CN111429545A - 一种基于深度学习的pet不完整数据的重建方法和系统 - Google Patents
一种基于深度学习的pet不完整数据的重建方法和系统 Download PDFInfo
- Publication number
- CN111429545A CN111429545A CN202010212585.9A CN202010212585A CN111429545A CN 111429545 A CN111429545 A CN 111429545A CN 202010212585 A CN202010212585 A CN 202010212585A CN 111429545 A CN111429545 A CN 111429545A
- Authority
- CN
- China
- Prior art keywords
- sinogram
- deep learning
- pet
- repaired
- image reconstruction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000008034 disappearance Effects 0.000 claims 1
- 230000002285 radioactive effect Effects 0.000 abstract description 5
- 230000008439 repair process Effects 0.000 abstract description 3
- 230000003111 delayed effect Effects 0.000 abstract description 2
- 238000002600 positron emission tomography Methods 0.000 description 37
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- AOYNUTHNTBLRMT-SLPGGIOYSA-N 2-deoxy-2-fluoro-aldehydo-D-glucose Chemical compound OC[C@@H](O)[C@@H](O)[C@H](O)[C@@H](F)C=O AOYNUTHNTBLRMT-SLPGGIOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine (AREA)
Abstract
本发明提供了一种基于深度学习的PET不完整数据的重建方法和系统,涉及PET数据处理技术领域,包括数据采集:采集并记录符合事例光子击中PET探测器单元的信息;数据预处理:将符合事例信息进行正弦图的转化和处理;异常检测:通过深度学习神经网络对正弦图结果进行诊断,输出诊断结果;智能正弦图修复:通过深度学习神经网络对诊断结果异常时缺失的正弦图进行修补;图像重建:将修补后的正弦图输入进行图像重建,得出图像重建结果。本发明利用深度学习训练的网络结构,对缺失的PET正弦图信息进行修补,用于放射性图像重建;补全的数据完整性好,重建出的图像精度高;无需重新采集实验数据,不延误扫描病人的诊断时间。
Description
技术领域
本发明涉及一种基于深度学习的PET不完整数据的重建方法和系统,属于PET数据处理技术领域。
背景技术
正电子发射断层扫描成像仪(PET)是一种高端的核医学影像设备。通过使用半衰期较短的放射性示踪剂同位素,通常是氟化脱氧葡萄糖,其中的F-18衰变过程会放射出正电子,正电子湮灭产生一对光子,通过记录这一对光子产生的符合事件,得到放射性元素的分部信息,从而重建出病人体内的图像。正电子发射断层扫描成像仪对于辅助诊肿瘤癌症,心脑血管疾病及神经系统疾病等发挥着重要作用。
PET重建的过程中首先会将采集到的光子符合信息转换成各个角度下的正弦图信息(Sinogram),通过正弦图信息结合衰减校正,散射校正等,使用迭代重建的方法重建出清晰准确的PET图像。因此正弦图信息作为PET重建源头至关重要。
一般而言,如果病人扫描过程中出现PET仪器的不正常工作现象(如某些探测单元或者电子学模块,或图像采集收集部分出现了老化或者剂量过大造成的暂时性脱机),PET某一些几何角度的信息丢失,造成PET电子学系统采集符合数据不完备。传统的PET仪器,基本上会选择终止扫描过程,转移其他正常的机器上进行实验或者要求病人进行二次预约扫描等。这浪费了本次注射药物,浪费医院和病人的成本。病人需要重新预约放射性药物注射,重新进行PET扫描,增加病人受放射性药物和其他仪器辐照所带来的伤害,更严重的情况可能延误病人的诊断治疗时机,造成严重后果。
基于此,做出本申请。
发明内容
为了解决现有技术中存在的上述缺陷,本发明提供了一种采用深度学习补全PET图像正弦图进行图像重建的方法和系统,可以自动化、智能化地补全正弦图的丢失物理信息。
