757B2 (ja) | ディープ畳み込みニューラルネットワークを使用した医用画像化のための線量低減 | |
CN111627082B (zh) | 基于滤波反投影算法和神经网络的pet图像重建方法 | |
CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
CN113256753B (zh) | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 | |
CN112258642B (zh) | 基于深度学习的低剂量pet数据三维迭代更新重建方法 | |
CN112381741B (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
CN112819914B (zh) | 一种pet图像处理方法 | |
Shao et al. | A learned reconstruction network for SPECT imaging | |
CN112488953A (zh) | 一种医学图像降噪方法、系统、终端以及存储介质 | |
CN113870138A (zh) | 基于三维U-net的低剂量CT图像去噪方法及系统 | |
CN114387236A (zh) | 基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法 | |
CN111325695A (zh) | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 | |
Feng et al. | Dual residual convolutional neural network (DRCNN) for low-dose CT imaging | |
Liu et al. | MRCON-Net: Multiscale reweighted convolutional coding neural network for low-dose CT imaging | |
Zhu et al. | STEDNet: Swin transformer‐based encoder–decoder network for noise reduction in low‐dose CT | |
CN116245969A (zh) | 一种基于深度神经网络的低剂量pet图像重建方法 | |
Whiteley et al. | FastPET: Near real-time PET reconstruction from histo-images using a neural network | |
CN110176045A (zh) | 一种由单能ct图像生成双能ct图像的方法 | |
Mahmoud et al. | Variant Wasserstein Generative Adversarial Network Applied on Low Dose CT Image Denoising. | |
CN112634147B (zh) | 自监督学习的pet图像降噪方法、系统、装置及介质 | |
Liang et al. | A model-based deep learning reconstruction for X-Ray CT | |
Khaleghi et al. | Neural network performance evaluation of simulated and genuine head-and-neck computed tomography images to reduce metal artifacts | |
CN112819713B (zh) | 基于无监督学习的低剂量pet图像降噪方法 | |
CN117152365B (zh) | 一种口腔cbct超低剂量成像的方法、系统及装置 |
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 |