为了实现上述目的,本发明的基于深度学习的PET不完整数据的重建方法包括:数据采集:采集并记录符合事例光子击中PET探测器单元的信息;数据预处理:将符合事例信息进行正弦图的转化和处理;异常检测:通过深度学习神经网络对正弦图结果进行诊断,输出诊断结果;智能正弦图修复:通过深度学习神经网络对诊断结果异常时缺失的正弦图进行修补;图像重建:将修补后的正弦图输入进行图像重建,得出图像重建结果。
为了实现上述目的,本发明的基于深度学习的PET不完整数据的重建系统包括:数据采集系统,用于采集并记录符合事例光子击中PET探测器单元的信息;数据预处理系统,用于将符合事例信息进行正弦图的转化和处理;异常检测系统,用于通过深度学习神经网络对正弦图结果进行诊断,输出诊断结果;智能正弦图修复系统,用于通过深度学习神经网络对诊断结果异常时缺失的正弦图进行修补;图像重建系统,用于将修补后的正弦图输入进行图像重建,得出图像重建结果。
具体来说,本发明提出一种采用深度学习补全PET图像正弦图进行图像重建的方法和系统中的数据采集系统的功能如下:能够准确记录放射性核素湮灭产生的一对光子事件击中PET探测器单元的位置和角度等物理信息。该系统可以包含但不局限传统的PET电子学的数据采集系统,如晶体和光电倍增管(PMT)或者晶体和硅光电倍放大器(SiPM)等探测结构主体构成的PET电子学数据采集系统。
本发明提出的一种采用深度学习补全PET图像正弦图进行图像重建的方法和系统中的数据预处理系统:利用PET的几何参数信息,对其中数据采集系统所采集的原始数据进行出属于处理,该处理过程应该满足将三维自然坐标下的光子的符合事件,转化为包含多层维度的二位正弦图信息。其中过程可以包含但是不局限与以下其他过程:对LOR响应线的计算,探测器单元几何校正和探测器效率修正等物理过程。
本发明提出的一种采用深度学习补全PET图像正弦图进行图像重建的方法和系统中的异常检测系统:异常检测系统的是负责通过识别正弦图信息检测是否出现了缺失和不连续的现象,譬如单点像素缺失,连续区域多像素缺失等。本发明中该系统是一种事先训练和测试合格的深度学习的神经网络Unet来实现的,本发明声明异常检测系统并不局限于其他类型神经网络。同时本发明也不局限通过传统的阈值检测和边缘检测等以实现检测PET正弦图出现不完整功能的其他方法。
本发明声明,以上所有内容都是基于正电子发射断层扫描成像仪讨论的,如非特别声明,以下所述中出现的正弦图都是PET扫描处理得来的结果。
本发明的原理及有益技术效果:本发明通过深度学习训练完成的神经网络系统,学习正弦图的各角度和径向距离变化下的特征,依据放射性核素的各向同性和随角度连续变化原则,对缺失的某小角度的sinogram进行补全和修复,即,对图像采集的不完整正弦图信息进行修复和补全,从而完成图像重建的方法和系统,即使仪器在扫描检查时出现了某些原始扫描数据的丢失,也能够较为准确地完成图像重建修复丢失的部分信息,准确度高,不需要病人二次注射和扫描,节约了医院的成本,降低了病人受辐射的风险,不会延误病人的诊断和治疗时机,节省大量的时间和资源成本。
附图说明
图1是本实施例采用深度学习补全PET图像正弦图进行图像重建的系统;
图2是本实施例采用深度学习补全PET图像正弦图进行图像重建的工作流程图;
图3是本实施例一种PET不完整数据的三维热度统计直方图谱;
图4是本实施例一种实现智能修复正弦图的Unet神经网络结构图;
图5是本实施例是不完整数据正弦图,完整数据正弦图,以及智能修的正弦图,以及差异对比图;
图6是本实施例不完整数据正弦图,完整数据正弦图以及智能修复的正弦图经过图像重建之后的结果,以及差异对比图;
图7是本实施例不完整数据正弦图,完整数据正弦图以及智能修复的正弦图经过图像重建之后的图像在图6线条方向上的剖面结果图。
标注说明:数据采集系统100,数据预处理系统200,异常检测系统300,智能正弦图修复系统400,图像重建系统500。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果,能够更清楚更完善的披露,兹提供了以下实施例,并结合附图作如下详细说明:
本实施例提供了一种采用深度学习补全PET图像正弦图进行图像重建的方法和系统,如图1所示,系统的主要构成由五部分组成:数据采集系统100、数据预处理系统200、异常检测系统300、智能正弦图修复系统400和图像重建系统500。
其中数据采集系统100的硬件部分和设备全部来自PET的数据采集系统。
参考图2是本实施例工作流程示意图,其工作流程包括:
步骤S1,开始PET数据采集,读取预设的数据采集参数信息,对其中采集的参数进行初始化,该采集的参数信息包含并不限于一般电子学系统的数据采集的参数信息条件,如能量窗,时间窗,扫描视野(FOV)等,将这些参数传送给数据采集系统100;
步骤S2,数据采集系统开始工作,数据采集系统100收到步骤S1传送的初始化数据,启动采集程序开始进行符合事例的收集。该过程中系统会将符合事例光子击中PET探测器单元的位置信息、能量信息和时间信息等进行测量,并存储至寄存器等介质中,传送给数据预处理系统200等其他后续处理系统;
步骤S3,数据预处理系统开始工作,数据预处理系统200分析处理步骤S2中的光子击中的位置等信息,将其中自然坐标系的位置信息经过Radon变换,处理转化成多层数目的二维度正弦图sinogram信息,存储至磁盘介质中,传送给异常检测系统300等其他后续处理系统;
为了便于解释说明,参考图3是本发明使用的一种具体实例,内容为PET某两个探测器单元不工作所形成的原始数据不完整的三维统计直方图热度谱。
步骤S4,异常检测系统300将S3分析处理得出的sinogram的数据作为输入,处理并计算正弦图数据的特征,将检测(诊断)的特征结果输出并保存成报告。注意的是,该异常检测系统是通过深度学习的神经网络来与预测实现的,该网络参数需要事先进行训练直到网络参数稳定可靠并且保证网络在一定精确的合理范围内,属于现有技术,本实施例在此处仅是使用此网络进行预测,网络的预测和参数调试不在本发明中进行详细阐述。
步骤S5,将S4输出的异常检测报告进行分析,判断PET本次扫描的正弦图数据是否属于数据不完整的情况;如果答案是否定的,说明本次扫描采集的正弦图数据是完整的,不存在数据缺失的情况,就将正弦图数据传送至图像重建系统500,即转至步骤S8操作;如果答案是肯定的,说明本次扫描的正弦图数据是不完整的,出现了由于某种原因导致的部分角度数据缺失,则将数据传送至智能正弦图修复系统400,即转至步骤S6的操作。
步骤S6,智能正弦图修复系统400对步骤S5的正弦图的结果进行处理,将其中不完整的正弦图的角度,位置和计数等信息进行修复,得出新的准确可靠的正弦图信息。需要指出,该智能正弦图修复系统是通过深度学习的神经网络来预测实现的,该网络参数需要事先进行训练直到网络参数稳定可靠并且保证网络在一定精确的合理范围内,属于现有技术,本实施例在此处仅使用此网络进行预测,网络的预测和参数调试不在本发明中进行详细阐述。
为了便于解释说明,参考图5是本实施例的智能正弦图修复系统400实现其功能的Unet神经网络的结构。该网络的处理流程大致如下:将不完整的正弦图作为输入,连续进行4次最大值池化(MaxPool)和下采样和特征层翻倍的3x3二维卷积与线性整流函数(ReLU)实现非线性计算,再连续进行上采样(Upsampling)并拼接前面下采样图片与大小相同的特征层,最终输出与原尺寸大小的预测结果,输出作为修复之后的新正弦图。
步骤S7,将步骤S6预测出的新的正弦图进行分析处理,判断是否符合精度等视觉要求。判断的量化依据可以包含但不局限与以下,观察由于之前正弦图信息所影响的图像的区域内图像特征是否有异常或者突变的情况,能否达到预期要求。如果答案是否定的,则返回至S6重新进行训练和处理,如果答案是肯定的,则将新的正弦图传送至步骤S8。
步骤S8,图像重建系统500将正弦图输入,并结合其他重建扫描信息(如偶然符合信息,衰减信息,散射信息等)进行相应的校正,并进行迭代重建,得出图像重建结果,传送给步骤S9。
步骤S9,将步骤S8传送的重建之后的结果合适的格式(如Dicom文件格式等),保存至磁盘,并结束整个流程。
为了解释说明,参考图5是某个具体的实例对比的结果:图中5-a是不完整的正弦图的一个实例,从图中可以看出由于剔除了某一些探测器单元的事例,导致正弦图中某一些区域缺失了相应的符合事件信息,其中5-b是没有剔除该探测器单元的完整的正弦图结果,5-c是经过智能正弦图修复系统预测得出的新的(修补后的)正弦网络图,5-d是5-b和5-a的差异效果图,5-e是5-c和5-a的差异效果图,5-f是5-c和5-b的差异效果图。5-f可以看出正弦图差异很小,修复后的正弦图效果很准确。
参考图6是本实施例中分别经过上述步骤S8图像重建得出的结果:图中6-a是不完整的正弦图重建的结果,其中6-b完整的正弦图重建的结果,6-c是智能正弦图修复系统预测得出的新的正弦网络图经过图像重建得出的结果,6-d是6-b和6-a的差异效果图,6-e是6-c和6-a的差异效果图,6-f是6-c和6-b的差异效果图。图中可以看出修复后的正弦图中间效果和正常完全数据的重建效果差异很小。
参考图7是本实施例中分别经过上述步骤S7图像重建得出的结果在参考图6中倾斜实线方向上的剖面对比图。图中可以看到修复后的重建图像剖面和正常完全数据的重建图像剖面差别很小,不完整数据的重建图像剖面和正常完全数据的重建图像剖面差别很明显。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明,不能认定本发明具体实施只局限于上述这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于深度学习的PET不完整数据的重建方法,包括以下步骤:
(1)数据采集:采集并记录符合事例光子击中PET探测器单元的信息;
(2)数据预处理:将符合事例信息进行正弦图的转化和处理;
(3)异常检测:通过深度学习神经网络对正弦图结果进行诊断,输出诊断结果;
(4)智能正弦图修复:通过深度学习神经网络对诊断结果异常时缺失的正弦图进行修补;
(5)图像重建:将修补后的正弦图输入进行图像重建,得出图像重建结果。
2.如权利要求1所述的一种基于深度学习的PET不完整数据的重建方法,其特征在于:所述步骤(3)和步骤(4)之间还包括一步骤,正弦图缺失判断:将输出的异常检测结果进行分析,判断正弦图是否缺失,若缺失,则进行智能正弦图修复,若不缺失,则进行图像重建。
3.如权利要求1所述的一种基于深度学习的PET不完整数据的重建方法,其特征在于:所述深度学习神经网络均为经过训练的网络。
4.如权利要求3所述的一种基于深度学习的PET不完整数据的重建方法,其特征在于:还包括修补的正弦图达标判断步骤:将修补后的正弦图进行分析处理,判断是否符合视觉要求,若不符合,则返回智能正弦图修复中重新进行训练和处理,若符合,则将修补后的正弦图进行图像重建。
5.如权利要求1所述的一种基于深度学习的PET不完整数据的重建方法,其特征在于:所述符合事例信息包括符合事例光子击中PET探测器单元的位置、能量信息和时间信息。
6.一种基于深度学习的PET不完整数据的重建系统,其特征在于:包括
数据采集系统,用于采集并记录符合事例光子击中PET探测器单元的信息;
数据预处理系统,用于将符合事例信息进行正弦图的转化和处理;
异常检测系统,用于通过深度学习神经网络对正弦图结果进行诊断,输出诊断结果;
智能正弦图修复系统,用于通过深度学习神经网络对诊断结果异常时缺失的正弦图进行修补;
图像重建系统,用于将修补后的正弦图输入进行图像重建,得出图像重建结果。
7.如权利要求1所述的一种基于深度学习的PET不完整数据的重建系统,其特征在于:还包括正弦图缺失判断系统:用于将输出的异常检测结果进行分析,判断正弦图是否缺失,若缺失,则进行智能正弦图修复,若不缺失,则进行图像重建。
8.如权利要求1所述的一种基于深度学习的PET不完整数据的重建系统,其特征在于:所述深度学习神经网络均为经过训练的网络。
9.如权利要求3所述的一种基于深度学习的PET不完整数据的重建系统,其特征在于:还包括修补的正弦图达标判断系统:用于将修补后的正弦图进行分析处理,判断是否符合视觉要求,若不符合,则返回智能正弦图修复中重新进行训练和处理,若符合,则将修补后的正弦图进行图像重建。
10.如权利要求8所述的一种基于深度学习的PET不完整数据的重建系统,其特征在于:所述符合事例信息包括符合事例光子击中PET探测器单元的位置、能量信息和时间信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212585.9A CN111429545A (zh) | 2020-03-24 | 2020-03-24 | 一种基于深度学习的pet不完整数据的重建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212585.9A CN111429545A (zh) | 2020-03-24 | 2020-03-24 | 一种基于深度学习的pet不完整数据的重建方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429545A true CN111429545A (zh) | 2020-07-17 |
Family
ID=71555439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212585.9A Pending CN111429545A (zh) | 2020-03-24 | 2020-03-24 | 一种基于深度学习的pet不完整数据的重建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429545A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
CN110337673A (zh) * | 2017-01-05 | 2019-10-15 | 通用电气公司 | 基于深度学习的对在断层摄影重建中使用的数据的估计 |
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 |
-
2020
- 2020-03-24 CN CN202010212585.9A patent/CN111429545A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110337673A (zh) * | 2017-01-05 | 2019-10-15 | 通用电气公司 | 基于深度学习的对在断层摄影重建中使用的数据的估计 |
CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
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 |
Non-Patent Citations (1)
Title |
---|
汪静等: "《核医学诊断设备及其应用》", 31 August 2013 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ashrafinia | Quantitative nuclear medicine imaging using advanced image reconstruction and radiomics | |
CN101080746B (zh) | 多模态图像的配准 | |
CN103824266B (zh) | 具有增强噪声控制滤波的迭代重建 | |
US8045778B2 (en) | Hot spot detection, segmentation and identification in pet and spect images | |
JP5789080B2 (ja) | 学習機械を使用したアクティブ電子カルテベースのサポートシステム | |
US20090202125A1 (en) | Restoration of the nuclear medicine 2d planar image by iterative constrained deconvolution | |
US7324624B2 (en) | Shifted transmission mock for nuclear medical imaging | |
US20120271840A1 (en) | Systems and methods for storing and providing scan protocol information | |
WO2010048363A2 (en) | Line of response estimation for high-resolution pet detector | |
JP7359851B2 (ja) | 陽電子放出断層撮影(pet)のための人工知能(ai)ベースの標準取込み値(suv)補正及び変動評価 | |
CN106683042A (zh) | 一种基于非线性最小二乘的多模态医学图像融合方法以及系统 | |
Piccinelli et al. | Advances in single-photon emission computed tomography hardware and software | |
CN109077748A (zh) | 一种精准的pet归一化校正方法 | |
CN102047143A (zh) | 保留列表模式格式的几何变换 | |
US11051773B2 (en) | Systems and methods for imaging with improved dosages | |
JP2008089396A (ja) | ガンマカメラシステム | |
CN111429545A (zh) | 一种基于深度学习的pet不完整数据的重建方法和系统 | |
JP2010243395A (ja) | X線・ガンマ線撮像装置 | |
Aribi et al. | Analysis of scintigraphic renal dynamic studies: an image processing tool for the clinician and researcher | |
US20190391282A1 (en) | Photon scatter imaging | |
JP6823310B2 (ja) | 被ばく線量管理方法および管理装置 | |
CN110796713B (zh) | 放射源定位方法和装置、电子设备及计算机可读存储介质 | |
Pagnanelli et al. | Technical aspects of resolution recovery reconstruction | |
Chen et al. | Transmission scan truncation with small-field-of-view dedicated cardiac SPECT systems: Impact and automated quality control | |
Todd-Pokropek | Functional imaging of the brain using single photon emission computerized tomography (SPECT) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |